群落網路關系圖怎麼分析

㈠ pcoa分析圖怎麼解析結果

pcoa分析圖解析結果主成分分析是基於特徵向量的線性無約束排序方法，它提供了一種數據降維技巧，能夠將大量相關變數轉化為一組很少的不相關變數。

這些無關變數稱為主成分(Principal Component，PC)，可用於替代原始的大量相關變數，進而簡化分析過程。例如，使用PCA將20個相關的變數其中可能存在冗餘分解為2-3個無關的主成分，並盡可能地保留原始數據集的信息，通過這2-3個主成分即可有效判斷所有變數的潛在結構，以及表徵對象的特徵。

因此在多元統計中，PCA應用非常廣泛，首先注意一個問題，PCA原始假設要求數據符合多元正態分布。

PCoA分析，首先對一系列的特徵值和特徵向量進行排序，然後選擇排在前幾位的最主要特徵值，並將其表現在坐標系裡，結果相當於是距離矩陣的一個旋轉，它沒有改變樣本點之間的相互位置關系，只是改變了坐標系統。

然而我們知道，生態學數據大多不是正態分布類型，因此在群落分析中，我們可能一般並不考慮嚴格的多元正態性假設，只要偏離正態性不太離譜，PCA對數據的正態性就不很敏感。

但如上所提到的，對於用於PCA的生態數據而言，環境屬性和物種特徵可以劃為一類，而物種組成則單獨歸類。

㈡ 怎麼分析微生物群落結構和多樣性

微生物群落的種群多樣性一直是微生物生態學和環境學科研究的重點。近幾年來，微生物群落結構成為研究的熱點。首先，群落結構決定了生態功能的特性和強弱。其次，群落結構的高穩定性是實現生態功能的重要因素。再次，群落結構變化是標記環境變化的重要方面。因此，通過對目標環境微生物群落的種群結構和多樣性進行解析並研究其動態變化，可以為優化群落結構、調節群落功能和發現新的重要微生物功能類群提供可靠的依據。
從年代上來看，微生物群落結構和多樣性解析技術的發展可以分為三個階段。20世紀70年代以前主要依賴傳統的培養分離方法，依靠形態學、培養特徵、生理生化特性的比較進行分類鑒定和計數，對環境微生物群落結構及多樣性的認識是不全面和有選擇性的，方法的分辨水平低。在70和80年代，研究人員通過對微生物化學成分的分析總結出了一些規律性的結論，從而建立了一些微生物分類和定量的方法即生物標記物方法，對環境微生物群落結構及多樣性的認識進入到較客觀的層次上。在80和90年代，現代分子生物學技術以DNA為目標物，通過rRNA基因測序技術和基因指紋圖譜等方法，比較精確地揭示了微生物種類和遺傳的多樣性，並給出了關於群落結構的直觀信息。
1 傳統培養分離方法
傳統培養分離方法是最早的認識微生物群落結構和多樣性的方法，自1880年發明以來一直到
現在仍被廣泛使用。傳統培養分離方法是將定量樣品接種於培養基中，在一定的溫度下培養一定的時間，然後對生長的菌落計數和計算含量，並通過在顯微鏡下觀察其形態構造，結合培養分離過程生理生化特性的觀察鑒定種屬分類特性。培養分離方法採用配比簡單的營養基質和固定的培養溫度，還忽略了氣候變化和生物相互作用的影響，這種人工環境與原生境的偏差使得可培養的種類大大減少(僅占環境微生物總數的0.1%～10%[1])。而且，此方法繁瑣耗時，不能用於監測種群結構的動態變化。
2 群落水平生理學指紋方法(CLPP)
通常認為微生物所含的酶與其豐度或活性是密切相關的。酶分子對於所催化的生化反應特異性很高，不同的酶參與不同的生化反應。如果某一微生物群落中含有特定的酶可催化利用某特定的基質，則這種酶-底物可作為此群落的生物標記分子之一，標記了某種群的存在。由Garlan和Mills[2]於1991年提出的群落水平生理學指紋方法(CLPP)是通過檢測微生物樣品對底物利用模式來反映種群組成的酶活性分析方法。具體而言，CLPP分析方法就是通過檢測微生物樣品對多種不同的單一碳源基質的利用能力，來確定那些基質可以作為能源，從而產生對基質利用的生理代謝指紋。由BIOLOG公司開發的BIOLOG氧化還原技術，使得CLPP方法快速方便。商業供應的BIOLOG微平板分兩種：GN和MT，二者都含有96個微井，每一
128 生態環境 第14卷第1期（2005年1月）

微井平板的干膜上都含有培養基和氧化還原染料四唑[3]。其中，BIOLOG的GN微平板含有95種不同碳源和一個無碳源的對照井，而MT微平板只含有培養基和氧化還原染料，允許自由地檢測不同的碳源基質[3]。檢測的方法是：將處理的微生物樣品加入每一個微井中，在一定的溫度下溫育一定的時間(一般為12 h)，在溫育過程中，氧化還原染料被呼吸路徑產生的NADH還原，顏色變化的速率取決於呼吸速率，最終檢測一定波長下的吸光率進行能源碳的利用種類及其利用程度的分析[4]。
BIOLOG方法能夠有效地評價土壤和其它環境區系的微生物群落結構[3~6]。其優點是操作相對簡單快速，而且少數碳源即能區別碳素利用模式的差別[5]。然而，BIOLOG體系僅能鑒定快速生長的微生物，而且，測試盤內近中性的緩沖體系、高濃度的碳源及有生物毒性的指示劑紅四氮唑(TTC)使得測試結果的誤差進一步增大。姚槐應[5]的研究表明，應根據測試對象的特點（例如pH，碳源利用類型及利用能力）改進BIOLOG體系，並且，有必要研究更好的指示劑來取代TTC。
3 生物標記物方法
生物標記物(Biomakers)通常是微生物細胞的生化組成成分，其總量通常與相應生物量呈正相關。由於特定結構的標記物標志著特定類型的微生物，因此一些生物標記物的組成模式(種類、數量和相對比例)可作為指紋估價微生物群落結構。由於分類的依據是從混合微生物群落中提取的生化組成成分，潛在地包括所有的物種，因而具有一定的客觀性。並且分析簡便快速，適於定性甚至半定量地檢測微生物體系的動態變化。20世紀80年代以來常用於研究微生物群落結構的生物標記物方法包括：醌指紋法(Quinones Profiling)、脂肪酸譜圖法(PLFAs和WCFA-FAMEs)。測定時，首先使用合適的提取劑提取環境微生物樣品中的這些化合物並加以純化，然後用合適的溶劑製成合適的樣品用GC或LC檢測，最後用統計方法對得到的生物標記物譜圖進行定性定量分析。
3.1 醌指紋法(Quinones Profiling)
呼吸醌廣泛存在於微生物的細胞膜中，是細胞膜的組成成分，在電子傳遞鏈中起重要作用[7]。醌的含量與土壤和活性污泥的生物量呈良好的線性關系的研究表明，醌含量可用作微生物量的標記[8]。有兩類主要的呼吸醌：泛醌(ubiquinone, UQ)即輔酶Q和甲基萘醌(menaquinone,MK)即維生素K[9]。醌可以按分子結構在類(UQ和MK)的基礎上依據側鏈含異戊二烯單元的數目和側鏈上使雙鍵飽和的
氫原子數進一步區分。研究表明，每一種微生物都含有一種占優勢的醌[7]，而且，不同的微生物含有不同種類和分子結構的醌[9]。因此，醌的多樣性可定量表徵微生物的多樣性，醌譜圖（即醌指紋）的變化可表徵群落結構的變化。
用醌指紋法描述微生物群落的參數[7]有：(1)醌的類型和不同類型的醌的數目；(2)占優勢的醌及其摩爾分數含量；(3)總的泛醌和總的甲基萘醌的摩爾分數之比；(4)醌的多樣性和均勻性；(5)醌的總量等。對兩個不同的群落，由上述分析所得數據可以計算出另一個參數____非相似性指數(D)，用於定量比較兩個群落結構的差異。
醌指紋法具有簡單快速的特點，近幾年來廣泛用於各種環境微生物樣品(如土壤，活性污泥和其它水生環境群落)的分析。
考察了醌指紋法分析活性污泥群落的分析精度，證明此方法是一種可靠的分析方法。然而，醌指紋法也存在一定的局限性，它不能反映具體哪個屬或哪個種的變化。 3.2 脂肪酸譜圖法(PLFAs、WCFA-FAMEs和其它方法)
從微生物細胞提取的脂肪類生化組分是重要的生物量標記物，例如，極脂(磷脂)、中性脂類(甘油二酯)可分別作為活性和非活性生物量的標記物[10]。更重要的是，提取脂類的分解產物____具有不同分子結構的混合的長鏈脂肪酸，隱含了微生物的類型信息，其組成模式可作為種群組成的標記。多種脂肪酸譜圖法廣泛用於土壤、堆肥和水環境微生物群落結構的分型和動態監測[11~13]。
常用的脂肪酸譜圖法可分為兩種：磷脂脂肪酸(PLFAs)譜圖法和全細胞脂肪酸甲酯(WCFA-FAMEs)譜圖法[14]。二者分析的對象實質上都是脂肪酸甲酯，不同之處在於提取脂肪酸的來源不同。磷脂脂肪酸(PLFAs)譜圖法提取的脂肪酸主要來源於微生物細胞膜磷脂即來源於活細胞，全細胞脂肪酸甲酯(WCFA-FAMEs)譜圖法提取的脂肪酸來源於環境微生物樣品中的所有可甲基化的脂類即來源於所有的細胞（包括活細胞和死細胞）。因此，磷脂脂肪酸(PLFAs)譜圖法的優點在於准確，可靠；全細胞脂肪酸甲酯(WCFA-FAMEs)譜圖法的優點在於提取簡捷，所需樣品量少。對多個環境微生物樣品分析而言，先用WCFA-FAMEs譜圖法預先篩選再用PLFAs法進行分析是提高效率的較佳選擇。
脂肪酸譜圖分析包括兩種形式：一種是脂肪酸，採用GC分析儀達到分離不同結構的分子的目的；另一種是脂肪酸甲基化產物____脂肪酸甲酯，採用GC-MS分析儀進行不同分子的分離和鑒定。

㈢ 請問這個植物群落分析怎麼寫怎麼分析呢

群落分析也就是從群落的特點入手，來詳細描述一下這個群落
（1）群落的種類組成：優勢種、建群種等
（2）種類的數量特徵：豐富度、密度、蓋度等
（3）群落的綜合特徵：優勢度等
（4）群落的外貌：生活型、外表形態等
（5）群落的結構：垂直結構、水平結構等

因為你這個是人工群落，你也可以突出下設計理念（比如陽生植物和陰生植物的搭配種植等）

㈣ 這種漂亮的網路關系圖怎麼畫的用什麼軟體畫出來的

推薦比較常用的幾個工具，

一個是 python 的 NetworkX 庫

另一個是 Gephi 這個軟體。

NetworkX

這是一款Python的軟體包，用於創造、操作復雜網路，以及學習復雜網路的結構、動力學及其功能。

有了NetworkX你就可以用標准或者不標準的數據格式載入或者存儲網路，它可以產生許多種類的隨機網路或經典網路，也可以分析網路結構，建立網路模型，設計新的網路演算法，繪制網路等等。可以查看官方文檔


。

望採納，謝謝~