Divergencia de la microbiota radicular en diferentes hábitats basada en redes de correlación ponderadas
Summary
Se aplicó el análisis de redes para evaluar la asociación de varias comunidades microbianas ecológicas, como el suelo, el agua y la rizosfera. Aquí se presenta un protocolo sobre cómo usar el algoritmo WGCNA para analizar diferentes redes de co-ocurrencia que pueden ocurrir en las comunidades microbianas debido a diferentes entornos ecológicos.
Abstract
El microbioma radicular juega un papel importante en el crecimiento de las plantas y la adaptación ambiental. El análisis de redes es una herramienta importante para estudiar las comunidades, que pueden explorar eficazmente la relación de interacción o el modelo de co-ocurrencia de diferentes especies microbianas en diferentes entornos. El propósito de este manuscrito es proporcionar detalles sobre cómo utilizar el algoritmo de red de correlación ponderada para analizar diferentes redes de co-ocurrencia que pueden ocurrir en comunidades microbianas debido a diferentes entornos ecológicos. Todo el análisis del experimento se realiza en el paquete WGCNA. WGCNA es un paquete R para el análisis de redes de correlación ponderada. Los datos experimentales utilizados para demostrar estos métodos fueron datos de la comunidad microbiana de la base de datos NCBI (Centro Nacional de Información Biotecnológica) para tres nichos del sistema radicular del arroz (Oryza sativa). Utilizamos el algoritmo de red de correlación ponderada para construir redes de coabundancia de comunidad microbiana en cada uno de los tres nichos. Luego, se identificaron redes diferenciales de coabundancia entre el suelo de endosfera, rizóplano y rizosfera. Además, los géneros centrales en la red se obtuvieron mediante el paquete “WGCNA”, que desempeña un importante papel regulado en las funciones de red. Estos métodos permiten a los investigadores analizar la respuesta de la red microbiana a la perturbación ambiental y verificar diferentes teorías de respuesta ecológica microbiana. Los resultados de estos métodos muestran que las importantes redes microbianas diferenciales identificadas en la endosfera, el rizóplano y la rizosfera del suelo del arroz.
Introduction
La investigación del microbioma tiene implicaciones importantes para la comprensión y manipulación de los procesos de losecosistemas 1,2. Las poblaciones microbianas están interconectadas por redes ecológicas que interactúan, cuyas características pueden afectar la respuesta de los microorganismos a los cambios ambientales3,4. Además, las propiedades de estas redes afectan a la estabilidad de las comunidades microbianas, y están estrechamente asociadas con la función del suelo5. El análisis de redes de correlación de genes ponderados ahora se ha aplicado ampliamente para la investigación sobre la relación entre los genes y las comunidades microbianas6. Estudios previos se han centrado principalmente en las asociaciones entre redes de diferentes genes o poblaciones y el mundo exterior7. Sin embargo, las diferencias en las redes de correlación formadas por poblaciones microbianas bajo diferentes condiciones ambientales apenas se han investigado. El propósito de la investigación presentada en este documento es proporcionar información y detalles sobre la rápida implementación del algoritmo WGCNA para construir una red de co-ocurrencia de muestras de microbioma recolectadas bajo diferentes condiciones ambientales. Sobre la base de los resultados del análisis, evaluamos la composición y las diferencias de la población y discutimos más a fondo la relación entre las diferentes poblaciones microbianas. Se aplicó el siguiente flujo básico del algoritmo de red de correlación ponderada8. En primer lugar, era necesario construir una matriz de similitud calculando el coeficiente de correlación de Pearson entre los perfiles de expresión de unidades taxonómicas operativas (OTU). Luego, los parámetros de las funciones de adyacencia (las funciones de potencia o de adyacencia sigmoide) se adoptaron con un criterio de topología libre de escala, la matriz de similitud se transformó en una matriz de adyacencia y cada red de co-ocurrencia correspondió a una matriz de adyacencia. Utilizamos la agrupación jerárquica de enlace promedio junto con la disimilitud basada en TOM para agrupar OTU con perfiles de expresión coherentes en módulos. Además, calculamos la relación entre la estadística conservadora y los módulos de análisis de parámetros relacionados, identificando finalmente el hub OTU en el módulo. Estos métodos son particularmente adecuados para el análisis de las diferencias en las estructuras de red entre varias poblaciones microbianas en condiciones ambientales divergentes. En este manuscrito, hemos descrito en detalle el método de desarrollo de redes de coexpresión, el análisis de las diferencias entre los módulos, y hemos proporcionado una breve visión general de los pasos en el procedimiento aplicado para obtener las especies centrales en diferentes redes de módulos.
Protocol
Representative Results
Discussion
Las redes de correlación se han utilizado cada vez más en aplicaciones bioinformáticas. WGCNA es un método de biología de sistemas para el análisis descriptivo de las relaciones entre varios elementos de un sistema biológico12. El paquete de software R se utilizó en trabajos anteriores sobre WGCNA13,14,15. El paquete incluye funciones para la construcción de redes, detección de módulos, cálcul…
Declarações
The authors have nothing to disclose.
Acknowledgements
El desarrollo de este manuscrito fue apoyado por fondos de la Fundación Nacional de Ciencias Naturales del Proyecto del Centro de Investigación Científica Karst del Gobierno Popular Provincial de China-Guizhou (U1812401), el Proyecto de Investigación Doctoral de la Universidad Normal de Guizhou (GZNUD[2017]1), el Proyecto de Apoyo a la Ciencia y la Tecnología de la Provincia de Guizhou (QKHZC[2021]YB459) y el Proyecto de Ciencia y Tecnología de Guiyang ([2019]2-8).
Los autores desean agradecer a Edwards J.A et al por proporcionar datos del microbioma del arroz en bases de datos públicas y el apoyo de TopEdit (www.topeditsci.com) por su asistencia lingüística durante la preparación de este 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. |
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).
