סטייה של מיקרוביוטה שורש בבתי גידול שונים המבוססת על רשתות מתאם משוקללים

שיטה זו יכולה לחקור ביעילות את מערכת היחסים האינטראקטיבית או את רשת המופעים המשותפים של מינים מיקרוביאליים שונים בסביבות שונות. הוא מספק פרטים על אופן השימוש באלגוריתם WGCNA כדי לבנות רשת מופע משותף של מיקרוביוטה. בנוסף, בהתבסס על התוצאות, שיטה זו מעריכה את ההבחנה של יחסים מיקרוביאליים והרכב בין קונסורציום מיקרוביאלי.

הנה הזרימה הבסיסית של השיטה. נתוני ההרכב והשפע של המיקרוביוטה יורדים ממסד הנתונים של NCBI או מנתוני רצף עבור הדגימות שלך. ראשית, פתח את תוכנת RStudio והתקן את חבילת WGCNA.

לאחר מכן, לטעון את הנתונים ולהשתמש בפונקציית הגנים של הדגימות הטובות כדי לבדוק את נכונות הנתונים. בדוק אם יש חריגים ודוגמאות חנות העונות על הדרישות שלנו. כאשר תוצאת הבדיקה נכונה, המשך לשלב הבא.

שמור את התוצאה. השתמש בפונקציית סף הבחירה כדי לחשב את האינדקס ללא קנה מידה, R בריבוע, של הנתונים תחת ערכי צריכת חשמל שונים. דמיין את התוצאות.

כאשר האינדקס ללא קנה מידה קרוב יותר לאחת, מבנה הרשת קרוב יותר לרשת החופשית בקנה מידה. כאשר האינדקס ללא קנה מידה, R בריבוע, גדול מ- 0.9, בחר את ערך צריכת החשמל. לבסוף, השתמש באותה שיטה כדי לנתח את שאר נתוני המיקרוביום.

תחילה, השתמש בפונקציית ההדחה כדי לבנות רשת מופעי שיתוף סמלית. בנוסף, השתמש בפונקציית הדמיון TOM כדי לפתח רשת טופולוגית וחופפת. שנית, השתמש בפונקציה Hclust כדי לבצע קיבוץ באשכולות הירארכי ולצייר את עץ האשכול שנוצר.

שלישית, השתמש בפונקציה הדינמית cutree כדי לבצע חיתוך ענף דינמי והשתמש בפרמטר גודל אשכול min כדי להגדיר את גודל המודול הקטן ביותר. גודל המודול הקטן ביותר מוגדר בדרך כלל מעל 30. רביעית, לחשב את המאפיין המיקרוביאלי של כל מודול.

קיבוץ באשכולות הירארכיים מתבצע בהתאם למקדם המתאם, ומודולים בגובה של פחות מ- 0.25 מוזגו כדי לרכוש את ההפצה של כל מודול. חמישית, השתמש ב- dendro של העלילה ובפונקציות הצבעים כדי לדמיין את התוצאות. מתקבלת דיאגרמת תצוגת ההקצאה של מודול הרשת של המופע המשותף.

לאחר מכן, שנה את שם צבעי המודול ובנה תוויות דיגיטליות המתאימות לצבעים. שמור אותם לשימוש בחלקים הבאים. לבסוף, חזור על התהליך לעיל עבור ערכות נתונים אחרות.

בחלק זה, להשוות ולנתח את שתי קבוצות הנתונים ולערוך את מבחן השימור. תחילה, טען את הפרמטרים והתוצאות של שתי ערכות הנתונים שנשמרו בשלבים הקודמים. לאחר מכן, הגדר את תוצאות המודול של ערכת נתונים אחת כקבוצת ההפניות, אחר כקבוצת הבדיקה ובצע את השוואת המודול.

לאחר מכן, לחשב את הערכים של שמרנות, פרמטרים סטטיסטיים, סיכום Z ודרגה חציונית כדי לכמת את השמרנות בין מודולים. לבסוף, דמיין את התוצאות. קבע את מודול הרשת העונה הן על ערך סיכום Z, פחות משניים והן את ערך הדירוג החציוני בחלק העליון.

מודול זה הוא המודול הכי לא שמור בשני נתוני המיקרוביוטה. בצע ניתוח מתאם של חברות במודול. הגדר את תוצאות הקצאת המודול של שתי רשתות כהפניה וקבוצת הבדיקה בהתאמה.

ההגדרות צריכות להיות זהות למבחן השימור. ראשית, ערך KME של כל OTU חושב במספר מודולים מועמד בהתבסס על התוצאות של מבחן השימור. קח את המודול הצהוב כדוגמה.

חשב את מקדם המתאם של ערך KME בשני המודולים הצהובים ולאחר מכן צייר את דיאגרמת ניתוח המתאם של ערך KME במודול. לבסוף, על פי מקדם המתאם באיור, שפוט את השמרנות של המודול בערכת הנתונים של שני הנתונים. בחר את המודול עם מקדם המתאם הקטן ביותר.

ראשית, השתמש ברשת הייצוא לפונקציה Cytoscape כדי לייצא את הרשת לקובץ רשימה קצה וצמתים ש- Cytoscape יכול לקרוא. לאחר מכן, לייבא את הקובץ לתוך Cytoscape. הגדר את הסף ל- 0.5 והתאם פרמטרים אחרים לפי הצורך.

לבסוף, להשיג רשת התרחשות משותפת של מיקרואורגניזמים שונים. במאמר זה, אלגוריתם WGCNA משמש כדי לנתח את ההבדלים בשלוש נישות של מערכת שורש האורז. בחר את ערך צריכת החשמל שסיפק את שלוש הרשתות שהיו קרובות לרשת החופשית של קנה המידה.

ברשת המופעים המיקרוביאלית של אנדוספירה, ריזופלן וריזוספירה, זהה 23, 22 ו-21 דגמים בהתאמה. השתמש במבחן השימור וניתוח המתאם כדי למצוא את המודולים הלא שמרניים ביותר בין כל שתי נישות של מערכת שורש האורז. בנה רשת מופעים משותפים עבור שלושת המודולים האלה באמצעות צבעים שונים כדי לייצג פילום מיקרוביאלי שונה.

פרוטאובקטריה, אקטינובקטריה, Bacteroidetes, Firmicutes ו- Verrucomicrobia שלטו בשלוש רשתות המיקרואורגניזמים השונות. יתר על כן, 17 סוגים הליבה בעיקר לווסת רשתות אלה. לאחר צפייה בסרטון זה, אתה צריך להבין היטב כיצד לבצע סדרה של שלבים כדי להשתמש באלגוריתם WGCNA כדי לנתח רשתות שונות של התרחשות משותפת שעלולות להתרחש בקהילות המיקרוביות עקב סביבות אקולוגיות שונות.