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，随后计算网络节点之间的相异性，然后将它们聚类以形成模块：

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

现在我希望在绘制 igraph 时显示这些模块。

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

然而，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，但我只想要与集群密切交互的节点，如下所示：

任何人都可以推荐如何使用诸如来自 igraph 的组件之类的命令来显示这些集群吗？

Answer 1

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

像这样的加权网络的一个很好的起点是 force-directed layout（由 layout.fruchterman.reingold 在 igraph 中实现）。

下面是一个使用力导向布局的例子，使用了一些简单的模拟数据。

首先，我们创建一些模拟数据和集群，以及一些 "noise" 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 布局绘制它：

# 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 "clusters" 的相关行，以及第三组 "noise".

层次聚类 (hclust + cuttree) 用于将数据点分配给聚类，它们根据聚类成员身份进行着色。

结果如下所示：

有关使用 igraph 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

您没有分享一些玩具数据供我们使用并提出改进代码的建议，但您的问题表明您只对清楚地绘制集群感兴趣 - 即图形表示。

虽然igraph自带了一些不错的force directed layout algorithms，比如layout.fruchterman.reingold、layout_with_kk等，但是在节点数量多的情况下，很快就会变得难以解释和理解。

像这样：

使用这些可视化网络的传统方法，

布局算法，而不是数据，决定了可视化效果
类似的网络最终可能会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。

对于您的情况，您可以：

在不同的直线上绘制每个簇
智能排序节点的放置，使具有特定属性的节点放置在每条直线的最末端或最开始
为边缘着色以识别边缘方向

要做到这一点，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
生成直线坐标并将其映射到每个集群
使用ggplot可视化

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

揭示 igraph 中的交互集群

revealing clusters of interaction in igraph

r

cluster-analysis

igraph

hierarchical-clustering