原文：Alterations in the gut microbiome and metabolism with coronary artery disease severity
布景
冠状动脉疾病（CAD）和肠道菌群的改动密切相关。而肠道菌主导的代谢物是许多心脏病事情的 marker。但是，肠道菌和 CAD 分期的联系一直是个谜。
结果
1. 样本特征
作者将 201 个参与者分成 4 组，对照，SCAD 组，UA 组，MI 组。并计算了十分具体的临床信息。如饮食，生活方式等。和正常组比较，试验组在糖脂代谢方面紊乱，炎症反响添加。
1）假如四个组均是连续正态分布，用单因素方差分析比较组间差异。
2）假如四个组不符合正态分布的数据，运用 KW H 查验
3）假如两组均是连续正态分布，用 T 查验
4）假如两组不是连续正态分布，用 KW U 查验
5）关于类别变量用卡方查验
6）这样的表现方式更直观：
aP < 0.05 for equality between SCAD vs. control. bP < 0.05 for equality between UA vs. control. cP < 0.05 for equality between MI vs. control. dP < 0.05 for equality between SCAD vs. MI. eP < 0.05 for equality between UA vs. MI.
2. 冠状动脉病亚组之间的改动
作者用的是血清代谢物，别离做了极性（P 组）和非极性（L 组）两组。打出了代谢物后，把其相对表达量做相关性分析。（a）图是和表型，（b）图是和危险因子（risk factor indicators）。（c）图是将组间改变较大的代谢物（KW 查验）挑出来画一个箱线图。
3. 多组学网络揭示肠道菌和 CAD 血清代谢物之间的联系
作者探寻肠道菌和代谢物之间的联系，9 个肠道菌和 14 个代谢模块相关。
a 图表明和肠道菌改变相关性最大的 host factors。bar 的颜色代表 metadata 类别。b 图表明 co-abundance group 的 Z 值。C 是 CGA 组间的相关性（WGCNA 网络）
经过这张图作者更清晰的将代谢组学，肠道微生物，和表型信息联系到一起。（其实便是相关性分析，赤色代表正相关，蓝色代表负相关……）
4. 机器学习添点料
作者用随机森林，对各个组之间（Con VS CAD, Con VS SCAD, SCAD VS UA，SCAD VS ACS, UA VS MI）进行分类区分，具体得到的参数见图 B
不得不说机器学习 + AUC 曲线是给文章加分的一项啊～
作者：PriscillaBai
來源：简书
