Divergenz von Wurzelmikrobiota in verschiedenen Lebensräumen basierend auf gewichteten Korrelationsnetzwerken
Summary
Die Netzwerkanalyse wurde angewendet, um die Assoziation verschiedener ökologischer mikrobieller Gemeinschaften wie Boden, Wasser und Rhizosphäre zu bewerten. Hier wird ein Protokoll vorgestellt, wie der WGCNA-Algorithmus verwendet werden kann, um verschiedene Co-Occurrence-Netzwerke zu analysieren, die in den mikrobiellen Gemeinschaften aufgrund unterschiedlicher ökologischer Umgebungen auftreten können.
Abstract
Das Wurzelmikrobiom spielt eine wichtige Rolle beim Pflanzenwachstum und der Anpassung an die Umwelt. Die Netzwerkanalyse ist ein wichtiges Werkzeug für die Untersuchung von Gemeinschaften, die die Interaktionsbeziehung oder das Co-Occurrence-Modell verschiedener mikrobieller Arten in verschiedenen Umgebungen effektiv untersuchen können. Der Zweck dieses Manuskripts ist es, Details darüber zu liefern, wie der gewichtete Korrelationsnetzwerkalgorithmus verwendet werden kann, um verschiedene Co-Occurrence-Netzwerke zu analysieren, die in mikrobiellen Gemeinschaften aufgrund unterschiedlicher ökologischer Umgebungen auftreten können. Alle Analysen des Experiments werden im WGCNA-Paket durchgeführt. WGCNA ist ein R-Paket für die gewichtete Korrelationsnetzwerkanalyse. Die experimentellen Daten, die zur Demonstration dieser Methoden verwendet wurden, waren mikrobielle Gemeinschaftsdaten aus der NCBI-Datenbank (National Center for Biotechnology Information) für drei Nischen des Reiswurzelsystems (Oryza sativa). Wir haben den algorithmus für gewichtete Korrelationsnetzwerke verwendet, um Co-Abundance-Netzwerke mikrobieller Gemeinschaften in jeder der drei Nischen zu konstruieren. Dann wurden differentielle Ko-Abundanz-Netzwerke zwischen Endosphäre, Rhizoplan und Rhizosphärenboden identifiziert. Darüber hinaus wurden die Kerngattungen im Netzwerk durch das “WGCNA”-Paket erhalten, das eine wichtige regulierte Rolle bei Netzwerkfunktionen spielt. Diese Methoden ermöglichen es den Forschern, die Reaktion mikrobieller Netzwerke auf Umweltstörungen zu analysieren und verschiedene mikrobielle ökologische Reaktionstheorien zu überprüfen. Die Ergebnisse dieser Methoden zeigen, dass die signifikanten differentiellen mikrobiellen Netzwerke in der Endosphäre, Rhizoplane und Rhizosphäre Boden von Reis identifiziert werden.
Introduction
Mikrobiomforschung hat wichtige Implikationen für das Verständnis und die Manipulation von Ökosystemprozessen1,2. Mikrobielle Populationen sind durch interagierende ökologische Netzwerke miteinander verbunden, deren Eigenschaften die Reaktion von Mikroorganismen auf Umweltveränderungen beeinflussen können3,4. Darüber hinaus beeinflussen die Eigenschaften dieser Netzwerke die Stabilität mikrobieller Gemeinschaften und sind eng mit der Bodenfunktion verbunden5. Die gewichtete Genkorrelationsnetzwerkanalyse wurde nun häufig für die Erforschung der Beziehung zwischen Genen und mikrobiellen Gemeinschafteneingesetzt 6. Frühere Studien haben sich hauptsächlich auf die Assoziationen zwischen Netzwerken verschiedener Gene oder Populationen und der Außenwelt konzentriert7. Die Unterschiede in den Korrelationsnetzwerken, die mikrobielle Populationen unter verschiedenen Umweltbedingungen bilden, sind jedoch kaum untersucht. Der Zweck der in diesem Artikel vorgestellten Forschung besteht darin, Einblicke und Details zur schnellen Implementierung des WGCNA-Algorithmus zu liefern, um ein Netzwerk von Mikrobiomproben zu konstruieren, die unter verschiedenen Umweltbedingungen gesammelt wurden. Basierend auf den Analyseergebnissen bewerteten wir die Zusammensetzung und Unterschiede der Population und diskutierten die Beziehung zwischen verschiedenen mikrobiellen Populationen. Der folgende grundlegende Fluss des gewichteten Korrelationsnetzwerkalgorithmus8 wurde angewendet. Zunächst musste eine Ähnlichkeitsmatrix erstellt werden, indem der Pearson-Korrelationskoeffizient zwischen den OTU-Ausdrucksprofilen (Operational Taxonomic Units) berechnet wurde. Dann wurden die Parameter der Adjazenzfunktionen (die Power- oder die Sigmoid-Adjazenzfunktionen) mit einem skalenfreien Topologiekriterium übernommen, die Ähnlichkeitsmatrix wurde in eine Adjazenzmatrix umgewandelt und jedes Co-Occurrence-Netzwerk entsprach einer Adjazenzmatrix. Wir verwendeten hierarchisches Clustering mit durchschnittlicher Verknüpfung in Verbindung mit der TOM-basierten Unähnlichkeit, um OTUs mit kohärenten Ausdrucksprofilen in Module zu gruppieren. Darüber hinaus berechneten wir die Beziehung zwischen konservativer Statistik und den zugehörigen Parameteranalysemodulen und identifizierten schließlich die Hub-OTU im Modul. Diese Methoden eignen sich besonders für die Analyse der Unterschiede in den Netzwerkstrukturen zwischen verschiedenen mikrobiellen Populationen unter divergierenden Umweltbedingungen. In diesem Manuskript haben wir die Methode der Co-Expression Network-Entwicklung, die Analyse der Unterschiede zwischen den Modulen detailliert beschrieben und einen kurzen Überblick über die Schritte im Verfahren gegeben, um die Kernspezies in verschiedenen Modulnetzwerken zu erhalten.
Protocol
Representative Results
Discussion
Korrelationsnetzwerke werden zunehmend in bioinformatischen Anwendungen eingesetzt. WGCNA ist eine systembiologische Methode zur deskriptiven Analyse der Beziehungen zwischen verschiedenen Elementen eines biologischen Systems12. R-Softwarepaket wurde in früheren Arbeiten an WGCNA13,14,15verwendet. Das Paket enthält Funktionen für den Netzwerkaufbau, Modulerkennung, Berechnung topologischer Eigenschafte…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Die Entwicklung dieses Manuskripts wurde durch Mittel der National Natural Science Foundation of China-Guizhou Provincial People’s Government Karst Science Research Center Project (U1812401), des Doctoral Research Project der Guizhou Normal University (GZNUD[2017]1), des Science and Technology Support Project der Provinz Guizhou (QKHZC[2021]YB459) und des Science and Technology Project des Guiyang([2019]2-8) unterstützt.
Die Autoren danken Edwards J.A et al. für die Bereitstellung von Reismikrobiomdaten in öffentlichen Datenbanken und die Unterstützung von TopEdit (www.topeditsci.com) für die sprachliche Unterstützung bei der Erstellung dieses Manuskripts.
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).
