微生物组网络分析

通过共现（co-occurrence）和相关性分析，推断微生物之间的潜在相互作用关系。

为什么做网络分析？

微生物群落不是随机聚集的 — 物种之间存在：

• 互利共生: 交叉喂养、代谢互补
• 竞争排斥: 争夺相同资源
• 捕食关系: 噬菌体-宿主

网络分析帮助我们可视化和量化这些关系。

方法对比

方法	原理	处理组成性	计算成本	参考
Spearman	秩相关	❌	低	—
SparCC	对数比相关	✅	中	Friedman & Alm 2012
SPIEC-EASI	稀疏逆协方差	✅	高	Kurtz et al. 2015
FlashWeave	条件互信息	✅	高	Tackmann et al. 2019
SECOM	偏相关	✅	中	2024

为什么普通相关不行？

由于组成性偏差，物种间会出现 虚假负相关（见 组成性数据分析）。必须使用校正方法。

实操流程

R 语言 (SpiecEasi)

library(SpiecEasi)

# 构建网络
se <- spiec.easi(ps, method = "mb", lambda.min.ratio = 1e-2,
                  nlambda = 20, icov.select.params = list(rep.num = 50))

# 提取邻接矩阵
adj <- as.matrix(getRefit(se))

# 转换为 igraph 对象
library(igraph)
g <- graph_from_adjacency_matrix(adj, mode = "undirected", diag = FALSE)

# 可视化
plot(g, vertex.size = 5, vertex.label.cex = 0.7)

Python (SparCC)

from pysurvey import SparCC

sparcc = SparCC()
sparcc.fit(otu_table)
correlations = sparcc.correlations
pvalues = sparcc.pvalues

网络指标

指标	含义	生物学意义
度 (Degree)	连接数	关联多的"核心"物种
介数中心性	桥梁作用	关键"枢纽"物种
模块 (Module)	紧密连接的子群	功能群落/代谢网络
负边比例	负相关占比	竞争强度

注意事项

1. 相关 ≠ 因果: 共现不等于相互作用
2. 样本量: 网络推断需要较大样本量（建议 n > 50）
3. 过滤稀有 OTU: 出现频率 < 10% 的 OTU 应过滤
4. 组成性校正: 必须使用 SparCC/SPIEC-EASI 等方法

参考文献

1. Friedman & Alm (2012) Inferring Correlation Networks from Genomic Survey Data. PLOS Computational Biology. DOI: 10.1371/journal.pcbi.1002687
2. Kurtz et al. (2015) Sparse and Compositionally Robust Inference of Microbial Ecological Networks. PLOS Computational Biology. DOI: 10.1371/journal.pcbi.1004226
3. Tackmann et al. (2019) Rapid Inference of Direct Interactions in Large-Scale Ecological Networks from Conditional Independence. Cell Systems. DOI: 10.1016/j.cels.2019.08.002

---

最后更新: 2026-03-30