[论文解读] Species richness estimation with high diversity but spurious singletons

Amy D. Willis|arXiv (Cornell University)|Apr 9, 2016

Species Distribution and Climate Change参考文献 7被引用 5

一句话总结

本文提出一种统计方法，通过在 R 包 breakaway 中实现，利用非单次频数计数预测未观测到的类群和真实的单次类群，以估计高多样性微生物群落的物种类丰富度。研究表明，当单次计数不可靠时，传统丰富度估计方法极不稳定；而 breakaway_nof1 在存在测量误差的情况下能提供更稳健的估计，但作者警告称，若不报告较大的标准误，不应过度解读此类估计结果。

ABSTRACT

The presence of uncommon taxa in high-throughput sequenced ecological samples pose challenges to the microbial ecologist, bioinformatician and statistician. It is rarely certain whether these taxa are truly present in the sample or the result of sequencing errors. Unfortunately, alpha-diversity quantification relies on accurate frequency counts, which can rarely be guaranteed. We present a species richness estimation tool which predicts both the number of unobserved taxa and the number of true singletons based on the non-singleton frequency counts. This method can be treated as either inferential (for formally estimating richness) or exploratory (for assessing robustness of the richness estimate to the singleton count). If the estimate, called breakaway_nof1, is comparable to other richness estimators, this provides evidence that the richness estimate is robust to the level of quality control (eg. chimera-checking) employed in pre-processing. The function breakaway_nof1 is freely available from CRAN via the R package breakaway.

研究动机与目标

• 解决由于测序错误导致单次计数不可靠时，物种类丰富度估计不稳定的挑战。
• 开发一种仅使用非单次频数计数来预测未观测类群和真实单次类群数量的方法。
• 提供一种统计上严谨的替代方法，以替代对单次频数测量误差敏感的标准丰富度估计器。
• 强调单次类群不确定性对多样性估计的关键影响，并倡导透明报告标准误。

提出的方法

• 该方法使用形如 $ \frac{f_{j+1}}{f_j} = \frac{\beta_0 + \beta_1 j + \dots + \beta_p j^p}{1 + \alpha_1 j + \dots + \alpha_q j^q} + \varepsilon_j $ 的有理函数建模连续频数计数的比值，其中 $ f_j $ 表示被观测到 $ j $ 次的类群数量。
• 使用非线性最小二乘法估计模型参数，从而预测未观测频数 $ \hat{f}_0 $ 和真实单次类群数量 $ \hat{f}_1 $。
• 总丰富度估计为 $ \hat{C} = \hat{f}_0 + \sum_{j \geq 1} f_j $，并提供标准误和拟合诊断信息。
• 该方法将单次类群数量视为需预测的潜在变量，从而减少对可能出错的观测单次类群数量的依赖。
• 该方法作为 R 包 `breakaway` 中的函数 `breakaway_nof1` 实现，可免费在 CRAN 上获取。
• 通过在不同单次类群低估和高估水平下的模拟评估该方法，并将其应用于真实的土壤微生物组数据集。

实验结果

研究问题

• RQ1 单次类群计数的不确定性在多大程度上影响高通量测序数据中物种丰富度估计的可靠性？
• RQ2 能否通过仅使用非单次频数计数的统计模型，预测真实单次类群数量和未观测类群数量？
• RQ3 在现实水平的测序错误和单次类群高估条件下，该方法与现有丰富度估计器相比表现如何？
• RQ4 该方法在多大程度上提高了对预处理选择（如嵌合体检查和聚类阈值）的鲁棒性？
• RQ5 当单次类群计数不稳定时，抽样变异性对标准误的影响如何？

主要发现

• 方法 `breakaway_nof1` 提供了一种统计上严谨的物种丰富度估计方式，能够考虑单次类群计数中的测量误差，而这类计数在微生物测序数据中通常不可靠。
• 在单次类群高估（如 100%）的情况下，`breakaway_nof1` 从下方收敛至真实丰富度，而其他估计器则从上方收敛，表明其在存在误差时具有更好的稳定性。
• 该方法的运行时间与 `breakaway` 相当（0.08–0.21 秒），且显著快于 `CatchAll`（0.44 秒），尽管 `Chao1` 因其简单性仍为最快。
• 在包含 5000 个真实类群的模拟中，`breakaway_nof1` 在单次类群低估和高估条件下均表现出稳定收敛和更低误差，优于竞争方法。
• 该方法在不同单次类群不确定性水平下表现稳健，并提供反映丰富度估计固有高抽样变异性的真实标准误。
• 作者警告称，即使使用此方法，也应报告较大的标准误，否则属于粗疏的科学实践；建议在缺乏此类不确定性量化时，避免对多样性得出确定性结论。