16S数据应用情景筛选与环境因子密切相关的物种

基迪奥生物 · 公众号 · · 2025-01-03 18:12

正文

微生物群落不是独立存在于周围环境中，环境因子的变化会引起群落结构和功能的改变。在16S数据分析中，利用环境因子分析可以预测微生物群落结构与生态机制，通过筛选环境检测或畜牧品质等方面的关键微生物，进而为污染控制或食品安全等问题提供参考与指导。然而，环境因子与微生物数据关联的分析点很多，怎样合理地利用各个分析点进行排列组合，解决研究中遇到的问题呢？小编给大家总结了常见的分析思路，在实际的数据挖掘中根据自身研究目的的不同，对不同的分析点进行组合，形成不同的应用方案。

图1 分析思路

在研究中，我们通常关心两个问题：1.哪些环境因子驱动微生物的丰度变化？2.特定微生物是否对特定环境因子做出响应？今天给大家分享的这两篇 基迪奥客户文章 通过筛选环境因子（多样性差异）+筛选关键物种（丰度差异）+二者关联分析的组合策略，很好地回答了上述问题，即先检验预先假设的环境因子是否对微生物群落结构产生显著影响，然后通过丰度差异得到关键物种，最后分析出与环境因子密切相关的物种。

经典案例一

文章题目： Fungal community shows more variations by season and particle size than bacteria

发表期刊： Science of the Total Environment（IF：8.2）

客户单位： 华东理工大学

研究目的： 空气中的微生物包括细菌、真菌和病原体，是颗粒物的重要组成部分，其中含有的致病微生物往往对人体健康造成直接威胁。本研究旨在调查并评估环境因素对大气颗粒物中细菌和真菌季节和大小特征的影响，并为公众出行和空气中病原微生物的控制提供指导。

经典案例二

文章题目： Relationship between rumen bacterial community and milk fat in dairy cows

发表期刊： Frontiers in Microbiology（IF：4）

客户单位： 中国农业科学院

研究目的： 瘤胃细菌在牛奶脂肪的形成过程中发挥着重要作用，关于瘤胃细菌与奶脂之间关系的研究有限。本研究旨在探究奶牛瘤胃细菌群落与牛奶脂肪之间的关联，揭示牛奶脂肪形成的机制，同时筛选关键瘤胃细菌，为开发新型饲料添加剂和改善瘤胃微生物群落提供参考。

第一步：筛选环境因子

筛选环境因子一般有两个方向：一是在已有预先假设环境因子的情况下，利用多样性差异检验等方法对环境因子进行验证；二是想要从众多环境数据中保留更为重要的环境因子进行分析，一般通过CCA/RDA/VPA/Mantel test等方法筛选出关键环境因子。在本文案例中，我们利用多样性指数的差异从预设的环境因子中验证对组间微生物群落结构有显著影响的环境因子。多样性指数差异分析方法包括多样性指数统计检验、多元统计分析（如PCA/PCoA/NMDS/PLSDA）、结构方程等，是从整体上对微生物群落结构的组间差异进行表征。例如，图2中案例一和二都利用Alpha多样性指数统计检验和多元统计分析验证环境因子对整体微生物群落结构是否有显著影响。研究发现案例一中空气微生物多样性遵循粗颗粒>细颗粒、夏季>冬季、细菌＞真菌，同时PCoA分析发现4个分组各自聚集，且真菌群落比细菌群落组间分离得更加明显，这表明粒径大小和季节性变化显著影响了微生物群落结构，且对真菌影响更大；案例二中高乳脂率（HF）奶牛组的Alpha多样性指数显著高于低乳脂率（LF）奶牛组，PCA分析得出HF组和LF组的瘤胃细菌结构也存在显著差异。因此，从上述结果中我们可以判定各样本/分组间是存在显著差异的，即预设的环境因子确实对微生物群落结构产生了显著影响。

图2 多样性差异分析

第二步：筛选关键物种

筛选关键物种，我们可以从物种间的丰度差异、功能差异、相互作用等方向进行思考，例如在丰度差异上，可以利用物种组成变化分析、差异物种分析、指示物种分析等方法找到引起组间差异的潜在关键物种。图3中案例一通过物种组成分析环境因素对群落中优势物种的选择。首先从整体物种组成分布来看，在粒径大小方面，细菌属（ Ralstonia 和 Bradyrhizobium ）和真菌属（ Alternaria 和 Chaetomium ）表现出对细颗粒的偏好；而在季节性变化方面， Ascochyta 、 Microbotryum 与冬天有关。然后我们把范围从全部微生物缩小到仅观察病原菌属，在粒径大小方面，病原细菌（ Mycobacterium 、 Chryseobacterium 和 Escherichia-Shigella ）和病原真菌（ Schizophyllum ）主要吸附在粗颗粒， Alternaria 、 Aureobasidium 和 Nigrospora 聚集在细颗粒中；冬季以 Alternaria 、 Aureobasidium 和 Arthrinium 为主，夏季以 Schizophyllum 和 Phanerochaete 为主并且 Alternaria 在冬天的相对丰度是夏天的八倍以上。这一步我们顺利找到了各分组间的优势物种，它们都是与环境因子密切相关的潜在关键物种，接下来利用这些物种与环境因子进行关联分析。

图3 物种组成变化分析

图4中的案例二则通过统计检验分析得到有8个组间差异菌属，即HF组中 Prevotellaceae_UCG-001、Candidatus_Saccharimonas、Prevotellaceae_UCG-003、Ruminococcus_1、Lachnospiraceae_XPB1014_group、Lachnospiraceae_AC2044_group、probable_genus_10 和 U29-B03 的相对丰度显著大于LF组，并且这些菌属都已被文献报道过与乳脂相关。因此，这些差异菌属是我们接下来用于环境因子关联分析的重点菌属。

图4 差异物种分析

第三步：环境因子与关键物种关联分析

环境因子与物种关联分析可以从相关性、显著性、物种丰度大小等指标中考虑选择不同的展示方式，例如，相关性热图侧重于直观全面地反映微生物与环境因子的相关性和显著性，而相关性网络图可以更好地展示与环境因子高度相关微生物的丰度大小，但可能会忽略一些相关性较低的物种，可以根据我们实际研究的需要进行选择。图5中两个案例都选择了相关性热图的形式，能够更清晰全面地反映已筛选物种的相关性和显著性，对物种丰度大小展示的需求不大。案例一根据相关性分析获得两个主要的聚类，一个簇包括与空气污染物呈正相关的病原菌 Alternaria 、 Arthrinium 和 Aureobasidium ；另一个簇包括与气象条件和SO ₂ 呈正相关的病原菌 Schizophyllum 、 Diaporthe 和 Phanerochaete 。而在案例二中我们也发现上述8种瘤胃差异菌的相对丰度与乳脂百分比呈显著正相关，均与非乳固形物和乳糖含量呈负相关（牛奶成分指标）；均与pH值呈正相关，与NH3-N呈负相关（瘤胃发酵指数）；与短链和中链脂肪酸呈正相关，与长链脂肪酸呈负相关（脂肪酸类型）。那么到这一步，我们能够很清晰地找到案例一中与空气污染物粒径大小和季节性变化这两个环境因子显著相关的关键病原菌属，案例二中影响牛奶脂肪形成的关键瘤胃细菌，而这些微生物很可能成为控制空气污染和提高牛奶脂肪含量的潜在靶标。

16S数据应用情景 筛选与环境因子密切相关的物种

正文

请到「今天看啥」查看全文

16S数据应用情景筛选与环境因子密切相关的物种