границ | Наборы данных микробиома являются композиционными: и это не обязательно

1.Введение

Сбор и анализ наборов данных микробиома представляет собой множество проблем на этапах планирования исследования, сбора, хранения и секвенирования проб, и они хорошо изучены (Robinson et al., 2016). Многие методы анализа наборов данных микробиома предполагают, что данные секвенирования эквивалентны экологическим данным, где количество считываний, присвоенных организмам, часто нормализуется к постоянной площади или объему. Применяемые методы включают стратегии, основанные на подсчете, такие как несходство Брея-Кертиса, гауссовские модели с нулевым раздутием и отрицательные биномиальные модели (McMurdie and Holmes, 2014; Weiss et al., 2017).

В экологическом исследовании возможно сосуществование множества различных видов, и их абсолютная численность может иметь значение. Например, в районе, где обитают только тигры, важно знать, достаточен ли размер популяции для поддержания необходимого генетического разнообразия для долгосрочного выживания (Shaffer, 1981). Однако численность одного вида может не влиять на численность другого; в этом районе могут находиться как тигры, так и божьи коровки, и нельзя ожидать, что миграция нескольких божьих коровок в этот район повлияет на численность тигров.

Предположение об истинной независимости не может выполняться в экспериментах по высокопроизводительному секвенированию (HTS), потому что инструменты для секвенирования могут обеспечивать считывание только в пределах возможностей инструмента. Таким образом, уместно рассматривать эти инструменты как содержащие фиксированное количество слотов, которые необходимо заполнить. Возвращаясь к нашей аналогии с тигром и божьей коровкой, миграция божьих коровок в область, содержащую фиксированное количество уже заполненных слотов, должна вытеснить тигров или божьих коровок из занятых слотов.Эта аналогия распространяется, без ограничений, на любое количество таксонов и на любой инструмент с фиксированной емкостью (Aitchison, 1986; Lovell et al., 2011; Friedman and Alm, 2012; Fernandes et al., 2013, 2014; Lovell et al. , 2015; Mandal et al., 2015; Gloor et al., 2016a, b; Gloor, Reid, 2016; Tsilimigras, Fodor, 2016). Таким образом, общий счетчик считываний, наблюдаемый в прогоне HTS, представляет собой случайную выборку фиксированного размера относительного содержания молекул в основной экосистеме. Более того, подсчет не может быть связан с абсолютным количеством молекул во входной пробе, как показано на рисунке 1.Это неявно подтверждается, когда наборы данных микробиома преобразуются в значения относительной численности, или нормализованные подсчеты, или разрежаются (McMurdie and Holmes, 2014; Weiss et al., 2017) до анализа. Таким образом, количество полученных считываний не имеет значения и содержит только информацию о точности оценки (Fernandes et al., 2013). Данные, которые естественным образом описываются как пропорции или вероятности или с постоянной или несущественной суммой, называются композиционными данными. Композиционные данные содержат информацию о взаимоотношениях между частями (Aitchison, 1986; Pawlowsky-Glahn et al., 2015).

Рисунок 1 . Данные высокопроизводительного секвенирования являются композиционными. (A) иллюстрирует, что данные, наблюдаемые после секвенирования набора нуклеиновых кислот из бактериальной популяции, не могут дать информацию об абсолютном количестве молекул. Количество отсчетов в наборе данных высокопроизводительного секвенирования (HTS) отражает долю отсчетов на функцию (OTU, ген и т. Д.) На образец, умноженную на глубину секвенирования. Следовательно, доступны только относительные количества.Гистограммы в (B) показывают разницу между количеством молекул и пропорцией молекул для двух элементов, A (красный) и B (серый) в трех образцах. Верхние гистограммы показывают общее количество для трех выборок, а высота цвета показывает общее количество объектов. Когда три образца секвенированы, мы теряем информацию об абсолютном подсчете и получаем только относительные количества, пропорции или «нормализованные подсчеты», как показано на нижней гистограмме. Обратите внимание на то, что объекты A и B в образцах 2 и 3 появляются с одинаковыми относительными содержаниями, даже несмотря на то, что их количество в окружающей среде различается.Таблица ниже в (C) показывает реальные и воспринимаемые изменения для каждой выборки, если мы переходим от одной выборки к другой.

Данные о микробиоме, собранные с помощью высокопроизводительного секвенирования, часто исследуются в предположении, что при секвенировании каким-то образом подсчитывается количество молекул, связанных с бактериями в популяции , как показано верхней гистограммой на рисунке 1B. Мы можем увидеть разницу между подсчетами и составами, сравнив данные для фактических подсчетов для трех образцов на верхнем столбчатом графике с их пропорциями на нижнем столбчатом графике.Обратите внимание, что образцы 2 и 3 на рисунке 1B имеют одинаковую пропорциональную численность, хотя до секвенирования они имели разные абсолютные значения. Разница в видимом направлении изменения показана на рисунке 1C, и мы можем наблюдать, что связь между абсолютной численностью в окружающей среде и относительной численностью после секвенирования непредсказуема.

2. Проблемы с современными методами анализа

Мы кратко опишем проблемы, которые возникают, когда композиционные данные исследуются с использованием некомпозиционной парадигмы, пройдя через обычные этапы анализа, показанные на рисунке 2.Все эти вопросы широко рассматривались и обсуждались как в более ранней, так и в новейшей литературе в таких разнообразных областях, как экономика, геология и экология. Таким образом, вместо того, чтобы давать исчерпывающее объяснение проблем, мы обозначим основную проблему и процитируем несколько полезных ресурсов.

Рисунок 2 . Стандартный набор инструментов для анализа микробиома и составные заменители. Проиллюстрирован упрощенный стандартный вычислительный процесс микробиома. Начальные шаги нормализации формально не эквивалентны, поскольку композиционные данные по своей природе «нормализованы», и нормализация счетчика считывания не требуется.Остальные шаги функционально эквивалентны и заменяют подход, соответствующий композиции, на другой.

Очень сложно собрать одинаковое количество считываний последовательности для каждого образца. Это может быть из-за различий в платформе (например, MiSeq против HiSeq) или из-за технических трудностей при загрузке одинаковых молярных количеств библиотек секвенирования в прибор, или из-за случайных вариаций. Общее количество наблюдаемых отсчетов (часто называемое глубиной считывания) является основным фактором, влияющим на расчеты расстояния или несходства для многомерных ординаций, полученных на основе этих расстояний (McMurdie and Holmes, 2014).Первоначальные попытки в области микробиома использовали «разрежение» или субдискретизацию количества считываний каждого образца до общей глубины считывания, чтобы попытаться исправить эту проблему (Lozupone et al., 2011; Wong et al., 2016). Использование подвыборки подвергалось сомнению, поскольку это приводит к потере информации и точности (McMurdie and Holmes, 2014), и вместо этого рекомендуется практика нормализации подсчета из поля RNA-seq. Существует несколько методов нормализации подсчета, два из которых, усеченное среднее M значений (TMM) (Robinson and Oshlack, 2010) и метод медианы (Anders and Huber, 2010) аналогичны преобразованиям логарифмического отношения. , но менее подходят для сильно асимметричных или разреженных наборов данных (Fernandes et al., 2013; Gloor et al., 2016a). Эти преобразования также нежелательны, поскольку количество отсчетов, наблюдаемых прибором, по замыслу не может содержать никакой информации о фактическом количестве молекул в окружающей среде, и потому, что исследователь естественным образом интерпретирует результаты как подсчеты, а не как логарифмические отношения.

Одним из первых шагов традиционного анализа после нормализации разрежения или подсчета является вычисление матрицы расстояний или несходства (DD) на основе данных, которые используются для последующих анализов, таких как ординация и дискриминация.Расстояния между объектами нелинейны при рассмотрении с евклидовой точки зрения (Martín-Fernández et al., 1998; Aitchison et al., 2000), и используются многие матрицы DD, которые частично решают эту проблему. Как отмечалось выше, общее количество считываний в образце является сильной смешивающей переменной для всех этих методов, указывая на то, что состав образца не является основным измеряемым свойством. Однако очевидно полезные матрицы DD могут быть сгенерированы после нормализации. В литературе преобладают три DD-матрицы; UniFrac (как взвешенный, так и невзвешенный вариант) (Lozupone et al., 2011), расхождения Брея-Кертиса и Дженсена-Шеннона, и хотя все они имеют свое применение, они не учитывают композиционный характер данных. Следует отметить, что взвешенный дистанционный подход UniFrac фиксирует важную филогенетическую информацию, и недавно была разработана композиционная замена (Silverman et al., 2017).

Основное применение матриц DD - это ординация и кластеризация. Здесь недостатки этих методов ДР становятся очевидными. Помимо того, что они чувствительны к общей глубине считывания образца, методы DD в значительной степени различают образцы на основе наиболее часто встречающихся в них признаков, а не на тех характеристиках, которые обязательно являются наиболее изменчивыми между образцами (Горвитовская и др., 2016; Wong et al., 2016). Это может привести к тому, что расположение выборок в ординации резко изменится, когда различные объекты будут включены или исключены из набора данных, а также к недостаточной чувствительности при идентификации выборок с выбросами (Wong et al., 2016).

Серьезные проблемы с корреляцией в композиционных данных были впервые отмечены на заре статистической практики Пирсоном (1897) и вновь обнаружены в контексте исследований микробиома (Lovell et al., 2011; Friedman and Alm, 2012; Lovell et al., 2015; Курц и др., 2015; Morton et al., 2017). К сожалению, эффект нельзя ослабить, как было рекомендовано (Weiss et al., 2016). Понимание того, что существует проблема корреляции, имеет решающее значение, поскольку неограниченная корреляция или ковариация являются ключевыми концепциями для ординации, кластеризации, сетевого анализа и определения дифференциальной (относительной) численности. Композиционные данные имеют смещение отрицательной корреляции и другую структуру корреляции, чем базовые данные подсчета. Хуже того, композиционные данные демонстрируют ложную корреляцию при разделении на подмножества или агрегировании.Раздел «Корреляция» в Приложении показывает, что корреляция не является надежным или воспроизводимым индикатором базовых данных при работе с композиционными данными.

Наконец, дифференциальные (относительные) измерения численности не учитывают состав (Fernandes et al., 2013; Mandal et al., 2015; Gloor et al., 2016a). Сравнительный анализ крупномасштабных инструментов показал, что широко используемые инструменты дифференциальной (относительной) численности чувствительны к разреженности (Thorsen et al., 2016) и, следовательно, демонстрируют неприемлемо высокие уровни ложноположительной идентификации (Hawinkel et al., 2017).

Таким образом, анализ композиционных данных с использованием существующих протоколов имеет несколько проблем. Однако, как показано ниже, эти проблемы могут быть решены удовлетворительным образом с использованием инструментов, которые учитывают композиционный характер данных.

3. Анализ HTS с использованием методов CoDa

Наборы композиционных данных из HTS можно тщательно проанализировать, адаптировав инструменты из других областей (Van den Boogaart and Tolosana-Delgado, 2013; Pawlowsky-Glahn et al., 2015) и используя новые инструменты, основанные на тех же базовых принципах (Fernandes и другие., 2013; Erb and Notredame, 2016; Silverman et al., 2017; Quinn et al., 2017). В настоящее время в литературе есть примеры, которые содержат рекомендации по проведению некоторых или всех этих анализов наборов данных HTS, включая мета-транскриптомику (Macklaim et al., 2013) и секвенирование тегов (McMurrough et al., 2014; Bian et al., др., 2017). Мы кратко рассмотрим подходы ниже.

Отправной точкой для любого композиционного анализа является преобразование соотношения данных. Преобразования соотношений фиксируют отношения между объектами в наборе данных, и эти отношения одинаковы, независимо от того, являются ли данные числами или пропорциями.Логарифмирование этих соотношений, то есть логарифмических соотношений, делает данные симметричными и линейно связанными и помещает данные в координатное пространство логарифмического отношения (Pawlowsky-Glahn et al., 2015). Таким образом, мы можем получить информацию о логарифмическом содержании объектов по сравнению с другими объектами в наборе данных, и эта информация напрямую связана с окружающей средой. Мы не можем получить информацию об абсолютной численности, поскольку эта информация теряется в процессе секвенирования, как показано на рисунке 1.Однако логарифмические отношения обладают тем приятным математическим свойством, что их выборочное пространство представляет собой действительные числа, и это представляет собой главное преимущество для применения стандартных статистических методов, которые были разработаны для реальных случайных величин.

Часто используется преобразование центрированного логарифмического отношения (clr), введенное Эйчисоном (1986). Учитывая вектор наблюдения D «подсчитанных» признаков (таксоны, операционные таксономические единицы или OTU, гены и т. Д.) В выборке, x = [ x ₁ , x ₂ ,… x _D ] преобразование clr для образца может быть получено следующим образом:

G ( x ) - среднее геометрическое x .Преобразованные значения clr могут использоваться в качестве входных данных для многомерной проверки гипотез с использованием таких инструментов, как MANOVA, регрессия и т. Д. (Van den Boogaart and Tolosana-Delgado, 2013), а также для построения модели. Значения, преобразованные в clr, не зависят от масштаба; то есть ожидается, что такое же соотношение будет получено в выборке с несколькими счетчиками чтения или в идентичной выборке с несколькими счетчиками чтения, это влияет только на точность оценки clr. Это подробно описано в разделах «Вероятность» и «Логарифмические преобразования» в Приложении, но следствием этого является то, что нормализация подсчета не нужна и даже нежелательна, поскольку информация о точности теряется.

G ( x ) не может быть определен для разреженных данных без удаления, замены или оценки нулевых значений счетчика. К счастью, существуют приемлемые методы работы с нулевыми значениями подсчета в качестве точечных оценок с использованием пакета zCompositionsR (Palarea-Albaladejo and Martín-Fernández, 2015) и в качестве распределения вероятностей с использованием ALDEx2, доступного в Bioconductor. Преобразование единственной оценки в вектор вероятности перед преобразованием clr дает масштабно-инвариантную меру, поскольку она учитывает точность оценки вероятностей для каждого признака; мы отсылаем продвинутых читателей к более технической литературе (Jaynes, Bretthorst, 2003; Fernandes et al., 2013; Gloor et al., 2016a) и раздел «Вероятность» Приложения для получения дополнительной информации.

Есть композиционные замены для определения расстояния, которые используются для кластеризации и ординации. Первый - это филогенетическое преобразование (и пакет R), основанное на балансах (двоичных разбиениях) вдоль эволюционного дерева (Silverman et al., 2017), которое заменяет знакомую метрику расстояния UniFrac. Расстояния, определяемые филогенетическими преобразованиями, имеют то преимущество, что выбранные двоичные разделы имеют простую интерпретацию, а корреляционная структура данных полностью учитывается.Однако недостатком является то, что можно исследовать только отношения между выбранными разделами. Второй показатель расстояния - это расстояние Эйчисона, которое представляет собой просто евклиово расстояние между образцами после преобразования clr, а расстояния между образцами такие же, как и филогенетические ilr. Расстояние Эйчисона превосходит как широко используемую расходимость Дженсена-Шеннона, так и метрику несходства Брея-Кертиса, будучи более устойчивым к разбиению на подмножества и агрегированием данных и являясь истинным линейным расстоянием (Aitchison et al., 2000).

Замена исследования β-разнообразия данных микробиома - это основанный на дисперсии биплот главных компонент состава (PCA) (Aitchison, 1983; Aitchison and Greenacre, 2002), где можно наблюдать взаимосвязь между дисперсией между OTU и расстоянием между выборками (Gloor et al., 2016b). Составной биплот имеет несколько преимуществ по сравнению с графиками главных координат (PCoA) для анализа β-разнообразия. Полученные результаты очень стабильны при подмножестве данных (Bian et al., 2017), а это означает, что исследовательский анализ обусловлен не просто связями присутствия и отсутствием в данных или чрезмерной разреженностью (Wong et al., 2016; Morton et al., 2017). Графики PCA могут быть значительно более воспроизводимыми, поскольку они не зависят от предполагаемого базового дерева, которое может потребоваться регенерировать с каждым подмножеством данных, или когда необходимо включить новые таксоны. Эта простота облегчает исследовательский анализ данных. Композиционные биплоты PCA отображают отношения между OTU и расстояниями между выборками на общем графике.С помощью этого инструмента можно собрать существенную качественную информацию о качестве набора данных и взаимосвязях между группами (Aitchison and Greenacre, 2002; Gloor et al., 2016b), и примеры показаны в разделе «Двухуровневый график» Приложения. .

Как отмечалось выше, корреляция ненадежна в наборах композиционных данных из-за отрицательного смещения корреляции и нестабильности корреляции для поднабора данных. Более подробно это объясняется в приложении (Pearson, 1897; Aitchison, 1986), но эти проблемы наблюдаются со всеми методами некомпозиционной корреляции (Ortego and Egozcue, 2013).К сожалению, корреляция не может быть подвергнута принципиальному процессу определения оптимального метода, как это было недавно рекомендовано (Weiss et al., 2016).

Существует несколько более строгих подходов, которые можно применить для анализа корреляции в наборах данных микробиома, включая SPARCC (Friedman and Alm, 2012) и SPieCeasi (Kurtz et al., 2015), оба из которых предполагают разреженную матрицу данных, и ϕ (Lovell et al., 2015) и ρ (Erb and Notredame, 2016) (в опубликованных версиях которых требовалась нерезкая матрица).Эти две последние метрики были включены в propr пакета R, который включает в себя адаптацию, позволяющую вычислять метрики с разреженными данными, которые дают ожидаемое значение ρ (E (ρ)), которое приближается к 1, если две функции имеют точно постоянные соотношения в данных (Lovell et al., 2015; Quinn et al., 2017). Дополнительный рисунок 2 показывает, что ожидаемое значение ρ гораздо более стабильно для подмножества, чем известные показатели корреляции, и становится более воспроизводимым, когда значение E (ρ) приближается к 1, что указывает на большую точность оценки по мере того, как корреляция становится сильнее.Однако определение оптимального и общего подхода к корреляции в наборах композиционных данных является открытой исследовательской проблемой. На дополнительных рисунках 2–5 дано более развернутое объяснение проблемы корреляции и использования E (ρ) в качестве предлагаемого решения.

Дифференциальная (относительная) численность OTU между группами в данных о составе часто исследуется с использованием специально разработанных инструментов, которые сравнивают разницу в относительной численности между образцами, и недавно были предложены инструменты, адаптированные из области RNA-seq.К сожалению, эти подходы не учитывают композиционный характер данных и поэтому могут быть особенно чувствительны к смещению отрицательной корреляции и большой изменчивости таких наборов данных (Fernandes et al., 2013). Действительно, сравнительный анализ показывает, что традиционные инструменты демонстрируют разные показатели ложноположительных результатов с разным уровнем разреженности (Thorsen et al., 2016), и что частота ложных срабатываний может быть до 20 раз выше, чем ожидалось (Hawinkel et al., 2017).

Доступны инструменты, основанные на приблизительной композиционной основе.Инструмент ANCOM выполняет статистические тесты точечных оценок данных, преобразованных с помощью аддитивного логарифмического отношения, где (предполагаемые) инвариантные таксоны выбираются в качестве знаменателя (Mandal et al., 2015). ANCOM встраивается в популярный набор инструментов анализа микробиома QIIME (Weiss et al., 2017). Инструмент ALDEx2 выполняет статистические тесты значений clr из смоделированного распределения вероятностей набора данных (дополнительные данные уравнения 1–4) и сообщает ожидаемые значения параметрических и непараметрических статистических тестов вместе с оценками размера эффекта.Этот подход снижает проблему ложноположительной идентификации почти до нуля в реальных и смоделированных наборах данных микробиома с небольшим влиянием на чувствительность (Thorsen et al., 2016) и, как наблюдается, относительно нечувствителен к изменениям, когда данные являются подмножеством (Fernandes et al. , 2014). В литературе есть много примеров его использования (Macklaim et al., 2013; McMurrough et al., 2014; Bian et al., 2017) и в Дополнительном документе.

Таким образом, анализ данных о составе традиционными методами может дать удовлетворительные результаты.Однако эти результаты могут быть обманчивыми и непредсказуемыми. Композиционно подходящие инструменты существуют в качестве замены на каждом этапе анализа, как показано на Рисунке 2, и заинтересованные читатели будут направлены к дополнительным и другим опубликованным примерам (Macklaim et al., 2013; Fernandes et al., 2014; McMurrough et al., 2014; Lovell et al., 2015; Mandal et al., 2015; McMillan et al., 2015; Gloor, Reid, 2016; Gloor et al., 2016b; Bian et al., 2017; Silverman et al., др., 2017; Quinn et al., 2017), и аналогичный анализ соответствий, реализованный в пакете phyloseq (McMurdie and Holmes, 2013).

Авторские взносы

GG задумал и написал первоначальный проект рукописи. JM задумал и сделал рисунки 1, 2. JM, JE и VP-G редактировали черновик. Все авторы согласились с содержанием окончательной версии.

Финансирование

Работа GG и JM была поддержана грантами RGPIN-03878-2015 Национального совета по науке и инженерным исследованиям, а также финансированием Министерства сельского хозяйства и агропродовольственной агроинновационной программы.VP-G и JE выражают признательность Министерству образования и науки Испании за финансовую поддержку проекта «CODA-RETOS» (Ref. MTM2015-65016-C2-1 (2) -R (MINECO / FEDER, UE)).

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https: // www.frontiersin.org/articles/10.3389/fmicb.2017.02224/full#supplementary-material

Список литературы

Эйчисон Дж. (1983). Анализ главных компонент композиционных данных. Биометрика 70, 57–65. DOI: 10.1093 / biomet / 70.1.57

CrossRef Полный текст | Google Scholar

Эйчисон Дж. (1986). Статистический анализ композиционных данных . Лондон: Чепмен и Холл.

Google Scholar

Aitchison, J., Barceló-Vidal, C., Мартин-Фернандес, Дж. А., и Павловски-Глан, В. (2000). Анализ Logratio и композиционная дистанция. Math. Геол. 32, 271–275. DOI: 10.1023 / A: 1007529726302

CrossRef Полный текст | Google Scholar

Эйчисон, Дж., И Гринакр, М. (2002). Биплоты композиционных данных. Дж. Рой. Стат. Soc. Сер. С 51, 375–392. DOI: 10.1111 / 1467-9876.00275

CrossRef Полный текст | Google Scholar

Биан, Г., Глор, Г. Б., Гун, А., Цзя, К., Zhang, W., Hu, J., et al. (2017). Микробиота кишечника здоровых пожилых китайцев аналогична микробиоте здоровых молодых людей. мСфера 2: e00327–17. DOI: 10.1128 / mSphere.00327-17

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фернандес, А. Д., Маклэйм, Дж. М., Линн, Т., Рид, Г., и Глор, Г. Б. (2013). ANOVA-подобный анализ дифференциальной экспрессии (ALDEx) для смешанной популяции RNA-seq. PLoS ONE 8: e67019.

PubMed Аннотация | Google Scholar

Фернандес, А.Д., Рид, Дж. Н., Маклэйм, Дж. М., МакМерроу, Т. А., Эджелл, Д. Р., Глор, Г. Б. (2014). Объединение анализа наборов данных высокопроизводительного секвенирования: характеристика последовательности РНК, секвенирование гена 16S рРНК и эксперименты по селективному росту путем анализа композиционных данных. Микробиом 2, 15.1–15.13. DOI: 10.1186 / 2049-2618-2-15

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Глор, Г. Б., Маклэйм, Дж. М., Ву, М., и Фернандес, А. Д. (2016a). Неопределенность состава не следует игнорировать при высокопроизводительном анализе данных секвенирования. Aust. J. Stat. 45, 73–87. DOI: 10.17713 / ajs.v45i4.122

CrossRef Полный текст | Google Scholar

Глор, Г. Б., и Рид, Г. (2016). Композиционный анализ: действенный подход к анализу данных высокопроизводительного секвенирования микробиома. Банка. J. Microbiol. 62, 692–703. DOI: 10.1139 / cjm-2015-0821

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Глор, Г. Б., Ву, Дж. Р., Павловски-Глан, В., и Эгозкуэ, Дж. Дж. (2016b). Все относительно: анализ данных микробиома в виде композиций. Ann. Эпидемиол. 26, 322–329. DOI: 10.1016 / j.annepidem.2016.03.003

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Горвитовская А., Холмс С. П., Хусе С. М. (2016). Интерпретация превотеллы и бактероидов как биомаркеров диеты и образа жизни. Микробиом 4:15. DOI: 10.1186 / s40168-016-0160-7

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хавинкель, С., Маттиелло, Ф., Бийненс, Л., и Тас, О. (2017).Нарушенное обещание: методы дифференциальной оценки микробиома не контролируют уровень ложных открытий. Краткое. Bioinf. bbx104. DOI: 10.1093 / bib / bbx104

CrossRef Полный текст | Google Scholar

Джейнс, Э. Т., и Бретторст, Г. Л. (2003). Теория вероятностей: логика науки . Кембридж, Великобритания: Издательство Кембриджского университета

Google Scholar

Курц, З. Д., Мюллер, К. Л., Миральди, Э. Р., Литтман, Д. Р., Блазер, М. Дж., И Бонно, Р.А. (2015). Редкие и композиционно устойчивые выводы о микробных экологических сетях. PLoS Comput. Биол. 11: e1004226. DOI: 10.1371 / journal.pcbi.1004226

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ловелл Д., Мюллер В., Тейлор Дж., Цварт А. и Хелливелл К. (2011). «Пропорции, проценты, ppm: правильно ли молекулярные биологические науки обрабатывают композиционные данные», в Compositional Data Analysis: Theory and Applications , edds V. Pawlowsky-Glahn and A.Буччианти (Лондон: John Wiley & Sons, Ltd.), 193–207.

Google Scholar

Ловелл, Д., Павловски-Глан, В., Эгозкуэ, Дж. Дж., Маргерат, С., и Бэлер, Дж. (2015). Пропорциональность: действенная альтернатива корреляции для относительных данных. PLoS Comput. Биол. 11: e1004075. DOI: 10.1371 / journal.pcbi.1004075

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лозупоне К., Лладсер М. Э., Найтс Д., Стомбо Дж. И Найт Р. (2011).Unifrac: эффективный показатель расстояния для сравнения микробного сообщества. ISME J. 5, 169–172. DOI: 10.1038 / ismej.2010.133

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Маклэйм, М. Дж., Фернандес, Д. А., Ди Белла, М. Дж., Хаммонд, Дж .-А., Рид, Г., и Глор, Г. Б. (2013). Сравнительная последовательность мета-РНК влагалищной микробиоты и дифференциальная экспрессия Lactobacillus iners при здоровье и дисбактериозе. Микробиом 1:15. DOI: 10.1186 / 2049-2618-1-12

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мандал С., Ван Треурен В., Уайт Р. А., Эггесбо М., Найт Р. и Педдада С. Д. (2015). Анализ состава микробиомов: новый метод изучения микробного состава. Microb. Ecol. Health Dis. 26: 27663. DOI: 10.3402 / mehd.v26.27663

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мартин-Фернандес, Дж., Барсело-Видаль, К., Павловски-Глан, В., Buccianti, A., Nardi, G., and Potenza, R. (1998). Меры разницы для композиционных данных и методов иерархической кластеризации. Proc. IAMG . 98, 526–531.

Макмиллан, А., Рулиса, С., Сумарах, М., Маклэйм, Дж. М., Рено, Дж., Бизанц, Дж. Э. и др. (2015). Многоплатформенный метаболомический подход позволяет идентифицировать высокоспецифические биомаркеры бактериального разнообразия во влагалище беременных и небеременных женщин. Sci. Реп. 5, 14174. doi: 10.1038 / srep14174

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Макмерди, П.Дж., И Холмс, С. (2013). phyloseq: пакет r для воспроизводимого интерактивного анализа и графики данных переписи микробиома. PLoS ONE 8: e61217. DOI: 10.1371 / journal.pone.0061217

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мак-Мерди, П. Дж., И Холмс, С. (2014). Не тратьте зря, не хотите: почему недопустимо разрежение данных микробиома. PLoS Comput. Биол. 10: e1003531. DOI: 10.1371 / journal.pcbi.1003531

CrossRef Полный текст | Google Scholar

Макмерро, Т.А., Диксон, Р. Дж., Тиберт, С. М. Ф., Глор, Г. Б., и Эдгелл, Д. Р. (2014). Контроль каталитической эффективности за счет совместной эволюции сети каталитических и некаталитических остатков. Proc. Natl. Акад. Sci. США 111, E2376 – E2383. DOI: 10.1073 / pnas.1322352111

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мортон, Дж. Т., Торан, Л., Эдлунд, А., Меткалф, Дж. Л., Лаубер, К., и Найт, Р. (2017). Обнаружение эффекта подковы в микробных анализах. mSystems 2: e00166–16.DOI: 10.1128 / mSystems.00166-16

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ортего, М. И., Эгозкуэ, Дж. Дж. (2013). «Ложные связки», в материалах 5-го семинара по анализу композиционных данных, CoDaWork 2013 (Vorau).

Google Scholar

Палареа-Альбаладехо, Дж., И Мартин-Фернандес, Дж. А. (2015). zCompositions - пакет R для многомерного вменения данных с цензурой слева в рамках композиционного подхода. Хемометр.Intel. Лаборатория. Syst. 143, 85–96. DOI: 10.1016 / j.chemolab.2015.02.019

CrossRef Полный текст | Google Scholar

Павловски-Глан, В., Эгозкуэ, Дж. Дж., И Толосана-Дельгадо, Р. (2015). Моделирование и анализ композиционных данных. Лондон: Джон Вили и сыновья.

Google Scholar

Пирсон, К. (1897). Математический вклад в теорию эволюции. - о форме ложной корреляции, которая может возникнуть при использовании индексов при измерении органов. Proc. Рой. Soc. Лондон. 60, 489–498

Google Scholar

Куинн Т., Ричардсон М.Ф., Ловелл Д. и Кроули Т. (2017). propr: R-пакет для определения пропорционально распространенных функций с использованием анализа композиционных данных. bioRxiv . DOI: 10.1101 / 104935

CrossRef Полный текст | Google Scholar

Робинсон, К. К., Бротман, Р. М., и Равель, Дж. (2016). Тонкости оценки микробиома человека в эпидемиологических исследованиях. Ann.Эпидемиол. 26, 311–321. DOI: 10.1016 / j.annepidem.2016.04.005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Робинсон, М., и Ошлак, А. (2010). Метод масштабной нормализации для анализа дифференциальной экспрессии данных RNA-seq. Genome Biol. 11, R25.1 – R25.9. DOI: 10.1186 / GB-2010-11-3-r25

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шаффер, М. Л. (1981). Минимальные размеры популяции для сохранения вида. BioScience 31, 131–134.

Google Scholar

Сильверман, Дж. Д., Уошберн, А. Д., Мукерджи, С., и Дэвид, Л. А. (2017). Филогенетическое преобразование улучшает анализ данных о составе микробиоты. Элиф 6: 21887. DOI: 10.7554 / eLife.21887

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Thorsen, J., Brejnrod, A., Mortensen, M., Rasmussen, M.A., Stokholm, J., Al-Soud, W.A., et al. (2016). Крупномасштабный сравнительный анализ показывает ложные открытия и чувствительность к трансформации подсчета в методах анализа данных ампликона гена 16S рРНК, используемых в исследованиях микробиома. Микробиом 4, 62. doi: 10.1186 / s40168-016-0208-8

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Цилимиграс, М. К. Б., Фодор, А. А. (2016). Композиционный анализ данных микробиома: основы, инструменты и проблемы. Ann. Эпидемиол. 26, 330–335. DOI: 10.1016 / j.annepidem.2016.03.002

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ван ден Богаарт, К. Г., Толосана-Дельгадо, Р. (2013). Анализ данных о составе с помощью R , Лондон, Великобритания: Springer.

Google Scholar

Weiss, S., Van Treuren, W., Lozupone, C., Faust, K., Friedman, J., Deng, Y., et al. (2016). Стратегии обнаружения корреляции в наборах микробных данных сильно различаются по чувствительности и точности. ISME J. 10, 1669–1681. DOI: 10.1038 / ismej.2015.235

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Вайс, С., Сюй, З. З., Педдада, С., Амир, А., Биттингер К., Гонсалес А. и др. (2017). Стратегии нормализации и дифференциальной численности микробов зависят от характеристик данных. Микробиом 5, 27. doi: 10.1186 / s40168-017-0237-y

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Смета ссуды и закрывающие формы и образцы раскрытия информации

Загрузите английскую и испанскую версии модели TRID и образцы форм для различных типов ссуд.

Аннотированные версии некоторых форм предоставляются для определения законодательных и нормативных положений.

Смета кредита: бланки бланков

Смета кредита: заполненные образцы форм

Заключительное раскрытие: бланки бланков

Заключительное раскрытие: заполненные образцы форм

Бланки и образцы других пустых моделей

Bellevue East LL Необязательные предметы (Образец команды) - Спортивная одежда победителей

Брюки для бейсбола / софтбола (в полную длину) (Серые)

Выберите вариант...Youth XS (16,95 долл. США) Youth S (16,95 долл. США) Youth M (16,95 долл. США) Youth L (16,95 долл. США) Youth XL (16,95 долл. США) $ 19,95)

Брюки для бейсбола / софтбола (средней длины) (серые)

Выберите вариант ... Youth XS (11,95 долларов США) Youth S (11,95 долларов США) Youth M (11,95 долларов США) Youth L (11,95 долларов США) Youth XL (11,95 долларов США) Adult S (13,95 долларов США) Adult M (13,95 долларов США), взрослым L (13,95 долларов США), взрослым XL (13,95 долларов США) ) Взрослый 2XL (13,95 $)

Брюки для бейсбола / софтбола (до колен) (серые)

Выберите вариант...Youth XS (17,95 долларов США) Youth S (17,95 долларов США) Youth M (17,95 долларов США) Youth L (17,95 долларов США) Взрослые S (19,95 долларов США) Взрослые M (19,95 долларов США) Взрослые L (19,95 долларов США) Взрослые XL (19,95 долларов США) Взрослые 2XL (19,95 долларов США)

Базовый слой (короткий рукав) (Темно-синий)

Выберите вариант ... Youth XS (10,95 долларов США) Youth S (10,95 долларов США) Youth M (10,95 долларов США) Youth L (10,95 долларов США) Youth XL (10,95 долларов США) для взрослых S (10,95 долларов США) для взрослых M (10,95 долларов США) для взрослых L (10,95 долларов США) для взрослых XL (10,95 долларов США) ) Взрослый 2XL (10,95 $)

Базовый слой (рукав 3/4) (темно-синий / белый)

Выберите вариант...Youth XS (11,95 долларов США) Youth S (11,95 долларов США) Youth M (11,95 долларов США) Youth L (11,95 долларов США) Youth XL (11,95 долларов США) Взрослые S (11,95 долларов США) Взрослые M (11,95 долларов США) Взрослые L (11,95 долларов США) Adult XL (11,95 долларов США) Взрослые 2XL ( $ 11,95)

Базовый слой (длинный рукав) (Темно-синий)

Выберите вариант ... Youth XS (11,95 долларов США) Youth S (11,95 долларов США) Youth M (11,95 долларов США) Youth L (11,95 долларов США) Youth XL (11,95 долларов США) Adult S (11,95 долларов США) Adult M (11,95 долларов США), взрослым L (11,95 долларов США), взрослым XL (11,95 долларов США) ) Взрослый 2XL (11,95 $)

Базовый слой (короткий рукав) (Красный)

Выберите вариант...Youth XS (10,95 долл. США) Youth S (10,95 долл. США) Youth M (10,95 долл. США) Youth L (10,95 долл. США) Youth XL (10,95 долл. США) 10,95 долл. США)

Базовый слой (рукав 3/4) (красный / белый)

Выберите вариант ... Youth XS (11,95 долларов США) Youth S (11,95 долларов США) Youth M (11,95 долларов США) Youth L (11,95 долларов США) Youth XL (11,95 долларов США) Adult S (11,95 долларов США) Adult M (11,95 долларов США), взрослым L (11,95 долларов США), взрослым XL (11,95 долларов США) ) Взрослый 2XL (11,95 $)

Базовый слой (длинный рукав) (Красный)

Выберите вариант...Youth XS (11,95 долларов США) Youth S (11,95 долларов США) Youth M (11,95 долларов США) Youth L (11,95 долларов США) Youth XL (11,95 долларов США) Взрослые S (11,95 долларов США) Взрослые M (11,95 долларов США) Взрослые L (11,95 долларов США) Adult XL (11,95 долларов США) Взрослые 2XL ( $ 11,95)

Стремена (красный)

Выберите вариант ... Средний (размер 9-11) (7,50 доллара США) взрослый (размер 10-13) (7,50 доллара США)

Носки спортивные

Выберите вариант ... Молодежь (красный) (4,95 доллара) Средний уровень (красный) (4,95 доллара) Взрослый (красный) (4,95 доллара) Молодежный (белый) (4,95 доллара) Средний (белый) (4,95 доллара) Взрослый (белый) (4 доллара).95)

Ветровка с V-образным вырезом для бейсбола (истинно красный / белый)

Включает полный передний логотип Bellevue East

Выберите вариант ... Youth XS (29,95 долларов США) Youth S (29,95 долларов США) Youth M (29,95 долларов США) Youth L (29,95 долларов США) Youth XL (29,95 долларов США) Adult S (29,95 долларов США) Adult M (29,95 долларов США), взрослым L (29,95 долларов США), взрослым XL (29,95 долларов США) ) Взрослый 2XL (29,95 $)

Количество дополнительных предметов Bellevue East LL (группа образцов)

Необязательно - Установите демонстрационные данные

Если вам нужны примеры данных при разработке вашего магазина, вы можете установить наши образцы данных.Эти данные имитируют активный магазин Adobe Commerce, включая клиентов, продукты и другие данные. Эти образцы данных лучше всего работают с новым «пустым сайтом» Adobe Commerce по установке шаблона облачной инфраструктуры при создании проекта в среде интеграции.

Мы рекомендуем установить образцы данных в ваших локальных филиалах и средах интеграции. Если вы используете эти данные в промежуточной или производственной среде, вам необходимо удалить информацию и продукты перед запуском.

Начать работу в филиале

Рекомендуем поработать в ветке, чтобы добавить образцы данных.Следующая информация подробно описывает, как создать филиал.

Чтобы начать работу с ветками среды:

1. На локальной рабочей станции перейдите в каталог проекта Cloud.

2. Переключиться на владельца файловой системы.

3. Войдите в свой проект.

4. Перечислите свои проекты.

     
    
    
    
    
    1
    
    проект magento-cloud: список
    
     

5. Список сред в проекте.Каждая среда включает активную ветвь Git, которая содержит ваш код, базу данных, переменные среды, конфигурации и службы.

     
    
    
    
    
    1
    
    среда magento-cloud: список
    
     

   Важно использовать команду magento-cloud environment: list , потому что она отображает иерархии среды, а команда git branch - нет.

6. Получить исходные ветки, чтобы получить последний код.

7. Оформить заказ или переключиться на конкретную ветвь и среду.

     
    
    
    
    
    1
    
    среда magento-cloud: checkout 
    
     

   Команды Git проверяют только ветку Git. Команда magento-cloud checkout проверяет ветвь и переключается в активную среду.

   Вы можете создать новую ветвь среды, используя среду magento-cloud : ветка <имя-среды> <идентификатор-родительской-среды> синтаксис команды. Для создания и активации новой ветки среды может потребоваться дополнительное время.

8. Используйте идентификатор среды, чтобы получить обновленный код на своем локальном компьютере. В этом нет необходимости, если ветка среды новая.

     
    
    
    
    
    1
    
    git pull origin 
    
     

9. ( Необязательно ) Создайте моментальный снимок среды в качестве резервной копии.

     
    
    
    
    
    1
    
    моментальный снимок magento-cloud: create -e 
    
     

Установить образец данных

Для установки демонстрационных данных:

1. Если вы еще этого не сделали, проверьте среду, в которой нужно установить образцы данных.

2. В терминале введите следующие команды:

     
    
    
    
    
    1
    
     / bin / magento sampledata: развернуть
    
     

3. Подождите, пока компоненты обновятся.

   No related posts.