WXRedian | 密码子实验室 | 【微生物数据个性化分析及挖掘系列】微生物群落的共现网络分析

【微生物数据个性化分析及挖掘系列】微生物群落的共现网络分析

学术 2025-01-07 09:02 上海

高通量测序技术成本的降低和常规成熟技术的广泛普及，让数据高效且标准化的产出满足了研究者“获取数据”的基本需求，但同时，也使得标准的信息发掘基本不存在任何壁垒，直接的数据罗列展示和简单的描述性总结已无法发表科研论文，怎么才能让“沉睡的”测序数据“活起来”，怎么才能在越来越“卷”的科研界脱颖而出，获得有价值的科研方案和研究数据，成为了困扰绝大部分研究者的大难题。

•如何盘点大量的测序和生信基础数据？

•如何基于已有材料和研究目的，匹配有针对性的研究方法？

•如何层层深入、抽丝剥茧、彼此贯通、相互印证并最终对相关问题提出有建设性的回答？如何个性化地设计研究方案和展示研究结果？

这，才是考验研究人员功力的重点和难点，也是高质量文章的核心！

上海唯那生物专注于微生物研究，一直以微生物的个性化分析和方案定制服务著称，团队扎实的理论积淀和极其丰富的项目经验，已然成为了微生物研究领域的一面旗帜。

唯那生物旗下公众号“密码子实验室”持续分享微生物研究专业技能资料，“密码子学院”平台中发布了大量专业技能课程，唯那团队，一直用专业技能为科研工作者赋能！

【关注我们】

Part1

今天聊聊共现网络在微生物研究中的应用。微生物群落被视为生态系统的重要组成部分。无论是在人体内、土壤中还是海洋中，微生物都通过复杂的交互作用影响着生态系统的稳定性与功能。然而，微生物之间的关系通常并不是单一线性的，它们之间的协同、竞争和互助关系错综复杂。这时，共现网络（Co-occurrence Network）作为一种强大的分析工具，正在逐渐成为揭示微生物群落结构和功能的利器。

一、什么是微生物共现网络？

微生物共现网络是一种基于微生物物种在样本中同时出现频率而构建的网络。简单来说，它通过分析不同微生物在多个样本中是否同时出现，以及出现的频率来描述微生物之间的潜在关系，通常通过相关性分析来量化微生物间的这种关系。在这个网络中：

节点代表微生物物种。

边代表两个物种之间的共现关系。

边的权重通常反映了共现频率或共现关系的强度。

例如，在人体肠道菌群的研究中，如果某种细菌A和细菌B在多数样本中总是一起出现，我们就可以在共现网络中连接A和B，并赋予一定的权重来表示它们的关系强度。

二、微生物共现网络能做什么？

共现网络不仅能可视化微生物之间复杂的相互关系，还能够提供深层次的生物学意义。以下是共现网络在微生物研究中的几大核心应用：

1. 揭示微生物群落结构与互动关系

共现网络可以帮助揭示微生物群落中的协同关系和竞争关系。例如：

协同关系：当两种微生物在多个样本中频繁共现时，说明它们可能具有互利共生的关系。例如，一种微生物可能为另一种提供必需的代谢产物。

竞争关系：如果两个微生物在同一个环境中互不共现，可能意味着它们在争夺同样的资源，这表明它们之间可能存在竞争关系。

2. 识别关键物种与核心微生物

通过共现网络的分析，可以识别出微生物群落中的关键物种或核心物种。这些核心物种在网络中通常具有更高的连接度，意味着它们与许多其他物种存在共现关系。这样的微生物通常在群落功能维持中起到至关重要的作用，可能是生态系统中的“关键节点”。

3. 探索生态系统的稳定性与功能

共现网络还可以用于分析微生物群落的稳定性。例如：

一个稳定的微生物群落通常具有高度互联的共现网络，边的数量较多，网络密度较大。

当群落受到外部干扰（如抗生素或环境污染）时，网络结构可能会发生显著变化，反映出微生物群落的脆弱性或抗干扰能力。

4. 揭示微生物与环境因子的关联

共现网络还可以结合环境因子进行分析。例如，研究微生物如何响应环境温度、湿度、pH值等外部因素的变化，从而揭示环境因子如何驱动微生物群落的变化。这对于生态系统保护、农业生产以及人体健康等领域具有重要意义。

Part2

案例解析

案例一：微生物类群的跨界相关性网络（doi: 10.1002/imt2.2）

研究基于存在于所有土壤样品中超过10%的微生物分类群（细菌和真菌）构建微生物类群的相关性网络。

* 该网络由 1740 个节点（即 ASV）和 7088 条边组成；

* 网络图根据分类群的干旱偏好(AI)进行着色；

* 连接表示相关性强且显著(p < 0.001，|r|>0.6)，分为正相关(深灰色)或阴性(红色)边缘；

* 每个节点的大小与ASV的度（与节点相连边的数量）成正比；

* 连接的厚度两个节点之间(即一条边)的距离与Spearman相关系数的值成正比。

在低干旱环境中，微生物分类群之间的共现频率更高，这支持了较高降水量加强微生物间相互作用。

案例二：微生物类群和耐药基因相关性网络（doi: 10.1016/j.jenvman.2023.118920）

ARG 丰度与细菌群落之间的重要相关性。ARG分布与细菌群落的相关性(a)，以及所有土壤样本(b)、林地(c)、油茶种植园(d)和农业土壤(e)中ARGs 和细菌群落的网络可视化。

* 使用分类差异度量(Brav-curtis)，对ARG分布和细菌群落之间进行Procrustes检验，其中 M2表示前两个维度上偏差(向量残差)之和(999种排列)。

* ARGs和细菌分类群之间的联系代表了一个很强的(Spearman：R>0.7，P≤0.01)的相关性。根据Bacteria和ARG类型着色。节点大小与节点度成正比，边的权重与相关系数成正比。

细菌群落组成（即丰度和结构）也是影响抗生素耐药性基因多样性和进化的主要驱动因素，其影响大于非生物因素。通过网络分析，普朗氏菌、酸杆菌和双单胞菌被认为是抗生素耐药性基因的主要潜在宿主，抗生素耐药性基因丰度的变化可能与它们在土壤中携带氨基糖苷和磺酰胺有关。

有任何相关问题，欢迎加入我们的讨论群，或直接联系唯那生物技术支持团队。

大家需要讨论或者需要我们聊的话题也可以直接和我们微信沟通。

参考文献：

Jiao S, Chu H, Zhang B, Wei X, Chen W, Wei G. Linking soil fungi to bacterial community assembly in arid ecosystems. Imeta. 2022 Feb 24;1(1):e2. doi: 10.1002/imt2.2. PMID: 38867731; PMCID: PMC10989902.

Wu J, Guo S, Lin H, Li K, Li Z, Wang J, Gaze WH, Zou J. Uncovering the prevalence and drivers of antibiotic resistance genes in soils across different land-use types. J Environ Manage. 2023 Oct 15;344:118920. doi: 10.1016/j.jenvman.2023.118920. Epub 2023 Sep 1. PMID: 37660639.

课程推荐：

在密码子学院中，我们发布了两个课程可以帮助大家学习和掌握共现网络图绘制工具Cytoscape的使用，大家感兴趣的话可以通过下方的两个链接查看：

【课程】网络图绘制利器-Cytoscape软件入门实操课

https://college.mimazi.net/course/article-8.html

【课程】网络图绘图利器-Cytoscape（PPI网络进阶）

https://college.mimazi.net/course/article-9.html

Part3

常见个性化分析包括以下几个类型：

1、群体进化数据挖掘

2、个体差异比较分析

3、耐药和毒力深度研究

4、泛基因组和GWAS分析

5、多组学联合分析

6、菌群相关性网络图分析

密码子实验室

我们一直坚持认为，让知识更有价值，让科学研究更简单，让实验室管理更智能化，让每一个热爱学习的人更有效率，是我们的使命。生物信息学实操、实验操作技能、科研绘图技巧、行业动态播报，这里只有干货。