电竞比分网-中国电竞赛事及体育赛事平台

分享

5分鐘講清楚怎樣把微生物多樣性的數據用到文章里

 桔梗下的小金魚 2022-03-05
      無論是16S、18S、還是ITS,都是最常用的菌群多樣性分析的手段。對于新手,如果收到一份不講“情面”的16S測序結果析報告,很快就會被各種生態(tài)學術語、各種指數、各種分析方法弄得暈頭轉向。滿心喜悅完成實驗拿到了結果,如何有效運用這些結果發(fā)高分SCI呢?今天小編帶大家一起來梳理16S測序報告,迅速理清重點關注對象。

1. 擴增子測序流程

    首先我們要對測序過程有個基礎的了解,下圖為擴增子測序流程,結題報告包括下圖的序列聚類與數據分析兩部分。后續(xù)所有的數據分析都是基于OTU表進行的,這張表中包括我們測的所有序列中,有多少類型序列(OTU聚類或ASV降噪),然后將聚類完的類型序列與物種數據庫比對,得到我們測的所有序列中有哪些物種,每個物種有多少,即豐度的概念。

圖片

圖:擴增子測序流程

2. 文章常用分析內容

      下圖是16s測序的分析內容,展現了主要的分析內容,每個主要分析內容下有更細致的分析內容,這些小的分析內容,其實是可有選擇的使用,例如物種組成分析中有物種組成柱狀圖、分類等級樹圖、GraPhlAn進化樹圖、Krona物種組成圖,這幾個分析的內容都是在解決樣本中有哪些細菌,細菌的相對豐度是多少。一般文章中常用的是物種組成柱狀圖。有的老師會認為,文章中要包含所有的分析內容,其實不然,我們只需要結合自己的研究預期目的選擇合適的分析內容即可,并不是多多益善。下面我們就按照SCI文章的要求和寫作結構順序,一一跟大家介紹重點分析內容。

圖片

3. 測序結果描述

1. 文章在材料方法描述完以后進入結果部分,首先我們要交代一下這次測序的情況。例如我們測得的原始數據有多少,質控后的有效數據有多少,每個樣本質控后的有效數據占原始數據的百分比均高于百分之多少(90%),當然所占百分比越高,本次測序的效果越好。

2. 然后我們可以描述一下稀釋曲線圖,稀釋曲線(Rarefaction curve)主要利用各樣本在不同測序深度時的微生物Alpha多樣性指數構建曲線,以此反映各樣本在不同測序數量時的微生物多樣性。若多樣性指數為sobs(表征實際觀測到的物種數目),當曲線趨向平坦時,說明測序數據量合理,更多的數據量只會產生少量新的物種,反之則表明繼續(xù)測序還可能產生較多新的物種,可以反映樣本中絕大多數的微生物多樣性信息。
3. 分類學注釋,總體描述本次測序結果,例如,本次測序共得到多少門、綱、目、科、屬、種、OTU。
圖片
圖1. 稀釋曲線圖

4. 物種組成分析

    分類學組成分析,主要關注物種組成柱狀圖即可,這是測序中最基本的分析,通過該分析可以得到,每個樣本中有哪些物種組成,每個物種的相對豐度是多少。需要注意的是,該分析需要在具體的分類水平上看(門、綱、目、科、屬),由于二代測序在種水平上的準確率相對較低,所以在種水平上分析的較少,一般常在門和屬水平分析。描述可以從兩方面描述,一方面看主要的物種組成是什么(有哪些菌,在某一分類的具體水平),不同的比較組之間物種組成是否有差異。另一方面看同一物種的豐度在不同組間的差異,具體描述為升高或降低。從物種組成柱狀圖中就可以來比較不同組間物種組成是否有差異,但這個差異不具有顯著性之說。 

圖片

圖2. 物種組成柱狀圖

1. Alpha多樣性分析

    Alpha多樣性分析,稀釋曲線中已經用到了了Alpha多樣性指數,這里的分析更加具體,可以對分組樣本進行比較,運用統(tǒng)計學T檢驗的方法,檢測每兩組之間的指數值是否具有顯著性差異。可以選擇自己要用的指數進行比較,一般常用豐富度指數Chao值,多樣性指數Shannon,具體描述可以是豐富度與多樣性指數升高或降低,不同組間指數是否有顯著差異。Alpha多樣性分析將樣本的菌群群整體研究并轉換為具體的指數與p值,通過數字說明群落的變化與差異,在文章中是不可或缺的。

圖片

圖3. Alpha多樣性指數圖
2. Beta多樣性分析
    Beta多樣性分析,該分析是十分重要且常見的分析,幾乎所有的微生物測序文章中都會有此分析內容,例如我們常見的PCoA、NMDS、PCA分析。通俗講就是每一個物種(ASV/OTU)在兩個樣本之間差異,即是反映這兩個樣本間群落差異的一個維度。而由于群落中物種的數量巨大,樣本間群落的差異往往是多維度的,難以進行直接比較。此時,就需要相關算法對多維數據進行降維。降維后的結果就是平面圖中樣本點的距離,通過距離的遠近代表樣本群落結構的相似與差異,這里要注意的是群落結構,因為我們是將每個樣本中的每個物種都進行了比較,不是只針對具體的某些物種,所以是從整體分析樣本之間的相似性與差異性。例如PCoA分析,我們要注意算法的選擇,如不考慮物種豐度的unweighted_unifrac,考慮物種豐度的weighted_unifrac,還有常用的bray_curtis,不同的算法會導致不同的結果,還需要各位投稿人結合自己的研究目的進行選擇。

圖片

圖4. PCoA分析
3. 組間差異顯著性分析
    該分析需要與Beta分析結合使用,因為PCoA、NMDS等排序分析只是一種探索分析手段,并不是統(tǒng)計檢驗,對于排序圖中呈現的分布規(guī)律,我們需要使用檢驗手段進行驗證,常用的分析有Permanova,Anosim。我們在文章中將Beta分析與p值結合來說明,不同的處理是否使樣本之間的微生物群落結構產生顯著差異。需要注意的是顯著性分析的算法選擇要與Beta多樣性分析相一致。

5. 物種差異分析與標志物種

1. 韋恩圖

    物種差異分析是所有老師最關注的分析。先來說韋恩圖,該分析可以知道不同的樣本間有哪些物種是共有的,哪些是獨有的,通過數據說話,如果共有的物種數占所有物種數的比例高,那么樣本的相似性就高。如果樣本中各自獨有的物種數所占比例高,那么樣本之間的相似性差,各自的獨特性高。
圖片
圖5. 樣本組Venn圖
2. 聚類熱圖
    物種組成熱圖也是我們常見的分析,將物種豐度轉換成顏色色調的冷暖,此分析看起來難以理解,其實只是視覺上的錯覺。熱圖是在具體分類學水平分析所有樣本中總豐度排在前幾十的物種,一般是在屬水平進行分析。因為篩選了豐度,所以熱圖是對優(yōu)勢物種進行分析。此分析包括兩方面內容,一方面可以描述比較具體某一優(yōu)勢物種在各個樣本中的豐度高低,另一方面是描述樣本的聚類情況,通過聚類樹可以知道優(yōu)勢物種組成在樣本之間的相似性和差異性。

圖片

圖6. 雙聚類的物種組成熱圖
3. 差異菌群的篩選
    通過差異菌群篩選可以找出不同的處理組導致哪些菌群發(fā)生變化,豐度上具有顯著差異的物種,是擴增子測序的核心目的。例如常用的Metagenomeseq和Lefse分析。MetagenomeSeq主要用于兩組樣本的差異比較。Lefse的分析更加嚴格,可以進行多組比較,而且是在所有分類學水平同時進行分析。Lefse分析的結果包含了多級物種層級樹圖和LDA效應值柱狀圖,文章中放LDA效應值柱狀圖即可,LDA效應值柱狀圖需要注意效應值即該圖中的橫坐標值,文章中一般默認最低值為2,篩選出的物種為該組的標志物種,這些物種的豐度顯著高于在其他組中的豐度。
圖片
圖7. 基于分類等級樹的組間差異分類單元圖

圖片

圖8. 標志物種的LDA效應值柱狀圖

4. 功能預測分析

    功能預測分析,由于擴增子測序是基因片段測序,不像宏基因組將整個基因組實際進行測序,所以擴增子測序只能是預測功能,與宏基因組的功能相比,預測到的信息是有限的。基于具體的功能數據庫進行注釋,得到功能通路豐度圖,通過功能預測可以知道有哪些功能,哪些功能的豐度相對高,也可以為進一步做宏基因功能提供參考,另外也使文章內容更加完善。

圖片

圖9. 預測的KEGG二級功能通路豐度圖

6. 關聯網絡分析

    關聯網絡分析,可以用來展示樣本與物種之間的分布情況,通過對不同樣本間的物種豐度信息進行相關性分析。在微生物生態(tài)學的關聯網絡圖中,每個點可以代表群落中的一個ASV/OTU,兩個點之間是正相關還是負相關可以通過連線的顏色進行區(qū)分。此分析的作用是探究樣本中是否存在關系緊密的微生物,發(fā)揮特定的功能,并影響整個群落的組成變化,所以文章中是否選擇此分析必須要結合老師的研究思路。

圖片
圖10. 關聯網絡分析
    這里舉個例子,環(huán)境因子關聯分析,研究土壤的老師大都會收集土壤的各種理化因子做為環(huán)境因子數據,常見的分析如RDA和CCA分析,通過該分析可以反映環(huán)境因子、樣本、菌群三者之間的關系或者兩兩之間的關系,可得到影響樣本分布的重要環(huán)境驅動因子,文章中可以描述哪些環(huán)境因子顯著影響樣本的微生物群落。

圖片

圖11. CCA分析圖

總結

    微生物擴增子測序中還有許多其它分析內容,以上是一些常用的基礎分析,在文章結構設計時,可以選擇其中幾個分析進行組合,有些是必須要有的,有些則需要結合實驗研究目的進行選擇。對于初次接觸測序的老師,一定不要被分析圖片的美貌所引誘,看起來復雜和精美的圖片可能并不能很好的解釋我們要討論的結果,反而會增加分析難度,根據文章目的取材,掌握最基礎的分析內容,足以支撐起一篇文章的結構。

    本站是提供個人知識管理的網絡存儲空間,所有內容均由用戶發(fā)布,不代表本站觀點。請注意甄別內容中的聯系方式、誘導購買等信息,謹防詐騙。如發(fā)現有害或侵權內容,請點擊一鍵舉報。
    轉藏 分享 獻花(0

    0條評論

    發(fā)表

    請遵守用戶 評論公約

    類似文章 更多