揭示 igraph 中的交互集群

Question

我有一个交互网络，我使用以下代码制作邻接矩阵，然后计算网络节点之间的相异度，然后将它们聚类形成模块：

ADJ1=abs(adjacent-mat)^6
dissADJ1<-1-ADJ1
hierADJ<-hclust(as.dist(dissADJ1), method = "average")

现在我希望在绘制 igraph 时出现这些模块。

g<-simplify(graph_from_adjacency_matrix(adjacent-mat, weighted=T))
plot.igraph(g)

但是，到目前为止，我发现将 hclust 输出转换为图形的唯一方法是按照以下教程：http://gastonsanchez.com/resources/2014/07/05/Pretty-tree-graph/

phylo_tree = as.phylo(hierADJ)
graph_edges = phylo_tree$edge
graph_net = graph.edgelist(graph_edges)
plot(graph_net)

这对分层沿袭很有用，但我只希望与集群密切交互的节点如下：

谁能推荐如何使用命令（例如 igraph 中的组件）来显示这些集群？

Answer 1

igraph 提供了一堆不同的layout algorithms，用于在图中放置节点。

force-directed layout（由 igraph 中的layout.fruchterman.reingold 实现）是一个很好的起点，可以像这样的加权网络。

以下是使用一些简单的模拟数据使用力导向布局的示例。

首先，我们创建一些模拟数据和集群，以及一些“噪音”以使其更真实：

library('dplyr')
library('igraph')
library('RColorBrewer')

set.seed(1)

# generate a couple clusters
nodes_per_cluster <- 30
n <- 10

nvals <- nodes_per_cluster * n

# cluster 1 (increasing) 
cluster1 <- matrix(rep((1:n)/4, nodes_per_cluster) + 
                   rnorm(nvals, sd=1),
                   nrow=nodes_per_cluster, byrow=TRUE)

# cluster 2 (decreasing)
cluster2 <- matrix(rep((n:1)/4, nodes_per_cluster) + 
                   rnorm(nvals, sd=1),
                   nrow=nodes_per_cluster, byrow=TRUE)

# noise cluster
noise <- matrix(sample(1:2, nvals, replace=TRUE) +
                rnorm(nvals, sd=1.5),
                nrow=nodes_per_cluster, byrow=TRUE)

dat <- rbind(cluster1, cluster2, noise)
colnames(dat) <- paste0('n', 1:n)
rownames(dat) <- c(paste0('cluster1_', 1:nodes_per_cluster), 
                   paste0('cluster2_', 1:nodes_per_cluster),
                   paste0('noise_',    1:nodes_per_cluster))

接下来，我们可以使用Pearson correlation来构造我们的邻接矩阵：

# create correlation matrix
cor_mat <- cor(t(dat))

# shift to [0,1] to separate positive and negative correlations
adj_mat <- (cor_mat + 1) / 2

# get rid of low correlations and self-loops
adj_mat <- adj_mat^3
adj_mat[adj_mat < 0.5] <- 0
diag(adj_mat) <- 0

使用hclust 和cutree 对数据进行聚类：

# convert to dissimilarity matrix and cluster using hclust
dissim_mat <- 1 - adj_mat

dend <- dissim_mat %>% 
    as.dist %>% 
    hclust

clusters = cutree(dend, h=0.65)

# color the nodes
pal = colorRampPalette(brewer.pal(11,"Spectral"))(length(unique(clusters)))
node_colors <- pal[clusters]

最后，从邻接矩阵创建一个 igraph 图并使用fruchterman.reingold 布局进行绘制：

# create graph
g <- graph.adjacency(adj_mat, mode='undirected', weighted=TRUE)

# set node color and plot using a force-directed layout (fruchterman-reingold)
V(g)$color <- node_colors
coords_fr = layout.fruchterman.reingold(g, weights=E(g)$weight)

# igraph plot options
igraph.options(vertex.size=8, edge.width=0.75) 

# plot network
plot(g, layout=coords_fr, vertex.color=V(g)$color)

在上面的代码中，我生成了两个相关行的“簇”和第三组“噪声”。

层次聚类（hclust + cuttree）用于将数据点分配给聚类，并根据聚类成员进行着色。

结果如下：

有关使用 igraph 进行聚类和绘制图形的更多示例，请查看：http://michael.hahsler.net/SMU/LearnROnYourOwn/code/igraph.html

Answer 2

您没有共享一些玩具数据供我们使用并建议改进代码，但您的问题表明您只对清晰地绘制集群感兴趣 - 即图形表示。

虽然igraph 带有一些不错的force directed layout algorithms，例如layout.fruchterman.reingold、layout_with_kk 等，但是在存在大量节点的情况下，它们很快就会变得难以解释和理解全部。

像这样：

通过这些传统的网络可视化方法，

• 布局算法而非数据决定了可视化效果
• 相似的网络最终可能以非常不同的方式呈现
• 大量节点会使可视化难以解释

相反，我发现Hive Plots 更擅长显示重要的网络属性，在您的实例中，这些属性是集群和边缘。

在你的情况下，你可以：

• 在不同的直线上绘制每个聚类
• 智能地对节点的放置进行排序，以便将具有某些属性的节点放置在每条直线的最末端或起点
• 为边缘着色以识别边缘方向

要实现这一点，您需要：

• 使用 ggnetwork 包将您的 igraph 对象转换为数据框
• 将您的集群映射到此数据帧中存在的节点
• 为直线生成坐标并将其映射到每个集群
• 使用ggplot 进行可视化

R 中还有一个hiveR 包，如果您希望使用打包的解决方案。您可能还会发现另一种非常有用的图表可视化技术：BioFabric