Name: assisted selection of biomarkers by linear discriminant analysis effect size (lefse) in microbiome data
Uploaded: 2022-05-16T14:00:00
Description: Watch this Scientific Journal Video about Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size LEfSe in Microbiome Data at JoVE.com

Dette arbeidet ble støttet av et stipend fra Fundamental Research Funds for Central Public Welfare Research Institutes (TKS170205) og Foundation for Development of Science and Technology, og Tianjin Research Institute for Water Transport Engineering (TIWTE), M.O.T. (KJFZJJ170201).

MERK: Protokollen ble hentet og modifisert fra forskningen til Segata et al.3. Metoden er angitt på https://bitbucket.org/biobakery/biobakery/wiki/lefse.
1. Utarbeidelse av inndatafil for analyse
<ol><li>Klargjør inndatafilen (tabell 1) for LEfSe, som enkelt kan genereres av mange arbeidsflyter8 eller tidligere protokoller9 med de opprinnelige filene (eksempelfil og tilsvarende artmerknadsfil).</li>
</...

<ol>
	<li>Bolyen, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reproducible,+interactive,+scalable+and+extensible+microbiome+data+science+using+QIIME+2.">Reproducible, interactive, scalable and extensible microbiome data science using QIIME 2.</a> Nature Biotechnology. 37 (8), 852-857 (2019).</li><li>Knight, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Best+practices+for+analysing+microbiomes.">Best practices for analysing microbiomes.</a> Nature Reviews. Microbiology. 16 (7), 410-422 (2018).</li><li>Segata, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Metagenomic+biomarker+discovery+and+explanation.">Metagenomic biomarker discovery and explanation.</a> Genome Biology. 12 (6), 60 (2011).</li><li>. Biobakery / lefse [tool] Available from: <a target="_blank" href="https://bitbucket.org/biobakery/biobakery/wiki/lefse">https://bitbucket.org/biobakery/biobakery/wiki/lefse</a> (2019)</li><li>Kruskal, W. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+nonparametric+test+for+the+several+sample+problem.">A nonparametric test for the several sample problem.</a> The Annals of Mathematical Statistics. 23 (4), 525-540 (1952).</li><li>Wilcoxon, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Individual+comparisons+by+ranking+methods.">Individual comparisons by ranking methods.</a> Biometrics Bulletin. 1 (6), 80-83 (1945).</li><li>Fisher, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+use+of+multiple+measurements+in+taxonomic+problems.">The use of multiple measurements in taxonomic problems.</a> Annals of Eugenics. 7 (1), 179-188 (1936).</li><li>Liu, Y. X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+practical+guide+to+amplicon+and+metagenomic+analysis+of+microbiome+data.">A practical guide to amplicon and metagenomic analysis of microbiome data.</a> Protein and Cell. 41 (7), 1-16 (2020).</li><li>Shahi, S. K., Zarei, K., Guseva, N. V., Mangalam, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Microbiota+analysis+using+two-step+PCR+and+next-generation+16S+rRNA+gene+sequencing.">Microbiota analysis using two-step PCR and next-generation 16S rRNA gene sequencing.</a> Journal of Visualized Experiments: JoVE. (152), e59980 (2019).</li><li>Gr&#252;ning, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bioconda:+sustainable+and+comprehensive+software+distribution+for+the+life+sciences.">Bioconda: sustainable and comprehensive software distribution for the life sciences.</a> Nature Methods. 15 (7), 475-476 (2018).</li><li>Blankenberg, D., Chilton, J., Coraor, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Galaxy+external+display+applications:+closing+a+dataflow+interoperability+loop.">Galaxy external display applications: closing a dataflow interoperability loop.</a> Nature Methods. 17 (2), 123-124 (2020).</li><li>Langille, M. G. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Predictive+functional+profiling+of+microbial+communities+using+16S+rRNA+marker+gene+sequences.">Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences.</a> Nature Biotechnology. 31 (9), 814-821 (2013).</li><li>Shilei, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Reservoir+water+stratification+and+mixing+affects+microbial+community+structure+and+functional+community+composition+in+a+stratified+drinking+reservoir.">Reservoir water stratification and mixing affects microbial community structure and functional community composition in a stratified drinking reservoir.</a> Journal of Environmental Management. 267, 110456 (2020).</li></ol>

Her beskrives protokollen for identifisering og karakterisering av biomarkører i ulike grupper. Denne protokollen kan enkelt tilpasses andre utvalgstyper, for eksempel OTUer av mikroorganismer. Den statistiske metoden av LEfSe kan finne de karakteristiske mikroorganismer i hver gruppe (standard er LDA >2), det vilt mikroorganismer som er mer rikelig i denne gruppen i forhold til de andre12. LEfSe er tilgjengelig i både innfødte og web Linux-versjoner der brukere også kan utføre LEfSe-analyse ...

Biomarkører er biologiske egenskaper som kan måles og kan indikere noen fenomener som infeksjon, sykdom eller miljø. Blant dem kan funksjonelle biomarkører være spesifikke biologiske funksjoner av enkeltarter eller felles for noen arter, for eksempel gen, protein, metabolitt og stier. Dessuten indikerer taksonomiske biomarkører en uvanlig art, en gruppe organismer (rike, phylum, klasse, orden, familie, slekt, arter), Amplicon Sequence Varient (ASV)1 eller Operational Taxonomic Unit (OTU)2. For å finne biomarkører raskere og mer nøyaktig, er det nødvendig med et verktøy for å analysere de biologiske dataene. Forskjellene mellom klasser kan forklares av LEfSe kombinert med standardtester for statistisk signifikans og ytterligere tester som koder biologisk konsistens og effektrelevans3. LEfSe er tilgjengelig som en galaksemodul, en conda-formel, et docker-bilde og inkludert i bioBakery (VM og cloud)4. Generelt bruker analysen av mikrobielt mangfold ofte en ikke-parametrisk test for usikker fordeling av et utvalgssamfunn. Rangeringssumtesten er en ikke-parametrisk testmetode, som bruker utvalgsrangeringen til å erstatte verdien av prøver. I henhold til forskjellen i utvalgsgrupper kan den deles inn i to prøver med Wilcoxon-rangeringssumtesten og i flere prøver med Kruskal-Wallis-testen 5,6. Spesielt når det er betydelige forskjeller mellom flere grupper av prøver, bør det utføres en rangeringssumtest av parvis sammenligning av flere prøver. LDA (som står for Linear Discriminant Analysis) oppfunnet av Ronald Fisher i 1936, er en type veiledet læring, også kjent som Fisher's Linear Discriminant7. Det er en klassisk og populær algoritme innen det nåværende feltet maskinlæringsdatautvinning.
Her er LEfSe-analysen optimalisert av Conda- og Galaxy-servere. Tre grupper av 16S rRNA gensekvenser analyseres for å demonstrere de signifikante forskjellene mellom ulike grupper med LDA-skår av mikrobielle samfunn og visualiseringsresultater.

<table border="0" cellpadding="0" cellspacing="0" style="border-collapse:
 collapse;width:499pt" width="665">
	<tbody>
		<tr height="21" style="height:15.75pt">
			<td class="xl65" height="21" style="height:15.75pt;width:162pt" width="216">No materials used</td>
			<td class="xl65" style="width:91pt" width="121"></td>
			<td class="xl65" style="width:121pt" width="161"></td>
			<td class="xl66" style="width:125pt" width="167"></td>
		</tr>
	</tbody>
</table>

assisted selection of biomarkers by linear discriminant analysis effect size (lefse) in microbiome data

Det er økende oppmerksomhet mot lukkede biologiske genomer i miljøet og i helse. For å utforske og avdekke intergruppeforskjellene mellom ulike prøver eller miljøer, er det avgjørende å oppdage biomarkører med statistiske forskjeller mellom grupper. Anvendelsen av lineær diskriminerende analyse Effektstørrelse (LEfSe) kan bidra til å finne gode biomarkører. Basert på de opprinnelige genomdataene utføres kvalitetskontroll og kvantifisering av forskjellige sekvenser basert på taxa eller gener. For det første ble Kruskal-Wallis-rangtesten brukt til å skille mellom spesifikke forskjeller mellom statistiske og biologiske grupper. Deretter ble Wilcoxon-rangeringstesten utført mellom de to gruppene som ble oppnådd i forrige trinn for å vurdere om forskjellene var konsistente. Til slutt ble det utført en lineær diskriminerende analyse (LDA) for å evaluere biomarkørers påvirkning på betydelig forskjellige grupper basert på LDA-score. For å oppsummere ga LEfSe bekvemmeligheten for å identifisere genomiske biomarkører som karakteriserer statistiske forskjeller mellom biologiske grupper.

LDA-skårene for mikrobielle samfunn med signifikante forskjeller i hver gruppe ved å analysere 16S rRNA-gensekvensene av tre prøver er vist i figur 8. Fargen på histogrammet representerer forskjellige grupper, mens lengden representerer LDA-poengsummen, som er artens innflytelse med betydelige forskjeller mellom forskjellige grupper. Histogrammet viser arten med betydelige forskjeller hvis LDA-poengsum er større enn den forhåndsinnstilte verdien. Standard forhåndsinnstilt verdi er 2,0...

Watch this Scientific Journal Video about Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size LEfSe in Microbiome Data at JoVE.com

Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size LEfSe in Microbiome Data

LEfSe (LDA Effect Size) er et verktøy for høydimensjonal biomarkørutvinning for å identifisere genomiske egenskaper (for eksempel gener, veier og taksonomier) som betydelig karakteriserer to eller flere grupper i mikrobiomedata.

Assistert utvalg av biomarkører ved lineær diskriminerende analyseeffektstørrelse (LEfSe) i mikrobiomedata

There is growing attention toward closed biological genomes in the environment and in health. To explore and reveal the intergroup differences among ...

Anvendelsen av lineær diskriminerende analyseeffektstørrelse kan løse problemet med å finne gode biomarkører med statistiske forskjeller mellom biologiske grupper. Lineær diskriminerende analyseeffektstørrelse gir en praktisk metode for å identifisere genomiske biomarkører for å karakterisere statistiske forskjeller mellom biologiske grupper. Pass på at du er forsiktig med hvert trinn i prosedyren, fordi resultatet av hvert foregående trinn kan påvirke det påfølgende trinnet.Når du har generert en lineær inndatafil for diskriminant analyseeffektstørrelse, kjører du kommandoene som angitt for å utelukke muligheten for avhengighetskonflikt og opprette et conda-miljø for lineær diskriminant analyseeffektstørrelse. Bruk kommandoene som angitt for å aktivere det opprettede miljøet og installere lineær diskriminerende analyseeffektstørrelse med kanalbioBakery. Hvis du vil formatere data for lineær diskriminant analyseeffektstørrelse, kjører du kommandoen for å formatere den opprinnelige filen til det interne formatet for lineær diskriminerende analyseeffektstørrelse.Hvis du vil beregne den lineære diskriminante analyseeffektstørrelsen, kjører du kommandoen for å utføre en lineær diskriminerende analyse og generere den resulterende datafilen. Etter analysen, bruk kommandoene som angitt for å plotte effektstørrelsen på biomarkørene i en PDF-fil og for å tegne artstreet for å vise biomarkørene i et cladogram. For å plotte forskjellene i en enkelt biomarkør mellom forskjellige grupper, bruk kommandoen som angitt.Alle funksjonene kan også tegnes ved hjelp av kommandoen hvis ønskelig. For online LEfSe-analyse ved hjelp av Galaxy-serveren, naviger til serveren. Hvis du vil laste opp de relevante filene, klikker du opp og Velg lokal fil for å velge filene.Deretter velger du tabellformat og klikker Start. Hvis du vil formatere dataene for lineær, diskriminerende analyseeffektstørrelse, klikker du LEfSe- og Format-data for LEfSe, merker de bestemte radene for klassen og klikker Kjør. Hvis du vil beregne den lineære størrelsen på diskriminantanalyseeffekten, klikker du LEfSe og LDA-effektstørrelse.Velg parameterverdiene i henhold til analysekravene, og klikk Utfør. Hvis du vil tegne inn de lineære resultatene av den diskriminerende analyseeffekten, klikker du LEfSe og Tegn inn LEfSe-resultater og klikker Utfør. Hvis du vil tegne inn kladogrammet, merker du de aktuelle parameterverdiene og klikker Tegn inn kladogram og Kjør.Hvis du vil tegne inn én funksjon, velger du de aktuelle parameterverdiene og klikker Tegn én funksjon og Utfør. Hvis du vil tegne inn differensialfunksjoner, velger du de aktuelle parameterverdiene og klikker Knappen Tegn differensialfunksjoner og Utfør . Her vises de lineære diskrimineringsanalyseresultatene for mikrobielle samfunn med betydelige forskjeller i hver gruppe, bestemt ved å analysere de 16 S-ribosomale RNA-gensekvensene av tre prøver.I denne figuren kan biomarkørene med betydelige forskjeller i artstrær mellom ulike klassifiseringsnivåer observeres. Sirklene som stråler fra innsiden til utsiden representerer klassifiseringsnivåene fra phylum til slekt, med diameteren til hver artssirkel som representerer nivået av overflod av hver klassifisering. Arten uten signifikante forskjeller vises i gult, og de betydelig forskjellige artene biomarkører er farget for å matche de tilsvarende gruppene.De tilsvarende artene navnene på biomarkørene som er vist på tomten er oppført her. Her vises en representant for overflod bar tomt for en biomarkør som viser forskjeller mellom de ulike gruppene i henhold til de lineære diskriminerende analyseeffektstørrelsesresultatene. Den heltrukne linjen representerer den gjennomsnittlige relative overfloden, den stiplede linjen representerer median relativ overflod, og hver kolonne representerer den relative overfloden av hvert utvalg i forskjellige grupper.Hovedkomponentanalyse kan også utføres, da dimensjonalitetsutdanningen er direkte relatert til datadimensjonen, og det projiserte koordinatsystemet er ortogonalt. Etter hvert som etterspørselen etter høydimensjonal dataanalyse øker, vil denne metoden bidra til utforskning av biomarkøregenskaper av interesse.

Research

JoVE Journal

Genetics

Assisted Selection of Biomarkers by Linear Discriminant Analysis Effect Size (LEfSe) in Microbiome Data

Laser-assisted Cytoplasmic Microinjection in Livestock Zygotes

Laser-assistert Cytoplasmatiske Mikroinjeksjon i Husdyr zygoter

Cytoplasmic microinjection into one-cell embryos is a very powerful technique. As an example, it enables the delivery of genome editing tools that can ...

Transcriptomic Analysis of C. elegans RNA Sequencing Data Through the Tuxedo Suite on the Galaxy Project

Transcriptomic Analysis of C. elegans RNA Sequencing Data Through the Tuxedo Suite on the Galaxy Project

Analyse av Transcriptomic<em&gt; C</em&gt;.<em&gt; elegans</em&gt; RNA sekvenseringsdata Gjennom Tuxedo Suite på Galaxy-prosjektet

Next generation sequencing (NGS) technologies have revolutionized the nature of biological investigation. Of these, RNA Sequencing (RNA-Seq) has emerged ...

Bidirectional Retroviral Integration Site PCR Methodology and Quantitative Data Analysis Workflow

Toveis retroviral integrasjonssted PCR-metodikk og kvantitativ dataanalyse arbeidsflyt

Integration Site (IS) assays are a critical component of the study of retroviral integration sites and their biological significance. In recent retroviral ...

Selection-dependent and Independent Generation of CRISPR/Cas9-mediated Gene Knockouts in Mammalian Cells

Utvalgsavhengig og uavhengig generasjon av CRISPR / Cas9-medierte Gene Knockouts i mammale celler

The CRISPR/Cas9 genome engineering system has revolutionized biology by allowing for precise genome editing with little effort. Guided by a single guide ...

Sample Preparation and Analysis of RNASeq-based Gene Expression Data from Zebrafish

Eksempel forberedelse og analyse av RNASeq-baserte genuttrykk Data fra sebrafisk

The analysis of global gene expression changes is a valuable tool for identifying novel pathways underlying observed phenotypes. The zebrafish is an ...

Exploring the Root Microbiome: Extracting Bacterial Community Data from the Soil, Rhizosphere, and Root Endosphere

Utforske rot Microbiome: utpakking bakterielle samfunnet Data fra jord, Rhizosphere og rot Endosphere

The intimate interaction between plant host and associated microorganisms is crucial in determining plant fitness, and can foster improved tolerance to ...

Informatic Analysis of Sequence Data from Batch Yeast 2-Hybrid Screens

Informatic analyse av sekvens Data fra satsvis gjær 2-Hybrid-skjermer

We have adapted the yeast 2-hybrid assay to simultaneously uncover dozens of transient and static protein interactions within a single screen utilizing ...

Single Droplet Digital Polymerase Chain Reaction for Comprehensive and Simultaneous Detection of Mutations in Hotspot Regions

Eneste dråpe digitale polymerasekjedereaksjons omfattende og samtidige deteksjon av mutasjoner i Hotspot regioner

Droplet digital polymerase chain reaction (ddPCR) is a highly sensitive quantitative polymerase chain reaction (PCR) method based on sample fractionation ...

Investigation of the Transcriptional Role of a RUNX1 Intronic Silencer by CRISPR/Cas9 Ribonucleoprotein in Acute Myeloid Leukemia Cells

Investigation of the Transcriptional Role of a RUNX1 Intronic Silencer by CRISPR/Cas9 Ribonucleoprotein in Acute Myeloid Leukemia Cells

Gransking av Transcriptional rolle en RUNX1 Intronic lyddemper av CRISPR/Cas9 Ribonucleoprotein i akutt myelogen leukemi celler

The bulk of the human genome (~98%) is comprised of non-coding sequences. Cis-regulatory elements (CREs) are non-coding DNA sequences that contain binding ...

Tomato Root Transformation Followed by Inoculation with Ralstonia Solanacearum for Straightforward Genetic Analysis of Bacterial Wilt Disease

Tomato Root Transformation Followed by Inoculation with Ralstonia Solanacearum for Straightforward Genetic Analysis of Bacterial Wilt Disease

Tomatrottransformasjon etterfulgt av inokulasjon med Ralstonia Solanacearum for enkel genetisk analyse av bakteriell wiltsykdom

Ralstonia solanacearum is a devastating soil borne vascular pathogen that can infect a large range of plant species, causing an important threat to ...