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

Die Entwicklung dieses Manuskripts wurde durch Mittel der National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), des Doctoral Research Project der Guizhou Normal University (GZNUD[2017]1), des Science and Technology Support Project der Provinz Guizhou (QKHZC[2021]YB459) und des Science and Technology Project des Guiyang([2019]2-8) unterstützt.
Die Autoren danken Edwards J.A et al. für die Bereitstellung von Reismikrobiomdaten in öffentlichen Datenbanken und die Unterstützung von TopEdit (www.topeditsci.com) für die sprachliche Unterstützung bei der Erstellung dieses Manuskripts.

1. Daten-Download
<ol><li>Laden Sie die Daten des Beitritts PRJNA386367 aus der NCBI-Datenbank herunter. Wählen Sie aus den Daten des Beitritts PRJNA386367 die Rhizosphären-, Rhizoplan- und Endosphären-Mikrobiomdaten von Reispflanzen aus, die 2014 14 Wochen lang in einem untergetauchten Reisfeld in Arbuckle, Kalifornien, angebaut wurden. HINWEIS: Die Rhizosphären-, Rhizoplan- und Endosphärenmikrobiomdaten wurden von der OTUs-Tabelle in Der Beitrittstabelle PRJNA386367 dargestellt.</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>

Korrelationsnetzwerke werden zunehmend in bioinformatischen Anwendungen eingesetzt. WGCNA ist eine systembiologische Methode zur deskriptiven Analyse der Beziehungen zwischen verschiedenen Elementen eines biologischen Systems12. R-Softwarepaket wurde in früheren Arbeiten an WGCNA13,14,15verwendet. Das Paket enthält Funktionen für den Netzwerkaufbau, Modulerkennung, Berechnung topologischer Eigenschafte...

Mikrobiomforschung hat wichtige Implikationen für das Verständnis und die Manipulation von Ökosystemprozessen1,2. Mikrobielle Populationen sind durch interagierende ökologische Netzwerke miteinander verbunden, deren Eigenschaften die Reaktion von Mikroorganismen auf Umweltveränderungen beeinflussen können3,4. Darüber hinaus beeinflussen die Eigenschaften dieser Netzwerke die Stabilität mikrobieller Gemeinschaften und sind eng mit der Bodenfunktion verbunden5. Die gewichtete Genkorrelationsnetzwerkanalyse wurde nun häufig für die Erforschung der Beziehung zwischen Genen und mikrobiellen Gemeinschafteneingesetzt 6. Frühere Studien haben sich hauptsächlich auf die Assoziationen zwischen Netzwerken verschiedener Gene oder Populationen und der Außenwelt konzentriert7. Die Unterschiede in den Korrelationsnetzwerken, die mikrobielle Populationen unter verschiedenen Umweltbedingungen bilden, sind jedoch kaum untersucht. Der Zweck der in diesem Artikel vorgestellten Forschung besteht darin, Einblicke und Details zur schnellen Implementierung des WGCNA-Algorithmus zu liefern, um ein Netzwerk von Mikrobiomproben zu konstruieren, die unter verschiedenen Umweltbedingungen gesammelt wurden. Basierend auf den Analyseergebnissen bewerteten wir die Zusammensetzung und Unterschiede der Population und diskutierten die Beziehung zwischen verschiedenen mikrobiellen Populationen. Der folgende grundlegende Fluss des gewichteten Korrelationsnetzwerkalgorithmus8 wurde angewendet. Zunächst musste eine Ähnlichkeitsmatrix erstellt werden, indem der Pearson-Korrelationskoeffizient zwischen den OTU-Ausdrucksprofilen (Operational Taxonomic Units) berechnet wurde. Dann wurden die Parameter der Adjazenzfunktionen (die Power- oder die Sigmoid-Adjazenzfunktionen) mit einem skalenfreien Topologiekriterium übernommen, die Ähnlichkeitsmatrix wurde in eine Adjazenzmatrix umgewandelt und jedes Co-Occurrence-Netzwerk entsprach einer Adjazenzmatrix. Wir verwendeten hierarchisches Clustering mit durchschnittlicher Verknüpfung in Verbindung mit der TOM-basierten Unähnlichkeit, um OTUs mit kohärenten Ausdrucksprofilen in Module zu gruppieren. Darüber hinaus berechneten wir die Beziehung zwischen konservativer Statistik und den zugehörigen Parameteranalysemodulen und identifizierten schließlich die Hub-OTU im Modul. Diese Methoden eignen sich besonders für die Analyse der Unterschiede in den Netzwerkstrukturen zwischen verschiedenen mikrobiellen Populationen unter divergierenden Umweltbedingungen. In diesem Manuskript haben wir die Methode der Co-Expression Network-Entwicklung, die Analyse der Unterschiede zwischen den Modulen detailliert beschrieben und einen kurzen Überblick über die Schritte im Verfahren gegeben, um die Kernspezies in verschiedenen Modulnetzwerken zu erhalten.

<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

Das Wurzelmikrobiom spielt eine wichtige Rolle beim Pflanzenwachstum und der Anpassung an die Umwelt. Die Netzwerkanalyse ist ein wichtiges Werkzeug für die Untersuchung von Gemeinschaften, die die Interaktionsbeziehung oder das Co-Occurrence-Modell verschiedener mikrobieller Arten in verschiedenen Umgebungen effektiv untersuchen können. Der Zweck dieses Manuskripts ist es, Details darüber zu liefern, wie der gewichtete Korrelationsnetzwerkalgorithmus verwendet werden kann, um verschiedene Co-Occurrence-Netzwerke zu analysieren, die in mikrobiellen Gemeinschaften aufgrund unterschiedlicher ökologischer Umgebungen auftreten können. Alle Analysen des Experiments werden im WGCNA-Paket durchgeführt. WGCNA ist ein R-Paket für die gewichtete Korrelationsnetzwerkanalyse. Die experimentellen Daten, die zur Demonstration dieser Methoden verwendet wurden, waren mikrobielle Gemeinschaftsdaten aus der NCBI-Datenbank (National Center for Biotechnology Information) für drei Nischen des Reiswurzelsystems (Oryza sativa). Wir haben den algorithmus für gewichtete Korrelationsnetzwerke verwendet, um Co-Abundance-Netzwerke mikrobieller Gemeinschaften in jeder der drei Nischen zu konstruieren. Dann wurden differentielle Ko-Abundanz-Netzwerke zwischen Endosphäre, Rhizoplan und Rhizosphärenboden identifiziert. Darüber hinaus wurden die Kerngattungen im Netzwerk durch das "WGCNA"-Paket erhalten, das eine wichtige regulierte Rolle bei Netzwerkfunktionen spielt. Diese Methoden ermöglichen es den Forschern, die Reaktion mikrobieller Netzwerke auf Umweltstörungen zu analysieren und verschiedene mikrobielle ökologische Reaktionstheorien zu überprüfen. Die Ergebnisse dieser Methoden zeigen, dass die signifikanten differentiellen mikrobiellen Netzwerke in der Endosphäre, Rhizoplane und Rhizosphäre Boden von Reis identifiziert werden.

Die repräsentativen Ergebnisse in diesem Artikel wurden aus den Daten des kalifornischen Abaker-Reiswurzelmikrobioms von 2014 in der NCBI-Datenbank (PRJNA386367)9heruntergeladen. Die Daten umfassen die Rhizosphären-, Rhizoplan- und Endosphären-Mikrobiomproben von Reispflanzen, die 14 Wochen lang in einem untergetauchten Reisfeld angebaut wurden. Wir verwendeten den WGCNA-Algorithmus, um den Leistungswert auszuwählen, der die drei Netzwerke zufriedenstellte, die sich in der Nähe des skalenfrei...

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

Die Netzwerkanalyse wurde angewendet, um die Assoziation verschiedener ökologischer mikrobieller Gemeinschaften wie Boden, Wasser und Rhizosphäre zu bewerten. Hier wird ein Protokoll vorgestellt, wie der WGCNA-Algorithmus verwendet werden kann, um verschiedene Co-Occurrence-Netzwerke zu analysieren, die in den mikrobiellen Gemeinschaften aufgrund unterschiedlicher ökologischer Umgebungen auftreten können.

Divergenz von Wurzelmikrobiota in verschiedenen Lebensräumen basierend auf gewichteten Korrelationsnetzwerken

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

Diese Methode kann die interaktive Beziehung oder das Co-Vorkommensnetzwerk verschiedener mikrobieller Spezies in verschiedenen Umgebungen effektiv untersuchen. Es enthält Details zur Verwendung des WGCNA-Algorithmus, um ein Netzwerk von Mikrobiota zu konstruieren. Darüber hinaus bewertet diese Methode anhand der Ergebnisse die Differenzierung mikrobieller Beziehungen und Zusammensetzung zwischen mikrobiellen Konsortien.Hier ist der grundlegende Ablauf der Methode. Die Zusammensetzungs- und Abundanzdaten der Mikrobiota werden aus der NCBI-Datenbank oder sequenzieren Daten für Ihre Proben heruntergeladen. Öffnen Sie zunächst die RStudio-Software und installieren Sie das WGCNA-Paket.Laden Sie dann die Daten und verwenden Sie die Funktion der guten Probengene, um die Richtigkeit der Daten zu überprüfen. Suchen Sie nach Ausreißern und lagern Sie Muster, die unseren Anforderungen entsprechen. Wenn das Prüfergebnis wahr ist, fahren Sie mit dem nächsten Schritt fort.Speichern Sie das Ergebnis. Verwenden Sie die Auswahlschwellenwertfunktion, um den skalenfreien Index R im Quadrat der Daten unter verschiedenen Leistungswerten zu berechnen. Visualisieren Sie die Ergebnisse.Wenn der skalenfreie Index näher an eins ist, ist die Netzwerkstruktur näher am skalenfreien Netzwerk. Wenn der skalenfreie Index R im Quadrat größer als 0,9 ist, wählen Sie den Leistungswert aus. Verwenden Sie schließlich die gleiche Methode, um den Rest der Mikrobiomdaten zu analysieren.Verwenden Sie zunächst die Adjazenzfunktion, um ein symbolisches Netzwerk für das gleichzeitige Auftreten zu erstellen. Verwenden Sie außerdem die TOM-Ähnlichkeitsfunktion, um ein topologisches, überlappendes Netzwerk zu entwickeln. Zweitens, verwenden Sie die Hclust-Funktion, um hierarchisches Clustering durchzuführen und die resultierende Clusterstruktur zu zeichnen.Drittens: Verwenden Sie die dynamische Cutree-Funktion, um dynamisches Verzweigungsschneiden durchzuführen, und verwenden Sie den Parameter min cluster size, um die kleinste Modulgröße festzulegen. Die kleinste Modulgröße wird in der Regel über 30 eingestellt. Viertens, berechnen Sie die mikrobielle Charakteristik jedes Moduls.Hierarchisches Clustering wird nach dem Korrelationskoeffizienten durchgeführt, und Module mit einer Höhe von weniger als 0,25 wurden zusammengeführt, um die Verteilung jedes Moduls zu erhalten. Fünftens, verwenden Sie die Plot-Dendro- und Farbenfunktion, um die Ergebnisse zu visualisieren. Das Zuordnungsanzeigediagramm des Netzwerkmoduls für das Gleichzeitige Vorkommen wird erhalten.Benennen Sie dann die Modulfarben um und erstellen Sie digitale Etiketten, die den Farben entsprechen. Speichern Sie sie für die Verwendung in nachfolgenden Teilen. Wiederholen Sie abschließend den obigen Vorgang für andere Datensätze.Vergleichen und analysieren Sie in diesem Teil die beiden Datensätze und führen Sie den Erhaltungstest durch. Laden Sie zunächst die Parameter und Ergebnisse der beiden Datasets, die in den vorherigen Schritten gespeichert wurden. Legen Sie dann die Modulergebnisse eines Datensatzes als Referenzgruppe, eines anderen als Testgruppe fest und führen Sie den Modulvergleich durch.Als nächstes berechnen Sie die Werte der Konservativität, statistische Parameter, Z-Zusammenfassung und Medianrang, um die Konservativität zwischen den Modulen zu quantifizieren. Visualisieren Sie abschließend die Ergebnisse. Bestimmen Sie das Netzwerkmodul, das sowohl den Z-Zusammenfassungswert (kleiner als zwei) als auch den Medianrangwert oben erfüllt.Dieses Modul ist das am besten erhaltene Modul in den beiden Mikrobiota-Daten. Führen Sie eine Korrelationsanalyse der Modulmitgliedschaft durch. Legen Sie die Modulzuordnungsergebnisse von zwei Netzwerken als Referenz bzw. Testgruppe fest.Die Einstellungen müssen mit den Einstellungen des Erhaltungstests identisch sein. Zunächst wurde der KME-Wert jeder OTU in mehreren Kandidatenmodulen basierend auf den Ergebnissen des Erhaltungstests berechnet. Nehmen Sie das gelbe Modul als Beispiel.Berechnen Sie den Korrelationskoeffizienten des KME-Werts in den beiden gelben Modulen und zeichnen Sie dann das Korrelationsanalysediagramm des KME-Werts im Modul. Beurteilen Sie schließlich anhand des Korrelationskoeffizienten in der Abbildung die Konservativität des Moduls in den beiden Datensätzen. Wählen Sie das Modul mit dem kleinsten Korrelationskoeffizienten aus.Verwenden Sie zunächst die Funktion Netzwerk nach Cytoscape exportieren, um das Netzwerk in eine Edge- und Knotenlistendatei zu exportieren, die Cytoscape lesen kann. Importieren Sie dann die Datei in Cytoscape. Stellen Sie den Schwellenwert auf 0,5 ein und passen Sie andere Parameter nach Bedarf an.Erhalten Sie schließlich ein Netzwerk verschiedener Mikroorganismen. In diesem Artikel wird der WGCNA-Algorithmus verwendet, um die Unterschiede in drei Nischen des Reiswurzelsystems zu analysieren. Wählen Sie den Leistungswert aus, der die drei Netzwerke zufrieden stellt, die sich in der Nähe des skalenfreien Netzwerks befanden.Identifizieren Sie in der Endosphäre, rhizoplane und rhizosphere microbial occurrence network 23, 22 bzw. 21 Modelle. Verwenden Sie den Konservierungstest und die Korrelationsanalyse, um die extrem nicht-konservativen Module zwischen jeweils zwei Nischen des Reiswurzelsystems zu finden. Konstruieren Sie ein Co-Occurrence-Netzwerk für diese drei Module mit verschiedenen Farben, um verschiedene mikrobielle Phylum darzustellen.Proteobakterien, Actinobakterien, Bacteroidetes, Firmicutes und Verrucomicrobia dominierten die drei verschiedenen mikrobiellen Netzwerke. Darüber hinaus regulieren 17 Kerngattungen hauptsächlich diese Netzwerke. Nachdem Sie sich dieses Video angeschaut haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie eine Reihe von Schritten ausführen, um den WGCNA-Algorithmus zur Analyse verschiedener Co-Occurrence-Netzwerke zu verwenden, die in den mikrobiellen Gemeinschaften aufgrund unterschiedlicher ökologischer Umgebungen auftreten können.

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

Wie Kultur, Record und stimulieren Neuronale Netze auf Micro-Elektroden 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 ...

Forschung

Biologie

Bioengineering Human Microvascular Networks in Immunodeficient Mice

Bioengineering humane mikrovaskuläre Networks in immundefizienten Mäusen

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

Seitenwurzel induzierbaren Systems in<em&gt; Arabidopsis</em&gt; Und Mais

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

Verwenden von Bildkorrelation Lokale Stämme auf Gefäßgewebeproben zu charakterisieren

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

Eine Methode zur Beurteilung von Bakteriocin-Wirkungen auf die Gut-Mikrobiota von Mäusen

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--Galactosidase-basierter Screening-Test zur Identifizierung von Senotherapeutischen Arzneimitteln

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

Mikron-Skala Phänotypisierung Techniken der Mais Leitbündel basierend auf Microcomputed Röntgentomographie

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 mit zweistufiger PCR- und 16S-rRNA-Gensequenzierung der nächsten Generation

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 

Dezellularisierungsbasierte Quantifizierung der Fettinfiltration der Skelettmuskulatur

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

Eine effiziente und reproduzierbare Methode zur Herstellung von Kompositpflanzen durch Agrobacterium rhizogenes-basierte Haarwurzeltransformation

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