多部位样本联合代谢组学共有与特有代谢产物组合热图

字数：1k字 | 预计阅读时长：3分钟

多部位样本联合代谢组学共有与特有代谢产物组合热图

写在前面

拿到了瘤胃液、血液、牛奶的代谢组学结果，想找出这几种体液之间差异代谢物的关联，偶然在师妹那里看到了下面这个图，描述的是两组间差异脂质类代谢物在三种体液内的分布与代谢组鉴定强度，用这样一种组合热图的方式展现，包含了每种体液包含差异代谢物的种类、差异代谢物在组间的鉴定强度、差异代谢物的分类，以及能看出共有、特有以及流向分布等信息，不只是代谢组学，同理可运用到其他多组织部位的联合组学。下面用我自己的数据描述复刻过程。

image-20231229191144630

展开全文 >>

基于R和gephi做宏基因组与代谢组等多组学联合network相关性网络图

字数：1.2k字 | 预计阅读时长：4分钟

写在前面

拿到多组学的数据后一直在找合适的方法将二者进行关联，比如我这里是三种体液的代谢组与一种体液的宏基因组。需求是对多组学进行关联分析，直到最近看到不少文章里利用Gephi将相关性表格进行可视化的图，效果还不错，于是写个过程记录自用。这里演示的是属水平的差异菌群相对丰度（宏基因组结果）与代谢组鉴定到的差异代谢物进行关联。

主要分为两个部分：

  • 先是计算相关性生成graphml格式文件
  • 使用Gephi软件进行可视化

数据准备

主要就是两个需要关联的表格

  • 差异代谢物表格
    image-20231011195243243

  • 差异菌属的相对丰度表格
    image-20231011195214637

这里注意：原文件如果是新建的excel，默认有3个sheet，一定记得只保留一个sheet后另存为制表符分隔的txt文件，这一点很重要，不然下面分析的时候会从读取就开始报错！

image-20231011195341323

R包Hmisc计算相关性并用igraph包生成graphml

用到Hmisc包和igraph包

这里就直接放代码吧，遇到相关的报错先仔细检查数据，一般是数据格式和内容本身的问题。不行就上网找解决办法。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
###微生物和代谢物的相关性网络
##计算微生物类群丰度和代谢物鉴定强度的相关系数
setwd('F:\\Analysis\\RA_Sanhe cow\\Microgenome\\Network_Gephi module_Pretreat\\RE group\\M_metabolites_genus')
library(Hmisc)
MAG <- read.delim('differ_genus.txt',row.name = 1, check.names = FALSE)
Enzyme <- read.delim('milk_differ_metabolites_inform.txt',row.name = 1, check.names = FALSE)
MAG<-t(MAG)
Enzyme<-t(Enzyme)

#计算群落组成与功能的相关性，以 spearman 相关系数为例
MAG_Enzyme_corr <- rcorr(as.matrix(MAG), as.matrix(Enzyme), type = 'spearman')

#相关系数 r 值和显著性 p 值矩阵
r <- MAG_Enzyme_corr$r
p <- MAG_Enzyme_corr$P

#只保留微生物丰度-功能基因丰度的相关系数
#去除微生物-微生物、功能基因-功能基因之间的相关系数
r <- r[colnames(MAG),colnames(Enzyme)]
p <- p[colnames(MAG),colnames(Enzyme)]

#阈值筛选
#将 spearman 相关系数低于 0.7 的关系剔除，即 r>=0.7
#该模式下，一定要注意负值的选择是否是合适的，因为很多情况下可能负相关无意义
r[abs(r) < 0.7] <- 0

#选取显著性 p 值小于 0.05 的相关系数，即 p<0.05
# p <- p.adjust(p, method = 'BH')    #可选 p 值校正，这里使用 BH 法校正 p 值
p[p>=0.05] <- -1
p[p<0.05 & p>=0] <- 1
p[p==-1] <- 0

#根据上述筛选的 r 值和 p 值保留数据
z <- r * p

#再转换为对称矩阵，igraph 只能识别这种样式的邻接矩阵类型
z1 <- MAG_Enzyme_corr$r
z1[z1 != 0] <- 0
z1[rownames(z),colnames(z)] <- z
z1[colnames(z),rownames(z)] <- t(z)

#write.table(data.frame(z1, check.names = FALSE), 'MAG_Enzyme_corr.matrix.txt', col.names = NA, sep = '\t', quote = FALSE)

##获得网络
library(igraph)

#将邻接矩阵转化为 igraph 网络的邻接列表
#构建含权的无向网络，权重代表了微生物丰度和功能基因丰度间的 spearman 相关系数
g <- graph.adjacency(z1, weighted = TRUE, mode = 'undirected')
g

#孤立节点的删除（删除度为 0 的节点）
g <- delete.vertices(g, names(degree(g)[degree(g) == 0]))

#该模式下，边权重代表了相关系数
#由于权重通常为正值，因此最好取个绝对值，相关系数重新复制一列
E(g)$correlation <- E(g)$weight
E(g)$weight <- abs(E(g)$weight)

#查看网络图
plot(g)

#graphml 格式，可使用 gephi 软件打开并进行可视化编辑
write.graph(g, 'network.graphml', format = 'graphml')

plot包出的图

image-20231011200630160

Gephi软件可视化

下载地址：The Open Graph Viz Platform，支持中文

可参考 B站：Gephi可视化进阶：教你绘制一个漂亮的网络图

进一步对上面生成的network.graphml文件用Gephi可视化

  • 导入图形文件

gephi导入

  • 导入后初始布局

image-20231012091637492

  • 更改布局，等节点的位置没有移动变化即可停止

gephi布局

  • 计算平均度与模块化

gephi模块化

  • 模块化上色gephi模块化2

  • 调整节点大小

gephi节点大小

  • 添加节点标识，去数据资料处替换节点名字

节点标识

  • 预览图，这里根据需要可以自行摸索调整，红框圈出了我调整的部分

image-20231011205821998

  • 导出保存

image-20231011210001552

效果展示

结果图细节修改：在AI中嵌入上面导出的pdf格式结果后补充图例细节即可，下方是效果展示

image-20231012092212749

展开全文 >>

基于R的linkET包qcorrplot可视化Mantel test相关性网络热图分析correlation heatmap

字数：673字 | 预计阅读时长：3分钟

写在前面

需求是对瘤胃宏基因组结果鉴定到的差异菌株与表观指标、瘤胃代谢组、血清代谢组、牛奶代谢组中有差异的部分进行关联分析，效果图如下：

image-20230926151159439

数据准备

逗号分隔的csv格式文件，两个表格，一个是每个样本对应的表观指标数据，另一个是每个样本对应的菌群丰度，我这里用的是genus水平

  • 需要关联的表观数据rumen.csv

image-20230926151926227

  • 不同样本的菌群丰度genus.csv

image-20230926152040334

R包linkET可视化

  • 装包
1
2
install.pakages("linkET")
library(linkET)

如果报错R版本有问题装不上（我的4.3.1版本R出现了这个报错）请尝试：

1
2
3
install.packages("devtools")
devtools::install_github("Hy4m/linkET", force = TRUE)
packageVersion("linkET")
  • 读取数据
1
2
3
4
library(ggplot2)
rumen <- read.csv("rumen.csv",sep=",",row.name=1,stringsAsFactors = FALSE,check.names = FALSE)
genus <- read.csv("genus.csv",sep=",",row.name=1,stringsAsFactors = FALSE,check.names = FALSE)
#如果报错row.names重复错误请检查数据格式是否为csv
  • rumen.csv组内相关系数
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
matrix_data(list(rumen = rumen)) %>% 
  as_md_tbl()
correlate(rumen) %>% 
  as_matrix_data()
correlate(rumen) %>% 
  as_md_tbl()

correlate(rumen) %>% 
  as_md_tbl() %>% 
  qcorrplot() +
  geom_square()

#如果对“%>%”功能报错，装具有此功能的包即可，比如dplyr

library(vegan)
correlate(rumen, genus, method = "spearman") %>% 
  qcorrplot() +
  geom_square() +
  geom_mark(sep = '\n',size = 3, sig_level = c(0.05, 0.01, 0.001),
            sig_thres = 0.05, color = 'white') + #添加显著性和相关性值
  scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu"))
image-20230926153111273
  • 两个表格进行关联生成相关性矩阵图，带显著性标记
1
2
3
4
5
6
7
library(vegan)
correlate(rumen, genus, method = "spearman") %>% 
  qcorrplot() +
  geom_square() +
  geom_mark(sep = '\n',size = 3, sig_level = c(0.05, 0.01, 0.001),
            sig_thres = 0.05, color = 'white') + #添加显著性和相关性值
  scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu"))
image-20230926155801309
  • 加工可视化
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
library(dplyr)
mantel <- mantel_test(rumen, genus,
                      spec_select = list(Milk_yeild=1,Milk_fat=2,Urea_Nitrogen=3,Butyric_acid=4,Valeric_acid=5,BUN=6,
                                         T_AOC=7,SOD=8,MDA=9,IgA=10,IgG=11))%>% 
  mutate(rd = cut(r, breaks = c(-Inf,  0.5, Inf),
                  labels = c("< 0.5", ">= 0.5")),
         pd = cut(p, breaks = c(-Inf, 0.01, 0.05, Inf),
                  labels = c("< 0.01", "0.01 - 0.05", ">= 0.05")))

qcorrplot(correlate(genus), type = "lower", diag = FALSE) +
  geom_square() +geom_mark(sep = '\n',size = 1.8, sig_level = c(0.05, 0.01, 0.001),
    sig_thres = 0.05,color="white") +
  geom_couple(aes(colour = pd, size = rd), 
              data = mantel, 
              curvature = nice_curvature()) +
  scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu")) +
  scale_size_manual(values = c(0.5, 1, 2)) +
  scale_colour_manual(values = color_pal(3)) +
  guides(size = guide_legend(title = "Mantel's r",
                             override.aes = list(color = "black"), 
                             order = 2),
         colour = guide_legend(title = "Mantel's p", 
                               override.aes = list(size = 3), 
                               order = 1),
         fill = guide_colorbar(title = "Pearson's r", order = 3))
image-20230926160304661
  • 不显著的灰色连接线部分也可以去掉让画面更干净。其余细节去AI加工即可。

展开全文 >>

宏基因组做组间差异Anosim分析与结果解读

字数：320字 | 预计阅读时长：1分钟

写在前面

需求是返回的结果每组样本数量比较多，但组间差异不明显，挑出来重分析。详情请参考 [组间差异分析：Anosim]([组间差异分析：Anosim - 知乎 (zhihu.com))， 当然亲测更简便的方法可以借助云平台工具：

步骤

表格准备

  • 不同样本属水平的丰度表

image-20230917153833474

  • 分组信息表

image-20230917153907711

云平台分析

  • 上传云平台
image-20230917154056286
  • 结果分析与下载，这个很快

image-20230917154146743

  • 调整：pdf格式拖进AI里改色

image-20230917155057426

结果解读

img

图形解读：盒型图纵轴表示距离排名，横轴between表示组间距离，其他表示对应分组组内距离。R值表示组间与组内的差异程度。R的范围为[-1,1]。R<0组间差异小于组内差异；R>0组间差异大于组内差异；R=0组间差异等于组内差异。

盒型图参数解释：

N：样本数；

Median：中位数

Q3：上四分位数

Q1：下四分位数

IOR：四分位距，interquartile range，即Q3-Q1

max：Q3+1.5IQR范围内的最大值

min：Q1-1.5IOR范围内的最小值

outlier：异常值/离群值，即小于Q1-1.5IOR或Q3+1.5IQR的值

notch：中位数95%置信区间（confidence intervals）的范围

展开全文 >>

基于R做宏基因组进化树+丰度柱状图TreeBar带聚类树的堆叠柱形图

字数：954字 | 预计阅读时长：5分钟

写在前面

同之前一样，重分析需要所以自己找了各路代码借鉴学习，详情请参考 R语言绘制带聚类树的堆叠柱形图 ， 实操效果如下：

image-20230917151814185

步骤

表格预处理

  • 选取不同样本属水平的物种丰度图（绝对和相对水平都可以，相对画出来是齐的，绝对的bar是不齐的）。Top10丰度外的类群合并为Others。这里注意，用本篇代码时，表格选择csv/txt等格式文件一定要是制表符分隔的，不然会报错重复名或者没有多出的行

image-20230917152142907

  • 分组信息

image-20230917152559876

代码演示

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
# 装包
install.packages("vegan")

#层次聚类
#读取 OTU 丰度表，csv/txt等文件一定要是制表符分隔的，不然会报错重复名或者没有多出的行
dat <- read.delim('Unigenes.absolute.g.txt', row.names = 1, sep = '\t', head = TRUE, check.names = FALSE)

#计算样本间距离，以群落分析中常用的 Bray-curtis 距离为例
dis_bray <- vegan::vegdist(t(dat), method = 'bray')

#层次聚类，以 UPGMA 为例
tree <- hclust(dis_bray, method = 'average')
tree

plot(tree)

##聚类树绘制
#样本分组颜色、名称等
group <- read.delim('group.txt', row.names = 1, sep = '\t', head = TRUE, check.names = FALSE, stringsAsFactors = FALSE)
grp <- group[2]
group_col <- c('red', 'blue')
names(group_col) <- c('1', '2')
group_name <- c('RA', 'CON')

#样本分组标签
layout(t(c(1, 2, 2, 2, 3)))
par(mar = c(5, 2, 5, 0))

plot(0, type = 'n', xaxt = 'n', yaxt = 'n', frame.plot = FALSE, xlab = '', ylab = '',
     xlim = c(-max(tree$height), 0), ylim = c(0, length(tree$order)))
legend('topleft', legend = group_name, pch = 15, col = group_col, bty = 'n', cex = 1)

#聚类树绘制，按分组给分支上色
treeline <- function(pos1, pos2, height, col1, col2) {
  meanpos = (pos1[1] + pos2[1]) / 2
  segments(y0 = pos1[1] - 0.4, x0 = -pos1[2], y1 = pos1[1] - 0.4, x1 = -height,  col = col1,lwd = 2)
  segments(y0 = pos1[1] - 0.4, x0 = -height,  y1 = meanpos - 0.4, x1 = -height,  col = col1,lwd = 2)
  segments(y0 = meanpos - 0.4, x0 = -height,  y1 = pos2[1] - 0.4, x1 = -height,  col = col2,lwd = 2)
  segments(y0 = pos2[1] - 0.4, x0 = -height,  y1 = pos2[1] - 0.4, x1 = -pos2[2], col = col2,lwd = 2)
}

meanpos = matrix(rep(0, 2 * length(tree$order)), ncol = 2)
meancol = rep(0, length(tree$order))
for (step in 1:nrow(tree$merge)) {
  if(tree$merge[step, 1] < 0){
    pos1 <- c(which(tree$order == -tree$merge[step, 1]), 0)
    col1 <- group_col[as.character(grp[tree$labels[-tree$merge[step, 1]],1])]
  } else {
    pos1 <- meanpos[tree$merge[step, 1], ]
    col1 <- meancol[tree$merge[step, 1]]
  }
  if (tree$merge[step, 2] < 0) {
    pos2 <- c(which(tree$order == -tree$merge[step, 2]), 0)
    col2 <- group_col[as.character(grp[tree$labels[-tree$merge[step, 2]],1])]
  } else {
    pos2 <- meanpos[tree$merge[step, 2], ]
    col2 <- meancol[tree$merge[step, 2]]
  }
  height <- tree$height[step]
  treeline(pos1, pos2, height, col1, col2)
  meanpos[step, ] <- c((pos1[1] + pos2[1]) / 2, height)
  if (col1 == col2) meancol[step] <- col1 else meancol[step] <- 'grey'
}

##堆叠柱形图
#样本顺序调整为和聚类树中的顺序一致
dat <- dat[ ,tree$order]

#物种颜色设置
genus_color <- c('#8DD3C7', '#FFFFB3', '#00CDCD', '#FB8072', '#80B1D3', '#FDB462', '#B3DE69', '#FCCDE5', '#BC80BD', '#CCEBC5', 'gray')
names(genus_color) <- rownames(dat)

#堆叠柱形图
#数字向量，格式为c(bottom, left, top, right)，给出各个方向绘图区边缘空白的大小
par(mar = c(5, 3, 5, 0))

relative <- read.delim('new_Unigenes.relative.g.txt', row.names = 1, sep = '\t', head = TRUE, check.names = FALSE)

bar <- barplot(as.matrix(relative), col = genus_color, space = 0.4, width = 0.7, cex.axis = 1, horiz = TRUE, cex.lab = 1.2,
               xlab = 'Relative Abundance', yaxt = 'n', las = 1, ylim = c(0, ncol(dat)), family = 'mono')

mtext('Top 10 genus', side = 3, line = 1, cex = 1)
text(x = -0.05, y = bar, labels = colnames(dat), col = group_col[group[tree$order, 2]], xpd = TRUE)

#柱形图图例
par(mar = c(5, 1, 5, 0))
plot(0, type = 'n', xaxt = 'n', yaxt = 'n', bty = 'n', xlab = '', ylab = '')
legend('left', pch = 15, col = genus_color, legend = names(genus_color), bty = 'n', cex = 1)

展开全文 >>

关于双持苹果安卓手机设备的验证码短信转发tips.md

字数：342字 | 预计阅读时长：1分钟

写在前面

我的情况是现在手持两台设备，一台安卓（双卡），一台苹果（单卡），其中安卓机上的一个手机号开通保号套餐用于注册绑定账号以及接收短信，另外两张主要是流量卡功能。现在出于某些需要我有时只带苹果机出门，现在有个需求是需要用安卓机接收短信，然后安卓机不在身边的时候也可以及时转发到苹果机上。

短信转发器

这里就可以用到一个APP：SmsForwarder-短信转发器

工作流程

短信转发器的使用

  • 亲测免费，可包设置含短信、通话和应用等方面的转发内容，具体的设置可以参考作者在前面提到的软件发布页中的详解，比较简单，设置好转发通道和关键词即可，具体可参考这篇巧用开源方案，零成本实现验证码短信转发 - 知乎 (zhihu.com)。这里一定要注意给两台手机都打开读取权限，不然无法实现实时同步转发。
image-20230810200246280
  • 安卓端（转发端，MIUI14）下载该APP设置后的效果图
image-20230810201010497
  • 苹果端（ios 16）这边下载的是Bark这个APP（手机号接收也可）作为转发通道用于接收，效果图如下
image-20230810195730282

展开全文 >>

基于R做宏基因组的进化树ClusterTree分析

字数：497字 | 预计阅读时长：2分钟

写在前面

同上一篇的PCoA分析，这个也是基于公司结果基础上的再次分析，重新挑选样本，在公司结果提供的csv结果表上进行删减，本地重新分析作图

步骤

表格预处理

  • 在公司给的ClusterTree的原始表格数据里选取要保留的样本，同样保存为逗号分隔的csv文件

代码演示

无色版

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
install.packages('vegan')
install.packages('dendextend')
install.packages('circlize')

data <- read.table('F:\\Analysis\\RA_Sanhe cow\\Microgenome\\Cluster_Tree\\table.g10.cluster.csv', header=T, sep = ',', check.names=FALSE)
rownames(data)=data[,1]
data=data[,-1]
library(vegan)
data=decostand(data, MARGIN=2, "total")
otu=t(data)
otu_dist=vegdist(otu, method="bray", diag=TRUE, upper=TRUE, p=2)
#进行聚类分析并作图
hclust=hclust(otu_dist, method="average")
plot(hclust)

library(dendextend)
library(circlize)
tree=as.dendrogram(hclust)
par(mfrow=c(2,2), mar=c(3,3,1,5), cex=0.7)
plot(tree, horiz=TRUE, main="UPGMA Tree")
#隐藏平均距离小于0.5的对象（类群）
plot(cut(tree, h=0.5)$upper, horiz=TRUE, main="Samples with distance higher than 0.5")
#在上一步基础上筛选第二个分类簇
plot(cut(tree, h=0.5)$upper[[2]], horiz=TRUE, main="Second branch samples with distance higher than 0.5")
circlize_dendrogram(tree)

image-20230720153252828

上色版

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

##完整代码
data <- read.table('F:\\Analysis\\RA_Sanhe cow\\Microgenome\\Cluster_Tree\\Demo_ClusterTree.csv', header=T, sep = ',', check.names=FALSE)
rownames(data)=data[,1]
data=data[,-1]
library(vegan)
data=decostand(data, MARGIN=2, "total")
otu=t(data)
otu_dist=vegdist(otu, method="bray", diag=TRUE, upper=TRUE, p=2)
#进行聚类分析并作图
hclust=hclust(otu_dist, method="average")
library(dendextend)
library(RColorBrewer)
hcd=as.dendrogram(hclust)
labelColors=brewer.pal(n=4, name="Set1")
#聚类分组，预设聚类簇数目为4
clusMember=cutree(hcd, 4)
#自定义函数，根据聚类结果进行着色,4 种颜色
colLab=function(n) {
  if (is.leaf(n)) {
    a=attributes(n)
    labCol=labelColors[clusMember[which(names(clusMember)==a$label)]]
    attr(n, "nodePar")=c(a$nodePar, lab.col=labCol)
  }
  n
}
clusDendro=dendrapply(hcd, colLab)
plot(clusDendro, main ="UPGMA Tree", type="rectangle", horiz=TRUE)
plot(clusDendro, main ="UPGMA Tree", type="triangle")

image-20230720153338972

展开全文 >>

基于R做宏基因组结果的PCoA分析

字数：536字 | 预计阅读时长：2分钟

写在前面

因为公司给的PCA结果效果不佳，决定从中重新挑选部分样本进行再分析

步骤

表格结果预处理

  • 在属水平genus参考原本结果已有的PCA图，尽可能挑选距离较远且聚团的样本
image-20230720091328563
  • 选取不同样本属水平的丰度数据，整理成逗号分隔的csv文件
    image-20230720091449998

代码演示

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
library(vegan) # 计算bray距离
library(ggplot2)
library(tidyverse)
library(ape) # pcoa分析

## 如果没装先install.packages("vegan")等

genus_num <- read.table('F:/Analysis/RA_Sanhe cow/Microgenome/PCA/Demo_PCA.csv',row.names = 1,header = T, sep = ',') #地址注意反斜线，或者使用‘\\’反义
bray.dist = vegdist(t(genus_num), method="bray")

jay.h.pc <- pcoa(bray.dist)
#str(spe.h.pc)#记录一二轴解释率“Eigenvalues”
jay.h.pcoa <- jay.h.pc$vectors

jay.pcoa <- data.frame(jay.h.pcoa[,1:2]) %>%
  mutate(Treatments = rep(c('A', 'B'), each = 8)) #根据列数分组，此处意思是前八列为A组，后八列为B组
# PERMANOVA置换多元方差分析
jay <- bray.dist
env <- select(jay.pcoa, Treatments)


#获取单因素的数据（方式一）
permanova <- adonis(jay ~ Treatments, data = env, permutations = 999,method="bray")
fcnames <- row.names(permanova$aov.tab)
lab <- paste('PERMANOVA\n',fcnames[1],':R^2=',round(permanova$aov.tab[1,5],4),' p=', 
             round(permanova$aov.tab[1,6],4), sep = '')
#获取单因素的数据（方式二）
permanova2 <- adonis2(jay ~ Treatments, data = env, permutations = 999,method="bray")
fcnames2 <- row.names(permanova2)
lab2 <- paste('PERMANOVA2\n',fcnames2[1],':R^2=',round(permanova2[1,3],4),' p=', 
              round(permanova2[1,5],4))


ggplot(jay.pcoa, aes(x=Axis.1, y=Axis.2, colour=Treatments)) + 
  geom_point(size=5) +  stat_ellipse(level = 0.9) +
  theme_bw()+theme(panel.grid.major=element_line(colour=NA), panel.background = element_rect(fill = "transparent",colour = NA), plot.background = element_rect(fill = "transparent",colour = NA), panel.grid.minor = element_blank())+
  # 把两个轴的贡献度写出来
  xlab(paste('Axis.1: ', round(jay.h.pc$values$Relative_eig[1],3)*100, '%', sep = '')) +
  ylab(paste('Axis.2: ', round(jay.h.pc$values$Relative_eig[2],3)*100, '%', sep = '')) +
  theme(panel.background = element_rect(fill = "transparent",colour = NA),
        aspect.ratio = 1) +
  # 用annotate把双因素结果写在左上角
  annotate(geom = 'text',label = lab, size =4,
           x = min(jay.pcoa$Axis.1), y = max(jay.pcoa$Axis.2),
           hjust = 0,
           vjust =1)

结果展示

image-20230720091632805

展开全文 >>

视频剪辑语音转文字添加字幕

字数：284字 | 预计阅读时长：1分钟

适用场景

​ 这里介绍的是如何利用软件直接识别视频中的语音，转换成文字后生成srt字幕文件（前提是比较标准的普通话），避免了逐帧手动添加字幕的繁琐，很大程度上提升视频剪辑制作的效率

  • 日常vlog剪辑

  • 短片制作

  • 其他所有需要加字幕的场景

展开全文 >>

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

韬光养晦 有所作为