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

Le développement de ce manuscrit a été soutenu par des fonds de la Fondation nationale des sciences naturelles du projet de centre de recherche sur les sciences karstiques du gouvernement populaire de Chine-Guizhou (U1812401), du projet de recherche doctorale de l’Université normale du Guizhou (GZNUD [2017]1), du projet de soutien scientifique et technologique de la province du Guizhou (QKHZC [2021] YB459) et du projet scientifique et technologique du Guiyang ([2019]2-8).
Les auteurs tiennent à remercier Edwards J.A et al pour avoir fourni des données sur le microbiome du riz dans des bases de données publiques et le soutien de TopEdit (www.topeditsci.com) pour son assistance linguistique lors de la préparation de ce manuscrit.

1. Téléchargement des données
<ol><li>Téléchargez les données de l’adhésion PRJNA386367 à la base de données NCBI. À partir des données de l’accession PRJNA386367, sélectionnez les données sur le microbiome de la rhizosphère, du rhizoplan et de l’endosphère des plants de riz cultivés pendant 14 semaines dans une rizière submergée à Arbuckle, en Californie, en 2014. REMARQUE: Les données sur le microbiome de la rhizosphère, du rhizoplan et de l’endosphère ont été présentées par le ta...

<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>

Les réseaux de corrélation sont de plus en plus utilisés dans les applications bioinformatiques. WGCNA est une méthode de biologie des systèmes pour l’analyse descriptive des relations entre divers éléments d’un système biologique12. Le progiciel R a été utilisé dans des travaux antérieurs sur WGCNA13,14,15. Le package comprend des fonctions pour la construction de réseaux, la détection ...

La recherche sur le microbiome a des implications importantes pour la compréhension et la manipulation des processus écosystémiques1,2. Les populations microbiennes sont interconnectées par des réseaux écologiques en interaction, dont les caractéristiques peuvent affecter la réponse des micro-organismes aux changements environnementaux3,4. De plus, les propriétés de ces réseaux affectent la stabilité des communautés microbiennes et sont étroitement associées à la fonction du sol5. L’analyse pondérée du réseau de corrélation génique a maintenant été largement appliquée à la recherche sur la relation entre les gènes et les communautés microbiennes6. Les études précédentes se sont principalement concentrées sur les associations entre les réseaux de différents gènes ou populations et le monde extérieur7. Cependant, les différences dans les réseaux de corrélation formés par les populations microbiennes dans différentes conditions environnementales ont été à peine étudiées. Le but de la recherche présentée dans cet article est de fournir des informations et des détails sur la mise en œuvre rapide de l’algorithme WGCNA pour construire un réseau de cooccurrence d’échantillons de microbiome collectés dans différentes conditions environnementales. Sur la base des résultats de l’analyse, nous avons évalué la composition et les différences de la population et discuté plus en détail de la relation entre les différentes populations microbiennes. Le flux de base suivant de l’algorithme de réseau de corrélationpondérée 8 a été appliqué. Tout d’abord, une matrice de similitude devait être construite en calculant le coefficient de corrélation de Pearson entre les profils d’expression des unités taxonomiques opérationnelles (OTU). Ensuite, les paramètres des fonctions d’adjacence (les fonctions de puissance ou d’adjacence sigmoïde) ont été adoptés avec un critère de topologie sans échelle, la matrice de similarité a été transformée en matrice d’adjacence, et chaque réseau de cooccurrence correspondait à une matrice d’adjacence. Nous avons utilisé le clustering hiérarchique de liaison moyenne couplé à la dissimilarité basée sur TOM pour regrouper les OTU avec des profils d’expression cohérents en modules. De plus, nous avons calculé la relation entre les statistiques conservatrices et les modules d’analyse des paramètres associés, identifiant enfin l’OTU du hub dans le module. Ces méthodes sont particulièrement adaptées à l’analyse des différences dans les structures de réseau entre diverses populations microbiennes dans des conditions environnementales divergentes. Dans ce manuscrit, nous avons décrit en détail la méthode de développement des réseaux de co-expression, l’analyse des dissemblances entre les modules, et avons fourni un bref aperçu des étapes de la procédure appliquée pour obtenir les espèces centrales dans différents réseaux de modules.

<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

Le microbiome racinaire joue un rôle important dans la croissance des plantes et l’adaptation environnementale. L’analyse des réseaux est un outil important pour étudier les communautés, qui peut explorer efficacement la relation d’interaction ou le modèle de cooccurrence de différentes espèces microbiennes dans différents environnements. Le but de ce manuscrit est de fournir des détails sur la façon d’utiliser l’algorithme de réseau de corrélation pondéré pour analyser différents réseaux de cooccurrence qui peuvent se produire dans des communautés microbiennes en raison de différents environnements écologiques. Toutes les analyses de l’expérience sont effectuées dans le package WGCNA. WGCNA est un package R pour l’analyse de réseau de corrélation pondérée. Les données expérimentales utilisées pour démontrer ces méthodes étaient des données de communauté microbienne de la base de données NCBI (National Center for Biotechnology Information) pour trois niches du système racinaire du riz (Oryza sativa). Nous avons utilisé l’algorithme du réseau de corrélation pondéré pour construire des réseaux de co-abondance de communauté microbienne dans chacune des trois niches. Ensuite, des réseaux de co-abondance différentielle entre le sol de l’endosphère, du rhizoplan et de la rhizosphère ont été identifiés. En outre, les genres de base en réseau ont été obtenus par le paquet « WGCNA », qui joue un rôle régulé important dans les fonctions de réseau. Ces méthodes permettent aux chercheurs d’analyser la réponse du réseau microbien aux perturbations environnementales et de vérifier différentes théories de la réponse écologique microbienne. Les résultats de ces méthodes montrent que les réseaux microbiens différentiels significatifs identifiés dans le sol de l’endosphère, du rhizoplan et de la rhizosphère du riz.

Les résultats représentatifs de cet article ont été téléchargés à partir des données de 2014 sur le microbiome radiculaire du riz Abaker de Californie dans la base de données NCBI (PRJNA386367)9. Les données comprennent des échantillons de microbiome de la rhizosphère, du rhizoplan et de l’endosphère provenant de plants de riz cultivés pendant 14 semaines dans une rizière submergée. Nous avons utilisé l’algorithme WGCNA pour sélectionner la valeur de puissance qui satisfaisa...

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

L’analyse du réseau a été appliquée pour évaluer l’association de diverses communautés microbiennes écologiques, telles que le sol, l’eau et la rhizosphère. Présenté ici est un protocole sur la façon d’utiliser l’algorithme WGCNA pour analyser différents réseaux de co-occurrence qui peuvent se produire dans les communautés microbiennes en raison de différents environnements écologiques.

Divergence du microbiote racinaire dans différents habitats sur la base de réseaux de corrélation pondérés

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

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.

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

Comment la culture, d&#39;enregistrement et stimuler les réseaux neuronaux sur les micro-électrodes Arrays (AME)

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

Recherche

Biologie

Bioengineering Human Microvascular Networks in Immunodeficient Mice

Bioingénierie de l&#39;homme Réseaux microvasculaires chez des souris immunodéficientes

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 système inductible Racine dans<em&gt; Arabidopsis</em&gt; Et de 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

Utilisation de corrélation d&#39;images à caractériser les souches locales sur des échantillons de tissus vasculaires

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

Une méthode pour évaluer les effets de la bactériocine sur le microbiota intestinal des souris

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

Essai de dépistage basé sur sA-MD-Galactosidase pour l'identification des médicaments sérothérapeutiques

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

Techniques de phénotypage micron-échelle de maïs faisceaux vasculaires issu de tomographie à rayons x Microcomputed

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

Analyse du microbiote à l'aide de PCR en deux étapes et de la prochaine génération 16S rRNA Gene Sequencing

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 

Quantification basée sur la décellularisation de l’infiltration graisseuse des muscles squelettiques

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

Procédé efficace et reproductible de production de plantes composites par transformation racinaire velue basée sur Agrobacterium rhizogenes

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