اختلاف ميكروبيوتا الجذر في الموائل المختلفة على أساس شبكات الارتباط المرجح
سبتمبر 25, 2021
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.
يمكن لهذه الطريقة استكشاف العلاقة التفاعلية أو شبكة التواجد المشترك لمختلف الأنواع الميكروبية في بيئات مختلفة. وهو يوفر تفاصيل حول كيفية استخدام خوارزمية WGCNA لبناء شبكة مشتركة من الكائنات الحية الدقيقة. وبالإضافة إلى ذلك، واستنادا إلى النتائج، تقيم هذه الطريقة تمايز العلاقات الميكروبية وتكوينها بين الاتحادات الميكروبية.
هنا هو التدفق الأساسي للطريقة. يتم تحميل بيانات تكوين وفرة الكائنات الحية الدقيقة من قاعدة بيانات NCBI أو بيانات التسلسل لعيناتك. أولا، افتح برنامج RStudio وتثبيت حزمة WGCNA.
ثم قم بتحميل البيانات واستخدام وظيفة الجينات عينات جيدة للتحقق من صحة البيانات. تحقق من القيم المتطرفة وتخزين العينات التي تلبي متطلباتنا. عند تحقق النتيجة true، تابع إلى الخطوة التالية.
حفظ النتيجة. استخدم الدالة عتبة اللقطات لحساب الفهرس الحر للمقياس، R^2، للبيانات تحت قيم طاقة مختلفة. تصور النتائج.
عندما يكون الفهرس الحر للمقياس أقرب إلى واحد، تكون بنية الشبكة أقرب إلى الشبكة الحرة للمقياس. عندما يكون الفهرس الحر للمقياس، R^2، أكبر من 0.9، حدد قيمة الطاقة. وأخيرا، استخدم نفس الطريقة لتحليل بقية بيانات الميكروبيوم.
أولا، استخدم دالة التجاور لإنشاء شبكة رمزية مشتركة. بالإضافة إلى ذلك، استخدم وظيفة التشابه TOM لتطوير شبكة طوبولوجية متداخلة. ثانيا، استخدم الدالة Hclust لتنفيذ التجميع الهرمي ورسم شجرة الكتلة الناتجة.
ثالثا، استخدم الدالة الديناميكية لطيف لتنفيذ قطع فرع الحيوية واستخدام المعلمة حجم الكتلة دقيقة لتعيين أصغر حجم وحدة نمطية. يتم تعيين أصغر حجم وحدة نمطية عادة أكثر من 30. رابعا، حساب الخصائص الميكروبية لكل وحدة.
يتم تنفيذ التجميع الهرمي وفقا لمعامل الارتباط، وتم دمج وحدات بارتفاع أقل من 0.25 للحصول على توزيع كل وحدة نمطية. خامسا، استخدم وظيفة dendro المؤامرة والألوان لتصور النتائج. يتم الحصول على الرسم التخطيطي لعرض التعيين للوحدة النمطية لشبكة الاتصال المشتركة.
ثم إعادة تسمية ألوان الوحدة النمطية وإنشاء تسميات رقمية المطابقة للألوان. حفظها للاستخدام في الأجزاء اللاحقة. وأخيرا، كرر العملية أعلاه كذلك بالنسبة إلى مجموعات أخرى من البيانات.
في هذا الجزء، قارن و حلل مجموعتي البيانات و قم بإجراء اختبار الحفظ. أولا، قم بتحميل معلمات ونتائج مجموعتي البيانات المحفوظة في الخطوات السابقة. ثم قم بتعيين نتائج الوحدة النمطية لمجموعة بيانات واحدة كمجموعة مرجعية، وأخرى كمجموعة اختبار وإجراء مقارنة الوحدة النمطية.
بعد ذلك، احسب قيم المحافظة والمعلمات الإحصائية وملخص Z والرتبة الوسيطة لتحديد المحافظة بين الوحدات. وأخيرا، تصور النتائج. تحديد الوحدة النمطية للشبكة التي تفي كل من قيمة ملخص Z أقل من اثنين وقيمة الرتبة المتوسطة في الأعلى.
هذه الوحدة النمطية هي الوحدة النمطية الأكثر غير المحفوظة في البيانات الميكروبيوتا اثنين. إجراء تحليل الارتباط عضوية الوحدة النمطية. تعيين نتائج تعيين الوحدة النمطية لشبكتين كمرجع ومجموعة الاختبار على التوالي.
يجب أن تكون الإعدادات هي نفسها مثل اختبار الحفظ. أولا، تم حساب قيمة KME لكل وحدة من وحدات OTU في العديد من الوحدات المرشحة استنادا إلى نتائج اختبار الحفظ. خذ الوحدة النمطية الصفراء كمثال.
حساب معامل الارتباط لقيمة KME في الوحدات النمطية صفراء اثنين ثم رسم الرسم التخطيطي تحليل الارتباط قيمة KME في الوحدة النمطية. وأخيرا، وفقا لمعامل الارتباط في الشكل، قم بالحكم على تحفظ الوحدة النمطية في مجموعتي البيانات. حدد الوحدة النمطية التي بها معامل ارتباط أصغر.
أولا، استخدم شبكة التصدير إلى وظيفة Cytoscape لتصدير الشبكة إلى ملف قائمة الحافة والعقدة التي يمكن أن يقرأ Cytoscape. ثم استيراد الملف إلى Cytoscape. تعيين العتبة إلى 0.5 وضبط المعلمات الأخرى حسب الحاجة.
وأخيرا، الحصول على شبكة مشتركة من الكائنات الحية الدقيقة المختلفة. في هذه المقالة، يتم استخدام خوارزمية WGCNA لتحليل الاختلافات في ثلاثة منافذ لنظام جذر الأرز. حدد قيمة الطاقة التي تفي بالشبكات الثلاث القريبة من الشبكة الحرة للمقياس.
في المحيطي، رهيزوبلان، وشبكة الحدوث الميكروبية رهيزوسفير، تحديد 23 و 22 و 21 نماذج على التوالي. استخدم اختبار الحفظ وتحليل الارتباط للعثور على الوحدات غير المحافظة للغاية بين كل مكانين من نظام جذور الأرز. إنشاء شبكة تكرار مشترك لهذه الوحدات الثلاث باستخدام ألوان مختلفة لتمثيل فيلوم ميكروبي مختلف.
سيطرت البروتيوباكتيريا وأكتينوباكتيريا والبكتيريا وفيرميكتس وفيركوميكروبيا على الشبكات الميكروبية الثلاث المختلفة. وعلاوة على ذلك، فإن 17 جنسا أساسيا تنظم هذه الشبكات أساسا. بعد مشاهدة هذا الفيديو، يجب أن يكون لديك فهم جيد لكيفية تنفيذ سلسلة من الخطوات لاستخدام خوارزمية WGCNA لتحليل شبكات التواجد المشترك المختلفة التي قد تحدث في المجتمعات الميكروبية بسبب بيئات بيئية مختلفة.
اعرض النص الكامل واحصل على الوصول إلى آلاف الفيديوهات العلمية
نظرة عامة
تبحث هذه الدراسة في العلاقات التفاعلية داخل مختلف المجتمعات الميكروبية البيئية، مع التركيز بشكل خاص على بيئات التربة والمياه والجذر. باستخدام خوارزمية WGCNA، يوضح البروتوكول الخطوات اللازمة لبناء وتحليل شبكات التواتر المشترك للمجاميع الميكروبية عبر مختلف المنافذ البيئية.
مكونات الدراسة الرئيسية
منطقة البحث
- علم البيئة الميكروبية
- تحليل الشبكة
- شبكات التواتر المشترك
الخلفية
- فهم التفاعلات الميكروبية في بيئات مختلفة
- أهمية المجتمعات الميكروبية في النظم البيئية
- تطبيق WGCNA لتحليل الشبكة
الطرق المستخدمة
- خوارزمية WGCNA لبناء الشبكة
- بيانات المجتمع الميكروبي من NCBI
- التحليل الإحصائي والتصور في RStudio
النتائج الرئيسية
- تم تحديد 23 و 22 و 21 وحدة في شبكات المحيط الداخلي والسطح الجذري والجذر
- هيمنة بكتيريا محبة الحماية، Actinobacteria، Bacteroidetes، Firmicutes، و Verrucomicrobia لوحظت
- الجنس الأساسي الذي يمارس التنظيم على الشبكات الميكروبية
الاستنتاجات
- توضح هذه الدراسة فائدة WGCNA في تحليل شبكات التواتر المشترك للمجاميع الميكروبية عبر مختلف المنافذ.
- تساهم النتائج في فهم تعقيد المجتمعات الميكروبية في البحوث البيئية.
الأسئلة المتداولة
Executive Industry Relevance
Weighted correlation network analysis (WGCNA) enables biopharma teams to dissect complex microbial community interactions, supporting predictive modeling of environmental or host-associated microbiomes. This approach enhances mechanistic de-risking and target validation by quantifying network divergence and identifying core regulatory taxa across distinct ecological niches. Integrating such network analytics into discovery pipelines informs translational strategies and portfolio prioritization for microbiome-targeted interventions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of microbial interaction networks to clarify ecological drivers and regulatory taxa.
- Supports biological de-risking by quantifying divergence and conservation of microbial modules across environments.
- Facilitates predictive confidence in target selection by identifying core genera with regulatory influence.
Screening & Assay Development
- Prepares validated microbial community datasets for downstream functional screening or perturbation studies.
- Standardizes network module identification, supporting reproducibility and quantitative comparison across conditions.
- Enables scalable analysis of co-abundance patterns for robust assay development.
Translational & Preclinical Research
- Aligns microbial network features with disease-relevant or environmental adaptation models when supported by data.
- Supports continuity from ecological discovery to preclinical validation of microbiome-based interventions.
- Provides mechanistic insights for risk-adjusted advancement of microbiome targets.
Pipeline & Workflow Integration
WGCNA-based network analysis fits within the discovery-to-preclinical continuum, enabling hypothesis testing, target prioritization, and translational alignment for microbiome R&D.
- Discovery Biology: Quantifies network divergence and module conservation to clarify microbial community structure and function.
- Screening: Delivers reproducible module assignments and quantitative outputs for comparative analysis.
- Analytics: Provides statistical measures (e.g., Z summary, median rank) to benchmark network preservation and module distinctiveness.
- Translational Research: Supports mapping of core genera to functional or disease-relevant outcomes when data permit.
- Enterprise Reuse: Establishes a reusable analytic framework for diverse microbiome datasets and environments.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in microbiome target validation.
- Operational Value: Standardizes network analysis workflows for reproducibility and scalability across projects.
- Strategic Value: Informs go/no-go decisions and capital allocation by quantifying network divergence and core taxa.
- Portfolio Impact: Enables risk-adjusted prioritization of microbiome targets and interventions.
Implementation Considerations
- Requires expertise in R, network analysis, and microbial ecology.
- Needs computational infrastructure for large-scale data processing and visualization (e.g., Cytoscape).
- Demands cross-team standardization of data quality checks and module assignment parameters.
- Adaptation across different host or environmental microbiomes may require parameter tuning.
- Interpretation of network modules should be grounded in ecological or functional context supported by data.
Biopharma FAQs
Chapters in this video
0:06
Introduction
0:46
I. Data Download
1:05
II. Optimal Power Value Determination
2:38
III. Construction of a Co-Expression Network and Module Identification
4:25
IV. Preservation Test
5:44
V. Correlation Analysis of the Module Membership
6:55
VI. Analysis of the Microbial Flora in the Microbial Differential Network Module
7:43
Resuts: Analysis of Differences in Rice delavayi Root Microbial Communities Based on Weighted Co‐Expression Network
9:18
Conclusion
