Name: Dywergencja mikrobioty korzeni w różnych siedliskach w oparciu o ważone sieci korelacji (Wideo) | JoVE Journal
Uploaded: 2021-09-25T13:30:00.000+00:00
Duration: 9 min 49 s
Description: Poznaj analizę sieci korelacji mikrobioty korzeni ryżu przy użyciu algorytmu WGCNA. Metoda pozwala identyfikować rdzenowe genera i różnice między endosferą, ryzosferą oraz płaszczyzną korzeniową.

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

Rozwój tego rękopisu był wspierany przez fundusze z National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Doktoranckiego Projektu Badawczego Guizhou Normal University (GZNUD[2017]1), Projektu Wsparcia Nauki i Technologii Prowincji Guizhou (QKHZC[2021]YB459) oraz Projektu Nauki i Technologii Guiyang([2019]2-8).
Autorzy chcieliby podziękować Edwards J.A i in. za dostarczenie danych o mikrobiomie ryżu do publicznych baz danych oraz wsparcie od TopEdit (www.topeditsci.com) za pomoc językową podczas przygotowania tego manuskryptu.

1. Pobieranie danych
<ol>
	<li>Pobierz dane PRJNA386367 akcesyjnego z bazy NCBI. Z danych PRJNA386367 akcesyjnego wybierz dane dotyczące mikrobiomu ryzosfery, ryzopłaszczyzny i endosfery z roślin ryżu uprawianych przez 14 tygodni na zanurzonym polu ryżowym w Arbuckle w Kalifornii w 2014 r. 
	UWAGA: Dane dotyczące mikrobiomu ryzosfery, ryzopłaszczyzny i endosfery zostały przedstawione w tabeli OTU w PRJNA386367 akcesyjnym.</li>
</ol>
2. Wyznaczanie optymalnej wartości mocy
UWAGA: Pakiet WGCNA zawiera wszystkie następujące parametry funkcjonalne. WGCNA to pakiet R do ważonej analizy sieci korelacji. Kluczowe wiersze poleceń odnoszą się do suplementu S1.
<ol>
	<li>W środowisku języka R otwórz oprogramowanie Rstudio i zainstaluj pakiet WGCNA.</li>
	<li>Załaduj dane i użyj funkcji goodSamplesGenes, aby sprawdzić poprawność danych. Wykonaj wiersze poleceń: 
	"gsg = goodSamplesGenes(datExpr0, verbose = 3) 
	gsg$allOK " 
	Kliknij przycisk Uruchom.</li>
	<li>Sprawdź, czy nie ma wartości odstających i przechowuj próbki, które spełniają wymagania. Gdy wynik sprawdzenia jest PRAWDZIWY, przejdź do następnego kroku. Zapisz wynik.</li>
	<li>Funkcja PickSoftThreshold służy do obliczania indeksu bez skalowania R2 dwóch grup danych o różnych wartościach mocy. Wykonaj wiersz poleceń: 
	"sft = pickSoftThreshold(datExpr0, powerVector = potęgi, pełne = 5)" 
	Kliknij przycisk Uruchom.</li>
	<li>Wizualizacja wyników (Rysunek 1). Wykonaj wiersz poleceń: 
	"plot(sft$fitIndices[,1], -sign(sft$fitIndices[,3])*sft$fitIndices[,2], 
	xlab="Miękki próg (moc)",ylab="Dopasowanie modelu topologii bez skalowania,podpisane R^2",type="n", 
	main = paste("ES_Scale niezależność")); 
	text(sft$fitIndeksy[,1], -sign(sft$fitIndeksy[,3])*sft$fitIndeksy[,2], 
	labels=moce,cex=cex1,col="czerwony"); 
	abline(h=0.9,col="czerwony") 
	plot(sft$fitIndeksy[,1], sft$fitIndeksy[,5]; 
	xlab="Miękki próg (moc)",ylab="Średnia łączność", type="n", 
	main = paste("ES_Mean łączność")) 
	text(sft$fitIndices[,1], sft$fitIndices[,5], labels=powers, cex=cex1,col="red")" 
	Kliknij Uruchom. 
	UWAGA: Założeniem algorytmu sieci korelacji ważonej jest to, że ustalona struktura sieci współwyrażeń jest zgodna ze standardami kryterium topologii bezskalowej, co zwiększa jej niezawodność. Indeks bez skalowania bliższy 1 wskazuje strukturę sieci, która jest bliższa sieci bez skalowania.</li>
	<li>Wybierz wartość mocy, gdy wskaźnik bezskalowy R2 do kwadratu jest większy niż 0,9 i przejdź do następnego kroku analizy. 
	UWAGA: Gdy indeks bez skalowania jest bliski 1, struktura sieci jest bliższa sieci bez skalowania. Analizując dwie lub więcej sieci, konieczne jest podjęcie decyzji, aby każda sieć była zbliżona do wartości mocy sieci bezskalowej, aby zapewnić porównywalność między sieciami o współwyrażanej wartości.</li>
</ol>
3. Budowa sieci współekspresji i identyfikacja modułu
UWAGA: Na podstawie powyższej obliczonej wartości mocy, budowana jest sieć współwystępowania. Kluczowe wiersze poleceń odnoszą się do suplementu S2.
<ol>
	<li>Użyj funkcji sąsiedztwa w pakiecie WGCNA, aby dodać podpisane parametry do budowy symbolicznej sieci współwystępowania. Wykonaj wiersz poleceń: 
	"sąsiedztwo = sąsiedztwo(datExpr0, moc = miękkaMoc)" 
	Kliknij przycisk Uruchom.</li>
	<li>Zastosuj funkcję podobieństwa TOM, aby opracować topologiczną sieć nakładającą się i obliczyć sieć odmienności. Wykonaj wiersz poleceń: 
	"TOM = TOMpodobieństwo(sąsiedztwo); 
	dissTOM = 1-TOM" 
	Kliknij Uruchom. 
	UWAGA: Parametr signed został dodany w celu ustawienia typu sieci nakładającej się topologii.</li>
	<li>Użyj funkcji hclust, aby wybrać metodę grupowania hierarchicznego średniego powiązania dla grupowania hierarchicznego. Wykonaj wiersz poleceń: 
	"geneTree = hclust(as.dist(dissTOM), metoda = "średnia"); " 
	Kliknij przycisk Uruchom.</li>
	<li>Użyj funkcji cutreeDynamic, aby wykonać dynamiczne wycinanie gałęzi i ustaw parametr minClusterSize na wartość 30. Uzyskaj wynik rozpoznawania modułu. Wykonaj wiersz poleceń: 
	"dynamicMods = cutreeDynamic(dendro = geneTree, distM = dissTOM, deepSplit = 2, pamRespectsDendro = FALSE, minClusterSize = minModuleSize); " 
	Kliknij Uruchom. 
	UWAGA: Minimalny rozmiar modułu nie może być mniejszy niż 30.</li>
	<li>Oblicz wartość własną każdego modułu OTU za pomocą funkcji modułuEigengenes. Wykonaj wiersz poleceń: 
	"MEList = moduleEigengenes(datExpr0, colors = dynamicColors) 
	MEs = MEList$eigengenes" 
	Kliknij Uruchom. 
	UWAGA: Eigen modułu reprezentował ogólny poziom ekspresji OTU w module. Nie była to konkretna OTU, ale pierwszy główny składnik każdego klastra uzyskany w wyniku pojedynczej dekompozycji wartości sieciowej.</li>
	<li>Wykonaj funkcję klastra na podstawie współczynnika korelacji modułu własnego. Użyj funkcji mergeCloseModules, aby scalić moduły o wartości mniejszej niż 0,25. Wykonaj wiersz poleceń: 
	"merge = mergeCloseModules(datExpr0, dynamicColors, cutHeight = MEDissThres, verbose = 3)" 
	Kliknij przycisk Uruchom.</li>
	<li>Na koniec użyj funkcji plotDendroAndColors do wizualizacji, aby uzyskać diagram wyświetlania przypisania modułów dla każdej sieci współwyrażeń (Rysunek 2). Użyj funkcji tabeli, aby wyodrębnić atrybucję modułu odpowiadającą każdemu OT w tabeli przypisania modułu. Wykonaj wiersz poleceń: 
	"plotDendroAndColors(geneTree, mergedColors, "Scalony dynamiczny",dendroLabels = FALSE, 
	hang = 0,03,addGuide = TRUE, guideHang = 0,05, 
	main = "ES_Gene kolory dendrogramu i modułów")" 
	Kliknij Uruchom. 
	UWAGA: Na diagramie przypisania modułów sieci współwyrażającej różne kolory reprezentują różne moduły, a szary reprezentuje OTU, których nie można zaklasyfikować do żadnego modułu. Większa liczba OTU w szarym module wskazuje, że jakość wstępnego przetwarzania matrycy wyrażeń na wczesnym etapie jest niska.</li>
</ol>
4. Porównanie modułów
UWAGA: Ta metoda może być użyta do porównania modułów sieciowych dwóch ekologicznych społeczności mikroorganizmów. W tym artykule porównano różnice modułów sieci mikrobiologicznej między endosferą a ryzopłaszczyzną, endosferą a ryzosferą, ryzosferą i ryzopłaszczyzną.
<ol>
	<li>Test konserwujący
	<ol>
		<li>Załaduj parametry i wyniki dwóch zestawów danych zapisanych w poprzednich krokach.</li>
		<li>Ustaw wynik przypisania modułu sieciowego grupy danych mikrobiologicznych jako grupę odniesienia, a drugą grupę jako grupę testową.</li>
		<li>Funkcja modulePreservation służy do obliczania wartości parametrów statystycznych konserwatywności Z_summary i medianRank. Wykonaj wiersz poleceń: 
		"system.time({mp=modulePreservation(multiExpr, 
		multiColor,referenceNetworks=1, 
		nPermutation=100, randomSeed=1,quickCor=0,verbose=3)})" 
		Kliknij Uruchom. 
		UWAGA: Ten wynik może określić ilościowo konserwatywność między modułami. Z_summary>10 oznacza, że dwa moduły są wysoce zachowane, podczas gdy Z_summary<2 oznacza moduły niezachowane. medianRank wyraża względne zachowanie modułu ocenianego przez klasyfikację. Wyższe wartości medianRank oznaczają niezachowane moduły. (Kluczowe wiersze poleceń odnoszą się do Suplementu S3.)</li>
		<li>Użyj funkcji wykresu, aby zwizualizować wyniki (Rysunek 3). Pobierz parametry Z_summary i medianRank (tabela 1). 
		UWAGA: Moduły sieciowe, które spełniają zarówno wartość Z_summary mniejszą niż 2, jak i medianę wartości rangi na górze, są najbardziej niezachowanymi modułami w dwóch ekologicznych zbiorowiskach mikroorganizmów.</li>
		<li>Na podstawie wyników wyżej wymienionych dwóch parametrów statystycznych w celu zidentyfikowania modułu z najbardziej niezachowanym modułem z dwóch sieci.</li>
	</ol>
	</li>
	<li>Analiza korelacji członkostwa w module
	<ol>
		<li>Ustaw wyniki przypisania modułów dwóch sieci, które zostały ustawione odpowiednio jako odniesienie i grupa testowa. 
		UWAGA: Ustawienia muszą być takie same jak w teście konserwacji.</li>
		<li>Użyj funkcji corPvalueStudent, aby wyodrębnić wartość kME (członkostwo w module) dla każdego OTU w kilku modułach kandydujących. 
		Wykonaj wiersz poleceń: 
		"Pvalue = as.data.frame(corPvalueStudent(as.matrix 
		(ModuleMembership), próbki))" 
		Kliknij Uruchom. 
		UWAGA: kME oznacza stopień członkostwa w module. ME oznacza moduł eigen, który reprezentuje ogólny poziom ekspresji OTU w module. kME jest współczynnikiem korelacji między każdą OTU a ME. Określ ilościowo znaczenie OTU w sieci na podstawie wartości kME OTU. (Kluczowe wiersze poleceń odnoszą się do Suplementu S4.)</li>
		<li>Następnie użyj funkcji verboseScatterplot, aby obliczyć współczynnik korelacji wartości kME odpowiednich OTU w dwóch sieciach i narysuj diagram analizy korelacji (<silna klasa="xfig">Rysunek 4). 
		Wykonaj wiersz poleceń: 
		"verboseScatterplot(abs(TModuleMembership 
		[TmoduleGenes, Tcolumn]), 
		abs(NModuleMembership[NmoduleGenes, Ncolumn]), 
		xlab = paste("kME in", "ES"), 
		ylab = paste("kME in", "RP"), 
		main = paste("jasnożółty"), 
		cex.main = 1.7, cex.lab = 1.6, cex.axis = 1.6, col = modulecolor)" 
		Kliknij przycisk Uruchom.</li>
		<li>Wybierz moduł o najmniejszym współczynniku korelacji wartości kME OTU obu sieci. Weź pod uwagę, że ten moduł ma największą różnicę z tych dwóch sieci.</li>
	</ol>
	</li>
</ol>
5. Analiza modułu mikrobiologicznej sieci różnicowej
<ol>
	<li>Uzyskaj dane dotyczące dominującej gromady bakterii poprzez analizę statystyczną zestawu sekwencji OTU modułu o największej różnicy. 
	UWAGA: Zestaw sekwencji OTU modułu z największą różnicą jest sumowany przez taksonomię gromady. Dominująca gromada bakterii stanowiła ponad 10%.</li>
	<li>Następnie należy użyć funkcji exportNetworkToCytoscape, aby uzyskać plik zawierający informacje o relacji interakcji OTU w największym module różnicowym. 
	Wykonaj wiersz poleceń: 
	"cyt = exportNetworkToCytoscape(modTOM, 
	edgeFile = paste("NOWY-ES_CytoscapeInput-krawędzie-", moduły , ".txt", sep=""), 
	nodeFile = paste("NOWY-ES_CytoscapeInput-węzły-", moduły, ".txt", sep=""), 
	weighted = TRUE, threshold = 0.5, nodeNames = modProbes, 
	altNodeNames = modGenes, nodeAttr = moduleColors[wModule])" 
	Kliknij przycisk Uruchom.</li>
	<li>Zaimportuj plik do Cytoscape. Ustaw próg na 0,5 i dostosuj inne parametry zgodnie z potrzebami.</li>
	<li>Skonstruuj sieć współwystępowania mikroorganizmów różnicowych (<silna klasa="xfig">Rysunek 5).</li>
	<li>Uzyskano informacje o podstawowym rodzaju, który pełni najważniejszą rolę regulacyjną w sieci. 
	UWAGA: Zgodnie z wartością kME OUT można zdefiniować rdzeń rodzaju.</li>
	<li>Na koniec oceniono funkcje rodzaju rdzeniowego i przeanalizowano jego wpływ na całą sieć różnic.</li>
</ol>

<ol><li>Philippot, L., Raaijmakers, J. M., Lemanceau, P., vander Putten, W. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Going+back+to+the+roots%3A+the+microbial+ecology+of+the+rhizosphere%5BTitle%5D)+AND+%22Nature+Reviews+Microbiology%22%5BJournal%5D)">Going back to the roots: the microbial ecology of the rhizosphere.</a> Nature Reviews Microbiology. 11, 789-799 (2013).</li>
<li>Fierer, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Embracing+the+unknown%3A+disentangling+the+complexities+of+the+soil+microbiome%5BTitle%5D)+AND+%22Nature+Review+Microbiology%22%5BJournal%5D)">Embracing the unknown: disentangling the complexities of the soil microbiome.</a> Nature Review Microbiology. 15 (10), 579-590 (2017).</li>
<li>Jin, J., Wang, G. H., Liu, X. B., Liu, J. D., Chen, X. L., Herbert, S. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+and+spatial+dynamics+of+bacterial+community+in+the+rhizosphere+of+soybean+genotypes+grown+in+a+black+soil%5BTitle%5D)+AND+%22Pedosphere%22%5BJournal%5D)">Temporal and spatial dynamics of bacterial community in the rhizosphere of soybean genotypes grown in a black soil.</a> Pedosphere. 19 (6), 808-816 (2009).</li>
<li>Ma, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization%5BTitle%5D)+AND+%22ISME+J%22%5BJournal%5D)">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12 (10), 2492-2505 (2018).</li>
<li>de Vries, F. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Soil+bacterial+networks+are+less+stable+under+drought+than+fungal+networks%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Soil bacterial networks are less stable under drought than fungal networks.</a> Nature Communications. 9 (1), 3033(2018).</li>
<li>Colin, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Correlating+transcriptional+networks+to+breast+cancer+survival%3A+a+large-scale+coexpression+analysis%5BTitle%5D)+AND+%22Carcinogenesis%22%5BJournal%5D)">Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis.</a> Carcinogenesis. (10), 2300-2308 (2013).</li>
<li>Ma, B., Zhao, K., Lv, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization%5BTitle%5D)+AND+%22ISME+J%22%5BJournal%5D)">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12, 2492-2505 (2018).</li>
<li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+general+framework+for+weighted+gene+co-expression+network+analysis%5BTitle%5D)+AND+%22Statistical+applications+in+genetics+and+molecular+biology%22%5BJournal%5D)">A general framework for weighted gene co-expression network analysis.</a> Statistical applications in genetics and molecular biology. 4 (1), (2005).</li>
<li>Edwards, J. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Compositional+shifts+in+root-associated+bacterial+and+archaeal+microbiota+track+the+plant+life+cycle+in+field-grown+rice%5BTitle%5D)+AND+%22PLoS+Biology%22%5BJournal%5D)">Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice.</a> PLoS Biology. 16 (2), 2003862(2018).</li>
<li>Bashan, Y., De-Bashan, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+the+Plant+Growth-Promoting+Bacterium+Azospirillum+Promotes+Plant+Growth-A+Critical+Assessment%5BTitle%5D)+AND+%22Advances+in+Agronomy%22%5BJournal%5D)">How the Plant Growth-Promoting Bacterium Azospirillum Promotes Plant Growth-A Critical Assessment.</a> Advances in Agronomy. 108, 77-136 (2010).</li>
<li>Lovley, D. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Geobacter%3A+The+Microbe+Electric%27s+Physiology%2C+Ecology%2C+and+Practical+Applications%5BTitle%5D)+AND+%22Advances+in+Microbial+Physiology%22%5BJournal%5D)">Geobacter: The Microbe Electric's Physiology, Ecology, and Practical Applications.</a> Advances in Microbial Physiology. 59, 1(2011).</li>
<li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((WGCNA%3A+an+R+package+for+weighted+correlation+network+analysis%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">WGCNA: an R package for weighted correlation network analysis.</a> BMC Bioinformatics. 9, 559(2008).</li>
<li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+General+Framework+for+Weighted+Gene+Co-expression+Network+Analysis%5BTitle%5D)+AND+%22Statistical+Applications+in+Genetics+and+Molecular+Biology%22%5BJournal%5D)">A General Framework for Weighted Gene Co-expression Network Analysis.</a> Statistical Applications in Genetics and Molecular Biology. 4 (1), 17(2005).</li>
<li>Horvath, S., Dong, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Geometric+interpretation+of+Gene+Co-expression+Network+Analysis%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Geometric interpretation of Gene Co-expression Network Analysis.</a> PLoS Computational Biology. 4 (8), 1000117(2008).</li>
<li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Eigengene+networks+for+studying+the+relationships+between+co-expression+modules%5BTitle%5D)+AND+%22BMC+Systems+Biology%22%5BJournal%5D)">Eigengene networks for studying the relationships between co-expression modules.</a> BMC Systems Biology. 1, 54(2007).</li>
<li>Horvath, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analysis+of+Oncogenic+Signaling+Networks+in+Glioblastoma+Identifies+ASPM+as+a+Novel+Molecular+Target%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Analysis of Oncogenic Signaling Networks in Glioblastoma Identifies ASPM as a Novel Molecular Target.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (46), 17402-17407 (2006).</li>
<li>Carlson, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((and+Sequence+Conservation%3A+Predictions+from+Modular+Yeast+Co-expression+Networks%5BTitle%5D)+AND+%22BMC+Genomics%22%5BJournal%5D)">and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks.</a> BMC Genomics. 7 (1), 40(2006).</li>
<li>Fuller, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Weighted+Gene+Co-expression+Network+Analysis+Strategies+Applied+to+Mouse+Weight%5BTitle%5D)+AND+%22Mammalian+Genome%22%5BJournal%5D)">Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight.</a> Mammalian Genome. 6 (18), 463-472 (2007).</li>
<li>Yin, L., Wang, Y., Lin, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Explorative+analysis+of+the+gene+expression+profile+during+liver+regeneration+of+mouse%3A+a+microarray-based+study%5BJ%5D%5BTitle%5D)+AND+%22Artificial+Cells+Nanomedicine+%26+Biotechnology%22%5BJournal%5D)">Explorative analysis of the gene expression profile during liver regeneration of mouse: a microarray-based study[J].</a> Artificial Cells Nanomedicine & Biotechnology. 47 (1), 1113-1121 (2019).</li>
<li>Oldham, M., Horvath, S., Geschwind, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conservation+and+Evolution+of+Gene+Co-expression+Networks+in+Human+and+Chimpanzee+Brains%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Conservation and Evolution of Gene Co-expression Networks in Human and Chimpanzee Brains.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (47), 17973-17978 (2006).</li>
<li>Oldham, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Functional+organization+of+the+transcriptome+in+human+brain%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">Functional organization of the transcriptome in human brain.</a> Nature Neuroscience. 11 (11), 1271-1282 (2008).</li>
<li>Keller, M. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+gene+expression+network+model+of+type+2+diabetes+links+cell+cycle+regulation+in+islets+with+diabetes+susceptibility%5BTitle%5D)+AND+%22Genome+Research%22%5BJournal%5D)">A gene expression network model of type 2 diabetes links cell cycle regulation in islets with diabetes susceptibility.</a> Genome Research. 18 (5), 706-716 (2008).</li>
<li>Weston, D., Gunter, L., Rogers, A., Wullschleger, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Connecting+genes%2C+coexpression+modules%2C+and+molecular+signatures+to+environmental+stress+phenotypes+in+plants%5BTitle%5D)+AND+%22BMC+Systems+Biology%22%5BJournal%5D)">Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants.</a> BMC Systems Biology. 2 (1), 16(2008).</li>
<li>Jorda´n, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Keystone+species+and+food+webs%5BTitle%5D)+AND+%22Biological+Sciences%22%5BJournal%5D)">Keystone species and food webs.</a> Biological Sciences. 364, 1733-1741 (2009).</li>
<li>Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Host-Bacterial+Mutualism+in+the+Human+Intestine%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Host-Bacterial Mutualism in the Human Intestine.</a> Science. 307, 1915-1920 (2009).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

Sieci korelacyjne są coraz częściej wykorzystywane w zastosowaniach bioinformatycznych. WGCNA to metoda biologii systemowej służąca do opisowej analizy relacji między różnymi elementami systemu biologicznego12. Pakiet oprogramowania R był używany we wcześniejszych pracach nad WGCNA 13,14,15. Pakiet obejmuje funkcje do budowy sieci, wykrywania modułów, obliczeń właściwości topologicznych, symulacji danych,...

Badania mikrobiomu mają ważne implikacje dla zrozumienia i manipulowania procesami ekosystemu1,2. Populacje drobnoustrojów są połączone wzajemnie oddziałującymi sieciami ekologicznymi, których cechy mogą wpływać na reakcję mikroorganizmów na zmiany środowiskowe3,4. Co więcej, właściwości tych sieci wpływają na stabilność zbiorowisk mikrobiologicznych i są ściśle związane z funkcją gleby5. Analiza sieci ważonej korelacji genów jest obecnie szeroko stosowana w badaniach nad związkiem między genami a społecznościami drobnoustrojów6. Wcześniejsze badania koncentrowały się głównie na związkach między sieciami różnych genów lub populacji a światem zewnętrznym7. Jednak różnice w sieciach korelacji tworzonych przez populacje drobnoustrojów w różnych warunkach środowiskowych były prawie niezbadane. Celem badań przedstawionych w niniejszym artykule jest dostarczenie spostrzeżeń i szczegółów na temat szybkiej implementacji algorytmu WGCNA do budowy sieci współwystępowania próbek mikrobiomu pobranych w różnych warunkach środowiskowych. Na podstawie wyników analizy oceniliśmy skład i różnice populacji oraz dalej omówiliśmy relacje między różnymi populacjami drobnoustrojów. Zastosowano następujący podstawowy przepływ algorytmu sieci korelacji ważonej8. Po pierwsze, należało skonstruować macierz podobieństwa, obliczając współczynnik korelacji Pearsona między profilami ekspresji operacyjnych jednostek taksonomicznych (OTU). Następnie parametry funkcji sąsiedztwa (funkcji przyległości potęgowej lub esicznej) przyjęto za pomocą kryterium topologii bezskalowej, macierz podobieństwa przekształcono w macierz sąsiedztwa, a każda sieć współwystępowania odpowiadała macierzy sąsiedztwa. Użyliśmy hierarchicznego grupowania średnich powiązań w połączeniu z odmiennością opartą na TOM, aby pogrupować OTU ze spójnymi profilami ekspresji w moduły. Następnie obliczyliśmy zależność między konserwatywnymi statystykami a powiązanymi modułami analizy parametrów, ostatecznie identyfikując OTU huba w module. Metody te są szczególnie przydatne do analizy różnic w strukturach sieciowych między różnymi populacjami drobnoustrojów w rozbieżnych warunkach środowiskowych. W niniejszym manuskrypcie szczegółowo opisaliśmy metodę rozwoju sieci koekspresji, analizę różnic między modułami oraz przedstawiliśmy krótki przegląd etapów procedury stosowanej w celu uzyskania gatunków rdzeniowych w różnych sieciach modułowych.

<table><tbody><tr><td>R</td><td>University of Auckland</td><td>w wersji 4.0.2</td><td>R to wolne środowisko oprogramowania do obliczeń statystycznych i grafiki. Kompiluje się i działa na wielu różnych platformach UNIX, Windows i MacOS.</td></tr><tr><td>RStdio</td><td>JJ Allaire</td><td>w wersji 1.4.1103</td><td>RStudio IDE to zestaw zintegrowanych narzędzi zaprojektowanych w celu zwiększenia produktywności w językach R i Python.</td></tr><tr><td>Cytoscape</td><td></td><td>w wersji 3.7.1</td><td>Cytoscape to platforma oprogramowania typu open source do wizualizacji złożonych sieci i integrowania ich z dowolnym typem danych atrybutów.</td></tr><tr><td>Baza danych</td><td></td><td></td> NCBI <td>Narodowe Centrum Informacji Biotechnologicznej przyczynia się do rozwoju nauki i zdrowia, zapewniając dostęp do informacji biomedycznych i genomicznych.</td></tr></tbody></table>

dywergencja mikrobioty korzeni w różnych siedliskach w oparciu o ważone sieci korelacji

Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks

Mikrobiom korzeniowy odgrywa ważną rolę we wzroście roślin i adaptacji do środowiska. Analiza sieciowa jest ważnym narzędziem do badania społeczności, które może skutecznie badać relacje interakcji lub model współwystępowania różnych gatunków drobnoustrojów w różnych środowiskach. Celem tego artykułu jest dostarczenie szczegółowych informacji na temat wykorzystania algorytmu ważonej sieci korelacji do analizy różnych sieci współwystępowania, które mogą wystąpić w zbiorowiskach drobnoustrojów ze względu na różne środowiska ekologiczne. Cała analiza eksperymentu jest wykonywana w pakiecie WGCNA. WGCNA to pakiet R do ważonej analizy sieci korelacji. Dane eksperymentalne wykorzystane do zademonstrowania tych metod były danymi dotyczącymi społeczności mikrobiologicznej z bazy danych NCBI (National Center for Biotechnology Information) dla trzech nisz systemu korzeniowego ryżu (Oryza sativa). Wykorzystaliśmy algorytm sieci korelacji ważonej do skonstruowania sieci współliczebności społeczności drobnoustrojów w każdej z trzech nisz. Następnie zidentyfikowano zróżnicowane sieci współobfitości między glebą endosfery, ryzopłaszczyzny i ryzosfery. Ponadto podstawowe rodzaje w sieci uzyskano za pomocą pakietu "WGCNA", który odgrywa ważną rolę regulowaną w funkcjach sieciowych. Metody te umożliwiają naukowcom analizę reakcji sieci mikrobiologicznej na zakłócenia środowiskowe i weryfikację różnych teorii ekologicznej reakcji mikrobiologicznej. Wyniki tych metod wskazują, że znaczące zróżnicowane sieci mikrobiologiczne zidentyfikowane w endosferze, glebie ryzopłaskiej i ryzosferowej ryżu.

Reprezentatywne wyniki przedstawione w niniejszym artykule zostały pobrane z bazy danych NCBI z 2014 roku, dotyczących mikrobiomu korzeni ryżu Abaker z Kalifornii (PRJNA386367)9. Dane obejmują próbki mikrobiomu ryzosfery, ryzoplanu i endosfery roślin ryżowych uprawianych przez 14 tygodni na zalewnym polu ryżowym. Wykorzystano algorytm WGCNA do wyboru wartości potęgi, która spełniała kryteria dla trzech sieci zbliżonych do sieci bezskalowej (Rysunek 1), a następnie opr...

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.

Dywergencja mikrobioty korzeni w różnych siedliskach w oparciu o ważone sieci korelacji

The root microbiome plays an important role in plant growth and environmental adaptation. Network analysis is an important tool for studying communities, ...

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.

divergence-root-microbiota-different-habitats-based-on-weighted

Research

JoVE Journal

Biology

Biologia

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

Wydobywanie korzeni roślin z pola, jak również przetwarzanie próbek do endosfery, ryzosfery i gleby są szczegółowo opisane, łącznie z metodami ekstrakcji DNA i analizy danych. Niniejszy artykuł ma na celu umożliwienie innym laboratoriom wykorzystania tych technik do badania mikrobiomów glebowych, endosfery i ryzosfer.

Izolacja i analiza zbiorowisk mikrobiologicznych w glebie, ryzosferze i korzeniach w eksperymentach z wieloletnimi trawami

Analiza cytometryczna przepływu okazała się przydatna do badania czystych kultur i monitorowania dynamiki społeczności mikroorganizmów. Przedstawiamy trzy kompleksowe przepływy pracy, od próbkowania po analizę danych, dla czystych kultur i złożonych społeczności, odpowiednio w przezroczystym podłożu, jak i w trudnych matrycach.

Charakterystyka dynamiki mikrobiomu – przepływy pracy oparte na cytometrii przepływowej od czystych kultur do naturalnych społeczności

Tutaj prezentujemy protokół hodowli mikrobioty jelitowej jelita grubego in vitro, przy użyciu szeregu bioreaktorów, które symulują warunki fizjologiczne przewodu pokarmowego.

Zastosowanie zaawansowanej technologii hodowli in vitro do badania mikrobioty jelitowej człowieka

Większość roślin w społecznościach prawdopodobnie jest połączona przez arbuskularne grzyby mikoryzowe (AM), ale mediacja interakcji między roślinami przez nie była badana głównie przez uprawę roślin z mikoryzą i bez niej. Przedstawiamy metodę manipulowania powszechnymi sieciami mikoryzowymi wśród roślin mikoryzowych w celu zbadania ich konsekwencji dla interakcji roślin.

Badanie interakcji roślin w powszechnych sieciach mikoryzowych przy użyciu obróconych rdzeni

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

Protokół tutaj opisuje metody oceny wzorców i strategii kolonizacji mikoryzowej w korzeniach dla dwóch gatunków: Zea mays i Festuca rubra. Zastosowanie metody MycoPatt pozwala na obliczanie parametrów, konwersję struktur mikoryzowych na dane cyfrowe oraz odwzorowanie ich rzeczywistego położenia w korzeniach.

Mapy mikoryzowe jako narzędzie do badania wzorców kolonizacji i strategii grzybów w korzeniach Festuca rubra i Zea mays

Mikrokosmosy kompostu wprowadzają do laboratorium różnorodność mikrobiologiczną występującą w naturze, aby ułatwić badania mikrobiomu u Caenorhabditis elegans. Poniżej znajdują się protokoły do przeprowadzania eksperymentów mikrokosmicznych, przy czym eksperymenty wykazują zdolność do modulowania różnorodności mikrobiologicznej środowiska w celu zbadania związków między różnorodnością mikrobiologiczną środowiska a składem mikrobiomu jelitowego robaków.

Mikrokosmosy kompostu jako zróżnicowane mikrobiologicznie, naturalne środowiska do badań nad mikrobiomem u Caenorhabditis elegans

Proponujemy zoptymalizowany protokół skaningowej mikroskopii elektronowej do wizualizacji wysoce heterogenicznych i delikatnych próbek zawierających biomasę roślinną i grzybową, wraz z mikrobiotą i biofilmem. Protokół ten pozwala na opisanie wymiarów przestrzennych organizacji mikrobioty.

Mikrobiota ogrodów mrówek attine: wizualizacja krajobrazu mikrobiologicznego za pomocą skaningowej mikroskopii elektronowej

Ten protokół dostarcza niezbędnych informacji do zakładania, pielęgnacji, rejestrowania i elektrycznego stymulowania kultur na MEA. Sieci in vitro dostarczają środków do zadawania fizjologicznie istotnych pytań na poziomie sieci i komórki, co prowadzi do lepszego zrozumienia funkcji i dysfunkcji mózgu.

Jak hodować, rejestrować i stymulować sieci neuronowe na matrycach mikroelektrod (MEA)

Poznaj analizę sieci korelacji mikrobioty korzeni ryżu przy użyciu algorytmu WGCNA. Metoda pozwala identyfikować rdzenowe genera i różnice między endosferą, ryzosferą oraz płaszczyzną korzeniową.

Dywergencja mikrobioty korzeni w różnych siedliskach w oparciu o ważone sieci korelacji

Przeglądaj więcej filmów