Frontiers: QIIME参数对分析结果的影响

Published: 16 May 2019

Type: Methods

Quantitative Insights Into Microbial Ecology (QIIME)广泛应用于微生物群落的分析。本研究利用模拟群落(mock community)研究了QIIME默认参数对分析结果的影响。模拟群落包括8个原核生物和2个真核生物。采用两种混合方式：混10种生物的细胞或者混DNA。

Ion Torrent和Illumina两种方式分别进行测序。数据采用QIIME1(version 1.9.1)和QIIME2(version 2018.2)进行分析。

数据处理流程。OTU采取99%相似性阈值，以便和DADA2得到的ASV进行比较。

质控不同方法得到的序列数。C表示混细胞得到的模拟群落，D表示混DNA得到的模拟群落。（A）Ion Torrent。C和D后面数字表示PCR的循环数，30或45个循环。（B）Illumina。

基于混合DNA得到模拟群落的实际相对丰度和理论丰度。左边是用sklearn算法进行物种注释，右边是用blast进行物种注释。蓝的是理论丰度，橘色是实际丰度。重叠部分用灰色表示。

核心结论

99%划分OTU和ASV的方法结果相似，但是ASV的方法在种水平上的变异度更窄。

局部比对算法BLAST+和机器学习算法SKLEARN在QIIME2中被首次引入，他们与QIIME1的经典算法相比准确性相似，但是性能更好。与SKLEARN相比，BLAST+在两个NGS平台上都表现出了更平衡的性能，但是BLAST+敏感性更高，产生更多的假阳性和整体置信程度较低的物种分类。

最主要的比较：16S vs18S vs ITS; 混菌 vs 混DNA，貌似没看到特别明确的结论。不同平台规律并不一致。

存在问题

这篇文章题目很吸引人。但是看完之后感觉存在问题很多。

1.没看到做重复，图1中的各种方法得到的序列数也没有误差线。

2.只用了十个菌，代表性远远不够。

3.结论并不十分明确，看完感觉没啥帮助。

END