È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Un'analisi R potente e facile da usare di set di dati su larga scala

645 visualizzazioni

⸱

DOI:

10.3791/68868

⸱

4 novembre 2025

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

In questo articolo

Sommario

Questo rapporto descrive un metodo che coinvolge uno script R nel software open source RStudio per analizzare set di dati su larga scala ottenuti da esperimenti di serie temporali.

Abstract

I set di dati di grandi dimensioni sono sempre più comuni in campo scientifico. È importante sviluppare strumenti di facile utilizzo per consentire ai ricercatori di analizzare facilmente questi grandi set di dati. Qui, introduciamo un metodo che coinvolge uno script R nel software open source RStudio per analizzare set di dati su larga scala ottenuti da esperimenti di serie temporali. Questo metodo richiede un input minimo da parte di un utente, consentendo a un principiante che non ha precedenti conoscenze di R o esperienza di programmazione di utilizzarlo. Le istruzioni dettagliate descritte qui e nello script R guideranno ulteriormente gli utenti su come utilizzare il metodo. I dati di input e i risultati di output sono memorizzati nella stessa cartella di un computer locale, rendendo possibile l'esecuzione dell'analisi ovunque e in qualsiasi momento. I risultati dell'output sono organizzati in cartelle per una facile interpretazione e possono essere elaborati per generare figure per le pubblicazioni. Questo metodo è stato utilizzato con successo per analizzare i dati dell'orologio circadiano e i dati di scoppio delle specie reattive dell'ossigeno, entrambi contenenti set di dati su larga scala da esperimenti di serie temporali in un formato di piastra a 96 pozzetti. Riteniamo che questo metodo fornisca una soluzione facile e potente per i ricercatori nell'analisi di set di dati simili di grandi dimensioni ottenuti attraverso esperimenti di serie temporali.

Introduzione

Con la maggiore disponibilità di grandi set di dati in campo scientifico, è importante sviluppare strumenti di facile utilizzo per consentire ai ricercatori di analizzare rapidamente questi grandi set di dati con precisione e facilità. Un tipo di set di dati comuni di grandi dimensioni deriva dall'uso del gene della luciferasi come reporter, che ha permesso un esame facile, continuo e non invasivo dell'espressione genica in cellule e organismi vivi. L'automazione nella registrazione della luminescenza ha trasformato la misurazione della luminescenza della luciferasi e ha portato a un'espansione della raccolta dei dati, in particolare nel campo dell'orologio circadiano 1,2. Utilizzando micropiastre a 96 pozzetti e un lettore automatico di piastre con stacker, migliaia di campioni che esprimono il gene della luciferasi possono essere analizzati individualmente in serie temporali, a volte a intervalli di un'ora per giorni, in un unico esperimento. Tali esperimenti ad alto rendimento hanno portato alla produzione di grandi set di dati che gli esperimenti tradizionali di espressione genica che utilizzano la raccolta manuale di campioni, seguita dall'elaborazione dell'RNA, non potrebbero raggiungere. L'analisi tempestiva di set di dati di tali dimensioni è importante, ma può essere impegnativa.

Sebbene esista una pletora di strumenti per analizzare i dati per la ritmicità, molti degli strumenti analizzano i saggi basati sul comportamento animale piuttosto che l'espressione del reporter di luminescenza 3,4,5,6,7 (Tabella supplementare S1). Alcuni strumenti richiedono ai ricercatori di avere precedenti competenze di programmazione informatica, come le competenze Python o l'accesso a MATLAB. Altri strumenti richiedono l'acquisto di software, che può essere costoso. Alcune soluzioni praticabili gratuite sono disponibili online. Uno di questi strumenti è BioDare28, che offre una varietà di metodi diversi per analizzare i dati sulla ritmicità. BioDare2 è uno strumento online di facile utilizzo e richiede competenze computazionali minime. Gli utenti devono caricare i dati di input online e scaricare i dati di output dall'interfaccia online per un'ulteriore elaborazione.

In questo articolo presentiamo script R di facile utilizzo con più funzionalità per l'analisi semplice di set di dati su larga scala. Per eseguire gli script utilizziamo il software gratuito e open source RStudio9, un'interfaccia per R e Python. RStudio può essere utilizzato su vari sistemi informatici, inclusi Windows, Mac e Linux. In questo report vengono fornite istruzioni dettagliate per guidare gli utenti su come utilizzare gli script R, in particolare nelle sezioni 1 e 2 del protocollo. Questo metodo richiede un input minimo da parte dell'utente. Un principiante che non ha conoscenze preliminari di R e che non ha esperienza di programmazione sarà in grado di utilizzare il metodo per analizzare grandi set di dati da saggi di luciferasi o altri tipi di set di dati con dati di serie temporali. Tutti i dati di input e output vengono archiviati su un computer locale e, pertanto, un'analisi può essere eseguita ovunque senza la restrizione dell'accesso a Internet, una volta che tutti i pacchetti R pertinenti sono stati scaricati per la prima volta. I dati di output vengono ordinati in cartelle ben organizzate con risultati pronti per essere elaborati per le pubblicazioni. Anche le analisi statistiche sono incluse come parte dell'output per fornire una rapida valutazione delle differenze tra i campioni. Pertanto, il metodo R potrebbe fornire una soluzione semplice e potente per i ricercatori nell'analisi di set di dati di grandi dimensioni.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

1. Analisi dell'orologio circadiano basata sulla luciferasi

  1. Configurazione sperimentale per il dosaggio della luciferasi
    NOTA: Il dosaggio della luciferasi è un metodo comune utilizzato per misurare l'attività dell'orologio circadiano in tempo reale. La luminescenza, emessa dal reporter della luciferasi trasportato da organismi e/o cellule transgeniche vive, può essere registrata automaticamente, portando alla produzione di set di dati di serie temporali su larga scala. Il nostro laboratorio utilizza principalmente piantine di Arabidopsis thaliana che esprimono il gene della luciferasi come reporter. La Figura 1 e la Figura 2 mostrano un diagramma di flusso del tipico setup sperimentale per il saggio della luciferasi con piantine in un formato a 96 pozzetti nel nostro laboratorio, modificato sulla base di una precedente descrizione2.
    1. Sterilizzare i semi con il vapore di candeggina generato aggiungendo 3 mL di HCl al 36% (p/p) a 100 mL di candeggina domestica in un becher per 3 ore. Mettere il becher in una campana di vetro con un coperchio sigillato, posto in una cappa chimica. Dopo la sterilizzazione, impiattare i semi su piastre da 1/2MS contenenti lo 0,5% di saccarosio e lo 0,8% di agar (pH 5,7), utilizzando una pipetta sterile in vetro Pasteur, in una camera a flusso laminare. Raccogli i rifiuti chimici in un barattolo con coperchio e smaltiscili collaborando con il servizio di salute ambientale istituzionale.
    2. Mettere le piastre a 4 °C per 2 giorni prima di spostarle in una camera di coltura tissutale con 12 ore di luce e 12 ore di ciclo di luce scura (LD).
    3. Lascia crescere le piantine per 4 giorni in LD.
    4. Trasferire le piantine in una piastra a 96 pozzetti; ogni pozzetto contiene 180 μL di terreno di prova (1/2 MS, 0,5% saccarosio, 0,4% agar, 0,25 mM luciferina). Posizionare le piastre per 1 giorno in LD seguito da 1 giorno in 24 ore di luce costante (LL).
    5. Aggiungere trattamenti o simulare la soluzione ai pozzetti e registrare la luminescenza a intervalli di 1 ora per 5-7 giorni in LL. Impostare la lente del filtro di emissione a 3.600 per il guadagno e il tempo dell'intervallo di misurazione a 1 s.
      NOTA: L'ora di inizio della registrazione può essere in qualsiasi momento. Tuttavia, poiché lo script R accetta solo numeri interi (numeri interi), gli intervalli di registrazione devono essere un numero intero. Ad esempio, è consentito un intervallo di 1 ora, ma un intervallo di 15 minuti non è consentito per lo script R.
    6. Al termine della registrazione, scatta una foto del piatto per registrare la crescita della piantina.
    7. Salvataggio dei dati grezzi come file CSV per l'analisi R, utilizzando la funzione Salva con nome con il software di analisi dei dati per il lettore di piastre.
  2. Spiegazione graduale dell'analisi R di dati circadiani basati sulla luciferasi
    NOTA: questa analisi R utilizza lo script RFile supplementare 1(LUC_2025.R), sviluppato per l'analisi dei dati circadiani, e il file di inputFile supplementare 2(NO7.csv). Lo script R insieme al file di input è disponibile pubblicamente tramite la piattaforma di repository online Github (https://github.com/elvenfire29/Circadian-Luciferase-Analysis).
    1. Scarica il software RStudio compatibile con il sistema informatico 9,10.
    2. Scaricare i pacchetti algoritmici RStudio richiesti dal file supplementare 1 (LUC_2025.R): MetaCycle11: algoritmo ARSER12 del pacchetto MetaCycle, ggplot213, dplyr14, magrittr15, stringr16, filesstrings17, circular18, AICcmodavg19 e broom20.
      NOTA: Vedere anche la parte superiore dello script R per l'elenco dei pacchetti.
    3. Modificare l'input dell'utente I (in base a un set di dati specifico su un computer locale, inclusa la directory di lavoro, il nome del file di input, le etichette per i trattamenti e l'ora relativa di inizio del test.
      NOTA: i passaggi 1.2.1 e 1.2.2 devono essere completati una sola volta; dopodiché la console dell'interfaccia RStudio è pronta a ricevere l'input dell'utente, con modifiche per ogni nuova analisi. Ci sono due parti nella sezione Input dell'utente (Figura supplementare S1).
      1. Selezionare la directory di lavoro. Indicare la posizione in cui risiede il file di input. La stessa cartella sarà la posizione per i file di output.
      2. Selezionare il file di input, un file CSV formattato correttamente per lo script R (Figura 2B). In particolare, la riga superiore contiene le serie temporali e la prima colonna contiene le singole posizioni dei campioni su una piastra a 96 pozzetti.
        NOTA: Un esempio di tale file CSV di input è disponibile nel file supplementare 2 (NO7.csv).
      3. Nominare i campioni e/o i trattamenti. Poiché questa analisi viene utilizzata per i dati ottenuti da impostazioni a 96 pozzetti con un andamento temporale, progettare gli esperimenti come 8 repliche per trattamento per un totale di un massimo di 12 trattamenti per piastra, o come 12 repliche per trattamento per un totale di un massimo di 8 trattamenti per piastra. Assicurati di inserire il numero corretto di campioni, 8 o 12, perché il numero di campioni conta; Se il conteggio dei campioni non è 8 o 12, il codice non verrà eseguito. Tuttavia, se ci sono file di pozzetti vuoti, basta elencarli come tali nello spazio per i nomi dei trattamenti, ad esempio, nominando come vuoto 1, vuoto 2...
        NOTA: Per i nomi dei campioni, si dovrebbe evitare di utilizzare barre rovesciate o simboli simili in quanto potrebbero causare problemi con i nomi dei file. Inoltre, si dovrebbe anche evitare di usare "NA" come etichetta quando si sceglie di utilizzare ANOVA in User Input II. Tutti i trattamenti con lo stesso identico nome saranno combinati in un unico grande gruppo di trattamento.
      4. Indicare l'ora relativa di inizio del saggio. Per un dato giorno di 24 ore, l'alba soggettiva è quando la luce della camera viene accesa durante un normale ciclo luce/buio. Ad esempio, se la luce è accesa alle 7 del mattino, considera questa volta il tempo circadiano 0. Se un test della luciferasi inizia alle 9 del mattino, l'orario del test è al tempo circadiano 2; input 2 come ora di inizio relativa.
        NOTA: L'ora di inizio relativa deve essere un numero intero e non può essere negativa. Ciò influenzerà la lettura di fase dei campioni.
    4. Modifica le opzioni di User Input II in base alle esigenze specifiche.
      NOTA: Le istruzioni seguenti forniscono una spiegazione più dettagliata delle sezioni Input dell'utente e una guida passo passo per apportare le modifiche.
      1. Includi grafici: curve di luminescenza, grafici per il periodo, la fase e l'ampiezza per genotipo e trattamento.
      2. Usa il test ANOVA con Tukey HSD per confrontare i trattamenti in base al periodo, alla fase e all'ampiezza. Scegliere un controllo per l'uscita del test ANOVA; specificare il controllo per il test ANOVA o lasciare vuota l'opzione per utilizzare ciascun trattamento come controllo nel confronto a coppie. In alternativa, scegliere se numerare i file di output ANOVA per una consultazione e un'organizzazione più rapide.
      3. Usa un test t per confrontare i trattamenti in base al loro periodo, fase e ampiezza. Scegli se il test t deve essere un confronto a coppie; Se è selezionato un test T a coppie, selezionare se i dati sono accoppiati. Scegli un controllo per il t-test; Specificare il controllo per il test t o lasciare vuota l'opzione per utilizzare ciascun trattamento come controllo. Scegli se numerare i file di output del t-test per una consultazione e un'organizzazione più rapide.
        NOTA: Questo dovrebbe essere utilizzato solo per confrontare due trattamenti contemporaneamente, ad esempio due linee dello stesso genotipo con l'aggiunta di SA o Mock. I valori p mostrati non vengono regolati per tenere conto di più confronti con la stessa linea.
      4. Scegli se arrotondare i punti temporali. Se i punti temporali sono sfasati solo di un minuto o due, arrotonda all'ora più vicina e utilizza questa analisi.
        NOTA: Questo codice calcola il periodo, la fase e l'ampiezza utilizzando il metodo ARS12. L'esecuzione di questo metodo richiede una serie temporale coerente in ore.
      5. A seconda di come il lettore di piastre registra i pozzetti, modificare il modo in cui viene letto l'input. Scegli l'elenco dei dati standard dei pozzetti per A1, A2, A3... o quello per pozzi elencati da A1, B1, C1...
    5. Esegui l'analisi semplicemente facendo clic sul pulsante Sorgente nell'angolo in alto a destra della console.
      NOTA: il completamento dell'analisi richiede meno di 1 minuto. L'output dell'analisi R verrà visualizzato automaticamente nella stessa cartella di file del set di dati di input.
    6. Visualizza output: la cartella di output contiene diversi documenti e sottocartelle per fornire un'analisi completa, comprese le informazioni statistiche del periodo medio, della fase e dell'ampiezza per le repliche di ciascun genotipo e/o trattamento.
      NOTA: Per il file di input File supplementare 2 (NO7.csv), un elenco dei documenti di output generati dallo script File supplementare 1 (LUC_2025.R) nella sezione del protocollo 1 è descritto nella Tabella 1 e può essere comodamente visualizzato con la struttura ad albero nella Figura supplementare S2.

2. Saggio ROS basato su luminol

  1. Configurazione sperimentale per il saggio ROS
    1. Taglia dischi fogliari di 4 mm di diametro dalla quarta alla settima foglia di piante di 25 giorni con un perforatore per biopsia.
    2. Far galleggiare i dischi fogliari con il lato peloso rivolto verso l'alto sopra 100 μl di acqua sterile in una piastra a 96 pozzetti.
    3. Copri la piastra con carta stagnola pulita e mettila in una camera di crescita LD per una notte.
    4. Sostituire l'acqua con 100 μL di soluzione di luminol (300 μM in tampone MOPS da 10 mM con pH 7,4 e 1 μM flg22 o un altro elicitore). Usa la soluzione fittizia al posto di flg22 come controllo.
    5. Iniziare immediatamente a registrare le letture della luminescenza ogni minuto per 40-60 minuti.
  2. Spiegazione graduale dell'analisi R dei dati ROS
    NOTA: questa analisi R utilizza Rstudio, lo script R,  il file supplementare 3 (ROS_2025.R) e i file di input file supplementari 4 (ROS_flg22.csv) o file supplementari 5 (ROS_elf26.csv). Lo script R insieme al file di input Supplemental File 4 (ROS_flg22.csv) è disponibile pubblicamente tramite la piattaforma di repository online Github (https://github.com/elvenfire29/ROS-Luminol-Analysis)
    1. Scarica i pacchetti RStudio: gplot213, dplyr14, magrittr15, stringr16 e filesstrings17.
      NOTA: i passaggi 2.2.1 devono essere completati una sola volta. Per aiutare gli utenti ad adattare ogni analisi a un insieme specifico di dati sul computer, è stata creata una sezione chiamata "Input dell'utente" per consentire agli utenti di indicare parametri specifici per i loro esperimenti (Figura supplementare S3).
    2. Modificare l'input dell'utente I in base a un set di dati specifico su un computer locale, inclusa la directory di lavoro, il nome del file di input, le etichette per i trattamenti e l'ora di inizio relativa del test.
      1. Selezionare la directory di lavoro. Indicare la posizione in cui risiede il file di input. La stessa cartella sarà la posizione per i file di output.
      2. Selezionare il file di input, un file CSV formattato correttamente per lo script R (Figura 2B). In particolare, la riga superiore contiene le serie temporali e la prima colonna contiene le singole posizioni dei campioni su una piastra a 96 pozzetti.
        NOTA: Un esempio di tale file CSV di input può essere trovato nel materiale supplementare, File supplementare 4 (ROS_flg22.csv) o File supplementare 5 (ROS_elf26.csv).
      3. Nominare i campioni e/o i trattamenti. Poiché questa analisi viene utilizzata per i dati ottenuti da impostazioni a 96 pozzetti con un andamento temporale, progettare gli esperimenti come 8 repliche per trattamento per un totale di un massimo di 12 trattamenti per piastra, o come 12 repliche per trattamento per un totale di un massimo di 8 trattamenti per piastra. Se ci sono file di pozzetti vuoti, elencali come tali nello spazio per i nomi dei trattamenti, ad esempio, nominandoli come vuoto 1, vuoto 2...
        NOTA: È importante inserire il numero corretto di campioni, 8 o 12, perché il numero di campioni conta. Se il conteggio dei campioni non è 8 o 12, il codice non verrà eseguito. Per i nomi degli esempi, evitare di utilizzare barre rovesciate o simboli simili in quanto potrebbero causare problemi con i nomi dei file. Evitare inoltre di utilizzare "NA" come etichetta quando si sceglie di utilizzare ANOVA in User Input II. A differenza dello script File supplementare 1 (LUC_2025.R), i trattamenti con lo stesso nome non vengono combinati in un singolo gruppo in questo script File supplementare 3 (ROS_2025.R).
    3. Modifica le opzioni di User Input II in base alle esigenze specifiche dell'utente.
      NOTA: L'esempio di input dell'utente può essere visto nella Figura S3 supplementare.
      1. Utilizzare il test ANOVA con Tukey HSD per confrontare le somme di luminescenza del trattamento.
      2. Utilizzare un t-test a due facce per confrontare i dati di due soli trattamenti contemporaneamente.
        NOTA: I valori p mostrati non sono regolati per tenere conto di confronti multipli con la stessa linea.
      3. Rappresentare graficamente le curve di fluorescenza e un grafico a barre che confronta la somma totale della fluorescenza. Aggiungi la deviazione standard o l'errore standard della media ai grafici.
      4. A seconda di come il lettore di piastre registra i pozzetti, modificare il modo in cui viene letto l'input. O utilizzare l'elenco dei dati standard dei pozzi per A1, A2, A3... o quello per pozzi elencati da A1, B1, C1...
  3. Esegui l'analisi semplicemente facendo clic sul pulsante Sorgente nell'angolo in alto a destra della console.
    NOTA: il completamento dell'analisi richiede meno di 1 minuto. L'output dell'analisi R verrà visualizzato automaticamente nella stessa cartella di file del set di dati di input.
  4. Visualizza output: la cartella di output contiene diversi documenti e sottocartelle per fornire un'analisi completa.
    NOTA: Per il file di input Supplemental File 4 (ROS_flg22.csv), nella Figura supplementare S4 viene mostrata una struttura ad albero dei documenti di output generati dallo script Supplemental File 3 (ROS_2025.R) descritto nella sezione 2 del protocollo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Caso di studio 1. Il test di luminescenza per l'attività dell'orologio circadiano con piantine di Arabidopsis

In precedenza abbiamo dimostrato che il gene GLYCINE-RICH RNA-BINDING PROTEIN 7 (GRP7) è controllato dalla proteina dell'orologio principale CIRCADIAN CLOCK-ASSOCIATED 1 (CCA1) e che l'espressione circadiana di GRP7 è importante per il suo ruolo nella difesa delle piante, utilizzando piante transgeniche Col-0...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Presentiamo qui l'uso degli script R in RStudio per fornire un metodo intuitivo per l'analisi di dati su larga scala ottenuti da esperimenti di serie temporali in formato 96 pozzetti. Questo metodo ci ha permesso di analizzare rapidamente e facilmente i dati di registrazione della luminescenza ottenuti da migliaia di campioni in esperimenti di serie temporali per misurare l'attività dell'orologio circadiano dalle piantine di piante alle colture cellulari di mammiferi, oltre ai dati dei s...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno conflitti di interesse da rivelare.

Ringraziamenti

Ringraziamo i membri del laboratorio Lu per la loro assistenza in questo lavoro. Ringraziamo Min Gao e Matthew Fabian per l'uso dei loro dati non elaborati e Benjamin Harris per l'assistenza e/o la guida nella creazione di questo script R. Ringraziamo John B. Hogenesch del Cincinnati Children's Hospital Medical Center per aver fornito dati sulla luminescenza da cellule di mammifero per il caso di studio 2. Ringraziamo inoltre John B. Hogenesch, Andrew Millar dell'Università di Edimburgo e Mary Harrington dello Smith College per le utili discussioni durante lo sviluppo di questo metodo. Questo lavoro è stato parzialmente sostenuto da sovvenzioni della National Science Foundation, NSF 1456140 e NSF 2223886, a Hua Lu.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
RIl Progetto Rhttps://www.r-project.org/  Una piattaforma gratuita e open source che può essere scaricata da online e utilizzata per programmare, specialmente per le statistiche.
RstudioPosit Softwarehttps://posit.co/download/rstudio-desktop/  Un software gratuito che può essere scaricato online per un accesso più facile da usare a R.
MetaCycleGang Wu, Xavier Li, Matthew Carlucci, Ron Anafi, Michael Hughes, Karl Kornacker e John Hogeneschhttps://cran.r-project.org/web/packages/MetaCycle/vignettes/implementation.html  L'algoritmo ARSER del pacchetto MetaCycle viene utilizzato per valutare i parametri di clock, il periodo, la fase e l'ampiezza.
ggplot2Posit Softwarehttps://cran.r-project.org/web/packages/ggplot2/index.html  Crea visualizzazioni dei dati, in particolare per grafica statistica.
dplyrPosit Softwarehttps://cran.r-project.org/web/packages/dplyr/index.html  Una libreria R fondamentale per una manipolazione efficiente dei dati.
magrittrPosit Softwarehttps://cran.r-project.org/web/packages/magrittr/index.html  Fornisce un insieme di operatori per migliorare la leggibilità del codice e facilitare un flusso più naturale delle operazioni dei dati.
stringrPosit Softwarehttps://cran.r-project.org/web/packages/stringr/index.html  Fornisce un insieme di funzioni coerente, semplice e facile da usare per lavorare con stringhe di caratteri.
filestringsRory Nolan e Sergi Padilla-Parrahttps://cran.r-project.org/web/packages/filesstrings/index.html  Fornisce funzioni comode per manipolare file e stringhe, in particolare quelle relative a nomi e percorsi di file.
circolareUlric Lund, Claudio Agostinelli, Hiroyoshi Arai, Alessando Gagliardi, Eduardo Garcí a-Portugu e acuto; s, Dimitri Giunchi, Jean-Olivier Irisson, Matthew Pocernich e Federico Rotolohttps://cran.r-project.org/web/packages/circular/index.html  Fornisce l'analisi statistica e la rappresentazione grafica dei dati circolari.
AICcmodavgMarc J. Mazerollehttps://cran.r-project.org/web/packages/AICcmodavg/index.html  Crea tabelle di selezione del modello basate sul criterio informativo (AIC) di Akaike e informazioni correlate.
scopaPosit Softwarehttps://cran.r-project.org/web/packages/broom/index.html  Converte l'output di vari modelli statistici e oggetti in tibbles "ordinati" (un formato moderno di data frame), rendendo più facile lavorare, analizzare e visualizzare i risultati dei modelli.
Macchina autoclaveSteris Amsco Eagle Century SG120 Scientific, Inc.8901400012Media autoclave
Cappa chimicaProgettazione di Laboratori e Progettazione Offerta sterilizza i semi
Lettore Omega Luminescence BMG LABTECH, Inc.Lettore di targhe
Cabina a flusso laminareNuAire Nu-408FM-400Classe II/Tipo A e Inebsp;trasferire le piantine su una piatta a 96 pozzi
Micropiastre a 96 pozziPerkin-ElmerOptiPlate-96 Coltivare piantine per il test sulla luciferasi
FLG22GenScript Inc.RP19986Un elicitore dalla flagellina batterica.
Elf26Alpha Diagnostic Intl. Inc.2427Un elicitore dalla traduzione batterica Elongation Factor-Tu.
D-Luciferina Firefly, sale di potassioChimica Biosynth & BiologiaL-8220Substrato luciferasi
L-012 (Luminolo)Fisher ScientificNC0733364Reagente per il test ROS

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Dati di serie temporaleSoftware RStudioStrumenti intuitiviDati dell orologio circadianoSaggio di luminescenzaPiastra a 96 pozzettiTest ANOVAReporter della luciferasi
Un'analisi R potente e facile da usare di set di dati su larga scala
Contattaci
Raccomanda alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.