CN110021338B - 一种基于Hill numbers与时间关系的幂法则模型预测微生物群落结构的方法 - Google Patents
一种基于Hill numbers与时间关系的幂法则模型预测微生物群落结构的方法 Download PDFInfo
- Publication number
- CN110021338B CN110021338B CN201711223008.4A CN201711223008A CN110021338B CN 110021338 B CN110021338 B CN 110021338B CN 201711223008 A CN201711223008 A CN 201711223008A CN 110021338 B CN110021338 B CN 110021338B
- Authority
- CN
- China
- Prior art keywords
- diversity
- model
- species
- index
- power law
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000813 microbial effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 101001126471 Homo sapiens Plectin Proteins 0.000 claims description 8
- 102100030477 Plectin Human genes 0.000 claims description 8
- 108020004465 16S ribosomal RNA Proteins 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 239000002689 soil Substances 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 3
- 241000894007 species Species 0.000 description 74
- 244000005700 microbiome Species 0.000 description 7
- 230000000968 intestinal effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 244000005709 gut microbiome Species 0.000 description 4
- 210000001035 gastrointestinal tract Anatomy 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 206010009944 Colon cancer Diseases 0.000 description 2
- 208000029742 colonic neoplasm Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000004926 Bacterial Vaginosis Diseases 0.000 description 1
- 201000004624 Dermatitis Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 208000037009 Vaginitis bacterial Diseases 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 201000001245 periodontitis Diseases 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种定量监测微生物群落结构变化趋势的方法,具体指基于微生物群落多样性Hill numbers指数与时间关系的幂法则标度模型来监测或预测群落多样性随时间变化的方法。根据被测区域内微生物群落多样性(Hill numbers)指标,通过建立“幂法则标度模型”和“指数截断的幂法则标度模型”,分别构建累积群落多样性指数与累积采样时间之间的数学模型,并根据模型参数获得一套评估体系,从而能够有效地评估或预测群落多样性随时间的变化。该方法可用于监测或预测自然界中各种(包括人体、食品、水质、土壤等)微生物生态群落多样性随时间的变化,特别是人体微生物菌群,从而为菌群相关疾病的个性化精准诊治以及健康菌群的监测和预测提供定量化指标。
Description
技术领域
本发明涉及计算生物学、医学及生态学领域,特别涉及一种监测或预测微生物群落结构随时间变化趋势的方法,具体指利用微生物物种多样性Hill numbers指数与时间关系的幂法则标度模型来监测群落多样性随时间变化的方法。
背景技术
微生物是生态***重要的组成之一,它们无处不在,数量庞大,在生态***中发挥着重要功能。特定区域内微生物群落的稳定性牵涉到该区域整个生态***的稳定性,如河流、湖泊和温泉等水体内的微生物与水质密切相关,而土壤中微生物的组成会影响土壤的营养。微生物群落的物种数量会随着时间进行波动,这种时间动态广泛存在于各个特定位点的微生物群落当中。而不同群落的动态模型又不尽相同,该不同体现在微生物群落对外界环境或人为干扰的响应程度。如新生婴儿肠道和新叶表面部分微生物群落,或水体***中随季节更替的微生物群落,会直接随着外界环境的改变而改变。然而,如废水处理***中微生物群落却极少出现时间波动,特别是其中的核心种群表现出较强的时间稳定性。对微生物群落的时间动态进行监控,可以更好的预测外界干扰对群落的影响,从而进行相应的人工干预来维护生态***的稳定。
人体共生着大量的微生物,除少数病原菌外,它们与人体互利共生,相互影响。大量研究表明,人体微生物菌群与人体的健康和疾病有着紧密的联系。宿主生活习惯、健康状况的变化直接或间接地影响着特定部位菌群的结构,如结肠癌、牙周炎、细菌性***病、皮炎及肥胖等疾病还被称为“微生物菌群相关疾病”。而不同时期的结肠癌患者肠道内微生物的物种组成及多样性也发生了改变。人体共生菌群的时间动态可以在一定程度上反应人体的健康和疾病状况,为疾病的预防、诊断和治疗提供全新的视角。
在生态学领域中,研究物种随时间变化的情况主要从物种丰富度(Richness) 与时间的关系着手,即物种-时间关系(Species-Time Relationship,STR)。其中,物种丰富度指一个群落内物种的数目。作为重要的生态学法则,STR描述了在观测的时间范围内,一个群落的物种丰富度随时间增长的情况。然而,传统的STR模型仅能反应一个群落物种丰富度随时间的改变,忽略了其他重要的群落结构特征,如每个物种的丰度信息。物种丰度是衡量物种自身个体数量的指标,物种丰度及物种丰度分布情况在一定程度影响着群落结构的稳定。STR的片面性限制了STR的应用范围,因此需要一个更为可靠、综合的评估体系对群落结构进行时间序列上的监测。
发明内容
本发明的目的在于针对现有技术方法的不足,提供一种基于“多样性Hillnumbers指数一时间”(Diversity-Time Relationship,DTR)的幂法则标度模型来监测自然界中各类微生物群落结构变化的方法。DTR模型系STR模型的全新扩展STR仅限于物种丰富度,而DTR则不但涵盖了对物种丰富度的检测,还可以用于群落中不同水平物种的多样性检测。该方法适用范围广,可用于检测各生态***中微生物菌群多样性随时间的变化情况,尤其可用于人体微生物菌群相关疾病的监测、诊断和干预,为个性化精准医疗的诊断和防治提供可靠的理论基础和定量化指标。
为实现以上目的,本发明采用的技术方案为:
步骤【1】数据采集:一定时段内对特定区域的微生物生态群落进行监测,获得一组不同监测时间点下各个物种的丰度信息数据。例如,通过16s-rRNA宏基因测序获得各个样点所有物种的丰度。
步骤【2】计算多样性指数(Hill numbers):物种多样性作为群落结构的重要属性之一,它除了包含物种丰度的信息外,还反应了群落物种个体数分布的均匀程度。物种多样性包括alpha和beta两种,前者度量单个群落的多样性,后者度量群落间的差异。
首先,按照采样时间点顺序对物种丰度信息进行累积。接着,利用Hill numbers多样性计算公式计算各累积采样时间下微生物群落的alpha物种Hill numbers指数,公式(1)所示:
在该式中qD表示q阶下的alpha累积物种Hill numbers指数,S为各累积采样时间下微生物物种的数量,pi代表各累积采样时间中每个物种的相对丰度(RelativeAbundance),q 为Hill numbers的阶数,在本发明中选取了4个指数阶数:q=0,1,2,3。当q=0,2, 3时alpha累积物种Hill numbers可由公式(1)获得。当q=1时,公式(1)无法定义,故用公式(2)进行计算:
其次,对微生物群落数据按照采样时间点(依次为前2个采样时间点,前3次采样时间点,......,前n次采样时间点)的顺序计算beta物种Hill numbers,计算公式如 (3)所示:
qDβ=qDγ/qDα (3)
其中,qDβ表示物种的q阶下beta物种Hill numbers。qDα表示q阶下的alpha物种Hill numbers,计算公式如(1)(2)所示,其中pi代表各时间点中每个物种的相对丰度。qDγ为q阶下gamma物种多样性,gamma物种多样性:
其中,pi+代表各累积采样时间中每个物种对应的相对丰度。
其中,当q=0时,各物种的相对丰度并未参与计算,此时0D代表的是群落中物种的丰富度;当q=1时,1D相当于Shannon熵的指数,代表群落中典型或常见物种的 alpha物种多样性;当q=2时,2D等于Simpson指数的倒数,此时物种的丰度在Hill numbers的计算中占据重要的地位,所得结果代表群落中占优势物种的多样性。
步骤【3】模型构建:基于幂法则标度(PL:Power Law Scaling Model)构建微生物DTR的数学模型,如(5)所示:
qD=cTw (5)
其中,qD为步骤【2】所得的q阶物种Hill numbers指数,T代表累积采样时间,c和w为模型参数。通过对数转换,可得:
ln(qD)=ln(c)+wln(T) (6)
公式(6)可用来评估PL-DTR模型中的各个参数,其中w即为评估体系中的wpl。当wpl> 0时,表示物种多样性随时间呈增长趋势,当wpl<0时,表示物种多样性随时间呈减少的趋势。
根据参数wpl可以求出物种多样性在不同时间尺度间的重叠程度,本发明的评估指标g为时间尺度T与时间尺度2T间的多样性重叠程度,将参数wpl代入公式(7)计算各多样性阶数下的g值:
g=(2DT-D2T)/DT=2-2w (7)
若g=0,则两个时间尺度内的群落物种多样性没有重叠,若g=1,则表明两个时间尺度内的物种多样性完全重合,当g不等于0或1时,则代表两个时间尺度的物种多样性均有重叠。
PL模型针对q=0时的物种多样性效果较好,而面对群落中典型物种或常见物种的多样性时效果欠佳,为弥补该缺陷,本发明还扩展出第二个DTR模型。该模型基于指数截断的幂法则标度(PLEC:Power Law with Exponential Cutoff),数学模型如(8) 所示:
qD=cTwexp(dT) (8)
其中,qD代表步骤【2】中计算得到的阶数q对应的物种Hill numbers指数,T代表累积采样时间,c,w和d为模型参数。通过对数转换,可得:
ln(qD)=ln(c)+wln(T)+dT (9)
公式(9)可用来评估PLEC-DTR模型中的各个参数,其中w即为评估体系中的wplec。当 wplec>0时,表示物种多样性随时间呈增长趋势,当wplec<0时,表示物种多样性随时间呈减少的趋势。
PLEC-DTR模型在面对典型物种和常见物种多样性时优于PL-DTR模型,此外,该模型还提供了一个重要的评估指标MAD(Maximal Accrual Diversity),该指标预被监测群落在监测时间段内“群落最大累积多样性”,公式如(10)所示:
其中,Max(qD)即为评估指标MAD。
根据上述计算,可获得被监测区域在监测时间段内群落结构随时间变化的 DTR模型。根据该模型的参数可获得完整的评估体系,如表1所示,具体包括:该体系包括依据PL-DTR模型参数获得的各多样性阶数(q)下的评估指标wpl和g,以及依据 PLEC-DTR模型的评估指标wplec和MAD。
表1.基于DTR模型监测或预测微生物群落结构变化的评估体系*
*PL:Power Law Scaling Model,即幂法则标度模型。
PLEC:Power Law with Exponential Cutoff,即指数截断的幂法则标度模型。
MAD:Maximal Accumulation Diversity,即“群落最大累积多样性”
wpl:diversity scaling parameter from PL,即“幂法则标度参数”
wplec:diversity scaling parameter from PLEC,即“指数截断幂法标度参数”
g:pair-wise diversity overlap(similarity)parameter,即“多样性重叠(相似度)参数”
本发明的优势和独特功能在于:用群落物种多样性Hill numbers指数(Community Diversity)代替常规的物种丰富度(Species Richness)来探索群落物种结构随时间变化的情况。突破了现有方法针对群落单一物种结构特征(物种丰度)的局限,从多个层面反应了群落物种多样性随观测时间变化的规律,不仅包含了现有方法涉及的群落物种丰富度,还涵盖了群落中典型物种和优势物种多样性等多个群落物种结构。本发明适用范围广,可用于监测或预测各种微生物生态菌群结构或多样性随时间的变化情况,尤其可用于人体微生物菌群的监测和预测,包括人体微生物菌群相关疾病的评估、诊断和干预,以及为个体话精准医疗的诊断和防治提供可靠的理论基础。
具体实施方式
下面结合具体实施例对本发明做进一步的说明,但并不局限于此。
实施例1:监测一名健康男性肠道微生物菌群结构在一年内的变化
步骤【1】数据来源(Citation of the data source):
该肠道微生物菌群数据采自一名健康男性。在第0天到第364天期间,对该名男性的粪便进行采样,每个时间点获取一个样本,一年内共得到340个时间点的肠道微生物菌群样本。原作者采用了16s-rRNA基因标记测序技术获得了该名男性肠道微生物菌群随时间变化的丰富度(Richness)和丰度(Abundance)数据。
步骤【2】计算多样性指数:首先,按照采样时间顺序对该名健康男性的肠道菌群的物种丰度进行累积,获得累积采样时间对应的微生物群落物种累积丰度的信息数据,并计算340个采样时间点下群落的累积alpha物种Hill numbers指数。
接着,计算该肠道菌群的beta物种Hill numbers指数。计算过程为:依次按照前2个采样时间点,前3个采样时间点,......,前n个采样时间点的顺序分别计算群落的beta物种Hill numbers,最终获得该肠道菌群的beta物种多样性Hill numbers指数。其中, alpha和beta物种Hill numbers指数均选取4个多样性阶数:q=0,1,2,3。
步骤【3】模型构建:基于PL构建肠道菌群物种Hill numbers指数与采样时间关系PL-DTR数学模型,模型如下公式所示:
qD=cTw
其中,qD为步骤(2)所得的q阶Hill numbers指数,T代表累积采样时间,c和w为模型参数。通过对数转换,可得:
ln(qD)=ln(c)+wln(T)
公式(6)可用来评估PL-DTR模型中的各个参数,其中w即为评估体系中的wpl。根据参数wpl可以求出该名男性肠道菌群物种多样性在不同时间尺度间的重叠程度g,公式如(7)所示:
g=(2DT-D2T)/DT=2-2w
基于PLEC构建的DTR数学模型,公式如下所示:
qD=cTwexp(dT)
其中,qD代表步骤(2)中计算得到的阶数q对应的累积Hill numbers指数,T代表累积采样时间,c,w和d为模型参数。通过对数转换,可得:
ln(qD)=ln(c)+wln(T)+dT
公式(9)可用来评估PLEC-DTR模型中的各个参数,其中w即为评估体系中的wplec。基于PLEC-DTR模型参数可求得评估指标MAD,公式如下所示:
其中,Max(qD)即为评估指标MAD。
根据上述计算,可获得该名健康男性的肠道微生物菌群在一年内的结构或多样性变化,这里以alpha多样性为例示范评估体系的四项指标,如表1所示。其中,wpl或 wplec>0时,表示物种多样性随时间呈增长趋势,wpl或wplec<0时,表示物种多样性随时间呈减少的趋势。若g=0,则两个时间尺度的群落物种多样性没有重叠,g=1,则表明两个时间尺度的物种多样性完全重合,当g介于0~1之间时两个时间尺度的多样性有重叠。
表2.一名健康男性肠道微生物菌群一年内的结构变化的DTR模型评估体系*
*PL:Power Law Scaling Model,即幂法则标度模型。
PLEC:Power Law with Exponential Cutoff,即指数截断的幂法则标度模型。
MAD:Maximal Accumulation Diversity,即“群落最大累积多样性”
wpl:diversity scaling parameter from PL,即“幂法则标度参数”
wplec:diversity scaling parameter from PLEC即“指数截断幂法标度参数”
g:pair-wise diversity overlap(similarity)parameter即“多样性重叠(相似度)参数”。
Claims (2)
1.一种基于多样性指数和时间关系(Diversity-Time Relationship,DTR)的幂法则标度模型预测微生物群落结构变化的方法,其特征在于:该方法基于不同多样性阶数下DTR模型参数构成的评估体系,如表1所示:
表1.基于DTR模型监测或预测微生物群落结构变化的评估体系
PL:Power Law Scaling Model,即幂法则标度模型
PLEC:Power Law with Exponential Cutoff,即指数截断的幂法则标度模型
MAD:Maximal Accumulation Diversity,即“群落最大累积多样性”
wpl:diversity scaling parameter from PL,即“幂法则标度参数”
wplec:diversity scaling parameter from PLEC,即“指数截断幂法标度参数”
g:pair-wise diversity overlap parameter,即“多样性重叠参数”
前述评估体系,其特征在于根据如下方法计算各评估指标:
(1)数据:在一定时段内对特定区域的微生物生态群落进行监测,获得一组不同监测时间点下各物种的丰度信息数据,通过16s-rRNA标记的宏基因测序获得物种丰度信息;
(2)计算多样性指数:对物种丰度数据按照采样时间点的顺序进行累积,获得累积采样时间下群落物种累积丰度的信息数据;利用Hill numbers多样性计算公式,选取4个多样性阶数:q=0,1,2,3,分别计算不同阶数下各累积采样时间的alpha累积物种多样性指数和beta多样性指数;
(3)模型构建:根据幂法则标度模型获取各多样性阶数下的评估指标wpl,模型核心如公式如下所示:
qD=cTw
其中,qD代表步骤(2)中计算得到的阶数q对应的alpha或beta多样性指数,T代表累积采样时间,c为模型参数,w为评估指标wpl;
根据如下公式计算各多样性阶数下的群落多样性重叠度g:
g=(2DT-D2T)/DT=2-2w
其中,w为多样性指数下的评估指标wpl;
根据指数截断的幂法则标度模型获取各多样性指数下的评估指标wplec,模型核心如公式如下所示:
qD=cTwexp(dT)
其中,qD代表步骤(2)中计算得到的阶数q对应的alpha或beta多样性指数,T代表累积采样时间,c和d为模型参数,w为评估指标wplec;
将c,d和w带入如下公式计算评估指标MAD,即“群落最大累积多样性”:
其中,Max(qD)即为评估指标MAD;
综上可得完整的DTR评估体系,即表1所示,具体包括:wpl,即“幂法则标度参数”;g,即“多样性重叠参数”;wplec,即“指数截断幂法则标度参数”;MAD,即“群落最大累积多样性”。
2.按照权利要求1所述的内容,其特征在于:针对监测自然界中各种微生物生态群落多样性随时间的变化规律,从而提供服务的产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711223008.4A CN110021338B (zh) | 2017-11-20 | 2017-11-20 | 一种基于Hill numbers与时间关系的幂法则模型预测微生物群落结构的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711223008.4A CN110021338B (zh) | 2017-11-20 | 2017-11-20 | 一种基于Hill numbers与时间关系的幂法则模型预测微生物群落结构的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110021338A CN110021338A (zh) | 2019-07-16 |
CN110021338B true CN110021338B (zh) | 2021-09-17 |
Family
ID=67186820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711223008.4A Active CN110021338B (zh) | 2017-11-20 | 2017-11-20 | 一种基于Hill numbers与时间关系的幂法则模型预测微生物群落结构的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110021338B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739680A (zh) * | 2009-12-10 | 2010-06-16 | 西北工业大学 | 基于人工内分泌免疫***的医学体数据分割方法 |
CN103305607A (zh) * | 2013-05-22 | 2013-09-18 | 宁波大学 | 一种基于微生物群落变化的水产养殖病害预测方法 |
CN106290224A (zh) * | 2016-07-29 | 2017-01-04 | 北京工商大学 | 腊肉品质的检测方法 |
-
2017
- 2017-11-20 CN CN201711223008.4A patent/CN110021338B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739680A (zh) * | 2009-12-10 | 2010-06-16 | 西北工业大学 | 基于人工内分泌免疫***的医学体数据分割方法 |
CN103305607A (zh) * | 2013-05-22 | 2013-09-18 | 宁波大学 | 一种基于微生物群落变化的水产养殖病害预测方法 |
CN106290224A (zh) * | 2016-07-29 | 2017-01-04 | 北京工商大学 | 腊肉品质的检测方法 |
Non-Patent Citations (1)
Title |
---|
Loïc Chalmandrier等."Decomposing changes in phylogenetic and functional diversity over space and time".《ResearchGate》.2014, * |
Also Published As
Publication number | Publication date |
---|---|
CN110021338A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Assessment of bacterial profiles in aged, home-made Sichuan paocai brine with varying titratable acidity by PacBio SMRT sequencing technology | |
Blaustein et al. | Escherichia coli survival in waters: temperature dependence | |
Hartmann et al. | Ranking the magnitude of crop and farming system effects on soil microbial biomass and genetic structure of bacterial communities | |
CN109943636A (zh) | 一种结直肠癌微生物标志物及其应用 | |
Paliy et al. | Application of phylogenetic microarrays to interrogation of human microbiota | |
CN103305607B (zh) | 一种基于微生物群落变化的水产养殖病害预测方法 | |
KR20200049861A (ko) | 미생물 관련 유의 지수 메트릭스 | |
CN107273711B (zh) | 一种对虾健康状况指示菌群的筛选方法 | |
CN110021337B (zh) | 一种基于多样性指数和区域范围关系的幂法则标度模型预测微生物群落结构的方法 | |
Mdladla et al. | Landscape genomics and pathway analysis to understand genetic adaptation of South African indigenous goat populations | |
Lin et al. | Alterations in the fecal microbiota of patients with spinal cord injury | |
Jomehzadeh et al. | Quantification of intestinal lactobacillus species in children with functional constipation by quantitative real-time PCR | |
Al et al. | Ureteral stent microbiota is associated with patient comorbidities but not antibiotic exposure | |
CN110021350B (zh) | 一种基于多样性指数与时空关系的幂法则标度模型预测微生物群落结构变化的方法 | |
CN110541026A (zh) | 一种检测溃疡性结肠炎的生物标志物及应用 | |
Rantsiou et al. | Understanding the behavior of foodborne pathogens in the food chain: new information for risk assessment analysis | |
Marasco et al. | Isolation and identification of lactic acid bacteria from natural whey cultures of buffalo and cow milk | |
Barzideh et al. | Dynamics of starter and non-starter lactic acid bacteria populations in long-ripened cheddar cheese using propidium monoazide (PMA) treatment | |
Thingholm et al. | Ecology impacts the decrease of Spirochaetes and Prevotella in the fecal gut microbiota of urban humans | |
WO2020147557A1 (zh) | 肠道微生物测序数据处理方法、装置、存储介质及处理器 | |
Busetta et al. | Polyphasic characterization of microbiota of “mastredda”, a traditional wooden tool used during the production of PDO Provola dei Nebrodi cheese | |
Zlatković et al. | Spatio-temporal dynamics in physico-chemical properties, phytoplankton and bacterial diversity as an indication of the Bovan reservoir water quality | |
CN110021338B (zh) | 一种基于Hill numbers与时间关系的幂法则模型预测微生物群落结构的方法 | |
Sher et al. | Combined analysis of microbial metagenomic and metatranscriptomic sequencing data to assess in situ physiological conditions in the premature infant gut | |
Barak et al. | Selecting 16S rRNA Primers for Microbiome Analysis in a Host–Microbe System: The Case of the Jellyfish Rhopilema nomadica |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |