view in publisher's site

Analysis of T-RFLP data using analysis of variance and ordination methods: A comparative study

The analysis of T-RFLP data has developed considerably over the last decade, but there remains a lack of consensus about which statistical analyses offer the best means for finding trends in these data. In this study, we empirically tested and theoretically compared ten diverse T-RFLP datasets derived from soil microbial communities using the more common ordination methods in the literature: principal component analysis (PCA), nonmetric multidimensional scaling (NMS) with Sørensen, Jaccard and Euclidean distance measures, correspondence analysis (CA), detrended correspondence analysis (DCA) and a technique new to T-RFLP data analysis, the Additive Main Effects and Multiplicative Interaction (AMMI) model. Our objectives were i) to determine the distribution of variation in T-RFLP datasets using analysis of variance (ANOVA), ii) to determine the more robust and informative multivariate ordination methods for analyzing T-RFLP data, and iii) to compare the methods based on theoretical considerations. For the 10 datasets examined in this study, ANOVA revealed that the variation from Environment main effects was always small, variation from T-RFs main effects was large, and variation from T-RF × Environment (T × E) interactions was intermediate. Larger variation due to T × E indicated larger differences in microbial communities between environments/treatments and thus demonstrated the utility of ANOVA to provide an objective assessment of community dissimilarity. The comparison of statistical methods typically yielded similar empirical results. AMMI, T-RF-centered PCA, and DCA were the most robust methods in terms of producing ordinations that consistently reached a consensus with other methods. In datasets with high sample heterogeneity, NMS analyses with Sørensen and Jaccard distance were the most sensitive for recovery of complex gradients. The theoretical comparison showed that some methods hold distinct advantages for T-RFLP analysis, such as estimations of variation captured, realistic or minimal assumptions about the data, reduced weight placed on rare T-RFs, and uniqueness of solutions. Our results lead us to recommend that method selection be guided by T-RFLP dataset complexity and the outlined theoretical criteria. Finally, we recommend using binary or relativized peak height data with soil-based T-RFLP data for ordination-based exploratory microbial analyses.

تحلیل داده‌های T - RFLP با استفاده از تحلیل روش‌های واریانس و هماهنگی: یک مطالعه تطبیقی

تجزیه و تحلیل داده‌های T - RFLP در طول دهه گذشته به طور قابل‌توجهی توسعه یافته‌است، اما عدم اجماع وجود دارد که در آن تجزیه و تحلیل‌های آماری بهترین وسیله برای یافتن گرایش‌ها در این داده‌ها را ارایه می‌دهد. تحلیل مولفه‌های اصلی (PCA)، مقیاس بندی چندبعدی (DCA)، تحلیل تناظر چندبعدی (DCA)، تحلیل تناظر چند بعدی (DCA)، تحلیل مکاتبه detrended (DCA)، و یک تکنیک جدید برای تحلیل داده‌های T - RFLP، تحلیل داده‌های اصلی و مدل تعامل Multiplicative (AMMI). هدف ما تعیین توزیع واریانس در مجموعه داده‌های T - RFLP با استفاده از تحلیل واریانس (ANOVA)، ۲)برای تعیین روش‌های سازگاری چند متغیره more برای تحلیل داده‌های T - RFLP، و ج)برای مقایسه روش‌ها براساس ملاحظات نظری است. برای ۱۰ مجموعه داده بررسی شده در این مطالعه، ANOVA نشان داد که تغییرات حاصل از اثرات اصلی محیط همواره کوچک بوده و تغییرات حاصل از اثرات اصلی T - RF بزرگ بوده و تغییرات حاصل از تعاملات T - RF (T * E)میانی بوده‌است. تغییرات بزرگ‌تر ناشی از T - E تفاوت‌های بزرگتری را در جوامع میکروبی بین محیط / درمان نشان داد و در نتیجه سودمندی ANOVA را برای ارایه یک ارزیابی عینی از عدم تشابه اجتماعی نشان داد. مقایسه روش‌های آماری به طور معمول نتایج تجربی مشابهی را نشان می‌دهد. PCA، تی - RF - متمرکز، و DCA ترین روش‌ها از نظر تولید ordinations هستند که به طور پیوسته با دیگر روش‌ها به توافق رسیده‌اند. در مجموعه داده‌ها با ناهمگونی نمونه بالا، تجزیه و تحلیل nms با فاصله Sørensen و Jaccard حساس‌ترین نقطه برای بازیابی شیب‌های پیچیده بود. مقایسه نظری نشان داد که برخی روش‌ها مزایای متمایزی را برای تجزیه و تحلیل T - RFLP، از جمله برآورد تغییرات بدست‌آمده، واقع‌بینانه یا حداقل فرضیات در مورد داده‌ها، کاهش وزن داده‌شده بر T - RFs نادر، و یگانگی راه‌حل‌ها، دارا می‌باشند. نتایج ما نشان می‌دهد که انتخاب روش با پیچیدگی مجموعه داده T - RFLP و معیارهای نظری مشخص‌شده هدایت می‌شود. در نهایت، ما استفاده از داده‌های ارتفاع پیک یا relativized با داده‌های T - RFLP مبتنی بر خاک برای تجزیه و تحلیل اکتشافی میکروبی مبتنی بر خاک را توصیه می‌کنیم.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Microbiology
  • ترجمه مقاله Microbiology
  • مقاله میکروبیولوژی
  • ترجمه مقاله میکروبیولوژی
  • مقاله Molecular Biology
  • ترجمه مقاله Molecular Biology
  • مقاله زیست‌شناسی مولکولی
  • ترجمه مقاله زیست‌شناسی مولکولی
  • مقاله Microbiology (medical)
  • ترجمه مقاله Microbiology (medical)
  • مقاله میکروبیولوژی (پزشکی)
  • ترجمه مقاله میکروبیولوژی (پزشکی)
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.