Análisis WGCNA: una poderosa herramienta para mejorar la calidad de los artículos sobre secuenciación del transcriptoma
Artículo 1:
Título:
Uso del análisis de secuenciación de ARN para identificar redes reguladoras y genes centrales que controlan la firmeza y el tamaño de la soja
Journal of Experimental Botany
If: 5.3
Carácter: Tamaño de partícula de soja
Materiales experimentales
El tamaño de la semilla de soja es un factor agronómico muy importante Los rasgos están directamente relacionados con el rendimiento de la soja. Encontrar los genes reguladores clave que determinan el tamaño de las semillas de soja es de gran importancia para el posterior mejoramiento molecular. Por lo tanto, los autores seleccionaron dos variedades de soja para el análisis del transcriptoma, a saber, la Nandou 28 (V1) de grano grande y la Peixian Layanghuang (V2) de grano pequeño. Hay tres períodos de muestreo: período de fructificación (S1), período de crecimiento de las semillas (S2) y período de madurez temprana de las semillas (S3). Los lugares de muestreo en los dos primeros períodos son vainas de semillas con semillas enteras (S1) y semillas enteras (S2). . En S3 se seleccionaron dos partes: testa (S3-1) y cotiledón de la semilla (S3-2), con tres réplicas biológicas para cada muestra de ambas variedades ***24 muestras. La siguiente figura muestra fotografías de semillas en diferentes etapas de desarrollo y resultados estadísticos de diferencias en el tamaño de partículas:
Resultados del análisis del transcriptoma:
Analiza la expresión de cada gen en los resultados del análisis del transcriptoma y calcular cada expresión genética FPKM. Si la expresión genética es el valor de FPKM
Análisis genético diferencial:
Análisis genético diferencial, la Figura A a continuación compara las diferencias entre diferentes variedades según el mismo período de desarrollo, la Figura B a continuación compara las diferencias entre diferentes variedades según la misma etapa de desarrollo Diferencias comparativas en las etapas de desarrollo, los números rojos representan el número de genes diferenciales regulados positivamente y los números negros representan el número de genes diferenciales regulados negativamente:
El análisis de anotación funcional de genes diferenciales compara principalmente los genes diferenciales que determinan el tamaño del grano, y también. Este es el análisis funcional de los genes diferenciales en la Figura A anterior. Seleccione algunos genes representativos para ver sus funciones y expresiones, como V1S1. ? En la comparación de las diferencias entre V2S1, * * * se encontraron 973 genes diferenciales, de los cuales 489 genes estaban regulados positivamente y 484 genes estaban regulados negativamente. Las funciones y expresiones de los genes representativos regulados positivamente se muestran en la siguiente figura, incluidos genes relacionados con factores de transcripción y hormonas vegetales (auxinas, etc.). ), metabolismo de ácidos grasos, actividad de proteína quinasa, biosíntesis de flavonoides, etc. Brevemente, se seleccionaron para su exhibición genes relacionados con el desarrollo y crecimiento de semillas y frutos. Hay varias otras tablas, que también son tablas de anotaciones funcionales de genes regulados hacia arriba y hacia abajo en diferentes períodos en la Figura A anterior. La pantalla es similar, por lo que no entraré en detalles aquí. Quienes estén interesados pueden ver el texto original:
Comparación de diferencias en diferentes etapas de desarrollo:
Compara los genes diferenciales en diferentes etapas de desarrollo y dibuja un mapa de calor de genes altamente expresados en cada etapa de desarrollo. Hay muchos genes diferenciales y los autores seleccionaron genes relacionados con el desarrollo o rasgos agronómicos importantes, como genes relacionados con factores de transcripción, hormonas, metabolismo de los ácidos grasos, metabolismo del azúcar del almidón, etc.
El análisis WGCNA descubrió genes centrales clave que regulan el tamaño del grano;
Primero, filtre la matriz de expresión de todos los genes en todas las muestras para eliminar genes de baja expresión (FPKM
El gen Hub se descubrió mediante la construcción de una red de expresión de cuatro genes modulares clave:
Se exportaron los resultados del análisis de la red de expresión WGCNA*** y se exportaron el mapa de calor de expresión y el diagrama de red de los genes. en el módulo fueron dibujados.
El mapa de calor de la izquierda representa de arriba a abajo: módulo verde (A), módulo de recursos oscuro (c), módulo negro (E) y módulo amarillo claro (G). El diagrama de red de la derecha corresponde al * * *. Red de expresión, donde los genes Hub con alta conectividad están marcados en rojo. Al estudiar las funciones de estos genes centrales, se descubrió que los genes centrales clave en estas redes incluyen factores de transcripción de la familia MYB, factores de respuesta hormonales (ABA, CK, BA), citocromo P450, quinasa de señalización BR, etc. , puede estar relacionado con el tamaño del grano.
Segundo artículo:
Título:
El análisis de la red global de transcriptoma y coexpresión revela asociaciones con el desarrollo de la semilla y el tamaño/peso de la semilla en el análisis de garbanzos Determinación de valores relevantes marcadores moleculares específicos de variedad
Diario: Plant Journal
IF: 5.7
Rasgo: Tamaño de la semilla de garbanzo
Materiales y métodos experimentales
Este artículo es casi igual que el anterior, excepto que la especie estudiada cambió a garbanzo. De manera similar, se seleccionaron dos variedades con diferencias evidentes en el tamaño de grano: Him Chana 1 (semillas pequeñas) y JGK 3 (semillas grandes). El período de muestreo de cada muestra fue de 7 ciclos de S1 a S7, 5 y 9 después de la polinización respectivamente. 12 y 65438. También se midió el transcriptoma de la hoja los días 30 y 40 (el día después de la polinización DAP), y se recolectaron 3 réplicas biológicas y 48 muestras. Los resultados de las diferentes etapas de desarrollo y pesos de las semillas son los siguientes:
Resultados de la secuenciación del transcriptoma:
Utilice el transcriptoma para secuenciar todos los genes y realice análisis de correlación y PCA en las matrices de expresión de En todas las muestras, el análisis de conglomerados puede encontrar que el mismo estado de desarrollo o tejido se agrupan juntos, lo que indica que están fuertemente relacionados.
Análisis comparativo de genes diferenciales;
El autor compara principalmente las diferencias del transcriptoma entre diferentes variedades bajo el mismo estado de desarrollo, el número de regulación positiva y negativa de genes diferenciales y la número de factores de transcripción. Además, en la Figura B se muestra el número de diferentes tipos de factores de transcripción en genes diferenciales, y la Figura C muestra los resultados de enriquecimiento de genes diferenciales en diferentes períodos. Cuanto más oscuro es el color, más rica es la característica. Finalmente, se enriquecieron y analizaron las vías metabólicas de los genes diferenciales en mapman, y los cambios de expresión de los genes diferenciales se pueden mostrar en el mapa de vías.
Análisis de redes de expresión genética
Primero, el autor separó diferentes muestras según el tamaño de grano de diferentes variedades y utilizó WGCNA para analizar la red de expresión * * *, entre las cuales * * en Himchana 1 se encontraron 27 módulos (a) en la muestra y 21 módulos (b) en la muestra JGK 3, como se muestra en la siguiente figura:
Análisis de correlación entre módulos y muestras para encontrar los módulos en diferentes etapas de desarrollo Módulos genéticos únicos. Esta parte también se hace por separado. El módulo correspondiente al cuadro rojo de la figura tiene una mayor correlación con la muestra. La mitad izquierda es el diagrama de correlación entre módulos y etapas de desarrollo en Himchana 1, y la mitad derecha es el resultado de correlación entre módulos JGK3 y etapas de desarrollo, y luego se obtienen los módulos más relevantes correspondientes a cada período en cada muestra (como se muestra en la figura a continuación):
Combinado con los resultados del análisis del paso anterior, analice la correlación entre los módulos obtenidos de las dos variedades. Teóricamente, aunque las variedades son diferentes, los módulos únicos correspondientes al mismo período de desarrollo de cada variedad deberían estar altamente correlacionados. Por ejemplo, el módulo negro en la esquina inferior izquierda de la muestra JGK 3 está relacionado con el período de desarrollo del S6. A través del análisis de correlación, este módulo está relacionado con el naranja oscuro en Himchana 1, al igual que el módulo naranja oscuro en Himchana 65438. De la misma manera, muchos otros módulos también tienen tales correlaciones (cuadro rojo en la imagen a continuación), pero hay un módulo naranja en Himchana 1 que no tiene correlación con ningún módulo en JGK 3. Los autores concluyeron que este módulo en particular probablemente estaba relacionado con el tamaño del grano, aunque se observaron fenómenos similares en varios otros módulos.
Los autores estudiaron más a fondo la expresión genética en estos módulos y descubrieron que los niveles de expresión de muchos genes (en S3 y S5) eran opuestos en diferentes variedades, y luego los autores estudiaron más a fondo las funciones relacionadas de los genes en estos módulos, etc.:
Resumen:
Los dos artículos anteriores son artículos transcriptomas comunes en las plantas. Debido a la incorporación del análisis WGCNA y el análisis de genes relacionados con rasgos desde otro ángulo, la calidad del artículo ha mejorado mucho. Si desea adquirir habilidades de análisis WGCNA, haga clic en "Video tutorial de WGCNA" para verlo: un paquete de enseñanza práctica para que aprenda.
Más cursos de bioinformática:
1. ¿Cada vez es más difícil publicar artículos? Es porque no has encontrado nuevas ideas. Es sencillo y rápido publicar de 2 a 4 artículos sobre análisis de familias de genes. Enlaces de aprendizaje: cursos prácticos sobre análisis de familias de genes e interpretación de la literatura sobre familias de genes.
2. ¿No sabes mucho sobre los datos del transcriptoma? ¿No puedes leer el gráfico? Haga clic en el enlace para conocer la interpretación en profundidad de los archivos de resultados de datos, conozca el enlace: Interpretar los resultados del transcriptoma (con referencia); Interpretar los resultados del transcriptoma (sin referencia)
3. sus artículos Calificación, enlace de aprendizaje: Gen ponderado WGCNA* * *Análisis de red de expresión
4. Sesión de aprendizaje: Minería de datos e interpretación de la literatura transcriptómica después del análisis estándar del transcriptoma
5.? Principios de análisis microbiano 16S/ITS/18S e interpretación de resultados, cursos de diagrama de red OTU, diagrama de celda y diagrama de red
6. Cursos básicos obligatorios desde el ingreso hasta el dominio de la bioinformática, enlaces de aprendizaje: uso del sistema Linux, ingreso a perl. hasta el dominio, lenguaje perl avanzado, dibujo en lenguaje R.
7. Para los cursos de minería de datos relacionados con la medicina, los artículos se pueden publicar sin experimentos. Enlaces de aprendizaje: análisis genético diferencial TCGA, minería de datos de chips GEO, curso de análisis de enriquecimiento GSEA, análisis de supervivencia de datos clínicos TCGA, análisis de factores de transcripción TCGA, análisis de redes regulatorias TCGA-ceRNA.
8. Otros enlaces del curso: análisis independiente de datos de transcriptoma de secuenciación de segunda generación, carga de datos de NCBI e interpretación de datos de secuenciación de segunda generación.