Divergentie van wortelmicrobiota in verschillende habitats op basis van gewogen correlatienetwerken

Deze methode kan effectief de interactieve relatie of het co-occurrence netwerk van verschillende microbiële soorten in verschillende omgevingen verkennen. Het biedt details over het gebruik van het WGCNA-algoritme om een co-occurrence netwerk van microbiota te bouwen. Bovendien beoordeelt deze methode op basis van de resultaten de differentiatie van microbiële relaties en samenstelling tussen microbiële consortia.

Hier is de basisstroom van de methode. De samenstellings- en overvloedsgegevens van microbiota worden gedownload uit de NCBI-database of sequentiegegevens voor uw monsters. Open eerst de RStudio-software en installeer het WGCNA-pakket.

Laad vervolgens de gegevens en gebruik de functie van de goede monstersgenen om de juistheid van de gegevens te controleren. Kijk voor uitschieters en bewaar monsters die aan onze eisen voldoen. Wanneer het controleresultaat waar is, gaat u verder met de volgende stap.

Sla het resultaat op. Gebruik de functie picks off threshold om de schaalvrije index, R kwadraat, van de gegevens onder verschillende vermogenswaarden te berekenen. Visualiseer de resultaten.

Wanneer de schaalvrije index dichter bij één ligt, ligt de netwerkstructuur dichter bij het schaalvrije netwerk. Wanneer de schaalvrije index, R kwadraat, groter is dan 0,9, selecteert u de vermogenswaarde. Gebruik ten slotte dezelfde methode om de rest van de microbioomgegevens te analyseren.

Gebruik eerst de hulpfunctie om een symbolisch co-occurrence-netwerk op te bouwen. Gebruik daarnaast de TOM-gelijkenisfunctie om een topologisch, overlappend netwerk te ontwikkelen. Gebruik ten tweede de functie Hclust om hiërarchische clustering uit te voeren en de resulterende clusterstructuur te tekenen.

Gebruik ten derde de dynamische functie cutree om dynamische vertakkingssnijden uit te voeren en gebruik de parameter min clustergrootte om de kleinste modulegrootte in te stellen. De kleinste modulegrootte is meestal ingesteld op meer dan 30. Bereken ten vierde het microbiële kenmerk van elke module.

Hiërarchische clustering wordt uitgevoerd volgens de correlatiecoëfficiënt en modules met een hoogte van minder dan 0,25 zijn samengevoegd om de verdeling van elke module te verkrijgen. Ten vijfde gebruikt u de plotdendro en kleurenfunctie om de resultaten te visualiseren. Het toewijzingsweergavediagram van de netwerkmodule voor gelijktijdig optreden wordt verkregen.

Wijzig vervolgens de naam van de modulekleuren en maak digitale labels die overeenkomen met de kleuren. Bewaar ze voor gebruik in volgende delen. Herhaal ten slotte het bovenstaande proces voor andere gegevenssets.

Vergelijk en analyseer in dit deel de twee sets gegevens en voer de conserveringstest uit. Laad eerst de parameters en resultaten van de twee gegevenssets die in de vorige stappen zijn opgeslagen. Stel vervolgens de moduleresultaten van de ene gegevensset in als referentiegroep, een andere als testgroep en voer de modulevergelijking uit.

Bereken vervolgens de waarden van de conservatiefheid, statistische parameters, Z-samenvatting en mediaanrang om de conservatiefheid tussen modules te kwantificeren. Visualiseer ten slotte de resultaten. Bepaal de netwerkmodule die voldoet aan zowel de Z-samenvattingswaarde, kleiner dan twee, als de mediane rangwaarde bovenaan.

Deze module is de meest niet-geconserveerde module in de twee microbiotagegevens. Voer een correlatieanalyse uit van het modulelidmaatschap. Stel de moduletoewijzingsresultaten van twee netwerken in als referentie en de testgroep.

De instellingen moeten hetzelfde zijn als de conserveringstest. Ten eerste werd de KME-waarde van elke OTU berekend in verschillende kandidaatmodules op basis van de resultaten van de conserveringstest. Neem de gele module als voorbeeld.

Bereken de correlatiecoëfficiënt van de KME-waarde in de twee gele modules en teken vervolgens het correlatieanalysediagram van de KME-waarde in de module. Ten slotte, volgens de correlatiecoëfficiënt in de figuur, beoordeel de conservatiefheid van de module in de twee datasets. Selecteer de module met de kleinste correlatiecoëfficiënt.

Gebruik eerst de functie netwerk exporteren naar Cytoscape om het netwerk te exporteren naar een edge- en knooppuntlijstbestand dat Cytoscape kan lezen. Importeer het bestand vervolgens in Cytoscape. Stel de drempel in op 0,5 en pas indien nodig andere parameters aan.

Verkrijg ten slotte een co-occurrence netwerk van verschillende micro-organismen. In dit artikel wordt het WGCNA-algoritme gebruikt om de verschillen in drie niches van het rijstwortelsysteem te analyseren. Selecteer de energiewaarde die voldoet aan de drie netwerken die dicht bij het schaalvrije netwerk lagen.

Identificeer in de endosfeer, rhizoplane en rhizosphere microbieel voorvalnetwerk respectievelijk 23, 22 en 21 modellen. Gebruik de conserveringstest en correlatieanalyse om de extreem niet-conservatieve modules tussen elke twee niches van het rijstwortelsysteem te vinden. Bouw een co-occurrence netwerk voor deze drie modules met verschillende kleuren om verschillende microbiële phylum weer te geven.

Proteobacteriën, Actinobacteriën, Bacteroidetes, Firmicutes en Verrucomicrobia domineerden de drie verschillende microbiële netwerken. Bovendien reguleren 17 kerngenra voornamelijk deze netwerken. Na het bekijken van deze video moet u een goed begrip hebben van hoe u een reeks stappen kunt uitvoeren om het WGCNA-algoritme te gebruiken om verschillende co-occurrence-netwerken te analyseren die kunnen optreden in de microbiële gemeenschappen als gevolg van verschillende ecologische omgevingen.