Name: Geassisteerde selectie van biomarkers door lineaire discriminante analyse-effectgrootte (LEfSe) in microbioomgegevens (Video) | JoVE Journal
Uploaded: 2022-05-16T14:00:00.000+00:00
Duration: 4 min 57 s
Description: Ontdek hoe LEfSe genomische biomarkers identificeert in microbioomdata met lineaire discriminantanalyse-effectgrootte. Deze methode helpt onderzoekers significante verschillen tussen biologische groepen te karakteriseren.

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

Dit werk werd ondersteund door een subsidie van Fundamental Research Funds voor de Central Public Welfare Research Institutes (TKS170205) en De Foundation for Development of Science and Technology, en Tianjin Research Institute for Water Transport Engineering (TIWTE), M.O.T. (KJFZJJ170201).

OPMERKING: Het protocol is afkomstig van en aangepast uit het onderzoek van Segata et al.3. De methode wordt op https://bitbucket.org/biobakery/biobakery/wiki/lefse gegeven.
1. Voorbereiding van het invoerbestand voor analyse
<ol><li>Bereid het invoerbestand (tabel 1) van LEfSe voor, dat eenvoudig kan worden gegenereerd door veel workflows8 of eerdere protocollen9 met de originele bestanden (voorbeeldbestand en bijbehorend soortannotatiebestand).</li>
</ol>2. LEfSe native analyse (beperkt tot de Linux server)
<ol><li>LEfSe Installatie OPMERKING: De LEfSe-pijplijn wordt aanbevolen om te worden geïnstalleerd met Conda10.<ol>
<li>Voer de volgende opdrachten uit om de mogelijkheid van afhankelijkhedenconflicten uit te sluiten. Maak een conda-omgeving voor LEfSe (deze stap wordt aanbevolen, maar is niet vereist.). -n staat voor de milieunaam. $ conda create -n LEfSe-env
</li>
		<li>Voer het volgende uit om de gemaakte LEfSe-omgeving te activeren: $ source activeren LEfSe-env
</li>
		<li>Voer het volgende uit om LEfSe te installeren met kanaalbioBakery waarbij -c staat voor kanaalnaam: $ conda install -c biobakery lefse |
</li>
	</ol>
</li>
	<li>Gegevens opmaken voor LEfSe<ol>
<li>Voer de volgende opdracht uit om het oorspronkelijke bestand te formatteren naar de interne indeling voor LEfSe. Tabel.txt is het invoerbestand en Table-reformat.in is het uitvoerbestand. -c wordt gebruikt om de functie in te stellen, die wordt gebruikt als klasse (standaard 1) en -o wordt gebruikt om de normalisatiewaarde in te stellen (standaard -1.0 betekent geen normalisatie). $ format_input.py Tafel.txt Table-reformat.in -c 1 -o 1000000
</li>
	</ol>
</li>
	<li>Berekening van de lineaire discriminantanalyse (LDA) effectgrootte<ol>
<li>Voer de volgende opdracht uit. Het doel van deze stap is om LDA van het vorige resultaat uit te voeren en het resultaatbestand voor de visualisatie te genereren. Table-reformat.in wordt gegenereerd met behulp van de vorige stap en wordt gebruikt als het invoerbestand in deze stap. Table-reformat.res is het resultaatbestand. $ run_lefse.py Table-reformat.in Table-reformat.res
</li>
	</ol>
</li>
	<li>Visualisatie door plots<ol>
<li>Plot de LEfSe-resultaten. Om de effectgrootte van de biomarkers in een pdf-bestand te plotten. Table-reformat.res wordt gegenereerd met behulp van de vorige stap en de LDA.pdf is het plotbestand. -formaat wordt gebruikt om het uitvoerbestandsformaat in te stellen. $ plot_res.py Table-reformat.res LDA.pdf --formaat pdf
</li>
		<li>Plot het cladogram. Om de soortboom te tekenen en de biomarkers in een cladogram weer te geven. cladogram.pdf is het uitvoerbestand. $ plot_cladogram.py Table-reformat.res cladogram.pdf --formaat pdf
</li>
		<li>
Plot één functie (optioneel) Om de verschillen van een enkele biomarker tussen verschillende groepen in kaart te brengen. -f wordt gebruikt om de kenmerken van het plot in te stellen. Als er een is ingesteld, moet de -feature_name worden gegeven. $ plot_features.py -f one --feature_name "k__Bacteria.p__Firmicutes.c__Bacilli.o__Bacillales" --formaat pdf Table-reformat.in Table-reformat.res Bacillales.pdf
</li>
		<li>Plot de differentiële functies (optioneel) om alle functies te tekenen, maar er is te veel om voorzichtig te doen. --archief wordt gebruikt om te kiezen of de resultaten moeten worden gecomprimeerd. ./ betekent het pad van de resultaten. $ plot_features.py -f diff --archief none --formaat pdf Table-reformat.in Table-reformat.res ./
</li>
	</ol>
</li>
</ol>3. LEfSe online analyse (galaxy)
<ol><li>Ga naar de huttenhower galaxy server11: http://huttenhower.sph.harvard.edu/galaxy.</li>
	<li>Upload de bestanden. Druk op de pijl-omhoog in het linkerdeelvenster en upload het bestand. Klik op Kies lokaal bestand om het invoerbestand te selecteren en selecteer het formaat in tabelvorm en klik vervolgens op de knop Start . OPMERKING: Als u naar de webpagina (https://bitbucket.org/biobakery/biobakery/wiki/lefse) verwijst, gebruikt u het script (taxonomy_summary. R) om het invoerbestand van LEfSe te genereren, en het formaat (elke kolom met een groepsnaam, elke regel met een ander niveau van annotatie gescheiden door "|") is vereist zoals weergegeven in tabel 1. Een schematisch overzicht van het uploadproces is weergegeven in figuur 1.</li>
	<li>Maak de gegevens op voor LEfSe. Klik op de LEfSe | De koppeling Gegevens opmaken voor LEfSe in het linkerdeelvenster en selecteer de specifieke rijen voor klasse in het bestand en klik op de knop Uitvoeren . Een schematisch overzicht van het operationele proces en de gebruikte parameters zijn weergegeven in figuur 2.</li>
	<li>Bereken de grootte van het LDA-effect. Klik op de LEfSe | LDA-effectgroottekoppeling (LEfSe) in het linkerdeelvenster en selecteer parameterwaarden op basis van de analysevereisten. Klik op Uitvoeren. Een schematisch overzicht van het operationele proces en de gebruikte parameters zijn weergegeven in figuur 3.</li>
	<li>Plot de LEfSe-resultaten. Klik op de LEfSe | Plot de link LEfSe-resultaten in het linkerdeelvenster en klik op de knop Uitvoeren . Een schematisch overzicht van het operationele proces en de gebruikte parameters zijn weergegeven in figuur 4.</li>
	<li>Plot het cladogram. Klik op Cladogram plotten in het linkerdeelvenster en klik op de knop Uitvoeren nadat u de parameterwaarden hebt geselecteerd. Een schematisch overzicht van het operationele proces en de gebruikte parameters zijn weergegeven in figuur 5.</li>
	<li>Plot één functie door te klikken op Eén functie plotten in het linkerdeelvenster en op de knop Uitvoeren te klikken nadat u parameterwaarden hebt geselecteerd. Een schematisch overzicht van het operationele proces en de gebruikte parameters zijn weergegeven in figuur 6.</li>
	<li>Plot differentiële functies door te klikken op Differentiële kenmerken plotten in het linkerdeelvenster en de knop Uitvoeren vast te klikken nadat u parameterwaarden hebt geselecteerd. Een schematisch overzicht van het operationele proces en de gebruikte parameters zijn weergegeven in figuur 7. OPMERKING: Deze gegenereerde cijfers kunnen worden gevisualiseerd en gedownload tegen de resulterende uitvoer in het rechterdeelvenster.</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>

De auteurs hebben niets te onthullen.

Hier wordt het protocol voor de identificatie en karakterisering van biomarkers binnen verschillende groepen beschreven. Dit protocol kan eenvoudig worden aangepast voor andere monstertypen, zoals OTA's van micro-organismen. De statistische methode van LEfSe kan de karakteristieke micro-organismen in elke groep vinden (standaard is LDA >2), dat wil zeggen, de micro-organismen die overvloediger voorkomen in deze groep in vergelijking met de anderen12. LEfSe is beschikbaar in zowel native als web Li...

Biomarkers zijn biologische kenmerken die kunnen worden gemeten en kunnen wijzen op bepaalde verschijnselen zoals infectie, ziekte of omgeving. Onder hen kunnen functionele biomarkers specifieke biologische functies van afzonderlijke soorten zijn of gemeenschappelijk voor sommige soorten, zoals gen, eiwit, metaboliet en routes. Bovendien duiden taxonomische biomarkers op een ongewone soort, een groep organismen (koninkrijk, phylum, klasse, orde, familie, geslacht, soort), de Amplicon Sequence Varient (ASV)1 of de Operational Taxonomic Unit (OTU)2. Om biomarkers sneller en nauwkeuriger te vinden, is een tool voor het analyseren van de biologische gegevens noodzakelijk. De verschillen tussen klassen kunnen worden verklaard door LEfSe in combinatie met standaardtests voor statistische significantie en aanvullende tests die coderen voor biologische consistentie en effectrelevantie3. LEfSe is beschikbaar als galaxy-module, een conda-formule, een docker-image en opgenomen in bioBakery (VM en cloud)4. Over het algemeen maakt de analyse van microbiële diversiteit vaak gebruik van een niet-parametrische test voor de onzekere verdeling van een steekproefgemeenschap. De rangsomtest is een niet-parametrische testmethode, waarbij de rang van monsters wordt gebruikt om de waarde van monsters te vervangen. Afhankelijk van het verschil in monstergroepen kan het worden verdeeld in twee monsters met de Wilcoxon rank sum test en in meerdere samples met de Kruskal-Wallis test 5,6. Met name wanneer er significante verschillen zijn tussen meerdere groepen monsters, moet een rangsomtest van paarsgewijze vergelijking van meerdere monsters worden uitgevoerd. LDA (wat staat voor Linear Discriminant Analysis) uitgevonden door Ronald Fisher in 1936, is een vorm van supervised learning, ook bekend als Fisher's Linear Discriminant7. Het is een klassiek en populair algoritme in het huidige veld van machine learning datamining.
Hier is de LEfSe-test geoptimaliseerd door Conda- en Galaxy-servers. Drie groepen van 16S rRNA-gensequenties worden geanalyseerd om de significante verschillen tussen verschillende groepen aan te tonen met LDA-scores van microbiële gemeenschappen en visualisatieresultaten.

<table><tbody><tr><td>Geen materialen gebruikt</td><td></td><td></td><td></td></tr></tbody></table>

geassisteerde selectie van biomarkers door lineaire discriminante analyse-effectgrootte (lefse) in microbioomgegevens

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

Er is steeds meer aandacht voor gesloten biologische genomen in het milieu en in de gezondheid. Om de intergroepsverschillen tussen verschillende monsters of omgevingen te onderzoeken en te onthullen, is het cruciaal om biomarkers met statistische verschillen tussen groepen te ontdekken. De toepassing van Lineaire discriminante analyse Effect Size (LEfSe) kan helpen bij het vinden van goede biomarkers. Op basis van de originele genoomgegevens worden kwaliteitscontrole en kwantificering van verschillende sequenties op basis van taxa of genen uitgevoerd. Ten eerste werd de Kruskal-Wallis-rangtest gebruikt om onderscheid te maken tussen specifieke verschillen tussen statistische en biologische groepen. Vervolgens werd de Wilcoxon-rangtest uitgevoerd tussen de twee groepen die in de vorige stap waren verkregen om te beoordelen of de verschillen consistent waren. Ten slotte werd een lineaire discriminante analyse (LDA) uitgevoerd om de invloed van biomarkers op significant verschillende groepen te evalueren op basis van LDA-scores. Kortom, LEfSe bood het gemak voor het identificeren van genomische biomarkers die statistische verschillen tussen biologische groepen karakteriseren.

De LDA-scores van microbiële gemeenschappen met significante verschillen in elke groep door de 16S rRNA-gensequenties van drie monsters te analyseren, zijn weergegeven in figuur 8. De kleur van het histogram vertegenwoordigt verschillende groepen, terwijl de lengte de LDA-score vertegenwoordigt, wat de invloed is van de soort met significante verschillen tussen verschillende groepen. Het histogram toont de soort met significante verschillen waarvan de LDA-score groter is dan de vooraf ingest...

LEfSe (LDA Effect Size) is een hulpmiddel voor hoogdimensionale biomarkermijnbouw om genomische kenmerken (zoals genen, paden en taxonomieën) te identificeren die twee of meer groepen in microbioomgegevens aanzienlijk karakteriseren.

Geassisteerde selectie van biomarkers door lineaire discriminante analyse-effectgrootte (LEfSe) in microbioomgegevens

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

De toepassing van lineaire discriminante analyse-effectgrootte kan het probleem van het vinden van goede biomarkers met statistische verschillen tussen biologische groepen oplossen. Lineaire discriminante analyse-effectgrootte biedt een handige methode voor het identificeren van genomische biomarkers om statistische verschillen tussen biologische groepen te karakteriseren. Zorg ervoor dat u voorzichtig bent met elke stap van de procedure, omdat de uitkomst van elke voorgaande stap van invloed kan zijn op de volgende stap.Nadat u een invoerbestand voor de grootte van een lineair discriminantanalyse-effect hebt gegenereerd, voert u de opdrachten uit zoals aangegeven om de mogelijkheid van afhankelijkhedenconflicten uit te sluiten en een conda-omgeving te creëren voor lineaire discriminante analyse-effectgrootte. Gebruik de commando's zoals aangegeven om de gecreëerde omgeving te activeren en om lineaire discriminante analyse-effectgrootte te installeren met kanaal bioBakery. Als u gegevens wilt opmaken voor de grootte van het lineaire discriminante analyse-effect, voert u de opdracht uit om het oorspronkelijke bestand op te maken naar de indeling voor de grootte van het interne lineaire discriminante analyse-effect.Als u de grootte van het lineaire discriminante analyse-effect wilt berekenen, voert u de opdracht uit om een lineaire discriminante analyse uit te voeren en het resulterende gegevensbestand te genereren. Gebruik na de analyse de aangegeven opdrachten om de effectgrootte van de biomarkers in een PDF-bestand te plotten en om de soortenboom te tekenen om de biomarkers in een cladogram weer te geven. Als u de verschillen van een enkele biomarker tussen verschillende groepen wilt plotten, gebruikt u de opdracht zoals aangegeven.Alle functies kunnen desgewenst ook met behulp van het commando worden getekend. Voor online LEfSe-analyse met behulp van de Galaxy-server navigeert u naar de server. Als u de relevante bestanden wilt uploaden, klikt u op en kiest u lokaal bestand om de bestanden te selecteren.Selecteer vervolgens de tabelindeling en klik op Start. Als u de gegevens wilt opmaken voor de grootte van het lineaire discriminante analyse-effect, klikt u op LEfSe en Gegevens opmaken voor LEfSe, selecteert u de specifieke rijen voor klasse en klikt u op Uitvoeren. Als u de grootte van het lineaire discriminante analyse-effect wilt berekenen, klikt u op LEfSe- en LDA-effectgrootte.Selecteer de parameterwaarden op basis van de analysevereisten en klik op Uitvoeren. Als u de resultaten van de lineaire discriminante analyse-effectgrootte wilt plotten, klikt u op LEfSe- en LEfSe-resultaten plotten en klikt u op Uitvoeren. Als u het cladogram wilt plotten, selecteert u de juiste parameterwaarden en klikt u op Cladogram uitzetten en uitvoeren.Als u één object wilt plotten, selecteert u de juiste parameterwaarden en klikt u op Eén object plotten en uitvoeren. Als u differentiële kenmerken wilt plotten, selecteert u de juiste parameterwaarden en klikt u op de knop Differentiële kenmerken plotten en uitvoeren. Hier worden de lineaire discriminatieanalysescores van microbiële gemeenschappen met significante verschillen in elke groep, bepaald door de 16 S-ribosomale RNA-gensequenties van drie monsters te analyseren, getoond.In deze figuur kunnen de biomarkers met significante verschillen in soorten bomen tussen verschillende classificatieniveaus worden waargenomen. De cirkels die van binnen naar buiten uitstralen, vertegenwoordigen de classificatieniveaus van phylum tot geslacht, waarbij de diameter van elke soortcirkel het niveau van overvloed van elke classificatie vertegenwoordigt. De soorten zonder significante verschillen verschijnen in geel en de significant verschillende soorten biomarkers zijn gekleurd om overeen te komen met de overeenkomstige groepen.De overeenkomstige soortnamen van de biomarkers die in het waarnemingspunt zijn weergegeven, zijn hier vermeld. Hier wordt een representatief voor abundantiebalkplot voor één biomarker getoond die verschillen tussen de verschillende groepen laat zien volgens de resultaten van de lineaire discriminante analyse-effectgrootte. De ononderbroken lijn vertegenwoordigt de gemiddelde relatieve abundantie, de stippellijn vertegenwoordigt de mediane relatieve abundantie en elke kolom vertegenwoordigt de relatieve abundantie van elke steekproef in verschillende groepen.Hoofdcomponentenanalyse kan ook worden uitgevoerd, omdat de dimensionaliteitseducatie direct gerelateerd is aan de gegevensdimensie en het geprojecteerde coördinatensysteem orthogonaal is. Naarmate de vraag naar hoogdimensionale data-analyse toeneemt, zal deze methode helpen bij het verkennen van biomarkerkenmerken van belang.

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

Research

JoVE Journal

Genetics

Genetica

This video describes DNA isolation protocol from stool samples of colon tumor-bearing mice. The extracted DNA is amplified using PCR, and the product is further cleaned using a magnetic beads-based approach. This method can be used to determine the effect of environmental enrichment on colon microbiota and animal mortality.

Stool Microbial DNA Isolation: Studying the Effect of Environmental Enrichment on Microbiome Diversity in Murine Tumor Model

Bestaande algoritmen genereren een oplossing voor een biomarker detectie dataset. Dit protocol blijkt van het bestaan van meerdere ook doeltreffende oplossingen en presenteert een gebruikersvriendelijke software om te helpen biomedische onderzoekers onderzoeken hun datasets voor de voorgestelde challenge. Computerwetenschappers kunnen deze functie in hun biomerker ook detectie algoritmen.

Selecteren van meerdere Biomarker Subsets met ook effectieve binaire indeling optredens

Hier beschreven is een vereenvoudigde standaard werkings procedure voor microbiome profilering met behulp van 16S rRNA metagenomic sequencing en analyse met behulp van vrij beschikbare instrumenten. Dit protocol zal onderzoekers die nieuw zijn in het microbiome veld en degenen die updates vereisen over methoden om bacteriële profilering bij een hogere resolutie te bereiken helpen.

Microbiota-analyse met behulp van twee-stap PCR en de volgende generatie 16S rRNA Gensequencing

Dit protocol biedt een eenvoudige, kosteneffectieve DNA-isolatiemethode voor de analyse van veranderingen in de microbiota van de muizendarm tijdens de ontwikkeling van auto-immuunziekten.

Analyse van fecale microbiotadynamiek bij lupusgevoelige muizen met behulp van een eenvoudige, kosteneffectieve DNA-isolatiemethode

Dit protocol laat zien hoe cytoplasmatische micro-injectie in zygoten van boerderijdieren kan worden uitgevoerd. Deze techniek kan worden gebruikt om elke oplossing in de eencellige embryo te brengen, zoals genoombewerkingstools om knock-out dieren te genereren.

Laser-assisted Cytoplasmatische Micro-injectie in Livestock Zygotes

Galaxy en David hebben zich ontwikkeld tot populaire tools die het mogelijk maken de onderzoekers zonder bioinformatica training te analyseren en RNA-Seq gegevens te interpreteren. We beschrijven een protocol voor C. elegans onderzoekers RNA-Seq experimenten toegang voeren en verwerken dataset behulp Galaxy en zinvolle biologische informatie uit het gen lijsten met behulp DAVID verkrijgen.

Transcriptoom analyse<em&gt; C</em&gt;.<em&gt; elegans</em&gt; RNA Sequencing gegevens via de Tuxedo Suite op de Galaxy Project

Dit manuscript beschrijft de experimentele procedure en software analyse voor een bidirectionele integratie site analyse die tegelijkertijd upstream en downstream vector-host junction DNA kan analyseren. Bidirectionele PCR producten kunnen worden gebruikt voor elk downstream sequencing platform. De resulterende gegevens zijn bruikbaar voor een high-throughput, kwantitatieve vergelijking van geïntegreerde DNA-doelen.

Tweerichtings retrovirale integratie site PCR methodologie en kwantitatieve data analyse werkstroom

Recente vooruitgang in het vermogen om somatische cellijnen genetisch te manipuleren, biedt een groot potentieel voor basis en toegepast onderzoek. Hier presenteren wij twee benaderingen voor CRISPR / Cas9 gegenereerde knockout productie en screening in zoogdiercellijnen, met en zonder het gebruik van selecteerbare markers.

Selectieafhankelijke en onafhankelijke generatie van CRISPR / Cas9-gemedieerde Gene Knockouts in zoogdiercellen

Dit protocol biedt een aanpak voor de hele transcriptome analyse van zebravis embryo's, larven, of cellen gesorteerd. Wij omvatten isolatie van RNA, pad analyse van RNASeq gegevens en qRT-PCR-gebaseerde validatie van gen expressie veranderingen.

Bereiding van de monsters en de analyse van de RNASeq gebaseerde gen expressie gegevens uit de zebravis

Hier beschrijven we een protocol om amplicon reeks gegevens van bodem, rhizosfeer en wortel endosphere microbiomes te verkrijgen. Deze informatie kan worden gebruikt voor het onderzoeken van de samenstelling en de diversiteit van de plant-geassocieerde microbiële gemeenschappen, en is geschikt voor het gebruik met een breed scala van plantensoorten.

Verkennen van de wortel Microbiome: extraheren van gegevens van de bacteriële Gemeenschap uit de bodem, de rhizosfeer, en de wortel Endosphere

Ontdek hoe LEfSe genomische biomarkers identificeert in microbioomdata met lineaire discriminantanalyse-effectgrootte. Deze methode helpt onderzoekers significante verschillen tussen biologische groepen te karakteriseren.

Geassisteerde selectie van biomarkers door lineaire discriminante analyse-effectgrootte (LEfSe) in microbioomgegevens

Meer video's verkennen