第 10.9 節分析實務 10.10。以 Purina 的微生物體／基因體資料分析平台說明生物資訊學、雲端運算與機器學習如何結合。
理解基因定序資料如何轉換為統計結果、監督式／非監督式分析，以及顯著性門檻的教學意義。
Purina Emerging Technologies Lab 使用 Illumina MiSeq 定序樣本，產生拍位元組級的大量資料。Purina Data Intelligence 團隊建立雲端 Purina 微生物體商數（Microbiome Quotient, MQ）Bioinformatics Platform，並用 QIIME2 自動處理原始序列資料。
| 原書項目 | 內容／門檻 |
|---|---|
| 資料規模 | 拍位元組（Petabyte, PB）級基因定序資料 |
| 定序設備 | Illumina MiSeq |
| 處理平台 | Purina MQ Bioinformatics Platform＋QIIME2 |
| 監督式方法範例 | 邏輯斯迴歸、線性判別分析、隨機森林、Boruta、長短期記憶網路、卷積神經網路等 |
| 顯著性門檻 | p 值 < 0.05 |
| 線性判別分析分數門檻 | log10 分數 > 2.5 |
| 非監督式群組檢定 | 相異性分析（Analysis of Dissimilarity, ADONIS）以 999 次置換 |
先以 QIIME2 把原始序列轉為可分析的物種／屬層級資訊，再用統計檢定與多種機器學習模型比較健康與疾病微生物體。原書也使用 alpha diversity 與 beta diversity 分析樣本社群差異。
原書把腸道微生物體視為「顯著不同」的條件之一是 p<0.05 且線性判別分析（Linear Discriminant Analysis, LDA）log10 分數 >2.5。群組差異另以 ADONIS 進行 999 次置換。原書沒有提供單一資料表讓本頁重新算出 p 值或 LDA 分數。
大量基因體資料的挑戰不只是模型，而是前處理、標準化、集中儲存與高效能運算。門檻值只能用來判斷統計證據，仍需生物學解讀與驗證。
根據原書 p<0.05、LDA log10>2.5 與 999 次置換，說明這些門檻在分析流程中的作用；不得自行生成不存在的基因體結果或疾病判斷。
問題： 某比較結果 p=0.03，但 LDA log10 分數=2.2，依原書門檻是否同時達標？
參考解答： 否。p 值達標，但 LDA 分數未超過 2.5，因此不符合原書所述的雙重嚴格條件。