ANCOM(Analysis of composition of microbiomes)是一种比较微生物数据中物种在组间显著性差异的分析方法,结果和LEfSe类似。
ANCOM发表于2015年,目前已经被引用了246次。
ANCOM可解析数据的基本结构,可用于比较两个或多个种群的微生物群落组成。其分析不依赖于数据的分布假设,可以在线性模型框架中实现,并消除了使用相对丰度带来的偏差,从而能够有效降低结果的假阳性。ANCOM可很好地比较具有数千个分类单元的样本。
作者将ANCOM的性能与t检验和零膨胀高斯方法(Zero Inflated Gaussian,ZIG)进行了比较,ZIG方法用于推断两个或多个种群的平均分类群丰度。ANCOM在提高统计能力的同时,可将FDR控制在理想的水平。而t检验和ZIG则会使得FDR膨胀,在某些情况下t检验的膨胀可高达68%,ZIG的膨胀可高达60%。作者还使用人类肠道中两个公开的微生物数据集验证了ANCOM的性能,证明了它的普遍适用性。
以OTUs为基础比较样本中两个或多个种群之间的微生物组成,并不等于比较生态系统中对应分类单元的丰度。举个例子,假设从两个不同的森林捕获的100只动物中随机抽取了两个样本,其中分别有20只和30只熊。因此,我们有理由估计这两个森林中分别有20%和30%的动物是熊。但我们可能不会得出第二个森林里的熊比第一个多的结论。
如果第一个森林里有10000只动物,第二个森林里有500只动物,那么根据上面观察到的熊的比例,第一个森林里估计有2000只熊,而第二个森林里只有150只。因此从样本中OTUs的丰度来推断生态系统的总丰度是不合适的。
然而,利用一个类群在样本中的相对丰度来推断该类群在生态系统中的相对丰度是合理的。假设样本是随机采集的,那么有理由假设样本中一个分类单元的期望相对丰度与它在生态系统中的期望相对丰度是相同的。因此,在样本水平上比较预期的相对丰度近似等于在生态系统水平上进行比较。
另外,由于所有物种的相对丰度和为1,标准的统计方法如皮尔逊相关系数、t检验、方差分析、线性回归分析等方法不能直接用于分析微生物群落相对丰度数据。例如,考虑极端情况,一个样本中只有两个物种。由于相对丰度的和是1,因此他们的皮尔逊相关系数必为负数。推广到复杂群落中,至少一对物种的皮尔逊相关系数为负。
因此,不可能区分真正的负相关关系和由统计方法引起的负相关关系,这可能导致对分类单元对之间关系的错误结论。且这些标准方法并没有假设数据中每列和为1这样的限制。
此外,微生物的数据也不适合使用基于多项式或狄利克雷-多项式分布(Dirichlet-multinomial distribution)的方法,因为这种分布要求所有OTU之间都是负相关的。这明显与实际不符。
基于上述背景,作者提出了一种基于成分对数比(compositional log-ratios)的新方ANCOM,用于检测微生物平均分类群丰度的差异。该方法计算简单,可以处理数千个分类单元。
由于需要做对数转换,因此OTU中为0的地方会随机的增加一个很小的正数,使得对数有意义。
ANCOM的结果用W值来衡量组间差异显著性。W值越高代表该物种在组间的差异显著性越高。
ANCOM目前可以在QIIME2种实现。命令详见QIIME2中文帮助文档:
https://forum.qiime2.org/t/qiime2-chinese-manual/838
另外,在R中也找到一个可以做ANCOM的包LRTT。格式为
ANCOM.Sim(p, seed, N, dif)
p: OTU numbers
seed: random seeds
N:sample size
dif: the differential OTU you can set
输入只能是一个数字,所以感觉没啥用。
完