adespatial：分解beta多样性的另一种选择

利用adespatial对beta多样性进行了分解。本文简单介绍。

library(adespatial)
#adespatial：多变量多尺度空间分析。

beta.div.comp(mat, coef = "J", quant = FALSE, save.abc = FALSE)
#mat:OTU
#coef:beta多样性指数。可根据丰度或发生率数据进行选择。

#例子
  data(doubs)
  fish.sp = doubs$fish[-8,]  
  #J: Jaccard
  out = beta.div.comp(fish.sp, coef="J", quant=FALSE)
  out$part

      BDtotal            Repl         RichDif    Repl/BDtotal RichDif/BDtotal 
      0.3258676       0.0925460       0.2333216       0.2839988       0.7160012 

#BDtotal：总beta多样性
#Repl: 物种替代的多样性
#RichDif: 丰度变化的多样性

adespatial这个包功能十分强大，如还可以进行向前筛选（forward.sel）。但是注意forward.sel只能用于RDA，而vegan中的ordistep可用于RDA和CCA。 变量筛选之前也写过： MRM中进行变量筛选

此外还有很多基于MEM的方法，可以对空间结构进行建模。 MEM即Moran特征根图（Moran's eigenvector map）。 这个如果不熟悉，那么PCNM（principal coordinate of neighbour matrice）是属于MEM中的一个方法，应该较多的人知道。 PCNM简单地说，即把样本之间的距离也当作一个环境因子。先设定一个欧氏距离阈值，小于此阈值的距离都保留，而大于此阈值的距离全部设定为4倍阈值。 在此基础上对简化后的距离矩阵进行PCoA分析。保留具有正空间相关的特征向量。 接着就可以利用这些保留的特征向量作为空间解释变量，与OTU进行相关性分析。 而MEM是PCNM的一般化，可将任何的相似矩阵代替距离矩阵，对空间结构进行解析。 adespatial中针对MEM的具体函数不再赘述。

END

一个环境工程专业却做生信分析的深井冰博士，深受拖延症的困扰。想给自己一点压力，争取能够不定期分享学到的生信小技能，亦或看文献过程中的一些笔记与小收获，记录生活中的杂七杂八。

目前能力有限，尚不能创造知识，只是知识的搬运工。