chao 1和ACE是衡量物种丰富度的指标，和丰度、均匀度无关，对稀有的物种很敏感/
香农指数描述中的个体出现的紊乱和不确定性，不确定性越高，多样性就越高，香浓指数对群落的丰富度及稀有otu更敏感
聚类：DADA2
降噪：
ZOTUs 质心正确
ASV：质量值
分类：基于比对法、机器学习，两者结合
（条形图和热图）
多样性：a多样性和b多样性
a：Chao1（丰富度），Shannon指数（丰富度和稀有OTU），Simpson指数（对多样性即均匀度和丰富度，优势OTU更敏感）
b多样性：加权和非加权，基于独立OTU和基于系统发生树
相似性分析：分析组间差异是否大于组内差异，越接近1说明组间差异越大。
Adonis：置换多因素方差，分析不同分组因素对样品差异的解释度，置换检验来进行显著性分析，R2取值范围为【0，1】，越接近1说明分组因素对样品差异的解释度越高。
chao1 and Ace指数简单地反映出群落中物种的数量，而不表示群落中每个物种的丰度信息。Shannon and Simpon指数用于衡量群落多样性，受样品群落中物种丰度和物种均匀度（community evenness)的影响，chao1 and Ace指数用于衡量群落丰度。相同物种丰度的情况下，群落中各物种具有越大的均匀度，则认为群落具有越大的多样习性；chao1、 Ace、Shannon指数值越大，Simpon指数值越小，说明样品的物种多样性越高。
RDA/CCA分析，夹角角度“锐角正相关，钝角负相关；点点距离：距离越近，相似性越大
细菌微生物多样性和真菌微生物多样性
聚类：根据序列的相似性，聚类一些OTU
降噪：发现样品中真实的生物序列，模式不同
基于得到的特征表，进行各种分析
物种丰度聚类热图
颜色-丰度高低
保守区-情缘关系
可变区-差异性
ANOVA分析门水平p大于0.05就是门水平没有差异性吗
注意
1. PCA：多维数据转为二维坐标，去冗余和降噪
2. PCoA:
3. NMDS：点之间距离表示差异大小，stress值反映分析可靠性，<0.01分析结果极为可靠的；
4. UPGMA：枝长越短，差异越小；
一、研究对象和方法：
1. 细菌16S rDNA（1.5kb），保守区亲缘关系，可变区物种差异，
真菌ITS1，18S rDNA（1.8kb） 藻类、原生动物，
功能基因：固氮基因，硝化和反硝化。。。
2. 研究方法：
二代：短reads，短高变区V3+V4，V4等，只提供科或属级别分类；
三代：超长的测序读长，16S全长，在属和种水平上分类。
二、分析方法与结果:
多样性分析软件，物种分类，多样性分析，组间差异分析，关联分析，功能预测分析
1. 数据质控，聚类/降噪；
2. 物种分类：参考数据库，物种分布丰度，分布热图；
3. 多样性分析：
4. 组间差异分析
5. 相关性：RDA/CCA，相关性系数（Pearson，Spearman），网络图、表；
6. 功能预测分析：
微生物多样性
1.研究对象与方法：人粪便（疾病与微生物的关系）
2.研究方法：16s rDNA(细菌多样性)
3.分析结果：物种分析、多样性分析、组间差异分析、关联分析、功能预测分析。
4.数据质控：
4.1二代：PE reads拼接——引物序列识别——Tags过滤
4.2三代：CCS识别——引物序列识别——Tags过滤
5.聚类和降噪
聚类：OTU（序列相似性）
降噪：
6.物种分布：（歌物种组成）
7.多样性（A:内部 ：辛普森多样性指数）——箱线图
B：样品距离（加权与非加权）
相似性差异：（ANOSIM）：箱线图—PCA
8.组间差异：（相对丰度）
9.相关性与关联分析：
9.1排序分析：RDA/CCA
9.2相关系数分数
9.2网络分析（）
10.功能预测分析
10.1
1列：生物标记的名称
2列：对应的丰富
3列：生物标记所在的分组
目的：以网络图的形式展示了物种与物种之间的相关性
操作步骤：
一、样品间分析：选择样品--分类水平选择（genus或其他）---物种数量选择（微生物丰度TOP：80）--相关性类型（Spearman）---相关系数阈值0.1---显著性P值0.05---提交
表格展现了物种1、物种2、两物种之间相关性数值大小、二者之间相关性类型（+：二者正相关，-：二者负相关）；
网络图图片，点表示不同的物种，连线表示物种之间有相关性、粗细表示相关性的强弱，红色表示正相关，绿色表示负相关
二、组间分析：
一、样品间分析：选择样品--分类水平选择（genus或其他）---物种数量选择（微生物丰度TOP：20）--聚类分析选择（选择物种聚类）--样品聚类或排序（样品聚类，若需要对样本排序，则选中，再手动对上面的样品进行排序）--相关性类型（SparCC或其他）---相关系数阈值（0.1）--显著性p值（0.05）-上传环境因子数据或手动写--提交
表格：相关性系数表展现了物种与环境因子的相关性系数；p值表表示了物种与环境因子之间相关性的显著性
相关性热图图片相关性以*表示
一、样品间分析：选择样品--分类水平选择（genus或其他）---距离算法选择（binary jaccard）----环境因子距离算法选择（手动或上传文件）----提交
表格展现了 环境因子名称、检验得到的r值（表明环境因子）、统计学检验的显著性；
二、组间分析：
使用非参数T检验方法研究两组样品微生物群落丰度的差异，
一、分析类型选择（只能进行两两组之间的分析）：选择样品（添加新的分组类型，新建分组策略名称：treat2，左下角添加分组至分组池，在分组池创建两个分组，确认，选中我们创建的分组）—-分类水平选择（genus水平）--显著性P值（0.05）------提交
表格展现了物种名称、物种在第一组中的均值、方差、标准差、物种在第二组中的均值、方差、标准差，最后两列为P值和校正后的P值；
我们可以选择感兴趣的物种，点击上方在图片中展示选中的物种，图片中会显示该物种在两组之间差异的柱状图及物种的散点图。
进化分支图：黄色的点代表没有差异的物种，带有颜色的点代表差异物种；
LDA值分布柱状图：展示了所有物种的LDA值
丰度比较图：标记物种在多组
操作步骤：
一、样品间分析：选择样品--分类水平选择（OTU或其他）---样品聚类或排序（聚类或排序均可选，默认聚类）--距离算法选择（binary jaccard）------提交
表格展现了样品中距离矩阵的数据，数值越大，两样品之间的差异越大；
图片展示了每个样品的聚类结果，不同的颜色表示不同的物种的丰度，红色表示两两样品之间的差异大，蓝色表示两两样品之间的差异小
二、组间分析：选中treat1（对来自同一组的样品标记同一颜色），其他同上
最后的分析结果可以保存和下载
