时间序列

搜索
登录

时间序列

文章数：11篇

iMeta：国内团队解析了草地土壤微生物生活史策略

本研究构建了一个框架，以突出草地恢复过程中植物和土壤特性在驱动微生物生活史特征方面的重要性，表明微生物生活史特征支持rRNA操纵子拷贝数能够反映土壤微生物资源有效性这一观点。

时间序列高通量测序微生物群落植物特性资源可用性

宏基因组学

研究肠道菌群组成和功能的新兴计算工具和模型（综述）

高通量测序、质谱和其他组学分析平台的进步提高了我们生成大量数据的能力，从而能够探索微生物群落组成和功能的时间变化。方法和工具是阐明机制必需的，其可以对时序数据中的依赖性进行严格建模。纵向数据通常是稀疏且采样不均匀的，在确定统计显著性，跨不同数据类型进行归一化以及模型验证方面仍然存在不小的挑战。本综述重点介绍了用于分析时间序列微生物组和代谢组数据以及整合这些数据的模型和软件工具的最新发展。

宏基因组学时间序列建模多组学纵向差分丰度

MITRE ：利用系统发育信息寻找时间序列中微生物组和宿主的关联

肠道微生物与人类多种疾病密切相关。高通量测序让我们看到了整个微生物群落，但庞大的数量对于我们寻找微生物组内，微生物组同宿主之间的关系却不利。本文作者在之前的研究中提出MDSINE算法用于寻找微生物组时间序列中的菌群动态变化特征。在这里作者又试图处理微生物组变化同宿主状态变化之间的联系并尝试预测，进而开发了工具MITRE：一种基于贝叶斯框架开发的有监督的机器学习方法。与传统随机森林，逻辑回归等机器方法所不同的是，这一工具整合了系统发育信息，作者表示这将更容易发现生物学解释。软件采用python编写，可在github上获取供大家使用。

生物信息时间序列关联纵向研究机器学习

Nature子刊：全新的微生物组分析平台QIIME 2正式发布

引用1.7万多次的微生物组分析流程QIIME发布已9年，无法满足当今大数据和可重复分析的要求。2016年发起的全新项目QIIME 2，基于Python3编写，集合了10个国家79家单位的112位作者共同参与，于2019年7月24日在生物技术顶级期刊Nature Biotechnology正式发表。该项目发表不是项目结束，而是刚刚开始，将会以每季度的速度进行大版本更新优化和增加新功能，而且也希望更多的国际同行加入，打造微生物组领域最强大的分析平台和知识库。该项目在发表前已经非正式引用近千次，现在大家可以优雅的引用它了。本月底将发布2019.7版本，年底发布2019.10版本，配套中文文档和视频教程也将在宏基因组公众号陆续更新，详见延伸阅读。

微生物组 QIIME2 软件刘永鑫白洋

儿童视力受损

JAMA子刊：中国儿童视力障碍与经济发展的关系

近期，发表在《JAMA Pediatrics》上的一篇研究，通过时间序列分析，描述中国近30年来儿童视力与GDP发展之间的关系，发现儿童视力受损（尤其是近视）的患病率逐年增高，且其与经济发展存在关联。需要注意的是，该研究属于流行病学研究方法中的“生态学研究”，其证据质量等级较低。探讨经济水平发展与儿童视力，需要考虑更多的社会、生理问题，在本文的讨论部分亦有介绍。值得对儿童近视问题感兴趣的专家阅读借鉴。

儿童视力受损生态学研究时间序列儿童 GDP

人造肠道研究带来的启示

一项可控的人造肠道研究中，展示了肠道菌群在密集时间尺度上取样的动态变化，评价了取样频率对肠道菌群生物学变异和技术变异的贡献。

人工肠道时间序列 Artificial gut Bayesian statistics Bioreactor

生物信息学工具

菌群时间序列数据分析的新方法

生长速率、种间互作、随机过程和物种迁移等都会影响菌群的动态，这些因素的不同导致群落模型的适用性上存在差异，并可能影响种间相互作用关系的确定。一个新工具可以区分时间序列数据的噪音类型，帮助确定微生物动态的驱动因素，指导互作网络的构建。

生物信息学工具时间序列互作网络 R语言群落组装

中科院遗传发育所揭示水稻微生物组全生育期动态变化规律

人类体内和植物根系都存在着数量庞大种类繁多的微生物群落（微生物组）。肠道微生物组随人类年龄的演化规律关系到人们的健康。与之类似，植物根系微生物组随植物生长的变化规律对植物健康也非常重要，与农作物营养高效利用、连作、轮作等重要问题密切相关。中国科学院遗传与发育生物学研究所，植物基因组学国家重点实验室，中国科学院-英国约翰英纳斯中心植物和微生物科学联合研究中心(CEPAMS)的白洋课题组与合作者详细描述了水稻田间全生育期根系微生物组的变化规律。该成果说明农作物的生长时期是益生菌在农业上的施用过程中需要考虑的重要因素。把农作物生殖生长期需要的益生菌在幼苗期施用，效果自然不好。该成果将为水稻根系益生菌的施用提供理论支撑。该文章作为当期封面文章发表，仅一年已经引用高达16次，并提供代码 https://github.com/microbiota/Zhang2018SCLS 以及每个图片分析的详细教程，详见延伸阅读。

水稻微生物组时间序列随机森林回归 Rice

肠道菌群动态

PCB：人体肠道菌群的两个动态体系

菌群数据分析的方法学创新，值得读一读。

肠道菌群动态非自回归时间序列均值回归稀疏向量自回归模型

Nature：精准诊断和治疗疾病，MWAS来帮忙！

① DNA测序、代谢组、蛋白组和计算工具快速发展，推动微生物组与疾病相关联；② 时间序列研究和多分子视角促进MWAS发展，已有研究支持MWAS的可靠结果；③ 对精准诊断和治疗来说，应充分理解微生物组和饮食、化学、健康的复杂关系，并要确定记录和整合这些动态变化的检测频率；④ 特别提出MWAS的原则。

GWAS MWAS DNA测序代谢组蛋白组

Genome Biology：人体各部位微生物组时间序列分析

此文是微生物组时间序列分析的代表作品，截止19年8月引用700多次。同时本文中的所有作者，目前基本都成为了世界各地的知名教授也是一大亮点。此文的数据，在QIIME和QIIME 2时代，同时入选为教程中的示例数据，所以刚入行的小伙伴，有必要读一下此文了解时间序列分析的基本实验设计和分析思路。

分析方法时间序列 qiime QIIME2 Yi Duan