Divergenza del microbiota radicale in diversi habitat in base a reti di correlazione ponderate
25 settembre 2021
L'analisi della rete è stata applicata per valutare l'associazione di varie comunità microbiche ecologiche, come suolo, acqua e rizosfera. Qui è presentato un protocollo su come utilizzare l'algoritmo WGCNA per analizzare diverse reti di co-occorrenza che possono verificarsi nelle comunità microbiche a causa di diversi ambienti ecologici.
Questo metodo può esplorare efficacemente la relazione interattiva o la rete di co-occorrenza di diverse specie microbiche in ambienti diversi. Fornisce dettagli su come utilizzare l'algoritmo WGCNA per costruire una rete di co-occorrenza di microbiota. Inoltre, sulla base dei risultati, questo metodo valuta la differenziazione delle relazioni microbiche e la composizione tra i consorzi microbici.
Ecco il flusso di base del metodo. I dati di composizione e abbondanza del microbiota vengono scaricati dal database NCBI o dai dati di sequenza per i campioni. Innanzitutto, apri il software RStudio e installa il pacchetto WGCNA.
Quindi, caricare i dati e utilizzare la funzione dei geni dei buoni campioni per verificare la correttezza dei dati. Verifica la disponibilità di valori anomali e campioni di archiviazione che soddisfano i nostri requisiti. Quando il risultato del controllo è true, passare al passaggio successivo.
Salvare il risultato. Utilizzare la funzione di soglia di pick off per calcolare l'indice senza scala, R al quadrato, dei dati con valori di potenza diversi. Visualizza i risultati.
Quando l'indice senza scala è più vicino a uno, la struttura della rete è più vicina alla rete senza scalabilità. Quando l'indice senza scala, R al quadrato, è maggiore di 0,9, selezionare il valore di potenza. Infine, utilizzare lo stesso metodo per analizzare il resto dei dati del microbioma.
Innanzitutto, utilizzare la funzione di adiacenza per costruire una rete di co-occorrenza simbolica. Inoltre, utilizzare la funzione di somiglianza TOM per sviluppare una rete topologica e sovrapposta. In secondo luogo, utilizzare la funzione Hclust per eseguire il clustering gerarchico e disegnare l'albero del cluster risultante.
In terzo luogo, utilizzare la funzione dinamica cutree per eseguire il taglio dinamico dei rami e utilizzare il parametro min cluster size per impostare la dimensione del modulo più piccola. La dimensione più piccola del modulo è solitamente impostata su 30. In quarto luogo, calcolare le caratteristiche microbiche di ciascun modulo.
Il clustering gerarchico viene eseguito in base al coefficiente di correlazione e i moduli con un'altezza inferiore a 0,25 sono stati uniti per acquisire la distribuzione di ciascun modulo. Quinto, usa la funzione plot dendro e colori per visualizzare i risultati. Si ottiene il diagramma di visualizzazione delle assegnazioni del modulo di rete di co-occorrenza.
Quindi, rinominare i colori del modulo e costruire etichette digitali corrispondenti ai colori. Salvarli per l'uso nelle parti successive. Infine, ripetere il processo precedente per altri set di dati.
In questa parte, confrontare e analizzare i due set di dati ed eseguire il test di conservazione. Innanzitutto, caricare i parametri e i risultati dei due set di dati salvati nei passaggi precedenti. Quindi, impostare i risultati del modulo di un set di dati come gruppo di riferimento, un altro come gruppo di test ed eseguire il confronto del modulo.
Successivamente, calcolare i valori della prudenza, i parametri statistici, il riepilogo Z e il rango mediano per quantificare la conservatività tra i moduli. Infine, visualizza i risultati. Determinare il modulo di rete che soddisfa sia il valore di riepilogo Z, inferiore a due, sia il valore di rango mediano in alto.
Questo modulo è il modulo più non conservato nei due dati del microbiota. Eseguire l'analisi di correlazione dell'appartenenza al modulo. Impostare i risultati dell'assegnazione dei moduli di due reti rispettivamente come riferimento e gruppo di test.
Le impostazioni devono essere le stesse del test di conservazione. In primo luogo, il valore KME di ciascun OTU è stato calcolato in diversi moduli candidati in base ai risultati del test di conservazione. Prendi il modulo giallo come esempio.
Calcolare il coefficiente di correlazione del valore KME nei due moduli gialli, quindi disegnare il diagramma di analisi di correlazione del valore KME nel modulo. Infine, in base al coefficiente di correlazione in figura, giudicare la conservatività del modulo nei due set di dati. Selezionare il modulo con il coefficiente di correlazione più piccolo.
Innanzitutto, utilizzare la rete di esportazione in funzione Cytoscape per esportare la rete in un file edge e elenco di nodi che Cytoscape può leggere. Quindi, importare il file in Cytoscape. Impostare la soglia su 0,5 e regolare altri parametri in base alle esigenze.
Infine, ottenere una rete di co-occorrenza di diversi microrganismi. In questo articolo, l'algoritmo WGCNA viene utilizzato per analizzare le differenze in tre nicchie del sistema delle radici di riso. Selezionare il valore di alimentazione che soddisfaceva le tre reti vicine alla rete senza scalabilità.
Nella rete di presenza microbica dell'endosfera, del rizopiano e della rizosfera, identificare rispettivamente 23, 22 e 21 modelli. Usa il test di conservazione e l'analisi di correlazione per trovare i moduli estremamente non conservativi tra ciascuna delle due nicchie del sistema delle radici del riso. Costruisci una rete di co-occorrenza per questi tre moduli usando colori diversi per rappresentare diversi phylum microbici.
Proteobatteri, Actinobacteria, Bacteroidetes, Firmicutes e Verrucomicrobia hanno dominato le tre diverse reti microbiche. Inoltre, 17 generi principali regolano principalmente queste reti. Dopo aver guardato questo video, dovresti avere una buona comprensione di come eseguire una serie di passaggi per utilizzare l'algoritmo WGCNA per analizzare diverse reti di co-occorrenza che possono verificarsi nelle comunità microbiche a causa di diversi ambienti ecologici.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo studio indaga le relazioni interattive all'interno di varie comunità microbiche ecologiche, concentrandosi specificamente sugli ambienti del suolo, dell'acqua e della rizosfera. Utilizzando l'algoritmo WGCNA, il protocollo chiarisce i passaggi per costruire e analizzare le reti di co-occorrenza dei consorzi microbici attraverso diverse nicchie ecologiche.
Componenti principali dello studio
Area di ricerca
- Ecologia microbica
- Analisi di rete
- Reti di co-occorrenza
Sfondo
- Comprendere le interazioni microbiche in vari ambienti
- Importanza delle comunità microbiche negli ecosistemi
- Applicazione di WGCNA per l'analisi di rete
Metodi utilizzati
- Algoritmo WGCNA per la costruzione della rete
- Dati sulle comunità microbiche dal NCBI
- Analisi statistica e visualizzazione in RStudio
Principali risultati
- Identificati 23, 22 e 21 moduli nelle reti endosphere, rhizoplane e rhizosphere
- Dominanza di Proteobacteria, Actinobacteria, Bacteroidetes, Firmicutes e Verrucomicrobia osservata
- Generi core che impartiscono regolazione sulle reti microbiche
Conclusioni
- Questo studio dimostra l'utilità di WGCNA nell'analizzare le reti di co-occorrenza microbiche attraverso diverse nicchie.
- I risultati contribuiscono alla comprensione della complessità delle comunità microbiche nella ricerca ecologica.
Domande frequenti
Executive Industry Relevance
Weighted correlation network analysis (WGCNA) enables biopharma teams to dissect complex microbial community interactions, supporting predictive modeling of environmental or host-associated microbiomes. This approach enhances mechanistic de-risking and target validation by quantifying network divergence and identifying core regulatory taxa across distinct ecological niches. Integrating such network analytics into discovery pipelines informs translational strategies and portfolio prioritization for microbiome-targeted interventions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of microbial interaction networks to clarify ecological drivers and regulatory taxa.
- Supports biological de-risking by quantifying divergence and conservation of microbial modules across environments.
- Facilitates predictive confidence in target selection by identifying core genera with regulatory influence.
Screening & Assay Development
- Prepares validated microbial community datasets for downstream functional screening or perturbation studies.
- Standardizes network module identification, supporting reproducibility and quantitative comparison across conditions.
- Enables scalable analysis of co-abundance patterns for robust assay development.
Translational & Preclinical Research
- Aligns microbial network features with disease-relevant or environmental adaptation models when supported by data.
- Supports continuity from ecological discovery to preclinical validation of microbiome-based interventions.
- Provides mechanistic insights for risk-adjusted advancement of microbiome targets.
Pipeline & Workflow Integration
WGCNA-based network analysis fits within the discovery-to-preclinical continuum, enabling hypothesis testing, target prioritization, and translational alignment for microbiome R&D.
- Discovery Biology: Quantifies network divergence and module conservation to clarify microbial community structure and function.
- Screening: Delivers reproducible module assignments and quantitative outputs for comparative analysis.
- Analytics: Provides statistical measures (e.g., Z summary, median rank) to benchmark network preservation and module distinctiveness.
- Translational Research: Supports mapping of core genera to functional or disease-relevant outcomes when data permit.
- Enterprise Reuse: Establishes a reusable analytic framework for diverse microbiome datasets and environments.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in microbiome target validation.
- Operational Value: Standardizes network analysis workflows for reproducibility and scalability across projects.
- Strategic Value: Informs go/no-go decisions and capital allocation by quantifying network divergence and core taxa.
- Portfolio Impact: Enables risk-adjusted prioritization of microbiome targets and interventions.
Implementation Considerations
- Requires expertise in R, network analysis, and microbial ecology.
- Needs computational infrastructure for large-scale data processing and visualization (e.g., Cytoscape).
- Demands cross-team standardization of data quality checks and module assignment parameters.
- Adaptation across different host or environmental microbiomes may require parameter tuning.
- Interpretation of network modules should be grounded in ecological or functional context supported by data.
Biopharma FAQs
Chapters in this video
0:06
Introduction
0:46
I. Data Download
1:05
II. Optimal Power Value Determination
2:38
III. Construction of a Co-Expression Network and Module Identification
4:25
IV. Preservation Test
5:44
V. Correlation Analysis of the Module Membership
6:55
VI. Analysis of the Microbial Flora in the Microbial Differential Network Module
7:43
Resuts: Analysis of Differences in Rice delavayi Root Microbial Communities Based on Weighted Co‐Expression Network
9:18
Conclusion
