Summary
Se aplicó el análisis de redes para evaluar la asociación de varias comunidades microbianas ecológicas, como el suelo, el agua y la rizosfera. Aquí se presenta un protocolo sobre cómo usar el algoritmo WGCNA para analizar diferentes redes de co-ocurrencia que pueden ocurrir en las comunidades microbianas debido a diferentes entornos ecológicos.
Abstract
El microbioma radicular juega un papel importante en el crecimiento de las plantas y la adaptación ambiental. El análisis de redes es una herramienta importante para estudiar las comunidades, que pueden explorar eficazmente la relación de interacción o el modelo de co-ocurrencia de diferentes especies microbianas en diferentes entornos. El propósito de este manuscrito es proporcionar detalles sobre cómo utilizar el algoritmo de red de correlación ponderada para analizar diferentes redes de co-ocurrencia que pueden ocurrir en comunidades microbianas debido a diferentes entornos ecológicos. Todo el análisis del experimento se realiza en el paquete WGCNA. WGCNA es un paquete R para el análisis de redes de correlación ponderada. Los datos experimentales utilizados para demostrar estos métodos fueron datos de la comunidad microbiana de la base de datos NCBI (Centro Nacional de Información Biotecnológica) para tres nichos del sistema radicular del arroz (Oryza sativa). Utilizamos el algoritmo de red de correlación ponderada para construir redes de coabundancia de comunidad microbiana en cada uno de los tres nichos. Luego, se identificaron redes diferenciales de coabundancia entre el suelo de endosfera, rizóplano y rizosfera. Además, los géneros centrales en la red se obtuvieron mediante el paquete "WGCNA", que desempeña un importante papel regulado en las funciones de red. Estos métodos permiten a los investigadores analizar la respuesta de la red microbiana a la perturbación ambiental y verificar diferentes teorías de respuesta ecológica microbiana. Los resultados de estos métodos muestran que las importantes redes microbianas diferenciales identificadas en la endosfera, el rizóplano y la rizosfera del suelo del arroz.
Introduction
La investigación del microbioma tiene implicaciones importantes para la comprensión y manipulación de los procesos de losecosistemas 1,2. Las poblaciones microbianas están interconectadas por redes ecológicas que interactúan, cuyas características pueden afectar la respuesta de los microorganismos a los cambios ambientales3,4. Además, las propiedades de estas redes afectan a la estabilidad de las comunidades microbianas, y están estrechamente asociadas con la función del suelo5. El análisis de redes de correlación de genes ponderados ahora se ha aplicado ampliamente para la investigación sobre la relación entre los genes y las comunidades microbianas6. Estudios previos se han centrado principalmente en las asociaciones entre redes de diferentes genes o poblaciones y el mundo exterior7. Sin embargo, las diferencias en las redes de correlación formadas por poblaciones microbianas bajo diferentes condiciones ambientales apenas se han investigado. El propósito de la investigación presentada en este documento es proporcionar información y detalles sobre la rápida implementación del algoritmo WGCNA para construir una red de co-ocurrencia de muestras de microbioma recolectadas bajo diferentes condiciones ambientales. Sobre la base de los resultados del análisis, evaluamos la composición y las diferencias de la población y discutimos más a fondo la relación entre las diferentes poblaciones microbianas. Se aplicó el siguiente flujo básico del algoritmo de red de correlación ponderada8. En primer lugar, era necesario construir una matriz de similitud calculando el coeficiente de correlación de Pearson entre los perfiles de expresión de unidades taxonómicas operativas (OTU). Luego, los parámetros de las funciones de adyacencia (las funciones de potencia o de adyacencia sigmoide) se adoptaron con un criterio de topología libre de escala, la matriz de similitud se transformó en una matriz de adyacencia y cada red de co-ocurrencia correspondió a una matriz de adyacencia. Utilizamos la agrupación jerárquica de enlace promedio junto con la disimilitud basada en TOM para agrupar OTU con perfiles de expresión coherentes en módulos. Además, calculamos la relación entre la estadística conservadora y los módulos de análisis de parámetros relacionados, identificando finalmente el hub OTU en el módulo. Estos métodos son particularmente adecuados para el análisis de las diferencias en las estructuras de red entre varias poblaciones microbianas en condiciones ambientales divergentes. En este manuscrito, hemos descrito en detalle el método de desarrollo de redes de coexpresión, el análisis de las diferencias entre los módulos, y hemos proporcionado una breve visión general de los pasos en el procedimiento aplicado para obtener las especies centrales en diferentes redes de módulos.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Descarga de datos
- Descargue los datos de la adhesión PRJNA386367 de la base de datos ncbi. A partir de los datos de la adhesión PRJNA386367, seleccione los datos del microbioma de rizosfera, rizóplano y endosfera de plantas de arroz cultivadas durante 14 semanas en un campo de arroz sumergido en Arbuckle, California, en 2014.
NOTA: Los datos del microbioma de rizosfera, rizóplano y endosfera fueron presentados por la tabla de OTU en la adhesión PRJNA386367.
2. Determinación óptima del valor de potencia
NOTA: El paquete WGCNA contiene todos los siguientes parámetros funcionales. WGCNA es un paquete R para el análisis de redes de correlación ponderada. Las líneas de comandos clave hacen referencia al Suplemento S1.
- En el entorno del lenguaje R, abra el software Rstudio e instale el paquete WGCNA.
- Cargue los datos y utilice la función goodSamplesGenes para comprobar la exactitud de los datos. Ejecute las líneas de comandos:
"gsg = goodSamplesGenes(datExpr0, verbose = 3)
gsg$allOK "
Haga clic en Ejecutar. - Compruebe si hay valores atípicos y almacene muestras que cumplan con los requisitos. Cuando el resultado de la comprobación sea TRUE, continúe con el siguiente paso. Guarde el resultado.
- Utilice la función PickSoftThreshold para calcular el índice R2 sin escala de los dos grupos de datos con diferentes valores de potencia. Ejecute la línea de comandos:
"sft = pickSoftThreshold(datExpr0, powerVector = powers, verbose = 5)"
Haga clic en Ejecutar. - Visualizar los resultados (Figura 1). Ejecute la línea de comandos:
"plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
xlab="Soft Threshold (power)",ylab="Scale Free Topology Model Fit,signed R^2",type="n",
main = paste("ES_Scale independencia"));
text(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
labels=powers,cex=cex1,col="red");
abline(h=0.9,col="rojo")
plot(sft$fitIndices[,1], sft$fitIndices[,5],
xlab="Umbral suave (potencia)",ylab="Conectividad media", type="n",
main = paste("conectividad ES_Mean"))
text(sft$fitIndices[,1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")"
Haga clic en Ejecutar.
NOTA: La premisa del algoritmo de red de correlación ponderada es que la estructura de red de coexpresión establecida se ajusta a los estándares del criterio de topología libre de escala, aumentando su robustez. Un índice sin escala más cercano a 1 indica una estructura de red que está más cerca de la red sin escala. - Seleccione el valor de potencia cuando el índice sin escala R2 cuadreó más de 0,9 y continúe con el siguiente paso del análisis.
NOTA: Cuando el índice sin escala está cerca de 1, la estructura de red está más cerca de la red sin escala. Al analizar dos o más redes, es necesario elegir hacer que cada red se acerque al valor de potencia de la red libre de escala para satisfacer la comparabilidad entre las redes co-expresadas.
3. Construcción de una red de coexpresión e identificación de módulos
NOTA: Sobre la base del valor de potencia calculado anteriormente, se construye la red de co-ocurrencia. Las líneas de comandos clave hacen referencia al Suplemento S2.
- Utilice la función de adyacencia del paquete WGCNA para agregar parámetros firmados para la construcción de una red de co-ocurrencia simbólica. Ejecute la línea de comandos:
"adyacencia = adyacencia(datExpr0, poder = softPower)"
Haga clic en Ejecutar. - Aplique la función TOM-similarity para desarrollar una red topológica superpuesta y calcule la red de disimilitud. Ejecute la línea de comandos:
"TOM = TOMsimilarity(adyacencia);
dissTOM = 1-TOM"
Haga clic en Ejecutar.
Nota : el parámetro firmado se agregó para establecer el tipo de red de superposición de topología. - Utilice la función hclust para seleccionar el método de agrupación jerárquica de vinculación media para la agrupación en clústeres jerárquicas. Ejecute la línea de comandos:
"geneTree = hclust(as.dist(dissTOM), method = "average");"
Haga clic en Ejecutar. - Utilice la función cutreeDynamic para realizar el corte dinámico por rama y establezca el parámetro minClusterSize en 30. Obtener el resultado de reconocimiento del módulo. Ejecute la línea de comandos:
"dynamicMods = cutreeDynamic(dendro = geneTree, distM = dissTOM, deepSplit = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize);"
Haga clic en Ejecutar.
NOTA: El tamaño mínimo del módulo no puede ser inferior a 30. - Calcule el eigen del módulo de cada módulo otus mediante la función moduleEigengenes. Ejecute la línea de comandos:
"MEList = moduleEigengenes(datExpr0, colors = dynamicColors)
MEs = MEList$eigengenes"
Haga clic en Ejecutar.
NOTA: El eigen del módulo representaba el nivel de expresión OTU general en el módulo. No era una OTU específica, sino el primer componente principal de cada clúster obtenido por descomposición de valores de red singulares. - Realice la función de clúster basada en el coeficiente de correlación del módulo eigen. Utilice la función mergeCloseModules para combinar los módulos con un valor inferior a 0,25. Ejecute la línea de comandos:
"merge = mergeCloseModules(datExpr0, dynamicColors, cutHeight = MEDissThres, verbose = 3)"
Haga clic en Ejecutar. - Finalmente, utilice la función plotDendroAndColors para la visualización para obtener el diagrama de visualización de asignación de módulos de cada red de coexpresión (Figura 2). Utilice la función de tabla para extraer la atribución del módulo correspondiente de cada OTin la tabla de asignación del módulo. Ejecute la línea de comandos:
"plotDendroAndColors(geneTree, mergedColors, "Merged dynamic",dendroLabels = FALSE,
hang = 0.03,addGuide = TRUE, guideHang = 0.05,
main = "ES_Gene dendrograma y colores de módulo")"
Haga clic en Ejecutar.
NOTA: En el diagrama de asignación de módulos de la red de co-expresión, diferentes colores representan diferentes módulos, y el gris representa OTU que no se pueden clasificar en ningún módulo. Un mayor número de OTU en el módulo gris indica que la calidad de preprocesamiento en etapa inicial de la matriz de expresión es deficiente.
4. Comparación de módulos
NOTA: Este método se puede utilizar para comparar los módulos de red de dos comunidades microbianas ecológicas. En este artículo, compare las diferencias de los módulos de red microbiana entre endosfera y rizóplano, endosfera y rizosfera, rizosfera y rizóplano.
- Prueba de conservación
- Cargue los parámetros y resultados de los dos conjuntos de datos guardados en los pasos anteriores.
- Establezca el resultado de asignación del módulo de red de un grupo de datos microbianos como grupo de referencia, mientras que el otro grupo como grupo de prueba.
- Utilice la función modulePreservation para calcular los valores de los parámetros estadísticos de conservadurismo Z_summary y medianRank. Ejecute la línea de comandos:
"system.time({mp=modulePreservation(multiExpr,
multiColor,referenceNetworks=1,
nPermutation=100, randomSeed=1,quickCor=0,verbose=3)})"
Haga clic en Ejecutar.
NOTA: Este resultado puede cuantificar el conservadismo entre módulos. Z_summary>10 indica que dos módulos están altamente conservados, mientras que Z_summary<2 denota módulos no conservados. medianRank expresa la preservación relativa del módulo evaluado por ranking. Los valores de medianRank más altos denotan módulos no conservados. (Las líneas de comandos clave se refieren al Suplemento S3.) - Utilice la función de trazado para visualizar los resultados (Figura 3). Obtenga los parámetros Z_summary y medianRank (Tabla 1).
NOTA: Los módulos de red que satisfacen tanto el valor Z_summary inferior a 2 como el valor medio Rank en la parte superior, es el módulo más no conservado en las dos comunidades microbianas ecológicas. - Basado en los resultados de los dos parámetros estadísticos antes mencionados para identificar el módulo con el módulo más altamente no conservado de las dos redes.
- Análisis de correlación de la pertenencia al módulo
- Establezca los resultados de asignación de módulos de las dos redes que se establecieron como la referencia y el grupo de prueba, respectivamente.
NOTA: La configuración debe ser la misma que la prueba de preservación. - Utilice la función corPvalueStudent para extraer el valor kME (pertenencia a módulos) de cada OTU en varios módulos candidatos.
Ejecute la línea de comandos:
"Pvalue = as.data.frame(corPvalueStudent(as.matrix)
(ModuleMembership), Samples))"
Haga clic en Ejecutar.
NOTA: kME significa el grado de pertenencia al módulo. ME significa módulo eigen, que representa el nivel general de expresión OTU en el módulo. kME es el coeficiente de correlación entre cada OTU y el ME. Cuantificar la importancia de OTU en la red por el valor kME de OTU. (Las líneas de comandos clave se refieren al Suplemento S4.) - A continuación, utilice la función verboseScatterplot para calcular el coeficiente de correlación del valor kME de las OTU correspondientes en las dos redes y dibuje el diagrama de análisis de correlación(Figura 4).
Ejecute la línea de comandos:
"verboseScatterplot(abs(TModuleMembership
[TmoduleGenes, Tcolumn]),
abs(NModuleMembership[NmoduleGenes, Ncolumn]),
xlab = paste("kME in", "ES"),
ylab = paste("kME in", "RP"),
main = pasta("lightyellow"),
cex.main = 1.7, cex.lab = 1.6, cex.axis = 1.6, col = modulecolor)"
Haga clic en Ejecutar. - Seleccione el módulo con el coeficiente de correlación más pequeño del valor kME de la OTU de las dos redes. Considere que este módulo tiene la mayor diferencia de las dos redes.
- Establezca los resultados de asignación de módulos de las dos redes que se establecieron como la referencia y el grupo de prueba, respectivamente.
5. Análisis del módulo de red diferencial microbiana
- Obtener datos de los filos de bacterias dominantes mediante el análisis estadístico del conjunto de secuencias OTU del módulo con mayor diferencia.
NOTA: El conjunto de secuencias OTU del módulo con la mayor diferencia se suma a la taxonomía de phyla. Los filos de bacterias dominantes representaron más del 10%. - A continuación, utilice la función exportNetworkToCytoscape para obtener el archivo que contiene la información de relación de interacción de la OTU en el módulo diferencial más grande.
Ejecute la línea de comandos:
"cyt = exportNetworkToCytoscape(modTOM,
edgeFile = paste("NEW-ES_CytoscapeInput-edges-", modules , ".txt", sep=""),
nodeFile = paste("NEW-ES_CytoscapeInput-nodes-", modules, ".txt", sep=""),
ponderado = TRUE,umbral = 0,5, nodeNames = modProbes,
altNodeNames = modGenes, nodeAttr = moduleColors[inModule])"
Haga clic en Ejecutar. - Importe el archivo a Cytoscape. Establezca el umbral en 0,5 y ajuste otros parámetros según sea necesario.
- Construir una red de co-ocurrencia de microorganismos diferenciales (Figura 5).
- Obtuve la información del género núcleo que tiene el rol regulador más importante en la red.
NOTA: De acuerdo con el valor kME de OUT, se puede definir el género central. - Finalmente, se evaluaron las funciones del género núcleo y se analizó su influencia en toda la red de diferencias.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Los resultados representativos de este artículo se descargaron de los datos del microbioma de raíz de arroz Abaker de California 2014 en la base de datos NCBI (PRJNA386367)9. Los datos incluyen muestras de rizosfera, rizóplano y microbioma de endosfera de plantas de arroz cultivadas durante 14 semanas en un campo de arroz sumergido. Utilizamos el algoritmo WGCNA para seleccionar el valor de potencia que satisfacía las tres redes que estaban cerca de la red libre de escala (Figura 1) y desarrollamos tres redes de co-expresión (Figura 2). En la red de coexpresión microbiana de endosfera, rizóplano y rizosfera del suelo, se identificaron 23, 22 y 21 módulos, respectivamente. Estos resultados indican que el número de redes de interacción microbiana en los tres nichos fue básicamente igual.
Además, comparamos las diferencias en los módulos de la red microbiana dentro de la endosfera, el rizóplano y el suelo de la rizosfera. Se obtuvieron los siguientes resultados de la prueba de preservación de los módulos de los tres grupos de nichos. Existían tres módulos extremadamente no conservados entre el suelo de la rizosfera y el rizóplano(Figura 3a,Tabla 1). Además, nueve módulos extremadamente no conservados estaban presentes entre el suelo de la rizosfera y la endosfera(Figura 3b,Tabla 2)y seis módulos extremadamente no conservados entre el rizóplano y la endosfera(Figura 3c,Tabla 3). Además, se encontraron módulos extremadamente no conservados entre los tres nichos, lo que indica la presencia de grandes diferencias en la composición de los microorganismos entre los tres nichos. Los resultados del análisis de correlación de pertenencia de módulos de los módulos no conservadores obtenidos se ilustran en la Figura 4. A partir de la figura, un módulo significativamente diferente con la menor correlación entre cada dos nichos es visible entre los tres nichos, lo que representa la diferencia más significativa entre ellos.
En la red de diferencia rizosfera-rizóplano(Figura 5a),el filo dominante fue Proteobacteria (72,97%). En la red de diferencia rizosfera-endosfera(Figura 5b),los filos dominantes fueron Proteobacteria (66,36%), Actinobacteria (10,1%) y Bacteroidetes (10,9%). En la red de diferencia rizoplano-endosfera(Figura 5c),los filos dominantes fueron Proteobacteria (41,41%), Bacteroidetes (10,10%), Firmicutes (12,12%) y Verrucomicrobia.
Tres géneros centrales(Figura 5a),incluyendo Rhodobacter y Novosphingobium,seis géneros centrales(Figura 5b),incluyendo Blvii28 y Dechloromonas,y cinco géneros core(Figura 5c),incluyendo Cellvibrio y Geobacter,ejercieron importantes funciones reguladoras en las tres redes diferenciales de co-ocurrencia. Todos los géneros centrales, excepto Dechloromonas,tuvieron influencia en una sola red, lo que indica la disponibilidad de diferencias considerables en la abundancia relativa de poblaciones y especies microbianas entre los tres nichos de raíces de arroz, lo que afectó críticamente la abundancia y diversidad de las comunidades microbianas de raíces existentes.
El género central Azospirillum,presente en la red de diferencia rizosfera-endosfera del arroz, participó en la fijación de nitrógeno y promovió el crecimiento de las plantas10. Además, el género Geobacter, que se enriqueció significativamente en la red de diferencia rizoplano-endosfera, puede ser el principal factor que induce la reducción de óxidos insolubles de Fe y Mn en muchos suelos y sedimentos11. Estos microorganismos interactúan con una variedad de comunidades microbianas en los nichos radiculares y participan activamente en la regulación de las redes microbianas, lo que podría ser de importancia crítica para el crecimiento y desarrollo de las raíces de arroz.
Figura 1. Evaluación de powerβ en los datasets. a) Evaluación de los β de potencia en el conjunto de datos DE LA; b) Evaluación de los β de potencia en el conjunto de datos de la RS; c) Evaluación de la potencia β en el conjunto de datos RP, distribución del índice R2 sin escala (izquierda), distribución de la conectividad media (derecha) a lo largo de diferentes índices de potencia blanda. El valor de la mejor potencia se logró cuando R2 tendía a la saturación y no era inferior a 0,8. Las tres redes de coexpresión tuvieron que establecerse en el mismo valor de potencia para garantizar su comparabilidad. (RS: suelo de rizosfera, RP: rizóplano y ES: endosfera). Haga clic aquí para ver una versión más grande de esta figura.
Figura 2. Dendrograma OTU obtenido por agrupamiento jerárquico de enlace promedio. a)Dendrograma OTU de la red ES; b) Dendrograma OTU de la red RS; c) Dendrograma OTU de la red RP. La fila de color debajo del dendrograma indica la asignación del módulo determinada por el algoritmo Dynamic Tree Cut. (RS: suelo de rizosfera, RP: rizóplano y ES: endosfera) Haga clic aquí para ver una versión más grande de esta figura.
Figura 3. Resultados de la prueba de conservación. a) Los resultados del análisis se basan en la asignación del módulo de red de coexpresión RS como grupo de referencia y los resultados de la asignación del módulo de red de coexpresión RP como grupo de prueba; b) Los resultados del análisis se basan en la asignación del módulo de red de coexpresión ES como grupo de referencia y en los resultados de la asignación del módulo de red de coexpresión RS como grupo de prueba; c) Los resultados del análisis se basan en la asignación del módulo de red de coexpresión ES como grupo de referencia y en los resultados de la asignación del módulo de red de coexpresión RP como grupo de prueba. Z_summary > 10 indica que dos módulos están altamente conservados, mientras que Z_summary < 2 denota módulos no conservados. medianRank expresa la preservación relativa del módulo evaluado por ranking. Los valores de medianRank más altos denotan módulos no conservados. (RS: suelo de rizosfera, RP: rizóplano y ES: endosfera) Haga clic aquí para ver una versión más grande de esta figura.
Figura 4. Análisis de correlación de las membresías de los módulos. a) Correlación del módulo del valor kME entre la red RS y RP; b) Correlación del módulo del valor kME entre la red RS y RP; (c) Correlación del módulo del valor kME entre RP y red ES (RS: suelo de rizosfera, RP: rizóplano, ES: endosfera y KME: pertenencia al módulo). Haga clic aquí para ver una versión más grande de esta figura.
Figura 5. Red de co-ocurrencia de población microbiana diferencial en la raíz del arroz. a)Red de co-ocurrencia de poblaciones microbianas diferenciales en RS-RP; b) Red de co-ocurrencia de poblaciones microbianas diferenciales en ES-RS; c) Red de co-ocurrencia de poblaciones microbianas diferenciales en ES-RP. El análisis se realizó utilizando el software Cytoscape. Diferentes colores representan diferentes puertas en la figura. (RS: Suelo de la rizosfera, RP: rizóplano y ES: Endosfera). Haga clic aquí para ver una versión más grande de esta figura.
| módulo | medianaRank | Zsummary | módulo | medianaRank | Zsummary |
| greenyellow | 2 | 14 | amarillo | 13 | 5.2 |
| rosado | 2 | 17 | gris60 | 14 | 3.1 |
| medianocheblue | 3 | 10 | royalblue | 15 | 2.1 |
| marrón | 4 | 18 | negro | 16 | 2.7 |
| lightcyan | 6 | 8.5 | bronceado | 17 | 3.2 |
| morado | 7 | 10 | salmón | 18 | 1.3 |
| azul | 7 | 22 | magenta | 18 | 2.2 |
| verde | 8 | 12 | rojo oscuro | 20 | -0.24 |
| cian | 10 | 4.8 | oro | 20 | 14 |
| verde claro | 11 | 5.1 | verde oscuro | 22 | -1.1 |
| lightyellow | 12 | 5.3 | gris | 22 | 0.21 |
| rojo | 12 | 6.1 |
Tabla 1. Resultado de Zsummary y medianaRank entre el suelo de la rizosfera y el rizóplano.
| módulo | medianaRank | Zsummary | módulo | medianaRank | Zsummary |
| salmón | 1 | 19 | lightcyan | 13 | 1.1 |
| negro | 3 | 5.3 | rojo | 15 | 0.95 |
| amarillo | 4 | 5.8 | medianocheblue | 15 | -0.0016 |
| verde claro | 5 | 0.27 | royalblue | 16 | 0.83 |
| greenyellow | 7 | 3 | magenta | 16 | 0.52 |
| darkturquoise | 7 | 1.2 | verde oscuro | 17 | 0.16 |
| gris60 | 9 | 1.1 | bronceado | 18 | 0.64 |
| azul | 10 | 3.9 | lightyellow | 19 | 0.52 |
| morado | 10 | 2.3 | rojo oscuro | 19 | -0.18 |
| marrón | 12 | 2.3 | rosado | 19 | -0.71 |
| cian | 12 | 0.78 | oro | 21 | 11 |
| verde | 13 | 1.7 |
Tabla 2. Resultado de Zsummary y medianaRank entre el suelo de la rizosfera y la endosfera.
| módulo | medianaRank | Zsummary | módulo | medianaRank | Zsummary |
| negro | 1 | 15 | darkturquoise | 13 | 1.7 |
| salmón | 2 | 27 | medianocheblue | 13 | 1.6 |
| amarillo | 3 | 13 | verde claro | 13 | 0.64 |
| cian | 4 | 5.4 | verde oscuro | 14 | 1.5 |
| azul | 8 | 3.9 | rojo oscuro | 16 | 1.5 |
| lightcyan | 9 | 2.6 | morado | 17 | 2.3 |
| rosado | 10 | 3.6 | greenyellow | 18 | 0.8 |
| royalblue | 10 | 1.5 | lightyellow | 18 | 0.42 |
| marrón | 12 | 2.9 | magenta | 19 | 0.2 |
| verde | 12 | 1.9 | oro | 21 | 18 |
| rojo | 12 | 1.9 | gris60 | 21 | -0.21 |
| bronceado | 13 | 2.5 |
Tabla 3. Resultado de Zsummary y medianaRank entre el rizoplano y la endosfera.
Suplemento S1: Haga clic aquí para descargar este archivo.
Suplemento S2: Haga clic aquí para descargar este archivo.
Suplemento S3: Haga clic aquí para descargar este archivo.
Suplemento S4: Haga clic aquí para descargar este archivo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Las redes de correlación se han utilizado cada vez más en aplicaciones bioinformáticas. WGCNA es un método de biología de sistemas para el análisis descriptivo de las relaciones entre varios elementos de un sistema biológico12. El paquete de software R se utilizó en trabajos anteriores sobre WGCNA13,14,15. El paquete incluye funciones para la construcción de redes, detección de módulos, cálculos de propiedades topológicas, simulación de datos, visualización y capacidad para interactuar con software externo. WGCNA se ha empleado ampliamente para analizar datos de expresión génica de cáncer cerebral16,ciclo celular de levadura17,genética deratón 18,19,tejido cerebral de primates20,21,diabetes22y plantas23. Utilice el análisis de red de correlación de genes ponderados para construir la red debe incluir al menos 8 muestras. En este artículo, nos centramos en las redes de coexpresión génica que describen las interacciones entre las poblaciones microbianas en diferentes entornos. Obtuvimos redes diferenciales entre poblaciones microbianas en ambientes divergentes e identificamos las especies clave en cada red. La noción de que las especies clave son importantes para la comunidad ha sido ampliamente empleada en la investigación de la red alimentaria24. Algunas de las especies en una comunidad microbiana compleja pueden ser esenciales para mantener la estabilidad y funcionalidad de la comunidad, como Bacteroides en la flora intestinal25. El análisis de las comunidades microbianas puede simplificarse sustancialmente dirigiéndose a especies específicas de importancia potencial.
Nuestros resultados representativos destacan las diferencias en las comunidades microbianas, que se pueden identificar utilizando el método descrito anteriormente. Aquí, los microorganismos en diferentes nichos del sistema de raíces de arroz fueron sometidos a WGCNA. El diferencial entre los tres nichos se identificó mediante análisis conservadores y de membresía de módulos. Determinamos las especies clave en los módulos de diferencia y obtuvimos información sobre las diferencias en la composición de las comunidades microbianas en los tres nichos. Mientras tanto, la red de co-ocurrencia reveló la presencia de una interacción significativa entre los microorganismos cambiantes en las raíces del arroz. Nuestros hallazgos proporcionan evidencia directa de la importancia y viabilidad de WGCNA en la evaluación de las diferencias de la comunidad microbiana en diversos entornos.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
El desarrollo de este manuscrito fue apoyado por fondos de la Fundación Nacional de Ciencias Naturales del Proyecto del Centro de Investigación Científica Karst del Gobierno Popular Provincial de China-Guizhou (U1812401), el Proyecto de Investigación Doctoral de la Universidad Normal de Guizhou (GZNUD[2017]1), el Proyecto de Apoyo a la Ciencia y la Tecnología de la Provincia de Guizhou (QKHZC[2021]YB459) y el Proyecto de Ciencia y Tecnología de Guiyang ([2019]2-8).
Los autores desean agradecer a Edwards J.A et al por proporcionar datos del microbioma del arroz en bases de datos públicas y el apoyo de TopEdit (www.topeditsci.com) por su asistencia lingüística durante la preparación de este manuscrito.
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.
