Logo EESSAQ Microbiome
| EESSAQ Microbiome
À proposInscriptionTutorielContact

Partenaires

Réalisé par

Logo IRDA

En collaboration avec

Logo ADLAB
Logo Université Laval

Avec le soutien financier de

Logo MAPAQ

© 2026 EESSAQ Microbiome. Tous droits réservés.

Une initiative de l'Institut de recherche et de développement en agroenvironnement.

Tous les tutoriels

Guide du tableau de bord académique

Le tableau de bord académique est conçu pour l'exploration approfondie des jeux de données métagénomiques. Il permet d'analyser la structure des communautés microbiennes et d'identifier les facteurs environnementaux qui pilotent leur assemblage.

6 sections · environ 10 min de lecture

Ouvrir le tableau de bord

Sur cette page

  1. 1.Diversité alpha : l'écologie locale
  2. 2.Analyses de corrélation : croiser les variables numériques
  3. 3.Diversité bêta : la structure des communautés
  4. 4.La projection spatiale (UMAP)
  5. 5.Paramétrer les gradients environnementaux
  6. 6.Interpréter les visualisations par taxon

1Diversité alpha : l'écologie locale

Avant de comparer les échantillons entre eux, il faut définir ce que l'on mesure à l'échelle d'un seul échantillon. La diversité alpha évalue la richesse — le nombre de variants ou d'OTU/ASV — et l'équité, c'est-à-dire la distribution de leurs abondances, au sein d'un environnement local.

Métriques disponibles

Indice de Shannon
Combine richesse et équité en une seule valeur. C'est la métrique la plus couramment rapportée.
Indice de Simpson
Particulièrement sensible aux espèces dominantes : utile quand la question porte sur la concentration de l'abondance.
Chao1
Estimation de la richesse pure, corrigée pour les taxons rares que l'effort de séquençage n'a pas détectés.

Approche analytique recommandée

Privilégiez un modèle linéaire pour évaluer rigoureusement l'effet des variables environnementales continues — pH, carbone, azote — sur ces indices. Les comparaisons de groupes par boîtes à moustaches, par exemple entre systèmes culturaux, viennent ensuite illustrer ces effets plutôt que les établir.

2Analyses de corrélation : croiser les variables numériques

Avant de projeter les communautés entières, il est souvent nécessaire de comprendre comment les métadonnées interagissent entre elles et avec les indices globaux du microbiome. L'interface propose deux niveaux d'analyse.

123
  1. 1Les filtres : type de site, système de culture, groupe de série de sol, matériau parental
  2. 2La corrélation entre deux variables numériques
  3. 3La matrice de corrélations multiples
Interface du tableau de bord académique : panneau de filtres à gauche, graphique de corrélation entre deux variables au centre avec sa liste déroulante de variables biologiques, et matrice de corrélation multiple à droite.
Corrélations simples (bivariées)
Visualisez la relation entre une variable dérivée du microbiome — indice de Shannon, respiration microbienne, fixation de l'azote — et une variable environnementale continue comme le pH ou le pourcentage d'argile. Le graphique affiche la droite de régression ainsi que le coefficient et la valeur p associés.
Corrélations multiples
Les matrices de corrélation sont indispensables pour repérer les colinéarités entre de multiples variables physicochimiques avant de construire des modèles statistiques plus complexes. Vous choisissez les variables à inclure, la statistique représentée et l'ordre des axes.

Deux réglages utiles

Le curseur « Taille des points » aère un nuage dense, et la « Variable catégorique » colore les points par groupe — le matériau parental, par exemple — pour repérer une relation qui ne vaudrait que dans un sous-ensemble.

3Diversité bêta : la structure des communautés

La diversité bêta mesure la distance — la dissimilarité de composition — entre différents échantillons. Là où la diversité alpha décrit un échantillon isolément, la diversité bêta décrit ce qui sépare deux échantillons.

Les matrices de distance

Bray-Curtis
Tient compte de l'abondance relative de chaque taxon : deux échantillons partageant les mêmes espèces mais dans des proportions très différentes seront considérés comme dissemblables.
Jaccard
Ne considère que la présence ou l'absence des taxons, sans pondérer par l'abondance.
UniFrac
Intègre la phylogénie : deux taxons proches dans l'arbre contribuent moins à la distance que deux taxons éloignés.

Pourquoi une ordination ?

Une matrice de distance portant sur des milliers de taxons ne se lit pas directement. On applique donc un algorithme de réduction de dimensionnalité — UMAP ou PCoA — pour projeter ces distances dans un espace 2D ou 3D interprétable.

4La projection spatiale (UMAP)

L'interface propose une visualisation de la composition des trois taxons à l'étude par UMAP (Uniform Manifold Approximation and Projection), une technique de réduction de dimensionnalité non linéaire. Elle projette la complexité des profils d'abondance relative de chaque échantillon sur deux dimensions (UMAP 1 et UMAP 2), en préservant mieux la structure topologique locale et globale des données qu'une PCoA classique.

Comment lire la distance

Dans ces graphiques, la distance entre deux points reflète la dissimilarité de leur composition microbienne : plus deux échantillons sont proches, plus leurs communautés se ressemblent.

12
  1. 1Le choix de la variable physicochimique à projeter
  2. 2Le choix de la palette de couleurs
Trois projections UMAP côte à côte — procaryotes, champignons et microeucaryotes — colorées selon un gradient de pH, avec les menus de sélection de la variable physicochimique et de la palette au-dessus.

5Paramétrer les gradients environnementaux

L'outil permet de superposer des métadonnées continues sur la projection UMAP pour évaluer visuellement l'effet d'un gradient — pH, pourcentage de sable, pourcentage de carbone — sur la composition microbienne.

Variable physicochimique
Ce menu déroulant sélectionne la variable environnementale projetée sur vos échantillons. Par défaut, l'application affiche une variable maîtresse comme le pH.
Sélection de la couleur
Ce paramètre modifie la palette chromatique. L'option par défaut, « Spectre », offre un contraste élevé qui facilite la lecture des valeurs extrêmes.

6Interpréter les visualisations par taxon

L'application génère simultanément trois fenêtres de visualisation indépendantes, afin de comparer la réponse écologique des différents règnes à un même gradient.

Procaryotes
Micro-organismes sans noyau, principalement bactéries et archées. Ils jouent un rôle clé dans les cycles biogéochimiques du sol.
Champignons
Organismes eucaryotes filamenteux qui décomposent la matière organique, établissent des symbioses avec les plantes ou peuvent être pathogènes.
Microeucaryotes
Micro-organismes eucaryotes non fongiques, comme les protistes, qui régulent les communautés microbiennes et les cycles nutritifs.

Lire un patron de distribution

L'échelle de couleur — par exemple du bleu pour un pH bas au rouge pour un pH élevé — permet d'identifier des patrons. Si les points rouges (pH basique) se séparent distinctement des points bleus (pH acide) le long d'un axe UMAP, cela suggère fortement que le pH exerce une pression de sélection significative sur la structure de la communauté étudiée.

Comparer les trois règnes

Un gradient net chez les procaryotes mais diffus chez les champignons indique que le facteur testé ne structure pas les deux règnes avec la même force — une information à part entière, et non un défaut de la projection.

Une question sur vos données ?

Ces guides couvrent l'essentiel de l'interface. Pour une question sur l'interprétation de vos résultats ou sur l'accès aux données, l'équipe EESSAQ vous répond.

Nous écrireOuvrir le tableau de bord