结果展示
结果展示
根据各个样品在不同分类层级上的相对丰度分析结果，可以得知一个或多个样品在各分类水平上的物种组成比例情况，并通过柱形图来反映样品在不同分类学水平上的群落结构及差异。
各样品间物种组成的大小及差异可以用颜色的变化来直接反映。通过将高丰度和低丰度的物种分块聚集，可以从颜色梯度上来反映多个样品在各分类水平上群落组成的相似性和差异性。
PCoA分析，即主坐标分析，是一种研究数据相似性或差异性的可视化方法，它通过对一系列的特征值和特征向量进行排序后，选择主要排在前几位的特征值，找到距离矩阵中最主要的坐标，并将样品在坐标上的位置进行可视化展示。
LEfSe分析即LDA Effect Size分析，是一种用于发现和揭示两个或两个以上生物条件下，菌群、代谢产物或其他差异的分析工具。在扩增子分析中，它可以从多个分组的数据出发，找到组间在丰度上有显著差异的物种。
机器学习就是一种智能的数据挖掘技术，它依据先验的知识建立预测模型来识别大数据中的有用信息，而随机森林是一种基于决策树的高效的机器学习算法，可以用于对样本进行分类，也可以用于回归分析。因此可以挖掘变量之间复杂的非线性的相互依赖关系，找出能够区分两组样本间差异的关键成分（OTU或物种）
用于统计多个样品中共有或独有的OTU数目，可以直观地表现各样品之间的OTU 组成相似程度。从OTU丰度表出发，统计各个样品的独有OTU数目，及各个样品间共有OTU数目，并进行作图展示。
稀释曲线是研究样品内的物种组成和预测样品中物种丰度的有效工具，在生物多样性和群落调查中，被广泛用于判断测序量是否充分以及估计物种丰富度。我们采用对序列进行随机抽样的方法，以抽到的序列数与它们所能代表OTU的数目构建了稀释曲线，通过稀释曲线不仅可以判断测序量是否充分，在测序量充分的前提下，运用稀释曲线还可以对物种丰富度进行预测。
关联分析（correlation analysis），是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。它可以根据物种丰度以及环境因子或代谢产物在各样本中的变化情况，研究物种与物种以及环境因子与物种之间的相互变化关系，得到两两之间的相关性。通过网络图，可以形象地展示不同样本或组之间的物种丰度和环境因子指标情况。此外，还可以通过相关性网络图，展示相互作用关系，从而甄别出不同互作类型的物种信息。
样本聚类分析从各样品间的距离矩阵出发，通过UPGMA聚类算法，将距离最接近的样品聚为一类，并将其通过样品聚类树进行可视化展示，从聚类树出发，可以用来比较样品间是否有显著的微生物菌落差异。
微信公众号
