原文：Alterations in the gut microbiome and metabolism with coronary artery disease severity
背景
冠状动脉疾病（CAD）和肠道菌群的改变密切相关。而肠道菌主导的代谢物是很多心脏病事件的marker。但是，肠道菌和CAD分期的关系一直是个谜。
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。并统计了非常详细的临床信息。如饮食，生活方式等。和正常组相比，实验组在糖脂代谢方面紊乱，炎症反应增加。
作者用详细的统计分析撑起了这一小节，实验结果不多赘述。统计方法如下：
1）如果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）如果四个组不符合正态分布的数据，运用KW H检验
3）如果两组均是连续正态分布，用T检验
4）如果两组不是连续正态分布，用KW U检验
5）对于类别变量用卡方检验
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变
作者用的是血清代谢物，分别做了极性（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）图是和风险因子（risk factor indicators）。（c）图是将组间变化较大的代谢物（KW检验）挑出来画一个箱线图。
3. 多组学网络揭示肠道菌和CAD血清代谢物之间的关系
作者探寻肠道菌和代谢物之间的关系，9个肠道菌和14个代谢模块相关。
a图表明和肠道菌变化相关性最大的host factors。bar的颜色代表metadata类别。b图表示co-abundance group的Z值。C是CGA组间的相关性（WGCNA网络）
通过这张图作者更明确的将代谢组学，肠道微生物，和表型信息联系到一起。（其实就是相关性分析，红色代表正相关，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）进行分类辨别，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～
