Salut MJ, merci beaucoup pour cet article! il a fourni un bon aperçu et j'ai acheté JMP à la suite de votre directive. Parce que je suis un amoureux de SAS, j'aimerais pouvoir reproduire en SAS ce qui est ici en JMP. Je suis intéressé par votre utilisation du Plate-forme «Predictor Screening», qui est une méthode de partitionnement de la forêt bootstrap. Pourriez-vous me guider dans la procédure / les options spécifiques à utiliser pour reproduire une telle étape?
Merci!
salut @MBV , Je suis heureux que vous ayez trouvé ce blog utile. Vous pouvez trouver cette plate-forme Predictor Screening dans Analyze ==> Screening ==> Predictor Screening. Vous devez d'abord charger vos données dans JMP, organiser votre résultat et vos fonctionnalités sous forme de colonnes, puis sélectionner le résultat en tant que réponse Y et les fonctionnalités en tant que variables X.
À tour de rôle de le répliquer en SAS, je pense que cela dépend du produit SAS que vous utilisez. Par exemple, dans SAS de base, la procédure HPSPLIT peut vous donner quelque chose de similaire.
Laissez-moi savoir si vous avez d'autres questions.
salut
Je veux reproduire l'analyse dans le post afin de pouvoir acquérir de l'expérience.
J'ai des problèmes avec l'étape d'importation de la biomasse. Je reçois un message d'erreur
"Plage d'indices d'accès ou d'évaluation de 'newLine ....'
Quoi qu'il en soit, je veux juste voir quel est le format de la table - pouvez-vous m'envoyer la table de données associée au fichier biom importé?
Meilleur,
Selon le estimation récente des National Institutes of Health (NIH), 90% des cellules du corps humain sont bactériennes, fongiques ou non humaines. L'intestin humain à lui seul contient en moyenne 40 000 espèces bactériennes, 9 millions de gènes bactériens uniques et 100 billions de cellules microbiennes.
De plus, les interactions plante-microbe dans la rhizosphère sont les déterminants de la santé des plantes, de la productivité et de la fertilité des sols. Les champignons mycorhiziens et les bactéries fixatrices d'azote sont responsables en moyenne de 5 à 20 pour cent, et jusqu'à 80 pour cent de tout l'azote, et jusqu'à 75 pour cent du phosphore, qui est acquis par les plantes chaque année.
MétagénomiqueLes études sur les communautés microbiennes sont devenues très populaires ces dernières années. La métagénomique est un ensemble de techniques pour étudier les micro-organismes par extraction directe et clonage d'ADN à partir d'un assemblage de micro-organismes. En utilisant ces méthodes, des profils de séquence de communautés microbiennes provenant de diverses sources peuvent être obtenus et analysés pour découvrir la structure de la communauté. Dans de nombreuses situations, la nature de ces communautés microbiennes est très importante, un exemple notable est que la transplantation microbienne fécale réinitialise radicalement la structure de la communauté intestinale et guérit l'infection à Clostridium difficile récurrente dans jusqu'à 90% des cas ( van Nood et al., 2013 ).
L'analyse métagénomique implique généralement une visualisation approfondie des données et une modélisation statistique, ce qui en fait une tâche parfaite pour JMP . En fait, JMP a aidé de nombreux chercheurs en métagénomique à analyser leurs données et a conduit à un certain nombre de publications réussies (Danzeisen, Kim, Isaacson, Tu et Johnson, 2011 ; Brooks et al., 2015 ; Zinicola et al., 2015 ; Port, Cullen, Wallace, Smith et Faustman, 2014 ).
Dans ce billet de blog, je vais montrer un bon exemple d'analyse d'un ensemble de données microbiennes à l'aide de JMP. Cet ensemble de données Brewery Digesters est tiré d'un document de Werner et al., 2011 . J'étudierai la structure de la communauté bactérienne à travers neuf installations de bioréacteur à grande échelle traitant les eaux usées de la brasserie, ce qui était également l'un des objectifs de l'étude du document original.
Présentation de l'ensemble de donnéesCet ensemble de données est Disponible publiquement . Les détails du traitement des données ont été décrits dans Werner et al., 2011 . En bref, ils ont prélevé 95 échantillons de biomasse pendant un an dans neuf installations de bioréacteurs méthanogènes à boues granulaires. Un pyroséquençage à code à barres 454 d'amplicons de gène d'ARNr 16S bactérien provenant des échantillons de biomasse a été effectué. Ils ont utilisé QIIME pour effectuer le découpage des codes à barres, le débruitage, le regroupement des unités taxonomiques opérationnelles (OTU), l'attribution de la taxonomie (Greengenes) et la construction des tables OTU. Enfin, ils ont ramassé un total de 4962 OTU pour des analyses ultérieures.
Étapes d'analyseLes étapes d'analyse sont les suivantes:
1. Lire le fichier Biom
Les tableaux OTU (Operational Taxonomic Units) sont généralement représentés par le format Biom (Biological Observation Matrix), les observations, dans ce cas, sont des OTU et la matrice contient des nombres correspondant au nombre de fois où chaque OTU est observée dans chaque échantillon. Avec le complément Biom Importer, JMP peut lire les fichiers Biom et les convertir en OTU et des exemples de tableaux pour une analyse ultérieure. Vous pouvez télécharger le complément Biom Importer JMP ici dans la communauté des utilisateurs JMP.
2. Sélectionnez les fonctionnalités
La première chose que nous voulons faire est de réduire la dimension des données en supprimant les unités OTU redondantes ou non pertinentes. La plate-forme JMP «Predictor Screening», qui est une méthode de partitionnement de la forêt bootstrap, a été utilisée pour sélectionner 144 des 4962 OTU sur la base de leur contribution à la prévision de l'emplacement des bioréacteurs.
3. Vérifiez la taxonomie des 144 meilleurs OTU
Nous voulons savoir quels sont les groupes taxonomiques auxquels appartiennent ces OTU les plus prédictives. C'est une tâche très facile avec JMP . Accédez simplement à Graph> Graph Builder, faites glisser les variables pertinentes vers le panneau graphique et sélectionnez le type de tracé que vous souhaitez créer. J'ai tracé la fréquence du phylum des 144 OUT les plus prédictifs. Il n'est pas difficile de remarquer sur la parcelle que les divisions taxonomiques sont dominées par les Firmicutes, les Protéobactéries, les Bacteroidetes, les Chloroflexi, les Spirochaetes, ainsi que les espèces inconnues.
4. Identifier les divisions taxonomiques par emplacement des bioréacteurs
La prochaine question que nous voulons poser est quelle est la répartition des espèces microbiennes à chaque endroit. Comme le montre le graphique suivant créé dans Graph Builder, nous pouvons remarquer des différences importantes dans la distribution des divisions taxonomiques entre les bioréacteurs.
5. Effectuer une analyse des principaux composants
La prochaine tâche de ce projet est d'évaluer dans quelle mesure ces 144 OTU peuvent faire pour séparer les emplacements des bioréacteurs, en d'autres termes, nous essayons de regrouper les emplacements à l'aide de 144 OTU. J'ai d'abord essayé l'analyse des composants principaux (PCA) pour cette tâche car elle peut extraire des informations de données multidimensionnelles. Sous Analyser> Méthodes multivariées> Composants principaux, JMP fournit une implémentation pratique de PCA.
Le graphique en grappes des principaux composants (PC) 1 et 2 montre que la plupart des emplacements, à l'exception de E2 et U3, peuvent être très bien séparés par leurs communautés microbiennes. Nous remarquons également que plusieurs échantillons sont mal classés, par exemple, un échantillon de E4 a été classé comme E1, et un échantillon de U2 a été classé comme U4. Le biplot montre les différences de structure taxonomique par ordre de classe entre les grappes. Notamment, certaines classes taxonomiques, telles que les Deltaproteobacteria (25 fois), les Clostridia (26 fois) et les Bacteroidia (16 fois), sont des contributeurs majeurs au regroupement.
Nuage de points:
Biplot:
6. Effectuer un regroupement hiérarchique
La deuxième méthode de clustering que j'ai essayée était le clustering hiérarchique. Encore, JMP a une très belle implémentation de cette méthode, trouvée dans le menu Analyser> Clustering> Hierarchical Cluster. J'ai regroupé les emplacements en fonction de leurs communautés microbiennes. Le dendrogramme bidirectionnel (emplacements par rapport à l'espèce) et le tracé de constellation montrent que le regroupement hiérarchique a réussi à regrouper les échantillons en neuf emplacements. Encore une fois, comme nous l'avons observé dans l'ACP, plusieurs échantillons sont mal classés, ce qui correspond à la précision de la prédiction (96,4%) dans le papier d'origine.
Résultat du clustering hiérarchique:
ConclusionsDans ce billet de blog, j'ai montré un exemple d'analyse de données de métagénomique, en particulier des tables OTU, à l'aide de JMP. JMP est un outil doté de puissantes fonctionnalités de visualisation et de modélisation statistique. Il y a beaucoup plus à dire sur l'analyse des données métagénomiques avec JMP. Par exemple, sous Analyser> Modélisation prédictive, il existe plusieurs modèles prédictifs sophistiqués, tels que Neural Network et Naive Bayes, qui peuvent être appliqués à vos données.
Si vous êtes intéressé à apprendre JMP, je vous suggère de commencer par lire Analyse de base , ce qui donne une excellente introduction au démarrage de l'analyse des données avec JMP. (Vous pouvez également essayez JMP gratuitement .) Pour des routines de modélisation prédictive et de validation croisée plus complexes qui ont été optimisées pour les données biologiques, consultez les fonctionnalités de JMP Genomics ainsi que.
Compte tenu de l'utilisation fréquente de la visualisation des données, du clustering et de la modélisation statistique, l'analyse métagénomique est une tâche parfaite pour JMP. Le complément, Importateur de biomasse , qui peut lire directement les fichiers Biom, peut encore faciliter le pipeline d'analyse. Veuillez laisser vos pensées et vos questions dans la zone de commentaires.
Références Brooks, JP, Paul Brooks, J., Vaginal Microbiome Consortium (membres supplémentaires), Edwards, DJ, Harwich, MD, Rivera, MC,… Buck, GA (2015). La vérité sur la métagénomique: quantifier et contrer le biais dans les études d'ARNr 16S. BMC Microbiology, 15 (1). https://doi.org/ 1186 / s12866-015-0351-6 Danzeisen, JL, Kim, HB, Isaacson, RE, Tu, ZJ et Johnson, TJ (2011). Modulations du microbiome et du métagénome caecaux du poulet en réponse à un traitement anticoccidien et promoteur de croissance. PloS One, 6 (11), e27949. Port, JA, Cullen, AC, Wallace, JC, Smith, MN et Faustman, EM (2014). Cadres métagénomiques pour la surveillance de la résistance aux antibiotiques en milieu aquatique. Environmental Health Perspectives, 122 (3), 222–228. van Nood, E., Vrieze, A., Nieuwdorp, M., Fuentes, S., Zoetendal, EG, de Vos, WM,… Keller, JJ (2013). Infusion duodénale d'excréments de donneurs pour Clostridium difficile récurrent. The New England Journal of Medicine, 368 (5), 407–415. Werner, JJ, Knights, D., Garcia, ML, Scalfone, NB, Smith, S., Yarasheski, K.,… Angenent, LT (2011). Les structures des communautés bactériennes sont uniques et résilientes dans les systèmes de bioénergie à grande échelle. Actes de l'Académie nationale des sciences des États-Unis d'Amérique, 108 (10), 4158-4163. Zinicola, M., Higgins, H., Lima, S., Machado, V., Guard, C., et Bicalho, R. (2015). Le séquençage métagénomique du fusil de chasse révèle des gènes fonctionnels et un microbiome associés à la dermatite numérique bovine. PloS One, 10 (7), e0133674.Cher MJ
Merci beaucoup! c'était très utile. Connaissez-vous un moyen d'effectuer une analyse des espèces indicatrices dans JMP?
Pour l'instant, nous avons effectué un dépistage de la réponse en utilisant l'abondance des OTU comme réponse et ma variable prédictive (par exemple, l'emplacement) comme prédicteur et le regroupement par taxons. puis je filtre les valeurs de p résultantes pour <0,05
Existe-t-il un moyen meilleur / plus approprié de le faire?
Meilleures salutations
@ezorlo Je viens de partager un fichier de taxonomie pour les meilleurs prédicteurs, j'espère que cela aide. En ce qui concerne l'analyse des espèces indicatrices, le JMP étant un outil polyvalent, il peut ne pas avoir d'outils spécifiques pour chaque problème. Mais si vous connaissez cet algorithme / méthode derrière cette analyse, vous pouvez probablement trouver un autre moyen de le faire dans JMP, ou même l'implémenter par vous-même si vous savez comment écrire du code JSL.
