Name: Przyjazna użytkownikowi i wydajna analiza R dużych zbiorów danych (Wideo) | JoVE Journal
Uploaded: 2025-11-04T13:30:00.000+00:00
Duration: 10 min 56 s
Description: Poznaj przyjazny dla użytkownika protokół analizy dużych zbiorów danych szeregów czasowych w RStudio. Metoda umożliwia badaczom bez doświadczenia programistycznego przeprowadzanie statystyk dla danych zegara dobowego i reaktywnych form tlenu.

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

Dziękujemy członkom laboratorium Lu za pomoc w tej pracy. Dziękujemy Min Gao i Matthew Fabianowi za wykorzystanie ich nieprzetworzonych danych oraz Benjaminowi Harrisowi za pomoc i/lub wskazówki przy tworzeniu tego skryptu R. Dziękujemy Johnowi B. Hogeneschowi z Cincinnati Children's Hospital Medical Center za udostępnienie danych o luminescencji komórek ssaków w przypadku studium 2. Dziękujemy także Johnowi B. Hogeneschowi, Andrew Millarowi z Uniwersytetu Edynburskiego oraz Mary Harrington ze Smith College za pomocne dyskusje podczas opracowywania tej metody. Prace te były częściowo wspierane grantami od National Science Foundation, NSF 1456140 oraz NSF 2223886 dla Hua Lu.

1. Analiza zegara okołodobowego oparta na lucyferazach
<ol>
	<li>Eksperymentalne przygotowanie do testu lucyferazowego UWAGA: Test lucyferazowy to powszechna metoda stosowana do oceny aktywności zegara dobowego w czasie rzeczywistym. Luminescencja, emitowana przez reporter lucyferazowy przenoszony przez żywe organizmy transgeniczne i/lub komórki, może być rejestrowana automatycznie, co prowadzi do powstawania dużych zbiorów danych z szeregami czasowymi. Nasze laboratorium głównie wykorzystuje sadzonki Arabidopsis thaliana wyrażające gen lucyferazy jako reporter. Rysunek 1 i Rysunek 2 przedstawiają schemat przepływu typowego eksperymentalnego zestawu testu lucyferazowego z sadzonkami w formacie 96-dołkowym w naszym laboratorium, zmodyfikowany na podstawie wcześniejszego opisu2.<ol>
		<li>Wysterylizuj nasiona parą wybielacza wytworzoną przez dodanie 3 mL 36% (w/w) HCl do 100 mL wybielacza domowego w zlewce przez 3 godziny. Włóż zlewkę do słoika z zamkniętą pokrywką, umieszczoną w okapu chemicznym. Po sterylizacji należy nasiona nakładać na płytki o pojemności 1/2 MS zawierające 0,5% sacharozy i 0,8% agaru (pH 5,7), używając sterylnej szklanej pipety Pasteura, w szafce laminarnej przepływowej. Zbieraj odpady chemiczne do słoika z pokrywką i utylizuj je we współpracy z instytucjonalnym działem zdrowia środowiskowego.</li>
		<li>Umieść płytki w temperaturze 4 °C na 2 dni, zanim przeniesiesz je do komory do hodowli tkanek z cyklem światła 12 godzin i 12 godzin ciemnego światła (LD).</li>
		<li>Pozwól siewkom rosnąć przez 4 dni w stanie LD.</li>
		<li>Przenieś siewki na płytę z 96 dołkami; każdy dołek zawierał 180 μL podłoża do testów (1/2MS, 0,5% sacharozy, 0,4% agaru, 0,25 mM lucyferyny). Umieść płytki na 1 dzień w stanie LD, a następnie przez 1 dzień w 24 godzinach stałego światła (LL).</li>
		<li>Dodaj preparaty lub roztwór próbny do studni i rejestruj luminescencję co godzinę przez 5-7 dni w LL. Ustaw soczewkę filtra emisyjnego na 3 600 dla wzmocnienia i czas interwału pomiaru na 1 s. UWAGA: Czas rozpoczęcia nagrywania może być w dowolnym momencie. Jednakże, ponieważ skrypt R przyjmuje tylko liczby całkowite (liczby całkowite), interwały zapisu muszą być liczbą całkowitą. Na przykład dozwolony jest interwał 1-godzinny, ale 15-minutowy interwał nie jest dozwolony dla skryptu R.</li>
		<li>Na końcu nagrania zrób zdjęcie płyty, aby zarejestrować wzrost siewek.</li>
		<li>Zapisz surowe dane jako plik CSV do analizy R, używając funkcji zapisu jako w oprogramowaniu do analizy danych dla czytnika płyt.</li>
	</ol>
	</li>
	<li>Stopniowe wyjaśnienie analizy R danych okołodobowych opartych na lucyferazach UWAGA: Ta analiza R wykorzystuje skrypt R Supplemental File 1 (LUC_2025.R), opracowany do analizy danych okołodobowych, oraz plik wejściowy Supplemental File 2 (NO7.csv). Skrypt R wraz z plikiem wejściowym jest publicznie dostępny na platformie repozytorium Github (https://github.com/elvenfire29/Circadian-Luciferase-Analysis).<ol>
		<li>Pobierz oprogramowanie RStudio kompatybilne z systememkomputerowym 9,10.</li>
		<li>Pobierz pakiety algorytmiczne RStudio wymagane przez Plik Uzupełniający 1 (LUC_2025.R): MetaCycle11: algorytm ARSER12 z pakietu MetaCycle, ggplot213, dplyr14, magrittr15, stringr16, filesstrings17, circular18, AICcmodavg19 oraz broom20. UWAGA: Zobacz także górę skryptu R, aby zobaczyć listę pakietów.</li>
		<li>Zmień User Input I (zgodnie z konkretnym zbiorem danych na lokalnym komputerze, w tym katalogiem roboczym, nazwą pliku wejściowego, etykietami dla zabiegów oraz względnym czasem rozpoczęcia testu. UWAGA: Kroki 1.2.1 i 1.2.2 trzeba wykonać tylko raz; po czym konsola interfejsu RStudio jest gotowa do przyjmowania danych wejściowych od użytkownika, z modyfikacjami przy każdej nowej analizie. W sekcji User Input (Ilustracja Dodatkowa S1) znajdują się dwie części.<ol>
			<li>Wybierz katalog roboczy. Wskaż, gdzie znajduje się plik wejściowy. Ten sam folder będzie miejscem przechowywania plików wyjściowych.</li>
			<li>Wybierz plik wejściowy, czyli plik CSV poprawnie sformatowany dla skryptu R (Rysunek 2B). Konkretnie, górny wiersz zawiera szeregi czasowe, a pierwsza kolumna zawiera poszczególne pozycje próbek na płycie z 96 dołkami. UWAGA: Przykład takiego pliku CSV można znaleźć w Pliku Uzupełniającym 2 (NO7.csv).</li>
			<li>Wskaż próbki i/lub zabiegi. Ponieważ analiza ta jest wykorzystywana do danych uzyskanych z 96 dołków w przebiegu czasu, zaprojektuj eksperymenty jako 8 replik na leczenie, co daje łącznie do 12 zabiegów na płytkę, lub jako 12 replikacji na leczenie, co daje łącznie do 8 zabiegów na płytkę. Upewnij się, że wpisujesz właściwą liczbę próbek, 8 lub 12, ponieważ liczba próbek się liczy; Jeśli liczba próbek nie wynosi 8 lub 12, kod nie uruchomi się. Jeśli jednak są rzędy pustych właści, po prostu wypisz je jako takie w przestrzeni dla nazw zabiegów, na przykład nazywając jako puste 1, puste 2... UWAGA: W przypadku przykładowych nazw należy unikać używania ukośników lub podobnych symboli, ponieważ mogą one powodować problemy z nazwami plików. Dodatkowo, należy unikać używania etykiety "NA" przy wyborze ANOVA w User Input II. Każde leczenie o identycznej nazwie zostanie połączone w jedną dużą grupę leczenia.</li>
			<li>Podaj względny czas rozpoczęcia testu. Dla danego dnia trwającego 24 godziny subiektywny świt to moment, gdy światło w komorze jest włączane podczas normalnego cyklu światła/ciemności. Na przykład, jeśli światło świeci się o 7 rano, rozważmy ten czas jako czas okołodobowy 0. Jeśli test lucyferazowy rozpoczyna się o 9:00, czas testu to czas okołodobowy 2; wejście 2 jako względny czas rozpoczęcia. UWAGA: Względny czas rozpoczęcia musi być liczbą całkowitą i nie może być ujemny. To wpłynie na odczyt fazy próbek.</li>
		</ol>
		</li>
		<li>Zmieniaj opcje User Input II według konkretnych potrzeb. UWAGA: Poniższe instrukcje zawierają bardziej szczegółowe wyjaśnienie sekcji Input użytkownika oraz krok po kroku przewodnik po wprowadzaniu zmian.<ol>
			<li>Uwzględnij wykresy: krzywe luminescencji, wykresy dla okresu, fazy i amplitudy dla genotypu i leczenia.</li>
			<li>Użyj testu ANOVA z Tukey HSD, aby porównać leczenie pod względem okresu, fazy i amplitudy. Wybierz kontrolę dla wyjścia testu ANOVA; określ kontrolę dla testu ANOVA lub pozostawij opcję pustą, aby użyć każdego zabiegu jako kontroli w porównaniu parowym. Alternatywnie, można wybrać numerację plików wyjściowych ANOVA dla szybszego odniesienia i organizacji.</li>
			<li>Użyj testu T, aby porównać metody leczenia pod względem okresu, fazy i amplitudy. Wybierz, czy test t powinien być porównaniem parowym; Jeśli wybrany jest parowy test T, wybieramy, czy dane są sparowane. Wybierz kontrolę do testu T; Określ kontrolę dla testu T-lub pozostawij opcję pustą, aby używać każdego zabiegu jako kontroli. Zdecyduj, czy ponumerować pliki wyjściowe t-test dla szybszego odniesienia i organizacji. UWAGA: Powinno się to stosować tylko do porównywania dwóch zabiegów jednocześnie, na przykład dwóch linii tego samego genotypu z dodatkiem SA lub Mock. Wartości p nie są korygowane do wielokrotnych porównań z tą samą linią.</li>
			<li>Zdecyduj, czy zaokrąglić punkty czasowe. Jeśli punkty czasowe są przesunięte tylko o minutę lub dwie, zaokrąglaj do najbliższej godziny i użyj tej analizy. UWAGA: Ten kod oblicza okres, fazę i amplitudę przy użyciu metodyARS 12. Ta metoda wymaga spójnego szeregu czasowego w godzinach do działania.</li>
			<li>W zależności od sposobu rejestrowania studni przez czytnik płyt, zmień sposób odczytu wejścia. Wybierz standardową listę danych studni według A1, A2, A3... lub ten dla odwiertów wymienionych według A1, B1, C1...</li>
		</ol>
		</li>
		<li>Analizę uruchom, po prostu klikając przycisk Źródło w prawym górnym rogu konsoli. UWAGA: Analiza trwa mniej niż 1 minutę. Wynik analizy R automatycznie pojawi się w tym samym folderze co zbiór danych wejściowych.</li>
		<li>Zobacz wyjście: Folder wyjściowy zawiera kilka dokumentów i podfolderów, które zapewniają kompleksową analizę, w tym dane statystyczne dotyczące średniego okresu, fazy i amplitudy dla replikacji każdego genotypu i/lub leczenia. UWAGA: Dla pliku wejściowego Plik Uzupełniający 2 (NO7.csv) lista dokumentów wyjściowych wygenerowanych przez skrypt Pliku Uzupełniającego 1 (LUC_2025.R) w sekcji protokołu 1 jest opisana w Tabeli 1 i można ją wygodnie zobaczyć ze strukturą drzewa w Rysunku Uzupełniającym S2.</li>
	</ol>
	</li>
</ol>
2. Analiza ROS oparta na luminolu
<ol>
	<li>Przygotowanie eksperymentalne do testu ROS<ol>
		<li>Wyciąć dyski liściowe o średnicy 4 mm z czwartego do siódmego liścia 25-dniowych roślin za pomocą dziurkarki do biopsji.</li>
		<li>Unieś dyski liściowe z owłosioną stroną do góry na 100 μL sterylnej wody w płytce z 96 dołkami.</li>
		<li>Przykryj płytkę czystą folią aluminiową i umieść ją na noc w komorze wzrostu LD.</li>
		<li>Zastąp wodę na 100 μL roztworu luminolu (300 μM w buforze MOPS 10 mM o pH 7,4 oraz 1 μM flg22 lub innym elicitorem). Użyj mock solution zamiast flg22 jako kontroli.</li>
		<li>Natychmiast zacznij zapisywać luminescencję co minutę przez 40-60 minut.</li>
	</ol>
	</li>
	<li>Stopniowe wyjaśnienie analizy danych ROS metodą R UWAGA: Ta analiza R wykorzystuje Rstudio, skrypt R, Plik Uzupełniający 3 (ROS_2025.R) oraz pliki wejściowe Plik Uzupełniający 4 (ROS_flg22.csv) lub Plik Uzupełniający 5 (ROS_elf26.csv). Skrypt R wraz z plikiem wejściowym Supplemental File 4 (ROS_flg22.csv) jest publicznie dostępny za pośrednictwem platformy repozytorium Github (https://github.com/elvenfire29/ROS-Luminol-Analysis)<ol>
		<li>Pobierz pakiety RStudio: gplot213, dplyr14, magrittr15, stringr16 oraz filesstrings17. UWAGA: Kroki 2.2.1 trzeba wykonać tylko raz. Aby pomóc użytkownikom dostosować każdą analizę do określonego zestawu danych na komputerze, utworzono sekcję "User Input", która pozwala użytkownikom wskazywać konkretne parametry eksperymentów (Ilustracja uzupełniająca S3).</li>
		<li>Zmień User Input I zgodnie z konkretnym zbiorem danych na lokalnym komputerze, w tym katalogiem roboczym, nazwą pliku wejściowego, etykietami dla zabiegów oraz względnym czasem rozpoczęcia testu.<ol>
			<li>Wybierz katalog roboczy. Wskaż, gdzie znajduje się plik wejściowy. Ten sam folder będzie miejscem przechowywania plików wyjściowych.</li>
			<li>Wybierz plik wejściowy, czyli plik CSV poprawnie sformatowany dla skryptu R (Rysunek 2B). Konkretnie, górny wiersz zawiera szeregi czasowe, a pierwsza kolumna zawiera poszczególne pozycje próbek na płycie z 96 dołkami. UWAGA: Przykład takiego pliku CSV można znaleźć w materiałach uzupełniających, Pliku Uzupełniającym 4 (ROS_flg22.csv) lub Pliku Uzupełniającym 5 (ROS_elf26.csv).</li>
			<li>Wskaż próbki i/lub zabiegi. Ponieważ analiza ta jest wykorzystywana do danych uzyskanych z 96 dołków w przebiegu czasu, zaprojektuj eksperymenty jako 8 replik na leczenie, co daje łącznie do 12 zabiegów na płytkę, lub jako 12 replikacji na leczenie, co daje łącznie do 8 zabiegów na płytkę. Jeśli są rzędy pustych dołków, po prostu wypisz je jako takie w przestrzeni dla nazw zabiegów, na przykład nazywając jako puste 1, puste 2... UWAGA: Ważne jest, aby podać prawidłową liczbę próbek, 8 lub 12, ponieważ liczba próbek się liczy. Jeśli liczba próbek nie wynosi 8 lub 12, kod nie uruchomi się. W przypadku przykładowych nazw unikaj używania ukośników lub podobnych symboli, ponieważ mogą one powodować problemy z nazwami plików. Unikaj także używania etykiety "NA" podczas wyboru ANOVA w User Input II. W przeciwieństwie do skryptu Supplemental File 1 (LUC_2025.R), opracowania o tej samej nazwie nie łączą się w jedną grupę w tym skrypcie Supplemental File 3 (ROS_2025.R).</li>
		</ol>
		</li>
		<li>Zmień opcje User Input II w zależności od indywidualnych potrzeb użytkownika. UWAGA: Przykładowe wkłady użytkownika można zobaczyć na Rysunku Uzupełniającym S3.<ol>
			<li>Użyj testu ANOVA z Tukey HSD, aby porównać sumy luminescencji leczenia.</li>
			<li>Użyj dwustronnego testu T, aby porównać dane z dwóch zabiegów jednocześnie. UWAGA: Pokazane wartości p nie są korygowane pod kątem wielokrotnych porównań z tą samą linią.</li>
			<li>Zrób wykres krzywych fluorescencji i wykres słupkowy porównujący całkowitą sumę fluorescencji. Dodaj do grafów odchylenie standardowe lub średni błąd standardowy.</li>
			<li>W zależności od sposobu rejestrowania studni przez czytnik płyt, zmień sposób odczytu wejścia. Albo użyj standardowej listy danych studni według A1, A2, A3... lub ten dla odwiertów wymienionych według A1, B1, C1...</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Analizę uruchom, klikając przycisk Źródło w prawym górnym rogu konsoli. UWAGA: Analiza trwa mniej niż 1 minutę. Wynik analizy R automatycznie pojawi się w tym samym folderze co zbiór danych wejściowych.</li>
	<li>Zobacz wyjście: Folder wyjściowy zawiera kilka dokumentów i podfolderów, które zapewniają kompleksową analizę. UWAGA: W pliku wejściowym Supplemental File 4 (ROS_flg22.csv) przedstawiono strukturę drzewa dokumentów wyjściowych generowanych przez skrypt Supplemental File 3 (ROS_2025.R) opisany w sekcji 2 protokołu, przedstawioną na Rysunku Uzupełniającym S4.</li>
</ol>

<ol><li>Yamazaki, S., Takahashi, J. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-time+luminescence+reporting+of+circadian+gene+expression+in+mammals%5BTitle%5D)+AND+%22Methods+Enzymol%22%5BJournal%5D)">Real-time luminescence reporting of circadian gene expression in mammals.</a> Methods Enzymol. 393 (10), 288-301 (2005).</li>
<li>McClung, C. R., Xie, Q. Measurement of luciferase rhythms in plant circadian networks. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMcClung%2C+CR+%22Circadian+Networks%22">Circadian Networks</a>. Staiger, D. , Springer. New York. 1-11 (2014).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22El+Temps%22">El Temps</a>. , Barcelona. (2020).</li>
<li>Abhilash, L., Sheeba, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RhythmicAlly%3A+Your+R+and+Shiny-based+open-source+ally+for+the+analysis+of+biological+rhythms%5BTitle%5D)+AND+%22J+Biol+Rhythms%22%5BJournal%5D)">RhythmicAlly: Your R and Shiny-based open-source ally for the analysis of biological rhythms.</a> J Biol Rhythms. 34 (5), 551-561 (2019).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22CAT%3A+Chronomics+Analysis+Toolkit%22">CAT: Chronomics Analysis Toolkit</a>. , University of Minnesota. (2013).</li>
<li>Geissmann, Q., Garcia Rodriguez, L., Beckwith, E. J., Gilestro, G. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rethomics%3A+An+R+framework+to+analyse+high-throughput+behavioural+data%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Rethomics: An R framework to analyse high-throughput behavioural data.</a> PLoS One. 14 (1), e0209331(2019).</li>
<li>ShinyR-DAM. v.3. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22GNU+General+Public+License%22">GNU General Public License</a>. , (2007).</li>
<li>Zielinski, T., Moore, A. M., Troup, E., Halliday, K. J., Millar, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Strengths+and+limitations+of+period+estimation+methods+for+circadian+data%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Strengths and limitations of period estimation methods for circadian data.</a> PLoS One. 9 (5), e96462(2014).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22RStudio%3A+Integrated+Development+for+R%22">RStudio: Integrated Development for R</a>. , Boston, MA. (2020).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22R%3A+A+Language+and+Environment+for+Statistical+Computing.%C2%A0v.4.0.2%22">R: A Language and Environment for Statistical Computing. v.4.0.2</a>. , Vienna, Austria. (2020).</li>
<li>Wu, G., Anafi, R. C., Hughes, M. E., Kornacker, K., Hogenesch, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MetaCycle%3A+An+integrated+R+package+to+evaluate+periodicity+in+large+scale+data%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">MetaCycle: An integrated R package to evaluate periodicity in large scale data.</a> Bioinformatics. 32 (21), 3351-3353 (2016).</li>
<li>Yang, R., Su, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analyzing+circadian+expression+data+by+harmonic+regression+based+on+autoregressive+spectral+estimation%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Analyzing circadian expression data by harmonic regression based on autoregressive spectral estimation.</a> Bioinformatics. 26 (12), i168-i174 (2010).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22ggplot2%3A+Elegant+Graphics+for+Data+Analysis%22">ggplot2: Elegant Graphics for Data Analysis</a>. , Springer-Verlag. New York. (2016).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22dplyr%3A+A+Grammar+of+Data+Manipulation%22">dplyr: A Grammar of Data Manipulation</a>. v.1.0.2, (2020).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22magrittr%3A+A+Forward-Pipe+Operator+for+R%22">magrittr: A Forward-Pipe Operator for R</a>. v.2.0.3, (2022).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22stringr%3A+Simple%2C+Consistent+Wrappers+for+Common+String+Operations%22">stringr: Simple, Consistent Wrappers for Common String Operations</a>. v.1.4.0, (2019).</li>
<li>filesstrings: An R Package for File and String Manipulation. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22J+Open+Source+Softw%22">J Open Source Softw</a>. , (2017).</li>
<li><a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22R+package+%27circular%27%3A+Circular+Statistics%22">R package 'circular': Circular Statistics</a>. v.0.4-95, (2022).</li>
<li>Mazerolle, M. J. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMazerolle%2C+MJ+%22AICcmodavg%3A+Model+Selection+and+Multimodel+Inference+Based+on+%28Q%29AIC%28c%29%22">AICcmodavg: Model Selection and Multimodel Inference Based on (Q)AIC(c)</a>. , (2023).</li>
<li>broom: Convert Statistical Objects into Tidy Tibbles. , 
 <a target="_blank" href="https://CRAN.R-project.org/package=broom">https://CRAN.R-project.org/package=broom</a> (2023).</li>
<li>Gao, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Circadian+regulation+of+the+GLYCINE-RICH+RNA-BINDING+PROTEIN+gene+by+the+master+clock+protein+CIRCADIAN+CLOCK-ASSOCIATED+1+is+important+for+plant+innate+immunity%5BTitle%5D)+AND+%22J+Exp+Bot%22%5BJournal%5D)">Circadian regulation of the GLYCINE-RICH RNA-BINDING PROTEIN gene by the master clock protein CIRCADIAN CLOCK-ASSOCIATED 1 is important for plant innate immunity.</a> J Exp Bot. 74 (3), 991-1003 (2023).</li>
<li>Gao, M., Zhang, C., Lu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Coronatine+is+more+potent+than+jasmonates+in+regulating+clock%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Coronatine is more potent than jasmonates in regulating clock.</a> Sci Rep. 10 (1), 12862(2020).</li>
<li>Zhang, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((LUX+ARRHYTHMO+mediates+crosstalk+between+the+circadian+clock+and+defense+in+Commun%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">LUX ARRHYTHMO mediates crosstalk between the circadian clock and defense in Commun.</a> Nat Commun. 10 (1), 2543(2019).</li>
<li>Straume, M., Frasier-Cadoret, S. G., Johnson, M. L. Least squares analysis of fluorescence data. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aStraume%2C+M+%22Topics+in+Fluorescence+Spectroscopy%22">Topics in Fluorescence Spectroscopy</a>. 2, Plenum. 117-240 (1991).</li>
<li>Cal-Kayitmazbatir, S., Francey, L. J., Lee, Y., Liu, A. C., Hogenesch, J. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PSMD11+modulates+circadian+clock+function+through+PER+and+CRY+nuclear+translocation%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">PSMD11 modulates circadian clock function through PER and CRY nuclear translocation.</a> PLoS One. 18 (3), e0283463(2023).</li>
<li>Zhang, E. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+genome-wide+RNAi+screen+for+modifiers+of+the+circadian+clock+in+human+cells%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">A genome-wide RNAi screen for modifiers of the circadian clock in human cells.</a> Cell. 139 (1), 199-210 (2009).</li>
<li>Baggs, J. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+features+of+the+mammalian+circadian+clock%5BTitle%5D)+AND+%22PLoS+Biol%22%5BJournal%5D)">Network features of the mammalian circadian clock.</a> PLoS Biol. 7 (3), e52(2009).</li>
<li>Zipfel, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bacterial+disease+resistance+in+Arabidopsis+through+flagellin+perception%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Bacterial disease resistance in Arabidopsis through flagellin perception.</a> Nature. 428 (6984), 764-767 (2004).</li>
<li>Kunze, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+N+terminus+of+bacterial+elongation+factor+Tu+elicits+innate+immunity+in+Arabidopsis+plants%5BTitle%5D)+AND+%22Plant+Cell%22%5BJournal%5D)">The N terminus of bacterial elongation factor Tu elicits innate immunity in Arabidopsis plants.</a> Plant Cell. 16 (12), 3496-3507 (2004).</li>
<li>Fabian, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+flowering+time+regulator+FLK+controls+pathogen+defense+in+Arabidopsis+thaliana%5BTitle%5D)+AND+%22Plant+Physiol%22%5BJournal%5D)">The flowering time regulator FLK controls pathogen defense in Arabidopsis thaliana.</a> Plant Physiol. 191 (4), 2461-2474 (2023).</li>
</ol>

Autorzy nie mają żadnych konfliktów interesów do ujawnienia.

Prezentujemy tutaj scenariusze R w RStudio, aby zapewnić przyjazną dla użytkownika metodę analizy danych na dużą skalę uzyskanych z eksperymentów z 96-dołkowymi szeregami czasowymi. Ta metoda pozwoliła nam szybko i łatwo analizować dane rejestrujące luminescencję uzyskane z tysięcy próbek w eksperymentach z szeregami czasowymi, aby ocenić aktywność zegara okołodobowego od sadzonek roślin po kultury komórek ssaków, a także dane z testów ROS.
BioDare2 to darmowe repozytorium, które dość często j...

Wraz ze wzrostem dostępności dużych zbiorów danych w dziedzinie nauki, ważne jest opracowanie przyjaznych użytkownikowi narzędzi, które pozwolą badaczom szybko i łatwo analizować te duże zbiory. Jednym z typów powszechnie dużych zbiorów danych jest wykorzystanie genu lucyferazy jako reportera, co umożliwiło łatwe, ciągłe i nieinwazyjne badanie ekspresji genów w żywych komórkach i organizmach. Automatyzacja w rejestrowaniu luminescencji zrewolucjonizowała pomiar luminescencji lunescencji lunescencji i doprowadziła do rozszerzenia zbioru danych, szczególnie w polu zegara okołodobowego 1,2. Korzystając z mikropłyt z 96 dołkami oraz automatycznego czytnika płyt ze stosownikiem, tysiące próbek ekspresujących gen lucyferazy można indywidualnie badać w szeregach czasowych, czasem co godzinę przez kilka dni, w jednym eksperymencie. Takie eksperymenty o wysokiej przepustowości doprowadziły do powstania dużych zbiorów danych, których tradycyjne eksperymenty ekspresji genów z użyciem pobierania próbek ręcznych, a następnie przetwarzania RNA, nie były w stanie osiągnąć. Analiza tak dużych zbiorów danych w odpowiednim czasie jest ważna, ale może być wyzwaniem.
Chociaż istnieje wiele narzędzi do analizy danych pod kątem rytmiczności, wiele z nich analizuje testy oparte na zachowaniu zwierząt, a nie na ekspresji reporterowej luminescencji 3,4,5,6,7 (Tabela Uzupełniająca S1). Niektóre narzędzia wymagają od badaczy wcześniejszych umiejętności programowania, takich jak znajomość Pythona lub dostęp do MATLAB-a. Inne narzędzia wymagają zakupu oprogramowania, co może być kosztowne. Dostępne są darmowe, praktyczne rozwiązania online. Jednym z takich narzędzi jest BioDare28, które oferuje różnorodne metody analizy danych o rytmiczności. BioDare2 to przyjazne dla użytkownika narzędzie online, które wymaga minimalnej wiedzy obliczeniowej. Użytkownicy muszą przesyłać dane wejściowe online oraz pobierać dane wyjściowe z interfejsu online do dalszego przetwarzania.
Prezentujemy tutaj przyjazne dla użytkownika skrypty R z wieloma możliwościami łatwej analizy dużych zbiorów danych. Korzystamy z darmowego, otwartoźródłowego oprogramowania RStudio9, interfejsu dla R i Pythona, do uruchamiania skryptów. RStudio może być używane na różnych systemach komputerowych, w tym Windows, Mac i Linux. W tym raporcie przedstawiono szczegółowe instrukcje krok po kroku, które pomogą użytkownikom korzystać ze skryptów R, szczególnie w sekcjach protokołu 1 i 2. Ta metoda wymaga minimalnego wkładu użytkownika. Początkujący, który nie posiada wcześniejszej wiedzy o R i nie ma doświadczenia programistycznego, będzie mógł wykorzystać tę metodę do analizy dużych zbiorów danych z testów lucyferazowych lub innych typów zbiorów danych z danymi z szeregów czasowych. Wszystkie dane wejściowe i wyjściowe są przechowywane na komputerze lokalnym, dzięki czemu analiza może być przeprowadzona w dowolnym miejscu bez ograniczeń dostępu do internetu, gdy wszystkie odpowiednie pakiety R zostaną po raz pierwszy pobrane. Dane wyjściowe są sortowane w dobrze zorganizowane foldery, a wyniki gotowe do przetworzenia do publikacji. Analize statystyczne są również uwzględniane jako część wyników, aby umożliwić szybką ocenę różnic między próbami. W ten sposób metoda R mogłaby stanowić łatwe i skuteczne rozwiązanie dla badaczy w analizie dużych zbiorów danych.

<table><tbody><tr><td>R</td><td>Projekt R</td><td><a href="https://www.r-project.org/">https://www.r-project.org/&nbsp; </a></td><td>Darmowa, otwartoźródłowa platforma, którą można pobrać z internetu i wykorzystać do kodowania, zwłaszcza do celów statystycznych.</td></tr><tr><td>Rstudio</td><td>Oprogramowanie Posit</td><td><a href="https://posit.co/download/rstudio-desktop/">https://posit.co/download/rstudio-desktop/&nbsp; </a></td><td>Darmowe oprogramowanie, które można pobrać z internetu, zapewniając bardziej przyjazny dostęp do R.</td></tr><tr><td>MetaCycle</td><td>Gang Wu, Xavier Li, Matthew Carlucci, Ron Anafi, Michael Hughes, Karl Kornacker i John Hogenesch</td><td><a href="https://cran.r-project.org/web/packages/MetaCycle/vignettes/implementation.html">https://cran.r-project.org/web/packages/MetaCycle/vignettes/implementation.html&nbsp; </a></td><td>Algorytm ARSER z pakietu MetaCycle służy do oceny parametrów zegara, okresu, fazy i amplitudy.</td></tr><tr><td>ggplot2</td><td>Oprogramowanie Posit</td><td><a href="https://cran.r-project.org/web/packages/ggplot2/index.html">https://cran.r-project.org/web/packages/ggplot2/index.html&nbsp; </a></td><td>Tworzy wizualizacje danych, szczególnie do grafik statystycznych.</td></tr><tr><td>dplyr</td><td>Oprogramowanie Posit</td><td><a href="https://cran.r-project.org/web/packages/dplyr/index.html">https://cran.r-project.org/web/packages/dplyr/index.html&nbsp; </a></td><td>Podstawowa biblioteka R do efektywnej manipulacji danymi.</td></tr><tr><td>Magrittr</td><td>Oprogramowanie Posit</td><td><a href="https://cran.r-project.org/web/packages/magrittr/index.html">https://cran.r-project.org/web/packages/magrittr/index.html&nbsp; </a></td><td>Zapewnia zestaw operatorów poprawiających czytelność kodu i ułatwiających naturalny przepływ operacji danych.</td></tr><tr><td>stringr</td><td>Oprogramowanie Posit</td><td><a href="https://cran.r-project.org/web/packages/stringr/index.html">https://cran.r-project.org/web/packages/stringr/index.html&nbsp; </a></td><td>Zapewnia spójny, prosty i łatwy w użyciu zestaw funkcji do pracy ze znakami znaków.</td></tr><tr><td>ciągi plików</td><td>Rory Nolan i Sergi Padilla-Parra</td><td><a href="https://cran.r-project.org/web/packages/filesstrings/index.html">https://cran.r-project.org/web/packages/filesstrings/index.html&nbsp; </a></td><td>Zapewnia wygodne funkcje do manipulacji plikami i ciągami znaków, szczególnie tych związanych z nazwami plików i ścieżkami.</td></tr><tr><td>okrągły</td><td>Ulric Lund, Claudio Agostinelli, Hiroyoshi Arai, Alessando Gagliardi, Eduardo Garc&iacute; a-Portugu i eacute; s, Dimitri Giunchi, Jean-Olivier Irisson, Matthew Pocernich i Federico Rotolo</td><td><a href="https://cran.r-project.org/web/packages/circular/index.html">https://cran.r-project.org/web/packages/circular/index.html&nbsp; </a></td><td>Zapewnia analizę statystyczną i graficzne przedstawienie danych kołowych.</td></tr><tr><td>AICcmodavg</td><td>Marc J. Mazerolle</td><td><a href="https://cran.r-project.org/web/packages/AICcmodavg/index.html">https://cran.r-project.org/web/packages/AICcmodavg/index.html&nbsp; </a></td><td>Tworzy tabele wyboru modelu na podstawie kryterium informacyjnego Akaike (AIC) oraz powiązanych informacji.</td></tr><tr><td>Miotła</td><td>Oprogramowanie Posit</td><td><a href="https://cran.r-project.org/web/packages/broom/index.html">https://cran.r-project.org/web/packages/broom/index.html&nbsp; </a></td><td>Konwertuje wyniki różnych modeli statystycznych i obiektów na "tidy" tibbles (nowoczesny format ramek danych), ułatwiając pracę, analizę i wizualizację wyników modelu.</td></tr><tr><td>Maszyna autoklawowa</td><td>Steris Amsco Eagle Century SG120 Scientific, Inc.</td><td>8901400012</td><td>Nośniki autoklawowe</td></tr><tr><td>Okap do spalin chemicznych</td><td>Projektowanie i projektowanie laboratoriów Supply&nbsp;</td><td></td><td>Wysterylizuj nasiona</td></tr><tr><td>Omega Luminescence Reader&nbsp;</td><td>BMG LABTECH, Inc.</td><td></td><td>czytnik tablic</td></tr><tr><td>Szafa laminarna</td><td>NuAire Nu-408FM-400</td><td>Klasa II/TypeA&nbsp;</td><td>Przenieś sadzonki na płytę 96-dołową</td></tr><tr><td>Mikropłytki z 96 dołkami</td><td>Perkin-Elmer</td><td>OptiPlate-96&nbsp;</td><td>Uprawiaj sadzonki do testu lucyferazowego</td></tr><tr><td>Flg22</td><td>GenScript Inc.</td><td>RP19986</td><td>Elektor z bakteryjnej wicicy.</td></tr><tr><td>Elf26</td><td>Alpha Diagnostic Intl. Inc.</td><td>2427</td><td>Elektor z translacji bakteryjnej Czynnik Elongation Factor-Tu.</td></tr><tr><td>D-Lucyferyna świetliczka, sól potasowa</td><td>Biosyntetyczna chemia i Biologia</td><td>L-8220</td><td>Podłoże z lucyferazy</td></tr><tr><td>L-012 (Luminol)</td><td>Fisher Scientific</td><td>NC0733364</td><td>Odczynnik do testu ROS</td></tr></tbody></table>

przyjazna użytkownikowi i wydajna analiza r dużych zbiorów danych

A User-friendly and Powerful R Analysis of Large-scale Datasets

Duże zbiory danych są coraz powszechniejsze w dziedzinie nauki. Ważne jest, aby opracowywać przyjazne użytkownikowi narzędzia, które pozwolą badaczom łatwo analizować te duże zbiory danych. Tutaj przedstawiamy metodę z użyciem skryptu R w otwartoźródłowym oprogramowaniu RStudio do analizy dużych zbiorów danych uzyskanych z eksperymentów z szeregami czasowymi. Ta metoda wymaga minimalnego wkładu użytkownika, co pozwala na jej korzystanie także z początkującym, który nie ma wcześniejszej wiedzy o R ani doświadczenia programistycznego. Szczegółowe instrukcje opisane tutaj oraz w skrypcie R dodatkowo pomogą użytkownikom, jak korzystać z tej metody. Dane wejściowe i wyniki wyjściowe są przechowywane w tym samym folderze komputera lokalnego, co umożliwia przeprowadzenie analizy w dowolnym miejscu i o każdej porze. Wyniki wyjściowe są organizowane w folderach dla łatwej interpretacji i można je wygodnie przetwarzać, aby generować liczby do publikacji. Metoda ta została z powodzeniem wykorzystana do analizy danych zegara okołodobowego oraz danych o wybuchach reaktywnych szczepów tlenu, obie zawierające duże zbiory danych z eksperymentów szeregów czasowych w formacie płyt 96-dołowych. Uważamy, że ta metoda stanowi proste i skuteczne rozwiązanie dla badaczy do analizy podobnych dużych zbiorów danych uzyskanych w ramach eksperymentów z szeregami czasowymi.

Studium przypadku 1. Badanie luminescencji aktywności zegara dobowego z sadzonkami Arabidopsis
Wcześniej wykazaliśmy, że gen GLYCINE-BOGATY W BIAŁKO WIĄŻĄCE RNA 7 (GRP7) jest kontrolowany przez białko zegara głównego CIRCADIAN CLOCK-ASSOCIATED 1 (CCA1), a ekspresja okołodobowa GRP7 jest istotna ze względu na jego rolę w obronie roślin, wykorzystując transgeniczne rośliny Col-0 ekspresujące reporter lucyferazy pod kontrolą promotora GRP7 typu...

Raport opisuje metodę wykorzystującą skrypt R w otwartym oprogramowaniu RStudio do analizy dużych zbiorów danych uzyskanych z eksperymentów z szeregami czasowymi.

Przyjazna użytkownikowi i wydajna analiza R dużych zbiorów danych

Large datasets are increasingly common in the scientific field. It is important to develop user-friendly tools to allow researchers to analyze these large ...

Naszym celem jest zrozumienie molekularnych podstaw stojących u podstaw obrony roślin przed patogenami, a ostatecznie wykorzystanie tej wiedzy do poprawy zdrowia roślin i plonów. Duże zbiory danych można stosunkowo łatwo generować w dziedzinie biologicznej, jednak analiza takich dużych zbiorów danych w odpowiednim czasie może być wyzwaniem. Na początek włóż nasiona do rurki mikrowirówki z trzema otworami na górze i umieść ją w słoiku dzwonowym.Następnie wygeneruj parę wybielacza, dodając trzy mililitry kwasu solnego 36% do 100 mililitrów wybielacza domowego w zlewce wewnątrz okapu. Włóż zlewkę do słoika i odstaw ją w okapu chemicznym na trzy godziny. Po sterylizacji, używając sterylnej szklanej pipety Pasteura, nałóż nasiona na średnie płytki Murashige i Skoog zawierające 0,5% sacharozy i 0,8% świdra wewnątrz laminarnej szafki.Umieść płytki Murashige i Skoog w środowisku o temperaturze czterech stopni Celsjusza na dwa dni, po czym przeniesiono je do komory do hodowli tkanek ustawionej na 12-godzinny cykl światła i 12-godzinny cykl ciemności. Następnie przenieś siewki na płytkę z 96 dołkami, upewniając się, że każda dołek zawiera 180 mikrolitrów podłoża do testowania. Przykryj płytę przezroczystą folią i nakłuj dwa otwory na dołek dla napowietrzania.Umieść płyty przez jeden dzień pod 12-godzinnym światłem i 12-godzinnym cyklem ciemności, a następnie jeden dzień pod 24-godzinnym stałym światłem. Dodaj zabiegi lub próbne roztwory do każdego odwiertu. Następnie rejestruj odczyty luminescencji przy stałym świetle z wzmocnieniem soczewki filtra emisji ustawionym na 3 600 i czasem interwału pomiaru na jedną sekundę i rozpocznij akwizycję danych.Na końcu nagrania luminescencji zrób zdjęcie płyty z 96 dołkami, aby udokumentować wzrost siewek. Obserwuj krzywe danych z testu luminescencji, aby potwierdzić spójność obróbki, a surowe dane luminescencji zapisz jako plik CSV do dalszej analizy R, korzystając z funkcji zapisu jako w oprogramowaniu do analizy danych czytnika płyt. Po zainstalowaniu oprogramowania RStudio i wymaganych pakietów algorytmicznych wybierz katalog roboczy, w którym przechowywany jest plik wejściowy, który będzie również służył jako folder wyjściowy z wynikami.Następnie wybierz poprawnie sformatowany plik wejściowy CSV. Upewnij się, że górny wiersz zawiera punkty czasowe, a pierwsza kolumna przedstawia poszczególne pozycje próbek na płycie 96-dołkowej. Nazw próbki i zabiegi zgodnie z układem płytek z 96 dołkami, zapewniając, że projekt zawiera albo osiem replik na leczenie z maksymalnie 12 zabiegami, albo 12 replikacji na zabieg z maksymalnie ośmioma zabiegami.Jeśli jakiekolwiek wiersze lub kolumny są puste, przypisz nazwy takie jak Empty1, Empty2 i tak dalej do listy etykiet leczenia. Następnie wskaż względny czas rozpoczęcia testu lucyferazowego na podstawie czasu pojawienia się światła w komorze. Zmodyfikuj sekcję User Input II, aby odpowiadała konkretnym potrzebom analitycznym.Uwzględnić generowanie wykresów dla krzywych luminescencji oraz dla porównań okresowych, fazowych i amplitudowych między genotypami i zabiegami. Użyj testu ANOVA z testem szczerych różnic znaczących Tukeya, aby porównać metody leczenia na podstawie okresu, fazy i amplitudy. Wybierz zabieg kontrolny dla wyników analizy lub pozostaw pole kontrolne puste, aby porównać wszystkie zabiegi parą.Opcjonalnie ponumeruj pliki wyjściowe analizy dla łatwiejszego odniesienia i organizacji. Teraz użyj testu T, aby porównać metody leczenia na podstawie okresu, fazy i amplitudy. Zdecyduj, czy test t powinien być przeprowadzony jako porównanie parowe, a jeśli tak, określ, czy dane są sparowane.Zdecyduj, czy zaokrąglić punkty czasowe w zbiorze danych. Jeśli wartości czasowe różnią się tylko o kilka minut, zaokrągli je do najbliższej godziny przed rozpoczęciem analizy. Teraz ustaw format wejściowy do identyfikacji studni w zależności od tego, jak czytnik płyt eksportuje dane.Wybierz między standardowym formatem, w którym studnie są wymienione jako A1, A2, A3 i tak dalej, lub alternatywnym formatem, gdzie studnie są wymienione jako A1, B1, C1 itd. Następnie uruchom analizę danych luciferazy, klikając przycisk Źródło znajdujący się w prawym górnym rogu konsoli RStudio. Zobacz wyniki analizy w wyznaczonym folderze wyjściowym, który zawiera dokumenty i podfoldery podsumowujące średnie statystyki okresu, fazy i amplitudy dla każdego genotypu i leczenia.Za pomocą nakłucia biopsji wyciął krążki liściowe o średnicy czterech milimetrów od czwartego do siódmego liścia roślin mających 25 dni. Unieś dyski liściowe z owłosioną stroną skierowaną do góry w 100 mikrolitrach sterylnej wody wewnątrz płyty z 96 dołkami. Przykryj płytkę z 96 dołkami czystą folią aluminiową i umieść ją na noc w komorze wzrostu światła i ciemności.Następnie zdejmij płytkę i zamień sterylną wodę na 100 mikrolitrów roztworu luminolu. Natychmiast zacznij rejestrować luminescencję co minutę przez 40 do 60 minut. Po pobraniu wymaganych pakietów RStudio wybierz katalog roboczy.Wybierz plik wejściowy, upewniając się, że jest to poprawnie sformatowany plik CSV. Górny wiersz powinien zawierać dane o szeregach czasowych, a pierwsza kolumna powinna zawierać pozycje próbki na płycie z 96 dołkami. Nazwij próbki i zabiegi zgodnie z wcześniejszym układem płyt.Oznacz puste studnie wyraźnie jako Empty1, Empty2 i tak dalej. Użyj testu ANOVA z uczciwą znaczącą różnicą Tukeya, aby porównać całkowite liczby luminescencji między leczeniami. Stosuj dwustronny test T, porównując dane tylko z dwóch zabiegów jednocześnie.Generuj graficzne wyniki, w tym krzywe fluorescencyjne oraz wykres słupkowy pokazujący sumę całkowitej luminescencji między zabiegami. Dodaj do wykresu odchylenia standardowego lub błędu standardowego średniej. Dostosuj format odczytu wejściowego w zależności od tego, jak czytnik płyt generuje identyfikatory studni.Wybierz między standardową listą A1, A2, A3 a pionową listą A1, B1, C1.To przejdź analizę, kliknij przycisk Źródło znajdujący się w prawym górnym rogu konsoli RStudio. Zobacz wynik w wygenerowanym folderze, który zawiera wiele dokumentów i podfolderów podsumowujących pełną analizę. Test lucyferazowy wykonano przy użyciu jednej linii transgenicznej wyrażającej raport lucyferazy CCA1 oraz siedmiu niezależnie transformowanych linii transgenicznych wyrażających raport GRP7 lucyferazy.Ślady luminescencji tych roślin mierzono w ciągu 168 godzin. Metodą R obliczono parametry zegara dla reportera lucyferazy CCA1 z amplitudą 3 000 względnych jednostek luminescencji na sekundę na siewkę, okresem 23,5 godziny i fazą 3,5 godziny. Wszystkie linie lucyferazy pGRP7 wykazywały podobne wartości okresu i fazy, ale różniły się amplitudową.Okres działania lucyferazy pGRP7 wynosi 24,2 godziny, natomiast faza 12 godzin. Aby dodatkowo zweryfikować analizę R, ten sam zbiór danych został ponownie przeanalizowany za pomocą BioDare2, bezpłatnej platformy online do analizy danych okołodobowych osiem, i uzyskano podobne wyniki. Dane okołodobowe wygenerowane za pomocą komórek U2 OS wyrażających raport Per2dLuc zostały ponownie przeanalizowane metodą R.Grupa kontrolna wykazała amplitudę 184,8 jednostek względnej luminescencji, okres 23,3 godziny i fazę 2,8 godziny. Obniżenie poziomu CRY2, ale nie PSMD4 i PSMD7, znacząco wpłynęło na parametry okołodobowe, amplitudę, fazę i okres. Wyniki te były zgodne z opublikowanymi wynikami.Nasze badania wykazały, że zegar okołodobowy jest ważny dla planowanej obrony przed patogenami. Rutynowo stosowaliśmy opisany tutaj protokół do analizy dużych zbiorów szeregów czasowych zarówno z testów zegarowych, jak i obronnych. Nasz protokół wykorzystujący skrypty R w RStudio zapewnia przyjazne i wygodne narzędzie dla badaczy pracujących z danymi z dużych szeregów czasowych.Nasz protokół jest łatwy w użyciu, oferuje wiele opcji statystycznych i pozwala na korzystanie z niego także początkującemu, który nie ma wcześniejszej wiedzy o R ani doświadczenia programistycznego.

a-user-friendly-and-powerful-r-analysis-of-large-scale-datasets

Research

JoVE Journal

Biology

Biologia

Analityka wizualna (VA) to nowe podejście do interaktywnej analizy danych. W tym filmie omawiamy problem nadmiaru danych wynikający z wysokoprzepustowych eksperymentów biologicznych i proponujemy VA jako rozwiązanie tego problemu. Film demonstruje analizę w obrębie oraz pomiędzy zestawami danych immunologicznych przy użyciu narzędzia VA o nazwie Tableau.

Ułatwianie analizy danych immunologicznych za pomocą technik analizy wizualnej

Uruchamiając narzędzie do badania asocjacji ścieżek (PAST), czy to za pomocą aplikacji Shiny, czy przez konsolę R, badacze mogą uzyskać głębsze zrozumienie biologicznego znaczenia wyników badania asocjacyjnego całego genomu (GWAS), badając zaangażowane szlaki metaboliczne.

Narzędzie do badania asocjacji szlaków do analiz GWAS informacji o szlakach metabolicznych

DiCoExpress to narzędzie oparte na skryptach zaimplementowane w R do przeprowadzania analizy sekwencyjnej RNA, od kontroli jakości do koekspresji. DiCoExpress obsługuje kompletną i niezrównoważoną konstrukcję do 2 czynników biologicznych. Ten samouczek wideo prowadzi użytkownika przez różne funkcje DiCoExpress.

Analiza wieloczynnikowych eksperymentów sekwencyjnych RNA za pomocą DiCoExpress

Ta analityczna platforma obliczeniowa dostarcza praktycznych wskazówek dla mikrobiologów, ekologów i epidemiologów zainteresowanych genomiką populacji bakteryjnej. W szczególności zaprezentowane tutaj prace pokazały, w jaki sposób można przeprowadzić: i) mapowanie hierarchicznych genotypów pod kierunkiem filogenezy; ii) analiza genotypów oparta na częstotliwości; iii) analizy pokrewieństwa i klonalności; iv) Identyfikacja loci akcesoryjnych różnicujących rodowód.

Eksploracja heurystyczna hierarchicznych genotypów i dodatkowych loci genomu w populacjach bakteryjnych

Opisano procedurę badania dynamiki metabolizmu mitochondrialnego DNA (mtDNA) w komórkach przy użyciu formatu wielodołkowej płytki i automatycznego obrazowania immunofluorescencyjnego w celu wykrycia i ilościowego określenia syntezy i dystrybucji mtDNA. Można to dalej wykorzystać do zbadania wpływu różnych inhibitorów, stresów komórkowych i wyciszania genów na metabolizm mtDNA.

Wysokoprzepustowa, obrazowa kwantyfikacja syntezy i dystrybucji mitochondrialnego DNA

Ten protokół prowadzi początkujących bioinformatyków przez wprowadzający potok analizy CUT&amp;RUN, który umożliwia użytkownikom przeprowadzenie wstępnej analizy i walidacji danych sekwencjonowania CUT&amp;RUN. Wykonanie opisanych tutaj kroków analizy, w połączeniu z adnotacją pików, pozwoli użytkownikom na uzyskanie mechanistycznego wglądu w regulację chromatyny.

Wstępna analiza i walidacja danych sekwencjonowania CUT&RUN

Dokładna analiza danych z mikroskopii wielowymiarowej wymaga złożonych procesów pracy. Ten artykuł pokazuje, jak korzystać z oprogramowania Cell-ACDC. Wykorzystuje nowoczesne modele oparte na AI do segmentacji, śledzenia, analizy genetyki komórek oraz ilościowej analizy danych mikroskopowych. Co istotne, uzupełnia te modele innowacyjnym ramowym systemem półautomatycznej korekty wyników modeli.

Analiza danych z mikroskopii wielowymiarowej z wykorzystaniem Cell-ACDC

Protokół ten umożliwia początkową kontrolę jakości eksperymentów RNA-seq dla biologów laboratoryjnych z ograniczonym doświadczeniem w bioinformatyce.

Rup (RNA-seq Benchmark Assessment Pipeline) – Kontrola jakości eksperymentów masowych RNA-seq u eukariontów

Biblioteki metagenomiczne archiwizują duże fragmenty ciągłych sekwencji genomowych mikroorganizmów bez konieczności ich wcześniejszej hodowli. Tworzenie...

Wielkoskalowe przesiewanie bibliotek metagenomicznych

Endotelialne komórki progenitorowe tworzące kolonie (ECFCs) stanowią obiecujące narzędzie do badania homeostazy i regeneracji naczyń krwionośnych.1,2 Niniejsza praca przedstawia nową metodę izolacji i ekspansji ECFC z heparynowanej krwi obwodowej dorosłego człowieka bez użycia surowicy zwierzęcej, z wykorzystaniem puli lizatu płytek krwi człowieka (pHPL), co zmniejsza ryzyko immunizacji przeciwko białkom bydlęcym.

Izolacja i wielkoskalowa ekspansja dorosłych ludzkich endotelialnych komórek progenitorowych zdolnych do tworzenia kolonii

Poznaj przyjazny dla użytkownika protokół analizy dużych zbiorów danych szeregów czasowych w RStudio. Metoda umożliwia badaczom bez doświadczenia programistycznego przeprowadzanie statystyk dla danych zegara dobowego i reaktywnych form tlenu.

Przyjazna użytkownikowi i wydajna analiza R dużych zbiorów danych

Przeglądaj więcej filmów