Summary
Aquí presentamos un protocolo de secuenciación de próxima generación para la secuenciación de rRNA 16S que permite la identificación y caracterización de comunidades microbianas en vectores. Este método implica la extracción de ADN, amplificación y código de barras de muestras mediante PCR, secuenciación en una celda de flujo y bioinformática para que coincida con los datos de la secuencia a la información filogenética.
Abstract
En décadas recientes, enfermedades transmitidas por vectores han resurgido y ampliado en alarmantes índices, causando considerables morbosidad y mortalidad en todo el mundo. Carecen de vacunas eficaces y ampliamente disponibles para la mayoría de estas enfermedades, haciendo necesario el desarrollo de estrategias de mitigación de la enfermedad de nuevo. Para ello, una prometedora vía de control de enfermedades implica orientación el microbioma del vector, la comunidad de microbios que habitan en el vector. El microbioma vector desempeña un papel fundamental en la dinámica de patógeno, y las manipulaciones de la microbioma han llevado vector reducido abundancia o patógeno de transmisión por un puñado de enfermedades transmitidas por vectores. Sin embargo, traducir estos resultados en aplicaciones de control de la enfermedad requiere un conocimiento profundo de la ecología microbiana del vector, históricamente limitada por la escasa tecnología en este campo. El advenimiento de métodos de secuenciación de última generación ha permitido la secuenciación rápida, altamente paralela de diversas comunidades microbianas. Dirigidas a gene del rRNA 16S altamente conservadas ha facilitado las caracterizaciones de los microbios presentes en vectores bajo diferentes condiciones ecológicas y experimentales. Esta técnica consiste en la amplificación del gen 16S rRNA, muestra de código de barras mediante PCR, las muestras de la carga en una celda de flujo para la secuencia, y bioinformática se acerca para que coincida con los datos de la secuencia con información filogenética. Especie o género nivel identificación de un número elevado de repeticiones se logra normalmente a través de este enfoque, así evitar problemas de baja detección, resolución y salida de cultivo tradicional, microscopía y tinciones histológicas técnicas. Por lo tanto, este método es adecuado para la caracterización de vectores de microbios en condiciones diversas pero actualmente no puede proporcionar información sobre la función microbiana, ubicación dentro del vector, o respuesta al tratamiento antibiótico. En general, secuenciación de próxima generación de 16S es una técnica poderosa para la mejor comprensión de la identidad y el papel de los microbios del vector en la dinámica de la enfermedad.
Introduction
El resurgimiento y propagación de enfermedades transmitidas por vectores en las últimas décadas plantean una grave amenaza para la salud humano y fauna mundial. Carecen de vacunas efectivas para la mayoría de estas enfermedades, y control de esfuerzos se ven obstaculizados por la naturaleza biológica compleja de interacciones host vector y vectores. Entender el papel de las interacciones microbianas dentro de un vector en la transmisión del patógeno puede permitir el desarrollo de estrategias novedosas que sortear estos desafíos. En particular, las interacciones entre vector asociado microbios comensales, simbiontes y patógeno, conocido como el microbioma, pueden tener consecuencias importantes para la transmisión de patógeno. Abrumadora evidencia ahora apoya esta afirmación con ejemplos que demuestran un vínculo entre el microbioma del vector y la competencia para enfermedades como la malaria, Zika virus y la enfermedad de Lyme1,2,3. Sin embargo, traducir estos resultados en las estrategias de control de enfermedades requiere un conocimiento mucho más detallado de la estructura, función y origen del vector microbiomes. Identificación y caracterización de la comunidad microbiana del vector bajo diferentes condiciones ecológicas y experimentales constituyen un importante camino a seguir en este campo.
Un procedimiento para la identificación de los habitantes microbianos de un vector del patógeno se facilita utilizando señal de negro-legged occidental, pacificus de Ixodes, una especie de vector del patógeno de la enfermedad de Lyme burgdorferi de Borrelia. Aunque las garrapatas albergan más tipos de patógenos humanos que cualquier otro artrópodo, relativamente poco se conoce sobre la biología y la comunidad ecología de garrapatas microbiomes4. Es evidente que las garrapatas albergan una gran variedad de virus, bacterias, hongos y protozoarios comensales, endosimbionte y residentes microbiana transitoria5,4. Trabajo previo ha demostrado fuertes variaciones de Ixodes microbiomes asociados a la geografía, especie, sexo, etapa de la vida y harina de sangre fuente6,7,8. Sin embargo, los mecanismos subyacentes a esta variación sigue siendo desconocidos y garantizan que más detalladas investigaciones sobre el origen y el montaje de estas comunidades microbianas. Las garrapatas pueden adquirir microbios a través de la transmisión vertical, en contacto con hosts y captación del ambiente a través de los espiráculos, la boca y el poro anal9. Comprender los factores que forma la formación inicial y desarrollo de la garrapata microbioma, específicamente la contribución relativa de la transmisión vertical y medio ambiente, es importante para la comprensión de los patrones naturales y las variaciones de señal diversidad de microbioma y cómo estas comunidades interactúan durante la transmisión del patógeno, con posibles aplicaciones para el control de la enfermedad o del vector.
Técnicas moleculares de gran alcance, tales como secuenciación de próxima generación, ahora existen para la identificación de las comunidades microbianas y pueden emplearse para caracterizar microbiomes vector bajo diversas condiciones ambientales o experimentales. Antes de la llegada de estos métodos de secuenciación de alto rendimiento, la identificación de los microbios confiado predominante en microscopia y cultura. Mientras que la microscopía es una técnica fácil y rápida, métodos morfológicos para la identificación de microbios son inherentemente subjetivas y grueso y limitada por baja sensibilidad y detección10. Métodos basados en la cultura son ampliamente utilizados para la identificación microbiana y pueden utilizarse para determinar la susceptibilidad de los microbios a drogas tratamientos11. Sin embargo, este método también sufre de baja sensibilidad, como se ha estimado que menos del 2% de microbios ambientales pueden ser cultivado en un laboratorio de ajuste de12. Métodos de tinción histológicas también han sido empleados para detectar y localizar microbios específicos en vectores, permiten investigaciones de diversas distribuciones de taxones dentro de la garrapata y estudiar hipótesis sobre las interacciones microbianas. Sin embargo, previo conocimiento de la identidad microbiana se requiere para la selección de las manchas correspondientes, haciendo este enfoque resultan inadecuadas para la identificación y caracterización microbiana. Además, la coloración histológica es un proceso muy tiempo-intensivo, laborioso y no escala bien para tamaños de muestra grandes. Aproximaciones moleculares tradicionales como Sanger secuenciación se limitan semejantemente en su sensibilidad y la detección de diversas comunidades microbianas.
Secuenciación de próxima generación permite la rápida identificación de los microbios de un gran número de muestras. La presencia de genes marcadores estándar y bases de datos de referencia más permite mayor resolución taxonómica, a menudo al nivel de género o especie. Subunidad pequeña ribosomal RNAs se utilizan con frecuencia para lograr este objetivo, con 16S rRNA es el más común debido a la presencia de regiones conservadas y variables dentro del gen, lo que permite la creación de cebadores universales con amplicones único para cada bacteriano especies13,14. Este informe detalla un procedimiento para la identificación de taxa en el microbioma de la garrapata a través de rRNA 16S que ordena nueva generación. En particular, este protocolo hace hincapié en las etapas de preparación de muestras para la secuencia. Más generalizaron más detalles sobre la secuencia y pasos de Bioinformática se proporcionan, ya que hay una variedad de plataformas de secuenciación y los programas de análisis actualmente disponibles, cada uno con la extensa documentación existente. La viabilidad general de este enfoque de secuenciación de próxima generación se demuestra aplicando a una investigación de la Asamblea de la comunidad microbiana en un vector clave de la enfermedad.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. recolección y esterilización superficial de la señal
- Recoger garrapatas arrastrando un paño de 1 m2 blanco por un hábitat asociados de garrapata, quitar garrapatas atado a especie, o cría de garrapatas en el laboratorio15,16. Usar pinzas finas para manipular las garrapatas y almacenarlas a-80 ° C.
- Coloque las garrapatas en los tubos PCR individuales y eliminar contaminantes de la superficie con un vórtex durante 15 s con 500 μL de peróxido de hidrógeno (H2O2), etanol al 70% y ddH2O.
- Poner las garrapatas en un nuevo tubo PCR y déjelos secar al aire.
- En este tubo, alterar mecánicamente los tejidos de la garrapata machacando las garrapatas con un mortero y una maja (utilizado en este estudio), con pequeñas perlas en una batidora de grano, o corte la señal aparte con un bisturí.
2. purificación de DNA
- Purificar el ADN de las señales individuales, siguiendo las instrucciones proporcionadas en un kit de extracción de ADN disponible en el mercado. Responsables para un volumen final de 100 μL.
Nota: Consulte la figura 1 para un resumen de los pasos 2.2-2.8. Métodos de extracción alternativos incluyen extracción de fenol-cloroformo17,18, etanol precipitación19o la extracción con un quelante de material20,21. - Confirman éxito purificación de DNA usando un fluorómetro o un espectrofotómetro. Para análisis de fluorescencia, utilice 10 μL de la plantilla de la DNA en un análisis de ADN de doble hebra μL 190. El rendimiento esperado es de 0.1-1.0 ng/μL22. Para espectrofotometría, use 1 μL de la plantilla de la DNA en una cuantificación de ácidos nucleicos. El ratio esperado de A260/280 es aproximadamente 1.823.
- Si no proceder inmediatamente a la amplificación, almacenar las muestras a-20 ° C.
3. 16S rRNA Gene amplificación
- Configurar el amplicon PCR en una reacción de 27,5 μL que contiene: 5 μL de cada cebador en 1 μM; 12.5 μL de la mezcla PCR disponible en el mercado; y 5 μL de ADN extraído de las señales individuales en una concentración de 5 ng/μL.
Nota: Use los siguientes cebadores para la amplificación de la región hipervariable de V3-V4 del 16S rRNA gen13:
5' - TCGTCGGCAGCGTCAGATGTGTATAAGAGACAGCCTACGGGNGGCWGCAG - 3',
5' - GTCTCGTGGGCTCGGAGATGTGTATAAGAGACAGGACTACHVGGGTATCTAATCC - 3' - Pasar los tubos a un termociclador programado para: una desnaturalización inicial a 95 ° C por 3 min; 25 ciclos de 1) 95 ° C por 30 s, 2) 57 ° C por 30 s, 3) 72 ° C por 30 s; una extensión final a 72 ° C por 5 min; y un asimiento final a 10 ° C.
- Una vez que se realiza la polimerización en cadena, visualizar el producto PCR por la carga de 4 a 6 μL muestra en un gel de agarosa al 1.5%. Buscar una banda en 460 bp para confirmar la amplificación.
Nota: Producto de PCR Amplicon puede no ser visible en el gel si la concentración de la muestra es demasiado baja (< 10 ng). Presencia de dímeros de primer es común en las muestras de baja concentración. Si hay otras bandas no objetivo, ajustar la temperatura de recocido o disminuir el número de ciclos. - Si no proceder inmediatamente a la purificación, almacenar las muestras a 4 ° C.
4. purificación de amplicones de 16S
- Usando un nuevo tubo PCR para cada muestra, combinar el producto PCR con ddH2O para obtener total 60 μL. Para muestras con bajas concentraciones de ADN, realizar amplicones PCR por triplicado para reducir el sesgo de la amplificación y las muestras de concentrado de la piscina.
- Llevar perlas paramagnéticas a temperatura ambiente y agitar bien antes de usar.
- Añadir 48 μL de perlas paramagnéticas a 60 μL de la muestra e incubar por 5 min lugar claro de los tubos en una parrilla magnética durante 5 minutos hasta que la solución se convierte. Eliminar el sobrenadante.
Nota: Esta concentración de grano está dirigido a la eliminación de dímeros de primer (< 60 bp). Si es necesario, ajustar la concentración de grano para quitar otras bandas no específicos. - Con tubos en la rejilla magnética, Añadir 500 μL de recién preparado 80% EtOH. Inmediatamente después de agregar el EtOH a todos los tubos, pipeta el líquido. No quite los granos. Repetir la adición de EtOH y el retiro una vez más.
- Secar las muestras para eliminar exceso EtOH dejando los tubos abiertos en la rejilla magnética durante 5 min., o hasta pequeñas grietas son visibles en los granos.
- Añadir 20 μL de tampón TE e incubar las muestras fuera del imán, a temperatura ambiente, durante 5-10 minutos.
- Coloque los tubos en el imán. Una vez se separan los granos y el líquido, transferir el sobrenadante a un tubo nuevo para obtener el producto PCR limpio.
- (Opcional) Visualizar el producto para confirmar purificación de amplicones exitosa por la carga de 4 a 6 μL muestra en un gel de 1,5%. La banda 460 de bp debe ser visible, y no debe ser dimero de cartilla.
- Si no, proceder inmediatamente a índice de polimerización en cadena, almacenar las muestras de 4 ° C.
5. código de barras y la purificación de la muestra
- Asignar combinaciones de cartilla única a cada muestra mediante la selección de primers ya sea adelante o atrás, o ambos, de un kit de índice de biblioteca disponibles en el mercado.
Nota: Únicamente etiquetado muestras permite diferenciación después de la secuencia. Kits normalmente proporcionan suficientes bases para secuencia 96 384 muestras. - Sujete las dos cartillas, o índices, a muestras mediante la realización de PCR en una reacción de 25 μL que contenía 2,5 μL de cada cebador (N7xx y S5xx), 12,5 μL de mezcla maestro de PCR disponible en el mercado, 5 μL de ddH2O y 2.5 μL de producto productos limpios.
- Mover los tubos en un termociclador programado para: una desnaturalización inicial a 95 ° C por 3 min; ciclos de 8-14 de 1) 95 ° C por 30 s, 2) 55 ° C por 30 s, 3) 72 ° C por 30 s; una extensión final a 72 ° C por 5 min; y un asimiento final a 10 ° C.
- Una vez que se realiza la polimerización en cadena, visualizar el producto PCR por la carga de 4 a 6 μL muestra en un gel de agarosa al 1.5%. Buscar una banda en 550 bp para confirmar la amplificación.
Nota: Use los resultados de visualización para informar condiciones ciclo de PCR de índice. Baje la cuenta de ciclo de fijación no específica de mitigar o incrementar la cuenta de ciclo para obtener bandas visibles para cada muestra. - Repita el procedimiento de limpieza en el paso 4. Para evitar la dilución durante la limpieza, realizar PCR de índice por duplicado y piscina el producto aquí.
- Si no proceder inmediatamente a la biblioteca cuantificación y normalización, almacenar las muestras a 4 ° C.
6. normalización y cuantificación de la biblioteca
- Calcular la concentración de cada producto purificado, con código de barras de paso 5.5 con un fluorómetro o espectrofotómetro (ver paso 2.2). Diluir las muestras en solución tampón TE para obtener concentraciones de aproximadamente 13:00.
Nota: La cuantificación de la biblioteca es necesaria para alcanzar la muestra de concentración recomendado para la plataforma de secuenciación de carga. Cuantificación de la biblioteca se logra mediante qPCR, pero estimar la concentración de la muestra antes de qPCR ahorra tiempo y reactivos. La concentración de 13:00 se recomienda para maximizar la exactitud de la cuantificación de la biblioteca, ya que es la concentración media de los estándares de qPCR proporcionado en el kit de cuantificación24. - Realizar qPCR en una reacción de 10 μL que contiene 6.0 μL de qPCR master mix (del kit de cuantificación de biblioteca), 2.0 μL de ddH2O y 2.0 μL de la muestra o estándar. Ejecute cada muestra y estándar por triplicado para mayor exactitud y precisión. Ejecutar cada muestra en tres o más niveles de dilución (por ej., 12:01, 1 pm y 22:00 para las concentraciones de partida estimadas) para cuantificación precisa.
Nota: Toda la información sobre los primers suministrados y las normas varían basada en el kit de cuantificación utilizado y están disponible en la hoja de datos técnicos de productos. Consulte la Tabla de materiales para el kit de cuantificación utilizado en este estudio. - Mover la placa de qPCR o tubos a un instrumento PCR en tiempo real programado para: una desnaturalización inicial de 95 ° C por 5 min; 35 ciclos de 1) 95 ° C para 30 s y 2) 60 ° C por 45 s; y a un paso de la disociación de 1) 95 ° C por 15 s, 2) 60 ° C durante 30 s y 3) 95 ° C por 15 s.
- Calcular el promedio a partir de concentración para cada muestra, usando los valores de cuantificación obtenidos de los resultados de qPCR y los niveles de dilución de la muestra utilizados.
Nota: por ejemplo, una concentración promedio de 14:00 para una muestra diluida 1: 100.000 produce una concentración original de la partida de 200 nM. Si ninguno de los niveles de dilución de una muestra determinada cae dentro del intervalo de las curvas estándar, resultados de cuantificación no pueden ser exactas; en cuyo caso, ajustar los niveles de dilución y volver a realizar la qPCR. - Diluir cada muestra de código de barras purificado, 4 nM en buffer TE, basado en las concentraciones promedio calculado en el paso 7.5.
Nota: por ejemplo, para una concentración media de la muestra de 200 nM, diluir la muestra 1:50 en TE del almacenador intermediario para alcanzar una concentración de nM 4. La concentración de la muestra exacta variará según el secuencia sistema y reactivo kit usado. Consulte la guía de usuario del sistema de secuenciación para la concentración recomendada. - Crear la biblioteca combinada agregando volúmenes iguales (típicamente 5-10 μL) de todas las bibliotecas individuales en un solo tubo.
Nota: todas las muestras deben estar a una concentración de nM 4, añadir volúmenes iguales alcanza una concentración igual de todas las muestras en la biblioteca combinada. - Repita los pasos 6.2-6.4 en la biblioteca combinada para confirmar la concentración nM 4.
- Calcular la concentración de biblioteca combinada y diluir o volver a constituir la biblioteca final, agrupada utilizando tampón Tris como sea necesario para lograr 4 nM.
- Si no proceder inmediatamente a la carga de la muestra, almacenar las muestras a-20 ° C. Realizar la secuenciación ejecutar poco después de la cuantificación para minimizar pérdidas o cambios en la concentración de ADN durante el almacenamiento.
7. Biblioteca desnaturalización y dilución y secuenciación ejecutar (realizar el mismo día)
- Desnaturalizar la biblioteca combinada de 4 nM de paso 6.9 con NaOH.
Nota: Estos pasos de preparación de biblioteca final varían para cada sistema de secuenciación. Consulte la guía de usuario de sistema de secuenciación para protocolos más detallados y actualizados. Nuevos usuarios probablemente tendrá que ser entrenado en el uso de la plataforma de secuenciación o pueden enviar sus colecciones a un centro de secuenciación del núcleo. - Diluir la biblioteca desnaturalizada a la concentración de carga deseada mediante el tampón suministrado en el kit de reactivos de secuenciación (Tabla de materiales).
Nota: Las concentraciones de carga óptima varían según el sistema de secuenciación y por lo general van desde 1-250 pM25. - Desnaturalizar y diluir el control de la secuencia.
Nota: Agregar un control de secuencia corrige problemas de secuenciación derivados de las bibliotecas de baja diversidad. Desnaturalizar el control de la secuencia utilizando NaOH y diluir a la misma concentración como la biblioteca. - Combinar la biblioteca y el control de la secuencia.
Nota: La relación de control de la secuencia a biblioteca combinada dependerá de la diversidad de la biblioteca y el sistema de secuenciación, pero es típicamente 1:126. - Cargar la biblioteca combinada y la mezcla de control de la secuencia a la celda de flujo de la secuencia.
8. Análisis de la secuencia del amplicón
- Evaluar el éxito global de la gestión al examinar las métricas de funcionamiento en el entorno informático de la nube correspondiente al sistema de secuenciación utilizado.
Nota: Las métricas de funcionamiento, como número de secuencia de lecturas, variará basado en secuenciación kit plataforma y reactivo utilizado. Valores objetivo para los sistemas de secuenciación común se enumeran en la tabla 1. - Descargar los datos de secuencia cruda y bioinformática deseado software de código abierto, penetraciones cuantitativas en ecología microbiana (QIIME)27 o28de Mothur.
Nota: Tanto QIIME y Mothur son código abierto y gratis descargar. Instrucciones detalladas sobre el uso de estos programas pueden encontrarse en línea y son lo suficientemente detalladas para los usuarios de primera vez. Los pasos siguientes proporcionan una visión amplia de una tubería de Bioinformática en QIIME. Familiaridad con el python no es necesario pero será facilitar la aplicación de las siguientes secuencias de comandos - Crear y validar el archivo de mapeo usando el script "validate_mapping_file.py" en QIIME.
Nota: El archivo de asignación contiene todos los metadatos necesarios para llevar a cabo análisis de datos, como ID de muestra, secuencias de la cartilla de productos y descripción de la muestra. El paso de validación comprueba que se han introducido todos los datos necesarios en el formato adecuado. - Demultiplexar y filtrar secuencias usando el script "split_libraries.py" (figura 1).
Nota: Esta secuencia de comandos asigna Lee código de barras para las muestras basadas en las combinaciones de primer índice y muestra identificadores de entrada en el archivo de asignación. También realiza varios calidad filtrado medidas para control de error basado en definido por el usuario cortes de calidad mínima puntuación, longitudes de secuencia y ajuste del extremo de la secuencia. - Asignar unidades taxonómicas operacionales (OTUs) a las secuencias usando el script "pick_open_references_otus.py".
Nota: En este paso, las secuencias se agrupan contra una colección de la secuencia de referencia basada en un umbral de identidad (por lo general 97%). Lecturas que no coincidan con la colección de la secuencia de referencia se agrupan uno contra el otro. De novo y referencia cerrado OTU selección opciones también están disponibles, pero cosecha referencia es recomendado por los desarrolladores QIIME. - Normalizar la tabla OTU usando el script "alpha_rarefaction.py" o "normalize_table.py".
Nota: Este paso corrige para la variación en las sumas de la columna, o secuencia total Lee por muestra, que se derivan tecnologías de secuenciación moderno. Normalización puede realizarse utilizando vacuo tradicional, o a través de métodos alternativos como la escala de la suma acumulativa. - Realizar varios diversidad alfa, diversidad beta y análisis de la diversidad de composición taxonómica a la vez usando el script "core_diversity_analysis.py".
Nota: Como alternativa, estos análisis pueden ejecutar por separado usando los scripts individuales (por ejemplo, "alpha_diversity.py").
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Un total de 42 garrapatas de huevo separadas tres garras y dos periodos de exposición ambiental, 0 y 2 semanas en el suelo, se procesaron para la secuencia del microbioma. Cada grupo de tratamiento, considerado como una sola vez el embrague y exposición, figura 6-8 muestras de garrapata de replicar. Estos extractos de garrapatas procesados fueron cargados en un secuenciador de última generación y rendido 12,885,713 Lee extremo apareado pasando el filtro. En esta prueba se incluyeron 3 controles negativos de la etapa de extracción, produciendo un total de 211.214 Lee (incluido en la cuenta anterior). Otras métricas de calidad de ejecución junto con los valores óptimos para cada métrica se detallan en la tabla 2. Curvas de rarefacción, que relacionan número de OTUs por muestra, indicada que una secuencia profundidad, o el número de secuencia única Lee por muestra, de 2.129 Lee sería suficiente para captar adecuadamente la diversidad de la comunidad microbiana (con esfuerzo de secuenciación Figura 2). Niveles de vacuo variarán según tipo de muestra y deben ser determinados individualmente para cada secuencia de la ejecución. Después de rarefying a esta profundidad, 1.714 OTUs se identificaron a través de todas las muestras con un promedio de 93,3 ± 4.3 OTUs por muestra. Para evitar posteriores análisis cuestiones derivadas de las matrices sparse y para eliminar los posibles contaminantes, OTUs todos no se encuentran en al menos una muestra en abundancia ≥ 1% se agruparon en una categoría general rara. Además, el paquete decontam R fue utilizado para identificar OTUs sobrerrepresentados en controles negativos con respecto a muestras reales y estos OTUs fueron retirados del análisis aguas abajo.
Comunidad ecología análisis se realizaron utilizando el flujo de trabajo de análisis de diversidad QIIME para demostrar los tipos de diversidad alfa, diversidad beta y taxonomía composición diversidad salida mediante una tubería simple de Bioinformática. Por ejemplo, análisis de coordenadas principales Unifrac ponderados y no ponderados fueron producidos usando el script "core_diversity_analyses.py", y revelaron la agrupación espacial de larvas garrapatas basadas en la identidad de embrague (figura 3). Boxplots de OTU cuenta en diferentes épocas también fueron generadas a través de este script, de exposición ambiental demostrando diferencias en riqueza de especies del microbioma en el tiempo (figura 4). Estos análisis de diversidad alfa y beta se realizan en base a las categorías definidas por el usuario enumeradas el archivo de asignación, pero también se generan figuras y estadísticas sobre información taxonómica general para todas las muestras (figura 5).
Figura 1 : Flujo de trabajo de secuenciación microbioma. Principales pasos del flujo de trabajo de secuenciación de microbioma se muestran con desplazamientos para los pasos de análisis de preparación y la secuencia de biblioteca. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2 : Curvas de rarefacción para secuencia cuentan normalización. Curvas de rarefacción, que se muestra para cada cohorte de garrapatas, se relacionan con cuentas OTU observadas esfuerzo de muestreo. Barras de error están presentes debido a muestras replicadas en cada embrague, y denotan una desviación estándar. Una profundidad de secuenciación debe seleccionarse en o más allá del punto donde la curva se convierte en estable para captar adecuadamente la diversidad completa de OTUs. Aquí, una profundidad de la secuencia de 2.000 Lee aparece apropiada. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3 : Principal coordinar análisis por embrague. Unweighted Unifrac de análisis coordenada principales (PCoA) muestra la variación en la composición del microbioma entre garrapatas larvas de garras diferentes y de los adultos. Cada punto de datos indica una señal individual. Esta cifra se genera automáticamente a través de la escritura de "core_diversity_analyses.py" de QIIME. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4 : Alfa diversidad boxplots por tiempo de la exposición. Boxplots representando OTU cuenta para exposición ambiental grupos Mostrar variación en la diversidad microbiana en el tiempo. Esta cifra se genera automáticamente a través de la escritura de "core_diversity_analyses.py" de QIIME. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5 : Identificación microbiana filo-nivel para embrague uno. Composición del microbioma para muestras de cada señal de embrague uno se muestra en el nivel de phylum. Esta figura, así como información resumida a niveles taxonómicos más bajos, se genera automáticamente a través de la escritura de "core_diversity_analyses.py" de QIIME. Haga clic aquí para ver una versión más grande de esta figura.
| Métrica | Definición | Nuestros resultados (MiSeq V3) | Óptima para MiSeq V3 | Óptima para el modo rápido de HiSeq | |
| Lee PF | Número de secuencia de lecturas pasa el filtro de la castidad. Una lectura pasa el filtro si no más de 1 llamada base tiene un valor de la castidad por debajo de 0.6 en los primeros 25 ciclos | 12,885,713 | 14 millones | 600 millones | |
| Tasa de error | Porcentaje de pares de bases llamado incorrectamente durante un ciclo, basado en lecturas alineado con PhiX control | 3.28 ±0. 10 | * Depende de los valores para otros parámetros | * Depende de los valores para otros parámetros | |
| % ≥Q30 | Porcentaje de bases con una Q puntuación ≥ 30, indicando una base llamada precisión de 99.9% | 68.94 | > 70% | > 80% | |
| Grupo PF (%) | Porcentaje de racimos pasando el filtro de la castidad. | ±0.81 85.61 | 90% | 90% | |
| Densidad | Densidad de racimos en la celda de flujo - una métrica clave para la calidad de los datos y salida | 552 ± 35 cluster/mm ^ 2 | cluster de 1200-1400/mm ^ 2 | 850-1000 cluster/mm ^ 2 | |
Tabla 1: Clave de parámetros de rendimiento para la salida de NGS. Valores de datos y el destino de usuario informaron basado en el kit de plataforma y reactivos de secuenciación utilizado en este estudio (Tabla de materiales) y una adición de control de secuencia de 25%.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Generación de secuenciación del 16S rRNA ha convertido en un enfoque estándar para la identificación microbiológica y permitió el estudio de cómo microbiomes vector afectan la transmisión de patógeno. El protocolo descrito aquí detalla el uso de este método para investigar la Asamblea de la comunidad microbiana en I. pacificus, una especie de vector para la enfermedad de Lyme; sin embargo, fácilmente puede ser aplicado para el estudio de otras especies de garrapatas o especies de artrópodos vectores.
De hecho, rRNA 16S que ordena para el análisis de microbioma se ha utilizado ampliamente para el estudio de la microbiomes de vectores como los mosquitos, psílidos y la mosca tsetsé29,30,31. Otros métodos disponibles para la identificación microbiológica dentro de vectores incluyen microscopía, cultivo y tinciones histológicas. Estos métodos pueden ser más apropiados que la secuencia si el objetivo es identificar y describir un novela microbio (microscopía), evaluar el efecto de los medicamentos antimicrobianos (cultura) o localizar microbios específicos y conocidos en el vector (tinción histológica). Sin embargo, estos métodos sufren de baja especificidad, la detección y la escalabilidad y así son menos apropiados para identificar la comunidad completa de microbios dentro de un vector o caracterizar el microbioma vector bajo variables ecológica y experimental condiciones. Por el contrario, secuenciación de alto rendimiento del gene del rRNA 16S permite la identificación de bacterias no cultivables y de baja abundancia, proporciona alta resolución y detección dado las bases de datos de referencia global y puede proporcionar alta replicación dependiendo en las necesidades de cobertura.
Mientras que el rRNA 16S que ordena ahora es ampliamente utilizado para la identificación microbiana, esta técnica no es sin limitaciones. Principalmente, la contaminación microbiana puede oscurecer la interpretación de los resultados de secuenciación y confundir significado biológico32. Además, dado el uso de cebadores universales bacterianas y sensibilidad a la baja a partir de las concentraciones que son inherentes a la secuencia del rRNA 16S, contaminación microbiana es común32. Fuentes de contaminación incluyen reactivos de PCR, kits de extracción de ADN, las superficies del laboratorio y la piel y la ropa de los investigadores33,34,35. Los efectos de los contaminantes microbianos pueden ser minimizados por trabajar en un entorno de laboratorio estériles, utilizando controles negativos y repeticiones técnicas, y mantener un registro de todos los kits y reactivos utilizados36.
Además de contaminación microbiana, salida de secuencia de baja calidad puede dificultar enormemente la utilidad de los datos de la secuencia del microbioma. Calidad de los datos puede ser evaluada por un número de métricas de ejecución incluyendo el número de lecturas pasa el filtro, el porcentaje de lecturas sobre el Q-score (una medida de la probabilidad predicha de error en la base de llamadas) de 30 y la densidad de cluster. Valores para estos parámetros variarán en base al número de muestras de correr, el sistema de secuenciación, el cartucho de reactivo y el porcentaje de control utilizado, la secuencia pero valores óptimos según las condiciones de funcionamiento están disponibles en línea. En particular, la densidad del racimo, el número de racimos de la biblioteca en un determinado plano de la celda de flujo antes de la secuencia, es un parámetro clave para optimizar el rendimiento y calidad de los datos. Sobre y debajo de clustering pueden reducir la salida de datos y como resultado muestras de ser excluidas del análisis debido a la insuficiente cobertura. Densidad pobre racimo a menudo refleja la cuantificación imprecisa de la biblioteca; por lo tanto, se debe tener cuidado para limpiar ADN adecuado, muestra individual cuantificación y cuantificación de toda biblioteca.
Suponiendo que se obtienen datos de alta calidad y rendimiento, divergentes enfoques de análisis de datos utilizado para superar los desafíos estadísticos de grandes conjuntos de datos constituyen otra limitación de este enfoque. Por ejemplo, existen múltiples métodos variación de la dirección de cuentas leerlas entre muestras. Rarefacción, que consiste en el muestreo de lecturas para lograr una profundidad de secuencia igual a través de todas las muestras, se utiliza con frecuencia pero ha sido objeto de crítica recientemente para perder grandes cantidades de datos y la selección subjetiva de profundidad mínima secuenciación37 ,38,39. Suma acumulativa escala (CSS), que mantiene toda secuencia Lee pero basado en la suma acumulativa de cuentas dentro de un determinado percentil, pesa ha sido desarrollado como una técnica alternativa. Sin embargo, CSS no se ha adoptado ampliamente debido a su relativa novedad y la utilidad confirmada de rarefacción para normalización antes de los análisis de presencia/ausencia.
También se carecen de procedimientos de análisis de datos estándar para la manipulación de secuencia lee en controles negativos y distinguir éstos de baja abundancia Lee. Como se mencionó, secuenciación controles negativos generados por el paso de extracción de ADN se recomienda para ayudar a diferenciar los residentes de microbioma verdadero vector de contaminantes microbianos durante el análisis. Sin embargo, carece de un enfoque estándar y estadísticamente riguroso para identificar y filtrar contaminantes sospechosos. Un método común es quitar OTUs presentes en los controles negativos de todas las muestras. Sin embargo, este método puede ser demasiado conservadora ya que muchos de estos microbios probablemente proceden de muestras reales en lugar de kit reactivos40. Otra técnica común consiste en agrupar microbios presentes en < 1% en una categoría "rara" bajo el supuesto de que los contaminantes microbianos son raros en muestras reales8,41. Sin embargo, este método puede eliminar microbios verdadero vector que están presentes en bajas abundancias, particularmente cuando el microbioma está dominado por un endosymbiont como se ve en I. pacificus e I. holocyclus7,42. En estos casos, detectar microbios raros requeriría la secuencia más profunda, desarrollar cartillas que impiden la amplificación de la endosymbiont durante el PCR amplicón del42, o cómputo quitar el endosymbiont durante el análisis de la secuencia 7. seleccionar entre los diferentes métodos de dirección rara y contaminante OTUs crea la oportunidad para subjetividad y parcialidad en análisis de datos de microbioma, que puede limitar la capacidad de comparar resultados entre estudios.
La elección de la base de datos de referencia, necesario para la asignación de información filogenética y taxonomía a Lee de la secuencia, presenta otra oportunidad para la divergencia y la subjetividad. Mientras que la tarea de relacionarse con Lee de la secuencia de una región variable del gen un genoma de padres identificados es inherentemente desafiante, una base de datos de referencia fiable es crucial para asignación filogenética exacta. Varias bases de datos han surgido para enfrentar este desafío, como SILVA43, Greengenes44, RDP45y46de NCBI. SILVA es el más grande de las taxonomías basadas en el 16S, pero SILVA, así como RDP, sólo proporciona información taxonómica hasta el nivel de género. Greengenes proporciona información a nivel de especies y está incluido en los paquetes de análisis de metagenómica como QIIME, pero no ha sido actualizado en más de cuatro años. NCBI, mientras que no es una fuente primaria de información taxonómica, proporciona clasificaciones actualizadas diario de secuencias enviadas por el usuario, pero es uncurated. Mientras que la selección entre las bases de datos por lo general depende de las necesidades del usuario en cuanto a resolución, cobertura y la moneda, tiene un impacto significativo en la asignación filogenética y posteriores análisis47,48. Consenso entre los investigadores sobre la base de datos de referencia a utilizar es imprescindible para evitar el sesgo adicional en el análisis.
Métodos estándar para estos desafíos de procesamiento de datos probablemente emergerá como rRNA 16S que ordena se convierte en una técnica cada vez más común. Continua reducción en los costos de la secuencia y el tiempo popularizar aún más este método. El creciente uso de esta tecnología permitirá a investigaciones más profundas sobre la composición y ecología de vectores microbiomes bajo diversas condiciones. Como conocimiento de la biología de vector microbioma está todavía en su infancia, estos tipos de estudios descriptivos son un primer paso crítico anterior intenta aprovechar el microbioma como medio de control de vectores. Sin embargo, para verdaderamente entender el papel de la microbioma en transmisión de patógenos, identificación microbiológica debe estar conectado con el conocimiento del papel funcional de estos microbios. Secuencia de RNA y transcriptómicos enfoques, que implican la asignación y cuantificación de la expresión génica, permiten inferencias en el papel funcional de los microbios pero requieren secuenciación profunda y totalmente montado de genomas de especies. Eludir estos desafíos, herramientas computacionales para predecir la composición funcional de 16S rRNA secuencia datos, recientemente se han desarrollado pero no son ampliamente adoptados y49. El desarrollo de tales herramientas, así como la teoría ecológica, une identidad microbiana y el papel funcional dentro de vectores aumentará la utilidad de los datos de la secuencia de rRNA 16S en estudios de microbioma de vector.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
Este trabajo fue financiado por National Science Foundation otorga a A.S. (DEB #1427772, 1745411, 1750037).
Materials
| Name | Company | Catalog Number | Comments |
| Item | Name of Material/Equipment | Company | Catalog # |
| 1 | DNeasy Blood & Tissue Kit | Qiagen | 69504 |
| 2 | Qubit 4 Fluorometer | ThermoFisher Scientific | Q3326 |
| 3 | NanoDrop 8000 Spectrophotometer | ThermoFisher Scientific | ND-8000-GL |
| 4 | 2x KAPA HiFi HotStart ReadyMix | Kapa Biosystems | KK2501 |
| 5 | AMPure XP beads | Agen Court | A63880 |
| 6 | Magnetic Rack | ThermoFisher Scientific | MR02 |
| 6 | TE buffer | Teknova | T0223 |
| 7 | Nextera Index Kit | Illumina | FC-121-1011 |
| 8 | KAPA Library Quantification Kit | Roche | KK4824 |
| 9 | MiSeq System | Illumina | SY-410-1003 |
| 10 | MiSeq Reagent Kit v3 | Illumina | MS-102-3001 |
| 11 | 10 mM Tris-HCl with 0.1% Tween 20 | Teknova | T7724 |
References
- Dong, Y., Manfredini, F., Dimopoulos, G. Implication of the mosquito midgut microbiota in the defense against malaria parasites. Public Library of Science Pathogens. 5 (5), (2009).
- Aliota, M. T., Peinado, S. A., Velez, I. D., Osorio, J. E. The wMel strain of Wolbachia reduces transmission of Zika virus by Aedes aegypti. Scientific Reports. 6 (July), 1-7 (2016).
- Narasimhan, S., et al. Gut microbiota of the tick vector Ixodes scapularis modulate colonization of the Lyme disease spirochete. Cell Host and Microbe. 15 (1), 58-71 (2014).
- Clay, K., Fuqua, C. The Tick Microbiome: Diversity, Distribution and Influence of the Internal Microbial Community for a Blood-Feeding Disease Vector. Critical Needs and Gaps in Understanding Prevention, Amelioration, and Resolution of Lyme and Other Tick-Borne Diseases: The Short-Term and Long-Term Outcomes. , Washington, D.C. October 11-12 1-22 (2010).
- Noda, H., Munderloh, U. G., Kurtti, T. J. Endosymbionts of Ticks and Their Relationship to Wolbachia spp. and Tick-Borne Pathogens of Humans and Animals. Applied and Environmental Microbiology. 63 (10), 3926-3932 (1997).
- van Treuren, W., et al. Variation in the microbiota of Ixodes ticks with regard to geography, species, and sex. Applied and Environmental Microbiology. 81 (18), 6200-6209 (2015).
- Swei, A., Kwan, J. Y. Tick microbiome and pathogen acquisition altered by host blood meal. The ISME Journal: Multidisciplinary Journal of Microbial Ecology. 11 (3), 813-816 (2017).
- Kwan, J. Y., Griggs, R., Chicana, B., Miller, C., Swei, A. Vertical vs. horizontal transmission of the microbiome in a key disease vector, Ixodes pacificus. Molecular Ecology. 26 (23), 6578-6589 (2017).
- Narasimhan, S., Fikrig, E. Tick microbiome: The force within. Trends in Parasitology. 31 (7), 315-323 (2015).
- Houpikian, P., Raoult, D. Traditional and molecular techniques for the study of emerging bacterial diseases: One laboratory's perspective. Emerging Infectious Diseases. 8 (2), 122-131 (2002).
- Kotsilkov, K., Popova, C., Boyanova, L., Setchanova, L., Mitov, I. Comparison of culture method and real-time PCR for detection of putative periodontopathogenic bacteria in deep periodontal pockets. Biotechnology and Biotechnological Equipment. 29 (5), 996-1002 (2015).
- Wade, W. Unculturable bacteria - The uncharacterized organisms that cause oral infections. Journal of the Royal Society of Medicine. 95 (2), 81-83 (2002).
- Klindworth, A., et al. Evaluation of general 16S ribosomal RNA gene PCR primers for classical and next-generation sequencing-based diversity studies. Nucleic Acids Research. 41 (1), 1-11 (2013).
- Janda, J. M., Abbott, S. L. 16S rRNA gene sequencing for bacterial identification in the diagnostic laboratory: Pluses, perils, and pitfalls. Journal of Clinical Microbiology. 45 (9), 2761-2764 (2007).
- Falco, R. C., Fish, D. A comparison of methods for sampling the deer tick, Ixodes dammini, in a Lyme disease endemic area. Experimental & Applied Acarology. 14 (2), 165-173 (1992).
- Patrick, C. D., Hair, J. A. Laboratory rearing procedures and equipment for multi-host ticks (Acarina: Ixodidae). Journal of Medical Entomology. 12 (3), 389-390 (1975).
- Köchl, S., Niederstätter, H., Parson, W. DNA extraction and quantitation of forensic samples using the phenol-chloroform method and real-time PCR. Methods in Molecular Biology. 297, 13-30 (2005).
- Wallace, D. M. Large- and small- scale phenol extractions. Guide to molecular cloning techniques. Berger, S. L., Kimmel, R. 18, Academic Press. Orlando. 33-41 (1987).
- Zeugin, J. A., Hartley, J. L. Ethanol Precipitation of DNA. Focus. 7 (4), 1-2 (1985).
- Walsh, P. S., Metzger, D. A., Higuchi, R. Chelex 100 as a medium for simple extraction of DNA for PCR-based typing from forensic material. BioTechniques. 10, 506-518 (1991).
- Gariepy, T. D., Lindsay, R., Ogden, N., Gregory, T. R. Identifying the last supper: utility of the DNA barcode library for bloodmeal identification in ticks. Molecular Ecology Resources. 12, 646-652 (2012).
- Ammazzalorso, A. D., Zolnik, C. P., Daniels, T. J., Kolokotronis, S. O. To beat or not to beat a tick: comparison of DNA extraction methods for ticks (Ixodes scapularis). PeerJ. 3, 1-14 (2015).
- Desjardins, P., Conklin, D. NanoDrop microvolume quantitation of nucleic acids. Journal of Visualized Experiments. , (2010).
- TaKara Bio. Library Quantification Kit: User Manual. , Mountain View, CA. (2018).
- Genohub. Cluster density optimization on Illumina sequencing instruments. , (2018).
- Fadrosh, D. W., et al. An improved dual-indexing approach for multiplexed 16S rRNA gene sequencing on the Illumina MiSeq platform. Microbiome. 2 (6), (2014).
- Caporaso, G. J., et al. QIIME allows analysis of high-throughput community sequencing data. Nature Methods. 7, 335-336 (2010).
- Schloss, P. D., et al. Introducing mothur: open-source, platform-independent, community-supported software for describing and comparing microbial communities. Applied and Environmental Microbiology. 75, 7537-7541 (2009).
- Duguma, D., et al. Developmental succession of the microbiome of Culex mosquitoes Ecological and evolutionary microbiology. BMC Microbiology. 15 (1), 1-13 (2015).
- Fagen, J. R. Characterization of the Relative Abundance of the Citrus Pathogen Ca. Liberibacter Asiaticus in the Microbiome of Its Insect Vector, Diaphorina citri, using High Throughput 16S rRNA Sequencing. The Open Microbiology Journal. 6 (1), 29-33 (2012).
- Geiger, A., et al. First isolation of Enterobacter, Enterococcus, and Acinetobacter spp. as inhabitants of the tsetse fly (Glossina palpalis palpalis) midgut. Infection, Genetics and Evolution. 9 (6), 1364-1370 (2009).
- Salter, S. J., et al. Reagent and laboratory contamination can critically impact sequence-based microbiome analyses. BMC Biology. 12 (1), 1-12 (2014).
- Rand, K. H., Houck, H. Taq polymerase contains bacterial DNA of unknown origin. Molecular and Cellular Probes. 4, 445-450 (1990).
- Grahn, N., Olofsson, M., Ellnebo-Svedlund, K., Monstein, H. J., Jonasson, J. Identification of mixed bacterial DNA contamination in broad-range PCR amplification of 16S rDNA V1 and V3 variable regions by pyrosequencing of cloned amplicons. FEMS Microbiology Letters. 219, 87-91 (2003).
- Mohammadi, T., Reesink, H. W., Vandenbroucke-Grauls, C. M., Savelkoul, P. H. Removal of contaminating DNA from commercial nucleic acid extraction kit reagents. Journal of Microbiological Methods. 61, 285-288 (2005).
- Weiss, S., Amir, A., Hyde, E. R., Metcalf, J. L., Song, S. J., Knight, R. Tracking down the sources of experimental contamination in microbiome studies. Genome Biology. 15, 564 (2014).
- Paulson, J. N., Stine, O. C., Bravo, H. C., Pop, M. Differential abundance analysis for microbial marker-gene surveys. Nature Methods. 10 (12), 1200-1202 (2013).
- Weiss, S., et al. Normalization and microbial differential abundance strategies depend upon data characteristics. Microbiome. 5 (1), 1-18 (2017).
- McMurdie, P. J., Holmes, S. Waste Not, Want Not: Why Rarefying Microbiome Data Is Inadmissible. Public Library of Science Computational Biology. 10 (4), (2014).
- Edmonds, K., Williams, L. The role of the negative control in microbiome analyses. The Federation of American Societies for Experimental Biology Journal. 23 (Suppl 1), (2017).
- Gall, C. A., et al. The bacterial microbiome of Dermacentor andersoni ticks influences pathogen susceptibility. The ISME Journal: Multidisciplinary Journal of Microbial Ecology. 10, 1846-1855 (2016).
- Gofton, A. W., et al. Inhibition of the endosymbiont "Candidatus Midichloria mitochondrii" during 16S rRNA gene profiling reveals potential pathogens in Ixodes ticks from Australia. Parasites & Vectors. , 1-11 (2015).
- Pruesse, E., et al. SILVA: a comprehensive online resource for quality checked and aligned ribosomal RNA sequence data compatible with ARB. Nucleic Acids Research. 35, 7188-7196 (2007).
- DeSantis, T. Z., et al. Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB. Applied and Environmental Microbiology. 72, 5069-5072 (2006).
- Cole, J. R., et al. The Ribosomal Database Project: improved alignments and new tools for rRNA analysis. Nucleic Acids Research. 37, D141-D145 (2009).
- Benson, D. A., Karsch-Mizrachi, I., Lipman, D. J., Ostell, J., Wheeler, D. L. GenBank. Nucleic Acids Research. 34, D16-D20 (2006).
- Schloss, P. D. The effects of alignment quality, distance calculation method, sequence filtering, and region on the analysis of 16S rRNA gene-based studies. Public Library of Science Computational Biology. 6 (7), 19 (2010).
- Balvočiute, M., Huson, D. H., SILVA, R. D. P. Greengenes, NCBI and OTT - how do these taxonomies compare? BMC Genomics. 18 (Suppl 2), 1-8 (2017).
- Langille, M. G., et al. Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nature Biotechnology. 31 (9), 814-821 (2013).
