5.6 确定核心数据 EMP_identify_assay

传统的组学项目数据中经常存在着大量的稀疏特征（例如：微生物OTU/ASV注释表有着大量丰度极低的菌种），这些稀疏特征可能是由样本污染、建库错误、测序偏倚或者注释失败等原因导致。为了简化计算和减少这些稀疏特征的干扰，本模块提供了两种方法对原始数据进行过滤。

5.6.1 核心微生物数据

在微生物物种注释结果中，可以发现存在相当多的”稀有物种“（相对丰度较低或者在样本中出现的频率较低），对于识别组间具有差异性的物种造成极强的干扰，尤其是在筛选关键物种时，机器学习算法(例如：随机森林、LEFse）很容易将这些“稀有物种”识别为组间的“差异物种”。因此，有必要在正式分析前将这些“稀有物种”根据统一的标准进行过滤。EMP_identify_assay模块引入了两个重要参数帮助过滤：minnum（最小相对丰度）和min_ratio（最小占比）。首先，在微生物数据中，低于指定“最小相对丰度”的任何丰度都会转换为 0。随后，当某个物种在任意一组样本中高于”最小相对丰度“的样本数量占该分组下样本总数量的比例大于”最小占比“时，该物种就被认为是”核心物种“，而其余物种都被归类为“稀有物种”并被过滤掉。

🏷️示例： 使用模块EMP_assay_extract提取组学项目taxonomy的assay。使用模块EMP_identify_assay过滤获取“核心物种”，参数estimate_group指定将Group作为分组信息，参数min指定“最小相对丰度”为0.01，参数min_ratio指定最小占比为0.7。

MAE |>
  EMP_assay_extract('taxonomy') |>
  EMP_identify_assay(estimate_group = 'Group', method = 'default', min=0.01,min_ratio = 0.7)

5.6.2 核心基因组数据

在基因组数据中，edgeR包提供了一种基于“最小丰度值”的过滤方法，模块EMP_assay_extract可以十分便捷地调用该方法对基因组/转录组等数据进行过滤。 🏷️示例：

MAE |>
  EMP_assay_extract('geno_ec') |>
  EMP_identify_assay(method = 'edgeR',min = 10,min_ratio = 0.7,estimate_group = 'Group')