Name: Wspomagana selekcja biomarkerów za pomocą liniowej wielkości efektu analizy dyskryminacyjnej (LEfSe) w danych mikrobiomu (Wideo) | JoVE Journal
Uploaded: 2022-05-16T14:00:00.000+00:00
Duration: 4 min 57 s
Description: Poznaj metodę LEfSe do identyfikacji biomarkerów genomicznych w danych mikrobiomu. Naucz się analizy dyskryminacyjnej w celu odkrywania różnic między grupami biologicznymi.

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

Ta praca była wspierana przez grant z Funduszy Badań Podstawowych dla Centralnych Instytutów Badawczych Opieki Społecznej (TKS170205) i Fundacji Rozwoju Nauki i Technologii oraz Instytutu Badawczego Inżynierii Transportu Wodnego w Tianjin (TIWTE), M.O.T. (KJFZJJ170201).

UWAGA: Protokół został zaczerpnięty i zmodyfikowany na podstawie badań Segata et al.3. Metoda jest dostępna pod adresem https://bitbucket.org/biobakery/biobakery/wiki/lefse.
1. Przygotowanie pliku wejściowego do analizy
<ol>
	<li>Przygotuj plik wejściowy (Tabela 1) LEfSe, który może być łatwo wygenerowany przez wiele przepływów pracy8 lub poprzednie protokoły9 z oryginalnymi plikami (przykładowy plik i odpowiadający mu plik adnotacji gatunków).</li>
</ol>
2. Natywna analiza LEfSe (ograniczona do serwera Linux)
<ol>
	<li>LEfSe Installation 
	UWAGA: Zaleca się instalację potoku LEfSe z Conda10.
	<ol>
		<li>Uruchom następujące polecenia, aby wykluczyć możliwość konfliktu zależności. Utwórz środowisko conda dla LEfSe (ten krok jest zalecany, ale nie jest wymagany). -n oznacza nazwę środowiska. 
		$ conda create -n LEfSe-env</li>
		<li>Aby uaktywnić utworzone środowisko LEfSe, uruchom: 
		$ source activate LEfSe-env</li>
		<li>Aby zainstalować LEfSe z kanałem bioBakery, gdzie -c oznacza nazwę kanału, uruchom: 
		$ conda install -c biobakery lefse</li>
	</ol>
	</li>
	<li>Formatowanie danych dla LEfSe
	<ol>
		<li>Uruchom następujące polecenie, aby sformatować oryginalny plik do formatu wewnętrznego dla LEfSe. Table.txt jest plikiem wejściowym, a Table-reformat.in jest plikiem wyjściowym. -c służy do ustawiania funkcji, która jest używana jako klasa (domyślnie 1), a -o służy do ustawiania wartości normalizacji (domyślnie -1.0 oznacza brak normalizacji). 
		$ format_input.py Table.txt Table-reformat.in -c 1 -o 1000000</li>
	</ol>
	</li>
	<li>Obliczanie wielkości efektu liniowej analizy dyskryminacyjnej (LDA)
	<ol>
		<li>Uruchom następujące polecenie. Celem tego kroku jest wykonanie LDA poprzedniego wyniku i wygenerowanie pliku wynikowego dla wizualizacji. Table-reformat.in jest generowany przy użyciu poprzedniego kroku i jest używany jako plik wejściowy w tym kroku. Table-reformat.res jest plikiem wynikowym. 
		$ run_lefse.py Table-reformat.in Tabela-reformat.res</li>
	</ol>
	</li>
	<li>Wizualizacja według wykresów
	<ol>
		<li>Wykreśl wyniki LEfSe. Aby wykreślić wielkość efektu biomarkerów w pliku pdf,. Table-reformat.res jest generowany przy użyciu poprzedniego kroku, a LDA.pdf jest plikiem wykresu. –format służy do ustawiania formatu pliku wyjściowego. 
		$ plot_res.py Tabela-reformat.res LDA.pdf --format pdf</li>
		<li>Narysuj kladogram. Narysuj drzewo gatunków i wyświetl biomarkery w kladogramie. cladogram.pdf jest plikiem wyjściowym. 
		$ plot_cladogram.py Table-reformat.res cladogram.pdf --format pdf</li>
		<li>Wykreśl jedną cechę (opcjonalnie) Aby wykreślić różnice pojedynczego biomarkera między różnymi grupami. -f służy do ustawiania cech wykresu. Jeśli jeden z nich został ustawiony, należy podać –feature_name. 
		$ plot_features.py -f jeden --feature_name "k__Bacteria.p__Firmicutes.c__Bacilli.o__Bacillales" --format pdf Table-reformat.in Table-reformat.res Bacillales.pdf</li>
		<li>Wykreśl cechy różnicowe (opcjonalnie), aby narysować wszystkie cechy, ale jest zbyt wiele, aby zrobić to ostrożnie. --archive służy do wyboru, czy wyniki mają być kompresowane. ./ oznacza ścieżkę wyników. 
		$ plot_features.py -f diff --archive none --format pdf Table-reformat.in Tabela-reformat.res ./</li>
	</ol>
	</li>
</ol>
3. Analiza online LEfSe (galaktyka)
<ol>
	<li>Przejdź do galaktyki huttenhowera server11: http://huttenhower.sph.harvard.edu/galaxy.</li>
	<li>Prześlij pliki. Naciśnij przycisk strzałki w górę w lewym okienku i prześlij plik. Kliknij Wybierz plik lokalny, aby wybrać plik wejściowy i wybierz format tabelaryczny, a następnie kliknij przycisk Start. 
	UWAGA: Odwołując się do strony internetowej (https://bitbucket.org/biobakery/biobakery/wiki/lefse), użyj skryptu (taxonomy_summary. R) w celu wygenerowania pliku wejściowego LEfSe, a format (każda kolumna z nazwą grupy, każdy wiersz z innym poziomem adnotacji oddzielony znakiem "|") jest wymagany, jak pokazano w tabeli 1. Schematyczny przegląd procesu wgrywania jest pokazany w Rysunek 1.</li>
	<li>Sformatuj dane dla LEfSe. Kliknij na LEfSe | Formatuj dane dla LEfSe w lewym okienku i wybierz określone wiersze dla klasy w pliku, a następnie kliknij przycisk Wykonaj. Schematyczny przegląd procesu operacyjnego i zastosowanych parametrów przedstawiono na rysunku Rysunek 2.</li>
	<li>Oblicz wielkość efektu LDA. Kliknij na LEfSe | LDA Effect Size (LEfSe) w lewym okienku i wybierz wartości parametrów zgodnie z wymaganiami analizy. Kliknij Wykonaj. Schematyczny przegląd procesu operacyjnego i zastosowanych parametrów przedstawiono na Rysunek 3.</li>
	<li>Wykreśl wyniki LEfSe. Kliknij na LEfSe | Wykreśl link LEfSe Results w lewym okienku i kliknij przycisk Execute (Wykonaj). Schematyczny przegląd procesu operacyjnego i zastosowanych parametrów przedstawiono na Rysunek 4.</li>
	<li>Narysuj kladogram. Kliknij Plot Cladogram w lewym okienku, a następnie kliknij przycisk Execute po wybraniu wartości parametrów. Schematyczny przegląd procesu operacyjnego i zastosowanych parametrów przedstawiono w Rysunek 5.</li>
	<li>Wykreśl jeden obiekt, klikając opcję Kreśl jeden obiekt w lewym okienku, a następnie klikając przycisk Wykonaj po wybraniu wartości parametrów. Schematyczny przegląd procesu operacyjnego i zastosowanych parametrów przedstawiono na rysunku Rysunek 6.</li>
	<li>Wykreśl cechy różnicowe, klikając pozycję Cechy różnicowe wykresu w lewym okienku i klikając przycisk Wykonaj po wybraniu wartości parametrów. Schematyczny przegląd procesu operacyjnego i zastosowanych parametrów przedstawiono w Rysunek 7. 
	UWAGA: Wygenerowane figury można wizualizować i pobierać z wynikowymi danymi wyjściowymi w prawym okienku.</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>

Autorzy nie mają nic do ujawnienia.

W tym miejscu opisano protokół identyfikacji i charakterystyki biomarkerów w różnych grupach. Protokół ten można łatwo dostosować do innych typów próbek, takich jak OTU mikroorganizmów. Metoda statystyczna LEfSe może znaleźć charakterystyczne mikroorganizmy w każdej grupie (domyślnie LDA >2), czyli mikroorganizmy, które są liczniejsze w tej grupie w stosunku do pozostałych12. LEfSe jest dostępny zarówno w natywnej, jak i internetowej wersji Linux, gdzie użytkownicy mogą również przeprowadzać anali...

Biomarkery to cechy biologiczne, które mogą być mierzone i mogą wskazywać na pewne zjawiska, takie jak infekcja, choroba lub środowisko. Wśród nich biomarkery funkcjonalne mogą być specyficznymi funkcjami biologicznymi pojedynczych gatunków lub wspólnymi dla niektórych gatunków, takimi jak geny, białka, metabolity i szlaki. Poza tym biomarkery taksonomiczne wskazują na niezwykły gatunek, grupę organizmów (królestwo, gromadę, klasę, rząd, rodzinę, rodzaj, gatunek), Amplicon Sequence Varient (ASV)1, lub Operational Taxonomic Unit (OTU)2. Aby szybciej i dokładniej znaleźć biomarkery, niezbędne jest narzędzie do analizy danych biologicznych. Różnice między klasami można wyjaśnić za pomocą LEfSe w połączeniu ze standardowymi testami istotności statystycznej i dodatkowymi testami kodującymi spójność biologiczną i trafność efektów3. LEfSe jest dostępny jako moduł galaktyki, formuła conda, obraz dockera i zawarty w bioBakery (VM i chmura)4. Ogólnie rzecz biorąc, analiza różnorodności mikrobiologicznej często wykorzystuje test nieparametryczny do niepewnego rozmieszczenia społeczności próby. Test sumy rang jest nieparametryczną metodą testową, która wykorzystuje rangę próbek do zastąpienia wartości próbek. W zależności od różnicy grup próbek, można go podzielić na dwie próbki za pomocą testu sumy rang Wilcoxona i na wiele próbek za pomocą testu Kruskala-Wallisa5,6. W szczególności, gdy występują znaczne różnice między wieloma grupami próbek, należy przeprowadzić test sumy rang polegający na porównaniu parami wielu prób. LDA (skrót od Linear Discriminant Analysis) wynaleziony przez Ronalda Fishera w 1936 roku, jest rodzajem uczenia nadzorowanego, znanym również jako Fisher's Linear Discriminant7. Jest to klasyczny i popularny algorytm w obecnej dziedzinie eksploracji danych uczenia maszynowego.
Tutaj test LEfSe został zoptymalizowany przez serwery Conda i Galaxy. Trzy grupy sekwencji genu 16S rRNA są analizowane w celu wykazania istotnych różnic między różnymi grupami z wynikami LDA społeczności drobnoustrojów i wynikami wizualizacji.

<table><tbody><tr><td>Nie użyto</td><td></td><td></td><td></td> żadnych materiałów</tr></tbody></table>

wspomagana selekcja biomarkerów za pomocą liniowej wielkości efektu analizy dyskryminacyjnej (lefse) w danych mikrobiomu

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

Coraz częściej zwraca się uwagę na zamknięte genomy biologiczne w środowisku i zdrowiu. Aby zbadać i ujawnić różnice międzygrupowe między różnymi próbkami lub środowiskami, kluczowe jest odkrycie biomarkerów z różnicami statystycznymi między grupami. Zastosowanie liniowej analizy dyskryminacyjnej Effect Size (LEfSe) może pomóc w znalezieniu dobrych biomarkerów. Na podstawie oryginalnych danych genomu przeprowadzana jest kontrola jakości i kwantyfikacja różnych sekwencji na podstawie taksonów lub genów. Po pierwsze, test rang Kruskala-Wallisa został wykorzystany do rozróżnienia specyficznych różnic między grupami statystycznymi i biologicznymi. Następnie przeprowadzono test rang Wilcoxona między dwiema grupami uzyskanymi w poprzednim kroku, aby ocenić, czy różnice są spójne. Na koniec przeprowadzono liniową analizę dyskryminacyjną (LDA) w celu oceny wpływu biomarkerów na znacząco różniące się grupy na podstawie wyników LDA. Podsumowując, projekt LEfSe umożliwił identyfikację biomarkerów genomowych, które charakteryzują różnice statystyczne między grupami biologicznymi.

Wyniki LDA dla społeczności mikrobiologicznych z istotnymi różnicami w każdej grupie, uzyskane poprzez analizę sekwencji genu 16S rRNA trzech próbek, przedstawiono na Rysunku 8. Kolor histogramu reprezentuje poszczególne grupy, natomiast długość słupka odpowiada wartości LDA, która określa wpływ gatunków wykazujących istotne różnice między grupami. Histogram przedstawia gatunki z istotnymi różnicami, których wartość LDA przekracza wartość zadaną. Domyślna wartość zadana wynosi 2,0, zatem na ...

LEfSe (LDA Effect Size) to narzędzie do wysokowymiarowego poszukiwania biomarkerów w celu identyfikacji cech genomu (takich jak geny, szlaki i taksonomie), które znacząco charakteryzują dwie lub więcej grup w danych mikrobiomu.

Wspomagana selekcja biomarkerów za pomocą liniowej wielkości efektu analizy dyskryminacyjnej (LEfSe) w danych mikrobiomu

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

Zastosowanie liniowej wielkości efektu analizy dyskryminacyjnej może rozwiązać problem znalezienia dobrych biomarkerów z różnicami statystycznymi między grupami biologicznymi. Wielkość efektu liniowej analizy dyskryminacyjnej stanowi wygodną metodę identyfikacji biomarkerów genomowych w celu scharakteryzowania różnic statystycznych między grupami biologicznymi. Pamiętaj, aby zachować ostrożność na każdym etapie procedury, ponieważ wynik każdego poprzedniego kroku może mieć wpływ na kolejny krok.Po wygenerowaniu pliku wejściowego rozmiaru efektu liniowej analizy dyskryminacyjnej uruchom polecenia zgodnie ze wskazaniami, aby wykluczyć możliwość konfliktu zależności i utworzyć środowisko conda dla rozmiaru efektu liniowej analizy dyskryminacyjnej. Użyj poleceń, jak wskazano, aby aktywować utworzone środowisko i zainstalować rozmiar efektu liniowej analizy dyskryminacyjnej za pomocą kanału bioBakery. Aby sformatować dane pod kątem rozmiaru efektu liniowej analizy dyskryminacyjnej, uruchom polecenie w celu sformatowania oryginalnego pliku do wewnętrznego formatu efektu liniowej analizy dyskryminacyjnej.Aby obliczyć wielkość efektu liniowej analizy dyskryminacyjnej, uruchom polecenie w celu przeprowadzenia liniowej analizy dyskryminacyjnej i wygenerowania wynikowego pliku danych. Po analizie użyj poleceń, jak wskazano, aby wykreślić wielkość efektu biomarkerów w pliku PDF i narysować drzewo gatunków, aby wyświetlić biomarkery w kladogramie. Aby wykreślić różnice pojedynczego biomarkera między różnymi grupami, użyj polecenia, jak wskazano.W razie potrzeby wszystkie elementy można również narysować za pomocą polecenia. Aby przeprowadzić analizę LEfSe online za pomocą serwera Galaxy, przejdź do serwera. Aby przesłać odpowiednie pliki, kliknij w górę i Wybierz plik lokalny, aby wybrać pliki.Następnie wybierz format tabelaryczny i kliknij przycisk Start. Aby sformatować dane dla rozmiaru efektu liniowej analizy dyskryminacyjnej, kliknij LEfSe i Formatuj dane dla LEfSe, wybierz określone wiersze dla klasy, a następnie kliknij przycisk Wykonaj. Aby obliczyć wielkość efektu liniowej analizy dyskryminacyjnej, kliknij opcję Rozmiar efektu LEfSe i LDA.Wybierz wartości parametrów zgodnie z wymaganiami analizy i kliknij przycisk Wykonaj. Aby wykreślić wyniki liniowej analizy dyskryminacyjnej wielkości efektu, kliknij LEfSe i Wykreśl wyniki LEfSe, a następnie kliknij Wykonaj. Aby wykreślić kladogram, wybierz odpowiednie wartości parametrów i kliknij przycisk Kreśl kladogram i Wykonaj.Aby wykreślić jeden element, należy wybrać odpowiednie wartości parametrów i kliknąć Drukuj jeden element i wykonaj. Aby wykreślić cechy różnicowe, wybierz odpowiednie wartości parametrów i kliknij przycisk Wykreśl cechy różnicowe i wykonaj. W tym miejscu przedstawiono wyniki analizy dyskryminacji liniowej społeczności drobnoustrojów ze znaczącymi różnicami w każdej grupie, określonymi przez analizę 16 sekwencji genów S-rybosomalnego RNA trzech próbek.Na tym rysunku można zaobserwować biomarkery ze znaczącymi różnicami w drzewach gatunkowych między różnymi poziomami klasyfikacji. Okręgi rozchodzące się promieniście od wewnątrz na zewnątrz reprezentują poziomy klasyfikacji od gromady do rodzaju, przy czym średnica okręgu każdego gatunku reprezentuje poziom liczebności każdej klasyfikacji. Gatunki, które nie różnią się znacząco, są oznaczone kolorem żółtym, a biomarkery znacznie różniące się od siebie są pokolorowane tak, aby pasowały do odpowiednich grup.Odpowiednie nazwy gatunkowe biomarkerów pokazanych na wykresie są wymienione tutaj. W tym miejscu pokazano przedstawiciela wykresu słupkowego liczebności dla jednego biomarkera, który pokazuje różnice między różnymi grupami zgodnie z wynikami liniowej analizy dyskryminacyjnej wielkości efektu. Linia ciągła reprezentuje średnią względną obfitość, linia przerywana reprezentuje medianę względnej obfitości, a każda kolumna reprezentuje względną obfitość każdej próbki w różnych grupach.Można również przeprowadzić analizę składowych głównych, ponieważ edukacja wymiarowości jest bezpośrednio związana z wymiarem danych, a odwzorowany układ współrzędnych jest ortogonalny. Wraz ze wzrostem zapotrzebowania na wielowymiarową analizę danych, metoda ta pomoże w eksploracji interesujących cech biomarkerów.

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

Research

JoVE Journal

Genetics

Genetyka

Ten film opisuje protokół izolacji DNA z próbek kału myszy z guzem jelita grubego. Wyekstrahowane DNA jest amplifikowane za pomocą PCR, a produkt jest dalej czyszczony przy użyciu podejścia opartego na kulkach magnetycznych. Metodę tę można wykorzystać do określenia wpływu wzbogacenia środowiska na mikrobiotę jelita grubego i śmiertelność zwierząt.

Izolacja DNA drobnoustrojów kału: badanie wpływu wzbogacenia środowiska na różnorodność mikrobiomu w mysim modelu guza

Istniejące algorytmy generują jedno rozwiązanie dla zestawu danych do wykrywania biomarkerów. Protokół ten pokazuje istnienie wielu podobnie skutecznych rozwiązań i przedstawia przyjazne dla użytkownika oprogramowanie, które pomaga naukowcom biomedycznym badać swoje zestawy danych pod kątem proponowanego wyzwania. Informatycy mogą również zapewnić tę funkcję w swoich algorytmach wykrywania biomarkerów.

Wybór wielu podzbiorów biomarkerów o podobnie skutecznych wynikach klasyfikacji binarnej

Opisana tutaj jest uproszczona standardowa procedura operacyjna do profilowania mikrobiomu przy użyciu sekwencjonowania metagenomicznego 16S rRNA i analizy przy użyciu swobodnie dostępnych narzędzi. Protokół ten pomoże naukowcom, którzy są nowicjuszami w dziedzinie mikrobiomu, a także tym, którzy potrzebują aktualizacji metod osiągania profilowania bakteryjnego w wyższej rozdzielczości.

Analiza mikrobioty za pomocą dwuetapowej reakcji PCR i sekwencjonowania genów 16S rRNA nowej generacji

Ten protokół zapewnia prostą, opłacalną metodę izolacji DNA do analizy zmian mikroflory jelitowej myszy podczas rozwoju choroby autoimmunologicznej.

Analiza dynamiki mikrobioty kałowej u myszy podatnych na toczeń przy użyciu prostej, opłacalnej metody izolacji DNA

Ten protokół pokazuje, jak wykonać mikroiniekcję cytoplazmatyczną u zygot zwierząt hodowlanych. Technika ta może być wykorzystana do dostarczenia dowolnego roztworu do zarodka jednokomórkowego, takiego jak narzędzia do edycji genomu w celu wygenerowania zwierząt z nokautem.

Wspomagana laserowo mikroiniekcja cytoplazmatyczna u zygot zwierząt gospodarskich

Galaxy i DAVID stały się popularnymi narzędziami, które pozwalają badaczom bez wykształcenia bioinformatycznego analizować i interpretować dane RNA-Seq. Opisujemy protokół dla badaczy C. elegans do przeprowadzania eksperymentów RNA-Seq, uzyskiwania dostępu i przetwarzania zestawu danych za pomocą Galaxy oraz uzyskiwania znaczących informacji biologicznych z list genów za pomocą DAVID.

Analiza transkryptomiczna C. elegans powiedział: Dane sekwencjonowania RNA za pośrednictwem pakietu Tuxedo Suite w projekcie Galaxy

Ten manuskrypt opisuje procedurę eksperymentalną i analizę oprogramowania dla dwukierunkowego testu miejsca integracji, który może jednocześnie analizować DNA połączenia wektor-gospodarz w górę i w dół. Dwukierunkowe produkty PCR mogą być używane na dowolnej platformie sekwencjonowania niższego szczebla. Uzyskane dane są przydatne do wysokoprzepustowego, ilościowego porównania zintegrowanych celów DNA.

Dwukierunkowa metodologia PCR w miejscu integracji retrowirusowej i przepływ pracy analizy danych ilościowych

Ostatnie osiągnięcia w zakresie genetycznego manipulowania liniami komórek somatycznych mają ogromny potencjał dla badań podstawowych i stosowanych. W tym miejscu przedstawiamy dwa podejścia do produkcji nokautu generowanego przez CRISPR/Cas9 i badań przesiewowych w liniach komórkowych ssaków, z użyciem i bez użycia selektywnych markerów.

Zależne od selekcji i niezależne generowanie nokautów genów za pośrednictwem CRISPR/Cas9 w komórkach ssaków

Ten protokół przedstawia podejście do analizy całego transkryptomu z zarodków danio pręgowanego, larw lub posortowanych komórek. Obejmuje izolację RNA, analizę szlaku danych RNASeq oraz walidację zmian ekspresji genów opartą na qRT-PCR.

Przygotowanie próbki i analiza danych dotyczących ekspresji genów opartych na RNASeq od danio pręgowanego

Tutaj opisujemy protokół uzyskiwania danych o sekwencji amplikonów mikrobiomów gleby, ryzosfery i korzeni. Informacje te mogą być wykorzystane do zbadania składu i różnorodności zbiorowisk mikrobiologicznych związanych z roślinami i nadają się do stosowania w odniesieniu do szerokiej gamy gatunków roślin.

Badanie mikrobiomu korzeni: ekstrakcja danych o społeczności bakteryjnej z gleby, ryzosfery i endosfery korzeni

Poznaj metodę LEfSe do identyfikacji biomarkerów genomicznych w danych mikrobiomu. Naucz się analizy dyskryminacyjnej w celu odkrywania różnic między grupami biologicznymi.

Wspomagana selekcja biomarkerów za pomocą liniowej wielkości efektu analizy dyskryminacyjnej (LEfSe) w danych mikrobiomu

Przeglądaj więcej filmów