Ağırlıklı Korelasyon Ağlarına Dayalı Farklı Habitatlarda Kök Mikrobiyotasının Ayrışması
Summary
Toprak, su ve rizosfer gibi çeşitli ekolojik mikrobiyal toplulukların birlikteliğini değerlendirmek için ağ analizi uygulandı. Burada sunulan, farklı ekolojik ortamlar nedeniyle mikrobiyal topluluklarda oluşabilecek farklı birlikte oluşum ağlarını analiz etmek için WGCNA algoritmasının nasıl kullanılacağına ilişkin bir protokoldür.
Abstract
Kök mikrobiyomu bitki büyümesinde ve çevresel adaptasyonda önemli bir rol oynar. Ağ analizi, farklı ortamlarda farklı mikrobiyal türlerin etkileşim ilişkisini veya birlikte oluşum modelini etkili bir şekilde keşfedebilen toplulukları incelemek için önemli bir araçtır. Bu makalenin amacı, farklı ekolojik ortamlar nedeniyle mikrobiyal topluluklarda oluşabilecek farklı birlikte oluşum ağlarını analiz etmek için ağırlıklı korelasyon ağı algoritmasının nasıl kullanılacağı hakkında ayrıntılı bilgi sağlamaktır. Deneyin tüm analizi WGCNA paketinde gerçekleştirilir. WGCNA, ağırlıklı korelasyon ağı analizi için bir R paketidir. Bu yöntemleri göstermek için kullanılan deneysel veriler, pirinç (Oryza sativa) kök sisteminin üç nişi için NCBI (Ulusal Biyoteknoloji Bilgi Merkezi) veritabanından mikrobiyal topluluk verileriydi. Üç nişin her birinde mikrobiyal topluluğun ortak bolluk ağlarını oluşturmak için ağırlıklı korelasyon ağı algoritmasını kullandık. Daha sonra endosfer, rhizoplane ve rizosfer toprağı arasında diferansiyel co-bolluk ağları tespit edildi. Buna ek olarak, ağdaki çekirdek cins, ağ işlevlerinde önemli bir düzenlenmiş rol oynayan “WGCNA” paketi ile elde edilmiştir. Bu yöntemler, araştırmacıların mikrobiyal ağın çevresel bozulmaya tepkisini analiz etmelerini ve farklı mikrobiyal ekolojik yanıt teorilerini doğrulamalarını sağlar. Bu yöntemlerin sonuçları, pirincin endosfer, rizosplan ve rizosfer toprağında tanımlanan önemli diferansiyel mikrobiyal ağların.
Introduction
Mikrobiyom araştırmasının ekosistem süreçlerini anlamak ve manipüle etmek için önemli etkileri vardır1,2. Mikrobiyal popülasyonlar, özellikleri mikroorganizmaların çevresel değişikliklere tepkisini etkileyebilecek ekolojik ağlarla birbirine bağlanır3,4. Ayrıca, bu ağların özellikleri mikrobiyal toplulukların stabilitesini etkiler ve toprak fonksiyonu ile yakından ilişkilidir5. Ağırlıklı gen korelasyon ağı analizi artık genler ve mikrobiyal topluluklar arasındaki ilişki üzerine araştırma için yaygın olarak uygulanmaktadır6. Önceki çalışmalar esas olarak farklı genlerin veya popülasyonların ağları ile dış dünya arasındaki ilişkilere odaklanmıştır7. Bununla birlikte, mikrobiyal popülasyonların farklı çevresel koşullar altında oluşturduğu korelasyon ağlarındaki farklılıklar çok az araştırılmıştır. Bu makalede sunulan araştırmanın amacı, farklı çevresel koşullar altında toplanan mikrobiyom örneklerinden oluşan bir ortak oluşum ağı oluşturmak için WGCNA algoritmasının hızlı bir şekilde uygulanması hakkında içgörüler ve ayrıntılar sağlamaktır. Analiz sonuçlarına dayanarak, popülasyonun bileşimini ve farklılıklarını değerlendirdik ve farklı mikrobiyal popülasyonlar arasındaki ilişkiyi daha da tartıştık. Aşağıdaki temel ağ algoritması8 ağırlıklı korelasyon ağı algoritması uygulandı. İlk olarak, Operasyonel Taksonomik Birimler (OTU) ifade profilleri arasındaki Pearson korelasyon katsayısı hesaplanarak bir benzerlik matrisinin oluşturulması gerekiyordu. Daha sonra, bitişiklik işlevlerinin parametreleri (güç veya sigmoid bitişiklik işlevleri) ölçeksiz bir topoloji kriteri ile benimsendi, benzerlik matrisi bir bitişiklik matrisine dönüştürüldü ve her birlikte oluşum ağı bir bitişiklik matrisine karşılık geldi. Tutarlı ifade profillerine sahip OPU’ları modüller halinde gruplandırmak için TOM tabanlı benzerlik ile birlikte ortalama bağlantı hiyerarşik kümeleme kullandık. Ayrıca, muhafazakar istatistikler ve ilgili parametre analiz modülleri arasındaki ilişkiyi hesapladık ve sonunda modüldeki hub OTU’yu tanımladık. Bu yöntemler özellikle farklı çevresel koşullar altında çeşitli mikrobiyal popülasyonlar arasındaki ağ yapılarındaki farklılıkların analizi için uygundur. Bu yazıda, ortak ifade ağı geliştirme yöntemini, modüller arasındaki benzerliklerin analizini ayrıntılı olarak anlattık ve farklı modül ağlarındaki çekirdek türleri elde etmek için uygulanan prosedürdeki adımlara kısa bir genel bakış sağladık.
Protocol
Representative Results
Discussion
Korelasyon ağları biyoinformatik uygulamalarında giderek daha fazla kullanılmaktadır. WGCNA, biyolojik sistemin çeşitli unsurları arasındaki ilişkilerin açıklayıcı analizi için bir sistem biyolojisi yöntemidir12. R yazılım paketi WGCNA13 , 14,15üzerinde daha önceki çalışmalarda kullanılmıştır. Paket, ağ oluşturma, modül algılama, topolojik özelliklerin hesaplanması, veri s…
Declarações
The authors have nothing to disclose.
Acknowledgements
Bu makalenin geliştirilmesi, Çin Ulusal Doğa Bilimleri Vakfı-Guizhou İl Halk Hükümeti Karst Bilim Araştırma Merkezi Projesi (U1812401), Guizhou Normal Üniversitesi Doktora Araştırma Projesi (GZNUD[201) tarafından desteklenmiştir.7]1), Guizhou Eyaleti Bilim ve Teknoloji Destek Projesi (QKHZC[2021]YB459) ve Guiyang Bilim ve Teknoloji Projesi([2019]2-8).
Yazarlar Edwards J.A ve arkadaşlarına kamuya açık veritabanlarında pirinç mikrobiyom verileri sağladıkları ve topedit’ten (www.topeditsci.com) bu makalenin hazırlanması sırasındaki dilsel yardımı için destek sağladıkları için teşekkür etmek istiyor.
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).
