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

Lo sviluppo di questo manoscritto è stato supportato da fondi della National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), del Doctoral Research Project della Guizhou Normal University (GZNUD[2017]1), del Science and Technology Support Project della provincia di Guizhou (QKHZC[2021]YB459) e del Science and Technology Project of the Guiyang([2019]2-8).
Gli autori desiderano ringraziare Edwards J.A et al per aver fornito dati sul microbioma del riso in database pubblici e il supporto di TopEdit (www.topeditsci.com) per la sua assistenza linguistica durante la preparazione di questo manoscritto.

1. Download dei dati
<ol><li>Scarica i dati dell'adesione PRJNA386367 dalla banca dati NCBI. Dai dati dell'adesione PRJNA386367, selezionare i dati del microbioma della rizosfera, del rizopiano e dell'endosfera dalle piante di riso coltivate per 14 settimane in un campo di riso sommerso ad Arbuckle, in California, nel 2014. NOTA: I dati sul microbioma della rizosfera, del rizopiano e dell'endosfera sono stati presentati dalla tabella delle OTU nell'adesione PRJNA386367.</li>
</ol>2. Determinazi...

<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>

Le reti di correlazione sono state sempre più utilizzate nelle applicazioni bioinformatiche. WGCNA è un metodo di biologia dei sistemi per l'analisi descrittiva delle relazioni tra vari elementi di un sistema biologico12. Il pacchetto software R è stato utilizzato in lavori precedenti su WGCNA13,14,15. Il pacchetto include funzioni per la costruzione di reti, il rilevamento di moduli, calcoli di propri...

La ricerca sul microbioma ha importanti implicazioni per la comprensione e la manipolazione dei processiecosistemici 1,2. Le popolazioni microbiche sono interconnesse da reti ecologiche interagenti, le cui caratteristiche possono influenzare la risposta dei microrganismi ai cambiamenti ambientali3,4. Inoltre, le proprietà di queste reti influenzano la stabilità delle comunità microbiche e sono strettamente associate alla funzione delsuolo 5. L'analisi ponderata della rete di correlazione genica è stata ora ampiamente applicata per la ricerca sulla relazione tra geni e comunità microbiche6. Studi precedenti si sono concentrati principalmente sulle associazioni tra reti di geni o popolazioni diverse e il mondo esterno7. Tuttavia, le differenze nelle reti di correlazione formate da popolazioni microbiche in diverse condizioni ambientali sono state scarsamente studiate. Lo scopo della ricerca presentata in questo documento è quello di fornire approfondimenti e dettagli sulla rapida implementazione dell'algoritmo WGCNA per costruire una rete di co-occorrenza di campioni di microbioma raccolti in diverse condizioni ambientali. Sulla base dei risultati dell'analisi, abbiamo valutato la composizione e le differenze della popolazione e discusso ulteriormente la relazione tra le diverse popolazioni microbiche. È stato applicato il seguente flusso di base dell'algoritmo di rete di correlazione ponderata8. In primo luogo, era necessario costruire una matrice di somiglianza calcolando il coefficiente di correlazione di Pearson tra i profili di espressione OTU (Operational Taxonomic Units). Quindi, i parametri delle funzioni di adiacenza (le funzioni di adiacenza di potenza o sigmoide) sono stati adottati con un criterio di topologia senza scala, la matrice di somiglianza è stata trasformata in una matrice di adiacenza e ogni rete di co-occorrenza corrispondeva a una matrice di adiacenza. Abbiamo utilizzato il clustering gerarchico di collegamento medio abbinato alla dissomiglianza basata su TOM per raggruppare le OTA con profili di espressione coerenti in moduli. Inoltre, abbiamo calcolato la relazione tra le statistiche conservative e i relativi moduli di analisi dei parametri, identificando infine l'OTU dell'hub nel modulo. Questi metodi sono particolarmente adatti per l'analisi delle differenze nelle strutture di rete tra varie popolazioni microbiche in condizioni ambientali divergenti. In questo manoscritto, abbiamo descritto in dettaglio il metodo di sviluppo della rete di co-espressione, l'analisi delle differenze tra i moduli e abbiamo fornito una breve panoramica dei passaggi della procedura applicata per ottenere le specie principali in diverse reti di moduli.

<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

Il microbioma radicale svolge un ruolo importante nella crescita delle piante e nell'adattamento ambientale. L'analisi di rete è uno strumento importante per lo studio delle comunità, che possono esplorare efficacemente la relazione di interazione o il modello di co-occorrenza di diverse specie microbiche in ambienti diversi. Lo scopo di questo manoscritto è quello di fornire dettagli su come utilizzare l'algoritmo della rete di correlazione ponderata per analizzare diverse reti di co-occorrenza che possono verificarsi nelle comunità microbiche a causa di diversi ambienti ecologici. Tutte le analisi dell'esperimento vengono eseguite nel pacchetto WGCNA. WGCNA è un pacchetto R per l'analisi ponderata della rete di correlazione. I dati sperimentali utilizzati per dimostrare questi metodi erano dati della comunità microbica dal database NCBI (National Center for Biotechnology Information) per tre nicchie del sistema radicale del riso (Oryza sativa). Abbiamo usato l'algoritmo della rete di correlazione ponderata per costruire reti di co-abbondanza di comunità microbica in ciascuna delle tre nicchie. Quindi, sono state identificate reti di co-abbondanza differenziale tra endosfera, rizopiano e suolo rizosfera. Inoltre, i generi principali in rete sono stati ottenuti dal pacchetto "WGCNA", che svolge un importante ruolo regolato nelle funzioni di rete. Questi metodi consentono ai ricercatori di analizzare la risposta della rete microbica ai disturbi ambientali e verificare diverse teorie di risposta ecologica microbica. I risultati di questi metodi mostrano che le significative reti microbiche differenziali identificate nel suolo dell'endosfera, del rizopiano e della rizosfera del riso.

I risultati rappresentativi in questo articolo sono stati scaricati dai dati del microbioma della radice di riso California Abaker del 2014 nel database NCBI (PRJNA386367)9. I dati includono i campioni di microbioma rizosfera, rizoplano ed endosfera da piante di riso coltivate per 14 settimane in un campo di riso sommerso. Abbiamo utilizzato l'algoritmo WGCNA per selezionare il valore di potenza che soddisfaceva le tre reti che erano vicine alla rete senza scala (Figura 1</str...

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'analisi della rete è stata applicata per valutare l'associazione di varie comunità microbiche ecologiche, come suolo, acqua e rizosfera. Qui è presentato un protocollo su come utilizzare l'algoritmo WGCNA per analizzare diverse reti di co-occorrenza che possono verificarsi nelle comunità microbiche a causa di diversi ambienti ecologici.

Divergenza del microbiota radicale in diversi habitat in base a reti di correlazione ponderate

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

Questo metodo può esplorare efficacemente la relazione interattiva o la rete di co-occorrenza di diverse specie microbiche in ambienti diversi. Fornisce dettagli su come utilizzare l'algoritmo WGCNA per costruire una rete di co-occorrenza di microbiota. Inoltre, sulla base dei risultati, questo metodo valuta la differenziazione delle relazioni microbiche e la composizione tra i consorzi microbici.Ecco il flusso di base del metodo. I dati di composizione e abbondanza del microbiota vengono scaricati dal database NCBI o dai dati di sequenza per i campioni. Innanzitutto, apri il software RStudio e installa il pacchetto WGCNA.Quindi, caricare i dati e utilizzare la funzione dei geni dei buoni campioni per verificare la correttezza dei dati. Verifica la disponibilità di valori anomali e campioni di archiviazione che soddisfano i nostri requisiti. Quando il risultato del controllo è true, passare al passaggio successivo.Salvare il risultato. Utilizzare la funzione di soglia di pick off per calcolare l'indice senza scala, R al quadrato, dei dati con valori di potenza diversi. Visualizza i risultati.Quando l'indice senza scala è più vicino a uno, la struttura della rete è più vicina alla rete senza scalabilità. Quando l'indice senza scala, R al quadrato, è maggiore di 0,9, selezionare il valore di potenza. Infine, utilizzare lo stesso metodo per analizzare il resto dei dati del microbioma.Innanzitutto, utilizzare la funzione di adiacenza per costruire una rete di co-occorrenza simbolica. Inoltre, utilizzare la funzione di somiglianza TOM per sviluppare una rete topologica e sovrapposta. In secondo luogo, utilizzare la funzione Hclust per eseguire il clustering gerarchico e disegnare l'albero del cluster risultante.In terzo luogo, utilizzare la funzione dinamica cutree per eseguire il taglio dinamico dei rami e utilizzare il parametro min cluster size per impostare la dimensione del modulo più piccola. La dimensione più piccola del modulo è solitamente impostata su 30. In quarto luogo, calcolare le caratteristiche microbiche di ciascun modulo.Il clustering gerarchico viene eseguito in base al coefficiente di correlazione e i moduli con un'altezza inferiore a 0,25 sono stati uniti per acquisire la distribuzione di ciascun modulo. Quinto, usa la funzione plot dendro e colori per visualizzare i risultati. Si ottiene il diagramma di visualizzazione delle assegnazioni del modulo di rete di co-occorrenza.Quindi, rinominare i colori del modulo e costruire etichette digitali corrispondenti ai colori. Salvarli per l'uso nelle parti successive. Infine, ripetere il processo precedente per altri set di dati.In questa parte, confrontare e analizzare i due set di dati ed eseguire il test di conservazione. Innanzitutto, caricare i parametri e i risultati dei due set di dati salvati nei passaggi precedenti. Quindi, impostare i risultati del modulo di un set di dati come gruppo di riferimento, un altro come gruppo di test ed eseguire il confronto del modulo.Successivamente, calcolare i valori della prudenza, i parametri statistici, il riepilogo Z e il rango mediano per quantificare la conservatività tra i moduli. Infine, visualizza i risultati. Determinare il modulo di rete che soddisfa sia il valore di riepilogo Z, inferiore a due, sia il valore di rango mediano in alto.Questo modulo è il modulo più non conservato nei due dati del microbiota. Eseguire l'analisi di correlazione dell'appartenenza al modulo. Impostare i risultati dell'assegnazione dei moduli di due reti rispettivamente come riferimento e gruppo di test.Le impostazioni devono essere le stesse del test di conservazione. In primo luogo, il valore KME di ciascun OTU è stato calcolato in diversi moduli candidati in base ai risultati del test di conservazione. Prendi il modulo giallo come esempio.Calcolare il coefficiente di correlazione del valore KME nei due moduli gialli, quindi disegnare il diagramma di analisi di correlazione del valore KME nel modulo. Infine, in base al coefficiente di correlazione in figura, giudicare la conservatività del modulo nei due set di dati. Selezionare il modulo con il coefficiente di correlazione più piccolo.Innanzitutto, utilizzare la rete di esportazione in funzione Cytoscape per esportare la rete in un file edge e elenco di nodi che Cytoscape può leggere. Quindi, importare il file in Cytoscape. Impostare la soglia su 0,5 e regolare altri parametri in base alle esigenze.Infine, ottenere una rete di co-occorrenza di diversi microrganismi. In questo articolo, l'algoritmo WGCNA viene utilizzato per analizzare le differenze in tre nicchie del sistema delle radici di riso. Selezionare il valore di alimentazione che soddisfaceva le tre reti vicine alla rete senza scalabilità.Nella rete di presenza microbica dell'endosfera, del rizopiano e della rizosfera, identificare rispettivamente 23, 22 e 21 modelli. Usa il test di conservazione e l'analisi di correlazione per trovare i moduli estremamente non conservativi tra ciascuna delle due nicchie del sistema delle radici del riso. Costruisci una rete di co-occorrenza per questi tre moduli usando colori diversi per rappresentare diversi phylum microbici.Proteobatteri, Actinobacteria, Bacteroidetes, Firmicutes e Verrucomicrobia hanno dominato le tre diverse reti microbiche. Inoltre, 17 generi principali regolano principalmente queste reti. Dopo aver guardato questo video, dovresti avere una buona comprensione di come eseguire una serie di passaggi per utilizzare l'algoritmo WGCNA per analizzare diverse reti di co-occorrenza che possono verificarsi nelle comunità microbiche a causa di diversi ambienti ecologici.

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

Come la cultura, record e stimolare reti neuronali sulla micro-array di elettrodi (MEA)

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

Ricerca

Biologia

Bioengineering Human Microvascular Networks in Immunodeficient Mice

Bioingegneria reti umane in topi immunodeficienti microvascolari

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 inducibile di sistema in<em&gt; Arabidopsis</em&gt; E 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

Utilizzo di Digital Image Correlation per caratterizzare ceppi locali vascolari campioni di tessuto

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

Metodo per valutare gli effetti del batterioiocinio sul microbiota di gatti dei topi

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

Saggio di screening basato su SA-Galactosidase per l'identificazione dei farmaci senoterapici

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-scala Phenotyping tecniche di mais fasci vascolari basato su x-Ray Microcomputed Tomography

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

Analisi microbiota utilizzando PCR in due fasi e sequenziamento genico rRNA 16S di nuova generazione

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 

Quantificazione basata sulla decellularizzazione dell'infiltrazione grassa del muscolo scheletrico

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

Un metodo efficiente e riproducibile per la produzione di piante composite mediante trasformazione delle radici pelose a base di Agrobacterium rhizogenes

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