免疫组库基础分析13：TCR\BCR序列相似性网络分析_NAIR包介绍(2)

# build network with computation of node-level network properties
net <- buildNet(toy_data, "CloneSeq", 
                node_stats = TRUE
)
net <- buildNet(toy_data, "CloneSeq")
net <- addNodeStats(net)

  3.结果说明

names(net$node_data)
#>  [1] "CloneSeq"                  "CloneFrequency"           
#>  [3] "CloneCount"                "SampleID"                 
#>  [5] "degree"                    "transitivity"             
#>  [7] "eigen_centrality"          "centrality_by_eigen"      
#>  [9] "betweenness"               "centrality_by_betweenness"
#> [11] "authority_score"           "coreness"                 
#> [13] "page_rank"

# Modifying the default set of node-level properties
net <- buildNet(toy_data, "CloneSeq", node_stats = TRUE,
                stats_to_include =  chooseNodeStats
                                 (closeness = TRUE,
                                  page_rank = FALSE ))
# Include only the node-level properties specified below
net <- buildNet(toy_data, "CloneSeq",
                node_stats = TRUE,
                stats_to_include =
                  exclusiveNodeStats(degree = TRUE,
                                     transitivity = TRUE
                  ))

net <- buildRepSeqNetwork(toy_data, "CloneSeq", cluster_stats = TRUE)

或者两步完成：

net <- buildNet(toy_data, "CloneSeq")
net <- addClusterStats(net)

names(net$cluster_data)
#>  [1] "cluster_id"                  "node_count"                 
#>  [3] "eigen_centrality_eigenvalue" "eigen_centrality_index"     
#>  [5] "closeness_centrality_index"  "degree_centrality_index"    
#>  [7] "edge_density"                "global_transitivity"        
#>  [9] "assortativity"               "diameter_length"            
#> [11] "max_degree"                  "mean_degree"                
#> [13] "mean_seq_length"             "seq_w_max_degree"

# 第一阶段：构建网络并进行 Fast Greedy 聚类
net <- buildNet(toy_data, "CloneSeq", 
                print_plots = FALSE,        # 不立即打印图表（为了效率，最后统一打印）
                cluster_stats = TRUE,       # 关键参数：在构建网络时直接计算簇的统计属性
                cluster_fun = "fast_greedy", # 默认fast_greedy聚类算法，其实可以不写这个代码 
                cluster_id_name = "cluster_greedy", # 将此次聚类的ID保存为 "cluster_greedy" 
                color_nodes_by = "cluster_greedy", # 节点颜色依据 "cluster_greedy" 变量 
                color_scheme = "Viridis", # 使用 Viridis 配色方案 
                size_nodes_by = 1.5, # 节点大小固定为 1.5 
                plot_title = NULL） # 不设置标题 

# 第二阶段：在现有网络上运行 Louvain 算法 
net <- addClusterMembership(net, # 输入上一步生成的网络对象 
                cluster_fun = "louvain", # 指定使用 Louvain 聚类算法 
                cluster_id_name = "cluster_louvain"） # 将此次聚类的ID保存为 "cluster_louvain" ) 
                
 # 为 Louvain 聚类结果生成新的图表 
net <- addPlots(net, 
                color_nodes_by = "cluster_louvain", # 节点颜色依据 "cluster_louvain" 变量 
                color_scheme = "Viridis", # 使用相同的配色方案以便对比 
                size_nodes_by = 1.5, # 节点大小固定 
                print_plots = FALSE ) 
                
# 第三阶段：为 Fast Greedy 的图表添加标签 
 net <- labelClusters(net, plots = "cluster_greedy", # 指定要标注的图表名称 
                cluster_id_col = "cluster_greedy", # 指定对应的簇 ID 变量
                 top_n_clusters = 7, # 仅标注最大的 7 个簇（避免图表混乱） 
                 size = 7 # 标签字体大小为 7 )
                 
# 第三阶段：为 Louvain 的图表添加标签 
net <- labelClusters(net, plots = "cluster_louvain", # 指定要标注的图表名称 
cluster_id_col = "cluster_louvain", # 指定对应的簇 ID 变量 
top_n_clusters = 7, # 仅标注最大的 7 个簇 
size = 7） # 标签字体大小为 7 

# 显示 Fast Greedy 算法生成的图表 
net$plots$cluster_greedy 

# 显示 Louvain 算法生成的图表 
net$plots$cluster_louvain