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

De ontwikkeling van dit manuscript werd ondersteund door fondsen van de National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Doctoral Research Project van Guizhou Normal University (GZNUD[2017]1), Science and Technology Support Project of Guizhou Province (QKHZC[2021]YB459) en het Science and Technology Project of the Guiyang([2019]2).
De auteurs willen Edwards J.A et al bedanken voor het verstrekken van rijstmicrobioomgegevens in openbare databases en ondersteuning van TopEdit (www.topeditsci.com) voor zijn taalkundige hulp bij de voorbereiding van dit manuscript.

1. Gegevens downloaden
<ol><li>Download de gegevens van de toetreding PRJNA386367 uit de NCBI-databank. Selecteer uit de gegevens van de toetreding PRJNA386367 de rhizosfeer-, rhizoplane- en endosfeermicrobioomgegevens van rijstplanten die in 2014 gedurende 14 weken in een ondergedompeld rijstveld in Arbuckle, Californië zijn geteeld. OPMERKING: De gegevens over de rhizosfeer, rhizoplane en endosfeermicrobioom werden gepresenteerd door de OTUs-tabel in de toetredingstabel PRJNA386367.</li>
</ol><p class="jove_title...

<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>

Correlatienetwerken worden steeds vaker gebruikt in bioinformaticatoepassingen. WGCNA is een systeembiologische methode voor beschrijvende analyse van de relaties tussen verschillende elementen van een biologisch systeem12. R softwarepakket werd gebruikt in eerdere werkzaamheden aan WGCNA13,14,15. Het pakket bevat functies voor netwerkopbouw, moduledetectie, berekeningen van topologische eigenschappen, ge...

Microbioomonderzoek heeft belangrijke implicaties voor het begrijpen en manipuleren van ecosysteemprocessen1,2. Microbiële populaties zijn onderling verbonden door interactie van ecologische netwerken, waarvan de kenmerken de reactie van micro-organismen op omgevingsveranderingen kunnen beïnvloeden3,4. Bovendien beïnvloeden de eigenschappen van deze netwerken de stabiliteit van microbiële gemeenschappen en zijn ze nauw verbonden met bodemfunctie5. Gewogen gencorrelatienetwerkanalyse is nu op grote schaal toegepast voor onderzoek naar de relatie tussen genen en microbiële gemeenschappen6. Eerdere studies hebben zich voornamelijk gericht op de associaties tussen netwerken van verschillende genen of populaties en de buitenwereld7. De verschillen in correlatienetwerken gevormd door microbiële populaties onder verschillende omgevingsomstandigheden zijn echter nauwelijks onderzocht. Het doel van het onderzoek in dit artikel is om inzichten en details te verschaffen over de snelle implementatie van het WGCNA-algoritme om een co-occurrence netwerk van microbioommonsters te bouwen die onder verschillende omgevingsomstandigheden zijn verzameld. Op basis van de analyseresultaten beoordeelden we de samenstelling en verschillen van de populatie en bespraken we verder de relatie tussen verschillende microbiële populaties. De volgende basisstroom van gewogen correlatienetwerkalgoritme8 werd toegepast. Ten eerste moest een gelijkenismatrix worden geconstrueerd door de Pearson-correlatiecoëfficiënt tussen de expressieprofielen van operationele taxonomische eenheden (OTU) te berekenen. Vervolgens werden de parameters van de hulpvaardigheidsfuncties (de macht of de sigmoïde hulpvaardigheidsfuncties) aangenomen met een schaalvrij topologiecriterium, werd de gelijkenismatrix omgezet in een hulplijnmatrix en kwam elk co-occurrence netwerk overeen met een hulpvaardigheidsmatrix. We gebruikten gemiddelde koppelingshiërarchie in combinatie met de tom-gebaseerde verschillen om OTA's met coherente expressieprofielen in modules te groeperen. Verder hebben we de relatie tussen conservatieve statistieken en de bijbehorende parameteranalysemodules berekend, waarbij we uiteindelijk de hub-OTU in de module identificeerden. Deze methoden zijn bijzonder geschikt voor de analyse van de verschillen in netwerkstructuren tussen verschillende microbiële populaties onder uiteenlopende omgevingsomstandigheden. In dit manuscript hebben we in detail de methode van co-expressie netwerkontwikkeling beschreven, de analyse van de verschillen tussen de modules, en hebben we een kort overzicht gegeven van de stappen in de toegepaste procedure om de kernsoorten in verschillende modulenetwerken te verkrijgen.

<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

Het wortelmicrobioom speelt een belangrijke rol in plantengroei en milieuadaptatie. Netwerkanalyse is een belangrijk instrument voor het bestuderen van gemeenschappen, die effectief de interactierelatie of het co-occurrence-model van verschillende microbiële soorten in verschillende omgevingen kunnen verkennen. Het doel van dit manuscript is om details te geven over hoe het gewogen correlatienetwerkalgoritme kan worden gebruikt om verschillende co-occurrence netwerken te analyseren die kunnen voorkomen in microbiële gemeenschappen als gevolg van verschillende ecologische omgevingen. Alle analyses van het experiment worden uitgevoerd in het WGCNA-pakket. WGCNA is een R-pakket voor gewogen correlatienetwerkanalyse. De experimentele gegevens die werden gebruikt om deze methoden aan te tonen, waren microbiële gemeenschapsgegevens uit de NCBI -database (National Center for Biotechnology Information) voor drie niches van het rijst (Oryza sativa) wortelstelsel. We gebruikten het gewogen correlatienetwerkalgoritme om co-overvloedsnetwerken van microbiële gemeenschap in elk van de drie niches te bouwen. Vervolgens werden differentiële co-overvloedsnetwerken tussen endosfeer, rhizoplane en rhizosfeergrond geïdentificeerd. Bovendien werden de kerngenra in het netwerk verkregen door het "WGCNA"-pakket, dat een belangrijke gereguleerde rol speelt in netwerkfuncties. Deze methoden stellen onderzoekers in staat om de reactie van microbieel netwerk op milieuverstoring te analyseren en verschillende microbiële ecologische responstheorieën te verifiëren. De resultaten van deze methoden tonen aan dat de significante differentiële microbiële netwerken geïdentificeerd in de endosfeer, rhizoplane en rhizosfeer bodem van rijst.

De representatieve resultaten in dit artikel zijn gedownload van de 2014 California Abaker rice root microbiome data in the NCBI database (PRJNA386367)9. De gegevens omvatten de rhizosfeer-, rhizoplane- en endosfeermicrobioommonsters van rijstplanten die gedurende 14 weken in een ondergedompeld rijstveld worden gekweekt. We gebruikten het WGCNA-algoritme om de vermogenswaarde te selecteren die voldeed aan de drie netwerken die dicht bij het schaalvrije netwerk lagen (figuur 1<...

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

Netwerkanalyse werd toegepast om de associatie van verschillende ecologische microbiële gemeenschappen, zoals bodem, water en rhizosfeer, te evalueren. Hier wordt een protocol gepresenteerd over het gebruik van het WGCNA-algoritme om verschillende co-occurrence netwerken te analyseren die kunnen optreden in de microbiële gemeenschappen als gevolg van verschillende ecologische omgevingen.

Divergentie van wortelmicrobiota in verschillende habitats op basis van gewogen correlatienetwerken

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

Deze methode kan effectief de interactieve relatie of het co-occurrence netwerk van verschillende microbiële soorten in verschillende omgevingen verkennen. Het biedt details over het gebruik van het WGCNA-algoritme om een co-occurrence netwerk van microbiota te bouwen. Bovendien beoordeelt deze methode op basis van de resultaten de differentiatie van microbiële relaties en samenstelling tussen microbiële consortia.Hier is de basisstroom van de methode. De samenstellings- en overvloedsgegevens van microbiota worden gedownload uit de NCBI-database of sequentiegegevens voor uw monsters. Open eerst de RStudio-software en installeer het WGCNA-pakket.Laad vervolgens de gegevens en gebruik de functie van de goede monstersgenen om de juistheid van de gegevens te controleren. Kijk voor uitschieters en bewaar monsters die aan onze eisen voldoen. Wanneer het controleresultaat waar is, gaat u verder met de volgende stap.Sla het resultaat op. Gebruik de functie picks off threshold om de schaalvrije index, R kwadraat, van de gegevens onder verschillende vermogenswaarden te berekenen. Visualiseer de resultaten.Wanneer de schaalvrije index dichter bij één ligt, ligt de netwerkstructuur dichter bij het schaalvrije netwerk. Wanneer de schaalvrije index, R kwadraat, groter is dan 0,9, selecteert u de vermogenswaarde. Gebruik ten slotte dezelfde methode om de rest van de microbioomgegevens te analyseren.Gebruik eerst de hulpfunctie om een symbolisch co-occurrence-netwerk op te bouwen. Gebruik daarnaast de TOM-gelijkenisfunctie om een topologisch, overlappend netwerk te ontwikkelen. Gebruik ten tweede de functie Hclust om hiërarchische clustering uit te voeren en de resulterende clusterstructuur te tekenen.Gebruik ten derde de dynamische functie cutree om dynamische vertakkingssnijden uit te voeren en gebruik de parameter min clustergrootte om de kleinste modulegrootte in te stellen. De kleinste modulegrootte is meestal ingesteld op meer dan 30. Bereken ten vierde het microbiële kenmerk van elke module.Hiërarchische clustering wordt uitgevoerd volgens de correlatiecoëfficiënt en modules met een hoogte van minder dan 0,25 zijn samengevoegd om de verdeling van elke module te verkrijgen. Ten vijfde gebruikt u de plotdendro en kleurenfunctie om de resultaten te visualiseren. Het toewijzingsweergavediagram van de netwerkmodule voor gelijktijdig optreden wordt verkregen.Wijzig vervolgens de naam van de modulekleuren en maak digitale labels die overeenkomen met de kleuren. Bewaar ze voor gebruik in volgende delen. Herhaal ten slotte het bovenstaande proces voor andere gegevenssets.Vergelijk en analyseer in dit deel de twee sets gegevens en voer de conserveringstest uit. Laad eerst de parameters en resultaten van de twee gegevenssets die in de vorige stappen zijn opgeslagen. Stel vervolgens de moduleresultaten van de ene gegevensset in als referentiegroep, een andere als testgroep en voer de modulevergelijking uit.Bereken vervolgens de waarden van de conservatiefheid, statistische parameters, Z-samenvatting en mediaanrang om de conservatiefheid tussen modules te kwantificeren. Visualiseer ten slotte de resultaten. Bepaal de netwerkmodule die voldoet aan zowel de Z-samenvattingswaarde, kleiner dan twee, als de mediane rangwaarde bovenaan.Deze module is de meest niet-geconserveerde module in de twee microbiotagegevens. Voer een correlatieanalyse uit van het modulelidmaatschap. Stel de moduletoewijzingsresultaten van twee netwerken in als referentie en de testgroep.De instellingen moeten hetzelfde zijn als de conserveringstest. Ten eerste werd de KME-waarde van elke OTU berekend in verschillende kandidaatmodules op basis van de resultaten van de conserveringstest. Neem de gele module als voorbeeld.Bereken de correlatiecoëfficiënt van de KME-waarde in de twee gele modules en teken vervolgens het correlatieanalysediagram van de KME-waarde in de module. Ten slotte, volgens de correlatiecoëfficiënt in de figuur, beoordeel de conservatiefheid van de module in de twee datasets. Selecteer de module met de kleinste correlatiecoëfficiënt.Gebruik eerst de functie netwerk exporteren naar Cytoscape om het netwerk te exporteren naar een edge- en knooppuntlijstbestand dat Cytoscape kan lezen. Importeer het bestand vervolgens in Cytoscape. Stel de drempel in op 0,5 en pas indien nodig andere parameters aan.Verkrijg ten slotte een co-occurrence netwerk van verschillende micro-organismen. In dit artikel wordt het WGCNA-algoritme gebruikt om de verschillen in drie niches van het rijstwortelsysteem te analyseren. Selecteer de energiewaarde die voldoet aan de drie netwerken die dicht bij het schaalvrije netwerk lagen.Identificeer in de endosfeer, rhizoplane en rhizosphere microbieel voorvalnetwerk respectievelijk 23, 22 en 21 modellen. Gebruik de conserveringstest en correlatieanalyse om de extreem niet-conservatieve modules tussen elke twee niches van het rijstwortelsysteem te vinden. Bouw een co-occurrence netwerk voor deze drie modules met verschillende kleuren om verschillende microbiële phylum weer te geven.Proteobacteriën, Actinobacteriën, Bacteroidetes, Firmicutes en Verrucomicrobia domineerden de drie verschillende microbiële netwerken. Bovendien reguleren 17 kerngenra voornamelijk deze netwerken. Na het bekijken van deze video moet u een goed begrip hebben van hoe u een reeks stappen kunt uitvoeren om het WGCNA-algoritme te gebruiken om verschillende co-occurrence-netwerken te analyseren die kunnen optreden in de microbiële gemeenschappen als gevolg van verschillende ecologische omgevingen.

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

Hoe te Cultuur, Record en het stimuleren van neuronale netwerken op de Micro-elektrode arrays (MEA&#39;s)

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

Bioengineering Human Microvasculaire Netwerken in immunodeficiënte muizen

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

Laterale Root Induceerbare System in<em&gt; Arabidopsis</em&gt; En maïs

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

Met behulp van Digital Image Correlation Local Spanningen op vaatweefsel Monsters karakteriseren

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

Een methode om bacterie-cineffecten op de Gut Microbiota van Muizen te beoordelen

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

Op SA-β-galactosidase gebaseerde screeningstest voor de identificatie van Senotherapeutische geneesmiddelen

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-schaal fenotypering technieken van maïs vaatbundels gebaseerd op de X-ray Microcomputed tomografie

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

Microbiota-analyse met behulp van twee-stap PCR en de volgende generatie 16S rRNA Gensequencing

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 

Op decellularisatie gebaseerde kwantificering van vetinfiltratie van skeletspieren

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

Een efficiënte en reproduceerbare methode voor het produceren van samengestelde planten door Agrobacterium rhizogenes-gebaseerde harige worteltransformatie

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