Στην παρούσα διπλωματκή εργασία αναδεικνύουμε την πολυτροπική φύση των μικροβιακών δεδομένων. Οι στατιστικές αναλύσεις της σχετικής αφθονίας (relative abundance) των μικροβιακών πληθυσμών που γίνονται με παραμετρικές μεθόδους όπως είναι το t-test ή το ANOVA βασίζονται στο γεγονός ότι ακολουθούν κανονική κατανομή τα δεδομένα. Υπάρχουν όμως και μη παραμετρικές μέθοδοι που χρησιμοποιούν την μονοτροπικότητα των δεδομένων. Η σχετική αφθονία των μικροβιακών πληθυσμών όμως σπανίως παρουσιάζει μονοτροπική κατανομή, ως επί των πλείστων οι κατανομές τους είναι πολυτροπικές. Αυτό θα αποδείξουμε σε αυτή τη διπλωματική εργασία. Για να το αποδείξουμε αυτό χρησιμοποιήσαμε πραγματικά δεδομένα μικροβιακών πληθυσμών. Οι στατιστικές αναλύσεις καθώς και τα διαγράμματα που θα χρησιμοποιηθούν έχουν παραχθεί από γλώσσα προγραμματισμού R.

Αρχικά στην εργασία κάνουμε μία αναδρομή και μέσω της βιβλιογραφίας βρίσκουμε εργασίες που στο παρελθόν έχουν ασχοληθεί με την πολυτροπικότητα σε βιολογικά δεδομένα και αναλύουμε τα εργαλεία της γλώσσας προγραμματισού R με τα οποία έγιναν οι αναλύσεις. Στη συνέχεια με τη χρήση αυτών των εργαλείων βρίσκουμε αποτελέσματα χωρίς να έχουμε λάβει υπόψιν μας την πολυτροπικότητα των πραγματικών δεδομένων. Παρακάτω αποδεικνύουμε την πολυτροπικότητα των δεδομένων με χρήση συγκεκριμένων εργαλείων που έχουν αναλυθεί προηγουμένως. Και τέλος δείχνουμε κάποια παραδείγματα από κάποια από τα ZOTUs που εμφανίζουν πολυτροπικότητα με διάφορα στατιστικά τεστ είτε παραμετρικά είτε μη παραμετρικά.

In this dissertation we highlight the multimodal nature of microbial data. The statistical analyses of the relative abundance of microbial populations made by parametric methods such as t-test or ANOVA are based on the fact that the data follow a normal distribution. However, there are also non-parametric methods that use the monomodality of the data. The relative abundance of microbial populations, however, rarely shows a monotropic distribution, they are mostly multimodal distributions. This is what we will try to prove in this paper. In order to prove this, we used real microbial population data. The statistical analyses as well as the diagrams to be used have been produced in the R programming language.

At the beginning of the paper, we retrospect and through the literature we find papers that in the past have been involved with multimodality in biological data and we analyze the tools of the R programming language with which the analyses were performed. Then, with the use of these tools we find results without considering the multimodality of the real data. Afterwards we prove the multimodality of the data with the use of specific tools that have been previously analyzed. And finally, we show some examples of some of the ZOTUs that show multimodality with various statistical tests whether parametrically or not.