結(jié)果展示
結(jié)果展示
根據(jù)各個(gè)樣品在不同分類層級(jí)上的相對(duì)豐度分析結(jié)果，可以得知一個(gè)或多個(gè)樣品在各分類水平上的物種組成比例情況，并通過(guò)柱形圖來(lái)反映樣品在不同分類學(xué)水平上的群落結(jié)構(gòu)及差異。
各樣品間物種組成的大小及差異可以用顏色的變化來(lái)直接反映。通過(guò)將高豐度和低豐度的物種分塊聚集，可以從顏色梯度上來(lái)反映多個(gè)樣品在各分類水平上群落組成的相似性和差異性。
PCoA分析，即主坐標(biāo)分析，是一種研究數(shù)據(jù)相似性或差異性的可視化方法，它通過(guò)對(duì)一系列的特征值和特征向量進(jìn)行排序后，選擇主要排在前幾位的特征值，找到距離矩陣中最主要的坐標(biāo)，并將樣品在坐標(biāo)上的位置進(jìn)行可視化展示。
LEfSe分析即LDA Effect Size分析，是一種用于發(fā)現(xiàn)和揭示兩個(gè)或兩個(gè)以上生物條件下，菌群、代謝產(chǎn)物或其他差異的分析工具。在擴(kuò)增子分析中，它可以從多個(gè)分組的數(shù)據(jù)出發(fā)，找到組間在豐度上有顯著差異的物種。
機(jī)器學(xué)習(xí)就是一種智能的數(shù)據(jù)挖掘技術(shù)，它依據(jù)先驗(yàn)的知識(shí)建立預(yù)測(cè)模型來(lái)識(shí)別大數(shù)據(jù)中的有用信息，而隨機(jī)森林是一種基于決策樹的高效的機(jī)器學(xué)習(xí)算法，可以用于對(duì)樣本進(jìn)行分類，也可以用于回歸分析。因此可以挖掘變量之間復(fù)雜的非線性的相互依賴關(guān)系，找出能夠區(qū)分兩組樣本間差異的關(guān)鍵成分（OTU或物種）
用于統(tǒng)計(jì)多個(gè)樣品中共有或獨(dú)有的OTU數(shù)目，可以直觀地表現(xiàn)各樣品之間的OTU?組成相似程度。從OTU豐度表出發(fā)，統(tǒng)計(jì)各個(gè)樣品的獨(dú)有OTU數(shù)目，及各個(gè)樣品間共有OTU數(shù)目，并進(jìn)行作圖展示。
稀釋曲線是研究樣品內(nèi)的物種組成和預(yù)測(cè)樣品中物種豐度的有效工具，在生物多樣性和群落調(diào)查中，被廣泛用于判斷測(cè)序量是否充分以及估計(jì)物種豐富度。我們采用對(duì)序列進(jìn)行隨機(jī)抽樣的方法，以抽到的序列數(shù)與它們所能代表OTU的數(shù)目構(gòu)建了稀釋曲線，通過(guò)稀釋曲線不僅可以判斷測(cè)序量是否充分，在測(cè)序量充分的前提下，運(yùn)用稀釋曲線還可以對(duì)物種豐富度進(jìn)行預(yù)測(cè)。
關(guān)聯(lián)分析（correlation analysis），是研究現(xiàn)象之間是否存在某種依存關(guān)系，并對(duì)具體有依存關(guān)系的現(xiàn)象探討其相關(guān)方向以及相關(guān)程度，是研究隨機(jī)變量之間的相關(guān)關(guān)系的一種統(tǒng)計(jì)方法。它可以根據(jù)物種豐度以及環(huán)境因子或代謝產(chǎn)物在各樣本中的變化情況，研究物種與物種以及環(huán)境因子與物種之間的相互變化關(guān)系，得到兩兩之間的相關(guān)性。通過(guò)網(wǎng)絡(luò)圖，可以形象地展示不同樣本或組之間的物種豐度和環(huán)境因子指標(biāo)情況。此外，還可以通過(guò)相關(guān)性網(wǎng)絡(luò)圖，展示相互作用關(guān)系，從而甄別出不同互作類型的物種信息。
樣本聚類分析從各樣品間的距離矩陣出發(fā)，通過(guò)UPGMA聚類算法，將距離最接近的樣品聚為一類，并將其通過(guò)樣品聚類樹進(jìn)行可視化展示，從聚類樹出發(fā)，可以用來(lái)比較樣品間是否有顯著的微生物菌落差異。
微信公眾號(hào)
