Divergens av rotmikrobiota i forskjellige habitater basert på vektede korrelasjonsnettverk
Summary
Nettverksanalyse ble brukt for å evaluere foreningen av ulike økologiske mikrobielle samfunn, som jord, vann og rhizosfære. Presentert her er en protokoll om hvordan du bruker WGCNA-algoritmen til å analysere forskjellige samforekomstnettverk som kan oppstå i mikrobielle samfunn på grunn av forskjellige økologiske miljøer.
Abstract
Rotmikrobiomet spiller en viktig rolle i plantevekst og miljøtilpasning. Nettverksanalyse er et viktig verktøy for å studere samfunn, som effektivt kan utforske interaksjonsforholdet eller samforekomstmodellen til forskjellige mikrobielle arter i forskjellige miljøer. Formålet med dette manuskriptet er å gi detaljer om hvordan man bruker den vektede korrelasjonsnettverksalgoritmen til å analysere forskjellige koforekomstnettverk som kan oppstå i mikrobielle samfunn på grunn av forskjellige økologiske miljøer. All analyse av eksperimentet utføres i WGCNA-pakken. WGCNA er en R-pakke for vektet korrelasjonsnettverksanalyse. De eksperimentelle dataene som ble brukt til å demonstrere disse metodene var mikrobielle samfunnsdata fra NCBI (National Center for Biotechnology Information) database for tre nisjer i ris (Oryza sativa) rotsystem. Vi brukte den vektede korrelasjonsnettverksalgoritmen til å konstruere co-overflodsnettverk av mikrobielle samfunn i hver av de tre nisjene. Deretter ble differensial co-overflod nettverk blant endosphere, rhizoplane og rhizosphere jord identifisert. I tillegg ble kjernegeneren i nettverket oppnådd av “WGCNA” -pakken, som spiller en viktig regulert rolle i nettverksfunksjoner. Disse metodene gjør det mulig for forskere å analysere responsen fra mikrobielt nettverk til miljøforstyrrelser og verifisere ulike mikrobielle økologiske responsteorier. Resultatene av disse metodene viser at de betydelige differensialmikrobielle nettverkene identifisert i endosfæren, rhizoplanet og rhizosfærens jord av ris.
Introduction
Mikrobiomeforskning har viktige implikasjoner for å forstå og manipulere økosystemprosesser1,2. Mikrobielle populasjoner er sammenkoblet ved å samhandle økologiske nettverk, hvis egenskaper kan påvirke mikroorganismers respons på miljøendringer3,4. Videre påvirker egenskapene til disse nettverkene stabiliteten til mikrobielle samfunn, og er nært forbundet med jordfunksjon5. Vektet genkorrelasjonsnettverksanalyse har nå blitt mye brukt til forskning på forholdet mellom gener og mikrobielle samfunn6. Tidligere studier har hovedsakelig fokusert på assosiasjonene mellom nettverk av forskjellige gener eller populasjoner og omverdenen7. Forskjellene i korrelasjonsnettverk dannet av mikrobielle populasjoner under ulike miljøforhold har imidlertid knapt blitt undersøkt. Formålet med forskningen som presenteres i denne artikkelen er å gi innsikt og detaljer om rask implementering av WGCNA-algoritmen for å konstruere et koforekomstnettverk av mikrobiomeprøver samlet inn under forskjellige miljøforhold. Basert på analyseresultatene vurderte vi sammensetningen og forskjellene i befolkningen og diskuterte videre forholdet mellom ulike mikrobielle populasjoner. Følgende grunnleggende flyt av vektet korrelasjonsnettverksalgoritme8 ble brukt. For det første måtte en likhetsmatrise konstrueres ved å beregne Pearson-korrelasjonskoeffisienten mellom OTU-uttrykksprofilene (Operational Taxonomic Units). Deretter ble parametrene til tilstøtende funksjoner (kraften eller sigmoid tilstøtende funksjoner) vedtatt med et skalafritt topologikriterium, likhetsmatrisen ble forvandlet til en tilstøtende matrise, og hvert koforekomstnettverk korresponderte med en tilstøtende matrise. Vi brukte gjennomsnittlig koblingshierarkisk klynge kombinert med TOM-basert ulikhet for å gruppere OTUer med sammenhengende uttrykksprofiler i moduler. Videre beregnet vi forholdet mellom konservativ statistikk og de relaterte parameteranalysemodulene, og identifiserte til slutt hub-OTU i modulen. Disse metodene er spesielt egnet for analyse av forskjellene i nettverksstrukturer blant ulike mikrobielle populasjoner under ulike miljøforhold. I dette manuskriptet har vi i detalj beskrevet metoden for samuttrykksnettverksutvikling, analysen av ulikhetene mellom modulene, og har gitt en kort oversikt over trinnene i prosedyren som brukes for å oppnå kjerneartene i forskjellige modulnettverk.
Protocol
Representative Results
Discussion
Korrelasjonsnettverk har i økende grad blitt brukt i bioinformatikkapplikasjoner. WGCNA er en systembiologisk metode for beskrivende analyse av forholdet mellom ulike elementer i et biologisk system12. R programvarepakken ble brukt i tidligere arbeid på WGCNA13,14,15. Pakken inneholder funksjoner for nettverkskonstruksjon, moduldeteksjon, beregninger av topologiske egenskaper, datasimulering, visualiser…
Declarações
The authors have nothing to disclose.
Acknowledgements
Utviklingen av dette manuskriptet ble støttet av midler fra National Natural Science Foundation of China-Guizhou Provincial People’s Government Karst Science Research Center Project (U1812401), Doctoral Research Project of Guizhou Normal University (GZNUD[2017]1), Science and Technology Support Project of Guizhou Province (QKHZC[2021]YB459) og Vitenskaps- og teknologiprosjektet til Guiyang([2019]2-8).
Forfatterne vil takke Edwards J.A et al for å ha gitt rismikrobiomdata i offentlige databaser og støtte fra TopEdit (www.topeditsci.com) for sin språklige hjelp under utarbeidelsen av dette manuskriptet.
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).
