任玉連，董醇波，邵秋雨，張芝元，梁宗琦，韓燕峰

(貴州大學(xué) 生命科學(xué)學(xué)院生態(tài)系真菌資源研究所，貴州 貴陽 550025)

冗余分析(Redundancy analysis，RDA)是多元回歸模型的延伸，其用排序的方法闡述群落生境或其中某一個生態(tài)因子隨樣地生境的變化。由于其能快速獲得解釋變量與響應(yīng)變量間的關(guān)系，近年來在生態(tài)學(xué)領(lǐng)域的研究中受到越來越多的重視。由生物或非生物介導(dǎo)的地上或地下等復(fù)雜的生態(tài)過程中，影響因子絕不是單一的，其作用也不可能獨(dú)立。冗余分析經(jīng)過對特征值進(jìn)行一系列分解篩選，可實(shí)現(xiàn)有效簡化目標(biāo)變量個數(shù)的目的，進(jìn)而將物種與環(huán)境因子的關(guān)系直觀地體現(xiàn)在同一坐標(biāo)軸上，最終獲得解釋變量與響應(yīng)變量之間的關(guān)系，獲得一個或多個主導(dǎo)因素。此外，冗余分析還能獨(dú)立保持各個解釋變量對響應(yīng)變量的貢獻(xiàn)率，同時(shí)對具體指標(biāo)解釋能力大小及排序可靠性進(jìn)行定量描述，以及具有識別環(huán)境變量組合的主要選擇性梯度的優(yōu)勢。因此，使用冗余分析能快速有效地解決應(yīng)用研究中的多因子影響貢獻(xiàn)率排序問題。

目前，許多學(xué)者使用CANOCO軟件進(jìn)行冗余分析。該軟件在解釋大尺度宏觀生物群落結(jié)構(gòu)、動植物區(qū)系與環(huán)境之間的關(guān)系，檢驗(yàn)假設(shè)沖擊對環(huán)境和其生物群落所造成影響的程度，以及在分析不同的生態(tài)系統(tǒng)和生態(tài)毒理學(xué)等領(lǐng)域具有廣泛的運(yùn)用。自1985年CANOCO 1.0發(fā)布以來，已發(fā)布了6個版本，現(xiàn)廣泛使用的是CANOCO 5。該軟件包含了經(jīng)典RDA冗余分析、梯度分析、分類、多元回歸、相似性度量和實(shí)驗(yàn)設(shè)計(jì)等排序方法。由于其操作簡單、功能齊全，是生態(tài)學(xué)及相關(guān)領(lǐng)域多元數(shù)據(jù)排序分析的流行軟件之一。

冗余分析的應(yīng)用已從宏觀生態(tài)分析，如與水生動植物、鳥類、植被、土地利用類型及景觀格局分布的關(guān)鍵環(huán)境因子篩選，逐漸被運(yùn)用到微生物生態(tài)學(xué)及其與人類相關(guān)疾病等領(lǐng)域。在微觀土壤微生物生態(tài)學(xué)研究中，冗余分析被用來進(jìn)行微生物群落結(jié)構(gòu)、組成、多樣性及功能等方面主控因素的提取。在這類冗余分析時(shí)，一方面需要考慮單個因素對微生物的影響；同時(shí)，也需要分析多個因素對微生物的影響程度。

冗余分析中的數(shù)據(jù)選擇是靈活分析不同解釋變量與響應(yīng)變量關(guān)系的核心。在微生物生態(tài)學(xué)研究中，多數(shù)學(xué)者將微生物群落結(jié)構(gòu)及多樣性作為一組變量，而把環(huán)境因子作為另一組變量進(jìn)行冗余分析，這樣既能很好地揭示環(huán)境因素對微生物群落結(jié)構(gòu)及多樣性整體的影響，也能很好地揭示環(huán)境因子對各物種的影響貢獻(xiàn)大小。如Yang等為弄清土壤微生物群落結(jié)構(gòu)的關(guān)鍵作用和潛在機(jī)制，基于分類距離和系統(tǒng)距離對細(xì)菌群落進(jìn)行冗余分析。Cao等基于Biolog生態(tài)平板數(shù)據(jù)，以確定土壤生化特性與細(xì)菌群落組成和功能多樣性間的關(guān)系，將土壤環(huán)境變量作為解釋變量，而將不同處理下微生物代謝功能頻率分布變化，作為響應(yīng)變量進(jìn)行冗余分析。此外，Wang等則將針葉林和闊葉林的凋落物特征、土壤性質(zhì)作為解釋變量，土壤微生物群落則為響應(yīng)變量，進(jìn)行冗余分析后，快速獲得了土壤特性、凋落物性質(zhì)對微生物群落結(jié)構(gòu)總變異的解釋量排序。因此，在進(jìn)行冗余分析時(shí)，需針對不同的研究目的，謹(jǐn)慎選取解釋變量與響應(yīng)變量是正確獲得冗余分析結(jié)果的關(guān)鍵。

1 冗余分析概念

冗余分析(Redundancy analysis，RDA)是一種回歸分析結(jié)合主成分分析的排序方法，能對多個解釋變量(1…)的多個響應(yīng)變量(1…)進(jìn)行回歸分析，將解釋和響應(yīng)兩組變量的數(shù)據(jù)集通過雙標(biāo)圖顯示二者間的相關(guān)性變異程度。如在一元線性回歸分析中，每一個物種的多度通過對應(yīng)的解釋變量進(jìn)行回歸分析：

=++

(1)

是樣方物種的多度，是樣方的已知解釋變量。將物種的多度和解釋變量定義為一種線性關(guān)系，和分別是這一直線的截距和斜率。通過環(huán)境變量的加權(quán)總和約束。以2個環(huán)境變量為例：

=1+2

(2)

可獲得最優(yōu)權(quán)重和，其權(quán)重值為典型相關(guān)系數(shù)。將(2)代入(1)中可得：

=+1+2+

(3)

通過物種數(shù)據(jù)和環(huán)境數(shù)據(jù)1獲得模型中的物種參數(shù)和(1,…，m)以及權(quán)重值和，即

1=，2=

(4)

將模型(3)改為：

=+11+22+

(5)

綜上，冗余分析是一個對所有物種同時(shí)進(jìn)行多元回歸的模型，既是一種約束性的主成分分析，也是一種約束性的多元多重回歸。

此外，冗余分析可將一維模型推廣到多維。以兩維模型為例：

=+11+22+

(6)

為第個物種的得分，是第個樣方在第(=1,2)排序軸上的得分。樣方得分通過(7)進(jìn)行約束：

=11+22

(7)

為第個環(huán)境變量在排序軸上的典型相關(guān)系數(shù)。將(7)代入(6)可得回歸系數(shù)受約束后的多元回歸模型。以代表回歸系數(shù)為例：

=11+22

(8)

該模型是回歸雙標(biāo)圖的基礎(chǔ)，通過(6)可看出樣方得分和物種得分共同形成物種擬合值的雙標(biāo)圖。

2 基于CANOCO 4.5進(jìn)行冗余分析操作

CANOCO 4.5軟件主要包括Canoco for Windows、WcanoIMP、CanoDraw、CanoMerge和PrCoord五大模塊。其中，Canoco for Windows用來指定需分析的數(shù)據(jù)和排列模型；WcanoIMP將Excel等形式的數(shù)據(jù)轉(zhuǎn)化為CANOCO能識別的*.dta形式；CanoDraw進(jìn)行排序圖的生成，以及生成不同類型的等值線和回歸模型；CanoMerge是合并CANOCO能識別的*.dta類型數(shù)據(jù)文件，可將數(shù)據(jù)文件以帶制表分隔符的文本形式輸出，具有濾掉低頻率物種的功能；PrCoord對特定數(shù)據(jù)集進(jìn)行主坐標(biāo)分析以及冗余分析。

2.1 軟件安裝

下載國際通用軟件包CANOCO 4.5，解壓并按照提示安裝程序updt_456.rar安裝軟件。

2.2 原始數(shù)據(jù)

輸入數(shù)據(jù)時(shí)應(yīng)遵循樣方名和變量名命名規(guī)則，一般來說字符不得超過8個；建議使用簡單的數(shù)字、字母、點(diǎn)、連接符和空格結(jié)合進(jìn)行命名；在Excel中將物種變量和環(huán)境變量按照樣方名稱和變量名稱命名格式輸入需要分析的數(shù)據(jù)。確保每一行為一個樣本，每一列為一個物種(或變量)。如果物種變量和環(huán)境變量之間有數(shù)量級差別，則需要對數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理(如對數(shù)轉(zhuǎn)換、Z-Scoring等)。

2.3 數(shù)據(jù)轉(zhuǎn)換

CANOCO 4.5版本很好地解決了數(shù)據(jù)文件過于復(fù)雜和格式問題。即用WCanolomp將兩組數(shù)據(jù)轉(zhuǎn)換為CANOCO能識別的格式文件。打開已備好的原始數(shù)據(jù)，分物種變量和環(huán)境變量拷貝后，訪問WCanoImp.exe程序。如圖1對話框所示，確定所選選項(xiàng)正確后，單擊保存按鈕繼續(xù)，指定要生成的文件夾和存儲位置，用于正在生成的數(shù)據(jù)集。同時(shí)，WCanoImp程序運(yùn)行的另一個對話框會顯示成功創(chuàng)建。此時(shí)，Excel數(shù)據(jù)已轉(zhuǎn)化為CANOCO可識別數(shù)據(jù)(后綴以*.dta命名，如“spe.dta”“env.dta”)。

圖1 WCanoImp程序窗口Fig.1 The program window of WCanoImp

2.4 排序方法的選擇

CANOCO 4.5版本能快速進(jìn)行去趨勢分析(Detrended correspondence analysis，DCA)，它是判別使用RDA或典范對應(yīng)分析(Canonical correspondence analysis，CCA，也是一種分析生物群落與環(huán)境因子間相互關(guān)系的一種方法)的判斷依據(jù)。利用Canoco for windows>New project>Available Data>Next>Data files>Browse指定要分析數(shù)據(jù)文件>下一步>DCA>Finish Options>點(diǎn)擊“Project View”窗口的“Analysis”>分析結(jié)果即可在“Log View”窗口中查看。在得到4個排序軸的梯度長度后，根據(jù)DCA分析結(jié)果中的Lengths of gradient數(shù)值大小判斷選取RDA或CCA方法。梯度長度<3時(shí)，使用RDA線性響應(yīng)模型(圖2)；梯度長度介于3～4之間，RDA與CCA分析均可；梯度長度>4時(shí)，選擇CCA單峰響應(yīng)模型進(jìn)行分析。

圖2 Log View 窗口中分析結(jié)果Fig.2 Analysis results in Log View window

2.5 RDA模型建立

在CANOCO 4.5菜單欄上依次點(diǎn)選：File>New project>Available Data界面，選擇“Species and environment data available”> Next，將上述“spe.dta和env.dta”文件對應(yīng)添加到“Data”Files”界面的前兩列中，最后一列是輸出“*.sol”文件>下一步> RDA>Scaling Linear Methods>Symmetric>Divide by standard deviation>Finish Options>Canoco Project，點(diǎn)擊“Project View”窗口中“Analysis”> 保存生成的“*.Log”文件，可在“Log View”窗口中查看分析結(jié)果。在RDA分析中，需要對環(huán)境變量選擇手動篩選(Manual selection)，在Project>Analysis中彈出的對話框中，依次檢驗(yàn)環(huán)境變量的解釋度(Test variable)，根據(jù)P值大小，選擇需要的變量。

2.6 RDA模型作圖

從上一步驟中的Project view >激活CanoDraw.exe>Create>Biplots and Joint Plots>Species and env.Variables / Species and samples / Samples and env.variables即可對物種以及環(huán)境變量/物種以及樣品/樣品以及環(huán)境變量作圖。最后將生成的RDA圖經(jīng)線條、顏色、字體等調(diào)整后保存并輸出。如圖3所示，排序軸以土壤真菌被理化因子的線性組合解釋量的多少先后出現(xiàn)(排序軸1，2，3和4……n)，前四軸通常會占到解釋量的較大部分，因此在排序圖中一般只選取前四軸中的兩個進(jìn)行制圖。

2.7 冗余分析排序圖的解釋

圖3為真菌屬分類水平與土壤環(huán)境變量間的冗余分析結(jié)果。其中，黑色實(shí)心箭頭代表各類真菌屬；黑色空心箭頭代表理化因子；黑色實(shí)心箭頭連線與黑色空心箭頭連線之間的夾角代表某類真菌屬與某理化因子之間的相關(guān)性，用夾角的余弦值表示；即箭頭連線與排序軸的夾角表示真菌屬與理化因子間的相關(guān)性。夾角接近90°為接近正交，表明真菌屬與理化因子之間的相關(guān)性很小，二者間幾乎不存在影響(圖3b：OM與鐮刀菌屬)。夾角小于90°為銳角，表明真菌屬與理化因子之間存在正相關(guān)(圖3b：AP與曲霉屬)；銳角角度越小，則正相關(guān)性越大(圖3a：AP與腐霉屬)。夾角大于90°為鈍角，表明真菌屬與理化因子之間存在負(fù)相關(guān)(圖3b：pH與糞殼屬)；鈍角角度越大，則負(fù)相關(guān)性越大(圖3a：TN與青霉屬)。黑色空心箭頭所處的象限代表理化因子和排序軸的正負(fù)相關(guān)性；黑色空心箭頭連線在排序軸上投影的長短表示某個理化因子與排序軸之間相關(guān)性大小，投影長度越長，則相關(guān)性越大。圖3冗余分析顯示，土壤不同理化因子影響其不同真菌類群的生存繁殖。0～20 cm與20～40 cm土壤中，第Ⅰ軸和第Ⅱ軸真菌群落特征—土壤理化因子關(guān)系累計(jì)解釋量分別高達(dá)65%和91%以上(圖3 a、b)。0～20 cm土層，有機(jī)質(zhì)、全氮和速效磷等理化因子對50%以上的菌群具有促進(jìn)或抑制作用，是影響真菌群落結(jié)構(gòu)的重要因子，而20～40 cm土層影響其真菌群落結(jié)構(gòu)的是速效鉀、全氮、容重、自然含水率和pH等理化因子。說明土壤理化因子在決定土壤真菌群落結(jié)構(gòu)分布中起著重要作用。

注：a.0～20 cm土層土壤真菌屬與環(huán)境變量關(guān)系；b.20～40 cm土層土壤真菌屬與環(huán)境變量關(guān)系。圖3 基于CANOCO 軟件RDA分析的物種與環(huán)境變量關(guān)系圖[13]Fig.3 Relationship between species and environmental variables based on RDA of CANOCO software

3 冗余分析在微生物生態(tài)學(xué)研究中的應(yīng)用

冗余分析作為生物與環(huán)境變量關(guān)系的一種測度和類型，與回歸分析、相關(guān)分析、主成分分析、結(jié)構(gòu)方程模型以及可視化網(wǎng)絡(luò)等分析方法目的相同，均是尋找解釋變量與響應(yīng)變量之間的關(guān)系。由于冗余分析的簡潔、快速和可視化的特點(diǎn)，在微生物生態(tài)學(xué)研究領(lǐng)域中，已越來越多的受到研究者的關(guān)注。

3.1 微生物群落組成及多樣性與環(huán)境因子間關(guān)系分析

3.2 碳源代謝分析

微生物代謝多樣性能夠反映微生物群落的生態(tài)特征。由于土壤微生物的碳源代謝能力受土壤性質(zhì)、植物多樣性、凋落物組成等因素影響，但是對于不同生境中的研究，不同學(xué)者選取的解釋變量和響應(yīng)變量具有一定差異。如王蕓等基于含水量、沙礫和容重為解釋變量，以微生物碳源代謝為響應(yīng)變量的分析結(jié)果顯示，含水量、沙礫和容重顯著影響土壤微生物碳源代謝功能，分別能解釋10.5%、8.8%和7.2 %的變異。土壤pH值被用來解釋微生物代謝能力的重要變量之一，因?yàn)殡S著土壤pH的減小，土壤代謝強(qiáng)度顯著增加。此外，電導(dǎo)率、全氮和堿解氮能顯著促進(jìn)微生物的碳源代謝活性，土壤鹽度則顯著抑制了土壤微生物的碳源代謝活性，也被選作冗余分析時(shí)的解釋變量，特別在不同經(jīng)營模式林分土壤微生物的碳源利用研究中被廣泛使用。此外，由于土壤理化性質(zhì)、植被多樣性和水熱條件等能影響土壤微生物代謝作用釋放分泌某些酶類，因此土壤酶活性被用來作為冗余分析中重要的響應(yīng)變量之一。如任玉連等使用樣地微氣候(年均氣溫、年均降水量)、植被多樣性指數(shù)(Margalef豐富度指數(shù)、Shannon)樣性指數(shù)、Pielou均勻度指數(shù)及Simpson指數(shù))和土壤理化性質(zhì)(土壤密度、土壤溫度、含水量、pH、有機(jī)碳、全氮、水解性氮、全鉀、速效鉀、全磷、有效磷及C/N)與土壤酶活性(脲酶、蔗糖酶、酸性磷酸酶、多酚氧化酶、過氧化氫酶)進(jìn)行冗余分析，最終獲得單一環(huán)境因子對土壤酶活性影響的重要性排序。曹聰?shù)日J(rèn)為使用冗余分析排序圖可以看出理化性質(zhì)(溫度、水分、碳、氮和磷)對酶活性有不同程度的影響。因此，使用冗余分析可以快速獲得環(huán)境因子與微生物碳源代謝能力間的關(guān)系，但在選取解釋變量的過程中，應(yīng)考慮生境條件及試驗(yàn)條件的差異，盡可能獲得更為豐富解釋變量數(shù)據(jù)進(jìn)行冗余分析。

3.3 核心微生物組及功能分析

核心微生物組研究最早開始于人體的體表面和內(nèi)部共棲、共生微生物組的部分成員，現(xiàn)已廣泛涉及動物、植物、土壤、水體以及廢水處理系統(tǒng)微生物組中有關(guān)的成員，它們是微生物組的基本組成及功能的關(guān)鍵部分。由于核心微生物組在分類學(xué)上呈現(xiàn)的生物多樣性特性，與相關(guān)物種共存機(jī)制以及在群落功能中的作用相關(guān)，因此多數(shù)學(xué)者僅關(guān)注核心微生物組間的關(guān)系。目前主要基于分子技術(shù)用MetaCoMET、COREMIC、PhyloCore、BURRITO等分析工具綜合界定核心微生物組，但核心微生物組與環(huán)境變量間的關(guān)系較少被關(guān)注。Mukhtar等在門水平上以古菌、細(xì)菌和真菌為響應(yīng)變量；以頭孢氨芐、溫度和水力保留時(shí)間為解釋變量，分析揭示環(huán)境因素對細(xì)菌、真菌和古細(xì)菌群落結(jié)構(gòu)的影響。此外，冗余分析也被用于尋找功能微生物(降解有機(jī)污染物的微生物菌群)中的中樞(hub)菌屬。在揭示綠肥處理影響微生物相關(guān)功能基因的重要因素的冗余分析中，則以微生物功能基因相對豐度為響應(yīng)變量，以碳、氮、磷、鐵、硫、pH以及植物激素為解釋變量。此外，也有學(xué)者采用冗余分析對鹽脅迫下的核心微生物分類菌群進(jìn)行研究。

3.4 微生物譜系地理

生態(tài)系統(tǒng)中碳、氮、磷等循環(huán)可能將生物地球化學(xué)模式與生理限制聯(lián)系起來，是微生物多樣性和營養(yǎng)限制的主要驅(qū)動力和關(guān)鍵預(yù)測因子。由于不同物種的分布模式差異巨大，探索哪些因素是影響物種分布模式、遺傳多樣性和種群結(jié)構(gòu)及群落擴(kuò)散的關(guān)鍵因素尤為重要。因此，冗余分析也與其他分析工具相結(jié)合，從而實(shí)現(xiàn)不同的研究目的。如冗余分析與結(jié)構(gòu)方程模型結(jié)合，用來揭示不同區(qū)域水體養(yǎng)分特征(鐵、錳、化學(xué)需氧量、營養(yǎng)鹽和酸堿度)對藻類群落影響的主要環(huán)境因子。運(yùn)用冗余分析驗(yàn)證緯度生物地理模式，并描述生物地理模式形成因素和關(guān)鍵分單元類群(Keystone taxa)。通過冗余分析解釋低和高核酸含量細(xì)菌的豐度和細(xì)胞計(jì)數(shù)特征隨地理距離和環(huán)境變量(pH、溫度、鹽度、經(jīng)度、緯度、海拔、溶解氧、電導(dǎo)率、葉綠素-a)的變化，結(jié)果表明細(xì)胞計(jì)數(shù)特征和豐度與環(huán)境因素顯著相關(guān)，且pH是驅(qū)動低和高核酸含量細(xì)菌變化的主導(dǎo)因素。這些結(jié)果顯示了地理距離和環(huán)境改變是影響微生物地理分布的主要因素。

3.5 病原菌耐藥性的環(huán)境因素分析

2020年新冠肺炎疫情危機(jī)，是一場人與微生物病毒的無聲“爭斗”，這種微生物給人類的健康和生存帶來了巨大的威脅，生物安全問題已備受全球關(guān)注。微生物是導(dǎo)致人類傳染病流行的最重要因素之一。近年來，人類在疾病的預(yù)防和治療方面取得了長足的進(jìn)展，但現(xiàn)代社會廣譜抗生素的普遍使用已使許多菌株發(fā)生變異，導(dǎo)致耐藥性的產(chǎn)生，新微生物感染不斷發(fā)生?？股啬退幓蛟诃h(huán)境中的擴(kuò)散已成為日益嚴(yán)重的健康風(fēng)險(xiǎn)。因此，基于冗余分析的便捷快速等優(yōu)點(diǎn)，冗余分析可能在尋找影響微生物耐藥性環(huán)境因素方面具有廣闊的應(yīng)用前景。如基于抗生素、金屬、鎂元素和細(xì)菌為環(huán)境變量，以精氨酸為響應(yīng)變量，冗余分析發(fā)現(xiàn)，抗生素、金屬、鎂元素和細(xì)菌分別解釋了微生物群落中精氨酸變異的0.7%、5.7%、12.4%和21.9%的貢獻(xiàn)率。此外，Guo等以O(shè)TC(土霉素)和Cd(鎘)等為解釋變量，以抗生素耐性基因和微生群落為響應(yīng)變量進(jìn)行冗余分析，獲得OTC和Cd等因素對微生物抗生素耐藥性基因變化的解釋率。Zhang等基于冗余分析揭示添加鎘對土霉素污染土壤中精氨酸轉(zhuǎn)運(yùn)、微生物群落和人體病原菌的影響。由于影響人體微生物菌群的因素眾多，因此，在開展這一領(lǐng)域的研究時(shí)，獲得的解釋變量越多，采用冗余分析能快速獲得不同解釋變量的貢獻(xiàn)率，可能其實(shí)際運(yùn)用價(jià)值更高。

4 展望

冗余分析結(jié)合環(huán)境矩陣和物種矩陣可直觀、明確、有效地揭示環(huán)境因子與物種間相關(guān)程度的大小，是一種經(jīng)典、成熟的有效方法，在傳統(tǒng)生態(tài)學(xué)各領(lǐng)域研究中具有較為突出的優(yōu)勢。由于這種分析方法操作簡單、快捷，在處理微生物組產(chǎn)生的巨量數(shù)據(jù)面前，能較快地找到環(huán)境與物種間的復(fù)雜關(guān)系并對變量之間的關(guān)系作出直觀的生態(tài)解釋，凸顯了它的優(yōu)點(diǎn)和優(yōu)勢。故已在不同生態(tài)系統(tǒng)中微生物組的組成、結(jié)構(gòu)、功能、生物多樣性及碳源代謝方面皆展現(xiàn)了廣闊的應(yīng)用前景。今后，冗余分析解析方法主要從以下幾個方向發(fā)展。

4.1 解釋變量的高度選擇

微生物生態(tài)研究中使用冗余分析時(shí)，解釋變量的指標(biāo)選取，成為影響研究結(jié)論的核心因素。由于環(huán)境因素復(fù)雜多樣、群體大、且各群落間存在許多促進(jìn)和抑制的關(guān)聯(lián)，為能在眾多解釋變量中精準(zhǔn)獲得主控因子。在主影響因素評價(jià)中，僅選擇少量指標(biāo)，對主要影響因子很難作出準(zhǔn)確合理的抉擇。因此，在不同的研究中，應(yīng)圍繞核心的研究目標(biāo)，謹(jǐn)慎選取解釋變量，并盡可能多地獲得解釋變量個數(shù)，以獲得更為真實(shí)的研究結(jié)果。此外，在數(shù)據(jù)有限的情況下，如何快速高效地找出具代表性的環(huán)境變量因子也應(yīng)是未來研究的重要內(nèi)容之一。

4.2 進(jìn)一步改進(jìn)冗余分析方法

隨著分析軟件的不斷發(fā)展，新的排序方法不斷出現(xiàn)，為能滿足相關(guān)生態(tài)學(xué)研究人員對于多元數(shù)據(jù)深入挖掘分析的需求。還需對該軟件系統(tǒng)作進(jìn)一步改進(jìn)。為減少研究人員因軟件模塊多而增加分析工作量負(fù)擔(dān)，需整合該軟件使其不再有分離的模塊，改進(jìn)為集數(shù)據(jù)管理、分析和繪圖為一體的單一程序。數(shù)據(jù)輸入成功與否對進(jìn)行下一步往往是初學(xué)者最大的障礙，需簡化數(shù)據(jù)輸入，直接導(dǎo)入數(shù)據(jù)即可進(jìn)行分析是未來發(fā)展的趨勢所向。而在最新版本中已實(shí)現(xiàn)并提供一套完善簡單的繪圖工具，簡化方差分解和顯著性檢驗(yàn)的操作步驟，增加單個解釋變量的顯著性檢驗(yàn)功能，增加群落內(nèi)類群功能性狀與譜系關(guān)聯(lián)分析等。因此，對于大部分病原菌、病毒未知因素的整個生態(tài)環(huán)境而言，該分析軟件具有實(shí)際應(yīng)用價(jià)值，仍需進(jìn)一步改進(jìn)發(fā)展。

4.3 尋找病原菌、病毒主控因子

微生物的研究對于人類理解整個生物圈的能量流通和物質(zhì)循環(huán)、了解微生物在整個生態(tài)系統(tǒng)中的功能、挖掘有用的潛在微生物資源以及保護(hù)生物安全方面有著非常重要的意義。目前，物種的功能性狀與譜系分析是生態(tài)學(xué)研究的熱點(diǎn)之一。冗余分析法分析功能多樣性從探究陸地、水生生態(tài)系統(tǒng)中包括植物、動物、菌類，并已過渡至生物安全有關(guān)的疾病研究等不同營養(yǎng)級的生物體在群落和生態(tài)系統(tǒng)中的功能及其范圍。但在微生物相關(guān)疾病研究中應(yīng)用較少，病原菌、病毒與環(huán)境因素間的影響關(guān)系尚不清楚。尤其是研究暴露于環(huán)境中的病原微生物的功能性狀、核心群組、譜系地理分布與各因素的關(guān)系，有望為解決該分析對尋找微生物領(lǐng)域潛在致病菌的主控影響因子提供極具價(jià)值的線索，為流行疾病的預(yù)防提供參考。如，哪些影響因子可以抑制或促進(jìn)病原菌或病毒的擴(kuò)散和變異，這些結(jié)果可能對臨床試驗(yàn)提供一定的參考意義。根據(jù)基因、遺傳、性狀與環(huán)境數(shù)據(jù)探索這些物種的致病因素將成為未來的發(fā)展趨勢。

4.4 多分析方法的有機(jī)結(jié)合

要實(shí)現(xiàn)全面，準(zhǔn)確的微生物與環(huán)境間影響關(guān)系的評價(jià)，任何一種單一的分析軟件都無法完成。盡管冗余分析方法提供了快速獲得解釋變量與響應(yīng)變量間關(guān)系的解決方案，但該方法仍屬于單一分析方法，其核心算法模型較為單一，可能獲得的理論結(jié)果與實(shí)際情況具有一定的差異。因此，隨著生態(tài)學(xué)處理數(shù)據(jù)相關(guān)軟件功能的升級和完善，需綜合考慮使用多軟件(R語言、Python)、多分析方法(網(wǎng)絡(luò)分析、結(jié)構(gòu)方程模型)與冗余分析的結(jié)果進(jìn)行對比分析，進(jìn)而獲得更為真實(shí)的結(jié)果。