Methodenartikel

Divergentie van wortelmicrobiota in verschillende habitats op basis van gewogen correlatienetwerken

DOI:

10.3791/62205

⸱

25 september 2021

 ,  ,  ,  , 
1Key Laboratory of State Forestry Administration on Biodiversity Conservation in Karst Mountainous Areas of Southwestern China, School of Life Sciences, Guizhou Normal University, 2State Key Laboratory of Plant Physiology and Development in Guizhou Province, Guizhou Normal University

* These authors contributed equally

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Netwerkanalyse werd toegepast om de associatie van verschillende ecologische microbiële gemeenschappen, zoals bodem, water en rhizosfeer, te evalueren. Hier wordt een protocol gepresenteerd over het gebruik van het WGCNA-algoritme om verschillende co-occurrence netwerken te analyseren die kunnen optreden in de microbiële gemeenschappen als gevolg van verschillende ecologische omgevingen.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het wortelmicrobioom speelt een belangrijke rol in plantengroei en milieuadaptatie. Netwerkanalyse is een belangrijk instrument voor het bestuderen van gemeenschappen, die effectief de interactierelatie of het co-occurrence-model van verschillende microbiële soorten in verschillende omgevingen kunnen verkennen. Het doel van dit manuscript is om details te geven over hoe het gewogen correlatienetwerkalgoritme kan worden gebruikt om verschillende co-occurrence netwerken te analyseren die kunnen voorkomen in microbiële gemeenschappen als gevolg van verschillende ecologische omgevingen. Alle analyses van het experiment worden uitgevoerd in het WGCNA-pakket. WGCNA is een R-pakket voor gewogen correlatienetwerkanalyse. De experimentele gegevens die werden gebruikt om deze methoden aan te tonen, waren microbiële gemeenschapsgegevens uit de NCBI -database (National Center for Biotechnology Information) voor drie niches van het rijst (Oryza sativa) wortelstelsel. We gebruikten het gewogen correlatienetwerkalgoritme om co-overvloedsnetwerken van microbiële gemeenschap in elk van de drie niches te bouwen. Vervolgens werden differentiële co-overvloedsnetwerken tussen endosfeer, rhizoplane en rhizosfeergrond geïdentificeerd. Bovendien werden de kerngenra in het netwerk verkregen door het "WGCNA"-pakket, dat een belangrijke gereguleerde rol speelt in netwerkfuncties. Deze methoden stellen onderzoekers in staat om de reactie van microbieel netwerk op milieuverstoring te analyseren en verschillende microbiële ecologische responstheorieën te verifiëren. De resultaten van deze methoden tonen aan dat de significante differentiële microbiële netwerken geïdentificeerd in de endosfeer, rhizoplane en rhizosfeer bodem van rijst.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Microbioomonderzoek heeft belangrijke implicaties voor het begrijpen en manipuleren van ecosysteemprocessen1,2. Microbiële populaties zijn onderling verbonden door interactie van ecologische netwerken, waarvan de kenmerken de reactie van micro-organismen op omgevingsveranderingen kunnen beïnvloeden3,4. Bovendien beïnvloeden de eigenschappen van deze netwerken de stabiliteit van microbiële gemeenschappen en zijn ze nauw verbonden met bodemfunctie5. Gewogen gencorrelatienetwerkanalyse is nu op grote schaal toegepast voor onderzoek naar de relatie tussen genen en microbiële gemeenschappen6. Eerdere studies hebben zich voornamelijk gericht op de associaties tussen netwerken van verschillende genen of populaties en de buitenwereld7. De verschillen in correlatienetwerken gevormd door microbiële populaties onder verschillende omgevingsomstandigheden zijn echter nauwelijks onderzocht. Het doel van het onderzoek in dit artikel is om inzichten en details te verschaffen over de snelle implementatie van het WGCNA-algoritme om een co-occurrence netwerk van microbioommonsters te bouwen die onder verschillende omgevingsomstandigheden zijn verzameld. Op basis van de analyseresultaten beoordeelden we de samenstelling en verschillen van de populatie en bespraken we verder de relatie tussen verschillende microbiële populaties. De volgende basisstroom van gewogen correlatienetwerkalgoritme8 werd toegepast. Ten eerste moest een gelijkenismatrix worden geconstrueerd door de Pearson-correlatiecoëfficiënt tussen de expressieprofielen van operationele taxonomische eenheden (OTU) te berekenen. Vervolgens werden de parameters van de hulpvaardigheidsfuncties (de macht of de sigmoïde hulpvaardigheidsfuncties) aangenomen met een schaalvrij topologiecriterium, werd de gelijkenismatrix omgezet in een hulplijnmatrix en kwam elk co-occurrence netwerk overeen met een hulpvaardigheidsmatrix. We gebruikten gemiddelde koppelingshiërarchie in combinatie met de tom-gebaseerde verschillen om OTA's met coherente expressieprofielen in modules te groeperen. Verder hebben we de relatie tussen conservatieve statistieken en de bijbehorende parameteranalysemodules berekend, waarbij we uiteindelijk de hub-OTU in de module identificeerden. Deze methoden zijn bijzonder geschikt voor de analyse van de verschillen in netwerkstructuren tussen verschillende microbiële populaties onder uiteenlopende omgevingsomstandigheden. In dit manuscript hebben we in detail de methode van co-expressie netwerkontwikkeling beschreven, de analyse van de verschillen tussen de modules, en hebben we een kort overzicht gegeven van de stappen in de toegepaste procedure om de kernsoorten in verschillende modulenetwerken te verkrijgen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Gegevens downloaden

  1. Download de gegevens van de toetreding PRJNA386367 uit de NCBI-databank. Selecteer uit de gegevens van de toetreding PRJNA386367 de rhizosfeer-, rhizoplane- en endosfeermicrobioomgegevens van rijstplanten die in 2014 gedurende 14 weken in een ondergedompeld rijstveld in Arbuckle, Californië zijn geteeld.
    OPMERKING: De gegevens over de rhizosfeer, rhizoplane en endosfeermicrobioom werden gepresenteerd door de OTUs-tabel in de toetredingstabel PRJNA386367.

2. Optimale bepaling van de vermogenswaarde

OPMERKING: Het WGCNA-pakket bevat alle volgende functionele parameters. WGCNA is een R-pakket voor gewogen correlatienetwerkanalyse. De belangrijkste opdrachtregels verwijzen naar het supplement S1.

  1. Open in de R-taalomgeving de Rstudio-software en installeer het WGCNA-pakket.
  2. Laad de gegevens en gebruik de functie goodSamplesGenes om de juistheid van de gegevens te controleren. Voer de opdrachtregels uit:
    "gsg = goedSamplesGenes(datExpr0, uitgebreid = 3)
    gsg$allOK "
    Klik op Uitvoeren.
  3. Controleer op uitschieters en bewaar monsters die aan de vereisten voldoen. Wanneer het controleresultaat WAAR is, gaat u verder met de volgende stap. Sla het resultaat op.
  4. Gebruik de functie PickSoftThreshold om de schaalvrije index R2 van de twee groepen gegevens onder verschillende vermogenswaarden te berekenen. Voer de opdrachtregel uit:
    "sft = pickSoftThreshold(datExpr0, powerVector = powers, verbose = 5)"
    Klik op Uitvoeren.
  5. Visualiseer de resultaten (Figuur 1). Voer de opdrachtregel uit:
    "plot(sft$fitIndices[,1], -teken(sft$fitIndices[,3])*sft$fitIndices[,2],
    xlab="Soft Threshold (power)",ylab="Scale Free Topology Model Fit,signed R^2",type="n",
    main = plakken("ES_Scale onafhankelijkheid"));
    tekst(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2],
    labels=powers,cex=cex1,col="rood");
    abline(h=0,9,col="rood")
    plot(sft$fitIndices[,1], sft$fitIndices[,5],
    xlab="Zachte drempel (power)",ylab="Mean Connectivity", type="n",
    main = plakken("ES_Mean connectiviteit"))
    tekst(sft$fitIndices[,1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")"
    Klik op Uitvoeren.
    OPMERKING: Het uitgangspunt van het gewogen correlatienetwerkalgoritme is dat de gevestigde co-expressienetwerkstructuur voldoet aan de normen van het schaalvrije topologiecriterium, waardoor de robuustheid ervan toeneemt. Een schaalloze index dichter bij 1 geeft een netwerkstructuur aan die dichter bij het schaalvrije netwerk ligt.
  6. Selecteer de vermogenswaarde wanneer de schaalvrije index R2 groter is dan 0,9 en ga verder met de volgende analysestap.
    OPMERKING: Wanneer de schaalvrije index dicht bij 1 ligt, ligt de netwerkstructuur dichter bij het schaalvrije netwerk. Bij het analyseren van twee of meer netwerken is het noodzakelijk om ervoor te kiezen om elk netwerk dicht bij de vermogenswaarde van het schaalvrije netwerk te brengen om te voldoen aan de vergelijkbaarheid tussen de co-uitgedrukte netwerken.

3. Aanleg van een co-expressienetwerk en module-identificatie

OPMERKING: Op basis van de bovenstaande berekende vermogenswaarde wordt het co-occurrence netwerk opgebouwd. De belangrijkste opdrachtregels verwijzen naar het supplement S2.

  1. Gebruik de hulpfunctie in het WGCNA-pakket om ondertekende parameters toe te voegen voor de opbouw van een symbolisch co-occurrence netwerk. Voer de opdrachtregel uit:
    "adjacency = hulpvaardigheid (datExpr0, macht = softPower)"
    Klik op Uitvoeren.
  2. Pas de TOM-gelijkenisfunctie toe om een topologisch overlappend netwerk te ontwikkelen en het ongelijksoortige netwerk te berekenen. Voer de opdrachtregel uit:
    "TOM = TOMsimilarity(hulpvaardigheid);
    dissTOM = 1-TOM"
    Klik op Uitvoeren.
    OPMERKING: De ondertekende parameter is toegevoegd om het netwerktype topologieoverlapping in te stellen.
  3. Gebruik de functie hclust om de hiërarchische clustermethode voor gemiddelde koppelingen voor hiërarchische clustering te selecteren. Voer de opdrachtregel uit:
    "geneTree = hclust(as.dist(dissTOM), methode = "gemiddeld");"
    Klik op Uitvoeren.
  4. Gebruik de functie cutreeDynamic om dynamisch vertakkingssnijden uit te voeren en stel de parameter minClusterSize in op 30. Verkrijg het moduleherkenningsresultaat. Voer de opdrachtregel uit:
    "dynamicMods = cutreeDynamic(dendro = geneTree, distM = dissTOM, deepSplit = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize);"
    Klik op Uitvoeren.
    OPMERKING: De minimale modulegrootte mag niet kleiner zijn dan 30.
  5. Bereken de module eigen van elke OTUs module door de moduleEigengenes functie. Voer de opdrachtregel uit:
    "MEList = moduleEigengenes(datExpr0, kleuren = dynamicColors)
    ME's = MEList$eigengenes"
    Klik op Uitvoeren.
    OPMERKING: De eigen module vertegenwoordigde het totale OTU-expressieniveau in de module. Het was geen specifieke OTU, maar de eerste hoofdcomponent van elk cluster verkregen door de ontleding van de enkelvoudige netwerkwaarde.
  6. Voer de clusterfunctie uit op basis van de correlatiecoëfficiënt van module eigen. Gebruik de functie mergeCloseModules om de modules samen te voegen met een waarde lager dan 0,25. Voer de opdrachtregel uit:
    "samenvoegen = samenvoegenCloseModules(datExpr0, dynamicColors, cutHeight = MEDissThres, verbose = 3)"
    Klik op Uitvoeren.
  7. Gebruik ten slotte de functie plotDendroAndColors voor visualisatie om het moduletoewijzingsweergavediagram van elk co-expressienetwerk te verkrijgen (figuur 2). Gebruik de tabelfunctie om de moduletoekenning uit te pakken die overeenkomt met elke OTin de moduletoewijzingstabel. Voer de opdrachtregel uit:
    "plotDendroAndColors(geneTree, mergedColors, "Samengevoegde dynamiek", dendroLabels = FALSE,
    hangen = 0,03,addGuide = WAAR, guideHang = 0,05,
    main = "ES_Gene dendrogram en modulekleuren")"
    Klik op Uitvoeren.
    OPMERKING: In het moduletoewijzingsdiagram van het co-expressing-netwerk vertegenwoordigen verschillende kleuren verschillende modules en grijs vertegenwoordigt OTA's die niet in een module kunnen worden ingedeeld. Een groter aantal OTA's in de grijze module geeft aan dat de voorverwerkingskwaliteit in een vroeg stadium van de expressiematrix slecht is.

4. Module vergelijking

OPMERKING: Deze methode kan worden gebruikt om de netwerkmodules van twee ecologische microbiële gemeenschappen te vergelijken. Vergelijk in dit artikel de verschillen van microbiële netwerkmodules tussen endosfeer en rhizoplane, endosfeer en rhizosfeer, rhizosfeer en rhizoplane.

  1. Conserveringstest
    1. Laad de parameters en resultaten van de twee gegevenssets die in de vorige stappen zijn opgeslagen.
    2. Stel het toewijzingsresultaat van de netwerkmodule van een groep microbiële gegevens in als referentiegroep, terwijl de andere groep de testgroep is.
    3. Gebruik de modulePreservatiefunctie om de waarden van conservatieve statistische parameters Z_summary en mediaanrank te berekenen. Voer de opdrachtregel uit:
      "system.time({mp=modulePreservation(multiExpr,
      multiColor,referentieNetworks=1,
      nPermutatie=100, randomSeed=1,quickCor=0,verbose=3)})"
      Klik op Uitvoeren.
      OPMERKING: Dit resultaat kan de conservatiefheid tussen modules kwantificeren. Z_summary>10 geeft aan dat twee modules sterk bewaard zijn gebleven, terwijl Z_summary<2 niet-geconserveerde modules aanduidt. medianRank drukt het relatieve behoud van de module uit die wordt beoordeeld op rangschikking. Hogere mediaanRank-waarden duiden op niet-verduurzaamde modules. (De belangrijkste opdrachtregels verwijzen naar het supplement S3.)
    4. Gebruik de plotfunctie om de resultaten te visualiseren (figuur 3). De parameters Z_summary en mediaanrankkregen( Tabel 1 ).
      OPMERKING: De netwerkmodules die voldoen aan zowel de Z_summary waarde van minder dan 2 als de mediane rankwaarde aan de top, zijn de meest niet-bewaarde module in de twee ecologische microbiële gemeenschappen.
    5. Gebaseerd op de resultaten van de bovengenoemde twee statistische parameters om de module te identificeren met de meest niet-geconserveerde module van de twee netwerken.
  2. Correlatieanalyse van het modulelidmaatschap
    1. Stel de moduletoewijzingsresultaten van de twee netwerken in als respectievelijk de referentie en de testgroep.
      OPMERKING: De instellingen moeten hetzelfde zijn als de preservation-test.
    2. Gebruik de functie corPvalueStudent om de kME-waarde (modulelidmaatschap) van elke OTU in verschillende kandidaatmodules te extraheren.
      Voer de opdrachtregel uit:
      "Pvalue = as.data.frame(corPvalueStudent(als.matrix
      (ModuleLidmaatschap), Voorbeelden))"
      Klik op Uitvoeren.
      LET OP: kME staat voor de mate van modulelidmaatschap. ME staat voor module eigen, wat het totale niveau van OTU-expressie in de module vertegenwoordigt. kME is de correlatiecoëfficiënt tussen elke OTU en de ME. Kwantificeer het belang van OTU in het netwerk door de kME-waarde van OTU. (De belangrijkste opdrachtregels verwijzen naar het supplement S4.)
    3. Gebruik vervolgens de functie verboseScatterplot om de correlatiecoëfficiënt van de kME-waarde van de overeenkomstige OTU's in de twee netwerken te berekenen en teken het correlatieanalysediagram (figuur 4).
      Voer de opdrachtregel uit:
      "uitgebreidScatterplot (abs (TModuleMembership
      [TmoduleGenes, Tcolumn]),
      abs(NModuleLidmaatschap[NmoduleGenes, Ncolumn]),
      xlab = plakken("kME in", "ES"),
      ylab = plakken("kME in", "RP"),
      main = plakken("lightyellow"),
      cex.main = 1,7, cex.lab = 1,6, cex,as = 1,6, col = modulekleur)"
      Klik op Uitvoeren.
    4. Selecteer de module met de kleinste correlatiecoëfficiënt van de kME-waarde van de OTU van de twee netwerken. Beschouw deze module als het grootste verschil tussen de twee netwerken.

5. Analyse van de microbiële differentiële netwerkmodule

  1. Verkrijg gegevens van de dominante bacterie phyla door statistische analyse van de OTU-sequentieset van de module met het grootste verschil.
    OPMERKING: De OTU-reeks van de module met het grootste verschil wordt samengevat door de taxonomie van phyla. De dominante bacterie phyla was goed voor meer dan 10%.
  2. Gebruik vervolgens de functie exportNetworkToCytoscape om het bestand te verkrijgen dat de interactierelatiegegevens van de OTU in de grootste differentiële module bevat.
    Voer de opdrachtregel uit:
    "cyt = exportNetworkToCytoscape(modTOM,
    edgeFile = plakken("NEW-ES_CytoscapeInput-edges-", modules , ".txt", sep=""),
    nodeFile = plakken("NEW-ES_CytoscapeInput-nodes-", modules, ".txt", sep=""),
    gewogen = WAAR,drempel = 0,5, nodeNamen = modProbes,
    altNodeNamen = modGenes, nodeAttr = moduleColors[inModule])"
    Klik op Uitvoeren.
  3. Importeer het bestand in Cytoscape. Stel de drempel in op 0,5 en pas indien nodig andere parameters aan.
  4. Bouw een co-occurrence netwerk van differentiële micro-organismen (Figuur 5).
  5. Verkregen de informatie van het kerngeslacht dat de belangrijkste regulerende rol in het netwerk heeft.
    OPMERKING: Afhankelijk van de kME-waarde van OUT kan het kerngeslacht worden gedefinieerd.
  6. Ten slotte werden de functies van het kerngeslacht beoordeeld en werd de invloed ervan op het hele verschilnetwerk geanalyseerd.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De representatieve resultaten in dit artikel zijn gedownload van de 2014 California Abaker rice root microbiome data in the NCBI database (PRJNA386367)9. De gegevens omvatten de rhizosfeer-, rhizoplane- en endosfeermicrobioommonsters van rijstplanten die gedurende 14 weken in een ondergedompeld rijstveld worden gekweekt. We gebruikten het WGCNA-algoritme om de vermogenswaarde te selecteren die voldeed aan de drie netwerken die dicht bij het schaalvrije netwerk lagen (figuur 1<...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Correlatienetwerken worden steeds vaker gebruikt in bioinformaticatoepassingen. WGCNA is een systeembiologische methode voor beschrijvende analyse van de relaties tussen verschillende elementen van een biologisch systeem12. R softwarepakket werd gebruikt in eerdere werkzaamheden aan WGCNA13,14,15. Het pakket bevat functies voor netwerkopbouw, moduledetectie, berekeningen van topologische eigenschappen, ge...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben niets bekend te maken.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De ontwikkeling van dit manuscript werd ondersteund door fondsen van de National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Doctoral Research Project van Guizhou Normal University (GZNUD[2017]1), Science and Technology Support Project of Guizhou Province (QKHZC[2021]YB459) en het Science and Technology Project of the Guiyang([2019]2).

De auteurs willen Edwards J.A et al bedanken voor het verstrekken van rijstmicrobioomgegevens in openbare databases en ondersteuning van TopEdit (www.topeditsci.com) voor zijn taalkundige hulp bij de voorbereiding van dit manuscript.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
RThe University of Aucklandversion 4.0.2R is een gratis software-omgeving voor statistische berekening en grafische weergave. Het compileert en draait op een breed scala aan UNIX-platforms, Windows en MacOS.
RStdioJJ Allaireversion 1.4.1103De RStudio IDE is een set geïntegreerde tools die zijn ontworpen om u productiever te maken met R en Python.
Cytoscapeversion 3.7.1Cytoscape is een open source softwareplatform voor het visualiseren van complexe netwerken en het integreren hiervan met elk type attribuutgegevens.
NCBI-databaseHet National Center for Biotechnology Information bevordert wetenschap en gezondheid door toegang te bieden tot biomedische en genomische informatie.

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Gewogen correlatienetwerkmicrobi le co occurrentieWGCNA algoritmewortelstelsel van rijstmicrobi le gemeenschapnetwerkmoduleanalysehi rarchische clusteringpreserveringstestCytoscape export

Gerelateerde artikelen