Hola MJ, ¡muchas gracias por esta publicación! proporcionó una buena visión general y compré JMP como resultado de su directriz. Como soy un amante de SAS, me gustaría poder replicar en SAS lo que está aquí en JMP. Estoy interesado en su uso del Plataforma de "Predictor Screening", que es un método de partición de bosque de arranque. ¿Te importaría guiarme en qué procedimiento / opciones específicas usar para reproducir tal paso?
¡Gracias!
Hola @MBV , Me alegra que hayas encontrado útil este blog. Puede encontrar esta plataforma de cribado de predictores en Analizar ==> Cribado ==> Cribado de predictores. Primero debe cargar sus datos en JMP, organizar su resultado y características como columnas, y seleccionar el resultado como su Respuesta Y y las características como sus variables X.
En turnos de replicarlo en SAS, creo que depende de qué producto SAS utilices. Por ejemplo, en SAS base, el procedimiento HPSPLIT podría proporcionarle algo similar.
Avísame si tienes otras preguntas.
Hola
Quiero replicar el análisis en la publicación para poder obtener algo de experiencia.
Tengo problemas con el paso de importación de biom. Recibo un mensaje de error
"Rango de subíndice en acceso o evaluación de 'newLine ...'
De todos modos, solo quiero ver cuál es el formato de la tabla: ¿pueden enviarme la tabla de datos asociada con el archivo biom importado?
Mejor,
De acuerdo con la estimación reciente de los Institutos Nacionales de Salud (NIH), el 90 por ciento de las células del cuerpo humano son bacterianas, fúngicas o no humanas. El intestino humano solo contiene en promedio 40,000 especies bacterianas, 9 millones de genes bacterianos únicos y 100 billones de células microbianas.
Además, las interacciones planta-microbio en la rizosfera son los determinantes de la salud de la planta, la productividad y la fertilidad del suelo. Los hongos micorrícicos y las bacterias fijadoras de nitrógeno son responsables de un promedio de entre el 5 y el 20 por ciento, y hasta el 80 por ciento de todo el nitrógeno, y hasta el 75 por ciento del fósforo, que las plantas adquieren anualmente.
MetagenómicaLos estudios de comunidades microbianas se han vuelto bastante populares en los últimos años. La metagenómica es una colección de técnicas para estudiar microorganismos mediante extracción directa y clonación de ADN de un conjunto de microorganismos. Con estos métodos, se pueden obtener y analizar perfiles de secuencia de comunidades microbianas de diversas fuentes para descubrir la estructura de la comunidad. En muchas situaciones, la naturaleza de estas comunidades microbianas es muy importante, un ejemplo notable es que el trasplante microbiano fecal restablece radicalmente la estructura de la comunidad intestinal y cura la infección recurrente por Clostridium difficile en hasta el 90 por ciento de los casos ( van Nood et al., 2013 )
El análisis de metagenómica generalmente implica una amplia visualización de datos y modelos estadísticos, lo que lo convierte en una tarea perfecta para JMP . En realidad, JMP ha ayudado a muchos investigadores de metagenómica a analizar sus datos y ha llevado a una serie de publicaciones exitosas (Danzeisen, Kim, Isaacson, Tu y Johnson, 2011 ; Brooks et al., 2015 ; Zinicola et al., 2015 ; Port, Cullen, Wallace, Smith y Faustman, 2014 )
En esta publicación de blog, voy a mostrar un buen ejemplo de análisis de un conjunto de datos microbianos utilizando JMP. Este conjunto de datos de Brewery Digesters es de un artículo de Werner et al., 2011 . Investigaré la estructura de la comunidad bacteriana en nueve instalaciones de biorreactores a gran escala que tratan las aguas residuales de la cervecería, que también fue uno de los objetivos del estudio del artículo original.
Resumen del conjunto de datosEste conjunto de datos es disponible públicamente . Los detalles del procesamiento de datos se describieron en Werner et al., 2011 . Brevemente, recolectaron 95 muestras de biomasa durante un año de nueve instalaciones de biorreactores de fangos granulares metanogénicos. Se realizó una pirosecuenciación 454 con código de barras de amplicones del gen 16S rRNA bacteriano de las muestras de biomasa. Usaron QIIME para llevar a cabo recorte de códigos de barras, eliminación de ruido, agrupación de unidades taxonómicas operativas (OTU), asignación de taxonomías (Greengenes) y construcción de tablas OTU. Finalmente, recogieron un total de 4962 OTU para análisis posteriores.
Pasos de análisisLos pasos del análisis son los siguientes:
1) Leer archivo Biom
Las tablas de OTU (Unidades Taxonómicas Operacionales) generalmente están representadas por el formato Biom (Matriz de Observación Biológica), las observaciones, en este caso, son OTU y la matriz contiene recuentos correspondientes al número de veces que se observa cada OTU en cada muestra. Con el complemento Biom Importer, JMP puede leer archivos Biom y convertirlos en OTU y tablas de muestra para su posterior análisis. Usted puede descargue el complemento Biom Importer JMP aquí en la comunidad de usuarios de JMP.
2) Seleccionar funciones
Lo primero que queremos hacer es reducir la dimensión de datos eliminando OTU redundantes o irrelevantes. La plataforma JMP "Predictor Screening", que es un método de partición forestal de arranque, se utilizó para seleccionar 144 de 4962 OTU en función de su contribución a la predicción de ubicaciones de biorreactores.
3) Verifique la taxonomía de 144 OTU principales
Estamos interesados en cuáles son los grupos taxonómicos a los que pertenecen estas OTU más predictivas. Es una tarea muy fácil con JMP . Simplemente vaya a Gráfico> Generador de gráficos, arrastre las variables relevantes al panel de gráficos y seleccione el tipo de gráfico que desea hacer. Tracé la frecuencia de phylum de los 144 OUT más predictivos. No es difícil notar en la trama que las divisiones taxonómicas están dominadas por Firmicutes, Proteobacteria, Bacteroidetes, Chloroflexi, Spirochaetes, así como especies desconocidas.
4) Identificar divisiones taxonómicas por ubicaciones de biorreactores.
La siguiente pregunta que queremos hacer es cuál es el desglose de las especies microbianas en cada ubicación. Como se muestra en el siguiente gráfico creado en Graph Builder, podemos notar diferencias significativas en la distribución de las divisiones taxonómicas entre biorreactores.
5) Realizar análisis de componentes principales
La siguiente tarea de este proyecto es evaluar qué tan bien pueden hacer estas 144 OTU para separar las ubicaciones del biorreactor, en otras palabras, estamos tratando de agrupar las ubicaciones utilizando 144 OTU. Primero probé el Análisis de componentes principales (PCA) para esta tarea, ya que puede extraer información de datos multidimensionales. En Analizar> Métodos multivariados> Componentes principales, JMP proporciona una práctica implementación de PCA.
El diagrama de grupo del componente principal (PC) 1 y 2 muestra que la mayoría de las ubicaciones, excepto E2 y U3, pueden estar muy bien separadas por sus comunidades microbianas. También notamos que varias muestras están mal clasificadas, por ejemplo, una muestra de E4 se clasificó como E1, y una muestra de U2 se clasificó como U4. El biplot muestra las diferencias en la estructura taxonómica por orden de clase entre grupos. En particular, ciertas clases taxonómicas, como Deltaproteobacteria (25 veces), Clostridia (26 veces) y Bacteroidia (16 veces), son los principales contribuyentes a la agrupación.
Gráfico de dispersión:
Biplot:
6) Realizar agrupamiento jerárquico
El segundo método de agrupación que probé fue la agrupación jerárquica. De nuevo, JMP tiene una muy buena implementación de este método, que se encuentra en el menú Analizar> Agrupación> Clúster jerárquico. Agrupe las ubicaciones en función de sus comunidades microbianas. Tanto el dendrograma bidireccional (ubicaciones frente a especies) como el gráfico de constelación muestran que la agrupación jerárquica agrupa con éxito las muestras en nueve ubicaciones. Nuevamente, como observamos en PCA, varias muestras están mal clasificadas, lo que es consistente con la precisión de predicción (96.4%) en el documento original.
Resultado de agrupación jerárquica:
ConclusionesEn esta publicación de blog, mostré un ejemplo de análisis de datos de metagenómica, específicamente, tablas OTU, usando JMP. JMP es una herramienta con potentes funciones de visualización y modelado estadístico. Hay mucho más que decir sobre el análisis de datos de metagenómica con JMP. Por ejemplo, en Analizar> Modelado predictivo, existen múltiples modelos predictivos sofisticados, como Neural Network y Naive Bayes, que se pueden aplicar a sus datos.
Si estás interesado en aprender JMP, te sugiero comenzar con la lectura Análisis basico , que ofrece una excelente introducción para comenzar el análisis de datos con JMP. (Tú también puedes prueba JMP gratis .) Para obtener modelos más complejos de predicción y rutinas de validación cruzada que se hayan optimizado para datos biológicos, consulte las capacidades en JMP Genomics también.
Dado el uso frecuente de visualización de datos, agrupamiento y modelado estadístico, el análisis metagenómico es una tarea perfecta para JMP. El complemento, Importador Biom , que puede leer directamente los archivos de Biom, puede facilitar aún más la canalización de análisis. Por favor deje sus pensamientos y preguntas en el área de comentarios.
Referencias Brooks, JP, Paul Brooks, J., Vaginal Microbiome Consortium (miembros adicionales), Edwards, DJ, Harwich, MD, Rivera, MC, ... Buck, GA (2015). La verdad sobre la metagenómica: cuantificar y contrarrestar el sesgo en los estudios de 16S rRNA. BMC Microbiology, 15 (1). https://doi.org/ 1186 / s12866-015-0351-6 Danzeisen, JL, Kim, HB, Isaacson, RE, Tu, ZJ y Johnson, TJ (2011). Modulaciones del microbioma cecal de pollo y metagenoma en respuesta al tratamiento anticoccidial y promotor del crecimiento. PloS One, 6 (11), e27949. Port, JA, Cullen, AC, Wallace, JC, Smith, MN y Faustman, EM (2014). Marcos metagenómicos para monitorear la resistencia a los antibióticos en ambientes acuáticos. Perspectivas de salud ambiental, 122 (3), 222–228. van Nood, E., Vrieze, A., Nieuwdorp, M., Fuentes, S., Zoetendal, EG, de Vos, WM, ... Keller, JJ (2013). Infusión duodenal de heces de donantes para Clostridium difficile recurrente. The New England Journal of Medicine, 368 (5), 407–415. Werner, JJ, Caballeros, D., García, ML, Scalfone, NB, Smith, S., Yarasheski, K., ... Angenent, LT (2011). Las estructuras comunitarias bacterianas son únicas y resistentes en los sistemas de bioenergía a gran escala. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 108 (10), 4158-4163. Zinicola, M., Higgins, H., Lima, S., Machado, V., Guard, C., y Bicalho, R. (2015). La secuencia metagenómica de escopeta revela genes funcionales y microbiomas asociados con dermatitis digital bovina. PloS One, 10 (7), e0133674.Querido MJ
¡Muchas gracias! Eso fue muy útil. ¿Conoces una forma de realizar análisis de especies indicadoras en JMP?
Por ahora, realicé un examen de respuesta utilizando la abundancia de OTU como respuesta y mi variable predictiva (por ejemplo, ubicación) como predictor y agrupación por taxones. entonces filtro los valores p resultantes para <0.05
¿Hay una manera mejor / más apropiada de hacer esto?
Atentamente
@ezorlo Acabo de compartir un archivo de taxonomía para los mejores predictores, espero que ayude. Con respecto al análisis de especies indicadoras, dado que JMP es una herramienta de propósito general, es posible que no tenga herramientas específicas para cada problema. Pero si conoce ese algoritmo / método detrás de este análisis, probablemente pueda encontrar una forma alternativa de hacerlo en JMP, o incluso implementarlo por su cuenta si sabe cómo escribir código JSL.
