Name: divergence of root microbiota in different habitats based on weighted correlation networks
Uploaded: 2021-09-25T13:30:00
Description: Watch this Scientific Journal Video about Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks at JoVE.com

Udviklingen af dette manuskript blev støttet af midler fra National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Ph.d.-forskningsprojekt fra Guizhou Normal University (GZNUD[201 7]1), Videnskabs- og teknologistøtteprojekt i Guizhouprovinsen (QKHZC[2021]YB459) og Guiyangs videnskabs- og teknologiprojekt ([2019]2-8).
Forfatterne vil gerne takke Edwards J.A et al for at levere rismikrobiotamedata i offentlige databaser og støtte fra TopEdit (www.topeditsci.com) for sin sproglige bistand under udarbejdelsen af dette manuskript.

1. Dataoverførsel
<ol><li>Download dataene fra tiltrædelse PRJNA386367 udgør NCBI-databasen. Fra dataene fra tiltrædelses-PRJNA386367 skal du vælge rhizosfæren, rhizoplane og endosfærens mikrobiomdata fra risplanter dyrket i 14 uger i et nedsænket risfelt i Arbuckle, Californien i 2014. BEMÆRK: Rhizosfæren, rhizoplane og endosfærens mikrobiomdata blev præsenteret af OTU-tabellen i tiltrædelses-PRJNA386367.</li>
</ol>2. Optimal bestemmelse af effektværdi
<p class="jove_content"...

<ol>
	<li>Philippot, L., Raaijmakers, J. M., Lemanceau, P., vander Putten, 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=Going+back+to+the+roots:+the+microbial+ecology+of+the+rhizosphere.">Going back to the roots: the microbial ecology of the rhizosphere.</a> Nature Reviews Microbiology. 11, 789-799 (2013).</li><li>Fierer, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Embracing+the+unknown:+disentangling+the+complexities+of+the+soil+microbiome.">Embracing the unknown: disentangling the complexities of the soil microbiome.</a> Nature Review Microbiology. 15 (10), 579-590 (2017).</li><li>Jin, J., Wang, G. H., Liu, X. B., Liu, J. D., Chen, X. L., Herbert, S. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Temporal+and+spatial+dynamics+of+bacterial+community+in+the+rhizosphere+of+soybean+genotypes+grown+in+a+black+soil.">Temporal and spatial dynamics of bacterial community in the rhizosphere of soybean genotypes grown in a black soil.</a> Pedosphere. 19 (6), 808-816 (2009).</li><li>Ma, 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=Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization.">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12 (10), 2492-2505 (2018).</li><li>de Vries, F. T., 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=Soil+bacterial+networks+are+less+stable+under+drought+than+fungal+networks.">Soil bacterial networks are less stable under drought than fungal networks.</a> Nature Communications. 9 (1), 3033 (2018).</li><li>Colin, C., 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=Correlating+transcriptional+networks+to+breast+cancer+survival:+a+large-scale+coexpression+analysis.">Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis.</a> Carcinogenesis. (10), 2300-2308 (2013).</li><li>Ma, B., Zhao, K., Lv, 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=Genetic+correlation+network+prediction+of+forest+soil+microbial+functional+organization.">Genetic correlation network prediction of forest soil microbial functional organization.</a> ISME J. 12, 2492-2505 (2018).</li><li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+general+framework+for+weighted+gene+co-expression+network+analysis.">A general framework for weighted gene co-expression network analysis.</a> Statistical applications in genetics and molecular biology. 4 (1), (2005).</li><li>Edwards, J. A., 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=Compositional+shifts+in+root-associated+bacterial+and+archaeal+microbiota+track+the+plant+life+cycle+in+field-grown+rice.">Compositional shifts in root-associated bacterial and archaeal microbiota track the plant life cycle in field-grown rice.</a> PLoS Biology. 16 (2), 2003862 (2018).</li><li>Bashan, Y., De-Bashan, L. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+the+Plant+Growth-Promoting+Bacterium+Azospirillum+Promotes+Plant+Growth-A+Critical+Assessment.">How the Plant Growth-Promoting Bacterium Azospirillum Promotes Plant Growth-A Critical Assessment.</a> Advances in Agronomy. 108, 77-136 (2010).</li><li>Lovley, D. 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=Geobacter:+The+Microbe+Electric's+Physiology,+Ecology,+and+Practical+Applications.">Geobacter: The Microbe Electric's Physiology, Ecology, and Practical Applications.</a> Advances in Microbial Physiology. 59, 1 (2011).</li><li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=WGCNA:+an+R+package+for+weighted+correlation+network+analysis.">WGCNA: an R package for weighted correlation network analysis.</a> BMC Bioinformatics. 9, 559 (2008).</li><li>Zhang, B., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+General+Framework+for+Weighted+Gene+Co-expression+Network+Analysis.">A General Framework for Weighted Gene Co-expression Network Analysis.</a> Statistical Applications in Genetics and Molecular Biology. 4 (1), 17 (2005).</li><li>Horvath, S., Dong, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Geometric+interpretation+of+Gene+Co-expression+Network+Analysis.">Geometric interpretation of Gene Co-expression Network Analysis.</a> PLoS Computational Biology. 4 (8), 1000117 (2008).</li><li>Langfelder, P., Horvath, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Eigengene+networks+for+studying+the+relationships+between+co-expression+modules.">Eigengene networks for studying the relationships between co-expression modules.</a> BMC Systems Biology. 1, 54 (2007).</li><li>Horvath, S., 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=Analysis+of+Oncogenic+Signaling+Networks+in+Glioblastoma+Identifies+ASPM+as+a+Novel+Molecular+Target.">Analysis of Oncogenic Signaling Networks in Glioblastoma Identifies ASPM as a Novel Molecular Target.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (46), 17402-17407 (2006).</li><li>Carlson, M. 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=and+Sequence+Conservation:+Predictions+from+Modular+Yeast+Co-expression+Networks.">and Sequence Conservation: Predictions from Modular Yeast Co-expression Networks.</a> BMC Genomics. 7 (1), 40 (2006).</li><li>Fuller, T., 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=Weighted+Gene+Co-expression+Network+Analysis+Strategies+Applied+to+Mouse+Weight.">Weighted Gene Co-expression Network Analysis Strategies Applied to Mouse Weight.</a> Mammalian Genome. 6 (18), 463-472 (2007).</li><li>Yin, L., Wang, Y., Lin, Y., 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=Explorative+analysis+of+the+gene+expression+profile+during+liver+regeneration+of+mouse:+a+microarray-based+study[J].">Explorative analysis of the gene expression profile during liver regeneration of mouse: a microarray-based study[J].</a> Artificial Cells Nanomedicine &amp; Biotechnology. 47 (1), 1113-1121 (2019).</li><li>Oldham, M., Horvath, S., Geschwind, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Conservation+and+Evolution+of+Gene+Co-expression+Networks+in+Human+and+Chimpanzee+Brains.">Conservation and Evolution of Gene Co-expression Networks in Human and Chimpanzee Brains.</a> Proceedings of the National Academy of Sciences of the United States of America. 103 (47), 17973-17978 (2006).</li><li>Oldham, M. C., 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=Functional+organization+of+the+transcriptome+in+human+brain.">Functional organization of the transcriptome in human brain.</a> Nature Neuroscience. 11 (11), 1271-1282 (2008).</li><li>Keller, M. P., 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+gene+expression+network+model+of+type+2+diabetes+links+cell+cycle+regulation+in+islets+with+diabetes+susceptibility.">A gene expression network model of type 2 diabetes links cell cycle regulation in islets with diabetes susceptibility.</a> Genome Research. 18 (5), 706-716 (2008).</li><li>Weston, D., Gunter, L., Rogers, A., Wullschleger, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Connecting+genes,+coexpression+modules,+and+molecular+signatures+to+environmental+stress+phenotypes+in+plants.">Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants.</a> BMC Systems Biology. 2 (1), 16 (2008).</li><li>Jorda&#180;n, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Keystone+species+and+food+webs.">Keystone species and food webs.</a> Biological Sciences. 364, 1733-1741 (2009).</li><li>Backhed, F., Ley, R. E., Sonnenburg, J. L., Peterson, D. A., Gordon, J. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Host-Bacterial+Mutualism+in+the+Human+Intestine.">Host-Bacterial Mutualism in the Human Intestine.</a> Science. 307, 1915-1920 (2009).</li></ol>

Korrelationsnetværk er i stigende grad blevet anvendt til bioinformatikapplikationer. WGCNA er en systembiologimetode til beskrivende analyse af forholdet mellem forskellige elementer i et biologisk system12. R softwarepakke blev brugt i tidligere arbejde på WGCNA13,14,15. Pakken indeholder funktioner til netværkskonstruktion, moduldetektering, beregninger af topologiske egenskaber, datasimulering, vis...

Mikrobiomforskning har stor betydning for forståelsen og manipulationen aføkosystemprocesser 1,2. Mikrobielle populationer er forbundet med interagerende økologiske netværk, hvis egenskaber kan påvirke mikroorganismernes reaktion på miljøændringer3,4. Desuden påvirker disse netværks egenskaber stabiliteten i mikrobielle samfund og er tæt forbundet med jordfunktion5. Vægtet genkorrelationsnetværksanalyse er nu blevet anvendt bredt til forskning i forholdet mellem gener og mikrobielle samfund6. Tidligere undersøgelser har hovedsagelig fokuseret på sammenslutninger mellem netværk af forskellige gener eller populationer og omverdenen7. Forskellene i korrelationsnetværk dannet af mikrobielle populationer under forskellige miljøforhold er imidlertid næppe blevet undersøgt. Formålet med den forskning, der præsenteres i dette papir, er at give indsigt og detaljer om den hurtige implementering af WGCNA-algoritmen til at konstruere et co-occurrence netværk af mikrobiomprøver indsamlet under forskellige miljøforhold. På baggrund af analyseresultaterne vurderede vi befolkningens sammensætning og forskelle og drøftede yderligere forholdet mellem forskellige mikrobielle populationer. Følgende grundlæggende strøm af vægtet korrelationsnetværksalgoritme8 blev anvendt. For det første skulle der konstrueres en lighedsmatrix ved at beregne Pearson-korrelationskoefficienten mellem OTU-udtryksprofilerne (Operational Taxonomic Units). Derefter blev parametrene for adjacency-funktionerne (kraften eller sigmoidadjacencyfunktionerne) vedtaget med et skalafrit topologikriterium, lighedsmatrixen blev omdannet til en adjacency-matrix, og hvert co-occurrence-netværk svarede til en adjacency matrix. Vi brugte gennemsnitlig sammenkædning af hierarkisk klyngedannelse kombineret med tom-baseret forskellighed til at gruppere OTUs med sammenhængende udtryksprofiler i moduler. Derudover beregnede vi forholdet mellem konservative statistikker og de relaterede parameteranalysemoduler og identificerede endelig hub-OTU'en i modulet. Disse metoder er særligt velegnede til analyse af forskellene i netværksstrukturer mellem forskellige mikrobielle populationer under forskellige miljøforhold. I dette manuskript har vi detaljeret beskrevet metoden til udvikling af samudtryksnetværk, analysen af uensartede forskelle mellem modulerne og givet et kort overblik over trinene i den procedure, der anvendes for at opnå kernearterne i forskellige modulnetværk.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>R</td>
			<td>The University of Auckland</td>
			<td>version 4.0.2</td>
			<td>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.</td>
		</tr>
		<tr>
			<td>RStdio</td>
			<td>JJ Allaire</td>
			<td>version 1.4.1103</td>
			<td>The RStudio IDE is a set of integrated tools designed to help you be more productive with R and Python.</td>
		</tr>
		<tr>
			<td>Cytoscape</td>
			<td></td>
			<td>version 3.7.1</td>
			<td>Cytoscape is an open source software platform for visualizing complex networks and integrating these with any type of attribute data.</td>
		</tr>
		<tr>
			<td>NCBI database</td>
			<td></td>
			<td></td>
			<td>The National Center for Biotechnology Information advances science and health by providing access to biomedical and genomic information.</td>
		</tr>
	</tbody>
</table>

divergence of root microbiota in different habitats based on weighted correlation networks

Rodmikrobiomet spiller en vigtig rolle i plantevækst og miljøtilpasning. Netværksanalyse er et vigtigt redskab til at studere samfund, som effektivt kan udforske interaktionsforholdet eller samforekomstmodellen for forskellige mikrobielle arter i forskellige miljøer. Formålet med dette manuskript er at give detaljer om, hvordan man bruger den vægtede korrelationsnetværksalgoritme til at analysere forskellige samindtræffernetværk, der kan forekomme i mikrobielle samfund på grund af forskellige økologiske miljøer. Al analyse af eksperimentet udføres i WGCNA-pakken. WGCNA er en R-pakke til vægtet korrelationsnetværksanalyse. De eksperimentelle data, der blev brugt til at demonstrere disse metoder, var mikrobielle samfundsdata fra NCBI (National Center for Biotechnology Information) databasen for tre nicher af ris (Oryza sativa) rodsystemet. Vi brugte den vægtede korrelation netværk algoritme til at konstruere co-overflod netværk af mikrobielle samfund i hver af de tre nicher. Derefter blev der identificeret differentierede co-overflodsnetværk blandt endosfæren, rhizoplane og rhizosfærejord. Derudover blev kerneslægterne i netværket opnået ved "WGCNA"-pakken, som spiller en vigtig reguleret rolle i netværksfunktioner. Disse metoder gør det muligt for forskere at analysere mikrobielle netværks reaktion på miljøforstyrrelser og verificere forskellige mikrobielle økologiske reaktionsteorier. Resultaterne af disse metoder viser, at de betydelige differentierede mikrobielle netværk, der er identificeret i endosfæren, rhizoplane og rhizosfærejord af ris.

De repræsentative resultater i denne artikel blev downloadet fra 2014 California Abaker risrod mikrobiom data i NCBI database (PRJNA386367)9. Dataene omfatter rhizosfæren, rhizoplane, og endosfæren mikrobiom prøver fra ris planter dyrket i 14 uger i en neddykket ris felt. Vi brugte WGCNA-algoritmen til at vælge den effektværdi, der opfyldte de tre netværk, der var tæt på det skalafrie netværk (Figur 1) og udviklede tre co-expression-netværk (<strong class="...

Watch this Scientific Journal Video about Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks at JoVE.com

Divergence of Root Microbiota in Different Habitats based on Weighted Correlation Networks

Netværksanalyse blev anvendt til at evaluere foreningen af forskellige økologiske mikrobielle samfund, såsom jord, vand og rhizosfære. Præsenteret her er en protokol om, hvordan man bruger WGCNA-algoritmen til at analysere forskellige co-forekomstnetværk, der kan forekomme i de mikrobielle samfund på grund af forskellige økologiske miljøer.

Divergens af Root Microbiota i forskellige levesteder baseret på vægtede korrelationsnetværk

The root microbiome plays an important role in plant growth and environmental adaptation. Network analysis is an important tool for studying communities, ...

Denne metode kan effektivt udforske det interaktive forhold eller co-forekomst netværk af forskellige mikrobielle arter i forskellige miljøer. Det giver detaljer om, hvordan man bruger WGCNA-algoritmen til at konstruere et co-occurrence netværk af mikrobiota. På grundlag af resultaterne vurderer denne metode desuden differentieringen af mikrobielle relationer og sammensætningen mellem mikrobielle konsortier.Her er den grundlæggende strøm af metoden. Mikrobiotaens sammensætnings- og overflodsdata downloades fra NCBI-databasen eller sekvensdataene for dine prøver. Først skal du åbne RStudio-softwaren og installere WGCNA-pakken.Derefter indlæse data og bruge de gode prøver gener funktion til at kontrollere rigtigheden af data. Tjek for outliers og gemme prøver, der opfylder vores krav. Når kontrolresultatet er sandt, skal du fortsætte til næste trin.Gem resultatet. Brug funktionen pluk uden for tærskel til at beregne det skaleringsfrie indeks, R-kvadreret, af dataene under forskellige effektværdier. Visualiser resultaterne.Når det skaleringsfrie indeks er tættere på et, er netværksstrukturen tættere på det skaleringsfrie netværk. Når det skaleringsfrie indeks, R squared, er større end 0,9, skal du vælge strømværdien. Endelig skal du bruge den samme metode til at analysere resten af mikrobiomdataene.Brug først funktionen adjacency til at konstruere et symbolsk netværk med forekomst. Derudover skal du bruge TOM-lighedsfunktionen til at udvikle et topologisk, overlappende netværk. For det andet skal du bruge funktionen Hclust til at udføre hierarkisk klyngedannelse og tegne det resulterende klyngetræ.For det tredje skal du bruge den dynamiske cutree-funktion til at udføre dynamisk grenskæring og bruge parameteren min klyngestørrelse til at indstille den mindste modulstørrelse. Den mindste modulstørrelse er normalt indstillet over 30. For det fjerde skal du beregne det mikrobielle kendetegn ved hvert modul.Hierarkisk klyngedannelse udføres i henhold til korrelationskoefficienten, og moduler med en højde på mindre end 0,25 blev fusioneret for at erhverve fordelingen af hvert modul. For det femte skal du bruge funktionen plot dendro og farver til at visualisere resultaterne. Tildelingsvisningsdiagrammet for netværksmodulet til forekomster hentes.Omdøb derefter modulfarverne, og opret digitale etiketter, der svarer til farverne. Gem dem til brug i efterfølgende dele. Endelig skal du gentage ovenstående proces for andre datasæt.I denne del skal du sammenligne og analysere de to datasæt og udføre bevaringstesten. Indlæs først parametrene og resultaterne af de to datasæt, der er gemt i de foregående trin. Angiv derefter modulresultaterne for ét datasæt som referencegruppe, et andet som testgruppe, og udfør modulsammenligningen.Derefter skal du beregne værdierne for konservativitet, statistiske parametre, Z-resumé og medianrang for at kvantificere konservativiteten mellem modulerne. Endelig visualisere resultaterne. Bestem det netværksmodul, der opfylder både Z-opsummeringsværdien, mindre end to, og medianrangeringsværdien øverst.Dette modul er det mest ikke-bevarede modul i de to mikrobiotadata. Udfør korrelationsanalyse af modulets medlemskab. Angiv modultildelingsresultaterne for to netværk som henholdsvis reference og testgruppe.Indstillingerne skal være de samme som opbevaringstesten. For det første blev KME-værdien af hver OTU beregnet i flere kandidatmoduler baseret på resultaterne af konserveringstesten. Tag det gule modul som et eksempel.Beregn korrelationskoefficienten for KME-værdien i de to gule moduler, og tegn derefter korrelationsanalysediagrammet for KME-værdien i modulet. Endelig vurderer man i henhold til korrelationskoefficienten i figuren modulets konservativitet i de to datasæt. Vælg modulet med den mindste korrelationskoefficient.Brug først eksportnetværket til cytoscape-funktionen til at eksportere netværket til en kant- og nodelistefil, som Cytoscape kan læse. Importer derefter filen til Cytoscape. Indstil tærsklen til 0,5, og juster andre parametre efter behov.Endelig opnå et co-forekomst netværk af forskellige mikroorganismer. I denne artikel bruges WGCNA-algoritmen til at analysere forskellene i tre nicher i risrodsystemet. Vælg den strømværdi, der opfyldte de tre netværk, der var tæt på det skaleringsfrie netværk.I endosfæren, rhizoplane, og rhizosfæren mikrobielle forekomst netværk, identificere 23, 22 og 21 modeller hhv. Brug konserveringstesten og korrelationsanalysen til at finde de ekstremt ikke-konservative moduler mellem hver to nicher i risrodssystemet. Opret et co-forekomst netværk for disse tre moduler ved hjælp af forskellige farver til at repræsentere forskellige mikrobielle phylum.Proteobakterier, Actinobakterier, bacteroidetes, Firmicutes og Verrucomicrobia dominerede de tre forskellige mikrobielle netværk. Desuden regulerer 17 kerneprodukter hovedsagelig disse net. Når du har set denne video, skal du have en god forståelse af, hvordan du udfører en række trin for at bruge WGCNA-algoritmen til at analysere forskellige samindtræffernetværk, der kan forekomme i mikrobielle samfund på grund af forskellige økologiske miljøer.

Research

JoVE Journal

Biology

How to Culture, Record and Stimulate Neuronal Networks on Micro-electrode Arrays (MEAs)

How to Culture, Record and Stimulate Neuronal Networks on Micro-electrode Arrays MEAs

For the last century, many neuroscientists around the world have dedicated their lives to understanding how neuronal networks work and why they stop ...

Bioengineering Human Microvascular Networks in Immunodeficient Mice

The future of tissue engineering and cell-based therapies for tissue regeneration will likely rely on our ability to generate functional vascular networks ...

Lateral Root Inducible System in Arabidopsis and Maize

Lateral Root Inducible System in Arabidopsis and Maize

Lateral Root Inducerbar System<em&gt; Arabidopsis</em&gt; Og Majs

Lateral root development contributes significantly to the root system, and hence is crucial for plant growth. The study of lateral root initiation is ...

Using Digital Image Correlation to Characterize Local Strains on Vascular Tissue Specimens

Brug Digital Image Korrelation til Karakterisere Lokale Stammer på Vaskulære vævsprøver

Characterization of the mechanical behavior of biological and engineered soft tissues is a central component of fundamental biomedical research and ...

A Method to Assess Bacteriocin Effects on the Gut Microbiota of Mice

En metode til vurdering af bakterieocin-virkninger på musens tarmmikrobiotikum

Very intriguing questions arise with our advancing knowledge on gut microbiota composition and the relationship with health, particularly relating to the ...

SA-&#946;-Galactosidase-Based Screening Assay for the Identification of Senotherapeutic Drugs

SA-ÃƒÆ’Ã…Â½Ãƒâ€šÃ‚Â²-Galactosidase-Based Screening Assay for the Identification of Senotherapeutic Drugs

SA-β-galactosidase-baseret Screenings analyse til identifikation af Senotherapeutiske lægemidler

Cell senescence is one of the hallmarks of aging known to negatively influence a healthy lifespan. Drugs able to kill senescent cells specifically in cell ...

Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography

Micron-skala fænotyper teknikker af majs kardiovaskulære bundter baseret på X-ray Microcomputed tomografi

It is necessary to accurately quantify the anatomical structures of maize materials based on high-throughput image analysis techniques. Here, we provide a ...

Microbiota Analysis Using Two-step PCR and Next-generation 16S rRNA Gene Sequencing

Mikrobiota-analyse ved hjælp af to-trins PCR og næste generations 16S rRNA-Gensekvensering

The human gut is colonized by trillions of bacteria that support physiologic functions such as food metabolism, energy harvesting, and regulation of the ...

Quantification of Skeletal Muscle Fatty Infiltration via Decellularization

Decellularization-Based Quantification of Skeletal Muscle Fatty Infiltration

Decellularization-Based Quantification of Skeletal Muscle Fatty Infiltration (Video) | JoVE 

Decellulariseringsbaseret kvantificering af skeletmuskulatur fedtinfiltration

Fatty infiltration is the accumulation of adipocytes between myofibers in skeletal muscle and is a prominent feature of many myopathies, metabolic ...

One-Step Hairy Root Transformation Method for Advancing Root-Related Biology

An Efficient and Reproducible Method for Producing Composite Plants by Agrobacterium rhizogenes-Based Hairy Root Transformation

Streamlining Composite Plant Production via Agrobacterium rhizogenes-Mediated Hairy Root Transformation (Video) | JoVE

En effektiv og reproducerbar metode til fremstilling af sammensatte planter ved Agrobacterium rhizogenes-baseret hårrodstransformation

Producing composite plants with transgenic roots and nontransgenic stems and buds using Agrobacterium rhizogenes-mediated hairy root transformation is a ...