Дивергенция корневой микробиоты в различных средах обитания на основе взвешенных корреляционных сетей
Summary
Сетевой анализ был применен для оценки ассоциации различных экологических микробных сообществ, таких как почва, вода и ризосфера. Здесь представлен протокол о том, как использовать алгоритм WGCNA для анализа различных сетей совместного возникновения, которые могут возникать в микробных сообществах из-за различных экологических сред.
Abstract
Корневой микробиом играет важную роль в росте растений и адаптации к окружающей среде. Сетевой анализ является важным инструментом для изучения сообществ, который может эффективно исследовать взаимосвязь или модель совместного возникновения различных микробных видов в разных средах. Целью этой рукописи является предоставление подробной информации о том, как использовать алгоритм взвешенной корреляционной сети для анализа различных сетей совместного возникновения, которые могут возникать в микробных сообществах из-за различных экологических сред. Весь анализ эксперимента выполняется в пакете WGCNA. WGCNA представляет собой R-пакет для взвешенного корреляционного сетевого анализа. Экспериментальные данные, использованные для демонстрации этих методов, были данными микробного сообщества из базы данных NCBI (Национальный центр биотехнологической информации) для трех ниш корневой системы риса (Oryza sativa). Мы использовали алгоритм взвешенной корреляционной сети для построения сетей совместного изобилия микробного сообщества в каждой из трех ниш. Затем были выявлены дифференциальные сети совместного изобилия между эндосферой, ризопланом и ризосферой почвы. Кроме того, основные роды в сети были получены пакетом «WGCNA», который играет важную регулируемую роль в сетевых функциях. Эти методы позволяют исследователям анализировать реакцию микробной сети на нарушение окружающей среды и проверять различные теории микробного экологического ответа. Результаты этих методов показывают, что значимые дифференциальные микробные сети выявлены в эндосфере, ризоплане и ризосфере почвы риса.
Introduction
Исследования микробиома имеют важные последствия для понимания и манипулирования экосистемными процессами1,2. Микробные популяции взаимосвязаны взаимодействующими экологическими сетями, характеристики которых могут влиять на реакцию микроорганизмов на изменения окружающей среды3,4. Кроме того, свойства этих сетей влияют на стабильность микробных сообществ и тесно связаны с функцией почвы5. Взвешенный анализ корреляционной сети генов в настоящее время широко применяется для исследований взаимосвязи между генами и микробными сообществами6. Предыдущие исследования были сосредоточены в основном на ассоциациях между сетями различных генов или популяций и внешним миром7. Однако различия в корреляционных сетях, сформированных микробными популяциями в различных условиях окружающей среды, практически не исследовались. Цель исследования, представленного в этой статье, состоит в том, чтобы предоставить информацию и подробную информацию о быстрой реализации алгоритма WGCNA для построения сети совместного возникновения образцов микробиома, собранных в различных условиях окружающей среды. На основе результатов анализа мы оценили состав и различия популяции и далее обсудили взаимосвязь между различными микробными популяциями. Применен следующий базовый поток взвешенной корреляционной сетиалгоритма 8. Во-первых, необходимо было построить матрицу подобия путем вычисления коэффициента корреляции Пирсона между профилями выражений операционных таксономических единиц (OTU). Затем параметры функций смежности (степенные или сигмовидные функции смежности) были приняты с критерием топологии без шкалы, матрица подобия была преобразована в матрицу смежности, и каждая сеть совместного возникновения соответствовала матрице смежности. Мы использовали среднюю иерархическую кластеризацию связей в сочетании с непохожестью на основе TOM для группировки OTUs с когерентными профилями выражений в модули. Далее мы рассчитали взаимосвязь между консервативной статистикой и соответствующими модулями анализа параметров, окончательно определив хаб OTU в модуле. Эти методы особенно подходят для анализа различий в сетевых структурах между различными микробными популяциями в различных условиях окружающей среды. В этой рукописи мы подробно описали метод развития сети коэкспрессии, анализ несходств между модулями и предоставили краткий обзор этапов процедуры, применяемой для получения основных видов в различных модульных сетях.
Protocol
Representative Results
Discussion
Корреляционные сети все чаще используются в приложениях биоинформатики. WGCNA – это метод системной биологии для описательного анализа отношений между различными элементами биологической системы12. Программный пакет R использовался в более ранних работах над WGCNA13,<…
Declarações
The authors have nothing to disclose.
Acknowledgements
Разработка этой рукописи была поддержана средствами Национального фонда естественных наук Провинции Китай-Гуйчжоу провинциального народного правительства Карстовый исследовательский центр проекта (U1812401), Докторского исследовательского проекта Гуйчжоуского педагогического университета (GZNUD[2017]1), Проекта поддержки науки и техники провинции Гуйчжоу (QKHZC[2021]YB459) и Научно-технического проекта Гуйяна ([2019]2-8).
Авторы хотели бы поблагодарить Edwards J.A et al за предоставление данных о микробиоме риса в общедоступных базах данных и поддержку со стороны TopEdit (www.topeditsci.com) за лингвистическую помощь во время подготовки этой рукописи.
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).
