威尼斯人平台_威尼斯平台登录|威尼斯人官网

高效快餐厨房设备生产厂家

30年专注餐饮厨房设备研发生产定制

设备定制热线: 400-123-4567
当前位置:主页 > 新闻中心 > 常见问题 >

科学网NAR:宏基因组网络分析工具MetagenoNets

文章出处:澳门威尼斯人 人气:发表时间:2020-06-16 19:40

MetagenoNets: comprehensive inference and meta-insights for microbial correlation networks

Nucleic Acids Research [IF:11.147]

2020-04-27  Web Server

DOI: https://doi.org/10.1093/nar/gkaa254

第一作者:Sunil Nagpal, Rashmi Singh, Deepak Yadav

通讯作者: Sharmila S Mande(sharmila.mande@tcs.com)

作者单位:TCS研究部生物科学研发部,印度马哈拉施特拉邦(Bio-Sciences R&D Division, TCS Research, Pune, Maharashtra 411013, India)

摘 要

微生物关联网络通常用于理解和比较微生物组数据集中的群落动态。然而,要推断此类网络的微生物相关性并获得有意义的生物学见解,就需要冗长的数据管理工作流程,选择适当的方法,进行统计计算,然后通过不同的流程进行适当的可视化、报告和比较。随着通常与微生物组研究相关的多组“元数据”和“组学”功能概况的增加,复杂性进一步增加。这不仅需要分类网络,而且需要集成的双向网络。网络推理算法的多种选择进一步增加了执行基于相关性的微生物组相互作用研究所需的工作量。我们介绍了MetagenoNets,这是一个基于Web的应用程序,它接受多环境微生物的丰度和功能配置文件,智能地分隔“连续和分类”的元数据,并允许对分类,集成(组间)和分类的推理和可视化双向网络。 MetagenoNets的模块化结构可确保在直观且交互式的个性化仪表板驱动的框架中进行逻辑分析(推理,集成,探索和比较)。动态选择过滤,标准化,数据转换和相关算法可确保最终用户获得微生物网络分析的一站式解决方案。 MetagenoNets可从 https://web.rniapps.net/metagenonets 免费使用。

背景

由于存在于各种混杂因素或环境条件相互作用下的多种微生物,微生物生态系统本质上是复杂的。宏基因组学是对从环境样品中获取的基因组材料的研究,其目标是微生物DNA破译收集到的样品的分类学和功能属性,随着下一代测序技术的出现,该方法获得了极大的发展。获得有关各种微生物组合物的结构或组成方面的见解始终始终是大多数宏基因组学研究的主要目标之一。然而,微生物组研究人员感兴趣的另一个问题与微生物群落动态有关,即在所研究的宏基因组学环境中各种微生物如何相互关联或相关。即使有多种策略可用于挖掘微生物与微生物的关联,例如基于证据的关系挖掘和功能驱动的关联,一种常用的微生物相互作用挖掘方法旨在探测在环境中检测到的微生物的发生(丰度)分布之间的相关性,这样的网络也被称为共现网络(occurrence networks),并经常在宏基因组研究中使用)。然而。鉴于微生物生态系统的复杂性以及与网络/图论方法相关的技术方面,研究人员在进行有意义的网络分析时经常面临多重挑战。这些挑战可以分为三类:

冗长的微生物网络分析工作流程

Lengthy workflow for microbial network analysis

网络推理的典型工作流程通常涉及(a)大量数据过滤以去除虚假或不相关的特征,(b)从多种数据归一化和转换策略中进行选择,以考虑样本间偏差,混淆因素,组成等。(c)在多种相关推断方法中进行选择以得出网络文件(相关矩阵,邻接矩阵,边列表等)。(d)使用图论算法来计算网络特征(例如全球网络属性,局部中心度量等)使用所述网络文件,并且(e)使用可视化工具查看网络

宏基因组数据带来了额外的复杂性

Meta-data introduces additional complexity

与宏基因组学研究相关的综合元数据的可用性为推断和探测微生物关联网络的问题增加了另一层复杂性。对于给定的环境,可以有多个级别的元数据组或类别(例如,地理上的环境可以将国家作为组)。这就需要为每个这样的组分别处理网络。此外,还经常收集连续的元数据(如BMI,年龄),因此研究人员也有兴趣探索微生物丰度与此类连续数据点(或协变量)的相关性

组间数据进一步增加了复杂性

Inter-omic data further increases complexity

宏基因组学研究通常具有一个或多个“相关的”组学内丰度特征。例如,随机宏基因组学测序研究不仅可以为研究人员提供微生物的丰度概况,还可以为各种功能单元(如酶,GO,COG,基因等)提供丰度。对同一组样品的相关组学研究(如转录组图谱)也可以成为紧密相关的组学数据。 16S研究的推断功能是与微生物丰度数据集相关的组间图谱的另一个示例。此类二级数据集的可用性通常导致需要挖掘具有此类组间单元(如功能,基因等)的微生物的相关性。这种关联的结果通常以“组间集成网络”和“双向网络”的形式可视化。因此,期望为每个元数据类别(和相应的组)实现相同的过程是复杂且乏味的。

例如,对于从健康个体以及受疾病影响的各个身体部位采集的样本人群,以下与典型微生物群落动力学研究有关的问题可能具有相关性:

a. 健康和受影响个体特有的微生物共生模式是什么?

b. 健康个体和受影响个体的身体部位特有的关联模式是什么?这些网络如何在交互和各种网络属性方面进行比较?

c. 在所有/任何类别的网络中,某些微生物的出现与年龄或BMI或体重或个体的任何其他“连续”特征之间是否存在相关性?

d. 给定样品的代谢特征、微生物或一组微生物的出现与目标代谢物或一组代谢物的分布之间是否有关联?

同类文章排行

最新资讯文章

返回顶部