Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Büyük Ölçekli Veri Kümelerinin Kullanıcı Dostu ve Güçlü Bir R Analizi

645 görüntüleme

⸱

DOI:

10.3791/68868

⸱

4 Kasım 2025

 ,  ,  , 
1Department of Biological Sciences, University of Maryland Baltimore County

Bu makalede

Özet

Bu rapor, zaman serisi deneylerinden elde edilen büyük ölçekli veri kümelerini analiz etmek için açık kaynaklı yazılım RStudio'da bir R betiği içeren bir yöntemi açıklamaktadır.

Özet

Büyük veri kümeleri bilimsel alanda giderek yaygınlaşmaktadır. Araştırmacıların bu büyük veri kümelerini kolaylıkla analiz edebilmeleri için kullanıcı dostu araçlar geliştirmek önemlidir. Burada, zaman serisi deneylerinden elde edilen büyük ölçekli veri kümelerini analiz etmek için açık kaynaklı yazılım RStudio'da bir R betiği içeren bir yöntem sunuyoruz. Bu yöntem, kullanıcıdan minimum düzeyde girdi gerektirir ve önceden R bilgisi veya programlama deneyimi olmayan yeni başlayan bir kişinin bu yöntemi kullanmasına olanak tanır. Burada ve R betiğinde açıklanan ayrıntılı talimatlar, kullanıcılara yöntemin nasıl kullanılacağı konusunda daha fazla yol gösterecektir. Giriş verileri ve çıktı sonuçları, yerel bir bilgisayarın aynı klasöründe saklanır ve bu da analizin her yerde ve her zaman yapılmasını mümkün kılar. Çıktı sonuçları, kolay yorumlanabilmesi için klasörler halinde düzenlenir ve yayınlar için şekiller oluşturmak üzere uygun şekilde işlenebilir. Bu yöntem, her ikisi de 96 oyuklu plaka formatında zaman serisi deneylerinden elde edilen büyük ölçekli veri kümelerini içeren sirkadiyen saat verilerini ve reaktif oksijen türleri patlama verilerini analiz etmek için başarıyla kullanılmıştır. Bu yöntemin, zaman serisi deneyleri yoluyla elde edilen benzer büyük veri kümelerini analiz etmede araştırmacılar için kolay ve güçlü bir çözüm sağladığına inanıyoruz.

Giriş

Bilimsel alanda büyük veri kümelerinin kullanılabilirliğinin artmasıyla birlikte, araştırmacıların bu büyük veri kümelerini doğru ve kolay bir şekilde hızlı bir şekilde analiz etmelerine olanak tanıyan kullanıcı dostu araçlar geliştirmek önemlidir. Yaygın büyük veri setinin bir türü, canlı hücrelerde ve organizmalarda gen ekspresyonunun kolay, sürekli ve invaziv olmayan bir incelemesine izin veren lusiferaz geninin bir raportör olarak kullanılmasından gelir. Lüminesans kaydındaki otomasyon, lusiferaz lüminesansının ölçümünü dönüştürdü ve özellikle sirkadiyen saat alanı 1,2'de veri toplamanın genişlemesine yol açtı. 96 oyuklu mikroplakalar ve istifleyicili otomatik bir plaka okuyucu kullanılarak, lusiferaz genini eksprese eden binlerce örnek, tek bir deneyde, bazen günlerce bir saatlik aralıklarla zaman serilerinde ayrı ayrı test edilebilir. Bu tür yüksek verimli deneyler, elle numune toplama ve ardından RNA işlemeyi kullanan geleneksel gen ekspresyonu deneylerinin muhtemelen başaramayacağı büyük veri kümelerinin üretilmesiyle sonuçlandı. Bu kadar büyük veri kümelerini zamanında analiz etmek önemlidir ancak zor olabilir.

Ritmiklik için verileri analiz etmek için çok sayıda araç olmasına rağmen, araçların çoğu, lüminesans raportör ifadesi 3,4,5,6,7 yerine hayvan davranışına dayalı tahlilleri analiz eder (Ek Tablo S1). Bazı araçlar, araştırmacıların Python becerileri veya MATLAB'a erişim gibi önceden bilgisayar programlama becerilerine sahip olmasını gerektirir. Diğer araçlar, maliyetli olabilen yazılım satın alınmasını gerektirir. Bazı ücretsiz uygulanabilir çözümler çevrimiçi olarak mevcuttur. Böyle bir araç, ritmiklik verilerini analiz etmek için çeşitli farklı yöntemler sunan BioDare28'dir. BioDare2, kullanıcı dostu bir çevrimiçi araçtır ve minimum hesaplama uzmanlığı gerektirir. Kullanıcıların daha fazla işlem için veri girişini çevrimiçi olarak yüklemeleri ve veri çıkışını çevrimiçi arayüzden indirmeleri gerekir.

Burada, büyük ölçekli veri kümelerini kolaylıkla analiz etmek için birden fazla yeteneğe sahip, kullanıcı dostu R komut dosyaları sunuyoruz. Komut dosyalarını çalıştırmak için R ve Python için bir arayüz olan ücretsiz, açık kaynaklı RStudio9 yazılımını kullanıyoruz. RStudio, Windows, Mac ve Linux dahil olmak üzere çeşitli bilgisayar sistemlerinde kullanılabilir. Bu raporda, özellikle protokol bölümleri 1 ve 2'de kullanıcılara R komut dosyalarının nasıl kullanılacağı konusunda rehberlik etmek için ayrıntılı adım adım talimatlar verilmektedir. Bu yöntem, kullanıcıdan minimum düzeyde girdi gerektirir. Önceden R bilgisine sahip olmayan ve programlama deneyimi olmayan yeni başlayan bir kişi, lusiferaz tahlillerinden veya zaman serisi verileriyle diğer veri kümelerinden büyük veri kümelerini analiz etmek için yöntemi kullanabilecektir. Tüm giriş ve çıkış verileri yerel bir bilgisayarda saklanır ve bu nedenle, ilgili tüm R paketleri ilk kez indirildikten sonra, internet erişimi kısıtlaması olmadan her yerde bir analiz yapılabilir. Çıktı verileri, yayınlar için işlenmeye hazır sonuçlarla birlikte iyi organize edilmiş klasörler halinde sıralanır. Örnekler arasındaki farklılıkların hızlı bir şekilde değerlendirilmesini sağlamak için çıktının bir parçası olarak istatistiksel analizler de dahil edilmiştir. Böylece R yöntemi, araştırmacılara büyük veri kümelerini analiz etmede kolay ve güçlü bir çözüm sağlayabilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

1. Luciferase tabanlı sirkadiyen saat analizi

  1. Lusiferaz testi için deney düzeneği
    NOT: Lusiferaz testi, sirkadiyen saat aktivitesini gerçek zamanlı olarak ölçmek için kullanılan yaygın bir yöntemdir. Canlı transgenik organizmalar ve/veya hücreler tarafından taşınan lusiferaz raportöründen yayılan lüminesans, otomatik olarak kaydedilebilir ve bu da büyük ölçekli zaman serisi veri kümelerinin üretilmesine yol açar. Laboratuvarımızda öncelikle lusiferaz genini eksprese eden Arabidopsis thaliana fideleri raportör olarak kullanılmaktadır. Şekil 1 ve Şekil 2, laboratuvarımızda 96 oyuklu bir formatta fidelerle lusiferaz tahlili için tipik deney düzeneğinin bir akış şemasını göstermektedir ve önceki bir açıklama2'ye göre değiştirilmiştir.
    1. Tohumları, bir beherde 3 saat boyunca 100 mL ev tipi ağartıcıya 3 mL %36 (a/a) HCl eklenerek oluşturulan ağartıcı buharı ile sterilize edin. Beheri, kimyasal bir davlumbaz içine yerleştirilmiş, kapalı kapaklı bir fanusa yerleştirin. Sterilizasyondan sonra, tohumları steril bir cam Pasteur pipeti kullanarak %0.5 sakaroz ve %0.8 agar (pH 5.7) içeren 1/2MS plakalara laminer akış kabininde yerleştirin. Kimyasal atıkları kapaklı bir kavanozda toplayın ve kurumsal çevre sağlığı hizmetleri departmanı ile birlikte çalışarak bertaraf edin.
    2. Plakaları 12 saat aydınlık ve 12 saat karanlık ışık döngüsüne (LD) sahip bir doku kültürü odasına taşımadan önce 2 gün boyunca 4 °C'ye koyun.
    3. Fidelerin LD'de 4 gün büyümesine izin verin.
    4. Fideleri 96 oyuklu bir plakaya aktarın; her kuyucuk 180 μL tahlil ortamı (1/2MS, %0.5 sakaroz, %0.4 agar, 0.25 mM lusiferin) içerir. Plakaları 1 gün boyunca LD'ye, ardından 1 gün boyunca 24 saat sabit ışıkta (LL) yerleştirin.
    5. Kuyucuklara tedaviler veya sahte çözelti ekleyin ve lüminesansı 5-7 gün boyunca 1 saat aralıklarla LL'de kaydedin. Emisyon filtresi merceğini kazanç için 3.600'e ve ölçüm aralığı süresini 1 s'ye ayarlayın.
      NOT: Kayıt için başlangıç zamanı herhangi bir zamanda olabilir. Ancak, R betiği yalnızca tam sayıları (tam sayıları) aldığından, kayıt aralıkları bir tam sayı olmalıdır. Örneğin, 1 saatlik bir aralığa izin verilir, ancak R betiği için 15 dakikalık bir aralığa izin verilmez.
    6. Kaydın sonunda, fide büyümesini kaydetmek için plakanın fotoğrafını çekin.
    7. Plaka okuyucu için veri analiz yazılımıyla birlikte farklı kaydet işlevini kullanarak ham verileri R analizi için CSV dosyası olarak kaydedin.
  2. Lusiferaz bazlı sirkadiyen verilerin R analizinin aşamalı açıklaması
    NOT: Bu R analizi, R betiğini kullanırEk Dosya 1(LUC_2025.R), sirkadiyen veri analizi için geliştirilmiştir ve giriş dosyasıEk Dosya 2(NO7.csv). R betiği, girdi dosyasıyla birlikte çevrimiçi depo platformu Github (https://github.com/elvenfire29/Circadian-Luciferase-Analysis) aracılığıyla herkese açıktır.
    1. Bilgisayar sistemi 9,10 ile uyumlu RStudio yazılımını indirin.
    2. Ek Dosya 1 (LUC_2025.R) için gereken RStudio algoritmik paketlerini indirin: MetaCycle11: MetaCycle paketinin ARSER algoritması12, ggplot213, dplyr14, magrittr15, stringr16, filesstrings17, dairesel18, AICcmodavg19 ve süpürge20.
      NOT: Paketlerin listesi için R betiğinin üst kısmına da bakın.
    3. Kullanıcı Girişi I'i Değiştir (çalışma dizini, girdi dosyasının adı, tedaviler için etiketler ve testin göreli başlangıç zamanı dahil olmak üzere yerel bir bilgisayardaki belirli bir veri kümesine göre.
      NOT: Adım 1.2.1 ve 1.2.2'nin yalnızca bir kez tamamlanması gerekir; bundan sonra RStudio arayüz konsolu, her yeni analiz için değişikliklerle birlikte kullanıcı girdisi almaya hazırdır. Kullanıcı Girişi bölümünde iki bölüm vardır (Ek Şekil S1).
      1. Çalışma dizinini seçin. Giriş dosyasının nerede olduğunu belirtin. Aynı klasör çıktı dosyalarının konumu olacaktır.
      2. R betiği için doğru biçimlendirilmiş bir CSV dosyası olan giriş dosyasını seçin (Şekil 2B). Spesifik olarak, üst satırda zaman serisi bulunur ve ilk sütun 96 oyuklu bir plaka üzerinde ayrı numune konumlarını içerir.
        NOT: Böyle bir giriş CSV dosyasının bir örneği Ek Dosya 2'de (NO7.csv) bulunabilir.
      3. Numuneleri ve/veya tedavileri adlandırın. Bu analiz, bir zaman süreci ile 96 kuyucuklu ortamlardan elde edilen veriler için kullanıldığından, deneyleri plaka başına toplam 12 işleme kadar tedavi için tedavi başına 8 kopya veya plaka başına toplam 8 işlem için tedavi başına 12 kopya olarak tasarlayın. Numune numarası önemli olduğundan, 8 veya 12 olmak üzere doğru numune sayısını girdiğinizden emin olun; Örnek sayısı 8 veya 12 değilse kod çalışmaz. Bununla birlikte, boş kuyu satırları varsa, bunları tedavi adları için alanda olduğu gibi listeleyin, örneğin, boş 1, boş 2...
        NOT: Örnek adlar için, dosya adı sorunlarına neden olabileceğinden ters eğik çizgi veya benzer semboller kullanmaktan kaçınılmalıdır. Ek olarak, Kullanıcı Girişi II'de ANOVA'yı kullanmayı seçerken etiket olarak "NA" kullanmaktan da kaçınılmalıdır. Tam olarak aynı adı taşıyan tüm tedaviler, büyük bir tedavi grubunda birleştirilecektir.
      4. Test için göreceli başlangıç zamanını belirtin. 24 saatlik belirli bir gün için öznel şafak, normal bir aydınlık/karanlık döngüsü sırasında oda ışığının açılmasıdır. Örneğin, sabah 7'de ışık yanıyorsa, bu zamanı sirkadiyen saat 0 olarak düşünün. Bir lusiferaz tahlili sabah 9'da başlarsa, tahlil zamanı sirkadiyen zaman 2'dedir; Göreli başlangıç zamanı olarak 2 girin.
        NOT: Göreli başlangıç zamanı bir tam sayı olmalıdır ve negatif olamaz. Bu, numunelerin faz okumasını etkileyecektir.
    4. Kullanıcı Girişi II seçeneklerini belirli ihtiyaçlara göre değiştirin.
      NOT: Aşağıdaki talimatlar, Kullanıcı Girişi bölümlerinin daha ayrıntılı bir açıklamasını ve değişiklikleri yapmak için adım adım bir kılavuz sağlar.
      1. Grafikleri dahil edin: lüminesans eğrileri, genotip ve tedavi başına periyot, faz ve genlik için grafikler.
      2. Tedavileri periyotlarına, fazlarına ve genliklerine göre karşılaştırmak için Tukey HSD ile ANOVA testini kullanın. ANOVA test çıktısı için bir denetim seçin; ANOVA testine ilişkin kontrolü belirtin veya ikili karşılaştırmada her tedaviyi kontrol olarak kullanmak için seçeneği boş bırakın. Alternatif olarak, daha hızlı başvuru ve düzenleme için ANOVA çıkış dosyalarının numaralandırılıp numaralandırılmayacağını seçin.
      3. Tedavileri periyotlarına, fazlarına ve genliklerine göre karşılaştırmak için bir t-testi kullanın. T-testinin ikili bir karşılaştırma olup olmayacağını seçin; İkili bir t-testi seçilirse, verilerin eşleştirilip eşleştirilmediğini seçin. t-testi için bir kontrol seçin; t-testi için kontrolü belirtin veya her tedaviyi kontrol olarak kullanmak için seçeneği boş bırakın. Daha hızlı başvuru ve düzenleme için t-testi çıktı dosyalarının numaralandırılıp numaralandırılmayacağını seçin.
        NOT: Bu, yalnızca SA veya Mock eklenmiş aynı genotipin iki satırı gibi iki tedaviyi aynı anda karşılaştırmak için kullanılmalıdır. Gösterilen p değerleri, aynı çizgiyle birden fazla karşılaştırmayı hesaba katacak şekilde ayarlanmamıştır.
      4. Zaman noktalarının yuvarlanıp yuvarlanmayacağını seçin. Zaman noktaları yalnızca bir veya iki dakika farklıysa, en yakın saate yuvarlayın ve bu analizi kullanın.
        NOT: Bu kod, ARS yöntemi12'yi kullanarak periyodu, fazı ve genliği hesaplar. Bu yöntemin çalıştırılması için saat cinsinden tutarlı bir zaman serisi gerekir.
      5. Plaka okuyucunun kuyuları nasıl kaydettiğine bağlı olarak, girişin okunma şeklini değiştirin. A1, A2, A3'e göre kuyuların standart veri listesini seçin... veya A1, B1, C1 tarafından listelenen kuyular için olanı...
    5. Konsolun sağ üst köşesindeki Kaynak düğmesine tıklayarak analizi çalıştırın.
      NOT: Analizin tamamlanması 1 dakikadan az sürer. R analizinin çıktısı, giriş veri kümesiyle aynı dosya klasöründe otomatik olarak görünecektir.
    6. Çıktıyı görüntüle: Çıktı klasöründe, her bir genotipin ve/veya tedavinin kopyaları için ortalama periyot, faz ve genliğin istatistiksel bilgileri de dahil olmak üzere kapsamlı bir analiz sağlamak için çeşitli belgeler ve alt klasörler bulunur.
      NOT: Giriş dosyası Ek Dosya 2 (NO7.csv) için, protokol bölümü 1'deki Ek Dosya 1 (LUC_2025.R) komut dosyası tarafından oluşturulan çıktı belgelerinin bir listesi Tablo 1'de açıklanmıştır ve Ek Şekil S2'deki ağaç yapısıyla rahatlıkla görüntülenebilir.

2. Luminol bazlı ROS Testi

  1. ROS testi için deney düzeneği
    1. 25 günlük bitkilerin dördüncü ila yedinci yapraklarından 4 mm çapında yaprak disklerini biyopsi zımbası ile kesin.
    2. Yaprak disklerini tüylü tarafı yukarı bakacak şekilde 96 oyuklu bir plakada 100 μL steril suyun üzerinde yüzdürün.
    3. Plakayı temiz kalay folyo ile örtün ve gece boyunca bir LD büyüme odasına yerleştirin.
    4. Suyu 100 μL luminol çözeltisi ile değiştirin (pH 7.4 ile 10 mM MOPS tamponunda 300 μM ve 1 μM flg22 veya başka bir elisitor). Kontrol olarak flg22 yerine sahte çözüm kullanın.
    5. Hemen 40-60 dakika boyunca her dakika lüminesans okumalarını kaydetmeye başlayın.
  2. ROS verilerinin R analizinin aşamalı açıklaması
    NOT: Bu R analizi, Rstudio'yu, R komut dosyasını,  Ek Dosya 3'ü (ROS_2025.R) ve Ek Dosya 4 (ROS_flg22.csv) veya Ek Dosya 5 (ROS_elf26.csv) giriş dosyalarını kullanır. R betiği, Ek Dosya 4 (ROS_flg22.csv) giriş dosyasıyla birlikte çevrimiçi depo platformu Github (https://github.com/elvenfire29/ROS-Luminol-Analysis) aracılığıyla herkese açıktır
    1. RStudio paketlerini indirin: gplot213, dplyr14, magrittr15, stringr16 ve filesstrings17.
      NOT: Adım 2.2.1'in yalnızca bir kez tamamlanması gerekir. Kullanıcıların her analizi bilgisayardaki belirli bir veri kümesine uyarlamasına yardımcı olmak için, kullanıcıların deneyleri için belirli parametreleri belirtmelerine olanak tanıyan "Kullanıcı Girişi" adlı bir bölüm oluşturuldu (Ek Şekil S3).
    2. Kullanıcı Girişi I'i, çalışma dizini, giriş dosyasının adı, tedaviler için etiketler ve testin göreli başlangıç zamanı dahil olmak üzere yerel bir bilgisayardaki belirli bir veri kümesine göre değiştirin.
      1. Çalışma dizinini seçin. Giriş dosyasının nerede olduğunu belirtin. Aynı klasör çıktı dosyalarının konumu olacaktır.
      2. R betiği için doğru biçimlendirilmiş bir CSV dosyası olan giriş dosyasını seçin (Şekil 2B). Spesifik olarak, üst satırda zaman serisi bulunur ve ilk sütun 96 oyuklu bir plaka üzerinde ayrı numune konumlarını içerir.
        NOT: Böyle bir girdi CSV dosyasının bir örneği, Ek Materyal, Ek Dosya 4 (ROS_flg22.csv) veya Ek Dosya 5'te (ROS_elf26.csv) bulunabilir.
      3. Numuneleri ve/veya tedavileri adlandırın. Bu analiz, bir zaman süreci ile 96 kuyucuklu ortamlardan elde edilen veriler için kullanıldığından, deneyleri plaka başına toplam 12 işleme kadar tedavi için tedavi başına 8 kopya veya plaka başına toplam 8 işlem için tedavi başına 12 kopya olarak tasarlayın. Boş kuyu satırları varsa, bunları tedavi adları için alanda olduğu gibi listeleyin, örneğin, boş 1, boş 2...
        NOT: Numune numarası önemli olduğundan, 8 veya 12 olmak üzere doğru numune sayısını girmek önemlidir. Örnek sayısı 8 veya 12 değilse kod çalışmaz. Örnek adlar için, dosya adı sorunlarına neden olabileceğinden ters eğik çizgi veya benzer semboller kullanmaktan kaçının. Ayrıca, Kullanıcı Girişi II'de ANOVA'yı kullanmayı seçerken etiket olarak "NA" kullanmaktan kaçının. Ek Dosya 1 (LUC_2025.R) komut dosyasından farklı olarak, aynı ada sahip tedaviler bu Ek Dosya 3 (ROS_2025.R) komut dosyasında tek bir grupta birleştirilmez.
    3. Kullanıcı Girişi II seçeneklerini kullanıcının özel gereksinimlerine göre değiştirin.
      NOT: Örnek Kullanıcı Girişi Ek Şekil S3'te görülebilir.
      1. Tedavi lüminesans toplamlarını karşılaştırmak için Tukey HSD ile ANOVA testini kullanın.
      2. Aynı anda yalnızca iki tedaviden elde edilen verileri karşılaştırmak için iki taraflı bir t-testi kullanın.
        NOT: Gösterilen p değerleri, aynı çizgiyle birden fazla karşılaştırmayı hesaba katacak şekilde ayarlanmamıştır.
      3. Floresan eğrilerinin grafiğini ve toplam floresan toplamını karşılaştıran bir çubuk grafiği çizin. Grafiklere standart sapma veya standart ortalama hatası ekleyin.
      4. Plaka okuyucunun kuyuları nasıl kaydettiğine bağlı olarak, girişin okunma şeklini değiştirin. Ya A1, A2, A3'e göre kuyuların standart veri listesini kullanın... veya A1, B1, C1 tarafından listelenen kuyular için olanı...
  3. Konsolun sağ üst köşesindeki Kaynak düğmesine tıklayarak analizi çalıştırın.
    NOT: Analizin tamamlanması 1 dakikadan az sürer. R analizinin çıktısı, giriş veri kümesiyle aynı dosya klasöründe otomatik olarak görünecektir.
  4. Çıktıyı görüntüleyin: Çıktı klasörü, kapsamlı bir analiz sağlamak için birkaç belge ve alt klasöre sahiptir.
    NOT: Giriş dosyası Ek Dosya 4 (ROS_flg22.csv) için, protokol bölüm 2'de açıklanan Ek Dosya 3 (ROS_2025.R) komut dosyası tarafından oluşturulan çıktı belgelerinin bir ağaç yapısı Ek Şekil S4'te gösterilmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Örnek olay incelemesi 1. Arabidopsis fideleri ile sirkadiyen saat aktivitesi için lüminesans testi

Daha önce, GLİSİN ZENGİN RNA BAĞLAYICI PROTEİN 7 (GRP7) geninin, ana saat proteini CIRCADIAN CLOCK-ASSOCIATED 1 (CCA1) tarafından kontrol edildiğini ve GRP7'nin sirkadiyen ekspresyonunun, vahşi tip GRP7 promotörünün (pGRP7wt:LUC)21 kontrolü altında lusiferaz raportörünü eksprese...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Burada, 96 kuyulu formatlı zaman serisi deneylerinden elde edilen büyük ölçekli verileri analiz etmek için kullanıcı dostu bir yöntem sağlamak için RStudio'daki R komut dosyalarını kullanarak sunuyoruz. Bu yöntem, ROS tahlillerinden elde edilen verilere ek olarak, bitki fidelerinden memeli hücre kültürlerine kadar sirkadiyen saat aktivitesini ölçmek için zaman serisi deneylerinde binlerce örnekten elde edilen lüminesans kayıt verilerini hızlı ve kolay bir şekilde analiz etmemizi sağlamış...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların açıklayacak herhangi bir çıkar çatışması yoktur.

Teşekkürler

Bu çalışmadaki yardımları için Lu laboratuvarı üyelerine teşekkür ederiz. İşlenmemiş verilerini kullandıkları için Min Gao ve Matthew Fabian'a ve bu R betiğinin yapımında yardım ve/veya rehberlik için Benjamin Harris'e teşekkür ederiz. Cincinnati Çocuk Hastanesi Tıp Merkezi'nden John B. Hogenesch'e, Vaka çalışması 2 için memeli hücrelerinden lüminesans verileri sağladığı için teşekkür ederiz. Ayrıca John B. Hogenesch'e, Edinburgh Üniversitesi'nden Andrew Millar'a ve Smith College'dan Mary Harrington'a bu yöntemin geliştirilmesi sırasındaki yararlı tartışmalar için teşekkür ederiz. Bu çalışma kısmen Ulusal Bilim Vakfı, NSF 1456140 ve NSF 2223886'nin Hua Lu'ya verdiği hibelerle desteklendi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
RR Projesihttps://www.r-project.org/  Çevrimiçi olarak indirilip özellikle istatistikler için kod yazmak için kullanılabilen ücretsiz, açık kaynaklı bir platform.
RstudioPosit Yazılımıhttps://posit.co/download/rstudio-desktop/  R'ye daha kullanıcı dostu erişim için çevrimiçi olarak indirilebilen ücretsiz bir yazılım.
MetaCycleGang Wu, Xavier Li, Matthew Carlucci, Ron Anafi, Michael Hughes, Karl Kornacker ve John Hogeneschhttps://cran.r-project.org/web/packages/MetaCycle/vignettes/implementation.html  MetaCycle paketinin ARSER algoritması, saat parametrelerini, periyotu, fazı ve genliğini değerlendirmek için kullanılır.  
ggplot2Posit Yazılımıhttps://cran.r-project.org/web/packages/ggplot2/index.html  Özellikle istatistiksel grafikler için veri görselleştirmeleri oluşturur.
dplyrPosit Yazılımıhttps://cran.r-project.org/web/packages/dplyr/index.html  Verimli veri işlemesi için temel bir R kütüphanesi.
magrittrPosit Yazılımıhttps://cran.r-project.org/web/packages/magrittr/index.html  Kodun okunabilirliğini artırmak ve veri işlemlerinin daha doğal akışını kolaylaştırmak için bir dizi operatör sağlar.
StringrPosit Yazılımıhttps://cran.r-project.org/web/packages/stringr/index.html  Karakter dizeleriyle çalışmak için tutarlı, basit ve kullanımı kolay bir fonksiyon seti sağlar.
dosya dizileriRory Nolan ve Sergi Padilla-Parrahttps://cran.r-project.org/web/packages/filesstrings/index.html  Dosya ve dizileri manipüle etmek için kullanışlı işlevler sunar, özellikle dosya isimleri ve yollarla ilgili olanları.
daireselUlric Lund, Claudio Agostinelli, Hiroyoshi Arai, Alessando Gagliardi, Eduardo Garcí a-Portugué Dimitri Giunchi, Jean-Olivier Irisson, Matthew Pocernich ve Federico Rotolohttps://cran.r-project.org/web/packages/circular/index.html  Döngüsel verilerin istatistiksel analizini ve grafik temsili sağlar.
AICcmodavgMarc J. Mazerollehttps://cran.r-project.org/web/packages/AICcmodavg/index.html  Akaike'nin bilgi kriterine (AIC) ve ilgili bilgilere dayalı model seçim tabloları oluşturur. 
SüpürgePosit Yazılımıhttps://cran.r-project.org/web/packages/broom/index.html  Çeşitli istatistiksel modellerin ve nesnelerin çıktısını "düzenli" tibble'lara (modern bir veri çerçevesi formatı) dönüştürür; böylece model sonuçlarıyla çalışmayı, analiz etmeyi ve görselleştirmeyi kolaylaştırır.
Otoklav makinesiSteris Amsco Eagle Century SG120 Scientific, Inc.8901400012Otoklav medyası
Kimyasal buhar davlumbazıLaboratuvar Tasarımı & Supply Tohumları sterilize et
Omega Luminesans Okuyucu BMG LABTECH, Inc.plaka okuyucu
Laminar akış dolabıNuAire Nu-408FM-400Sınıf II/TypeA Fidanları 96 kuyu tabakasına aktarın
96 kuyuklu mikroplakalarPerkin-ElmerOptiPlate-96 Luciferaz testi için fide yetiştirin
Flg22GenScript Inc.RP19986Bakteriyel flagellin'den bir çıkarıcı. 
Elf26Alpha Diagnosti Intl. Inc.2427Bakteriyel translasyondan bir elicitör Uzalma Faktörü-Tu.
D-Luciferin Ateşböceği, potasyum tuzuBiyosynth Kimyası & BiyolojiL-8220Lusiferaz substratı
L-012 (Luminol)Fisher ScientificNC0733364ROS testi reaktifi

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Zaman Serisi VerileriRStudio Yaz l mKullan c Dostu Ara larSirkadyen Saat VerileriL minesans Analizi96 Kuyucuklu PlakaANOVA TestiL siferaz Raporlay c
Büyük Ölçekli Veri Kümelerinin Kullanıcı Dostu ve Güçlü Bir R Analizi
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.