qiime2+lefse的n个解决方案

qiime2 有自带的差异分析工具的（composition ancom），可是，大家已经习惯了一直用的 lefse，于是，把 qiime2 的结果导出进行 lefse 分析，在某种程度上就是一个“刚需”啦！在希望 qiime2 官方或者 lefse 官方做一个 q2-lefse 之前，我们的解决方案有哪几个呢？这里分享下我找到的几个，欢迎补充。

1. dokdo[1]模块

使用 QIIME2 进行微生物组测序分析的 Python 模块。看起来是个台湾同胞写的，最近一次更新在两年前。文档在这里--dokdo documentation--lefse[2]

为了使用 LEfSe，需要打开两个终端窗口:一个用于您通常的 QIIME 2 环境，另一个用于运行 LEfSe。对于后者，应该创建一个新的 conda 环境并安装 LEfSe，如下所述:

• 运行 QIIME 2 和 Dokdo: 安装好 qiime（略）

# 安装dokdo
git clone https://github.com/sbslee/dokdo
cd dokdo
pip install .
# 激活环境
conda activate qiime2-2020.8

• 运行 LEfSe（如果选择 Galaxy 在线分析，不需要安装）:

conda create -n lefse -c conda-forge python=2.7.15
conda activate lefse
conda install -c bioconda -c conda-forge lefse

设置好两个终端之后，可以从 QIIME 2 特性表中为 LEfSe 创建一个输入文件。以“Moving Pictures”教程为例(在 QIIME 2 终端下运行)。

dokdo prepare-lefse \
-t data/moving-pictures-tutorial/table.qza \
-x data/moving-pictures-tutorial/taxonomy.qza \
-m data/moving-pictures-tutorial/sample-metadata.tsv \
-o output/Useful-Information/input_table.tsv \
-c body-site \
-u subject \
-w "[body-site] IN ('tongue', 'gut', 'left palm')"

然后，就可以选择使用 Galaxy 或者本地进行分析啦！这个方法最早是在这里看到的，github 上竟然没有搜索到。尋找生物標記(Biomarker) LEfSe + dokdo[3]

qiime2 论坛的方法qiime2 to LEfSe[4]

Lefse after QIIME2[5]为 LEfSe 准备 Qiime2 文件：

• 将 table.gza 折叠到 L6 级别qiime taxa collapse --i-table table.qza --o-collapsed-table collapse.table.qza --p-level 6 --i-taxonomy taxonomy.qza
• 计算折叠表的相对频率（您得到的不是计数，而是相对丰度）

qiime feature-table relative-frequency --i-table collapse.table.qza --o-relative-frequency-table collapse.frequency.table.qza --output-dir collapse.frequency/

导出 BIOM 文件

qiime tools export collapse.frequency.table.qza --output-dir collapse.frequency/

• 或者将 BIOM 转换为文本文件（用于 LEFSE 比较）

biom convert \ -i collapse.frequency.table.biom -o collapse.frequency.table.txt --header-key “taxonomy” --to-tsv

您需要为 LEfSe 格式化文本文件。这意味着，根据您是否有类或子类，您必须在文件顶部添加 2-3 行。第 1 行需要是您的类，第 2 行需要是您的子类，第 3 行将是您的全部 “;”，在整个分类中必须更改为 “|”。

易生信流程提供的方法

EasyAmplicon/pipeline.sh at master · YongxinLiu/EasyAmplicon (github.com)[6]

## LEfSe输入文件准备

    ### 3.1. 命令行生成文件
    # 可选命令行生成输入文件
    Rscript ${db}/script/format2lefse.R -h
    mkdir -p result/lefse
    # threshold控制丰度筛选以控制作图中的枝数量
    Rscript ${db}/script/format2lefse.R --input result/otutab.txt \
      --taxonomy result/taxonomy.txt --design result/metadata.txt \
      --group Group --threshold 0.4 \
      --output result/lefse/LEfSe

    ### 3.2 Rmd生成输入文件(可选)
    #1. result目录中存在otutab.txt, metadata.txt, taxonomy.txt三个文件；
    #2. Rstudio打开EasyAmplicon中format2lefse.Rmd，另存至result目录并Knit生成输入文件和可重复计算网页；

这三种方法，相比手动处理，还是多了些方便的，减少了出错的可能，欢迎交流，你用的是哪种呀！

参考资料

[1]

dokdo: https://github.com/sbslee/dokdo

[2]

dokdo documentation--lefse: https://dokdo.readthedocs.io/en/latest/useful_information.html#lefse

[3]

尋找生物標記(Biomarker) LEfSe + dokdo: https://ithelp.ithome.com.tw/articles/10312346?sc=rss.qu

[4]

qiime2 to LEfSe: https://forum.qiime2.org/t/qiime2-to-lefse/13132/3

[5]

Lefse after QIIME2: https://forum.qiime2.org/t/lefse-after-qiime2/4496/8

[6]

EasyAmplicon/pipeline.sh at master · YongxinLiu/EasyAmplicon (github.com): https://github.com/YongxinLiu/EasyAmplicon/blob/master/pipeline.sh