مقالة منهجية

اختلاف ميكروبيوتا الجذر في الموائل المختلفة على أساس شبكات الارتباط المرجح

DOI:

10.3791/62205

⸱

سبتمبر 25, 2021

 ,  ,  ,  , 
1Key Laboratory of State Forestry Administration on Biodiversity Conservation in Karst Mountainous Areas of Southwestern China, School of Life Sciences, Guizhou Normal University, 2State Key Laboratory of Plant Physiology and Development in Guizhou Province, Guizhou Normal University

* These authors contributed equally

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وطبق تحليل الشبكة لتقييم ارتباط مختلف المجتمعات الميكروبية الإيكولوجية، مثل التربة والمياه ورهيزوسفير. يقدم هنا بروتوكول حول كيفية استخدام خوارزمية WGCNA لتحليل شبكات التواجد المشترك المختلفة التي قد تحدث في المجتمعات الميكروبية بسبب بيئات بيئية مختلفة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يلعب ميكروبيوم الجذر دورا هاما في نمو النبات والتكيف البيئي. تحليل الشبكة هو أداة هامة لدراسة المجتمعات المحلية، والتي يمكن أن تستكشف بشكل فعال العلاقة التفاعل أو نموذج الحدوث المشترك للأنواع الميكروبية المختلفة في بيئات مختلفة. الغرض من هذه المخطوطة هو تقديم تفاصيل حول كيفية استخدام خوارزمية شبكة الارتباط المرجحة لتحليل شبكات التواجد المشترك المختلفة التي قد تحدث في المجتمعات الميكروبية بسبب بيئات بيئية مختلفة. يتم إجراء جميع التحليلات الخاصة بالتجربة في حزمة WGCNA. WGCNA هو حزمة R لتحليل شبكة الارتباط المرجح. وكانت البيانات التجريبية المستخدمة لإثبات هذه الأساليب هي بيانات مجتمعية ميكروبية من قاعدة بيانات المركز الوطني لمعلومات التكنولوجيا الأحيائية لثلاثة منافذ لنظام جذور الأرز (أوريزا ساتيفا). استخدمنا خوارزمية شبكة الارتباط المرجحة لبناء شبكات وفرة مشتركة من المجتمع الميكروبي في كل من المنافذ الثلاثة. ثم تم تحديد شبكات الوفرة المشتركة التفاضلية بين التربة المحيطية والرهيزوبلان ورهيزوسفير. وبالإضافة إلى ذلك، تم الحصول على الأجناس الأساسية في الشبكة من خلال حزمة "WGCNA"، التي تلعب دورا هاما منظما في وظائف الشبكة. تمكن هذه الأساليب الباحثين من تحليل استجابة الشبكة الميكروبية للاضطرابات البيئية والتحقق من نظريات الاستجابة الإيكولوجية الميكروبية المختلفة. وتبين نتائج هذه الأساليب أن الشبكات الميكروبية التفاضلية الهامة التي تم تحديدها في التربة الاندوسفيرية ورهيزوبلان ورهيزوسفير للأرز.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أبحاث الميكروبيوم لها آثار هامة على فهم والتلاعب في عمليات النظام الإيكولوجي1،2. وترابط التجمعات الميكروبية من خلال التفاعل بين الشبكات الإيكولوجية، التي يمكن أن تؤثر خصائصها على استجابة الكائنات الحية الدقيقة للتغيرات البيئية3و4. وعلاوة على ذلك، تؤثر خصائص هذه الشبكات على استقرار المجتمعات الميكروبية، وترتبط ارتباطا وثيقا بوظيفة التربة5. وقد تم الآن تحليل شبكة الارتباط الجيني المرجح على نطاق واسع للبحث في العلاقة بين الجينات والمجتمعات الميكروبية6. وقد ركزت الدراسات السابقة أساسا على الارتباطات بين شبكات الجينات المختلفة أو السكان والعالم الخارجي7. ومع ذلك، لم يتم التحقيق في الاختلافات في شبكات الارتباط التي شكلتها المجموعات الميكروبية في ظل ظروف بيئية مختلفة. الغرض من البحث المقدم في هذه الورقة هو تقديم رؤى وتفاصيل حول التنفيذ السريع لوغاريتم WGCNA لبناء شبكة مشتركة من عينات الميكروبيوم التي تم جمعها في ظل ظروف بيئية مختلفة. وبناء على نتائج التحليل، قمنا بتقييم تكوين السكان واختلافاتهم وناقشنا العلاقة بين المجموعات الميكروبية المختلفة. تم تطبيق التدفق الأساسي التالي من خوارزمية شبكة الارتباطالمرجحة 8. أولا، يجب إنشاء مصفوفة تشابه عن طريق حساب معامل ارتباط Pearson بين ملفات تعريف التعبير وحدات التصنيف التشغيلية (OTU). ثم، تم اعتماد معلمات وظائف التجاور (السلطة أو وظائف التجاور sigmoid) مع معيار طوبولوجيا خالية من النطاق، تم تحويل مصفوفة التشابه إلى مصفوفة التجاور، وكل شبكة مشتركة بين حدوث تتوافق مع مصفوفة التجاور. استخدمنا متوسط التجميع الهرمي للربط إلى جانب الاختلاف القائم على TOM لتجميع OTUs مع ملامح تعبير متماسكة في وحدات. علاوة على ذلك، قمنا بحساب العلاقة بين الإحصاءات المحافظة ووحدات تحليل المعلمات ذات الصلة، وأخيرا تحديد وحدة الإرسال الكبرى المحورية في الوحدة النمطية. وهذه الأساليب مناسبة بشكل خاص لتحليل الاختلافات في هياكل الشبكات بين مختلف المجموعات الميكروبية في ظل ظروف بيئية متباينة. في هذه المخطوطة، قمنا بوصف طريقة تطوير شبكة التعبير المشترك بالتفصيل، وتحليل الانحرافات بين الوحدات، وقدمنا لمحة عامة موجزة عن الخطوات في الإجراء المطبق للحصول على الأنواع الأساسية في شبكات الوحدات المختلفة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. تنزيل البيانات

  1. تحميل البيانات من الانضمام PRJNA386367 شكل قاعدة بيانات NCBI. من بيانات الانضمام PRJNA386367، حدد بيانات ميكروبيوم رهيزوسفير ورهيزوبلان والاندوسفير من نباتات الأرز التي نمت لمدة 14 أسبوعا في حقل أرباكل المغمور في أربوكل، كاليفورنيا في عام 2014.
    ملاحظة: تم عرض بيانات الميكروبيوم الخاصة ب rhizosphere و rhizoplane و الميكروبيوم المحيط المحيطي من قبل جدول OTUs في الانضمام PRJNA386367.

2. تحديد قيمة الطاقة الأمثل

ملاحظة: تحتوي حزمة WGCNA على كافة المعلمات الوظيفية التالية. WGCNA هو حزمة R لتحليل شبكة الارتباط المرجح. تشير خطوط الأوامر الرئيسية إلى الملحق S1.

  1. في بيئة اللغة R، افتح برنامج Rstudio وتثبيت حزمة WGCNA.
  2. تحميل البيانات واستخدام الدالة goodSamplesGenes للتحقق من صحة البيانات. تنفيذ أسطر الأوامر:
    "gsg = goodSamplesGenes(datExpr0، مطول = 3)
    gsg $allOK "
    انقر فوق تشغيل.
  3. تحقق من القيم المتطرفة وتخزين العينات التي تلبي المتطلبات. عندما تكون نتيجة التحقق TRUE، تابع إلى الخطوة التالية. حفظ النتيجة.
  4. استخدم الدالة PickSoftThreshold لحساب الفهرس R2 الخالي من المقياس من مجموعتي البيانات ضمن قيم طاقة مختلفة. تنفيذ سطر الأوامر:
    "sft = pickSoftThreshold(datExpr0، powerVector = القوى، مطول = 5)"
    انقر فوق تشغيل.
  5. تصور النتائج (الشكل 1). تنفيذ سطر الأوامر:
    "مؤامرة (sft $fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
    xlab ="العتبة الناعمة (قوة)",ylab="مقياس طبولوجيا حرة نموذج صالح,موقع R ^2",type="n",
    الرئيسية = لصق("ES_Scale الاستقلال"))؛
    text(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
    تسميات = القوى، cex = cex1، col ="أحمر")؛
    abline(h=0.9,col="أحمر")
    مؤامرة (sft $fitIndices[,1], sft $fitIndices[,5],
    xlab ="العتبة الناعمة (قوة)",ylab="متوسط الاتصال", اكتب ="n",
    الرئيسي = لصق("ES_Mean الاتصال"))
    text(sft$fitIndices[,1], sft$fitIndices[,5], التسميات =القوى, cex=cex1,col="red")"
    انقر فوق تشغيل.
    ملاحظة: فرضية خوارزمية شبكة الارتباط المرجح هو أن بنية شبكة التعبير المشترك المنشأة تتوافق مع معايير معيار الطوبولوجيا الخالي من المقياس، مما يزيد من متانتها. يشير فهرس خال من المقياس أقرب إلى 1 إلى بنية شبكة اتصال أقرب إلى الشبكة الخالية من المقياس.
  6. حدد قيمة الطاقة عندما يكون الفهرس R2 الخالي من المقياس مربع أكبر من 0.9 ثم انتقل إلى الخطوة التالية من التحليل.
    ملاحظة: عندما يكون الفهرس الخالي من المقياس قريبا من 1، تكون بنية الشبكة أقرب إلى الشبكة الخالية من المقاييس. عند تحليل شبكتين أو أكثر، من الضروري اختيار جعل كل شبكة قريبة من قيمة الطاقة للشبكة الخالية من النطاقات لتلبية إمكانية المقارنة بين الشبكات المشتركة.

3. بناء شبكة التعبير المشترك وتحديد وحدة

ملاحظة: استنادا إلى قيمة الطاقة المحسوبة أعلاه، يتم إنشاء شبكة التواجد المشترك. تشير خطوط الأوامر الرئيسية إلى الملحق S2.

  1. استخدم دالة التجاور في حزمة WGCNA لإضافة معلمات موقعة لإنشاء شبكة مشاركة رمزية. تنفيذ سطر الأوامر:
    "التجاور = التجاور (datExpr0، الطاقة = softPower)"
    انقر فوق تشغيل.
  2. تطبيق الدالة TOM-التشابه لتطوير شبكة تداخل طوبولوجية وحساب شبكة الاختلاف. تنفيذ سطر الأوامر:
    "توم = التجاور(التجاور)؛
    ديستوم = 1-توم"
    انقر فوق تشغيل.
    ملاحظة: تمت إضافة المعلمة الموقعة لتعيين نوع شبكة اتصال تراكب الطوبولوجيا.
  3. استخدم الدالة hclust لتحديد أسلوب التجميع الهرمي للربط المتوسط للتكتل الهرمي. تنفيذ سطر الأوامر:
    "geneTree = hclust (as.dist(dissTOM)، طريقة = "متوسط")؛
    انقر فوق تشغيل.
  4. استخدام وظيفة cutreeDynamic لأداء قطع فرع الحيوية وتعيين المعلمة minClusterSize إلى 30. الحصول على نتيجة التعرف على الوحدة النمطية. تنفيذ سطر الأوامر:
    "dynamicMods = cutreeDynamic(dendro = geneTree، distM = dissTOM، deepSplit = 2، pamRespectsDendro = FALSE، minClusterSize = minModuleSize)؛ "
    انقر فوق تشغيل.
    ملاحظة: قد لا يكون الحد الأدنى لحجم الوحدة النمطية أقل من 30.
  5. حساب الوحدة eigen من كل وحدة OTUs بواسطة moduleEigenes دالة. تنفيذ سطر الأوامر:
    "MEList = moduleEigenes(datExpr0، ألوان = ألوان ديناميكية)
    MEs = MEList $eigengenes"
    انقر فوق تشغيل.
    ملاحظة: تمثل الوحدة النمطية eigen مستوى التعبير OTU الكلي في الوحدة النمطية. لم يكن وحدة وحدة الإرسال الكبرى محددة، ولكن العنصر الرئيسي الأول لكل كتلة التي تم الحصول عليها عن طريق تحليل قيمة الشبكة المفرد.
  6. قم بأداء وظيفة الكتلة استنادا إلى معامل الارتباط للوحدة eigen. استخدم دالة mergeCloseModules لدمج الوحدات النمطية بقيمة أقل من 0.25. تنفيذ سطر الأوامر:
    "دمج = mergeCloseModules (datExpr0، الألوان الديناميكية، cutHeight = MEDissThres، مطول = 3)"
    انقر فوق تشغيل.
  7. وأخيرا، استخدم الدالة plotDendroAndColors التصور للحصول على الرسم التخطيطي عرض تعيين الوحدة النمطية لكل شبكة التعبير المشترك(الشكل 2). استخدم دالة الجدول لاستخراج إسناد الوحدة النمطية المطابق لكل OTin جدول تعيين الوحدة النمطية. تنفيذ سطر الأوامر:
    "plotDendroAndColors (geneTree،mergedColors، "ديناميكية مدمجة"، dendroLabels = FALSE،
    تعليق = 0.03، إضافةجويد = TRUE، guideHang = 0.05،
    الرئيسي = "ES_Gene dendrogram وألوان وحدة")"
    انقر فوق تشغيل.
    ملاحظة: في الرسم التخطيطي تعيين الوحدة النمطية شبكة التعبير المشتركة تمثل ألوان مختلفة الوحدات النمطية المختلفة، ويمثل الرمادي OTUs التي لا يمكن تصنيفها إلى أي وحدة نمطية. يشير عدد أكبر من وحدات OTUs في الوحدة النمطية الرمادية إلى أن جودة المعالجة المسبقة لمصفوفة التعبير في مرحلة مبكرة ضعيفة.

4. مقارنة الوحدة

ملاحظة: يمكن استخدام هذه الطريقة لمقارنة وحدات الشبكة لمجتمعين ميكروبيين إيكولوجيين. في هذه المقالة، قارن الاختلافات بين وحدات الشبكة الميكروبية بين الغلاف المحيطين ورهيزوبلان، والغلاف المحيطي ورهيزوسفير، ورهيزوبلان.

  1. اختبار الحفظ
    1. تحميل المعلمات والنتائج من مجموعتي البيانات المحفوظة في الخطوات السابقة.
    2. تعيين نتيجة تعيين الوحدة النمطية للشبكة لمجموعة من البيانات الميكروبية كمجموعة مرجعية، بينما المجموعة الأخرى كمجموعة اختبار.
    3. استخدم دالة modulePreservation لحساب قيم المعلمات الإحصائية المحافظة Z_summary و medianRank. تنفيذ سطر الأوامر:
      "system.time({mp=modulePreservation(multiExpr,
      متعدد الألوان، referenceNetworks = 1،
      nالتكفير =100, عشوائيSeed=1,quickCor=0,مطول=3)})"
      انقر فوق تشغيل.
      ملاحظة: يمكن قياس هذه النتيجة المحافظة بين الوحدات النمطية. Z_summary>10 يشير إلى أن وحدتين يتم الحفاظ عليها بشكل كبير، في حين أن Z_summary<2 يشير إلى وحدات غير محفوظة. medianRank يعبر عن الحفاظ النسبي للوحدة تقييمها حسب الترتيب. تشير القيم المتوسطة الأعلى إلى الوحدات النمطية غير المحفوظة. (خطوط الأوامر الرئيسية تشير إلى الملحق S3.)
    4. استخدم وظيفة الرسم لتصور النتائج (الشكل 3). الحصول على المعلمات Z_summary و المتوسطالنضومتر (الجدول 1).
      ملاحظة: وحدات الشبكة التي تفي كل من قيمة Z_summary أقل من 2 وقيمة الرتبة المتوسطة في الأعلى، هي الوحدة النمطية الأكثر غير المحفوظة في مجتمعين ميكروبيين إيكولوجيين.
    5. استنادا إلى نتائج المعلمات الإحصائية المذكورة أعلاه لتحديد وحدة نمطية مع معظم وحدة غير محفوظة للغاية من الشبكتين.
  2. تحليل الارتباط لعضوية الوحدة النمطية
    1. تعيين نتائج تعيين الوحدة النمطية لشبكتي تم تعيين كمرجع ومجموعة الاختبار على التوالي.
      ملاحظة: يجب أن تكون الإعدادات هي نفسها اختبار Preservation.
    2. استخدم الدالة corPvalueStudent لاستخراج قيمة kME (عضوية الوحدة النمطية) لكل وحدة الإرسال الكبرى في عدة وحدات نمطية المرشح.
      تنفيذ سطر الأوامر:
      "Pvalue = as.data.frame (كوربفالويسستودنت(as.matrix
      (وحدة عضو)، عينات)"
      انقر فوق تشغيل.
      ملاحظة: kME تعني درجة عضوية الوحدة النمطية. ME لتقف على وحدة eigen، والذي يمثل المستوى العام للتعبير وحدة الوحدة في وحدة نمطية. kME هو معامل الارتباط بين كل وحدة حرارية بريطانية و ME. تحديد أهمية وحدة الإرسال الكبرى في الشبكة حسب قيمة kME ل OTU. (خطوط الأوامر الرئيسية تشير إلى الملحق S4.)
    3. ثم استخدم الدالة مطولةScatterplot لحساب معامل الارتباط قيمة kME من OTUs المقابلة في الشبكتين ورسم الرسم التخطيطي تحليل الارتباط(الشكل 4).
      تنفيذ سطر الأوامر:
      "مطولالكاتربيرلوت (القيمة المطلقة(TModuleMembership
      [TmoduleGenes, تكولومن]),
      القيمة المطلقة (NModuleMembership[NmoduleGenes, نكولومن]),
      xlab = لصق ("kME في" ، "ES") ،
      ylab = لصق ("kME في" ، "RP") ،
      الرئيسي = لصق("lightyellow") ،
      cex.main = 1.7، cex.lab = 1.6، cex.axis = 1.6، col = وحدة تلوين)"
      انقر فوق تشغيل.
    4. حدد الوحدة النمطية ذات معامل الارتباط الأصغر لقيمة kME لوحدة الإرسال الكبرى للشبكتين. خذ بعين الاعتبار هذه الوحدة النمطية أن يكون أكبر فرق بين شبكتي الاتصال.

5. تحليل وحدة الشبكة التفاضلية الميكروبية

  1. الحصول على بيانات البكتيريا المهيمنة phyla من خلال التحليل الإحصائي لمجموعة تسلسل وحدة الوحدة مع أكبر الفرق.
    ملاحظة: يتم تلخيص مجموعة تسلسل وحدة الوحدة النمطية مع الفرق الأكبر بواسطة تصنيف phyla. شكلت البكتيريا المهيمنة فيلا أكثر من 10٪.
  2. ثم استخدم الدالة exportNetworkToCytoscape للحصول على الملف الذي يحتوي على معلومات علاقة التفاعل من وحدة الإرسال الكبرى في الوحدة النمطية التفاضلية أكبر.
    تنفيذ سطر الأوامر:
    "cyt = التصديرNetworkToCytoscape(modTOM،
    edgeFile = لصق ("NEW-ES_CytoscapeInput-الحواف-", وحدات , ".txt", sep =""),
    nodeFile = لصق ("NEW-ES_CytoscapeInput-العقد-", وحدات نمطية, ".txt", sep=")
    مرجح = TRUE، عتبة = 0.5، العقدةأسماء = modProbes،
    altNodeNames = modGenes، العقدةمتغير = وحدة ألوان [inModule])"
    انقر فوق تشغيل.
  3. استيراد الملف إلى Cytoscape. تعيين العتبة إلى 0.5 وضبط المعلمات الأخرى حسب الحاجة.
  4. بناء شبكة مشتركة من الكائنات الحية الدقيقة التفاضلية (الشكل 5).
  5. الحصول على معلومات من جنس الأساسية التي لها أهم دور تنظيمي في الشبكة.
    ملاحظة: وفقا لقيمة kME OUT، يمكن تعريف جنس الأساسية.
  6. وأخيرا، تم تقييم وظائف الجنس الأساسي وتحليل تأثيره على شبكة الفرق بأكملها.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تحميل النتائج التمثيلية في هذه المقالة من 2014 كاليفورنيا Abaker الأرز الجذر الميكروبيوم البيانات في قاعدة بيانات NCBI (PRJNA386367)9. وتشمل البيانات عينات الميكروبيوم من نباتات الأرز التي تزرع لمدة 14 أسبوعا في حقل أرز مغمور بالمياه. استخدمنا خوارزمية WGCNA لتحديد قيمة الطاقة التي تلبي الشبكات الثلاث التي كانت قريبة من الشبكة الخالية من النطاق(الشكل 1)وطورنا ثلاث شبكات تعبير مشترك(الشكل 2). وفي المحيطي، تم تحديد شبكة التعبير المشترك ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد استخدمت شبكات الارتباط بشكل متزايد في تطبيقات المعلوماتية الحيوية. WGCNA هو أسلوب بيولوجيا النظم للتحليل الوصفي للعلاقات بين العناصر المختلفة للنظام البيولوجي12. تم استخدام حزمة برامج R في العمل في وقت سابق على WGCNA13،14،15. وتشمل الحزمة وظائف لبناء الشبكة ، والكشف عن وحدة ، وحسابات الخصائص الطوبولوجية ، ومحاكاة البيانات ، والتصور ، والقدرة على التفاعل مع البرامج الخارجية. وقد تم استخدام WGCNA على نط...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وليس لدى صاحبي البلاغ ما يكشفان عنه.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم تطوير هذه المخطوطة بأموال من المؤسسة الوطنية للعلوم الطبيعية التابعة لمشروع مركز أبحاث العلوم في حكومة إقليم الصين-قويتشو (U1812401)، ومشروع أبحاث الدكتوراه في جامعة قويتشو العادية (GZNUD[20). 17]1)، مشروع دعم العلوم والتكنولوجيا في مقاطعة قويتشو (QKHZC[2021]YB459) ومشروع العلوم والتكنولوجيا في قوييانغ([2019]2-8).

ويود المؤلفون أن يشكروا إدواردز ج. أ. وآخرين على توفير بيانات ميكروبيوم الأرز في قواعد البيانات العامة والدعم المقدم من TopEdit (www.topeditsci.com) على مساعدته اللغوية أثناء إعداد هذه المخطوطة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
R4.0.2R من جامعة أوكلاندهو بيئة برمجية مجانية للحوسبة الإحصائية والرسومات. يتم تجميعها وتشغيلها على مجموعة متنوعة من منصات UNIX و Windows و MacOS.
RStdioJJ Allaireالإصدار 1.4.1103RStudio IDE عبارة عن مجموعة من الأدوات المتكاملة المصممة لمساعدتك على أن تكون أكثر إنتاجية مع R و Python.
الإصدار 3.7.1من Cytoscapeهو نظام أساسي برمجي مفتوح المصدر لتصور الشبكات المعقدة ودمجها مع أي نوع من بيانات السمات.
قاعدة بياناتالوطني للتكنولوجيا الحيوية يعمل المركز الوطني لمعلومات التكنولوجيا الحيوية على تطوير العلوم والصحة من خلال توفير الوصول إلى المعلومات الطبية الحيوية والجينية.
الإصدار المركز

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. Fierer, N. Embracing the unknown: disentangling the complexities of the soil microbiome. Nature Review Microbiology. 15 (10), 579-590 (2017).
  3. 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).
  4. Ma, B., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12 (10), 2492-2505 (2018).
  5. de Vries, F. T., et al. Soil bacterial networks are less stable under drought than fungal networks. Nature Communications. 9 (1), 3033(2018).
  6. Colin, C., et al. Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis. Carcinogenesis. (10), 2300-2308 (2013).
  7. Ma, B., Zhao, K., Lv, X., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12, 2492-2505 (2018).
  8. Zhang, B., Horvath, S. A general framework for weighted gene co-expression network analysis. Statistical applications in genetics and molecular biology. 4 (1), (2005).
  9. 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).
  10. 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).
  11. Lovley, D. R., et al. Geobacter: The Microbe Electric's Physiology, Ecology, and Practical Applications. Advances in Microbial Physiology. 59, 1(2011).
  12. Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9, 559(2008).
  13. 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).
  14. Horvath, S., Dong, J. Geometric interpretation of Gene Co-expression Network Analysis. PLoS Computational Biology. 4 (8), 1000117(2008).
  15. Langfelder, P., Horvath, S. Eigengene networks for studying the relationships between co-expression modules. BMC Systems Biology. 1, 54(2007).
  16. 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).
  17. Carlson, M. R., et al. and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks. BMC Genomics. 7 (1), 40(2006).
  18. Fuller, T., et al. Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight. Mammalian Genome. 6 (18), 463-472 (2007).
  19. 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).
  20. 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).
  21. Oldham, M. C., et al. Functional organization of the transcriptome in human brain. Nature Neuroscience. 11 (11), 1271-1282 (2008).
  22. 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).
  23. 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).
  24. Jorda´n, F. Keystone species and food webs. Biological Sciences. 364, 1733-1741 (2009).
  25. Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I. Host-Bacterial Mutualism in the Human Intestine. Science. 307, 1915-1920 (2009).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Weighted Correlation NetworkMicrobial Co OccurrenceWGCNA AlgorithmRice Root SystemMicrobial CommunityNetwork Module AnalysisHierarchical ClusteringPreservation TestCytoscape Export

مقالات ذات صلة