1. 稀释性曲线（Rarefaction Curve）
采用对测序序列进行随机抽样的方法，以抽到的序列数与它们所能代表OTU的数目构建曲线，即稀释性曲线。中学数学教学
当曲线趋于平坦时，说明测序数据量合理，更多的数据量对发现新OTU的边际贡献很小；反之则表明继续测序还可能产生较多新的OTU。
横轴：从某个样品中随机抽取的测序条数；"Label 0.03" 表示该分析是基于OTU 序列差异水平在0.03，即相似度为97% 的水平上进行运算的，客户可以选取其他不同的相似度水平。《江南》古诗原文
纵轴：基于该测序条数能构建的OTU数量。
曲线解读：开仓平仓
Ø 图1中每条曲线代表一个样品，用不同颜色标记；
Ø 随测序深度增加，被发现OTU 的数量增加。当曲线趋于平缓时表示此时的测序数据量较为合理。
2. Shannon-Wiener 曲线
反映样品中微生物多样性的指数，利用各样品的测序量在不同测序深度时的微生物多样性指数构建曲线，以此反映各样本在不同测序数量时的微生物多样性。
当曲线趋向平坦时，说明测序数据量足够大，可以反映样品中绝大多数的微生物物种信息。
横轴：电脑截图快捷方式从某个样品中随机抽取的测序条数。
纵轴：Shannon-Wiener 指数，用来估算群落多样性的高低。
Shannon 指数计算公式：
其中，
Sobs= 实际测量出的OTU数目；
ni= 含有i 条序列的OTU数目；
N = 所有的序列数。
曲线解读：
Ø 图2每条曲线代表一个样品，用不同颜色标记，末端数字为实际测序条数；
Ø 起初曲线直线上升，是由于测序条数远不足覆盖样品导致；
Ø 数值升高直至平滑说明测序条数足以覆盖样品中的大部分微生物。
3.Rank-Abundance 曲线
用于同时解释样品多样性的两个方面，即样品所含物种的丰富程度和均匀程度。
物种的丰富程度由曲线在横轴上的长度来反映，曲线越宽，表示物种的组成越丰富；
物种组成的均匀程度由曲线的形状来反映，曲线越平坦，表示物种组成的均匀程度越高。
可对横轴：OTU 相对丰度含量等级降序排列。
纵轴：相对丰度比例。
曲线解读：
Ø 图3与图4中每条曲线对应一个样本（参考右上角图标）；
Ø 图3与图4中横坐标表示的是OTU（物种）丰度排列顺序，纵坐标对应的是OTU（物种）所占相对丰度比例（图3为相对百分比例，图4为换算后Log值），曲线趋于水平则表示样
品中各物种所占比例相似；曲线整体斜率越大则表示样品中各物种所占比例差异较大。
4. 样本群落组成分析：多样本柱状图/ 单样本饼状图
根据分类学分析结果，可以得知一个或多个样品在各分类水平上的物种组成比例情况，反映样品在不同分类学水平上的群落结构。
柱状图（图5）
横轴：各样品的编号。
纵轴：相对丰度比例。
图标解读：
Ø 颜色对应此分类学水平下各物种名称，不同色块宽度表示不同物种相对丰度比例；
Ø 可以在不同分类学水平下作图分析。
饼状图（图6）
在某一分类学水平上，不同菌群所占的相对丰度比例。不同颜色代表不同的物种。
5. 样品OTU 分布Venn 图
用于统计多个样品中共有或独有的OTU数目，可以比较直观地表现各环境样品之间的OTU 组成相似程度。
不同样品用不同颜色标记，各个数字代表了某个样品独有或几种样品共有的OTU 数量，对应的OTU编号会以EXCEL 表的形式在结题报告中呈现。
分析要求
单张分析图，样本分组至少两个，最多5 个。
Ø 默认设置为97% 相似度水平下以OTU 为单位进行分析作图。
6. Heatmap 图
用颜色变化来反映二维矩阵或表格中的数据信息，它可以直观地将数据值的大小以定义的颜色深浅表示出来。将高丰度和低丰度的物种分块聚集，通过颜色梯度及相似程度来反映多个样品在各分类水平上群落组成的相似性和差异性。
相对丰度比例：
热图（图8）中每小格代表其所在样品中某个OTU 的相对丰度。以图8为例，红框高亮的小格所对应的信息为：样本（R11-1Z）中OTU（OTU128）的相对丰度比例大概为0.2%。
丰度比例计算公式（Bray Curtis 算法）：
其中，
SA,i = 表示A样品中第i个OTU所含的序列数
SB,i = 表示B样品中第i个OTU所含的序列数
样品间聚类关系树：
进化树表示在选用成图数据中，样本与样本间序列的进化关系（差异关系）。处于同一分支内的样品序列进化关系相近。
物种/OTU 丰度相似性树：
丰度相似性树表示选用成图的数据中样品与样品中的OTU 或序列在丰度上的相似程度。丰度最相近的会分配到同一分支上。
客户自定义分组：根据研究需求对菌群物种/OTU 研究样本进行二级分组
蔡文姬怎么玩Ø 二级物种/OTU 分组：将下级分类学水平物种或OTU 分配到对应的上级分类学水平，以不同颜色区分；
Ø 二级样品分组：根据研究需要，对样品进行人为的分组，以不同颜色区分。
7. 主成分分析PCA (Principal Component Analysis)
在多元统计分析中，主成分分析是一种简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中对方差贡献最大的特征，从而有效地找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。
通过分析不同样品的OTU 组成可以反映样品间的差异和距离，PCA 运用方差分解，将多组数据的差异反映在二维坐标图上，坐标轴为能够最大程度反映方差的两个特征值。如样品组成越相似，反映在PCA图中的距离越近。
横轴和纵轴：以百分数的形式体现主成分主要影响程度。以图9为例，主成分1（PC1）和主成分2（PC2）是造成四组样品（红色，蓝色，黄色和绿色）的两个最大差异特征，贡献率分别为41.1% 和27.1%。
十字交叉线：在图9中作为0 点基线存在，起到辅助分析的作用，本身没有意义。
图例解读：
百度软件管家Ø PCA 分析图是基于每个样品中所含有的全部OTU 完成的；
Ø 图9中每个点代表了一个样本；颜色则代表不同的样品分组；
Ø 两点之间在横、纵坐标上的距离，代表了样品受主成分（PC1 或 PC2）影响下的相似性距离；
高谈阔论造句
