Summary
네트워크 분석은 토양, 물 및 뿌리 부와 같은 다양한 생태 미생물 공동체의 연관성을 평가하기 위해 적용되었다. 여기에 제시된 WGCNA 알고리즘을 사용하여 다양한 생태 환경으로 인해 미생물 커뮤니티에서 발생할 수 있는 상이한 동발생 네트워크를 분석하는 방법에 대한 프로토콜이 제시된다.
Abstract
뿌리 미생물군유전체는 식물 성장과 환경 적응에 중요한 역할을 합니다. 네트워크 분석은 지역 사회를 연구하기위한 중요한 도구이며, 이는 다른 환경에서 다른 미생물 종의 상호 작용 관계 또는 동발생 모델을 효과적으로 탐구 할 수 있습니다. 이 원고의 목적은 다양한 생태 환경으로 인해 미생물 공동체에서 발생할 수 있는 상이한 공존 네트워크를 분석하기 위해 가중 상관 관계 네트워크 알고리즘을 사용하는 방법에 대한 세부 정보를 제공하는 것이다. 실험의 모든 분석은 WGCNA 패키지에서 수행됩니다. WGCNA는 가중 상관 네트워크 분석을 위한 R 패키지입니다. 이러한 방법을 입증하는 데 사용되는 실험 데이터는 쌀 (Oryza sativa) 뿌리 시스템의 세 틈새 에 대한 NCBI (생명 공학 정보 센터) 데이터베이스에서 미생물 커뮤니티 데이터였다. 우리는 3개의 틈새 시장 각각에 있는 미생물 지역 사회의 공동 풍요로운 네트워크를 구축하기 위하여 가중 상관 관계 네트워크 알고리즘을 이용했습니다. 이어서, 내피, 뿌리부, 뿌리부 및 뿌리부구 토양 간의 차동 공동 풍부 네트워크가 확인되었다. 또한 네트워크의 핵심 제네라들은 네트워크 기능에서 중요한 규제 역할을 하는 "WGCNA" 패키지에 의해 획득되었습니다. 이 방법을 통해 연구자들은 미생물 네트워크의 반응을 환경 장애에 대한 분석하고 다른 미생물 생태 반응 이론을 확인할 수 있습니다. 이러한 방법의 결과는 내구, 뿌리 부평면 및 쌀의 뿌리 부구 토양에서 확인된 중요한 차동 미생물 네트워크가 있음을 보여준다.
Introduction
미생물군유전체 연구는 생태계 프로세스 를 이해하고 조작하는 데 중요한 영향을 미칩니다1,2. 미생물 인구는 환경 변화에 미생물의 반응에 영향을 미칠 수있는 생태 네트워크를 상호 작용하여 상호연결3,4. 더욱이, 이들 네트워크의 특성은 미생물 공동체의 안정성에 영향을 미치고, 토양 기능5와밀접한 관련이 있다. 가중 유전자 상관 네트워크 분석은 지금 유전자와 미생물 지역 사회 사이 관계에 대한 연구를 위해 널리 적용되었습니다6. 이전 연구는 다른 유전자 또는 인구의 네트워크와 외부 세계 7 사이의 연관성에 주로 초점을맞추고있다. 그러나, 다른 환경 조건하에서 미생물 인구에 의해 형성된 상관 관계 네트워크의 다름은 거의 조사되지 않았습니다. 이 논문에 제시된 연구의 목적은 WGCNA 알고리즘의 신속한 구현에 대한 통찰력과 세부 정보를 제공하여 다양한 환경 조건에서 수집된 미생물군유전체 샘플의 공존 네트워크를 구성하는 것입니다. 분석 결과에 기초하여, 우리는 인구의 조성및 다름을 평가하고 다른 미생물 인구 사이 관계를 더 토론했습니다. 가중치 상관 관계 네트워크 알고리즘8의 다음과 같은 기본 흐름이 적용되었습니다. 첫째, OTU(운영 분류장치) 식 프로파일 간의 Pearson 상관 계수를 계산하여 유사성 매트릭스를 구성해야 했습니다. 이어서, 인자 기능(힘 또는 시그마이드 어자능 함수)의 파라미터는 스케일 프리 토폴로지 기준으로 채택되었고, 유사성 매트릭스는 인자계 매트릭스로 변형되었고, 각 공동 발생 네트워크는 인자계 행렬에 대응하였다. 일관된 식 프로파일을 모듈로 그룹화하는 TOM 기반 유사성과 결합된 평균 연결 계층 클러스터링을 사용했습니다. 또한, 우리는 보수적 인 통계와 관련 매개 변수 분석 모듈 사이의 관계를 계산, 마지막으로 모듈의 허브 OTU를 식별. 이러한 방법은 다양한 환경 조건하에서 다양한 미생물 집단 간의 네트워크 구조의 차이 분석에 특히 적합합니다. 본 원고에서, 우리는 모듈 간의 유사점 분석, 공동 발현 네트워크 개발 방법, 모듈 간의 유사성 분석에 대해 자세히 설명하고, 다른 모듈 네트워크에서 핵심 종을 얻기 위해 적용된 절차의 단계에 대한 간략한 개요를 제공했다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 데이터 다운로드
- 액세스 PRJNA386367의 데이터를 다운로드하여 NCBI 데이터베이스를 형성한다. 2014년 캘리포니아 주 아버클의 침수된 논에서 14주 동안 재배된 쌀 식물의 뿌리근류, 뿌리근, 내구 미생물군유전체 데이터를 선택한다.
참고: 뿌리 부피, 뿌리 부동 및 내구 미생물군유전체 데이터는 인가 PRJNA386367에서 OTUs 테이블에 의해 제시되었다.
2. 최적의 전력 값 결정
참고: WGCNA 패키지에는 다음 기능 매개 변수가 모두 포함되어 있습니다. WGCNA는 가중 상관 네트워크 분석을 위한 R 패키지입니다. 키 명령줄은 보충 S1을참조합니다.
- R 언어 환경에서Rstudio 소프트웨어를 열고 WGCNA 패키지를 설치합니다.
- 데이터를 로드하고 goodSamplesGenes 함수를 사용하여 데이터의 정확성을 확인합니다. 명령줄을 실행합니다.
"gsg = 좋은 샘플 유전자 (datExpr0, 자세한 = 3)
gsg$allOK"
실행 실행을클릭합니다. - 이상값을 확인하고 요구 사항을 충족하는 샘플을 저장합니다. 검사 결과가 TRUE인 경우 다음 단계로 계속 이동합니다. 결과를 저장합니다.
- PickSoftThreshold 함수를 사용하여 서로 다른 전력 값아래 데이터의 두 그룹의 저울 없는 인덱스 R2를 계산합니다. 명령줄을 실행합니다.
"sft = 픽소프트문턱(datExpr0, 파워벡터 = 파워, 자세한 = 5)"
실행 실행을클릭합니다. - 결과를 시각화합니다(그림1). 명령줄을 실행합니다.
"플롯(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
xlab="소프트 임계값(전원)", ylab="스케일 프리 토폴로지 모델 핏, 서명된 R^2", 유형="n",
메인 = 붙여 넣기 ("독립"ES_Scale));
텍스트(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
레이블 =힘, cex=cex1, col="빨간색");
abline(h=0.9, col="빨간색")
플롯 (sft$ fitIndices[,1], sft$fitIndices[,5],
xlab="소프트 임계값(전원)", ylab="평균 연결성", 유형="n",
메인 = 붙여넣기("연결 ES_Mean"))
텍스트(sft$fitIndices[,1], sft$fitIndices[,5], 라벨=파워, cex=cex1, col="red")"
실행 실행을클릭합니다.
참고: 가중 상관 관계 네트워크 알고리즘의 전제는 확립된 공동 발현 네트워크 구조가 스케일 프리 토폴로지 기준의 표준을 준수하여 견고성을 증가시키는 것입니다. 1에 가까운 확장없는 인덱스는 확장이 없는 네트워크에 가까운 네트워크 구조를 나타냅니다. - 스케일 프리 인덱스 R2가 0.9보다 큰 제곱할 때 전력 값을 선택하고 다음 분석 단계로 진행합니다.
참고: 스케일 프리 인덱스가 1에 가까울 때 네트워크 구조는 스케일 프리 네트워크에 더 가깝습니다. 두 개 이상의 네트워크를 분석할 때, 각 네트워크를 확장없는 네트워크의 전력 값에 가깝게 만들어 공동 표현 된 네트워크 간의 비교가능성을 충족하도록 선택해야 합니다.
3. 공동 식 네트워크 및 모듈 식별의 건설
참고: 위의 계산된 전력 값을 기반으로 공동 발생 네트워크가 구성됩니다. 키 명령줄은 보충 S2를참조합니다.
- WGCNA 패키지의 인자 기능을 사용하여 기호 공동 발생 네트워크 구성을 위한 서명된 매개 변수를 추가합니다. 명령줄을 실행합니다.
"인접 = 인접성(datExpr0, 전력 = 소프트 파워)"
실행 실행을클릭합니다. - TOM 유사성 함수를 적용하여 토폴로지 중복 네트워크를 개발하고 유사성 네트워크를 계산합니다. 명령줄을 실행합니다.
"TOM = TOM유사성(인자)
dissTOM = 1-TOM"
실행 실행을클릭합니다.
참고: 서명된 매개 변수가 추가되어 토폴로지 중복 네트워크 유형을 설정했습니다. - hclust 함수를 사용하여 계층 클러스터링을 위한 평균 연결 계층 클러스터링 방법을 선택합니다. 명령줄을 실행합니다.
"geneTree = hclust (dissTOM으로), 방법 = "평균");"
실행 실행을클릭합니다. - cutreeDynamic 함수를 사용하여 동적 분기 절단을 수행하고 minClusterSize 매개 변수를 30으로 설정합니다. 모듈 인식 결과를 가져옵니다. 명령줄을 실행합니다.
"다이내믹 모드 = 큐트리다이내믹(덴드로 = geneTree), distM = dissTOM, 딥스플리트 = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize);"
실행 실행을클릭합니다.
참고: 최소 모듈 크기는 30보다 낮을 수 없습니다. - 모듈Eigen 함수에 의해 각 OtUs 모듈의 모듈 아이젠을 계산합니다. 명령줄을 실행합니다.
"MEList = 모듈 아이젠젠 (datExpr0, 색상 = 동적 색상)
MEs = MEList$eigengenes"
실행 실행을클릭합니다.
참고: 모듈 eigen은 모듈의 전체 OTU 식 수준을 나타냅니다. 특정 OTU가 아니라 단일 네트워크 값 분해에 의해 얻어진 각 클러스터의 첫 번째 주성분이었다. - 모듈 eigen의 상관 계수를 기반으로 클러스터 함수를 수행합니다. 병합닫기 모듈 함수를 사용하여 모듈을 0.25보다 낮은 값으로 병합합니다. 명령줄을 실행합니다.
"병합 = 병합클로즈모듈(datExpr0, 동적색상, 컷하이트 = MEDissThres, 자세한 내용 = 3)"
실행 실행을클릭합니다. - 마지막으로, 각 공동식 네트워크의 모듈 할당 디스플레이 다이어그램을 얻기 위해 시각화를 위한 플롯DendroAndColors 함수를사용합니다(그림 2). 테이블 함수를 사용하여 각 OTin 모듈 할당 테이블에 해당하는 모듈 기여도를 추출합니다. 명령줄을 실행합니다.
"플롯덴드로앤컬러스(geneTree, 병합색상, "병합된 동적", dendroLabels = FALSE,
hang = 0.03,addGuide = TRUE, guideHang = 0.05,
메인 = "ES_Gene 덴드로그램 및 모듈 색상")"
실행 실행을클릭합니다.
참고: 공동 표현 네트워크의 모듈 할당 다이어그램에서 다른 색상은 서로 다른 모듈을 나타내고 회색은 모듈로 분류할 수 없는 OtUs를 나타냅니다. 회색 모듈의 더 많은 수의 OtUs는 표현행렬의 초기 단계 전처리 품질이 좋지 않은 것을 나타냅니다.
4. 모듈 비교
참고: 이 방법은 두 생태 미생물 커뮤니티의 네트워크 모듈을 비교하는 데 사용할 수 있습니다. 이 문서에서는 내구와 뿌리 부평면, 내구 및 뿌리 부피, 뿌리 부피 및 뿌리 부류 사이의 미생물 네트워크 모듈의 차이를 비교합니다.
- 보존 테스트
- 이전 단계에 저장된 두 데이터 집합의 매개 변수 및 결과를 로드합니다.
- 다른 그룹이 테스트 그룹으로 있는 반면, 미생물 데이터 그룹의 네트워크 모듈 할당 결과를 참조 그룹으로 설정합니다.
- 모듈 보존 함수를 사용하여 Z_summary 및 중앙값의 보수적 통계 파라미터값을 계산합니다. 명령줄을 실행합니다.
"system.time({mp=모듈 보존(멀티엑스프,
멀티 컬러, 참조네트웍스=1,
nPermutation=100, 랜덤시드=1, 퀵코르=0,verbose=3)}""
실행 실행을클릭합니다.
참고: 이 결과는 모듈 간의 보수적 성을 정량화할 수 있습니다. Z_summary>10은 두 모듈이 매우 보존된 반면 Z_summary<2는 보존되지 않은 모듈을 나타냅니다. medianRank는 순위에 의해 평가된 모듈의 상대적 보존을 표현합니다. 값이 높을수록 비보존 모듈을 나타냅니다. (키 명령줄은 보충 S3를참조하십시오.) - 플롯 함수를 사용하여 결과를 시각화합니다(그림3). 매개 변수Z_summary 및 중앙값(표 1)을가져옵니다.
참고: 2미만의 Z_summary 값과 상단의 중간 랭크 값을 모두 충족하는 네트워크 모듈은 두 생태 미생물 커뮤니티에서 가장 높게 보존되지 않은 모듈입니다. - 앞서 언급한 두 개의 통계 적 매개 변수의 결과에 기초하여 두 네트워크의 가장 높게 보존되지 않은 모듈로 모듈을 식별합니다.
- 모듈 멤버십의 상관 관계 분석
- 두 네트워크의 모듈 할당 결과를 각각 참조 및 테스트 그룹으로 설정했습니다.
참고: 설정은 보존 테스트와 같아야 합니다. - corPvalueStudent 함수를 사용하여 여러 후보 모듈에서 각 OTU의 kME(모듈 멤버십) 값을 추출합니다.
명령줄을 실행합니다.
"Pvalue = as.data.frame(corPvalueStudent(as.matrix)
(모듈 멤버십), 샘플)"
실행 실행을클릭합니다.
참고 : kME는 모듈 멤버십의 정도를 의미합니다. ME는 모듈에서 전체 OTU 식 수준을 나타내는 모듈 eigen을 의미합니다. kME는 각 OTU와 ME 사이의 상관 관계 계수입니다. OTU의 kME 값으로 네트워크에서 OTU의 중요성을 정량화합니다. (키 명령줄은 보충 S4를참조하십시오.) - 이어서, 두 네트워크에서 해당 OtUs의 kME 값의 상관 계수를 계산하고 상관 관계 분석 다이어그램(도4)을그리는 상사Scatterplot 함수를 사용합니다.
명령줄을 실행합니다.
"자세한 스캐터플롯(복근(T모듈 멤버십)
[TmoduleGenes, Tcolumn]),
복근(N모듈멤버십[N모듈유전자, Ncolumn]),
xlab = 붙여 넣기 ("kME in", "ES"),
ylab = 붙여 넣기 ("kME in", "RP"),
메인 = 페이스트("밝은 노란색"),
cex.main = 1.7, cex.lab = 1.6, cex.axis = 1.6, 콜 = 모듈색상)"
실행 실행을클릭합니다. - 두 네트워크의 OTU 값의 가장 작은 상관 관계 계수를 가진 모듈을 선택합니다. 이 모듈이 두 네트워크의 가장 큰 차이를 갖는 것으로 간주합니다.
- 두 네트워크의 모듈 할당 결과를 각각 참조 및 테스트 그룹으로 설정했습니다.
5. 미생물 차동 네트워크 모듈 분석
- 가장 큰 차이를 가진 모듈의 OTU 서열 세트의 통계 분석을 통해 지배적 인 박테리아 필라의 데이터를 얻을.
참고: 가장 큰 차이를 가진 모듈의 OTU 서열 세트는 필라의 분류에 의해 합산됩니다. 지배적 인 박테리아 필라는 10 % 이상을 차지했습니다. - 그런 다음, 내보내기NetworkToCytoscape 함수를 사용하여 가장 큰 차동 모듈에서 OTU의 상호 작용 관계 정보를 포함하는 파일을 가져옵니다.
명령줄을 실행합니다.
"시트 = 수출네트워크토키토스케이프(modTOM,
edgeFile = 붙여넣기("NEW-ES_CytoscapeInput-edges-", 모듈, ".txt", 9ep="),
nodeFile = 붙여넣기("NEW-ES_CytoscapeInput 노드-", 모듈, ".txt", 9월="),
가중 = TRUE,임계값 = 0.5, 노드 이름 = modProbes,
altNodeName = modGenes, nodeAttr = 모듈색상[inModule])"
실행 실행을클릭합니다. - 파일을 사이토스케이프로 가져옵니다. 임계값을 0.5로 설정하고 필요에 따라 다른 매개 변수를 조정합니다.
- 차동 미생물의 상응발생망구축(도 5).
- 네트워크에서 가장 중요한 규제 역할을 하는 핵심 속의 정보를 획득했습니다.
참고: OUT의 kME 값에 따라 코어 속을 정의할 수 있습니다. - 마지막으로, 핵심 속의 기능을 평가하고 전체 차이 네트워크에 미치는 영향을 분석했습니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이 문서의 대표적인 결과는 NCBI 데이터베이스(PRJNA386367)9에서2014 캘리포니아 애버가 쌀 뿌리 미생물군유전체 데이터로부터 다운로드되었다. 이 데이터는 침수된 논에서 14주 동안 자란 쌀 식물의 뿌리부, 뿌리근, 내구 미생물군유전체 샘플을 포함한다. 우리는 WGCNA 알고리즘을 사용하여 스케일 프리네트워크(그림 1)에가까운 세 개의 네트워크를 만족시키는 전력 값을 선택하고 3개의 공동 식형 네트워크(그림2)를개발했습니다. 내구에서, 뿌리 부평면 및 뿌리 부각 토양 미생물 공동 발현 네트워크, 23, 22 및 21 모듈이 각각 확인되었다. 이러한 결과는 3개의 틈새 에서 미생물 상호 작용 네트워크의 수가 기본적으로 동일했다는 것을 표시합니다.
우리는 또한 내구, 뿌리 부평면 및 뿌리 부구 토양 내의 미생물 네트워크 모듈의 차이를 비교했다. 3개의 틈새 그룹의 모듈의 다음 보존 테스트 결과를 얻었다. 3개의 매우 비보존 된 모듈은 뿌리 부피 토양과 뿌리 부평면 사이에 존재하였다(그림 3a,표 1). 또한, 류원체와 내구(도3b,표 2)와내구 사이의 6개의 매우 비보존 모듈(그림3c,표 3)사이에9개의 매우 비보존 모듈이 존재하였다. 더욱이, 3개의 틈새 시장 들 사이에서 매우 비보존된 모듈이 발견되었으며, 이는 3개의 틈새 시장 중 미생물의 조성에 큰 차이가 있음을 나타낸다. 획득한 비보수적 모듈의 모듈 멤버십 상관관계 분석 결과는 도 4에나와 있다. 그림에서 각 두 틈새 시장 사이의 상관 관계가 가장 적은 모듈은 세 틈새 시장 사이에서 볼 수 있으며, 이는 그 사이의 가장 중요한 차이를 나타냅니다.
뿌리 근위-뿌리 부각 차이네트워크(도 5a)에서지배적인 물리석은 프로테오박테리아(72.97%)였다. 뿌리근위내구 차이네트워크(도 5b)에서지배적인 필라는 프로테오박테리아(66.36%), 액티노박테리아(10.1%), 박테로이드(10.9%)였다. 뿌리 근위-내구 차이네트워크(도 5c)에서지배적인 필라는 프로테오박테리아(41.41%), 박테로이드(10.10%), 펌피큐트(12.12%), 베르루코믹로비아였다.
3개의 핵심 제네라(그림5a), 로도박터와 노보스핑도비움, 블라비28 및 데클로로모나스를포함한 6개의 코어 제네라(그림5b), 셀비브리오 및 지오박터를포함한 5개의 핵심 제네라(그림5c)는3개의 차등 공동 네트워크 발생에서 중요한 규제 기능을 발휘했다. 데클로로모나스를제외한 모든 핵심 제네라는 하나의 네트워크에만 영향을 미쳤으며, 이는 기존 뿌리 미생물 공동체의 풍부함과 다양성에 심각한 영향을 미친 쌀 뿌리의 3가지 틈새 시장 중 미생물 집단과 종의 상대적 풍부에 상당한 차이가 있음을 나타냅니다.
쌀의 뿌리근위내내피 차이 네트워크에 존재하는 핵심 속 아조스피릴룸은질소 고정및 식물 성장촉진 10에참여했다. 또한, 뿌리근위-내구 차이 네트워크에서 현저히 농축된 지오박터 속은 많은 토양및퇴적물(11)에서불용성 Fe 및 Mn 산화물의 감소를 유도하는 주요 요인이 될 수 있다. 이 미생물은 뿌리 틈새 에 있는 미생물 지역 사회의 범위와 상호 작용하고 쌀 뿌리의 성장 그리고 발달을 위해 중요할 지도 모르다 미생물 네트워크의 규칙에 적극적으로 참여합니다.
그림 1. 데이터 집합에서 powerβ의 평가. (a) ES 데이터 집합에서 전력 β 평가; (b) RS 데이터 집합에서 전력 β 평가; (c) RP 데이터 집합의 전력 β 평가, 스케일 프리 인덱스 R2(왼쪽) 분포, 다른 소프트 파워 인덱스를 따라 평균 연결(오른쪽)의 분포. R2가 포화 상태에 있고 0.8보다 낮지 않았을 때 최고의 전력의 가치를 달성했습니다. 세 개의 공동 식 네트워크는 비교를 보장하기 위해 동일한 전력 값으로 설정해야 했습니다. (RS: 뿌리 권 토양, RP: 뿌리 부 평면, 그리고 ES: 내구). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2. 평균 연결 계층 클러스터링에 의해 얻은 OTU 덴드로그램. (a)ES 네트워크에서 OTU 덴드로그램; (b) RS 네트워크에서 OTU 덴드로그램; (c) RP 네트워크에서 OTU 덴드로그램. dendrogram 아래의 색상 행은 동적 트리 컷 알고리즘에 의해 결정된 모듈 할당을 나타냅니다. (RS: 뿌리 부피 토양, RP: 뿌리 부 평면, 및 ES: 내구) 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3. 보존 테스트의 결과. (a) 분석 결과는 RS 공동발현 네트워크 모듈 배분을 참조 그룹과 RP 공동발식 네트워크 모듈 할당 결과를 시험그룹으로서 기반으로 한다; (b) 분석 결과는 ES 공동발현 네트워크 모듈 배분을 기준그룹및 RS 공동발식 네트워크 모듈 할당 결과로서 시험그룹으로서 기초한다; (c) 분석 결과는 ES 공동발현 네트워크 모듈 배분을 기준그룹및 RP 공동발식 네트워크 모듈 할당 결과를 시험그룹으로서 기반으로 한다. Z_summary > 10은 두 모듈이 매우 보존된 반면 Z_summary < 2는 보존되지 않은 모듈을 나타냅니다. medianRank는 순위에 의해 평가된 모듈의 상대적 보존을 표현합니다. 값이 높을수록 비보존 모듈을 나타냅니다. (RS: 뿌리 부피 토양, RP: 뿌리 부 평면, 및 ES: 내구) 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4. 모듈 멤버십의 상관 관계 분석입니다. (a) RS와 RP 네트워크 간의 kME 값의 모듈 상관관계; (b) RS와 RP 네트워크 간의 kME 값의 모듈 상관관계; (c) RP와 ES 네트워크 사이의 kME 값의 모듈 상관관계(RS: 뿌리부스피어 토양, RP: 뿌리부평면, ES: 내구 및 KME: 모듈 멤버십). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5. 쌀의 뿌리에 있는 차동 미생물 집단의 상생 네트워크. (a)RS-RP에서 차동 미생물 집단의 상생 네트워크; (b) ES-RS에서 차동 미생물 집단의 공동 발생 네트워크; (c) ES-RP에서 차동 미생물 집단의 공동 발생 네트워크. 분석은 사이토스케이프 소프트웨어를 사용하여 수행되었다. 색상이 다른 색상은 그림의 다른 게이트를 나타냅니다. (RS: 류원구 토양, RP: 뿌리 부 평면, 및 ES: 내구). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 모듈 | 중앙값 | Z요약 | 모듈 | 중앙값 | Z요약 |
| 그린 옐로우 | 2 | 14 | 황색 | 13 | 5.2 |
| 분홍색 | 2 | 17 | 그레이60 | 14 | 3.1 |
| 미드나잇블루 | 3 | 10 | 로열블루 | 15 | 2.1 |
| 갈색 | 4 | 18 | 검정 | 16 | 2.7 |
| 라이트시안 | 6 | 8.5 | 탄 | 17 | 3.2 |
| 보라색 | 7 | 10 | 연어 | 18 | 1.3 |
| 파랑 | 7 | 22 | 자홍색 | 18 | 2.2 |
| 녹색 | 8 | 12 | 어두운 | 20 | -0.24 |
| 청록색 | 10 | 4.8 | 금 | 20 | 14 |
| 라이트그린 | 11 | 5.1 | 다크그린 | 22 | -1.1 |
| 라이트옐로우 | 12 | 5.3 | 회색 | 22 | 0.21 |
| 빨강 | 12 | 6.1 |
표 1. 진한 및 중앙값의 결과 뿌리 권 토양과 뿌리 부 평면 사이 랭크.
| 모듈 | 중앙값 | Z요약 | 모듈 | 중앙값 | Z요약 |
| 연어 | 1 | 19 | 라이트시안 | 13 | 1.1 |
| 검정 | 3 | 5.3 | 빨강 | 15 | 0.95 |
| 황색 | 4 | 5.8 | 미드나잇블루 | 15 | -0.0016 |
| 라이트그린 | 5 | 0.27 | 로열블루 | 16 | 0.83 |
| 그린 옐로우 | 7 | 3 | 자홍색 | 16 | 0.52 |
| 다크터쿼이즈 | 7 | 1.2 | 다크그린 | 17 | 0.16 |
| 그레이60 | 9 | 1.1 | 탄 | 18 | 0.64 |
| 파랑 | 10 | 3.9 | 라이트옐로우 | 19 | 0.52 |
| 보라색 | 10 | 2.3 | 어두운 | 19 | -0.18 |
| 갈색 | 12 | 2.3 | 분홍색 | 19 | -0.71 |
| 청록색 | 12 | 0.78 | 금 | 21 | 11 |
| 녹색 | 13 | 1.7 |
표 2. 진한 및 중앙값의 결과 뿌리 권토양과 내구 사이의 랭크.
| 모듈 | 중앙값 | Z요약 | 모듈 | 중앙값 | Z요약 |
| 검정 | 1 | 15 | 다크터쿼이즈 | 13 | 1.7 |
| 연어 | 2 | 27 | 미드나잇블루 | 13 | 1.6 |
| 황색 | 3 | 13 | 라이트그린 | 13 | 0.64 |
| 청록색 | 4 | 5.4 | 다크그린 | 14 | 1.5 |
| 파랑 | 8 | 3.9 | 어두운 | 16 | 1.5 |
| 라이트시안 | 9 | 2.6 | 보라색 | 17 | 2.3 |
| 분홍색 | 10 | 3.6 | 그린 옐로우 | 18 | 0.8 |
| 로열블루 | 10 | 1.5 | 라이트옐로우 | 18 | 0.42 |
| 갈색 | 12 | 2.9 | 자홍색 | 19 | 0.2 |
| 녹색 | 12 | 1.9 | 금 | 21 | 18 |
| 빨강 | 12 | 1.9 | 그레이60 | 21 | -0.21 |
| 탄 | 13 | 2.5 |
표 3. 줄기와 중간의 결과 뿌리 부 평면과 내구 사이의 랭크.
보충 S1: 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 S2: 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 S3: 이 파일을 다운로드하려면 여기를 클릭하십시오.
보충 S4: 이 파일을 다운로드하려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
상관 관계 네트워크는 생물 정보학 응용 분야에서 점점 더 사용되고 있습니다. WGCNA는 생물학적계통(12)의다양한 원소 간의 관계를 설명분석하기 위한 시스템 생물학 방법이다. R 소프트웨어 패키지는WGCNA13,14,15의이전 작업에서 사용되었습니다. 이 패키지에는 네트워크 구성, 모듈 감지, 토폴로지 속성 계산, 데이터 시뮬레이션, 시각화 및 외부 소프트웨어와의 상호 작용 기능을 위한 기능이 포함되어 있습니다. WGCNA는뇌암(16),효모세포주기17, 마우스유전학(18,19,영장류 뇌조직20,21,당뇨병22, 식물23)으로부터유전자 발현 데이터를 분석하기 위해 광범위하게 사용되고 있다. 가중 유전자 상관 네트워크 분석을 사용하여 네트워크를 구성하려면 적어도 8개의 샘플을 포함해야 한다. 이 문서에서는, 우리는 다른 환경에서 미생물 인구 사이 상호 작용을 기술하는 유전자 공동 발현 네트워크에 집중했습니다. 우리는 서로 다른 환경에서 미생물 인구 사이의 차동 네트워크를 획득하고 각 네트워크의 주요 종을 확인했습니다. 주요 종들이 지역 사회에 중요하다는 개념은 식품 웹 연구24에널리 사용되었습니다. 복잡한 미생물 공동체에 있는 종의 몇몇은 장 내 식물에 있는 박테로이드와 같은 지역 사회의 안정성 그리고 기능을 유지하기 위하여 필수적일 수 있습니다(25). 미생물 공동체의 분석은 잠재적인 중요성의 특정 종을 표적으로 하여 실질적으로 단순화될 수 있습니다.
우리의 대표적인 결과는 위에서 설명한 방법을 사용하여 확인할 수 있는 미생물 지역 사회의 차이를 강조합니다. 여기서, 쌀 뿌리 시스템의 상이한 틈새에서 미생물은 WGCNA를 실시하였다. 세 틈새 시장 간의 차이는 보수적이고 모듈 멤버십 분석을 사용하여 확인되었습니다. 우리는 차이 모듈의 핵심 종을 결정하고 세 틈새 에서 미생물 공동체의 조성의 차이에 대한 정보를 얻었다. 한편, 공동 발생 네트워크는 쌀뿌리에서 변화하는 미생물 간의 상당한 상호작용의 존재를 밝혔다. 우리의 사실 인정은 다양한 환경에서 미생물 지역 사회 다름의 평가에 있는 WGCNA의 중요성 그리고 타당성을 위한 직접적인 증거를 제공합니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 것이 없습니다.
Acknowledgments
이 원고의 개발은 중국 구이저우 지방 인민 과학 연구 센터 프로젝트 (U1812401), 구이저우 사범 대학의 박사 연구 프로젝트 (GZNUD)의 국립 자연 과학 재단의 기금에 의해 지원되었다.].]. 2017]1), 구이저우성 과학기술지원사업(QKHZC[2021]YB459) 및 구이양 과학기술프로젝트(2019]2-8).
저자는 이 원고를 준비하는 동안 언어 지원에 대한 공공 데이터베이스와 TopEdit (www.topeditsci.com)의 지원에 쌀 미생물군유전체 데이터를 제공 한 Edwards J.A 외에게 감사드립니다.
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.
