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

El desarrollo de este manuscrito fue apoyado por fondos de la Fundación Nacional de Ciencias Naturales del Proyecto del Centro de Investigación Científica Karst del Gobierno Popular Provincial de China-Guizhou (U1812401), el Proyecto de Investigación Doctoral de la Universidad Normal de Guizhou (GZNUD[2017]1), el Proyecto de Apoyo a la Ciencia y la Tecnología de la Provincia de Guizhou (QKHZC[2021]YB459) y el Proyecto de Ciencia y Tecnología de Guiyang ([2019]2-8).
Los autores desean agradecer a Edwards J.A et al por proporcionar datos del microbioma del arroz en bases de datos públicas y el apoyo de TopEdit (www.topeditsci.com) por su asistencia lingüística durante la preparación de este manuscrito.

1. Descarga de datos
<ol><li>Descargue los datos de la adhesión PRJNA386367 de la base de datos ncbi. A partir de los datos de la adhesión PRJNA386367, seleccione los datos del microbioma de rizosfera, rizóplano y endosfera de plantas de arroz cultivadas durante 14 semanas en un campo de arroz sumergido en Arbuckle, California, en 2014. NOTA: Los datos del microbioma de rizosfera, rizóplano y endosfera fueron presentados por la tabla de OTU en la adhesión PRJNA386367.</li>
</ol>2. Determin...

<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>

Las redes de correlación se han utilizado cada vez más en aplicaciones bioinformáticas. WGCNA es un método de biología de sistemas para el análisis descriptivo de las relaciones entre varios elementos de un sistema biológico12. El paquete de software R se utilizó en trabajos anteriores sobre WGCNA13,14,15. El paquete incluye funciones para la construcción de redes, detección de módulos, cálcul...

La investigación del microbioma tiene implicaciones importantes para la comprensión y manipulación de los procesos de losecosistemas 1,2. Las poblaciones microbianas están interconectadas por redes ecológicas que interactúan, cuyas características pueden afectar la respuesta de los microorganismos a los cambios ambientales3,4. Además, las propiedades de estas redes afectan a la estabilidad de las comunidades microbianas, y están estrechamente asociadas con la función del suelo5. El análisis de redes de correlación de genes ponderados ahora se ha aplicado ampliamente para la investigación sobre la relación entre los genes y las comunidades microbianas6. Estudios previos se han centrado principalmente en las asociaciones entre redes de diferentes genes o poblaciones y el mundo exterior7. Sin embargo, las diferencias en las redes de correlación formadas por poblaciones microbianas bajo diferentes condiciones ambientales apenas se han investigado. El propósito de la investigación presentada en este documento es proporcionar información y detalles sobre la rápida implementación del algoritmo WGCNA para construir una red de co-ocurrencia de muestras de microbioma recolectadas bajo diferentes condiciones ambientales. Sobre la base de los resultados del análisis, evaluamos la composición y las diferencias de la población y discutimos más a fondo la relación entre las diferentes poblaciones microbianas. Se aplicó el siguiente flujo básico del algoritmo de red de correlación ponderada8. En primer lugar, era necesario construir una matriz de similitud calculando el coeficiente de correlación de Pearson entre los perfiles de expresión de unidades taxonómicas operativas (OTU). Luego, los parámetros de las funciones de adyacencia (las funciones de potencia o de adyacencia sigmoide) se adoptaron con un criterio de topología libre de escala, la matriz de similitud se transformó en una matriz de adyacencia y cada red de co-ocurrencia correspondió a una matriz de adyacencia. Utilizamos la agrupación jerárquica de enlace promedio junto con la disimilitud basada en TOM para agrupar OTU con perfiles de expresión coherentes en módulos. Además, calculamos la relación entre la estadística conservadora y los módulos de análisis de parámetros relacionados, identificando finalmente el hub OTU en el módulo. Estos métodos son particularmente adecuados para el análisis de las diferencias en las estructuras de red entre varias poblaciones microbianas en condiciones ambientales divergentes. En este manuscrito, hemos descrito en detalle el método de desarrollo de redes de coexpresión, el análisis de las diferencias entre los módulos, y hemos proporcionado una breve visión general de los pasos en el procedimiento aplicado para obtener las especies centrales en diferentes redes de módulos.

<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

El microbioma radicular juega un papel importante en el crecimiento de las plantas y la adaptación ambiental. El análisis de redes es una herramienta importante para estudiar las comunidades, que pueden explorar eficazmente la relación de interacción o el modelo de co-ocurrencia de diferentes especies microbianas en diferentes entornos. El propósito de este manuscrito es proporcionar detalles sobre cómo utilizar el algoritmo de red de correlación ponderada para analizar diferentes redes de co-ocurrencia que pueden ocurrir en comunidades microbianas debido a diferentes entornos ecológicos. Todo el análisis del experimento se realiza en el paquete WGCNA. WGCNA es un paquete R para el análisis de redes de correlación ponderada. Los datos experimentales utilizados para demostrar estos métodos fueron datos de la comunidad microbiana de la base de datos NCBI (Centro Nacional de Información Biotecnológica) para tres nichos del sistema radicular del arroz (Oryza sativa). Utilizamos el algoritmo de red de correlación ponderada para construir redes de coabundancia de comunidad microbiana en cada uno de los tres nichos. Luego, se identificaron redes diferenciales de coabundancia entre el suelo de endosfera, rizóplano y rizosfera. Además, los géneros centrales en la red se obtuvieron mediante el paquete "WGCNA", que desempeña un importante papel regulado en las funciones de red. Estos métodos permiten a los investigadores analizar la respuesta de la red microbiana a la perturbación ambiental y verificar diferentes teorías de respuesta ecológica microbiana. Los resultados de estos métodos muestran que las importantes redes microbianas diferenciales identificadas en la endosfera, el rizóplano y la rizosfera del suelo del arroz.

Los resultados representativos de este artículo se descargaron de los datos del microbioma de raíz de arroz Abaker de California 2014 en la base de datos NCBI (PRJNA386367)9. Los datos incluyen muestras de rizosfera, rizóplano y microbioma de endosfera de plantas de arroz cultivadas durante 14 semanas en un campo de arroz sumergido. Utilizamos el algoritmo WGCNA para seleccionar el valor de potencia que satisfacía las tres redes que estaban cerca de la red libre de escala (<strong class="xfig"...

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

Se aplicó el análisis de redes para evaluar la asociación de varias comunidades microbianas ecológicas, como el suelo, el agua y la rizosfera. Aquí se presenta un protocolo sobre cómo usar el algoritmo WGCNA para analizar diferentes redes de co-ocurrencia que pueden ocurrir en las comunidades microbianas debido a diferentes entornos ecológicos.

Divergencia de la microbiota radicular en diferentes hábitats basada en redes de correlación ponderadas

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

Este método puede explorar eficazmente la relación interactiva o la red de co-ocurrencia de diferentes especies microbianas en diferentes entornos. Proporciona detalles sobre cómo utilizar el algoritmo WGCNA para construir una red de co-ocurrencia de microbiota. Además, en base a los resultados, este método evalúa la diferenciación de las relaciones microbianas y la composición entre los consorcios microbianos.Aquí está el flujo básico del método. Los datos de composición y abundancia de la microbiota se descargan de la base de datos del NCBI o de los datos de secuencia para sus muestras. Primero, abra el software RStudio e instale el paquete WGCNA.Luego, cargue los datos y use la función de genes de buenas muestras para verificar la exactitud de los datos. Verifique los valores atípicos y almacene muestras que cumplan con nuestros requisitos. Cuando el resultado de la comprobación sea verdadero, continúe con el siguiente paso.Guarde el resultado. Utilice la función de umbral de selección para calcular el índice libre de escala, R al cuadrado, de los datos bajo diferentes valores de potencia. Visualiza los resultados.Cuando el índice libre de escala está más cerca de uno, la estructura de la red está más cerca de la red libre de escala. Cuando el índice libre de escala, R al cuadrado, sea mayor que 0,9, seleccione el valor de potencia. Finalmente, utilice el mismo método para analizar el resto de los datos del microbioma.Primero, use la función de adyacencia para construir una red simbólica de co-ocurrencia. Además, utilice la función de similitud TOM para desarrollar una red topológica superpuesta. En segundo lugar, utilice la función Hclust para realizar la agrupación jerárquica y dibujar el árbol de clústeres resultante.En tercer lugar, utilice la función dinámica cutree para realizar el corte dinámico de ramas y utilice el parámetro de tamaño de clúster mínimo para establecer el tamaño de módulo más pequeño. El tamaño de módulo más pequeño generalmente se establece en más de 30. Cuarto, calcular la característica microbiana de cada módulo.El clustering jerárquico se realiza de acuerdo con el coeficiente de correlación, y los módulos con una altura inferior a 0,25 se fusionaron para adquirir la distribución de cada módulo. Quinto, use la función dendro y colores de la gráfica para visualizar los resultados. Se obtiene el diagrama de visualización de asignación del módulo de red de co-ocurrencia.Luego, cambie el nombre de los colores del módulo y construya etiquetas digitales correspondientes a los colores. Guárdelos para usarlos en piezas posteriores. Finalmente, repita el proceso anterior para otros conjuntos de datos.En esta parte, compare y analice los dos conjuntos de datos y realice la prueba de preservación. Primero, cargue los parámetros y resultados de los dos conjuntos de datos guardados en los pasos anteriores. A continuación, establezca los resultados del módulo de un conjunto de datos como grupo de referencia, otro como grupo de prueba y realice la comparación del módulo.A continuación, calcule los valores del conservador, los parámetros estadísticos, el resumen Z y el rango medio para cuantificar el conservativeismo entre módulos. Finalmente, visualiza los resultados. Determine el módulo de red que satisface tanto el valor de resumen Z, menos de dos, como el valor de rango medio en la parte superior.Este módulo es el módulo más no conservado en los dos datos de microbiota. Realizar análisis de correlación de la pertenencia al módulo. Establezca los resultados de asignación de módulos de dos redes como referencia y grupo de prueba respectivamente.La configuración debe ser la misma que la prueba de preservación. En primer lugar, el valor kmE de cada OTU se calculó en varios módulos candidatos en función de los resultados de la prueba de preservación. Tomemos el módulo amarillo como ejemplo.Calcule el coeficiente de correlación del valor KME en los dos módulos amarillos, luego dibuje el diagrama de análisis de correlación del valor KME en el módulo. Finalmente, de acuerdo con el coeficiente de correlación en la figura, juzgue el conservador del módulo en el conjunto de dos datos. Seleccione el módulo con el coeficiente de correlación más pequeño.Primero, utilice la función exportar red a Cytoscape para exportar la red a un archivo de lista de bordes y nodos que Cytoscape pueda leer. A continuación, importe el archivo en Cytoscape. Establezca el umbral en 0,5 y ajuste otros parámetros según sea necesario.Finalmente, obtener una red de co-ocurrencia de diferentes microorganismos. En este artículo, el algoritmo WGCNA se utiliza para analizar las diferencias en tres nichos del sistema de raíces de arroz. Seleccione el valor de potencia que satisfizo las tres redes que estaban cerca de la red libre de escala.En la red de ocurrencia microbiana de endosfera, rizóplano y rizosfera, identifique 23, 22 y 21 modelos respectivamente. Utilice la prueba de preservación y el análisis de correlación para encontrar los módulos extremadamente no conservadores entre cada dos nichos del sistema de raíces de arroz. Construir una red de co-ocurrencia para estos tres módulos usando diferentes colores para representar diferentes filos microbianos.Proteobacteria, Actinobacteria, Bacteroidetes, Firmicutes y Verrucomicrobia dominaron las tres redes microbianas diferentes. Además, 17 géneros centrales regulan principalmente estas redes. Después de ver este video, debe tener una buena comprensión de cómo realizar una serie de pasos para usar el algoritmo WGCNA para analizar diferentes redes de co-ocurrencia que pueden ocurrir en las comunidades microbianas debido a diferentes entornos ecológicos.

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

Cómo Cultura, Registro y estimular las redes neuronales en matrices de micro-electrodos (MEA)

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

Investigación

Biología

Bioengineering Human Microvascular Networks in Immunodeficient Mice

Bioingeniería Humanos redes microvasculares en ratones inmunodeficientes

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 sistema inducible Raíz en<em&gt; Arabidopsis</em&gt; Y maíz

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

El uso de Correlación Digital de Imágenes para caracterizar cepas locales en muestras de tejido vascular

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

Un método para evaluar los efectos de bacteriocinas en la microbiota intestinal de ratones

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

Ensayo de cribado basado en sA-Galactosidasa para la identificación de medicamentos senoterapéuticos

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

Técnicas de microescala Phenotyping de maíz haces vasculares basados en tomografía de rayos x Microcomputed

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

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

Análisis de microbiota utilizando PCR de dos pasos y secuenciación genética de rRNA 16S de próxima generación

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 

Cuantificación basada en la descelularización de la infiltración grasa del músculo esquelético

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 método eficiente y reproducible para producir plantas compuestas mediante la transformación de raíces peludas basadas en Agrobacterium rhizogenes

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