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

Utviklingen av dette manuskriptet ble støttet av midler fra National Natural Science Foundation of China-Guizhou Provincial People's Government Karst Science Research Center Project (U1812401), Doctoral Research Project of Guizhou Normal University (GZNUD[2017]1), Science and Technology Support Project of Guizhou Province (QKHZC[2021]YB459) og Vitenskaps- og teknologiprosjektet til Guiyang([2019]2-8).
Forfatterne vil takke Edwards J.A et al for å ha gitt rismikrobiomdata i offentlige databaser og støtte fra TopEdit (www.topeditsci.com) for sin språklige hjelp under utarbeidelsen av dette manuskriptet.

1. Nedlasting av data
<ol><li>Last ned dataene for tiltredelsen PRJNA386367 fra NCBI-databasen. Fra dataene fra tiltredelsen PRJNA386367, velg rhizosfæren, rhizoplane og endosphere mikrobiomedata fra risplanter dyrket i 14 uker i et nedsenket risfelt i Arbuckle, California i 2014. MERK: Rhizosfæren, rhizoplanet og endosfærens mikrobiomdata ble presentert av OTUs-tabellen i tiltredelse PRJNA386367.</li>
</ol>2. Optimal bestemmelse av kraftverdi
MERK: WGCNA-pakken i...

<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>

Korrelasjonsnettverk har i økende grad blitt brukt i bioinformatikkapplikasjoner. WGCNA er en systembiologisk metode for beskrivende analyse av forholdet mellom ulike elementer i et biologisk system12. R programvarepakken ble brukt i tidligere arbeid på WGCNA13,14,15. Pakken inneholder funksjoner for nettverkskonstruksjon, moduldeteksjon, beregninger av topologiske egenskaper, datasimulering, visualiser...

Mikrobiomeforskning har viktige implikasjoner for å forstå og manipulere økosystemprosesser1,2. Mikrobielle populasjoner er sammenkoblet ved å samhandle økologiske nettverk, hvis egenskaper kan påvirke mikroorganismers respons på miljøendringer3,4. Videre påvirker egenskapene til disse nettverkene stabiliteten til mikrobielle samfunn, og er nært forbundet med jordfunksjon5. Vektet genkorrelasjonsnettverksanalyse har nå blitt mye brukt til forskning på forholdet mellom gener og mikrobielle samfunn6. Tidligere studier har hovedsakelig fokusert på assosiasjonene mellom nettverk av forskjellige gener eller populasjoner og omverdenen7. Forskjellene i korrelasjonsnettverk dannet av mikrobielle populasjoner under ulike miljøforhold har imidlertid knapt blitt undersøkt. Formålet med forskningen som presenteres i denne artikkelen er å gi innsikt og detaljer om rask implementering av WGCNA-algoritmen for å konstruere et koforekomstnettverk av mikrobiomeprøver samlet inn under forskjellige miljøforhold. Basert på analyseresultatene vurderte vi sammensetningen og forskjellene i befolkningen og diskuterte videre forholdet mellom ulike mikrobielle populasjoner. Følgende grunnleggende flyt av vektet korrelasjonsnettverksalgoritme8 ble brukt. For det første måtte en likhetsmatrise konstrueres ved å beregne Pearson-korrelasjonskoeffisienten mellom OTU-uttrykksprofilene (Operational Taxonomic Units). Deretter ble parametrene til tilstøtende funksjoner (kraften eller sigmoid tilstøtende funksjoner) vedtatt med et skalafritt topologikriterium, likhetsmatrisen ble forvandlet til en tilstøtende matrise, og hvert koforekomstnettverk korresponderte med en tilstøtende matrise. Vi brukte gjennomsnittlig koblingshierarkisk klynge kombinert med TOM-basert ulikhet for å gruppere OTUer med sammenhengende uttrykksprofiler i moduler. Videre beregnet vi forholdet mellom konservativ statistikk og de relaterte parameteranalysemodulene, og identifiserte til slutt hub-OTU i modulen. Disse metodene er spesielt egnet for analyse av forskjellene i nettverksstrukturer blant ulike mikrobielle populasjoner under ulike miljøforhold. I dette manuskriptet har vi i detalj beskrevet metoden for samuttrykksnettverksutvikling, analysen av ulikhetene mellom modulene, og har gitt en kort oversikt over trinnene i prosedyren som brukes for å oppnå kjerneartene i forskjellige modulnettverk.

<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

Rotmikrobiomet spiller en viktig rolle i plantevekst og miljøtilpasning. Nettverksanalyse er et viktig verktøy for å studere samfunn, som effektivt kan utforske interaksjonsforholdet eller samforekomstmodellen til forskjellige mikrobielle arter i forskjellige miljøer. Formålet med dette manuskriptet er å gi detaljer om hvordan man bruker den vektede korrelasjonsnettverksalgoritmen til å analysere forskjellige koforekomstnettverk som kan oppstå i mikrobielle samfunn på grunn av forskjellige økologiske miljøer. All analyse av eksperimentet utføres i WGCNA-pakken. WGCNA er en R-pakke for vektet korrelasjonsnettverksanalyse. De eksperimentelle dataene som ble brukt til å demonstrere disse metodene var mikrobielle samfunnsdata fra NCBI (National Center for Biotechnology Information) database for tre nisjer i ris (Oryza sativa) rotsystem. Vi brukte den vektede korrelasjonsnettverksalgoritmen til å konstruere co-overflodsnettverk av mikrobielle samfunn i hver av de tre nisjene. Deretter ble differensial co-overflod nettverk blant endosphere, rhizoplane og rhizosphere jord identifisert. I tillegg ble kjernegeneren i nettverket oppnådd av "WGCNA" -pakken, som spiller en viktig regulert rolle i nettverksfunksjoner. Disse metodene gjør det mulig for forskere å analysere responsen fra mikrobielt nettverk til miljøforstyrrelser og verifisere ulike mikrobielle økologiske responsteorier. Resultatene av disse metodene viser at de betydelige differensialmikrobielle nettverkene identifisert i endosfæren, rhizoplanet og rhizosfærens jord av ris.

De representative resultatene i denne artikkelen ble lastet ned fra 2014 California Abaker risrotmikrobiomedata i NCBI-databasen (PRJNA386367)9. Dataene inkluderer rhizosfæren, rhizoplanet og endosphere mikrobiomeprøver fra risplanter dyrket i 14 uker i et nedsenket risfelt. Vi brukte WGCNA-algoritmen til å velge strømverdien som tilfredsstilte de tre nettverkene som var nær det skalafrie nettverket (figur 1) og utviklet tre kouttrykksnettverk (<strong class="xfi...

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

Nettverksanalyse ble brukt for å evaluere foreningen av ulike økologiske mikrobielle samfunn, som jord, vann og rhizosfære. Presentert her er en protokoll om hvordan du bruker WGCNA-algoritmen til å analysere forskjellige samforekomstnettverk som kan oppstå i mikrobielle samfunn på grunn av forskjellige økologiske miljøer.

Divergens av rotmikrobiota i forskjellige habitater basert på vektede korrelasjonsnettverk

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

Denne metoden kan effektivt utforske det interaktive forholdet eller samforekomstnettverket til forskjellige mikrobielle arter i forskjellige miljøer. Den gir detaljer om hvordan du bruker WGCNA-algoritmen til å konstruere et koforekomstnettverk av mikrobiota. I tillegg, basert på resultatene, vurderer denne metoden differensiering av mikrobielle forhold og sammensetning mellom mikrobiell konsorti.Her er den grunnleggende flyten av metoden. Sammensetningen og overflodsdataene til mikrobiota lastes ned fra NCBI-databasen eller sekvensdata for prøvene dine. Først åpner du RStudio-programvaren og installerer WGCNA-pakken.Last deretter inn dataene og bruk de gode prøvegenene til å sjekke riktigheten av dataene. Se etter outliers og lagre prøver som oppfyller våre krav. Når sjekkresultatet er sant, går du videre til neste trinn.Lagre resultatet. Bruk terskelfunksjonen plukkinger til å beregne den skaleringsfrie indeksen, R kvadrert, av dataene under forskjellige potensverdier. Visualiser resultatene.Når den skaleringsfrie indeksen er nærmere en, er nettverksstrukturen nærmere det skaleringsfrie nettverket. Når den skaleringsfrie indeksen, R kvadrert, er større enn 0,9, velger du potensverdien. Til slutt bruker du samme metode for å analysere resten av mikrobiomedataene.Først bruker du tilstøtende funksjon til å konstruere et symbolsk nettverk for samtidig forekomst. I tillegg bruker du TOM-likhetsfunksjonen til å utvikle et topologisk, overlappende nettverk. For det andre bruker du Hclust -funksjonen til å utføre hierarkiske klynger og tegne det resulterende klyngetreet.For det tredje bruker du den dynamiske cutree-funksjonen til å utføre dynamisk grenskjæring og bruke parameteren min. klyngestørrelse til å angi den minste modulstørrelsen. Den minste modulstørrelsen er vanligvis satt over 30. For det fjerde, beregn den mikrobielle egenskapen til hver modul.Hierarkisk klynge utføres i henhold til korrelasjonskoeffisienten, og moduler med en høyde på mindre enn 0,25 ble slått sammen for å hente fordelingen av hver modul. For det femte, bruk plott dendro og farger funksjon for å visualisere resultatene. Det hentes et diagram over tildelingsvisning av nettverksmodulen for samtidig forekomst.Deretter gir du nytt navn til modulfargene og konstruerer digitale etiketter som tilsvarer fargene. Lagre dem for bruk i etterfølgende deler. Til slutt gjentar du prosessen ovenfor for andre datasett.I denne delen sammenligner og analyserer du de to datasettene og utfører bevaringstesten. Først laster du inn parametrene og resultatene til de to datasettene som er lagret i de forrige trinnene. Deretter angir du modulresultatene for ett datasett som referansegruppe, et annet som testgruppe og utfører modulsammenligningen.Deretter beregner du verdiene for konservativitet, statistiske parametere, Z-sammendrag og medianrangering for å kvantifisere konservativiteten mellom moduler. Til slutt visualiserer du resultatene. Bestem nettverksmodulen som oppfyller både Z-sammendragsverdien, mindre enn to og median rangeringsverdi øverst.Denne modulen er den mest ikke-bevarte modulen i de to mikrobiotadataene. Utføre korrelasjonsanalyse av modulmedlemskapet. Angi modultilordningsresultatene for henholdsvis to nettverk som referanse og testgruppe.Innstillingene må være de samme som bevaringstesten. For det første ble KME-verdien for hver OTU beregnet i flere kandidatmoduler basert på resultatene av bevaringstesten. Ta den gule modulen som et eksempel.Beregn korrelasjonskoeffisienten for KME-verdien i de to gule modulene, og tegn deretter korrelasjonsanalysediagrammet for KME-verdien i -modulen. Til slutt, i henhold til korrelasjonskoeffisienten i figuren, bedømmer du modulens konservativitet i de to datasettene. Velg modulen med den minste korrelasjonskoeffisienten.Først bruker du eksportnettverket til Cytoscape-funksjonen til å eksportere nettverket til en kant- og nodelistefil som Cytoscape kan lese. Deretter importerer du filen til Cytoscape. Sett terskelen til 0,5 og juster andre parametere etter behov.Til slutt, få et co-forekomst nettverk av forskjellige mikroorganismer. I denne artikkelen brukes WGCNA-algoritmen til å analysere forskjellene i tre nisjer i risrotsystemet. Velg strømverdien som tilfredsstilt de tre nettverkene som var i nærheten av det skaleringsfrie nettverket.I endosfæren identifiserer rhizoplan og rhizosphere mikrobielle forekomstnettverk henholdsvis 23, 22 og 21 modeller. Bruk bevaringstesten og korrelasjonsanalysen for å finne de ekstremt ikke-konservative modulene mellom hver to nisjer i risrotsystemet. Konstruer et koforekomstnettverk for disse tre modulene ved hjelp av forskjellige farger for å representere forskjellig mikrobiell phylum.Proteobakterier, Actinobakterier, Bakteroideter, Firmicutes og Verrucomicrobia dominerte de tre forskjellige mikrobielle nettverkene. Videre regulerer 17 kjernegener hovedsakelig disse nettverkene. Etter å ha sett denne videoen, bør du ha en god forståelse av hvordan du utfører en rekke trinn for å bruke WGCNA-algoritmen til å analysere forskjellige koforekomstnettverk som kan oppstå i de mikrobielle samfunnene på grunn av forskjellige økologiske miljøer.

Research

JoVE Journal

Biology

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

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

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

Bioengineering Human Microvascular Networks in Immunodeficient Mice

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

Lateral Root Inducible System in Arabidopsis and Maize

Lateral Root Inducible System in Arabidopsis and Maize

Lateral Root Induserbare System i<em&gt; Arabidopsis</em&gt; Og Maize

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

Ved hjelp av Digital Image Correlation å karakter Lokale Stammer på vaskulær vevsprøver

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

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

En metode for å vurdere bakteriocin-effekter på gut-mikrobioten av mus

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

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

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

SA-β-Galaktosidase-basert screening analysen for identifisering av Senotherapeutic narkotika

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

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

Micron skala Phenotyping teknikker av mais vaskulær pakker basert på X-ray Microcomputed tomografi

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

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

Bakterieflora analyse ved hjelp av to-trinns PCR og neste generasjons 16S rRNA Gene sekvensering

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 

Decellulariseringsbasert kvantifisering av skjelettmuskulaturfettinfiltrasjon

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

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

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

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

En effektiv og reproduserbar metode for å produsere komposittplanter ved Agrobacterium rhizogenes-basert hårete rottransformasjon

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