QIIME 2 for Experienced Microbiome Researchers
https://docs.qiime2.org/2020.11/tutorials/qiime2-for-experienced-microbiome-researchers/
正文共：7000 字 0 圖 1 視頻
預計閱讀時間：17 分鐘，視頻時長 14 分鐘
更新時間：2020年12月13日
本節我們將介紹如何使用QIIME 2處理微生物數據。本節教程主要針對經驗豐富的微生物研究人員，即已經對如何處理數據非常熟悉，只需要知道的QIIME 2中特殊步驟的命令。
上一節我們的QIIME 2概述教程包含微生物數據處理的更多理論，本節將使老司機輕鬆上手QIIME 2。新人可跳過，或當學習資料閱讀(看看是否能讀懂，全看懂的就是真正的老司機)。
本節視頻視頻教程http://v.qq.com/x/page/q0914ymuebg.html
視頻有廣告，清晰度不夠高嗎？在微信訂閱號「宏基因組(meta-genome)」後臺回復「qiime2」獲得1080p視頻和測試數據下載連結。
為什麼要改用QIIME 2?Why switch to QIIME 2?
對於習慣於使用自己的工具和腳本處理數據、並且希望對過程中的每個步驟進行精細控制的用戶來說，轉換到QIIME 2可能是困難的(這好像是在説我)。我們理解經驗豐富的微生物研究人員令人抓狂的學習曲線，但是相信社區、開源的環境和對可重複科學的承諾，使得切換到QIIME 2時開始感覺有些沮喪是值得的(科研不是向來如此嗎？沒有苦哪來甜，幸福也是比較出來的)。
通過為微生物組數據分析提供一個通用框架，QIIME 2匯集了一個充滿活力的和包容性的社區。通過加入QIIME 2社區，作為一名正式的微生物學研究人員，您將自動與該領域的其他領導者產生聯繫，並且能夠更容易地一起工作，以推動微生物學研究的最佳方法的開發和實施，以供廣泛使用。QIIME 2社區包括微生物學研究的老司機以及新手：鼓勵所有人參與並相互學習。QIIME 2論壇包含關於如何執行微生物數據處理和分析的大量信息，以及關於該領域最佳方法具有建設意義的討論。
QIIME 2還鼓勵使微生物學研究分析可重複。QIIME 2通過定義特定的數據類型和僅將方法限制到其適當的數據輸入類型，以減少不適當的分析。它還自動記錄每個QIIME 2對象相關聯的數據起源和對給定數據文件所做的所有操作。
此外，通過將工具封裝到一個常用框架中，形成了簡化的數據處理流程。使用QIIME 2大多數數據處理工作流可以合併成一個（或幾個）bash腳本，從而減少需要調用的不同程序或可執行文件的數量以及需要重新格式化數據步驟的數量。
最後，QIIME 2是開源的，有經驗的研究人員可貢獻個人的代碼，以擴大本軟體的使用範圍。任何工具都可以作為插件添加到QIIME 2中，它可以為任何軟體、包或其他可安裝、可執行文件提供接口。為自己開發的方法編寫QIIME 2插件，使得成千上萬的用戶立即訪問並使用它。
老司機上路前的幾點建議Pro-tips for power users
以下是我們學到的一些技巧，這些經驗將有助於您將工作流程轉變為QIIME 2：
提示1: QIIME 2對象只是zip文件。如果您想查看.qza對象中的文件，可以使用qiime導出工具來提取數據文件（它基本上只是用於解壓縮的工具）。或者，您也可以直接解壓縮對象（unzip -k file.qza）並查看數據/文件夾中的文件。
提示2：QIIME 2命令行接口工具運行速度較慢，因為它每次調用對象時都必須解壓縮和重新壓縮對象中包含的數據。如果需要更多交互地處理數據，您可能希望使用Python API——它更快，因為對象可以簡單地存儲在內存中。您可以了解更多關於QIIME 2界面版的信息。
數據處理步驟Data processing steps
本教程中將介紹的處理步驟包括：
將原始序列（FASTQ）數據導入QIIME 2
數據樣本拆分（即，將每個序列分配至它來源的樣本），去除序列中非生物部分(如標籤和引物)
執行質量控制：
使用有DADA2或deblur的去噪序列，和/或
使用VSEARCH或dbOTU進行質量篩選、長度剪切和聚類
物種分類
分析數據並獲得生物學意義！
分析並深入了解數據
教程概述和可用插件列表可以為其他可能的處理和分析步驟提供思路。
數據導入Importing data into QIIME 2
相關插件：qiime tools import
如果使用QIIME 2處理數據，則首先需要將該數據轉換成QIIME 2能夠識別的格式。QIIME 2中當前可用的各種導入方法在QIIME 2導入教程章節中重點介紹。
這個步驟可能是QIIME 2分析流程中最令人困惑的部分，因為有許多導入和格式類型可供選擇。要查看可用導入/格式類型的完整列表，請使用：qiime tools import --show-importable-formats(見附錄1)和qiime tools import --show-importable-types(見附錄2)。
# 如果你conda添加環境變量，但無法啟動，可以手動更新bash環境變量
source ~/.bashrc
# 啟動conda的QIIME2環境
conda activate qiime2-2019.7
# 顯示可用導入的格式
qiime tools import --show-importable-formats
# 顯示可用導入的類型
qiime tools import --show-importable-types
# 結果較長，詳見附錄
如果導入FASTQ數據，你需要manifest file，這是一個純文本文件，主要作用是告訴軟體每個FASTQ數據的樣本名和序列方向。假設你導入的數據是雙端序列，那麼manifest file一般有3列，分別是樣本id、文件名和序列方向。例如：
sample-id,filename,direction
sample01,sample01_S1_L001_R1_001.fastq.gz,forward
sample01,sample01_S1_L001_R2_001.fastq.gz,reverse
如果你的數據是兩種非常特殊的格式（EMP或Casava之一的序列數據，則可以直接導入包含序列文件的文件夾，方法為--type EMPSingleEndSequences或--type 'SampleData[PairedEndSequencesWithQuality]'（或其相應的雙端類型）。否則，如果您沒有這兩種非常特定的格式之一，則需要製作清單文件以給出關於導入什麼和如何導入文件的導入指令。
如果希望直接導入FASTA文件或特徵表，也可以使用不同--type的標誌或qiime tools import。導入教程詳細介紹了所有這些選項的詳細信息。
樣本拆分Demultiplexing sequences
相關插件
如果在同一個文件中包含了多個樣本，則需要對序列進樣本拆分。
如果您的條形碼（barcodes）已經從序列中移除，並且位於單獨的文件中，則可以使用q2-demux對這些條形碼進行樣本拆分。
如果你的條形碼還在序列中，你可以使用cutadapt插件的函數。cutadap demux-single方法在序列的開始（或5』末端）查找具有特異容錯性的條形碼序列，刪除它們並返回由每個樣本單獨的序列數據。QIIME 2論壇上有關於cutadapt中各種功能的教程，包括樣本拆分。通過閱讀這些文檔，你可以了解更多關於cutadapt如何工作的。
注意：目前q2-demux和q2-cutadapt不支持雙端條碼的樣品拆分，而且只能在正向序列中查找條碼並進行拆分。因此，目前這種類型的樣本拆分需要使用其他工具（例如bcl2fastq）在QIIME 2之外完成。
雙端合併Merging reads
相關插件：q2-vsearch
是否需要合併序列取決於你計劃如何將序列聚類或去噪為擴增序列變體（ASV）或操作分類單元（OTU）。如果接下來打算使用deblur或OTU聚類方法，現在就合併序列。如果計劃使用dada2對序列進行去噪，則不要合併——dada2會在對每個序列進行去噪之後自動執行序列合併。
如果需要合併序列，可以使用QIIME 2 q2-vsearch插件的join-pairs方法。
去除非生物序列Removing non-biological sequences
相關插件
如果您的數據包含任何非生物序列（例如，引物、測序接頭、PCR間隔區等），則應該刪除這些序列。
q2-cutadapt插件具有從成對或單端數據中去除非生物序列的多種方法。
如果要使用DADA2對序列進行去噪，可以在調用去噪函數的同時刪除非生物序列。DADA2的所有去噪函數都具有某種--p-trim參數，您可以指定該參數來從序列的5』末端刪除鹼基。（Deblur沒有這個功能。）
相似序列分組Grouping similar sequences
將相似序列分組主要有兩種方法：去噪和聚類。上一節概述教程提供了對這些方法更深入的討論。
無論如何對序列進行分組，分組方法將輸出：
每個OTU和/或ASV的代表序列（QIIME 2數據格式FeatureData[Sequence]）
一個特徵表，它指示每個樣本中每個OTU/ASV的測序次數。(QIIME 2數據格式特徵表[頻率]FeatureTable[Frequency])
DADA2和deblur還將生成一個帶有關於過濾和去噪的相關信息的統計摘要文件。
去噪Denoising
相關插件：
DADA2和deblur是目前QIIME 2中可用的兩種去噪方法。您可以在概述教程中了解更多關於這些方法的信息。
DADA2和deblur都輸出精確的序列變體（exact sequence variants，ESV），據推測這些變體更能代表存在於數據中的真實生物序列。它們的創建者對於這些序列有不同的名稱（DADA2稱它們為「擴增序列變體」（ASV），deblur稱它們為「subOTU」，unoise稱為Zotu）。我們將在本教程中使用ASV術語來統一代表這些種類的輸出。
準備去噪數據 Preparing data for denoising
去噪只需要很少的數據準備。DADA2和deblur都執行質量過濾、去噪和嵌合體去除，因此在運行它們之前不應該執行任何質量篩選。deblur開發人員建議在使用deblur之前使用默認設置進行初始質量篩選（如「人體不同部分微生物組」教程所示）。DADA2內置了基於Q值的過濾，因此在用DADA2進行去噪之前執行這個質量過濾步驟是不必要的。
兩種方法都具有將序列截斷為恆定長度（在降噪之前發生）的選項。在DADA2中，這是–p-trunc-len參數；在deblur中，它是–p-trim-length。截斷參數對於DADA2和deblur都是可選的（但是如果使用deblur，則需要指定–p-trim-length -1來禁用截斷）。比截斷長度短的讀被丟棄，而比截斷長度長的序列在指定位置被截斷。概覽教程中有更多關於決定截斷到什麼長度的討論。
使用DADA2去噪 Denoising with DADA2
DADA2插件有多種方法進行序列去噪：
去噪雙端序列(denoise paired-end)，要求未合併的雙端序列（即包括正向和反向序列）。
去噪單端序列(denoise single-end)，需要單端或合併的雙端數據。如果向其提供未合併的成對端數據，則它將只使用正向序列（而對反向序列不做任何操作）。
去噪-焦磷酸測序，可接受 ion torrent 測序儀的數據。
注意，對於非常大的數據集，DADA2可能非常慢。可以通過增加--p-n-threads參數使用多線程縮短計算時間(前提是你的系統有足夠多的線程)。
deblur去噪
deblur 插件具有兩種序列去噪的方法：
deblur-16S 對16S序列進行去噪。
deblur-other 去噪其他類型的序列。
如果使用deblur-16S，deblur執行初始的正向過濾步驟，其中它丟棄與85% GreenGenes 資料庫中OTU的序列小於60%相似性的任何序列。如果不想執行此步驟，請使用deblur-other方法。
deblur目前只能對單端序列進行去噪。如果提供末合併的雙端序列為輸入，將對反向序列不作任何操作。請注意，deblur接受合併的序列，並將它們視為單端序列，因此如果使用deblur進行去噪，需要先合併雙端讀長。
OTU聚類OTU Clustering
在本教程中，我們將涉及QIIME 2的無參(de novo)和有參(closed reference)兩類聚類方法。QIIME OTU聚類教程部分有更多的細節。
對序列進行聚類，你需要確保：
雙端序列已經合併
非生物序列已經去除(如引物)
序列截取為相同的長度
低質量序列已經去除
我們討論了合併雙端序列，和移除非生物序列（詳見相關章節）。
一旦你的數據已經符合以上要求，你需要在聚類前先將序列進行去冗餘。
長度修整Length trimming
如果由於某種原因，原始序列沒有完全相同的長度，則需要在進行OTU聚類之前將它們修剪到相同的長度。目前還沒有一個QIIME 2函數在不做其他任何事情的情況下可將序列調整至相同長度，你可以使用cutadapt插件中的函數來完成此事。這是因為QIIME 2工作流建議首先序列去噪（這裡面包括了長度修剪步驟），然後可選地通過聚類算法獲得ASV。
質量過濾Quality filtering
相關插件：quality-filter
您可以使用質量過濾插件執行不同類型的質量篩選。q-score方法可用於單端或雙端序列（即，SampleData[PairedEndSequencesWithQuality | SequencesWithQuality]），而q-score-joined方法用於合併後的雙端序列（即合併後的SampleData[JoinedSequencesWithQuality]）。每個方法的選項描述了不同類型的質量篩選。
序列去冗餘 Dereplicating sequences
相關插件：q2-vsearch
不管你使用哪種類型的聚類，您首先需要去除序列的重複。q2-vsearch插件的dereplicate-sequences方法可完成此步操作。
無參聚類 de novo clustering
相關插件：
序列可以僅基於它們的遺傳相似性(即VSEARCH)或基於它們的遺傳相似性和豐度分布的組合(即基於分布的聚類)的從頭/無參(de novo)聚類。
基於相似度的聚類。q2-vsearch插件聚類方法為cluster-features-de-novo。可以使用--p-perc-identity參數更改遺傳相似性閾值。該插件包裝自--cluster_size函數。
基於分布的聚類結合了序列之間的相似性和它們的豐度分布，以識別具有生態意義的種群。您可以在插件文檔、原始文獻和文獻更新版本中進一步了解此方法。q2-dbotu插件中的call-otus函數對輸入數據執行基於豐度分布的聚類。
這兩個函數都以q2-vsearch dereplicate-sequences去冗餘的輸出作為輸入，這些去冗餘的序列具有QIIME 2 FeatureData[Sequence]數據類型和以計數表(counts table，整數頻率匯總表)格式的QIIME 2 FeatureTable[Frequency]數據類型。
有參聚類 closed reference clustering
相關插件：q2-vsearch
有參聚類是與資料庫中的參考序列以某種相似性的序列分組在一起。
VSEARCH可以用cluster-features-closed-reference方法進行有參聚類。此方法封裝了VSEARCH中的--usearch_global命令。可以使用--i-reference-sequences參數決定要針對哪個參考資料庫進行聚類。這個參數的輸入文件應該是一個包含fasta文件的.qza文件，fasta文件具有用作參考資料庫的序列，並採用QIIME 2數據類型FeatureData[Sequence]。大多數人對16S rRNA基因序列使用GreenGenes或SILVA，但是其他人使用自己手工校正的資料庫或使用其他標準參考（例如，ITS數據的UNITE）。您可以從QIIME 2數據資源頁面上的連結下載這些參考資料庫。您將需要解壓縮(unzip/untar)並將它們作為FeatureData[Sequence]對象導入，因為它們是作為原始數據文件提供的。
物種分類Assigning taxonomy
相關插件：feature-classifier
將物種注釋分配給ASV或OTU代表序列的方法，包含在物種分類教程中。所有物種分配方法都在feature-classifier插件中。
有兩類物種分類方法，每類都有多個可用的方法。
第一類是直接將序列與參考資料庫比對：
兩者都使用物種分配的一致方法，您可以在概述中了解更多，並調整最大可接受程度maxaccepts、一致率的百分比perc-identity和最小一致大小min-consensus等參數。
第二類方法使用機器學習分類器為序列分配可能的物種注釋，並且可以通過classify-sklearn命令實現。
此方法需要一個預先訓練好的模型來對序列進行分類：您可以從數據資源頁面下載一個預先訓練好的物種注釋分類器，或者自己訓練一個按照特徵分類器教程中概述的步驟。您還可以在這個連結中了解更多關於插件相關論文的信息。
分析特徵表獲得新發現Analyze feature table and gain insight
相關插件：太多了！
此時，您應該準備好分析特性表來回答您的科學問題！QIIME 2提供了多個內置函數來分析此類數據，並且您還可以導出它，並使用您擅長的程式語言或軟體包進行下遊分析。
使用QIIME 2可以做的一些常用分析包括：
數據查看：QIIME 2有一個不錯的物種組成條形圖可視化工具，使可視化地探索數據變得容易，如在分析中交互的選擇不同分類層級、排序、更新配色方案等。您還可以使用emperor插件（在計算樣本之間的β距離矩陣之後）在PCoA繪圖上可視化數據，實現三維可交互式探索樣本和組間整體的相同與不同。
構建一個系統發育樹：QIIME 2有一個包括不同方法系統發育樹構建的插件。
計算樣本的α多樣性：多樣性插件通過alpha、 alpha-phylogenetic方法提供了許多α多樣性度量指標。
計算樣本之間的β多樣性：多樣性插件的beta、beta-phylogenetic和beta-phylogenetic-alt方法中有多種度量方法。注意，diversity core-metrics 和diversity core-metrics-phylogenetic是α和β多樣性分析的簡單流程包裝。這些內容在概述教程中進行了描述。
樣品之間的差異：通過差異豐度或分布檢驗來統計，如PERMANOVA、ANOSIM、ANCOM和Gneiss是QIIME 2中可用的一些統計方法。PERMANOVA和ANOSIM可以用多樣性插件中的beta-group-significance方法完成。ANCOM在composition插件中可調用。Gneiss 插件中提供了gneiss分析，並有相關的教程「Gneiss 差異豐度分析」。
構建機器學習分類器和回歸器進行預測：q2-sample-classifier插件有幾個用於構建分類器和回歸器的功能，並且相關的「使用q2-sample-classifier預測樣本元數據值」教程提供了更多細節。
數據導出Export the data
相關插件：qiime tools export
如果您是一位經驗豐富的微生物組科學家，並且不想使用QIIME 2進行下遊分析，那麼可以使用導出工具從對象中提取特徵表和序列。雖然export功能只輸出數據，但是提取工具還允許您提取其它元數據，如引文、數據分析過程等信息。
請注意，通常的文件在輸出目錄中規範命名，如feature-table.txt，因此您可能希望立即將文件重命名為包括更多信息（或者確保它保留在原始目錄中）！
您還可以使用方便的R包qiime2R將QIIME 2對象直接導入R。
新的插件New plugins
可以多看看QIIME 2不斷增長的插件列表，以找到其他適合應用於你數據的方法。
請記住，您還可以製作自己的QIIME 2插件，幫助QIIME 2添加功能，並與同行共享！
附錄1. 可導入的數據格式qiime tools import --show-importable-formats
共有如下68種數據格式，大家從格式名稱可以讀出其大概的格式內容：
AlignedDNAFASTAFormat
AlignedDNASequencesDirectoryFormat
AlphaDiversityDirectoryFormat
AlphaDiversityFormat
BIOMV100DirFmt
BIOMV100Format
BIOMV210DirFmt
BIOMV210Format
BooleanSeriesDirectoryFormat
BooleanSeriesFormat
CasavaOneEightLanelessPerSampleDirFmt
CasavaOneEightSingleLanePerSampleDirFmt
DADA2StatsDirFmt
DADA2StatsFormat
DNAFASTAFormat
DNASequencesDirectoryFormat
DeblurStatsDirFmt
DeblurStatsFmt
DifferentialDirectoryFormat
DifferentialFormat
DistanceMatrixDirectoryFormat
EMPPairedEndCasavaDirFmt
EMPPairedEndDirFmt
EMPSingleEndCasavaDirFmt
EMPSingleEndDirFmt
ErrorCorrectionDetailsDirFmt
FastqGzFormat
FirstDifferencesDirectoryFormat
FirstDifferencesFormat
HeaderlessTSVTaxonomyDirectoryFormat
HeaderlessTSVTaxonomyFormat
ImportanceDirectoryFormat
ImportanceFormat
LSMatFormat
MultiplexedPairedEndBarcodeInSequenceDirFmt
MultiplexedSingleEndBarcodeInSequenceDirFmt
NewickDirectoryFormat
NewickFormat
OrdinationDirectoryFormat
OrdinationFormat
PairedDNASequencesDirectoryFormat
PairedEndFastqManifestPhred33
PairedEndFastqManifestPhred33V2
PairedEndFastqManifestPhred64
PairedEndFastqManifestPhred64V2
PlacementsDirFmt
PlacementsFormat
PredictionsDirectoryFormat
PredictionsFormat
ProbabilitiesDirectoryFormat
ProbabilitiesFormat
QIIME1DemuxDirFmt
QIIME1DemuxFormat
QualityFilterStatsDirFmt
QualityFilterStatsFmt
SampleEstimatorDirFmt
SeppReferenceDirFmt
SingleEndFastqManifestPhred33
SingleEndFastqManifestPhred33V2
SingleEndFastqManifestPhred64
SingleEndFastqManifestPhred64V2
SingleLanePerSamplePairedEndFastqDirFmt
SingleLanePerSampleSingleEndFastqDirFmt
TSVTaxonomyDirectoryFormat
TSVTaxonomyFormat
TaxonomicClassiferTemporaryPickleDirFmt
UchimeStatsDirFmt
UchimeStatsFmt
附錄2. 可導入的數據類型qiime tools import --show-importable-types
目前支持如下42種數據類型：
主要是關於特徵表FeatureData和樣本元數據SampleData的多種變體。
DeblurStats
DistanceMatrix
EMPPairedEndSequences
EMPSingleEndSequences
ErrorCorrectionDetails
FeatureData[AlignedSequence]
FeatureData[Differential]
FeatureData[Importance]
FeatureData[PairedEndSequence]
FeatureData[Sequence]
FeatureData[Taxonomy]
FeatureTable[Balance]
FeatureTable[Composition]
FeatureTable[Frequency]
FeatureTable[PercentileNormalized]
FeatureTable[PresenceAbsence]
FeatureTable[RelativeFrequency]
Hierarchy
MultiplexedPairedEndBarcodeInSequence
MultiplexedSingleEndBarcodeInSequence
PCoAResults
Phylogeny[Rooted]
Phylogeny[Unrooted]
Placements
QualityFilterStats
RawSequences
SampleData[AlphaDiversity]
SampleData[BooleanSeries]
SampleData[ClassifierPredictions]
SampleData[DADA2Stats]
SampleData[FirstDifferences]
SampleData[JoinedSequencesWithQuality]
SampleData[PairedEndSequencesWithQuality]
SampleData[Probabilities]
SampleData[RegressorPredictions]
SampleData[SequencesWithQuality]
SampleData[Sequences]
SampleEstimator[Classifier]
SampleEstimator[Regressor]
SeppReferenceDatabase
TaxonomicClassifier
UchimeStats
譯者簡介劉永鑫，博士，中科院青促會會員，QIIME 2項目參與人。2008年畢業於東北農業大學微生物學專業，2014年於中國科學院大學獲生物信息學博士，2016年遺傳學博士後出站留所工作，任工程師。目前主要研究方向為宏基因組數據分析。目前在Science、Nature Biotechnology、Protein & Cell、Current Opinion in Microbiology等雜誌發表論文30餘篇，被引2千餘次。2017年7月創辦「宏基因組」公眾號，目前分享宏基因組、擴增子原創文章2400餘篇，代表作有《擴增子圖表解讀、分析流程和統計繪圖三部曲(21篇)》、 《微生物組實驗手冊》、《微生物組數據分析》等，關注人數11萬+，累計閱讀1800萬+。
Referencehttps://docs.qiime2.org/2020.11/
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: 852-857. doi:10.1038/s41587-019-0209-9
猜你喜歡10000+：菌群分析 寶寶與貓狗 梅毒狂想曲 提DNA發Nature Cell專刊 腸道指揮大腦
系列教程：微生物組入門 Biostar 微生物組 宏基因組
專業技能：學術圖表 高分文章 生信寶典 不可或缺的人
一文讀懂：宏基因組 寄生蟲益處 進化樹
必備技能：提問 搜索 Endnote
文獻閱讀 熱心腸 SemanticScholar Geenmedical
擴增子分析：圖表解讀 分析流程 統計繪圖
16S功能預測 PICRUSt FAPROTAX Bugbase Tax4Fun
在線工具：16S預測培養基 生信繪圖
科研經驗：雲筆記 雲協作 公眾號
編程模板: Shell R Perl
生物科普: 腸道細菌 人體上的生命 生命大躍進 細胞暗戰 人體奧秘
寫在後面為鼓勵讀者交流、快速解決科研困難，我們建立了「宏基因組」專業討論群，目前己有國內外5000+ 一線科研人員加入。參與討論，獲得專業解答，歡迎分享此文至朋友圈，並掃碼加主編好友帶你入群，務必備註「姓名-單位-研究方向-職稱/年級」。PI請明示身份，另有海內外微生物相關PI群供大佬合作交流。技術問題尋求幫助，首先閱讀《如何優雅的提問》學習解決問題思路，仍未解決群內討論，問題不私聊，幫助同行。
學習16S擴增子、宏基因組科研思路和分析實戰，關注「宏基因組」
點擊閱讀原文，跳轉最新文章目錄閱讀