RESEARCH
Peer reviewed scientific video journal
Video encyclopedia of advanced research methods
Visualizing science through experiment videos
EDUCATION
Video textbooks for undergraduate courses
Visual demonstrations of key scientific experiments
BUSINESS
Video textbooks for business education
OTHERS
Interactive video based quizzes for formative assessments
Products
RESEARCH
JoVE Journal
Peer reviewed scientific video journal
JoVE Encyclopedia of Experiments
Video encyclopedia of advanced research methods
EDUCATION
JoVE Core
Video textbooks for undergraduates
JoVE Science Education
Visual demonstrations of key scientific experiments
JoVE Lab Manual
Videos of experiments for undergraduate lab courses
BUSINESS
JoVE Business
Video textbooks for business education
Solutions
Language
it_IT
Menu
Menu
Menu
Menu
Research Article
Jeremy R. Chen See1,2, Olivia Wright1, Lavinia V. Unverdorben1,2, Nathan Heibeck1, Stephen M. Techtmann3, Terry C. Hazen4,5, Regina Lamendella1,2
1Department of Biology,Juniata College, 2Wright Labs, LLC, 3Department of Biological Sciences,Michigan Technological University, 4Biosciences Division,Oak Ridge National Laboratory, 5Department of Civil and Environmental Engineering,University of Tennessee
Please note that some of the translations on this page are AI generated. Click here for the English version.
Erratum Notice
Important: There has been an erratum issued for this article. View Erratum Notice
Retraction Notice
The article Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size (LEfSe) in Microbiome Data (10.3791/61715) has been retracted by the journal upon the authors' request due to a conflict regarding the data and methodology. View Retraction Notice
Qui, presentiamo un protocollo per studiare gli impatti della fratturazione idraulica sui corsi d'acqua vicini analizzando le loro comunità microbiche di acqua e sedimenti.
La fratturazione idraulica (HF), comunemente chiamata "fracking", utilizza una miscela di acqua ad alta pressione, sabbia e sostanze chimiche per fratturare le rocce, rilasciando petrolio e gas. Questo processo ha rivoluzionato l'industria energetica statunitense, in quanto dà accesso a risorse che prima erano introvabili e ora produce due terzi del gas naturale totale negli Stati Uniti. Sebbene il fracking abbia avuto un impatto positivo sull'economia degli Stati Uniti, diversi studi hanno evidenziato i suoi effetti ambientali dannosi. Di particolare preoccupazione è l'effetto del fracking sui corsi d'acqua, che sono particolarmente importanti a causa del loro impatto sproporzionatamente grande sulla salute dell'intero spartiacque. I batteri all'interno di questi flussi possono essere utilizzati come indicatori della salute del flusso, poiché ci si aspetterebbe che i batteri presenti e la loro abbondanza in un flusso disturbato differiscano da quelli in un flusso altrimenti comparabile ma indisturbato. Pertanto, questo protocollo mira a utilizzare la comunità batterica per determinare se i flussi sono stati influenzati dal fracking. A tal fine, devono essere raccolti sedimenti e campioni d'acqua provenienti da corsi d'acqua vicino al fracking (potenzialmente colpiti) e a monte o in un diverso spartiacque dell'attività di fracking (non impressionato). Questi campioni vengono quindi sottoposti all'estrazione di acido nucleico, alla preparazione della libreria e al sequenziamento per studiare la composizione della comunità microbica. L'analisi correlazionale e i modelli di apprendimento automatico possono successivamente essere impiegati per identificare quali caratteristiche sono esplicative della variazione nella comunità, nonché l'identificazione di biomarcatori predittivi per l'impatto del fracking. Questi metodi possono rivelare una varietà di differenze nelle comunità microbiche tra i flussi di sorgenti, in base alla vicinanza al fracking, e servire come base per future indagini sull'impatto ambientale delle attività di fracking.
La fratturazione idraulica (HF), o "fracking", è un metodo di estrazione del gas naturale, che è diventato sempre più diffuso man mano che la domanda di combustibili fossili continua ad aumentare. Questa tecnica consiste nell'utilizzare attrezzature di perforazione ad alta potenza per iniettare una miscela di acqua, sabbia e sostanze chimiche in depositi di scisto ricchi di metano, di solito per rilasciare gas intrappolati1.
Poiché queste tecniche di raccolta non convenzionali sono relativamente nuove, è importante studiare gli effetti di tali pratiche sui corsi d'acqua vicini. Le attività di fracking impongono la bonifica di vaste aree di terra per il trasporto di attrezzature e la costruzione di pozzi. Circa 1,2-1,7 ettari di terreno devono essere disboscati per ogni pozzopad 2, potenzialmente influenzando il deflusso e la qualità dell'acqua del sistema3. C'è una mancanza di trasparenza che circonda l'esatta composizione chimica del fluido di fracking, compresi i biocidi utilizzati. Inoltre, le acque reflue del fracking tendono ad essere altamente saline2. Inoltre, le acque reflue possono contenere metalli e sostanze radioattive presenti in natura2. Pertanto, la possibilità di perdite e fuoriuscite di fluido di fracking a causa di errori umani o malfunzionamenti delle apparecchiature è preoccupante.
Gli ecosistemi dei torrenti sono noti per essere molto sensibili ai cambiamenti nei paesaggi circostanti4 e sono importanti per mantenere la biodiversità5 e il corretto ciclo dei nutrienti6 all'interno dell'intero spartiacque. I microbi sono gli organismi più abbondanti nei flussi d'acqua dolce e, quindi, sono essenziali per il ciclo dei nutrienti, la biodegradazione e la produzione primaria. La composizione e la funzione della comunità microbica servono come ottimi strumenti per ottenere informazioni sull'ecosistema a causa della loro sensibilità alle perturbazioni, e recenti ricerche hanno mostrato cambiamenti distinti negli assemblaggi batterici osservati in base alla vicinanza all'attività di fracking7,8. Ad esempio, Beijerinckia, Burkholderiae Methanobacterium sono stati identificati come arricchiti in flussi vicino al fracking mentre Pseudonocardia, Nitrospirae Rhodobacter sono stati arricchiti nei flussi non vicino al fracking7.
Il sequenziamento di nuova generazione del gene dell'RNA ribosomiale 16S (rRNA) è un metodo economico per determinare la composizione della comunità batterica che è più veloce ed economico rispetto agli approcci di sequenziamento dell'intero genoma9. Una pratica comune nel campo dell'ecologia molecolare è quella di utilizzare la regione V4 altamente variabile del gene rRNA 16S per la risoluzione del sequenziamento, spesso fino al livello del genere con un ampio ambito di identificazione9, in quanto è ideale per campioni ambientali imprevedibili. Questa tecnica è stata ampiamente implementata in studi pubblicati ed è stata utilizzata con successo per identificare l'impatto delle operazioni di fracking sugli ambientiacquatici 7,8. Tuttavia, vale la pena notare che i batteri hanno numeri di copie variabili del gene rRNA 16S, che influisce sulle loro abbondanze rilevate10. Ci sono alcuni strumenti per spiegare questo, ma la loro efficacia è discutibile10. Un'altra pratica che sta rapidamente crescendo in prevalenza e manca di questa debolezza è il sequenziamento metatrasccrittomico, in cui tutto l'RNA viene sequenziato, consentendo ai ricercatori di identificare sia i batteri attivi che la loro espressione genica.
Pertanto, a differenza dei metodi negli studi precedentemente pubblicati7,8,11,12,questo protocollo copre anche la raccolta, la conservazione, l'elaborazione e l'analisi dei campioni per indagare la funzione della comunità microbica (metatranscriptomics). I passaggi qui descritti consentono ai ricercatori di vedere quale impatto, se del caso, il fracking ha avuto sui geni e sui percorsi espressi dai microbi nei loro flussi, compresi i geni di resistenza antimicrobica. Inoltre, il livello di dettaglio presentato per la raccolta dei campioni è migliorato. Sebbene molti dei passaggi e delle note possano sembrare ovvi per i ricercatori esperti, potrebbero essere inestimabili per coloro che hanno appena iniziato la ricerca.
Qui descriviamo i metodi per la raccolta e l'elaborazione dei campioni per generare dati genetici batterici come mezzo per studiare l'impatto del fracking sui flussi vicini sulla base dei diversi anni di esperienza dei nostri laboratori. Questi dati possono essere utilizzati nelle applicazioni a valle per identificare le differenze corrispondenti allo stato di fracking.
1. Raccolta di campioni di sedimenti per l'estrazione di acidi nucleici
2. Raccolta del filtro per l'estrazione degli acidi nucleici
3. Estrazione e quantificazione degli acidi nucleici
4. Creazione della libreria rRNA 16S
5. Purificazione della libreria di rRNA DNA 16S
6. Creazione e purificazione della libreria di RNA
7. Analisi della comunità microbica
Il successo delle estrazioni di DNA e RNA può essere valutato utilizzando una varietà di apparecchiature e protocolli. Generalmente, qualsiasi concentrazione rilevabile di uno dei due è considerata sufficiente per concludere che l'estrazione ha avuto successo. Esaminando la Tabella 1 quindi, tutte le estrazioni, tranne una, sarebbero soprannominate riuscite. Il fallimento in questa fase è spesso dovuto alla bassa biomassa iniziale, alla scarsa conservazione del campione o all'errore umano durante l'estrazione. Nel caso dei filtri, l'estrazione può aver avuto successo anche se la concentrazione è inferiore al rilevamento. Se questi estratti non producono bande per la PCR (se si fa 16S) o una concentrazione rilevabile dopo la preparazione della libreria (metatrascrittomica), allora probabilmente hanno davvero fallito.
Se si segue il protocollo 16S, le bande luminose successive all'amplificazione PCR, come si vede nei pozzette 4 e 6 in Figura 1,indicano il successo, mentre la mancanza di bande, come si vede negli altri pozzelli nella riga superiore, indica il fallimento. Inoltre, una banda luminosa nella corsia del gel che contiene un controllo PCR negativo indicherebbe anche un guasto poiché sarebbe rischioso presumere che la contaminazione che influisce sui controlli negativi non abbia influenzato i campioni.
Sia per la 16S che per la metatranscriptomics, il successo del sequenziamento può essere valutato osservando il numero di sequenze ottenute (Figura 2). I campioni 16S dovrebbero avere un minimo di 1.000 sequenze, con almeno 5.000 ideali (Figura 2A). Allo stesso modo, i campioni di metatrascrittomica dovrebbero avere un minimo di 500.000 sequenze, con almeno 2.000.000 di essere ideali (Figura 2B). I campioni con meno sequenze di quei minimi non dovrebbero essere utilizzati per le analisi, in quanto potrebbero non rappresentare accuratamente la loro comunità batterica. Tuttavia, i campioni che rientrano tra il minimo e l'ideale possono ancora essere utilizzati, anche se i risultati dovrebbero essere interpretati con maggiore cautela se molti campioni rientrano in tale intervallo.
Il successo della successiva analisi a valle può essere determinato semplicemente sulla base del fatto che i file di output attesi siano stati ottenuti o meno. In ogni caso, programmi, come QIIME2 e R (Figura 3), dovrebbero consentire la valutazione di potenziali differenze significative tra le comunità batteriche basate sul fracking. I dati per la Figura 3 sono stati ottenuti raccogliendo campioni di sedimenti da ventuno siti diversi in tredici diversi flussi per l'analisi 16S e metatrascrittomica. Di questi ventuno siti, dodici di essi erano a valle dell'attività di fracking e classificati come HF+, e nove di essi erano a monte dell'attività di fracking o in uno spartiacque in cui il fracking non si stava verificando; questi flussi sono stati classificati come HF-. Oltre alla presenza di attività di fracking, i flussi erano altrimenti comparabili.
Tali differenze potrebbero assumere la forma di cambiamenti compositici coerenti basati sullo stato di fracking. Se così fosse, ci si aspetterebbe che i campioni HF+ e HF- si raggruppassero l'uno dall'altro in un grafico PCoA, come nel caso della Figura 3A e della Figura 3B. Per confermare che questi apparenti cambiamenti non sono solo un artefatto del metodo di ordinazione, sono necessarie ulteriori analisi statistiche. Ad esempio, un test PERMANOVA22 sulla matrice di distanza su cui si basano la Figura 3A e la Figura 3B ha rivelato un clustering significativo basato sullo stato del fracking, il che significa che la separazione osservata nella trama è coerente con le differenze tra le comunità batteriche dei campioni, invece di un artefatto di ordinazione. Un risultato significativo di PERMANOVA o ANOSIM è una forte indicazione di differenze coerenti tra i campioni HF + e HF-, che indicherebbe che i campioni HF + sono stati influenzati dal fracking, mentre un alto valore p indicherebbe che i campioni non sono stati influenzati. Anche i dati metatrascrittomici possono essere visualizzati e valutati utilizzando gli stessi metodi.
L'esame delle caratteristiche differenziali (microbi o funzioni) può rivelare prove che anche i campioni sono stati influenzati. Un metodo per determinare le feature differenziali consiste nel creare un modello di foresta casuale. Il modello di foresta casuale può essere utilizzato per vedere quanto bene lo stato di fracking dei campioni può essere classificato correttamente. Se il modello funziona meglio del previsto per caso, questa sarebbe un'ulteriore prova delle differenze dipendenti dallo stato di fracking. Inoltre, i predittori più importanti rivelerebbero quali caratteristiche sono più importanti per differenziare correttamente i campioni (Figura 3C). Anche queste caratteristiche avrebbero avuto valori costantemente diversi in base allo stato di fracking. Una volta determinate queste caratteristiche differenziali, la letteratura può essere rivista per vedere se sono state precedentemente associate al fracking. Tuttavia, può essere difficile trovare studi che determinino le funzioni differenziali, poiché la maggior parte ha utilizzato solo dati compositici sull'rRNA 16S. Pertanto, per valutare le implicazioni delle funzioni differenziali, un possibile metodo sarebbe quello di vedere se sono state precedentemente associate a una potenziale resistenza ai biocidi comunemente usati nel fluido di fracking o se potrebbero aiutare a tollerare condizioni altamente saline. Inoltre, l'esame del profilo funzionale di un taxon di interesse potrebbe rivelare prove dell'impatto del fracking (Figura 3D). Ad esempio, se un taxon è identificato come differenziale dal modello di foresta casuale, il suo profilo di resistenza antimicrobica nei campioni HF + potrebbe essere confrontato con il suo profilo nei campioni HF- e se differiscono notevolmente, ciò potrebbe suggerire che il fluido di fracking contenente biocidi è entrato nel flusso.
| SampleID | Concentrazione (ng/μL) |
| 1 | 1.5 |
| 2 | 1.55 |
| 3 | 0.745 |
| 4 | 0.805 |
| 5 | 7.82 |
| 6 | 0.053 |
| 7 | 0.248 |
| 8 | 0.945 |
| 9 | 1.82 |
| 10 | 0.804 |
| 11 | 0.551 |
| 12 | 1.69 |
| 13 | 4.08 |
| 14 | Below_Detection |
| 15 | 7.87 |
| 16 | 0.346 |
| 17 | 2.64 |
| 18 | 1.15 |
| 19 | 0.951 |
Tabella 1: Esempio di concentrazioni di DNA basate sul fluorometro 1x DS DNA ad alta sensibilità. Le estrazioni per tutti questi campioni, ad eccezione di 14, sarebbero considerate di successo a causa della quantità rilevabile di DNA.

Figura 1: Esempio di e-gel con prodotti PCR. Il gel è stato pre-macchiato e visualizzato sotto una luce UV, causando il bagliore di qualsiasi DNA presente su di esso. La PCR ha funzionato per i campioni nei pozzi 4 e 6 della prima fila, poiché entrambi avevano una singola banda luminosa della dimensione prevista (in base alla scala). La PCR per i campioni negli altri sei pozzi fallì, in quanto non produssero alcuna bande. Il controllo positivo (primo pozzo, seconda fila) aveva una banda luminosa, che indicava che la PCR era stata eseguita correttamente, e i controlli negativi (pozzi 6 e 7, seconda fila) non avevano bande, indicando che i campioni non erano contaminati. Se un negativo avesse una banda luminosa come i campioni, la PCR sarebbe stata considerata un fallimento poiché sarebbe stato rischioso presumere che i campioni avessero ampliconi che non erano solo il risultato della contaminazione. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 2: Conteggi di sequenze di esempio. (A) Conteggi di sequenze di esempio 16S. Quasi tutti questi campioni 16S avevano oltre 1.000 sequenze. I pochissimi che avevano meno di 1.000 sequenze dovrebbero essere esclusi dalle analisi a valle, in quanto avevano sequenze insufficienti per rappresentare accuratamente le loro comunità batteriche. Diverse sequenze avevano tra le 1.000 e le 5.000 sequenze; sebbene non ideali, sarebbero comunque utilizzabili poiché superano il minimo indispensabile e la maggior parte dei campioni supera anche il minimo ideale di 5.000. (B) Conteggi di esempio di metatrascrizione. Tutti i campioni hanno superato sia il numero minimo (500.000) che il numero minimo ideale (2.000.000) di sequenze. Pertanto, il sequenziamento ha avuto successo per tutti loro e potrebbero essere tutti utilizzati nell'analisi a valle. Fare clic qui per visualizzare una versione più grande di questa figura.

Figura 3: Analisi di esempio. (A) Grafico PCoA basato su coordinate calcolate con una matrice di distanza unifrac ponderata creata e visualizzata tramite QIIME2. (B) Grafico PCoA basato su coordinate calcolate con la matrice di distanza unifrac ponderata esportata da QIIME2. Le coordinate sono state visualizzate utilizzando i pacchetti Phyloseq e ggplot2 in R. I vettori di metadati sono stati montati sulla trama utilizzando il pacchetto Vegan. Ogni punto rappresenta la comunità batterica di un campione, con punti più vicini che indicano composizioni di comunità più simili. È stato osservato un clustering basato sullo stato di fracking per questi campioni di sedimenti 16S (PERMANOVA, p = 0,001). Inoltre, i vettori rivelano che i campioni HF + tendevano ad avere livelli più elevati di bario, bromuro, nichel e zinco, che corrispondevano a una diversa composizione della comunità batterica rispetto ai campioni HF- . (C)Grafico dei migliori predittori per un modello di foresta casuale che ha testato dove l'abbondanza batterica potrebbe essere utilizzata per prevedere lo stato del fracking tra i campioni. Il modello di foresta casuale è stato creato tramite R utilizzando il pacchetto randomForest. Vengono mostrati i primi 20 predittori e le conseguenti diminuzioni di impurità (misura del numero di campioni HF + e HF- raggruppati insieme) sotto forma di diminuzione media dell'indice di Gini quando vengono utilizzati per separare i campioni. (D) Grafico a torta che mostra il profilo di resistenza antimicrobica del profilo burkholderiales basato su dati metatrascrittomici. Le sequenze sono state prima annotate con Kraken2 per determinare a quali taxa appartenevano. BLAST è stato quindi utilizzato con quelle sequenze annotate e il database MEGARes 2.0 per determinare quali geni di resistenza antimicrobica (sotto forma di "MEG_ #") venivano espressi attivamente. I geni di resistenza antimicrobica espressi dai membri di Burkholderiales sono stati quindi estratti per vedere quali erano più diffusi tra quei taxa. Sebbene più costosa e dispendiosa in termini di tempo, la metatranscriptomics consente analisi funzionali, come questa che non può essere eseguita con i dati 16S. In particolare, Kraken2 è stato utilizzato per questa analisi di esempio, invece di HUMAnN2. Kraken2 è più veloce di HUMAnN2; tuttavia, produce solo informazioni compositive, invece di composizione, contributo e funzioni (geni) e percorsi come fa HUMAnN2. Fare clic qui per visualizzare una versione più grande di questa figura.
File supplementare: un esempio di pipeline metatranscriptomics. Fare clic qui per scaricare questo file.
Gli autori non hanno nulla da rivelare.
Qui, presentiamo un protocollo per studiare gli impatti della fratturazione idraulica sui corsi d'acqua vicini analizzando le loro comunità microbiche di acqua e sedimenti.
Gli autori vorrebbero riconoscere le fonti di finanziamento per i progetti che hanno portato allo sviluppo di questi metodi, con quelle fonti che sono: l'Howard Hughes Medical Institute (http://www.hhmi.org) attraverso il Precollege and Undergraduate Science Education Program, nonché dalla National Science Foundation (http://www.nsf.gov) attraverso i premi NSF DBI-1248096 e CBET-1805549.
| 200 Proof Ethanol | Thermo Fisher Scientific | A4094 | 400 mL devono essere aggiunti al tampone PE (vedere il protocollo del kit di estrazione del gel Qiagen QIAQuck) e 96 mL devono essere aggiunti al tampone di lavaggio DNA/RNA (vedere il protocollo del kit ZymoBIOMICS DNA/RNA Miniprep). È necessario ulteriore etanolo per ZymoBIOMICS DNA/RNA Miniprep e NEBNext® Ultra e commercio; II Preparazione della libreria di RNA con kit di perline di purificazione dei campioni. |
| Agarosio | Thermo Fisher Scientific | BP1356-100 | 100 g per flacone. Sarebbero necessari 0,6 g di agarosio per fare un gel al 2% da 30 ml. |
| Candeggina disinfettante | Walmart (Clorox) | Nessun numero di catalogo | Utilizzare una soluzione di candeggina al 10% per pulire l'area di lavoro prima e dopo le procedure di laboratorio |
| Colorante di caricamento del gel di DNA | Thermo Fisher Scientific | R0611 | Ogni prodotto dall'utente (cioè non e-gel) dovrebbe includere il caricamento del colorante con tutti i campioni nel rapporto di 1 µ L colorante a 5 µ Scala del DNA del campione L |
| MilliporeSigma | D3937-1VL | Una scala deve essere eseguita su ogni gel/e-gel | |
| Scudo DNA/RNA (2x) | Zymo Research | R1200-125 | 3 ml per campione di sedimento (50 mL conico) e 2 ml per campione d'acqua (filtro) |
| Bromuro di etidio | Thermo Fisher Scientific | BP1302-10 | Utilizzato per colorare gli e-gel prodotti dall'utente |
| Forward Primer | Integrated DNA Technologies ( IDT) | 51-01-19-06 | 0.5 µ L per reazione PCR |
| Isopropanolo | MilliporeSigma | 563935-1L | Generalmente meno di 2 mL per libreria. Il volume necessario varia in base alla massa del frammento di gel asportato (vedi protocollo del kit di estrazione del gel Qiagen QIAQulick). |
| acqua per PCR | MilliporeSigma | 3315932001 | 13 µ L per reazione PCR (assumendo 1 µ L del modello di DNA del campione) |
| Platinum Hot Start PCR Master Mix (2x) | Thermo Fisher Scientific 13000012 | 10 &; L per reazione PCR | |
| Primer inverso | Integrated DNA Technologies (IDT) | 51-01-19-07 | 0,5 µ L per reazione PCR |
| Tampone TBE (Tris-borato-EDTA) | Thermo Fisher Scientific | B52 | 1 L di 10 tampone TBE (30 mL di 1x tampone TBE sarebbero necessari per fare un gel da 30 mL) |
| 1 flacone da L | Thermo Fisher Scientific | 02-893-4E | Uno necessario per flusso (lo stesso flacone può essere utilizzato per più flussi se viene sterilizzato tra un utilizzo e l'altro) |
| Provette per microcentrifuga da 1,5 mL | MilliporeSigma | BR780400-450EA | Sono necessarie 5 provette per microcentrifuga per l'estrazione del DNA e altre 3 per purificare l'RNA (vedere il protocollo del kit Miniprep ZymoBIOMICS DNA/RNA |
| )2% di e-gel di agarosio | Thermo Fisher Scientific | G401002 | Ogni gel può eseguire 10 campioni (quindi 9 con un negativo alla PCR e 8 se l'estrazione negativa viene eseguita sullo stesso gel) |
| 50 mL di Conicals | CellTreat | 229421 | 1 50 mL di conico necessario per i campioni di sedimento Bicchiere |
| 500 mL | MilliporeSigma | Z740580 | Solo 1 necessario (per la sterilizzazione a fiamma) |
| Foglio di alluminio | Walmart (Reynolds KITCHEN) | Nessun numero | Il foglio di alluminio può essere piegato e sterilizzato in autoclave. La parte non esposta all'ambiente può quindi essere utilizzata come superficie sterile, priva di DNA e RNA, per la lavorazione dei filtri (un pezzo piegato per filtro per evitare la contaminazione incrociata) |
| Autoclave | Gettinge | LSS 130 | Solo una |
| centrifuga | necessariaMilliporeSigma | EP5404000138-1EA | Solo 1 necessario |
| Raffreddatore | ULINE | S-22567 | È possibile utilizzare quasi tutti i dispositivi di raffreddamento. Questo è elencato perché è realizzato in schiuma, il che lo rende più leggero e quindi più facile da portare con sé per il campionamento sul campo. |
| Disruptor Genie | Bio-Rad | 3591456 | Solo una camera per |
| elettroforesi | necessariaBio-Rad | 1664000EDU | Solo 1 alimentatore per |
| elettroforesi | necessarioBio-Rad | 1645050 | Solo 1 necessario |
| Congelatore (-20 C) | K2 SCIENTIFIC | K204SDF | Uno necessario per conservare gli estratti di DNA |
| Congelatore (-80 C) | K2 SCIENTIFIC | K205ULT | Uno necessario per conservare gli estratti di RNA |
| Guanti Thermo Fisher Scientific | 19-020-352 | Il numero di catalogo è per i guanti medi. | |
| Blocco termico | MilliporeSigma | Z741333-1EA | Solo un |
| bruciatore da laboratorio | necessarioSterlitech | 177200-00 | Solo un pannello a |
| flusso laminare | necessarioAirClean Systems | AC624LFUV | Solo 1 kit di |
| purificazione della libreria | necessario Qiagen | 28704 | Un kit sufficiente per 50 reazioni |
| Piastra magnetica | Alpaqua | A001219 | Solo uno |
| necessario Microcentrifuga | Thermo Fisher Scientific | 75004061 | Solo una |
| Micropipetta necessaria (1000 µ L volume) | Pipette.com | L-1000 | Solo 1 |
| Micropipetta necessaria (2 & micro; L volume) | Pipette.com | L-2 | Solo 1 |
| micropipetta necessaria (20 & micro; L volume) | Pipette.com | L-20 | È necessaria solo 1 |
| micropipetta (200 & micro; L volume) | Pipette.com | L-200R | Solo 1 necessario |
| NEBNext Ultra II RNA Library Prep con perline di purificazione del campione | New England BioLabs Inc. | E7775S | Un kit contiene reagenti sufficienti per 24 campioni. |
| Parafilm | MilliporeSigma | P7793-1EA | Sono necessari 2 quadrati da 1" x 1" per filtro |
| Provette per PCR | Thermo Fisher Scientific | AM12230 | Una provetta necessaria per reazione |
| Puntali per pipette (per 1000 µ L volume) | Pipette.com | LF-1000 | Confezione da 576 puntali |
| Puntali per pipette (per 20 µ Volume L) | Pipette.com | LF-20 | Confezione da 960 |
| puntali Puntali per pipette (per 200 µ L volume) | Pipette.com | LF-250 | Confezione da 960 punte |
| Cluster di computer PowerWulf ZXR1+ | PSSC Labs | Nessun numero | Questo è solo un esempio di un supercomputer abbastanza potente da eseguire analisi metatrascrittomica in modo tempestivo. Ne serviva solo uno. |
| Kit di base per fluorimetro Qubit | Thermo Fisher Scientific | Q33239 | Viene fornito con un fluorimetro Qubit 4, reagente sufficiente per 100 saggi di DNA e 500 provette Qubit |
| Scoopula | Thermo Fisher Scientific | 14-357Q | Ne è necessaria solo una |
| Lame sterili | AD Surgical | A600-P10-0 | Una necessaria per filtro |
| Unità di filtro a pressione Sterivex-GP | MilliporeSigma | SVGP01050 | 1 filtro necessario per ogni campione d'acqua |
| Thermocycler | Bio-Rad | 1861096 | Solo uno necessario |
| Morse-grip | Irwin | 2078500 | Solo uno necessario (per aprire i filtri) |
| Vortex-Genie 2 | MilliporeSigma | Z258415-1EA | Solo 1 |
| necessario Sacchetti WHIRL-PAK | ULINE | S-22729 | 1 necessario per filtro |
| ZymoBIOMICS DNA/RNA Miniprep kit | Zymo Research | R2002 | Un kit contiene reagenti sufficienti per 50 campioni. |