Microbiome: 组内PERMANOVA和LDM提高了微生物组数据分析的效率

Journal: Microbiome

Publish: 2021

Link:

https://microbiomejournal.biomedcentral.com/articles/10.1186/s40168-021-01034-9

接上篇：

Bioinformatics：线性分解模型LDM检验微生物差异

摘要

本文提出了一个新的策略，PERMANOVA和LDM一起用于分析成对/匹配（matched-set）的数据。

建议为每个组包含一个指示变量作为协变量，以约束组内样本之间的比较，并置换每个组内的特征，这可以解释可替换样本的相关性。

PERMANOVA和LDM的灵活性允许测试离散或连续的特征或交互作用，调整组内混杂因素，并充分利用不平衡的数据。

当使用PERMANOVA或LDM分析成对数据时，加入组指示变量和组内置换是一种良好的策略，能够处理微生物组研究中经常出现的复杂数据结构。

背景知识

目前仅有两种方法专门用于分析匹配的微生物组数据；两者都受限于没有任何成对数据内部协变量的配对数据。

1.成对多项式分布，它只适用于样本量大于分类单元数的情况。

2.广义的配对Hotelling检验，它放宽了方法1的限制，但只能提供群落水平的检验。

匹配数据也可视为具有可交换的相关性的纵向数据（longitudinal data with an exchangeable correlation）的特殊情况。因此，一些用于分析纵向数据的方法可以用于分析匹配数据。这些方法分别应用于每个OTU。

一个吸引人的选择是线性混合效应模型(LMM)，它通常被应用于arcsin-root-transformed的相对丰度数据，以提高正态性。还开发了一个零膨胀的随机效应β回归模型(ZIBR)，专门用于建模(未转换的)相对丰度数据。这两种方法都是基于完全参数化的模型，因此可能不太适合每个OTU。

此外一些策略将现有的微生物组检验扩展到分析匹配组数据，如DESeq2和PERMANOVA。

之前引入了LDM，主要用于分析独立数据。LDM在群落和OTU层面都提供检验。这些检验以统一的方式进行，因此群落级检验的结果可以与OTU级的结果一起实现。PERMANOVA和LDM都是基于回归和置换的，这使得它们很容易扩展匹配数据。尽管在LDM的文章中考虑了组内置换，但那是在感兴趣的变量可能低于组水平的背景下。之前还没有从理论或数学的角度明确考虑在此描述的匹配数据。

方法

看不懂。

使用

R包LDM：https://github.com/yijuanhu/LDM

只能下载到本地之后安装。下篇介绍用法。