Мультисубстратное тестирование природных микробных сообществ - Горленко М.В.
ISBN 5-317-01228-7
Скачать (прямая ссылка):
функциональную характеристику (Campbell at al., 1996).
В целом же, на фоне сложных, дорогостоящих и трудоемких методов
молекулярно-генетического анализа природных микробных сообществ с
неоднозначно интерпретируемой информацией (Bossio,
1 9
Scow, 1995) методы мультисубстратного тестирования отличаются
эффективностью, экономичностью, простотой и экспрессностью. Уже сейчас
очевидно, что МСТ позволяет решать множество разнообразных задач
прикладного характера на основе использования микробного сообщества в
качестве естественного многопараметрического сенсора.
jJ.lltL lillkililik Mini uluL lukki
уiiH Jill Mi t mk LiLI
Ibiji till ILMiJAkitiin.il
iL.iiii i
Puc 3. Примеры спектров потребления ресурсов микробными сообществами.
Г Л А В А 2.
ОСНОВНЫЕ ПОДХОДЫ К АНАЛИЗУ ДАННЫХ МСТ
Отличительной особенностью данных МСТ является значительный объем
информации о микробных сообществах: для каждого объекта в базе данных
представлены 47 признаков, каждый из которых количественно (300
достоверных градаций) отражает степень потребления определенного ресурса
(рис. 3). Поэтому для получения научных и практических результатов
необходимы соответствующие методы анализа. Чаще всего для этого
используется аппарат многомерной математической статистики. Интерес
представляют и другие подходы, включая нейросетевые алгоритмы, анализ
функционального разнообразия и ранговых распределений. Для реализации
указанных и других подходов используются популярные статистические пакеты
STATISTICA, SPSS, а также оригинальное программное обеспечение системы
ЭКОЛОГ (автор - М.В.Горленко).
Метод главных компонент. Этот классический метод снижения размерности
данных путем определения незначительного числа линейных комбинаций
исходных признаков, объясняющих основную часть изменчивости данных в
целом. Первая главная компонента (ГК) - это линейная комбинация с
наибольшей дисперсией. Геометрически ГК1 представляет собой новую ось,
ориентированную вдоль направления наибольшей вытянутости эллипсоида
рассеивания объектов в исходном пространстве. ГК2 имеет наибольшую
дисперсию среди оставшихся линейных преобразований, некоррелированных с
ГК1 и интерпретируется как направление наибольшей вытянутости эллипсоида
рассеивания, перпендикулярное ГК1. В результате анализа исследователь
получает "объемную1' картину в виде проекции СПС микробных сообществ в
пространство ГК и интерпретацию их связей с исходными признаками. Для
получения содержательных результатов обычно требуется, чтобы число
объектов не менее чем в три раза превышало число признаков.
Кластерный анализ. Метод предназначен для разбиения множества объектов на
заданное или неизвестное число классов на основании некоторого
классификационого критерия. Критерий качества кластеризации (кластер -
гроздь, пучок, скопление), в частности,
2 1
предполагает, что внутри группы объекты тесно связаны между собой, а
объекты разных групп далеки друг от друга. Алгоритмы кластерного анализа
отличаются большим разнообразием и так или иначе нацелены на определенную
структуру группировок. Например, алгоритм "ближайший сосед" эффективен
при работе с группировками со сложной структурой, а алгоритм "дальний
сосед" подходит, когда искомые группировки образуют шарообразные
скопления. В условиях априорной неопределенности это может приводить к
неправильным выводам. Обычно предпочтение отдается иерархическим
агломеративным процедурам с возможностью контроля процесса кластеризации
на разных этапах работы. Для относительно небольших массивов объектов
эффективен метод Варда, позволяющий выделять кластеры с приблизительно
равным числом членов.
Дискриминантный анализ. Представляет раздел многомерного статистического
анализа по классификации многомерных наблюдений с использованием
обучающих выборок ("классификация с учителем1*). По обучающей выборке
объектов с заранее заданными свойствами (например, микробные сообщества
загрязненных и контрольных почв) вычисляются дискриминантные функции
(обычно две - F1 и F2 с основным суммарным вкладом в дисперсию). Функции
включают определенное число значимых переменных (субстраты МСТ). При этом
вычисляются также координаты центроидов эталонных микробных сообществ.
Если диагностическая задача успешно решена, исследователь получает
решающие правила для классификационного определения нового объекта. В
нашем случае для этого на основе СПС анализируемого образца следует
рассчитать значения дискриминантных функций F1 и F2, а затем нанести эти
координаты нового объекта на график и найти ближайший эталонный центроид.
Нейросетевые алгоритмы. Понятный интерес представляет задача
прогнозирования уровня различных загрязнений в почвах по данным МСТ.
Часто зависимость показателей МСТ от концентрации загрязнения имеет
выраженный нелинейный характер: при умеренном загрязнении наблюдается
стимуляция потребления ряда субстратов, а при сильном - снижение значений
для тех же признаков. Это делает проблематичным прогноз загрязнения на
