时序性研究|探索微观世界的动态变化

微生物群落的动态变化描述

马克思主义哲学观点告诉我们“世界是物质的，物质是运动的”。这种“运动”造成了我们只能发现规律，却无法脱离背景描述特征。

人有悲欢离合，月有阴晴圆缺，大如宇宙的更迭，小到一花一草的繁盛衰败，真的是“没有什么会永垂不朽~”

微生物的世界更是如此。无法把握“它”的每一分每一秒，那能不能循着“它”的变化，感知“它”的规律呢？

我们知道，增长率、群落间相互作用、随机性以及迁移等都是微生物群落动态的重要驱动因素。而在不同的生态系统中，这些驱动因素的影响力也是不同的，确定他们在生态环境中的贡献性对研究选择合适的模型意义重大。

既往研究中，提出过一些常用的群落模型（如下图）：

图注说明：群落模型概述。此概述图中的群落模型的位置由两个轴决定，分别代表结构和噪声等重要性。第一个梯度按照随机性水平对模型进行排序，中性模型在极端，无噪声的Ricker和广义Lotka-Volterra模型（gLV）在另一个极端。当增加噪声强度或者减少个体数量时，确定性模型向频谱较小的随机末端移动；第二周根据结构（即和先前时间点的依赖关系）的作用对模型进行排序。DM分布和其他概率分布，其产生的计数不依赖与先前的状态，位于谱的另一端。

虽然这些模型强调了生态驱动的不同方面，但也是跨不同梯度的包罗万象的生态模式。而研究者更希望能够确定来自时间序列的数据集进行微生物网络的推断是否有意义。基于此，有研究者提出了一款微生物测序数据分析过程中，对时间序列数据的分类处理的新方案。

这个新的分析方案引入了时间顺序的连续性观测，其研究过程主要分为三步：

让我们来看看这个模型是如何实现的：

首先，需要确定时间序列中是否存在连续的时间间隔（temporal structure）中的依赖关系。这里需要区分结构和非结构的时间序列的噪声类型（如下图）：

噪声颜色较暗说明时间点之间的时间依赖性增加，白噪声表明没有时间间隔的随机过程可能由于技术偏差引起，例如采样密度不足或测量噪声太大、反应内在时间结构的缺乏。

然后利用最近开发的中性测评方法评估物种之间的互作是否是动态变化所必需的：

阳性测试结果（p值低于显著性水平）表明微生物群落中存在相互作用，并可以通过拟合假设互作的群落模型，通过网络分析和因果模型方法进行追踪。对于外部噪声过大或取样间隔过大，中性测试可能会产生误报结果。

研究将此方案应用于Dirichlet-multinomial (DM) 分布，Hubbell中性模型，以及广义 Lotka-Volterra模型及其离散变量（Ricker模型），自行组织的不稳定模型，以及人类粪便微生物群的时间序列。除了DM数据之外，所有噪声类型的分布都清楚地表明了截然不同的结构。中性测试准确的将除了DM数据这种时间序列之外的数据分类为非中性（下图）。

上图示：

a 中性测试区别中性和非中性时间序列。长间隔是一个混淆因子。

b 中性测试可正确分类短时间序列

c 基于LIMITS的互作矩阵的时间序列准确度高于三个决定模型，随连接性减少。

d Ricker模型的拟合优度最高，除了非结果的DM数据。

研究中，用两组志愿者连续收集的粪便的宏基因组样本数据开展互作网络研究，基于时序性判断微生物群落的互作关系网络。

以粪便数据集为例推断肠道菌群的互作，交互矩阵代表有向网络，其节点使用属或者更高级别的分类名称标记的OTU，并且有向边表示推断的交互矩阵中非零对象，绿色为正相关，紫色为负相关。a. 个体A粪便时间序列网络中，负相关中枢为Faecalibacterium（OTU） ；

b. 个体B粪便时间网络中，相同的Faecalibacterium 也形成负中枢。

中性检验正确的将DM和中性时间顺序归为非中性因素。这个过程可靠的识别了相互作用较为稳定适合的时间序列。正如展示的那样所有的结构化时间序列，包括中性模型生成的时间序列，都达到了适合Ricker模型中等到高等的拟合优度。

参考文献：

Signatures of ecological processes in microbial community time series. Microbiome, 2018.