宏基因組數(shù)據(jù)分析中的統(tǒng)計方法研究.pdf

1、宏基因組學(xué)，廣泛指研究直接來自環(huán)境的基因材料的學(xué)科，被認為是微生物發(fā)展中的一個里程碑。它不僅僅使得對未培養(yǎng)或者不可培養(yǎng)的微生物的研究成為可能，也使得研究同一環(huán)境中的微生物在自然條件下的相互作用以及微生物和環(huán)境條件的相互作用成為可能。隨著測序技術(shù)的迅速發(fā)展，大量的宏基因組測序數(shù)據(jù)不斷積累，包括一些標簽基因，如16S rRNA基因，以及全基因組測序數(shù)據(jù)。
　　 現(xiàn)在，一些與人類、土壤和海洋生命有關(guān)的大型宏基因組項目正在進行，持續(xù)產(chǎn)生

2、大量的數(shù)據(jù)，亟需新的高效分析方法的產(chǎn)生。宏基因組研究中的主要問題包括：1)，理解在不同條件下微生物的聚集；2)，比較不同的群落；3)，理解微生物相互之間，以及微生物與環(huán)境因素之間的關(guān)聯(lián)。
　　 本文針對宏基因組數(shù)據(jù)分析中的一些問題展開，大致介紹了宏基因組學(xué)，包括一些基本概念，研究對象，主要問題等等，并針對下面兩類問題，進行了具體的探討。
　　 1.群落比較
　　 Beta多樣性，也即衡量群落之間的差別，在許多研究

3、領(lǐng)域，尤其是生態(tài)學(xué)研究中，具有重要的意義。研究者已經(jīng)提出了一些統(tǒng)計方法來度量Beta多樣性，這些將在第2章中詳細談到。
　　 在這些方法中，UniFrac和加權(quán)的UniFrac近幾年來應(yīng)用廣泛?；谝粋€以兩個群落中所有元素為葉節(jié)點的系統(tǒng)發(fā)生樹，UniFrac這樣定義兩個群落之間的距離：對于系統(tǒng)發(fā)生樹中的所有枝，考查其指向的葉節(jié)點是否只存在于同一群落，那些葉節(jié)點只存在于同一群落的枝的枝長和，占整個樹的枝長和的比例，就定義為UniF

4、rac距離。UniFrac的概念非常容易理解，直觀來講，就是計算了僅被一個群落占據(jù)的進化歷史的相對大小，這個量越大，說明兩個群落中獨立的進化過程越多。加權(quán)UniFrac(w-UniFrac)方法，是在UniFrac的基礎(chǔ)上，將序列的豐度(數(shù)量)納入考慮，它能夠區(qū)分物種豐度的差別。在計算中，W-UniFrac按照每條枝指向的葉節(jié)點中來自兩個群落的比例，給每條枝加權(quán)重。然而，W-UniFrac的計算不考慮權(quán)重的方差，這可能給考察群落之間真實

5、的相互關(guān)系造成困難。
　　 考慮系統(tǒng)發(fā)生樹的枝i.假定原假設(shè)是所有個體的標記隨機分布于系統(tǒng)發(fā)生樹的葉節(jié)點，那么，我們指出Ai，枝i指向的序列在群落A中的數(shù)目，在原假設(shè)下服從參數(shù)為(mi，m，AT)的超幾何分布，其中mi=Ai+Bi表示枝i指向的序列的總數(shù)，m=AT+BT表示群落A，B中所有序列的總數(shù)。經(jīng)過一系列推導(dǎo)，我們?yōu)橄到y(tǒng)發(fā)生樹的枝i，提出一個新的方差調(diào)整的權(quán)重(varianceadjusted weighted，VAW)，

6、即
　　 數(shù)值模擬和實際數(shù)據(jù)應(yīng)用，都表明VAW-UniFrac能夠較好的衡量群落之間的距離，它不僅考慮群落中物種的組成，還將各物種的豐度信息納入考慮。
　　 2.在兩類樣本中，識別具有顯著豐度差別的操作分類單元
　　 微生物數(shù)據(jù)分析中的一個重要問題，是在不同的環(huán)境/生物條件下，識別具有顯著豐度差別的操作分類單元(Operational Taxonomic Unit，OTU)。這里的操作分類單元，通常是通過對微生物

7、的標簽基因序列按一定的相似度歸類得到的，可以認為是比物種更細化的生物分類單元。針對這類問題的方法十分有限，主要包括應(yīng)用兩樣本t檢驗或Wilcoxon秩和檢驗的方法，檢驗兩種條件下，給定OTU的平均差別。因為有些OTU非常稀疏，只在很少的樣本中出現(xiàn)，因此可以用Fisher精確檢驗方法來檢驗分類單元出現(xiàn)與否是否有顯著差別。White等于2009提出將Fisher精確檢驗和t檢驗結(jié)合起來，在進行分析前，先選定一個適當?shù)拈撝担袿TU分為“稀少

8、組”和“常見組”兩類，然后分別應(yīng)用Fisher精確檢驗和t檢驗進行檢驗。這些方法都是對每一個單元分別檢驗，而不考慮每一樣本中各OTU組成成分數(shù)據(jù)的和為1。
　　 尋找有顯著豐度差別的OTUs，這個問題很類似于基因表達研究中，尋找異常表達基因的問題。然而作為微生物組成數(shù)據(jù)，數(shù)據(jù)的特點有所不同，因此需要新的統(tǒng)計方法。首先，對給定的OTU，其在各樣本中數(shù)目的變化可能很大，而且大部分的OTUs只出現(xiàn)于很小一部分樣本中。這使得數(shù)據(jù)表中有大

9、量的零。第二，數(shù)據(jù)在列方向上不是獨立的。對OTU數(shù)目數(shù)據(jù)，每一列的和，表示一個樣本中OTUs的總數(shù)，由測序過程和測序深度決定。因為不同樣本含的OTU總數(shù)不同，所以同一行的數(shù)據(jù)不具可比性。若將數(shù)目數(shù)據(jù)，轉(zhuǎn)化為組成成分數(shù)據(jù)，即在總數(shù)中所占的百分比，則每列的和為1.第三，因為非常稀疏的OTUs在樣本較少的情況下，是很難觀察到的，因此我們的觀察數(shù)據(jù)往往是零截斷的。也就是說，總有一些實際存在的OTU，在樣本中沒有出現(xiàn)。
　　 本文中，我們

10、提出了一種新的識別具有顯著豐度差別的OTUs的經(jīng)驗貝葉斯方法。為了解決過度分散和存在大量稀少OTUs的問題，我們提出使用Beta－Beta－Binomial來對觀察到的OTUs計數(shù)數(shù)據(jù)進行建模。而為了解決觀察數(shù)據(jù)都是零截斷的問題，使用截斷概率分布。大量的模擬表明，與t檢驗，Wilcoxon秩和檢驗和Fisher精確檢驗相比，新的經(jīng)驗貝葉斯方法具有更大的功效，能夠較準確的估計FDR。另外，我們還將這一方法用于一個吸煙與不吸煙者喉嚨微生物數(shù)

11、據(jù)集，并得到了具有生物意義的結(jié)果。
　　 本文的組織結(jié)構(gòu)如下：
　　 在第一章中，我們簡要介紹了宏基因組學(xué)，解釋了一些基本概念，尤其是操作分類單元(operational taxonomic units，OTUs)，最后介紹了宏基因組學(xué)的一些主要研究領(lǐng)域和問題。
　　 在第二章中，集中討論群落比較的問題。我們將現(xiàn)有的比較群落的方法分為兩類：“基于OTU”和“基于系統(tǒng)發(fā)生”的方法，之后我們回顧了群落比較中的幾種經(jīng)典

12、方法，并主要針對UniFrac和加權(quán)UniFrac展開研究，提出一種新的方法，稱為“方差調(diào)整的加權(quán)UniFrac”(VAW－UniFrac)。為了檢驗VAW－UniFrac的效果，我們首先進行了一系列模擬，發(fā)現(xiàn)其總是比W-UniFrac更有效，當個體來自不均勻分布時，VAW－UniFrac也比UniFrac表現(xiàn)更好。另外，將三種方法應(yīng)用于3個大型的16S rRNA基因數(shù)據(jù)集，包括人類皮膚微生物群落，老鼠腸道群落，來自鹽水湖的土壤和沉積物

13、微生物群落，和一個熱帶雨林普查數(shù)據(jù)。模擬和實際數(shù)據(jù)的應(yīng)用都表明VAW－UniFrac可以很好的度量群落間的距離，將物種組成和物種豐度信息都納入考慮。
　　 在第三章中，我們討論尋找兩類樣本組中，具有顯著豐度差別的OTUs。我們提出了一種經(jīng)驗貝葉斯方法，來識別在兩類樣本中，OTUs的豐度是否有顯著差別.為了考慮過度分散，存在大量稀少OTUs，以及觀察數(shù)據(jù)都是零截斷的問題，建立了Beta－Beta－Binomial模型并引入截斷概率