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

Bu makalenin geliştirilmesi, Çin Ulusal Doğa Bilimleri Vakfı-Guizhou İl Halk Hükümeti Karst Bilim Araştırma Merkezi Projesi (U1812401), Guizhou Normal Üniversitesi Doktora Araştırma Projesi (GZNUD[201) tarafından desteklenmiştir.7]1), Guizhou Eyaleti Bilim ve Teknoloji Destek Projesi (QKHZC[2021]YB459) ve Guiyang Bilim ve Teknoloji Projesi([2019]2-8).
Yazarlar Edwards J.A ve arkadaşlarına kamuya açık veritabanlarında pirinç mikrobiyom verileri sağladıkları ve topedit'ten (www.topeditsci.com) bu makalenin hazırlanması sırasındaki dilsel yardımı için destek sağladıkları için teşekkür etmek istiyor.

1. Veri İndirme
<ol><li>NCBI veritabanını oluşturan PRJNA386367 katılım verilerini indirin. PRJNA386367 katılım verilerinden, 2014 yılında Arbuckle, Kaliforniya'daki batık bir pirinç tarlasında 14 hafta boyunca yetiştirilen pirinç bitkilerinden rizosfer, rhizoplane ve endosfer mikrobiyom verilerini seçin. NOT: Rizosfer, rhizoplane ve endosfer mikrobiyom verileri PRJNA386367 katılımda OPU'lar tablosu tarafından sunulmuştur.</li>
</ol>2. Optimum güç değeri belirleme
<p ...

<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>

Korelasyon ağları biyoinformatik uygulamalarında giderek daha fazla kullanılmaktadır. WGCNA, biyolojik sistemin çeşitli unsurları arasındaki ilişkilerin açıklayıcı analizi için bir sistem biyolojisi yöntemidir12. R yazılım paketi WGCNA13 , 14,15üzerinde daha önceki çalışmalarda kullanılmıştır. Paket, ağ oluşturma, modül algılama, topolojik özelliklerin hesaplanması, veri s...

Mikrobiyom araştırmasının ekosistem süreçlerini anlamak ve manipüle etmek için önemli etkileri vardır1,2. Mikrobiyal popülasyonlar, özellikleri mikroorganizmaların çevresel değişikliklere tepkisini etkileyebilecek ekolojik ağlarla birbirine bağlanır3,4. Ayrıca, bu ağların özellikleri mikrobiyal toplulukların stabilitesini etkiler ve toprak fonksiyonu ile yakından ilişkilidir5. Ağırlıklı gen korelasyon ağı analizi artık genler ve mikrobiyal topluluklar arasındaki ilişki üzerine araştırma için yaygın olarak uygulanmaktadır6. Önceki çalışmalar esas olarak farklı genlerin veya popülasyonların ağları ile dış dünya arasındaki ilişkilere odaklanmıştır7. Bununla birlikte, mikrobiyal popülasyonların farklı çevresel koşullar altında oluşturduğu korelasyon ağlarındaki farklılıklar çok az araştırılmıştır. Bu makalede sunulan araştırmanın amacı, farklı çevresel koşullar altında toplanan mikrobiyom örneklerinden oluşan bir ortak oluşum ağı oluşturmak için WGCNA algoritmasının hızlı bir şekilde uygulanması hakkında içgörüler ve ayrıntılar sağlamaktır. Analiz sonuçlarına dayanarak, popülasyonun bileşimini ve farklılıklarını değerlendirdik ve farklı mikrobiyal popülasyonlar arasındaki ilişkiyi daha da tartıştık. Aşağıdaki temel ağ algoritması8 ağırlıklı korelasyon ağı algoritması uygulandı. İlk olarak, Operasyonel Taksonomik Birimler (OTU) ifade profilleri arasındaki Pearson korelasyon katsayısı hesaplanarak bir benzerlik matrisinin oluşturulması gerekiyordu. Daha sonra, bitişiklik işlevlerinin parametreleri (güç veya sigmoid bitişiklik işlevleri) ölçeksiz bir topoloji kriteri ile benimsendi, benzerlik matrisi bir bitişiklik matrisine dönüştürüldü ve her birlikte oluşum ağı bir bitişiklik matrisine karşılık geldi. Tutarlı ifade profillerine sahip OPU'ları modüller halinde gruplandırmak için TOM tabanlı benzerlik ile birlikte ortalama bağlantı hiyerarşik kümeleme kullandık. Ayrıca, muhafazakar istatistikler ve ilgili parametre analiz modülleri arasındaki ilişkiyi hesapladık ve sonunda modüldeki hub OTU'yu tanımladık. Bu yöntemler özellikle farklı çevresel koşullar altında çeşitli mikrobiyal popülasyonlar arasındaki ağ yapılarındaki farklılıkların analizi için uygundur. Bu yazıda, ortak ifade ağı geliştirme yöntemini, modüller arasındaki benzerliklerin analizini ayrıntılı olarak anlattık ve farklı modül ağlarındaki çekirdek türleri elde etmek için uygulanan prosedürdeki adımlara kısa bir genel bakış sağladık.

<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

Kök mikrobiyomu bitki büyümesinde ve çevresel adaptasyonda önemli bir rol oynar. Ağ analizi, farklı ortamlarda farklı mikrobiyal türlerin etkileşim ilişkisini veya birlikte oluşum modelini etkili bir şekilde keşfedebilen toplulukları incelemek için önemli bir araçtır. Bu makalenin amacı, farklı ekolojik ortamlar nedeniyle mikrobiyal topluluklarda oluşabilecek farklı birlikte oluşum ağlarını analiz etmek için ağırlıklı korelasyon ağı algoritmasının nasıl kullanılacağı hakkında ayrıntılı bilgi sağlamaktır. Deneyin tüm analizi WGCNA paketinde gerçekleştirilir. WGCNA, ağırlıklı korelasyon ağı analizi için bir R paketidir. Bu yöntemleri göstermek için kullanılan deneysel veriler, pirinç (Oryza sativa) kök sisteminin üç nişi için NCBI (Ulusal Biyoteknoloji Bilgi Merkezi) veritabanından mikrobiyal topluluk verileriydi. Üç nişin her birinde mikrobiyal topluluğun ortak bolluk ağlarını oluşturmak için ağırlıklı korelasyon ağı algoritmasını kullandık. Daha sonra endosfer, rhizoplane ve rizosfer toprağı arasında diferansiyel co-bolluk ağları tespit edildi. Buna ek olarak, ağdaki çekirdek cins, ağ işlevlerinde önemli bir düzenlenmiş rol oynayan "WGCNA" paketi ile elde edilmiştir. Bu yöntemler, araştırmacıların mikrobiyal ağın çevresel bozulmaya tepkisini analiz etmelerini ve farklı mikrobiyal ekolojik yanıt teorilerini doğrulamalarını sağlar. Bu yöntemlerin sonuçları, pirincin endosfer, rizosplan ve rizosfer toprağında tanımlanan önemli diferansiyel mikrobiyal ağların.

Bu makaledeki temsili sonuçlar NCBI veritabanındaki 2014 Kaliforniya Abaker pirinç kökü mikrobiyom verilerinden indirildi (PRJNA386367)9. Veriler, su altında kalan bir pirinç tarlasında 14 hafta boyunca yetiştirilen pirinç bitkilerinden alınan rizosfer, rhizoplane ve endosfer mikrobiyom örneklerini içerir. WGCNA algoritmasını, ölçeksiz ağa yakın olan üç ağı karşılayan güç değerini seçmek için kullandık (Şekil 1) ve üç ortak ifade ağ?...

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

Toprak, su ve rizosfer gibi çeşitli ekolojik mikrobiyal toplulukların birlikteliğini değerlendirmek için ağ analizi uygulandı. Burada sunulan, farklı ekolojik ortamlar nedeniyle mikrobiyal topluluklarda oluşabilecek farklı birlikte oluşum ağlarını analiz etmek için WGCNA algoritmasının nasıl kullanılacağına ilişkin bir protokoldür.

Ağırlıklı Korelasyon Ağlarına Dayalı Farklı Habitatlarda Kök Mikrobiyotasının Ayrışması

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

Bu yöntem, farklı ortamlardaki farklı mikrobiyal türlerin etkileşimli ilişkisini veya birlikte oluşum ağını etkili bir şekilde keşfedebilir. Mikrobiyotanın ortak oluşum ağını oluşturmak için WGCNA algoritmasının nasıl kullanılacağı hakkında ayrıntılı ayrıntı sağlar. Ek olarak, sonuçlara dayanarak, bu yöntem mikrobiyal ilişkilerin ve bileşimin mikrobiyal konsorsiyumlar arasındaki farklılığını değerlendirir.İşte yöntemin temel akışı. Mikrobiyotanın bileşimi ve bolluk verileri, numuneleriniz için NCBI veritabanından veya sıra verilerinden indirilir. İlk olarak, RStudio yazılımını açın ve WGCNA paketini yükleyin.Ardından, verileri yükleyin ve verilerin doğruluğunu kontrol etmek için iyi örnek genleri işlevini kullanın. Aykırı değerleri kontrol edin ve gereksinimlerimizi karşılayan örnekleri saklayın. Denetim sonucu doğru olduğunda, sonraki adıma geçin.Sonucu kaydedin. Farklı güç değerleri altındaki verilerin ölçek serbest dizini olan R karesini hesaplamak için çekme eşiği işlevini kullanın. Sonuçları görselleştirin.Ölçek serbest dizini bir dizine daha yakın olduğunda, ağ yapısı ölçek serbest ağına daha yakındır. Ölçek serbest dizini olan R karesi 0,9'dan büyükse, güç değerini seçin. Son olarak, mikrobiyom verilerinin geri kalanını analiz etmek için aynı yöntemi kullanın.İlk olarak, sembolik bir birlikte oluşum ağı oluşturmak için bitişiklik işlevini kullanın. Ayrıca, üstolojik, çakışan bir ağ geliştirmek için TOM benzerliği işlevini kullanın. İkinci olarak, hiyerarşik kümeleme gerçekleştirmek ve elde eden küme ağacını çizmek için Hclust işlevini kullanın.Üçüncü olarak, dinamik dal kesme gerçekleştirmek için cutree dinamik işlevini kullanın ve en küçük modül boyutunu ayarlamak için min küme boyutu parametresini kullanın. En küçük modül boyutu genellikle 30'un üzerinde ayarlanır. Dördüncü olarak, her modülün mikrobiyal özelliğini hesaplayın.Hiyerarşik kümeleme korelasyon katsayısına göre gerçekleştirilir ve yüksekliği 0,25'ten az olan modüller birleştirilerek her modülün dağılımı elde edilir. Beşinci olarak, sonuçları görselleştirmek için çizim dendro ve renkler işlevini kullanın. Birlikte oluşum ağ modülünün atama görüntüleme diyagramı elde edilir.Ardından, modül renklerini yeniden adlandırın ve renklere karşılık gelen dijital etiketler oluşturun. Sonraki parçalarda kullanılmak üzere saklayın. Son olarak, diğer veri kümeleri için yukarıdaki işlemi yineleyin.Bu bölümde, iki veri kümesini karşılaştırın ve analiz edin ve koruma testini gerçekleştirin. İlk olarak, önceki adımlarda kaydedilen iki veri kümesinin parametrelerini ve sonuçlarını yükleyin. Ardından, bir veri kümesinin modül sonuçlarını başvuru grubu, diğerini test grubu olarak ayarlayın ve modül karşılaştırmasını gerçekleştirin.Daha sonra, modüller arasındaki muhafazakarlığı ölçmek için muhafazakarlığın değerlerini, istatistiksel parametreleri, Z özetini ve ortanca derecesini hesaplayın. Son olarak, sonuçları görselleştirin. Hem Z özet değerini karşılayan ağ modülini belirleyin, ikiden az, hem de en üstteki ortanca derece değeri.Bu modül, iki mikrobiyota verisinde en korunmuş olmayan modüldür. Modül üyeliğinin korelasyon analizini gerçekleştirin. İki ağın modül atama sonuçlarını sırasıyla başvuru ve test grubu olarak ayarlayın.Ayarların koruma testiyle aynı olması gerekir. İlk olarak, her OTU'nun KME değeri, koruma testinin sonuçlarına göre birkaç aday modülde hesaplanmıştır. Örnek olarak sarı modülü ele alalım.İki sarı modüldeki KME değerinin korelasyon katsayısını hesaplayın, ardından modüldeki KME değerinin korelasyon analiz diyagramını çizin. Son olarak, şekildeki korelasyon katsayısına göre, iki veri kümesindeki modülün muhafazakarlığını değerlendirin. En küçük korelasyon katsayısına sahip modülü seçin.İlk olarak, ağı Cytoscape'in okuyabileceği bir kenar ve düğüm listesi dosyasına vermek için Cytoscape'e verme işlevini kullanın. Ardından, dosyayı Cytoscape'e aktarın. Eşiği 0,5 olarak ayarlayın ve diğer parametreleri gerektiği gibi ayarlayın.Son olarak, farklı mikroorganizmalardan oluşan bir ortak oluşum ağı elde edin. Bu makalede, WGCNA algoritması pirinç kök sisteminin üç nişlerindeki farklılıkları analiz etmek için kullanılır. Ölçek boş ağa yakın olan üç ağı karşılayan güç değerini seçin.Endosfer, rhizoplane ve rizosfer mikrobiyal oluşum ağında sırasıyla 23, 22 ve 21 modelleri tanımlayın. Pirinç kök sisteminin her iki nişi arasındaki son derece muhafazakar olmayan modülleri bulmak için koruma testini ve korelasyon analizini kullanın. Farklı mikrobiyal fitomu temsil etmek için farklı renkler kullanarak bu üç modül için bir birlikte oluşum ağı oluşturun.Proteobakteriler, Akinobakteriler, Bakterioidetler, Firmicutes ve Verrucomicrobia üç farklı mikrobiyal ağa hakimdi. Ayrıca, 17 çekirdek cins esas olarak bu ağları düzenler. Bu videoyu izledikten sonra, farklı ekolojik ortamlar nedeniyle mikrobiyal topluluklarda oluşabilecek farklı birlikte oluşum ağlarını analiz etmek için WGCNA algoritmasını kullanmak için bir dizi adımın nasıl gerçekleştirildiğini iyi anlamalısınız.

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

Nasıl Kültür, Kayıt ve mikro-elektrot Diziler Sinir Ağları Teşvik (ÇÇA)

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

Bağışık yetmezliği olan farelere Biyomühendislik İnsan Mikrovasküler Ağları

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 Kök İndüklenebilir Sistemi<em&gt; Arabidopsis</em&gt; Ve Mısır

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

Dijital Görüntü Korelasyon kullanma Vasküler Doku Örneklerinin Yerel düzensizliğin karakterize etmek

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

Bakteriyosin Etkilerini Farenin Bağırsak Mikrobiyolojisi Üzerine Etkileyen Bir Yöntem

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

Senoterapötik Ilaçların tanımlanması için SA-β-Galactosidaz tabanlı tarama tahlili

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

X-ışını Microcomputed tomografi üzerinde dayalı Mısır Vaskular demetleri mikron çaplı fenotipleme teknikleri

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

İki adımlı PCR ve Yeni Nesil 16S rRNA Gen Sıralaması Kullanarak Mikrobiyota Analizi

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 

İskelet Kası Yağ İnfiltrasyonunun Decellularizasyona Dayalı Miktar Tayini

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

Agrobacterium rhizogenes Bazlı Tüylü Kök Dönüşümü ile Kompozit Bitkilerin Üretilmesi İçin Verimli ve Tekrarlanabilir Bir Yöntem

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