Дивергенция корневой микробиоты в различных средах обитания на основе взвешенных корреляционных сетей

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.