前情提要

• NBT：QIIME 2可重复、交互式的微生物组分析平台
• 1简介和安装Introduction&Install
• 2插件工作流程概述Workflow
• 3老司机上路指南Experienced
• 4人体各部位微生物组分析Moving Pictures
• Genome Biology：人体各部位微生物组时间序列分析
• 5粪菌移植分析练习FMT
• Microbiome：粪菌移植改善自闭症
• 6沙漠土壤分析Atacama soil
• mSystems：干旱对土壤微生物组的影响
• 7帕金森小鼠教程Parkinson’s Mouse
• Cell：肠道菌群促进帕金森发生ParkinsonDisease
• 8差异丰度分析gneiss
• 9数据导入Importing data
• 10数据导出Exporting data
• 11元数据Metadata
• 12数据筛选Filtering data
• 13训练特征分类器Training feature classifiers
• 14数据评估和质控Evaluating and controlling
• 15样品分类和回归q2-sample-classifier
• 16纵向和成对样本比较q2-longitudinal
• 17鉴定和过滤嵌合体序列q2-vsearch
• 18序列双端合并read-joining
• 19使用q2-vsearch聚类OTUs
• 20实用程序Utilities
• 21进化树推断q2-phylogeny
• 22命令行界面q2cli
• 23图形界面q2studio
• 24Python命令行模式Artifact API
• 25可用和开发中插件AvailableFuturePlugins
• 26开发新插件DevelopingPlugin
• 27语义类型Semantic
• 28社区Community

数据资源 Data resources

https://docs.qiime2.org/2020.2/data-resources/

q2-feature-classifie使用的分类学分类器

Taxonomy classifiers for use with q2-feature-classifier

严重警告: 可与q2-feature-classifier一起使用的预训练分类器目前存在安全风险。 如果使用预先训练的分类器（例如此处提供的分类器），您应该信任训练分类器的人和为您提供qza文件的人。 这种安全风险将在未来版本的q2-feature-classifier中解决。

警告: 这些分类器使用scikit-learn 0.22.1进行训练，因此只能与scikit-learn 0.22.1一起使用。 如果您使用的是QIIME的本地安装，则在使用这些分类器之前，应运行以下命令以确保使用正确版本的scikit-learn。 如果您使用的是QIIME 2020.2虚拟机，则将安装scikit-learn 0.21.2并且您无需运行此命令。 scqit-learn版本限制将在未来版本的q2-feature-classifier中放宽。

conda install --override-channels -c defaults scikit-learn=0.21.2

注意: 根据您的特定样品制备和测序参数，包括用于扩增的引物和序列读长的长度，分类器在训练时才能表现最佳。 因此，一般来说，您应该遵循以下说明：用q2-feature-classifier训练特征分类器来训练您自己的分类学分类器（例如，来自下面的标记基因参考数据库）。

朴素贝叶斯分类器训练：

• Silva 132按99%相似度聚类OTUs的 全长序列 (MD5: 6a9aa92fc12f6e26d17df18b3e603417)
• Silva 132按99% OTUs聚类V4区515F/806R的序列 (MD5: a0925e86cda18829f84f03dab01ff589)
• Greengenes 13_8按99%相似度聚类OTUs的全长序列 (MD5: abb3da907ef432bcaf70b65027983b23)
  -Greengenes 13_8按99%OTUs聚类V4区515F/806R的序列 (MD5: 21abd658436daf40f10c5a42ef9a8c66)

标记基因参考数据库

Marker gene reference databases

这些标记基因参考数据库已经被格式化并适合QIIME 1和QIIME 2的使用。如果你正在用QIIME 2分析平台来使用这些数据库，你在使用前必须先将其导入为“对象”。

Greengenes (16S rRNA)数据库的各种版本及下载链接如下：

• 13_8 (most recent)
• 13_5
• 12_10
• February 4th, 2011

在这二篇文献中你可以可以获得关于Greengenes更多的信息：DeSantis (2006)和McDonald (2012)。

Silva (16S/18S rRNA)数据库

关于SILVA数据库对于QIIME的兼容性以及商业和非商业用途授权的信息可以在这个网址中查询到：https://www.arb-silva.de/download/archive/qiime。

UNITE (fungal ITS)数据库

UNITE (fungal ITS)

所有关于该数据库的发行版本信息都可以在这个网址中查到：https://unite.ut.ee/repository.php。

如果要获得更多该数据库的信息请访问：https://unite.ut.ee。

微生物组生物信息学评估 Microbiome bioinformatics benchmarking

许多微生物组生物信息的校准比较研究是使用“模拟群落”进行的。模拟群落是一种人工制作的微生物群，这些微生物的种类和丰度是已知的，比如：Bokulich et al., (2013)和Caporaso et al.(2011)。公共模拟群落可以从这个链接下载mockrobiota，关于此模拟群落的信息在这篇文章中有详细介绍：Bokulich et al., (2016)。

公共微生物组数据 Public microbiome data

Qiita提供了进入许多公共微生物组数据的访问入口。如果你在寻找微生物组数据用于整合分析，那Qiita是一个很好的选择。

SEPP多序列比对参考数据库 reference databases

以下数据库旨在与q2-fragment-insertion一起使用，并直接从SEPP-Refs项目中构建。

• Silva 128 SEPP参考数据库 (MD5: 7879792a6f42c5325531de9866f5c4de)
• Greengenes 13_8 SEPP参考数据库 (MD5: 9ed215415b52c362e25cb0a8a46e1076)

译者简介

刘永鑫，博士。2008年毕业于东北农业大学微生物学专业，2014年于中国科学院大学获生物信息学博士学位，2016年中科院遗传发育所博士后出站留所任工程师。目前主要研究方向有微生物组数据分析、方法开发和科学传播。目前以第一作者(含共同)或微生物组数据分析负责人在Science、Nature Biotechnology、Cell Host & Microbe 等杂志发表论文20余篇，引用千余次。作为中国唯一单位代表参与微生物组分析平台QIIME 2开发。受邀以第一作者和/或通讯作者(含共同)在Protein & Cell、Current Opinion in Microbiology、遗传 等杂志发表微生物组研究方法综述。2017年7月创办“宏基因组”公众号，目前分享本领域相关原创文章1800余篇，代表作品有《微生物组图表解读、分析流程和统计绘图》、《QIIME2中文教程》等系列，关注人数9万+，累计阅读1400万+。

Reference

https://docs.qiime2.org/2020.2

Evan Bolyen, Jai Ram Rideout, Matthew R. Dillon, Nicholas A. Bokulich, Christian C. Abnet, Gabriel A. Al-Ghalith, Harriet Alexander, Eric J. Alm, Manimozhiyan Arumugam, Francesco Asnicar, Yang Bai, Jordan E. Bisanz, Kyle Bittinger, Asker Brejnrod, Colin J. Brislawn, C. Titus Brown, Benjamin J. Callahan, Andrés Mauricio Caraballo-Rodríguez, John Chase, Emily K. Cope, Ricardo Da Silva, Christian Diener, Pieter C. Dorrestein, Gavin M. Douglas, Daniel M. Durall, Claire Duvallet, Christian F. Edwardson, Madeleine Ernst, Mehrbod Estaki, Jennifer Fouquier, Julia M. Gauglitz, Sean M. Gibbons, Deanna L. Gibson, Antonio Gonzalez, Kestrel Gorlick, Jiarong Guo, Benjamin Hillmann, Susan Holmes, Hannes Holste, Curtis Huttenhower, Gavin A. Huttley, Stefan Janssen, Alan K. Jarmusch, Lingjing Jiang, Benjamin D. Kaehler, Kyo Bin Kang, Christopher R. Keefe, Paul Keim, Scott T. Kelley, Dan Knights, Irina Koester, Tomasz Kosciolek, Jorden Kreps, Morgan G. I. Langille, Joslynn Lee, Ruth Ley, Yong-Xin Liu, Erikka Loftfield, Catherine Lozupone, Massoud Maher, Clarisse Marotz, Bryan D. Martin, Daniel McDonald, Lauren J. McIver, Alexey V. Melnik, Jessica L. Metcalf, Sydney C. Morgan, Jamie T. Morton, Ahmad Turan Naimey, Jose A. Navas-Molina, Louis Felix Nothias, Stephanie B. Orchanian, Talima Pearson, Samuel L. Peoples, Daniel Petras, Mary Lai Preuss, Elmar Pruesse, Lasse Buur Rasmussen, Adam Rivers, Michael S. Robeson, Patrick Rosenthal, Nicola Segata, Michael Shaffer, Arron Shiffer, Rashmi Sinha, Se Jin Song, John R. Spear, Austin D. Swafford, Luke R. Thompson, Pedro J. Torres, Pauline Trinh, Anupriya Tripathi, Peter J. Turnbaugh, Sabah Ul-Hasan, Justin J. J. van der Hooft, Fernando Vargas, Yoshiki Vázquez-Baeza, Emily Vogtmann, Max von Hippel, William Walters, Yunhu Wan, Mingxun Wang, Jonathan Warren, Kyle C. Weber, Charles H. D. Williamson, Amy D. Willis, Zhenjiang Zech Xu, Jesse R. Zaneveld, Yilong Zhang, Qiyun Zhu, Rob Knight & J. Gregory Caporaso#. Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2. Nature Biotechnology. 2019, 37(8): 852-857. doi:10.1038/s41587-019-0209-9

猜你喜欢

• 10000+: 菌群分析
  宝宝与猫狗 提DNA发Nature 实验分析谁对结果影响大  Cell微生物专刊 肠道指挥大脑
• 系列教程：微生物组入门 Biostar 微生物组  宏基因组
• 专业技能：生信宝典 学术图表 高分文章 不可或缺的人
• 一文读懂：宏基因组 寄生虫益处 进化树
• 必备技能：提问 搜索  Endnote
• 文献阅读 热心肠 SemanticScholar Geenmedical
• 扩增子分析：图表解读 分析流程 统计绘图
• 16S功能预测   PICRUSt  FAPROTAX  Bugbase Tax4Fun
• 在线工具：16S预测培养基 生信绘图
• 科研经验：云笔记  云协作 公众号
• 编程模板: Shell  R Perl
• 生物科普: 肠道细菌 人体上的生命 生命大跃进  细胞暗战 人体奥秘  

写在后面

为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外5000+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。

学习扩增子、宏基因组科研思路和分析实战，关注“宏基因组”

点击阅读原文，跳转最新文章目录阅读
https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA