遥遥望沙飞
现在做转录组测序，看看差异基因，做做富集分析，再讨论下差异基因功能与自己研究性状或处理之间的关系，最后加简单的qPCR验证，这样的数据发SCI影响因子越来越低了。必须增加新的分析内容才能有所突破。今天给大家介绍一个能给文章增色的分析内容--基因共表达网络分析（WGCNA），该分析对样品数有一定要求，建议不少于15个，不过现在测序便宜了，达到这个数量已经不是难事了。下面就给大家介绍两篇利用WGCNA分析基因共表达网络来提升文章档次。 文章1： 题目： Identification of regulatory networks and hub genes controlling soybean seed set and size using RNA sequencing analysis 期刊： Journal of Experimental Botany IF： 5.3 性状： 大豆籽粒大小 实验材料 大豆籽粒的大小是一个非常重要的农艺性状，直接关系到大豆产量，找到决定大豆籽粒大小的关键调控基因对后续的分子育种具有重要意义，因此作者，选取了两个大豆品种做转录组分析，分别是：大籽粒Wandou 28 (V1)，小籽粒Peixian Layanghuang (V2)，取样时期为三个时期：seed set (S1), seed growth (S2), and early seed maturation (S3)，其中前两个时期的取样部位分别为：Seed pod with whole seed（S1），Whole seed（S2），S3时期取了两个部位分别为：Seed coat（S3-1），Seed cotyledon（S3-2），两个品种每个样品三个生物学重复共24个样品。下图为种子发育不同时期照片以及籽粒大小差异统计结果：转录组分析结果： 对转录组分析结果中每个基因做表达量分析，计算每个基因的表达量FPKM，如果基因的表达量，也就是FPKM值<0.5，认为基因无表达，去除这部分基因。然后，统计每个时期不同品种基因表达量高低的分布图，大约一半的基因处于低表达水平0.5<=FPKM<=5（下图A）；pca分析发现样品按照不同发育时期聚类在一起，而不是按照不同品种聚类，说明发育时期是决定基因表达谱的关键因素，而性状的不同引起的转录表达差异较小（下图B），下图C展示的为不同品种，不同发育时期之间表达基因的韦恩图，在不同的发育时期都表达的基因还是占绝大多数： 差异基因分析： 差异基因分析，下图A按相同发育时期，不同的品种之间差异比较，下图B为不同发育时期之间的差异比较，红色数字代表上调差异基因数量，黑色代表下调的差异基因数量：差异基因功能注释分析，主要针对决定籽粒大小的差异基因的比较，也就是上图A中的差异基因进行功能分析，挑出一些代表基因，看一下他的功能和表达量，例如，V1S1 vs V2S1差异比较当中，共找到973个差异基因，其中489个基因上调，484个基因下调，上调的代表基因的功能及表达量表格如下图所示，其中有转录因子，植物荷尔蒙（生长素等），脂肪酸代谢，蛋白激酶活性，类黄酮生物合成等功能相关的基因，总之挑选与种子果实等发育生长相关的基因来展示，其他还有好几个表格，也是关于上图A中不同时期的上调下调基因的功能注释表格，展示类似，我这里就不详细说明了，感兴趣的可以查看原文：不同发育时期差异比较： 不同的发育时期差异基因比较，分别绘制每个发育时期高表达的基因的热图，差异基因很多，作者挑选的都是和发育相关，或者和重要农艺性状相关的差异基因做热图，例如转录因子相关的基因，荷尔蒙相关的，脂肪酸代谢，淀粉糖代谢等相关的基因。WGCNA分析找到调控籽粒大小的关键hub基因： 首先对所有样品所有基因的表达量矩阵进行过滤，删除表达量低的基因（FPKM<0.05），一共有7359个基因用于基因共表达网络构建，总共分析得到12个共表达基因模块下图A（聚类树每一个枝代表一个基因，下面不同的颜色划分代表基因所处不同的模块），其中有4个模块和种子大小相关下图B，例如，lightyellow模块，所有的V1的不同时期的样品与这个模块高度相关，再例如green模块，有793个基因，不管是V1样品，还是V2样品，这个模块都与S1相关等等。 4个关键模块基因共表达网络构建发现hub基因： 导出WGCNA共表达网络分析结果，绘制模块当中基因的表达量热图和网络图，左边热图从上到下分别代表：green module（A），darkturquoise module（C），black module（E），lightyellow module（G），右边网络图分别对应共表达网络，其中红颜色标记的为连通性较高的hub基因。通过研究这些hub基因的功能发现：这些网络中的关键hub基因，包括MYB家族转录因子，荷尔蒙（ABA，CK，BA）响应因子，细胞色素P450，BR信号激酶等等，都可能与籽粒的大小相关。文章2： 题目： Global transcriptome and co-expression network analyses reveal cultivar-specific molecular signatures associated with seed development and seed size/weight determination in chickpea analysis 期刊： The Plant Journal IF： 5.7 性状： 鹰嘴豆籽粒大小 实验材料与方法 这篇文章与上一篇文章思路几乎一致，只是研究的物种变成了鹰嘴豆。同样的，也是选取了两个籽粒大小差异明显的栽培品种：Himchana 1 (small-seeded) and JGK 3 (large-seeded)，取样时期为每个样品7个时期S1-S7，分别为授粉后5, 9, 12, 19, 25, 30 and 40 天（day after pollination DAP），还测了一下叶片的转录组，并取3个生物学重复，共48个样品。不同发育时期和种子重量差异结果如下： 转录组测序结果： 利用转录组测序所有基因以及所有样品的表达矩阵做样品间的相关性分析和PCA聚类分析，从中可以发现，相同的发育状态或者组织聚类在一起，说明他们之间具有较强的相关性。差异基因比较分析： 作者主要比较了相同发育状态不同品种之间的转录组差异比较，差异基因的上下调数量和其中转录因子的数量图a，另外还统计差异基因中不同类型转录因子的数量展示图b，图c为不同时期差异基因的富集结果，颜色越深说明在该功能上越富集，最后S3时期差异基因在mapman中的Metabolic pathways做了富集分析，可以将差异基因的表达量变化情况展示在通路图中。基因共表达网络分析 首先作者将不同的样品按籽粒大小不同品种分开，分别用WGCNA做共表达网络分析，其中在Himchana 1样品中共找到27个模块(a)，在JGK 3样品中找到21个模块(b)如下图所示：模块与样品之间相关性分析，从而发现不同发育时期的特有的基因模块，这部分也是分开做，图中颜色越红的方框对应的模块和样品具有较高的相关性，左边一半为Himchana 1中模块与发育时期相关图，右边一半为JGK3模块与发育时期相关结果，然后得到每个样品中每个时期对应的最相关的模块,(如下图)： 结合上一步的分析结果，再来分析两个品种各自得到的模块之间的相关性，理论上讲，虽然品种不同但是各自品种相同发育时期的对应的特有模块应该具有较高的相关性，例如，在JGK 3样品中左下角黑色模块与S6发育时期相关，通过相关性分析，这个模块与Himchana 1中的darkorange相关，正好呢darkorange模块在Himchana 1 中也与S6相关（下图中红紫色方框）；同样的道理其他很多模块都有这样的相关性（下图中红色方框），但是在Himchana 1 中有个orange模块不与JGK 3中任何一个模块相关，作者推断这个特殊的模块很可能与籽粒大小相关，当然还有其他几个模块也有类似的现象。作者进一步研究这些模块中基因表达情况发现里面很多基因的表达量（在S3 和 S5时期）在不同的品种中具有相反的表达，之后作者进一步研究这些模块里面基因的相关功能等等： 总结： 上述两篇文章都是植物当中普通的转录组文章，由于添加了WGCNA分析从另一个角度分析与性状相关的基因，文章的档次提升不少。想得到WGCNA的分析技能吗，点击《 WGCNA视频教学视频 》即可观看：手把手教学包你学会。 更多生物信息课程： 1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接： 基因家族分析实操课程 、 基因家族文献思路解读 2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接： 转录组（有参）结果解读 ； 转录组（无参）结果解读 3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接： WGCNA-加权基因共表达网络分析 4. 转录组数据怎么挖掘？学习链接： 转录组标准分析后的数据挖掘 、 转录组文献解读 5. 微生物16S/ITS/18S分析原理及结果解读 、 OTU网络图绘制 、 cytoscape与网络图绘制课程 6. 生物信息入门到精通必修基础课，学习链接： linux系统使用 、 perl入门到精通 、 perl语言高级 、 R语言画图 7. 医学相关数据挖掘课程，不用做实验也能发文章，学习链接： TCGA-差异基因分析 、 GEO芯片数据挖掘 、 GSEA富集分析课程 、 TCGA临床数据生存分析 、 TCGA-转录因子分析 、 TCGA-ceRNA调控网络分析 8.其他课程链接： 二代测序转录组数据自主分析 、 NCBI数据上传 、 二代测序数据解读 。
陈果果122
在微生物多样性分析的报告中主要包括五个部分：Alpha多样性分析、Beta多样性分析、物种组成分析、进化关系分析、差异分析，其中Alpha多样性分析是生态学中生物多样性的一个重要的组成部分，也是比较基础的一部分。 Alpha多样性是指一个特定区域或生态系统内的多样性，是反映丰富度和均匀度的综合指标。Alpha多样性主要与两个因素有关：一是种类数目，即丰富度；二是多样性，群落中个体分配上的均匀性。群落丰富度（Community richness）的指数主要包括Chao1指数和ACE指数。群落多样性（Community diversity）的指数，包括Shannon指数和Simpson指数。另外，还有测序深度指数Observed spieces 代表OTUs的直观数量统计, Good’s coverage 指计算加入丰度为1 的OTUs数目，加入低丰度影响。 Alpha多样性各指数的意义 Chao1： 是用chao1 算法估计群落中含OTU 数目的指数，chao1 在生态学中常用来估计物种总数，由Chao (1984) 最早提出。Chao1值越大代表物种总数越多。Schao1=Sobs+n1(n1-1)/2(n2+1)，其中Schao1为估计的OTU数，Sobs为观测到的OTU数，n1为只有一条序列的OTU数目，n2为只有两条序列的OTU数目。Chao1指数越大，表明群落的丰富度越高。 Ace： 是用来估计群落中含有OTU 数目的指数，同样由Chao提出(Chao and Yang, 1993)，是生态学中估计物种总数的常用指数之一。默认将序列量10以下的OTU都计算在内，从而估计群落中实际存在的物种数。ACE指数越大，表明群落的丰富度越高。 Shannon： （Shannon, 1948a, b）综合考虑了群落的丰富度和均匀度。Shannon指数值越高，表明群落的多样性越高。 Simpson： 用来估算样品中微生物的多样性指数之一，由Edward Hugh Simpson ( 1949) 提出，在生态学中常用来定量的描述一个区域的生物多样性。Simpson 指数值越大，说明群落多样性越低。辛普森多样性指数=1-随机取样的两个个体属于不同种的概率。 alpha多样性指数具体描述如下： 计算菌群丰度（Community richness）的指数有: Chao - the Chao1 estimator ( ); ACE - the ACE estimator ( ); 计算菌群多样性（Community diversity）的指数有: Shannon - the Shannon index ( ); Simpson - the Simpson index ( ); 测序深度指数有: Coverage - the Good’s coverage ( ) alpha多样性与丰度展示稀释曲线 微生物多样性分析中需要验证测序数据量是否足以反映样品中的物种多样性，稀释曲线（丰富度曲线）可以用来检验这一指标，并间接反映样品中物种的丰富程度。具体方法为:利用已测得16S rDNA序列中已知的各种OTU的相对比例，来计算抽取n个（n小于测得reads序列总数）reads时出现OTU数量的期望值，然后根据一组n值（一般为一组小于总序列数的等差数列）与其相对应的OTU数量的期望值做出曲线来。当曲线趋于平缓或者达到平台期时也就可以认为测序深度已经基本覆盖到样品中所有的物种；反之，则表示样品中物种多样性较高，还存在较多未被测序检测到的物种。 注：横坐标代表随机抽取的序列数量；纵坐标代表观测到的OTU数量。样本曲线的延伸终点的横坐标位置为该样本的测序数量，如果曲线趋于平坦表明测序已趋于饱和，增加测序数据无法再找到更多的OTU；反之表明不饱和，增加数据量可以发现更多OTU。Shannon-Winner曲线 Shannon-Wiener 曲线，是利用shannon指数来进行绘制的，反映样品中微生物多样性的指数，利用各样品的测序量在不同测序深度时的微生物多样性指数构建曲线，以此反映各样本在不同测序数量时的微生物多样性。 当曲线趋向平坦时，说明测序数据量足够大，可以反映样品中绝大多数的微生物物种信息。样本曲线的延伸终点的横坐标位置为该样本的测序数量，如果曲线趋于平坦表明测序已趋于饱和，增加测序数据无法再找到更多的OTU；反之表明不饱和，增加数据量可以发现更多OTU。其中曲线的最高点也就是该样本的Shannon指数，指数越高表明样品的物种多样性越高。 注：与上图一样，横坐标代表随机抽取的序列数量；纵坐标代表的是反映物种多样性的Shannon指数。Rank-Abundance曲线 Rank-Abundance曲线用于同时解释样品多样性的两个方面，即样品所含物种的丰富程度和均匀程度。物种的丰富程度由曲线在横轴上的长度来反映，曲线越宽，表示物种的组成越丰富；物种组成的均匀程度由曲线的形状来反映，曲线越平坦，表示物种组成的均匀程度越高。 注：横坐标代表物种排序的数量；纵坐标代表观测到的相对丰度。样本曲线的延伸终点的横坐标位置为该样本的物种数量，如果曲线越平滑下降表明样本的物种多样性越高，而曲线快速陡然下降表明样本中的优势菌群所占比例很高，多样性较低。 这部分内容就讲到这里，后期我们会介绍微生物多样性beta多样性分析，研究微生物的同学请保持关注哦。 更多可观看《 微生物多样性分析原理视频课程 》 参考文献 [1] Shannon, C.E. (1948a). A mathematical theory of communication. The Bell System Technical Journal 27, 379-423. [2] Shannon, C.E. (1948b). A mathematical theory of communication. The Bell System Technical Journal 27, 623-656. [3] Simpson, E.H. (1949). Measurement of Diversity. Nature 163, 688. [4] Chao, A., and Yang, M.C.K. (1993). Stopping rules and estimation for recapture debugging with unequal failure rates. Biometrika 80, 193-201. [5] Chao, A. (1984). Nonparametric Estimation of the Number of Classes in a Population. Scandinavian Journal of Statistics 11, 265-270. 更多生物信息课程： 1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接： 基因家族分析实操课程 、 基因家族文献思路解读 2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接： 转录组（有参）结果解读 ； 转录组（无参）结果解读 3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接： WGCNA-加权基因共表达网络分析 4. 转录组数据怎么挖掘？学习链接： 转录组标准分析后的数据挖掘 、 转录组文献解读 5. 微生物16S/ITS/18S分析原理及结果解读 、 OTU网络图绘制 、 cytoscape与网络图绘制课程 6. 生物信息入门到精通必修基础课，学习链接： linux系统使用 、 perl入门到精通 、 perl语言高级 、 R语言画图 7. 医学相关数据挖掘课程，不用做实验也能发文章，学习链接： TCGA-差异基因分析 、 GEO芯片数据挖掘 、 GSEA富集分析课程 、 TCGA临床数据生存分析 、 TCGA-转录因子分析 、 TCGA-ceRNA调控网络分析 8.其他课程链接： 二代测序转录组数据自主分析 、 NCBI数据上传 、 二代测序数据解读 。
中国作家林建
转录组是一类让人既爱又恨的项目，实验门槛低，却是文章泛滥的重灾区，总有人问我，现在转录组还能发文章吗？下面我就借一篇2020年5月4日发表在BMC Genomics上题为：Transcriptome analysis reveals rapid defence responses in wheat induced by phytotoxic aphid Schizaphis graminum feeding 的文章，详细地论述下2020年转录组文章到底有多难发？怎么发？下面我们先看下这篇文章具体内容： 实验简介： 文章研究的是小麦幼苗在麦二叉蚜采食后的快速防卫反应，分别于采食2、6、12、24、48 h后取幼苗叶片（3次生物学重复），进行转录组测序、叶绿素测定以及H2O2 积累测定以及NADPH抑制剂处理进一步探究小麦在咬食后氧迸发防御机制。 实验结果： 1. 麦二叉蚜采食后小麦转录组分析 这部分结果展示比较套路，主要是通过PCA分析看了下样品相关性及处理效应，介绍了一下差异基因总体情况。如下图：2. 差异基因GO分析 作者按上调/下调基因集分别进行GO注释，并按时间点分别论述上调/下调基因集富集情况，如下图：3. 麦二叉蚜采食后小麦叶片叶绿素含量变化 从差异基因GO分析可以看出，蚜虫采食可以负向调控小麦的光合作用过程、光捕获和光系统相关基因，所以作者又测定了采食后小麦叶片叶绿素含量变化，如下图：4. 麦二叉蚜采食后小麦叶片中水杨酸、茉莉酸相关防御途径的基因表达 参与SA生物合成的苯丙氨酸解氨酶(PAL)基因在不同时间点均显著上调，但表达水平随采食时间的增加而逐渐降低；茉莉酸代谢途径中三种脂氧合酶(LOX)基因均显著上调；受MAPKs调控的WRKY转录因子也显示上调，如下图：5. 二叉蚜采食后小麦叶片中过氧化氢(H2O2)积累和抗氧化酶活性的变化 蚜虫采食明显上调活性氧清除基因的表达，进一步通过3,3 ' -二氨基联苯胺(DAB)对小麦小麦叶片进行细胞学染色，采食2h后就出现H2O2积累，并且随采食时间的延长，斑点数量和大小逐渐增加，如下图：6. NADPH氧化酶抑制对小麦叶片H2O2积累和防御反应的影响 NADPH氧化酶抑制剂二苯碘铵(DPI)不仅能明显抑制由采食引起的氧迸发，并且对小麦叶片防御应答基因表达水平也有明显的下调作用。以上就是该篇文章全部结果，回头来看，这个实验设计并不复杂，内容也不是过多，为啥人家能发表而你却被拒稿呢？要知道，就这个2区3.5分影响因子的BMC Genomics ，也是很多人渴望而不可得的存在。 2020年，转录组类文章到底有多难发？从这篇文章我们可以看到，文章并没有你想像中的难发，我试着从中提炼以下几点，希望对您有所借鉴。 1. 实验设计相对合理，层级递进，取样点与植物防卫三级级联反应基本对应，后续分析论述层次较为分明。 2. 转录组仅是的实验中的一部分，套路式的罗列结果的时代已没过去了，将转录组与其他指标融合在一起，就像本文中，除了转录组，作者还进一步进行了生理指标测定，如叶绿素含量、氧迸发等，基因关联性状，使结果更有说服力。 3. 转录组数据介绍切忌空泛，要结合其他生理生化指标，提炼出某些相关基因加以展示，如本文中叶绿素含量与表达下调的光捕获、光和作用相关的基因；H2O2积累和抗氧化酶活性的变化等。 4. 论文精华都在讨论部分，多引用他人数据佐证自己的结果，能做到旁征博引，论文一般都错不了！精读文献原文，请点击文末“阅读原文” 直达。 2020年，转录组类文章有多难发？其实难的是你不肯转变观念，时代不同了，老套路也就过时了；很多老师目前面对的难题不是手里没数据，也不是不会写论文，而是数据看不明白，分析便无从下手，这个梗不破，怎么发文章？！我给大家推荐一部 《转录组分析结果解读》 视频教程 ，轻松解决您看不懂转录组结果数据的难题。 更多技能学习链接： 更多生物信息课程： 1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接： 基因家族分析实操课程 、 基因家族文献思路解读 2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接： 转录组（有参）结果解读 ； 转录组（无参）结果解读 3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接： WGCNA-加权基因共表达网络分析 4. 转录组数据怎么挖掘？学习链接： 转录组标准分析后的数据挖掘 、 转录组文献解读 5. 微生物16S/ITS/18S分析原理及结果解读 、 OTU网络图绘制 、 cytoscape与网络图绘制课程 6. 生物信息入门到精通必修基础课，学习链接： linux系统使用 、 perl入门到精通 、 perl语言高级 、 R语言画图 7. 医学相关数据挖掘课程，不用做实验也能发文章，学习链接： TCGA-差异基因分析 、 GEO芯片数据挖掘 、 GSEA富集分析课程 、 TCGA临床数据生存分析 、 TCGA-转录因子分析 、 TCGA-ceRNA调控网络分析 8.其他课程链接： 二代测序转录组数据自主分析 、 NCBI数据上传 、 二代测序数据解读 。
Medicine。Medicine这本期刊虽然好投，接收率极高，发文量极大，一年发文量达到5000多，是其他期刊几十倍甚至上百倍，愿意接收海量的纯生信数据挖掘和
小年糕lc 4人参与回答 2023-12-06 必须要有自己的创新才行
有名无姓123 3人参与回答 2023-12-05 明白核心，其核心期刊的发表之所以难，是因为对要是原创，第二要经过审核，第三要有含金量。
evanzheng2013 7人参与回答 2023-12-11 现在做转录组测序，看看差异基因，做做富集分析，再讨论下差异基因功能与自己研究性状或处理之间的关系，最后加简单的qPCR验证，这样的数据发SCI影响因子越来越低了
好运咪咪熊 3人参与回答 2023-12-07 转自： 基因组（Denovo sequencing），即基因组从头测序，指在不依赖参考基因组的情况下绘制该物种的全基因组序列图谱，从而获取该物种的全部遗传信息
变猪猪911 3人参与回答 2023-12-05