Name: סטייה של מיקרוביוטה שורש בבתי גידול שונים המבוססת על רשתות מתאם משוקללים (וידאו) | JoVE Journal
Uploaded: 2021-09-25T13:30:00.000+00:00
Duration: 9 min 49 s
Description: חקור רשתות שותפות מיקרוביוטה בשורשי אורז באמצעות אלגוריתם WGCNA. השיטה מזהה גנים ליבה ומודולים לא שמורים בנישות אקולוגיות שונות כדי להבין הסתגלות קהילות מיקרוביאליות.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

פיתוח כתב יד זה נתמך על ידי כספים מהקרן הלאומית למדעי הטבע של סין-גוויג'ואו מחוזי של המדינה קארסט פרויקט המרכז לחקר המדע (U1812401), פרויקט מחקר דוקטורט של אוניברסיטת גוויג'ואו נורמלי (GZNUD[2017]1), פרויקט תמיכה במדע וטכנולוגיה של מחוז גוויג'ואו (QKHZC[2021]YB459) ופרויקט המדע והטכנולוגיה של Guiyang([2019]2-8).
המחברים מבקשים להודות לאדוארדס J.A.A ואח ' על אספקת נתוני מיקרוביום אורז במאגרי מידע ציבוריים ותמיכה מ- TopEdit (www.topeditsci.com) על הסיוע הלשוני שלה במהלך הכנת כתב יד זה.

1. הורדת נתונים
<ol><li>הורד את הנתונים של הגישה PRJNA386367 טופס מסד הנתונים NCBI. מתוך הנתונים של הגישה PRJNA386367, בחר את נתוני המיקרוביום של קנה שורש, קנה שורש ואנדוספירה מצמחי אורז הגדלים במשך 14 שבועות בשדה אורז שקוע בארבקל, קליפורניה בשנת 2014. הערה: נתוני המיקרוביום של קנה שורש, קנה שורש ואנדוספירה הוצגו על-ידי טבלת ה- OTUs בגישה PRJNA386367.</li>
</ol>2. קביעת ערך הספק אופטימלית
הערה: חבילת WGCNA מכילה את כל הפרמטרים הפונקציונליים הבאים. WGCNA היא חבילת R לניתוח רשת מתאם משוקלל. שורות הפקודה של המפתח מפנות לתוספת S1.
<ol><li>בסביבת שפת R, פתח את תוכנת Rstudio והתקן את חבילת WGCNA.</li>
	<li>טען את הנתונים והשתמש בפונקציה goodSamplesGenes כדי לבדוק את נכונות הנתונים. בצע את שורות הפקודה: "gsg = goodSamplesGenes(datExpr0, verbose = 3) gsg$allOK " לחץ על הפעל.</li>
	<li>בדוק אם יש חריגים וחפש דוגמאות העומדות בדרישות. כאשר תוצאת הבדיקה היא TRUE, המשך לשלב הבא. שמור את התוצאה.</li>
	<li>השתמש בפונקציה PickSoftThreshold כדי לחשב את האינדקס R2 ללא קנה מידה של שתי הקבוצות של הנתונים תחת ערכי צריכת חשמל שונים. בצע את שורת הפקודה: "sft = pickSoftThreshold(datExpr0, powerVector = powers, verbose = 5)" לחץ על הפעל.</li>
	<li>דמיין את התוצאות (איור 1). בצע את שורת הפקודה: "עלילה(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2], xlab ="סף רך (כוח)", ylab ="התאמה מודל טופולוגיה חינם קנה מידה,חתום R^2",type ="n", main = paste("ES_Scale עצמאות"); text(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2], תוויות=סמכויות, cex =cex1, col ="אדום"); abline(h = 0.9,col = "אדום") plot(sft$fitIndices[,1], sft$fitIndices[,5], xlab ="סף רך (כוח)", ylab = "קישוריות ממוצעת", type ="n", main = הדבקה("ES_Mean קישוריות")) text(sft$fitIndices[,1], sft$fitIndices[,5], תוויות=כוחות, cex=cex1,col="red")" לחץ על הפעל. הערה: הנחת היסוד של אלגוריתם רשת המתאם המשוקלל היא שמבנה רשת הביטוי המשותף המבוסס תואם את הסטנדרטים של קריטריון הטופולוגיה ללא קנה מידה, ומגדיל את חוסנו. אינדקס ללא קנה מידה קרוב יותר ל- 1 מציין מבנה רשת הקרוב יותר לרשת נטולת קנה המידה.</li>
	<li>בחר את ערך ההספק כאשר האינדקס R2 ללא קנה מידה בריבוע גדול מ- 0.9 והמשיך לשלב הבא של הניתוח. הערה: כאשר האינדקס ללא קנה מידה קרוב ל- 1, מבנה הרשת קרוב יותר לרשת נטולת קנה המידה. בעת ניתוח שתי רשתות או יותר, יש צורך לבחור להפוך כל רשת קרובה לערך ההפעלה של הרשת נטולת קנה המידה כדי לספק את ההשוואה בין הרשתות המשותפות.</li>
</ol>3. בניית רשת ביטוי משותף וזיהוי מודול
הערה: בהתבסס על ערך צריכת החשמל המחושב לעיל, רשת המופעים המשותפים בנויה. שורות הפקודה של המפתח מתייחסות ל- תוספת S2.
<ol><li>השתמש בפונקציית ההדחה בחבילת WGCNA כדי להוסיף פרמטרים חתומים לבניית רשת מופעים משותפים סמלית. בצע את שורת הפקודה: "צפיפות = צפיפות(datExpr0, power = softPower)" לחץ על הפעל.</li>
	<li>החל את הפונקציה TOM-דמיון כדי לפתח רשת חופפת טופולוגית ולחשב את רשת השוני. בצע את שורת הפקודה: "TOM = TOMsimilarity(סמיכות); dissTOM = 1-TOM" לחץ על הפעל. הערה: הפרמטר החתום נוסף כדי להגדיר את סוג הרשת החופף של הטופולוגיה.</li>
	<li>השתמש בפונקציה hclust כדי לבחור את שיטת קיבוץ באשכולות הירארכית של ההצמדה הממוצעת עבור קיבוץ באשכולות הירארכיים. בצע את שורת הפקודה: "geneTree = hclust(as.dist(dissTOM), שיטה = "ממוצע");" לחץ על הפעל.</li>
	<li>השתמש בפונקציה cutreeDynamic כדי לבצע חיתוך ענף דינמי ולהגדיר את הפרמטר minClusterSize ל- 30. השג את תוצאת זיהוי המודול. בצע את שורת הפקודה: "dynamicMods = cutreeDynamic(dendro = geneTree, distM = dissTOM, deepSplit = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize);" לחץ על הפעל. הערה: גודל המודול המינימלי לא יכול להיות נמוך מ- 30.</li>
	<li>חשב את eigen המודול של כל מודול OTUs על ידי הפונקציה ModuleEigengenes. בצע את שורת הפקודה: "MEList = moduleEigengenes(datExpr0, colors = dynamicColors) MEs = MEList$eigengenes" לחץ על הפעל. הערה: המודול eigen ייצג את רמת הביטוי הכוללת של OTU במודול. זה לא היה OTU ספציפי, אבל הרכיב העיקרי הראשון של כל אשכול שהושג על ידי פירוק ערך רשת יחיד.</li>
	<li>בצע את פונקציית האשכול בהתבסס על מקדם המתאם של מודול eigen. השתמש בפונקציה mergeCloseModules כדי למזג את המודולים עם ערך נמוך מ- 0.25. בצע את שורת הפקודה: "merge = mergeCloseModules(datExpr0, dynamicColors, cutHeight = MEDissThres, מילולי = 3)" לחץ על הפעל.</li>
	<li>לבסוף, השתמש בפונקציה plotDendroAndColors לתצוגה חזותית כדי להשיג את דיאגרמת התצוגה של הקצאת המודול של כל רשת של ביטויים משותפים (איור 2). השתמש בפונקציית הטבלה כדי לחלץ את ייחוס המודול המתאים לכל OTin טבלת הקצאות המודול. בצע את שורת הפקודה: "plotDendroAndColors(geneTree, מיזוגColors, "דינמיקה ממוזגת", dendroLabels = FALSE, לתלות = 0.03,addGuide = TRUE, guideHang = 0.05, main = "ES_Gene דנדרוגרמה וצבעי מודול"" לחץ על הפעל. הערה: בדיאגרמת הקצאת המודול של רשת ההבעה המשותפת, צבעים שונים מייצגים מודולים שונים, ואפור מייצג OTUs שלא ניתן לסווגם למודול כלשהו. מספר גדול יותר של OTUs במודול האפור מציין כי איכות עיבוד מוקדם של מטריצת הביטוי היא ירודה.</li>
</ol>4. השוואת מודולים
הערה: ניתן להשתמש בשיטה זו כדי להשוות את מודולי הרשת של שתי קהילות מיקרוביאליות אקולוגיות. במאמר זה, השווה את ההבדלים של מודולי רשת מיקרוביאלית בין אנדוספירה וריזופלן, אנדוספירה וריזוספירה, ריזוספירה וריזופלן.
<ol><li>מבחן שימור<ol>
<li>טען את הפרמטרים והתוצאות של שתי ערכות הנתונים שנשמרו בשלבים הקודמים.</li>
		<li>הגדר את תוצאת הקצאת מודול הרשת של קבוצה של נתונים מיקרוביאליים כקבוצת ההפניות, ואילו הקבוצה האחרת כקבוצת הבדיקה.</li>
		<li>השתמש בפונקציית modulePreservation כדי לחשב את הערכים של הפרמטרים הסטטיסטיים של שמרנות Z_summary ו- medianRank. בצע את שורת הפקודה: "system.time({mp=modulePreservation(multiExpr, MultiColor,referenceNetworks=1, nPermutation=100, randomSeed=1,quickCor=0,verbose=3)})" לחץ על הפעל. הערה: תוצאה זו יכולה לכמת את השמרנות בין המודולים. Z_summary>10 מציין כי שני מודולים נשמרים מאוד, בעוד Z_summary<2 מציין מודולים שאינם שמורים. medianRank מבטא את השימור היחסי של המודול המוערך על ידי דירוג. ערכי medianRank גבוהים יותר מציינים מודולים שאינם שמורים. (שורות הפקודה המרכזיות מפנות ל- תוספת S3.)</li>
		<li>השתמש בפונקציית ההתוויה כדי להציג את התוצאות באופן חזותי (איור 3). קבל את הפרמטרים Z_summary ו- medianRank (טבלה 1). הערה: מודולי הרשת המספקים הן את ערך Z_summary פחות מ- 2 והן את ערך הדירוג החציוני בחלק העליון, הוא המודול הכי לא שמור בשתי הקהילות המיקרוביות האקולוגיות.</li>
		<li>בהתבסס על התוצאות של שני הפרמטרים הסטטיסטיים הנ"ל כדי לזהות את המודול עם המודול ביותר לא נשמר של שתי הרשתות.</li>
	</ol>
</li>
	<li>ניתוח מתאם של חברות במודול<ol>
<li>הגדר את תוצאות הקצאת המודול של שתי הרשתות הוגדרו כהפניה וקבוצת הבדיקה, בהתאמה. הערה: ההגדרות צריכות להיות זהות לבדיקת שימור.</li>
		<li>השתמש בפונקציה corPvalueStudent כדי לחלץ את הערך kME (חברות במודול) של כל OTU במספר מודולים מועמדים. בצע את שורת הפקודה: "Pvalue = as.data.frame(corPvalueStudent(as.matrix (מודולהתה), דוגמאות))" לחץ על הפעל. הערה: kME מייצג את מידת החברות במודול. ME מייצג את מודול eigen, המייצג את הרמה הכוללת של ביטוי OTU במודול. kME הוא מקדם המתאם בין כל OTU לבין ME. לכמת את החשיבות של OTU ברשת לפי ערך kME של OTU. (שורות הפקודה של המפתח מתייחסות ל- תוספת S4.)</li>
		<li>לאחר מכן, השתמש בפונקציה verboseScatterplot כדי לחשב את מקדם המתאם של ערך kME של OTUs המתאים בשתי הרשתות ולצייר את דיאגרמת ניתוח המתאם (איור 4). בצע את שורת הפקודה: "verboseScatterplot(abs(TModuleMembership [TmoduleGenes, Tcolumn]), abs(NModuleMembership[NmoduleGenes, Ncolumn]), xlab = paste("kME in", "ES"), ylab = paste("kME in", "RP"), main = paste("lightyellow"), cex.main = 1.7, cex.lab = 1.6, cex.axis = 1.6, col = מודולקולור)" לחץ על הפעל.</li>
		<li>בחר את המודול עם מקדם המתאם הקטן ביותר של ערך kME של ה- OTU של שתי הרשתות. שקול מודול זה יש את ההבדל הגדול ביותר של שתי הרשתות.</li>
	</ol>
</li>
</ol>5. ניתוח מודול הרשת הדיפרנציאלית המיקרוביאלית
<ol><li>השג נתונים של פילה החיידק הדומיננטי באמצעות ניתוח סטטיסטי של ערכת רצף OTU של המודול עם ההבדל הגדול ביותר. הערה: ערכת רצף OTU של המודול עם ההפרש הגדול ביותר מסכמת את טקסונומיה של פילה. החיידק הדומיננטי פילה היווה יותר מ -10%.</li>
	<li>לאחר מכן, השתמש בפונקציה exportNetworkToCytoscape כדי להשיג את הקובץ המכיל את מידע קשרי הגומלין של האינטראקציה של OTU במודול הדיפרנציאלי הגדול ביותר. בצע את שורת הפקודה: "cyt = exportNetworkToCytoscape(modTOM, edgeFile = paste("NEW-ES_CytoscapeInput-edges-", מודולים , ".txt", ספטמבר="), nodeFile = הדבק("NEW-ES_CytoscapeInput-צמתים-", מודולים, ".txt", ספטמבר="), משוקלל = TRUE,threshold = 0.5, nodeNames = modProbes, altNodeNames = modGenes, nodeAttr = moduleColors[inModule])" לחץ על הפעל.</li>
	<li>יבא את הקובץ לתוך הנוף. הגדר את הסף ל- 0.5 והתאם פרמטרים אחרים לפי הצורך.</li>
	<li>בנו רשת של מיקרואורגניזמים דיפרנציאליים(איור 5).</li>
	<li>השיג את המידע של סוג הליבה שיש לו את התפקיד הרגולטורי החשוב ביותר ברשת. הערה: בהתאם לערך kME של OUT, ניתן להגדיר את סוג הליבה.</li>
	<li>לבסוף, הפונקציות של סוג הליבה נבדקו והשפעתו על רשת ההבדל כולה נותחה.</li>
</ol>

<ol><li>Philippot, L., Raaijmakers, J. M., Lemanceau, P., vander Putten, W. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Going+back+to+the+roots%3A+the+microbial+ecology+of+the+rhizosphere%5BTitle%5D)+AND+%22Nature+Reviews+Microbiology%22%5BJournal%5D)">Going back to the roots: the microbial ecology of the rhizosphere.</a> Nature Reviews Microbiology. 11, 789-799 (2013).</li>
<li>Fierer, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Embracing+the+unknown%3A+disentangling+the+complexities+of+the+soil+microbiome%5BTitle%5D)+AND+%22Nature+Review+Microbiology%22%5BJournal%5D)">Embracing the unknown: disentangling the complexities of the soil microbiome.</a> Nature Review Microbiology. 15 (10), 579-590 (2017).</li>
<li>Jin, J., Wang, G. H., Liu, X. B., Liu, J. D., Chen, X. L., Herbert, S. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+and+spatial+dynamics+of+bacterial+community+in+the+rhizosphere+of+soybean+genotypes+grown+in+a+black+soil%5BTitle%5D)+AND+%22Pedosphere%22%5BJournal%5D)">Temporal and spatial dynamics of bacterial community in the rhizosphere of soybean genotypes grown in a black soil.</a> Pedosphere. 19 (6), 808-816 (2009).</li>
<li>Ma, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization%5BTitle%5D)+AND+%22ISME+J%22%5BJournal%5D)">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12 (10), 2492-2505 (2018).</li>
<li>de Vries, F. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Soil+bacterial+networks+are+less+stable+under+drought+than+fungal+networks%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Soil bacterial networks are less stable under drought than fungal networks.</a> Nature Communications. 9 (1), 3033(2018).</li>
<li>Colin, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Correlating+transcriptional+networks+to+breast+cancer+survival%3A+a+large-scale+coexpression+analysis%5BTitle%5D)+AND+%22Carcinogenesis%22%5BJournal%5D)">Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis.</a> Carcinogenesis. (10), 2300-2308 (2013).</li>
<li>Ma, B., Zhao, K., Lv, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization%5BTitle%5D)+AND+%22ISME+J%22%5BJournal%5D)">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12, 2492-2505 (2018).</li>
<li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+general+framework+for+weighted+gene+co-expression+network+analysis%5BTitle%5D)+AND+%22Statistical+applications+in+genetics+and+molecular+biology%22%5BJournal%5D)">A general framework for weighted gene co-expression network analysis.</a> Statistical applications in genetics and molecular biology. 4 (1), (2005).</li>
<li>Edwards, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Compositional+shifts+in+root-associated+bacterial+and+archaeal+microbiota+track+the+plant+life+cycle+in+field-grown+rice%5BTitle%5D)+AND+%22PLoS+Biology%22%5BJournal%5D)">Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice.</a> PLoS Biology. 16 (2), 2003862(2018).</li>
<li>Bashan, Y., De-Bashan, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+the+Plant+Growth-Promoting+Bacterium+Azospirillum+Promotes+Plant+Growth-A+Critical+Assessment%5BTitle%5D)+AND+%22Advances+in+Agronomy%22%5BJournal%5D)">How the Plant Growth-Promoting Bacterium Azospirillum Promotes Plant Growth-A Critical Assessment.</a> Advances in Agronomy. 108, 77-136 (2010).</li>
<li>Lovley, D. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Geobacter%3A+The+Microbe+Electric%27s+Physiology%2C+Ecology%2C+and+Practical+Applications%5BTitle%5D)+AND+%22Advances+in+Microbial+Physiology%22%5BJournal%5D)">Geobacter: The Microbe Electric's Physiology, Ecology, and Practical Applications.</a> Advances in Microbial Physiology. 59, 1(2011).</li>
<li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((WGCNA%3A+an+R+package+for+weighted+correlation+network+analysis%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">WGCNA: an R package for weighted correlation network analysis.</a> BMC Bioinformatics. 9, 559(2008).</li>
<li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+General+Framework+for+Weighted+Gene+Co-expression+Network+Analysis%5BTitle%5D)+AND+%22Statistical+Applications+in+Genetics+and+Molecular+Biology%22%5BJournal%5D)">A General Framework for Weighted Gene Co-expression Network Analysis.</a> Statistical Applications in Genetics and Molecular Biology. 4 (1), 17(2005).</li>
<li>Horvath, S., Dong, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Geometric+interpretation+of+Gene+Co-expression+Network+Analysis%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Geometric interpretation of Gene Co-expression Network Analysis.</a> PLoS Computational Biology. 4 (8), 1000117(2008).</li>
<li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Eigengene+networks+for+studying+the+relationships+between+co-expression+modules%5BTitle%5D)+AND+%22BMC+Systems+Biology%22%5BJournal%5D)">Eigengene networks for studying the relationships between co-expression modules.</a> BMC Systems Biology. 1, 54(2007).</li>
<li>Horvath, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analysis+of+Oncogenic+Signaling+Networks+in+Glioblastoma+Identifies+ASPM+as+a+Novel+Molecular+Target%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Analysis of Oncogenic Signaling Networks in Glioblastoma Identifies ASPM as a Novel Molecular Target.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (46), 17402-17407 (2006).</li>
<li>Carlson, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((and+Sequence+Conservation%3A+Predictions+from+Modular+Yeast+Co-expression+Networks%5BTitle%5D)+AND+%22BMC+Genomics%22%5BJournal%5D)">and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks.</a> BMC Genomics. 7 (1), 40(2006).</li>
<li>Fuller, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Weighted+Gene+Co-expression+Network+Analysis+Strategies+Applied+to+Mouse+Weight%5BTitle%5D)+AND+%22Mammalian+Genome%22%5BJournal%5D)">Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight.</a> Mammalian Genome. 6 (18), 463-472 (2007).</li>
<li>Yin, L., Wang, Y., Lin, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Explorative+analysis+of+the+gene+expression+profile+during+liver+regeneration+of+mouse%3A+a+microarray-based+study%5BJ%5D%5BTitle%5D)+AND+%22Artificial+Cells+Nanomedicine+%26+Biotechnology%22%5BJournal%5D)">Explorative analysis of the gene expression profile during liver regeneration of mouse: a microarray-based study[J].</a> Artificial Cells Nanomedicine & Biotechnology. 47 (1), 1113-1121 (2019).</li>
<li>Oldham, M., Horvath, S., Geschwind, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conservation+and+Evolution+of+Gene+Co-expression+Networks+in+Human+and+Chimpanzee+Brains%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Conservation and Evolution of Gene Co-expression Networks in Human and Chimpanzee Brains.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (47), 17973-17978 (2006).</li>
<li>Oldham, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+organization+of+the+transcriptome+in+human+brain%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">Functional organization of the transcriptome in human brain.</a> Nature Neuroscience. 11 (11), 1271-1282 (2008).</li>
<li>Keller, M. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+gene+expression+network+model+of+type+2+diabetes+links+cell+cycle+regulation+in+islets+with+diabetes+susceptibility%5BTitle%5D)+AND+%22Genome+Research%22%5BJournal%5D)">A gene expression network model of type 2 diabetes links cell cycle regulation in islets with diabetes susceptibility.</a> Genome Research. 18 (5), 706-716 (2008).</li>
<li>Weston, D., Gunter, L., Rogers, A., Wullschleger, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+genes%2C+coexpression+modules%2C+and+molecular+signatures+to+environmental+stress+phenotypes+in+plants%5BTitle%5D)+AND+%22BMC+Systems+Biology%22%5BJournal%5D)">Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants.</a> BMC Systems Biology. 2 (1), 16(2008).</li>
<li>Jorda´n, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Keystone+species+and+food+webs%5BTitle%5D)+AND+%22Biological+Sciences%22%5BJournal%5D)">Keystone species and food webs.</a> Biological Sciences. 364, 1733-1741 (2009).</li>
<li>Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Host-Bacterial+Mutualism+in+the+Human+Intestine%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Host-Bacterial Mutualism in the Human Intestine.</a> Science. 307, 1915-1920 (2009).</li>
</ol>

למחברים אין מה לחשוף.

רשתות מתאם שימשו יותר ויותר ביישומי ביואינפורמטיקה. WGCNA היא שיטה ביולוגית של מערכות לניתוח תיאורי של היחסים בין אלמנטים שונים של מערכת ביולוגית12. חבילת תוכנה R שימשה בעבודה קודמת על WGCNA13,14,15. החבילה כוללת פונקציות לבניית רשת, זיהוי מודולים, חישובים של מאפיינים טופולוגיים, הדמיית נתונים, ויזואליזציה ויכולת התממשקות עם תוכנה חיצונית. WGCNA כבר מועסק בהרחבה כדי לנתח נתוני ביטוי גנים מסרטן המוח<sup cl...

למחקר מיקרוביום יש השלכות חשובות על הבנה ומניפולציה של תהליכים אקולוגיים1,2. אוכלוסיות מיקרוביות מחוברות על ידי רשתות אקולוגיות אינטראקציה, שמאפייניהן יכולים להשפיע על התגובה של מיקרואורגניזמים לשינויים סביבתיים3,4. יתר על כן, המאפיינים של רשתות אלה משפיעים על היציבות של קהילות מיקרוביות, והם קשורים קשר הדוק עם פונקציית הקרקע5. ניתוח רשת מתאם גנים משוקלל מיושם כעת באופן נרחב למחקר על הקשר ביןגניםוקהילות מיקרוביאליות 6 . מחקרים קודמים התמקדו בעיקר בקשרים בין רשתות של גנים או אוכלוסיות שונות לבין העולם החיצון7. עם זאת, ההבדלים ברשתות המתאם שנוצרו על ידי אוכלוסיות מיקרוביות בתנאים סביבתיים שונים נחקרו בקושי. מטרת המחקר המוצג במאמר זה היא לספק תובנות ופרטים על היישום המהיר של אלגוריתם WGCNA כדי לבנות רשת מופע משותף של דגימות מיקרוביום שנאספו בתנאים סביבתיים שונים. בהתבסס על תוצאות הניתוח, הערכנו את הרכב האוכלוסייה וההבדלים ודנו עוד יותר ביחסים בין אוכלוסיות מיקרוביות שונות. הזרימה הבסיסית הבאה של אלגוריתם רשת מתאם משוקלל8 הוחלה. ראשית, היה צורך לבנות מטריצת דמיון על-ידי חישוב מקדם המתאם של פירסון בין פרופילי הביטויים של יחידות טקסונומיות תפעוליות (OTU). לאחר מכן, הפרמטרים של פונקציות ההדחה (הכוח או פונקציות ההדחה הסיגמואידית) אומצו עם קריטריון טופולוגי ללא קנה מידה, מטריצת הדמיון הפכה למטריצת סמיכות, וכל רשת מופע משותף התאימה למטריצת סמיכות. השתמשנו באשכולות הירארכיים של הצמדה ממוצעת בשילוב עם השוני מבוסס TOM כדי לקבץ OTUs עם פרופילי ביטוי קוהרנטיים למודולים. יתר על כן, חישבנו את הקשר בין סטטיסטיקה שמרנית לבין מודולי ניתוח הפרמטרים הקשורים, ולבסוף זיהינו את הרכזת OTU במודול. שיטות אלה מתאימות במיוחד לניתוח ההבדלים במבני הרשת בין אוכלוסיות מיקרוביאליות שונות בתנאים סביבתיים שונים. בכתב יד זה תיארנו בפירוט את שיטת פיתוח רשת הביטוי המשותף, ניתוח השונים בין המודולים, וסיפקנו סקירה קצרה של השלבים בהליך החלים להשגת מיני הליבה ברשתות מודול שונות.

<table><tbody><tr><td>R</td><td>אוניברסיטת אוקלנד</td><td>גרסה 4.0.2</td><td>R היא סביבת תוכנה חופשית למחשוב סטטיסטי וגרפיקה. הוא מהדר ופועל על מגוון רחב של פלטפורמות UNIX, Windows ו-MacOS.</td></tr><tr><td>RStdio</td><td>JJ Allaire</td><td>גרסה 1.4.1103</td><td>RStudio IDE הוא סט של כלים משולבים שנועדו לעזור לך להיות פרודוקטיבי יותר עם R ו-Python.</td></tr><tr><td>Cytoscape</td><td></td><td>גרסה 3.7.1</td><td>Cytoscape היא פלטפורמת תוכנה בקוד פתוח להמחשת רשתות מורכבות ושילובם עם כל סוג של נתוני תכונות.</td></tr><tr><td>מסד הנתונים</td><td></td><td></td> של NCBI <td>המרכז הלאומי למידע ביוטכנולוגי מקדם את המדע והבריאות על ידי מתן גישה למידע ביו-רפואי וגנומי.</td></tr></tbody></table>

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

Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks

למיקרוביום השורש יש תפקיד חשוב בצמיחת הצמחים ובהסתגלות סביבתית. ניתוח רשת הוא כלי חשוב לחקר קהילות, אשר יכול לחקור ביעילות את יחסי הגומלין או את מודל ההתרחשות המשותפת של מינים מיקרוביאליים שונים בסביבות שונות. מטרת כתב יד זה היא לספק פרטים על אופן השימוש באלגוריתם רשת המתאם המשוקלל כדי לנתח רשתות שונות של התרחשות משותפת שעלולות להתרחש בקהילות מיקרוביות עקב סביבות אקולוגיות שונות. כל הניתוח של הניסוי מבוצע בחבילת WGCNA. WGCNA היא חבילת R לניתוח רשת מתאם משוקלל. הנתונים הניסיוניים ששימשו להדגמת שיטות אלה היו נתונים קהילתיים מיקרוביאליים ממסד הנתונים של NCBI (המרכז הלאומי למידע ביוטכנולוגיה) עבור שלוש נישות של מערכת השורשים של האורז (Oryza sativa). השתמשנו באלגוריתם רשת המתאם המשוקלל כדי לבנות רשתות שפע משותף של קהילה מיקרוביאלית בכל אחת משלוש הגומחות. לאחר מכן, זוהו רשתות שפע דיפרנציאליות בין אנדוספירה, ריזופלן ואדמה ריזוספירה. בנוסף, ג'נרי הליבה ברשת הושגו על ידי חבילת "WGCNA", הממלאת תפקיד מוסדר חשוב בפונקציות הרשת. שיטות אלה מאפשרות לחוקרים לנתח את התגובה של רשת מיקרוביאלית להפרעות סביבתיות ולאמת תיאוריות תגובה אקולוגיות מיקרוביאליות שונות. התוצאות של שיטות אלה מראות כי רשתות מיקרוביאליות דיפרנציאליות משמעותיות שזוהו באנוספירה, בריזופלן ואדמה ריזוספירה של אורז.

התוצאות הייצוגיות במאמר זה הורדו מנתוני המיקרוביום של שורש האורז של קליפורניה 2014 במאגר המידע של NCBI (PRJNA386367)9. הנתונים כוללים את דגימות המיקרוביום של קנה שורש, קנה שורש ואנדוספירה מצמחי אורז הגדלים במשך 14 שבועות בשדה אורז שקוע. השתמשנו באלגוריתם WGCNA כדי לבחור את ערך צריכת החשמל שסיפק את שלוש הרשתות שהיו קרובות לרשת נטולת קנה המידה (איור 1)ופיתחנו שלוש רשתות לביטוי משותף(איור 2). באנטוספירה, ריזופלן, וריזון קרקע פחמן משותף רשת ב...

ניתוח רשת הוחל כדי להעריך את הקשר של קהילות מיקרוביות אקולוגיות שונות, כגון אדמה, מים וריזוספירה. מוצג כאן פרוטוקול כיצד להשתמש באלגוריתם WGCNA כדי לנתח רשתות שונות של התרחשות משותפת שעלולות להתרחש בקהילות המיקרוביות עקב סביבות אקולוגיות שונות.

The root microbiome plays an important role in plant growth and environmental adaptation. Network analysis is an important tool for studying communities, ...

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.

divergence-root-microbiota-different-habitats-based-on-weighted

Research

JoVE Journal

Biology

ביולוגיה

כאן, אנו מתארים את פרוטוקול להשיג אמפליקון רצף נתונים של קרקע, rhizosphere, microbiomes endosphere השורש. מידע זה יכול לשמש כדי לחקור את הרכב ואת הרב-גוניות של צמח-הקשורים קהילות מיקרוביאלי, מתאים לשימוש עם מגוון רחב של מיני צמחים.

לחקור את השורש Microbiome: שליפת נתונים הקהילה חיידקי מן האדמה, Rhizosphere, Endosphere שורש

חפירה של שורשי צמחים מן השדה, כמו גם עיבוד של דגימות לתוך endosphere, rhizosphere ואדמה מתוארים בפירוט, כולל הפקת דנ א ושיטות ניתוח הנתונים. נייר זה נועד לאפשר מעבדות אחרות שימוש בטכניקות אלה לצורך המחקר של קרקע, endosphere, rhizosphere microbiomes.

בידוד וניתוח של הקהילות מיקרוביאלית בקרקע, Rhizosphere ושורשים בניסויים עשב רב שנתי

ניתוח תזרים cytometric הוכיח יקר עבור חוקרים תרבויות טהור וניטור dynamics הקהילה מיקרוביאלי. אנו מציגים שלוש זרימות עבודה מקיפה, מן הדגימה כדי ניתוח נתונים, עבור טהור תרבויות וקהילות מורכבים כמו גם ברורה בינוני כמו מטריצות מאתגר, בהתאמה.

אפיון Microbiome Dynamics – Cytometry זרימה מבוסס זרימות עבודה מתרבויות טהור לקהילות טבעי

כאן, אנו מציגים פרוטוקול עבור culturing microbiota את הבטן של המעי הגס במבחנה, באמצעות סדרה של ריאקטורים שמדמות את התנאים הפיזיולוגיים של דרכי עיכול.

מתקדמים במבחנה Culturing טכנולוגיה ללמוד את Microbiota בטן האדם

רוב הצמחים בתוך קהילות סביר מחוברים על ידי arbuscular mycorrhizal (AM) פטריות, אך גישור של אינטראקציות צמח על ידם נחקר בעיקר על ידי גידול צמחים עם לעומת ללא mycorrhizas. אנו מציגים שיטה לתמרן רשתות mycorrhizal נפוץ בין צמחים mycorrhizal לחקור את ההשלכות שלהם עבור אינטראקציות צמח.

החקירה של אינטראקציות צמח ברשתות Mycorrhizal נפוצות באמצעות ליבות מסובב

מתוארים כאן הוא הליך סטנדרטי הפעלה פשוטה עבור הפרופיל microbiome באמצעות רצף מטאגנמית של 16S וניתוח באמצעות כלים זמינים בחופשיות. פרוטוקול זה יסייע לחוקרים החדשים לשדה microbiome, כמו גם אלה הדורשים עדכונים על שיטות להשיג פרופיל חיידקי ברזולוציה גבוהה יותר.

אנליזה microbiota באמצעות שני שלבים PCR ו-הדור הבא של 16 rRNA גן רצף

הפרוטוקול כאן מתאר את השיטות להערכת דפוסי ההתיישבות המיקוריזאלית הארבוסקולרית והאסטרטגיה בשורשים לשני מינים: Zea mays ו-Festuca rubra. השימוש בשיטת MycoPatt מאפשר חישוב פרמטרים, המרה של מבנים מיקוריזאליים לנתונים דיגיטליים ומיפוי מיקומם האמיתי בשורשים.

מפות מיקוריזאליות ככלי לחקור דפוסי התיישבות ואסטרטגיות פטרייתיות בשורשים של Festuca rubra ו - Zea mays

מיקרוקוסמוסים של קומפוסט מביאים את המגוון המיקרוביאלי שנמצא בטבע למעבדה כדי להקל על מחקר המיקרוביום ב-Caenorhabditis elegans. מובאים כאן פרוטוקולים להקמת ניסויי מיקרוקוסמוס, כאשר הניסויים מדגימים את היכולת לווסת את המגוון המיקרוביאלי הסביבתי כדי לחקור את הקשרים בין המגוון המיקרוביאלי הסביבתי לבין הרכב המיקרוביום של מעי התולעים.

מיקרוקוסמוסים של קומפוסט כסביבות טבעיות מגוונות מיקרוביאלית לחקר המיקרוביום ב-Caenorhabditis elegans

אנו מציעים פרוטוקול מיקרוסקופ אלקטרונים סורק אופטימלי להדמיית דגימות הטרוגניות ועדינות ביותר המכילות ביומסה צמחית ופטרייתית, יחד עם מיקרוביוטה וביופילם. פרוטוקול זה מאפשר לתאר את הממדים המרחביים של ארגון המיקרוביוטה.

מיקרוביוטה של גני נמלים אטיין: הדמיה של נוף מיקרוביאלי על ידי סריקת מיקרוסקופ אלקטרונים

פרוטוקול זה מספק את המידע הדרוש להקמת, טיפול, הקלטה מ - ו - גירוי חשמלי תרבויות על MEAs.

איך להקליט התרבות לעידוד רשתות נוירונים על מיקרו אלקטרודה מערכים (MEAs)

חקור רשתות שותפות מיקרוביוטה בשורשי אורז באמצעות אלגוריתם WGCNA. השיטה מזהה גנים ליבה ומודולים לא שמורים בנישות אקולוגיות שונות כדי להבין הסתגלות קהילות מיקרוביאליות.

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

גלה סרטונים נוספים