微生物群落研究常用组学比较及多样性指数的概念

常用的高通量测序方法有扩增子测序(16S rDNA)、宏基因组测序、宏转录组测序

1.16S rDNA:是一种扩增子测序的代表研究对象是基于PCR扩增的细菌16S rDNA片段——用于分析微生物群落的组成和多样性,挖掘微生物与生境的关系信息。相较于传统微生物研究,16S可以省去培养细菌的工作,更快速获得微生物群落的多样性信息,在多组学研究中起到基础的群落筛选作用。

关注的问题:有什么物种

分析手段:物种组成研究、αβ多样性分析

成本:较低

缺点PCR有偏好

优点:适用于大样本研究(建库成本低)

2.宏基因组:能够获得微生物群落的所有基因序列(全部DNA,通过序列拼接组装,获得基因组的结构、功能信息——对微生物群落的组成和功能进行研究

关注的问题:有什么功能

分析手段:基因功能注释、代谢通路研究

成本:较高

缺点:无法得到基因表达信息

优点DNA信息完整,对基因结构的把握比宏转录组可靠

 

3.宏转录组:以特定群落的全部mRNA为研究对象,通过数据组装和比对来获得基因的结构、表达信息——在转录组水平对群落进行组成和基因功能的研究。和宏基因组有一定包含关系,它也可以挖掘物种信息、基因功能信息、发现新基因。此外,它还可以深入了解基因如何被调控,基因表达如何应答环境变化等细节问题。

关注的问题:怎样行使功能

分析手段:差异表达基因、代谢通路研究

成本:较高

缺点RNA不稳定,建库难度大,基因信息不完整

优点:研究内容全面,对基因功能的挖掘比宏基因组更为深入


16s和宏基因组的联用:利用16S成本低的优势,在前期检测大量样本组成和多样性后,筛选目标群落,进行宏基因组研究,挖掘功能信息。

宏基因组、宏转录组的联用:对物种组成等信息进行同步验证,不同层面挖掘群落功能信息。

物种的丰富度(Richness——可以理解为物种的数量。

物种的均匀度(Evenness——可以理解为物种之间的数目差异,差异越小,均匀度越高。

 

微生物群落的αβ多样性指数

α多样性指数主要反映了样本内多样性

β多样性指数主要反映了样本间多样性,本质上是一个量化的数值,其值大小反映每个组内各个样本间群落物种组成差异。

 

常用的α多样性指数——Chao1ACEShannonnpShannonSimpsonGood’s Coverage

其中Chao1 / ACE指数关心样本的物种丰富度信息,样本是否有这个物种。

Good’s Coverage关心反应样本的低丰度OTU覆盖情况

ShannonnpShannonSimpson提现物种的丰富度和均匀度

 

Chao1指数:主要利用Singleton Doubleton来判断群落的物种丰富度,它对单个物种的变化更为敏感,数值越大,表示物种种类越多

ACE指数:主要利用singleton和稀有物种来估算还有多少没被发现的物种。Cace取用出现次数不超过10的物种(OTU)进行计算。

Shannon指数:香浓指数,多样性分析常见概念

Simpson指数:当物种种类无限多(丰富度最高),并且每个物种数目都一致(均匀度最高时)Simpson的值为1,是最大值。

Good’s Coverage指数:C的数值越大,在测序数据量一样时,样本物种丰富度越小。

 

常用的β多样性指数Bray-curtisunifracweighted unifrac

可以用PCoA、进化树聚类等分析此数值关系

 

计算微生物群体样本间距离的方法有JaccardBray-curtisunifrac等,分为OTU之间是否关联,OTU是否加权。


基于独立OTU

基于系统发生树

加权

Bray-curtis

weighted unifrac

非加权

Jaccard

Unweighted unifrac

非加权:主要考虑物种有无,加权同时考虑物种有无和物种丰度

最常用的距离计算方法:Bray-curtisweighted unifracUnweighted unifrac

  在实际微生物研究中,如果样本间物种的近缘程度较高(温和处理样本和对照样本,生境相似的不同样本)利用Bray-curtisOTU结构都同等对待的方法更有利于发现样本间的差异。Unifrac更适合用于展示此类样本的重复性。

      Unweighted unifrac只考虑物种有无的变化,群落间物种组成差异更剧烈时,影响因素复杂时 采用非加权方法进行分析。

      weighted unifrac同时考虑物种有无和物种丰度的变化,有的时候群落的组成并没有明显变化,但是菌群的丰度可能会发生大变化,因此采用加权方法进行计算。


Last modification:August 31, 2021
如果觉得我的文章对你有用,请随意赞赏