Dieser Bericht beschreibt eine Methode, bei der ein R-Skript in der Open-Source-Software RStudio verwendet wird, um großräumige Datensätze zu analysieren, die aus Zeitreihenexperimenten gewonnen wurden.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Methodenartikel
Eine benutzerfreundliche und leistungsstarke R-Analyse von großräumigen Datensätzen
In diesem Artikel
Zusammenfassung
Zusammenfassung
Große Datensätze sind im wissenschaftlichen Bereich immer häufiger anzutreffen. Es ist wichtig, benutzerfreundliche Werkzeuge zu entwickeln, die es Forschern ermöglichen, diese großen Datensätze einfach zu analysieren. Hier stellen wir eine Methode vor, die ein R-Skript in der Open-Source-Software RStudio verwendet, um großräumige Datensätze zu analysieren, die aus Zeitreihenexperimenten gewonnen wurden. Diese Methode erfordert nur minimale Eingaben eines Benutzers, sodass auch Anfänger, die nicht über R-Vorkenntnisse oder Programmiererfahrung verfügen, sie verwenden können. Die detaillierten Anweisungen, die hier und im R-Skript beschrieben werden, führen den Benutzer weiter durch die Verwendung der Methode. Die Eingabedaten und die Ausgabeergebnisse werden im selben Ordner eines lokalen Computers gespeichert, so dass die Analyse überall und jederzeit durchgeführt werden kann. Die Ausgabeergebnisse sind zur einfachen Interpretation in Ordnern organisiert und können bequem verarbeitet werden, um Zahlen für Publikationen zu generieren. Diese Methode wurde erfolgreich zur Analyse von circadianen Uhrendaten und reaktiven Sauerstoffspezies-Burst-Daten eingesetzt, die beide großräumige Datensätze aus Zeitreihenexperimenten in einem 96-Well-Plattenformat enthalten. Wir glauben, dass diese Methode eine einfache und leistungsstarke Lösung für Forscher bei der Analyse ähnlich großer Datensätze bietet, die durch Zeitreihenexperimente gewonnen wurden.
Einleitung
Mit der zunehmenden Verfügbarkeit großer Datensätze im wissenschaftlichen Bereich ist es wichtig, benutzerfreundliche Werkzeuge zu entwickeln, die es Forschern ermöglichen, diese großen Datensätze schnell und genau und einfach zu analysieren. Eine Art des üblichen großen Datensatzes stammt aus der Verwendung des Luciferase-Gens als Reporter, der eine einfache, kontinuierliche und nicht-invasive Untersuchung der Genexpression in lebenden Zellen und Organismen ermöglicht hat. Die Automatisierung der Lumineszenzaufzeichnung hat die Messung der Luziferase-Lumineszenz verändert und zu einer Ausweitung der Datenerfassung insbesondere im zirkadianen Uhrenfeld geführt 1,2. Mit 96-Well-Mikrotiterplatten und einem automatischen Plattenleser mit Stapler können Tausende von Proben, die das Luciferase-Gen exprimieren, in einem Experiment einzeln in Zeitreihen untersucht werden, manchmal in einstündigen Intervallen für Tage. Solche Hochdurchsatz-Experimente haben zur Produktion großer Datensätze geführt, die herkömmliche Genexpressionsexperimente mit Handprobenentnahme, gefolgt von RNA-Verarbeitung, unmöglich erreichen könnten. Die zeitnahe Analyse solch großer Datensätze ist wichtig, kann aber auch eine Herausforderung darstellen.
Obwohl es eine Fülle von Werkzeugen gibt, um Daten auf Rhythmizität zu analysieren, analysieren viele der Werkzeuge verhaltensbasierte Assays von Tieren und nicht die Expression von Lumineszenzreportern 3,4,5,6,7 (Ergänzende Tabelle S1). Einige Tools setzen voraus, dass Forscher über Vorkenntnisse in der Computerprogrammierung verfügen, z. B. Python-Kenntnisse oder Zugang zu MATLAB. Andere Tools erfordern den Kauf von Software, was kostspielig sein kann. Einige kostenlose, praktikable Lösungen sind online verfügbar. Eines dieser Tools ist BioDare28, das eine Vielzahl verschiedener Methoden zur Analyse von Rhythmizitätsdaten bietet. BioDare2 ist ein benutzerfreundliches Online-Tool und erfordert nur minimale Rechenkenntnisse. Benutzer müssen die Dateneingabe online hochladen und die Datenausgabe von der Online-Schnittstelle zur weiteren Verarbeitung herunterladen.
Hier stellen wir benutzerfreundliche R-Skripte mit mehreren Funktionen vor, mit denen Sie große Datensätze problemlos analysieren können. Wir verwenden die kostenlose Open-Source-Software RStudio9, eine Schnittstelle für R und Python, um die Skripte auszuführen. RStudio kann auf verschiedenen Computersystemen verwendet werden, einschließlich Windows, Mac und Linux. In diesem Bericht werden detaillierte schrittweise Anweisungen bereitgestellt, um Benutzer bei der Verwendung der R-Skripts zu unterstützen, insbesondere in den Protokollabschnitten 1 und 2. Diese Methode erfordert nur minimale Eingaben des Benutzers. Ein Anfänger, der keine R-Vorkenntnisse hat und keine Programmiererfahrung hat, soll in der Lage sein, die Methode zur Analyse großer Datensätze aus Luciferase-Assays oder anderen Arten von Datensätzen mit Zeitreihendaten zu verwenden. Alle Ein- und Ausgabedaten werden auf einem lokalen Rechner gespeichert, so dass eine Analyse überall ohne Einschränkung des Internetzugangs durchgeführt werden kann, sobald alle relevanten R-Pakete zum ersten Mal heruntergeladen wurden. Die Ausgabedaten werden in übersichtliche Ordner sortiert, deren Ergebnisse für die Verarbeitung für Veröffentlichungen bereit sind. Statistische Analysen sind ebenfalls Teil der Ausgabe, um eine schnelle Bewertung der Unterschiede zwischen den Stichproben zu ermöglichen. Daher könnte die R-Methode eine einfache und leistungsstarke Lösung für Forscher bei der Analyse großer Datensätze bieten.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
1. Luciferase-basierte Analyse der zirkadianen Uhr
- Versuchsaufbau für den Luciferase-Assay
HINWEIS: Der Luciferase-Assay ist eine gängige Methode, um die Aktivität der zirkadianen Uhr in Echtzeit zu messen. Die Lumineszenz, die vom Luciferase-Reporter emittiert wird, der von lebenden transgenen Organismen und/oder Zellen getragen wird, kann automatisch aufgezeichnet werden, was zur Erstellung großräumiger Zeitreihen-Datensätze führt. Unser Labor verwendet hauptsächlich Arabidopsis thaliana-Keimlinge, die das Luciferase-Gen exprimieren, als Reporter. Abbildung 1 und Abbildung 2 zeigen ein Flussdiagramm des typischen Versuchsaufbaus für den Luciferase-Assay mit Sämlingen in einem 96-Well-Format in unserem Labor, modifiziert auf der Grundlage einer früheren Beschreibung2.- Sterilisieren Sie die Samen mit Bleichdampf, der durch Zugabe von 3 ml 36 % (w/w) HCl zu 100 ml Hausbleiche in einem Becherglas für 3 Stunden erzeugt wird. Legen Sie den Becher in eine Glocke mit versiegeltem Deckel und stellen Sie ihn in einen chemischen Abzug. Nach der Sterilisation werden die Samen auf 1/2MS-Platten mit 0,5 % Saccharose und 0,8 % Agar (pH 5,7) mit einer sterilen Pasteur-Glaspipette in einem Laminar-Flow-Schrank plattiert. Sammeln Sie die chemischen Abfälle in einem Glas mit Deckel und entsorgen Sie sie in Zusammenarbeit mit dem institutionellen Umweltgesundheitsdienst.
- Stellen Sie die Platten 2 Tage lang bei 4 °C auf, bevor Sie sie in eine Gewebekulturkammer mit 12 h Licht- und 12 h Dunkellichtzyklus (LD) stellen.
- Lassen Sie die Sämlinge 4 Tage in LD wachsen.
- Übertragen Sie die Sämlinge auf eine 96-Well-Platte; Jede Vertiefung enthält 180 μl Testmedium (1/2 MS, 0,5 % Saccharose, 0,4 % Agar, 0,25 mM Luciferin). Legen Sie die Platten für 1 Tag in LD, gefolgt von 1 Tag in 24 h konstantem Licht (LL).
- Fügen Sie den Vertiefungen Behandlungen oder Scheinlösungen hinzu und zeichnen Sie die Lumineszenz in 1-Stunden-Intervallen für 5-7 Tage in LL auf. Stellen Sie die Emissionsfilterlinse auf 3.600 für die Verstärkung und die Messintervallzeit auf 1 s ein.
HINWEIS: Die Startzeit für die Aufnahme kann jederzeit sein. Da das R-Skript jedoch nur ganze Zahlen (ganze Zahlen) akzeptiert, müssen die Aufzeichnungsintervalle eine ganze Zahl sein. Beispielsweise ist ein Intervall von 1 h zulässig, aber ein Intervall von 15 Minuten ist für das R-Skript nicht zulässig. - Machen Sie am Ende der Aufnahme ein Foto von der Platte, um das Wachstum der Sämlinge aufzuzeichnen.
- Speichern Sie Rohdaten als CSV-Datei für die R-Analyse, indem Sie die Funktion "Speichern unter" mit der Datenanalysesoftware für den Plattenleser verwenden.
- Schrittweise Erklärung der R-Analyse von Luciferase-basierten zirkadianen Daten
HINWEIS: Für diese R-Analyse wird das R-Skript verwendetErgänzende Akte 1(LUC_2025.R), das für die zirkadiane Datenanalyse entwickelt wurde, und die EingabedateiErgänzende Akte 2(NO7.csv). Das R-Skript ist zusammen mit der Eingabedatei über die Online-Repository-Plattform Github (https://github.com/elvenfire29/Circadian-Luciferase-Analysis) öffentlich verfügbar.- Laden Sie die RStudio-Software herunter, die mit dem Computersystem 9,10 kompatibel ist.
- Laden Sie die RStudio-Algorithmuspakete herunter, die für die Ergänzungsdatei 1 (LUC_2025.R) erforderlich sind: MetaCycle11: ARSER-Algorithmus12 des MetaCycle-Pakets, ggplot213, dplyr14, magrittr15, stringr16, filesstrings17, circular18, AICcmodavg19 und broom20.
HINWEIS: Die Liste der Pakete finden Sie auch oben im R-Skript. - Ändern Sie die Benutzereingabe I (entsprechend einem bestimmten Datensatz auf einem lokalen Computer, einschließlich des Arbeitsverzeichnisses, des Namens der Eingabedatei, der Beschriftungen für die Behandlungen und der relativen Startzeit des Assays.
HINWEIS: Die Schritte 1.2.1 und 1.2.2 müssen nur einmal ausgeführt werden. Danach ist die RStudio-Schnittstellenkonsole bereit, Benutzereingaben entgegenzunehmen, mit Änderungen für jede neue Analyse. Der Abschnitt "Benutzereingabe" besteht aus zwei Teilen (Ergänzende Abbildung S1).- Wählen Sie das Arbeitsverzeichnis aus. Geben Sie an, wo sich die Eingabedatei befindet. Derselbe Ordner ist der Speicherort für die Ausgabedateien.
- Wählen Sie die Eingabedatei aus, eine CSV-Datei, die korrekt für das R-Skript formatiert ist (Abbildung 2B). Die oberste Zeile enthält die Zeitreihe, und die erste Spalte enthält einzelne Probenpositionen auf einer 96-Well-Platte.
HINWEIS: Ein Beispiel für eine solche CSV-Eingabedatei finden Sie in der Zusatzdatei 2 (NO7.csv). - Benennen Sie die Proben und/oder Behandlungen. Da diese Analyse für Daten aus 96-Well-Einstellungen mit einem Zeitverlauf verwendet wird, planen Sie die Experimente als 8 Replikate pro Behandlung für insgesamt bis zu 12 Behandlungen pro Platte oder als 12 Replikate pro Behandlung für insgesamt bis zu 8 Behandlungen pro Platte. Stellen Sie sicher, dass Sie die richtige Anzahl von Stichproben eingeben, entweder 8 oder 12, da die Stichprobenzahl zählt. Wenn die Stichprobenanzahl nicht 8 oder 12 beträgt, wird der Code nicht ausgeführt. Wenn es jedoch Reihen mit leeren Vertiefungen gibt, listen Sie diese einfach als solche im Feld für Behandlungsnamen auf, z. B. als leer 1, leer 2...
HINWEIS: Bei Beispielnamen sollte die Verwendung von umgekehrten Schrägstrichen oder ähnlichen Symbolen vermieden werden, da diese Probleme mit Dateinamen verursachen können. Darüber hinaus sollte man auch vermeiden, "NA" als Beschriftung zu verwenden, wenn man sich für die Verwendung von ANOVA in der Benutzereingabe II entscheidet. Alle Behandlungen mit dem exakt gleichen Namen werden zu einer großen Behandlungsgruppe zusammengefasst. - Geben Sie die relative Startzeit für den Assay an. Für einen gegebenen Tag von 24 Stunden ist die subjektive Morgendämmerung, wenn das Kammerlicht während eines normalen Hell-Dunkel-Zyklus eingeschaltet wird. Wenn zum Beispiel um 7 Uhr morgens Licht an ist, betrachten Sie diese Zeit als die zirkadiane Zeit 0. Wenn ein Luciferase-Assay um 9 Uhr morgens beginnt, liegt die Assay-Zeit bei zirkadianer Zeit 2; Eingabe 2 als relative Startzeit.
HINWEIS: Die relative Startzeit muss eine ganze Zahl sein und darf nicht negativ sein. Dies wirkt sich auf die Phasenlesung der Proben aus.
- Ändern Sie die Optionen für die Benutzereingabe II nach spezifischen Bedürfnissen.
HINWEIS: Die folgenden Anweisungen enthalten eine detailliertere Erläuterung der Abschnitte für Benutzereingaben und eine Schritt-für-Schritt-Anleitung zum Vornehmen der Änderungen.- Fügen Sie Diagramme hinzu: Lumineszenzkurven, Diagramme für die Periode, Phase und Amplitude pro Genotyp und Behandlung.
- Verwenden Sie den ANOVA-Test mit dem Tukey HSD, um Behandlungen hinsichtlich Periode, Phase und Amplitude zu vergleichen. Wählen Sie ein Steuerelement für die ANOVA-Testausgabe aus. Geben Sie das Steuerelement für den ANOVA-Test an, oder lassen Sie die Option leer, um jede Behandlung als Kontrolle im paarweisen Vergleich zu verwenden. Alternativ können Sie auswählen, ob die ANOVA-Ausgabedateien nummeriert werden sollen, um eine schnellere Referenz und Organisation zu ermöglichen.
- Verwenden Sie einen t-Test, um Behandlungen hinsichtlich Periode, Phase und Amplitude zu vergleichen. Wählen Sie, ob der t-Test ein paarweiser Vergleich sein soll. Wenn ein paarweiser t-Test ausgewählt ist, wählen Sie aus, ob die Daten gekoppelt sind. Wählen Sie ein Steuerelement für den t-Test aus. Geben Sie das Steuerelement für den t-Test an, oder lassen Sie die Option leer, um jede Behandlung als Kontrolle zu verwenden. Wählen Sie aus, ob die t-Test-Ausgabedateien nummeriert werden sollen, um eine schnellere Referenz und Organisation zu ermöglichen.
HINWEIS: Dies sollte nur verwendet werden, um zwei Behandlungen gleichzeitig zu vergleichen, z. B. zwei Linien desselben Genotyps, denen entweder SA oder Mock hinzugefügt wurde. Die angezeigten p-Werte sind nicht angepasst, um Mehrfachvergleiche mit derselben Linie zu berücksichtigen. - Wählen Sie aus, ob die Zeitpunkte gerundet werden sollen. Wenn die Zeitpunkte nur um ein oder zwei Minuten abweichen, runden Sie auf die nächste Stunde, und verwenden Sie diese Analyse.
HINWEIS: Dieser Code berechnet die Periode, Phase und Amplitude mit der ARS-Methode12. Für diese Methode ist eine konsistente Zeitreihe in Stunden erforderlich, um ausgeführt zu werden. - Je nachdem, wie der Plattenleser Vertiefungen aufzeichnet, ändern Sie die Art und Weise, wie die Eingabe gelesen wird. Wählen Sie entweder die Standarddatenliste der Bohrlöcher nach A1, A2, A3... oder die für Brunnen, die nach A1, B1, C1 aufgelistet sind...
- Führen Sie die Analyse aus, indem Sie einfach auf die Schaltfläche Quelle in der oberen rechten Ecke der Konsole klicken.
HINWEIS: Die Analyse dauert weniger als 1 Minute. Die Ausgabe der R-Analyse wird automatisch im selben Dateiordner wie das Eingabe-Dataset angezeigt. - Ausgabe anzeigen: Der Ausgabeordner enthält mehrere Dokumente und Unterordner, um eine umfassende Analyse zu ermöglichen, einschließlich statistischer Informationen über die gemittelte Periode, Phase und Amplitude für Replikate jedes Genotyps und/oder jeder Behandlung.
HINWEIS: Für die Eingabedatei Supplemental File 2 (NO7.csv) ist eine Liste der Ausgabedokumente, die vom Skript Supplemental File 1 (LUC_2025.R) im Protokollabschnitt 1 generiert wurden, in Tabelle 1 beschrieben und kann bequem mit der Baumstruktur in der Supplemental Abbildung S2 angezeigt werden.
2. ROS-Assay auf Luminolbasis
- Versuchsaufbau für ROS-Assay
- Schneiden Sie Blattscheiben mit einem Durchmesser von 4 mm vom vierten bis zum siebten Blatt von 25 Tage alten Pflanzen mit einem Biopsie-Stanzer.
- Lassen Sie die Blattscheiben mit der behaarten Seite nach oben auf 100 μl sterilem Wasser in einer 96-Well-Platte schwimmen.
- Decken Sie die Platte mit sauberer Alufolie ab und stellen Sie sie über Nacht in eine LD-Wachstumskammer.
- Ersetzen Sie Wasser durch 100 μl Luminollösung (300 μM in 10 mM MOPS-Puffer mit pH 7,4 und 1 μM flg22 oder einem anderen Eliminator). Verwenden Sie eine simulierte Lösung anstelle von flg22 als Steuerelement.
- Beginnen Sie sofort mit der Aufzeichnung von Lumineszenzmesswerten im Minutentakt für 40-60 Minuten.
- Schrittweise Erklärung der R-Analyse von ROS-Daten
HINWEIS: Diese R-Analyse verwendet Rstudio, das R-Skript , die Ergänzende Datei 3 (ROS_2025.R) und die Eingabedateien Ergänzende Datei 4 (ROS_flg22.csv) oder Ergänzende Datei 5 (ROS_elf26.csv). Das R-Skript ist zusammen mit der Eingabedatei Supplemental File 4 (ROS_flg22.csv) über die Online-Repository-Plattform Github (https://github.com/elvenfire29/ROS-Luminol-Analysis) öffentlich verfügbar- Laden Sie RStudio-Pakete herunter: gplot213, dplyr14, magrittr15, stringr16 und filesstrings17.
HINWEIS: Die Schritte 2.2.1 müssen nur einmal ausgeführt werden. Um den Benutzern zu helfen, jede Analyse auf einen bestimmten Datensatz auf dem Computer zuzuschneiden, wurde ein Abschnitt mit der Bezeichnung "Benutzereingabe" erstellt, in dem die Benutzer bestimmte Parameter für ihre Experimente angeben können (Ergänzende Abbildung S3). - Ändern Sie die Benutzereingabe I entsprechend einem bestimmten Datensatz auf einem lokalen Computer, einschließlich des Arbeitsverzeichnisses, des Namens der Eingabedatei, der Beschriftungen für die Behandlungen und der relativen Startzeit des Assays.
- Wählen Sie das Arbeitsverzeichnis aus. Geben Sie an, wo sich die Eingabedatei befindet. Derselbe Ordner ist der Speicherort für die Ausgabedateien.
- Wählen Sie die Eingabedatei aus, eine CSV-Datei, die korrekt für das R-Skript formatiert ist (Abbildung 2B). Die oberste Zeile enthält die Zeitreihe, und die erste Spalte enthält einzelne Probenpositionen auf einer 96-Well-Platte.
HINWEIS: Ein Beispiel für eine solche CSV-Eingabedatei finden Sie im Zusatzmaterial, in der Zusatzdatei 4 (ROS_flg22.csv) oder in der Zusatzdatei 5 (ROS_elf26.csv). - Benennen Sie die Proben und/oder Behandlungen. Da diese Analyse für Daten aus 96-Well-Einstellungen mit einem Zeitverlauf verwendet wird, planen Sie die Experimente als 8 Replikate pro Behandlung für insgesamt bis zu 12 Behandlungen pro Platte oder als 12 Replikate pro Behandlung für insgesamt bis zu 8 Behandlungen pro Platte. Wenn es Reihen mit leeren Vertiefungen gibt, listen Sie sie einfach als solche im Feld für Behandlungsnamen auf, z. B. als leer 1, leer 2...
HINWEIS: Es ist wichtig, die richtige Anzahl von Proben einzugeben, entweder 8 oder 12, da die Anzahl der Proben zählt. Wenn die Stichprobenanzahl nicht 8 oder 12 beträgt, wird der Code nicht ausgeführt. Vermeiden Sie bei Beispielnamen die Verwendung von umgekehrten Schrägstrichen oder ähnlichen Symbolen, da diese Probleme mit Dateinamen verursachen können. Vermeiden Sie auch die Verwendung von "NA" als Beschriftung, wenn Sie die ANOVA in der Benutzereingabe II auswählen. Im Gegensatz zum Skript für Supplemental File 1 (LUC_2025.R) werden Behandlungen mit demselben Namen in diesem Skript für Supplemental File 3 (ROS_2025.R) nicht in einer einzigen Gruppe zusammengefasst.
- Ändern Sie die Optionen für die Benutzereingabe II entsprechend den spezifischen Anforderungen des Benutzers.
HINWEIS: Ein Beispiel für eine Benutzereingabe ist in der ergänzenden Abbildung S3 zu sehen.- Verwenden Sie den ANOVA-Test mit dem Tukey HSD, um die Lumineszenzsummen der Behandlung zu vergleichen.
- Verwenden Sie einen zweiseitigen t-Test, um die Daten von nur zwei Behandlungen gleichzeitig zu vergleichen.
HINWEIS: Die angezeigten p-Werte sind nicht angepasst, um Mehrfachvergleiche mit derselben Linie zu berücksichtigen. - Stellen Sie die Fluoreszenzkurven und ein Balkendiagramm dar, in dem die Gesamtsumme der Fluoreszenz verglichen wird. Fügen Sie den Diagrammen die Standardabweichung oder den Standardfehler des Mittelwerts hinzu.
- Je nachdem, wie der Plattenleser Vertiefungen aufzeichnet, ändern Sie die Art und Weise, wie die Eingabe gelesen wird. Verwenden Sie entweder die Standarddatenauflistung der Bohrlöcher nach A1, A2, A3... oder die für Brunnen, die nach A1, B1, C1 aufgelistet sind...
- Laden Sie RStudio-Pakete herunter: gplot213, dplyr14, magrittr15, stringr16 und filesstrings17.
- Führen Sie die Analyse aus, indem Sie einfach auf die Schaltfläche Quelle in der oberen rechten Ecke der Konsole klicken.
HINWEIS: Die Analyse dauert weniger als 1 Minute. Die Ausgabe der R-Analyse wird automatisch im selben Dateiordner wie das Eingabe-Dataset angezeigt. - Ausgabe anzeigen: Der Ausgabeordner verfügt über mehrere Dokumente und Unterordner, um eine umfassende Analyse zu ermöglichen.
HINWEIS: Für die Eingabedatei Supplemental File 4 (ROS_flg22.csv) ist in der ergänzenden Abbildung S4 eine Baumstruktur der Ausgabedokumente dargestellt, die vom Skript Supplemental File 3 (ROS_2025.R) generiert wurden, das in Protokollabschnitt 2 beschrieben ist.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Fallstudie 1. Der Lumineszenz-Assay für die Aktivität der zirkadianen Uhr mit Arabidopsis-Keimlingen
Wir haben bereits gezeigt, dass das Gen für das GLYCINE-RICH RNA-BINDING PROTEIN 7 (GRP7) durch das Master-Clock-Protein CIRCADIAN CLOCK-ASSOCIATED 1 (CCA1) kontrolliert wird und die zirkadiane Expression von GRP7 für seine Rolle in der Pflanzenabwehr wichtig ist, indem transgene Col-0-Pflanzen verwendet wurden, die d...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Wir stellen hier die Verwendung von R-Skripten in RStudio vor, um eine benutzerfreundliche Methode zur Analyse umfangreicher Daten bereitzustellen, die aus Zeitreihenexperimenten im 96-Well-Format gewonnen wurden. Diese Methode hat es uns ermöglicht, Lumineszenzaufzeichnungsdaten von Tausenden von Proben in Zeitreihenexperimenten schnell und einfach zu analysieren, um die Aktivität der zirkadianen Uhr von Pflanzensämlingen bis hin zu Säugetierzellkulturen zu messen, zusätzlich zu den Dat...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Die Autoren haben keine Interessenkonflikte offenzulegen.
Danksagungen
Wir danken den Mitgliedern des Lu-Labors für ihre Unterstützung bei dieser Arbeit. Wir danken Min Gao und Matthew Fabian für die Verwendung ihrer unverarbeiteten Daten und Benjamin Harris für die Unterstützung und/oder Anleitung bei der Erstellung dieses R-Skripts. Wir danken John B. Hogenesch vom Cincinnati Children's Hospital Medical Center für die Bereitstellung von Lumineszenzdaten aus Säugetierzellen für Fallstudie 2. Wir danken außerdem John B. Hogenesch, Andrew Millar von der University of Edinburgh und Mary Harrington vom Smith College für hilfreiche Diskussionen während der Entwicklung dieser Methode. Diese Arbeit wurde teilweise durch Zuschüsse der National Science Foundation, der NSF 1456140 und der NSF 2223886 an Hua Lu unterstützt.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| R | Das R-Projekt | https://www.r-project.org/ | Eine kostenlose, Open-Source-Plattform, die online heruntergeladen und zum Programmieren verwendet werden kann, insbesondere für Statistik. |
| Rstudio | Posit Software | https://posit.co/download/rstudio-desktop/ | Eine kostenlose Software, die online heruntergeladen werden kann, um einen benutzerfreundlicheren Zugang zu R zu erhalten. |
| MetaCycle | Gang Wu, Xavier Li, Matthew Carlucci, Ron Anafi, Michael Hughes, Karl Kornacker und John Hogenesch | https://cran.r-project.org/web/packages/MetaCycle/vignettes/implementation.html | Der ARSER-Algorithmus des MetaCycle-Pakets wird verwendet, um Taktparameter wie Periode, Phase und Amplitude zu bewerten. |
| ggplot2 | Posit Software | https://cran.r-project.org/web/packages/ggplot2/index.html | Erstellt Datenvisualisierungen, insbesondere für statistische Grafiken. |
| DPLYR | Posit Software | https://cran.r-project.org/web/packages/dplyr/index.html | Eine grundlegende R-Bibliothek für effiziente Datenmanipulation. |
| Magrittr | Posit Software | https://cran.r-project.org/web/packages/magrittr/index.html | Bietet eine Reihe von Operatoren, um die Lesbarkeit des Codes zu verbessern und einen natürlicheren Datenfluss zu ermöglichen. |
| Stringr | Posit Software | https://cran.r-project.org/web/packages/stringr/index.html | Bietet eine konsistente, einfache und einfach zu bedienende Funktionsmenge für die Arbeit mit Zeichenzeichenketten. |
| filesstrings | Rory Nolan und Sergi Padilla-Parra | https://cran.r-project.org/web/packages/filesstrings/index.html | Bietet praktische Funktionen zur Bearbeitung von Dateien und Zeichenketten, insbesondere solche, die sich auf Dateinamen und Pfade beziehen. |
| Kreisförmig | Ulric Lund, Claudio Agostinelli, Hiroyoshi Arai, Alessando Gagliardi, Eduardo Garcí a-Portugu &eakut; s, Dimitri Giunchi, Jean-Olivier Irisson, Matthew Pocernich und Federico Rotolo | https://cran.r-project.org/web/packages/circular/index.html | Bietet die statistische Analyse und grafische Darstellung von zirkulären Daten. |
| AICcmodavg | Marc J. Mazerolle | https://cran.r-project.org/web/packages/AICcmodavg/index.html | Erstellt Modellauswahltabellen basierend auf Akaikes Informationskriterium (AIC) und verwandten Informationen. |
| Besen | Posit Software | https://cran.r-project.org/web/packages/broom/index.html | Wandelt die Ausgaben verschiedener statistischer Modelle und Objekte in "ordentliche" Tibbles (ein modernes Datenrahmenformat) um, was es erleichtert, mit Modellergebnissen zu arbeiten, zu analysieren und zu visualisieren. |
| Autoklavenmaschine | Steris Amsco Eagle Century SG120 Scientific, Inc. | 8901400012 | Autoklavenmedien |
| Chemische Abzughaube | Labordesign & Supply | Samen sterilisieren | |
| Omega Luminescence Reader | BMG LABTECH, Inc. | Kennzeichenleser | |
| Laminarer Strömungsschrank | NuAire Nu-408FM-400 | Klasse II/TypA | Setzlinge auf die 96-Well-Platte übertragen |
| 96-Bohrloch-Mikroplatten | Perkin-Elmer | OptiPlate-96 | Züchte Setzlinge für den Luciferase-Test |
| Flg22 | GenScript Inc. | RP19986 | Ein Elicitor aus bakteriellem Flagellin. |
| Elf26 | Alpha Diagnostic Intl. Inc. | 2427 | Ein Elicitor aus der bakteriellen Translation Elongation Factor-Tu. |
| D-Luziferin-Glühwürmchen, Kaliumsalz | Biosynth-Chemie & Biologie | L-8220 | Luziferase-Substrat |
| L-012 (Luminol) | Fisher Scientific | NC0733364 | ROS-Assay-Reagenz |
Referenzen
- Yamazaki, S., Takahashi, J. S. Real-time luminescence reporting of circadian gene expression in mammals. Methods Enzymol. 393 (10), 288-301 (2005).
- McClung, C. R., Xie, Q. Measurement of luciferase rhythms in plant circadian networks. Circadian Networks. Staiger, D. , Springer. New York. 1-11 (2014).
- El Temps. , Barcelona. (2020).
- Abhilash, L., Sheeba, V. RhythmicAlly: Your R and Shiny-based open-source ally for the analysis of biological rhythms. J Biol Rhythms. 34 (5), 551-561 (2019).
- CAT: Chronomics Analysis Toolkit. , University of Minnesota. (2013).
- Geissmann, Q., Garcia Rodriguez, L., Beckwith, E. J., Gilestro, G. F. Rethomics: An R framework to analyse high-throughput behavioural data. PLoS One. 14 (1), e0209331(2019).
- ShinyR-DAM. v.3. GNU General Public License. , (2007).
- Zielinski, T., Moore, A. M., Troup, E., Halliday, K. J., Millar, A. J. Strengths and limitations of period estimation methods for circadian data. PLoS One. 9 (5), e96462(2014).
- RStudio: Integrated Development for R. , Boston, MA. (2020).
- R: A Language and Environment for Statistical Computing. v.4.0.2. , Vienna, Austria. (2020).
- Wu, G., Anafi, R. C., Hughes, M. E., Kornacker, K., Hogenesch, J. B. MetaCycle: An integrated R package to evaluate periodicity in large scale data. Bioinformatics. 32 (21), 3351-3353 (2016).
- Yang, R., Su, Z. Analyzing circadian expression data by harmonic regression based on autoregressive spectral estimation. Bioinformatics. 26 (12), i168-i174 (2010).
- ggplot2: Elegant Graphics for Data Analysis. , Springer-Verlag. New York. (2016).
- dplyr: A Grammar of Data Manipulation. v.1.0.2, (2020).
- magrittr: A Forward-Pipe Operator for R. v.2.0.3, (2022).
- stringr: Simple, Consistent Wrappers for Common String Operations. v.1.4.0, (2019).
- filesstrings: An R Package for File and String Manipulation. J Open Source Softw. , (2017).
- R package 'circular': Circular Statistics. v.0.4-95, (2022).
- Mazerolle, M. J. AICcmodavg: Model Selection and Multimodel Inference Based on (Q)AIC(c). , (2023).
- broom: Convert Statistical Objects into Tidy Tibbles. , https://CRAN.R-project.org/package=broom (2023).
- Gao, M., et al. Circadian regulation of the GLYCINE-RICH RNA-BINDING PROTEIN gene by the master clock protein CIRCADIAN CLOCK-ASSOCIATED 1 is important for plant innate immunity. J Exp Bot. 74 (3), 991-1003 (2023).
- Gao, M., Zhang, C., Lu, H. Coronatine is more potent than jasmonates in regulating clock. Sci Rep. 10 (1), 12862(2020).
- Zhang, C., et al. LUX ARRHYTHMO mediates crosstalk between the circadian clock and defense in Commun. Nat Commun. 10 (1), 2543(2019).
- Straume, M., Frasier-Cadoret, S. G., Johnson, M. L. Least squares analysis of fluorescence data. Topics in Fluorescence Spectroscopy. 2, Plenum. 117-240 (1991).
- Cal-Kayitmazbatir, S., Francey, L. J., Lee, Y., Liu, A. C., Hogenesch, J. B. PSMD11 modulates circadian clock function through PER and CRY nuclear translocation. PLoS One. 18 (3), e0283463(2023).
- Zhang, E. E., et al. A genome-wide RNAi screen for modifiers of the circadian clock in human cells. Cell. 139 (1), 199-210 (2009).
- Baggs, J. E., et al. Network features of the mammalian circadian clock. PLoS Biol. 7 (3), e52(2009).
- Zipfel, C., et al. Bacterial disease resistance in Arabidopsis through flagellin perception. Nature. 428 (6984), 764-767 (2004).
- Kunze, G., et al. The N terminus of bacterial elongation factor Tu elicits innate immunity in Arabidopsis plants. Plant Cell. 16 (12), 3496-3507 (2004).
- Fabian, M., et al. The flowering time regulator FLK controls pathogen defense in Arabidopsis thaliana. Plant Physiol. 191 (4), 2461-2474 (2023).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Nachdrucke und Genehmigungen
