Bioinformatics：线性分解模型LDM检验微生物差异

Journal: Bioinformatics

Publish：2020

Link：

https://academic.oup.com/bioinformatics/article-abstract/36/14/4106/5823298

摘要

用于分析微生物组数据的方法通常分为两种:

对任何微生物组效应的整体假设(global hypothesis)的检验，该检验不提供关于单个OTUs贡献的任何信息；

和针对单个OTU的检验，通常不提供微生物组效应的整体检验。

如果没有统一的方法，整体检验的结果可能很难用单个OTU的结果来解决。此外，许多单个OTU效应的检验不能维持错误发现率false discovery rate (FDR)。

此研究引入了线性分解模型(linear decomposition model, LDM)，该模型提供了一个单一的分析路径，包括对微生物组任何影响的整体检验，通过控制FDR考虑多个检验同时对单个OTU影响的检验，以及与基于距离的排序进行连接。

LDM适应连续和离散变量(如，临床结果、环境因素)以及单独或组合检验的相互作用项，允许调整混杂的协变量，并使用可以控制相关性的基于置换的p值。

LDM也可以应用于转换后的数据，“综合”检验可以很容易地将不同转换尺度上的分析结果结合起来。

还基于新方法提供了一个新的PERMANOVA-FL。结果表明PERMANOVA-FL超越了现有的方法。

对于全球检验，模拟表明LDM提供了正确的第一类错误，并和现有的以距离为基础的方法效果相当。

检验单个OTU的模拟表明LDM很好地控制了FDR。相比之下，DESeq2往往会膨胀FDR；MetagenomeSeq通常灵敏度最低。两项微生物组研究的数据分析说明了LDM在各种微生物组研究中的灵活性。

背景知识

整体效应的检验方法：PERMANOVA，MiRKAT，aMiSPU，pairNM。

可用于测试感兴趣的变量与总体微生物组成显著相关的假设。然而如果发现整体微生物组效应，这些方法不能提供对单个OTUs的效应或贡献的检验。

OTU-OTU的检验方法：通常直接使用针对RNA-Seq数据开发的方法，如DESeq2, edgeR, metagenomeSeq。

其他一些方法采用了成分数据（compositional data）方法(如ANCOM和ALDEx2)，针对纵向数据开发(如ZIBR)，或采用多阶段策略(如massMap)。

虽然这些方法中的一些已经被广泛应用，但是它们通常不给出全局零假设的单一检验。尽管来自特定OTU的检验或p值可以组合起来给出一个全局检验，但是这种全局检验的性能通常很差，因为许多OTU特定检验只产生噪声。

在此引入线性分解模型(LDM)，用于分析在16S rRNA研究或宏基因组测序研究中获得的微生物计数或相对丰度数据。

LDM给出了一个统一的方法，允许微生物组对感兴趣的任意特征的总体检验，同时还提供了OTU特有的检验，对应于单个OTU对总体检验结果的贡献。

它允许复杂的固定效应模型，如包含多个感兴趣变量(连续和分类)、它们的相互作用以及混杂协变量的模型。它是基于置换的，因此可以容纳聚类数据，并在小样本量和数据过度分散时保持有效性。

还提供了一个新版本的PERMANOVA-FL，其性能优于vegan包中adonis和 adonis2做的PERMANOVA。

最近的模拟研究表明，当应用于过度分散（overdispersed）的数据时，许多微生物组分析方法无法控制FDR。但LDM可以。

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。下下篇介绍用法。