2020-12-18
12月2日(ri)，派(pai)森(sen)諾基(ji)因云“云圖匯(hui)”模塊(kuai)中上線(xian)了一批精(jing)品(pin)分析工具，不知各位小(xiao)伙(huo)伴是否有嘗鮮呢(ni)？（點擊查看）今天(tian)我們(men)先來了解下(xia)RDA/CCA/PCoA_envfit這幾個(ge)分析(xi)內(nei)容(rong)。
對于微(wei)(wei)生(sheng)態領域（多(duo)樣性組(zu)(zu)(zu)成譜/宏基因(yin)(yin)組(zu)(zu)(zu)/宏轉錄組(zu)(zu)(zu)等）的(de)(de)(de)(de)測序數(shu)(shu)據(ju)，除了通過(guo)差異統(tong)計分析(xi)來篩(shai)選各組(zu)(zu)(zu)樣本(ben)中的(de)(de)(de)(de)微(wei)(wei)生(sheng)物標志(zhi)物種(zhong)或基因(yin)(yin)（Biomarker）的(de)(de)(de)(de)信息外，我們(men)還需要將其(qi)它(ta)各種(zhong)檢測手段獲(huo)得的(de)(de)(de)(de)數(shu)(shu)據(ju)，比如代(dai)謝(xie)組(zu)(zu)(zu)、蛋白組(zu)(zu)(zu)、或檢測獲(huo)得的(de)(de)(de)(de)理(li)化指(zhi)標、臨床指(zhi)標等各類數(shu)(shu)據(ju)，與(yu)微(wei)(wei)生(sheng)物組(zu)(zu)(zu)的(de)(de)(de)(de)海量數(shu)(shu)據(ju)進行關(guan)聯分析(xi)，以期找出與(yu)各類指(zhi)標變化相關(guan)聯的(de)(de)(de)(de)具體(ti)微(wei)(wei)生(sheng)物物種(zhong)及其(qi)基因(yin)(yin)。這種(zhong)研(yan)究思路，統(tong)稱為(wei)全微(wei)(wei)生(sheng)物組(zu)(zu)(zu)關(guan)聯分析(xi)（Microbiome-wide association study，MWAS）。目前(qian)已有(you)多(duo)種(zhong)算(suan)法，可以幫助我們(men)進行上述(shu)多(duo)組(zu)(zu)(zu)學(xue)數(shu)(shu)據(ju)的(de)(de)(de)(de)聯合(he)分析(xi)。
RDA冗余分(fen)析（Redundancy analysis）是(shi)一(yi)種典型的約束(shu)排序方法，可以理解為(wei)“有約束(shu)條件”的PCA分(fen)析，通(tong)過多元線性(xing)回歸（Multiple linear regression，MLR），將菌群結構(gou)數據與某一(yi)種或多種給定的影響(xiang)因素(su)(su)互(hu)相擬(ni)合，并通(tong)過置換檢驗來判斷這些(xie)因素(su)(su)對于菌群結構(gou)的影響(xiang)是(shi)否顯著。
CCA典(dian)型(xing)(xing)關聯分(fen)(fen)(fen)析（Canonical Correlation Analysis）與RDA分(fen)(fen)(fen)析相似，亦是(shi)最常用(yong)的(de)(de)挖(wa)掘數據(ju)關聯關系的(de)(de)算法之一。其中(zhong)RDA分(fen)(fen)(fen)析是(shi)基于(yu)線性(xing)模(mo)型(xing)(xing)，CCA分(fen)(fen)(fen)析則(ze)是(shi)基于(yu)單(dan)峰模(mo)型(xing)(xing)（通(tong)(tong)常可以(yi)兩種分(fen)(fen)(fen)析模(mo)型(xing)(xing)都做下嘗試；有(you)動手分(fen)(fen)(fen)析能(neng)力的(de)(de)小伙伴(ban)，還(huan)可以(yi)通(tong)(tong)過R-Vegan包中(zhong)的(de)(de)decorana函數，進行(xing)DCA分(fen)(fen)(fen)析，如(ru)(ru)果(guo)DCA排序(xu)前(qian)4個(ge)軸中(zhong)最大(da)值超過4，選擇單(dan)峰模(mo)型(xing)(xing)；如(ru)(ru)果(guo)是(shi)小于(yu)3，則(ze)選擇線性(xing)模(mo)型(xing)(xing)；如(ru)(ru)果(guo)介于(yu)3與4之間，兩者都可以(yi)哦~）。
但當我們(men)利用(yong)約束排(pai)序方(fang)法（如RDA或CCA分析(xi)(xi)等），發(fa)現環(huan)境(jing)變量(liang)的解釋程度較低、物種與(yu)環(huan)境(jing)變量(liang)間的排(pai)序結果較為混亂、組間差異不(bu)明顯時，說明約束排(pai)序模(mo)型(xing)(xing)并不(bu)適用(yong)；這時我們(men)可以考(kao)慮通(tong)過非約束排(pai)序模(mo)型(xing)(xing)（PCoA、NMDS、PCA分析(xi)(xi)等）擬合環(huan)境(jing)變量(liang)的方(fang)式來解釋“環(huan)境(jing)—個(ge)體—菌群”間的關(guan)系，即這里提到(dao)的PCoA_envfit分析(xi)(xi)。該分析(xi)(xi)是基于樣品間距(ju)離矩陣（bray_curtis或unifrac等），通(tong)過排(pai)序分析(xi)(xi)獲得(de)樣本(ben)在(zai)排(pai)序軸(zhou)(zhou)上的分布，接著利用(yong)回歸函(han)數envfit進行環(huan)境(jing)因子(zi)與(yu)排(pai)序軸(zhou)(zhou)之間的擬合分析(xi)(xi)，最后通(tong)過置換檢驗(yan)（permutation test）進行顯著性分析(xi)(xi)，一(yi)般默認選擇重復999次，獲取相關(guan)數據及繪(hui)圖。
我們(men)在派森諾基因云(yun)的“云(yun)圖匯”模(mo)塊中(zhong)，已經發布了(le)這三(san)種分析作圖的工具。同時(shi)，我們(men)也在“云(yun)學(xue)院(yuan)”的“云(yun)文(wen)檔”中(zhong)，提(ti)供了(le)具體操作方(fang)法，小伙伴可以按(an)照提(ti)示，來操作嘗(chang)鮮哦！
派(pai)森諾(nuo)基因(yin)云RDA分析
派(pai)森諾基因(yin)云CCA分(fen)析
注：圖中(zhong)，每個點(dian)代(dai)表(biao)(biao)一個樣本(ben)，不(bu)同(tong)顏色(se)的(de)(de)(de)點(dian)屬于(yu)不(bu)同(tong)分(fen)組(zu)(zu)，兩點(dian)之(zhi)間的(de)(de)(de)距離越(yue)(yue)(yue)接近(jin)，說(shuo)明兩個樣本(ben)的(de)(de)(de)菌(jun)群(qun)組(zu)(zu)成/功(gong)能相(xiang)似(si)度越(yue)(yue)(yue)高(gao)。藍色(se)箭頭(tou)分(fen)別代(dai)表(biao)(biao)不(bu)同(tong)的(de)(de)(de)影(ying)響(xiang)(xiang)(xiang)因(yin)(yin)素(su)(su)(su)，影(ying)響(xiang)(xiang)(xiang)因(yin)(yin)素(su)(su)(su)之(zhi)間的(de)(de)(de)夾(jia)角(jiao)代(dai)表(biao)(biao)它(ta)們之(zhi)間相(xiang)關(guan)性(xing)的(de)(de)(de)大小(xiao)，銳(rui)角(jiao)表(biao)(biao)示兩個因(yin)(yin)素(su)(su)(su)正相(xiang)關(guan)，直角(jiao)為不(bu)相(xiang)關(guan)，鈍(dun)角(jiao)時(shi)為負(fu)相(xiang)關(guan)，射線(xian)越(yue)(yue)(yue)長，表(biao)(biao)明該(gai)因(yin)(yin)素(su)(su)(su)對(dui)菌(jun)群(qun)組(zu)(zu)成/功(gong)能的(de)(de)(de)影(ying)響(xiang)(xiang)(xiang)作(zuo)用(yong)越(yue)(yue)(yue)大；藍色(se)箭頭(tou)射線(xian)和坐(zuo)(zuo)標軸的(de)(de)(de)夾(jia)角(jiao)代(dai)表(biao)(biao)某(mou)個環境因(yin)(yin)子與坐(zuo)(zuo)標軸的(de)(de)(de)相(xiang)關(guan)性(xing)大小(xiao)，夾(jia)角(jiao)越(yue)(yue)(yue)小(xiao)，相(xiang)關(guan)性(xing)越(yue)(yue)(yue)高(gao)。樣本(ben)在藍色(se)箭頭(tou)上投(tou)影(ying)點(dian)的(de)(de)(de)位置，近(jin)似(si)代(dai)表(biao)(biao)該(gai)因(yin)(yin)素(su)(su)(su)在對(dui)應樣本(ben)中(zhong)的(de)(de)(de)數值(zhi)(zhi)大小(xiao)；排序(xu)圖上方的(de)(de)(de)P值(zhi)(zhi)代(dai)表(biao)(biao)采用(yong)蒙(meng)特卡洛置換檢驗(yan)獲得的(de)(de)(de)P值(zhi)(zhi)，P值(zhi)(zhi)越(yue)(yue)(yue)小(xiao)，影(ying)響(xiang)(xiang)(xiang)因(yin)(yin)素(su)(su)(su)對(dui)于(yu)菌(jun)群(qun)組(zu)(zu)成/功(gong)能的(de)(de)(de)作(zuo)用(yong)越(yue)(yue)(yue)顯著(zhu)。坐(zuo)(zuo)標軸括號(hao)中(zhong)的(de)(de)(de)百分(fen)比代(dai)表(biao)(biao)了(le)對(dui)應的(de)(de)(de)坐(zuo)(zuo)標軸所能解釋的(de)(de)(de)原始數據(ju)中(zhong)差異的(de)(de)(de)比例(li)。
派森諾基因云PCoA_envfit分(fen)析
注：圖中，每(mei)個點(dian)代(dai)表(biao)一個樣(yang)本(ben)，不(bu)同顏色(se)的(de)(de)(de)點(dian)屬于(yu)不(bu)同分組，兩(liang)點(dian)之(zhi)間的(de)(de)(de)距(ju)離越(yue)接(jie)近，說明(ming)兩(liang)個樣(yang)本(ben)的(de)(de)(de)菌(jun)群(qun)組成(cheng)(cheng)/功(gong)能相似度(du)越(yue)高(gao)。藍色(se)箭頭(tou)(tou)（數(shu)值變量：如(ru)pH、濃度(du)等）與紅色(se)箭頭(tou)(tou)（性(xing)狀變量：如(ru)性(xing)別、部(bu)位、季節等）分別代(dai)表(biao)連續(xu)型和(he)離散型的(de)(de)(de)影(ying)(ying)響(xiang)(xiang)因(yin)(yin)素，影(ying)(ying)響(xiang)(xiang)因(yin)(yin)素之(zhi)間的(de)(de)(de)夾(jia)(jia)角代(dai)表(biao)它們之(zhi)間相關(guan)性(xing)的(de)(de)(de)大小，銳角表(biao)示兩(liang)個因(yin)(yin)素正相關(guan)，直(zhi)角為不(bu)相關(guan)，鈍角時(shi)為負相關(guan)，射(she)線越(yue)長，表(biao)明(ming)該(gai)因(yin)(yin)素對(dui)菌(jun)群(qun)組成(cheng)(cheng)/功(gong)能的(de)(de)(de)影(ying)(ying)響(xiang)(xiang)作用(yong)越(yue)大；箭頭(tou)(tou)射(she)線和(he)坐標(biao)(biao)軸(zhou)(zhou)(zhou)(zhou)的(de)(de)(de)夾(jia)(jia)角代(dai)表(biao)某個環境因(yin)(yin)子(zi)與坐標(biao)(biao)軸(zhou)(zhou)(zhou)(zhou)的(de)(de)(de)相關(guan)性(xing)大小，夾(jia)(jia)角越(yue)小，相關(guan)性(xing)越(yue)高(gao)。樣(yang)本(ben)在(zai)箭頭(tou)(tou)上投影(ying)(ying)點(dian)的(de)(de)(de)位置，近似代(dai)表(biao)該(gai)因(yin)(yin)素在(zai)對(dui)應樣(yang)本(ben)中的(de)(de)(de)數(shu)值大小；坐標(biao)(biao)軸(zhou)(zhou)(zhou)(zhou)括號中的(de)(de)(de)百分比(bi)代(dai)表(biao)了(le)對(dui)應的(de)(de)(de)坐標(biao)(biao)軸(zhou)(zhou)(zhou)(zhou)所能解釋的(de)(de)(de)原始數(shu)據中差異(yi)的(de)(de)(de)比(bi)例。
作圖完成后，還可以通過右(you)邊側(ce)欄的(de)“圖表(biao)調整”，進一步優(you)化(hua)作圖效果哦~
RDA/CCA/PCoA_envfit作為最常見的“環境—個體—菌群”的關聯分析方法，已經在諸多研究中廣泛應用，我們在這里也拋磚引玉，列舉一二，供大家參考~
對于以上的分析(xi)內容(rong)，小伙伴們是否心動(dong)(dong)(dong)了呢？心動(dong)(dong)(dong)不如行動(dong)(dong)(dong)，快來派(pai)森(sen)諾基因云（//www.genescloud.cn/）體驗吧！
