CCA分析

CCA Analysis（CCA分析）

RDA或者CCA[1]是基于对应分析发展而来的一种排序方法，将对应分析与多元回归分析相结合，每一步计算均与环境因子进行回归，又称多元直接梯度分析。此分析是主要用来反映菌群与环境因子之间关系。RDA是基于线性模型，CCA是基于单峰模型。分析可以检测环境因子、样本、菌群三者之间的关系或者两两之间的关系。

1. RDA或CCA模型的选择原则：先用Species Table数据做DCA分析，看分析结果中Axis lengths的第一轴的大小，如果大于4.0，就应该选CCA，如果3.0-4.0之间，选RDA和CCA均可，如果小于3.0，RDA的结果要好于CCA。

2. 通过bioenv函数判断环境因子与样本群落分布差异的最大Pearson相关系数，通过最大相关系数得到环境因子子集。

3. 将样本物种分布表与环境因子或环境因子子集分别做CCA或者RDA分析。

4. 通过类似于ANOVA 的permutest分析来判断CCA或者RDA分析的显著性。

输入：

1、Species Table文件，由分析模块 "Summary the representation of taxonomic groups" 生成。

2、样本环境因子信息文件，示例：

！！注：输入的环境因子个数必须大于等于2，并且小于样本个数。

Sample Temperature Salinity DO pH

1410X 20.30 18.10 8.39 8.80

1501X 11.00 21.10 11.27 8.12

1504X 14.90 19.30 5.96 8.04

1507X 27.10 17.40 7.24 8.29

3、如果表示环境因子的射线太短或太长，通过设置如下所示的参数进行等比例放大或缩小。

输出：

decorana.txt：判断用CCA分析还是RDA分析的文件；

bioenv.txt：bioenv分析判断结果；

cca.txt：记录环境因子（Constrained）与非环境因子（Unconstrained）对样本群落分布的影响分别所占的比例；

permutest.cca.txt：permutest显著性检验结果；

cca.sites.xls.txt：各样本在各个排序轴上的值；

cca.biplot.xls.txt：各环境因子在各排序轴的计算值；

envfit.cca.txt：各环境因子对排序结果的相关性系数及显著性检验值；

cca.cont.xls.txt：各排序轴的特征值及解释度，一般取前两个排序轴作图；

图1. Multiple samples RDA/CCA analysis

图2. Multiple samples RDA/CCA analysis

图中数字表示样本名，不同颜色或形状表示不同环境或条件下的样本组；箭头表示环境因子；图2中蓝色下三角表示不同的细菌类型；物种与环境因子之间的夹角代表物种与环境因子间的正、负相关关系（锐角：正相关；钝角：负相关；直角：无相关性）；由不同的样本向各环境因子做垂线，投影点越相近说明样本间该环境因子属性值越相似，即环境因子对样本的影响程度相当。

分析模块引用了R语言（v2.12.1）vegan包（v2.0-1）中的CCA分析。