群落多样性分析
.1 群落结构可视化
- 微生物群落结构可用较为直观的堆叠图、饼图等方式来展示
- 旭日图除了表示不同物种的占比信息还体现物种间的层级关系
- Circos 弦图展示了每个样本中优势物种的组成比例以及各优势物种在样本中的分布比例，可用于分析样本与物种关系。
- 韦恩图在分析不同样本或分组群落结构相似性与重叠情况时，只考虑了微生物是否存在而忽略了相对丰度
- 热图能同时呈现群落物种组成及丰度信息，通过颜色变化直观反映不同样本或分组在群落组成上的相似性和差异性
根据物种或样本间丰度的相似性进行聚类分析
两组间的差异比较可以用火山图、曼哈顿图进行可视化分析，而三组之间的物种组成和分布情况则可用三元相图展示
2 生物多样性分析
- α 多样性是描述一个特定区域或生态系统内的生物多样性，即评估某个样本的生物多样性
一般依据物种丰富度或均匀度计算多样性指数来表征
- β 多样性是描述不同生境群落之间物种组成的差异，即比较不同样本间的差异
3 差异物种筛选与环境因子关联分析
-
随机森林模型通过挖掘变量之间非线性的相互依赖关系，找到能够区分两组差异的关键物种
-
LefSe 通过对样本按照不同的分组条件进行线性判别分析，找出对多组间样本划分产生显著性差异影响的物种
探索样本、微生物群落以及环境因子三者之间的复杂关系时，可进行单变量相关分析皮尔森
(Pearson) 或斯皮尔曼 (Spearman)
- 皮尔森相关表明两连续变量的线性相关程度与方向，要求两变量相互独立、均为连续变量且各自总体呈正态分布
- 斯皮尔曼相关反映等级数据或顺序数据中各变量排列顺序的相关程度，不需要变量服从正态分布。
**真实的微生物生态环境复杂，往往需要同时考查多个变量之间的相关性，常采用多变量相关分析方法，
如
- 典范对应分析（Canonical correspondence analysis, CCA）
- 冗余分析（Redundancy analysis, RDA）。**
CCA 是基于对应分析演变而来的排序方法，将对应分析与多元回归分析相结合，在对应分析的迭代过程中，每次得到的排序坐标值均与环境因子进行多元线性回归
RDA 是回归分析与主成分分析结合的排序方法，将应变量矩阵与解释变量矩阵多元回归的拟合值矩阵进行 PCA 降维分析。
4 群落功能预测
- PICRUSt[120]通过祖先状态重建实现KEGG、COG 功能预测，
- FAPROTAX[90]是联系物种与其功能注释的数据库，其结果准确性与序列分类学注释水平有关
- Tax4FUN根据构建 SILVA[85]数据库与 KEGG 数据库中生物学分类间的线性转换也可实现 KEGG 功能预测。
16S rRNA 基因测序解析微生物群落结构，挖掘样本特征与群落特征的关联
宏基因组测序寻找重要编码基因或富集的代谢通路