Summary
Netværksanalyse blev anvendt til at evaluere foreningen af forskellige økologiske mikrobielle samfund, såsom jord, vand og rhizosfære. Præsenteret her er en protokol om, hvordan man bruger WGCNA-algoritmen til at analysere forskellige co-forekomstnetværk, der kan forekomme i de mikrobielle samfund på grund af forskellige økologiske miljøer.
Abstract
Rodmikrobiomet spiller en vigtig rolle i plantevækst og miljøtilpasning. Netværksanalyse er et vigtigt redskab til at studere samfund, som effektivt kan udforske interaktionsforholdet eller samforekomstmodellen for forskellige mikrobielle arter i forskellige miljøer. Formålet med dette manuskript er at give detaljer om, hvordan man bruger den vægtede korrelationsnetværksalgoritme til at analysere forskellige samindtræffernetværk, der kan forekomme i mikrobielle samfund på grund af forskellige økologiske miljøer. Al analyse af eksperimentet udføres i WGCNA-pakken. WGCNA er en R-pakke til vægtet korrelationsnetværksanalyse. De eksperimentelle data, der blev brugt til at demonstrere disse metoder, var mikrobielle samfundsdata fra NCBI (National Center for Biotechnology Information) databasen for tre nicher af ris (Oryza sativa) rodsystemet. Vi brugte den vægtede korrelation netværk algoritme til at konstruere co-overflod netværk af mikrobielle samfund i hver af de tre nicher. Derefter blev der identificeret differentierede co-overflodsnetværk blandt endosfæren, rhizoplane og rhizosfærejord. Derudover blev kerneslægterne i netværket opnået ved "WGCNA"-pakken, som spiller en vigtig reguleret rolle i netværksfunktioner. Disse metoder gør det muligt for forskere at analysere mikrobielle netværks reaktion på miljøforstyrrelser og verificere forskellige mikrobielle økologiske reaktionsteorier. Resultaterne af disse metoder viser, at de betydelige differentierede mikrobielle netværk, der er identificeret i endosfæren, rhizoplane og rhizosfærejord af ris.
Introduction
Mikrobiomforskning har stor betydning for forståelsen og manipulationen aføkosystemprocesser 1,2. Mikrobielle populationer er forbundet med interagerende økologiske netværk, hvis egenskaber kan påvirke mikroorganismernes reaktion på miljøændringer3,4. Desuden påvirker disse netværks egenskaber stabiliteten i mikrobielle samfund og er tæt forbundet med jordfunktion5. Vægtet genkorrelationsnetværksanalyse er nu blevet anvendt bredt til forskning i forholdet mellem gener og mikrobielle samfund6. Tidligere undersøgelser har hovedsagelig fokuseret på sammenslutninger mellem netværk af forskellige gener eller populationer og omverdenen7. Forskellene i korrelationsnetværk dannet af mikrobielle populationer under forskellige miljøforhold er imidlertid næppe blevet undersøgt. Formålet med den forskning, der præsenteres i dette papir, er at give indsigt og detaljer om den hurtige implementering af WGCNA-algoritmen til at konstruere et co-occurrence netværk af mikrobiomprøver indsamlet under forskellige miljøforhold. På baggrund af analyseresultaterne vurderede vi befolkningens sammensætning og forskelle og drøftede yderligere forholdet mellem forskellige mikrobielle populationer. Følgende grundlæggende strøm af vægtet korrelationsnetværksalgoritme8 blev anvendt. For det første skulle der konstrueres en lighedsmatrix ved at beregne Pearson-korrelationskoefficienten mellem OTU-udtryksprofilerne (Operational Taxonomic Units). Derefter blev parametrene for adjacency-funktionerne (kraften eller sigmoidadjacencyfunktionerne) vedtaget med et skalafrit topologikriterium, lighedsmatrixen blev omdannet til en adjacency-matrix, og hvert co-occurrence-netværk svarede til en adjacency matrix. Vi brugte gennemsnitlig sammenkædning af hierarkisk klyngedannelse kombineret med tom-baseret forskellighed til at gruppere OTUs med sammenhængende udtryksprofiler i moduler. Derudover beregnede vi forholdet mellem konservative statistikker og de relaterede parameteranalysemoduler og identificerede endelig hub-OTU'en i modulet. Disse metoder er særligt velegnede til analyse af forskellene i netværksstrukturer mellem forskellige mikrobielle populationer under forskellige miljøforhold. I dette manuskript har vi detaljeret beskrevet metoden til udvikling af samudtryksnetværk, analysen af uensartede forskelle mellem modulerne og givet et kort overblik over trinene i den procedure, der anvendes for at opnå kernearterne i forskellige modulnetværk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Dataoverførsel
- Download dataene fra tiltrædelse PRJNA386367 udgør NCBI-databasen. Fra dataene fra tiltrædelses-PRJNA386367 skal du vælge rhizosfæren, rhizoplane og endosfærens mikrobiomdata fra risplanter dyrket i 14 uger i et nedsænket risfelt i Arbuckle, Californien i 2014.
BEMÆRK: Rhizosfæren, rhizoplane og endosfærens mikrobiomdata blev præsenteret af OTU-tabellen i tiltrædelses-PRJNA386367.
2. Optimal bestemmelse af effektværdi
BEMÆRK: WGCNA-pakken indeholder alle følgende funktionsparametre. WGCNA er en R-pakke til vægtet korrelationsnetværksanalyse. De vigtigste kommandolinjer refererer til tillægget S1.
- Åbn Rstudio-softwaren i R-sprogmiljøet, og installer WGCNA-pakken.
- Indlæs dataene, og brug funktionen goodSamplesGenes til at kontrollere dataenes korrekthed. Udfør kommandolinjerne:
"gsg = goodSamplesGenes(datExpr0, verbose = 3)
gsg$allOK "
Klik på Kør. - Tjek for outliers og gemme prøver, der opfylder kravene. Når kontrolresultatet er TRUE, skal du fortsætte til næste trin. Gem resultatet.
- Brug funktionen PickSoftThreshold til at beregne det skaleringsfrie indeksR 2 for de to grupper af data under forskellige effektværdier. Udfør kommandolinjen:
"sft = pickSoftThreshold(datExpr0, powerVector = powers, verbose = 5)"
Klik på Kør. - Visualiser resultaterne (Figur 1). Udfør kommandolinjen:
"plot(sft$fitIndices[;1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
xlab="Blød tærskel (effekt)",ylab="Skaler tilpas til fri topologimodel,signeret R^2",type="n",
main = paste("ES_Scale uafhængighed"));
tekst(sft$fitIndices[;1], -sign(sft$fitIndices[;3])*sft$fitIndices[;2],
labels=powers,cex=cex1,col="red");
abline(h=0,9,col="rød")
plot(sft$fitIndices[;1], sft$fitIndices[,5],
xlab="Blød tærskel (effekt)",ylab="Gennemsnitlig forbindelse", type="n",
main = sæt ind("ES_Mean forbindelse"))
tekst(sft$fitIndices[;1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")"
Klik på Kør.
BEMÆRK: Forudsætningen for den vægtede korrelationsnetværksalgoritme er, at den etablerede co-expression-netværksstruktur er i overensstemmelse med standarderne i det skalafrie topologikriterium, hvilket øger dets robusthed. Et skalerfrit indeks tættere på 1 angiver en netværksstruktur, der er tættere på det skaleringsfrie netværk. - Vælg strømværdien, når det skaleringsfrie indeksR 2 er mere firkantet end 0,9, og fortsæt til næste analysetrin.
BEMÆRK: Når det skaleringsfrie indeks er tæt på 1, er netværksstrukturen tættere på det skalerfrie netværk. Når man analyserer to eller flere netværk, er det nødvendigt at vælge at gøre hvert netværk tæt på kraftværdien af det skalafrie netværk for at tilfredsstille sammenligneligheden mellem de co-udtrykte netværk.
3. Opbygning af et samudtryksnetværk og modulidentifikation
BEMÆRK: Baseret på ovenstående beregnede effektværdi er co-occurrence-netværket konstrueret. De vigtigste kommandolinjer refererer til tillægget S2.
- Brug funktionen adjacency i WGCNA-pakken til at tilføje signerede parametre til opbygning af et symbolsk samforekomstnetværk. Udfør kommandolinjen:
"adjacency = adjacency(datExpr0, power = softPower)"
Klik på Kør. - Anvend FUNKTIONEN TOM-lighed til at udvikle et topologisk overlappende netværk og beregne uligheden. Udfør kommandolinjen:
"TOM = TOMsimilarity(adjacency);
dissTOM = 1-TOM"
Klik på Kør.
BEMÆRK: Den signerede parameter blev tilføjet for at angive netværkstypen for overlapning af topologi. - Brug funktionen hclust til at vælge den gennemsnitlige hierarkiske klyngemetode for forbindelser i forbindelse med hierarkisk klyngedannelse. Udfør kommandolinjen:
"geneTree = hclust(as.dist(dissTOM), metode = "gennemsnit");"
Klik på Kør. - Brug funktionen cutreeDynamic til at udføre dynamisk grenskæring og angive parameteren minClusterSize til 30. Hent resultatet af modulgenkendelsen. Udfør kommandolinjen:
"dynamicMods = cutreeDynamic(dendro = geneTree, distM = dissTOM, deepSplit = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize);"
Klik på Kør.
BEMÆRK: Minimumstørrelsen på modulet kunne ikke være lavere end 30. - Modulet for hvert OTUs-modul beregnes ud fra funktionen moduletEigengenes. Udfør kommandolinjen:
"MEList = moduleEigengenes(datExpr0, farver = dynamicColors)
MEs = MEList$eigengenes"
Klik på Kør.
BEMÆRK: Modulet eigen repræsenterede det overordnede OTU-udtryksniveau i modulet. Det var ikke en specifik OTU, men den første hovedkomponent i hver klynge opnået ved ental netværksværdi nedbrydning. - Udfør klyngefunktionen baseret på korrelationskoefficienten for modulet eigen. Brug funktionen mergeCloseModules til at flette modulerne med en værdi, der er lavere end 0,25. Udfør kommandolinjen:
"merge = mergeCloseModules(datExpr0, dynamicColors, cutHeight = MEDissThres, verbose = 3)"
Klik på Kør. - Endelig skal du bruge funktionen plotDendroAndColors til visualisering for at få modultildelingsvisningsdiagrammet for hvert samudtryksnetværk (Figur 2). Brug tabelfunktionen til at udtrække den modultilskrivning, der svarer til hver OTin-modultildelingstabel. Udfør kommandolinjen:
"plotDendroAndColors(geneTree, mergedColors, "Merged dynamic",dendroLabels = FALSE,
hang = 0,03,addGuide = TRUE, guideHang = 0,05,
main = "ES_Gene dendrogram og modulfarver")"
Klik på Kør.
BEMÆRK: I modulet tildeling diagram af co-udtrykke netværk, forskellige farver repræsenterer forskellige moduler, og grå repræsenterer OTUs, der ikke kan klassificeres i noget modul. Et større antal OTU'er i det grå modul angiver, at forbehandlingskvaliteten i den tidlige fase af udtryksmatrixen er dårlig.
4. Sammenligning af moduler
BEMÆRK: Denne metode kan bruges til at sammenligne netværksmodulerne i to økologiske mikrobielle samfund. I denne artikel sammenlignes forskellene mellem mikrobielle netværksmoduler mellem endosfære og rhizoplane, endosfære og rhizosfære, rhizosfære og rhizoplane.
- Konserveringstest
- Indlæs parametrene og resultaterne af de to datasæt, der er gemt i de forrige trin.
- Angiv resultatet af tildelingen af netværksmodulet for en gruppe mikrobielle data som referencegruppe, mens den anden gruppe er testgruppen.
- Brug funktionen modulePreservation til at beregne værdierne for statistiske parametre for konservativhed Z_summary og medianRank. Udfør kommandolinjen:
"system.time({mp=modulePreservation(multiExpr,
flerfarvet,referenceNetworks=1,
nPermutation=100, randomSeed=1,quickCor=0,verbose=3)})"
Klik på Kør.
BEMÆRK: Dette resultat kan kvantificere konservativiteten mellem modulerne. Z_summary>10 angiver, at to moduler er højt bevarede, mens Z_summary<2 betegner ikke-bevarede moduler. medianRank udtrykker den relative bevarelse af modulet vurderet efter rangordning. Højere medianRank-værdier angiver ikke-bevarede moduler. (De vigtigste kommandolinjer refererer til Supplement S3). - Brug plotfunktionen til at visualisere resultaterne (Figur 3). Hent parametrene Z_summary og medianRank (Tabel 1).
BEMÆRK: De netværksmoduler, der opfylder både Z_summary værdi mindre end 2 og median Rank-værdien øverst, er det mest ikke-bevarede modul i de to økologiske mikrobielle samfund. - Baseret på resultaterne af ovennævnte to statistiske parametre til at identificere modulet med de fleste meget ikke-bevarede modul af de to netværk.
- Korrelationsanalyse af modulmedlemskabet
- Angiv modultildelingsresultaterne for de to netværk som henholdsvis reference og testgruppe.
BEMÆRK: Indstillingerne skal være de samme som bevaringstest. - Brug funktionen corPvalueStudent til at udtrække kME-værdien (modulmedlemskab) for hver OTU i flere kandidatmoduler.
Udfør kommandolinjen:
"Pvalue = as.data.frame(corPvalueStudent(as.matrix
(ModuleMembership), Eksempler))"
Klik på Kør.
BEMÆRK: kME står for graden af modulmedlemskab. ME står for modulet eigen, som repræsenterer det overordnede niveau af OTU-udtryk i modulet. kME er korrelationskoefficienten mellem hver OTU og ME. Kvantificer OTU's betydning i netværket med OTU's kME-værdi. (De vigtigste kommandolinjer henviser til tillægget S4). - Brug derefter funktionen verboseScatterplot til at beregne korrelationskoefficienten for kME-værdien af de tilsvarende OTU'er i de to netværk og tegne korrelationsanalysediagrammet (Figur 4).
Udfør kommandolinjen:
"verboseScatterplot(abs(TModuleMembership
[TmoduleGenes, Tcolumn])
abs(NModuleMembership[NmoduleGenes, Ncolumn])
xlab = sæt ind("kME i", "ES"),
ylab = sæt ind("kME i", "RP"),
main = paste("lightyellow"),
cex.main = 1,7, cex.lab = 1,6, cex.axis = 1,6, col = modulecolor)"
Klik på Kør. - Vælg modulet med den mindste korrelationskoefficient for kME-værdien af OTU for de to netværk. Overvej dette modul for at have den største forskel på de to netværk.
- Angiv modultildelingsresultaterne for de to netværk som henholdsvis reference og testgruppe.
5. Analyse af mikrobielle differentialnetværksmodul
- Få data om den dominerende bakteriefyla gennem statistisk analyse af OTU-sekvenssættet i modulet med den største forskel.
BEMÆRK: OTU-sekvenssættet for modulet med den største forskel lægges sammen med taksonomien for phyla. Den dominerende bakterie phyla tegnede sig for mere end 10%. - Brug derefter funktionen exportNetworkToCytoscape til at hente den fil, der indeholder oplysninger om interaktionsforholdet for OTU'en i det største differentialmodul.
Udfør kommandolinjen:
"cyt = exportNetworkToCytoscape(modTOM,
edgeFile = paste("NEW-ES_CytoscapeInput-edges-", moduler , ".txt", sep=""),
nodeFile = paste("NEW-ES_CytoscapeInput-noder-", moduler, ".txt", sep=""),
vægtet = SAND,tærskel = 0,5, nodeNavne = modProbes,
altNodeNames = modGenes, nodeAttr = moduleColors[inModule])"
Klik på Kør. - Importer filen til Cytoscape. Indstil tærsklen til 0,5, og juster andre parametre efter behov.
- Konstruere et samsammenståelsesnetværk af differentialmikroorganismer (figur 5).
- Indhentede oplysninger om den kerne slægt, der har den vigtigste regulerende rolle i netværket.
BEMÆRK: Ifølge KME-værdien af OUT kan kernegenus defineres. - Endelig blev kerne slægtens funktioner vurderet, og dens indflydelse på hele differencenetværket blev analyseret.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De repræsentative resultater i denne artikel blev downloadet fra 2014 California Abaker risrod mikrobiom data i NCBI database (PRJNA386367)9. Dataene omfatter rhizosfæren, rhizoplane, og endosfæren mikrobiom prøver fra ris planter dyrket i 14 uger i en neddykket ris felt. Vi brugte WGCNA-algoritmen til at vælge den effektværdi, der opfyldte de tre netværk, der var tæt på det skalafrie netværk (Figur 1) og udviklede tre co-expression-netværk (Figur 2). I endosfæren, rhizoplane, og rhizosfæren jord mikrobielle co-udtryk netværk, 23, 22 og 21 moduler blev identificeret, henholdsvis. Disse resultater viser, at antallet af mikrobielle interaktionsnetværk i de tre nicher stort set var lige.
Vi sammenlignede yderligere forskellene i de mikrobielle netværksmoduler inden for endosfæren, rhizoplane og rhizosfærejord. Følgende bevaringstestresultater af modulerne i de tre nichegrupper blev opnået. Der fandtes tre yderst ikke-bevarede moduler mellem rhizosfæren og rhizoplanen (figur 3a, tabel 1). Derudover var der ni yderst ikke-bevarede moduler til stede mellem rhizosfæren og endosfæren (figur 3b, tabel 2) og seks yderst ikke-bevarede moduler mellem rhizoplanen og endosfæren (figur 3c, tabel 3). Desuden blev der fundet ekstremt ikke-bevarede moduler blandt de tre nicher, hvilket indikerer tilstedeværelsen af store forskelle i sammensætningen af mikroorganismer blandt de tre nicher. Resultaterne af korrelationsanalysen af modulets medlemskorrelation af de opnåede ikke-konservative moduler er illustreret i figur 4. Fra figuren er et markant forskelligt modul med mindst korrelation mellem hver to nicher synlig blandt de tre nicher, hvilket repræsenterer den mest markante forskel mellem dem.
I rhizosphere-rhizoplane-differencenetværket (Figur 5a) var den dominerende phylum Proteobacteria (72,97%). I rhizosphere-endosfæren forskel netværk (Figur 5b), den dominerende phyla var Proteobacteria (66,36%), Actinobacteria (10,1%) og Bacteroidetes (10,9%). I rhizoplane-endosfæren forskel netværk (Figur 5c), den dominerende phyla var Proteobacteria (41,41%), Bacteroidetes (10,10%), Firmicutes (12,12%), og Verrucomicrobia.
Tre kernegenera (Figur 5a), herunder Rhodobacter og Novosphingobium, seks kernegenera (Figur 5b), herunder Blvii28 og Dechloromonas, og fem kernegenera (Figur 5c), herunder Cellvibrio og Geobacter, udøvede vigtige reguleringsfunktioner i de tre forskellige samindsendelsesnetværk. Alle kerneslægter, bortset fra Dechloromonas, havde kun indflydelse på ét netværk, hvilket indikerer tilgængeligheden af betydelige forskelle i den relative overflod af mikrobielle populationer og arter blandt de tre nicher af risrødder, hvilket kritisk påvirkede overfloden og mangfoldigheden af de eksisterende rodmikrobielle samfund.
Kerne slægten Azospirillum, til stede i rhizosphere-endosfæren forskel netværk af ris, deltog i kvælstof fiksering og fremmes plantevækst10. Derudover kan Geobacter slægten, som blev betydeligt beriget i rhizoplane-endosfæren forskel netværk, være den vigtigste faktor, der fremkalder reduktionen af uopløselige Fe og Mn oxider i mange jord og sedimenter11. Disse mikroorganismer interagerer med en række mikrobielle samfund i rodnicher og deltager aktivt i reguleringen af mikrobielle netværk, hvilket kan være afgørende vigtigt for væksten og udviklingen af risrødder.
Figur 1. Evaluering af powerβ i datasættene. a) Evaluering af magt β i ES-datasættet b) Evaluering af magt β i RS-datasættet c) Vurdering af effekt β i RP-datasættet, distribution af det skalafrie indeks R2 (til venstre), fordeling af den gennemsnitlige forbindelse (højre) langs forskellige soft power-indekser. Værdien af den bedste effekt blev opnået, da R2 havde tendens til mætning og ikke var lavere end 0,8. De tre samudtryksnetværk skulle indstilles til samme effektværdi for at sikre deres sammenlignelighed. (RS: rhizosfæren jord, RP: rhizoplane, og ES: endosfæren). Klik her for at se en større version af dette tal.
Figur 2. OTU dendrogram opnået ved gennemsnitlig sammenkædning hierarkisk klyngedannelse. a)OTU dendrogram fra ES-nettet b) OTU dendrogram fra RS-nettet c) OTU dendrogram fra RP-nettet. Farverækken under dendrogram angiver den modultildeling, der bestemmes af algoritmen Dynamisk træklip. (RS: rhizosfæren jord, RP: rhizoplane, og ES: endosfæren) Klik her for at se en større version af dette tal.
Figur 3. Resultaterne af konserveringstesten. a) Analyseresultaterne er baseret på RS-allokeringen af RS-samarbejdsnetværksmoduler som referencegruppe og resultaterne af RP-allokeringen af netværksmoduler som testgruppe. b) Analyseresultaterne er baseret på es-allokeringen af ES-samarbejdsnetværksmoduler som referencegruppe og resultaterne af RS-allokeringen af netværksmoduler som testgruppe. c) Analyseresultaterne er baseret på ES-allokeringen af ES-samarbejdsnetværksmoduler som referencegruppe, og resultaterne af RP-allokeringen af netværksmoduler som testgruppe. Z_summary > 10 angiver, at to moduler er højt bevarede, mens Z_summary < 2 betegner ikke-bevarede moduler. medianRank udtrykker den relative bevarelse af modulet vurderet efter rangordning. Højere medianRank-værdier angiver ikke-bevarede moduler. (RS: rhizosfæren jord, RP: rhizoplane, og ES: endosfæren) Klik her for at se en større version af dette tal.
Figur 4. Korrelationsanalyse af modulmedlemskaberne. a) Modulkorrelation mellem RS- og RP-nettet b) Modulkorrelation mellem KME-værdien mellem RS- og RP-nettet c) Modulkorrelation mellem KME-værdien mellem RP- og ES-nettet (RS: rhizosfærejord, RP: rhizoplane, ES: endosfære og KME: modulmedlemskab). Klik her for at se en større version af dette tal.
Figur 5. Co-forekomst netværk af differentiale mikrobiellepopulation i roden af ris. a)Co-forekomst netværk af forskellige mikrobielle populationer i RS-RP b) Co-occurrence-netværk af forskellige mikrobielle populationer i ES-RS c) Co-occurrence-netværk af forskellige mikrobielle populationer i ES-RP. Analysen blev udført ved hjælp af Cytoscape software. Forskellige farver repræsenterer forskellige porte i figuren. (RS: Rhizosfæren jord, RP: rhizoplane, og ES: endosfæren). Klik her for at se en større version af dette tal.
| Modul | medianRank | Zsummary | Modul | medianRank | Zsummary |
| Greenyellow | 2 | 14 | gul | 13 | 5.2 |
| lyserød | 2 | 17 | grå60 | 14 | 3.1 |
| midnatblue | 3 | 10 | Royalblue | 15 | 2.1 |
| brun | 4 | 18 | sort | 16 | 2.7 |
| Lightcyan | 6 | 8.5 | Tan | 17 | 3.2 |
| lilla | 7 | 10 | laks | 18 | 1.3 |
| blå | 7 | 22 | Magenta | 18 | 2.2 |
| grøn | 8 | 12 | mørkestørket | 20 | -0.24 |
| Cyan | 10 | 4.8 | guld | 20 | 14 |
| lysgrønne | 11 | 5.1 | mørkegrønne | 22 | -1.1 |
| Let ældet | 12 | 5.3 | grå | 22 | 0.21 |
| rød | 12 | 6.1 |
Tabel 1. Resultat af Zsummary og medianRank mellem rhizosfæren jorden og rhizoplane.
| Modul | medianRank | Zsummary | Modul | medianRank | Zsummary |
| laks | 1 | 19 | Lightcyan | 13 | 1.1 |
| sort | 3 | 5.3 | rød | 15 | 0.95 |
| gul | 4 | 5.8 | midnatblue | 15 | -0.0016 |
| lysgrønne | 5 | 0.27 | Royalblue | 16 | 0.83 |
| Greenyellow | 7 | 3 | Magenta | 16 | 0.52 |
| darkturkis | 7 | 1.2 | mørkegrønne | 17 | 0.16 |
| grå60 | 9 | 1.1 | Tan | 18 | 0.64 |
| blå | 10 | 3.9 | Let ældet | 19 | 0.52 |
| lilla | 10 | 2.3 | mørkestørket | 19 | -0.18 |
| brun | 12 | 2.3 | lyserød | 19 | -0.71 |
| Cyan | 12 | 0.78 | guld | 21 | 11 |
| grøn | 13 | 1.7 |
Tabel 2. Resultat af Zsummary og medianRank mellem rhizosfæren jord og endosfæren.
| Modul | medianRank | Zsummary | Modul | medianRank | Zsummary |
| sort | 1 | 15 | darkturkis | 13 | 1.7 |
| laks | 2 | 27 | midnatblue | 13 | 1.6 |
| gul | 3 | 13 | lysgrønne | 13 | 0.64 |
| Cyan | 4 | 5.4 | mørkegrønne | 14 | 1.5 |
| blå | 8 | 3.9 | mørkestørket | 16 | 1.5 |
| Lightcyan | 9 | 2.6 | lilla | 17 | 2.3 |
| lyserød | 10 | 3.6 | Greenyellow | 18 | 0.8 |
| Royalblue | 10 | 1.5 | Let ældet | 18 | 0.42 |
| brun | 12 | 2.9 | Magenta | 19 | 0.2 |
| grøn | 12 | 1.9 | guld | 21 | 18 |
| rød | 12 | 1.9 | grå60 | 21 | -0.21 |
| Tan | 13 | 2.5 |
Tabel 3 . Resultat af Zsummary og medianRank mellem rhizoplane og endosfæren.
Tillæg S1: Klik her for at downloade denne fil.
Tillæg S2: Klik her for at downloade denne fil.
Tillæg S3: Klik her for at downloade denne fil.
Tillæg S4: Klik her for at downloade denne fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Korrelationsnetværk er i stigende grad blevet anvendt til bioinformatikapplikationer. WGCNA er en systembiologimetode til beskrivende analyse af forholdet mellem forskellige elementer i et biologisk system12. R softwarepakke blev brugt i tidligere arbejde på WGCNA13,14,15. Pakken indeholder funktioner til netværkskonstruktion, moduldetektering, beregninger af topologiske egenskaber, datasimulering, visualisering og evne til interfacing med ekstern software. WGCNA har været flittigt ansat til at analysere genekspression data fra hjernekræft16, gær cellecyklus17, mus genetik18,19, primat hjernevæv20,21, diabetes22, og planter23. Brug den vægtede genkorrelationsnetværksanalyse til at konstruere netværket skal omfatte mindst 8 prøve. I denne artikel fokuserede vi på genekspressionsnetværk, der beskriver samspillet mellem mikrobielle populationer i forskellige miljøer. Vi opnåede differentierede netværk mellem mikrobielle populationer i forskellige miljøer og identificerede nøglearterne i hvert netværk. Forestillingen om, at nøglearter er vigtige for samfundet, har været udbredt i forskning i fødevarer24. Nogle af arterne i et komplekst mikrobielle samfund kan være afgørende for at opretholde stabiliteten og funktionaliteten i samfundet, såsom Bacteroides i tarmfloraen25. Analysen af mikrobielle samfund kan forenkles betydeligt ved at målrette mod specifikke arter af potentiel betydning.
Vores repræsentative resultater fremhæver forskellene i mikrobielle samfund, som kan identificeres ved hjælp af den ovenfor beskrevne metode. Her blev mikroorganismer i forskellige nicher af risrodssystemet udsat for WGCNA. Forskellen mellem de tre nicher blev identificeret ved hjælp af konservative og modul medlemskab analyser. Vi bestemte nøglearterne i forskelsmodulerne og indhentede oplysninger om forskellene i sammensætningen af de mikrobielle samfund i de tre nicher. I mellemtiden afslørede co-occurrence-netværket tilstedeværelsen af et betydeligt samspil mellem de skiftende mikroorganismer i risrødderne. Vores resultater giver direkte dokumentation for WGCNA's betydning og gennemførlighed i evalueringen af mikrobielle samfundsforskelle i forskellige miljøer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Udviklingen af dette manuskript blev støttet af midler fra National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Ph.d.-forskningsprojekt fra Guizhou Normal University (GZNUD[201 7]1), Videnskabs- og teknologistøtteprojekt i Guizhouprovinsen (QKHZC[2021]YB459) og Guiyangs videnskabs- og teknologiprojekt ([2019]2-8).
Forfatterne vil gerne takke Edwards J.A et al for at levere rismikrobiotamedata i offentlige databaser og støtte fra TopEdit (www.topeditsci.com) for sin sproglige bistand under udarbejdelsen af dette manuskript.
Materials
| Name | Company | Catalog Number | Comments |
| R | The University of Auckland | version 4.0.2 | R is a free software environment for statistical computing and graphics. It compiles and runs on a wide variety of UNIX platforms, Windows and MacOS. |
| RStdio | JJ Allaire | version 1.4.1103 | The RStudio IDE is a set of integrated tools designed to help you be more productive with R and Python. |
| Cytoscape | version 3.7.1 | Cytoscape is an open source software platform for visualizing complex networks and integrating these with any type of attribute data. | |
| NCBI database | The National Center for Biotechnology Information advances science and health by providing access to biomedical and genomic information. |
References
- Philippot, L., Raaijmakers, J. M., Lemanceau, P., vander Putten, W. H. Going back to the roots: the microbial ecology of the rhizosphere. Nature Reviews Microbiology. 11, 789-799 (2013).
- Fierer, N. Embracing the unknown: disentangling the complexities of the soil microbiome. Nature Review Microbiology. 15 (10), 579-590 (2017).
- Jin, J., Wang, G. H., Liu, X. B., Liu, J. D., Chen, X. L., Herbert, S. J. Temporal and spatial dynamics of bacterial community in the rhizosphere of soybean genotypes grown in a black soil. Pedosphere. 19 (6), 808-816 (2009).
- Ma, B., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12 (10), 2492-2505 (2018).
- de Vries, F. T., et al. Soil bacterial networks are less stable under drought than fungal networks. Nature Communications. 9 (1), 3033 (2018).
- Colin, C., et al. Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis. Carcinogenesis. (10), 2300-2308 (2013).
- Ma, B., Zhao, K., Lv, X., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12, 2492-2505 (2018).
- Zhang, B., Horvath, S. A general framework for weighted gene co-expression network analysis. Statistical applications in genetics and molecular biology. 4 (1), (2005).
- Edwards, J. A., et al. Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice. PLoS Biology. 16 (2), 2003862 (2018).
- Bashan, Y., De-Bashan, L. E. How the Plant Growth-Promoting Bacterium Azospirillum Promotes Plant Growth-A Critical Assessment. Advances in Agronomy. 108, 77-136 (2010).
- Lovley, D. R., et al. Geobacter: The Microbe Electric's Physiology, Ecology, and Practical Applications. Advances in Microbial Physiology. 59, 1 (2011).
- Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9, 559 (2008).
- Zhang, B., Horvath, S. A General Framework for Weighted Gene Co-expression Network Analysis. Statistical Applications in Genetics and Molecular Biology. 4 (1), 17 (2005).
- Horvath, S., Dong, J. Geometric interpretation of Gene Co-expression Network Analysis. PLoS Computational Biology. 4 (8), 1000117 (2008).
- Langfelder, P., Horvath, S. Eigengene networks for studying the relationships between co-expression modules. BMC Systems Biology. 1, 54 (2007).
- Horvath, S., et al. Analysis of Oncogenic Signaling Networks in Glioblastoma Identifies ASPM as a Novel Molecular Target. Proceedings of the National Academy of Sciences of the United States of America. 103 (46), 17402-17407 (2006).
- Carlson, M. R., et al. and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks. BMC Genomics. 7 (1), 40 (2006).
- Fuller, T., et al. Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight. Mammalian Genome. 6 (18), 463-472 (2007).
- Yin, L., Wang, Y., Lin, Y., et al. Explorative analysis of the gene expression profile during liver regeneration of mouse: a microarray-based study[J]. Artificial Cells Nanomedicine & Biotechnology. 47 (1), 1113-1121 (2019).
- Oldham, M., Horvath, S., Geschwind, D. Conservation and Evolution of Gene Co-expression Networks in Human and Chimpanzee Brains. Proceedings of the National Academy of Sciences of the United States of America. 103 (47), 17973-17978 (2006).
- Oldham, M. C., et al. Functional organization of the transcriptome in human brain. Nature Neuroscience. 11 (11), 1271-1282 (2008).
- Keller, M. P., et al. A gene expression network model of type 2 diabetes links cell cycle regulation in islets with diabetes susceptibility. Genome Research. 18 (5), 706-716 (2008).
- Weston, D., Gunter, L., Rogers, A., Wullschleger, S. Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants. BMC Systems Biology. 2 (1), 16 (2008).
- Jorda´n, F. Keystone species and food webs. Biological Sciences. 364, 1733-1741 (2009).
- Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I.
