加载中...
所有
基础统计
排序分析
显著性差异比较
相关分析
通路分析
进化分析
判别分析
机器学习
扩增子
宏基因组
代谢组
转录组
富集分析
一键化流程
可视化一个丰度表,用连线的宽度代表丰度值的大小
Circos圈图
展示总丰度排名靠前的feature在不同分组中的百分占比
分组百分比堆积柱形图
展示总丰度排名靠前的feature在不同分组中的丰度
分组聚类热图
比较一个基因在不同分组/样本中的丰度,以及来源物种差别
基因来源物种分层柱形图
根据给定丰度表,计算各样本分组特有和共有的feature
Venn图和花瓣图
基于Bray-Curtis距离对丰度表进行NMDS排序分析,方便比较分组间的整体组成结构差异
Bray-Curtis NMDS分析
基于Bray-Curtis距离对丰度表进行PCoA排序分析,并画2D和3D PCoA图,方便比较分组间的整体组成结构差异
Bray-Curtis PCoA分析
将多features的高维丰度表,降为二维,方便比较组间整体差异
PCA主成分分析
适用于对照组-实验组的实验设计,计算T检验p值和Fold Change,画火山图
T检验火山图
有参的差异显著性检验方法,要求数据服从正态分布;将校正错误发现率(FDR),减少假阳性
ANOVA差异显著性检验
适用于对照组-实验组的实验设计,计算p值和Fold Change,画火山图
DESeq2火山图
利用R语言dunn.test包进行多重比较
DunnTest多重比较
无参的差异显著性检验方法,对数据的分布没有要求,适用范围较广;将校正错误发现率(FDR),减少假阳性
Kruskal Wallis差异显著性检验
寻找在分组之间有显著差异的生物学标志物
LEfSe
从一系列features中,寻找(ANOVA+Duncan)分组间显著差异的feature,绘制带误差棒和显著性标记的柱形图
多重比较柱形图
探究两组指标之间的相关性,比如细菌丰度与环境因子之间的相关性
相关性heatmap
计算feature的相关系数,并将显著相关的feature节点相连,绘制成网络图
网络分析
用统计学手段建立features和环境因子之间的回归关系,保留能解释的变异,后将features和环境因子降维,通过夹角指示相关性
RDA/CCA分析
将宏基因组、真核转录组、代谢组等丰度数据进行预处理生成关联热图所用表格
组学相关性热图
将KEGG通路图中的基因(KEGG Orthology)按照分组涂上颜色
分组上色KEGG通路图
利用正交偏最小二乘判别分析的方法,挑选在分组间差异最大的features
OPLS-DA
利用偏最小二乘判别分析的方法,挑选在分组间差异最大的features
PLS-DA
利用随机森林的方法,挑选对样本分组预测的准确度贡献最高的features
随机森林
利用支持向量机的方法,挑选对分组差异贡献最高的features
支持向量机
给定同源序列,构建无根进化树和有根进化树;输入fasta文件,输出nwk进化树文件
构建进化树
使用FAPROTAX软件(1.2.6版本), 根据样本微生物丰度表,预测样本功能丰度表;FAPROTAX较适用于对环境样本(如海洋、湖泊等)的生物地球化学循环过程(特别是碳、氢、氮、磷、硫等元素循环)进行功能注释预测。
FAPROTAX微生物功能预测
FUNGuild主要为真菌ITS测序设计, 对物种的功能进行注释;18S真菌功能预测效果较差; 无法对16S细菌分类进行功能预测
FUNGuild真菌功能预测
基于加权Unifrac,非加权Unifrac距离进行NMDS分析,需要提供进化树
Unifrac NMDS分析
基于加权Unifrac,非加权Unifrac距离进行PCoA分析,需要提供进化树
Unifrac PCoA分析
使用PICRUSt2软件,根据ASV(或OTU)丰度表和ASV序列(或代表序列),预测样本中的宏基因组
PICRUSt2 扩增子功能预测
稀释性曲线,计算α多样性指数,α多样性指数的组间显著性差异比较
Qiime2 α多样性分析
PCoA分析,β多样性组间显著性差异比较
Qiime2 β多样性分析
可视化物种有根进化树,同时用热图表示每个分组的丰度均值
带热图的物种进化树
提供扩增子(16S,18S,ITS等)OTU(或ASV)丰度表和代表序列,便能一键化实现α,β多样性分析,相关分析和功能预测分析
扩增子可视化流程
将KEGG通路图中的代谢物(KEGG Compounds)按照分组涂上颜色
代谢物分组上色KEGG通路图
适用于非靶向代谢组,用T检验(或ANOVA)挑出显著差异的代谢物,再用ORA寻找这些代谢物显著富集的KEGG通路,并计算拓扑影响力
非靶向代谢组KEGG富集分析
用DESeq2(有生物学重复)或edgeR(可无生物学重复)方法挑选差异表达基因(DEG),用于后续Venn图,热图,富集分析,PPI等
edgeR/DESeq2挑选差异features
先将所有基因的FoldChange从低到高排序,对于一个给定的GO条目,用GSEA分析(R语言clusterProfiler包)研究该条目的基因是否显著集中于排序的某一端(即多数低表达,或高表达)。该分析考虑所有基因,而不仅是差异表达基因,主要是考虑到多个小效应可能协同作用于某个GO条目
GO GSEA
用ORA(过表达分析, R语言clusterProfiler包)研究差异表达基因主要属于哪些GO条目(基因本体),从而推断差异表达基因参与的生物学过程。
GO ORA
先将所有基因的FoldChange从低到高排序,对于一个给定的KEGG通路,用GSEA分析(R语言clusterProfiler包)研究该通路的基因是否显著集中于排序的某一端(即多数低表达,或高表达)。该分析考虑所有基因,而不仅是差异表达基因,主要是考虑到多个小效应可能协同作用于某个KEGG通路
KEGG GSEA
用ORA(过表达分析, R语言clusterProfiler包)研究差异表达基因主要属于哪些KEGG通路,从而推断差异表达基因参与的生物学过程。
KEGG ORA
该分析针对于GSEA网站给出的全部基因集(Hallmark c1~c8),研究基因集的基因是否显著集中于全部基因排序的某一端(即基因集是否显著富集于上调或下调的基因)适用于对照组-实验组的实验设计。考虑所有基因,而不仅是显著差异表达基因。
GSEA分析
先将所有基因的FoldChange从低到高排序,对于GSEA网站给出的Hallmark基因集研究基因集的基因是否显著集中于排序的某一端(即通路是否显著富集于上调或下调的基因)适用于对照组-实验组的实验设计。该分析考虑所有基因,而不仅是显著差异表达基因,主要适用于多个小效应可能协同作用于某个Hallmark条目。
GSEA分析(hallmark)
加权基因共表达网络分析 (WGCNA)是用来描述不同样品之间基因关联模式的系统生物学方法,可以用来鉴定高度协同变化的基因集, 并根据基因集的内连性和基因集与表型之间的关联鉴定候补生物标记基因或治疗靶点。相比于只关注差异表达的基因,WGCNA利用全部基因的信息识别感兴趣的基因集,并与表型进行显著性关联分析。
WGCNA分析
对一个宏基因组功能丰度表进行流程化统计分析,包括基础统计,显著性差异比较,相关性分析等
宏基因组功能可视化流程
对一个宏基因组物种丰度表进行流程化统计分析,包括基础统计,多样性分析,显著性差异比较,相关性分析等
宏基因组物种可视化流程