Dywergencja mikrobioty korzeni w różnych siedliskach w oparciu o ważone sieci korelacji
25 września 2021
Analiza sieci została zastosowana do oceny związku różnych ekologicznych zbiorowisk mikroorganizmów, takich jak gleba, woda i ryzosfera. Przedstawiono protokół dotyczący wykorzystania algorytmu WGCNA do analizy różnych sieci współwystępowania, które mogą wystąpić w zbiorowiskach mikroorganizmów ze względu na różne środowiska ekologiczne.
Metoda ta może skutecznie badać interaktywne relacje lub sieć współwystępowania różnych gatunków drobnoustrojów w różnych środowiskach. Zawiera on szczegółowe informacje na temat wykorzystania algorytmu WGCNA do skonstruowania sieci współwystępowania mikrobioty. Ponadto, w oparciu o uzyskane wyniki, w metodzie tej oceniono zróżnicowanie powiązań mikrobiologicznych i składu między konsorcjami mikrobiologicznymi.
Oto podstawowy przebieg metody. Dane dotyczące składu i liczebności mikrobioty są pobierane z bazy danych NCBI lub danych sekwencyjnych dla próbek. Najpierw otwórz oprogramowanie RStudio i zainstaluj pakiet WGCNA.
Następnie załaduj dane i użyj funkcji genów dobrych próbek, aby sprawdzić poprawność danych. Sprawdź wartości odstające i przechowuj próbki, które spełniają nasze wymagania. Gdy wynik sprawdzenia jest prawdziwy, przejdź do następnego kroku.
Zapisz wynik. Użyj funkcji progu wyboru, aby obliczyć wskaźnik wolny od skali, R kwadrat, danych przy różnych wartościach mocy. Wizualizuj wyniki.
Gdy indeks bez skali jest bliższy jeden, struktura sieci jest bliższa sieci bez skalowania. Gdy wskaźnik bezpodziałkowy R do kwadratu jest większy niż 0,9, wybierz wartość mocy. Na koniec użyj tej samej metody do analizy pozostałych danych dotyczących mikrobiomu.
Najpierw użyj funkcji sąsiedztwa, aby skonstruować symboliczną sieć współwystępowania. Ponadto użyj funkcji podobieństwa TOM, aby opracować topologiczną, nakładającą się sieć. Po drugie, użyj funkcji Hclust, aby wykonać hierarchiczne grupowanie i narysować wynikowe drzewo klastrów.
Po trzecie, użyj funkcji dynamicznej cutree, aby wykonać dynamiczne cięcie gałęzi i użyj parametru minimalny rozmiar klastra, aby ustawić najmniejszy rozmiar modułu. Najmniejszy rozmiar modułu jest zwykle ustawiony na ponad 30. Po czwarte, oblicz charakterystykę mikrobiologiczną każdego modułu.
Grupowanie hierarchiczne odbywa się zgodnie ze współczynnikiem korelacji, a moduły o wysokości mniejszej niż 0,25 zostały scalone w celu uzyskania rozkładu każdego modułu. Po piąte, użyj funkcji dendro wykresu i kolorów, aby zwizualizować wyniki. Uzyskuje się schemat wyświetlania przyporządkowania modułu sieci współwystępowania.
Następnie zmień nazwy kolorów modułów i skonstruuj etykiety cyfrowe odpowiadające kolorom. Zachowaj je do wykorzystania w kolejnych częściach. Na koniec powtórz powyższy proces dla innych zestawów danych.
W tej części porównaj i przeanalizuj dwa zestawy danych oraz przeprowadź test konserwacji. Najpierw załaduj parametry i wyniki dwóch zestawów danych zapisanych w poprzednich krokach. Następnie ustaw wyniki modułu z jednego zestawu danych jako grupę odniesienia, a innego jako grupę testową i wykonaj porównanie modułów.
Następnie oblicz wartości konserwatywności, parametrów statystycznych, podsumowania Z i rangi mediany, aby określić ilościowo konserwatywność między modułami. Na koniec zwizualizuj wyniki. Określ moduł sieciowy, który spełnia zarówno wartość podsumowania Z, mniejszą niż dwa, jak i medianę wartości rangi u góry.
Moduł ten jest najbardziej niezachowanym modułem spośród dwóch danych dotyczących mikrobioty. Wykonaj analizę korelacji członkostwa w module. Ustaw wyniki przypisania modułów dwóch sieci odpowiednio jako odniesienie i grupę testową.
Ustawienia muszą być takie same jak w teście konserwacji. Po pierwsze, wartość KME każdego OTU została obliczona w kilku modułach kandydujących na podstawie wyników testu konserwacji. Weźmy jako przykład żółty moduł.
Oblicz współczynnik korelacji wartości KME w dwóch żółtych modułach, a następnie narysuj wykres analizy korelacji wartości KME w module. Na koniec, zgodnie ze współczynnikiem korelacji na rysunku, oceń konserwatywność modułu w dwóch zbiorach danych. Wybierz moduł o najmniejszym współczynniku korelacji.
Najpierw użyj funkcji eksportuj sieć do Cytoscape, aby wyeksportować sieć do pliku listy krawędzi i węzłów, który Cytoscape może odczytać. Następnie zaimportuj plik do Cytoscape. Ustaw próg na 0,5 i dostosuj inne parametry zgodnie z potrzebami.
Na koniec uzyskaj sieć współwystępowania różnych mikroorganizmów. W tym artykule algorytm WGCNA służy do analizy różnic w trzech niszach systemu korzeniowego ryżu. Wybierz wartość mocy, która spełniała wymagania trzech sieci, które były zbliżone do sieci bez skalowania.
W sieci występowania drobnoustrojów endosfery, ryzopłaszczyzny i ryzosfery zidentyfikuj odpowiednio 23, 22 i 21 modeli. Użyj testu konserwacji i analizy korelacji, aby znaleźć skrajnie niekonserwatywne moduły między każdą z dwóch nisz systemu korzeniowego ryżu. Skonstruuj sieć współwystępowania dla tych trzech modułów, używając różnych kolorów, aby reprezentować różne typy drobnoustrojów.
Proteobakterie, Actinobacteria, Bacteroidetes, Firmicutes i Verrucomicrobia zdominowały trzy różne sieci mikrobiologiczne. Co więcej, 17 podstawowych rodzajów głównie reguluje te sieci. Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak wykonać szereg kroków, aby użyć algorytmu WGCNA do analizy różnych sieci współwystępowania, które mogą wystąpić w społecznościach drobnoustrojów z powodu różnych środowisk ekologicznych.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejszy artykuł szczegółowo opisuje protokół analizy sieci współwystępowania drobnoustrojów w różnych niszach ekologicznych systemu korzeniowego ryżu z wykorzystaniem algorytmu Weighted Gene Co-expression Network Analysis (WGCNA). Metoda ta umożliwia badaczom badanie interakcji i wzorców współobfitości między gatunkami drobnoustrojów, identyfikację rodzajów kluczowych oraz ocenę różnic w sieciach pomiędzy środowiskami takimi jak endosfera, ryzoplan i gleba ryzosferyczna.
Kluczowe elementy badania
Dziedzina nauki
- Ekologia mikroorganizmów
- Bioinformatyka
- Interakcje roślina-mikrob
Wstęp
- Mikrobiom korzeniowy ma kluczowe znaczenie dla wzrostu roślin i adaptacji do środowiska.
- Analiza sieci pomaga ujawnić interakcje i wzorce współwystępowania gatunków mikrobiologicznych.
- WGCNA to pakiet R szeroko stosowany do ważonej analizy sieci korelacji.
- Zrozumienie sieci mikrobiologicznych może dostarczyć informacji na temat teorii odpowiedzi ekologicznych i mechanizmów adaptacji środowiskowej.
Cel badania
- Aby przedstawić szczegółowy protokół konstrukcji i analizy sieci współwystępowania drobnoustrojów z wykorzystaniem pakietu WGCNA.
- Aby porównać struktury społeczności drobnoustrojów w różnych niszach korzeni ryżu.
- Aby zidentyfikować rdzeniowe rodzaje oraz moduły niekonserwatywne w sieciach drobnoustrojów.
Zastosowane metody
- Pobierz dane dotyczące składu i liczebności mikroorganizmów z bazy danych NCBI.
- Zainstaluj i wykorzystaj pakiet WGCNA w środowisku RStudio do konstrukcji sieci.
- Sprawdź jakość danych, zidentyfikuj wartości odstające i wybierz odpowiednie próbki.
- Wyznacz optymalne wartości potęgi dla topologii sieci bezskalowej.
- Konstruuj macierze sąsiedztwa oraz macierze nakładania topologicznego (TOM).
- Przeprowadź klastrowanie hierarchiczne i dynamiczne przycinanie gałęzi w celu zdefiniowania modułów.
- Wizualizuj przypisania do modułów i połącz podobne moduły.
- Wykonaj testy konserwacji oraz analizy korelacji między modułami z różnych zbiorów danych.
- Wyeksportuj dane sieciowe do programu Cytoscape w celu wizualizacji.
Główne wyniki
- Stworzono sieci współwystępowania dla endosfery, ryzoplanu i gleby ryzosfery korzeni ryżu.
- Zidentyfikowano odpowiednio 23, 22 i 21 modułów w endosferze, ryzoplanie i ryzosferze.
- Wykryto moduły niekonserwatywne pomiędzy różnymi niszami przy użyciu testów konserwacji i analizy korelacji.
- W sieciach dominowały Proteobacteria, Actinobacteria, Bacteroidetes, Firmicutes i Verrucomicrobia.
- Stwierdzono, że siedemnaście rodzajów rdzeniowych odgrywa kluczowe role regulacyjne w sieciach.
Wnioski
- Protokół oparty na analizie WGCNA skutecznie ujawnia różnice w sieciach współwystępowania drobnoustrojów w niszach korzeni ryżu.
- Można zidentyfikować rodzaje kluczowe oraz moduły niekonserwatywne, co pozwala na zrozumienie adaptacji społeczności mikrobiologicznych.
- Podejście to wspiera badanie ekologicznych odpowiedzi drobnoustrojów na zaburzenia środowiskowe.
Często zadawane pytania
Znaczenie dla przemysłu
Analiza sieci korelacji ważonej (WGCNA) pozwala zespołom biofarmaceutycznym na szczegółowe badanie złożonych interakcji w społecznościach mikrobiologicznych, wspierając modelowanie predykcyjne mikrobiomów środowiskowych lub związanych z gospodarzem. Podejście to usprawnia mechanistyczną redukcję ryzyka oraz walidację celów poprzez kwantyfikację rozbieżności sieci i identyfikację kluczowych taksonów regulacyjnych w różnych niszach ekologicznych. Integracja takiej analityki sieciowej z procesami odkrywczymi dostarcza informacji niezbędnych do opracowania strategii translacyjnych i ustalenia priorytetów w portfelu interwencji celowanych w mikrobiom.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia analizę sieci interakcji mikrobiologicznych w celu wyjaśnienia czynników ekologicznych i taksonów regulacyjnych.
- Wspiera ograniczanie ryzyka biologicznego poprzez kwantyfikację dywergencji i konserwacji modułów mikrobiologicznych w różnych środowiskach.
- Zwiększa pewność prognostyczną w wyborze celów poprzez identyfikację rodzajów rdzeniowych o wpływie regulacyjnym.
Przesiewy i opracowywanie analiz
- Przygotowuje zwalidowane zestawy danych społeczności mikrobiologicznych do dalszego screeningu funkcjonalnego lub badań nad perturbacjami.
- Standaryzuje identyfikację modułów sieciowych, wspierając powtarzalność i ilościowe porównywanie różnych warunków.
- Umożliwia skalowalną analizę wzorców współobfitości w celu opracowania wiarygodnych testów.
Badania translacyjne i przedkliniczne
- Dopasowuje cechy sieci mikrobiologicznych do modeli istotnych dla chorób lub adaptacji środowiskowej, gdy wynika to z danych.
- Zapewnia ciągłość od odkryć ekologicznych po przedkliniczną walidację interwencji opartych na mikrobiomie.
- Zapewnia wgląd w mechanizmy w celu dostosowanego do ryzyka rozwoju celów terapeutycznych związanych z mikrobiomem.
Integracja potoków i przepływów pracy
Analiza sieci oparta na WGCNA wpisuje się w kontinuum od odkryć do badań przedklinicznych, umożliwiając testowanie hipotez, priorytetyzację celów oraz dopasowanie translacyjne w badaniach i rozwoju mikrobiomu.
- Biologia odkryć: Ilościowo określa dywergencję sieci i konserwację modułów w celu wyjaśnienia struktury i funkcji społeczności drobnoustrojów.
- Przesiewanie: Dostarcza powtarzalnych przypisań modułów i wyników ilościowych do analizy porównawczej.
- Analityka: Zapewnia miary statystyczne (np. podsumowanie Z, mediana rangi) do oceny zachowania sieci i odrębności modułów.
- Badania translacyjne: Wspiera mapowanie kluczowych rodzajów na wyniki funkcjonalne lub związane z chorobami, gdy pozwalają na to dane.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy wielokrotnego użytku framework analityczny dla różnorodnych zbiorów danych mikrobiomu i środowisk.
Wpływ operacyjny i organizacyjny
- Wartość naukowa: Zwiększa pewność predykcyjną i redukuje niejednoznaczność mechanistyczną w walidacji celów mikrobiomu.
- Wartość operacyjna: Standaryzuje przepływy pracy w analizie sieci w celu zapewnienia powtarzalności i skalowalności w różnych projektach.
- Wartość strategiczna: Wspiera decyzje o kontynuacji lub przerwaniu prac (go/no-go) oraz alokację kapitału poprzez kwantyfikację dywergencji sieci i taksonów rdzeniowych.
- Wpływ na portfolio: Umożliwia priorytetyzację celów i interwencji w obszarze mikrobiomu z uwzględnieniem poziomu ryzyka.
Uwagi dotyczące wdrożenia
- Wymagana jest biegłość w języku R, analizie sieci oraz ekologii mikroorganizmów.
- Konieczna jest infrastruktura obliczeniowa do przetwarzania i wizualizacji dużych zbiorów danych (np. Cytoscape).
- Wymagana jest standaryzacja kontroli jakości danych oraz parametrów przypisywania modułów pomiędzy zespołami.
- Adaptacja metody do różnych mikrobiomów gospodarzy lub środowisk może wymagać dostrojenia parametrów.
- Interpretacja modułów sieci powinna opierać się na kontekście ekologicznym lub funkcjonalnym wspartym danymi.
Najczęściej zadawane pytania dotyczące biofarmacji (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
