研究方法

image.png

数据收集

以文献开始：google
直接查找项目：NCBI、DDBJ

机器学习

1. 随机森林：微生物生态领域应用较多，精度高、能处理大量的变量
2. 支持向量机：其它领域常用，如人脸识别
3. 逻辑回归：最传统
4. 决策树：结构简单、效率高
5. 朴素贝叶斯算法：被分类的每个特征都与其他特征值无关

数据整合与过滤

• 样本过滤：将每个研究的样本数，过滤到一个较为一致的水平，以免该研究的样本对整体的分析影响过大

  
  image.png

OTU过滤

1. 序列数少于2000条
2. OTU在超过三分之一样本存在/三分之一研究中存在
3. 但需要研究稀有物种时，这一步需要谨慎
4. 该研究中，过滤之后alpha多样性改变了，但β和物种组成和过滤前没有显著影响，可以认为过滤是比较可靠的。

特征物种筛选

该研究中运用了随机森林、支持向量机(SVM)、逻辑回归(LR)三种机器学习算法进行模型建立。

根据准确度：随机森林
模型创建分类。

机器学习算法及物种分类水平的确定

该研究发现，在OTU水平上建模效果最佳。

验证

进行建模之后，应该要进行预测。
在不同作物，不同地点上进行验证。

交叉验证得到45个细菌特征OTU和40个真菌的OTU 可以进一步验证特征OTU，在发病过程中的作用。

数据整合的意义

1. 获得普世结论
2. 挖掘信息，为后续 研究提供思路。
3. 佐证个人的案例研究。

扩增子数据整合过程的问题

1. DNA提取，引物等不同
2. 测序建库平台和深度不同
3. 测序质量不同
4. 数据存储形式，数据完整度

扩增子数据整合策略

• 基于OTU水平的整合
  基于全长数据库（gg138）
  在OTU水平上寻找特征
  整合压力最小
  必须有原始数据
• 基于其它分类水平的整合
  整合范围广(可以不需要原始数据)
  速度快，精度低，适合大生态

扩增子数据整合进一步探究

1.不同研究的批次效应等因素如何去除？
答：在患病与对照直接产生的差异，以及大数据的情况下，可以认为批次效应等因素被研究的主要问题掩盖，可以考虑。