Ciao MJ, grazie mille per questo post! ha fornito una buona panoramica e ho acquistato JMP come risultato delle vostre linee guida. Poiché sono un amante di SAS, vorrei poter replicare in SAS ciò che è qui in JMP. Sono interessato al tuo utilizzo di Piattaforma "Predictor Screening", che è un metodo di partizionamento della foresta bootstrap. Ti dispiacerebbe guidarmi in quale specifica procedura / opzioni utilizzare per riprodurre tale passaggio?
Grazie!
Ciao @MBV , Sono contento che tu abbia trovato utile questo blog. È possibile trovare questa piattaforma di screening dei predittori su Analizza ==> Screening ==> Screening dei predittori. Devi prima caricare i tuoi dati in JMP, organizzare i risultati e le funzioni come colonne e selezionare i risultati come risposta Y e le caratteristiche come variabili X.
A turno di replicarlo in SAS, penso che dipenda dal prodotto SAS che usi. Ad esempio, nel SAS di base, la procedura HPSPLIT potrebbe darti qualcosa di simile.
Fammi sapere se hai altre domande.
Ciao
Voglio replicare l'analisi nel post in modo da poter avere qualche esperienza.
Sto riscontrando problemi con la fase di importazione della biomassa. Ricevo un messaggio di errore
"Intervallo di sottoscrizioni nell'accesso o nella valutazione di" newLine .... "
Ad ogni modo, voglio solo vedere qual è il formato della tabella: potete gentilmente inviarmi la tabella dei dati associata al file biom importato?
Migliore,
Secondo il stima recente dal National Institutes of Health (NIH), il 90 percento delle cellule del corpo umano sono batteriche, fungine o altrimenti non umane. Il solo intestino umano contiene in media 40.000 specie batteriche, 9 milioni di geni batterici unici e 100 trilioni di cellule microbiche.
Inoltre, le interazioni pianta-microbo nella rizosfera sono i fattori determinanti della salute delle piante, della produttività e della fertilità del suolo. I funghi micorrizici e i batteri che fissano l'azoto sono responsabili in media tra il 5-20 percento e fino all'80 percento di tutto l'azoto e fino al 75 percento di fosforo, che viene acquisito dalle piante ogni anno.
metagenomicaGli studi sulle comunità microbiche sono diventati piuttosto popolari negli ultimi anni. La metagenomica è una raccolta di tecniche per studiare i microrganismi mediante estrazione diretta e clonazione di DNA da un assemblaggio di microrganismi. Utilizzando questi metodi, è possibile ottenere e analizzare profili di sequenza di comunità microbiche da varie fonti per scoprire la struttura della comunità. In molte situazioni, la natura di queste comunità microbiche è molto importante, un esempio notevole è che il trapianto microbico fecale ripristina radicalmente la struttura della comunità intestinale e cura la recidiva dell'infezione da Clostridium difficile fino al 90% dei casi ( van Nood et al., 2013 ).
L'analisi della metagenomica di solito comporta un'ampia visualizzazione dei dati e la modellazione statistica, il che lo rende un compito perfetto per JMP . In realtà, JMP ha aiutato molti ricercatori di metagenomica ad analizzare i loro dati e ha portato a numerose pubblicazioni di successo (Danzeisen, Kim, Isaacson, Tu e Johnson, 2011 ; Brooks et al., 2015 ; Zinicola et al., 2015 ; Port, Cullen, Wallace, Smith e Faustman, 2014 ).
In questo post del blog, mostrerò un buon esempio di analisi di un set di dati microbici usando JMP. Questo set di dati di Brewery Digesters è tratto da un documento di Werner et al., 2011 . Studierò la struttura della comunità batterica attraverso nove strutture di bioreattore su vasta scala per il trattamento delle acque reflue del birrificio, che era anche uno degli obiettivi di studio del documento originale.
Panoramica del set di datiQuesto set di dati è disponibile al pubblico . I dettagli sul trattamento dei dati sono stati descritti in Werner et al., 2011 . In breve, hanno raccolto 95 campioni di biomassa per un anno da nove strutture di bioreattore di fanghi granulari metanogenici. 454 pirosequenziamento con codice a barre di ampliconi batterici del gene rRNA 16S dai campioni di biomassa. Loro hanno usato QIIME per eseguire il taglio dei codici a barre, il denoising, il raggruppamento dell'Unità tassonomica operativa (OTU), l'assegnazione della tassonomia (Greengenes) e la costruzione di tabelle OTU. Infine, hanno raccolto un totale di 4962 OTU per le analisi successive.
Fasi di analisiI passaggi dell'analisi sono i seguenti:
1. Leggi il file Biom
Le tabelle OTU (Unità tassonomiche operative) sono generalmente rappresentate dal formato Biom (Biological Observation Matrix), le osservazioni, in questo caso, sono OTU e la matrice contiene conteggi corrispondenti al numero di volte in cui ciascun OTU viene osservato in ciascun campione. Con il componente aggiuntivo Biom Importer, JMP può leggere i file Biom e convertirli in OTU e tabelle di esempio per successive analisi. Puoi scarica il componente aggiuntivo Biom Importer JMP qui nella Community utenti JMP.
2. Seleziona funzionalità
La prima cosa che vogliamo fare è ridurre la dimensione dei dati eliminando OTU ridondanti o irrilevanti. La piattaforma JMP "Predictor Screening", che è un metodo di partizionamento della foresta bootstrap, è stata utilizzata per selezionare 144 OTU su 4962 sulla base del loro contributo alla previsione della posizione dei bioreattori.
3. Controlla la tassonomia dei 144 OTU principali
Siamo interessati a quali siano i gruppi tassonomici a cui appartengono questi OTU più predittivi. È un compito molto semplice con JMP . Basta andare su Grafico> Graph Builder e trascinare le variabili rilevanti sul pannello grafico e selezionare il tipo di grafico che si desidera creare. Ho tracciato la frequenza del phylum dei 144 OUT più predittivi. Non è difficile notare dalla trama che le divisioni tassonomiche sono dominate da Firmicutes, Proteobacteria, Bacteroidetes, Chloroflexi, Spirochaetes e specie sconosciute.
4. Identificare le divisioni tassonomiche per posizione dei bioreattori
La prossima domanda che vogliamo porci è qual è la scomposizione delle specie microbiche in ogni luogo. Come mostrato nel seguente grafico creato in Graph Builder, possiamo notare differenze significative nella distribuzione delle divisioni tassonomiche tra i bioreattori.
5. Eseguire l'analisi dei componenti principali
Il prossimo compito di questo progetto è valutare quanto bene possono fare questi 144 OTU per separare le posizioni dei bioreattori, in altre parole, stiamo cercando di raggruppare le posizioni usando 144 OTU. Ho provato per la prima volta Principal Components Analysis (PCA) per questo compito poiché può estrarre informazioni da dati multidimensionali. Sotto Analizza> Metodi multivariati> Componenti principali, JMP fornisce una pratica implementazione di PCA.
Il diagramma a grappolo del componente principale (PC) 1 e 2 mostra che la maggior parte delle posizioni, tranne E2 e U3, può essere molto ben separata dalle loro comunità microbiche. Notiamo anche che diversi campioni sono classificati erroneamente, ad esempio, un campione di E4 è stato classificato come E1 e un campione di U2 è stato classificato come U4. Il biplot mostra le differenze nella struttura tassonomica per ordine di classe tra i cluster. In particolare, alcune classi tassonomiche, come Deltaproteobacteria (25 volte), Clostridia (26 volte) e Bacteroidia (16 volte), contribuiscono in modo determinante al raggruppamento.
dispersione:
biplot:
6. Condurre il clustering gerarchico
Il secondo metodo di clustering che ho provato è stato il clustering gerarchico. Ancora, JMP ha un'implementazione molto piacevole di questo metodo, che si trova nel menu Analizza> Clustering> Cluster gerarchico. Ho raggruppato le posizioni in base alle loro comunità microbiche. Sia il dendrogramma a due vie (posizioni contro specie) che il diagramma della costellazione mostrano che il Clustering Gerarchico raggruppa con successo i campioni in nove posizioni. Ancora una volta, come abbiamo osservato nella PCA, diversi campioni sono classificati erroneamente, il che è coerente con l'accuratezza della previsione (96,4%) nella carta originale.
Risultato del clustering gerarchico:
conclusioniIn questo post del blog, ho mostrato un esempio di analisi dei dati metagenomici, in particolare delle tabelle OTU, usando JMP. JMP è uno strumento con potenti funzionalità di visualizzazione e modellazione statistica. C'è molto altro da dire sull'analisi dei dati metagenomici con JMP. Ad esempio, in Analizza> Modellazione predittiva, ci sono più sofisticati modelli predittivi, come Neural Network e Naive Bayes, che possono essere applicati ai tuoi dati.
Se sei interessato a imparare JMP, suggerirei di iniziare con la lettura Analisi di base , che offre un'eccellente introduzione all'avvio dell'analisi dei dati con JMP. (Puoi anche prova JMP gratuitamente .) Per la modellazione predittiva più complessa e le routine di convalida incrociata che sono state ottimizzate per i dati biologici, controlla le funzionalità in JMP Genomics anche.
Dato l'uso frequente di visualizzazione dei dati, clustering e modellistica statistica, l'analisi della metagenomica è un compito perfetto per JMP. Il componente aggiuntivo, Importatore di biomassa , che può leggere direttamente i file Biom, può facilitare ulteriormente la pipeline di analisi. Per favore lascia i tuoi pensieri e domande nell'area dei commenti.
Riferimenti Brooks, JP, Paul Brooks, J., Vaginal Microbiome Consortium (membri aggiuntivi), Edwards, DJ, Harwich, MD, Rivera, MC, ... Buck, GA (2015). La verità sulla metagenomica: quantificare e contrastare i pregiudizi negli studi 16S sull'RRNA. BMC Microbiology, 15 (1). https://doi.org/ 1186 / s12866-015-0351-6 Danzeisen, JL, Kim, HB, Isaacson, RE, Tu, ZJ, & Johnson, TJ (2011). Modulazioni del microbioma cecale del pollo e del metagenoma in risposta al trattamento anticoccidiale e promotore della crescita. PloS One, 6 (11), e27949. Port, JA, Cullen, AC, Wallace, JC, Smith, MN e Faustman, EM (2014). Strutture metagenomiche per il monitoraggio della resistenza agli antibiotici negli ambienti acquatici. Environmental Health Perspectives, 122 (3), 222–228. van Nood, E., Vrieze, A., Nieuwdorp, M., Fuentes, S., Zoetendal, EG, de Vos, WM, ... Keller, JJ (2013). Infusione duodenale di feci di donatori per Clostridium difficile ricorrente. 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). Le strutture di comunità batteriche sono uniche e resistenti nei sistemi di bioenergia su larga scala. Atti della National Academy of Sciences degli Stati Uniti d'America, 108 (10), 4158–4163. Zinicola, M., Higgins, H., Lima, S., Machado, V., Guard, C., & Bicalho, R. (2015). Il sequenziamento metagenomico del fucile a pompa rivela i geni funzionali e il microbioma associati alla dermatite digitale bovina. PloS One, 10 (7), e0133674.Caro MJ
Grazie mille! è stato molto utile. Conoscete un modo per eseguire l'analisi delle specie indicatore in JMP?
Per ora ho eseguito uno screening di risposta usando l'abbondanza di OTU come risposta e la mia variabile predittore (ad es. Posizione) come predittore e raggruppamento per taxa. quindi filtro i valori p risultanti per <0,05
Esiste un modo migliore / più appropriato per farlo?
I migliori saluti
@ezorlo Ho appena condiviso un file di tassonomia per i principali predittori, spero che sia di aiuto. Per quanto riguarda l'analisi delle specie indicatrici, poiché JMP è uno strumento di uso generale, potrebbe non disporre di strumenti specifici per ogni problema. Ma se conosci questo algoritmo / metodo alla base di questa analisi, probabilmente puoi trovare un modo alternativo per farlo in JMP, o persino implementarlo da solo se sai come scrivere il codice JSL.
