跳过主要内容

用于代谢物相关的网络相关系数阈值设置准则列举马铃薯关联面板上

抽象的

背景

相关网络分析已经成为不可或缺的工具,研究代谢物的数据集。网络通过基于两个阈值,即省略代谢物之间的相关性构造r和相关的p值。而p- 值阈值设置遵循多个假设规则检验校正,指导方针r-value threshold设置未定义。

结果

在这里,我们引入一个方法,允许确定r基于迭代方法,其中不同的网络被构造和它们的网络拓扑被监控 - 值阈值。一旦网络拓扑显著变化,阈值被设置为相应的相关系数值。的方法被举例说明于:(i)从马铃薯关联面板,这是正常的灌溉水和回收的条件下生长的代谢物和形态学特征数据集;和进食和禁食小鼠的心脏的代谢物数据集验证(ii)中。对于马铃薯正常灌溉相关性网络的阈值皮尔森的|r建议|≥0.23,水回收率相关网络的阈值为皮尔森的|r|估计≥0.41。对于两个小鼠网络,计算阈值皮尔森的|r|≥0.84。

结论

我们的分析纠正了先前的说法皮尔森的水回收网的相关系数阈值为0.4 ~ 0.41,正常灌溉网的相关系数阈值为0.4 ~ 0.23。此外,提出的方法对两个小鼠网络提出了0.84的相关阈值,而不是先前应用的0.7的阈值。我们证明,提出的方法是一个有价值的工具,以构建生物有意义的网络。

背景

基于相关的网络分析(CNA)已经成为植物科学中研究代谢产物谱协调行为的重要工具。代谢物相关网络(Metabolite correlation networks, CN)是通过在一组不同的条件下将每两对代谢物进行关联或利用作图群体或品种收集的自然变异性来构建的,因为它们提供了大样本量,稳定了相关性并减少了错误率,例如,在番茄渐渗系测图群体中[12],各种闪闪发光的葡萄酒集合[3.],一个不同的集合拟南芥登记入册(4]和玉米协会面板[5].代谢产物的跨品种多样的协调行为提供了见解遗传共同度。每个成对相关性由相关性系数表示r从-1到1的范围此外,通过计算a评估每个相关性的重要性p- 值范围从0到1。在一个代谢物CN,节点表示代谢物和它们之间的边表示所估计的相关系数。

为了构建代谢物中枢神经系统,对相关系数及其相关系数应用阈值限制p-值,以识别代谢物之间的虚假相关性。然后,将不显著的相关或边缘分别从网络中删除。关联的阈值设置p-值遵循多个假设测试的规则,如错误发现率(FDR) [6].但是,相关系数的阈值设置的指导方针尚未明确。

理想情况下,CN中节点之间的边反映了通过代谢途径的代谢通量。然而,代谢途径之间的关系和代谢物之间的相关性并不是直接的。一些因素,如由植物变异性或内部噪声引起的短期波动,可能会导致弱相关性。稳态的系统变化以及细胞组织方面也需要考虑。此外,由于代谢物参与多个通路及其内部的广泛串扰,使其难以明确地与中枢神经系统的代谢通路相关联。因此,相关系数阈值不能普遍设定,必须根据研究系统进行调整,以提取有意义的生物学数据[7].结果,不同的研究已经施加了不同的选择性阈值设置,例如,施加不同的选择性阈值设置。胡等人构建骨关节炎和对照患者的代谢物CNS,以确定网络之间的相关性显着改变[8].在此基础上,对边缘设置了阈值p只有-VALUE。通过差异网络拓扑分析,他们设法突出,制约网络的连接和信息流起到了重要作用关键代谢物。在[9作者使用了一个适度的相关系数0.6阈值,这使他们能够识别影响游离氨基酸的基因。在[10.采用0.7的阈值来突出喂食和禁食小鼠代谢物网络的差异。再一次在[11.采用了一个严格的相关系数阈值为0.8的识别代谢模式,以便在两个中凝固耐受性短柄草生态型。允许有意义的生物解释的相关系数阈值的选择取决于网络拓扑而不是相关系数本身的强度。已经说,一旦到达某个阈值,与节点连接相关联的网络属性(或更好地说)。换句话说,相关系数阈值的选择取决于网络在变化时的边缘数的分布P-值,类似于选择a的想法p基于该阈值 - 值pbenjamin - hochberg FDR多重假设检验修正的-值分布[6].

我们最近异型的,在常压灌溉(NI)和恢复(REC)处理培养42种代谢物和还测量的一组植物的45个形态性状马铃薯关联面板的块茎。[12.].对于每个处理,一个CN构建,其中对于二者的CN的相关系数阈值被设定为皮尔森的|r|≥ 0.4. In addition, the profiles were utilized for a genome wide association study (GWAS). Via the application of set theory to networks, a difference network was constructed, highlighting the difference set of the REC network over the NI network (REC  NI). In this perspective, the correlation between the metabolite fumaric acid and the morphological trait plant vigor was shown to be specific to the REC network. Next, we analyzed the single nuclear polymorphisms associated with fumaric acid and identified a gene coding for a RING domain protein on chromosome 1 in the potato genome and a gene coding for a zinc finger protein ZAT2 on chromosome 4. It was demonstrated before that both genes are essential for plants to cope with abiotic stresses [13.14.15.16.17.18.].

在本研究中,我们证明了估计的相关系数阈值皮尔森的|r|≥0.4对于建立延胡索酸与植物活力之间的联系以及对上述调控基因的鉴定至关重要。通过对块茎中枢神经系统的硅操作和监测其节点之间的连通性,我们确定了如何确定代谢中枢神经系统的适当相关系数阈值的指南。最后,我们将所提出的方法应用于小鼠代谢物数据集,以证明其对不同来源数据集的有效性。

结果

最初的网络

我们定义的NI和REC中枢神经系统作为加权网络\ ({G} _{我}= ({V} _ {}, {E} _ {}, w) \),在那里\({v} _ {i} \)是否在治疗数据集中发现了与代谢产物和形态特征相对应的节点集\(一世\)\(E \)被设定的边权它们之间的边缘,和(的\ (w: E \ R \))对应于皮尔森相关系数。两个网络的阈值设置为皮尔森的|r|≥0.4和a-value≤0.05,消除虚假相关性。在这些情况下,NI-CN\ ({| V} _{倪}| = 88 \)节点和\(\左| {E} _ {NI} \右| = 438 \)边缘连接;recc - cn由\(左\ | {V} _ {REC} \ | = 90年\)节点和\(左\ | {E} _ {REC} \ | = 370年\)边缘。反丁烯二酸与植物活力的相关系数分别为0.458和0.013。

通过测试边缘数来确定相关系数

如上所述,集成的相关性为CN取决于两个阈值设置,即相关系数和相关联的p价值。在本研究和其他研究中,我们观察到,尽管CN中的边数逐渐增加,但它仍然保持稳定p-Value严格设置,直到已达到某个相关系数。换句话说,所提出的方法量化将从绝对相关系数及其相关联的CN集成的边的数量。p价值。它这样做的递减顺序在的相关系数为0.1和测距递减p-值的0.05到0.01。一旦边缘的数量在某个相关系数处开始下降,阈值就设置为这个值。我们使用改进的Cox方法估计95%的置信区间(CI),以检验边缘数的显著变化[19.]假设非正态分布,如:

雕像

在这个术语corcoef对应于初始相关系数,Edge.Number.Changed.是一个布尔变量,edge.number数组变量是函数吗correlation_network.,计算不同CNs在参数处的边数corcoefP.Values,错误术语定义为CI / 2。

为了证明这一方法,我们构建了一系列不同相关系数的NI和REC网络p-Value设置并量化存在的边缘数量(图。1).从图中可以看出,在变化时,边缘数保持不变p- 值,直到皮尔森的在Ni-CN中的相关系数下降至0.2(图。1A和b),表明相关系数阈值应位于0.2 ~ 0.3之间。在相关系数为0.2时,边缘数在923和948之间,平均估计为938.8,95% CI的上限为951.34,下限为926.45。对于recc - cn,在相关系数0.4处显著下降,表明阈值应该位于0.4和0.5之间(图4)。1C和D)。用平均值估计相关的值,平均值= 373.4,CI = 376.66的上限,CI = 370.18的下限,最小= 370,最大= 376。

图1
图1

NI和REC网络的边缘数分布,r= 1到0。在图的左手侧图表说明在NI和REC-CN的边数直方图在不同r- 值对p价值组合,在r= 1到0递减0.1.上对应的盒形图,其中,所述中心线表示平均值的图形描绘的右侧的曲线图。框界限表示上下标误差;晶须表示由改性Cox检验计算95个%置信区间。灰色垂直线分开的相关系数,红垂直虚线代表提出相关系数阈值的时间间隔,蓝色水平线代表在该阈值被设定的平均边缘号码;一个NI-CNs边缘数直方图,bni-cns边缘号码boxplot,crecc - cn边数直方图,dREC-CN边数箱线图

微调计算0.23和0.41的相关系数阈值

接下来,我们研究了不同的中枢神经系统r- 值在0.2至0.3为NI-CN和在0.4〜0.5的REC-CN(图的范围内。2).像以前一样,r阈值定义为r-当最小或最大边数位于相应CI的范围之外时。这种行为发生在一个相关系数阈值的NI-CN皮尔森的|r|≥0.23。这里,边缘数在850 - 853之间,均值851.8计算,CI下限850.18计算,CI上限853.42(图3)。2).对于REC-CN在观察到这种行为皮尔森的|r|≥0.41。在这r- 维拉在354和359之间的边缘数,平均值用357计算,CI上限为359.65,CI下限为354.37。因此,rNI-CN的-值阈值为0.23,recc - cn的-值阈值为0.41。

图2
figure2

NI和REC网络的边缘数分布,r = 0.3 to 0.2 and 0.5 to 0.4. Graphs on the left-hand side of the figure illustrate histograms of edge number in the NI and REC-CNs at differentr- 值对p价值组合,在r = 0.3 to 0.2 and 0.5 to 0.4 at decrements of 0.01, respectively. Graphs on the right-hand side of the figure depict corresponding boxplots, where the centerlines represent the mean; box limits represent upper and lower standard error; whiskers represent 95% confidence intervals calculated by the modified Cox test. Grey vertical lines separate correlation coefficients, red dashed vertical lines represent proposed correlation coefficient threshold interval, blue horizontal lines represent the mean edge number at which threshold is set;一个NI-CNs边缘数直方图,bni-cns边缘号码boxplot,crecc - cn边数直方图,dREC-CN边数箱线图

自举分析证实相关系数阈值

为了验证所提出的相关系数阈值设置,我们使用bootstrapping with replacement;这样,随机抽取80%的样本生成100个NI和recc - cns,其中一个样本可以不止一次地成为样本子集的一部分。执行此分析时,我们希望验证估计的阈值是由于偶然性,还是实际上是在减少的一组样本(80%)下,在建议阈值下的网络拓扑的结果。和以前一样,分析分为两个周期。对于第一个周期,所有网络的边数被量化为r-值从1到0递减0.1随变化p值(无花果。3.a和c)。对于第二周期,NI-CN的边缘数量在r-取值范围从0.3到0.2,对于REC-CN at .r- 值范围从0.5至0.4与变p值(无花果。3.B和D)。对于这两种后者分析递减0.01被使用。在NI-CN的箱线图表示的边缘数目增加的范围内降低r-value变成,显示了从值0.4向下增加的范围(图。3.在一个)。R-值为0.3时,计算出所有100个NI-CNs的完整范围,包括620到730条(范围= 110)网络边缘。在一个r- 0.2的最小边数估计为858,而最大边数估计为1010,显示出增加的幅度(152)。在一个r-Value为0.23,用网络中存在的797至905(范围108)边缘计算所有100ni-cns的完整范围(图。3.b)。对于REC-CN,在0.5的相关系数下降之后,在0.5的相关系数之后明确地看到增加的范围。皮尔森是r= 0.5时,100个recc - cns的边缘数范围为58 (min = 217, max = 275)r = 0.4 the range increased to 98 (min = 355, max = 453 – Fig.3.c).我们进一步调查r-介于0.5到0.4之间的值(图。3.D),表明中位数边数的稳步增加的相关系数越低。在目标r-值为0.41时,最小边数估计为337,最大边数估计为421(范围84)。此外,箱线图显示CIs增加,表明在较低的相关系数下增加的边数导致了更大的标准误差。这些发现强调了相关系数阈值设定的原始假设皮尔森的|r|≥0.23在NI-CN和皮尔森的|r|≥0.41在REC-CN中。

图3
图3

Bootstreped NI和REC网络的边缘号分布,r= 1到0。一个NI-CNs边数箱线图从自举分析在不同r- 值,在r= 1到0递减0.1.bNI-CNs边数箱线图从自举分析在不同r- 值,在r= 0.3至0.2,递减0.01。crecc - cns边数箱线图从自举分析在不同r- 值,在r= 1到0递减0.1.drecc - cns边数箱线图从自举分析在不同r- 值,在r= 0.5至0.4,递减0.01。在箱线图中,中心线表示中值;框限表示上四分位数和下四分位数;晶须代表1.5 ×四分位间距。引导运行100次,80%的样本允许替换。灰色垂线分离相关系数,红色虚线表示提出的相关系数阈值区间

接下来,我们使用bootstrapped CNs,计算了每个相关系数在变化时的CIp- 值采用改性Cox检验(图4).对于第一周期,1%(经验p= 0.99)r- 0.4的值(图5一个)显示最小或最大边缘号码超出其估计CI(图4一种);在r= 0.3时,该数字上升至54%,相当于实证p- 值0.46。在r = 0.2, all networks showed to have minimum or maximum edge numbers beyond their estimated CI (empiricalp< 0.01)。在第二个周期中,我们特别检查了目标对象r-Value为0.23,揭示所有网络的98%(经验P值0.02)的最小或最大边缘数超过其估计的CI(图。4b)对于引导的recr - cns, CI建议的显著变化的边数开始发生在r= 0.5(图。4c).这里,21%的中枢神经系统显示出显著变化(经验性的)p = 0.79); atr= 0.4,所有recc - cns的93%发生显著变化(经验性p= 0.07)r= 0.3,所有网络(经验的p < 0.01) had significantly changing edge numbers. For the second cycle we investigated the number of bootstrapped CNs associated with the proposed cutoffr值为0.41。在这个值下,90%的网络显示边缘数有显著变化,这相当于经验值p值为0.1。通过设置p-Value截止阈值≤0.1引导分析证实了所提出的Ni-CN和REC-CN相关系数阈值。

图4
图4.

显着改变自动启动NI和REC-CNS的相对数量。该图说明了引导CNS中的显着改变边缘的相对数量。一个基于在不同的自举分析在边缘号码NI-CN的相对变化r- 值,在r= 1到0递减0.1.b在边缘号码NI-相对变化基于在不同的自举分析自举分析r- 值,在r= 0.3至0.2,递减0.01。c基于不同的引导分析,REC-CNS相对变化边缘数量r- 值,在r= 1到0递减0.1d基于不同的引导分析,REC-CNS相对变化边缘数量r- 值,在r= 0.5至0.4,递减0.01。采用改进的Cox检验估计不同时间点的置信区间r- 值对p-Value组合(有关详细信息,请参阅主要文本)。引导运行100次,80%的样本允许替换。灰色垂直线单独的相关系数,红色虚线垂直线表示提出的相关系数阈值间隔。一个引导NI-CNs在r= 1到0递减0.1;b引导REC-CNs在r= 1到0递减0.1;c引导REC-CNs在r= 0.5至0.4,递减0.01

图5
图5.

鼠标边缘数分布美联储和鼠标禁食网络,r= 1到0。图左侧的图形说明了鼠标的边数直方图美联储和鼠标禁食在不同的r- 值对p价值组合,在r= 1到0递减0.1.上对应的盒形图,其中,所述中心线表示平均值的图形描绘的右侧的曲线图。框界限表示上下标误差;晶须表示由改性Cox检验计算95个%置信区间。灰色垂直线分开的相关系数,红垂直虚线代表提出相关系数阈值的时间间隔,蓝色水平线代表在该阈值被设定的平均边缘号码;一个鼠标美联储-CNs边缘数直方图,b鼠标美联储-CNs边数boxplot,c鼠标禁食-cn边缘号直方图,d鼠标禁食-CN边缘号码箱线图

鼠标代谢数据集的方法验证

为了在不同生物背景的数据集上验证所提出的方法,我们使用了Batushansky等人的小鼠代谢物数据集[10.].在那里,作者测试了禁食对老鼠心脏的影响。在研究中使用的一项分析中,作者构建了两种条件下的中枢神经系统,即进食和禁食的小鼠。为了突出网络之间的差异,确定了交集边。网络是绝对构建的r-value threshold of ≥ 0.7. Here, we used the datasets for fed and fasted mice and ran it through our correlation-coefficient threshold pipeline. For the first cycle, our method suggested that the correlation coefficient threshold ought to be located in betweenr- 两个网络的值0.8和0.9(图。5).对于第二个循环,r- 对于两个网络,用0.84确定边缘数位于下部和上部CI内的值(图。6).在这些设置,鼠标美联储- cn已经\ ({| V} _{美联储}| = 42 \)节点和\(左\ | {E} _{美联储}\ | = 105年\)边缘连接;鼠标禁食-cn由\(左\ | {V} _{禁食}\ | = 42 \)节点和\(\左| {E} _ {禁食} \右| = 112 \)边缘。在最初的研究中,作者确定了八个边缘相交的两个网络。在这里,我们确定了17个相交的边缘,包含原始研究的所有边缘(附加文件1:补充数据S1)。

图6
figure6

鼠标边缘数分布美联储和鼠标禁食网络,r = 0.9 to 0.8. Graphs on the left-hand side of the figure illustrate histograms of edge number in the Mouse美联储和鼠标禁食在不同的r- 值对p价值组合,在r = 0.9 to 0.8 at decrements of 0.01. Graphs on the right-hand side of the figure depict corresponding boxplots, where the centerlines represent the mean; box limits represent upper and lower standard error; whiskers represent 95% confidence intervals calculated by the modified Cox test. Grey vertical lines separate correlation coefficients, red dashed vertical lines represent proposed correlation coefficient threshold interval, blue horizontal lines represent the mean edge number at which threshold is set;一个鼠标美联储-CNs边缘数直方图,b鼠标美联储-CNs边数boxplot,c鼠标fasted-CN边数直方图,d鼠标禁食-CN边缘号码箱线图

讨论

代谢物CNs的构建是一项不平凡的工作。与加权基因共表达网络相比[20.,其中所有的边缘都保持在网络内,代谢物中枢神经系统的目的是消除一些相关性[21.].因此,如果相关系数阈值设置得太大,有价值的生物数据可能会丢失,而如果相关系数阈值设置得太低过多的边缘可能混杂效应,呈现很难确定最可行的生物信息与数据相关联。因此,适当地设定相关系数阈值是非常重要的,这样才能得出有意义的生物学结论。然而,代谢性中枢神经系统相关系数的阈值并不能被普遍设定。相反,它必须根据所研究的系统动态确定。虽然不同的研究已经应用了不同的相关系数阈值来构建代谢物CNs,例如[148910.11.22.23.24.],还有关于如何确定它们的一组规则尚未建立。在这里,我们介绍了一种方法,允许研究人员选择适合于其研究的相关系数阈值。

在我们最近关于马铃薯协会面板的研究中,我们在块茎代谢物和植物形态特征上构建了CN,在那里我们施加了0.4的相关系数阈值。[12.].在此背景下,我们确定了延胡索酸与植物活力之间的关键联系,这使我们能够确定帮助植物应对非生物胁迫的必要基因。在本研究中,我们使用相同的马铃薯数据集,演示了如何基于迭代方法选择适当的相关系数阈值,在此过程中,网络拓扑及其相关边数被监控。构建了一系列CNs,其中不同的绝对相关系数(从0到1)与一组不同的p值。来确定r- 值阈值的显著变化已经被检测到。我们定义为过量超过CN的相应的CI的界限边缘号码的范围的变化显著。一旦这个标准被满足,r-value设置阈值。

初始分析之间的增量为0.1r从0到1 - 值建议的阈值0.2为NI-CN和用于REC-CN(阈值0.4图。1).我们提出的方法的第二轮建议anr- 对于Ni-CN的阈值为0.23,对于REC-CN为0.41(图。12).基于样品的80%100米的CN自举分析确认所提出的阈值(图3.4).在这些阈值设置下,延胡索酸和植物活力之间的关键联系仍然存在于recc - cn中,而不在NI-CN中,如[12.].为了验证所提出的方法,还将其应用于喂食和禁食小鼠的心脏代谢物数据集[10.].最初的研究提出的0.7的阈值两者的CN。为了比较生成了网络交叉点处的的CN。我们的分析表明两者的CN阈值0.84。虽然我们提出的门槛比原研显著较高,我们发现了类似的边缘相交。

用于拉伸的在宽范围内的四个不同的CN所提出的阈值r-值,开始时NI-CN的相关系数低至0.23,而两个小鼠CNs的相关系数高至0.84。为了确定可能是这一发现的关键属性,我们为每个CN计算了许多网络属性。由节点度派生的网络属性(例如平均度、边节点比、密度、聚类系数)的变化与提出的相关系数阈值本身的变化一样大。然而,其他两个网络属性提供了有趣的结果,可能是相关系数阈值检测的关键元素,即:网络直径,这是图中任何一对节点之间的最大测地线距离;(2)网络协调性系数,即被连接节点对之间的程度相关系数[25.].它讲述了一个简洁时尚的节点如何优先相互连接。The diameter for the NI-CN was computed with 6 and its assortativity coefficient with 0.45, for the REC-CN the diameter was 9 and its assortativity coefficient = 0.36, for the Mouse美联储-CN的直径为9,配合度系数为0.47禁食-CN用8个和0.52计算的assortory系数计算直径。尽管四个CNS的拓扑不同,这两个网络属性显示了可比值。我们认为应该进一步调查这一发现。

结论

我们证明,本研究开发的方法是一个有价值的工具,以确定相关系数阈值的代谢物中枢神经系统的建设。我们将我们的方法应用于不同生物背景的代谢物数据集,所建议的阈值从0.23到0.41到0.84不等。尽管新提出的R-值与原始研究中使用的值不同,仍然可以让我们获得相同的生物结论。因此,CN的网络拓扑决定了生物解释,而不是相关系数本身的强度。因此,一旦建立了相关系数并且已经移除了非显着相关性,我们建议将CNS作为未加权的图形处理。

方法

数据集采集和处理

采用了代谢物和形态特征的数据集12.].对代谢产物和形态性状进行预处理和定量。

CN设置

网络的生成是基于所有代谢物与形态性状的相关分析。选择Pearson相关来估计相关系数。为了构建初始NI和REC网络,如前所述,相关系数阈值设为0.4。相应的p- 通过多个假设测试校正调节0.05。小鼠CNS被构建如[10.].

置信区间估计

CI的估计是基于正态分布的。由于本研究中的数据违背了这一假设,我们采用了基于改进Cox方法的CI估计,该方法在估计前对数据进行对数变换[19.].它也适用t- 比值而不是z值。

自举

要统计验证当前研究中所呈现的相关系数阈值设置中所呈现的方法,我们使用随机采样替换的自动启动。引导是在NI和REC数据集中提供的80%的样本进行了100次。

可用性和需求

  • 项目名称:基于相关的网络中的相关系数阈值确定

  • 项目主页:欧宝直播官网apphttps://github.com/toubiana/correlation_coeffinity_threshold.

  • 操作系统:平台独立

  • 编程语言:R

  • 其他要求:源代码中的R操作时无需任何依赖关系。

  • 许可:学术公共许可

  • 非学术界使用的任何限制:例如许可证需要

数据和材料的可用性

所有与本研究有关的数据及资料,均可于12.].

缩写

置信区间:

置信区间

CNA:

基于相关的网络分析

CN:

相关网络

罗斯福:

错误发现率

GWAS:

全基因组关联研究

你:

正常灌溉

REC:

恢复

参考文献

  1. 1。

    rostental L, Perelman A, Nevo N, Toubiana D, Samani T, Batushansky A, Sikron N, Saranga Y, Fait A:环境和遗传对番茄种子代谢平衡的影响及其与萌发活力的关系。BMC Genom 2016, 17。

  2. 2。

    Toubiana d,Puzis R,闻LL,Sikron N,Kurmanbayeva A,Soltabayeva A,威廉密MDR,萨德N,既成事实A,鹭M等人:组合网络分析和机器学习允许代谢途径的预测从番茄代谢数据。COMMUN生物学2019; 2。

  3. 3。

    卡林S,Vrhovsek U,Franceschi酒店P,Lotti的C,Bontempo L,卡明楼Toubiana d,Zottele楼托勒G,既成事实A,等人。意大利北部汽酒中的区域的功能,使用固相微萃取和全二维气相色谱鉴定加上时间飞行质谱。食品化学。2016; 208:68-80。

    CAS文章谷歌学者

  4. 4.

    Sulpice R, Trenkamp S, Steinfath M, Usadel B, Gibon Y, Witucka-Wall H, Pyl ET, Tschoep H, Steinhauser MC, Guenther M,等。大面板拟南芥材料中酶活性和代谢物水平及其与生物量关系的网络分析。植物细胞。2010;22(8):2872 - 93。

    CAS文章谷歌学者

  5. 5。

    Toubiana D,Xue Wt,Zhang Ny,Kremling K,Gur A,Pilosof S,Gibon Y,STITT M,Buckler ES,Fernie Ar等:基于相关的代谢物和酶谱的网络分析显示柠檬酸盐生物合成在调节中的作用Zea Mays中的N和C代谢。前植物SCI 2016,7。

  6. 6.

    Benjamini Y,Hochberg Y.控制虚假发现率 - 一种实用而强大的多种测试方法。Ĵř统计志乙蛋氨酸。1995年; 57(1):289-300。

    谷歌学者

  7. 7.

    穆勒 - Linow男,Weckwerth W,赫特MT。代谢相关网络的一致性分析。BMC SYST BIOL。2007; 1:44。

    文章谷歌学者

  8. 8.

    胡T,张W,扇子,Sun G,Likhodi S,Randell E,Zhai Y.骨关节炎的代谢组种差异相关网络分析。Pac Symp Biocomput。2016; 21:120-31。

    PubMed.谷歌学者

  9. 9.

    Angelovici R,Batushansky A,Deasonn N,Gonzalez-Jorge S,Gore Ma,Fait A,Dellapenna D.网络引导的GWAs改善了影响游离氨基酸的基因的鉴定。植物理性。2017; 173(1):872-86。

    CAS文章谷歌学者

  10. 10。

    Batushansky A, Matsuzaki S, newhart MF, West MS, Griffin TM, Humphries KM。GC-MS代谢谱显示果糖-2,6-二磷酸调节空腹时心脏的支链氨基酸代谢。代谢组学,2019;15(2):1 - 12。

    CAS文章谷歌学者

  11. 11.

    Toubiana d,萨德N,立峰L,威廉密MDR,布洛特曼Y,Luzarowska U,沃格尔JP,Blumwald E.基于相关的网络分析与机器学习技术相结合突出短柄草耐冻性GABA旁路的作用。SCI代表2020; 10(1):1-16。

    文章谷歌学者

  12. 12.

    Toubiana D, Cabrera R, Salas E, Maccera C, Franco dos Santos G, Cevallos D, lindqvest - kreuze H, Lopez JM, Maruenda H.受水回收处理的热带适应马铃薯协会小组的形态和代谢分析揭示了植物活力的新见解。工厂j . 2020, 103(6): 2193 - 210。

    CAS文章谷歌学者

  13. 13。

    BAE H,Kim Sk,Cho Sk,康BG,Kim Wt。OSRDCP1的过度表达,含有含有米环结构域的E3泛素连接酶,对水稻中的干旱胁迫增加了耐受性的耐受性(Oryza Sativa L.)。植物SCI。2011; 180(6):775-82。

    CAS文章谷歌学者

  14. 14。

    Brugiere N,张WJ,许QZ,Scolaro EJ,路C,Kahsay RY,喜濑R,Trecker L,威廉姆斯RW,哈基米S,等人。RING结构域E3连接酶ZmXerico1的表达通过ABA稳态调节赋予耐旱性。欧宝直播官网app植物理性。2017; 175(3):1350至69年。

    CAS文章谷歌学者

  15. 15。

    Joazeiro CAP, Weissman AM环指蛋白:泛素连接酶活性的中介物。细胞。2000;102(5):549 - 52。

    CAS文章谷歌学者

  16. 16。

    Mittler R, Kim Y, Song LH, Coutu J, Coutu A, Ciftci-Yilmaz S, Lee H, Stevenson B, Zhu JK。Zat10的功能获得和功能丧失突变增强了植物对外源逆境的耐受性。2月。2006;580(28 - 29日):6537 - 42。

    CAS文章谷歌学者

  17. 17.

    臧德东,李海英,徐海英,张文辉,张玉梅,史晓星,王永春:拟南芥锌指蛋白通过调节钠钾稳态、活性氧清除和渗透势增强对非生物胁迫的耐受性。欧宝直播官网app前面。植物科学学报,2016,7。

  18. 18.

    张元元,童建峰,徐志龙,魏鹏,徐磊,万强,黄永华,何晓丽,杨建勇,邵海波等。转基因拟南芥中含有QALGGH基序的大豆c2h2型锌指蛋白GmZFP3负调控干旱反应。前面。植物科学学报2016,7。

  19. 19.

    对数正态分布均值的置信区间。J Stat Edu 2005;13:1。

    谷歌学者

  20. 20。

    加权相关网络分析的R包。BMC Bioinform。2008;29(9):559。

    文章谷歌学者

  21. 21。

    Toubiana D,Fernie Ar,Nikoloski Z,Fait A.网络分析:解决复杂数据以研究植物新陈代谢。趋势生物技术。2013; 31(1):29-36。

    CAS文章谷歌学者

  22. 22。

    Hochberg U, Degu A, Toubiana D, Gendler T, Nikoloski Z, Rachmilevitch S, Fait A:代谢谱和网络分析揭示了葡萄水分胁迫响应的协调变化。植物营养与肥料学报。2013,27(4):457 - 461。

  23. 23。

    玉米杂交种的代谢物变异性较低,遗传模式复杂。植物j . 2011; 68(2): 326 - 36。

    CAS文章谷歌学者

  24. 24。

    Toubiana D,Semel Y,Tohge T,Beleggia R,Cattivelli L,荣誉L,Nikoloski Z,Zamir D,Fernie AR,FAIT A:绘图人群的代谢分析暴露​​了种子代谢和种子的调控中的新见解,和植物关系。Plos Genet。2012,8(3)。

  25. 25。

    纽曼,MEJ:在网络选型混合。物理学。rev. lett。2002年,89(20)。

下载参考

致谢

我们从阿雅科学城去,Matemáticas感谢阿尔弗雷多·普瓦里耶博士PUCP,有用的意见。DT亏欠Cienciactiva-CONCYTEC和研究所Interamericano德Cooperación对拉中国农业(农合),用于支持他的CERMN-PUCP住宿。

资金

本研究由ProgramaAtraccióndeinvestigadoresCienciaciva-Concytec(008-2017-Feenebyt)资助。资金机构没有促进研究设计,也没有贡献样本,分析,对数据的解释而不是书面稿件。

作者信息

隶属关系

作者

贡献

DT设计了这项研究并进行了所有的分析。此外,DT还编写了源代码和手稿。HM协助撰写手稿。所有作者均已阅读并批准本稿件。

通讯作者

对应于海伦娜Maruenda

伦理宣言

伦理批准和同意参与

不适用。

同意出版

不适用。

相互竞争的利益

作者宣称,不存在相互竞争的利益。

附加信息

出版商的注意

欧宝体育黑玩家施普林格《自然》杂志对已出版的地图和机构附属机构的管辖权要求保持中立。

补充信息

附加文件1。

网络交叉路口。文件描述:当前研究中识别的鼠标CNS的网络交叉点,并在Batushansky等。[10]。

权利和权限

开放访问本文是基于知识共享署名4.0国际许可,允许使用、共享、适应、分布和繁殖在任何媒介或格式,只要你给予适当的信贷原始作者(年代)和来源,提供一个链接到创作共用许可证,并指出如果变化。本文中的图像或其他第三方材料都包含在本文的知识共享许可中,除非在该材料的信用额度中另有说明。如果资料不包括在文章的知识共享许可协议中,并且你的预期用途没有被法律规定允许或超过允许用途,你将需要直接从版权所有者获得许可。如欲查阅本许可证副本,请浏览http://creativecommons.org/licenses/by/4.0/.Creative Commons公共领域奉献豁免(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据,除非在数据的信贷额度中另有说明。

再版和权限

关于这篇文章

通过CrossMark验证货币和真实性

引用这篇文章

Toubiana,D.,Maruenda,H.准则中举例说明马铃薯关联面板上的代谢物相关的网络相关系数阈值设置。欧宝娱乐合法吗22,116(2021)。https://doi.org/10.1186/s12859-021-03994-z.

下载引用

关键字

  • 代谢物相关网络
  • 阈值设置
  • 相关系数
  • Pearson相关性
  • 马铃薯协会面板
  • 新陈代谢
  • 老鼠的心脏代谢