Дивергенция корневой микробиоты в различных средах обитания на основе взвешенных корреляционных сетей
25 сентября 2021 г.
Сетевой анализ был применен для оценки ассоциации различных экологических микробных сообществ, таких как почва, вода и ризосфера. Здесь представлен протокол о том, как использовать алгоритм WGCNA для анализа различных сетей совместного возникновения, которые могут возникать в микробных сообществах из-за различных экологических сред.
Этот метод может эффективно исследовать интерактивные отношения или сеть совместного возникновения различных микробных видов в разных средах. В нем подробно описывается, как использовать алгоритм WGCNA для построения сети совместного возникновения микробиоты. Кроме того, на основании полученных результатов данный метод оценивает дифференциацию микробных связей и состава между микробными консорциумами.
Вот основной ход метода. Данные о составе и обилии микробиоты загружаются из базы данных NCBI или данных о последовательностях для ваших образцов. Сначала откройте программное обеспечение RStudio и установите пакет WGCNA.
Затем загрузите данные и используйте функцию генов хороших образцов, чтобы проверить правильность данных. Проверьте наличие выбросов и храните образцы, которые соответствуют нашим требованиям. Когда результат проверки будет истинным, перейдите к следующему шагу.
Сохраните результат. Используйте функцию порогового значения выбора для вычисления индекса без шкалы (R в квадрате) данных при различных значениях мощности. Визуализируйте результаты.
Когда индекс свободного масштаба ближе к одному, структура сети ближе к масштабируемой свободной сети. Если индекс свободной шкалы R в квадрате больше 0,9, выберите значение мощности. Наконец, используйте тот же метод для анализа остальных данных микробиома.
Во-первых, используйте функцию adjacency для построения символьной сети совместного возникновения. Кроме того, используйте функцию подобия TOM для разработки топологической, перекрывающейся сети. Во-вторых, используйте функцию Hclust для выполнения иерархической кластеризации и рисования результирующего кластерного дерева.
В-третьих, используйте динамическую функцию cutree для выполнения динамической резки ветвей и используйте параметр min cluster size для установки наименьшего размера модуля. Наименьший размер модуля обычно устанавливается более 30. В-четвертых, рассчитайте микробную характеристику каждого модуля.
Иерархическая кластеризация выполняется по коэффициенту корреляции, а модули высотой менее 0,25 объединяются для получения распределения каждого модуля. В-пятых, используйте дендро графика и функцию цветов для визуализации результатов. Получена схема отображения назначения сетевого модуля совместного возникновения.
Затем переименуйте цвета модуля и создайте цифровые метки, соответствующие цветам. Сохраните их для использования в последующих частях. Наконец, повторите приведенный выше процесс для других наборов данных.
В этой части сравните и проанализируйте два набора данных и проведите тест на сохранение. Сначала загрузите параметры и результаты двух наборов данных, сохраненных на предыдущих шагах. Затем установите результаты модуля одного набора данных в качестве ссылочного группы, другого в качестве тестовой группы и выполните сравнение модулей.
Затем рассчитайте значения консервативности, статистические параметры, Z-резюме и медианный ранг для количественной оценки консервативности между модулями. Наконец, визуализируйте результаты. Определите сетевой модуль, удовлетворяющее как суммарному значению Z, меньше двух, так и среднему значению ранга в верхней части.
Этот модуль является наиболее несохраняемым модулем в двух данных микробиоты. Выполните корреляционный анализ членства в модуле. Задайте результаты назначения модулей двух сетей в качестве эталонной и тестовой группы соответственно.
Параметры должны совпадать с параметрами теста на сохранение. Во-первых, значение KME каждого OTU было рассчитано в нескольких модулях-кандидатах на основе результатов теста на сохранение. Возьмем в качестве примера желтый модуль.
Рассчитайте коэффициент корреляции значения KME в двух желтых модулях, затем нарисуйте диаграмму корреляционного анализа значения KME в модуле. Наконец, по коэффициенту корреляции на рисунке судят о консервативности модуля в двух наборах данных. Выберите модуль с наименьшим коэффициентом корреляции.
Во-первых, используйте функцию экспорта сети в Cytoscape для экспорта сети в файл списка границ и узлов, который Cytoscape может читать. Затем импортируйте файл в Cytoscape. Установите пороговое значение 0,5 и при необходимости настройте другие параметры.
Наконец, получают сеть совместного возникновения различных микроорганизмов. В этой статье алгоритм WGCNA используется для анализа различий в трех нишах корневой системы риса. Выберите значение мощности, удовлетворяемое тремя сетями, которые были близки к сети без масштабирования.
В эндосфере, ризоплане и сети микробного залегания ризосферы идентифицируют 23, 22 и 21 модель соответственно. Используйте тест на сохранение и корреляционный анализ, чтобы найти крайне неконсервативные модули между двумя нишами корневой системы риса. Постройте сеть совместного возникновения для этих трех модулей, используя разные цвета для представления различных микробных типов.
Протеобактерии, актинобактерии, Bacteroidetes, Firmicutes и Verrucomicrobia доминировали в трех различных микробных сетях. Более того, 17 основных родов в основном регулируют эти сети. После просмотра этого видео вы должны иметь хорошее представление о том, как выполнить ряд шагов, чтобы использовать алгоритм WGCNA для анализа различных сетей совместного возникновения, которые могут возникать в микробных сообществах из-за различных экологических сред.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данной статье подробно описан протокол анализа сетей совместного встречаемости микроорганизмов в различных экологических нишах корневой системы риса с использованием алгоритма анализа сетей коэкспрессии генов с учетом веса (WGCNA). Этот метод позволяет исследователям изучать взаимодействия и закономерности совместного обилия различных видов микробов, определять основные роды и оценивать различия в сетях в таких средах, как эндосфера, ризоплана и почва ризосферы.
Основные компоненты исследования
Область науки
- Микробная экология
- Биоинформатика
- Взаимодействие растений и микроорганизмов
Теоретическая часть
- Микробиом корней имеет решающее значение для роста растений и их адаптации к окружающей среде.
- Сетевой анализ помогает выявить взаимодействия и закономерности совместного occurrence видов микроорганизмов.
- WGCNA — это пакет для языка R, широко используемый для анализа взвешенных корреляционных сетей.
- Понимание микробных сетей может дать базу для теорий экологического отклика и механизмов адаптации к окружающей среде.
Цель исследования
- Представить подробный протокол построения и анализа сетей совместного встречаемости микроорганизмов с использованием WGCNA.
- Сравнить структуру микробных сообществ в различных нишах корневой системы риса.
- Идентифицировать основные роды и неконсервативные модули в микробных сетях.
Используемые методы
- Загрузите данные о микробном составе и численности из базы данных NCBI.
- Установите и используйте пакет WGCNA в RStudio для построения сети.
- Проверьте качество данных, выявите выбросы и выберите подходящие образцы.
- Определите оптимальные значения степени для топологии безмасштабной сети.
- Постройте матрицы смежности и топологического перекрытия (TOM).
- Выполните иерархическую кластеризацию и динамическую обрезку ветвей для определения модулей.
- Визуализируйте распределение по модулям и объедините схожие модули.
- Проведите тесты на сохранность и корреляционный анализ между модулями из разных наборов данных.
- Экспортируйте данные сети в Cytoscape для визуализации.
Основные результаты
- Построены сети совместного встречаемости для эндосферы, ризоплана и почвы ризосферы корней риса.
- Выявлено 23, 22 и 21 модуля в эндосфере, ризоплане и ризосфере соответственно.
- С помощью тестов на сохранность и корреляционного анализа обнаружены неконсервативные модули между различными нишами.
- Доминирующими в сетях были Proteobacteria, Actinobacteria, Bacteroidetes, Firmicutes и Verrucomicrobia.
- Установлено, что семнадцать основных родов играют ключевые регуляторные роли в сетях.
Выводы
- Протокол на основе WGCNA эффективно выявляет различия в сетях совместного occurrencе микроорганизмов в различных нишах корней риса.
- Позволяет идентифицировать основные роды и неконсервативные модули, что дает представление об адаптации микробного сообщества.
- Данный подход способствует изучению экологических реакций микроорганизмов на воздействия окружающей среды.
Часто задаваемые вопросы
Практическая значимость для промышленности
Анализ сетей с использованием взвешенной корреляции (WGCNA) позволяет биофармацевтическим группам детально изучать сложные взаимодействия в микробных сообществах, что способствует прогностическому моделированию микробиомов окружающей среды или микробиомов, ассоциированных с организмом хозяина. Данный подход улучшает механистическое снижение рисков и валидацию мишеней за счет количественной оценки расхождения сетей и идентификации основных регуляторных таксонов в различных экологических нишах. Интеграция такой сетевой аналитики в процессы поиска новых препаратов позволяет обосновывать трансляционные стратегии и определять приоритетность портфеля для вмешательств, направленных на микробиом.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Позволяет анализировать сети микробных взаимодействий для выявления экологических факторов и регуляторных таксонов.
- Способствует снижению биологических рисков путем количественной оценки расхождения и консервативности микробных модулей в различных средах.
- Повышает прогностическую уверенность при выборе мишени за счет идентификации основных родов, обладающих регуляторным влиянием.
Скрининг и разработка анализа
- Подготавливает валидированные наборы данных о микробном сообществе для последующего функционального скрининга или исследований влияния возмущений.
- Стандартизирует идентификацию сетевых модулей, обеспечивая воспроизводимость и количественное сравнение в различных условиях.
- Обеспечивает масштабируемый анализ паттернов совместной встречаемости для надежной разработки анализа.
Трансляционные и доклинические исследования
- Сопоставляет характеристики микробных сетей с моделями, релевантными для заболеваний или адаптации к окружающей среде, при наличии соответствующих данных.
- Обеспечивает преемственность от экологических открытий до доклинической валидации интервенций на основе микробиома.
- Предоставляет механистическое понимание для продвижения мишеней микробиома с учетом оценки рисков.
Интеграция конвейеров и рабочих процессов
Сетевой анализ на основе WGCNA вписывается в континуум от этапа поиска до доклинических исследований, обеспечивая проверку гипотез, приоритизацию мишеней и трансляционное согласование в рамках НИОКР по микробиому.
- Биология открытий: Количественно оценивает дивергенцию сетей и консервативность модулей для уточнения структуры и функций микробного сообщества.
- Скрининг: Обеспечивает воспроизводимое назначение модулей и количественные результаты для сравнительного анализа.
- Аналитика: Предоставляет статистические показатели (например, Z-summary, медианный ранг) для оценки сохранности сети и специфичности модулей.
- Трансляционные исследования: Поддерживает картирование основных родов с функциональными исходами или исходами, связанными с заболеваниями, при наличии соответствующих данных.
- Корпоративное повторное использование: Создает многократно используемую аналитическую базу для различных наборов данных микробиома и различных условий среды.
Операционное и корпоративное воздействие
- Научная ценность: повышает прогностическую достоверность и снижает механистическую неопределенность при валидации мишеней микробиома.
- Операционная ценность: стандартизирует рабочие процессы сетевого анализа для обеспечения воспроизводимости и масштабируемости между проектами.
- Стратегическая ценность: обосновывает решения о продолжении или прекращении разработки (go/no-go) и распределении капитала путем количественной оценки дивергенции сетей и основных таксонов.
- Влияние на портфель: позволяет проводить приоритизацию мишеней и вмешательств в микробиом с учетом рисков.
Особенности реализации
- Требуются навыки работы в R, проведения сетевого анализа и знания в области микробной экологии.
- Необходима вычислительная инфраструктура для обработки и визуализации больших объемов данных (например, Cytoscape).
- Требуется межкомандная стандартизация проверок качества данных и параметров назначения модулей.
- Адаптация метода для различных микробиомов хозяев или окружающей среды может потребовать настройки параметров.
- Интерпретация сетевых модулей должна основываться на экологическом или функциональном контексте, подтвержденном данными.
Часто задаваемые вопросы по биофармацевтике
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
