SourceTracker有什么用？
用途是可以识别相关各组间来源的分析，如具体的问题：
婴儿的肠道菌群有哪些继承了母亲的肠道菌群、哪些来自阴道菌群、哪些来自皮肤
法医学的应用，尸体中的菌群与来源土壤的鉴定、腐败菌来自本身，还是周围环境
河流污染物的来源分析、周围工厂、农田、养殖厂对河流污染的贡献和来源追溯。
分析植物菌组形成过程：植物根际菌在土壤中来源和种子来源；叶际菌群的土壤来源比例等。
软件简介
Bayesian community-wide culture-independent microbial source tracking 于2011年发表于Nature Methods
由圣地亚哥大学的Scott教授及Rob Knight团队合作完成。第一作者Dan Knights。
Google统计目前引用299次。
该软件中目标样本为Sink，微生物污染源或来源的样品为Source；基于贝叶斯算法，探究目标样本（Sink）中微生物污染源或来源（Source）的分析。根据Source样本和Sink样本的群落结构分布，来预测Sink样本中来源于各Source样本的组成比例。
我们之前解读过Rob Knight的一篇Sciences文章中图2A就使用此软件分析确定尸体腐败过程中主要菌来自于土壤的结果。
软件结果解读
SourceTracker分析图a，预测样本来源比例柱状图。一幅图代表一个预测样本，用不同颜色的柱子表示该样本中各来源的比例，Unknow代表未知来源分类，误差线代表100次Gibbs采样的标准差。
SourceTracker分析图b，预测样本来源比例面积图。一幅图代表一个预测样本，不同颜色代表不同来源的比例，每一列代表一次Gibbs采样结果，100次Gibbs采样结果按照相近的排列顺序进行展示。
SourceTracker分析图c，预测样本来源比例饼图。一个饼图代表一个预测样本，不同颜色扇形的比例代表该预测样本中各来源的比例。
原文解读
DOI: 10.1038/nmeth.1650
图1 SourceTracker和其他模型的比较。所示模型估计模拟样本中两个源环境的比例，Jensen-Shannon差异表示环境之间的重叠程度从0（完全相同，因此不可能消除歧义）到1（完全不重叠，因此容易区分）。绘制了估计比例的确定系数（r2）。每个点代表100个样本的三次试验的平均R2；误差条显示均值的标准误s.e.m.（n=3）。
Figure 1 | Comparison of SourceTracker and other models. Indicated models estimate the proportions of two source environments in simulated samples, as the degree of overlap between the environments was varied from a Jensen-Shannon divergence of 0 (completely identical and thus impossible to disambiguate) to 1 (completely non-overlapping and thus trivial to disambiguate). The coefficients of determination (R2) of the estimated proportions are plotted. Each point represents the mean R2 for three trials of 100 samples each; error bars show s.e.m. (n = 3).
Nature Method [1]原文：每个图形代表一个样本Sink，分别是Lab1的PCR水、NICU桌子、办公室电话；不同颜色表示不同样本来源Source，所占面积为在Sink样本中各来源的比例。
图2. SourceTracker对洗碗池样本子集的比例估计。（a–c）使用SourceTracker估计的三个洗碗池样本的源环境比例，每个源环境中包括45个训练样本：吉布斯采样中100次取样的平均比例（a），相同样本的数据，包括比例估计的标准变异S.D.（b）。100次吉布斯绘制的可视化；每个列显示一次采样的结果，列按保持相似的混合物进行排列在一起，使图形看起来看美观、更容易观察和比较规律（c）。
Figure 2 | SourceTracker proportion estimates for a subset of sink samples. (a–c) Source environment proportions for three sink samples estimated using SourceTracker and 45 training samples from each source environment: mean proportions for 100 draws from Gibbs sampling (a), data for the same samples, including s.d. of the proportion estimates (b), and visualization of the 100 Gibbs draws; each column shows the mixture from one draw, with columns ordered to keep similar mixtures together (c).
图3 常见污染操作分类单元（OTU）的相对丰度。SourceTracker可以为水槽样本中的每个OTU观测序列分配不同的源环境。这十个OTU源对在水槽环境中具有最高的平均相对丰度，不包括未知源。图例给出了OTU的属级分类、OTU标识符和分配给这些观测的源环境。值得注意的是，被归类为肠杆菌的OTU，一种常见于肠道的谱系，在皮肤训练样本中比在肠道训练样本中更为普遍。
Figure 3 | Relative abundance of common contaminating operational taxonomic units (OTUs). SourceTracker may assign a different source environment to each observation (sequence) of an OTU in the sink samples. These ten OTU-source pairs had the highest average relative abundance across sink environments, excluding the unknown source. The legend gives the genus-level taxonomic classification of the OTU, the OTU identifier and the source environment assigned to these observations of the OTU. Note that the OTU classified as Enterobacter, a lineage commonly seen in the gut, was more prevalent in the skin training samples than the gut training samples.
文章实战解读
Rob Knight-2016-Sciences[2]文章中图(A) 动态贝叶斯推理网络: 尸体分解过程微生物分类群神经信息流动网络，土壤是其主要来源。小鼠尸体四种取样位置分别为头、躯干、腹部和土壤。颜色为3种环境，分别为沙漠、草地和森林，且均与土壤来源微生物非常显著相关。
更多内容，请阅读下文：
[3]产道菌群移植对剖腹产婴儿缺失菌群的恢复：图中展示了婴儿三个部位皮肤Skin、口腔Oral、肛门Anal中，肠道菌群组成的来源，随时间的推移1-30天而发生的改变。
剖腹产的婴儿患免疫和代谢疾病的风险增高，被认为可能由于缺乏了与母亲生殖道分泌物（包括微生物）的接触；母亲生殖道的分泌物会覆盖顺产婴儿的全身，促进了婴儿口腔、肠道、皮肤菌群的定殖，以及对婴儿的保护作用；对剖腹产婴儿涂抹分泌物，随时间推移，其各部位菌群特征逐渐趋向于顺产婴儿。该方法可以部分的恢复剖腹产婴儿菌群，但对健康的长期影响有待观察，以及样本量也需要扩大。
软件安装
SourceTracker是一个R脚本， 最新版本地址：https://github.com/danknights/sourcetracker ，版本1.0，2016年9月18日更新
# 下载脚本和测试数据
git clone git@github.com:danknights/sourcetracker.git
cd sourcetracker/example.r使用data目录中的OTU表和mapping实现文章中的分析实例
# 运行测试数据
Rscript example.r运行中显示如下结果:
Rarefying training data at 1000
Gut Oral Skin Soil Unknown
.......... 1 of 125, depth= 12: 0.12 (0.09) 0.07 (0.03) 0.11 (0.06) 0.02 (0.04) 0.68 (0.09)
.......... 2 of 125, depth= 20: 0.22 (0.03) 0.08 (0.03) 0.29 (0.05) 0.03 (0.04) 0.39 (0.05)
.......... 3 of 125, depth= 10: 0.60 (0.00) 0.00 (0.00) 0.25 (0.13) 0.00 (0.00) 0.15 (0.13)
.......... 4 of 125, depth= 10: 0.28 (0.06) 0.09 (0.03) 0.03 (0.05) 0.01 (0.03) 0.59 (0.07)
.......... 5 of 125, depth= 2: 0.00 (0.00) 0.00 (0.00) 0.45 (0.16) 0.00 (0.00) 0.55 (0.16)先将训练样本抽平至1000条。再进行125次的重采样，来源包括肠、口腔、皮肤、土壤和未知五大类来源。结果为以上讲解的几种图形，建议在Rstudio中打开R脚本绘图，交互探索结果。
输入文件准备
按照data/metadata.txt标准的实验设计和data/otus.txt标准的OTU表，在example.r中修改对应的分组，即可分析自己的数据了，非常easy。最好按照示例的文件填写内容，减少代码修改直接运行，以下有实验设计信息说明：
实验设计
示例文件：data/metadata.txt
主要包括的列有：样品名、描述、环境Env、来源SourceSink、研究、细节
你的实验设计必须有前4列
#SampleID列：样品编号，以英文字母开头，最好只包括字母和数字，必须与OTU表行名一致Description列：样品名，即样本名称，可以包括空格，非字符，展示为图为标签方便阅读理解Env列：为样品来源注释列，包括上面输出的Gut、Oral、Skin、Soil，主要为采样来源SourceSink列，要计算的样品标Sink，而来源数据标Source
#SampleID Description Env SourceSink Study Details
Run20100430_H2O-1 PCR water 1 Lab 1 sink Lab 1 PCR_water_sample_1_2010_04_30_run
Run20100430_H2O-2 PCR water 2 Lab 1 sink Lab 1 PCR_water_sample_2_2010_04_30_run
Run20100430_H2O-3 PCR water 3 Lab 1 sink Lab 1 PCR_water_sample_3_2010_04_30_run
BB2 Spodosol 1 Soil source 88_Soils NA
IT2 Spodosol 2 Soil source 88_Soils NA
CL3 Ultisol Soil source 88_Soils NAOTU表
示例文件：data/otus.txt
QIIME导出biom后的经典表格格式：行为OTU编号，列为样本名，矩阵对应为原始测序数量
# QIIME-formatted OTU table
#OTU ID Run20100430_ESC_C-1ss Run20100430_ESC_C-2ss Run20100430_ESC_C-3ss Run20100430_ESC_C-4ss Run20100430_ESC_C-5ss
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0代码中文解读
# This runs SourceTracker on the original "contamination" data set
# (data included in 'data' folder)
# load sample metadata
metadata <- read.table('data/metadata.txt',sep='\t',h=T,row.names=1,check=F,comment='')
# load OTU table
# This 'read.table' command is designed for a
# QIIME-formatted OTU table.
# namely, the first line begins with a '#' sign
# and actually _is_ a comment; the second line
# begins with a '#' sign but is actually the header
# 读取行、列名，跳过一行，注释为空即读#号行
otus <- read.table('data/otus.txt',sep='\t', header=T,row.names=1,check=F,skip=1,comment='')
# 读入数据框变矩阵，且转置为样本为行的旧格式
otus <- t(as.matrix(otus))
# extract only those samples in common between the two tables
common.sample.ids <- intersect(rownames(metadata), rownames(otus))
otus <- otus[common.sample.ids,]
metadata <- metadata[common.sample.ids,]
# double-check that the mapping file and otu table
# had overlapping samples
# 判断是否存在共有样品，否则退出
if(length(common.sample.ids) <= 3) {
message <- paste(sprintf('Error: there are %d sample ids in common ',length(common.sample.ids)),
'between the metadata file and data table')
stop(message)
}
# extract the source environments and source/sink indices
# 筛选哪些是来源或目标真假T/F，which转化为位置编号
# 共筛选训练集180个，测试集125个
train.ix <- which(metadata$SourceSink=='source')
test.ix <- which(metadata$SourceSink=='sink')
# 测试集太多，只保留6个样品做演示
test.ix = head(test.ix)
envs <- metadata$Env
# 判断是否存在Description列，存在列保存于desc
if(is.element('Description',colnames(metadata))) desc <- metadata$Description
# load SourceTracker package
# 加载软件包
source('src/SourceTracker.r')
# tune the alpha values using cross-validation (this is slow!)
# 使用交叉验证调整alpha值，非常耗时
# tune.results <- tune.st(otus[train.ix,], envs[train.ix])
# alpha1 <- tune.results$best.alpha1
# alpha2 <- tune.results$best.alpha2
# note: to skip tuning, run this instead:
# 跳过优化alpha值步骤，直接设置为0.001继续计算
alpha1 <- alpha2 <- 0.001
# train SourceTracker object on training data
# 基于训练集和对应描述获得预测模型
st <- sourcetracker(otus[train.ix,], envs[train.ix])
# Estimate source proportions in test data
# 估计测试集中来源比例
results <- predict(st,otus[test.ix,], alpha1=alpha1, alpha2=alpha2)
# Estimate leave-one-out source proportions in training data
# 在训练集中留一法（一种交叉验证方法）估计来源比例，计算次数等于训练集样本数量，极耗时
# results.train <- predict(st, alpha1=alpha1, alpha2=alpha2)
# plot results
# 结果绘图, 将环境和描述列合并作为标签展示
labels <- sprintf('%s %s', envs,desc)
# 绘制饼形图比例
plot(results, labels[test.ix], type='pie')
# other plotting functions
plot(results, labels[test.ix], type='bar')
plot(results, labels[test.ix], type='dist')
# plot(results.train, labels[train.ix], type='pie')
# plot(results.train, labels[train.ix], type='bar')
# plot(results.train, labels[train.ix], type='dist')
# plot results with legend
# 添加图例，并人工指定颜色
plot(results, labels[test.ix], type='pie', include.legend=TRUE, env.colors=c('#47697E','#5B7444','#CC6666','#79BEDB','#885588'))
plot(results, labels[test.ix], type='pie', include.legend=TRUE, env.colors=rainbow(5))最后结果绘图，可选饼形图(pie)、柱状图(bar)和堆叠图(dist)，如上面示例所示。
