Summary
Nettverksanalyse ble brukt for å evaluere foreningen av ulike økologiske mikrobielle samfunn, som jord, vann og rhizosfære. Presentert her er en protokoll om hvordan du bruker WGCNA-algoritmen til å analysere forskjellige samforekomstnettverk som kan oppstå i mikrobielle samfunn på grunn av forskjellige økologiske miljøer.
Abstract
Rotmikrobiomet spiller en viktig rolle i plantevekst og miljøtilpasning. Nettverksanalyse er et viktig verktøy for å studere samfunn, som effektivt kan utforske interaksjonsforholdet eller samforekomstmodellen til forskjellige mikrobielle arter i forskjellige miljøer. Formålet med dette manuskriptet er å gi detaljer om hvordan man bruker den vektede korrelasjonsnettverksalgoritmen til å analysere forskjellige koforekomstnettverk som kan oppstå i mikrobielle samfunn på grunn av forskjellige økologiske miljøer. All analyse av eksperimentet utføres i WGCNA-pakken. WGCNA er en R-pakke for vektet korrelasjonsnettverksanalyse. De eksperimentelle dataene som ble brukt til å demonstrere disse metodene var mikrobielle samfunnsdata fra NCBI (National Center for Biotechnology Information) database for tre nisjer i ris (Oryza sativa) rotsystem. Vi brukte den vektede korrelasjonsnettverksalgoritmen til å konstruere co-overflodsnettverk av mikrobielle samfunn i hver av de tre nisjene. Deretter ble differensial co-overflod nettverk blant endosphere, rhizoplane og rhizosphere jord identifisert. I tillegg ble kjernegeneren i nettverket oppnådd av "WGCNA" -pakken, som spiller en viktig regulert rolle i nettverksfunksjoner. Disse metodene gjør det mulig for forskere å analysere responsen fra mikrobielt nettverk til miljøforstyrrelser og verifisere ulike mikrobielle økologiske responsteorier. Resultatene av disse metodene viser at de betydelige differensialmikrobielle nettverkene identifisert i endosfæren, rhizoplanet og rhizosfærens jord av ris.
Introduction
Mikrobiomeforskning har viktige implikasjoner for å forstå og manipulere økosystemprosesser1,2. Mikrobielle populasjoner er sammenkoblet ved å samhandle økologiske nettverk, hvis egenskaper kan påvirke mikroorganismers respons på miljøendringer3,4. Videre påvirker egenskapene til disse nettverkene stabiliteten til mikrobielle samfunn, og er nært forbundet med jordfunksjon5. Vektet genkorrelasjonsnettverksanalyse har nå blitt mye brukt til forskning på forholdet mellom gener og mikrobielle samfunn6. Tidligere studier har hovedsakelig fokusert på assosiasjonene mellom nettverk av forskjellige gener eller populasjoner og omverdenen7. Forskjellene i korrelasjonsnettverk dannet av mikrobielle populasjoner under ulike miljøforhold har imidlertid knapt blitt undersøkt. Formålet med forskningen som presenteres i denne artikkelen er å gi innsikt og detaljer om rask implementering av WGCNA-algoritmen for å konstruere et koforekomstnettverk av mikrobiomeprøver samlet inn under forskjellige miljøforhold. Basert på analyseresultatene vurderte vi sammensetningen og forskjellene i befolkningen og diskuterte videre forholdet mellom ulike mikrobielle populasjoner. Følgende grunnleggende flyt av vektet korrelasjonsnettverksalgoritme8 ble brukt. For det første måtte en likhetsmatrise konstrueres ved å beregne Pearson-korrelasjonskoeffisienten mellom OTU-uttrykksprofilene (Operational Taxonomic Units). Deretter ble parametrene til tilstøtende funksjoner (kraften eller sigmoid tilstøtende funksjoner) vedtatt med et skalafritt topologikriterium, likhetsmatrisen ble forvandlet til en tilstøtende matrise, og hvert koforekomstnettverk korresponderte med en tilstøtende matrise. Vi brukte gjennomsnittlig koblingshierarkisk klynge kombinert med TOM-basert ulikhet for å gruppere OTUer med sammenhengende uttrykksprofiler i moduler. Videre beregnet vi forholdet mellom konservativ statistikk og de relaterte parameteranalysemodulene, og identifiserte til slutt hub-OTU i modulen. Disse metodene er spesielt egnet for analyse av forskjellene i nettverksstrukturer blant ulike mikrobielle populasjoner under ulike miljøforhold. I dette manuskriptet har vi i detalj beskrevet metoden for samuttrykksnettverksutvikling, analysen av ulikhetene mellom modulene, og har gitt en kort oversikt over trinnene i prosedyren som brukes for å oppnå kjerneartene i forskjellige modulnettverk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Nedlasting av data
- Last ned dataene for tiltredelsen PRJNA386367 fra NCBI-databasen. Fra dataene fra tiltredelsen PRJNA386367, velg rhizosfæren, rhizoplane og endosphere mikrobiomedata fra risplanter dyrket i 14 uker i et nedsenket risfelt i Arbuckle, California i 2014.
MERK: Rhizosfæren, rhizoplanet og endosfærens mikrobiomdata ble presentert av OTUs-tabellen i tiltredelse PRJNA386367.
2. Optimal bestemmelse av kraftverdi
MERK: WGCNA-pakken inneholder alle følgende funksjonsparametere. WGCNA er en R-pakke for vektet korrelasjonsnettverksanalyse. De viktigste kommandolinjene refererer til Supplement S1.
- Åpne Rstudio-programvaren i R-språkmiljøet, og installer WGCNA-pakken.
- Last inn dataene og bruk goodSamplesGenes-funksjonen for å kontrollere at dataene er riktige. Utfør kommandolinjene:
"gsg = goodSamplesGenes(datExpr0, detaljert = 3)
gsg$allOK "
Klikk Kjør. - Se etter outliers og lagre prøver som oppfyller kravene. Når sjekkresultatet er TRUE, går du videre til neste trinn. Lagre resultatet.
- Bruk funksjonen PickSoftThreshold til å beregne den skaleringsfrie indeksen R2 for de to gruppene av dataene under forskjellige potensverdier. Utfør kommandolinjen:
"sft = pickSoftThreshold(datExpr0, powerVector = krefter, verbose = 5)"
Klikk Kjør. - Visualiser resultatene (figur 1). Utfør kommandolinjen:
"plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
xlab="Myk terskelverdi (potens)",ylab="Skala ledig topologi modelltilpasning,signert R^2",type="n",
hoved = lim inn("ES_Scale uavhengighet"));
tekst(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
etiketter=krefter,cex=cex1,col="rød");
abline(h=0,9,kol="rød")
plott(sft$fitIndekser[,1], sft$fitIndekser[,5],
xlab="Myk terskel (strøm)",ylab="Gjennomsnittlig tilkobling", type="n",
main = lime inn("ES_Mean tilkobling"))
text(sft$fitIndices[,1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")"
Klikk Kjør.
MERK: Premisset for den vektede korrelasjonsnettverksalgoritmen er at den etablerte nettverksstrukturen for samuttrykk samsvarer med standardene til det skalafrie topologikriteriet, noe som øker robustheten. En skaleringsfri indeks nærmere 1 angir en nettverksstruktur som er nærmere det skaleringsfrie nettverket. - Velg kraftverdien når den skaleringsfrie indeksen R2 er kvadrert større enn 0,9 og går videre til neste analysetrinn.
MERK: Når den skalafrie indeksen er nær 1, er nettverksstrukturen nærmere det skalafrie nettverket. Når du analyserer to eller flere nettverk, er det nødvendig å velge å gjøre hvert nettverk nær strømverdien til det skalafrie nettverket for å tilfredsstille sammenlignbarheten mellom de med-uttrykte nettverkene.
3. Bygging av et samuttrykksnettverk og modulidentifikasjon
MERK: Basert på den beregnede strømverdien ovenfor, er koforekomstnettverket konstruert. De viktigste kommandolinjene refererer til Supplement S2.
- Bruk tilstøtende funksjon i WGCNA-pakken til å legge til signerte parametere for bygging av et symbolsk koforekomstnettverk. Utfør kommandolinjen:
"tilstøtende = tilstøtende (datExpr0, kraft = softPower)"
Klikk Kjør. - Påfør TOM-likhetsfunksjonen for å utvikle et topologisk overlappende nettverk og beregne ulikhetsnettverket. Utfør kommandolinjen:
"TOM = TOMsimilarity(tilstøtende);
dissTOM = 1-TOM"
Klikk Kjør.
MERK: Den signerte parameteren ble lagt til for å angi nettverkstypen topologioverlapping. - Bruk hclust -funksjonen til å velge den gjennomsnittlige koblingshierarkiske klyngemetoden for hierarkisk klynger. Utfør kommandolinjen:
"geneTree = hclust(as.dist(dissTOM), metode = "gjennomsnitt");"
Klikk Kjør. - Bruk cutreeDynamic-funksjonen til å utføre dynamisk grenskjæring og sette minClusterSize-parameteren til 30. Få tak i resultatet av modulgjenkjenningen. Utfør kommandolinjen:
"dynamicMods = cutreeDynamic(dendro = geneTree, distM = dissTOM, deepSplit = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize);"
Klikk Kjør.
MERK: Minimumsstørrelsen på modulen kan ikke være lavere enn 30. - Beregn modulen eigen for hver OTUs-modul etter modulEigengenes-funksjonen. Utfør kommandolinjen:
"MEList = moduleEigengenes(datExpr0, farger = dynamicColors)
MEs = MEList$eigengenes"
Klikk Kjør.
MERK: Modulen eigen representerte det generelle OTU-uttrykksnivået i modulen. Det var ikke en bestemt OTU, men den første hovedkomponenten i hver klynge oppnådd ved entall nettverksverdinedbryting. - Utfør klyngefunksjonen basert på korrelasjonskoeffisienten til modul eigen. Bruk mergeCloseModules -funksjonen til å slå sammen modulene med en verdi som er lavere enn 0,25. Utfør kommandolinjen:
"merge = mergeCloseModules(datExpr0, dynamicColors, cutHeight = MEDissThres, verbose = 3)"
Klikk Kjør. - Til slutt bruker du plotDendroAndColors -funksjonen til visualisering for å hente modultilordningsvisningsdiagrammet for hvert kouttrykksnettverk (figur 2). Bruk tabellfunksjonen til å trekke ut modulattributtet som tilsvarer hver OTin i modultilordningstabellen. Utfør kommandolinjen:
"plotDendroAndColors(geneTree, mergedColors, "Sammenslått dynamisk",dendroLabels = FALSE,
henge = 0,03,addGuide = TRUE, guideHang = 0,05,
main = "ES_Gene dendrogram og modulfarger")"
Klikk Kjør.
MERK: I modultilordningsdiagrammet til det samtidige nettverket representerer forskjellige farger forskjellige moduler, og grå representerer OTUer som ikke kan klassifiseres i noen modul. Et større antall OTUer i den grå modulen indikerer at den tidlige forhåndsbehandlingskvaliteten til uttrykksmatrisen er dårlig.
4. Sammenligning av moduler
MERK: Denne metoden kan brukes til å sammenligne nettverksmodulene til to økologiske mikrobielle samfunn. I denne artikkelen sammenligner du forskjellene i mikrobielle nettverksmoduler mellom endosphere og rhizoplane, endosphere og rhizosphere, rhizosphere og rhizoplane.
- Bevaring test
- Last inn parameterne og resultatene for de to datasettene som er lagret i de forrige trinnene.
- Angi nettverksmodultilordningsresultatet for en gruppe mikrobielle data som referansegruppe, mens den andre gruppen som testgruppe.
- Bruk modulePreservation -funksjonen til å beregne verdiene for statistiske parametere for konservativitet Z_summary og medianRank. Utfør kommandolinjen:
"system.time({mp=modulePreservation(multiExpr,
flerfarget,referenceNetworks=1,
nPermutasjon=100, randomSeed=1,quickCor=0,verbose=3)})"
Klikk Kjør.
MERK: Dette resultatet kan kvantifisert konservativiteten mellom modulene. Z_summary>10 angir at to moduler er svært bevart, mens Z_summary<2 angir ikke-bevarte moduler. medianRank uttrykker relativ bevaring av modulen vurdert etter rangering. Høyere medianRank-verdier angir ikke-bevarte moduler. (De viktigste kommandolinjene refererer til Supplement S3.) - Bruk plottfunksjonen til å visualisere resultatene (figur 3). Hent parameterne Z_summary og medianRank (Tabell 1).
MERK: Nettverksmodulene som tilfredsstiller både Z_summary verdi mindre enn 2 og median rangeringsverdi øverst, er den mest bevarte modulen i de to økologiske mikrobielle samfunnene. - Basert på resultatene fra de nevnte to statistiske parametrene for å identifisere modulen med den mest bevarte modulen til de to nettverkene.
- Korrelasjonsanalyse av modulmedlemskapet
- Angi modultilordningsresultatene for de to nettverkene som henholdsvis referanse og testgruppe.
MERK: Innstillingene må være de samme som Bevaringstest. - Bruk corPvalueStudent -funksjonen til å trekke ut kME-verdien (modulmedlemskap) for hver OTU i flere kandidatmoduler.
Utfør kommandolinjen:
"Pvalue = as.data.frame(corPvalueStudent(as.matrix
(Modulmedlemskap), Eksempler))"
Klikk Kjør.
MERK: kME står for graden av modulmedlemskap. ME står for modul eigen, som representerer det overordnede nivået av OTU-uttrykk i modulen. kME er korrelasjonskoeffisienten mellom hver OTU og ME. Kvantifisere viktigheten av OTU i nettverket etter kME-verdien for OTU. (De viktigste kommandolinjene refererer til Supplement S4.) - Deretter bruker du verboseScatterplot -funksjonen til å beregne korrelasjonskoeffisienten for kME-verdien for de tilsvarende OTUene i de to nettverkene og tegne korrelasjonsanalysediagrammet (Figur 4).
Utfør kommandolinjen:
"verboseScatterplot(abs(TModuleMembership
[TmoduleGenes, Tcolumn]),
abs(NModuleMembership[NmoduleGenes, Ncolumn]),
xlab = lim inn("kME in", "ES"),
ylab = lim inn("kME in", "RP"),
hoved = lim inn("lightyellow"),
cex.main = 1,7, cex.lab = 1,6, cex.akse = 1,6, kol = modulfarge)"
Klikk Kjør. - Velg modulen med den minste korrelasjonskoeffisienten for kME-verdien for OTU for de to nettverkene. Vurder denne modulen for å ha den største forskjellen mellom de to nettverkene.
- Angi modultilordningsresultatene for de to nettverkene som henholdsvis referanse og testgruppe.
5. Analyse av den mikrobielle differensialnettverksmodulen
- Innhente data om den dominerende bakteriefylaen gjennom statistisk analyse av OTU-sekvenssettet til modulen med størst forskjell.
MERK: OTU-sekvenssettet til modulen med størst forskjell summeres av taksonomien til phyla. Den dominerende bakteriefylaen utgjorde mer enn 10%. - Deretter bruker du exportNetworkToCytoscape -funksjonen til å hente filen som inneholder informasjon om samhandlingsrelasjonen for OTU i den største differensialmodulen.
Utfør kommandolinjen:
"cyt = exportNetworkToCytoscape(modTOM,
edgeFile = lim inn("NEW-ES_CytoscapeInput-edges-", moduler , ".txt", sep="),),
nodeFile = lime inn("NEW-ES_CytoscapeInput-nodes-", moduler, ".txt", sep="),
vektet = SANN,terskel = 0,5, nodenavn = modProbes,
altNodeNames = modGenes, nodeAttr = moduleColors[inModule])"
Klikk Kjør. - Importer filen til Cytoscape. Sett terskelen til 0,5 og juster andre parametere etter behov.
- Konstruere et koforekomstnettverk av differensialmikroorganismer (figur 5).
- Innhentet informasjon om kjerne slekten som har den viktigste regulatoriske rollen i nettverket.
MERK: I henhold til kME-verdien til OUT kan kjerne slekten defineres. - Til slutt ble kjerne slektens funksjoner vurdert og dens innflytelse på hele forskjellsnettverket ble analysert.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De representative resultatene i denne artikkelen ble lastet ned fra 2014 California Abaker risrotmikrobiomedata i NCBI-databasen (PRJNA386367)9. Dataene inkluderer rhizosfæren, rhizoplanet og endosphere mikrobiomeprøver fra risplanter dyrket i 14 uker i et nedsenket risfelt. Vi brukte WGCNA-algoritmen til å velge strømverdien som tilfredsstilte de tre nettverkene som var nær det skalafrie nettverket (figur 1) og utviklet tre kouttrykksnettverk (figur 2). I endosfæren ble rhizoplane og rhizosphere jordmikrobielt samuttrykksnettverk, henholdsvis 23, 22 og 21 moduler identifisert. Disse resultatene indikerer at antall mikrobielle interaksjonsnettverk i de tre nisjene i utgangspunktet var like.
Vi sammenlignet videre forskjellene i de mikrobielle nettverksmodulene innen endosfæren, rhizoplanet og rhizosfærens jord. Følgende bevaringstestresultater av modulene til de tre nisjegruppene ble oppnådd. Tre ekstremt ikke-bevarte moduler eksisterte mellom rhizosfæren og rhizoplanet (Figur 3a, Tabell 1). I tillegg var ni ekstremt ikke-bevarte moduler til stede mellom rhizosfærens jord og endosfære (figur 3b, tabell 2) og seks ekstremt ikke-bevarte moduler mellom rhizoplanet og endosfæren (Figur 3c, Tabell 3). Videre ble det funnet ekstremt ikke-bevarte moduler blant de tre nisjene, noe som indikerer tilstedeværelsen av store forskjeller i sammensetningen av mikroorganismer blant de tre nisjene. Resultatene av modulmedlemskapskorrelasjonsanalysen av de oppnådde ikke-konservative modulene er illustrert i figur 4. Fra figuren er en betydelig forskjellig modul med minst korrelasjon mellom hver to nisjer synlig blant de tre nisjene, noe som representerer den viktigste forskjellen mellom dem.
I rhizosfæren-rhizoplane forskjellsnettverket (Figur 5a), var den dominerende phylum Proteobacteria (72,97%). I rhizosphere-endosphere difference network (Figur 5b), var den dominerende phyla Proteobacteria (66,36%), Actinobacteria (10,1%), og Bacteroidetes (10,9%). I rhizoplane-endosphere forskjellsnettverket (Figur 5c), var den dominerende phyla Proteobacteria (41,41%), Bakteroidetes (10,10%), Firmicutes (12,12%), og Verrucomicrobia.
Tre kjernegener (figur 5a), inkludert Rhodobacter og Novosphingobium, seks kjernegener (figur 5b), inkludert Blvii28 og Dechloromonas, og fem kjernegenera (figur 5c), inkludert Cellvibrio og Geobacter, utøvde viktige regulatoriske funksjoner i de tre differensialkoforekomstnettverkene. Alle kjernegener, unntatt Dechloromonas, hadde innflytelse på bare ett nettverk, noe som indikerer tilgjengeligheten av betydelige forskjeller i den relative overfloden av mikrobielle populasjoner og arter blant de tre nisjene av risrøtter, noe som kritisk påvirket overflod og mangfold av de eksisterende rotmikrobielle samfunnene.
Kjerne slekten Azospirillum, tilstede i rhizosfæren-endosphere forskjell nettverk av ris, deltok i nitrogen fiksering og fremmet plantevekst10. I tillegg kan Geobacter-slekten, som ble betydelig beriket i rhizoplane-endosphere-forskjellsnettverket, være hovedfaktoren som induserer reduksjonen av uoppløselige Fe- og Mn-oksider i mange jordarter og sedimenter11. Disse mikroorganismer samhandler med en rekke mikrobielle samfunn i rotnisjene og deltar aktivt i reguleringen av mikrobielle nettverk, noe som kan være kritisk viktig for vekst og utvikling av risrøtter.
Figur 1. Evaluering av powerβ i datasettene. (a) Evaluering av strøm β i ES-datasettet; (b) Evaluering av strøm β i RS-datasettet; (c) Evaluering av strøm β i RP-datasettet, distribusjon av den skalafrie indeksen R2 (venstre), distribusjon av gjennomsnittlig tilkobling (høyre) langs forskjellige soft power-indekser. Verdien av den beste kraften ble oppnådd da R2 hadde en tendens til metning og var ikke lavere enn 0,8. De tre samuttrykksnettverkene måtte settes til samme kraftverdi for å sikre sammenlignbarhet. (RS: rhizosphere jord, RP: rhizoplane og ES: endosphere). Klikk her for å se en større versjon av denne figuren.
Figur 2. OTU dendrogram oppnådd ved gjennomsnittlig koblingshierarkisk klynge. (a) OTU dendrogram fra ES-nettverk; (b) OTU dendrogram fra RS-nettverk; (c) OTU-dendrogram fra RP-nettverk. Fargeraden under dendrogrammet angir modultilordningen som bestemmes av algoritmen Dynamisk trekutt. (RS: rhizosphere jord, RP: rhizoplane og ES: endosphere) Klikk her for å se en større versjon av denne figuren.
Figur 3. Resultater av bevaringstesten. (a) Analyseresultatene er basert på RS co-expression nettverksmodultildeling som referansegruppe og RP co-expression nettverksmodultildelingsresultater som testgruppe; (b) Analyseresultatene er basert på ES co-expression nettverksmodultildeling som referansegruppe og RS co-expression nettverksmodultildelingsresultater som testgruppe; (c) Analyseresultatene er basert på ES-kouttrykksnettverksmodultildeling som referansegruppe og RP-kouttrykksnettverksmodultildelingsresultater som testgruppe. Z_summary > 10 angir at to moduler er svært bevart, mens Z_summary < 2 angir ikke-bevarte moduler. medianRank uttrykker relativ bevaring av modulen vurdert etter rangering. Høyere medianRank-verdier angir ikke-bevarte moduler. (RS: rhizosphere jord, RP: rhizoplane og ES: endosphere) Klikk her for å se en større versjon av denne figuren.
Figur 4. Korrelasjonsanalyse av modulmedlemskapene. (a) Modulkorrelasjon av kME-verdien mellom RS- og RP-nettverket; (b) Modulkorrelasjon av kME-verdien mellom RS- og RP-nettverk; (c) Modulkorrelasjon av kME-verdien mellom RP- og ES-nettverk (RS: rhizosphere jord, RP: rhizoplane, ES: endosphere og KME: modulmedlemskap). Klikk her for å se en større versjon av denne figuren.
Figur 5. Co-forekomst nettverk av differensial mikrobiellpopulation i roten av ris. (a) Koforekomstnettverk av differensialmikrobielle populasjoner i RS-RP; (b) Samforekomstnettverk av differensialmikrobielle populasjoner i ES-RS; (c) Samforekomstnettverk av differensialmikrobielle populasjoner i ES-RP. Analysen ble utført ved hjelp av Cytoscape programvare. Ulike farger representerer forskjellige porter i figuren. (RS: Rhizosphere jord, RP: rhizoplane og ES: endosphere). Klikk her for å se en større versjon av denne figuren.
| Modul | medianRank | Z-sammendrag | Modul | medianRank | Z-sammendrag |
| greenyellow | 2 | 14 | gul | 13 | 5.2 |
| rosa | 2 | 17 | grå60 | 14 | 3.1 |
| midnatt | 3 | 10 | royalblue | 15 | 2.1 |
| brun | 4 | 18 | svart | 16 | 2.7 |
| lyscyan | 6 | 8.5 | garve | 17 | 3.2 |
| lilla | 7 | 10 | laks | 18 | 1.3 |
| blå | 7 | 22 | magenta | 18 | 2.2 |
| grønn | 8 | 12 | mørklagt | 20 | -0.24 |
| Cyan | 10 | 4.8 | gull | 20 | 14 |
| lysgrønn | 11 | 5.1 | mørkegrønn | 22 | -1.1 |
| lett åelleow | 12 | 5.3 | grå | 22 | 0.21 |
| rød | 12 | 6.1 |
Tabell 1. Resultat av Zsummary og medianRank mellom rhizosfæren jord og rhizoplane.
| Modul | medianRank | Z-sammendrag | Modul | medianRank | Z-sammendrag |
| laks | 1 | 19 | lyscyan | 13 | 1.1 |
| svart | 3 | 5.3 | rød | 15 | 0.95 |
| gul | 4 | 5.8 | midnatt | 15 | -0.0016 |
| lysgrønn | 5 | 0.27 | royalblue | 16 | 0.83 |
| greenyellow | 7 | 3 | magenta | 16 | 0.52 |
| mørkturquoise | 7 | 1.2 | mørkegrønn | 17 | 0.16 |
| grå60 | 9 | 1.1 | garve | 18 | 0.64 |
| blå | 10 | 3.9 | lett åelleow | 19 | 0.52 |
| lilla | 10 | 2.3 | mørklagt | 19 | -0.18 |
| brun | 12 | 2.3 | rosa | 19 | -0.71 |
| Cyan | 12 | 0.78 | gull | 21 | 11 |
| grønn | 13 | 1.7 |
Tabell 2. Resultat av Zsummary og medianRank mellom rhizosfæren jord og endosphere.
| Modul | medianRank | Z-sammendrag | Modul | medianRank | Z-sammendrag |
| svart | 1 | 15 | mørkturquoise | 13 | 1.7 |
| laks | 2 | 27 | midnatt | 13 | 1.6 |
| gul | 3 | 13 | lysgrønn | 13 | 0.64 |
| Cyan | 4 | 5.4 | mørkegrønn | 14 | 1.5 |
| blå | 8 | 3.9 | mørklagt | 16 | 1.5 |
| lyscyan | 9 | 2.6 | lilla | 17 | 2.3 |
| rosa | 10 | 3.6 | greenyellow | 18 | 0.8 |
| royalblue | 10 | 1.5 | lett åelleow | 18 | 0.42 |
| brun | 12 | 2.9 | magenta | 19 | 0.2 |
| grønn | 12 | 1.9 | gull | 21 | 18 |
| rød | 12 | 1.9 | grå60 | 21 | -0.21 |
| garve | 13 | 2.5 |
Tabell 3. Resultat av Zsummary og medianRank mellom rhizoplane og endosphere.
Tillegg S1: Klikk her for å laste ned denne filen.
Tillegg S2: Klikk her for å laste ned denne filen.
Tillegg S3: Klikk her for å laste ned denne filen.
Tillegg S4: Klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Korrelasjonsnettverk har i økende grad blitt brukt i bioinformatikkapplikasjoner. WGCNA er en systembiologisk metode for beskrivende analyse av forholdet mellom ulike elementer i et biologisk system12. R programvarepakken ble brukt i tidligere arbeid på WGCNA13,14,15. Pakken inneholder funksjoner for nettverkskonstruksjon, moduldeteksjon, beregninger av topologiske egenskaper, datasimulering, visualisering og evne til grensesnitt med ekstern programvare. WGCNA har blitt mye brukt til å analysere genuttrykksdata fra hjernekreft16, gjærcellesyklus17, musegenetikk18,19, primat hjernevev20,21, diabetes22og planter23. Bruk den vektede genkorrelasjonsnettverksanalysen til å konstruere nettverket må inneholde minst 8 utvalg. I denne artikkelen fokuserte vi på gensamarbeidsnettverk som beskriver samspillet mellom mikrobielle populasjoner i ulike miljøer. Vi fikk differensialnettverk mellom mikrobielle populasjoner i ulike miljøer og identifiserte nøkkelartene i hvert nettverk. Forestillingen om at nøkkelarter er viktige for samfunnet har vært mye ansatt i mat-web forskning24. Noen av artene i et komplekst mikrobielt samfunn kan være avgjørende for å opprettholde stabiliteten og funksjonaliteten til samfunnet, for eksempel bakteroider i tarmfloraen25. Analysen av mikrobielle samfunn kan forenkles betydelig ved å målrette mot bestemte arter av potensiell betydning.
Våre representative resultater fremhever forskjellene i mikrobielle samfunn, som kan identifiseres ved hjelp av ovennevnte metode. Her ble mikroorganismer i forskjellige nisjer i risrotsystemet utsatt for WGCNA. Forskjellen mellom de tre nisjene ble identifisert ved hjelp av konservative og modulmedlemskapsanalyser. Vi bestemte nøkkelartene i forskjellsmodulene og fikk informasjon om forskjellene i sammensetningen av mikrobielle samfunn i de tre nisjene. I mellomtiden avslørte co-occurrence-nettverket tilstedeværelsen av et betydelig samspill mellom de skiftende mikroorganismer i røttene av ris. Våre funn gir direkte bevis for betydningen og gjennomførbarheten av WGCNA i evalueringen av mikrobielle samfunnsforskjeller i ulike miljøer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Utviklingen av dette manuskriptet ble støttet av midler fra National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Doctoral Research Project of Guizhou Normal University (GZNUD[2017]1), Science and Technology Support Project of Guizhou Province (QKHZC[2021]YB459) og Vitenskaps- og teknologiprosjektet til Guiyang([2019]2-8).
Forfatterne vil takke Edwards J.A et al for å ha gitt rismikrobiomdata i offentlige databaser og støtte fra TopEdit (www.topeditsci.com) for sin språklige hjelp under utarbeidelsen av dette manuskriptet.
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.
