Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Un análisis R potente y fácil de usar de conjuntos de datos a gran escala

645 vistas

⸱

DOI:

10.3791/68868

⸱

4 de noviembre de 2025

 ,  ,  , 
1Department of Biological Sciences, University of Maryland Baltimore County

En este artículo

Resumen

Este informe describe un método que involucra un script R en el software de código abierto RStudio para analizar conjuntos de datos a gran escala obtenidos de experimentos de series temporales.

Resumen

Los grandes conjuntos de datos son cada vez más comunes en el campo científico. Es importante desarrollar herramientas fáciles de usar que permitan a los investigadores analizar estos grandes conjuntos de datos con facilidad. Aquí, presentamos un método que involucra un script R en el software de código abierto RStudio para analizar conjuntos de datos a gran escala obtenidos de experimentos de series temporales. Este método requiere una entrada mínima de un usuario, lo que permite que un principiante que no tenga conocimientos previos de R o experiencia en programación lo use. Las instrucciones detalladas descritas aquí y en el script de R guiarán aún más a los usuarios sobre cómo usar el método. Los datos de entrada y los resultados de salida se almacenan en la misma carpeta de una computadora local, lo que permite realizar el análisis en cualquier lugar y en cualquier momento. Los resultados de salida se organizan en carpetas para facilitar la interpretación y se pueden procesar convenientemente para generar cifras para publicaciones. Este método se ha utilizado con éxito para analizar datos de reloj circadiano y datos de ráfagas de especies reactivas de oxígeno, ambos contienen conjuntos de datos a gran escala de experimentos de series temporales en un formato de placa de 96 pocillos. Creemos que este método proporciona una solución fácil y poderosa para los investigadores en el análisis de grandes conjuntos de datos similares obtenidos a través de experimentos de series temporales.

Introducción

Con la mayor disponibilidad de grandes conjuntos de datos en el campo científico, es importante desarrollar herramientas fáciles de usar que permitan a los investigadores analizar rápidamente estos grandes conjuntos de datos con precisión y facilidad. Un tipo de gran conjunto de datos común proviene del uso del gen de la luciferasa como informador, lo que ha permitido un examen fácil, continuo y no invasivo de la expresión génica en células y organismos vivos. La automatización en el registro de luminiscencia ha transformado la medición de la luminiscencia de la luciferasa y ha llevado a una expansión de la recopilación de datos, en particular, en el campo del reloj circadiano 1,2. Usando microplacas de 96 pocillos y un lector automático de placas con un apilador, miles de muestras que expresan el gen de la luciferasa se pueden analizar individualmente en series temporales, a veces a intervalos de una hora durante días, en un experimento. Estos experimentos de alto rendimiento han dado como resultado la producción de grandes conjuntos de datos que los experimentos tradicionales de expresión génica que utilizan la recolección manual de muestras, seguida del procesamiento de ARN, no podrían lograr. Analizar conjuntos de datos tan grandes de manera oportuna es importante, pero puede ser un desafío.

Aunque existe una gran cantidad de herramientas para analizar los datos de ritmicidad, muchas de las herramientas analizan ensayos basados en el comportamiento animal en lugar de la expresión del reportero de luminiscencia 3,4,5,6,7 (Tabla complementaria S1). Algunas herramientas requieren que los investigadores tengan conocimientos previos de programación informática, como conocimientos de Python o acceso a MATLAB. Otras herramientas requieren la compra de software, lo que puede ser costoso. Algunas soluciones viables gratuitas están disponibles en línea. Una de esas herramientas es BioDare28, que ofrece una variedad de métodos diferentes para analizar datos de ritmicidad. BioDare2 es una herramienta en línea fácil de usar y requiere una experiencia computacional mínima. Los usuarios deben cargar la entrada de datos en línea y descargar la salida de datos de la interfaz en línea para su posterior procesamiento.

Aquí, presentamos scripts de R fáciles de usar con múltiples capacidades para analizar conjuntos de datos a gran escala con facilidad. Usamos el software gratuito de código abierto RStudio9, una interfaz para R y Python, para ejecutar los scripts. RStudio se puede utilizar en varios sistemas informáticos, incluidos Windows, Mac y Linux. En este informe, se proporcionan instrucciones detalladas paso a paso para guiar a los usuarios sobre cómo usar los scripts de R, específicamente en las secciones 1 y 2 del protocolo. Este método requiere una entrada mínima del usuario. Un principiante que no tenga conocimientos previos de R y que no tenga experiencia en programación podrá utilizar el método para analizar grandes conjuntos de datos de ensayos de luciferasa u otros tipos de conjuntos de datos con datos de series temporales. Todos los datos de entrada y salida se almacenan en una computadora local y, por lo tanto, se puede realizar un análisis en cualquier lugar sin la restricción del acceso a Internet, una vez que se descargan todos los paquetes de R relevantes por primera vez. Los datos de salida se clasifican en carpetas bien organizadas con resultados listos para ser procesados para publicaciones. Los análisis estadísticos también se incluyen como parte de la salida para proporcionar una evaluación rápida de las diferencias entre las muestras. Por lo tanto, el método R podría proporcionar una solución fácil y poderosa para los investigadores en el análisis de grandes conjuntos de datos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

1. Análisis del reloj circadiano basado en luciferasa

  1. Configuración experimental para el ensayo de luciferasa
    NOTA: El ensayo de luciferasa es un método común utilizado para medir la actividad del reloj circadiano en tiempo real. La luminiscencia, emitida por el reportero de luciferasa transportado por organismos y/o células transgénicas vivas, se puede registrar automáticamente, lo que lleva a la producción de conjuntos de datos de series temporales a gran escala. Nuestro laboratorio utiliza principalmente plántulas de Arabidopsis thaliana que expresan el gen de la luciferasa como indicador. La Figura 1 y la Figura 2 muestran un diagrama de flujo de la configuración experimental típica para el ensayo de luciferasa con plántulas en un formato de 96 pocillos en nuestro laboratorio, modificado en base a una descripción previa2.
    1. Esterilice las semillas con el vapor de lejía generado agregando 3 ml de HCl al 36% (p/p) a 100 ml de lejía doméstica en un vaso de precipitados durante 3 h. Coloque el vaso de precipitados en una campana con tapa sellada, colocada en una campana extractora de productos químicos. Después de la esterilización, coloque las semillas en placas de 1/2MS que contengan 0,5% de sacarosa y 0,8% de agar (pH 5,7), utilizando una pipeta Pasteur de vidrio estéril, en una cabina de flujo laminar. Recoja los desechos químicos en un frasco con tapa y deséchelos trabajando con el departamento de servicios de salud ambiental institucional.
    2. Coloque las placas a 4 °C durante 2 días antes de trasladarlas a una cámara de cultivo de tejidos con un ciclo de luz de 12 h y un ciclo de luz oscura (LD) de 12 h.
    3. Deje que las plántulas crezcan durante 4 días en LD.
    4. Transfiera las plántulas a una placa de 96 pocillos; cada pocillo contiene 180 μL de medios de ensayo (1/2MS, 0,5% de sacarosa, 0,4% de agar, 0,25 mM de luciferina). Colocar los platos durante 1 día en LD seguido de 1 día en 24 h de luz constante (LL).
    5. Agregue tratamientos o solución simulada a los pocillos y registre la luminiscencia a intervalos de 1 h durante 5-7 días en LL. Ajuste la lente del filtro de emisión a 3.600 para la ganancia y el tiempo del intervalo de medición a 1 s.
      NOTA: La hora de inicio de la grabación puede ser en cualquier momento. Sin embargo, dado que el script de R solo toma enteros (números enteros), los intervalos de grabación deben ser un número entero. Por ejemplo, se permite un intervalo de 1 h, pero no se permite un intervalo de 15 min para el script de R.
    6. Al final de la grabación, tome una foto de la placa para registrar el crecimiento de las plántulas.
    7. Guarde los datos sin procesar como un archivo CSV para el análisis R, utilizando la función guardar como con el software de análisis de datos para el lector de placas.
  2. Explicación paso a paso del análisis R de datos circadianos basados en luciferasa
    NOTA: Este análisis de R utiliza el script de RArchivo complementario 1(LUC_2025.R), desarrollado para el análisis de datos circadianos, y el archivo de entradaArchivo complementario 2(NO7.csv). El script R junto con el archivo de entrada está disponible públicamente a través de la plataforma de repositorio en línea Github (https://github.com/elvenfire29/Circadian-Luciferase-Analysis).
    1. Descargue el software RStudio que sea compatible con el sistema informático 9,10.
    2. Descargue los paquetes algorítmicos de RStudio requeridos por el archivo complementario 1 (LUC_2025.R): MetaCycle11: algoritmo ARSER12 del paquete MetaCycle, ggplot213, dplyr14, magrittr15, stringr16, filesstrings17, circular18, AICcmodavg19 y broom20.
      NOTA: Consulte también la parte superior del script de R para ver la lista de paquetes.
    3. Cambiar la entrada del usuario I (de acuerdo con un conjunto de datos específico en una computadora local, incluido el directorio de trabajo, el nombre del archivo de entrada, las etiquetas de los tratamientos y la hora de inicio relativa del ensayo.
      NOTA: Los pasos 1.2.1 y 1.2.2 solo deben completarse una vez; después de lo cual la consola de interfaz RStudio está lista para recibir la entrada del usuario, con modificaciones para cada nuevo análisis. Hay dos partes en la sección Entrada del usuario (Figura complementaria S1).
      1. Seleccione el directorio de trabajo. Indique dónde reside el archivo de entrada. La misma carpeta será la ubicación de los archivos de salida.
      2. Seleccione el archivo de entrada, un archivo CSV con el formato correcto para el script de R (figura 2B). Específicamente, la fila superior tiene la serie temporal y la primera columna contiene posiciones de muestra individuales en una placa de 96 pocillos.
        NOTA: Puede encontrar un ejemplo de dicho archivo CSV de entrada en el Archivo complementario 2 (NO7.csv).
      3. Nombra las muestras y/o tratamientos. Como este análisis se utiliza para datos obtenidos de entornos de 96 pocillos con un curso de tiempo, diseñe los experimentos como 8 réplicas por tratamiento para un total de hasta 12 tratamientos por placa, o como 12 réplicas por tratamiento para un total de hasta 8 tratamientos por placa. Asegúrese de ingresar el número correcto de muestras, ya sea 8 o 12, porque el número de muestra cuenta; Si el recuento de muestras no es 8 o 12, el código no se ejecutará. Sin embargo, si hay filas de pozos vacíos, simplemente enumérelos como tales en el espacio para los nombres de tratamiento, por ejemplo, nombrando como vacío 1, vacío 2 ...
        NOTA: Para los nombres de muestra, se debe evitar el uso de barras invertidas o símbolos similares, ya que pueden causar problemas con el nombre de archivo. Además, también se debe evitar usar "NA" como etiqueta al seleccionar usar ANOVA en la entrada del usuario II. Cualquier tratamiento con exactamente el mismo nombre se combinará en un grupo de tratamiento grande.
      4. Indique la hora de inicio relativa del ensayo. Para un día determinado de 24 h, el amanecer subjetivo es cuando la luz de la cámara se enciende durante un ciclo normal de luz / oscuridad. Por ejemplo, si la luz está encendida a las 7 am, considere esta hora la hora circadiana 0. Si un ensayo de luciferasa comienza a las 9 am, el tiempo del ensayo es en el tiempo circadiano 2; entrada 2 como hora de inicio relativa.
        NOTA: La hora de inicio relativa debe ser un número entero y no puede ser negativa. Esto afectará la lectura de fase de las muestras.
    4. Cambie las opciones de entrada de usuario II según las necesidades específicas.
      NOTA: Las instrucciones a continuación proporcionan una explicación más detallada de las secciones de Entrada del usuario y una guía paso a paso para realizar los cambios.
      1. Incluya gráficos: curvas de luminiscencia, gráficos para el período, la fase y la amplitud por genotipo y tratamiento.
      2. Utilice la prueba ANOVA con el Tukey HSD para comparar tratamientos en su período, fase y amplitud. Elija un control para la salida de prueba de ANOVA; especifique el control para la prueba ANOVA o deje la opción vacía para usar cada tratamiento como control en la comparación por pares. Alternativamente, elija si desea numerar los archivos de salida de ANOVA para una referencia y organización más rápidas.
      3. Use una prueba t para comparar tratamientos en su período, fase y amplitud. Elija si la prueba t debe ser una comparación por pares; Si se selecciona una prueba t por pares, seleccione si los datos están emparejados. Elija un control para la prueba t; Especifique el control para la prueba t o deje la opción vacía para usar cada tratamiento como control. Elija si desea numerar los archivos de salida de la prueba t para una referencia y organización más rápidas.
        NOTA: Esto solo debe usarse para comparar dos tratamientos a la vez, como dos líneas del mismo genotipo con SA o Mock agregado. Los valores p que se muestran no se ajustan para tener en cuenta múltiples comparaciones con la misma línea.
      4. Elija si desea redondear los puntos de tiempo. Si los puntos de tiempo están desfasados solo uno o dos minutos, redondee a la hora más cercana y use este análisis.
        NOTA: Este código calcula el período, la fase y la amplitud utilizando el método ARS12. Este método requiere una serie temporal coherente en horas para ejecutarse.
      5. Dependiendo de cómo el lector de placas registre los pocillos, cambie la forma en que se lee la entrada. Elija la lista de datos estándar de pozos por A1, A2, A3 ... o el de los pozos enumerados por A1, B1, C1...
    5. Ejecute el análisis simplemente haciendo clic en el botón Origen en la esquina superior derecha de la consola.
      NOTA: El análisis tarda menos de 1 minuto en completarse. La salida del análisis de R aparecerá automáticamente en la misma carpeta de archivos que el conjunto de datos de entrada.
    6. Ver salida: La carpeta de salida tiene varios documentos y subcarpetas para proporcionar un análisis completo, incluida información estadística del período, la fase y la amplitud promediados para las réplicas de cada genotipo y/o tratamiento.
      NOTA: Para el archivo de entrada Archivo complementario 2 (NO7.csv), en la Tabla 1 se describe una lista de los documentos de salida generados por el script Archivo complementario 1 (LUC_2025.R) en la sección 1 del protocolo y se puede ver convenientemente con la estructura de árbol en la Figura complementaria S2.

2. Ensayo ROS basado en luminol

  1. Configuración experimental para el ensayo ROS
    1. Corte discos de hojas de 4 mm de diámetro de la cuarta a la séptima hoja de plantas de 25 días con un perforador de biopsia.
    2. Haga flotar los discos de las hojas con el lado piloso hacia arriba sobre 100 μL de agua estéril en una placa de 96 pocillos.
    3. Cubra el plato con papel de aluminio limpio y colóquelo en una cámara de crecimiento LD durante la noche.
    4. Reemplace el agua con 100 μL de solución de luminol (300 μM en tampón MOPS de 10 mM con pH 7.4 y 1 μM flg22 u otro elicitor). Utilice una solución simulada en lugar de flg22 como control.
    5. Comience inmediatamente a registrar lecturas de luminiscencia cada minuto durante 40-60 minutos.
  2. Explicación paso a paso del análisis R de datos ROS
    NOTA: Este análisis de R utiliza Rstudio, el script de R,  el archivo complementario 3 (ROS_2025.R) y los archivos de entrada Archivo complementario 4 (ROS_flg22.csv) o Archivo complementario 5 (ROS_elf26.csv). El script de R junto con el archivo de entrada Archivo complementario 4 (ROS_flg22.csv) está disponible públicamente a través de la plataforma de repositorio en línea Github (https://github.com/elvenfire29/ROS-Luminol-Analysis)
    1. Descargue los paquetes de RStudio: gplot213, dplyr14, magrittr15, stringr16 y filesstrings17.
      NOTA: Los pasos 2.2.1 solo deben completarse una vez. Para ayudar a los usuarios a adaptar cada análisis a un conjunto específico de datos en la computadora, se creó una sección llamada "Entrada del usuario" para permitir a los usuarios indicar parámetros específicos para sus experimentos (Figura complementaria S3).
    2. Cambie la entrada del usuario I de acuerdo con un conjunto de datos específico en un equipo local, incluido el directorio de trabajo, el nombre del archivo de entrada, las etiquetas de los tratamientos y la hora de inicio relativa del ensayo.
      1. Seleccione el directorio de trabajo. Indique dónde reside el archivo de entrada. La misma carpeta será la ubicación de los archivos de salida.
      2. Seleccione el archivo de entrada, un archivo CSV con el formato correcto para el script de R (figura 2B). Específicamente, la fila superior tiene la serie temporal y la primera columna contiene posiciones de muestra individuales en una placa de 96 pocillos.
        NOTA: Un ejemplo de dicho archivo CSV de entrada se puede encontrar en el material complementario, Archivo complementario 4 (ROS_flg22.csv) o Archivo complementario 5 (ROS_elf26.csv).
      3. Nombra las muestras y/o tratamientos. Como este análisis se utiliza para datos obtenidos de entornos de 96 pocillos con un curso de tiempo, diseñe los experimentos como 8 réplicas por tratamiento para un total de hasta 12 tratamientos por placa, o como 12 réplicas por tratamiento para un total de hasta 8 tratamientos por placa. Si hay filas de pozos vacíos, simplemente enumérelos como tales en el espacio para los nombres de tratamiento, por ejemplo, nombrando como vacío 1, vacío 2 ...
        NOTA: Es importante ingresar el número correcto de muestras, ya sea 8 o 12, porque el número de muestras cuenta. Si el recuento de muestras no es 8 o 12, el código no se ejecutará. Para los nombres de ejemplo, evite usar barras diagonales inversas o símbolos similares, ya que pueden causar problemas con los nombres de archivo. También evite usar "NA" como etiqueta al seleccionar usar ANOVA en la entrada del usuario II. A diferencia del script Archivo complementario 1 (LUC_2025.R), los tratamientos con el mismo nombre no se combinan en un solo grupo en este script Archivo complementario 3 (ROS_2025.R).
    3. Cambie las opciones de Entrada de usuario II según las necesidades específicas del usuario.
      NOTA: El ejemplo de entrada del usuario se puede ver en la Figura complementaria S3.
      1. Utilice la prueba ANOVA con el Tukey HSD para comparar las sumas de luminiscencia del tratamiento.
      2. Utilice una prueba t de dos lados para comparar los datos de solo dos tratamientos a la vez.
        NOTA: Los valores p que se muestran no se ajustan para tener en cuenta múltiples comparaciones con la misma línea.
      3. Grafique las curvas de fluorescencia y un gráfico de barras que compare la suma total de fluorescencia. Agregue la desviación estándar o el error estándar de la media a los gráficos.
      4. Dependiendo de cómo el lector de placas registre los pocillos, cambie la forma en que se lee la entrada. O bien utilice la lista de datos estándar de pozos por A1, A2, A3... o el de los pozos enumerados por A1, B1, C1...
  3. Ejecute el análisis simplemente haciendo clic en el botón Origen en la esquina superior derecha de la consola.
    NOTA: El análisis tarda menos de 1 minuto en completarse. La salida del análisis de R aparecerá automáticamente en la misma carpeta de archivos que el conjunto de datos de entrada.
  4. Ver salida: La carpeta de salida tiene varios documentos y subcarpetas para proporcionar un análisis completo.
    NOTA: Para el archivo de entrada Archivo complementario 4 (ROS_flg22.csv), se muestra una estructura de árbol de los documentos de salida generados por el script Archivo complementario 3 (ROS_2025.R) descrito en la sección 2 del protocolo en la Figura complementaria S4.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Estudio de caso 1. El ensayo de luminiscencia para la actividad del reloj circadiano con plántulas de Arabidopsis

Anteriormente demostramos que el gen GLYCINE-RICH RNA-BINDING PROTEIN 7 (GRP7) estaba controlado por la proteína del reloj maestro CIRCADIAN CLOCK-ASSOCIATED 1 (CCA1) y la expresión circadiana de GRP7 es importante por su papel en la defensa de las plantas, utilizando plantas transgénicas Col-0 que expres...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Aquí presentamos el uso de scripts R en RStudio para proporcionar un método fácil de usar para analizar datos a gran escala obtenidos de experimentos de series temporales de formato de 96 pocillos. Este método nos ha permitido analizar rápida y fácilmente los datos de registro de luminiscencia obtenidos de miles de muestras en experimentos de series temporales para medir la actividad del reloj circadiano desde plántulas de plantas hasta cultivos de células de mamíferos, además de datos d...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de intereses que divulgar.

Agradecimientos

Agradecemos a los miembros del laboratorio Lu por su ayuda en este trabajo. Agradecemos a Min Gao y Matthew Fabian por el uso de sus datos no procesados y a Benjamin Harris por su ayuda y/o orientación en la creación de este script de R. Agradecemos a John B. Hogenesch del Centro Médico del Hospital Infantil de Cincinnati por proporcionar datos de luminiscencia de células de mamíferos para el estudio de caso 2. Además, agradecemos a John B. Hogenesch, Andrew Millar de la Universidad de Edimburgo y Mary Harrington del Smith College por las útiles discusiones durante el desarrollo de este método. Este trabajo fue parcialmente apoyado por subvenciones de la Fundación Nacional de Ciencias, NSF 1456140 y NSF 2223886, a Hua Lu.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
REl Proyecto Rhttps://www.r-project.org/  Una plataforma gratuita y de código abierto que se puede descargar desde internet y usar para programar, especialmente para estadística.
RstudioPosit Softwarehttps://posit.co/download/rstudio-desktop/  Un software gratuito que se puede descargar desde internet para un acceso más fácil de usar a R.
MetaCycleGang Wu, Xavier Li, Matthew Carlucci, Ron Anafi, Michael Hughes, Karl Kornacker y John Hogeneschhttps://cran.r-project.org/web/packages/MetaCycle/vignettes/implementation.html  El algoritmo ARSER del paquete MetaCycle se utiliza para evaluar parámetros de reloj, periodo, fase y amplitud.  
ggplot2Posit Softwarehttps://cran.r-project.org/web/packages/ggplot2/index.html  Crea visualizaciones de datos, especialmente para gráficos estadísticos.
dplyrPosit Softwarehttps://cran.r-project.org/web/packages/dplyr/index.html  Una biblioteca fundamental de R para la manipulación eficiente de datos.
magrittrPosit Softwarehttps://cran.r-project.org/web/packages/magrittr/index.html  Proporciona un conjunto de operadores para mejorar la legibilidad del código y facilitar un flujo más natural de las operaciones de datos.
StringrPosit Softwarehttps://cran.r-project.org/web/packages/stringr/index.html  Proporciona un conjunto de funciones consistente, simple y fácil de usar para trabajar con cadenas de caracteres.
cadenas de archivosRory Nolan y Sergi Padilla-Parrahttps://cran.r-project.org/web/packages/filesstrings/index.html  Proporciona funciones convenientes para manipular archivos y cadenas, especialmente las relacionadas con nombres y rutas de archivo.
circularUlric Lund, Claudio Agostinelli, Hiroyoshi Arai, Alessando Gagliardi, Eduardo Garcí a-Portugu y agudo; s, Dimitri Giunchi, Jean-Olivier Irisson, Matthew Pocernich y Federico Rotolohttps://cran.r-project.org/web/packages/circular/index.html  Proporciona el análisis estadístico y la representación gráfica de datos circulares.
AICcmodavgMarc J. Mazerollehttps://cran.r-project.org/web/packages/AICcmodavg/index.html  Crea tablas de selección de modelos basadas en el criterio de información (AIC) de Akaike e información relacionada.
escobaPosit Softwarehttps://cran.r-project.org/web/packages/broom/index.html  Convierte la salida de varios modelos estadísticos y objetos en tibbles "ordenados" (un formato moderno de marco de datos), facilitando el trabajo, el análisis y la visualización de los resultados de los modelos.
Máquina de autoclaveSteris Amsco Eagle Century SG120 Scientific, Inc.8901400012Medios de autoclave
Campana extractora químicaDiseño de laboratorios y Suministro esterilizar semillas
Lector de Luminescencia Omega  BMG LABTECH, Inc.Lector de placas
Gabinete de flujo laminarNuAire Nu-408FM-400Clase II/Tipo A transferir plántulas a una placa de 96 pozos
Microplacas de 96 pocillosPerkin-ElmerOptiPlate-96 cultivar plántulas para el ensayo de luciferasa
Flg22GenScript Inc.RP19986Un elector de flagelina bacteriana.
Elf26Alpha Diagnostic Intl. Inc.2427Un elector de la traducción bacteriana Factor de Elongación-Tu.
Luciérnaga D-Luciferina, sal potásicaQuímica y Química de Biosintetizadores BiologíaL-8220Sustrato luciferasa
L-012 (Luminol)Fisher ScientificNC0733364Reactivo de ensayo ROS

Referencias

  1. Yamazaki, S., Takahashi, J. S. Real-time luminescence reporting of circadian gene expression in mammals. Methods Enzymol. 393 (10), 288-301 (2005).
  2. McClung, C. R., Xie, Q. Measurement of luciferase rhythms in plant circadian networks. Circadian Networks. Staiger, D. , Springer. New York. 1-11 (2014).
  3. El Temps. , Barcelona. (2020).
  4. 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).
  5. CAT: Chronomics Analysis Toolkit. , University of Minnesota. (2013).
  6. 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).
  7. ShinyR-DAM. v.3. GNU General Public License. , (2007).
  8. 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).
  9. RStudio: Integrated Development for R. , Boston, MA. (2020).
  10. R: A Language and Environment for Statistical Computing. v.4.0.2. , Vienna, Austria. (2020).
  11. 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).
  12. Yang, R., Su, Z. Analyzing circadian expression data by harmonic regression based on autoregressive spectral estimation. Bioinformatics. 26 (12), i168-i174 (2010).
  13. ggplot2: Elegant Graphics for Data Analysis. , Springer-Verlag. New York. (2016).
  14. dplyr: A Grammar of Data Manipulation. v.1.0.2, (2020).
  15. magrittr: A Forward-Pipe Operator for R. v.2.0.3, (2022).
  16. stringr: Simple, Consistent Wrappers for Common String Operations. v.1.4.0, (2019).
  17. filesstrings: An R Package for File and String Manipulation. J Open Source Softw. , (2017).
  18. R package 'circular': Circular Statistics. v.0.4-95, (2022).
  19. Mazerolle, M. J. AICcmodavg: Model Selection and Multimodel Inference Based on (Q)AIC(c). , (2023).
  20. broom: Convert Statistical Objects into Tidy Tibbles. , https://CRAN.R-project.org/package=broom (2023).
  21. 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).
  22. Gao, M., Zhang, C., Lu, H. Coronatine is more potent than jasmonates in regulating clock. Sci Rep. 10 (1), 12862(2020).
  23. Zhang, C., et al. LUX ARRHYTHMO mediates crosstalk between the circadian clock and defense in Commun. Nat Commun. 10 (1), 2543(2019).
  24. Straume, M., Frasier-Cadoret, S. G., Johnson, M. L. Least squares analysis of fluorescence data. Topics in Fluorescence Spectroscopy. 2, Plenum. 117-240 (1991).
  25. 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).
  26. 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).
  27. Baggs, J. E., et al. Network features of the mammalian circadian clock. PLoS Biol. 7 (3), e52(2009).
  28. Zipfel, C., et al. Bacterial disease resistance in Arabidopsis through flagellin perception. Nature. 428 (6984), 764-767 (2004).
  29. 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).
  30. Fabian, M., et al. The flowering time regulator FLK controls pathogen defense in Arabidopsis thaliana. Plant Physiol. 191 (4), 2461-2474 (2023).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Datos de series temporalessoftware RStudioherramientas intuitivasdatos del reloj circadianoensayo de luminiscenciaplaca de 96 pocillosprueba ANOVAreportero de luciferasa
Un análisis R potente y fácil de usar de conjuntos de datos a gran escala
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.