اختلاف ميكروبيوتا الجذر في الموائل المختلفة على أساس شبكات الارتباط المرجح
Summary
وطبق تحليل الشبكة لتقييم ارتباط مختلف المجتمعات الميكروبية الإيكولوجية، مثل التربة والمياه ورهيزوسفير. يقدم هنا بروتوكول حول كيفية استخدام خوارزمية WGCNA لتحليل شبكات التواجد المشترك المختلفة التي قد تحدث في المجتمعات الميكروبية بسبب بيئات بيئية مختلفة.
Abstract
يلعب ميكروبيوم الجذر دورا هاما في نمو النبات والتكيف البيئي. تحليل الشبكة هو أداة هامة لدراسة المجتمعات المحلية، والتي يمكن أن تستكشف بشكل فعال العلاقة التفاعل أو نموذج الحدوث المشترك للأنواع الميكروبية المختلفة في بيئات مختلفة. الغرض من هذه المخطوطة هو تقديم تفاصيل حول كيفية استخدام خوارزمية شبكة الارتباط المرجحة لتحليل شبكات التواجد المشترك المختلفة التي قد تحدث في المجتمعات الميكروبية بسبب بيئات بيئية مختلفة. يتم إجراء جميع التحليلات الخاصة بالتجربة في حزمة WGCNA. WGCNA هو حزمة R لتحليل شبكة الارتباط المرجح. وكانت البيانات التجريبية المستخدمة لإثبات هذه الأساليب هي بيانات مجتمعية ميكروبية من قاعدة بيانات المركز الوطني لمعلومات التكنولوجيا الأحيائية لثلاثة منافذ لنظام جذور الأرز (أوريزا ساتيفا). استخدمنا خوارزمية شبكة الارتباط المرجحة لبناء شبكات وفرة مشتركة من المجتمع الميكروبي في كل من المنافذ الثلاثة. ثم تم تحديد شبكات الوفرة المشتركة التفاضلية بين التربة المحيطية والرهيزوبلان ورهيزوسفير. وبالإضافة إلى ذلك، تم الحصول على الأجناس الأساسية في الشبكة من خلال حزمة “WGCNA”، التي تلعب دورا هاما منظما في وظائف الشبكة. تمكن هذه الأساليب الباحثين من تحليل استجابة الشبكة الميكروبية للاضطرابات البيئية والتحقق من نظريات الاستجابة الإيكولوجية الميكروبية المختلفة. وتبين نتائج هذه الأساليب أن الشبكات الميكروبية التفاضلية الهامة التي تم تحديدها في التربة الاندوسفيرية ورهيزوبلان ورهيزوسفير للأرز.
Introduction
أبحاث الميكروبيوم لها آثار هامة على فهم والتلاعب في عمليات النظام الإيكولوجي1،2. وترابط التجمعات الميكروبية من خلال التفاعل بين الشبكات الإيكولوجية، التي يمكن أن تؤثر خصائصها على استجابة الكائنات الحية الدقيقة للتغيرات البيئية3و4. وعلاوة على ذلك، تؤثر خصائص هذه الشبكات على استقرار المجتمعات الميكروبية، وترتبط ارتباطا وثيقا بوظيفة التربة5. وقد تم الآن تحليل شبكة الارتباط الجيني المرجح على نطاق واسع للبحث في العلاقة بين الجينات والمجتمعات الميكروبية6. وقد ركزت الدراسات السابقة أساسا على الارتباطات بين شبكات الجينات المختلفة أو السكان والعالم الخارجي7. ومع ذلك، لم يتم التحقيق في الاختلافات في شبكات الارتباط التي شكلتها المجموعات الميكروبية في ظل ظروف بيئية مختلفة. الغرض من البحث المقدم في هذه الورقة هو تقديم رؤى وتفاصيل حول التنفيذ السريع لوغاريتم WGCNA لبناء شبكة مشتركة من عينات الميكروبيوم التي تم جمعها في ظل ظروف بيئية مختلفة. وبناء على نتائج التحليل، قمنا بتقييم تكوين السكان واختلافاتهم وناقشنا العلاقة بين المجموعات الميكروبية المختلفة. تم تطبيق التدفق الأساسي التالي من خوارزمية شبكة الارتباطالمرجحة 8. أولا، يجب إنشاء مصفوفة تشابه عن طريق حساب معامل ارتباط Pearson بين ملفات تعريف التعبير وحدات التصنيف التشغيلية (OTU). ثم، تم اعتماد معلمات وظائف التجاور (السلطة أو وظائف التجاور sigmoid) مع معيار طوبولوجيا خالية من النطاق، تم تحويل مصفوفة التشابه إلى مصفوفة التجاور، وكل شبكة مشتركة بين حدوث تتوافق مع مصفوفة التجاور. استخدمنا متوسط التجميع الهرمي للربط إلى جانب الاختلاف القائم على TOM لتجميع OTUs مع ملامح تعبير متماسكة في وحدات. علاوة على ذلك، قمنا بحساب العلاقة بين الإحصاءات المحافظة ووحدات تحليل المعلمات ذات الصلة، وأخيرا تحديد وحدة الإرسال الكبرى المحورية في الوحدة النمطية. وهذه الأساليب مناسبة بشكل خاص لتحليل الاختلافات في هياكل الشبكات بين مختلف المجموعات الميكروبية في ظل ظروف بيئية متباينة. في هذه المخطوطة، قمنا بوصف طريقة تطوير شبكة التعبير المشترك بالتفصيل، وتحليل الانحرافات بين الوحدات، وقدمنا لمحة عامة موجزة عن الخطوات في الإجراء المطبق للحصول على الأنواع الأساسية في شبكات الوحدات المختلفة.
Protocol
Representative Results
Discussion
وقد استخدمت شبكات الارتباط بشكل متزايد في تطبيقات المعلوماتية الحيوية. WGCNA هو أسلوب بيولوجيا النظم للتحليل الوصفي للعلاقات بين العناصر المختلفة للنظام البيولوجي12. تم استخدام حزمة برامج R في العمل في وقت سابق على WGCNA13،14،15. وت?…
Declarações
The authors have nothing to disclose.
Acknowledgements
تم دعم تطوير هذه المخطوطة بأموال من المؤسسة الوطنية للعلوم الطبيعية التابعة لمشروع مركز أبحاث العلوم في حكومة إقليم الصين-قويتشو (U1812401)، ومشروع أبحاث الدكتوراه في جامعة قويتشو العادية (GZNUD[20). 17]1)، مشروع دعم العلوم والتكنولوجيا في مقاطعة قويتشو (QKHZC[2021]YB459) ومشروع العلوم والتكنولوجيا في قوييانغ([2019]2-8).
ويود المؤلفون أن يشكروا إدواردز ج. أ. وآخرين على توفير بيانات ميكروبيوم الأرز في قواعد البيانات العامة والدعم المقدم من TopEdit (www.topeditsci.com) على مساعدته اللغوية أثناء إعداد هذه المخطوطة.
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. |
Referências
- 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).
