Name: 마이크로바이옴 데이터에서 선형 판별 분석 효과 크기(LEfSe)에 의한 바이오마커 보조 선택 (동영상) | JoVE Journal
Uploaded: 2022-05-16T14:00:00.000+00:00
Duration: 4 min 57 s
Description: 학습하세요 마이크로바이옴 데이터에서 LEfSe를 활용한 바이오마커 보조 선택 방법을. 고차원 유전체 특징을 식별하여 생물학적 그룹 간 통계적 차이를 특성화하고, 맞춤형 의학 연구에 활용할 수 있습니다.

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

이 사업은 중앙공공복지연구소(TKS170205)와 과학기술개발재단, 천진수자원연구소(TIWTE), M.O.T.(KJFZJJ170201)의 보조금으로 지원받았다.

참고 : 프로토콜은 Segata et al.3의 연구에서 공급되고 수정되었습니다. 이 방법은 https://bitbucket.org/biobakery/biobakery/wiki/lefse 에서 제공됩니다.
1. 분석을 위한 입력파일 준비
<ol><li>LEfSe의 입력 파일(표 1)을 준비합니다. 이 파일은 원본 파일(샘플 파일 및 해당 종 주석 파일)을 사용하여 많은 워크플로우8 또는 이전 프로토콜(9 )에서 쉽게 생성할 수 있습니다.</li>
</ol>2. LEfSe 네이티브 분석 (리눅스 서버로 제한)
<ol><li>LEfSe 설치 참고: LEfSe 파이프라인은 Conda10과 함께 설치하는 것이 좋습니다.<ol>
<li>다음 명령을 실행하여 종속성 충돌 가능성을 제외합니다. LEfSe에 대한 conda 환경을 만듭니다(이 단계는 권장되지만 필수는 아닙니다.). -n은 환경 이름을 나타냅니다. $ 콘다 생성 -n LEfSe-env
</li>
		<li>생성된 LEfSe 환경을 활성화하려면 다음을 실행합니다. $ 소스 활성화 LEfSe-env
</li>
		<li>-c가 채널 이름을 나타내는 채널 bioBakery와 함께 LEfSe를 설치하려면 다음을 실행하십시오. $ 콘다 설치 -c 바이오 베이커리 레프스
</li>
	</ol>
</li>
	<li>LEfSe에 대한 데이터 형식 지정<ol>
<li>다음 명령을 실행하여 원본 파일을 LEfSe의 내부 형식으로 포맷합니다. 테이블.txt는 입력 파일이고 Table-reformat.in 는 출력 파일입니다. -c는 클래스 (기본값 1)로 사용되는 기능을 설정하는 데 사용되며 -o는 정규화 값 (기본값 -1.0은 정규화가 없음을 의미)을 설정하는 데 사용됩니다. $ format_input.py 테이블 .txt Table-reformat.in -c 1 -o 1000000
</li>
	</ol>
</li>
	<li>선형 판별 분석(LDA) 효과 크기 계산<ol>
<li>다음 명령을 실행합니다. 이 단계의 목적은 이전 결과의 LDA를 수행하고 시각화를 위한 결과 파일을 생성하는 것입니다. Table-reformat.in 는 이전 단계를 사용하여 생성되며 이 단계에서 입력 파일로 사용됩니다. Table-reformat.res는 결과 파일입니다. $ run_lefse.py Table-reformat.in 테이블 재 포맷.res
</li>
	</ol>
</li>
	<li>플롯에 의한 시각화<ol>
<li>LEfSe 결과를 플로팅합니다. 바이오마커의 효과 크기를 pdf 파일로 플로팅하려면,. table-reformat.res는 이전 단계를 사용하여 생성되며 LDA.pdf는 플롯 파일입니다. –format은 출력 파일 형식을 설정하는 데 사용됩니다. $ plot_res.py 테이블 재 포맷.res LDA.pdf --format pdf
</li>
		<li>클라도그램을 플로팅합니다. 종 트리를 그리고 클라도그램에 바이오마커를 표시한다. cladogram.pdf는 출력 파일입니다. $ plot_cladogram.py 테이블 - 재 포맷.res cladogram.pdf --format pdf
</li>
		<li>
하나의 기능 플로팅(선택 사항) 상이한 그룹들 사이의 단일 바이오마커의 차이를 플롯팅한다. -f는 플롯의 피쳐를 설정하는 데 사용됩니다. 하나가 설정된 경우 –feature_name을 제공해야 합니다. $ plot_features.py -f one --feature_name "k__Bacteria.p__Firmicutes.c__Bacilli.o__Bacillales" --format pdf Table-reformat.in Table-reformat.res Bacillales.pdf
</li>
		<li>모든 피쳐를 그리기 위해 차등 피쳐(선택 사항)를 플로팅하지만 주의해서 수행해야 할 작업이 너무 많습니다. --archive는 결과를 압축할지 여부를 선택하는 데 사용됩니다. ./ 는 결과의 경로를 의미합니다. $ plot_features.py -f diff --archive none --format pdf Table-reformat.in Table-reformat.res ./
</li>
	</ol>
</li>
</ol>3. LEfSe 온라인 분석 (갤럭시)
<ol><li>huttenhower 은하 서버1 1: http://huttenhower.sph.harvard.edu/galaxy 로 이동하십시오.</li>
	<li>파일을 업로드합니다. 왼쪽 창에서 위쪽 화살표 단추를 누르고 파일을 업로드합니다. 로컬 파일 선택을 클릭하여 입력 파일을 선택하고 테이블 형식을 선택한 다음 시작 버튼을 클릭하십시오. 참고: 웹 페이지(https://bitbucket.org/biobakery/biobakery/wiki/lefse)를 참조하고, 스크립트를 사용합니다(taxonomy_summary. R) LEfSe의 입력 파일을 생성하기 위해, 표 1에 나타낸 바와 같이 포맷(그룹 이름을 갖는 각 열, "|"로 구분된 주석의 상이한 레벨을 갖는 각 라인)이 요구된다. 업로드 프로세스의 개략적인 개요는 그림 1에 나와 있습니다.</li>
	<li>LEfSe에 대한 데이터의 서식을 지정합니다. LEfSe |를 클릭하십시오. 왼쪽 창에서 LEfSe 링크에 대한 데이터 형식을 지정 하고 파일에서 클래스에 대한 특정 행을 선택한 다음 실행 단추를 클릭합니다. 운영 프로세스 및 사용된 파라미터에 대한 개략적인 개요가 그림 2에 나와 있습니다.</li>
	<li>LDA 효과 크기를 계산합니다. LEfSe |를 클릭하십시오. 왼쪽 창의 LDA 효과 크기(LEfSe) 링크를 클릭하고 분석 요구 사항에 따라 매개변수 값을 선택합니다. 실행을 클릭하십시오. 운영 프로세스 및 사용된 파라미터에 대한 개략적인 개요가 그림 3에 나와 있습니다.</li>
	<li>LEfSe 결과를 플로팅합니다. LEfSe |를 클릭하십시오. 왼쪽 창에 LEfSe 결과 링크를 플로팅 하고 실행 단추를 클릭합니다. 작동 프로세스 및 사용된 파라미터에 대한 개략적인 개요가 그림 4에 나와 있습니다.</li>
	<li>클라도그램을 플로팅합니다. 왼쪽 창에서 플롯 클라도그램 을 클릭하고 매개 변수 값을 선택한 후 실행 버튼을 클릭하십시오. 작동 프로세스 및 사용된 파라미터에 대한 개략적인 개요가 그림 5에 나와 있습니다.</li>
	<li>왼쪽 창에서 Plot One Feature를 클릭하고 매개변수 값을 선택한 후 실행 단추를 클릭하여 하나의 피쳐를 플로팅합니다. 작동 프로세스 및 사용된 파라미터에 대한 개략적인 개요가 그림 6에 나와 있습니다.</li>
	<li>왼쪽 창에서 플롯 차등 피쳐를 클릭하고 매개변수 값을 선택한 후 실행 버튼을 눌러 차등 피쳐를 플로팅합니다. 작동 프로세스 및 사용된 파라미터에 대한 개략적인 개요가 그림 7에 나와 있습니다. 참고: 이러한 생성된 수치는 오른쪽 창의 결과 출력에 대해 시각화 및 다운로드할 수 있습니다.</li>
</ol>

<ol><li>Bolyen, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reproducible%2C+interactive%2C+scalable+and+extensible+microbiome+data+science+using+QIIME+2%5BTitle%5D)+AND+%22Nature+Biotechnology%22%5BJournal%5D)">Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2.</a> Nature Biotechnology. 37 (8), 852-857 (2019).</li>
<li>Knight, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Best+practices+for+analysing+microbiomes%5BTitle%5D)+AND+%22Nature+Reviews.+Microbiology%22%5BJournal%5D)">Best practices for analysing microbiomes.</a> Nature Reviews. Microbiology. 16 (7), 410-422 (2018).</li>
<li>Segata, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Metagenomic+biomarker+discovery+and+explanation%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">Metagenomic biomarker discovery and explanation.</a> Genome Biology. 12 (6), 60(2011).</li>
<li>McIver, M., Sayoldin, B., Shafquat, A. Biobakery / lefse [tool]. , Available from: 
 <a target="_blank" href="https://bitbucket.org/biobakery/biobakery/wiki/lefse">https://bitbucket.org/biobakery/biobakery/wiki/lefse</a> (2019).</li>
<li>Kruskal, W. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+nonparametric+test+for+the+several+sample+problem%5BTitle%5D)+AND+%22The+Annals+of+Mathematical+Statistics%22%5BJournal%5D)">A nonparametric test for the several sample problem.</a> The Annals of Mathematical Statistics. 23 (4), 525-540 (1952).</li>
<li>Wilcoxon, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Individual+comparisons+by+ranking+methods%5BTitle%5D)+AND+%22Biometrics+Bulletin%22%5BJournal%5D)">Individual comparisons by ranking methods.</a> Biometrics Bulletin. 1 (6), 80-83 (1945).</li>
<li>Fisher, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+use+of+multiple+measurements+in+taxonomic+problems%5BTitle%5D)+AND+%22Annals+of+Eugenics%22%5BJournal%5D)">The use of multiple measurements in taxonomic problems.</a> Annals of Eugenics. 7 (1), 179-188 (1936).</li>
<li>Liu, Y. X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+practical+guide+to+amplicon+and+metagenomic+analysis+of+microbiome+data%5BTitle%5D)+AND+%22Protein+and+Cell%22%5BJournal%5D)">A practical guide to amplicon and metagenomic analysis of microbiome data.</a> Protein and Cell. 41 (7), 1-16 (2020).</li>
<li>Shahi, S. K., Zarei, K., Guseva, N. V., Mangalam, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microbiota+analysis+using+two-step+PCR+and+next-generation+16S+rRNA+gene+sequencing%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%3A+JoVE%22%5BJournal%5D)">Microbiota analysis using two-step PCR and next-generation 16S rRNA gene sequencing.</a> Journal of Visualized Experiments: JoVE. (152), e59980(2019).</li>
<li>Grüning, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bioconda%3A+sustainable+and+comprehensive+software+distribution+for+the+life+sciences%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Bioconda: sustainable and comprehensive software distribution for the life sciences.</a> Nature Methods. 15 (7), 475-476 (2018).</li>
<li>Blankenberg, D., Chilton, J., Coraor, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Galaxy+external+display+applications%3A+closing+a+dataflow+interoperability+loop%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Galaxy external display applications: closing a dataflow interoperability loop.</a> Nature Methods. 17 (2), 123-124 (2020).</li>
<li>Langille, M. G. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predictive+functional+profiling+of+microbial+communities+using+16S+rRNA+marker+gene+sequences%5BTitle%5D)+AND+%22Nature+Biotechnology%22%5BJournal%5D)">Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences.</a> Nature Biotechnology. 31 (9), 814-821 (2013).</li>
<li>Shilei, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reservoir+water+stratification+and+mixing+affects+microbial+community+structure+and+functional+community+composition+in+a+stratified+drinking+reservoir%5BTitle%5D)+AND+%22Journal+of+Environmental+Management%22%5BJournal%5D)">Reservoir water stratification and mixing affects microbial community structure and functional community composition in a stratified drinking reservoir.</a> Journal of Environmental Management. 267, 110456(2020).</li>
</ol>

저자는 공개 할 것이 없습니다.

여기에서, 상이한 그룹 내의 바이오마커의 확인 및 특성화를 위한 프로토콜이 기재되어 있다. 이 프로토콜은 미생물의 OTU와 같은 다른 샘플 유형에 쉽게 적용 할 수 있습니다. LEfSe에 의한 통계적 방법은 각 그룹에서 특징적인 미생물(디폴트는 LDA >2), 즉 다른12에 비해 이 그룹에서 더 풍부한 미생물을 찾을 수 있다. LEfSe는 사용자가 웹 페이지에서 LEfSe 분석을 수행 할 수있는 네이티브 및 웹 Linux 버전 모두에서 사용할 수 있습니다. LEfSe는 LDA 알고리즘을 기반으로하며 종 트리를 그리기 위해 종 수준이 필요합니다. 도구를 적용하면 그룹 간의 상대적 풍부도를 비교할 수 있습니다. 모든 차등 바이오마커는 단일 그래프로 플롯팅될 수 있었다. 또한, 단일 바이오마커 또는 모든 바이오마커는 배치로 플롯팅될 수 있다.
LEfSe가 네이티브 서버를 통해 수행되는지 온라인 사이트를 통해 수행되든 관계없이 필요한 그림을 그...

바이오마커는 측정될 수 있고 감염, 질병 또는 환경과 같은 일부 현상을 나타낼 수 있는 생물학적 특성이다. 그 중에서도, 기능적 바이오마커는 단일 종의 특정 생물학적 기능이거나 유전자, 단백질, 대사산물 및 경로와 같은 일부 종에 공통적일 수 있다. 게다가, 분류학적 바이오마커는 특이한 종, 유기체 그룹(왕국, 계통, 부류, 질서, 가족, 속, 종), 앰플리콘 서열 변종(ASV)1 또는 운영 분류 단위(OTU)2를 나타낸다. 바이오마커를 보다 빠르고 정확하게 찾기 위해서는 생물학적 데이터를 분석하기 위한 도구가 필요하다. 클래스 간의 차이는 LEfSe가 통계적 유의성에 대한 표준 테스트 및 생물학적 일관성 및 효과 관련성을 인코딩하는 추가 테스트와 결합하여 설명 할 수 있습니다3. LEfSe는 은하 모듈, 콘다 공식, 도커 이미지로 제공되며 bioBakery (VM 및 클라우드)4에 포함되어 있습니다. 일반적으로, 미생물 다양성의 분석은 종종 샘플 군집의 불확실한 분포에 대해 비모수 검정을 사용한다. 순위 합계 테스트는 표본의 순위를 사용하여 표본 값을 대체하는 비모수 테스트 방법입니다. 샘플 그룹의 차이에 따라 Wilcoxon 순위 합계 테스트가있는 두 개의 샘플과 Kruskal-Wallis 테스트 5,6을 사용하여 여러 샘플로 나눌 수 있습니다. 특히, 여러 표본 그룹 간에 상당한 차이가 있는 경우, 여러 샘플의 쌍 비교에 대한 순위-합계 테스트가 수행되어야 합니다. LDA (선형 판별 분석의 약자)는 1936 년 로널드 피셔 (Ronald Fisher)가 발명 한 것으로, 피셔의 선형 판별 7 (Fisher's Linear Discriminant7)으로도 알려진 감독 학습의 한 유형입니다. 현재 기계 학습 데이터 마이닝 분야에서 고전적이고 인기있는 알고리즘입니다.
여기서 LEfSe 분석은 Conda와 Galaxy 서버에 의해 최적화되었습니다. 16S rRNA 유전자 서열의 세 그룹을 분석하여 미생물 군집의 LDA 점수와 시각화 결과를 갖는 상이한 그룹 간의 유의한 차이를 입증한다.

마이크로바이옴 데이터에서 선형 판별 분석 효과 크기(lefse)에 의한 바이오마커 보조 선택

Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size (LEfSe) in Microbiome Data

환경과 건강에서 폐쇄 된 생물학적 게놈에 대한 관심이 커지고 있습니다. 서로 다른 샘플 또는 환경 간의 그룹 간 차이를 탐구하고 밝히기 위해서는 그룹 간의 통계적 차이가있는 바이오마커를 발견하는 것이 중요합니다. 선형 판별 분석 효과 크기 (LEfSe)의 적용은 좋은 바이오 마커를 찾는 데 도움이 될 수 있습니다. 원래의 게놈 데이터에 기초하여, 품질 관리, 및 탁사 또는 유전자에 기초한 상이한 서열의 정량화가 수행된다. 첫째, Kruskal-Wallis 순위 검정을 사용하여 통계적 그룹과 생물학적 그룹 간의 특정 차이를 구별하였다. 그 후, Wilcoxon 순위 검정을 이전 단계에서 얻은 두 그룹 사이에서 수행하여 차이가 일관적인지 여부를 평가하였다. 마지막으로, LDA 점수에 기초하여 유의하게 상이한 그룹에 대한 바이오마커의 영향을 평가하기 위해 선형 판별 분석(LDA)이 수행되었다. 요약하면, LEfSe는 생물학적 그룹 간의 통계적 차이를 특성화하는 게놈 바이오마커를 식별하기 위한 편리함을 제공했다.

세 샘플의 16S rRNA 유전자 서열을 분석하여 각 군에서 유의한 차이를 갖는 미생물 군집의 LDA 점수를 도 8에 나타내었다. 히스토그램의 색상은 서로 다른 그룹을 나타내는 반면, 길이는 LDA 점수를 나타내며, 이는 다른 그룹간에 상당한 차이가있는 종의 영향입니다. 히스토그램은 LDA 점수가 사전 설정된 값보다 큰 유의한 차이를 가진 종을 보여줍니다. 기본 사전 설정 값은 2.0이므로 LDA 점수(abscissa)가 2.0보다 큰 절대값만 그림에 표시됩니다.
상이한 분류 수준 사이의 유의한 차이 및 종 트리를 갖는 바이오마커를 도 9에 나타내었다. 내부에서 외부로 방사되는 원은 계통에서 속으로의 분류 수준을 나타냅니다 (가장 안쪽의 노란색 원은 왕국입니다). 서로 다른 분류 수준에서 각 작은 원의 지름은 상대적 풍부도의 크기를 나타냅니다. 유의한 차이가없는 종은 균일하...

LEfSe (LDA 효과 크기)는 미생물 데이터에서 둘 이상의 그룹을 유의하게 특성화하는 게놈 특징 (예 : 유전자, 경로 및 분류법)을 확인하기 위해 고차원 바이오마커 마이닝을위한 도구입니다.

마이크로바이옴 데이터에서 선형 판별 분석 효과 크기(LEfSe)에 의한 바이오마커 보조 선택

There is growing attention toward closed biological genomes in the environment and in health. To explore and reveal the intergroup differences among ...

선형 판별 분석 효과 크기의 적용은 생물학적 그룹 간의 통계적 차이가있는 좋은 바이오 마커를 찾는 문제를 해결할 수 있습니다. 선형 판별 분석 효과 크기는 생물학적 그룹 간의 통계적 차이를 특성화하기 위해 게놈 바이오마커를 식별하는 편리한 방법을 제공한다. 각 이전 단계의 결과가 후속 단계에 영향을 줄 수 있으므로 절차의 각 단계에주의해야합니다.선형 판별 분석 효과 크기 입력 파일을 생성한 후 표시된 대로 명령을 실행하여 종속성 충돌 가능성을 배제하고 선형 판별 분석 효과 크기에 대한 conda 환경을 만듭니다. 표시된 대로 명령을 사용하여 생성된 환경을 활성화하고 채널 bioBakery를 사용하여 선형 판별 분석 효과 크기를 설치합니다. 선형 판별 분석 효과 크기에 대한 데이터 형식을 지정하려면 명령을 실행하여 원본 파일의 형식을 내부 선형 판별 분석 효과 크기 형식으로 지정합니다.선형 판별 분석 효과 크기를 계산하려면 명령을 실행하여 선형 판별 분석을 수행하고 결과 데이터 파일을 생성합니다. 분석 후 표시된 대로 명령을 사용하여 PDF 파일에 바이오마커의 효과 크기를 플로팅하고 종 트리를 그려 바이오마커를 클라도그램에 표시합니다. 서로 다른 그룹 간의 단일 바이오마커의 차이를 플롯하려면 표시된 대로 명령을 사용하십시오.원하는 경우 명령을 사용하여 모든 기능을 그릴 수도 있습니다. Galaxy 서버를 사용한 온라인 LEfSe 분석을 위해서는 서버로 이동하십시오. 관련 파일을 업로드하려면 위쪽을 클릭하고 로컬 파일 선택을 클릭하여 파일을 선택합니다.그런 다음 테이블 형식 형식을 선택하고 시작을 클릭합니다. 선형 판별 분석 효과 크기에 맞게 데이터의 서식을 지정하려면 LEfSe를 클릭하고 LEfSe에 대한 데이터 서식을 지정하고 클래스의 특정 행을 선택한 다음 실행을 클릭합니다. 선형 판별 분석 효과 크기를 계산하려면 LEfSe 및 LDA 효과 크기를 클릭합니다.분석 요구 사항에 따라 매개변수 값을 선택하고 실행을 클릭합니다. 선형 판별 분석 효과 크기 결과를 플로팅하려면 LEfSe 및 플롯 LEfSe 결과를 클릭하고 실행을 클릭합니다. 클라도그램을 플로팅하려면 적절한 매개변수 값을 선택하고 플롯 클라도그램 및 실행을 클릭합니다.피쳐 하나를 플로팅하려면 적절한 매개변수 값을 선택하고 하나의 피쳐 플롯 및 실행을 클릭합니다. 차동 피쳐를 플로팅하려면 적절한 매개변수 값을 선택하고 플롯 차동 피쳐 및 실행 버튼을 클릭합니다. 여기서, 각 군에서 유의한 차이를 갖는 미생물 군집의 선형 판별 분석 스코어를, 세 샘플의 16개의 S-리보솜 RNA 유전자 서열을 분석하여 결정하여, 나타내었다.이 도면에서, 상이한 분류 수준 사이의 종 나무에서 유의한 차이를 갖는 바이오마커가 관찰될 수 있다. 내부에서 외부로 방사되는 원은 계통에서 속으로의 분류 수준을 나타내며, 각 종의 직경은 각 분류의 풍부 수준을 나타냅니다. 유의한 차이가 없는 종은 노란색으로 나타나고, 유의하게 다른 종 바이오마커는 상응하는 그룹과 일치하도록 착색된다.플롯에 표시된 바이오마커의 상응하는 종 이름이 여기에 나열되어 있다. 여기서, 선형 판별 분석 효과 크기에 따른 서로 다른 그룹들 간의 차이를 보여주는 하나의 바이오마커에 대한 대표적인 풍부함 막대 플롯 결과가 도시되어 있다. 실선은 평균 상대 풍부도를 나타내고, 점선은 중앙값 상대 풍부도를 나타내며, 각 열은 서로 다른 그룹에 있는 각 표본의 상대적 풍부도를 나타냅니다.차원 교육이 데이터 차원과 직접 관련되고 투영 된 좌표계가 직교하기 때문에 주성분 분석도 수행 할 수 있습니다. 고차원 데이터 분석에 대한 요구가 증가함에 따라이 방법은 관심있는 바이오 마커 기능의 탐구에 도움이 될 것입니다.

assisted-selection-biomarkers-linear-discriminant-analysis-effect

Research

연구

JoVE Journal

Genetics

유전학

마이크로바이옴 데이터에서 선형 판별 분석 효과 크기(LEfSe)에 의한 바이오마커 선택 지원

이 비디오는 결장 종양 보유 마우스의 대변 샘플에서 DNA 분리 프로토콜에 대해 설명합니다. 추출된 DNA는 PCR을 사용하여 증폭되고 생성물은 마그네틱 비드 기반 접근법을 사용하여 추가로 세척됩니다. 이 방법은 대장 미생물총(microbiota) 및 동물 폐사율에 대한 환경 풍부화의 영향을 결정하는 데 사용할 수 있습니다.

대변 미생물 DNA 분리: 쥐 종양 모델의 미생물 군집 다양성에 대한 환경 풍부화의 영향 연구

기존 알고리즘 바이오 마커 검출 데이터 집합에 대 한 하나의 솔루션을 생성합니다. 이 프로토콜의 여러 마찬가지로 효과적인 솔루션의 존재 및 고 생물 의학 연구원 제안된 과제에 대 한 데이터 세트를 조사 수 있도록 사용자 친화적인 소프트웨어를 제공. 컴퓨터 과학자 들은 팬 들은이 기능에 그들의 바이오 마커 검출 알고리즘의 정보를 제공할 수도 있습니다.

마찬가지로 효과적인 이진 분류 공연으로 여러 바이오 마커 하위 집합 선택

여기에 설명된 16S rRNA 메타게놈 시퀀싱 및 자유롭게 사용할 수 있는 도구를 사용하여 분석하는 미생물군유전체 프로파일링을 위한 간소화된 표준 작동 절차입니다. 이 프로토콜은 미생물군유전체 분야를 새로운 연구자뿐만 아니라 더 높은 해상도에서 박테리아 프로파일링을 달성하기 위한 방법에 대한 업데이트를 요구하는 연구자들에게 도움이 될 것입니다.

2단계 PCR 및 차세대 16S rRNA 유전자 시퀀싱을 사용한 미생물 분석

이 프로토콜은 자가면역 질환 발병 중 쥐 장내 미생물 변화를 분석하기 위한 간단하고 비용 효율적인 DNA 분리 방법을 제공합니다.

간단하고 비용 효율적인 DNA 분리 방법을 사용한 루푸스 경향 마우스의 분변 미생물 역학 분석

이 프로토콜은 농장 동물 접합자에서 세포질 미세주입을 수행하는 방법을 보여줍니다. 이 기술은 녹아웃 동물을 생성하기 위한 게놈 편집 도구와 같은 단일 세포 배아에 모든 솔루션을 전달하는 데 사용할 수 있습니다.

레이저를 이용한 가축 접합체의 세포질 미세 주입을

갤럭시 다윗은 생물 정보학 교육을받지 않은 상태에서 연구자들은 분석하고 RNA-SEQ 데이터를 해석 할 수 있도록 인기있는 도구로 등장했다. C. elegans의 연구원들은 RNA-SEQ 실험, 액세스를 수행 갤럭시를 사용하여 데이터 집합을 처리하고 DAVID를 사용하여 유전자 목록에서 의미있는 생물학적 정보를 얻을 수 있도록 우리는 프로토콜을 설명합니다.

의 Transcriptomic 분석<em&gt; C</em&gt;.<em&gt; 간스</em갤럭시 프로젝트에 턱시도 제품군을 통해&gt; RNA 시퀀싱 데이터

이 원고는 상향 및 하향 벡터 - 숙주 접합 DNA를 동시에 분석 할 수있는 양방향 통합 사이트 분석을위한 실험 절차 및 소프트웨어 분석을 설명합니다. 양방향 PCR 제품은 모든 다운 스트림 시퀀싱 플랫폼에 사용할 수 있습니다. 결과 데이터는 통합 DNA 표적의 높은 처리량, 정량적 비교에 유용합니다.

양방향 레트로 바이러스 통합 사이트 PCR 방법론 및 정량적 데이터 분석 워크 플로

체세포를 유 전적으로 조작하는 능력의 최근 진보는 기본 및 응용 연구에 큰 가능성을 안겨줍니다. 여기, 우리는 선택 마커의 사용 여부에 관계없이 포유류 세포주에서 CRISP / Cas9 생성 녹아웃 생산 및 스크리닝을위한 두 가지 접근법을 제시한다.

포유류 세포에서 CRISPR / Cas9 매개 유전자 knockouts의 선택 의존 및 독립적 생성

이 프로토콜에서 zebrafish 태아, 애벌레, 전체 transcriptome 분석에 대 한 접근을 제공 하거나 셀을 정렬 합니다. 우리는 RNA의 격리, RNASeq 데이터의 통로 분석 및 유전자 표정 변화의 qRT-PCR 기반 유효성 검사를 포함합니다.

샘플 준비 및 제 브라에서 RNASeq 기반 유전자 표현 데이터의 분석

여기, 우리는 토양, rhizosphere, 및 루트 endosphere microbiomes amplicon 시퀀스 데이터를 얻기 위해 프로토콜을 설명 합니다. 이 정보 구성 및 플랜트 관련 미생물 커뮤니티의 다양성을 조사 하는 데 사용할 수 있습니다 그리고 다양 한 종의 식물 사용에 적합.

루트 미생물 탐색: 토양, Rhizosphere, 및 루트 Endosphere에서 세균성 지역 사회 데이터 추출

학습하세요 마이크로바이옴 데이터에서 LEfSe를 활용한 바이오마커 보조 선택 방법을. 고차원 유전체 특징을 식별하여 생물학적 그룹 간 통계적 차이를 특성화하고, 맞춤형 의학 연구에 활용할 수 있습니다.

마이크로바이옴 데이터에서 선형 판별 분석 효과 크기(LEfSe)에 의한 바이오마커 보조 선택

더 많은 동영상 탐색