第2章：物种丰度数据简介：OTU/ASV表结构，常见格式与元数据关联
好，咱们正式开始跟数据打交道。很多初学者拿到一份物种丰度数据后，第一反应就是「这表格该怎么看？」。别急，这章我就带你把这层窗户纸捅破。
所谓的物种丰度数据，说白了就是把测序仪吐出来的那些乱七八糟的序列，按物种归类，再数一数每个物种在样本里出现了多少次。最后你会得到一张大表——行是物种，列是样本，交叉点是数字。就这么简单。
核心概念：OTU（操作分类单元）和ASV（扩增子序列变体）是这张表的基础。OTU是按97%相似度聚类得到的，ASV是单碱基精度的去噪结果。我建议新手一开始别纠结两者谁更好，先搞清楚表结构才是正经事。
2.1 OTU/ASV表的行列结构
我们来拆解一下这张表的骨架。我把它分成三部分讲。
| 结构要素 | 说明 | 常见问题 |
|---|---|---|
| 行（Row） | 每个OTU/ASV的ID，例如OTU_1、ASV_120 | 行名必须唯一，千万别有重复 |
| 列（Column） | 样本名称，例如Sample1、Control_01 | 列名与元数据表要完全对应 |
| 值（Value） | 整数或浮点数，代表序列数或相对丰度 | 整型数据用整数，千万别乱转成小数 |
为什么要关注这个？嗯，因为我见过无数次因为行列名对不上，分析卡在半路的情况。举个例子，有一次一个师弟跑过来跟我说：「师兄，我的alpha多样性算不出来。」我一看，元数据里的样本名写成了「Sample_01」，丰度表里是「Sample1」，差一个下划线，全盘皆输。
2.2 常见格式：CSV、TSV与BIOM
你拿到的丰度表，通常有这三种格式。差别其实不大，就是个分隔符和封装方式的问题。
- CSV（逗号分隔值）：最常见的格式，用英文逗号
,分隔。Excel直接打开很方便，但注意——如果物种分类名里含逗号，容易串列。 - TSV（制表符分隔值）：用Tab键
\t分隔。我个人更偏爱TSV，因为逗号在名称里出现得更少，不容易翻车。 - BIOM（生物观测矩阵格式）：JSON或HDF5格式的封装，自带分类信息。Qiime2的标配，结构复杂但功能强大。
这里给一段简单的读取代码，你感受一下区别。
# CSV格式读取
otu_csv <- read.csv("otu_table.csv", row.names = 1)
# TSV格式读取
otu_tsv <- read.table("otu_table.tsv", sep = "\t", header = TRUE, row.names = 1)
# BIOM格式读取（需要安装biomformat包）
library(biomformat)
otu_biom <- read_biom("otu_table.biom")
biom_to_dense(otu_biom)2.3 元数据关联：把生物学背景装进来
光有丰度表是不够的。你想想看，没有分组信息，你怎么知道哪个样本是处理组、哪个是对照组？所以元数据表（metadata）必须跟上。
元数据表长这样：
| SampleID | Group | Time | Treatment |
|---|---|---|---|
| Sample_01 | Control | Day0 | PBS |
| Sample_02 | Treatment | Day7 | DrugA |
关联丰度表与元数据，核心就一句话：用样本名做桥梁。只要丰度表的列名和元数据表的SampleID列完全一致，merge就能搞定。
我曾经因为忽略大小写，栽过一次跟头。脚本跑了两周，结果发现丰度表里是「sample_01」，元数据里是「Sample_01」，一个字母大小写不同，all函数返回FALSE。从那以后，我写了个规范流程：
- 读取数据后立刻用
toupper()或tolower()统一大小写 - 用
setdiff()检查是否有缺失的样本 - 用
match()或merge()确保顺序一致
最后，我画了一张框架图，帮你把这章的知识点串起来。你看着这张图，应该能一目了然。
嗯，到这你应该清楚了。搞懂了表结构、认清了格式差异、把元数据挂上去，后头的分析才站得住脚。别小看这些基础操作，它们能帮你省下大把调试时间。