Cette méthode peut explorer efficacement la relation interactive ou le réseau de cooccurrence de différentes espèces microbiennes dans différents environnements. Il fournit des détails sur la façon d’utiliser l’algorithme WGCNA pour construire un réseau de cooccurrence de microbiote. De plus, sur la base des résultats, cette méthode évalue la différenciation des relations microbiennes et la composition entre les consortiums microbiens.
Voici le flux de base de la méthode. Les données de composition et d’abondance du microbiote sont téléchargées à partir de la base de données NCBI ou des données de séquence pour vos échantillons. Tout d’abord, ouvrez le logiciel RStudio et installez le package WGCNA.
Ensuite, chargez les données et utilisez la fonction des gènes des bons échantillons pour vérifier l’exactitude des données. Vérifiez les valeurs aberrantes et stockez les échantillons qui répondent à nos exigences. Lorsque le résultat de la vérification est vrai, passez à l’étape suivante.
Enregistrez le résultat. Utilisez la fonction de seuil de sélection pour calculer l’indice libre d’échelle, R au carré, des données sous différentes valeurs de puissance. Visualisez les résultats.
Lorsque l’index sans échelle est plus proche d’un, la structure du réseau est plus proche du réseau libre d’échelle. Lorsque l’index libre d’échelle, R au carré, est supérieur à 0,9, sélectionnez la valeur de puissance. Enfin, utilisez la même méthode pour analyser le reste des données sur le microbiome.
Tout d’abord, utilisez la fonction d’adjacence pour construire un réseau de cooccurrence symbolique. En outre, utilisez la fonction de similitude TOM pour développer un réseau topologique qui se chevauche. Deuxièmement, utilisez la fonction Hclust pour effectuer un clustering hiérarchique et dessiner l’arborescence de cluster résultante.
Troisièmement, utilisez la fonction dynamique cutree pour effectuer une découpe dynamique des branches et utilisez le paramètre min cluster size pour définir la plus petite taille de module. La plus petite taille de module est généralement définie sur 30. Quatrièmement, calculez les caractéristiques microbiennes de chaque module.
Le clustering hiérarchique est effectué en fonction du coefficient de corrélation, et les modules d’une hauteur inférieure à 0,25 ont été fusionnés pour acquérir la distribution de chaque module. Cinquièmement, utilisez la fonction dendro et couleurs du tracé pour visualiser les résultats. Le diagramme d’affichage des affectations du module de réseau de cooccurrence est obtenu.
Ensuite, renommez les couleurs du module et construisez des étiquettes numériques correspondant aux couleurs. Enregistrez-les pour les utiliser dans les pièces suivantes. Enfin, répétez le processus ci-dessus pour d’autres ensembles de données.
Dans cette partie, comparez et analysez les deux ensembles de données et effectuez le test de préservation. Tout d’abord, chargez les paramètres et les résultats des deux jeux de données enregistrés dans les étapes précédentes. Ensuite, définissez les résultats du module d’un ensemble de données comme groupe de référence, un autre comme groupe de test et effectuez la comparaison de module.
Ensuite, calculez les valeurs de la conservatrice, les paramètres statistiques, le résumé Z et le rang médian pour quantifier la conservatrice entre les modules. Enfin, visualisez les résultats. Déterminez le module réseau qui satisfait à la fois à la valeur récapitulative Z, inférieure à deux, et à la valeur de rang médian en haut.
Ce module est le module le plus non conservé dans les deux données du microbiote. Effectuer une analyse de corrélation de l’appartenance au module. Définissez les résultats d’affectation de module de deux réseaux comme référence et groupe de test respectivement.
Les paramètres doivent être les mêmes que le test de conservation. Tout d’abord, la valeur KME de chaque OTU a été calculée dans plusieurs modules candidats en fonction des résultats du test de préservation. Prenons l’exemple du module jaune.
Calculez le coefficient de corrélation de la valeur KME dans les deux modules jaunes, puis dessinez le diagramme d’analyse de corrélation de la valeur KME dans le module. Enfin, selon le coefficient de corrélation de la figure, jugez le caractère conservateur du module dans les deux ensembles de données. Sélectionnez le module avec le plus petit coefficient de corrélation.
Tout d’abord, utilisez la fonction exporter le réseau vers Cytoscape pour exporter le réseau vers un fichier de liste de périphériques et de nœuds que Cytoscape peut lire. Ensuite, importez le fichier dans Cytoscape. Définissez le seuil sur 0,5 et ajustez d’autres paramètres si nécessaire.
Enfin, obtenez un réseau de co-occurrence de différents micro-organismes. Dans cet article, l’algorithme WGCNA est utilisé pour analyser les différences dans trois niches du système racinaire du riz. Sélectionnez la valeur de puissance qui satisfait les trois réseaux qui étaient proches du réseau sans échelle.
Dans le réseau d’occurrence microbienne de l’endosphère, du rhizoplan et de la rhizosphère, identifiez respectivement 23, 22 et 21 modèles. Utilisez le test de conservation et l’analyse de corrélation pour trouver les modules extrêmement non conservateurs entre chacune des deux niches du système racinaire du riz. Construisez un réseau de cooccurrence pour ces trois modules en utilisant différentes couleurs pour représenter différents embranchements microbiens.
Les protéobactéries, les actinobactéries, les Bacteroidetes, les Firmicutes et les Verrucomicrobia ont dominé les trois réseaux microbiens différents. De plus, 17 genres centraux régulent principalement ces réseaux. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon d’effectuer une série d’étapes pour utiliser l’algorithme WGCNA pour analyser différents réseaux de cooccurrence qui peuvent se produire dans les communautés microbiennes en raison de différents environnements écologiques.
