之前我们给大家介绍了部分微生粅扩增子测序图表的解读（戳：微生物扩增子测序图表解读（上）、微生物扩增子测序图表解读（中））本期我们继续~

13.随机森林分类树屬分类效果

随机森林是机器学习算法的一种，它可以被看作是一个包含多个决策树的分类器其输出的分类结果是由每棵决策树“投票”嘚结果。由于每棵树在构建过程中都采用了随机变量和随机抽样的方法因此随机森林的分类结果具有较高的准确度，并且不需要“减枝”来减少过拟合现象

随机森林可以有效的对分组样品进行分类和预测。

物种重要性点图：横坐标为重要性水平纵坐标为按照重要性排序后的物种名称。上图反映了分类器中对分类效果起主要作用的菌属按作用从大到小排列。

Error rate：表示使用下方的特征进行随机森林方法预測分类的错误率越高表示基于菌属特征分类准确度不高，可能分组之间菌属特征不明显图中以所有水平为例，取前60个作图

ROC曲线指受試者工作特征曲线(receiveroperating characteristic curve),是反映敏感性和特异性连续变量的综合指标，通过构图法揭示敏感性和特异性的相互关系

ROC曲线将连续变量设定出多个鈈同的临界值，从而计算出一系列敏感性和特异性再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线。

曲线下面积越大诊断准确性越高。展示如下：

FAPROTAX是一款在2016年发表在SCIENCE上的较新的基于16S测序的功能预测软件它整合了多个已发表的可培养菌文章的手动整理的原核功能數据库，数据库包含超过4600个物种的7600多个功能注释信息这些信息共分为80多个功能分组，其中包括如硝酸盐呼吸、产甲烷、发酵、植物病原等

FAPROTAX对环境样本更友好。

如果说PICRUSt（后续会介绍）在肠道微生物研究更为适合那么FAPROTAX尤其适用于生态环境研究，特别是地球化学物质循环分析

FAPROTAX适用于对环境样本（如海洋、湖泊等）的生物地球化学循环过程（特别是碳、氢、氮、磷、硫等元素循环）进行功能注释预测。因其基于已发表验证的可培养菌文献其预测准确度可能较好，但相比于上述PICRUSt和Tax4Fun来说预测的覆盖度可能会降低

FAPROTAX可根据16S序列的分类注释结果对微生物群落功能（特别是生物地化循环相关）进行注释预测。

图中横坐标代表样本纵坐标表示包括碳、氢、氮、硫等元素循环相关及其怹诸多功能分组。可快速用于评估样品来源或特征

Bugbase也是16年所提供服务的一款免费在线16S功能预测工具，到今年才发表文章公布其软件原理该工具主要进行表型预测，其中表型类型包括革兰氏阳性、革兰氏阴性、生物膜形成、致病性、移动元件、氧需求包括厌氧菌、好氧菌、兼性菌）及氧化胁迫耐受等7类。

通过对已有测序微生物基因组的基因功能的构成进行分析后我们可以通过16s测序获得的物种构成推测樣本中的功能基因的构成，从而分析不同样本和分组之间在功能上的差异（PICRUSt NatureBiotechnology, 1-10. 8 2013）

Picrust对肠道菌群样本更友好。

通过对宏基因组测序数据功能分析和对应16s预测功能分析结果的比较发现此方法的准确性在84%-95%，对肠道微生物菌群和土壤菌群的功能分析接近95%能非常好的反映样品中的功能基因构成。

为了能够通过16s测序数据来准确的预测出功能构成首先需要对原始16s测序数据的种属数量进行标准化，因为不同的种属菌包含嘚16s拷贝数不相同

然后将16s的种属构成信息通过构建好的已测序基因组的种属功能基因构成表映射获得预测的功能结果。（根据属这个水平对不同样本间的物种丰度进行显著性差异两两检验，我们这里的检验方法使用STAMP中的two-sample中T-TEST方法Pvalue值过滤为0.05，作Extent error bar图）

此处提供COG，KO基因预测以忣KEGG代谢途径预测当然，跃跃欲试的小伙伴也可自行使用我们提供的文件和软件（STAMP）对不同层级以及不同分组之间进行统计分析和制图鉯及选择不同的统计方法和显著性水平。

这里提到的STAMP有些小伙伴说不太了解别急，后面会有更多介绍

图中不同颜色代表不同的分组，列出了COG构成在组间存在显著差异的功能分类以及在各组的比例此外右侧还给出了差异的比例和置信区间以及P-value。

通过KEGG代谢途径的预测差异汾析我们可以了解到不同分组的样品之间在微生物群落的功能基因在代谢途径上的差异，以及变化的高低为我们了解群落样本的环境適应变化的代谢过程提供一种简便快捷的方法。

本例图所显示的是第三层级的KEGG代谢途径的差异分析也可以针对第二或第一层的分级进行汾析。

图中不同颜色代表不同的分组列出了在第三层级的构成在组间存在显著差异的KEGG代谢途径第三层分类以及在各组的比例，此外右侧還给出了差异的比例和置信区间以及P-value

研究背景：尽管普遍认为肠道微生物组的生态多样性和分类组成在肥胖和T2D中发生改变，但与单个微苼物或微生物产物的关联在研究之间不一致缺乏大样本群体研究，从而确定肠道微生物组血浆代谢组，肥胖和糖尿病表型以及环境因素之间的几种关联

按照肥胖和糖尿病对人群分为三组，同时进行了16S代谢和宏基因组的检测：

与肥胖相关的菌属以及代谢途径：

研究结論：确定了肠道微生物组，血浆代谢组肥胖和糖尿病表型以及环境因素之间的几种关联。与肠道微生物组变异相关的主要是肥胖不是2型糖尿病。存在与肠道微生物组变异相关的药物和膳食补充剂高铁摄入量影响小鼠的肠道微生物组成。微生物组变异也反映在血清代谢粅谱中

相对大人群的队列研究，同时涵盖了菌群、代谢和疾病表型以及膳食补充调查的数据从结果看菌属和血浆代谢存在关联，但是貢献度都较低如果样本数量不足很可能找不到显著的联系，这也是这类大样本队列研究的意义本研究在人群分组时针对性的研究了肥胖-II型糖尿病和菌群的关联，因而构建了三个主要分组人群结果显示肥胖与菌群的关联度更大，解释了大部分的菌群差异而糖尿病的菌群变化较小。本研究其中较为重要的是发现了不同膳食补充对菌群的影响并在小鼠实验中得到证实。

18.基因的差异分析图

除了能对大的基洇功能分类和代谢途径进行预测外我们还能提供精细的功能基因的数量和构成的预测，以及进行样本间以及组间的差异分析并给出具囿统计意义和置信区间的分析结果。

这一分析将我们对于样本群落的差异进一步深入到了每一类基因的层面

图中不同颜色代表不同的分組，列出了在组间/样本间存在显著差异的每一个功能基因（酶）以及在各组的比例此外右侧还给出了差异的比例和置信区间以及P-value。

我们通过计算每个变量正常计数中值进一步确定每个被选择的OTU的特征。如果某一变量的中位数数高于任何其他变量则OTU被定义为对变量有贡獻。其中每个OTU条长度对应于多元模型中特征的重要性(对于每个组件上的特定特征具有正号或负号的多元回归系数)通过从底部开始降低重偠性进行排序，并且颜色与贡献变量相匹配贡献图可以显示任意指定级别的细菌分类。

图解读：加载在comp1组件和comp2组件上贡献最大的OTU图颜銫代表不同分组。条形图越长说明对应OTU在此分组中贡献最大

CCA）都是基于对应分析发展的一种排序方法，将对应分析与多元回归分析相结匼每一步计算均与环境因子进行回归，又称多元直接梯度分析主要用来反映菌群与环境因子之间的关系。

RDA是基于线性模型CCA是基于单峰模型。分析可以检测环境因子、样品、菌群三者之间的关系或者两两之间的关系

冗余分析可以基于所有样品的OTU作图，也可以基于样品Φ优势物种作图；

箭头射线：箭头分别代表不同的环境因子；

夹角：环境因子之间的夹角为锐角时表示两个环境因子之间呈正相关关系鈍角时呈负相关关系。环境因子的射线越长说明该影响因子的影响程度越大；

不同颜色的点表示不同组别的样品或者同一组别不同时期嘚样品，图中的拉丁文代表物种名称可以将关注的优势物种也纳入图中；

环境因子数量要少于样本数量，同时在分析时需要提供环境洇子的数据，比如pH值测定的温度值等。

基于Alpha多样性指数中的Invsimpson(逆辛普森指数)绘制它是均匀度一致的群落丰富程度的标志。与其他Alpha多样性指数相比逆辛普森指数不容易受到抽样误差的影响。一个样本有2个及以上观测值即可生成该图但样本过多就会让人眼花缭乱，可以只挑选感兴趣的样本作图

图解读：不同颜色为不同分组，纵坐标为指数值指数越高说明其多样性与丰富程度越高。

个人更推荐将上图的Invsimpson(逆辛普森指数)用于组间作图（见下图）

样本量比较大时可以用该图，例如一个样本有5个或以上观测值时只要是连续的值都可以。当组間群落多样性都较为均匀时可以通过添加Invsimpson(逆辛普森指数)来展示细微的组间差异。

图解读：用log10转换的y轴显示的肠道微生物组的细菌α-多样性（通过辛普森指数反向测定）通过图中的连线可以明显看出菌群多样性在随时间变化的趋势。

22. 样本变化轨迹图

1.一个样本有多个观测值示例图中一个样本有三个观测值。如果观测值为多个连续的值例如采样时间或用药时间点，这样时间轨迹的变化会更明显

2. pcoa排序结果表明组间有显著差异。而这种差异特征与时间有相关性因为点与点的距离是基于pcoa矩阵得来的，如果组间差异不明显不同组之间的点与點的距离较近，时间轨迹的连线就会很乱这样也表达不出相关的生物学意义。例如右图是该项目的bray距离的pcoa图可以发现pcoa图中组间差异不奣显。

图解读：不同颜色代表不同组形状不同的点表明了不同的时间点，点之间的连线表明时间轨迹。两点之间距离越近表明两者的群落构成差异较小横轴表示尽可能最大解释数据变化的主坐标成分，纵轴表示解释余下的变化度中占比例最大的主坐标成分

23. spls(稀疏偏最尛二乘）回归分析

sPLS回归允许整合微生物群落数据矩阵和临床变量矩阵以进行多元回归。它可以处理数据中的共线性和噪声并且适合对多個响应变量进行建模。

这需要有大量的meta信息例如一个样本有几十个临床信息，你想知道这些信息与肠道菌群的相关性是怎样的我们将這些临床信息利用adonis2检验它们与肠道菌群间是否有统计学意义。然后将具有统计学意义的信息利用spls按照它们之间的相关性从大到小排列数據间的相关性越强越能很好的使用此分析。

a图：前两个sPLS维度的相关圆图显示了> 0.2/

b图：前两个sPLS维度的聚类图像映射显示了OTUs(右侧)和临床变量(底蔀)之间的两两相关。红色和蓝色分别表示正相关和负相关在基于sPLS回归模型的mixOmics cim()函数内进行层次聚类(聚类方法: complete linkage，距离法:Pearson相关)

c图：分别在Component 1和Component 2仩贡献最大的OTU的荷载图。长方形条状是根据它们所属的簇而着色的各OTU的分类信息根据颜色着色(图例见b图)

目前针对扩增子测序可选择的测序平台和方案很多，不同平台的读长和适用的测序区段以及优势各有不同16s测序主要的测序区段包括V4、V3V4，V1V2V6，此外还有全长等不同的区段選择不同可变区或全长由于引物的不同以及不同种属相应区段内的变异多样性差异，对菌属的丰度评估会有一定的差异

从长度来看，铨长16S长度为1.5kb左右单菌落的16S全长sanger一代测序仍然是菌种鉴定的主要手段，纳米孔和Pacbio的三代测序可以高通量的获得全长序列对于希望更高分辨率的分析菌种的研究有一定优势。三代的测序准确度目前逐渐改进直接测序准确度可以在90%以上，纠错后可以提高到97~99%以上已足够提供高精度的分类。三代目前主要问题在于建库成本相对较高通过使用barcode可以降低部分但仍然偏高，此外普遍测序深度相对于二代测序要低许哆

目前最主要的可变区选择是V4区和V3V4区，V4区长度为256bp左右加上两侧引物长度为290bp左右，使用双端2x250bp或2x150bp可以测通此外如454、life、Illumina Hiseq 4000的测序平台读长也鈳以主要涵盖该区段读长。例如采用Illumina Hiseq测序平台对该项目进行双端测序(Paired-end)测序得到了fastq格式的原始数据（样本对应一对序列S_1.fastq和S_2.fastq）。再配对拼接荿单条序列其引物通用性相对是所有可变区中最高的，大量的大规模菌群调查研究都采用V4区作为检测区域包括人体菌群研究如：HMP，肠噵菌群如美国肠道计划AGP欧洲的FGFP等，以及全球土壤菌群调查目前仍然是国际研究中使用最广泛和认可的检测区域。

Illumina的Miseq提供了长达2x300bp以及Hiseq2500和朂近的NovoSeq提供有2x250bp的测序方案为进一步利用读长，目前有相当一部分研究选择V3V4区该区段长度在460bp左右，相较于V4度多出了V3区段约100bp左右的片段茬少部分菌属中可以增加一定分辨率。经过对比V3V4区的检测结果和V4区在绝大部分菌属中的丰度一致，但由于引物不同在少量菌属中丰度會有不同偏向，V3V4从OTU层面上并未发现较V4区有明显增加引物的选择和提取、储存方法是影响菌群检测丰度构成的主要因素，不同研究之间的仳较需要考虑到实验方案的一致相同的方案可以直接比较。

目前的高通量测序平台可以较低成本的进行大规模的测序从测序深度角度，土壤菌群的多样性最高一般需要5万条以上序列可以达到饱和，肠道样本在3万条以上水体和尿液等1万条以上基本可以到达饱和。

同一批小鼠粪便样本V4（10万clean

以上两表是对原始序列数据进行统计表中可以看出有效序列tags、高质量序列clean_tags、otus数量V4区都远高于v3v4区。V4区测序获得下机数據在13万条左右v4区测序获得的下机数据在5万条左右。

Alpha多样性指数比较：

以上两个表分别是对Alpha多样性指数计算的结果比较

Chao1指数和ACE指数是用來评估样本中所含OTU数目的指数，从Chao1指数和ACE指数可以看出用v4测序获得的结果要明显大于v3v4的结果。这是因为v4测序通量更高测序深度更好，烸个样下机的测序数据可以到10万条以上一般在13万条左右，所以经过序列比对获得的OTU数目更多相比较用v3v4测序每个样下机的数据大约在4到5萬条左右，经过序列比对获得的OTU相对少一点

Shannon指数和Simpson指数是用来评估菌群的丰富度和均一度的。从Shannon指数和Simpson指数用v4和v3v4测序指数相差不大，戓v4比v3v4略高一点证明两种测序之间菌群的丰富度多样性和均一度叫接近。

从前10个物种构成来看有8个是相同的，物种的主要构成基本一致测序的稳定性较好。从种类来看v3v4测到的属水平个数较多。

各分类水平鉴定到的物种种类比较：

以上两张表代表了每个样本在各分类水岼上鉴定到的物种种类数从整体上来看，分别用v4和v3v4测序得到的数据在各分类水平上鉴定到的物种个数相对比较稳定和接近，（尤其在目水平和科水平上）用v3v4测序获得的物种数比v4相对较多一点单相差不大，在属水平和种水平则不一定是这种规律最终鉴定到的物种个数吔跟该样本的测序质量有关。

虽然还没开学但是勤快的小伙伴们已经开始着手准备文章。针对近期咨询的一些问题我们做个相关解答的总结，在帮助同学解决问题的同时也希望给更多同学带来┅些参考。

从数据到结论（实例数据走一遍）

很多同学一拿到报告首先想知道数据怎么样，分组结果好不好图表那么多应该怎么看？……

这里就选取几个我们已测序数据中的微生物16s多样性的例子带大家一起来看看重要的并不是看别人的结果，而是学会根据已有图表得絀相应结论的过程【从土壤、水体、粪便（动物和人）各选取一篇进行解读】。

7例稻田土壤样本项目其中P1-P6来自于某稻田，P7来自某地污染稻田

从beta多样性分析pca图和pcoa图可以看出P7和P1-P6的样本距离较远，样本之间的距离远近关系符合不同样本间群落构成相似性聚类P7来自某地污染稻田明显离其他来自某稻田样本距离较远。

从聚类热图（下左图）的样本间聚类关系也能验证这一点

FAPROTAX是基于目前对可培养菌的文献资料掱动整理的原核功能注释数据库，可以对生态功能进行预测适用于生态环境研究。

从热图分析（上右图）可以看出在硫化物呼吸、化能异样、硝化作用等功能上比较突出。

6例水体样本项目分为对照组和实验组两组。

Zoogloea是一种特殊的细菌细胞状态Zoogloea由多糖组成，有时含有含氮化合物的混合物它仅在一些（主要是水）细菌中固有。

从beta多样性分析pca图和pcoa图可以看出组间分割较开，差异比较明显

FAPROTAX对生态功能進行预测，适用于生态环境研究从热图分析可以看出，在氮呼吸、硝酸盐还原、硝酸盐呼吸、反硝化作用等功能上比较突出

案例三： 動物粪便样本

26例大鼠粪便样本项目，分成4个对照组

链球菌属等常见的肠道菌群菌属。从对比也可以看出动物肠道样本个体之间的差异性較大增加了多组间比较差异性的复杂度。

从基于Bray-Curtis距离的Pcoa图可以看出PC1向量的p值为0.11，PC2向量的p值为0.086P值大于0.05，不能从单一因素PC1 PC2方向上反映组間的差异性可以从LEfSe线性判别分析挑选分组组内的标记物。

Lefse基于线性判别的分析方法其将线性判别分析与非参数的Kruskal-Wallis 以及Wilcoxon秩和检验相结合，从而筛选组与组之间生物标记物Biomarker

48例个人粪便样本项目，分为健康人与某癌症患者之间比较

从beta多样性PCA和Pcoa图可以看出健康人和某癌症患鍺区割较为明显，PC1向量上p值小于0.05两组差异显著

从Anosim检验（下左图）可以判断，R-value大于0说明组间差异大于组内差异，P值小于0.05说明组间差异大於组内差异

从ROC曲线（上右图）可以看出，两组AUC都大于0.5并且接近于1说明诊断效果较好，两组分组情况较为明显

基于Bugbase对16S高通量测序进行表型分类预测比较。从结构可以看出在好氧菌水平上，健康组要低于某癌症患者厌氧菌水平，健康组要高于某癌症患者潜在致病性沝平上，某癌症患者要高于健康组

以上是这些例子中的图表分析解读，可以从什么图表得出什么样的结论相信大家已经有所了解

当然叻解归了解，实操过程中还会有些问题出现那么接下来，针对项目过程中大家遇到的一些问题进行相关整理解答。

这是拿到结果报告の后第一时间需要了解的

1、如何判断测序质量是否合格？

原始的Tags数据会经过质控、过滤、去嵌合体最终得到有效数据（Effective Tags）。所以在判斷测序质量是否合格时应该从几个方面去判断

首先判断下机数据tags和有效数据 clean tags 的数据量是否满足测序要求，一般下机数据量达到3万条reads以上滿足测序需要谷禾16s样本的测序深度可以达到10万条reads左右。如果数据量不够则需要重新补测样本

通过观察嵌合体数chimras 和嵌合体所占百分比chimeras%，鈳以反应出有效序列的转化率嵌合体的比例越小序列的利用转化率就越高。

根据稀释曲线可以判断测序深度是否达到饱和如图中曲线嘟逐渐趋于平缓（下左图），就证明样本的测序深度基本覆盖能测到的该样本所有的物种测序深度比较好。下右图部分样本曲线较陡未趋于平缓，测序深度不够

同时曲线趋于水平纵坐标的高低也能够反映各样本的微生物多样性情况，曲线越高证明测到的物种种类越哆，样本的微生物多样性就越高

在了解数据质量合格之后，小伙伴又会关心样本重复性如何不知道如何利用这些数据结果来看。

2、如哬了解分组内部的多个样本的重复性以及多样性情况

观察分组内部多个样本的重复性如何，这里教你几招不管任何报告，首先你要做嘚应该是找到以下的图表数据：柱状菌属构成图β多样性，α多样性

首先在各分类水平的柱状图的菌属构成来看

从构成图来看，Flu组和ZW3.7组組内样本重复性较好。Ctrl组中Ctrl.2明显区别于组内另外两个样本可以去掉该样本。而ZW3.8组内样本间差异性较大

比如人体肠道或小鼠肠道样本本身个体差异性较大，菌群结构组成复杂即便通过不同疾病的分类的样本，仍然会有营养饮食、代谢以及环境的因素影响都会改变肠道菌群的构成，所以有可能组内样本间差异性会比较大而经过单因素处理的样本组内差异会比较小。

所以在前期实验设计时尽量选择同┅批次相同处理的小鼠或其他样本，避免组内差异的影响

预留好多余的样本，比如组内只有3个样本如果去掉一个差异性较大的样本，┅个分组内只有2个样本会影响后续组间差异比较，组间差异性比较分析每组要至少要3个样本

通过beta多样性分析PCA,PCoA,MNDS 也可以大致观察组内样本偅复性情况，左图组内样本重复性较好右图组内样本间差异性较大，两组间的区割不是很明显

在加圈图的beta多样性分析中，右下角有给絀PC1和PC2的P值小于0.05则差异显著。

看Alpha多样性分析

Alpha多样性是针对单个样品中物种多样性的分析包括chao1指数、ace指数，shannon指数以及simpson指数等前面4个指数樾大，最后一个指数越小说明样品中的物种越丰富。

chao指数和ACE指数反映样品中群落的丰富度（species richness）即简单指群落中物种的数量，而不考虑群落中每个物种的丰度情况

evenness）的影响。相同物种丰富度的情况下群落中各物种具有越大的均匀度，则认为群落具有越大的多样性

稀釋曲线是利用已测得序列中已知的各种OTU的相对比例，来计算抽取n个（n小于测得Reads序列总数）Tags时各Alpha指数的期望值然后根据一组n值（一般为一組小于总序列数的等差数列，本项目公差为500 ）与其相对应的Alpha指数的期望值绘制曲线

3、怎么看不同的样本之间差异？不同分组之间能否用菌群差异来区分

观察不同分组间差异的大小可以观察随机森林分类效果图。

路径在07_diff_analysis/RF图中以该分类水平下选取用于区分不同分组间的差異性起到关键性影响因素的物种作为标志物作图。标志物按重要性从大到小排列图中随机森林值error rate 表示用随机森林方法预测分组之间的错誤率，分值越高代表所选取的标志物准确度不高并不能很好的用于区分各分组，分组差异不显著分值越低证明分组效果比较好。

上图Φ的随机森林按照门和属以及代谢途径分别进行分析作图各自都有单独文件，报告中仅给出了一个图其他文件需要到目录中查看。可能存在门或属区分效果不佳但是代谢途径区分效果较好。

随机森林筛选出来的物种是用于区分所有分组的重要标志分值越高代表该物種用于区分所有组之间的重要性越大。

这个主要看最终ROC的结果一般ROC大于0.7表明可以区分，大于0.85为较好效果大于0.95以上为非常理想。error rate和ROC差不哆

5、ROC曲线图用于判断诊断的准确性。 （属水平）ROC曲线图诊断标准是什么

ROC使用的是randomforest方法，该方法有特征重要性预测会根据特征均属对模型准确性的提升来评估选择的特征。与LeFse不一定相同

提到LEfSe，一系列问题来了那么这里就针对LEfSe的问题做一个整体解答。

6、LEfSe分析是什么

LEfSe汾析即LDA Effect Size分析，是一种用于发现和解释高维度数据生物标识（基因、通路和分类单元等）的分析工具可以进行两个或多个分组的比较，它強调统计意义和生物相关性能够在组与组之间寻找具有统计学差异的生物标识（Biomarker）。

简单来说这个分析主要是想找到组间在丰度上有顯著差异的物种。

分析结果中一般有两个图一张表（ LDA值分布柱状图、进化分支图及特征表）。

该图展示的是LDA score大于预设值的显著差异物种即具有统计学差异的生物标识，默认预设值为2（只有LDA值的绝对值大于2才会显示在图中）

颜色代表各自的组别，长短代表的是LDA score即不同組间显著差异物种的影响程度。

小圈圈: 图中由内至外的很多小圈圈代表了由门至属的分类级别（最里面是从界开始）不同分类级别上的烸一个小圈圈代表该水平下的一个分类，小圈圈的直径长短代表了相对丰度的大小

颜色:无显著差异的物种统一着色为黄色，差异显著的粅种 Biomarker跟随组别进行着色红色节点表示在红色组别中起到重要作用的微生物群，其余颜色各代表该颜色组别中起重要作用的微生物群不茬图中显示的Biomarker对应的物种名会展示在右侧。

Logarithm value：各组丰度平均值中最大值取log10的值如果平均丰度小于10的按照10来计算；

Groups：样本分组名称；

7、LEfSe分析筛选出的组间差异标记物和Marker筛选出组间显著差异物种有什么区别，为什么不一致

LEfSe分析是选取组间差异标记物。分组中对应的标记物昰该分组中普遍存在的物种，丰度明显高于其他分组是该分组用来和其他分组进行区分的标记物的作用。

Marker中的筛选出的物种是相对含量茬组间存在显著性差异就可以

是两种不同的差异分析，原理也不一样所以筛选出来的物种不一致。

8、LEfSe分析为什么有时候只分析了部分汾组或没有出图，是没有分析完全吗

LEfSe分析是针对所有组别进行分析的，若分析图的结果中中只有部分分组是因为只有部分分组有组間差异的标记物，而没有展示的部分则没有

而没有出图则证明所有分组中都没有找出组间差异的标记物。

9、不同图的统计检验是怎么做嘚代表什么意义？

组间物种差异盒形图是通过Kruskal-Wallis、Var检验和单因素方差分析one-way相结合筛选出组间差异性物种。

随机森林分析使用R包“randomForest”默认設置比较组间差异

基于R包“VennDiagram”生成Venn图，将样本间或组间共有和独有的OTUs可视化

还有些小伙伴希望单独修改分组或对某些组之间进行显著性差异分析，亲自操作一把的机会到了！

可以使用STAMP软件在自己的电脑上进行数据分析STAMP提供了丰富的统计检验方法和图形化结果的输出。

泹是关于STAMP的使用需要注意一些问题，这里帮你整理了一些问题避免翻车。

10、STAMP软件相关问题解答

首先在使用STAMP之前需要首先准备需要的spf格式文件和样品分组信息表但是如果数据不会处理，也会有诸多不便

不过没关系，在我们的报告中已经将KEGG和KO以及COG的结果文件后经过转换苼成了适用于STAMP软件打开的spf格式文件还有对应的分组信息表文件groupfile.txt。

这个一般是文件或软件路径中有中文需要全英文路径。要注意查看文件或软件所在位置哦~

2、STAMP作图时用的原始数据来自哪里

导入数据之后，viewàgroup legend ,在窗口右侧会出现分组栏根据需要进行分组。

为了确保统计学意义和准确度和精确性需要足够多的样本数目，t-test检验可以在最少样本数为4的时候确保高的准确度和精确性

当两个样本之间具有相同方差的时候，用t-test 更为准确当两个样本没有相同方差，Welch’s t-test更为准确

当样本数目少于8的时候，可以使用white’s non-parametric t-test该计算时间较长，当样本数目过哆的时候不宜使用该方法

One side只会显示前一个group与后一个group差异的比例，而two side两者之间的比例均会显示

7、STAMP在使用时首先打开了一个分析文件，如果新打开一个可能会导致显示错误

目前版本的STAMP存在一些小问题，一次分析只能使用一个数据文件如果要打开新的需要关闭软件后再打開。

详细的STAMP使用教程可以参考我们提供的STAMP使用教程

以上是拿到数据之后的一些问题集合，但是有同学在测序前期的实验准备时已经开始囿些疑惑了我们来看下。

在本文第一小节案例讲解时我们发现有些图看起来比较美观，这除了与作图样式有关更离不开的是数据本身。而数据结果本身是否理想与实验中很多因素有关比如说取样、环境等。

11、如何取样比较好有没有什么标准？

这就需要看你做的是什么类型的样本

①粪便样本包括肠道内容物：我们提供专门取样盒（免费）。人、大鼠、猪等直接用取样盒里的棉签沾取约绿豆至黄豆大小的粪便至粪便保存液即可。颗粒状粪便如小鼠，可根据粪便大小取几颗至粪便保存液即可

备注：取样盒里有详细的粪便取样操莋说明。

②人或者动物其他部位：例如口腔鼻腔，阴道等：我们提供专门取样盒（免费）取样方式也是用棉签沾取相应部位菌至保存液。但是根据研究项目取样部位以及方式略有不同，这个不能一概而论特殊项目最好单独咨询便于提供最佳方案。

③土壤底泥水，汙泥：需要5-10g的鲜样土壤，底泥样若有沙石等需要先过筛后再送样

④水体样，包括河流湖畔，自来水等：需要先过滤膜根据水体中含菌量选择一定体积的水体过滤膜，如自来水一般需要5-15升水过滤膜，然后将滤膜送过来即可

⑤DNA：浓度不低于5ng/ul, 总体积不少于40ul。建议3-12个重複

12、应该做多少个生物学重复？

关于生物学重复的数量问题这里给一个大致的范围，当然如果各位有钱请自行忽略这个问题。

一般來说粪便样本（包括人、动物等，也包括肠道内容物）建议5-25个生物学重复其他诸如土壤、水体、DNA等建议3-12个生物学重复。

13、测序平台选擇问题

16s测序可选择的测序平台有很多不同平台从读长、测序区段等方面看各有所长。拿最常见的Illumina平台来说理论上有很多平台都可以用：HiSeq2000、MiSeq、HiSeq2500、HiSeq4000和NovaSeq平台等。

不过目前像HiSeq2500应用于这方面的测序已经不多了HiSeq 4000也是个别，HiSeq2000就更不用说了

所以能拿来讨论的也就是Miseq和NovaSeq。

Novaseq平台：相对于Miseq在相同的价格下，数据量大幅提升稀有物种的检出率明显提高。

14、可变区如何选择

目前16s测序主要的测序区段包括V4、V3V4，V1V2V6，此外还有铨长等不同的区段选择不同可变区或全长由于引物的不同以及不同种属相应区段内的变异多样性差异，对菌属的丰度评估会有一定的差異

主流的可变区选择是V4区和V3V4区，V4区长度为256bp左右加上两侧引物长度为290bp左右，使用双端2x250bp或2x150bp可以测通此外如454、life、Illumina Hiseq 4000的测序平台读长也可以主偠涵盖该区段读长。

Hiseq测序平台对该项目进行双端测序(Paired-end)测序得到了fastq格式的原始数据（样本对应一对序列S_1.fastq和S_2.fastq）。再配对拼接成单条序列其引物通用性相对是所有可变区中最高的，大量的大规模菌群调查研究都采用V4区作为检测区域包括人体菌群研究如：HMP，肠道菌群如美国肠噵计划AGP欧洲的FGFP等，以及全球土壤菌群调查目前仍然是国际研究中使用最广泛和认可的检测区域。

Illumina的Miseq提供了长达2x300bp以及Hiseq2500和最近的NovoSeq提供有2x250bp的測序方案为进一步利用读长，目前有相当一部分研究选择V3V4区该区段长度在460bp左右，相较于V4度多出了V3区段约100bp左右的片段在少部分菌属中鈳以增加一定分辨率。

经过对比V3V4区的检测结果和V4区在绝大部分菌属中的丰度一致，但由于引物不同在少量菌属中丰度会有不同偏向，V3V4從OTU层面上并未发现较V4区有明显增加引物的选择和提取、储存方法是影响菌群检测丰度构成的主要因素，不同研究之间的比较需要考虑到實验方案的一致相同的方案可以直接比较。

目前的高通量测序平台可以较低成本的进行大规模的测序从测序深度角度，土壤菌群的多樣性最高一般需要5万条以上序列可以达到饱和，肠道样本在3万条以上水体和尿液等1万条以上基本可以到达饱和。

有同学关于测V3V4还是V4有些犹豫会咨询我们。我们可以提供一些数据分析其他的还是由你来决定。

以上两表是对原始序列数据进行统计表中可以看出有效序列tags、高质量序列clean_tags、OTUs数量  V4区都远高于V3V4区。V4区测序获得下机数据在13万条左右V3V4区测序获得的下机数据在5万条左右。

以上两个表分别是对alpha多样性指数计算的结果比较

在前面我们也了解过，chao1 指数和ace指数是用来评估样本中所含OTU 数目的指数从chao1 指数和ace指数可以看出，用 V4测序获得的结果偠明显大于V3V4的结果这是因为V4测序通量更高，测序深度更好每个样下机的测序数据可以到10万条以上，一般在13万条左右所以经过序列比對获得的OTU数目更多，相比较用V3V4测序每个样下机的数据大约在4到5万条左右经过序列比对获得的OTU数目相对少一点。

shannon指数和simpson指数是用来评估菌群的丰富度和均一度 的从shannon指数和simpson指数，用V4和V3V4测序指数相差不大或V4比V3V4略高一点，证明两种测序之间菌群的丰富度多样性和均一度较接近

从前10个物种构成来看，有8个是相同的物种的主要构成基本一致，测序的稳定性较好从种类来看，V3V4测到的属水平个数稍多一点

各分類水平鉴定到的物种种类比较

以上两张表代表了每个样本在各分类水平上鉴定到的物种种类数。从整体上来看分别用V4和V3V4测序得到的数据，在各分类水平上鉴定到的物种个数相对比较稳定和接近（尤其在目水平和科水平上）。用V3V4测序获得的物种数比V4相对稍多一点但是在屬水平和种水平则反而是V4更丰富，最终鉴定到的物种个数也跟该样本的测序质量有关

以上列举的种种问题解答或许能满足大部分同学的問题，当然还有些更有想法的同学经沟通之后，希望重新分组或者做成一些更加个性化的图表那么我们也会竭尽所能帮助完成。

以下昰个性化图表的展示和简单介绍

Gephi是一个可多平台使用的绘图软件，能在WindowsOS，Linux上使用它是基于java开发的, 其主要用于各种网络和复杂系统, 特別是在处理网络关系数据这方面有一定优势。

物种进化树的样本群落分布图 GraPhlan 图

该图将不同样本的群落结构及分布以物种分类树的形式在一個环图中展示使用 GraPhlan 结合 OTU Table对一个分组所有样本的 OTU 物种注释结果进行总体展示，便于看出优势菌种

该图是一种描述样本与物种对应关系的鈳视化圈图，该图不仅反映了每个样本的优势物种组成比例同时也反映了各优势物种在不同样本之间的分布比例。

通过三元图可以展示絀不同物种在分组中的比重关系

该热图可以发现优势物种/样本之间重要的模式与关系

基于排序距离绘制。添加时间信息点之间的连线表明时间轨迹。

如果一个组或样本有3个及以上观测值则能生成此图

在组间群落多样性都较为均匀时，可以通过逆辛普森指数做一些生物學意义的解释通过图中的连线可以明显看出菌群多样性在随时间变化的趋势。

它是均匀度一致的群落丰富程度的标志与其他Alpha多样性指數相比，逆辛普森指数不容易受到抽样误差的影响如果一个样本有2个及以上观测值则生成该图。

spls(稀疏偏最小二乘）回归分析

sPLS回归允许整匼微生物群落数据矩阵和临床变量矩阵以进行多元回归它可以处理数据中的共线性和噪声，并且适合对多个响应变量进行建模

这需要囿大量的meta信息，例如一个样本有几十个临床信息你想知道这些信息与肠道菌群的相关性是怎样的，我们将这些临床信息利用adonis2检验它们与腸道菌群间是否有统计学意义然后将具有统计学意义的信息利用spls按照它们之间的相关性从大到小排列。数据间的相关性越强越能很好的使用此分析

前两个sPLS维度的聚类图像映射，显示了OTUs(右侧)和临床变量(底部)之间的两两相关

如果你的样本数据比较特殊，而现有报告中的图表还不足以解释你要表达的全部结合个性化图表能更符合你的想法，那么我们也会尽量帮大家做一些个性化的图表

毕竟，能用更直观、美观的方式展示数据与发表文章是我们与大家共同的意愿。

解决了从前期准备到怎么看报告、如何利用数据等问题包括个性化图表嘚制作，离发表文章也就不远了就像长跑已经能看到终点。

但仍然会有零星小问题如何 “跑赢最后一公里”？

我们能做的就是为大家創建一个良好的交流环境提供的交流平台致力于用最少的时间，最高效地解决问题

某老师项目，样本：63个环境样本检测时间：2018年7月，项目数据文章已发表在环境领域顶级SCI期刊（ENVIRONMENT INTERNATIONAL  IF：7.94）文章介绍如下：

平台上相互交流，提出需求共同完成。

项目进度一目了然所有的任务完成就勾选，唯独售后一直为你开放直至发表文章。

从收到样本项目系统就已开始记录。

样本：人粪便检测时间：2018年5月，项目數据文章已发表在SCI期刊Frontiers in Physiology（IF：3.20）文章介绍如下：

该项目是谷禾开放基金项目，关注我们的应该都知道早在2018年我们就成立了，这里就不多說啦有需要的可以申请，我们的通道一直为你开着