宏基因组学和代谢组学相关性核心关联分析方法

　　使用 MTT 法检测复苏细胞的活力 是评估细胞冻存-复苏后存活状态和代谢活性的常用方法。MTT(3-(4,5-dimethylthiazol-2-yl)-2,5-diphenyltetrazolium bromide)是一种黄色水溶性四唑盐，可被活细胞线粒体中的琥珀酸脱氢酶(SDH)还原为不溶于水的紫色甲臜(formazan)结晶，其生成量与活细胞数量和代谢活性成正比。

　　一：基于配对相关性的网络分析

　　这是直观的方法，计算每个微生物特征(OTU/物种/基因)与每个代谢物之间的相关性。

　　常用方法：

　　Spearman/Pearson相关：简单但需谨慎，对计数数据和非正态分布敏感。

　　SparCC, CCLasso：专门为成分数据(如微生物相对丰度)设计的相关性算法，能更准确地估计稀疏、成分型数据的相关性。

　　MMDN, PMM：专门为微生物组-代谢组数据整合设计的网络推断方法。

　　输出：一张网络图，节点是微生物和代谢物，边是显著的相关性。可分析网络拓扑属性(如模块、中心节点)。

　　局限：只能描述共现/共变关系，无法区分方向性，且成对相关可能掩盖高阶相互作用。

　　二：多变量/监督模型

　　旨在找出能z大程度解释代谢组变异的微生物组特征集合。

　　常用方法：

　　典范对应分析 / 冗余分析：基于排序的生态学方法，直接对两个数据集进行回归建模，可视化微生物与代谢物在排序空间中的关联。

　　O2PLS：一种双向的多变量回归方法，专门用于寻找两个高维数据集之间的联合变异成分。

　　DIABLO(mixOmics包)：一种非常流行的多组学整合框架，通过稀疏多变量判别分析，寻找能z佳区分样本组别(如疾病/健康)的跨组学特征组合。

　　机器/深度学习：随机森林、回归模型等用于预测代谢物丰度，并评估微生物特征的重要性。

　　输出：特征权重/重要性排名，以及一个能解释代谢组数据的微生物特征子集。

　　三：基于知识的通路水平整合

　　将两组数据统一映射到公共生化通路数据库上，进行功能层面的比较。

　　流程：

　　将宏基因组基因丰度汇总到KEGG/ MetaCyc通路丰度。

　　将鉴定到的代谢物映射到对应的KEGG化合物和通路上。

　　比较同一通路在基因潜力(宏基因组)和代谢产物(代谢组)水平上是否一致变化。

　　使用如 MIMOSA2 等工具，基于群落代谢模型，预测群落代谢物产出，并与实测代谢组比较。

　　输出：功能通路的关联性，例如“丁酸合成通路”的基因丰度与“丁酸”浓度显著正相关，从而为功能活性提供强有力证据。

　　优势：生物学意义明确，直接连接基因与代谢物。

       来源：网络