Comparing samples – VL09
Der Vergleich von Proben in der Mikrobiomforschung bezieht sich darauf, wie verschiedene
mikrobielle Gemeinschaften miteinander verglichen werden. Dies kann basierend auf
verschiedenen Aspekten erfolgen, wie z.B. der taxonomischen Zusammensetzung, der
funktionellen Potenz oder der metabolischen Aktivität. Dabei werden Methoden wie die
Berechnung von Diversitätsmaßen, statistische Tests oder multivariate Analysen eingesetzt,
um Unterschiede oder Gemeinsamkeiten zwischen den Proben zu identifizieren und zu
interpretieren. Der Vergleich von Proben kann dazu beitragen, Einblicke in die Struktur,
Funktion und Dynamik von Mikrobiomen in verschiedenen Umgebungen oder Zuständen zu
gewinnen.
Comparing (multiple) sample (explorative)
Beim Vergleich mehrerer Proben in der explorativen Analyse werden verschiedene Schritte
unternommen:
1. Auswahl einer Distanzmetrik für die paarweise Vergleich von Proben, wie beispielsweise
die -Diversität, die durch Bray-Curtis berechnet wird.
2. Verwendung der Distanzmatrix, um die Proben auf einer 2D-Ebene so anzuordnen, dass
Proben mit ähnlicher Zusammensetzung (d.h. geringer Distanz) nahe beieinander platziert
werden.
3. Anwendung von multidimensionalen Skalierungsmethoden wie Hauptkoordinatenanalyse
(PCoA), nicht-metrische multidimensionale Skalierung (NMDS), t-SNE (t-distributed
Stochastic Neighbor Embedding) usw., um die Proben auf einer 2D- oder 3D-Karte zu
visualisieren und ihre Ähnlichkeiten oder Unterschiede zu untersuchen.
Comparing (multiple) sample (explorative) after bioinformatics
Nach der bioinformatischen Analyse, die auf Sequenzen basiert, besteht das Ergebnis in der
Regel aus Kontingenztabellen für Merkmale pro Probe, die Zähldaten enthalten.
From count data to interpretable data
Um aussagekräftige Vergleiche zwischen Proben zu ermöglichen, ist aufgrund der möglichen
Variationen in der Sequenziertiefe (Bibliotheksgröße) zwischen den Proben eine Art
Normalisierung erforderlich. Dafür gibt es verschiedene Optionen:
- Rarefaktion: Dabei wird die kleinste Spaltensumme identifiziert, und zufällig werden Reads
aus anderen Spalten entfernt, bis die Spaltensummen in allen Spalten gleich sind.
- Umwandlung von Zähldaten in relative Daten: Dies kann erreicht werden, indem die Anzahl
der Reads durch die Gesamtanzahl der Reads in jeder Probe geteilt wird.
What are the pros and cons of both approaches?
Rare function: Was wirft man weg? – Daten gehen verloren, + Vergleichbarkeit ist
besser
Relative data: + alte Daten gehen mit rein, - unterschiedlich viele Nullen sind
drinnen
, Die Rarefaktion ermöglicht es, die Effekte der Sequenziertiefe zu minimieren und die
Vergleichbarkeit zwischen Proben zu verbessern. Allerdings kann sie zu einem
Informationsverlust führen, insbesondere wenn die Sequenziertiefe gering ist und das
Entfernen von Reads zu einem Verlust an Daten führt.
Die Umwandlung von Zähldaten in relative Daten ermöglicht eine direkte
Vergleichbarkeit zwischen Proben, ohne dass Daten verloren gehen. Jedoch kann die
Interpretation relativer Daten schwierig sein, da sie von der Sequenziertiefe abhängig
sind und möglicherweise nicht die tatsächliche Fülle der mikrobiellen Populationen
widerspiegeln.
Characteristic of microbiome data
Mikrobiomdaten weisen mehrere charakteristische Merkmale auf:
1. Kompositionell: Die Daten zeigen die relative Fülle von Organismen und sind daher auf die
Summe der Abundanzen in einer Probe beschränkt.
2. Hochdimensional und unterbestimmt: Es gibt typischerweise viel mehr Taxa als Proben,
was zu einer inversen Beziehung im Vergleich zu "typischen" Datensätzen führt, die in
statistischen Analysen verwendet werden.
3. Überdispersion: Die Varianz der Zählungen ist größer als die in typischen multinomialen
Regressionen angenommene Poisson-Verteilung.
4. Sparkeit: Viele Nullen in der Kontingenztafel, da nicht alle Taxa in allen Proben vorhanden
sind.
5. Phylogenetisch verwandt: Die Organismen in den Proben sind evolutionär miteinander
verbunden.
All diese Merkmale müssen bei statistischen Tests berücksichtigt werden, um eine
angemessene Analyse der Mikrobiomdaten durchzuführen.
Sparsity & Overdispersion
Sparsity bezieht sich auf das Vorhandensein vieler Nullen in der Datenmatrix, da nicht alle
Taxa in allen Proben gefunden werden. Overdispersion bedeutet, dass die Varianz der Daten
größer ist als erwartet, was darauf hinweist, dass die Daten nicht gut durch eine Poisson-
Verteilung modelliert werden können.
Main questions in microbiome studies
In Mikrobiomstudien konzentrieren sich die Hauptfragen darauf, wie sich
Mikrobiommerkmale mit biologischen, genetischen, klinischen oder experimentellen
Bedingungen in Beziehung setzen lassen. Zudem versucht man, potenzielle biologische und
Umweltfaktoren zu identifizieren, die die Zusammensetzung des Mikrobioms beeinflussen
könnten.
Which environmental and host factors might influence the human
microbiome?
Immunsystem, Tiere (Antibiotika), Erde, Gewürze, Lebensstil
Der Vergleich von Proben in der Mikrobiomforschung bezieht sich darauf, wie verschiedene
mikrobielle Gemeinschaften miteinander verglichen werden. Dies kann basierend auf
verschiedenen Aspekten erfolgen, wie z.B. der taxonomischen Zusammensetzung, der
funktionellen Potenz oder der metabolischen Aktivität. Dabei werden Methoden wie die
Berechnung von Diversitätsmaßen, statistische Tests oder multivariate Analysen eingesetzt,
um Unterschiede oder Gemeinsamkeiten zwischen den Proben zu identifizieren und zu
interpretieren. Der Vergleich von Proben kann dazu beitragen, Einblicke in die Struktur,
Funktion und Dynamik von Mikrobiomen in verschiedenen Umgebungen oder Zuständen zu
gewinnen.
Comparing (multiple) sample (explorative)
Beim Vergleich mehrerer Proben in der explorativen Analyse werden verschiedene Schritte
unternommen:
1. Auswahl einer Distanzmetrik für die paarweise Vergleich von Proben, wie beispielsweise
die -Diversität, die durch Bray-Curtis berechnet wird.
2. Verwendung der Distanzmatrix, um die Proben auf einer 2D-Ebene so anzuordnen, dass
Proben mit ähnlicher Zusammensetzung (d.h. geringer Distanz) nahe beieinander platziert
werden.
3. Anwendung von multidimensionalen Skalierungsmethoden wie Hauptkoordinatenanalyse
(PCoA), nicht-metrische multidimensionale Skalierung (NMDS), t-SNE (t-distributed
Stochastic Neighbor Embedding) usw., um die Proben auf einer 2D- oder 3D-Karte zu
visualisieren und ihre Ähnlichkeiten oder Unterschiede zu untersuchen.
Comparing (multiple) sample (explorative) after bioinformatics
Nach der bioinformatischen Analyse, die auf Sequenzen basiert, besteht das Ergebnis in der
Regel aus Kontingenztabellen für Merkmale pro Probe, die Zähldaten enthalten.
From count data to interpretable data
Um aussagekräftige Vergleiche zwischen Proben zu ermöglichen, ist aufgrund der möglichen
Variationen in der Sequenziertiefe (Bibliotheksgröße) zwischen den Proben eine Art
Normalisierung erforderlich. Dafür gibt es verschiedene Optionen:
- Rarefaktion: Dabei wird die kleinste Spaltensumme identifiziert, und zufällig werden Reads
aus anderen Spalten entfernt, bis die Spaltensummen in allen Spalten gleich sind.
- Umwandlung von Zähldaten in relative Daten: Dies kann erreicht werden, indem die Anzahl
der Reads durch die Gesamtanzahl der Reads in jeder Probe geteilt wird.
What are the pros and cons of both approaches?
Rare function: Was wirft man weg? – Daten gehen verloren, + Vergleichbarkeit ist
besser
Relative data: + alte Daten gehen mit rein, - unterschiedlich viele Nullen sind
drinnen
, Die Rarefaktion ermöglicht es, die Effekte der Sequenziertiefe zu minimieren und die
Vergleichbarkeit zwischen Proben zu verbessern. Allerdings kann sie zu einem
Informationsverlust führen, insbesondere wenn die Sequenziertiefe gering ist und das
Entfernen von Reads zu einem Verlust an Daten führt.
Die Umwandlung von Zähldaten in relative Daten ermöglicht eine direkte
Vergleichbarkeit zwischen Proben, ohne dass Daten verloren gehen. Jedoch kann die
Interpretation relativer Daten schwierig sein, da sie von der Sequenziertiefe abhängig
sind und möglicherweise nicht die tatsächliche Fülle der mikrobiellen Populationen
widerspiegeln.
Characteristic of microbiome data
Mikrobiomdaten weisen mehrere charakteristische Merkmale auf:
1. Kompositionell: Die Daten zeigen die relative Fülle von Organismen und sind daher auf die
Summe der Abundanzen in einer Probe beschränkt.
2. Hochdimensional und unterbestimmt: Es gibt typischerweise viel mehr Taxa als Proben,
was zu einer inversen Beziehung im Vergleich zu "typischen" Datensätzen führt, die in
statistischen Analysen verwendet werden.
3. Überdispersion: Die Varianz der Zählungen ist größer als die in typischen multinomialen
Regressionen angenommene Poisson-Verteilung.
4. Sparkeit: Viele Nullen in der Kontingenztafel, da nicht alle Taxa in allen Proben vorhanden
sind.
5. Phylogenetisch verwandt: Die Organismen in den Proben sind evolutionär miteinander
verbunden.
All diese Merkmale müssen bei statistischen Tests berücksichtigt werden, um eine
angemessene Analyse der Mikrobiomdaten durchzuführen.
Sparsity & Overdispersion
Sparsity bezieht sich auf das Vorhandensein vieler Nullen in der Datenmatrix, da nicht alle
Taxa in allen Proben gefunden werden. Overdispersion bedeutet, dass die Varianz der Daten
größer ist als erwartet, was darauf hinweist, dass die Daten nicht gut durch eine Poisson-
Verteilung modelliert werden können.
Main questions in microbiome studies
In Mikrobiomstudien konzentrieren sich die Hauptfragen darauf, wie sich
Mikrobiommerkmale mit biologischen, genetischen, klinischen oder experimentellen
Bedingungen in Beziehung setzen lassen. Zudem versucht man, potenzielle biologische und
Umweltfaktoren zu identifizieren, die die Zusammensetzung des Mikrobioms beeinflussen
könnten.
Which environmental and host factors might influence the human
microbiome?
Immunsystem, Tiere (Antibiotika), Erde, Gewürze, Lebensstil
