2020年3月31日火曜日

離れて

午前
・標本整理

午後
・論文書き（マダニ卒論論文化）

解析のスピードは結構改善されたと思っていたが、英語を書くスピードは相変わらず遅い。

これを片付けて、今年はマダニから離れてワラジムシ類に集中した。
時刻:
ラベル:

2020年3月30日月曜日

anti_join( )

午前
・標本整理

午後
・データ解析
・論文書き（ワラジムシ群集）

種の分布解析でロジスティック解析をする際、対象種が確認された在データだけでなく、調べたが対象種が確認できなかった不在データも必要となる。

私の場合、採集日や場所を紐付けした動物標本のデータと、別に、調査を行なった地点のデータを記録している。

したがって、ロジスティック解析をするには、不在データを準備して、標本データに結合する必要がある。

これまで手作業でやっていたのだが、「dplyr」パッケージの「anti_join( )」を使うことでどうにかできた。流れとしては、調査地点データから「標本データに含まれている地点の行を削除」したのち、これら2つのデータを結合した。

標本データ。「species.csv」として記録されているとする。


地点データ。「plot.csv」として記録されているとする。


データの取り込みと、2つのデータの列が異なるので揃える。 
spe <- read.csv("species.csv", header=T)
plot <- read.csv("plot.csv", header=T)
#種データの「spe」列を作成し「NONE」と記入する
plot$spe <- rep("NONE", nrow(plot))
plot <- plot[, c(3,1,2,4)] #列の順番を「spe」データと揃える
標本データ「spe」に含まれる地点 (site列) を全調査地点データ「plot」の地点 (site列) と比較し、同じ地点名がある場合は「plot」からその地点名がある行を削除する。削除した後の「plot」のデータは「absent」に格納する。 
#install.packages("dplyr", repos="http://cran.ism.ac.jp/")
library(dplyr)
absent <- anti_join(plot, spe, by = "site")
「spe」と「absent」を結合する。 
library(dplyr)
pre_ab <- bind_rows(spe, absent)
「sort( )」しているが、下記のように「Burmoniscus ocellatus」がいた地点と、本種が確認されなかった地点「NONE」が混じったデータが出来上がった。


「spe」において、１地点で複数のサンプルが記録されており、１個体／１種／１地点、する場合は、「dplyr::distinct( )」や「duplicated( )」で削除できるはずだが、複数の列を対象とする場合は試したことがないので、良く分からない。
時刻:
ラベル:

2020年3月27日金曜日

葉面積の測定

午前
・標本整理

午後
・データ解析

総説を書く必要があり、次いでに昔のデータも解析して載せちゃおうと考えている。

１０年以上前、まだ、西表島の住民だった頃に行った、Burmoniscus ocellatusによる４樹種の落葉の摂食実験。


日毎の摂食量は葉面積で評価する。したがって、葉面積の測定を行う必要がある。ImageJとか専用のソフトとか色々な方法があるのだが、せっかくなのでRで、と考えたのが間違いだった？

すぐに、「LeafArea」パッケージという便利そうなものを発見した。

使い方は簡単で、こんな感じの画像をデスクトップの「data」というフォルダに入れたとする。画像はjpegかtiffでなければならない。ちなみに、jpegの拡張子がjpgだと警告が出た。


下記を実行すればよい。 
#install.packages("LeafArea", repos="http://cran.ism.ac.jp/") 
library(LeafArea)
ex.dir <- eximg()
res <- run.ij(set.directory = "~/Desktop/data//", #winだと少し違う
    distance.pixel = 2480, #画像の幅に含まれるpixel数
    known.distance = 21, #画像の幅のcm 
    save.image = TRUE, #2値化を残すか
    log=TRUE)  #ログを残すか
res
このデータの黒色の pixel 数から面積が計算される。


ただ、それぞれ独立した図形の面積は出力されるのだが、各数値がどの図形を指しているのかが分からない。

色々と悩んだあげく、ImageJを動かして分かったのだが、結果 (「res」の中身) ではなく、解析の途中で出力される下記の「XStart」と「YStart」が左上からの座標を示しているッポイ、ということがやっと分かった。


ただ、これはデータとして出力されない (？) ので、コピペで残すしかなく、それぞれ対応づけをする必要もあるので、あまり良い方法ではない。合計の面積を調べるものみたい。
時刻:
ラベル:

2020年3月26日木曜日

OTU名の変更

午前
・修論手伝（標本整理）
・標本整理

午後
・データ解析

ggtreeを使った系統樹描画。OTU名の変更も簡単だった。昨日、うまく行かなかったのは、単純なデータの勘違いだった。

流れは、下記方法で「nwk」データを「tree」に読み込んだ場合、OTU名は「tree$tip.label」に入っているので、「tree$tip.label <- ＊＊＊」で好きな名前に変更すれば良い。

なぜ、そんなことをする必要があったのかというと、KAKUSAN4を使って同じ配列データを一つのハプロタイプにまとめたので、サンプル数が多いハプロタイプは名前が非常に長かったため。例えば、こんなのとか。

"Amami-38_St-6_109_Amami-38_St-6_110_Uke-1_St-6_119_Uke-1_St-6_120_Uke-1_St-6_121_Miyazaki-1_St-6_132_Amami-6_St-6_160_Amami-6_St-6_163"

これは、各シーケンスデータに「locality_haplotptype id_sample id」が書かれていて、それが９サンプルが合わさったため。

でも、結果オーライなのだが、"_"で区切った２番目にはハプロタイプ番号（St-6）が記されているので、それをOTUに使えばOK！

テキストの一部を切り出すのは「library(stringr)」の「str_split( )」で出来る！ 
library(ggtree)
library(treeio)
# nwkデータの取り込み
tree <- read.newick("ML_stimpsonii.nwk")
# ラベル (OTU名) の確認
tree$tip.label
長い、、、 

# 上記のデータを対象に、"_"で区切り、その２番目を「tree$tip.label」に入れる
library(stringr)
# "_"ごとに区切って2番目を取り出す
a<-str_split(tree$tip.label, pattern = "_", simplify = TRUE)
tree$tip.label <- a[,2]
# ラベル (OTU名) の確認
tree$tip.label
短くなった。

あとは、グループごとに色付けして出力。 
# OTU名に基づきグループを作成する
cls <- list(Kumejima=c("St-55", "St-56"), Okinawa=c("St-57", "St-58"・・・))
# nwkデータにグループ名を紐つけ
tree <- groupOTU(tree, cls)
# 描画
library("colorspace") #色に必要？
ggtree(tree, aes(color=group), layout='circular') +
    scale_color_manual(values=c("black", "azure4", "red", "magenta", "royal blue", "#00552e")) +
    geom_tiplab()
時刻:
ラベル:

2020年3月25日水曜日

ggtree

午前
・標本整理

午後
・データ解析

系統樹の描画はこれまで、FigTree ＋ お絵かきソフト、を使っていた。

お絵かきソフトを使うと細かな描画が楽だけど、一斉に指定できないなどの不便がある。

何か良い方法がないかと探していたら、Rのggtreeパッケージを発見した。

  • ggtreeを使ってRで系統樹を扱う
  • ggtree: Elegant Graphics for Phylogenetic Tree Visualization and Annotation
  • Phylogenetic trees in R using ggtree


    • 描画すること自体は簡単。

    ただ、OTU名を変更してグループ化したら動かない、、、もう少し勉強が必要。
    時刻:

    2020年3月24日火曜日

    再現性

    午前
    ・標本整理

    午後
    ・論文書き（マダニ卒論論文化）

    現在進行形の論文から、解析をRmarkdownで残している。


    投稿の形に直接出力、というのは私にはできそうにないが、入・出力データが散乱することはなくなった。

    再現性という意味では、これまでのメモ書きで残す方法よりはかなり良くなった。
    時刻:
    ラベル:

    2020年3月23日月曜日

    rarefaction curve

    午前
    ・標本整理

    午後
    ・データ解析
    ・論文書き（ワラジムシ群集）

    先週の月曜日の続きで、福岡時代のワラジムシ群集の論文化をすすめる。

    ４つの環境（人工環境、草地、竹林、森林）で群集比較をする。

    個体数、種組成は先週作成したので、本日は、種数の比較。rarefaction curveの出番か。

    個体数ベースが良いのか、地点ベースが良いのか悩むが、地点ベースで作図してみた。

    「vegan」パッケージのspecaccum()を使えば簡単に描ける。


    でも、iNEXT()の方がカッコいい、、、使いこなすのは難しそう。
    時刻:
    ラベル:
    登録: 投稿 (Atom)