report.Rmd

项目分析报告
======

# 一、测序数据预处理
	MiSeq测序得到的PE reads首先根据overlap关系进行拼接，同时对序列质量进行质控和过滤，区分样品后进行OTU聚类分析和物种分类学分析，从而得到样品的OTU谱和各级别物种分类谱。基于这些谱，可以进行样品内和样品间的各种多样性分析、群落结构分析等。在上述分析的基础上，可以根据样品分组信息进一步得到有生物学意义的结果。详细分析方法和结果见以下部分。


#### 软件平台：
>	1. **Qiime 1.9.1**

>	2. Python 2.7.12 *Continuum Analytics, Inc.*

>	3. R version 3.3.1 (2016-06-21)

####	数据库版本：
>	1. GreenGene 13_8

>	2. KEGG 



# 二、项目分析方法与结果
### 2.1 菌群群落组成柱状图
### 2.2 PCA主成分分析
```{r echo = FALSE}
			pca.res <- PCA() 
			pca.li <- pca.res$li[,1:2]
			pca.eig <- pca.res$eig[1:20]

			pch <- rep(17,length(p))
			pch[b] <- rep(15)
			plot(pca.li,col=pch-13,pch=pch,xlab="PC1",ylab="PC2",main="")
			plot(pca.eig,type='b',col='red')
	
```

	PCA分析(Principal Component Analysis),即主成分分析,是一种分析和简化数据集的技术。主成分分析经常用于减少数据集的维数,同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分,忽略高阶主成分做到的。

	这样低阶成分往往能够保留住数据的最重要方面。通过分析不同样品物种组成可以反映样品的差异和距离,PCA 运用方差分解,将多组数据的差异反映在二维坐标图上,坐标轴取能够最大反映方差值两个特征值。如果两个样品距离越近,则表示这两个样品的组成越相似。不同处理或不同环境间的样品可能表现出分散和聚集的分布情况,从而可以判断相同条件的样品组成是否具有相似性。



### 2.3 shannon多样性
### 2.4 人群聚类分析
### 2.5 分组差异检验
### 2.6 差异物种热图可视化
### 2.7 特征物种相关性网络分析
### 2.8 疾病分类器构建
```{r echo = FALSE}
	plot(rf(),main="")
```