Divergence du microbiote racinaire dans différents habitats sur la base de réseaux de corrélation pondérés
Summary
L’analyse du réseau a été appliquée pour évaluer l’association de diverses communautés microbiennes écologiques, telles que le sol, l’eau et la rhizosphère. Présenté ici est un protocole sur la façon d’utiliser l’algorithme WGCNA pour analyser différents réseaux de co-occurrence qui peuvent se produire dans les communautés microbiennes en raison de différents environnements écologiques.
Abstract
Le microbiome racinaire joue un rôle important dans la croissance des plantes et l’adaptation environnementale. L’analyse des réseaux est un outil important pour étudier les communautés, qui peut explorer efficacement la relation d’interaction ou le modèle de cooccurrence de différentes espèces microbiennes dans différents environnements. Le but de ce manuscrit est de fournir des détails sur la façon d’utiliser l’algorithme de réseau de corrélation pondéré pour analyser différents réseaux de cooccurrence qui peuvent se produire dans des communautés microbiennes en raison de différents environnements écologiques. Toutes les analyses de l’expérience sont effectuées dans le package WGCNA. WGCNA est un package R pour l’analyse de réseau de corrélation pondérée. Les données expérimentales utilisées pour démontrer ces méthodes étaient des données de communauté microbienne de la base de données NCBI (National Center for Biotechnology Information) pour trois niches du système racinaire du riz (Oryza sativa). Nous avons utilisé l’algorithme du réseau de corrélation pondéré pour construire des réseaux de co-abondance de communauté microbienne dans chacune des trois niches. Ensuite, des réseaux de co-abondance différentielle entre le sol de l’endosphère, du rhizoplan et de la rhizosphère ont été identifiés. En outre, les genres de base en réseau ont été obtenus par le paquet « WGCNA », qui joue un rôle régulé important dans les fonctions de réseau. Ces méthodes permettent aux chercheurs d’analyser la réponse du réseau microbien aux perturbations environnementales et de vérifier différentes théories de la réponse écologique microbienne. Les résultats de ces méthodes montrent que les réseaux microbiens différentiels significatifs identifiés dans le sol de l’endosphère, du rhizoplan et de la rhizosphère du riz.
Introduction
La recherche sur le microbiome a des implications importantes pour la compréhension et la manipulation des processus écosystémiques1,2. Les populations microbiennes sont interconnectées par des réseaux écologiques en interaction, dont les caractéristiques peuvent affecter la réponse des micro-organismes aux changements environnementaux3,4. De plus, les propriétés de ces réseaux affectent la stabilité des communautés microbiennes et sont étroitement associées à la fonction du sol5. L’analyse pondérée du réseau de corrélation génique a maintenant été largement appliquée à la recherche sur la relation entre les gènes et les communautés microbiennes6. Les études précédentes se sont principalement concentrées sur les associations entre les réseaux de différents gènes ou populations et le monde extérieur7. Cependant, les différences dans les réseaux de corrélation formés par les populations microbiennes dans différentes conditions environnementales ont été à peine étudiées. Le but de la recherche présentée dans cet article est de fournir des informations et des détails sur la mise en œuvre rapide de l’algorithme WGCNA pour construire un réseau de cooccurrence d’échantillons de microbiome collectés dans différentes conditions environnementales. Sur la base des résultats de l’analyse, nous avons évalué la composition et les différences de la population et discuté plus en détail de la relation entre les différentes populations microbiennes. Le flux de base suivant de l’algorithme de réseau de corrélationpondérée 8 a été appliqué. Tout d’abord, une matrice de similitude devait être construite en calculant le coefficient de corrélation de Pearson entre les profils d’expression des unités taxonomiques opérationnelles (OTU). Ensuite, les paramètres des fonctions d’adjacence (les fonctions de puissance ou d’adjacence sigmoïde) ont été adoptés avec un critère de topologie sans échelle, la matrice de similarité a été transformée en matrice d’adjacence, et chaque réseau de cooccurrence correspondait à une matrice d’adjacence. Nous avons utilisé le clustering hiérarchique de liaison moyenne couplé à la dissimilarité basée sur TOM pour regrouper les OTU avec des profils d’expression cohérents en modules. De plus, nous avons calculé la relation entre les statistiques conservatrices et les modules d’analyse des paramètres associés, identifiant enfin l’OTU du hub dans le module. Ces méthodes sont particulièrement adaptées à l’analyse des différences dans les structures de réseau entre diverses populations microbiennes dans des conditions environnementales divergentes. Dans ce manuscrit, nous avons décrit en détail la méthode de développement des réseaux de co-expression, l’analyse des dissemblances entre les modules, et avons fourni un bref aperçu des étapes de la procédure appliquée pour obtenir les espèces centrales dans différents réseaux de modules.
Protocol
Representative Results
Discussion
Les réseaux de corrélation sont de plus en plus utilisés dans les applications bioinformatiques. WGCNA est une méthode de biologie des systèmes pour l’analyse descriptive des relations entre divers éléments d’un système biologique12. Le progiciel R a été utilisé dans des travaux antérieurs sur WGCNA13,14,15. Le package comprend des fonctions pour la construction de réseaux, la détection …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Le développement de ce manuscrit a été soutenu par des fonds de la Fondation nationale des sciences naturelles du projet de centre de recherche sur les sciences karstiques du gouvernement populaire de Chine-Guizhou (U1812401), du projet de recherche doctorale de l’Université normale du Guizhou (GZNUD [2017]1), du projet de soutien scientifique et technologique de la province du Guizhou (QKHZC [2021] YB459) et du projet scientifique et technologique du Guiyang ([2019]2-8).
Les auteurs tiennent à remercier Edwards J.A et al pour avoir fourni des données sur le microbiome du riz dans des bases de données publiques et le soutien de TopEdit (www.topeditsci.com) pour son assistance linguistique lors de la préparation de ce manuscrit.
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).
