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

Разработка этой рукописи была поддержана средствами Национального фонда естественных наук Провинции Китай-Гуйчжоу провинциального народного правительства Карстовый исследовательский центр проекта (U1812401), Докторского исследовательского проекта Гуйчжоуского педагогического университета (GZNUD[2017]1), Проекта поддержки науки и техники провинции Гуйчжоу (QKHZC[2021]YB459) и Научно-технического проекта Гуйяна ([2019]2-8).
Авторы хотели бы поблагодарить Edwards J.A et al за предоставление данных о микробиоме риса в общедоступных базах данных и поддержку со стороны TopEdit (www.topeditsci.com) за лингвистическую помощь во время подготовки этой рукописи.

1. Загрузка данных
<ol><li>Скачать данные о присоединении PRJNA386367 из базы данных NCBI. Из данных присоединения PRJNA386367 выберите данные о ризосфере, ризоплане и эндосфере микробиома риса, выращенных в течение 14 недель на затопленном рисовом поле в Арбакле, штат Калифорния, в 2014 году. ПРИМЕЧАНИЕ...

<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>

Корреляционные сети все чаще используются в приложениях биоинформатики. WGCNA - это метод системной биологии для описательного анализа отношений между различными элементами биологической системы12. Программный пакет R использовался в более ранних работах над WGCNA13,<...

Исследования микробиома имеют важные последствия для понимания и манипулирования экосистемными процессами1,2. Микробные популяции взаимосвязаны взаимодействующими экологическими сетями, характеристики которых могут влиять на реакцию микроорганизмов на изменения окружающей среды3,4. Кроме того, свойства этих сетей влияют на стабильность микробных сообществ и тесно связаны с функцией почвы5. Взвешенный анализ корреляционной сети генов в настоящее время широко применяется для исследований взаимосвязи между генами и микробными сообществами6. Предыдущие исследования были сосредоточены в основном на ассоциациях между сетями различных генов или популяций и внешним миром7. Однако различия в корреляционных сетях, сформированных микробными популяциями в различных условиях окружающей среды, практически не исследовались. Цель исследования, представленного в этой статье, состоит в том, чтобы предоставить информацию и подробную информацию о быстрой реализации алгоритма WGCNA для построения сети совместного возникновения образцов микробиома, собранных в различных условиях окружающей среды. На основе результатов анализа мы оценили состав и различия популяции и далее обсудили взаимосвязь между различными микробными популяциями. Применен следующий базовый поток взвешенной корреляционной сетиалгоритма 8. Во-первых, необходимо было построить матрицу подобия путем вычисления коэффициента корреляции Пирсона между профилями выражений операционных таксономических единиц (OTU). Затем параметры функций смежности (степенные или сигмовидные функции смежности) были приняты с критерием топологии без шкалы, матрица подобия была преобразована в матрицу смежности, и каждая сеть совместного возникновения соответствовала матрице смежности. Мы использовали среднюю иерархическую кластеризацию связей в сочетании с непохожестью на основе TOM для группировки OTUs с когерентными профилями выражений в модули. Далее мы рассчитали взаимосвязь между консервативной статистикой и соответствующими модулями анализа параметров, окончательно определив хаб OTU в модуле. Эти методы особенно подходят для анализа различий в сетевых структурах между различными микробными популяциями в различных условиях окружающей среды. В этой рукописи мы подробно описали метод развития сети коэкспрессии, анализ несходств между модулями и предоставили краткий обзор этапов процедуры, применяемой для получения основных видов в различных модульных сетях.

<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

Корневой микробиом играет важную роль в росте растений и адаптации к окружающей среде. Сетевой анализ является важным инструментом для изучения сообществ, который может эффективно исследовать взаимосвязь или модель совместного возникновения различных микробных видов в разных средах. Целью этой рукописи является предоставление подробной информации о том, как использовать алгоритм взвешенной корреляционной сети для анализа различных сетей совместного возникновения, которые могут возникать в микробных сообществах из-за различных экологических сред. Весь анализ эксперимента выполняется в пакете WGCNA. WGCNA представляет собой R-пакет для взвешенного корреляционного сетевого анализа. Экспериментальные данные, использованные для демонстрации этих методов, были данными микробного сообщества из базы данных NCBI (Национальный центр биотехнологической информации) для трех ниш корневой системы риса (Oryza sativa). Мы использовали алгоритм взвешенной корреляционной сети для построения сетей совместного изобилия микробного сообщества в каждой из трех ниш. Затем были выявлены дифференциальные сети совместного изобилия между эндосферой, ризопланом и ризосферой почвы. Кроме того, основные роды в сети были получены пакетом «WGCNA», который играет важную регулируемую роль в сетевых функциях. Эти методы позволяют исследователям анализировать реакцию микробной сети на нарушение окружающей среды и проверять различные теории микробного экологического ответа. Результаты этих методов показывают, что значимые дифференциальные микробные сети выявлены в эндосфере, ризоплане и ризосфере почвы риса.

Репрезентативные результаты в этой статье были загружены из данных о микробиоме корня риса California Abaker за 2014 год в базе данных NCBI (PRJNA386367)9. Данные включают образцы ризосферы, ризоплана и эндосферного микробиома из рисовых растений, выращенных в течение 14 недель на затопленно?...

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

Сетевой анализ был применен для оценки ассоциации различных экологических микробных сообществ, таких как почва, вода и ризосфера. Здесь представлен протокол о том, как использовать алгоритм WGCNA для анализа различных сетей совместного возникновения, которые могут возникать в микробных сообществах из-за различных экологических сред.

Дивергенция корневой микробиоты в различных средах обитания на основе взвешенных корреляционных сетей

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

Этот метод может эффективно исследовать интерактивные отношения или сеть совместного возникновения различных микробных видов в разных средах. В нем подробно описывается, как использовать алгоритм WGCNA для построения сети совместного возникновения микробиоты. Кроме того, на основании полученных результатов данный метод оценивает дифференциацию микробных связей и состава между микробными консорциумами.Вот основной ход метода. Данные о составе и обилии микробиоты загружаются из базы данных NCBI или данных о последовательностях для ваших образцов. Сначала откройте программное обеспечение RStudio и установите пакет WGCNA.Затем загрузите данные и используйте функцию генов хороших образцов, чтобы проверить правильность данных. Проверьте наличие выбросов и храните образцы, которые соответствуют нашим требованиям. Когда результат проверки будет истинным, перейдите к следующему шагу.Сохраните результат. Используйте функцию порогового значения выбора для вычисления индекса без шкалы (R в квадрате) данных при различных значениях мощности. Визуализируйте результаты.Когда индекс свободного масштаба ближе к одному, структура сети ближе к масштабируемой свободной сети. Если индекс свободной шкалы R в квадрате больше 0,9, выберите значение мощности. Наконец, используйте тот же метод для анализа остальных данных микробиома.Во-первых, используйте функцию adjacency для построения символьной сети совместного возникновения. Кроме того, используйте функцию подобия TOM для разработки топологической, перекрывающейся сети. Во-вторых, используйте функцию Hclust для выполнения иерархической кластеризации и рисования результирующего кластерного дерева.В-третьих, используйте динамическую функцию cutree для выполнения динамической резки ветвей и используйте параметр min cluster size для установки наименьшего размера модуля. Наименьший размер модуля обычно устанавливается более 30. В-четвертых, рассчитайте микробную характеристику каждого модуля.Иерархическая кластеризация выполняется по коэффициенту корреляции, а модули высотой менее 0,25 объединяются для получения распределения каждого модуля. В-пятых, используйте дендро графика и функцию цветов для визуализации результатов. Получена схема отображения назначения сетевого модуля совместного возникновения.Затем переименуйте цвета модуля и создайте цифровые метки, соответствующие цветам. Сохраните их для использования в последующих частях. Наконец, повторите приведенный выше процесс для других наборов данных.В этой части сравните и проанализируйте два набора данных и проведите тест на сохранение. Сначала загрузите параметры и результаты двух наборов данных, сохраненных на предыдущих шагах. Затем установите результаты модуля одного набора данных в качестве ссылочного группы, другого в качестве тестовой группы и выполните сравнение модулей.Затем рассчитайте значения консервативности, статистические параметры, Z-резюме и медианный ранг для количественной оценки консервативности между модулями. Наконец, визуализируйте результаты. Определите сетевой модуль, удовлетворяющее как суммарному значению Z, меньше двух, так и среднему значению ранга в верхней части.Этот модуль является наиболее несохраняемым модулем в двух данных микробиоты. Выполните корреляционный анализ членства в модуле. Задайте результаты назначения модулей двух сетей в качестве эталонной и тестовой группы соответственно.Параметры должны совпадать с параметрами теста на сохранение. Во-первых, значение KME каждого OTU было рассчитано в нескольких модулях-кандидатах на основе результатов теста на сохранение. Возьмем в качестве примера желтый модуль.Рассчитайте коэффициент корреляции значения KME в двух желтых модулях, затем нарисуйте диаграмму корреляционного анализа значения KME в модуле. Наконец, по коэффициенту корреляции на рисунке судят о консервативности модуля в двух наборах данных. Выберите модуль с наименьшим коэффициентом корреляции.Во-первых, используйте функцию экспорта сети в Cytoscape для экспорта сети в файл списка границ и узлов, который Cytoscape может читать. Затем импортируйте файл в Cytoscape. Установите пороговое значение 0,5 и при необходимости настройте другие параметры.Наконец, получают сеть совместного возникновения различных микроорганизмов. В этой статье алгоритм WGCNA используется для анализа различий в трех нишах корневой системы риса. Выберите значение мощности, удовлетворяемое тремя сетями, которые были близки к сети без масштабирования.В эндосфере, ризоплане и сети микробного залегания ризосферы идентифицируют 23, 22 и 21 модель соответственно. Используйте тест на сохранение и корреляционный анализ, чтобы найти крайне неконсервативные модули между двумя нишами корневой системы риса. Постройте сеть совместного возникновения для этих трех модулей, используя разные цвета для представления различных микробных типов.Протеобактерии, актинобактерии, Bacteroidetes, Firmicutes и Verrucomicrobia доминировали в трех различных микробных сетях. Более того, 17 основных родов в основном регулируют эти сети. После просмотра этого видео вы должны иметь хорошее представление о том, как выполнить ряд шагов, чтобы использовать алгоритм WGCNA для анализа различных сетей совместного возникновения, которые могут возникать в микробных сообществах из-за различных экологических сред.

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

Как культуре, запись и стимулировать нейронных сетей на микро-электрод массивы (МЭС)

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

Биоинженерия правам микрососудистой сети в иммунодефицитных мышей

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

Боковые Корень Индуцибельная системы в<em&gt; Arabidopsis</em&gt; И кукурузы

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

Использование цифровой корреляции изображения для характеристики локальных деформаций на сосудистую ткань образцов

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

Метод оценки бактериоциновых эффектов на кишечную микробиоту мышей

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

СА-З-Галактозидаза на основе скрининга Анализ для выявления senotherapeutic наркотиков

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

Мкм шкала фенотипирование методы кукурузы сосудистых пучков, основанный на Microcomputed рентгеновская томография

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

Анализ микробиоты с использованием двухступенчатого ПЦР и секвенирования гена нового поколения 16S rRNA

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 

Количественная оценка жировой инфильтрации скелетных мышц на основе децеллюляризации

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

Эффективный и воспроизводимый метод получения сложных растений путем трансформации волосистых корней на основе Agrobacterium rhizogenes

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