Divergens af Root Microbiota i forskellige levesteder baseret på vægtede korrelationsnetværk
Summary
Netværksanalyse blev anvendt til at evaluere foreningen af forskellige økologiske mikrobielle samfund, såsom jord, vand og rhizosfære. Præsenteret her er en protokol om, hvordan man bruger WGCNA-algoritmen til at analysere forskellige co-forekomstnetværk, der kan forekomme i de mikrobielle samfund på grund af forskellige økologiske miljøer.
Abstract
Rodmikrobiomet spiller en vigtig rolle i plantevækst og miljøtilpasning. Netværksanalyse er et vigtigt redskab til at studere samfund, som effektivt kan udforske interaktionsforholdet eller samforekomstmodellen for forskellige mikrobielle arter i forskellige miljøer. Formålet med dette manuskript er at give detaljer om, hvordan man bruger den vægtede korrelationsnetværksalgoritme til at analysere forskellige samindtræffernetværk, der kan forekomme i mikrobielle samfund på grund af forskellige økologiske miljøer. Al analyse af eksperimentet udføres i WGCNA-pakken. WGCNA er en R-pakke til vægtet korrelationsnetværksanalyse. De eksperimentelle data, der blev brugt til at demonstrere disse metoder, var mikrobielle samfundsdata fra NCBI (National Center for Biotechnology Information) databasen for tre nicher af ris (Oryza sativa) rodsystemet. Vi brugte den vægtede korrelation netværk algoritme til at konstruere co-overflod netværk af mikrobielle samfund i hver af de tre nicher. Derefter blev der identificeret differentierede co-overflodsnetværk blandt endosfæren, rhizoplane og rhizosfærejord. Derudover blev kerneslægterne i netværket opnået ved “WGCNA”-pakken, som spiller en vigtig reguleret rolle i netværksfunktioner. Disse metoder gør det muligt for forskere at analysere mikrobielle netværks reaktion på miljøforstyrrelser og verificere forskellige mikrobielle økologiske reaktionsteorier. Resultaterne af disse metoder viser, at de betydelige differentierede mikrobielle netværk, der er identificeret i endosfæren, rhizoplane og rhizosfærejord af ris.
Introduction
Mikrobiomforskning har stor betydning for forståelsen og manipulationen aføkosystemprocesser 1,2. Mikrobielle populationer er forbundet med interagerende økologiske netværk, hvis egenskaber kan påvirke mikroorganismernes reaktion på miljøændringer3,4. Desuden påvirker disse netværks egenskaber stabiliteten i mikrobielle samfund og er tæt forbundet med jordfunktion5. Vægtet genkorrelationsnetværksanalyse er nu blevet anvendt bredt til forskning i forholdet mellem gener og mikrobielle samfund6. Tidligere undersøgelser har hovedsagelig fokuseret på sammenslutninger mellem netværk af forskellige gener eller populationer og omverdenen7. Forskellene i korrelationsnetværk dannet af mikrobielle populationer under forskellige miljøforhold er imidlertid næppe blevet undersøgt. Formålet med den forskning, der præsenteres i dette papir, er at give indsigt og detaljer om den hurtige implementering af WGCNA-algoritmen til at konstruere et co-occurrence netværk af mikrobiomprøver indsamlet under forskellige miljøforhold. På baggrund af analyseresultaterne vurderede vi befolkningens sammensætning og forskelle og drøftede yderligere forholdet mellem forskellige mikrobielle populationer. Følgende grundlæggende strøm af vægtet korrelationsnetværksalgoritme8 blev anvendt. For det første skulle der konstrueres en lighedsmatrix ved at beregne Pearson-korrelationskoefficienten mellem OTU-udtryksprofilerne (Operational Taxonomic Units). Derefter blev parametrene for adjacency-funktionerne (kraften eller sigmoidadjacencyfunktionerne) vedtaget med et skalafrit topologikriterium, lighedsmatrixen blev omdannet til en adjacency-matrix, og hvert co-occurrence-netværk svarede til en adjacency matrix. Vi brugte gennemsnitlig sammenkædning af hierarkisk klyngedannelse kombineret med tom-baseret forskellighed til at gruppere OTUs med sammenhængende udtryksprofiler i moduler. Derudover beregnede vi forholdet mellem konservative statistikker og de relaterede parameteranalysemoduler og identificerede endelig hub-OTU’en i modulet. Disse metoder er særligt velegnede til analyse af forskellene i netværksstrukturer mellem forskellige mikrobielle populationer under forskellige miljøforhold. I dette manuskript har vi detaljeret beskrevet metoden til udvikling af samudtryksnetværk, analysen af uensartede forskelle mellem modulerne og givet et kort overblik over trinene i den procedure, der anvendes for at opnå kernearterne i forskellige modulnetværk.
Protocol
Representative Results
Discussion
Korrelationsnetværk er i stigende grad blevet anvendt til bioinformatikapplikationer. WGCNA er en systembiologimetode til beskrivende analyse af forholdet mellem forskellige elementer i et biologisk system12. R softwarepakke blev brugt i tidligere arbejde på WGCNA13,14,15. Pakken indeholder funktioner til netværkskonstruktion, moduldetektering, beregninger af topologiske egenskaber, datasimulering, vis…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Udviklingen af dette manuskript blev støttet af midler fra National Natural Science Foundation of China-Guizhou Provincial People’s Government Karst Science Research Center Project (U1812401), Ph.d.-forskningsprojekt fra Guizhou Normal University (GZNUD[201 7]1), Videnskabs- og teknologistøtteprojekt i Guizhouprovinsen (QKHZC[2021]YB459) og Guiyangs videnskabs- og teknologiprojekt ([2019]2-8).
Forfatterne vil gerne takke Edwards J.A et al for at levere rismikrobiotamedata i offentlige databaser og støtte fra TopEdit (www.topeditsci.com) for sin sproglige bistand under udarbejdelsen af dette manuskript.
Materials
| R | The University of Auckland | version 4.0.2 | R is a free software environment for statistical computing and graphics. It compiles and runs on a wide variety of UNIX platforms, Windows and MacOS. |
| RStdio | JJ Allaire | version 1.4.1103 | The RStudio IDE is a set of integrated tools designed to help you be more productive with R and Python. |
| Cytoscape | version 3.7.1 | Cytoscape is an open source software platform for visualizing complex networks and integrating these with any type of attribute data. | |
| NCBI database | The National Center for Biotechnology Information advances science and health by providing access to biomedical and genomic information. |
References
- Philippot, L., Raaijmakers, J. M., Lemanceau, P., vander Putten, W. H. Going back to the roots: the microbial ecology of the rhizosphere. Nature Reviews Microbiology. 11, 789-799 (2013).
- Fierer, N. Embracing the unknown: disentangling the complexities of the soil microbiome. Nature Review Microbiology. 15 (10), 579-590 (2017).
- Jin, J., Wang, G. H., Liu, X. B., Liu, J. D., Chen, X. L., Herbert, S. J. Temporal and spatial dynamics of bacterial community in the rhizosphere of soybean genotypes grown in a black soil. Pedosphere. 19 (6), 808-816 (2009).
- Ma, B., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12 (10), 2492-2505 (2018).
- de Vries, F. T., et al. Soil bacterial networks are less stable under drought than fungal networks. Nature Communications. 9 (1), 3033 (2018).
- Colin, C., et al. Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis. Carcinogenesis. (10), 2300-2308 (2013).
- Ma, B., Zhao, K., Lv, X., et al. Genetic correlation network prediction of forest soil microbial functional organization. ISME J. 12, 2492-2505 (2018).
- Zhang, B., Horvath, S. A general framework for weighted gene co-expression network analysis. Statistical applications in genetics and molecular biology. 4 (1), (2005).
- Edwards, J. A., et al. Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice. PLoS Biology. 16 (2), 2003862 (2018).
- Bashan, Y., De-Bashan, L. E. How the Plant Growth-Promoting Bacterium Azospirillum Promotes Plant Growth-A Critical Assessment. Advances in Agronomy. 108, 77-136 (2010).
- Lovley, D. R., et al. Geobacter: The Microbe Electric’s Physiology, Ecology, and Practical Applications. Advances in Microbial Physiology. 59, 1 (2011).
- Langfelder, P., Horvath, S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 9, 559 (2008).
- Zhang, B., Horvath, S. A General Framework for Weighted Gene Co-expression Network Analysis. Statistical Applications in Genetics and Molecular Biology. 4 (1), 17 (2005).
- Horvath, S., Dong, J. Geometric interpretation of Gene Co-expression Network Analysis. PLoS Computational Biology. 4 (8), 1000117 (2008).
- Langfelder, P., Horvath, S. Eigengene networks for studying the relationships between co-expression modules. BMC Systems Biology. 1, 54 (2007).
- Horvath, S., et al. Analysis of Oncogenic Signaling Networks in Glioblastoma Identifies ASPM as a Novel Molecular Target. Proceedings of the National Academy of Sciences of the United States of America. 103 (46), 17402-17407 (2006).
- Carlson, M. R., et al. and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks. BMC Genomics. 7 (1), 40 (2006).
- Fuller, T., et al. Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight. Mammalian Genome. 6 (18), 463-472 (2007).
- Yin, L., Wang, Y., Lin, Y., et al. Explorative analysis of the gene expression profile during liver regeneration of mouse: a microarray-based study[J]. Artificial Cells Nanomedicine & Biotechnology. 47 (1), 1113-1121 (2019).
- Oldham, M., Horvath, S., Geschwind, D. Conservation and Evolution of Gene Co-expression Networks in Human and Chimpanzee Brains. Proceedings of the National Academy of Sciences of the United States of America. 103 (47), 17973-17978 (2006).
- Oldham, M. C., et al. Functional organization of the transcriptome in human brain. Nature Neuroscience. 11 (11), 1271-1282 (2008).
- Keller, M. P., et al. A gene expression network model of type 2 diabetes links cell cycle regulation in islets with diabetes susceptibility. Genome Research. 18 (5), 706-716 (2008).
- Weston, D., Gunter, L., Rogers, A., Wullschleger, S. Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants. BMC Systems Biology. 2 (1), 16 (2008).
- Jorda´n, F. Keystone species and food webs. Biological Sciences. 364, 1733-1741 (2009).
- Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I. Host-Bacterial Mutualism in the Human Intestine. Science. 307, 1915-1920 (2009).
