LAN ▼

English 中文

Back up

新闻资讯

News Information

您现在的位置：

首页

美格基因｜宏基因组云分析系列优化第二弹来袭！！！

发布时间：

2025-07-25

我们始终致力于为您的宏基因组研究提供更强大、更便捷的分析工具。今天，我们激动地宣布宏基因组云分析流程迎来第二轮重要优化升级！

美格云生态官网：http://cloud.magigene.com/

我们始终致力于为您的宏基因组研究提供更强大、更便捷的分析工具。今天，我们激动地宣布宏基因组云分析流程迎来第二轮重要优化升级！本次升级聚焦于提升功能深度与用户体验，覆盖了数据检验分析、α多样性分析、LEfSe差异分析、ipath分析、Mantel Test分析、RDA/CCA分析以及ROC分析等多个核心模块。

接下来，让我们详细了解一下本次升级的具体优化点（下文图表为随机的测试数据，结果仅供展示）：

一、新增数据检验分析

宏基因组分析涉及大量复杂的统计比较和模型构建，许多常用统计方法（如t检验、方差分析、回归分析）都建立在数据服从正态分布的假设基础上。数据偏离正态性可能导致结论失效。因此，正态性检验成为评估数据分布是否符合正态性假设的关键“守门人”。

新增正态性检验分析（Normality Test）

01 原理简述

正态性检验通过统计量或图形化手段，验证数据集的分布特征（如均值、方差、偏度、峰度）是否与正态分布的理论特性一致。

02 应用价值

判断宏基因组数据（物种或功能丰度）是否满足后续参数统计方法的前提条件，若不符合，需考虑使用非参数方法或数据转换。

02 操作流程

（1）参数设置

物种或功能选项：选择分析物种数据或功能数据；
注释来源：选择数据库来源及分类水平下的数据注释表；
样本分组：设置样本分组方案；
检验方法：根据样本量选择检验方法：

- Shapiro-Wilk：检验适用小样本（n<50）

- Kolmogorov-Smirnov：适用大样本（n>50）
总丰度前_物种或功能：指定展示总丰度排名靠前的物种或功能数量

（2）运行任务

确认参数后点击“运行”，输入任务备注（可选），状态转为“提交成功”即开始执行。

（3）结果展示

*表格说明：

(1) Genus：物种注释数据属水平的数据进行的正态性检验，该列根据注释来源及分类水平动态变化；

(2) std_dev：Standard Deviation（标准差），衡量数据点偏离平均值的离散程度。值越大，表示数据越分散；值越小，表示数据越集中。正态分布的标准差通常与数据的尺度相关，但本身不直接用于判断正态性（需结合其他检验）；

(3) skewness：偏度，衡量数据分布的不对称性；

(4) kurtosis：峰度，衡量数据分布的“峰态”和尾部厚重性；

(5) sw_value/ks_value：检验的统计量值，值越接近1，表示数据越符合正态分布；值越小，表示偏离正态分布越明显。sw_value表示Shapiro-Wilk算法，ks_value表示Kolmogorov-smirnov算法；

(6) sw_pvalue/ks_pvalue：检验的p值，用于统计显著性判断。sw_pvalue表示Shapiro-Wilk算法，ks_pvalue表示Kolmogorov-smirnov算法；

(7) result：基于Shapiro-Wilk/Kolmogorov-smirnov检验的最终结论。

二、α多样性分析系列更新

α多样性用于评估单个样本内微生物群落的物种/功能丰富度、均匀度及多样性，是微生物生态学研究的核心内容。

01 α多样性指数统计分析新增指数汇总表

优化点：原功能支持独立的α多样性指数分析及结果展示（统计表、统计图）。本次更新在结果展示下拉框中新增“All”选项。
效果：选择“All”后，系统将展示所有已分析指数的汇总统计表，方便用户一次性查看和比较所有指数的计算结果。

α多样性指数统计表

α多样性指数统计图

新增的All选项指数汇总结果表

02 稀释曲线（Rarefaction Curve）横坐标数值更新

原理回顾：稀释曲线用于判断测序深度是否足够覆盖样本中所有物种。曲线趋于平坦表明测序量足够。
优化点：本次更新对稀释曲线图的横坐标数值显示进行了优化。
效果：优化后的横坐标数值显示更合理、更细致，有助于用户更准确地解读曲线形态，判断测序饱和度。

稀释曲线图

03 指数组间差异检验新增组间差异分析汇总图

原理回顾：通过箱形图展示组内多样性指数的分布（中位数、离散程度等），并利用统计检验（如T-test, Wilcox检验, ANOVA, Kruskal-Wallis检验）评估不同分组间多样性指数是否存在显著差异。
优化点：在原有箱形图的基础上，新增了组间差异分析汇总图。
效果：新增的汇总图显著增强了结果展示的直观性

1. 明确标注了所采用的检验算法（如Kruskal-Wallis检验 & Wilcox检验）；

2. 清晰标记了组间比较的显著性水平（P值）。

组间差异分析汇总图

三、差异分析系列更新

01 LEfSe差异分析新增物种进化分支图

优化点：在LEfSe差异分析的结果展示中，新增了物种进化分支图。
效果：该图直观地展示了基于共同衍征推断出的、具有显著差异的生物类群（如物种、属、科等）之间的分支进化关系谱系，有助于用户理解不同类群从共同祖先分化出来的演化关系。

物种进化分析图

02 ipath 分析优化分类水平选择及结果说明

背景：iPath是一款可视化通路图分析工具，用于展示组间共有及特有KO （KEGG Orthology）在各代谢通路图中的分布（以不同颜色线段标示）。

优化点1（参数设置）：
问题：之前参数中的分类水平包含L1、L2、KO等，但iPath软件仅支持KO水平输入，选择L1/L2会导致任务无法运行。
解决：本次更新限制了分类水平选项，用户只能选择“KO”，避免了因选择错误级别导致的分析失败。

优化点2（结果展示）：

问题：结果包中的表格（All_data_**-**.txt.xls）未明确说明图中不同颜色线段所代表的含义（特有或共有）。
解决：在结果表格中新增了对应颜色和“共有/特有”的说明列，使结果解读更清晰。

*表格说明：

（1）Conditions：分组条件标识；

（2）Number（#）：该条件下特有或共有的KO数量；

（3）Color：图中对应线段的颜色；

（4）All informat：具体的KO编号列表。

四、环境因子关联分析系列更新

01 Mantel_Test分析新增Procrustes分析结果

原理简介：Procrustes分析通过几何变换（平移、旋转、缩放）对齐不同数据集（如物种组成排序结果与环境变量排序结果）的坐标点，评估其空间结构的相似性，常用于验证环境因子对物种分布的解释一致性。
优化点：在Mantel_Test分析结果中，新增了Procrustes分析结果。

效果：
新增结果表：提供环境因子（env_factor）与样本物种组成之间的Procrustes相关性（Procrustes r）及其统计显著性（Procrustes p）。

Procrustes分析判断结果表

*表格说明：

① env_factor：表示环境因子；

② Procrustes r：样本和环境因子之间的相关性；

③ Procrustes p：样本和环境因子之间的统计检验的p值，判断env效应是否统计显著的指标。

新增Procrustes分析图：直观展示物种数据（taxa）与环境变量（env）经排序后的对应关系。

Procrustes分析图

02 RDA/CCA分析新增环境因子相关性表

原理：RDA/CCA是一种多元直接梯度分析，用于揭示菌群/功能组成与环境因子之间的关系，找出重要的环境驱动因子。
优化点：在RDA/CCA分析结果中，新增了环境因子相关性表。
效果：如下图所示

*表格说明：

(1) 第一列pH、T、Height分别表示对应的环境因子；

(2) RDA1、RDA2：表示RDA分析生成的主要排序轴，对应的数值表示环境因子箭头在这两个轴上的坐标；

(3) r²：表示环境因子与样本的相关性，值范围在0到1之间，越接近1表示相关性越强；

(4) Pr（>r）：显著性检验的p值，通过置换检验（Permutation test）评估该环境因子对群落组成的解释是否具有统计学显著性（即是否显著不同于随机效应）；

(5) Permutation：表示进行置换检验时的置换方式，free表示置换方式是“自由的”；

(6) Number of permutations：表示进行的置换次数，换来估计p值，置换次数足够多才能获得可靠的p值估计。

五、Random_Forest分析优化

随机森林（RF）是一种强大的机器学习算法，常用于建立预测模型（如样本分类）。此分析点灵活性高，支持结合差异分析结果筛选特征，并自定义训练/验证集。

01 新增ROC分析图

原理与应用： ROC曲线是评估分类模型（如随机森林）性能的核心工具。它描绘了不同分类阈值下，真阳性率(TPR)与假阳性率(FPR)的关系，曲线下面积(AUC)是衡量模型整体判别能力的指标。
优化点：在Random Forest分析的结果中，新增了ROC曲线图。
效果：用户可以通过分析ROC曲线的形状、计算AUC值以及选择合适的阈值，全面评估所构建随机森林模型的分类性能，为实际应用提供决策依据。