AI计算模拟
AI-enriched COMPUTATIONAL SIMULATION
AI计算模拟
以AI、大数据分析及数字化工作流为基础的综合计算模拟解决方案

CLC微生物模块功能简介


1.微生物群落的分类学分析
 
(1) 扩增子测序数据
 
1) 有参考基因组和无参考基因组的16S-,18S-,及其ITS rRNA数据的OTU聚类。下图为基于元数据信息聚合样本的展示,显示了BootA样本与1号样本在微生物组成上的高度相似性。
 


2) 支持通用分类法数据库Greengenes、Silva和UNITE及定制的数据库。
 


 (2) 鸟枪宏基因组数据
1) 对宏基因组样本中微生物的测定具有比较高的精度和相对丰度。
2) 过滤掉来自宿主DNA的污染数据。
3) 若希望使用CosmosID深度整理的参考数据库,则用户可以使用CosmosID插件进行微生物组分析。
 
2. 微生物群落的功能性分析
 
1) 以一流的精度和性能组装注释宏基因组的元数据。
2) 通过序列相似性或分类学进行重叠分组(Contig Binning)
3) 使用PFAM、基因本体论(Gene Ontology)、BLAST和DIAMOND进行功能分析。
4) 宏基因组的功能注释需要 MetaGeneMark插件。

3.元数据的可视化和统计分析
 
1) 堆叠条形图、面积图和可缩放的旭日图(Sunburst Diagram)(下图),用于探索和比较宏基因组样本的分类和功能组成。
 


2) 用于Alpha和Beta多样性评估的多样性分析工具,用于比较样本间的多样性和组成相似性。
3) 基于微生物组成的2D和3D的主坐标分析(PCoA)图以及样本聚类热图。
   


4) 运行PERMANOVA分析,评估对聚类的统计。
5) 合并丰度表,方便在样本间直接比较多样性指标。
6) 探索不同样本类别间差异最大的分类单元或基因功能。利用先进的多因素差分丰度分析方法,测量折线变化,估计统计显著性,探讨样本类别间的相关性。
7) 利用样本元数据进行绘图和统计测试。
 
 
4.工作流
 
CLC具有预先配置好的微生物生物信息分析流程,也可自定义分析流程,用户从原始的NGS reads 到得到交互式的可视化结果只需简单的几个步骤。