Divergência de Microbiota Raiz em Diferentes Habitats baseados em Redes de Correlação Ponderada
Summary
A análise de rede foi aplicada para avaliar a associação de diversas comunidades microbianas ecológicas, como solo, água e rizosfera. Apresentado aqui é um protocolo sobre como usar o algoritmo WGCNA para analisar diferentes redes de co-ocorrência que podem ocorrer nas comunidades microbianas devido a diferentes ambientes ecológicos.
Abstract
O microbioma raiz desempenha um papel importante no crescimento das plantas e na adaptação ambiental. A análise de rede é uma importante ferramenta para estudar comunidades, que pode explorar efetivamente a relação de interação ou modelo de co-ocorrência de diferentes espécies microbianas em diferentes ambientes. O objetivo deste manuscrito é fornecer detalhes sobre como usar o algoritmo de rede de correlação ponderada para analisar diferentes redes de co-ocorrência que podem ocorrer em comunidades microbianas devido a diferentes ambientes ecológicos. Toda a análise do experimento é realizada no pacote WGCNA. WGCNA é um pacote R para análise ponderada da rede de correlação. Os dados experimentais utilizados para demonstrar esses métodos foram dados da comunidade microbiana do banco de dados do NCBI (National Center for Biotechnology Information) para três nichos do sistema radicular de arroz (Oryza sativa). Utilizamos o algoritmo de rede de correlação ponderada para construir redes de co-abundância da comunidade microbiana em cada um dos três nichos. Em seguida, foram identificadas redes diferenciais de co-abundância entre o solo endosfera, rizoplane e rizosfera. Além disso, os gêneros principais na rede foram obtidos pelo pacote “WGCNA”, que desempenha um papel regulado importante nas funções de rede. Esses métodos permitem aos pesquisadores analisar a resposta da rede microbiana à perturbação ambiental e verificar diferentes teorias de resposta ecológica microbiana. Os resultados desses métodos mostram que as significativas redes microbianas diferenciais identificadas na endosfera, rizoplane e rizosfera do solo de arroz.
Introduction
A pesquisa de microbioma tem implicações importantes para compreender e manipular processos ecossistêmicos1,2. As populações microbianas estão interligadas pela interação de redes ecológicas, cujas características podem afetar a resposta dos microrganismos às mudanças ambientais3,4. Além disso, as propriedades dessas redes afetam a estabilidade das comunidades microbianas e estão intimamente associadas à função do solo5. A análise ponderada da rede de correlação genética tem sido amplamente aplicada para pesquisas sobre a relação entre genes e comunidades microbianas6. Estudos anteriores têm focado principalmente nas associações entre redes de diferentes genes ou populações e o mundo exterior7. No entanto, as diferenças nas redes de correlação formadas por populações microbianas em diferentes condições ambientais têm sido pouco investigadas. O objetivo da pesquisa apresentada neste artigo é fornecer insights e detalhes sobre a rápida implementação do algoritmo WGCNA para a construção de uma rede de co-ocorrência de amostras de microbioma coletadas em diferentes condições ambientais. Com base nos resultados da análise, avaliamos a composição e as diferenças da população e discutimos ainda a relação entre diferentes populações microbianas. Foi aplicado o seguinte fluxo básico do algoritmo de rede de correlaçãoponderada 8. Em primeiro lugar, uma matriz de similaridade precisava ser construída através do cálculo do coeficiente de correlação de Pearson entre os perfis de expressão das Unidades Taxonômicas Operacionais (OTU). Em seguida, os parâmetros das funções de adjacência (o poder ou as funções de adjacência sigmoide) foram adotados com um critério de topologia livre de escala, a matriz de similaridade foi transformada em uma matriz de adjacência, e cada rede de co-ocorrência correspondeu a uma matriz de adjacência. Usamos clusters hierárquicos de linkage médio, juntamente com a diferença baseada em TOM para agrupar OTUs com perfis de expressão coerentes em módulos. Além disso, calculamos a relação entre estatísticas conservadoras e os módulos de análise de parâmetros relacionados, identificando finalmente o hub OTU no módulo. Esses métodos são particularmente adequados para a análise das diferenças nas estruturas de rede entre várias populações microbianas em condições ambientais divergentes. Neste manuscrito, descrevemos detalhadamente o método de desenvolvimento da rede de co-expressão, a análise das diferenças entre os módulos e fornecemos uma breve visão geral das etapas do procedimento aplicado para obter as espécies centrais em diferentes redes de módulos.
Protocol
Representative Results
Discussion
As redes de correlação têm sido cada vez mais utilizadas em aplicações bioinformáticas. WGCNA é um método de biologia de sistemas para análise descritiva das relações entre vários elementos de um sistema biológico12. O pacote de software R foi usado em trabalhos anteriores no WGCNA13,14,15. O pacote inclui funções para construção de rede, detecção de módulos, cálculos de propriedades …
Divulgations
The authors have nothing to disclose.
Acknowledgements
O desenvolvimento deste manuscrito foi apoiado por fundos da National Natural Science Foundation of China-Guizhou Provincial People’s Government Karst Science Research Center Project (U1812401), Projeto de Pesquisa de Doutorado da Universidade Normal de Guizhou (GZNUD[2011 7]1), Projeto de Apoio à Ciência e Tecnologia da Província de Guizhou (QKHZC[2021]YB459) e ao Projeto de Ciência e Tecnologia do Guiyang([2019]2-8).
Os autores gostariam de agradecer a Edwards J.A et al por fornecer dados de microbioma de arroz em bancos de dados públicos e apoio da TopEdit (www.topeditsci.com) por sua assistência linguística durante a elaboração deste manuscrito.
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).
