Skip to contents

🍄 Este tutorial muestra cómo usar MicroBioMeta con datos de metagenómica shotgun, como alternativa al flujo de trabajo de amplicón (metabarcoding) cubierto en la viñeta de Amplicón. Las funciones y la mayoría de sus parámetros son exactamente los mismos en ambos flujos de trabajo, así que no se vuelven a explicar aquí; solo se explica lo que es específico de los datos metagenómicos. Las instrucciones de instalación están en la viñeta de Amplicón.

Para este ejemplo, las lecturas fueron clasificadas taxonómicamente con Kraken2 (Wood et al. 2019) y corregidas en abundancia a nivel de especie con Bracken (Lu et al. 2017).

Los datos provienen de suelos forestales a lo largo de los transectos Iztaccíhuatl-Popocatépetl (PNIP) y La Malinche (PNML), en el centro de México:

Hereira-Pacheco, S. E. et al. (2025). Metagenomic analysis of fungal assemblages at a regional scale in high-altitude temperate forest soils: alternative methods to determine diversity, composition and environmental drivers. PeerJ, 13, e18323.

Datos crudos, metadatos y los scripts originales del análisis: github.com/Steph0522/Fungal_Metagenomes_PNIP_PNML

Cargar los datos

Primero, carguemos MicroBioMeta y tidyverse (usado para el manejo de datos):

Cada muestra se procesó por separado, así que los reportes bracken_species se combinaron de antemano en una sola tabla (una columna por muestra, llamada kraken_pluspfp_<id_metagenome>_report_bracken_species) con una columna taxonomy ya agregada como última columna:

table_kraken <- read.delim(
    system.file("extdata", "table_kraken.txt", package = "MicroBioMeta"),
    row.names = 1, check.names = FALSE
)

table_kraken[1:3, c(1:2, ncol(table_kraken))]
##        kraken_pluspfp_100_report_bracken_species
## 101028                                      1302
## 36050                                        161
## 56646                                        108
##        kraken_pluspfp_105_report_bracken_species
## 101028                                      1066
## 36050                                        345
## 56646                                        203
##                                                                                                                  taxonomy
## 101028 k__Eukaryota; p__Ascomycota; c__Sordariomycetes; o__Hypocreales; f__Nectriaceae; g__Fusarium; s__pseudograminearum
## 36050               k__Eukaryota; p__Ascomycota; c__Sordariomycetes; o__Hypocreales; f__Nectriaceae; g__Fusarium; s__poae
## 56646          k__Eukaryota; p__Ascomycota; c__Sordariomycetes; o__Hypocreales; f__Nectriaceae; g__Fusarium; s__venenatum

La taxonomía ya está en la tabla, así que no hace falta usar la función merge_feature_taxonomy().

⚠️ Las cadenas de taxonomía de Kraken2 usan un prefijo k__/p__/c__/… como SILVA, pero los rangos están separados por "; " (punto y coma y espacio) en vez de ";". MicroBioMeta ya tiene esto contemplado en cualquier lugar donde exista un argumento taxonomy_db, solo pasa taxonomy_db = "Kraken2".

Ahora, carguemos los metadatos:

metadata_meta <- read.delim(
    system.file("extdata", "metadata_metagenomic.txt", package = "MicroBioMeta"),
    check.names = FALSE
)

head(metadata_meta[, 1:10])
##   SAMPLEID id_sequence id_metagenome Poligono Sitio Transecto id_new id_fisicoq
## 1   P1S1T1         111           140        1     1         1     30         30
## 2   P1S1T2         112           152        1     1         2     13       <NA>
## 3   P1S1T3         113           164        1     1         3     21         21
## 4   P1S2T1         121           176        1     2         1     11         11
## 5   P1S2T2         122           188        1     2         2     33      13,33
## 6   P1S2T3         123           121        1     2         3     12         12
##   Sites         Names
## 1     1 Tetlanohcan 1
## 2     1 Tetlanohcan 1
## 3     1 Tetlanohcan 1
## 4     2 Tetlanohcan 2
## 5     2 Tetlanohcan 2
## 6     2 Tetlanohcan 2

Los nombres de columna de Kraken codifican un número id_metagenome (por ejemplo, kraken_pluspfp_100_report_bracken_species) en vez del ID real de la muestra, así que lo recuperamos con una expresión regular y usamos metadata_meta$id_metagenome para renombrar cada columna a su SampleID:

sample_cols <- setdiff(colnames(table_kraken), "taxonomy")

id_metagenome <- as.integer(gsub("kraken_pluspfp_|_report_bracken_species", "", sample_cols))

colnames(table_kraken)[match(sample_cols, colnames(table_kraken))] <-
    metadata_meta$SAMPLEID[match(id_metagenome, metadata_meta$id_metagenome)]

Renombremos y demos formato a los metadatos:

metadata_meta$Polygon <- factor(paste0("Pol", metadata_meta$Poligono), levels = paste0("Pol", 1:6))
metadata_meta$Site <- as.character(metadata_meta$Sitio)
table_meta <- table_kraken[, c(metadata_meta$SAMPLEID, "taxonomy")]

Las coordenadas se tomaron y cargaron así:

coord_meta <- read.csv(
    system.file("extdata", "coord_metagenomic.csv", package = "MicroBioMeta")
) %>%
    dplyr::select(-Site) %>% # descartamos el índice de sitio general propio del CSV (1-12); queremos `Sitio` (1-2) en su lugar
    dplyr::rename(Polygon_num = pol, Site = Sitio) %>%
    dplyr::select(Polygon_num, Site, Transecto, Latitude, Longitude)

metadata_meta <- metadata_meta %>%
    dplyr::mutate(Polygon_num = as.integer(gsub("Pol", "", Polygon)), Site = as.integer(Site)) %>%
    dplyr::left_join(coord_meta, by = c("Polygon_num", "Site", "Transecto")) %>%
    dplyr::mutate(Site = as.character(Site))

Empezar desde un objeto phyloseq o TreeSummarizedExperiment

MicroBioMeta trabaja con tablas simples, pero si tus datos ya están en un objeto phyloseq o en un TreeSummarizedExperiment (el contenedor de Bioconductor que usa la familia de paquetes mia), from_phyloseq() y from_tse() los convierten en la table (con la columna taxonomy al final) y la metadata (con SAMPLEID primero) que usamos en esta viñeta.

Para mostrarlo, guardamos la tabla de Kraken2 en un TreeSummarizedExperiment, con una columna de taxonomía por rango, como lo haría mia:

counts <- as.matrix(table_meta[, metadata_meta$SAMPLEID])

ranks <- tidyr::separate(
    data.frame(taxonomy = gsub("[kpcofgs]__", "", table_meta$taxonomy)),
    taxonomy, c("Kingdom", "Phylum", "Class", "Order", "Family", "Genus", "Species"),
    sep = "; ", fill = "right"
)
rownames(ranks) <- rownames(table_meta)

samples <- metadata_meta
rownames(samples) <- samples$SAMPLEID

tse <- TreeSummarizedExperiment::TreeSummarizedExperiment(
    assays  = list(counts = counts),
    rowData = ranks,
    colData = samples
)
tse
## class: TreeSummarizedExperiment 
## dim: 87 36 
## metadata(0):
## assays(1): counts
## rownames(87): 101028 36050 ... 208348 27350
## rowData names(7): Kingdom Phylum ... Genus Species
## colnames(36): P1S1T1 P1S1T2 ... P6S2T2 P6S2T3
## colData names(34): SAMPLEID id_sequence ... Latitude Longitude
## reducedDimNames(0):
## mainExpName: NULL
## altExpNames(0):
## rowLinks: NULL
## rowTree: NULL
## colLinks: NULL
## colTree: NULL

from_tse() regresa una lista con los dos data frames:

mbm <- from_tse(tse, assay_name = "counts")

mbm$table[1:3, c(1:2, ncol(mbm$table))]
##        P1S1T1 P1S1T2
## 101028   1985   4341
## 36050     236    231
## 56646     175    151
##                                                                                                                  taxonomy
## 101028 k__Eukaryota; p__Ascomycota; c__Sordariomycetes; o__Hypocreales; f__Nectriaceae; g__Fusarium; s__pseudograminearum
## 36050               k__Eukaryota; p__Ascomycota; c__Sordariomycetes; o__Hypocreales; f__Nectriaceae; g__Fusarium; s__poae
## 56646          k__Eukaryota; p__Ascomycota; c__Sordariomycetes; o__Hypocreales; f__Nectriaceae; g__Fusarium; s__venenatum
mbm$metadata[1:3, 1:5]
##   SAMPLEID id_sequence id_metagenome Poligono Sitio
## 1   P1S1T1         111           140        1     1
## 2   P1S1T2         112           152        1     1
## 3   P1S1T3         113           164        1     1

y se pueden usar directo en cualquier función, por ejemplo abundance_bar_plot(table = mbm$table, metadata = mbm$metadata, ...).

Con un objeto phyloseq funciona igual:

mbm <- from_phyloseq(physeq)

Exploración de la composición

Barplot de abundancia

Misma función que en la viñeta de amplicón; la única diferencia es taxonomy_db = "Kraken2", que le indica a la lógica de parseo de taxonomía que espere cadenas estilo Kraken2/Bracken.

abundance_bar_plot(
    table = table_meta,
    metadata = metadata_meta,
    taxonomy_db = "Kraken2",
    level = "genus",
    top_n = 20,
    x_col = "Polygon",
    x_axis_title = "Polygons",
    add_remained = TRUE,
    label = "Genus",
    save_table = FALSE
)

Heatmap de abundancia

Los taxones de Kraken2/Bracken no son ASVs, así que aquí se usa feature_prefix = "Taxon" en vez del prefijo "ASV" por defecto para las etiquetas de fila. condition2 agrega una segunda barra de anotación, aquí el sitio de muestreo dentro de cada polígono.

abundance_heatmap_plot(
    table = table_meta,
    metadata = metadata_meta,
    top_n = 20,
    show_column_names = FALSE,
    condition1 = "Polygon",
    condition2 = "Site",
    feature_prefix = "Taxon"
)

Diversidad alfa

Como en la viñeta de metabarcoding, primero se puede usar alpha_hill_corr_plot(table = table_meta) para revisar si los números de Hill dependen de la profundidad de secuenciación.

Visualización de diversidad alfa

fill_col es igual a x_col aquí, así que la leyenda solo repetiría las etiquetas del eje x - show_legend = FALSE la quita.

alpha_hill_plot(
    table = table_meta,
    metadata = metadata_meta,
    x_col = "Polygon",
    fill_col = "Polygon",
    facet_by = "Site",
    facet_orientation = "horizontal",
    legend_title = "",
    stat = "kruskal.test",
    show_legend = FALSE,
    save_table = FALSE
)

La riqueza (q=0) está casi saturada y plana entre polígonos aquí — esta tabla de Bracken a nivel de especie tiene solo 87 especies de hongos, 83 de ellas presentes en las 36 muestras, así que hay poco margen para variar en q=0 — mientras que q=1 y q=2 (que ponderan por abundancia relativa) sí capturan diferencias entre polígonos.

Diversidad alfa a lo largo de un gradiente continuo

alpha_decay_plot(
    table = table_meta,
    metadata = metadata_meta,
    cont_var = "pH",
    x_axis_title = "Soil pH"
)

La diversidad en q=1 y q=2 aumenta significativamente con el pH del suelo; q=0 no, por la misma razón de efecto techo que arriba.

Diversidad beta

Ordenación de la composición de la comunidad

Aquí usamos la disimilitud de Bray-Curtis, que toma en cuenta la abundancia de cada taxón, con una ordenación NMDS. NMDS parte de configuraciones al azar, así que usamos set.seed() para obtener siempre la misma figura:

set.seed(123)
beta_ord_plot(
    table = table_meta,
    metadata = metadata_meta,
    distance = "bray",
    ordination = "NMDS",
    group_col = "Polygon"
)
## Run 0 stress 0.109415 
## Run 1 stress 0.1100308 
## Run 2 stress 0.1436787 
## Run 3 stress 0.109415 
## ... New best solution
## ... Procrustes: rmse 4.898679e-05  max resid 0.0002427814 
## ... Similar to previous best
## Run 4 stress 0.1282595 
## Run 5 stress 0.109415 
## ... Procrustes: rmse 5.347491e-05  max resid 0.0002695176 
## ... Similar to previous best
## Run 6 stress 0.1100308 
## Run 7 stress 0.1360412 
## Run 8 stress 0.1426357 
## Run 9 stress 0.1100309 
## Run 10 stress 0.1360412 
## Run 11 stress 0.1095935 
## ... Procrustes: rmse 0.01783814  max resid 0.09869714 
## Run 12 stress 0.1095934 
## ... Procrustes: rmse 0.01783822  max resid 0.09870617 
## Run 13 stress 0.1282595 
## Run 14 stress 0.109415 
## ... Procrustes: rmse 2.319858e-05  max resid 0.0001086243 
## ... Similar to previous best
## Run 15 stress 0.1360412 
## Run 16 stress 0.109415 
## ... New best solution
## ... Procrustes: rmse 1.046168e-05  max resid 5.28883e-05 
## ... Similar to previous best
## Run 17 stress 0.109415 
## ... Procrustes: rmse 2.890036e-05  max resid 0.0001565367 
## ... Similar to previous best
## Run 18 stress 0.109415 
## ... Procrustes: rmse 1.762475e-05  max resid 8.27359e-05 
## ... Similar to previous best
## Run 19 stress 0.1095934 
## ... Procrustes: rmse 0.01783515  max resid 0.09870479 
## Run 20 stress 0.1100308 
## *** Best solution repeated 3 times

Pruebas estadísticas para diversidad beta

distance = "bray" coincide con el usado en la ordenación de arriba, de modo que la ordenación (vía el paquete vegan (Oksanen et al. 2024)) y la prueba PERMANOVA (Anderson 2001) evalúan la misma noción de disimilitud.

El resultado es una figura de la tabla (un ggplot), así que se puede combinar con otros gráficos (p. ej. cowplot::plot_grid()) o guardar con ggplot2::ggsave(). Usa save_table = TRUE para obtener también los resultados en un archivo de texto.

beta_test_table(
    table = table_meta,
    metadata = metadata_meta,
    formula_str = "Polygon*Site",
    distance = "bray",
    test = "permanova",
    permutations = 999
)

Decaimiento de la similitud comunitaria con la distancia

beta_decay_plot() evalúa si las comunidades geográficamente más cercanas también son más similares en composición, mediante una prueba de Mantel (Mantel 1967):

beta_decay_plot(
    table    = table_meta,
    metadata = metadata_meta,
    lat_col  = "Latitude",
    lon_col  = "Longitude",
    distance = "bray"
)

Las comunidades geográficamente más cercanas son significativamente más similares en composición (Mantel r ≈ 0.21, p ≈ 0.001; el valor p exacto varía ligeramente entre corridas ya que la prueba de Mantel se basa en permutaciones), una señal real de decaimiento con la distancia en estos suelos forestales. Sin embargo, la relación es débil: la distancia explica solo cerca del 4 % de la variación en la similitud (R² ≈ 0.04). Se usa bray para ser consistentes con la ordenación de arriba.

Análisis de abundancia diferencial

Para las versiones de heatmap (ALDEx2 (Fernandes et al. 2014)) y ANCOM-BC2 (Lin and Peddada 2024) necesitamos un subconjunto de 2 grupos del Polygon de 6 niveles; en esta parte compararemos Polygon 2 y 5:

metadata_meta_compar <- metadata_meta %>%
    filter(Polygon == "Pol2" | Polygon == "Pol5")

table_meta_compar <- table_meta[, c(match(metadata_meta_compar$SAMPLEID, colnames(table_meta)), ncol(table_meta))]
aldex_heatmap_plot(
    table = table_meta_compar,
    metadata = metadata_meta_compar,
    group_col = "Polygon"
)

ancombc_plot(
    table = table_meta_compar,
    metadata = metadata_meta_compar,
    group_col = "Polygon",
    level = "Genus",
    min_prevalence = 0.05,
    p_adjust_method = "BH"
)

Identificando taxones importantes

random_forest_lollipop_plot() usa un modelo Random Forest (Breiman 2001) para encontrar los taxones que mejor predicen el polígono:

random_forest_lollipop_plot(table = table_meta, metadata = metadata_meta, top_n = 10, variable_to_predict = "Polygon")

ratios_bubble_plot(
    table = table_meta_compar,
    metadata = metadata_meta_compar,
    group_col = "Polygon",
    top_n = 20,
    condition_A = "Pol2",
    condition_B = "Pol5"
)

Análisis ambientales

Los metadatos ya traen las variables fisicoquímicas del suelo medidas para estas muestras, así que, como en la viñeta de amplicón, las variables se eligen por nombre con env_vars (no hace falta una tabla ambiental aparte):

env_vars_meta <- metadata_meta %>%
    dplyr::select(pH:ARENA, -type, -type2) %>%
    colnames()

Correlación entre variables ambientales y abundancia taxonómica

corr_env_abund_plot(
    table = table_meta,
    metadata = metadata_meta,
    env_vars = env_vars_meta,
    taxonomy_db = "Kraken2",
    level = "phylum",
    save_table = FALSE
)

Ordenación restringida (CCA)

cca_rda_biplot(
    table = table_meta,
    metadata = metadata_meta,
    env_vars = c("pH", "MO", "N", "P", "K"),
    analysis = "CCA",
    show_all_env_vectors = TRUE,
    group_col = "Polygon",
    scale_arrows = 3
)

Referencias

Anderson, Marti J. 2001. “A New Method for Non-Parametric Multivariate Analysis of Variance.” Austral Ecology 26 (1): 32–46. https://doi.org/10.1111/j.1442-9993.2001.01070.pp.x.
Breiman, Leo. 2001. “Random Forests.” Machine Learning 45 (1): 5–32. https://doi.org/10.1023/A:1010933404324.
Fernandes, Andrew D., Jennifer N. S. Reid, Jean M. Macklaim, Thomas A. McMurrough, David R. Edgell, and Gregory B. Gloor. 2014. “Unifying the Analysis of High-Throughput Sequencing Datasets: Characterizing RNA-Seq, 16S rRNA Gene Sequencing and Selective Growth Experiments by Compositional Data Analysis.” Microbiome 2: 15. https://doi.org/10.1186/2049-2618-2-15.
Lin, Huang, and Shyamal Das Peddada. 2024. “Multigroup Analysis of Compositions of Microbiomes with Covariate Adjustments and Repeated Measures.” Nature Methods 21 (1): 83–91. https://doi.org/10.1038/s41592-023-02092-7.
Lu, Jennifer, Florian P. Breitwieser, Peter Thielen, and Steven L. Salzberg. 2017. “Bracken: Estimating Species Abundance in Metagenomics Data.” PeerJ Computer Science 3: e104. https://doi.org/10.7717/peerj-cs.104.
Mantel, Nathan. 1967. “The Detection of Disease Clustering and a Generalized Regression Approach.” Cancer Research 27 (2): 209–20.
Oksanen, Jari, Gavin L. Simpson, F. Guillaume Blanchet, et al. 2024. Vegan: Community Ecology Package. https://CRAN.R-project.org/package=vegan.
Wood, Derrick E., Jennifer Lu, and Ben Langmead. 2019. “Improved Metagenomic Analysis with Kraken 2.” Genome Biology 20: 257. https://doi.org/10.1186/s13059-019-1891-0.

Información de la sesión

## R version 4.6.1 (2026-06-24 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 10 x64 (build 19045)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Spanish_Latin America.utf8 
## [2] LC_CTYPE=Spanish_Latin America.utf8   
## [3] LC_MONETARY=Spanish_Latin America.utf8
## [4] LC_NUMERIC=C                          
## [5] LC_TIME=Spanish_Latin America.utf8    
## 
## time zone: America/Mexico_City
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] doRNG_1.8.6.3       rngtools_1.5.2      foreach_1.5.2      
##  [4] lubridate_1.9.5     forcats_1.0.1       stringr_1.6.0      
##  [7] dplyr_1.2.1         purrr_1.2.2         readr_2.2.0        
## [10] tidyr_1.3.2         tibble_3.3.1        ggplot2_4.0.3      
## [13] tidyverse_2.0.0     MicroBioMeta_0.99.0
## 
## loaded via a namespace (and not attached):
##   [1] splines_4.6.1                   cellranger_1.1.0               
##   [3] rpart_4.1.27                    lifecycle_1.0.5                
##   [5] Rdpack_2.6.6                    rstatix_1.1.0                  
##   [7] doParallel_1.0.17               lattice_0.22-9                 
##   [9] MASS_7.3-65                     backports_1.5.1                
##  [11] hillR_0.5.2                     magrittr_2.0.5                 
##  [13] Hmisc_5.3-0                     sass_0.4.10                    
##  [15] rmarkdown_2.32                  jquerylib_0.1.4                
##  [17] yaml_2.3.12                     otel_0.2.0                     
##  [19] ggvenn_0.1.19                   gld_2.6.8                      
##  [21] minqa_1.2.8                     cowplot_1.2.0                  
##  [23] RColorBrewer_1.1-3              multcomp_1.4-32                
##  [25] abind_1.4-8                     quadprog_1.5-8                 
##  [27] expm_1.0-1                      GenomicRanges_1.64.0           
##  [29] BiocGenerics_0.58.1             TH.data_1.1-5                  
##  [31] yulab.utils_0.2.5               nnet_7.3-20                    
##  [33] sandwich_3.1-3                  rappdirs_0.3.4                 
##  [35] circlize_0.4.18                 IRanges_2.46.0                 
##  [37] S4Vectors_0.50.3                ggrepel_0.9.8                  
##  [39] tidytree_0.4.8                  vegan_2.7-6                    
##  [41] pkgdown_2.2.1                   permute_0.9-10                 
##  [43] codetools_0.2-20                DelayedArray_0.38.2            
##  [45] energy_1.7-12                   tidyselect_1.2.1               
##  [47] shape_1.4.6.1                   farver_2.1.2                   
##  [49] lme4_2.0-6                      matrixStats_1.5.0              
##  [51] stats4_4.6.1                    base64enc_0.1-6                
##  [53] Seqinfo_1.2.0                   ALDEx2_1.44.0                  
##  [55] jsonlite_2.0.0                  GetoptLong_1.1.1               
##  [57] multtest_2.68.0                 e1071_1.7-17                   
##  [59] Formula_1.2-6                   survival_3.8-6                 
##  [61] iterators_1.0.14                systemfonts_1.3.2              
##  [63] tools_4.6.1                     treeio_1.36.1                  
##  [65] ragg_1.5.2                      DescTools_0.99.60              
##  [67] Rcpp_1.1.2                      ggVennDiagram_1.5.7            
##  [69] glue_1.8.1                      gridExtra_2.3.1                
##  [71] SparseArray_1.12.2              xfun_0.61                      
##  [73] mgcv_1.9-4                      MatrixGenerics_1.24.0          
##  [75] TreeSummarizedExperiment_2.20.0 numDeriv_2016.8-1.1            
##  [77] withr_3.0.3                     fastmap_1.2.0                  
##  [79] ggh4x_0.3.1                     latticeExtra_0.6-31            
##  [81] boot_1.3-32                     digest_0.6.39                  
##  [83] truncnorm_1.0-9                 timechange_0.4.0               
##  [85] R6_2.6.1                        textshaping_1.0.5              
##  [87] colorspace_2.1-3                Cairo_1.7-0                    
##  [89] gtools_3.9.5                    jpeg_0.1-11                    
##  [91] dichromat_2.0-1                 generics_0.1.4                 
##  [93] data.table_1.18.6.1             class_7.3-23                   
##  [95] httr_1.4.9                      htmlwidgets_1.6.4              
##  [97] S4Arrays_1.12.0                 pkgconfig_2.0.3                
##  [99] gtable_0.3.6                    Exact_3.3                      
## [101] zCompositions_1.6.2             ComplexHeatmap_2.28.0          
## [103] S7_0.2.2                        SingleCellExperiment_1.34.0    
## [105] XVector_0.52.0                  htmltools_0.5.9                
## [107] carData_3.0-6                   zigg_0.0.2                     
## [109] clue_0.3-68                     scales_1.4.0                   
## [111] Biobase_2.72.0                  lmom_3.3                       
## [113] png_0.1-9                       reformulas_0.4.4               
## [115] ANCOMBC_2.14.0                  knitr_1.52                     
## [117] rstudioapi_0.19.0               geosphere_1.6-8                
## [119] tzdb_0.5.0                      rjson_0.2.23                   
## [121] nloptr_2.2.1                    checkmate_2.3.4                
## [123] nlme_3.1-169                    zoo_1.9-1                      
## [125] proxy_0.4-29                    cachem_1.1.0                   
## [127] GlobalOptions_0.1.4             rootSolve_1.8.2.4              
## [129] parallel_4.6.1                  foreign_0.8-91                 
## [131] desc_1.4.3                      pillar_1.11.1                  
## [133] grid_4.6.1                      vctrs_0.7.3                    
## [135] randomForest_4.7-1.2            ggpubr_1.0.0                   
## [137] car_3.1-5                       cluster_2.1.8.2                
## [139] htmlTable_2.5.0                 evaluate_1.0.5                 
## [141] magick_2.9.1                    mvtnorm_1.4-2                  
## [143] cli_3.6.6                       compiler_4.6.1                 
## [145] rlang_1.3.0                     crayon_1.5.3                   
## [147] ggsignif_0.6.4                  labeling_0.4.3                 
## [149] interp_1.1-6                    fs_2.1.0                       
## [151] stringi_1.8.9                   viridisLite_0.4.3              
## [153] deldir_2.0-4                    BiocParallel_1.46.0            
## [155] lmerTest_3.2-1                  gsl_2.1-9                      
## [157] Biostrings_2.80.2               lazyeval_0.2.3                 
## [159] Matrix_1.7-5                    hms_1.1.4                      
## [161] patchwork_1.3.2                 NADA_1.6-1.2                   
## [163] SummarizedExperiment_1.42.0     haven_2.5.5                    
## [165] rbibutils_2.4.1                 Rfast_2.1.5.2                  
## [167] broom_1.0.13                    RcppParallel_6.2.1             
## [169] bslib_0.12.0                    directlabels_2026.8.27         
## [171] readxl_1.5.0.1                  ape_5.8-1