1. 领域背景与文献
文献英文标题：TestNet: a method for inferring microbial networks with false discovery rate control for clustered and unclustered samples；
发表期刊：Genome Biology；影响因子：17.906（2025年数据）；研究领域：微生物组学、计算生物学/生物信息学
微生物组学领域中，微生物共现网络推断是解析群落内部物种互作关系、揭示群落结构与功能关联的核心技术手段，在疾病机制研究、生态功能解析等方向具有重要应用价值。领域共识：微生物组数据具有组成性、零膨胀及样本异质性（如聚类结构）等固有特性，对网络推断方法的可靠性提出了极高要求。当前领域内的核心问题在于，多数现有微生物网络推断方法仅能生成物种间皮尔逊相关系数的点估计结果，未对相关性进行显著性评估，且未考虑样本聚类结构带来的统计偏差，导致推断出的网络假阳性率高、可靠性不足，无法为后续的机制研究或临床应用提供严谨的依据。本研究针对这一核心空白，提出了TestNet方法，旨在实现对假发现率（FDR）的有效控制，同时适配聚类与非聚类的微生物组样本，为领域提供更可靠的网络推断工具。
2. 文献综述解析
基于现有摘要信息，可推断作者对领域内现有研究的评述逻辑主要围绕方法的可靠性与适用性展开。现有微生物网络推断方法的核心结论多聚焦于物种间的相关性关联，部分方法在特定数据集上展现出一定的关联检测能力，但普遍存在显著局限性：一是仅提供相关性点估计，未进行显著性检验，无法区分真实关联与随机噪声；二是未考虑微生物组数据的组成效应、零膨胀特性，导致相关性估计存在系统偏差；三是未适配样本聚类结构，当样本存在分组或聚类特性时，推断结果的假阳性率会进一步升高。本研究的创新价值在于，首次提出了同时解决上述三大问题的TestNet方法，通过基于置换的过程生成有效零重复数据，可校正组成效应与零膨胀带来的偏差，同时实现对假发现率的严格控制，且能适配聚类与非聚类的样本类型，填补了领域内缺乏高可靠性、广适用性微生物网络推断方法的空白。
3. 研究思路总结与详细解析
3.1 方法学框架构建
本研究的核心目标是开发一种兼具假发现率控制能力与样本适配性的微生物网络推断方法，核心科学问题为如何在微生物组数据的组成性、零膨胀及样本聚类特性的多重干扰下，实现可靠的物种间关联推断并严格控制假阳性结果。技术路线整体遵循“方法提出→偏差校正→性能验证”的逻辑闭环。
由于缺乏文献正文的实验细节，以下内容基于摘要信息推测：研究首先针对现有方法的局限性，提出TestNet方法的核心框架，采用基于置换的策略生成符合数据特性的零重复样本，以此校正微生物组数据的组成效应与零膨胀问题；同时，方法内置了对样本聚类结构的适配模块，可在存在样本聚类的情况下仍保持统计效力。随后，通过模拟数据集与真实微生物组数据集对TestNet方法进行验证，评估其假发现率控制能力、统计效力及与现有方法的性能差异。文献未提及具体实验产品，领域常规使用R语言、Python等生物信息学分析工具及相关微生物组分析包（如phyloseq、WGCNA等）。
4. Biomarker研究及发现成果
本研究属于方法学研究，聚焦于微生物网络推断方法的开发与优化，未涉及传统意义上的生物标志物（Biomarker）筛选、验证及功能关联研究，因此无相关Biomarker研究成果可解析。
重要说明
由于当前仅获取到文献的摘要及基础发表信息，未获取到正文的研究方法、结果、讨论等核心章节内容，上述解析仅能基于有限信息完成框架性梳理。若需要完成符合要求的完整、深入的文献解析，请补充提供文献的正文全文内容（包括研究方法、实验结果、讨论等核心部分）。