混合模型方法用于估计微生物群体组成和差异分类学丰度的驱动因素

科学领域:

• 微生物组研究的研究.
• 社区生态学社区生态学
• 野生动物生物学中的统计建模.

背景情况:

• 下一代测序 (NGS) 和元编码对于研究野生动物微生物组至关重要.
• 现有的分析方法往往无法将社区生态与表型变异的统计模型相结合.
• 存在对分析方法的需求,这些方法可以同时调查多个宿主和环境因素.

研究的目的:

• 介绍一种新的通用线性混合效应模型 (GLMM) 方法,用于分析从元编码数据中读取的分类特定序列计数.
• 展示这种GLMM方法如何分解各种驱动因素 (例如年龄,季节,个人) 对微生物群体组成的贡献.
• 为实施这种方法提供指导,并说明其在确定负责驱动器效应的特定分类学群体中的应用.

主要方法:

• 应用一个通用的线性混合效应模型 (GLMM) 来分析来自metabarcoding的序列读数数据.
• 在模型的随机效应结构中使用交互术语来分解驾驶员的贡献.
• 在圣基尔达的豆羊种群的两个横截面数据集上测试方法,检查年龄和季节效应.

主要成果:

• 该GLMM方法与基于不相似性的方法一致,确认年龄是显著的驱动因素,季节是微生物群组成的最小贡献者.
• 这些模型同时估计了其他技术和生物因素的贡献.
• 模型预测表明,与年龄相关的效应主要是由细菌类的增加和细菌类的减少驱动的.

结论:

• 描述的GLMM方法提供了一个强大的工具,用于理解微生物社区结构的驱动因素,这些驱动因素来自metabarcoding数据.
• 这种方法可以量化影响宿主微生物群落内的多种宿主和环境因素.
• 这种方法可以适应估计其他因素 (如宿主或微生物类型) 的贡献,解决新出现的生态和进化问题.