Dywergencja mikrobioty korzeni w różnych siedliskach w oparciu o ważone sieci korelacji
25 września 2021
Analiza sieci została zastosowana do oceny związku różnych ekologicznych zbiorowisk mikroorganizmów, takich jak gleba, woda i ryzosfera. Przedstawiono protokół dotyczący wykorzystania algorytmu WGCNA do analizy różnych sieci współwystępowania, które mogą wystąpić w zbiorowiskach mikroorganizmów ze względu na różne środowiska ekologiczne.
Metoda ta może skutecznie badać interaktywne relacje lub sieć współwystępowania różnych gatunków drobnoustrojów w różnych środowiskach. Zawiera on szczegółowe informacje na temat wykorzystania algorytmu WGCNA do skonstruowania sieci współwystępowania mikrobioty. Ponadto, w oparciu o uzyskane wyniki, w metodzie tej oceniono zróżnicowanie powiązań mikrobiologicznych i składu między konsorcjami mikrobiologicznymi.
Oto podstawowy przebieg metody. Dane dotyczące składu i liczebności mikrobioty są pobierane z bazy danych NCBI lub danych sekwencyjnych dla próbek. Najpierw otwórz oprogramowanie RStudio i zainstaluj pakiet WGCNA.
Następnie załaduj dane i użyj funkcji genów dobrych próbek, aby sprawdzić poprawność danych. Sprawdź wartości odstające i przechowuj próbki, które spełniają nasze wymagania. Gdy wynik sprawdzenia jest prawdziwy, przejdź do następnego kroku.
Zapisz wynik. Użyj funkcji progu wyboru, aby obliczyć wskaźnik wolny od skali, R kwadrat, danych przy różnych wartościach mocy. Wizualizuj wyniki.
Gdy indeks bez skali jest bliższy jeden, struktura sieci jest bliższa sieci bez skalowania. Gdy wskaźnik bezpodziałkowy R do kwadratu jest większy niż 0,9, wybierz wartość mocy. Na koniec użyj tej samej metody do analizy pozostałych danych dotyczących mikrobiomu.
Najpierw użyj funkcji sąsiedztwa, aby skonstruować symboliczną sieć współwystępowania. Ponadto użyj funkcji podobieństwa TOM, aby opracować topologiczną, nakładającą się sieć. Po drugie, użyj funkcji Hclust, aby wykonać hierarchiczne grupowanie i narysować wynikowe drzewo klastrów.
Po trzecie, użyj funkcji dynamicznej cutree, aby wykonać dynamiczne cięcie gałęzi i użyj parametru minimalny rozmiar klastra, aby ustawić najmniejszy rozmiar modułu. Najmniejszy rozmiar modułu jest zwykle ustawiony na ponad 30. Po czwarte, oblicz charakterystykę mikrobiologiczną każdego modułu.
Grupowanie hierarchiczne odbywa się zgodnie ze współczynnikiem korelacji, a moduły o wysokości mniejszej niż 0,25 zostały scalone w celu uzyskania rozkładu każdego modułu. Po piąte, użyj funkcji dendro wykresu i kolorów, aby zwizualizować wyniki. Uzyskuje się schemat wyświetlania przyporządkowania modułu sieci współwystępowania.
Następnie zmień nazwy kolorów modułów i skonstruuj etykiety cyfrowe odpowiadające kolorom. Zachowaj je do wykorzystania w kolejnych częściach. Na koniec powtórz powyższy proces dla innych zestawów danych.
W tej części porównaj i przeanalizuj dwa zestawy danych oraz przeprowadź test konserwacji. Najpierw załaduj parametry i wyniki dwóch zestawów danych zapisanych w poprzednich krokach. Następnie ustaw wyniki modułu z jednego zestawu danych jako grupę odniesienia, a innego jako grupę testową i wykonaj porównanie modułów.
Następnie oblicz wartości konserwatywności, parametrów statystycznych, podsumowania Z i rangi mediany, aby określić ilościowo konserwatywność między modułami. Na koniec zwizualizuj wyniki. Określ moduł sieciowy, który spełnia zarówno wartość podsumowania Z, mniejszą niż dwa, jak i medianę wartości rangi u góry.
Moduł ten jest najbardziej niezachowanym modułem spośród dwóch danych dotyczących mikrobioty. Wykonaj analizę korelacji członkostwa w module. Ustaw wyniki przypisania modułów dwóch sieci odpowiednio jako odniesienie i grupę testową.
Ustawienia muszą być takie same jak w teście konserwacji. Po pierwsze, wartość KME każdego OTU została obliczona w kilku modułach kandydujących na podstawie wyników testu konserwacji. Weźmy jako przykład żółty moduł.
Oblicz współczynnik korelacji wartości KME w dwóch żółtych modułach, a następnie narysuj wykres analizy korelacji wartości KME w module. Na koniec, zgodnie ze współczynnikiem korelacji na rysunku, oceń konserwatywność modułu w dwóch zbiorach danych. Wybierz moduł o najmniejszym współczynniku korelacji.
Najpierw użyj funkcji eksportuj sieć do Cytoscape, aby wyeksportować sieć do pliku listy krawędzi i węzłów, który Cytoscape może odczytać. Następnie zaimportuj plik do Cytoscape. Ustaw próg na 0,5 i dostosuj inne parametry zgodnie z potrzebami.
Na koniec uzyskaj sieć współwystępowania różnych mikroorganizmów. W tym artykule algorytm WGCNA służy do analizy różnic w trzech niszach systemu korzeniowego ryżu. Wybierz wartość mocy, która spełniała wymagania trzech sieci, które były zbliżone do sieci bez skalowania.
W sieci występowania drobnoustrojów endosfery, ryzopłaszczyzny i ryzosfery zidentyfikuj odpowiednio 23, 22 i 21 modeli. Użyj testu konserwacji i analizy korelacji, aby znaleźć skrajnie niekonserwatywne moduły między każdą z dwóch nisz systemu korzeniowego ryżu. Skonstruuj sieć współwystępowania dla tych trzech modułów, używając różnych kolorów, aby reprezentować różne typy drobnoustrojów.
Proteobakterie, Actinobacteria, Bacteroidetes, Firmicutes i Verrucomicrobia zdominowały trzy różne sieci mikrobiologiczne. Co więcej, 17 podstawowych rodzajów głównie reguluje te sieci. Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak wykonać szereg kroków, aby użyć algorytmu WGCNA do analizy różnych sieci współwystępowania, które mogą wystąpić w społecznościach drobnoustrojów z powodu różnych środowisk ekologicznych.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie bada interaktywne relacje w różnych ekologicznych społecznościach mikrobiologicznych, ze szczególnym uwzględnieniem środowisk glebowych, wodnych i ryzosfery. Wykorzystując algorytm WGCNA, protokół wyjaśnia kroki konstruowania i analizowania sieci współwystępowania konsorcjów mikrobiologicznych w różnych niszach ekologicznych.
Kluczowe elementy badania
Obszar badań
- Ekologia mikrobiologiczna
- Analiza sieci
- Sieci współwystępowania
Tło
- Rozumienie interakcji mikrobiologicznych w różnych środowiskach
- Znaczenie społeczności mikrobiologicznych w ekosystemach
- Zastosowanie WGCNA do analizy sieci
Zastosowane metody
- Algorytm WGCNA do konstruowania sieci
- Dane o społecznościach mikrobiologicznych z NCBI
- Analiza statystyczna i wizualizacja w RStudio
Główne wyniki
- Zidentyfikowano 23, 22 i 21 modułów w sieciach endosfery, ryzoplanu i ryzosfery
- Dominują Proteobacteria, Actinobacteria, Bacteroidetes, Firmicutes i Verrucomicrobia
- Główne rodzaje dostarczające regulacji nad sieciami mikrobiologicznymi
Wnioski
- To badanie pokazuje przydatność WGCNA w analizie sieci współwystępowania mikrobiologicznych w różnych niszach.
- Wyniki przyczyniają się do zrozumienia złożoności społeczności mikrobiologicznych w badaniach ekologicznych.
Często zadawane pytania
Executive Industry Relevance
Weighted correlation network analysis (WGCNA) enables biopharma teams to dissect complex microbial community interactions, supporting predictive modeling of environmental or host-associated microbiomes. This approach enhances mechanistic de-risking and target validation by quantifying network divergence and identifying core regulatory taxa across distinct ecological niches. Integrating such network analytics into discovery pipelines informs translational strategies and portfolio prioritization for microbiome-targeted interventions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of microbial interaction networks to clarify ecological drivers and regulatory taxa.
- Supports biological de-risking by quantifying divergence and conservation of microbial modules across environments.
- Facilitates predictive confidence in target selection by identifying core genera with regulatory influence.
Screening & Assay Development
- Prepares validated microbial community datasets for downstream functional screening or perturbation studies.
- Standardizes network module identification, supporting reproducibility and quantitative comparison across conditions.
- Enables scalable analysis of co-abundance patterns for robust assay development.
Translational & Preclinical Research
- Aligns microbial network features with disease-relevant or environmental adaptation models when supported by data.
- Supports continuity from ecological discovery to preclinical validation of microbiome-based interventions.
- Provides mechanistic insights for risk-adjusted advancement of microbiome targets.
Pipeline & Workflow Integration
WGCNA-based network analysis fits within the discovery-to-preclinical continuum, enabling hypothesis testing, target prioritization, and translational alignment for microbiome R&D.
- Discovery Biology: Quantifies network divergence and module conservation to clarify microbial community structure and function.
- Screening: Delivers reproducible module assignments and quantitative outputs for comparative analysis.
- Analytics: Provides statistical measures (e.g., Z summary, median rank) to benchmark network preservation and module distinctiveness.
- Translational Research: Supports mapping of core genera to functional or disease-relevant outcomes when data permit.
- Enterprise Reuse: Establishes a reusable analytic framework for diverse microbiome datasets and environments.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in microbiome target validation.
- Operational Value: Standardizes network analysis workflows for reproducibility and scalability across projects.
- Strategic Value: Informs go/no-go decisions and capital allocation by quantifying network divergence and core taxa.
- Portfolio Impact: Enables risk-adjusted prioritization of microbiome targets and interventions.
Implementation Considerations
- Requires expertise in R, network analysis, and microbial ecology.
- Needs computational infrastructure for large-scale data processing and visualization (e.g., Cytoscape).
- Demands cross-team standardization of data quality checks and module assignment parameters.
- Adaptation across different host or environmental microbiomes may require parameter tuning.
- Interpretation of network modules should be grounded in ecological or functional context supported by data.
Biopharma FAQs
Chapters in this video
0:06
Introduction
0:46
I. Data Download
1:05
II. Optimal Power Value Determination
2:38
III. Construction of a Co-Expression Network and Module Identification
4:25
IV. Preservation Test
5:44
V. Correlation Analysis of the Module Membership
6:55
VI. Analysis of the Microbial Flora in the Microbial Differential Network Module
7:43
Resuts: Analysis of Differences in Rice delavayi Root Microbial Communities Based on Weighted Co‐Expression Network
9:18
Conclusion
