跳转到主要内容

简易微生物组分析平台

摘要

背景

下一代测序技术的快速进步通过大大提高了我们在给定样本中了解微生物的多样性的能力,彻底改变了微生物组研究。在过去十年中,已经开发了几个计算管道以有效地处理和注释这些微生物组数据。然而,这些管道中的大多数需要实施用于下游分析的附加工具以及高级编程技能。

结果

在这里,我们介绍了一个用户友好的微生物组分析平台,EZMAP(Easy Microbiome分析平台)是使用Java Swings,Java Script和R编程语言开发的。EZMAP是一个独立的包,提供图形用户界面,可以轻松地访问Qiime2的所有功能(定量洞察到微生物生态学),以及使用Qiime2输出作为输入的简化下游分析。该平台旨在为用户提供详细的报告和逐步生成的中间输出文件。允许用户下载特征/ otu表(.biom;。quom; .tsv; .xls),代表性序列(.fasta)和系统发育树(.nwk),分类分配文件(可选)。对于下游分析,用户被允许执行相对丰富的性丰富(全部分类水平),社区比较(α和β多样性,核心微生物组),差异丰富(DESEQ2和线性判别分析)和功能预测(Picrust,Tax4fun和Funguilds)。我们使用已发布的稻米微生物组数据集的案例研究演示了直观的用户界面和EZMAP的伟大可访问性。

结论

该EzMAP允许用户巩固微生物组分析过程,从原始序列处理到下游分析特定的个别项目。我们相信这将是一个宝贵的工具,为初学者在他们的微生物组数据分析。这个平台是免费提供的https://github.com/gnanibioinfo/EzMAP并会随着方法和方法的变化而不断更新。

背景

基于有针对性的扩增子测序的微生物组分析提供了微生物社区的多样性和功能的有价值的见解[1]。测序技术的快速发展使研究人员能够以前所未有的分辨率探索复杂的微生物群落[2]。扩增子序列用于鉴定样品中的分类组[3.]。由此产生的分类数据用于阐明其相对丰富,并计算α-和β多样性等社区的多样性测量。这些研究需要一系列计算过程,例如序列质量过滤,序列对准和系统发育建筑物,其可以通过一些专用数据库和常见的生物信息学工具来实现。[4]。但是,其他过程,例如社区型材相似性和分类分类分类的量化需要专门的数据库,如Silva [5],核糖体数据库项目(RDP)[6],ezbiocloud [7]及Greengenes [8以及QIIME等工具[9和母亲[10是专门为标记基因分析而设计的。基于目的基因的分析可以对基于条形码基因的分析无法获得的群落功能提供重要的见解。这种对社区功能的分析还需要专门的工具和数据库。部分标记基因分析方法可用于宏基因组学研究,其依据是涉及碳氮循环的重要生态途径中保存完好的关键基因。

微生物组分析中的核心步骤是代表序列的分类分类和聚类为OTU(运营分类单位)。最流行的扩增子测序管道是Qiime2和Mothur。虽然在流行的使用中,这些管道需要实施下游分析以及基本编程技能的额外工具,这可能会劝阻研究人员使用小的生物信息学专业知识。因此,制作Qiime2用户友好和可访问的研究人员需要图形用户界面(GUI),允许新手上传FASTQ文件,从而在几下点击时选择去噪算法和引用数据库来执行OTU群集。

本文介绍了一个用户友好的微生物组分析平台EzMAP,它是用Java swing、Java Script和R编程开发的。该工具提供GUI,允许使用QIIME2功能进行元数据分析、读取预处理、序列处理和分类、OTU(操作分类单元)聚类、分类分配和可视化。QIIME2的输出文件可以被传送到EzMAP框架的下游分析。

实施EZMAP.

EZMAP为使用16S RRNA和ITS1 / ITS2序列数据提供了Metagenome项目的全面和简化的工作流程,从原始序列数据的预处理到下游分析和可视化。该平台的设计(图。1),帮助用户克服命令行使用带来的负担,因为命令行使用时很容易因输入错误和参数设置而产生错误。在EzMAP中,允许用户定位工作目录并上传清单文件(fastq文件路径)、元数据文件。在文件上传时,会自动验证输入文件是否有正确的文件格式。为了在过滤质量较差的序列的同时获得高质量的代表性序列,用户可以选择DADA2 [11和Deblur [12算法。下一步,使用已知的参考分类法分类器搜索非嵌合序列,其阈值相似度为97%,置信度为70%,在QIIME2中表示为0.7作为OTU聚类的默认设置[13]。用户可以选择公开可用的数据库,如SILVA、Greengenes和UNITE [14]。用户还可以选择使用QIIME2的q2-特征分类器协议来训练他们的自定义分类器。

图。1
图1

显示EZMAP工作流程的图

Mafft计划[15[用于执行多序列对准和系统发育树的构建。最终提供用户/ OTU表(.biom;。qual; .tsv; .xls),代表序列(.fasta),系统发育树(.nwk)和分类作业文件(可选)下载或进一步下行分析在管道中的每个步骤的出处日志。最终输出是OTU表,它是每个样本的序列计数或分类群,通常是下游分析的主要输入。EZMAP为下游分析提供各种选项,例如所有分类群地区的相对丰富,alpha-和β-多样性措施以及可视化。单个分类群的差异丰度也可以通过替代Q2的包装脚本来执行[16]和线性判别分析效果大小(lefse)[17]。此外,EzMAP通过PICRust的包装脚本提供了功能分析选项[18], Tax4fun [19和FUNGuild [20.]。对于要执行的此类任务,OTU表将转换为合适的数据结构,以便使用嵌入EZMAP中的Rstudio IDE(集成开发环境)进一步分析和可视化。

EzMAP结合了所有必要的软件包和工具来执行微生物组分析,从而帮助用户避免复杂和耗时的安装。我们制作了一个直接的微生物组分析平台,利用QIIME2工具执行16S和ITS1/2扩增子分析的主要步骤。我们已经使用JavaScript和bash编写了包装脚本来上传fastq文件,并设置了一些选项,比如去噪算法的选择,OTU集群的参考数据库,以及无缝集成多个下游分析工具。EzMAP主要设计为通过Linux和Mac终端交互使用,而在windows上通过docker容器执行。EzMAP docker容器包含了所有执行管道所需的包,并允许用户通过安装docker和JAVA来运行分析。EzMAP是免费访问全球微生物组研究社区https://github.com/gnanibioinfo/EzMAP

结果与讨论

EZMAP概述

EZMAP旨在作为综合数据分析平台,以执行16S rRNA及其标记基因数据集的上游和下游分析。该平台旨在在数据处理期间最小化或消除使用命令行参数的使用。EZMAP简化了使用用户友好的GUI的上游和下游处理,可以通过新手微生物组研究人员有效地执行。在电流释放EZMAP中,通过Qiime2促进了16S rRNA基因的分类及其在上游模块中的序列。EZMap不需要安装任何用于在Mac和Linux操作系统上运行的Docker容器,而您需要在Windows操作系统上安装Docker容器以执行上游分析(序列和排放的预处理)。EZMAP旨在将Qiime2 Docker映像拉到Windows OS上,这需要更多磁盘空间。EZMAP在具有更多内核的高端计算机上部署高端集群或Windows OS的能力使得更容易运行所有分析。在README文件中提供了用于EZMAP采用的Windows OS上的Docker安装指令。EZMAP可以灵活地在任何OS平台上执行下游分析,包括Windows操作系统,而无需安装Docker容器。

EzMAP支持基于标记基因分析的预处理。在上游分析中,将Illumina fastq读取作为输入文件,生成OTU表和分类法表作为输出。在EzMAP中实现的流水线主要基于QIIME2,这是目前应用最广泛的微生物组分析流水线。在每一步中,用户都可以更改默认参数,并可以选择自己选择的设置。双击EzMAP图标自动激活EzMAP环境下载席尔瓦数据库的更新版本作为默认的分类参考数据库。

EZMAP使用DADA2进行序列的质量控制,并使用更新的Silva数据库和分类器,以将代表序列的聚类,分类和分类分配给OTUS作为默认参数。由OTU表和分类表和元数据文件和系统发育树组成的BIOM文件是树文件(.nwk)是上游分析的最终输出。

从上游模块中生物学的BIOM文件被馈送为输入文件到下游模块中,它会自动将生物群组文件转换为PhyloseQ对象,以便使用Rstudio IDE进一步分析和可视化。在上传BIOM文件时会显示包含分类群的数量,样本变量数量和每个分类级别的OTU数的摘要。EZMAP用户在下游分析中提供过滤器参数,以子集并保留未分配的和未知序列。这些滤波器参数可以应用于各种水分分类分类和元数据变量,以使非细菌谱系诸如叶绿体,线粒体和古亚ea等非细菌谱系。可以通过用户在计算机屏幕上检查生物群系文件(OTU表和分类表)以及元数据文件的内容。EZMAP还展示了在每个分类法中每个社区的OTU丰富和OTU丰度分配的总数摘要。稀疏曲线可以可视化为EZMAP的主要下游分析输出的一部分。

在alpha多样性分析方面,EzMAP用户可以通过系统序列分析v 1.16.0来估算丰富度和均匀度的多样性度量,如Observed、Chao1、ACE、Shannon、Simpson、InvSimpson和Fisher [21]。使用Kruskal-Wallis测试默认进行统计评估样品的α多样性之间的差异。β多样性通过排序距离计算,以比较样本之间的相似性/不相似性。EZMAP的当前版本提供PCOA方法,以计算通过通过R包素食v的vallova p值计算的Bray-Curtis距离,Jaccard距离,加权和未加权的UNIFRAC方法。2.5-6 [22]。EzMAP使用DESeq2 v1.28.1和微生物标志物v. 0.0.1.9 [23的左旋分析,以识别数据集中差异丰富的特征。DESeq2的结果通过使用Enhanced Volcanoplot v. 1.6.0绘制为每个OTU相对于p值的fold-change [24]

EZMAP还通过使用Tax4fun v 1.0.4,Picrust(使用Greengenes数据库生成的OTU表)和使用BASH来使用税收(用于使用Silva数据库生成的OTU表)提供OTU的功能预测包装脚本。通过使用GGPLOT2 v来生成和可视化所有图。3.3.2 [25]。EZMAP提供了在一个嵌入式R闪亮应用程序中的可视化的上游数据处理和广泛的下游分析之间进行选择的灵活性。

通过提供简单的界面和强大的灵活性,EzMAP平台将成为微生物组数据分析初学者的宝贵工具。在过去的十年里,已经开发了一些基于网络或桌面的应用程序来支持微生物组数据的分析。这些工具大多是使用motherh和QIIME2管道开发的[26]。由于奇迁2已建立为事实上标准的微生物组分析工作流程/管道,用Qiime2工作流程为上游分析包装的EZMAP是用于微生物组数据分析的标准化和可重复的平台。此外,我们将EZMAP功能与其他管道开发的其他管道进行了基准测试。通过Qiime2工作流程的上游分析运行时在所有平台上都是一致的。在表中概述了EZMAP功能的ezmap功能的比较和与其他目的开发的其他管道的使用情况1

表1 EzMAP与一些现有的微生物组分析工具的比较摘要(仅独立程序)

生物切割者[27]和iMAP [28]主要嵌入Mothur和Qiime 2,用于序列处理和分类。这些平台的下游分析和可视化是通过R语言实现的。Genepiper [29]仅侧重于下游分析和数据可视化。与这些平台不同,EZMAP提供简化的分析流程,通过Qiime2和下游分析无缝地将上游分析与使用税务4Fun,Picrust和Fungueld的Deseq2,lefse,功能预测等差分丰度,以及使用Rstudio IDE的可视化。我们计划每年更新EZMAP,其中包含与微生物组分析有关的网络分析和机器学习,并在下游分析中的每一步中添加更多选项以产生交互式图表。EZMAP提供安装说明,示例数据集和示例绘图图像,以便于快速评估和采用平台https://github.com/gnanibioinfo/EzMAP

可再生的案例研究

为了演示EzMAP的使用,我们使用了Edwards等人发布的数据集。,2015年(30.]。该数据集用于研究6个栽培水稻品种的根相关微生物组的结构和变异,这些水稻品种采集自加利福尼亚州中央山谷的3个不同的稻田。以两个籼稻品种IR50和93-11的根际和根内层两个区隔的36个样品为材料,采用EzMAP进行了验证。

首先,我们从美国国家生物技术信息中心短读档案(accession no. 1)下载了36个样本的原始16S rRNA测序(Illumina MiSeq)。SRP044745)。用人工编制的元数据文件描述了样品和变量(根际和内层)、土壤位置(Arbuckle、Davis、Sacramento)和水稻品种(IR50, 93-11)。映射文件,链接样本和转发读到单独的实验变量,也是手工准备的。本案例中,EzMAP实现了qiime2-2020.8函数对具有代表性的序列进行处理和分类。管道使用DADA2作为去噪算法的默认值,并报告合并和非嵌合读取。对每个OTU的代表性序列进行分类分类,使用QIIME版本的核糖体数据库项目分类器,对照Greengenes 16S rRNA数据库(13_5 release)。以Greengenes 16S rRNA数据库为参考,所有非嵌合序列以97%的成对身份聚为操作分类单元(OTUs)。

共获得3,939,881个高质量reads,每个样本的读数中位数为98,272。利用> 97%的序列同源性将高质量的reads通过上游分析聚集到4280个细菌otu中。下游分析丢弃低丰度otu (< 5 total counts),结果为838个otu。alpha-多样性指标显示根际的多样性高于内层(P < 0.001) (Fig.2a)每种土壤类型。Arbuckle和Sacramento域的极端圈微生物群落显示出比Davis场更高的多样性(图。2b).这些结果与发表的数据一致。较高的相对丰度植物聚糖,抗酸杆菌丰度更低Planctomycetes,螺旋体属Gemmatimonadetes与根晶隔室相比,在圆顶圈观察(图。2c)也被EzMAP复制。同样,基于加权UniFrac度量(WUF)的主坐标分析(PCoA)显示,三种不同田地土壤的微生物群落在第一个主坐标上分离(图。2d)(P < 0.001, PERMANOVA). Similar structures of microbial communities between rice genotype 93-11 and IR50 when using WUF was also in accordance with the published data. Taken together, all the aforementioned results were consistent with the results reported in the original paper, attesting the utility of EzMAP. Considering the challenges in robustness and reproducibility of microbiome data analysis, the EzMAP would not only improve the reproducibility of microbiome researches but also help the novices to engage in the microbiome data analysis.

图2
图2.

Edward等人演示了EzMAP对微生物组数据的使用。一种3个样品根际间微生物多样性均高于内层。B.在三个样本中,93-11品种的alpha多样性与IR50品种相当。方框中的水平条形表示中值。C3个大田样品根际和内层门水平相对丰度的bar图。D.PCoA使用加权的UniFrac度量表明三个现场样品中微生物群落的分离。所有的图都是使用EzMAP中合并的RStudio v.1.3中的ggplot2 v3.3.3绘制的

结论

这里我们提出EzMAP,一个用户友好的微生物组分析平台。该平台允许用户巩固微生物组分析过程,从原始序列处理到下游分析特定的个别项目。我们相信这将是初学者的入门平台,也将是高级用户进行微生物组数据分析的全包包。这个平台是免费提供的,并将不断更新以采用新的方法和方法。

可用性和需求

  • 项目名: EzMAP (Easy Microbiome Analysis Platform)

  • 项目主页欧宝直播官网app:https://github.com/gnanibioinfo/EzMAP

  • 操作系统(年代):平台独立

  • 编程语言:Java Swings,Bash和R 4.0

  • 其他需求: Java JRE 1.8, RStudio v1.3

  • 许可:GPL版本

  • 非学术人士使用的任何限制:没有

数据和材料的可用性

EzMAP的项目文件和测试数据可以在https://github.com/gnanibioinfo/EzMAP。项目名称:EZMAP(Easy Microbiome分析平台)。项目主页:欧宝直播官网apphttps://github.com/gnanibioinfo/EzMAP。要求:JRE (Java Runtime Environment)。编程语言:JAVA和r。许可:GNU GPL。

缩写

DADA2:

分裂放大子去噪算法

DESeq:

序列计数数据的差分表达分析

EzMAP:

易于微生物组分析平台

GUI:

图形用户界面

其:

内部转录的垫片

LEfSe:

线性判别分析效应大小

MAFFT:

使用快速傅里叶变换的多重对齐

OTU:

操作的分类单位

PCoA:

主坐标分析

珀罗娃:

置换多元方差分析

奇摩2:

微生物生态学的定量洞见

核糖体rna:

核糖体核糖核酸

RStudio IDE:

集成开发环境

WUF:

加权UNIFRAC指标

参考文献

  1. 1.

    Baird DJ, Hajibabeil M. M. Biomonitoring 2.0:下一代DNA测序使生态系统评估成为可能的新范式。摩尔生态。2012;21(8):2039 - 44。

    文章谷歌学术

  2. 2.

    Van dijk El,Jaszczyszyn Y,Naquin D,Thermes C.测序技术中的第三次旋转。趋势类型。2018; 34(9):666-81。

    文章谷歌学术

  3. 3.

    [14]张建平,张建平,张建平,等。16S rRNA基因测序在物种和菌株水平微生物组分析中的评价。Nat Commun。2019;10(1):5029。

    文章谷歌学术

  4. 4。

    Kozich JJ,Westcott SL,Baxter Nt,Highlander Sk,Schloss Pd。用于分析MISEQ Illumina测序平台上的扩增子序列数据的双指标测序策略和策划管道的研制。申请环境微生物。2013; 79(17):5112-20。

    中科院文章谷歌学术

  5. 5.

    Yilmaz P, Parfrey LW, Yarza P,等。SILVA和“全物种活树项目(LTP)”的分类框架。《核酸》2014;42(数据库期):D643-8。

    中科院文章谷歌学术

  6. 6.

    Cole JR等。核糖体数据库项目(RDP-II):用于高通量rRNA分析的序列和工具。核酸期刊2005;33(数据库期):D294-6。

    中科院文章谷歌学术

  7. 7。

    Yoon SH, Ha SM, Kwon S, Lim J, Kim Y, Seo H, Chun J.介绍EzBioCloud: 16S rRNA基因序列和全基因组组合的分类联合数据库。中国微生物学杂志,2017;

    中科院文章谷歌学术

  8. 8。

    Desantis Tz,Hugenholtz P,Larsen N等人。Greengenes,嵌合型6S rRNA基因数据库和工作台与ARB兼容。申请环境微生物。2006; 72(7):5069-72。

    中科院文章谷歌学术

  9. 9。

    Caporaso JG,Kuczynski J,Stombaugh J等人。Qiime允许分析高吞吐量社区测序数据。NAT方法。2010; 7(5):335-6。

    中科院文章谷歌学术

  10. 10.

    Schloss Pd,Westcott SL,Ryabin T,等。介绍Mothur:Open-Source,独立的平台,社区支持的软件,用于描述和比较微生物社区。申请环境微生物。2009; 75(23):7537-41。

    中科院文章谷歌学术

  11. 11.

    Callahan BJ, McMurdie PJ, Rosen MJ,等。DADA2:来自Illumina扩增子数据的高分辨率样本推断。Nat方法。2016;13(7):581 - 3。

    中科院文章谷歌学术

  12. 12.

    Amir A, McDonald D, Navas-Molina JA, Kopylova E,等。Deblur快速解决单核苷酸群落序列模式。mSystems。2017; 2 (2): e00191-e216。

    PubMedpmed中央谷歌学术

  13. 13.

    埃德加钢筋混凝土。更新16S核糖体RNA OTUs的97%鉴别阈值。生物信息学。2018;34(14):2371 - 5。

    中科院文章谷歌学术

  14. 14。

    Nilsson Rh,Larsson Kh,Taylor AFS等。用于真菌的分子鉴定的联合数据库:处理黑暗分类群和并行分类分类分类。核酸RES。2019; 47(D1):D259-64。

    中科院文章谷歌学术

  15. 15.

    MAFFT多序列比对软件版本7:性能和可用性的改进。《分子生物学进展》2013;30(4):772-80。

    中科院文章谷歌学术

  16. 16.

    Love MI, Huber W, Anders S.用DESeq2调节RNA-seq数据的折叠变化和弥散估计。基因组医学杂志。2014;15(12):550。

    文章谷歌学术

  17. 17。

    sesegata N, Izard J, Waldron L,等。宏基因组生物标志物的发现和解释。基因组医学杂志。2011;12 (6):R60。

    文章谷歌学术

  18. 18。

    wang j, wang j, zhang j, et al., et al. .PICRUSt2用于宏基因组功能预测。生物科技Nat》。2020;38(6):685 - 8。

    中科院文章谷歌学术

  19. 19。

    Asshauer Kp,Wemheuer B,Daniel R,Meinicke P. Tax4Fun:预测来自Metagenomic 16s RRNA数据的功能性谱。生物信息学。2015; 31(17):2882-4。

    中科院文章谷歌学术

  20. 20.

    Nguyen NH, Song Z, Bates ST, Branco S, Tedersoo L, Menke J,等。FUNGuild:一个开放的注释工具,用于分析生态协会的真菌社区数据集。真菌生态。2016;20:241-8。

    文章谷歌学术

  21. 21.

    系统分析:可重复交互分析和微生物组普查数据图形的R包。PLoS ONE。2013; 8 (4): e61217。

    中科院文章谷歌学术

  22. 22.

    oksanen j等。素食主义者:社区生态包。r packag。2018; 2:5-2。

    谷歌学术

  23. 23.

    杨曹。MicrobioMarmarker:Microbiome Biomarker分析。2020. R包版本0.0.1.9000。https://github.com/yiluheihei/microbiomeMarker

  24. 24.

    增强的火山:与增强的颜色和标签的出版准备火山图。2018.R包版本1.6.0。https://github.com/kevinblighe/enhancedvolcano.

  25. 25.

    Wickham H. ggplot2:用于数据分析的优雅图形。纽约:施普林格;2009.1 - 212页。

    谷歌学术

  26. 26。

    Prodan A,Tremaroli V,Brolin H,Zwinderman Ah,Nieuwdorp M,Levin E.比较生物信息管道用于微生物16S rRNA扩增子测序。PLoS ONE。2020; 15(1):E0227434。

    中科院文章谷歌学术

  27. 27.

    Shamsaddini A, Dadkhah K, Gillevet总理。生物矿工:一个先进的探索性微生物组分析和可视化管道。PLoS ONE。2020; 15 (6): e0234860。

    中科院文章谷歌学术

  28. 28.

    iMAP:微生物组数据分析的综合生物信息学和可视化管道。BMC Bioinform。2019;20(1):374。

    文章谷歌学术

  29. 29。

    汤维民,陈耀辉,微生物组序列数据挖掘的图形用户界面工具。微生物资源公告。2020;9(1):e01195-e1219。

    中科院文章谷歌学术

  30. 30.

    Edwards J,Johnson C,Santos-MedellínC等。水稻根系相关微生物体的结构,变异和组装。Proc Natl Acad Sci USA。2015; 112(8):E911-20。

    中科院文章谷歌学术

下载参考

确认

不适用。

资金

韩国食品农村部农业微生物组研发计划项目(no . 918017-04);农村发展管理局资助项目(no . PJ013178);韩国国家研究基金资助项目(NRF-2018R1A5A1023599)。资助机构没有参与EzMAP的设计和数据分析,也没有参与手稿的撰写。

作者信息

从属关系

作者

贡献

GS设计了EzMAP,进行了案例研究,并起草了手稿。SHL对工具的比较做出了贡献,并审阅了手稿。JJ监督了工作,修改了手稿并提供了批评性的反馈。所有作者都阅读并批准了最终的手稿。

相应的作者

对应到Junhyun Jeon.

道德声明

参与的伦理批准和同意

不适用。

同意出版物

不适用。

相互竞争的利益

提交人声明他们没有竞争利益。

附加信息

出版商的注意事项

欧宝体育黑玩家施普林格自然对已出版地图和机构附属机构的管辖权主张保持中立。

权利和权限

开放获取本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。本文中的图像或其他第三方材料包括在文章的知识共享许可中,除非在材料的信用额度中另有说明。如果文章的内容不包括在知识共享许可中,并且您的预期用途不被法定规定允许或超过允许的用途,您将需要直接获得版权所有者的许可。如欲查阅本牌照的副本,请浏览http://creativecommons.org/licenses/by/4.0/。知识共用公共领域奉献豁免书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本条所提供的资料,除非有关资料的信贷额度另有说明。

重印和权限

关于这篇文章

通过Crossmark验证货币和真实性

引用这篇文章

Shanmugam, G., Lee, S.H. & Jeon, J. EzMAP: Easy微生物组分析平台。欧宝娱乐合法吗22日,179(2021)。https://doi.org/10.1186/s12859-021-04106-7

下载引用

关键词

  • 微生物分析平台
  • 微生物组数据分析
  • QIIME2分析
  • Microbiome用户友好的工具
  • 微生物数据可视化
\