Beta 多样性排序分析方法与比较

定义

β 多样性是不同生态系统之间多样性的比较，是物种组成沿环境梯度或者群落间的变化率，用来表示物种种类对环境异质性的反应。一般来说，包括物种改变（多少）和物种产生（有无）两部分。

意义

衡量不同因素下的样本多样性变化程度，从而辅助找出影响微生物群落变化的因素。

特征分析法

直角坐标、特征值
特征分析最大好处就是用最少（最重要）的坐标轴（特征值）展示（还原）最多的变量位置（数据距离）
PCA与CA是特征分析，NMDS不是特征分析

PCA

• Principle Component Analysis
• 主成分分析
• 其中一种最古老的的排序分析方法，慢慢被淘汰
• 利用直角坐标，同时把物种和样本排序信息展示在同一个分析当中（biplot）
• 表征分析，把变量作用最大化
  
  

PCA 的重要假设（限制）

• 根据欧式距离计算
  导致默认某些OTU的数量变化比OTU的种类变化更重要，实际上生态数据中存在很多低丰度的OTU，因此造成较大误差，实际上可以采用PCoA,CA来进行分析。
• 数据可以通过线性直角坐标展示
  物种数量与环境因素存在线性关系，但实际数据分析可能产生Horeshose effect（马蹄效应，很多微生物数量的变化在环境变量中都呈单峰模型，而PCA是线性模型，所以会出现马蹄效应）

CA 分析

• Correspondence Analysis
• 对应分析
• 与PCA不同的是CA分析更多考虑总体物种影响因素，是非线性模型（单峰模型）
• PCA中，物种在箭头持续增加，而CA，物种采取加权平均值策略

CA 延伸

• CA分析在物种多样性高的时候，容易出现arch effect ,因此需要其他模型：
  • DCA （Detrending correspondence analysis）CA分析变种，消除CA的arch effect
  • CCA 单峰模型，增加环境因素的CA分析
    

距离分析法

• 没有特征物种，利用样本间距离进行分析
• PCoA,NMDS

微生物样本的距离

• 欧式距离
• Jaccard
• Bray-Curtis
• Unifrac
  

PCoA

• Principal Corrdinates Analysis
• 主坐标分析
• 利用距离数据，对样本的距离在低维度进行欧几里得距离展示，同时以最大限度地保留原始样本的距离（如果利用原始数据欧式距离，本质上是PCA）
• 相比于PCA，因为以样本距离为整体考虑，更符合生态学数据特征
• CA分析是原始数据为基础，PCoA是距离数据为基础，受距离算法影响大
  

PCoA 影响因素

• 不同距离的选择
• 数据输入是相似性距离，输出线性距离关系。展示最能够保持样本间原来相似性距离的坐标
• 线性分析可能会让实际数据结果产生Arch effect–NMDS可消除

NMDS

• Non-metric multidimensional scaling
• 非度量多维度分析法
  
• 当样本距离关系不是特别准确的时候，并不能发掘最佳坐标，样本映射位置难以确定，先假设最佳维度
• 抽样误差，Beta多样性特别高
• 强调排名，不是实际距离数值进行分析
• 结果并不唯一
• 运行成本高

NMDS原理-作图

• 预先构建维度
• 根据设定维度，随机放置距离数据
• 根据设定距离数据与原始数据比较，判断模型适合程度（Stress判断）
• 根据第一次的数据分析，重新小范围打乱数据，在进行多次stress计算，知道稳定
• 最终找出最适合是模型（最小stress）

NMDS 图形解读

• 第一位坐标轴不一定比第二维坐标轴重要
• 放置距离与原始距离并不一致（因为根据排名输入）
• 模型判断，一般stress低于0.1为合理，低于0.05，相似性非常好

NMDS缺点

• 相比于表征分析，NMDS更在于排名，因此对数据的解读能力往往不足，往往弱化了主效因素
• 一般上，stress数值会随数据量的增大而减少，因此在大样本分析时候，stress数据往往异常的小

各种方法比较