一篇较老的文章，之前看过，但是最近看到一些相关研究，又找到了这篇文章再看一次。
网上简单搜了一下，竟然还没有人解读过。因此本文简单总结结果。
背景
相关性网络（correlation networks）被用于表征微生物之间的相互作用。微生物（OTU）为节点，成对的特征为边，可提供有生物学或生物化学意义的关系。如共生微生物之间可能存在正相关，拮抗微生物之间存在负相关。环境因此的影响也会使微生物之间存在间接的相关。如系统发育相关的微生物有正相关的趋势。
然而，测量相关性网络存在挑战。
其中之一来自于群落的复杂性。如5000个物种的群落，两两关系个数将超过一千万；更何况还有多个物种之间的关系。
第二，微生物数据为相对丰度，不是绝对丰度。这种稀疏性和数据缺失使得统计分析很困难。
第三，微生物之间存在多样的关系类型，如线性，指数，周期性等等，难以全部检测。
方法
考察了91套数据，包括8种不同的样本模型。
研究的相关性方法：CoNet，LSA，MIC，RMT，SparCC，Bray-Curtis, Pearson, Spearman
检测指标：
true positives (TP)
false positives (FP)
TN (true negatives)
FN (false negatives)
sensitivity (true positive rate—TP/(TP FN))
specificity (true negative rate—TN/(FP TN))
precision (TP/(TP FP))
图1 a,样本类型；b,相关性方法
结果
1.不同相关性方法产生数量显著差异的边
Fig.S1 不同相关性方法共享的边的比例
2.抽样显著影响了边的推断
微生物是组成数据，总量保持不变。其中一个物种丰度升高，其他必然降低，因此产生假的相关。这种效应在小样本时更加明显。有效物种数越少，对边的影响越大。
基于秩次的方法，如MIC, Spearman和Bray-Curtis受组成数据影响稍微小一些。
不推荐用DESeq标准化方法来建立相关性，因为会产生负值。
目前的方法对于组成数据构建网络依然效果不好。
图2 圈越大表明越接近真实OTU之间的相关性。
3.FP受样本类型和相关性方法的影响
RMT和CoNet的FP比例最低。
总体来说所有方法的precision指标都很低。
Fig.S10 a, 模拟；b, 真实数据的FP。
4.常见的线性生态关系可被一些方法检测到
大多数工具都能很好地检测到互惠和共生，而偏害和部分专性互养不可检测。
所有工具都把寄生检测为共存而不是互斥，三个工具SparCC, Spearman和LSA把竞争检测为互斥。当关系变强，所有工具的效果都会变好。
对于3个及以上物种的关系，SparCC和LSA对竞争的检测效果最好。
总体来说，当群落超过3个物种时，目前所有工具都无法准确检测他们之间的相互作用关系。
图3 a, 成对；b, 三个及以上物种关系。
所有工具的准确性都很低。为了降低假阳性，作者建议去掉稀有OTU，阈值为~50% OTU。
虽然去掉OTU会破坏网络结构，但是相比而言假阳性FP更不可接受。
图4 a-d, 真实数据条件下不同方法对于线性生态关系的准确性; e-h，非线性生态关系的准确性
5. 非线性的生态关系比线性关系更难以检测
Lotka–Volterra模型基于一阶微分方程，用于描述很多经典生态学模型。结果表明灵敏度相较于线性模型都下降~10%。
对于2个物种的关系，MIC, SparCC, LSA, CoNet和Spearman表现较好；对于6个物种的关系，SparCC和Pearson表现较好。
6. 时间相关关系随信号、采样频率和时间转换而变化
边和样本量、时间点都相关。
图5 时间序列相关的关系
7. 集成方法提高了精度和F1分数
当需要一定的precision, 可以使用包含CoNet, SparCC, Spearman和Pearson的集成方法。即用CoNet的方法和其他方法取交集。
如果允许存在较低的假阳性，且OUT超过一般都是0，可使用CoNet和Pearson的集成方法，增加F1值。
对于Lotka–Volterra70%的稀疏关系，LSA具有较高的准确性和F1值。
讨论
- 采用0.05作为校正后的显著性P值的阈值太高了，用0.001更有用。
- 测序技术和标准化方法对边影响同样很大，值得研究。
- 本研究的RMT采用Pearson相关，效果比单独使用Pearson。但是RMT采用其他相关指数，如Spearman仍需研究。
- 数据的稀疏性仍是最大的挑战之一。作者建议先去掉极度稀有的OTU再构建网络。
- 如果OTU包含一半以上的0，网络构建效果将急剧下降。
作者推荐的方法选择流程：
图7 不同相关性方法的选择依据
