Divergenza del microbiota radicale in diversi habitat in base a reti di correlazione ponderate
Summary
L’analisi della rete è stata applicata per valutare l’associazione di varie comunità microbiche ecologiche, come suolo, acqua e rizosfera. Qui è presentato un protocollo su come utilizzare l’algoritmo WGCNA per analizzare diverse reti di co-occorrenza che possono verificarsi nelle comunità microbiche a causa di diversi ambienti ecologici.
Abstract
Il microbioma radicale svolge un ruolo importante nella crescita delle piante e nell’adattamento ambientale. L’analisi di rete è uno strumento importante per lo studio delle comunità, che possono esplorare efficacemente la relazione di interazione o il modello di co-occorrenza di diverse specie microbiche in ambienti diversi. Lo scopo di questo manoscritto è quello di fornire dettagli su come utilizzare l’algoritmo della rete di correlazione ponderata per analizzare diverse reti di co-occorrenza che possono verificarsi nelle comunità microbiche a causa di diversi ambienti ecologici. Tutte le analisi dell’esperimento vengono eseguite nel pacchetto WGCNA. WGCNA è un pacchetto R per l’analisi ponderata della rete di correlazione. I dati sperimentali utilizzati per dimostrare questi metodi erano dati della comunità microbica dal database NCBI (National Center for Biotechnology Information) per tre nicchie del sistema radicale del riso (Oryza sativa). Abbiamo usato l’algoritmo della rete di correlazione ponderata per costruire reti di co-abbondanza di comunità microbica in ciascuna delle tre nicchie. Quindi, sono state identificate reti di co-abbondanza differenziale tra endosfera, rizopiano e suolo rizosfera. Inoltre, i generi principali in rete sono stati ottenuti dal pacchetto “WGCNA”, che svolge un importante ruolo regolato nelle funzioni di rete. Questi metodi consentono ai ricercatori di analizzare la risposta della rete microbica ai disturbi ambientali e verificare diverse teorie di risposta ecologica microbica. I risultati di questi metodi mostrano che le significative reti microbiche differenziali identificate nel suolo dell’endosfera, del rizopiano e della rizosfera del riso.
Introduction
La ricerca sul microbioma ha importanti implicazioni per la comprensione e la manipolazione dei processiecosistemici 1,2. Le popolazioni microbiche sono interconnesse da reti ecologiche interagenti, le cui caratteristiche possono influenzare la risposta dei microrganismi ai cambiamenti ambientali3,4. Inoltre, le proprietà di queste reti influenzano la stabilità delle comunità microbiche e sono strettamente associate alla funzione delsuolo 5. L’analisi ponderata della rete di correlazione genica è stata ora ampiamente applicata per la ricerca sulla relazione tra geni e comunità microbiche6. Studi precedenti si sono concentrati principalmente sulle associazioni tra reti di geni o popolazioni diverse e il mondo esterno7. Tuttavia, le differenze nelle reti di correlazione formate da popolazioni microbiche in diverse condizioni ambientali sono state scarsamente studiate. Lo scopo della ricerca presentata in questo documento è quello di fornire approfondimenti e dettagli sulla rapida implementazione dell’algoritmo WGCNA per costruire una rete di co-occorrenza di campioni di microbioma raccolti in diverse condizioni ambientali. Sulla base dei risultati dell’analisi, abbiamo valutato la composizione e le differenze della popolazione e discusso ulteriormente la relazione tra le diverse popolazioni microbiche. È stato applicato il seguente flusso di base dell’algoritmo di rete di correlazione ponderata8. In primo luogo, era necessario costruire una matrice di somiglianza calcolando il coefficiente di correlazione di Pearson tra i profili di espressione OTU (Operational Taxonomic Units). Quindi, i parametri delle funzioni di adiacenza (le funzioni di adiacenza di potenza o sigmoide) sono stati adottati con un criterio di topologia senza scala, la matrice di somiglianza è stata trasformata in una matrice di adiacenza e ogni rete di co-occorrenza corrispondeva a una matrice di adiacenza. Abbiamo utilizzato il clustering gerarchico di collegamento medio abbinato alla dissomiglianza basata su TOM per raggruppare le OTA con profili di espressione coerenti in moduli. Inoltre, abbiamo calcolato la relazione tra le statistiche conservative e i relativi moduli di analisi dei parametri, identificando infine l’OTU dell’hub nel modulo. Questi metodi sono particolarmente adatti per l’analisi delle differenze nelle strutture di rete tra varie popolazioni microbiche in condizioni ambientali divergenti. In questo manoscritto, abbiamo descritto in dettaglio il metodo di sviluppo della rete di co-espressione, l’analisi delle differenze tra i moduli e abbiamo fornito una breve panoramica dei passaggi della procedura applicata per ottenere le specie principali in diverse reti di moduli.
Protocol
Representative Results
Discussion
Le reti di correlazione sono state sempre più utilizzate nelle applicazioni bioinformatiche. WGCNA è un metodo di biologia dei sistemi per l’analisi descrittiva delle relazioni tra vari elementi di un sistema biologico12. Il pacchetto software R è stato utilizzato in lavori precedenti su WGCNA13,14,15. Il pacchetto include funzioni per la costruzione di reti, il rilevamento di moduli, calcoli di propri…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Lo sviluppo di questo manoscritto è stato supportato da fondi della National Natural Science Foundation of China-Guizhou Provincial People’s Government Karst Science Research Center Project (U1812401), del Doctoral Research Project della Guizhou Normal University (GZNUD[2017]1), del Science and Technology Support Project della provincia di Guizhou (QKHZC[2021]YB459) e del Science and Technology Project of the Guiyang([2019]2-8).
Gli autori desiderano ringraziare Edwards J.A et al per aver fornito dati sul microbioma del riso in database pubblici e il supporto di TopEdit (www.topeditsci.com) per la sua assistenza linguistica durante la preparazione di questo manoscritto.
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).
