Analizy wielowymiarowe pozwalają na identyfikację wzorców w danych mikrobiomicznych. Przykładami takich analiz są analiza głównych współrzędnych (PCoA) oraz analiza kanoniczna oparta na odległości (dbRDA, distance-based Redundancy Analysis). PCoA służy do wizualizacji relacji między próbkami na podstawie odległości, natomiast dbRDA łączy analizę odległości z analizą związków zmiennych środowiskowych, co pozwala na dokładniejsze modelowanie wpływów czynników środowiskowych na strukturę mikrobiomu. Testowanie hipotez statystycznych (DAA), data mining (uczenie maszynowe), analizy multiomiczne.

Oferujemy zaawansowane analizy różnic w obfitości taksonów między grupami z wykorzystaniem różnych narzędzi, takich jak ALDEx2, test Wilcoxona (różne transformacje danych), ANCOM-BC,  LEfSe.

Oferujemy zastosowanie algorytmów uczenia maszynowego, zarówno nadzorowanego (np. random forest), jak i nienadzorowanego (np. k-means). Te techniki umożliwiają odkrywanie ukrytych wzorców w danych mikrobiomowych.

Oferujemy analizy multiomiczne, które integrują dane z różnych omik, np. metagenomikę (profile taksonomiczne i funkcjonalne), proteomikę, metabolomikę, w celu uzyskania kompleksowego obrazu systemu biologicznego. Analizy te pozwalają na badanie współzależności między różnymi aspektami biologii molekularnej, co może prowadzić do identyfikacji nowych biomarkerów, celów terapeutycznych, czy lepszego zrozumienia mechanizmów biologicznych.