Ağırlıklı Korelasyon Ağlarına Dayalı Farklı Habitatlarda Kök Mikrobiyotasının Ayrışması
25 Eylül 2021
Toprak, su ve rizosfer gibi çeşitli ekolojik mikrobiyal toplulukların birlikteliğini değerlendirmek için ağ analizi uygulandı. Burada sunulan, farklı ekolojik ortamlar nedeniyle mikrobiyal topluluklarda oluşabilecek farklı birlikte oluşum ağlarını analiz etmek için WGCNA algoritmasının nasıl kullanılacağına ilişkin bir protokoldür.
Bu yöntem, farklı ortamlardaki farklı mikrobiyal türlerin etkileşimli ilişkisini veya birlikte oluşum ağını etkili bir şekilde keşfedebilir. Mikrobiyotanın ortak oluşum ağını oluşturmak için WGCNA algoritmasının nasıl kullanılacağı hakkında ayrıntılı ayrıntı sağlar. Ek olarak, sonuçlara dayanarak, bu yöntem mikrobiyal ilişkilerin ve bileşimin mikrobiyal konsorsiyumlar arasındaki farklılığını değerlendirir.
İşte yöntemin temel akışı. Mikrobiyotanın bileşimi ve bolluk verileri, numuneleriniz için NCBI veritabanından veya sıra verilerinden indirilir. İlk olarak, RStudio yazılımını açın ve WGCNA paketini yükleyin.
Ardından, verileri yükleyin ve verilerin doğruluğunu kontrol etmek için iyi örnek genleri işlevini kullanın. Aykırı değerleri kontrol edin ve gereksinimlerimizi karşılayan örnekleri saklayın. Denetim sonucu doğru olduğunda, sonraki adıma geçin.
Sonucu kaydedin. Farklı güç değerleri altındaki verilerin ölçek serbest dizini olan R karesini hesaplamak için çekme eşiği işlevini kullanın. Sonuçları görselleştirin.
Ölçek serbest dizini bir dizine daha yakın olduğunda, ağ yapısı ölçek serbest ağına daha yakındır. Ölçek serbest dizini olan R karesi 0,9'dan büyükse, güç değerini seçin. Son olarak, mikrobiyom verilerinin geri kalanını analiz etmek için aynı yöntemi kullanın.
İlk olarak, sembolik bir birlikte oluşum ağı oluşturmak için bitişiklik işlevini kullanın. Ayrıca, üstolojik, çakışan bir ağ geliştirmek için TOM benzerliği işlevini kullanın. İkinci olarak, hiyerarşik kümeleme gerçekleştirmek ve elde eden küme ağacını çizmek için Hclust işlevini kullanın.
Üçüncü olarak, dinamik dal kesme gerçekleştirmek için cutree dinamik işlevini kullanın ve en küçük modül boyutunu ayarlamak için min küme boyutu parametresini kullanın. En küçük modül boyutu genellikle 30'un üzerinde ayarlanır. Dördüncü olarak, her modülün mikrobiyal özelliğini hesaplayın.
Hiyerarşik kümeleme korelasyon katsayısına göre gerçekleştirilir ve yüksekliği 0,25'ten az olan modüller birleştirilerek her modülün dağılımı elde edilir. Beşinci olarak, sonuçları görselleştirmek için çizim dendro ve renkler işlevini kullanın. Birlikte oluşum ağ modülünün atama görüntüleme diyagramı elde edilir.
Ardından, modül renklerini yeniden adlandırın ve renklere karşılık gelen dijital etiketler oluşturun. Sonraki parçalarda kullanılmak üzere saklayın. Son olarak, diğer veri kümeleri için yukarıdaki işlemi yineleyin.
Bu bölümde, iki veri kümesini karşılaştırın ve analiz edin ve koruma testini gerçekleştirin. İlk olarak, önceki adımlarda kaydedilen iki veri kümesinin parametrelerini ve sonuçlarını yükleyin. Ardından, bir veri kümesinin modül sonuçlarını başvuru grubu, diğerini test grubu olarak ayarlayın ve modül karşılaştırmasını gerçekleştirin.
Daha sonra, modüller arasındaki muhafazakarlığı ölçmek için muhafazakarlığın değerlerini, istatistiksel parametreleri, Z özetini ve ortanca derecesini hesaplayın. Son olarak, sonuçları görselleştirin. Hem Z özet değerini karşılayan ağ modülini belirleyin, ikiden az, hem de en üstteki ortanca derece değeri.
Bu modül, iki mikrobiyota verisinde en korunmuş olmayan modüldür. Modül üyeliğinin korelasyon analizini gerçekleştirin. İki ağın modül atama sonuçlarını sırasıyla başvuru ve test grubu olarak ayarlayın.
Ayarların koruma testiyle aynı olması gerekir. İlk olarak, her OTU'nun KME değeri, koruma testinin sonuçlarına göre birkaç aday modülde hesaplanmıştır. Örnek olarak sarı modülü ele alalım.
İki sarı modüldeki KME değerinin korelasyon katsayısını hesaplayın, ardından modüldeki KME değerinin korelasyon analiz diyagramını çizin. Son olarak, şekildeki korelasyon katsayısına göre, iki veri kümesindeki modülün muhafazakarlığını değerlendirin. En küçük korelasyon katsayısına sahip modülü seçin.
İlk olarak, ağı Cytoscape'in okuyabileceği bir kenar ve düğüm listesi dosyasına vermek için Cytoscape'e verme işlevini kullanın. Ardından, dosyayı Cytoscape'e aktarın. Eşiği 0,5 olarak ayarlayın ve diğer parametreleri gerektiği gibi ayarlayın.
Son olarak, farklı mikroorganizmalardan oluşan bir ortak oluşum ağı elde edin. Bu makalede, WGCNA algoritması pirinç kök sisteminin üç nişlerindeki farklılıkları analiz etmek için kullanılır. Ölçek boş ağa yakın olan üç ağı karşılayan güç değerini seçin.
Endosfer, rhizoplane ve rizosfer mikrobiyal oluşum ağında sırasıyla 23, 22 ve 21 modelleri tanımlayın. Pirinç kök sisteminin her iki nişi arasındaki son derece muhafazakar olmayan modülleri bulmak için koruma testini ve korelasyon analizini kullanın. Farklı mikrobiyal fitomu temsil etmek için farklı renkler kullanarak bu üç modül için bir birlikte oluşum ağı oluşturun.
Proteobakteriler, Akinobakteriler, Bakterioidetler, Firmicutes ve Verrucomicrobia üç farklı mikrobiyal ağa hakimdi. Ayrıca, 17 çekirdek cins esas olarak bu ağları düzenler. Bu videoyu izledikten sonra, farklı ekolojik ortamlar nedeniyle mikrobiyal topluluklarda oluşabilecek farklı birlikte oluşum ağlarını analiz etmek için WGCNA algoritmasını kullanmak için bir dizi adımın nasıl gerçekleştirildiğini iyi anlamalısınız.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu çalışma, çeşitli ekolojik mikrobiyal toplulukların iç dinamiklerini araştırır ve özellikle toprak, su ve kök bölgesi ortamlarına odaklanır. WGCNA algoritmasını kullanarak, protokol farklı ekolojik nişlerde mikrobiyal konsorsiyumların ortak bulunuş ağlarını oluşturmak ve analiz etmek için adımları açıklar.
Çalışmanın Temel Bileşenleri
Araştırma Alanı
- Mikrobiyal ekoloji
- Ağ analizi
- Ortak bulunuş ağları
Arka Plan
- Çeşitli ortamlardaki mikrobiyal etkileşimleri anlamak
- Ekosistemlerdeki mikrobiyal toplulukların önemi
- Ağ analizi için WGCNA uygulaması
Kullanılan Yöntemler
- Ağ oluşturma için WGCNA algoritması
- NCBI'den elde edilen mikrobiyal topluluk verileri
- RStudio'da istatistiksel analiz ve görselleştirme
Ana Sonuçlar
- Endosfer, rizoplan ve kök bölgesi ağında 23, 22 ve 21 modül tanımlandı
- Proteobacteria, Actinobacteria, Bacteroidetes, Firmicutes ve Verrucomicrobia'nın baskınlığı gözlendi
- Mikrobiyal ağların üzerinde düzenleyici etkisi olan çekirdek cinsler
Sonuçlar
- Bu çalışma, farklı nişlerde mikrobiyal ortak bulunuş ağlarını analiz etmek için WGCNA'nın yararlılığını gösterir.
- Bulgular, ekolojik araştırmalarda mikrobiyal toplulukların karmaşıklığını anlamaya katkıda bulunur.
Sıkça Sorulan Sorular
Executive Industry Relevance
Weighted correlation network analysis (WGCNA) enables biopharma teams to dissect complex microbial community interactions, supporting predictive modeling of environmental or host-associated microbiomes. This approach enhances mechanistic de-risking and target validation by quantifying network divergence and identifying core regulatory taxa across distinct ecological niches. Integrating such network analytics into discovery pipelines informs translational strategies and portfolio prioritization for microbiome-targeted interventions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of microbial interaction networks to clarify ecological drivers and regulatory taxa.
- Supports biological de-risking by quantifying divergence and conservation of microbial modules across environments.
- Facilitates predictive confidence in target selection by identifying core genera with regulatory influence.
Screening & Assay Development
- Prepares validated microbial community datasets for downstream functional screening or perturbation studies.
- Standardizes network module identification, supporting reproducibility and quantitative comparison across conditions.
- Enables scalable analysis of co-abundance patterns for robust assay development.
Translational & Preclinical Research
- Aligns microbial network features with disease-relevant or environmental adaptation models when supported by data.
- Supports continuity from ecological discovery to preclinical validation of microbiome-based interventions.
- Provides mechanistic insights for risk-adjusted advancement of microbiome targets.
Pipeline & Workflow Integration
WGCNA-based network analysis fits within the discovery-to-preclinical continuum, enabling hypothesis testing, target prioritization, and translational alignment for microbiome R&D.
- Discovery Biology: Quantifies network divergence and module conservation to clarify microbial community structure and function.
- Screening: Delivers reproducible module assignments and quantitative outputs for comparative analysis.
- Analytics: Provides statistical measures (e.g., Z summary, median rank) to benchmark network preservation and module distinctiveness.
- Translational Research: Supports mapping of core genera to functional or disease-relevant outcomes when data permit.
- Enterprise Reuse: Establishes a reusable analytic framework for diverse microbiome datasets and environments.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in microbiome target validation.
- Operational Value: Standardizes network analysis workflows for reproducibility and scalability across projects.
- Strategic Value: Informs go/no-go decisions and capital allocation by quantifying network divergence and core taxa.
- Portfolio Impact: Enables risk-adjusted prioritization of microbiome targets and interventions.
Implementation Considerations
- Requires expertise in R, network analysis, and microbial ecology.
- Needs computational infrastructure for large-scale data processing and visualization (e.g., Cytoscape).
- Demands cross-team standardization of data quality checks and module assignment parameters.
- Adaptation across different host or environmental microbiomes may require parameter tuning.
- Interpretation of network modules should be grounded in ecological or functional context supported by data.
Biopharma FAQs
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
