原文:Alterations in the gut microbiome and metabolism with coronary artery disease severity
背景
冠状动脉疾病(CAD)和肠道菌群的改变密切相关。而肠道菌主导的代谢物是很多心脏病事件的marker。但是,肠道菌和CAD分期的关系一直是个谜。
结果
1. 样本特征
作者将201个参与者分成4组,对照,SCAD组,UA组,MI组。并统计了非常详细的临床信息。如饮食,生活方式等。和正常组相比,实验组在糖脂代谢方面紊乱,炎症反应增加。
![9640232-ac924ef28ec3a84d.png](https://upload-images.jianshu.io/upload_images/9640232-ac924ef28ec3a84d.png)
作者用详细的统计分析撑起了这一小节,实验结果不多赘述。统计方法如下:
1)如果四个组均是连续正态分布,用单因素方差分析比较组间差异。
2)如果四个组不符合正态分布的数据,运用KW H检验
3)如果两组均是连续正态分布,用T检验
4)如果两组不是连续正态分布,用KW U检验
5)对于类别变量用卡方检验
6)这样的表现方式更直观:
aP < 0.05 for equality between SCAD vs. control. bP < 0.05 for equality between UA vs. control. cP < 0.05 for equality between MI vs. control. dP < 0.05 for equality between SCAD vs. MI. eP < 0.05 for equality between UA vs. MI.
2. 冠状动脉病亚组之间的改变
![9640232-505909c695f964a3.png](https://upload-images.jianshu.io/upload_images/9640232-505909c695f964a3.png)
![9640232-fb2b0d97270676d4.png](https://upload-images.jianshu.io/upload_images/9640232-fb2b0d97270676d4.png)
作者用的是血清代谢物,分别做了极性(P组)和非极性(L组)两组。打出了代谢物后,把其相对表达量做相关性分析。(a)图是和表型,(b)图是和风险因子(risk factor indicators)。(c)图是将组间变化较大的代谢物(KW检验)挑出来画一个箱线图。
3. 多组学网络揭示肠道菌和CAD血清代谢物之间的关系
![9640232-101c7e22ef34a150.png](https://upload-images.jianshu.io/upload_images/9640232-101c7e22ef34a150.png)
作者探寻肠道菌和代谢物之间的关系,9个肠道菌和14个代谢模块相关。
a图表明和肠道菌变化相关性最大的host factors。bar的颜色代表metadata类别。b图表示co-abundance group的Z值。C是CGA组间的相关性(WGCNA网络)
![9640232-10936f0293118e29.png](https://upload-images.jianshu.io/upload_images/9640232-10936f0293118e29.png)
通过这张图作者更明确的将代谢组学,肠道微生物,和表型信息联系到一起。(其实就是相关性分析,红色代表正相关,蓝色代表负相关……)
4. 机器学习添点料
![9640232-835fce26b325e28f.png](https://upload-images.jianshu.io/upload_images/9640232-835fce26b325e28f.png)
作者用随机森林,对各个组之间(Con VS CAD, Con VS SCAD, SCAD VS UA, SCAD VS ACS, UA VS MI)进行分类辨别,具体得到的参数见图B
不得不说机器学习+ AUC曲线是给文章加分的一项啊~
转载于:https://www.jianshu.com/p/e291250595b9