技能简介
微生物组分析最常见的问题不是不会画图，而是样本表、分组信息和统计口径没有先统一。这一期更像一份“先把基础多样性流程走稳”的整理框架。
传统方式通常需要 半天到1天，而把流程说清楚后，AI 辅助可以在 约10分钟 内先跑出第一轮可汇报结果。
🧭 开始前先确认这 4 件事
丰度表与 metadata 先对齐
样本 ID、分组字段和缺失值要先核对，不然后续所有多样性结果都会漂。
比较问题先界定
是病例对照、治疗前后还是多组比较，最好在分析前就固定。
统计口径提前决定
alpha 指标、beta 距离、检验方式和协变量处理应在开始前统一。
图表用途先明确
是做组会摘要、论文结果图还是探索性 QC，输出颗粒度会不一样。
📦 一轮像样输出至少应交付这 4 样
分析就绪的丰度表
整理好样本、分组和必要协变量，作为后续统计的统一入口。
α/β 多样性图表
用更标准的方式展示组间差异和样本间距离结构。
组间比较结果摘要
把显著性、效应方向和解释边界放到同一页，便于汇报。
方法与结果说明卡
帮助把统计流程转成更容易讲给导师或合作者的版本。
💡 适用场景
微生物组入门分析
适合第一次把丰度表和 metadata 接到标准统计流程。
组会结果整理
比零散画图更强调分析口径和结论边界。
重复性检查
面对多批次或多组样本时，先统一规则会更利于复现。
论文结果预排版
把基础多样性结果组织成更接近 Results 段的结构。
⚙️ 核心实操流程
先把丰度表和 metadata 对上
第一步你先别急着跑 PERMANOVA。 先确认表和表能不能对上。 样本量、分组、测序深度，已经先被你摸清了
调用 `scikit-bio`： 读取这份 16S / 宏基因组丰度表和 metadata， 检查样本 ID 是否匹配， 生成基础样本概览， 并统计每组样本量与测序深度。
跑 alpha diversity 和组间比较
第二步最适合先讲“群落丰富度有没有变”。 原来 alpha diversity 一旦画成图，很多故事马上就能讲了
计算 Shannon、Simpson、Observed features 等 alpha diversity 指标， 比较病例组与对照组差异， 并用 `seaborn` 画箱线图 / 小提琴图展示。
跑 beta diversity、PCoA 和 PERMANOVA
alpha 讲的是每个样本自己的丰富度。 beta 才是“整群样本到底有没有分开”。 PCoA 图和 PERMANOVA 一出来，你马上知道这组数据有没有群落结构差异
计算 Bray-Curtis / Jaccard 距离， 生成 PCoA 图， 并用 PERMANOVA 检验病例组与对照组的整体群落差异。
补一轮协变量调整和一页摘要
最后一步最像真正的科研。 因为你不只是“看到了差异”， 你开始问：这个差异在协变量调整后还在不在。 这一步跑完，结果就更像一版能写进论文的东西了
调用 `statsmodels`： 对 alpha diversity 或关键菌群丰度做协变量调整， 纳入年龄、性别、BMI 或抗生素暴露， 最后输出一页微生物组结果摘要。
建议录制的关键画面
- 丰度表与 metadata 读取
- alpha diversity 图生成
- PCoA 与 PERMANOVA 结果
- 协变量调整结果表
- 一页微生物组摘要图
建议准备的关键截图
- 样本概览表
- alpha diversity 箱线图
- beta diversity PCoA 图
- 最终 summary 页
🧯 最常见的 4 类翻车点
样本 ID 对不上
丰度表和 metadata 一旦错位，后续显著性结论毫无意义。
只报 P 值不解释口径
距离度量、检验方法和多重比较处理都需要一并说明。
把探索性结果说得过满
多样性差异能帮助描述结构，但不应直接替代机制结论。
忽略可视化与表格的一致性
图和统计表若口径不同，会让结果段很难自洽。
🔗 相关技能
💡 代码包内含 README.md，说明目录结构、主要文件与使用建议。解压后即可继续整理或二次演示。