Микробиота перекрестнопарная описание: Микробиота перекрестнопарная (Microbiota decussata),купить микробиоту,микробиота посадка и уход,микробиота фото,вечнозеленые кустарники,купить хвойники для сада,магазин растений – asnka.ru – КСМ

Содержание

описание, фото и применение в ландшафтном дизайне

Распечатать статью

Хвойные растения незаменимы в ландшафтном дизайне и каждая разновидность вечнозеленых выполняет свою, очень важную роль. Микробиота перекрестнопарная (Microbioxa decussate), о которой пойдет речь в этой публикации, может выполнять сразу несколько функций в оформлении сада, имея ряд преимуществ.

Этот почвопокровный кустарник относится к семейству Кипарисовые и является эндемиком, произрастая в дикой природе только в горах Юго-Восточной Сибири на территории около 70000 кв.м. Как вид, сокращающийся в численности, занесен в Красную книгу России. Микробиота перекрестнопарная была открыта научным сообществом только в 1921 году, а как декоративный кустарник стала использоваться только в 60-х.

В естественной среде обитания произрастает в сложных для многих растений климатических условиях. Склоны гор обдуваются сильными ветрами, а температура воздуха иногда падает и до -40 °C. Исходя из этого можно не переживать за зимостойкость микробиоты в средней полосе России и смело высаживать это интересное растение на приусадебных участках.

Представляет собой вечнозеленый кустарник с небольшим годовым приростом — не более 10 сантиметров на солнечных участках и около 15 сантиметров в полутени. В высоту достигает около полуметра, а в стороны ветви простираются порой более чем на два метра, образуя очень плотную узорную крону. Стрижки переносит комфортно, а значит подойдет для выращивания и в небольших композициях. Зимой хвоя обретает насыщенно бурый окрас, но к весне вновь наливается сочно-зелеными оттенками.

Микробиота — растение уникальное!

Микробиота перекрестнопарная имеет ряд преимуществ, благодаря которым ее популярность среди ландшафтных дизайнеров с каждым годом только возрастает:

Способна расти как на солнце, так и в полутени. Кстати, на затененных участках развивается активнее: имеет достаточно большие ежегодные приросты и выглядит декоративно (не «лысеет», как многие другие хвойные).
Не привередлива к составу почвы. Может произрастать и на суглинках. Тяжелые почвы значительно замедлят рост кустарника, но никак не повлияют на его жизнеспособность.
Хорошо переносит стрижки. Сдерживать рост микробиоты не составит труда, а значит украшать ей можно как небольшие альпинарии, так и теневые пейзажные композиции.
Переносит сильное понижение температуры. Значит ни о каком укрытии на зиму и лишних хлопотах и речи быть не может.
Имеет очень крепкие, гибкие ветви. Благодаря этому даже после особенно снежных зим будет выглядеть привлекательно. Высаживать можно и возле дома, не боясь схода снега с крыши — он не навредит растению.

Сорта микробиоты

Многие выращивают именно видового представителя на своем участке, но существует и несколько сортов этого кустарника, над которыми потрудились селекционеры. Мы расскажем о трех самых популярных.

Микробиота перекрестнопарная Голдспот (Goldspot)

Отличительной особенностью кустарника являются местами окрашенные в золотисто-желтый оттенок побеги. Сорт относится к быстрорастущим и уже к 10 годам достигает 50-70 сантиметров в диаметре. Позолоченные кончики ветвей со временем образуют очень интересный ярусный узор, делая крону неописуемо красивой.

Микробиота перекрестнопарная Цельтик Прайд (Celtic Pride)

Сорт не имеет принципиальных отличий от видовой особи, но примечателен компактными размерами в зрелом возрасте. Высаживая его в небольшие композиции, совсем не обязательно беспокоится о стрижках, ведь в диаметре ветви вытягиваются не более чем на 1,5 метра.

Микробиота перекрестнопарная Карнавал (Carnival)

Также будет довольно компактной, кустики редко разрастаются более чем на полтора метра вширь. Характерная особенность: всю крону украшают изящные золотистые перышки. Пестрота более явная, чем у сорта Голдспот. К осени эти желтоватые элементы будут обретать оранжево-коричневатый окрас.

Микробиота в ландшафтном дизайне

В каменистых садах и альпинариях микробиота смотрится не только привлекательно, но и гармонично, ведь в природе она как раз произрастает в скалистой местности. Кончики побегов эффектно выделяются на фоне камней и изящный узор, образуемый хвоинками различается четче.

В миксбордерах это растение не редко соседствует с цветущими кустарниками и многолетниками. Цветки разнообразных окрасов смотрятся ярче, будучи окаймленными нежной хвоей микробиоты.
На склонах этот хвойный кустарник смотрится особенно красиво, образуя обширные заросли. Как и почвопокровные можжевельники, способен оформить элементы геопластики, но, что важно, в том числе и в тенистых участках сада, сохраняя природную красоту и аккуратность.
В оформлении подпорных стенок микробиота также применяется часто. Благодаря распростертым побегам, кончики которых игриво растопырены, образуются интересные рисунки, декорирующие саму стеночку.

Как декоративное почвопокровное растение микробиота в ландшафтном дизайне применяется все чаще. Порой, так сложно украсить пространство у подножья деревьев и рослых кустарников, крона которых образует серьезную тень, но с этой задачей наш хвойный кустарник справляется без усилий, создавая живописные узорные куртины.

У водоемов, как и в случае с подпорной стенкой, микробиота смотрится столь же благородно, преимущественно, в каменной отсыпке. Кончики побегов изящно ниспадают к воде, подчеркивая ажурность кроны кустарника. Кроме того, отражается в водной глади, добавляя загадочности пейзажу.

Учитывая вышесказанное, микробиоту можно назвать универсальным растением не имеющим аналогов. Благодаря ее природной привлекательности и массе преимуществ, она станет незаменимой в оформлении тенистых зон на участке, вашим верным другом на долгие десятилетия.

Микробиота перекрестнопарная -описание, посадка и уход

Поистине уникальное реликтовое растение – микробиота перекрестнопарная – известно не одно тысячелетие. Хотя многие путают эту красавицу со стелющимся можжевельником, ближе по родству к ней оказывается туя восточная.

Это растение имеет широко распростертые горизонтальные ветви, формирующие низкую широкую крону с отчетливо выраженными ярусами. Несмотря на то, что микробиота была открыта лишь в ХХ веке, ее сразу по достоинству оценили садоводы.

И не удивительно, ведь этот неприхотливый кустарник с приятной на вид кроной долго сохраняет форму, поскольку за год вырастает в высоту не более чем на 2 см, а взрослым редко достигает даже одного метра. Зато вширь он может разрастаться более пяти метров, становясь в саду заметным пятном.

Хвоя у этого растения приятна на ощупь и менее сплюснута, чем у туи. В летнее время она имеет темно-зеленый цвет, а с приближением осени буреет, приобретая оттенок старой меди.

микробиота перекрестнопарная

Еще одно достоинство микробиоты – возможность посидеть и полежать на ней. В то время как другие хвойные растения никак не сойдут за подушку, она достаточно мягкая, гибкая, крепкая, выдерживая в естественных условиях даже «возлежание» медведей.

Особенности посадки

В отличие от многих хвойных культур, микробиота перекрестнопарная любит хорошо притененное место, хотя и произрастание на солнечном месте не отражается ни на чем, кроме замедления роста. Предпочтение отдается супесчаной или суглинистой почве.

Уход за елью в саду, сорта с фото и размножение

Молодой кустарник высаживают в предварительно выкопанную ямку по размеру корневища, не заглубляя корневую шейку больше чем на 1-2 см. К окончательной глубине ямки нужно добавить еще 20 см на каменную крошку и крупный щебень для дренажа.

К вынутой почве следует добавить компост и песок. Если куст высаживается как отдельное растение, важно выдержать расстояние не меньше метра к ближайшим соседям. Такое же расстояние рекомендуется при групповой посадке за исключением высадки в ряд, где расстояние можно уменьшить до 50 см.

Выращивание и уход

Кустарник зимоустойчив и хорошо переносит засуху. Единственное условие создания ему комфортной жизни в саду – правильное количество влаги. Микробиота не терпит заболачивания и застоя воды, однако, с другой стороны, требует обильный полив и опрыскивание.

Чтобы количество воды было комфортным, нужно поливать ее только когда верхний слой почвы подсохнет. При засухе поливать куст следует дважды в неделю до возобновления естественных осадков.

А чтобы крона его сохраняла декоративность, вечером важно регулярно ее опрыскивать. Через два года после посадки весной в почву рекомендуется вносить универсальное удобрение.

Для одиночно посаженного кустарника важно своевременное удаление сорняков из-под раскидистой кроны и рыхление земли на глубину ширины ладони. Если же миробиота растет в групповой посадке, рыхление противопоказано.

Благодаря отсутствию вокруг глубоких разветвленных корней плотного земляного кома, растение безболезненно реагирует на пересадку даже во взрослом возрасте. Также хорошо воспринимает оно формирующую обрезку, которую лучше проводить не позже первой декады мая.

Гибискус травянистый, посадка и уход

Хотя микробиота перекрестнопарная устойчива к морозам и не нуждается в укрытии на зиму, молодые саженцы лучше защитить от промерзания весной толстым слоем мульчи из лапника и сухих листьев.

Микробиота и ландшафный дизайн

В естественных условиях растет в горной среде, поэтому и в саду будет хорошо смотреться на небольших альпинариях. Практикуют его высадку также возле дома, дорожек и подпорных стенок, на террасных садах. Благодаря своему небольшому росту, кустарник удобен в качестве почвопокровника, а в стриженном виде он становится хорошим украшением границ газона и бордюров.

посадка и уход, фото, размножение сорта, выращивание в открытом грунте и сочетание в ландшафтном дизайне

Хвойники давно пользуются популярностью у садоводов, ведь эти растения способны украшать участок круглый год. В статье будет рассказано о выращивании редкого реликтового кустарника и правилах ухода за ним в открытом грунте. Здесь же можно узнать, какие существуют сорта, и просмотреть фотографии микробиоты перекрестнопарной.

Описание растения. Известные сорта и разновидности

Микробиота перекрестнопарная (Microbiоta decussаta) — единственный представитель хвойников рода Микробиота. В природе растет на Дальнем Востоке России. Растение занесено в Красную книгу в графу сокращающихся в численности видов.

Ботаники описывают ее так:

Вечнозеленый кустарник с изящными стелющимися ветвями.
Высота растения чуть больше метра. Ширина может достигать 3-4 м. Несколько растущих рядом кустов образуют невысокие сплошные заросли.
Ветви имеют сплюснутую форму, мягкие на ощупь и очень гибкие. Благодаря этому местные жители называют микробиоту «курумкуринда», что в дословном переводе звучит как «подушка на осыпи».
Побеги покрыты коричневой корой.
Хвоя имеет вид чешуек около 2 мм длиной. Весной они зеленого цвета, а осенью большая часть из них становится бурыми.
Соцветия — мужские и женские шишки. Плод представлен овальным зернышком коричневого цвета, без крыльев.
Растет кустарник очень медленно (прирост за год 2-5 см). Продолжительность жизни в открытом грунте больше 100 лет.

Хвоя микробиоты

Еще в средине прошлого века микробиоту можно было встретить только в ботанических садах. В настоящее время появились интересные сорта растения, которые с удовольствием выращивают и размножают любители в открытом грунте:

Northern Pride — кустарник с обширной кроной. Его посадка подходит для декорирования больших площадей.
Celtic Pride — сорт отличается компактностью. Замечательно его сочетание с цветущими растениями.

Celtic Pride

Goldspot — на кустике попадаются светлые участки.
Carnival — представители также наделены участками со светлой хвоей. Если сравнивать с окраской предыдущего сорта, то здесь они расположены намного гуще. Это отличие всегда заметно на фото.
Jacobsen — очень плотные кустики с перекрученными побегами.

Jacobsen

Все сорта прекрасно себя чувствуют в средней полосе и, если им обеспечить соответствующий уход, радуют своим видом не один десяток лет. Размножение их в домашних условиях также проходит успешно.

Посадка растения на участке и уход за ним. Какие требуются удобрения и подкормки

Посадка микробиоты перекрестнопарной должна проходить в соответствии со следующими правилами:

Место следует выбирать с притенением. Лучше всего подойдет участок под негустыми кронами высоких деревьев.
Из почв более предпочтительны суглинистые и супесчаные. Во время посадки в ямку обязательно подсыпают песок и перегной.
При планировке посадки обязательно учитывать дальнейшее разрастание микробиоты в открытом грунте в ширину. Достаточное количество места обеспечит нормальный уход за растением.

Совет. При высаживании в ряд между молодыми микробиотами лучше оставлять расстояние 50 см. В результате можно получить очень густой бордюр.

Кустарник не переносит застоя воды, поэтому следует позаботиться о хорошем дренаже.
В открытом грунте желательно мульчирование посадки. Это предотвратит рост сорняков и поможет сохранить почву влажной. Подойдет слой торфа (не менее 10 см) или древесных опилок.

Полив растению нужен тогда, когда верхний слой почвы под ним подсыхает. В жаркие и засушливые периоды по вечерам желательно проводить опрыскивание.

Микробиота хорошо отзывается на мульчирование грунта

Если посадка одиночная, то в уход обязательно входит неглубокое рыхление. В случае групповых вариантов этого лучше не делать, так как можно легко повредить корни. При потребности можно пересаживать микробиоту в любом возрасте. У растения корни не сильно разветвлены, поэтому оно хорошо переносит смену места. Весной, приблизительно в конце мая, кусты формируют. Обрезка — не обязательный элемент ухода за микробиотой, используется редко.

Удобрение вносится при посадке в виде перегноя и комплекса минералов для хвойников. В дальнейшем, при выращивании в открытом грунте, это можно повторять раз в 2 года. Если выращивание кустарника происходит в контейнере, то подкормка проводится раз в пол года. При этом используют универсальное удобрение.

Совет. Хотя микробиота морозостойкая культура, молодые растения лучше поздней осенью, накануне зимы, прикрыть лапником.

Как самостоятельно размножить растение

Размножение микробиоты при желании несложно осуществить самому. Делают это следующими методами:

семенами;
с помощью черенков.

Так как шишки появляются на растении редко и из них сложно извлечь семена, любителями чаще используется второй способ размножения.

Саженец микробиоты

Для выращивания микробиоты из зеленых черенков выполняют следующие работы:

В средине лета нарезают молодые, но уже одревесневшие побеги с пяткой.

Совет. Заготавливать черенки для размножения лучше в пасмурную погоду. Это убережет от повреждения солнечными лучами как сами черенки, так и срезы на маточном растении.

Отрезанные веточки освобождают от хвои и коры на высоту 3-4 см.
Дно емкости для посадки устилают дренажным материалом. Поверх засыпают рыхлый и питательный грунт. Подойдет смесь из песка и торфа 1:1. Производят обильный полив.
Соответственно количеству черенков в грунте проделывают круглые отверстия небольшого диаметра под углом 60°.
В каждое отверстие помещают черенок на глубину срезанной коры и обжимают его.
Над ящиком сооружают тепличку.

В уход за черенками входит полив и ежедневное проветривание. Удобрение при проращивании не нужно.
Корни появляются через 2,5-3 месяца. До следующего лета растения доращивают в помещении.

Микробиота в ландшафтном дизайне

С какими другими растениями хорошо сочетать микробиоту в саду. Болезни и вредители кустарника

Микробиота замечательно смотрится среди камней, поэтому ее можно смело высаживать в рокариях в сочетании с доминирующими высокими, а также карликовыми шарообразными хвойниками. В качестве соседей подойдут и лиственные породы, например, барбарис, пузыреплодник.

Хороша микробиота и в одиночной посадке на газоне, и в групповой в качестве бордюра. В тех же композициях рокариев на ее фоне будут еще ярче красивоцветущие кустарники, например, рододендроны, айва японская и т.д.

Болезнями растения поражается очень редко. Вредители также «недолюбливают» микробиоту.

Микробиота перекреснопарная, благодаря своему изяществу, способна преобразить любой участок. Хлопот она доставит немного, а любоваться ее зеленью можно будет много лет подряд.

Хвойные растения: видео

посадка и уход в открытом грунте, виды и сорта с фото и названиями

Микробиота является хвойным растением, содержащая всего 1 вид, произрастающий на Дальнем Востоке (Ольгинский район).

Микробиота перекрестнопарная

Это растение занесено в Красную книгу России. Растение является реликтом, переживший ледниковый период. Для науки открыто относительно недавно с 1921 г, во время ботанической экспедиции Сучанской дальневосточным ботаником Шишкиным.

Растет микробиота перекрестнопарная выше границы леса, на гольцах, на опушках, в тени деревьев, на каменистых почвах совместно с кедровым стлаником.

Микробиота – однодомный, распростертый,вечнозеленый кустарник около 1 м высотой, диаметром ствола до 10 см, с приподнимающимися и стелющимися, тонкими, изящными,ветками. Кора у старых ветвей гладкая, коричневая, ветки ориентированы в одной лишь плоскости и покрыты темно-зеленой чешуйчатой хвоей, буреющей зимой.

У молодых экземпляров на побегах, расположенных в легкой тени, доля чешуйчатых листьев может стать игольчатой. На вид растение микробиота напоминает стелющиеся формы туи. При растирании хвоя с сильным запахом.

Шишки мелкие, из 3-4 чешуи, односемянные. Корневая система микробиоты состоит из тонких корней, онигусто ветвятся. Растет довольно медленно, ежегодный прирост около 2 см, растение долговечно, живет около 100 лет. В культуре встречаются чаще всего мужские экземпляры.

Микробиота неприхотлива, морозостойка, мало поражается болезнями и вредителями. В холодный сезон микробиота бронзовеет, это придает ей особое очарование. Она прекрасно смотрится среди камней, также ее можно использовать как почвопокровное растение.

Месторасположение микробиоты

Микробиота перекрестнопарная светолюбива, нотакже выносит и тенистое местообитание.К почвам малотребовательна, лучше развивается на кислой и щелочной, богатой питательными элементами и влажной почвах.

Посадка микробиоты

В групповой посадке расстояние между pacтениями должно быть около 1,5 метра, в ряду (вдоль бордюрах и дорожек) около 0,8 метра. Почвенная смесь должна состоять из дерновой земли, торфокомпоста, песка.

Уход за микробиотой

По мере просыхания верхнего слоя почвы поливают по 5 – 7 л воды на каждый куст. В жаркое лето микробиоту поливают не меньше двух раз в неделю. Растение не переносит застойного увлажнения. Стрижка или обрезка лишь в случае необходимости сформировать крону. Лучшим временем является ранняя весна. Под снежным покровом растение морозом не повреждается.

Размножение микробиоты

Микробиота размножается зелеными черенками и семенами. Семена созревают в августе. Достать семена практически невозможно и для проращивания потребуются специфические условия. Черенкование дает невысокие результаты (30%).

Микробиота. Фото и описание хвойного растения

Семейство: Кипарисовых. Род: хвойные кустарники. Вид: Микробиота (лат. Microbióta). Это хвойный кустарник, с горизонтально стелящимися изящными ветками, приподнимающимися или поникающими на концах. Высота кустарника не более полуметра, ширина кроны 2 метра. Ветви кустарника имеют множество ветвлений, слегка сплющены и этим сходны с ветвями туи. Листья (хвоя) мелкие, чешуевидные, супротивно расположенные.

Хвоинки молодых растений и побегов, растущих в тени, часто оттопыренные, игловидной формы. У взрослого растения листья похожи на чешуйки и прижаты к стволу. Длина листьев составляет 1-2 мм. Осенью листья миктобиоты приобретают коричневый оттенок с бронзовым отливом. Плод: небольшая сухая шишка.

Микробиота относится к двудомным растения. На одном кустарнике расположены цветы в виде шишек как мужского, так и женского пола.

Мужские шишки очень мелкие, состоят из 5—6 пар чешуек, хранящих пыльцу. Расположены преимущественно на концах побегов. Женские шишки несколько крупнее мужских, округлой формы и диаметром около 5 мм. Они «сидят» на коротких побегах и состоят из одной или двух пар деревянистых тонких чешуй. При созревании эти чешуйки растопыриваются, обнажая крупное семя округлой формы с носиком.

Шишки у микробиоты образуются не ежегодно, очень мелкие и потому трудно заметные. Поэтому долгое время ученые ботаники не могли прийти к единому мнению относительно пола этого растения. Микробиота относиться к растениям с замедленным темпом роста. Каждый год ее прирост составляет не более 3 см.

Распространение микробиоты и её сорта

Кустарник обнаружен в 1921 году. В диком состоянии его можно увидеть на Дальнем Востоке (юг Сихотэ-Алиня). Микробиота растет в горных районах, среди камней. Встречается и в верхней лесной зоне, среди кустарников.

Микробиота перекрестнопарная (M. decussata) — единственный вид рода. Это светолюбивое растение, предпочитающее нейтральные или умеренно влажные плодородные почвы. Хорошо переносит воздействие прямых солнечных лучей, не страдая солнечными ожогами. Не боится низких температур. Используется для создания декоративных садовых композиций как почвопокровное растение. Хорошо смотрится в нижнем ярусе групповых композиций из хвойных растений.

Существует 8 видов микробиоты перекрестнопарной. Все они получены селекционным путем и являются достаточно редкими растениями, находящимися под охраной. В нашей стране можно увидеть только 2 из 8 сортов этих вечнозеленых кустарников.

Микробиота Gold Spot (Goldspot) — отличается окраской ветвей. Летом они светло-желтого цвета. В осенне-зимний период окраска становится насыщенней.

Микробиота Jakobsen (Дания) — отличается плотностью куста и вертикальным ростом. К 10 годам кустарник достигает в высоту полуметра. Побеги микробиоты Jakobsen перекручены и покрыты заостренными, игловидными листьями – хвоинками. За эту особенность растение получило у местного населения название «ведьмина метла».

Сад: деревья и кустарники Хвойные деревья

фото хвойного кустарника и описание, посадка и уход, использование в ландшафтном дизайне

Хвойный кустарник микробиоты перекрестнопарной в ландшафтном дизайне создает великолепные композиции, обрамляющие цветочные группы. Microbiota decussata очень быстро растет, что делает его использование в ландшафтном дизайне оправданным с точки зрения временных затрат.

Узнать все необходимую информацию про посадку и последующий уход за культурой можно из предлагаемого материала. Он сопровождается описанием микробиоты и её многочисленными фото.

В ландшафтном дизайне микробиоту перекрестнопарную часто путают с можжевеловыми кустарниками. Внешне они действительно похожи, как это можно заметить по фото. Но, микробиота для украшения участка используется не так часто, в силу своей не сильной популярности. Это факт остается странным, ведь по простоте ухода и декоративности хвойный кустарник нисколько не уступает можжевельнику и своей ближайшей родственнице восточной туе. В этом выпуске узнаем о перекрестнопарной микробиоте подробно и посмотрим на фото, как она выглядит в дикой природе и в садах:

Ботаническое описание хвойной микробиоты (с фото)

В других источниках с ботаническим описанием микробиоту относят к семейству Хвойных. Это монотипный род, представленный единственным хвойным видом — микробиота перекрестнопарная. Группа растений была открыта в 1921 году русским ботаником Иваном Шишкиным во время Суданской экспедиции по Южным склонам горы Хуареза. В дикой природе растения встречаются в основной массе на Дальнем Востоке России, в частности, на Южных и Восточных склонах тихоокеанского хребта Сихотэ-Алинь.

Вид представлен крупными кустарниками со стелющимися прочными побегами. Растение является медленно растущим и за один год его стебли вырастают максимум на 5-7 см. Примерно к десятилетнему возрасту кустарник расползается вширь на 1,5-2 метра и достигает в высоту 100-150 см. Как показано ниже на фото перекрестнопарной микробиоты, она образует плотное ковровое покрытие почвы, которые бывает сложно преодолеть.

В дикой природе растение чаще всего растет в группах с другими хвойными кустарниками или деревьями. В садоводстве ее ценят, как одиночную или групповую посадку. Единственное, что может смутить цветовода — это крайне медленный рост.

Корневая система перекрестнопарной микробиоты представлена многочисленными тонкими побегами. Благодаря такому строению, растение легко переносит пересадку в любом возрасте, так как возле корней не образуется плотный земляной ком и их сложнее травмировать. В почву корневая система с возрастом уходить глубоко.

Стебли микробиоты стелются по поверхности или могут слегка приподниматься. Они покрыты плотной корой коричневого цвета. Листья хвойные, чаще чешуевидные, в местах затенения они напоминают острые иглы. Существует сортовая форма микробиота перекрестнопарная голдспот с кремовым или золотистым отливом кроны. Его часто используют в ландшафтном дизайне при составлении композиций. У сорта голдспот немного быстрее происходит рост — 6-10 см годового прироста побегов.

Как посадить микробиоту перекрестнопарную и ухаживать за ней
Перекрестнопарная микробиота хорошо размножается семенами, отводками и черенками. Реже, используют деление куста, но это нужно только для очень старых кустарников, которые в силу роста не могут больше формировать новые побеги. Однако, известно, что микробиота может жить до 100 лет, поэтому ее вегетативное размножение делением куста не всегда возможно. Для посадки микробиоты семенами пользуйтесь только свежим посадочным материалом, так как он быстро теряет свою всхожесть. Сеют семена под зиму или выдерживают в холоде для стратификации в течение нескольких месяцев. Тщательный уход не потребуется даже молодым растениям, за ними ухаживают также, как и за взрослыми посадками. Перед тем, как посадить хвойный кустарник, подготовьте грунт с кислой реакцией.
Вегетативное размножение черенками возможно ранней весной в начало активного роста. Ближе к осени побеги укореняются. Отводки также закладывают привычным способом, как при размножении других садовых кустарников и срезают в сентябре. Для черенкования лучше всего использовать побеги с «пяткой» (часть древесины, которая получается при отрыве побега от стебля).
Для того, чтобы микробиота чувствовала себя комфортно ее садят на тенистых участках. В первую половину дня и вечером для нее полезен рассеянный яркий свет. Обрезка рекомендуется формирующая, ранней весной можно проводить санитарные процедуры: снимают обмершие и старые побеги. Формирующая обрезка должна быть проведена не позднее последних чисел мая. Ухаживать за хвойником на своем участке очень просто.
Зимует микробиота перекрестнопарная без укрытия только в теплых регионах. В суровые зиму ее нужно высоко мульчировать торфом или лиственной землей и укрывать лапником. Важно, при уходе за посадкой микробиоты убирать сорняки, которые растут под ветвями. При этом используйте перчатки, так как в затененным местах хвойная листва очень колючая. Если не убирать сорные растения, то их корневая система может повредить корни микробиоты. Одиночные посадки рыхлят на глубину ширины ладони (5-10 см). Для групповых посадок такая процедуры не рекомендуется.
Для декоративного вида микробиоты перекрестнопарной важен систематический активный полив. Кустарник легко переносит засуху, при условии, что у нее не пересох земляной ком. Также, для посадки опасны заболачивание и переувлажнение грунта, поэтому перед посадкой в ямке устанавливается мощный дренажный слой, а грунт лучше перекопать с добавлением мелкого речного песка. Живописность кроны можно поддерживать опрыскиванием водой каждый вечер.
Подкармливают только взрослые растения комплексными универсальными удобрениями. Их вносят почву, избегая попадания на хвою и побеги.
Микробиота перекрестнопарная посадка и уход. Отзывы
Эту культуру открыли только в 20 веке, уникальные качества микробиоты позволяют выращивать растение в открытом грунте, где оно поистине является особым украшением ландшафтного дизайна. Микробиота перекрестнопарная: посадка и уход – главная тема этой статьи.
История растения
Удивительное хвойное растение открыли в прошлом веке.
Microbiota decussata – уникальная культура семейства Кипарисовые, которое представляет род Microbiota в единственном экземпляре. По внешним признакам растение легко спутать со стланиковой формой можжевельников, но у микробиоты абсолютно уникальная форма хвои, которая похожа на хвою восточной туи.
Впервые растение было обнаружено в 1921 году в ходе проведения ботанической экспедиции на Дальнем Востоке. Сначала растение было ошибочно классифицировано как можжевельник, впоследствии микробиота была выделена в отдельный род, внесена в Красную Книгу как исчезающий эндемик, произрастающий на Дальнем Востоке.
Ботаническая справка
Обнаружение уникального растения – микробиоты, доселе неизвестного ботаническому миру, стало сенсацией прошлого столетия.
Культура отличается медленным ростом, даже во взрослом возрасте высота микробиоты редко превышает 1 м, при этом диаметр кроны может достигать 5, и более, метров, поэтому при посадке в ландшафтных композициях открытого грунта, стоит предусмотреть наличие значительной свободной площади вокруг растения.
В природе микробиоты можно встретить на горных склонах Сихотэ-Алиня, растение взбирается на высоту до 1,6 тыс. метров над уровнем моря, где растет на скальных грунтах, обдуваемое со всех сторон суровыми ветрами. Стойко и легко выносит сильные морозы зимой, что никак не сказывается на здоровье растения. Микробиота приспособилась к частым лесным пожарам – ее семена всходят на бесплодной выжженной земле, давая в первый год хорошие приросты.
Растение имеет зеленую хвою чешуевидной формы, которая к осени окрашивается в медные оттенки, а зимой буреет. На фоне осенних деревьев стланиковый куст с яркими медными хвоинками выглядит очень необычно.
Выращивание в открытом грунте
Уникальная крона стланиковой формы позволяет широко использовать растение в ландшафтном дизайне.
Выращивание микробиоты в открытом грунте имеет некоторые особенности, о которых следует поговорить подробно.
Посадка
Микробиота перекрестнопарная высаживается на тенистых участках или в полутени, в грунт, состоящий из суглинка или супеси с некоторым добавлением крупного щебня. Растение не переносит излишней влаги у корней, так как в природе произрастает на скальных грунтах. Если на участке отмечается высокий уровень грунтовых вод, обязательно необходимо выполнить надёжный дренаж перед посадкой кустарника на постоянное место.
Для посадки готовят просторные ямы, на дно которых укладывают дренаж и крупного щебня или гальки. Вынутый грунт перемешивают с компостом и крупнозернистым песком. Очень важно при посадке не заглублять корневую шейку более чем на 2 см. Не следует забывать о свободном месте вокруг кустарника – микробиота перекрестнопарная «Якобсен» требует отступить значительное расстояние до соседних хвойников, которое не должно быть менее 1 м. Растение при посадке обильно поливают, следя за тем, чтобы почва не пересыхала.
Полив
Микробиота Jakobsen очень чувствительно относится к поливу, в жаркие летние дни растение требует ежедневных опрыскиваний и равномерного увлажнения. Чтобы почва не пересыхала слишком быстро, приствольные круги необходимо замульчировать корой, шишками, торфом или иными материалами, не позволяющими слишком быстро испаряться грунтовой влаге.
Подкормка
Медленнорастущий хвойный кустарник необходимо удобрять специальными удобрениями для хвойных растений. Поздней осенью удобрение можно рассыпать по земле под растениями, слегка заделывая состав в почву. Весной и летом можно использовать жидкие удобрения для хвойных культур, которые вносят под корень. Если растение чувствует себя угнетенно после зимовки, можно обрызгать его по хвое специальными антистрессовыми препаратами, особенно высокие отзывы имеет «Эпин».
Уход
Уход за кустарником заключается в своевременном поливе, рыхлении почвы (если кустарник высажен одиночно), что увеличивает воздухообмен и приток кислорода к корням. Рыхление стоит проводить с осторожностью, очень неглубоко (не более 10 см).
Зимой растение необходимо слегка укрыть, особенно это актуально для защиты молодых саженцев. В качестве укрывного материала используют лапник, сухие листья, нетканое полотно.
Укладка мульчи под растения поможет задержать влагу летом и утеплить корневую систему зимой.
Размножение
Размножать микробиоту можно семенами и черенками. Семенной способ используется только в том случае, если удается собрать свежие семена, чем дольше они хранятся, тем меньше надежды на успешную всхожесть.
Посев семян проводят осенью, чтобы в зимнее время посевной материал прошел стратификацию в естественных условиях. За всходами, появившимися весной, следует наладить полноценный уход, и обеспечить ежедневный контроль влажности почвы.
Еще проще размножать микробиоту зелеными отводками, для чего нижнюю ветку пригибают к земле весной, закрепляя шпильками. К осени на пришпиленной ветке образуется мочка корней. Укорененный черенок пересаживается на постоянное место ранней осенью или остается зимовать, в таком случае, пересадку проводят весной.
Сорта
Сорт с золотистыми хвоинками выглядит очень декоративно.
Для озеленения участков используют два известных сорта микробиоты:
Микробиота перекрестнопарная голдспот – уникальное растение, имеющее в зеленой кроне веточки с лимонно-желтыми хвоинками. Microbiota decussata «goldspot» отличается высокими декоративными качествами. Сорт идеально подходит для создания сложных композиций из хвойников.
Микробиота перекрестнопарная «Якобсен» — имеет плоскую раскидистую форму и ярко-зеленую хвою. Идеально смотрится в одиночных посадках на газоне.
Использование микробиоты для ландшафтных композиций позволяет создать сад уникальной красоты.
Повторное посещение определения микробиома: старые концепции и новые проблемы | Микробиом
1.
Бакеро Ф., Номбела С. Микробиом как орган человека. Clin Microbiol Infect. 2012; 18: 2–4.
CAS PubMed Google Scholar
2.
Проктор Л. Приоритеты исследований микробиома человека на следующие 10 лет. Природа. 2019; 569: 623–5.
CAS PubMed Google Scholar
3.
Blaser MJ, Cardon ZG, Cho MK, Dangl JL, Donohue TJ, Green JL, et al. На пути к прогнозному пониманию микробиомов Земли для решения проблем 21 века. mBio. 2016; 7: e00714–6.
CAS PubMed PubMed Central Google Scholar
4.
Берг Г., Рыбакова Д., Грубе М., Кёберл М. Исследованный микробиом растений: значение для экспериментальной ботаники. J Exp Bot. 2016; 67: 995–1002.
CAS PubMed Google Scholar
5.
Busby PE, Soman C, Wagner MR, Friesen ML, Kremer J, Bennett A, et al. Приоритеты исследований для использования микробиомов растений в устойчивом сельском хозяйстве. PLOS Biol. 2017; 15: e2001793.
PubMed PubMed Central Google Scholar
6.
Сингх Б.К., Триведи П. Микробиом и будущее продуктов питания и безопасности питательных веществ. Microb Biotechnol. 2017; 10: 50–3.
PubMed PubMed Central Google Scholar
7.
Сессич А., Брейдер Г., Пфаффенбихлер Н., Гузенбауэр Д., Миттер Б. Вклад микробиоты растений в рост экономики. Microb Biotechnol. 2018; 11: 801–5.
PubMed PubMed Central Google Scholar
8.
Хатчинс Д.А., Янссон Дж. К., Ремаис Дж. В., Рич В. И., Сингх Б. К., Триведи П. Микробиология изменения климата – проблемы и перспективы. Nat Rev Microbiol. 2019; 17: 391–6.
CAS PubMed Google Scholar
9.
Wu L, Ning D, Zhang B, Li Y, Zhang P, Shan X и др. Глобальное разнообразие и биогеография бактериальных сообществ на очистных сооружениях. Nat Microbiol. 2019; 4: 1183–95.
CAS PubMed Google Scholar
10.
Dunham Trimmer LLC. Обзор мирового рынка биологического контроля. 2017. http://wrir4.ucdavis.edu/events/2017_SLR_Meeting/Presentations/GeneralPresentations/1%20Trimmer%20-%20Global%20Biocontrol%20Market%202017.pdf. По состоянию на 12 августа 2019 г.
11.
Cavicchioli R, Ripple WJ, Timmis KN, Azam F, Bakken LR, Baylis M, et al. Предупреждение ученых человечеству: микроорганизмы и изменение климата. Nat Rev Microbiol. 2019; 17: 569–86.
CAS PubMed PubMed Central Google Scholar
12.
Зильбер-Розенберг И., Розенберг Э. Роль микроорганизмов в эволюции животных и растений: теория эволюции гологенома.FEMS Microbiol Rev.2008; 32: 723–35.
CAS PubMed Google Scholar
13.
Theis KR, Dheilly NM, Klassen JL, Brucker RM, Baines JF, TCG B, et al. Правильная концепция хологенома: экоэволюционная структура для хозяев и их микробиомов. mSystems. 2016; 1: e00028–16.
PubMed PubMed Central Google Scholar
14.
Саймон Дж. К., Марчези Дж. Р., Мугель С., Селосс, Массачусетс.Взаимодействие хозяина и микробиоты: от теории холобионтов к анализу. Микробиом. 2019; 7: 5.
PubMed PubMed Central Google Scholar
15.
Mendes R, Raaijmakers JM. Сходство между царствами в функциях микробиома. ISME J. 2015; 9: 1905–7.
CAS PubMed PubMed Central Google Scholar
16.
Домингес-Белло М.Г., Годой-Виторино Ф., Найт Р., Блазер М.Дж.Роль микробиома в развитии человека. Кишечник. 2019; 68: 1108–14.
CAS PubMed PubMed Central Google Scholar
17.
Стеген Дж. К., Боттос Е. М., Янссон Дж. К.. Единая концептуальная основа для прогнозирования и контроля микробиомов. Curr Opin Microbiol. 2018; 44: 20–7.
PubMed Google Scholar
18.
Джонс С. Тенденции в исследованиях микробиома. Nat Biotechnol.2013; 31: 277.
CAS Google Scholar
19.
Tamboli CP, Neut C, Desreumaux P, Colombel JF. Дисбактериоз при воспалительном заболевании кишечника. Кишечник. 2004; 53: 1–4.
CAS PubMed PubMed Central Google Scholar
20.
Hooks KB, O’Malley MA. Дисбактериоз и его недовольство. mBio. 2017; 8: e01492–17.
PubMed PubMed Central Google Scholar
21.
Белло MGD, Knight R, Gilbert JA, Blaser MJ. Сохранение микробного разнообразия. Наука. 2018; 362: 33–4.
PubMed Google Scholar
22.
Blaser M. Чрезмерное употребление антибиотиков: остановить уничтожение полезных бактерий. Природа. 2011; 476: 393–4.
CAS PubMed Google Scholar
23.
Берг Г., Кёберл М., Рыбакова Д., Мюллер Х., Грош Р., Смолла К. Микробное разнообразие растений предлагается в качестве ключа к будущим тенденциям в области биоконтроля и здоровья.FEMS Microbiol Ecol. 2017; 93: 5.
Google Scholar
24.
Брюссов Х. Проблемы с концепцией дисбактериоза кишечной микробиоты. Microb Biotechnol. 2019. https://doi.org/10.1111/1751-7915.13479.
25.
Марчези Дж. Р., Равель Дж. Словарь исследования микробиома: предложение. Микробиом. 2015; 3:31.
PubMed PubMed Central Google Scholar
26.
MicrobiomeSupport. https://www.microbiomesupport.eu (2018). По состоянию на 14 октября 2019 г.
27.
Hiltner L. Die Keimungsverhältnisse der Leguminosensamen und ihre Beeinflussung durch Organismenwirkung. В: Парей П., Спрингер Дж., Редакторы. Arb Biol Abt Land u Forstw K Gsndhtsamt (3). Берлин, Германия; 1902. стр. 1-545.
28.
Мечников Э. Продление жизни: оптимистические исследования. Сыновья Г. П. Патнэма; 1908.
29.
Басслер БЛ. Светский разговор: межклеточная коммуникация в бактериях.Клетка. 2002; 109: 421–4.
CAS PubMed Google Scholar
30.
Брюл С. Функциональная геномика для пищевой микробиологии: молекулярные механизмы адаптации слабых органических кислот в дрожжах. CAB Rev Perspect Agric Vet Sci Nutr Nat Resour. 2008; 3: 1–14.
Google Scholar
31.
Woese CR, Fox GE. Филогенетическая структура прокариотического домена: первичные царства.Proc Natl Acad Sci U S. A. 1977; 74: 5088–90.
CAS PubMed PubMed Central Google Scholar
32.
Укса М., Шлотер М., Эндесфельдер Д., Кублик С., Энгель М., Каутц Т. и др. Прокариоты в недрах – свидетельство сильного пространственного разделения разных типов путем анализа сетей совместного возникновения. Front Microbiol. 2015; 6: 1269.
PubMed PubMed Central Google Scholar
33.
Мариц Дж. М., Роджерс К. Х., Rock TM, Лю Н., Джозеф С., Лэнд К. М. и др. Рабочий процесс 18S рРНК для характеристики простейших в сточных водах с акцентом на зоонозные трихомонады. Microb Ecol. 2017; 74: 923–36.
CAS PubMed PubMed Central Google Scholar
34.
Purahong W, Wubet T, Lentendu G, Schloter M, Pecyna MJ, Kapturska D, et al. Жизнь в листовой подстилке: новый взгляд на динамику сообществ бактерий и грибов во время разложения подстилки.Mol Ecol. 2016; 25: 4059–74.
CAS PubMed Google Scholar
35.
Lozupone CA, Stombaugh JI, Gordon JI, Jansson JK, Knight R. Разнообразие, стабильность и устойчивость микробиоты кишечника человека. Природа. 2012; 489: 220–30.
CAS PubMed PubMed Central Google Scholar
36.
Вентер Дж. К., Ремингтон К., Гейдельберг Дж. Ф., Халперн А. Л., Руш Д., Эйзен Дж. А. и др.Секвенирование экологического генома Саргассова моря. Наука. 2004; 304: 66–74.
CAS PubMed Google Scholar
37.
Liu L, Li Y, Li S, Hu N, He Y, Pong R и др. Сравнение систем секвенирования нового поколения. BioMed Res. Int. 2012 г. https://doi.org/10.1155/2012/251364.
38.
Knight R, Vrbanac A, Taylor BC, Axsenov A, Callewaert C, Debelius J, et al. Лучшие практики для анализа микробиомов.Nat Rev Microbiol. 2018; 16: 410–22.
CAS PubMed Google Scholar
39.
Конопка А. Что такое экология микробного сообщества? ISME J. 2009; 3: 1223–30.
PubMed Google Scholar
40.
Уиппс Дж., Льюис К., Кук Р. Микопаразитизм и борьба с болезнями растений. В: Burge M, редактор. Fungi Biol Control Syst. Издательство Манчестерского университета; 1988. с. 161-187.
41.
Orozco-Mosqueda M, Rocha-Granados M, Glick BR, Santoyo G. Инженерия микробиома для улучшения механизмов биоконтроля и стимулирования роста растений. Microbiol Res. 2018; 208: 25–31.
CAS PubMed Google Scholar
42.
Lederberg J, Mccray AT. `Ome Sweet` Omics – генеалогическая сокровищница слов. Ученый. 2001. 15 (7): 8–8.
Google Scholar
43.
Словарь Мерриам-Вебстера: определение микробиома.https://www.merriam-webster.com/dictionary/microbiome. .
44.
Проект человеческого микробиома. https://hmpdacc.org. По состоянию на 15 октября 2019 г.
45.
Nature.com: Microbiome. https://www.nature.com/subjects/microbiome. По состоянию на 15 октября 2019 г.
46.
ScienceDirect: Microbiome. https://www.sciencedirect.com/topics/immunology-and-microbiology/microbiome. По состоянию на 15 октября 2019 г.
47.
Arevalo P, VanInsberghe D, Elsherbini J, Gore J, Polz MF.Обратный экологический подход, основанный на биологическом определении микробных популяций. Клетка. 2019; 178: 820–34.
CAS PubMed Google Scholar
48.
Schlaeppi K, Bulgarelli D. Растительный микробиом в действии. Мол, Взаимодействие Растений и Микробов. 2015; 28: 212–7.
CAS PubMed Google Scholar
49.
Роджерс Й.Х., Чжан К. Геномные технологии в медицине и здравоохранении: прошлое, настоящее и будущее.В: Кумар Д., Антонаракис С., редакторы. Med Health Genomics. Оксфорд: Academic Press; 2016. с. 15–28.
Google Scholar
50.
Хо Х, Буняванич С. Роль микробиома в пищевой аллергии. Curr Allergy Asthma Rep.2018; 18:27.
PubMed Google Scholar
51.
Whiteside SA, Razvi H, Dave S, Reid G, Burton JP. Микробиом мочевыводящих путей – роль, выходящая за рамки инфекции.Нат Рев Урол. 2015; 12 (2): 81.
PubMed Google Scholar
52.
Проссер Д.И., Боханнан Б.Дж.М., Кертис Т.П., Эллис Р.Дж., Файерстоун М.К., Фреклтон Р.П. и др. Роль экологической теории в микробной экологии. Nat Rev Microbiol. 2007; 5: 384–92.
CAS PubMed Google Scholar
53.
Карини П., Марсден П.Дж., Лефф Дж.В., Морган Э.Е., Стрикленд М.С., Фирер Н. Реликтовая ДНК в изобилии присутствует в почве и затрудняет оценку микробного разнообразия почвы.Nat Microbiol. 2016; 2: 16242.
PubMed Google Scholar
54.
Lennon JT, Muscarella ME, Placella SA, Lehmkuhl BK. Как, когда и где реликтовая ДНК влияет на микробное разнообразие. mBio. 2018; 9: e00637–18.
PubMed PubMed Central Google Scholar
55.
Dupré JO, O’Malley MA. Разновидности живых существ: жизнь на пересечении родословной и метаболизма.В: Нормандин С, Вульф С, редакторы. Витализм и научный образ в науке о жизни после Просвещения; История, философия и теория наук о жизни. Дордрехт: Спрингер; 2009. с. 1800–2010 гг.
Google Scholar
56.
МакДэниел Л., Брейтбарт М., Мобберли Дж., Лонг А., Хейнс М., Ровер Ф. и др. Метагеномный анализ лизогении в заливе Тампа: значение для экспрессии гена профага. PloS One. 2008; 3: e3263.
PubMed PubMed Central Google Scholar
57.
Eisenberg JF. Эволюция репродуктивной единицы в классе млекопитающих. В: Розенблатт Дж. С., Комисарук Б. Р., ред. Reprod Behav Evol. Бостон, Массачусетс: Springer США; 1977. с. 39–71.
Google Scholar
58.
Уэйн Л.Г., Бреннер Д.Д., Колвелл Р.Р., Гримонт ПАД, Кандлер О., Кричевский М.И. и др. Отчет специальной комиссии по согласованию подходов к бактериальной систематике. Int J Syst Evol Microbiol. 1987; 37: 463–4.
Google Scholar
59.
Freudenstein JV, Майкл ББ, Райан А.Ф., Шинн БТ. Биоразнообразия и концептуальных родословных видов недостаточно. Syst Biol. 2017; 2017 (66): 644–56.
Google Scholar
60.
Горис Дж., Константинидис К.Т., Клаппенбах Дж. А., Коенье Т., Вандамм П., Тидье Дж. М.. Значения гибридизации ДНК-ДНК и их связь с сходством полногеномных последовательностей. Int J Syst Evol Microbiol. 2007; 57: 81–91.
CAS PubMed Google Scholar
61.
Сегата Н. На пути к разрешенной деформации сравнительной метагеномики. mSystems. 2018; 3e00190-17.
62.
Banerjee S, Schlaeppi K, van der Heijden MGA. Ключевые таксоны как движущие силы структуры и функционирования микробиома. Nat Rev Microbiol. 2018; 16: 567–76.
CAS PubMed Google Scholar
63.
Хо А, Ди Лонардо Д.П., Боделье, PLE. Пересмотр концепций жизненной стратегии в микробной экологии окружающей среды. FEMS Microbiol Ecol.2017; 93: fix006.
Google Scholar
64.
Но С., Гейст К.С., Тиан Х, Штрассманн Дж. Э., Квеллер, округ Колумбия. Генетические признаки микробного альтруизма и мошенничества у социальных амеб в дикой природе. Proc Natl Acad Sci USA. 2018; 115: 3096–101.
CAS PubMed Google Scholar
65.
Папенфорт К., Басслер БЛ. Сигнально-ответные системы восприятия кворума у грамотрицательных бактерий.Nat Rev Microbiol. 2016; 14: 576–58.
CAS PubMed PubMed Central Google Scholar
66.
Lovley DR. Синтрофия становится электрической: прямой межвидовой перенос электронов. Annu Rev Microbiol. 2017; 71: 643–64.
CAS PubMed Google Scholar
67.
Schmidt R, Etalo DW, de Jager V, Gerards S, Zweers H, de Boer W., et al. Беседа с микробами: летучие вещества в грибково-бактериальных взаимодействиях.Front Microbiol. 2016; 6: 1495.
PubMed PubMed Central Google Scholar
68.
Чжан Ю., Кастман Е.К., Гуасто Д.С., Вулф Б.Е. Грибковые сети формируют динамику распространения бактерий и скопления сообществ в микробиомах сырной корки. Nat Commun. 2018; 9: 336.
PubMed PubMed Central Google Scholar
69.
Уоррич А., Стриханюк Х., Мусат Н., Кениг С., Баниц Т., Центлер Ф. и др.Опосредованный мицелием перенос воды и питательных веществ стимулирует активность бактерий в сухой и олиготрофной среде. Nat Commun. 2017; 8: 15472.
CAS PubMed PubMed Central Google Scholar
70.
Chevrette MG, Bratburd JR, Currie CR, Stubbendieck RM. Экспериментальные микробиомы: модели без масштаба. mSystems. 2019; 4: e00175–19.
PubMed PubMed Central Google Scholar
71.
Барберан А., Бейтс С.Т., Касамайор Е.О., Фирер Н. Использование сетевого анализа для изучения моделей совместной встречаемости в микробных сообществах почвы. ISME J. 2012; 6: 343–51.
PubMed Google Scholar
72.
Фауст К., Сатирапонгсасути Дж. Ф., Изард Дж., Сегата Н., Геверс Д., Раес Дж. И др. Отношения микробного сосуществования в микробиоме человека. PLoS Comput Biol. 2012; 8: e1002606.
CAS PubMed PubMed Central Google Scholar
73.
Уильямс Р.Дж., Хоу А., Хофмокель К.С. Демонстрация анализа паттернов совместного возникновения микробов внутри и между экосистемами. Front Microbiol. 2014; 5: 358.
PubMed PubMed Central Google Scholar
74.
Лоули Т.Д., Уокер А.В. Устойчивость к кишечной колонизации. Иммунология. 2013; 138: 1–11.
CAS PubMed Google Scholar
75.
Людерс Т., Киндлер Р., Милтнер А., Фридрих М.В., Кестнер М.Идентификация бактериальных хищников, явно активных в пищевой сети почвенных микробов. Appl Environ Microbiol. 2006; 72: 5342–8.
CAS PubMed PubMed Central Google Scholar
76.
Рыбакова Д., Мансинелли Р., Викстрём М., Берч-Йенсен А.С., Постма Дж., Элерс Р.-У и др. Структура микробиома семян Brassica napus зависит от сорта и влияет на взаимодействие симбионтов и патогенов.Микробиом. 2017; 5: 104.
PubMed PubMed Central Google Scholar
77.
Кардинале М., Грубе М., Эрлахер А., Квехенбергер Дж., Берг Г. Бактериальные сети и отношения совместной встречаемости в микробиоте корней салата. Environ Microbiol. 2015; 17: 239–52.
CAS PubMed Google Scholar
78.
Palatinszky M, Herbold C, Jehmlich N, Pogoda M, Han P, von Bergen M, et al.Цианат как источник энергии для нитрификаторов. Природа. 2015; 524: 105–8.
CAS PubMed PubMed Central Google Scholar
79.
Дуран П., Тиргарт Т., Гарридо-Отер Р., Аглер М., Кемен Э., Шульце-Леферт П. и др. Взаимодействие микробов в корнях способствует выживанию Arabidopsis . Клетка. 2018; 175: 973–83.
PubMed PubMed Central Google Scholar
80.
Гулд А.Л., Чжан В., Ламберти Л., Джонс Е.В., Обадиа Б., Корасидис Н. и др. Взаимодействие микробиома формирует приспособленность хозяина. Proc Natl Acad Sci. 2018; 115: e11951–60.
CAS PubMed Google Scholar
81.
Кавальере М., Фенг С., Сойер О.С., Хименес Джи. Сотрудничество в микробных сообществах и их биотехнологических приложениях. Environ Microbiol. 2017; 19: 2949–63.
PubMed PubMed Central Google Scholar
82.
Brader G, Compant S, Vescio K, Mitter B, Trognitz F, Ma L-J и др. Экология и геномные исследования эндофитов, патогенных и непатогенных для растений. Анну Рев Фитопатол. 2017; 55: 61–83.
CAS PubMed Google Scholar
83.
Берри Д., Виддер С. Расшифровка микробных взаимодействий и обнаружение ключевых видов в сетях совместного возникновения. Front Microbiol. 2014; 5: 219.
PubMed PubMed Central Google Scholar
84.
Freilich MA, Wieters E, Broitman BR, Marquet PA, Navarrete SA. Сети совместной встречаемости видов: могут ли они выявить трофические и нетрофические взаимодействия в экологических сообществах? Экология. 2018; 99: 690–9.
PubMed Google Scholar
85.
Рёттьерс Л., Фауст К. От комков шерсти до гипотез – биологические выводы из микробных сетей. FEMS Microbiol Rev.2018; 42: 761–80.
PubMed PubMed Central Google Scholar
86.
Mascarenhas R, Ruziska FM, Moreira EF, Campos AB, Loiola M, Reis K и др. Интеграция вычислительных методов для исследования макроэкологии микробиомов. Фронт Жене. 2020; 10: 1344.
PubMed PubMed Central Google Scholar
87.
Де Касерес М., Лежандр П., Моретти М. Улучшение анализа видов-индикаторов путем объединения групп участков. Ойкос. 2010; 119: 1674–84.
Google Scholar
88.
Хартманн М., Фрей Б., Майер Дж., Мэдер П., Видмер Ф. Отчетливое микробное разнообразие почвы при долгосрочном органическом и традиционном земледелии. ISME J. 2015; 9: 1177–94.
PubMed Google Scholar
89.
Chen Z, Xie Y, Zhou F, Zhang B, Wu J, Yang L, et al. Избранные микробиомы кишечника, связанные с прогрессированием хронического гепатита B. Front Microbiol. 2020; 11: 383.
PubMed PubMed Central Google Scholar
90.
Giraffa G. Изучение динамики микробных популяций при ферментации пищевых продуктов. FEMS Microbiol Rev.2004; 28: 251–60.
CAS PubMed Google Scholar
91.
Годон Дж. Дж., Арулажаган П., Стейер Дж. П., Хамелин Дж. Разнообразие кишечных бактерий позвоночных: размер также имеет значение. BMC Ecol. 2016; 16 (1): 12.
PubMed PubMed Central Google Scholar
92.
Лосей К., Леннон Дж.С обложки: Законы масштабирования предсказывают глобальное микробное разнообразие. Proc Natl Acad Sci U S. A. 2016; 113 (21): 5970–5.
CAS PubMed PubMed Central Google Scholar
93.
Uhr GT, Dohnalová L, Thaiss CA. Измерение времени во взаимодействиях хозяина и микробиома. mSystems. 2019; 4: e00216–8.
PubMed PubMed Central Google Scholar
94.
Петерсон Дж. Р., Тор С., Колер Л., Колер П. Р., Меткалф В. В., Люти-Шультен З.Измерения полногеномной экспрессии генов и периода полужизни РНК позволяют прогнозировать регуляцию и метаболическое поведение Methanosarcina acetivorans . BMC Genomics. 2016; 16 (17): 924.
Google Scholar
95.
Blazewicz SJ, Barnard RL, Daly RA, Firestone MK. Оценка рРНК как индикатора микробной активности в экологических сообществах: ограничения и использование. ISME J. 2013: 2061–8.
96.
Соливерес С., ван дер Плас Ф, Мэннинг П., Прати Д., Госснер М.М., Реннер С.К. и др.Биоразнообразие на нескольких трофических уровнях необходимо для многофункциональности экосистемы. Природа. 2016; 536: 456–9.
CAS PubMed Google Scholar
97.
Wilpiszeski RL, Aufrecht JA, Retterer ST, Sullivan MB, Graham DE, Pierce EM, et al. Почвенные агрегированные микробные сообщества: к пониманию взаимодействий микробиома в биологически значимых масштабах. Appl Environ Microbiol. 2019; 85: e00324–19.
CAS PubMed PubMed Central Google Scholar
98.
Wang Z, Liu L, Chen Q, Wen X, Liu Y, Han J и др. Консервативная обработка почвы повышает стабильность бактериального сообщества ризосферы, реагирующего на рост растений. Agron Sustain Dev. 2017; 37 (5): 44.
Google Scholar
99.
Ван Дж., Шульц П., Типтон А., Чжан Дж., Чжан Ф., Бевер Дж. Д.. Почвенный микробиом обеспечивает положительную взаимосвязь между разнообразием растений и продуктивностью поздних сукцессионных видов пастбищ. Ecol Lett. 2019; 22: 1221–32.
PubMed Google Scholar
100.
Estendorfer J, Stempfhuber B, Haury P, Vestergaard G, Rillig MC, Joshi J, et al. Влияние интенсивности землепользования на микробиом растений Dactylis glomerata L. Front Plant Sci. 2017; 8: 930.
PubMed PubMed Central Google Scholar
101.
Berg G, Raaijmakers JM. Сохранение микробиомов семян.ISME J. 2018; 12: 1167–70.
CAS PubMed PubMed Central Google Scholar
102.
Проктор Д.М., Релман Д.А. Ландшафтная экология и микробиота человеческого носа, рта и горла. Клеточный микроб-хозяин. 2017; 21: 421–32.
CAS PubMed PubMed Central Google Scholar
103.
Перес Г.И., Гао З., Журден Р., Рамирес Дж., Гани Ф., Клаво С. и др.Участок тела является более определяющим фактором в микробиоме здоровой кожи, чем разнообразие человеческой популяции. PloS One. 2016; 11: e0151990.
Google Scholar
104.
Кузяков Ю., Благодатская Е. Микробные горячие точки и горячие моменты в почве: концепция и обзор. Почва Биол Биохим. 2015; 83: 184–99.
CAS Google Scholar
105.
Shade A, Handelsman J. За пределами диаграммы Венна: охота за основным микробиомом.Environ Microbiol. 2012; 14: 4–12.
CAS PubMed Google Scholar
106.
Lemanceau P, Blouin M, Muller D, Moënne-Loccoz Y. Пусть основная микробиота функционирует. Trends Plant Sci. 2017; 22: 583–95.
CAS PubMed Google Scholar
107.
Тоджу Х., Пи К.Г., Ямамичи М., Нарисава К., Хирума К., Наито К. и др. Основные микробиомы для устойчивых агроэкосистем.Nat Plants. 2018; 4: 247.
PubMed Google Scholar
108.
Astudillo-García C, Bell JJ, Webster NS, Glasl B, Jompa J, Montoya JM, et al. Оценка основной микробиоты в сложных сообществах: систематическое исследование. Environ Microbiol. 2017; 19: 1450–62.
PubMed Google Scholar
109.
Cernava T, Aschenbrenner IA, Soh J, Sensen CW, Grube M, Berg G.Пластичность холобионта: высыхание вызывает метаболизм лишайниковой микробиоты, подобный натощак. ISME J. 2019; 13: 547–56.
CAS PubMed Google Scholar
110.
Ши Й, Ли Й, Сян Х, Сан Р, Ян Т., Хе Д и др. Пространственный масштаб влияет на относительную роль стохастичности по сравнению с детерминизмом в сообществах почвенных бактерий на пшеничных полях Северо-Китайской равнины. Микробиом. 2018; 6: 27.
PubMed PubMed Central Google Scholar
111.
Anantharaman K, Brown CT, Hug LA, Sharon I., Castelle CJ, Probst AJ, et al. Тысячи микробных геномов проливают свет на взаимосвязанные биогеохимические процессы в системе водоносного горизонта. Nat Commun. 2016; 7: 13219.
CAS PubMed PubMed Central Google Scholar
112.
Pasolli E, Asnicar F, Manara S, Zolfo M, Karcher N, Armanini F, et al. Обширное неизведанное разнообразие микробиома человека, выявленное более чем 150 000 геномов из метагеномов, охватывающих возраст, географию и образ жизни.Клетка. 2019; 176: 649–62.
CAS PubMed PubMed Central Google Scholar
113.
Блум Дж. Д., Арнольд Ф. Х. В свете направленной эволюции: пути эволюции адаптивного белка. Proc Natl Acad Sci. 2009; 106: 9995–10000.
CAS PubMed Google Scholar
114.
Хайнц-Бушарт А., Вильмс П. Микробиом кишечника человека: функция имеет значение. Trends Microbiol.2018; 26: 563–74.
CAS PubMed Google Scholar
115.
Baric RS, Crosson S, Damania B, Miller SI, Rubin EJ. Функциональная аннотация микробного генома с высокой пропускной способностью нового поколения. mBio. 2016; 7: e01245–16.
CAS PubMed PubMed Central Google Scholar
116.
Берг Г., Роскот Н., Стейдл А., Эберл Л., Зок А., Смолла К. Зависящее от растений генотипическое и фенотипическое разнообразие антагонистических ризобактерий, выделенных из различных растений-хозяев Verticillium .Appl Environ Microbiol. 2002; 68: 3328–38.
CAS PubMed PubMed Central Google Scholar
117.
Коста Р, Гомес NCM, Крегеррекленфорт Э., Опельт К., Берг Дж., Смолла К. Структура сообщества Pseudomonas и антагонистический потенциал в ризосфере: идеи, полученные путем объединения филогенетического и функционального генного анализа. Environ Microbiol. 2007; 9: 2260–73.
CAS PubMed Google Scholar
118.
Да Роша ООН, Plugge CM, Георг I, ван Эльзас JD, ван Overbeek LS. Ризосфера отбирает определенные группы Acidobacteria и Verrucomicrobia. PLOS ONE. 2013; 8: e82443.
Google Scholar
119.
Forster SC, Kumar N, Anonye BO, Almeida A, Viciani E, Stares MD, et al. Бактериальный геном кишечника человека и коллекция культур для улучшенного метагеномного анализа. Nat Biotechnol. 2019; 37: 186–92.
CAS PubMed PubMed Central Google Scholar
120.
Zou Y, Xue W, Luo G, Deng Z, Qin P, Guo R и др. 1520 эталонных геномов культивируемых кишечных бактерий человека позволяют проводить функциональный анализ микробиома. Nat Biotechnol. 2019; 37: 179–85.
CAS PubMed PubMed Central Google Scholar
121.
Overmann J, Huang S, Nübel U, Hahnke RL, Tindall BJ. Актуальность фенотипической информации для таксономии еще не культивируемых микроорганизмов. Syst Appl Microbiol. 2019; 42: 22–9.
PubMed Google Scholar
122.
Константинидис К.Т., Росселло-Мора Р., Аманн Р. Не культивируемые микробы, нуждающиеся в собственной таксономии. ISME J. 2017; 11: 2399–406.
PubMed PubMed Central Google Scholar
123.
Чувочина М., Ринке С., Паркс Д.Х., Раппе М.С., Тайсон Г.В., Йилмаз П. и др. Важность определения типового материала для некультивируемых таксонов. Syst Appl Microbiol.2019; 42: 15–21.
PubMed Google Scholar
124.
Стейли Дж. Т., Конопка А. Измерение in situ активности нефотосинтезирующих микроорганизмов в водных и наземных средах обитания. Annu Rev Microbiol. 1985; 39: 321–46.
CAS PubMed Google Scholar
125.
Лагкувардос И., Оверманн Дж., Клавель Т. Культивированные микробы составляют значительную часть кишечной микробиоты человека и мыши.Кишечные микробы. 2017; 8: 493–03.
PubMed PubMed Central Google Scholar
126.
Karst SM, Dueholm MS, McIlroy SJ, Kirkegaard RH, Nielsen PH, Albertsen M. Получение миллиона высококачественных полноразмерных микробных последовательностей гена 16S и 18S рРНК без смещения праймеров. Nat Biotechnol. 2018; 36: 190–5.
CAS PubMed Google Scholar
127.
Murrell JC, Whiteley AS.Зондирование стабильных изотопов и связанные с ними технологии. Американское общество микробиологии Press; 2010.
128.
Lee N, Nielsen PH, Andreasen KH, Juretschko S, Nielsen JL, Schleifer KH, et al. Комбинация флуоресцентной гибридизации in situ и микроавторадиографии – новый инструмент для структурно-функционального анализа в микробной экологии. Appl Environ Microbiol. 1999; 65: 1289–97.
CAS PubMed PubMed Central Google Scholar
129.
Вагнер М. Экофизиология одноклеточных микробов, выявленная с помощью рамановской микроскопии или визуализации масс-спектрометрии вторичных ионов. Annu Rev Microbiol. 2009; 63: 411–29.
CAS PubMed Google Scholar
130.
Ли К.С., Палатинский М., Перейра ФК, Нгуен Дж., Фернандес В.И., Мюллер А.Дж. и др. Автоматизированная платформа на основе комбинационного рассеяния света для сортировки живых клеток по функциональным свойствам. Nat Microbiol. 2019; 4: 1035–48.
CAS PubMed Google Scholar
131.
Hatzenpichler R, Scheller S, Tavormina PL, Babin BM, Tirrell DA, Orphan VJ. In situ визуализация вновь синтезированных белков в микробах окружающей среды с использованием аминокислотных меток и химии щелчков. Environ Microbiol. 2014; 16: 2568–90.
CAS PubMed PubMed Central Google Scholar
132.
Zaneveld J, Turnbaugh PJ, Lozupone C, Ley RE, Hamady M, Gordon JI, et al. Коэволюция бактерий и хозяев и поиск новых мишеней для лекарств.Curr Opin Chem Biol. 2008; 12: 109–14.
CAS PubMed PubMed Central Google Scholar
133.
Кордовес В., Дини-Андреоте Ф, Каррион В.Дж., Рааймейкерс Дж. М.. Экология и эволюция микробиомов растений. Annu Rev Microbiol. 2019; 73: 69–88.
CAS PubMed Google Scholar
134.
Моран Н.А. Симбиоз как адаптивный процесс и источник фенотипической сложности.Proc Natl Acad Sci. 2007. 104: 8627–33.
CAS PubMed Google Scholar
135.
Гериг Х., Шюсслер А., Клюге М. Geosiphon pyriforme , грибок, вызывающий эндоцитобиоз с Nostoc (цианобактерии), является предком гломалес: данные анализа рРНК SSU. J Mol Evol. 1996. 43: 71–81.
CAS PubMed Google Scholar
136.
Münger E, Montiel-Castro AJ, Langhans W, Pacheco-López G. Взаимные взаимодействия между кишечной микробиотой и социальным поведением хозяина. Front Integr Neurosci. 2018; 12:21.
PubMed PubMed Central Google Scholar
137.
О’Брайен П.А., Вебстер Н.С., Миллер Д.Д., Борн Д.Г. Коэволюция микробов-хозяев: применение данных из модельных систем к сложным холобионтам морских беспозвоночных. mBio. 2019; 10: e02241–18.
PubMed PubMed Central Google Scholar
138.
Эрлахер А., Кардинале М., Грош Р., Грубе М., Берг Г. Влияние патогена Rhizoctonia solani и его полезного аналога Bacillus amyloliquefaciens на микробиом местного салата. Front Microbiol. 2014; 5: 175.
PubMed PubMed Central Google Scholar
139.
Berg G, Martinez JL. Друзья или враги: можем ли мы различать полезные и вредные штаммы комплекса Stenotrophomonas maltophilia ? Front Microbiol.2015; 6: 241.
PubMed PubMed Central Google Scholar
140.
Walker WA. Дисбактериоз. В: Floch MH, Ringel Y, Walker WA, редакторы. Микробиота в патофизиологии желудочно-кишечного тракта: значение для здоровья человека, пребиотики, пробиотики и дисбактериоз. Нью-Йорк, США: Elsevier Inc; 2016. с. 227–31.
Google Scholar
141.
Vayssier-Taussat M, Albina E, Citti C, Cosson JF, Jacques MA, Lebrun MH, et al.Сдвиг парадигмы с патогенов на патобиом: новые концепции в свете мета-омики. Front Cell Infect Microbiol. 2014; 4: 29.
PubMed PubMed Central Google Scholar
142.
Ларсен OFA, Клаассен Э. Механистическая связь между здоровьем и разнообразием кишечной микробиоты. Научный доклад 2018; 8: 2183.
PubMed PubMed Central Google Scholar
143.
Заневельд Дж. Р., МакМиндс Р., Вега TR.Стресс и стабильность: применение принципа Анны Карениной к микробиомам животных. Nat Microbiol. 2017; 2: 17121.
CAS PubMed Google Scholar
144.
Ллойд-Прайс Дж., Арзе С., Анантакришнан А.Н., Ширмер М., Авила-Пачеко Дж., Пун Т.В. и др. Многокомпонентность микробной экосистемы кишечника при воспалительных заболеваниях кишечника. Природа. 2019; 569 (7758): 655.
CAS PubMed PubMed Central Google Scholar
145.
Chen Y, Blaser MJ. Обратные ассоциации Helicobacter pylori с астмой и аллергией. Arch Intern Med. 2007. 167: 821–7.
PubMed Google Scholar
146.
Райан Р.П., Мончи С., Кардинал М., Тагави С., Кроссман Л., Ависон МБ и др. Универсальность и адаптация бактерий из рода Stenotrophomonas . Nat Rev Microbiol. 2009; 7: 514–25.
CAS PubMed Google Scholar
147.
Зибер М., Пита Л., Вейланд-Бройер Н., Дирксен П., Ван Дж., Морцфельд Б. и др. Нейтралитет в метаорганизме. PLoS Biol. 2019; 17: e3000298.
PubMed PubMed Central Google Scholar
148.
Левин-Эпштейн О., Ааронов Р., Хадани Л. Микробы могут помочь объяснить эволюцию альтруизма хозяина. Nat Commun. 2017; 8: 1–7.
Google Scholar
149.
Берг Г., Смолла К.Виды растений и тип почвы совместно формируют структуру и функцию микробных сообществ в ризосфере. FEMS Microbiol Ecol. 2009; 68: 1–13.
CAS PubMed Google Scholar
150.
Опельт К., Берг С., Шёнманн С., Эберл Л., Берг Г. Высокая специфичность, но контрастное биоразнообразие связанных со сфагнумом бактериальных и растительных сообществ в болотных экосистемах независимо от географического региона. ISME J. 2007; 1: 502–16.
CAS PubMed Google Scholar
151.
Брагина А., Берг С., Кардинале М., Щербаков А., Чеботарь В., Берг Г. Сфагновые мхи обладают высокоспецифическим бактериальным разнообразием на протяжении всего своего жизненного цикла. ISME J. 2012; 6: 802–13.
CAS PubMed Google Scholar
152.
Перес-Харамильо Дж. Э., Мендес Р., Рааймейкерс Дж. М.. Влияние одомашнивания растений на сборку и функции микробиома ризосферы.Завод Мол Биол. 2016; 90: 635–44.
PubMed Google Scholar
153.
Albertsen M, Karst SM, Ziegler AS, Kirkegaard RH, Nielsen PH. Назад к основам – влияние экстракции ДНК и выбора праймера на филогенетический анализ сообществ активного ила. PLOS ONE. 2015; 10: e0132783.
PubMed PubMed Central Google Scholar
154.
Нокер А, Чунг Си-И, Кемпер АК.Сравнение моноазида пропидия и моноазида этидия для дифференциации живых и мертвых бактерий путем селективного удаления ДНК из мертвых клеток. J Microbiol Methods. 2006; 67: 310–20.
CAS PubMed Google Scholar
155.
Vaishampayan P, Probst AJ, La Duc MT, Bargoma E, Benardini JN, Andersen GL, et al. Новые взгляды на жизнеспособные микробные сообщества в чистых помещениях с низким содержанием биомассы. ISME J. 2013; 7: 312–24.
CAS PubMed Google Scholar
156.
Mahnert A, Moissl-Eichinger C, Zojer M, Bogumil D, Mizrahi I, Rattei T, et al. Искусственная микробная устойчивость в искусственной среде. Nat Commun. 2019; 10: 968.
PubMed PubMed Central Google Scholar
157.
Эйрд Д., Росс М.Г., Чен В.С., Даниэльссон М., Феннелл Т., Расс С. и др. Анализ и минимизация смещения амплификации ПЦР в библиотеках секвенирования Illumina. Genome Biol. 2011; 12: R18.
CAS PubMed PubMed Central Google Scholar
158.
Эйзенштейн М. Микробиология: максимальное использование систематической ошибки ПЦР. Нат методы. 2018; 15: 317–20.
CAS PubMed Google Scholar
159.
Болиен Э., Райдаут Дж. Р., Диллон М. Р., Бокулич Н. А., Абнет С., Аль-Галит Г. А. и др. QIIME 2: воспроизводимые, интерактивные, масштабируемые и расширяемые данные микробиома. Препринты коллеги Дж. 2018: e27295v1.
160.
Schloss PD, Westcott SL, Ryabin T, Hall JR, Hartmann M, Hollister EB, et al.Представляем mothur: программное обеспечение с открытым исходным кодом, независимое от платформы, поддерживаемое сообществом для описания и сравнения сообществ микробов. Appl Environ Microbiol. 2009; 75: 7537–41.
CAS PubMed PubMed Central Google Scholar
161.
Каллахан Б.Дж., Макмерди П.Дж., Холмс С.П. Варианты точных последовательностей должны заменять рабочие таксономические единицы в анализе данных маркерных генов. ISME J. 2017; 11: 2639–43.
PubMed Google Scholar
162.
Кулькарни П., Фроммольт П. бросают вызов настройке крупномасштабных рабочих процессов секвенирования следующего поколения. Comput Struct. Biotechnol J. 2017; 15: 471–7.
CAS Google Scholar
163.
Pauvert C, Buée M, Laval V, Edel-Hermann V, Fauchery L, Gautier A, et al. Биоинформатика имеет значение: точность данных о сообществах растений и почвенных грибов во многом зависит от конвейера метабаркодирования. Fungal Ecol. 2019; 41: 23–33.
Google Scholar
164.
Sczyrba A, Hofmann P, Belmann P, Koslicki D, Janssen S, Dröge J, et al. Критическая оценка интерпретации метагенома – эталон программного обеспечения метагеномики. Нат методы. 2017; 14: 1063–71.
CAS PubMed PubMed Central Google Scholar
165.
Фоллмерс Дж., Виганд С., Кастер А.К. Сравнение и оценка инструментов для сборки метагенома с точки зрения микробиолога – важен не только размер! PLoS ONE. 2017; 12 (1): e0169662.
PubMed PubMed Central Google Scholar
166.
Shade A, Jones SE, Caporaso JG, Handelsman J, Knight R, Fierer N, et al. Условно редкие таксоны непропорционально способствуют временным изменениям микробного разнообразия. mBio. 2014; 5: e01371–14.
PubMed PubMed Central Google Scholar
167.
Рамирес К.С., Найт К.Г., де Холландер М., Брерли Ф.К., Константинидес Б., Коттон А. и др.Выявление макроэкологических закономерностей в бактериальных сообществах через независимые исследования почв мира. Nat Microbiol. 2018; 3: 189.
CAS PubMed Google Scholar
168.
Аллан Э., Вайссер В., Вайгельт А., Рошер С., Фишер М., Хиллебранд Х. Более разнообразные растительные сообщества со временем лучше функционируют благодаря круговороту дополнительных доминирующих видов. Proc Natl Acad Sci. 2011; 108: 17034–9.
CAS PubMed Google Scholar
169.
Jousset A, Bienhold C, Chatzinotas A, Gallien L, Gobet A, Kurm V и др. Где меньше может быть больше: как редкая биосфера тянет за ниточки экосистемы. ISME J. 2017; 11: 853–62.
PubMed PubMed Central Google Scholar
170.
Хаусманн Б., Пеликан С., Раттей Т., Лой А., Пестер М. Долгосрочная транскрипционная активность при нулевом росте космополитического редкого члена биосферы. mBio. 2019; 10 (1): e02189–18.
CAS PubMed PubMed Central Google Scholar
171.
Обермайер М.-М, Таффнер Дж., Бергна А., Похлейн А., Чернава Т., Мюллер К.А. и др. Устойчивость местных растений: микробиом сфагнума содержит разнообразные и новые гены устойчивости к противомикробным препаратам. bioRxiv. 2019; 695973.
172.
Тен Хупен П., Финн Р.Д., Бонго Л.А., Корре Э, Фоссо Б., Мейер Ф. и др. Жизненный цикл метагеномных данных: стандарты и лучшие практики. GigaScience. 2017; 6: gix047.
Google Scholar
173.
Проект “Микробиом Земли”. http://www.earthmicrobiome.org. По состоянию на 15 октября 2019 г.
174.
Национальный центр биотехнологической информации (NCBI). https://www.ncbi.nlm.nih.gov. По состоянию на 8 июня 2019 г.
175.
European Nucleotide Archive (ENA). https://www.ebi.ac.uk/ena. По состоянию на 8 июня 2019 г.
176.
CNSA: CNGB Nucleotide Sequence Archive. https://db.cngb.org/cnsa. По состоянию на 8 июня 2019 г.
177.
Langille MGI, Ravel J, Fricke WF.«Доступно по запросу»: недостаточно для данных микробиома! Микробиом. 2018; 6: 8.
PubMed PubMed Central Google Scholar
178.
Schloss PD. Выявление и преодоление угроз воспроизводимости, воспроизводимости, надежности и обобщаемости в исследованиях микробиома. mBio. 2018; 9: e00525–18.
PubMed PubMed Central Google Scholar
179.
Foo JL, Ling H, Lee YS, Chang MW. Инженерия микробиома: текущие приложения и будущее. Биотехнология Ж. 2017; 12 (3): 1600099.
Google Scholar
180.
Хадрих Д. Исследования микробиома становятся ключом к лучшему пониманию здоровья и питания. Фронт Жене. 2018; 9: 212.
PubMed PubMed Central Google Scholar
181.
Берг Г. Взаимодействия растений и микробов, способствующие росту и здоровью растений: перспективы контролируемого использования микроорганизмов в сельском хозяйстве.Appl Microbiol Biotechnol. 2009; 84: 11–8.
CAS PubMed Google Scholar
182.
Змора Н., Соффер Э., Элинав Э. Преобразование медицины с помощью микробиома. Sci Transl Med. 2019; 11: eaaw1815.
CAS PubMed Google Scholar
183.
Джобин К. Точная медицина с использованием микробиоты. Наука. 2018; 359: 32–4.
CAS PubMed Google Scholar
184.
Rose SMS-F, Contrepois K, Moneghetti KJ, Zhou W, Mishra T, Mataraso S, et al. Лонгитюдный подход с большими данными для точного здравоохранения. Nat Med. 2019; 25: 792.
PubMed Central Google Scholar
185.
Марковяк П., Шлижевска К. Влияние пробиотиков, пребиотиков и синбиотиков на здоровье человека. Питательные вещества. 2017; 9 (9): 1021.
PubMed Central Google Scholar
186.
Verhoog S, Taneri PE, Roa Díaz ZM, Marques-Vidal P, Troup JP, Bally L, et al. Факторы питания и модуляция штаммов бактерий Akkermansia muciniphila и Faecalibacterium prausnitzii : систематический обзор. Питательные вещества. 2019; 11 (7): 1565.
CAS PubMed Central Google Scholar
187.
О’Тул П.В., Марчези Дж. Р., Хилл С. Пробиотики нового поколения: от пробиотиков до живых биотерапевтических средств.Nat Microbiol. 2017; 2: 17057.
PubMed Google Scholar
188.
Гупта А., Ханна С. Трансплантация фекальной микробиоты. ДЖАМА. 2017; 318: 102.
PubMed Google Scholar
189.
Ван Дж.-В, Куо С.-Х, Куо Ф. -К, Ван И-К, Хсу В.-Х, Ю Ф-Дж и др. Трансплантация фекальной микробиоты: обзор и обновление. J Formos Med Assoc. 2019; 118: S23–31.
PubMed Google Scholar
190.
Bäckhed F, Manchester JK, Semenkovich CF, Gordon JI. С обложки: Механизмы, лежащие в основе устойчивости к ожирению, вызванному диетой, у стерильных мышей. Proc Natl Acad Sci. 2007. 104: 979–84.
PubMed Google Scholar
191.
Ley RE, Bäckhed F, Turnbaugh P, Lozupone CA, Knight RD, Gordon JI. Ожирение изменяет микробную экологию кишечника. Proc Natl Acad Sci U S. A. 2005; 102: 11070–5.
CAS PubMed PubMed Central Google Scholar
192.
Бакташ А., Тервеер Э.М., Цвиттинк Р.Д., Хорнунг BVH, Корвер Дж., Куиджпер Э.Дж. и др. Механистические выводы об успехе трансплантатов фекальной микробиоты для лечения инфекций, вызванных Clostridium difficile, . Front Microbiol. 2018; 9: 1242.
PubMed PubMed Central Google Scholar
193.
Гилберт Дж. А., Линч С. В.. Экология сообщества как основа для исследования микробиома человека. Nat Med. 2019; 25: 884–9.
CAS PubMed PubMed Central Google Scholar
194.
Мартин ЧР, Осадчий В, Калани А, Майер Э.А. Ось мозг-кишечник-микробиом. Клеточный Мол Гастроэнтерол Гепатол. 2018; 6: 133–48.
PubMed PubMed Central Google Scholar
195.
Трипати А., Дебелиус Дж., Бреннер Д.А., Карин М., Лумба Р., Шнабл Б. и др. Ось кишечник-печень и пересечение с микробиомом. Нат Рев Гастроэнтерол Гепатол. 2018; 15: 397–411.
CAS PubMed PubMed Central Google Scholar
196.
Dang AT, Marsland BJ. Микробы, метаболиты и ось кишечник-легкие. Mucosal Immunol. 2019; 12: 843–50.
CAS PubMed Google Scholar
197.
Сеть микросайтов DELS. http://nas-sites.org. По состоянию на 8 июня 2019 г.
198.
Berg G, Grube M, Schloter M, Smalla K. Раскрытие микробиома растений: взгляд назад и перспективы на будущее. Front Microbiol. 2014; 5: 148.
PubMed PubMed Central Google Scholar
199.
План развития фитобиомов. http://www.phytobiomes.org/roadmap. По состоянию на 15 октября 2019 г.
200.
IPBES 2019 Report. https://lp.panda.org/ipbes. По состоянию на 5 августа 2019 г.
201.
Mitter B, Pfaffenbichler N, Flavell R, Compant S, Antonielli L, Petric A, et al. Новый подход к изменению микробиомов и свойств растений путем введения полезных бактерий во время цветения в семена потомства. Front Microbiol. 2017; 8: 11.
PubMed PubMed Central Google Scholar
202.
Zachow C, Müller H, Tilcher R, Donat C, Berg G. Поймай лучшее: новая стратегия скрининга для выбора средств защиты от стресса для сельскохозяйственных культур. Агрономия. 2013; 3: 794–815.
Google Scholar
203.
Коколин Л., Эрколини Д. Масштабирование микробных консорциумов, связанных с пищевыми продуктами: «культурная» эволюция. Curr Opin Food Sci. 2015; 2: 43–50.
Google Scholar
204.
Van Bruggen AHC, Goss EM, Havelaar A, van Diepeningen AD, Finckh MR, Morris JG.Единое здоровье – Круговорот разнообразных микробных сообществ как связующая сила для здоровья почвы, растений, животных, человека и экосистем. Sci Total Environ. 2019; 664: 927–37.
PubMed Google Scholar
205.
Trinh P, Zaneveld JR, Safranek S, Rabinowitz PM. Единые отношения здоровья между микробиомами человека, животных и окружающей среды: мини-обзор. Фронт общественного здравоохранения. 2018; 6: 235.
PubMed PubMed Central Google Scholar
206.
Flandroy L, Poutahidis T, Berg G, Clarke G, Dao M-C, Decaestecker E, et al. Влияние человеческой деятельности и образа жизни на взаимосвязанную микробиоту и здоровье человека и экосистем. Sci Total Environ. 2018; 627: 1018–38.
CAS PubMed Google Scholar
207.
Хортон Р., Биглхол Р., Бонита Р., Реберн Дж., Макки М. От общественного здоровья к планетарному здоровью: манифест. Ланцет. 2014; 383: 847.
Google Scholar
208.
Rockström J, Steffen W, Noone K, Persson A, Chapin FS, Lambin E, et al. Планетарные границы: исследование безопасного рабочего пространства для человечества. Экология и общество. 2009; 14:32.
Google Scholar
209.
Bosch TCG, McFall-Ngai MJ. Метаорганизмы как новый рубеж. Зоология. 2011; 114: 185–90.
PubMed Google Scholar
210.
Brown SP, Cornforth DM, Mideo N.Эволюция вирулентности у условно-патогенных микроорганизмов: генерализм, пластичность и контроль. Trends Microbiol. 2012; 20: 336–42.
CAS PubMed PubMed Central Google Scholar
Определение микробиома человека
Nutr Rev. Рукопись автора; доступно в PMC 2013 1 февраля.
Опубликован в окончательной отредактированной форме как:
PMCID: PMC3426293
NIHMSID: NIHMS369735
Люк К. Урселл
¹ Департамент химии, биохимический университет Боулдера Боулдер, Колорадо, 80309, США
Джессика Л. Меткалф
¹ Кафедра химии и биохимии, Колорадский университет в Боулдере, Боулдер, Колорадо, 80309, США
Лаура Вегенер Парфри
1 Химический факультет Биохимия, Университет Колорадо в Боулдере, Боулдер, Колорадо, 80309, США
Роб Найт
¹ Кафедра химии и биохимии, Колорадский университет в Боулдере, Боулдер, Колорадо, 80309, США
² Ховард Хьюз Медицинский институт, Боулдер, Колорадо, 80309, США
¹ Кафедра химии и биохимии, Колорадский университет в Боулдере, Боулдер, Колорадо, 80309, США
² Медицинский институт Говарда Хьюза, Боулдер, Колорадо, 80309, США
^* Кому следует направлять корреспонденцию: Роб Найт, Департамент химии и биохимии, UCB 215, Университет Колорадо, Боулдер, CO 80309, тел .: 303-492-1984, факс: 303-492-7744, уд[email protected] Окончательная отредактированная версия этой статьи издателем доступна на Nutr Rev. См. другие статьи в PMC, в которых цитируется опубликованная статья.
Abstract
Быстро развивающиеся методы секвенирования и аналитические методы расширяют нашу способность понимать микробиом человека и, действительно, то, как мы определяем микробиом и его составляющие. В этом обзоре мы выделяем недавние исследования, которые расширяют нашу способность понимать микробиом человека в различных пространственных и временных масштабах, включая ежедневные наборы данных временных рядов, охватывающих месяцы.Кроме того, мы обсуждаем новые концепции, связанные с определением операционных таксономических единиц, индексов разнообразия, основных и временных микробиомов и возможности энтеротипов. Дополнительные достижения в технологии секвенирования и в нашем понимании микробиома откроют захватывающие перспективы для использования микробиоты в персонализированной медицине.
Введение
Микробиота человека состоит из 10–100 триллионов симбиотических микробных клеток, содержащихся в каждом человеке, в первую очередь бактерий в кишечнике; Микробиом человека состоит из генов, содержащихся в этих клетках [1].Проекты микробиома во всем мире были запущены с целью понять роли, которые играют эти симбионты, и их влияние на здоровье человека [2, 3]. Точно так же, как вопрос: «Что такое , , чтобы быть человеком?» Волновал людей с самого начала записанной истории, так и вопрос: «Что такое , – человеческий микробиом?» вызывает беспокойство у исследователей с тех пор, как этот термин был придуман Джошуа Ледербергом в 2001 году [4]. Уточнение определения микробиома человека осложнилось путаницей в терминологии: например, «микробиота» (таксоны микробов, связанные с людьми) и «микробиом» (каталог этих микробов и их генов) часто используются как синонимы.Кроме того, термин «метагеномика» первоначально относился к характеристике общей ДНК методом дробовика, хотя сейчас он все чаще применяется для изучения маркерных генов, таких как ген 16S рРНК. Однако более фундаментально новые открытия заставляют нас усомниться в концепциях, которые имеют центральное значение для определения микробиома человека, таких как стабильность микробиома человека, определение OTU (Operational Taxonomic Units), составляющих микробиоту. , и есть ли у человека один или несколько микробиомов.В этом обзоре мы рассмотрим прогресс в определении микробиома человека в этих различных отношениях.
Изучение разнообразия микробиома человека началось с Антони ван Левенгука, который еще в 1680-х годах сравнивал свою оральную и фекальную микробиоту. Он отметил поразительные различия в микробах между этими двумя средами обитания, а также между образцами, взятыми у людей с состоянием здоровья и болезнью в обоих этих местах [5, 6]. Таким образом, исследования глубоких различий в микробах на разных участках тела и между здоровье и болезни так же стары, как и сама микробиология.Сегодня новым является не способность наблюдать эти очевидные различия, а, скорее, способность использовать мощные молекулярные методы, чтобы понять, почему существуют эти различия, и понять, как мы можем повлиять на преобразования из одного состояния в другое.
Независимые от культуры методы характеристики микробиоты вместе с молекулярным филогенетическим подходом к организации разнообразия жизни обеспечили фундаментальный прорыв, позволив исследователям сравнивать микробные сообщества в разных средах в рамках единого филогенетического контекста (см. Обзор [7]).Хотя связанные с хозяином микробы предположительно приобретаются из окружающей среды, состав микробиоты млекопитающих, особенно в кишечнике, неожиданно отличается от свободноживущих микробных сообществ [8]. Фактически, анализ бактериального разнообразия свободноживущих сообществ в наземных, морских и пресноводных средах, а также сообществ, связанных с животными, предполагает, что кишечник позвоночных является крайним явлением [8]. Напротив, бактериальные сообщества из сред, обычно считающихся экстремальными, таких как кислые горячие источники и гидротермальные источники, похожи на сообщества во многих других средах [9].Это говорит о том, что совместная эволюция между позвоночными и их микробными консорциумами в течение сотен миллионов лет привела к выбору специализированного сообщества микробов, которые процветают в теплой, эвтрофной и стабильной среде кишечника [8]. В кишечнике человека и во всех связанных с человеком средах обитания бактерии составляют основную часть биомассы и разнообразия, хотя археи, эукариоты и вирусы также присутствуют в меньшем количестве, и ими нельзя пренебрегать [10, 11].
Интересно, что оценки каталога генов человека и разнообразия генома человека бледнеют по сравнению с оценками разнообразия микробиома.Например, консорциум Meta-HIT сообщил о каталоге генов из 3,3 миллионов неизбыточных генов только в микробиоме кишечника человека [3] по сравнению с ~ 22 000 генов, присутствующих во всем геноме человека [12]. Точно так же разнообразие среди микробиома людей огромно по сравнению с вариациями генома: отдельные люди примерно на 99,9% идентичны друг другу с точки зрения генома хозяина [13], но могут отличаться друг от друга на 80-90% с точки зрения генома. микробиом их руки [14] или кишечника [15].Эти результаты показывают, что использование вариаций, содержащихся в микробиоме, будет намного более плодотворным в персонализированной медицине, использовании генетических данных отдельного пациента для информирования медицинских решений, чем подходы, нацеленные на относительно постоянный геном хозяина.
Многие фундаментальные вопросы о микробиоме человека до недавнего времени было трудно или невозможно было решить. На некоторые вопросы, такие как неизменно популярный «сколько видов обитает на данном участке тела?», Все еще трудно ответить из-за проблем с определениями видов бактерий и скоростью ошибок при секвенировании.Другие вопросы, такие как «как различие внутри человека с течением времени соотносится с разнообразием между людьми?» Или «как различие между участками на теле одного и того же человека соотносится с разнообразием между разными людьми на одном участке?» , или «есть ли основной набор видов микробов, которые мы все разделяем?», теперь можно дать окончательный ответ. В следующем разделе мы обсудим некоторые инструменты, которые позволили ответить на эти давние вопросы.
Инструменты для микробиологического анализа
Резкое сокращение затрат на секвенирование, наблюдавшееся за последние несколько лет, позволило идентифицировать определенные таксоны микробов, обнаруженные в кишечнике человека, которые трудно или невозможно культивировать.Теперь исследователи могут генерировать миллионы последовательностей для каждого образца, чтобы оценить различия в микробных сообществах между участками тела и отдельными людьми. Наша возросшая мощность секвенирования потребовала разработки столь же мощных вычислительных инструментов для обработки растущего количества данных последовательностей, производимых современными технологиями [16]. Существует несколько конвейеров для анализа данных микробного микробного сообщества, таких как mothur [17], w.A.T.E.R.S [18], инструменты RDP pyroseqeuncing [19] и QIIME (произносится «колокольчик») [20].QIIME – это бесплатная платформа с открытым исходным кодом для анализа данных высокопроизводительного секвенирования, которая позволяет пользователям импортировать необработанные данные о последовательностях и легко производить измерения меж- и внутрипробного разнообразия. Последовательность в идентификации операционных таксономических единиц (OTU) и установление согласованных мер разнообразия внутри и между выборками имеют решающее значение для сравнения результатов в разных исследованиях, хотя концепция OTU становится все более проблематичной по мере накопления данных о последовательностях и усиления явных филогенетических подходов. в популярности.
Бета-разнообразие относится к измерению степени различия в членстве или структуре сообщества между двумя выборками. Недавний обзор основанных на таксонах измерений бета-разнообразия показал, что некоторые метрики, в том числе расстояния Канберры и Гауэра, обладают повышенной мощностью для различения кластеров, в то время как другие метрики, такие как хи-квадрат и корреляционные расстояния Пирсона, более подходят для выяснения эффектов. экологических градиентов на сообществах [21]. Надежным методом сравнения различий между микробными сообществами является UniFrac, который измеряет долю общих длин ветвей на филогенетическом дереве между образцами [22].Очень похожие микробные сообщества приводят к баллам UniFrac, близким к 0, в то время как два полностью независимых сообщества, которые не имеют общей длины ветвей (т. Е. У них разная эволюционная история), дают оценку UniFrac, равную 1. Анализ основных координат (PCoA) может затем визуализировать расстояния Unifrac между образцами в двумерном или трехмерном пространстве, позволяющие легко визуально различать кластеризацию похожих сообществ или разделение отдельных сообществ.
UniFrac как мера бета-разнообразия в сочетании с PCoA имеет способность различать различия между сообществами, используя всего 10 последовательностей на образец [23]. Важно понимать, что увеличенная глубина секвенирования не всегда необходима для получения биологически значимых результатов, когда эти результаты очевидны. Таким образом, выбирая измерения разнообразия, которые подходят для дизайна исследования, исследователи, использующие современные методы секвенирования, могут охарактеризовать различия между выборками при относительно низком охвате последовательностей.Это позволяет исследователям оценивать мелкозернистые пространственные и временные закономерности, характеризуя от сотен до тысяч образцов, таких как временные ряды для нескольких пациентов или сред. Функциональность UniFrac, а также множество измерений разнесения доступны в QIIME, и их можно легко сравнить.
В общем, конвейеры для анализа 16S рРНК и метагеномных данных дробовика имеют отдельные рабочие процессы. Некоторые начальные шаги, такие как демультиплексирование (удаление штрих-кодов и разделение объединенных образцов) и качественная фильтрация, являются общими для обоих конвейеров.Однако для данных 16S рРНК последовательности должны быть сгруппированы в OTU, химерные последовательности, генерируемые неполным расширением матрицы, должны быть удалены, и должны быть построены филогенетические деревья. Напротив, в метагеномном конвейере последовательности должны быть назначены функциям, а также таксономии (либо как целые чтения, либо после сборки). После того, как таблицы таксонов или генных функций построены, конвейеры начинают сближаться, по крайней мере, концептуально: тогда интерес заключается в 1) составе каждой выборки, 2) поиске таксонов или функций, которые различают группы выборок (например,г. в соответствии с клиническими параметрами) и 3) с вопросом, группируются ли образцы в соответствии с какими-либо измеренными клиническими состояниями (или по времени). Одно интересное развивающееся направление – сравнение метагеномной кластеризации и кластеризации 16S рРНК напрямую с использованием метода, называемого анализом Прокруста, который позволяет комбинировать графики PCoA [24]. Еще одним мощным инструментом является использование машинного обучения и статистических методов для построения прогнозных моделей таксонов [25] или функций [26], которые различают группы выборок.
Уникальным преимуществом QIIME по сравнению с другими конвейерами является его способность использовать «образцы метаданных», например клиническая информация о субъектах, позволяющая визуализировать основные закономерности в данных. Особый интерес представляет то, что QIIME поддерживает стандарт MIMARKS (минимальная информация о последовательности маркеров) [27], разработанный Консорциумом геномных стандартов [28], который становится все более популярным среди других инструментов для анализа микробов и сообществ, таких как MG-RAST [29]. , и был принят INSDC (Международный консорциум баз данных нуклеотидных последовательностей, который включает GenBank, EBI и DDBJ) в качестве стандарта для метаданных.
С этими инструментами основные закономерности сходства и различия в микробиоте стали обычным делом. Ключевая задача в настоящее время состоит в том, чтобы расширить анализ, включив в него лонгитюдные исследования и понять роль конкретных хозяев и факторов окружающей среды в развитии и поддержании микробиома.
Динамическое взаимодействие между человеческими микробами и окружающей средой
Желудочно-кишечный тракт (ЖКТ) младенца человека обеспечивает совершенно новую среду для микробной колонизации [30].Действительно, микробиота, которую начинает приобретать младенец, сильно зависит от способа родов [31]. Через двадцать минут после рождения микробиота новорожденных, рожденных через естественные родовые пути, напоминает микробиоту влагалища их матери, в то время как младенцы, рожденные с помощью кесарева сечения, содержат микробные сообщества, обычно встречающиеся на коже человека [32]. Приобретение микробиоты продолжается в течение первых нескольких лет жизни, поскольку микробиом желудочно-кишечного тракта младенца начинает напоминать микробиом взрослого уже на первом году жизни [33].В одном тематическом исследовании микробиоты младенца в течение первых 2,5 лет жизни филогенетическое разнообразие значительно и линейно увеличивается со временем [34]. Кроме того, значительные изменения в составе микробиоты кишечника были очевидны в пяти временных точках; переход на грудное молоко, развитие лихорадки на 92 день, введение рисовой крупы на 134 день, введение смеси и столовых продуктов на 161 день, а также лечение антибиотиками и диета для взрослых на 371 день [34]. Интересно, что каждое изменение диеты сопровождалось изменениями микробиоты кишечника и обогащением соответствующих генов.Например, когда младенец начал получать полноценную взрослую диету, гены в микробиоме, связанные с биосинтезом витаминов и перевариванием полисахаридов, стали обогащаться [34].
Взаимодействие между микробиотой человека и окружающей средой является динамичным: человеческие микробы свободно перемещаются на поверхности, с которыми мы взаимодействуем каждый день. Fierer et al. показали, что кончики пальцев человека могут переносить сообщества микробов на клавиатуру, и эти сообщества сильно дифференцируют людей [35].Графики PCoA показали, что можно было определить, какие пальцы на каких клавишах печатали, и какие люди использовали какие клавиатуры: можно было даже связать руку человека с компьютерной мышью, которую он использует, с точностью до 95% по сравнению с база данных других рук [35]. В целом, это исследование показало, что микробные сообщества постоянно переносятся между поверхностями и что существует динамическое взаимодействие между микробиотой окружающей среды и различными участками человеческого тела.
Внутриличностное микробное разнообразие
Еще один интересный вопрос, на который мы только начинаем отвечать, – насколько стабильным со временем становится микробиом внутри человека.Определив, что составляет нормальные временные изменения у человека с течением времени, мы сможем лучше количественно оценить и понять изменения в микробных сообществах, которые возникают в результате диетических и фармацевтических вмешательств. В самом продолжительном на сегодняшний день исследовании временных рядов Caporaso et al. отобрали образцы микробных сообществ двух индивидуумов в кишечнике, ротовой полости, левой и правой ладонях за 396 временных точек в течение 15 месяцев [36]. Сообщества на разных участках тела можно было легко отличить друг от друга с помощью 3-D графиков PCoA в течение одного года, даже несмотря на то, что структура сообщества внутри данного участка сильно варьировалась [36].Уровень разнообразия также различается между участками тела, при этом во рту и кишечнике находятся самые разные сообщества [37]. Взятые вместе, эти исследования показывают, что микробиота человека представляет собой сильно изменчивую и разрозненную экосистему.
В целом, еще предстоит окончательно доказать, что отдельные особи или даже участки тела несут в себе «основной» набор специфических бактериальных таксонов. Например, консорциум Meta-HIT определил «основной» набор клонов как те, которые присутствовали у половины изучаемых субъектов, хотя, по существу, у всех изучаемых субъектов гены не присутствовали [3].Конечно, важно понимать, что глубина отбора проб может иметь решающее значение для различения таксонов, которые отсутствуют, от таксонов, которые просто очень редки; динамический диапазон численности микробов также довольно велик, и даже для «основных» генов Meta-HIT 2000-кратные диапазоны численности не были редкостью. Доказательство того, что таксон полностью отсутствует в кишечнике, невозможно с помощью этих типов исследований, поэтому основные расчеты всегда должны включать в себя предупреждение о глубине секвенирования. Еще один фактор, который следует учитывать при определении разнообразия и ядра, заключается в том, что методологические артефакты могут значительно увеличить видимое количество OTU в выборке (и, следовательно, уменьшить видимую долю, которая разделяется).Как ошибка секвенирования [38, 39], так и проблемы, связанные с выравниванием, особенно множественным выравниванием последовательностей [40-43], могут сильно увеличить количество OTU. Важно убедиться, что при проведении оценок керна использовались одни и те же методологические процедуры с точки зрения доли особей, в которой керн должен быть представлен, минимальной численности и процедуры принятия решения о том, какие последовательности считаются «одинаковыми». Наконец, возникает ключевой вопрос о том, структурированы ли вариации вокруг ядра таким образом, чтобы у людей было только несколько общих типов профилей микробиоты на данном участке тела: это хорошо установлено для влагалища [44], но более спорно в кишечнике [ 45].В общем, следует проявлять крайнюю осторожность при выполнении процедур кластеризации, так как многие из них разбивают непрерывное изменение на кластеры, которых не существует [21]. Надежные процедуры выбора модели, которые включают возможность существования только непрерывных вариаций, а не дискретных кластеров, еще предстоит разработать в контексте анализа микробного сообщества.
Появляется все больше свидетельств того, что люди на самом деле разделяют «основной микробиом», а не «стержневую микробиоту». В исследовании пар монозиготных и дизиготных близнецов, согласных по ожирению или худобе, у всех людей была общая подгруппа идентифицируемых микробных генов, но не видов [15].Примечательно, что совершенно разные наборы видов микробов дали очень похожие функциональные пути KEGG. Однако отклонения от этого основного микробиома были очевидны у субъектов с ожирением, что свидетельствует о важности использования метагеномных данных в дополнение к определению состава микробного сообщества с помощью исследований маркерного гена 16S при оценке различий между болезненными состояниями. Будет интересно понять, верен ли этот принцип для других участков тела; кросс-биомные метагеномные сравнения на сегодняшний день чрезвычайно редки [46, 47].
Микробиом кишечника играет важную роль в пищеварении и питании
Растет количество свидетельств неразрывной связи между микробиотой, пищеварением и метаболизмом хозяина. При анализе людей и 59 дополнительных видов млекопитающих последовательности 16S рРНК сгруппированы вместе плотоядных, всеядных и травоядных в основном координатном интервале, показывая, что структуры сообщества различаются в зависимости от диеты [48]. Изменения в рационе мышей также могут привести к значительным изменениям в метаболизме бактерий, особенно жирных кислот с малой цепью и аминокислот, всего за одну неделю [49] и могут привести к большим изменениям уже через один день [50].Важно отметить, что генетическое разнообразие, обнаруженное в нашей кишечной микробиоте, позволяет нам переваривать соединения посредством метаболических путей, явно не закодированных в геноме млекопитающих, что значительно увеличивает нашу способность извлекать энергию из нашего разнообразного рациона [51, 52].
Микробиота кишечника также играет важную роль в ожирении. У здоровых мышей, которые получают трансплантат кишечной микробиоты от обычных мышей, наблюдается увеличение ожирения без увеличения потребления пищи из-за увеличения извлечения энергии из рациона и увеличения депонирования энергии в адипоцитах хозяина [53].Два основных микробных подразделения, Firmicutes и Bacteriodetes, демонстрируют разную численность в зависимости от фенотипа. Уменьшение Bacteriodetes и увеличение Firmicutes было обнаружено у мышей с генетическим ожирением ( ob / ob ) по сравнению с их худыми коллегами [54], а фенотип ожирения может даже передаваться беспроблемным, но генетически диким мышам. микробиоты, а фенотип обусловлен энергетическим балансом: калориметрия фекальных гранул с помощью бомбы показывает, что мыши ob / ob извлекают больше энергии из своего рациона и оставляют меньше с фекалиями [51].Удивительно, но те же эффекты справедливы и для другой модели мышей, мышей с нокаутом TLR5, которые также становятся тучными в некоторых помещениях для мышей (но заболевают колитом в других, предположительно из-за различий в фоновой микробиоте). Мыши с нокаутом TLR5 также обладают фенотипом трансмиссивного ожирения, но никакой разницы в эффективности сбора энергии не происходит. Вместо этого измененная микробиота каким-то образом делает мышей более голодными, и их вызванное микробами ожирение можно вылечить, ограничив количество пищи в их клетках тем, которое потребляется мышами дикого типа, а также антибиотиками [55].Корреляция между микробами и ожирением, возможно, лучше всего иллюстрируется потерей веса. Поскольку разные группы людей были помещены на диету с ограничением жиров или углеводов, их количество Bacteriodetes увеличивалось по мере снижения их массы тела, переходя от характерного «тучного» микробного сообщества к «худому» сообществу [56]. Таким образом, изменение микробиоты пациента может быть терапевтическим вариантом, способствующим снижению веса у пациентов с ожирением или способствующему увеличению веса у детей с недостаточным весом.
Удивительно, но микробы, которых мы поглощаем вместе с пищей, могут обеспечивать наш индивидуальный микробиом новыми генами для переваривания новой пищи. Hehemann et al. обнаружили, что новый класс гликозидгидролаз, используемых для переваривания порфирана, полисахарида, распространенного в красных водорослях, также был обнаружен в образцах стула человека в качестве гена в Bacteriodes plebeius . Более тщательное изучение метаданных стула показало, что образцы стула, содержащие ген, переваривающий порфиран, присутствовали только у японцев; ген не был обнаружен в микробиоме кишечника жителей Соединенных Штатов.Почему в кишечнике человека можно найти морской ген? Авторы пришли к выводу, что водоросли, распространенные в японской, но не американской диете, содержат микроорганизмы, которые передали гены микробиому кишечника [57]. Таким образом, микробы обладают способностью значительно увеличивать количество метаболических инструментов в кишечнике человека, позволяя нам переваривать множество субстратов.
Пластичность кишечника человека
Учитывая относительную стабильность микробиоты кишечника человека, один из ключевых вопросов заключается в том, достаточно ли она пластична, чтобы можно было проводить четко определенные вмешательства для улучшения здоровья.Как описано выше, микробиота кишечника после установления остается довольно стабильной во времени, по крайней мере, по сравнению с различиями между людьми. Однако ряд исследований демонстрирует, что внешние силы могут изменять сообщество микробов, расположенных в желудочно-кишечном тракте, и антибиотики являются важным примером.
Антибиотики в основном используются для борьбы с патогенными видами бактерий, которые обитают внутри хозяина или вторглись в него, однако нынешнее поколение антибиотиков имеет широкий спектр действия и нацелено также на широкие слои нормальной микробиоты.Таким образом, антибиотики значительно влияют на врожденную микробиоту кишечника хозяина. Через три-четыре дня после лечения ципрофлоксацином антибиотиком широкого спектра действия кишечная микробиота испытывает снижение таксономического богатства, разнообразия и однородности [58, 59]. Значительные изменения микробиоты кишечника продемонстрировали значительную межличностную изменчивость. В то время как микробиота кишечника начала напоминать состояние до лечения через неделю после лечения, наблюдались различия между людьми в отношении того, насколько близко сообщество после лечения напоминало сообщество до лечения, и некоторые таксоны не смогли вернуться в сообщество [59 , 60].Действительно, восстановление некоторых видов может быть нарушено в течение четырех лет после лечения антибиотиками [61]. Тем не менее, общее восстановление микробиоты кишечника после лечения антибиотиками предполагает, что существуют факторы внутри сообщества, биотические или абиотические, которые способствуют устойчивости сообщества, хотя они еще не выяснены.
Другие антибиотики также имеют тенденцию давать результаты, которые существенно различаются между субъектами [62, 63] и даже участками тела [64]. Поскольку более крупные группы населения еще не были изучены, отчасти из-за этических проблем с назначением антибиотиков здоровым людям, причины этих основных различий еще не выяснены.Понимание факторов, определяющих способность микробиоты противостоять возмущениям и восстанавливаться после них, а также понимание факторов, определяющих ее текущее состояние, будет ключом к разработке инструментов, помогающих манипулировать микробиомом. Например, как это ни парадоксально, у крыс введение антибиотиков перед трансплантацией слепой кишки фактически снижает вероятность появления новых микробов [65].
Интересным намеком на то, что микробиота может быть более пластичной, чем можно было представить, является недавний успех лечения стойких инфекций Clostridum difficile с помощью трансплантации кала, который был успешным в ряде исследований [66-72] и в целом. обедненное кишечное сообщество, образовавшееся во время C.difficile заменяется донорским сообществом [67, 73]. Успех этой техники впечатляет, особенно если учесть, как мало известно о самом лучшем сообществе. Например, что лучше: получить фекальное сообщество близкого родственника или сожителя или, возможно, сохранить собственный стул перед началом лечения антибиотиками, чтобы его можно было восстановить позже? Подходит ли один и тот же стул для всех, или огромные различия в микробиоте означают, что микробы каждого человека специально адаптированы по сравнению с микробами, которые они могут получить от донора? Как и в случае с группами крови, существуют ли «универсальные доноры» и «универсальные реципиенты»? На эти и многие другие вопросы еще предстоит ответить.
Выводы и проспект
Как и каждый год с момента первоначального секвенирования ДНК, этот год привел к беспрецедентному росту количества данных о последовательностях, собранных с беспрецедентно низкой стоимостью. Также были разработаны или обновлены все более мощные инструменты, используемые для извлечения значимых закономерностей из этого множества данных. Появляются новые технологии, такие как трансплантация стула, 16S рРНК и полногеномное секвенирование на платформе Illumina, возможность с высокой эффективностью трансплантировать человеческие микробные сообщества мышам даже из замороженных образцов [50], а также создание персонализированных коллекций культур [74]. перспектива будущего, в котором методы лечения отдельных людей будут опробоваться на батарее мышей, подвергнутых различным видам лечения, и где будут проводиться одноразовые эксперименты, которые выявят эффекты удаления отдельных видов [74] или отдельных генов из внутри вида [75] позволяют понять механизм.Хотя имеющиеся у нас инструменты по-прежнему несовершенны (например, ограниченная длина считывания современных технологий высокопроизводительного секвенирования ограничивает способность обнаруживать виды и штаммы бактерий, а анализ вирусов и эукариот все еще остается новым рубежом), Перспективы развития механистического понимания факторов, лежащих в основе пластичности микробиома, а затем манипулирования микробиомом для улучшения здоровья, кажутся все более радужными.
Благодарности
Работа, цитируемая в этом обзоре из лаборатории автора, была частично поддержана грантами Национальных институтов здравоохранения [HG4872 (RK)], Американского фонда Крона и колита и Медицинского института Говарда Хьюза [RK] .
Ссылки
2. Петерсон Дж., Гарджес С., Джованни М., Макиннес П., Ван Л., Шлосс Дж. А., Бонацци В., МакИвен Дж. Э., Веттерстранд К. А., Дил С. и др. Проект NIH Human Microbiome Project. Геномные исследования. 2009; 19: 2317–2323. [Бесплатная статья PMC] [PubMed] [Google Scholar] 3. Qin J, Li R, Raes J, Arumugam M, Burgdorf KS, Manichanh C, Nielsen T., Pons N, Levenez F, Yamada T. и др. Каталог микробных генов кишечника человека, созданный путем метагеномного секвенирования. Природа. 2010; 464: 59–65. [Бесплатная статья PMC] [PubMed] [Google Scholar] 4.Lederberg J, McCray A. Ome sweet ‘omics: – Генеалогическая сокровищница слов. Ученый. 2001; 15: 8. [Google Scholar] 6. ван Левенгук А. Отрывок из письма Антони ван Левенгук от 12 сентября 1683 г. О животных в зубном налете. Философские труды Лондонского королевского общества. 1684; 14: 568–574. [Google Scholar] 7. Pace NR. Молекулярный взгляд на микробное разнообразие и биосферу. Наука. 1997; 276: 734–740. [PubMed] [Google Scholar] 8. Ley RE, Lozupone CA, Hamady M, Knight R, Gordon JI.Миры внутри миров: эволюция микробиоты кишечника позвоночных. Обзоры природы микробиологии. 2008. 6: 776–788. [Бесплатная статья PMC] [PubMed] [Google Scholar] 10. Marchesi JR. Прокариотическое и эукариотическое разнообразие кишечника человека. Успехи в прикладной микробиологии, Том 72, 2010; 72: 43–62. [PubMed] [Google Scholar] 11. Брейтбарт М., Хейнс М., Келли С., Энгли Ф., Эдвардс Р.А., Фелтс Б., Махаффи Дж. М., Мюллер Дж., Нултон Дж., Рейхок С. и др. Вирусное разнообразие и динамика в кишечнике младенца. Исследования в микробиологии.2008. 159: 367–373. [PubMed] [Google Scholar] 12. Консорциум IHGS. Завершение эухроматической последовательности генома человека. Природа. 2004; 431: 931–945. [PubMed] [Google Scholar] 13. Уилер Д.А., Сринивасан М., Эгхолм М., Шен Й., Чен Л., МакГуайр А., Хе В., Чен Ю.Дж., Махиджани В., Рот Г.Т. и др. Полный геном человека путем массового параллельного секвенирования ДНК. Природа. 2008. 452: 872–876. [PubMed] [Google Scholar] 14. Фирер Н., Хамади М., Лаубер С.Л., Найт Р. Влияние пола, рукопожатия и мытья рук на разнообразие бактерий на поверхности рук.Труды Национальной академии наук Соединенных Штатов Америки. 2008; 105: 17994–17999. [Бесплатная статья PMC] [PubMed] [Google Scholar] 15. Turnbaugh PJ, Hamady M, Yatsunenko T., Cantarel BL, Duncan A, Ley RE, Sogin ML, Jones WJ, Roe BA, Affourtit JP, et al. Основной микробиом кишечника у тучных и худых близнецов. Природа. 2009. 457: 480–484. [Бесплатная статья PMC] [PubMed] [Google Scholar] 16. Kuczynski J, Lauber CL, Walters WA, Parfrey LW, Clemente JC, Gevers D, Knight R. Экспериментальные и аналитические инструменты для изучения микробиома человека.Природа рассматривает генетику. 2012; 13: 47–58. [Бесплатная статья PMC] [PubMed] [Google Scholar] 17. Schloss PD, Westcott SL, Ryabin T., Hall JR, Hartmann M, Hollister EB, Lesniewski RA, Oakley BB, Parks DH, Robinson CJ, et al. Представляем mothur: программное обеспечение с открытым исходным кодом, независимое от платформы, поддерживаемое сообществом для описания и сравнения сообществ микробов. Прикладная и экологическая микробиология. 2009; 75: 7537–7541. [Бесплатная статья PMC] [PubMed] [Google Scholar] 18. Хартман А.Л., Риддл С., Макфиллипс Т., Людашер Б., Эйзен Дж.Представляем W.A.T.E.R.S .: рабочий процесс для выравнивания, таксономии и экологии рибосомных последовательностей. Биоинформатика BMC. 2010; 11: 317. [Бесплатная статья PMC] [PubMed] [Google Scholar] 19. Коул Дж. Р., Ван К., Карденас Э., Фиш Дж., Чай Б., Фаррис Р. Дж., Кулам-Сайед-Мохидин А. С., МакГаррелл Д. М., Марш Т., ГМ Гаррити, Тидже Дж. М.. Проект базы данных рибосом: улучшенное выравнивание и новые инструменты для анализа рРНК. Исследование нуклеиновых кислот. 2009; 37: D141–145. [Бесплатная статья PMC] [PubMed] [Google Scholar] 20. Caporaso JG, Kuczynski J, Stombaugh J, Bittinger K, Bushman FD, Costello EK, Fierer N, Pena AG, Goodrich JK, Gordon JI, et al.QIIME позволяет анализировать данные секвенирования сообщества с высокой пропускной способностью. Природные методы. 2010. 7: 335–336. [Бесплатная статья PMC] [PubMed] [Google Scholar] 21. Kuczynski J, Liu Z, Lozupone C, McDonald D, Fierer N, Knight R. Методы сходства микробных сообществ различаются по своей способности обнаруживать биологически релевантные паттерны. Нат методы. 2010; 7: 813–819. [Бесплатная статья PMC] [PubMed] [Google Scholar] 22. Lozupone C, Knight R. UniFrac: новый филогенетический метод сравнения микробных сообществ. Прикладная и экологическая микробиология.2005; 71: 8228–8235. [Бесплатная статья PMC] [PubMed] [Google Scholar] 23. Kuczynski J, Costello EK, Nemergut DR, Zaneveld J, Lauber CL, Knights D, Koren O, Fierer N, Kelley ST, Ley RE, et al. Прямое секвенирование микробиома человека легко выявляет различия в сообществах. Геномная биология. 2010; 11 [Бесплатная статья PMC] [PubMed] [Google Scholar] 24. Муэгге Б.Д., Кучински Дж., Найтс Д., Клементе Дж. К., Гонсалес А., Фонтана Л., Хенриссат Б., Найт Р., Гордон Дж. И.. Диета способствует сближению функций микробиома кишечника в филогенезе млекопитающих и в организме человека.Наука. 2011; 332: 970–974. [Бесплатная статья PMC] [PubMed] [Google Scholar] 25. Найтс Д., Костелло Е.К., Найт Р. Классификация микробиоты человека под руководством. Обзоры микробиологии FEMS. 2011; 35: 343–359. [PubMed] [Google Scholar] 26. Уайт Дж. Р., Нагараджан Н., Поп М. Статистические методы обнаружения дифференциально распространенных особенностей в клинических метагеномных образцах. Вычислительная биология PLoS. 2009; 5: e1000352. [Бесплатная статья PMC] [PubMed] [Google Scholar] 27. Йилмаз П., Коттманн Р., Филд Д., Найт Р., Коул Дж. Р., Амарал-Цеттлер Л., Гилберт Дж. А., Карш-Мизрахи И., Джонстон А., Кокрейн Дж. И др.Минимум информации о последовательности маркерного гена (MIMARKS) и минимум информации о спецификациях любой (x) последовательности (MIxS). Биотехнология природы. 2011; 29: 415–420. [Бесплатная статья PMC] [PubMed] [Google Scholar] 28. Йилмаз П., Гилберт Дж. А., Найт Р., Амарал-Зеттлер Л., Карш-Мизрахи И., Кокрейн Дж., Накамура И., Сансоне С. А., Глокнер Ф. О., Филд Д. Консорциум геномных стандартов: воплощение стандартов микробной экологии. Журнал ISME. 2011 [Бесплатная статья PMC] [PubMed] [Google Scholar] 29. Мейер Ф., Паарманн Д., Д’Суза М., Олсон Р., Гласс Э.М., Кубал М., Пациан Т., Родригес А., Стивенс Р., Уилке А. и др.RAST-сервер метагеномики – общедоступный ресурс для автоматического филогенетического и функционального анализа метагеномов. BMC Bioinformatics. 2008; 9: 386. [Бесплатная статья PMC] [PubMed] [Google Scholar] 30. Маки Р.И., Сгир А., Гаскинс Х.Р. Микробная экология развития желудочно-кишечного тракта новорожденных. Am J Clin Nutr. 1999; 69: 1035S – 1045S. [PubMed] [Google Scholar] 31. Домингес-Белло М.Г., Блазер М.Дж., Лей Р.Е., Найт Р. Развитие микробиоты желудочно-кишечного тракта человека и выводы из высокопроизводительного секвенирования.Гастроэнтерология. 2011; 140: 1713–1719. [PubMed] [Google Scholar] 32. Домингес-Белло М.Г., Костелло Е.К., Контрерас М., Магрис М., Идальго Г., Фирер Н., Найт Р. Режим доставки формирует приобретение и структуру исходной микробиоты в различных средах обитания новорожденных. Труды Национальной академии наук Соединенных Штатов Америки. 2010; 107: 11971–11975. [Бесплатная статья PMC] [PubMed] [Google Scholar] 34. Koenig JE, Spor A, Scalfone N, Fricker AD, Stombaugh J, Knight R, Angenent LT, Ley RE.Последовательность микробных консорциумов в развивающемся микробиоме кишечника младенца. Труды Национальной академии наук США. 2010 [Бесплатная статья PMC] [PubMed] [Google Scholar] 35. Фирер Н., Лаубер С.Л., Чжоу Н., Макдональд Д., Костелло Е.К., Найт Р. Криминалистическая идентификация с использованием бактериальных сообществ кожи. Труды Национальной академии наук Соединенных Штатов Америки. 2010; 107: 6477–6481. [Бесплатная статья PMC] [PubMed] [Google Scholar] 36. Caporaso JG, Lauber CL, Costello EK, Berg-Lyons D, Gonzalez A, Stombaugh J, Knights D, Gajer P, Ravel J, Fierer N и др.Движущиеся картинки микробиома человека. Геномная биология. 2011; 12: R50. [Бесплатная статья PMC] [PubMed] [Google Scholar] 37. Костелло Е.К., Лаубер К.Л., Хамади М., Фирер Н., Гордон Дж.И., Найт Р. Изменчивость бактериального сообщества в средах обитания человеческого тела в пространстве и времени. Наука. 2009; 326: 1694–1697. [Бесплатная статья PMC] [PubMed] [Google Scholar] 38. Кунин В., Энгельбрексон А., Охман Х., Гугенгольц П. Морщины в редкой биосфере: ошибки пиросеквенирования могут привести к искусственному завышению оценок разнообразия. Экологическая микробиология.2010; 12: 118–123. [PubMed] [Google Scholar] 39. Айва К., Ланзен А., Кертис Т.П., Давенпорт Р.Дж., Холл N, руководитель IM, Рид Л.Ф., Слоан В.Т. Точное определение микробного разнообразия по 454 данным пиросеквенирования. Природные методы. 2009. 6: 639–641. [PubMed] [Google Scholar] 40. Sun Y, Cai Y, Huse SM, Knight R, Farmerie WG, Wang X, Mai V. Крупномасштабное эталонное исследование существующих алгоритмов для независимого от таксономии анализа микробного сообщества. Брифинги по биоинформатике. 2011 [Бесплатная статья PMC] [PubMed] [Google Scholar] 41.Schloss PD, Westcott SL. Методы оценки и улучшения, используемые в подходах на основе операционных таксономических единиц для анализа последовательности генов 16S рРНК. Прикладная и экологическая микробиология. 2011; 77: 3219–3226. [Бесплатная статья PMC] [PubMed] [Google Scholar] 42. Хьюз С.М., Велч Д.М., Моррисон Х.Г., Согин М.Л. Разглаживание морщин в редкой биосфере за счет улучшенной кластеризации OTU. Экологическая микробиология. 2010; 12: 1889–1898. [Бесплатная статья PMC] [PubMed] [Google Scholar] 43. Сунь И, Цай И, Лю Л., Ю Ф, Фаррелл М.Л., МакКендри В., Фармери В.ESPRIT: оценка видового богатства с использованием больших коллекций пиросеквенций 16S рРНК. Исследование нуклеиновых кислот. 2009; 37: e76. [Бесплатная статья PMC] [PubMed] [Google Scholar] 44. Равель Дж., Гайер П., Абдо З., Шнайдер Г.М., Кениг С.С., МакКулл С.Л., Карлебах С., Горле Р., Рассел Дж., Тэкет СО и др. Микробиом влагалища женщин репродуктивного возраста. Труды Национальной академии наук Соединенных Штатов Америки. 2011. 108 (1): 4680–4687. [Бесплатная статья PMC] [PubMed] [Google Scholar] 45. Arumugam M, Raes J, Pelletier E, Le Paslier D, Yamada T, Mende DR, Fernandes GR, Tap J, Bruls T, Batto JM, et al.Энтеротипы микробиома кишечника человека. Природа. 2011; 473: 174–180. [Бесплатная статья PMC] [PubMed] [Google Scholar] 46. Динсдейл Э.А., Эдвардс Р.А., Холл Д., Энгли Ф., Брейтбарт М., Брюлк Дж. М., Фурлан М., Деснуес С., Хейнс М., Ли Л. и др. Функциональное метагеномное профилирование девяти биомов. Природа. 2008. 452: 629–632. [PubMed] [Google Scholar] 47. Триндж С.Г., фон Меринг С., Кобаяши А., Саламов А.А., Чен К., Чанг Х.В., Подар М., Шорт Дж. М., Матур Э. Дж., Деттер Дж. К. и др. Сравнительная метагеномика микробных сообществ. Наука.2005; 308: 554–557. [PubMed] [Google Scholar] 48. Лей Р. Э., Хамади М., Лозупоне С., Тернбо П. Дж., Рэйми Р. Р., Бирчер Дж. С., Шлегель М. Л., Такер Т. А., Шренцель М. Д., Найт Р., Гордон Д. И.. Эволюция млекопитающих и их кишечных микробов. Наука. 2008; 320: 1647–1651. [Бесплатная статья PMC] [PubMed] [Google Scholar] 49. Мартин Ф.П., Шпренгер Н., Монтолиу И., Реззи С., Кочхар С., Николсон Дж. Диетическое регулирование функциональной экологии кишечника, изученное с помощью фекальной метабономики. Журнал протеомных исследований. 2010; 9: 5284–5295. [PubMed] [Google Scholar] 50.Тернбо П.Дж., Ридаура В.К., Фейт Джей-Джей, Рей Ф.И., Рыцарь Р., Гордон Джи. Влияние диеты на микробиом кишечника человека: метагеномный анализ на гуманизированных гнотобиотических мышах. Наука трансляционная медицина. 2009; 1: 6ра14. [Бесплатная статья PMC] [PubMed] [Google Scholar] 51. Turnbaugh PJ, Ley RE, Mahowald MA, Magrini V, Mardis ER, Gordon JI. Микробиом кишечника, связанный с ожирением, с повышенной способностью собирать энергию. Природа. 2006; 444: 1027–1031. [PubMed] [Google Scholar] 52. Гилмор М.С., Ферретти Дж. Дж. Микробиология: тонкая грань между кишечным комменсалом и патогеном.Наука. 2003; 299: 1999– +. [PubMed] [Google Scholar] 53. Backhed F, Ding H, Wang T, Hooper LV, Koh GY, Nagy A, Semenkovich CF, Gordon JI. Микробиота кишечника как фактор окружающей среды, регулирующий накопление жира. Proc Natl Acad Sci U S. A. 2004; 101: 15718–15723. [Бесплатная статья PMC] [PubMed] [Google Scholar] 54. Ley RE, Backhed F, Turnbaugh P, Lozupone CA, Knight RD, Gordon JI. Ожирение изменяет микробную экологию кишечника. Труды Национальной академии наук Соединенных Штатов Америки. 2005. 102: 11070–11075.[Бесплатная статья PMC] [PubMed] [Google Scholar] 55. Виджай-Кумар М., Эйткен Д.Д., Карвалью Ф.А., Каллендер Т.С., Мванги С., Сринивасан С., Ситараман С.В., Найт Р., Лей Р.Э., Гевиртц А.Т. Метаболический синдром и измененная микробиота кишечника у мышей, лишенных Toll-подобного рецептора 5. Наука. 2010. 328: 228–231. [Бесплатная статья PMC] [PubMed] [Google Scholar] 56. Ley RE, Turnbaugh PJ, Klein S, Gordon JI. Микробная экология: микробы кишечника человека, связанные с ожирением. Природа. 2006; 444: 1022–1023. [PubMed] [Google Scholar] 57. Hehemann J, Correc G, Barbeyron T, Helbert W, Czjzek M, Michel G.Перенос углеводно-активных ферментов от морских бактерий к микробиоте кишечника японцев. Природа. 2010; 464: 908–912. [PubMed] [Google Scholar] 58. Детлефсен Л., Хусе С., Согин М.Л., Рельман Д.А. Распространенное влияние антибиотика на микробиоту кишечника человека, выявленное глубоким секвенированием 16S рРНК. Plos Biology. 2008. 6: 2383–2400. [Бесплатная статья PMC] [PubMed] [Google Scholar] 59. Детлефсен Л, Релман Д.А. Неполное восстановление и индивидуальные ответы микробиоты дистального отдела кишечника человека на повторяющееся воздействие антибиотиков.Труды Национальной академии наук Соединенных Штатов Америки. 2011. 108 (1): 4554–4561. [Бесплатная статья PMC] [PubMed] [Google Scholar] 60. Детлефсен Л., Хусе С., Согин М.Л., Рельман Д.А. Всестороннее воздействие антибиотика на микробиоту кишечника человека, что выявлено глубоким секвенированием 16S рРНК. Plos Biology. 2008; 6: e280. [Бесплатная статья PMC] [PubMed] [Google Scholar] 61. Джернберг С., Лофмарк С., Эдлунд С., Янссон Дж. Долгосрочное экологическое влияние приема антибиотиков на микробиоту кишечника человека.Журнал ISME. 2007; 1: 56–66. [PubMed] [Google Scholar] 62. Джернберг С., Лофмарк С., Эдлунд С., Янссон Дж. Долгосрочное экологическое влияние приема антибиотиков на микробиоту кишечника человека. Isme Journal. 2007; 1: 56–66. [PubMed] [Google Scholar] 63. Джернберг К., Салливан А., Эдлунд С., Янссон Дж. Мониторинг вызванных антибиотиками изменений в микрофлоре кишечника человека и обнаружение пробиотических штаммов с использованием терминального полиморфизма длины рестрикционных фрагментов. Прикладная и экологическая микробиология.2005. 71: 501–506. [Бесплатная статья PMC] [PubMed] [Google Scholar] 64. Jakobsson HE, Jernberg C, Andersson AF, Sjolund-Karlsson M, Jansson JK, Engstrand L. Краткосрочное лечение антибиотиками оказывает различное долгосрочное воздействие на микробиом горла и кишечника человека. PLoS ONE. 2010; 5 [Бесплатная статья PMC] [PubMed] [Google Scholar] 65. Маничан С., Ридер Дж., Гиберт П., Варела Э., Ллопис М., Антолин М., Гиго Р., Найт Р., Гварнер Ф. Изменение микробиома кишечника с помощью бактериальной трансплантации и приема антибиотиков. Геномные исследования.2010; 20: 1411–1419. [Бесплатная статья PMC] [PubMed] [Google Scholar] 66. Mellow MH, Kanatzar A. Колоноскопическая фекальная бактериотерапия в лечении рецидивирующей инфекции Clostridium difficile – результаты и наблюдение. Журнал Медицинской ассоциации штата Оклахома. 2011; 104: 89–91. [PubMed] [Google Scholar] 67. Grehan MJ, Borody TJ, Leis SM, Campbell J, Mitchell H, Wettstein A. Устойчивое изменение микробиоты толстой кишки путем введения донорской фекальной флоры. Журнал клинической гастроэнтерологии.2010. 44: 551–561. [PubMed] [Google Scholar] 68. Гарборг К., Ваагсбо Б., Сталлемо А., Матре Дж., Сундой А. Результаты инстилляционной терапии фекального донора при рецидивирующей диарее, связанной с Clostridium difficile. Скандинавский журнал инфекционных болезней. 2010. 42: 857–861. [PubMed] [Google Scholar] 69. Сильверман М.С., Дэвис I, Пиллай ДР. Успех самостоятельной трансплантации фекалий в домашних условиях при хронической инфекции Clostridium difficile. Клиническая гастроэнтерология и гепатология: официальный журнал клинической практики Американской гастроэнтерологической ассоциации.2010. 8: 471–473. [PubMed] [Google Scholar] 70. МакКоннаки А.А., Фокс Р., Кеннеди Д.Р., Ситон Р.А. Пересадка фекалий при рецидивирующей диарее, связанной с Clostridium difficile: серия случаев в Великобритании. QJM: ежемесячный журнал Ассоциации врачей. 2009. 102: 781–784. [PubMed] [Google Scholar] 71. Вы DM, Franzos MA, Holman RP. Успешное лечение молниеносной инфекции Clostridium difficile фекальной бактериотерапией. Анналы внутренней медицины. 2008. 148: 632–633. [PubMed] [Google Scholar] 72. Тведе М., Раск-Мадсен Дж.Бактериотерапия хронической рецидивирующей диареи Clostridium difficile у шести пациентов. Ланцет. 1989; 1: 1156–1160. [PubMed] [Google Scholar] 73. Хоруц А., Диксвед Дж., Янссон Дж. К., Садовски М.Дж. Изменения в составе фекального микробиома человека после бактериотерапии рецидивирующей диареи, связанной с Clostridium difficile. Журнал клинической гастроэнтерологии. 2010. 44: 354–360. [PubMed] [Google Scholar] 74. Вера Дж. Дж., Рей Ф. Е., О’Доннелл Д., Карлссон М., МакНалти Н. П., Каллстром Дж., Гудман А. Л., Гордон Дж. И..Создание и характеристика сообществ кишечных микробов человека у мышей-гнотобиотов. Журнал ISME. 2010; 4: 1094–1098. [Бесплатная статья PMC] [PubMed] [Google Scholar] 75. Гудман А.Л., Макналти Н.П., Чжао Ю., Лейп Д., Митра Р.Д., Лозупоне, Калифорния, Найт Р., Гордон Дж. И.. Определение генетических детерминант, необходимых для создания симбионта кишечника человека в его среде обитания. Клеточный хозяин и микроб. 2009. 6: 279–289. [Бесплатная статья PMC] [PubMed] [Google Scholar]
Изучение взаимоотношений микробиома и метаболома с помощью нейронных сетей
Образец цитирования: Рейман Д., Лейден Б.Т., Дай Й. (2021 г.) MiMeNet: Изучение взаимоотношений микробиома и метаболома с помощью нейронных сетей.PLoS Comput Biol 17 (5): e1009021. https://doi.org/10.1371/journal.pcbi.1009021
Редактор: Педро Мендес, Медицинский факультет Университета Коннектикута, США
Поступило: 31 июля 2020 г .; Принята к печати: 28 апреля 2021 г .; Опубликовано: 17 мая 2021 г.
Авторские права: © 2021 Reiman et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.
Доступность данных: https://github.com/YDaiLab/MiMeNet.
Финансирование: BTL получило финансирование от Национальных институтов здравоохранения (R01DK104927, P30DK020595, https://www.niddk.nih.gov/research-funding) и Департамента по делам ветеранов (I01BX003382, https: // www. .research.va.gov / about / funded-projects.cfm). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.
Конкурирующие интересы: Авторы заявили, что конкурирующих интересов не существует.
Введение
Было показано, что микробиом влияет как на развитие хозяина, нормальные метаболические процессы, так и на патогенез различных заболеваний [1–3]. Особый интерес представляет микробиом кишечника человека, который связан с такими заболеваниями, как воспалительные заболевания кишечника (ВЗК), ожирение и сахарный диабет [4–7]. В то время как предыдущие исследования выявили различные ассоциации микробов и болезней, недавние исследования также выявили центральную роль бактериальных метаболитов и их влияние на здоровье хозяина [8–13].Перекрестные помехи между микробиомом и метаболом широко распространены. Например, сильные ассоциации между микробами и метаболитами были обнаружены в метаболомных профилях кишечника и крови [14], а также в кишечнике пациентов с ВЗК [15]. Обилие метаболических путей относительно стабильно, несмотря на значительные различия в таксономическом составе среди особей [16–19]. Таким образом, идентификация механизмов взаимодействия микробиома и метаболома путем моделирования метаболической активности сообщества имеет важное значение для понимания того, как микробиом влияет на здоровье хозяина, и для разработки точных методов лечения для профилактики или лечения хронических заболеваний [20, 21].
Ранние методы моделирования были сосредоточены на сопоставлении метагеномных характеристик с метаболомными характеристиками из-за недоступности метаболомных профилей. Один набор методов, называемый прогнозируемым реактивным метаболическим обменом (PRMT), использует известные ферментативные реакции из аннотаций генома и существующих метаболических путей для расчета относительной продукции и потребления метаболитов с использованием профилей изобилия метагеномных генов [22, 23]. Другие методы были сосредоточены на основанном на ограничениях стехиометрическом моделировании с использованием анализа баланса потока для изучения скорости потока метаболитов в сообществе [24, 25].Основным ограничением этих подходов является их зависимость от аннотированных ссылок. Отсутствующие или неправильные аннотации могут привести к плохой работе моделей. Кроме того, использование аннотаций затрудняет выявление новых механизмов.
Совсем недавно было разработано несколько моделей машинного обучения для сопоставления метагеномных характеристик с метаболитами, поскольку обе эти данные становятся все более доступными. Один метод, MelonnPan, использует линейную регрессию Elastic Net для моделирования относительного содержания каждого метаболита с использованием метагеномных таксономических или функциональных характеристик [26].Основное внимание в MelonnPan уделяется прогнозному моделированию метаболитов, чтобы изученные модели можно было использовать для прогнозирования метаболомов в аналогичных исследованиях, где доступен только микробиом. MelonnPan продемонстрировал многообещающую производительность, однако он моделирует каждый метаболит индивидуально, упуская возможность использовать общую информацию по метаболомным функциям для повышения эффективности прогнозирования. Другой метод, mmvec, использует нейронные сети для оценки условной вероятности присутствия метаболита при наличии определенной микробной последовательности [27].mmvec фокусируется на изучении встраивания микробных последовательностей и метаболитов для захвата взаимодействий микробов и метаболитов, поэтому он не может предсказать весь метаболомный профиль. Другая недавняя модель, основанная на нейросетевом кодировщике-декодере (NED), предложила ограничения разреженности и неотрицательных весов для отображения микробиомов в метаболомы [28, 29]. Использование неотрицательных весов в NED накладывает жесткие ограничения на модель, которые могут ограничивать способность к обучению. Следовательно, эти существующие модели не полностью исследовали взаимодействия микробиома и метаболома, которые могут быть обнаружены с помощью интегративного анализа.
В этой работе мы представляем MiMeNet (Microbiome-Metabolome Network), многослойную нейронную сеть персептрона (MLPNN), которая моделирует профиль метаболома сообщества с использованием метагеномных таксономических или функциональных характеристик, полученных из образца микробиома. Использование MLPNN позволяет MiMeNet масштабироваться в отношении количества метагеномных и метаболомных функций в двух типах данных omics. Более того, при одновременном изучении нескольких метаболитов основная информация может быть передана для улучшения обучения метаболитов схожими паттернами [30], что приводит к более надежным прогнозным моделям и, следовательно, более надежным взаимодействиям микробиома и метаболома.Здесь мы используем три парных набора метагеномно-метаболомных данных, полученных в результате исследований ВЗК, кистозного фиброза, среды смачивания почвы, а также дополнительный набор внешних данных ВЗК, чтобы оценить способность MiMeNet прогнозировать метаболомные профили по метагеномным характеристикам путем сравнения с существующими методами. Используя наборы данных IBD, мы дополнительно показываем, как MiMeNet использует изученные сетевые модели для создания иерархий метагеномных и метаболомных модулей, которые дополнительно раскрывают взаимодействия микробов с метаболитами и их связи с состоянием хозяина IBD.Пакет MiMeNet и наборы данных, используемые для оценки, находятся в свободном доступе по адресу https://github.com/YDaiLab/MiMeNet.
Результаты
Фреймворк MiMeNet
MiMeNet – это комплексная платформа для анализа данных микробиома и метаболома с использованием MLPNN, которая обучает модели точному прогнозированию метаболома на основе образца микробиома, представленного таксономическим составом микробов или характеристиками микробных генов. С помощью изученных сетевых моделей MiMeNet выполняет дополнительный анализ для извлечения оценок атрибуции между всеми парами микроб-метаболит и организует микробы и метаболиты в модули в соответствии с паттернами их оценок атрибуции.Эти модули можно использовать для изучения взаимодействий микробов и метаболитов между модулями и оценки статистических ассоциаций модулей с фенотипами хозяина. MiMeNet использует преимущества многомерного обучения, используя весь микробиом для моделирования содержания всех метаболитов в единой архитектуре нейронной сети. Такой подход позволяет MiMeNet обучать более надежные модели. Обзор инфраструктуры MiMeNet показан на рис. 1.
Рис. 1. Структура модели обучения MiMeNet.
MiMeNet использует парные данные микробиома и метаболома для обучения модели.Характеристики обилия микробиома (зеленый) используются для обучения нейронной сети прогнозированию характеристик обилия метаболитов (синий). Идентифицируются хорошо спрогнозированные метаболиты, и обученные модели используются для изучения матрицы балльной оценки микробов и метаболитов. Матрица оценок атрибуции разбивается на модули микробов и метаболитов, которые затем используются для построения сети взаимодействия на основе модулей.
https://doi.org/10.1371/journal.pcbi.1009021.g001
Архитектура сети в MiMeNet сначала определяется для каждого парного набора данных путем настройки гиперпараметров для количества и размера скрытых слоев, параметра штрафа регуляризации L2. , и процент отсева.Затем MiMeNet обучает несколько сетевых моделей с использованием 10-кратной перекрестной проверки, и прогнозирующая способность модели измеряется с помощью усредненных коэффициентов корреляции Спирмена (SCC) между прогнозируемым и наблюдаемым содержанием метаболитов в образцах в тестовых наборах. Протоколы обучения модели MLPNN описаны в разделе “Методы”. Затем MiMeNet генерирует фоновое распределение SCC посредством нескольких итераций перетасовки набора данных и выполнения перекрестной проверки для перетасованного набора.Это фоновое распределение SCC затем используется для определения порогового значения для хорошо предсказанных метаболитов. Затем, используя изученные веса сети, полученные в результате обучения с перекрестной проверкой, MiMeNet строит оценочную матрицу атрибуции микробов и метаболитов между микробами и хорошо спрогнозированными метаболитами. Затем MiMeNet бикластеризует матрицу оценок на микробные и метаболомные модули, группируя микробы или метаболиты с общими шаблонами атрибуции признаков и конструирует сеть взаимодействия на основе модулей.Кроме того, MiMeNet обучает окончательную модель прогнозирования, которая будет использоваться для прогнозирования метаболомного профиля внешнего набора с аналогичными микробными характеристиками (методы).
MiMeNet идентифицирует значительно коррелированные метаболиты
Мы использовали три набора данных для разработки и оценки MiMeNet (Таблица 1). Первый набор данных был взят из опубликованного исследования пациентов, включенных в PRISM (проспективный регистр в исследовании ВЗК в Массачусетской больнице общего профиля), в котором участвовал 121 пациент с ВЗК и 34 человека в контрольной группе [15].Кроме того, он включает еще один набор из 43 IBD и 20 контрольных субъектов из двух других когорт. Этот набор будет использоваться для внешней оценки. Второй набор данных был взят из исследования, в котором были собраны образцы легочной мокроты у 172 пациентов с муковисцидозом [31]. Третий набор данных был взят из воды, содержащей биокорку, и фиксирует микробную и метаболическую активность, вызванную увлажнением почвы в пяти временных точках на четырех последовательных стадиях биокорки [32]. Для наборов данных по ВЗК, муковисцидозу и почве количество микробов составляет 201, 657 и 446 соответственно; количество метаболитов составляет 8848, 168 и 85 соответственно (подробности см. в разделе “Методы”).
Используя фоновые распределения, созданные с помощью MiMeNet (метод), пороговые значения для SCC между прогнозируемым и наблюдаемым содержанием метаболитов оказались равными 0,136, 0,129 и 0,410 для наборов данных IBD (PRISM), кистозного фиброза и почвы, соответственно. Основываясь на этих пороговых значениях, MiMeNet определил, что метаболиты должны быть хорошо предсказаны для 6857 (77,50%) из 8848 метаболитов в наборе данных IBD (PRISM), 143 (94,08%) из 152 метаболитов в наборе данных по муковисцидозу и 29 ( 34.12%) из 85 метаболитов в наборе данных о почве. Распределения SCC в фоновых и наблюдаемых данных показаны на рис. 2A – 2C. В наборе данных о почве был самый низкий процент хорошо предсказанных метаболитов, что могло быть связано с большим пороговым значением. Мы подозреваем, что это связано с процедурой начальной загрузки, выполняемой с набором данных небольшого размера, а также с тем фактом, что набор данных является продольным и выборки могут быть коррелированы друг с другом. Наша оценка показывает сильную предсказуемость моделей MiMeNet, обученных на данных с разумными размерами выборки.
Рис. 2. Распределение корреляций (фоновое и наблюдаемое) и оценка многомерного обучения.
Фоновое (синий) и наблюдаемое (оранжевый) распределения показаны для наборов данных (A) IBD (PRISM), (B) кистозный фиброз и (C) почвы. Красная вертикальная линия обозначает 95 ^-й процентиль фоновых корреляций, а серая область представляет хорошо спрогнозированную область с использованием этого порога. (D) График разброса, сравнивающий корреляции аннотированных метаболитов между моделями, обученными только на аннотированном наборе, и моделями, обученными на полном наборе метаболитов.(E) Средняя корреляция и (F) количество хорошо предсказанных метаболитов, обнаруженных в моделях, обученных на аннотированном наборе метаболитов и полном наборе метаболитов, когда гауссовский шум добавляется к входным данным аннотированного набора метаболитов. Все результаты в (D) – (F) предназначены для прогнозирования аннотированных метаболитов.
https://doi.org/10.1371/journal.pcbi.1009021.g002
Многовариантное обучение повысило эффективность прогнозирования MiMeNet
Чтобы оценить, улучшает ли многомерное обучение прогнозирование метаболомных профилей, мы обучили две отдельные модели, используя 10 итераций 10-кратной перекрестной проверки с использованием набора данных IBD (PRISM).Первая модель была обучена предсказывать весь набор метаболитов, а вторая модель была обучена предсказывать 466 аннотированных наборов метаболитов без включения остальных метаболитов. Затем мы сравнили SCC 466 метаболитов из обеих моделей и наблюдали, что при обучении всему набору метаболитов количество хорошо предсказанных метаболитов для аннотированного набора увеличилось с 333 до 366. Кроме того, SCC аннотированных метаболитов значительно увеличились. увеличился с 0.От 259 до 0,309 при использовании всех метаболитов для обучения MiMeNet (P <10 ^-47, критерий знакового ранга Вилкоксона). График разброса, сравнивающий характеристики корреляции прогнозирования, показан на рис. 2D.
Затем мы оценили надежность MiMeNet путем постепенного увеличения шума аннотированного набора метаболитов. В частности, с 10-кратной перекрестной проверкой мы обучили модели, используя все метаболиты и используя только аннотированный набор для прогнозирования 466 аннотированного набора. Для каждого раздела перекрестно проверенного обучения мы добавляли гауссов шум к аннотированным метаболитам в данных обучения.Мы заметили, что две модели работают одинаково при небольшом уровне шума. Однако, как только шум увеличился до более высоких уровней и имел дисперсию более 2, модели, обученные только на аннотированном наборе, рухнули и больше не могли предсказывать аннотированные метаболиты. С другой стороны, модели, обученные с использованием всех метаболитов, были намного более устойчивы к шуму на более высоких уровнях и могли предсказывать аннотированные метаболиты в гораздо большей степени по сравнению с моделями, обученными с использованием только аннотированного набора (рис. 2E и 2F).Эти результаты показывают, что MiMeNet извлек выгоду из многомерного обучения.
MiMeNet устойчив к размеру обучающего набора данных и выбору гиперпараметров
Чтобы оценить производительность MiMeNet на разных объемах данных для обучения и тестирования, мы сравнили k-кратные перекрестно проверенные корреляции прогнозов (k = 10, 5, 3 и 2) с использованием наборов данных IBD (PRISM) и кистозного фиброза ( набор данных о почве был исключен из этого анализа из-за небольшого объема данных). В IBD (PRISM) мы наблюдали только небольшое снижение производительности (средний коэффициент корреляции уменьшился с 0.297 до 0,218) по мере уменьшения количества разделов (рис. 3A). Точно так же в наборе данных по муковисцидозу корреляция немного снизилась с 0,457 до 0,410 (рис. 3B). Кроме того, мы оценили производительность при случайном разбиении на 100%, 80%, 60% и 40% всех наборов данных. Для каждого уровня подмножества было создано 3 случайных набора данных подмножества. Затем для каждого набора данных были настроены сетевые гиперпараметры и было выполнено 10 итераций 10-кратной перекрестной проверки, чтобы оценить, как уменьшение общего количества выборок повлияло на корреляцию прогнозов (рис. 3C).По мере уменьшения размера набора данных мы наблюдали уменьшение набора данных IBD (PRISM) со средней корреляции 0,287 до 0,179 и уменьшение набора данных по муковисцидозу со средней корреляции 0,443 до 0,364. Кроме того, мы оценили набор данных IBD (внешний) для каждой модели MiMeNet, обученной на наборе данных IBD (PRISM), и наблюдали снижение средней корреляции с 0,222 до 0,162. Несмотря на то, что, как и ожидалось, произошло снижение общих корреляций, мы показываем, что MiMeNet все еще может предсказывать метаболомные профили при использовании меньших наборов обучающих данных.
Рис. 3. Средний корреляционный анализ с использованием различных объемов обучающих данных.
Корреляции для 10-, 5-, 3- и 2-кратных оценок перекрестной проверки показаны для наборов данных (A) IBD (PRISM) и (B) по кистозному фиброзу. (C) Подмножества IBD (PRISM) и кистозного фиброза, соответствующие 100%, 80%, 60% и 40% от общего количества образцов, используются в качестве входных данных для MiMeNet. Были созданы три случайных набора данных для каждого уровня подмножества, а затем для трех вычисляется средняя корреляция с использованием 10 итераций 10-кратной перекрестной проверки.Кроме того, модели, обученные на полных подмножествах данных IBD (PRISM), используются для оценки набора тестов IBD (External).
https://doi.org/10.1371/journal.pcbi.1009021.g003
Мы также сравнили эффективность прогноза с использованием двух типов представлений численности микробов: относительной численности (RA) и центрированного логарифмического преобразования численности (CLR). ). Корреляции прогнозов в наборе данных IBD (PRISM) были сопоставимы между обеими трансформациями, однако мы увидели увеличение корреляций в наборах данных по муковисцидозу и почве при использовании CLR.Кроме того, мы наблюдали улучшение производительности прогнозирования на наборе тестов IBD (внешний) при использовании преобразования CLR (S1 рис.).
Наконец, мы оценили, приводит ли совместное использование изученных гиперпараметров между всеми проверенными разделами в MiMeNet к переобучению. Хотя выполнение одного запуска общей настройки гиперпараметров позволяет значительно повысить эффективность вычислений, это потенциально может быть источником систематической ошибки. Мы оценили наборы данных IBD (PRISM) и муковисцидоза с использованием единого общего набора гиперпараметров, изученного на первом разделе, на предмет перекрестной проверки, при которой гиперпараметры настраиваются для каждого раздела.Используя набор данных IBD (PRISM), мы наблюдали увеличение среднего SCC при настройке каждой итерации, в то время как в наборе данных по муковисцидозу мы наблюдали снижение среднего SCC. Несмотря на снижение показателей в наборе данных по муковисцидозу, 141 из 143 значительно коррелированных метаболитов все же был идентифицирован. Сравнение двух оценок для каждого набора данных показано на рис. S2. Вместе MiMeNet демонстрирует надежную производительность с использованием предложенной процедуры настройки параметров.
MiMeNet превосходит модели в MelonnPan
Для сравнительного анализа мы сначала сравнили MiMeNet с MelonnPan, недавней моделью, которая использует линейную регрессию Elastic Net для прогнозирования обилия метаболитов на основе характеристик микробного обилия [26].Эластичная чистая регрессия применяет линейную комбинацию регуляризаций L1 и L2, чтобы избежать переобучения. В случае MelonnPan линейная модель обучается для одного метаболита за раз и не может получить пользу от многомерного обучения. В нашем исследовании MelonnPan оценивался с использованием тех же разделов данных из 10 итераций 10-кратной перекрестной проверки для каждого набора данных. Однако в случае набора данных IBD (PRISM) были предсказаны только аннотированные метаболиты из-за большого времени работы для всего набора метаболитов.С другой стороны, MiMeNet был обучен предсказывать все метаболиты в наборе данных IBD (PRISM). Мы заметили, что в каждом из наборов данных, обученных с использованием перекрестной проверки (рис. 4A – 4C), MiMeNet имеет более высокую корреляцию для прогнозов для всех метаболитов по сравнению с MelonnPan. В наборе данных IBD (PRISM) средняя корреляция увеличилась с 0,108 до 0,309 при оценке аннотированных метаболитов. При обучении MiMeNet только аннотированным метаболитам мы наблюдали аналогичный результат с повышенной корреляцией до 0.259 (S3 Рис). В наборе данных по муковисцидозу средняя корреляция увеличилась с 0,276 до 0,457. В наборе данных о почве средняя корреляция от MelonnPan составила -0,272 и была увеличена до 0,264 с помощью MiMeNet. Кроме того, мы оценили производительность моделей, полученных из MelonnPan и MiMeNet, с использованием набора данных IBD (External) для аннотированных метаболитов. Средняя корреляция аннотированных метаболитов увеличилась с 0,168 до 0,275 (рис. 4D). Среди 20 лучших метаболитов MiMeNet из набора данных IBD (PRISM) (рис. 4E) это жирные кислоты (эйкозатриеновая кислота, докозапентаеновая кислота, адреновая кислота и докозапентаеноат) и желчные кислоты (хенодезоксихолат и холат).Оба этих класса метаболитов были связаны с ВЗК в предыдущих исследованиях [33–35].
Рис. 4. Диаграммы разброса, сравнивающие корреляции прогнозов MiMeNet и MelonnPan.
Диаграммы разброса, показывающие корреляции прогнозов метаболитов MiMeNet и MelonnPan для (A) набора данных PRISM IBD, (B) набора данных о муковисцидозе и (C) набора данных о почве, каждый из которых обучен с использованием 10 итераций 10-кратной перекрестной проверки. (D) Кроме того, 10 итераций обеих моделей были обучены на наборе данных PRISM для оценки внешнего набора данных IBD.Каждая точка представляет собой среднюю корреляцию метаболита за 10 итераций тренировки. (E) Показаны 20 лучших коррелированных метаболитов, определенных из набора данных PRISM IBD.
https://doi.org/10.1371/journal.pcbi.1009021.g004
Кроме того, в наборе данных IBD (PRISM) MiMeNet идентифицировал 351 хорошо предсказанный метаболит из 466 аннотированных метаболитов. Несмотря на то, что MelonnPan использует порог корреляции по умолчанию, равный 0,3, при использовании того же порога корреляции, полученного с помощью MiMeNet, MelonnPan идентифицировал 198 хорошо предсказанных метаболитов, из которых 181 был идентифицирован MiMeNet.В наборе данных о муковисцидозе MiMeNet идентифицировал 143 хорошо предсказанных метаболита, в то время как MelonnPan идентифицировал 104. В наборе данных о почве MiMeNet идентифицировал 29 хорошо предсказанных метаболитов, в то время как MelonnPan идентифицировал 4. При обучении с использованием всего набора данных IBD (PRISM) для прогнозирования IBD ( Данные внешних) испытаний, MiMeNet идентифицировал 308 хорошо предсказанных метаболитов, в то время как MelonnPan идентифицировал 186, из которых 160 также были идентифицированы MiMeNet (S4 Рис.). При анализе общей корреляции предсказаний и количества хорошо предсказанных метаболитов мы заметили, что улучшение MiMeNet не было глобальным улучшением для всех метаболитов, а скорее произошло из-за того, что MiMeNet смог смоделировать большой набор микробов, чего не мог MelonnPan.Например, в наборе данных IBD (PRISM) было 237 метаболитов с отрицательной корреляцией прогноза. Из этих метаболитов MiMeNet смог предсказать 160 с корреляцией выше установленного порогового значения. Эти метаболиты также составляли набор метаболитов с прогнозируемой корреляцией 0 в наборе IBD (внешний) при использовании MelonnPan. При исследовании этот набор метаболитов преимущественно состоял из триацилглицеринов, длинноцепочечных жирных кислот и желчных кислот. Было показано, что эти три класса метаболитов взаимодействуют с различными микробами, а также относятся к пациентам с ВЗК.
Мы заметили, что время работы MiMeNet было устойчивым и не масштабировалось в значительной степени с учетом количества метаболитов, поскольку все три набора данных выполнялись за аналогичные промежутки времени (таблица 2). Эти результаты показывают, что MiMeNet извлек выгоду из многомерного обучения, масштабируемости MLPNN и способности MLPNN улавливать сложные отношения между микробиомом и метаболомами.
Таблица 2. Время работы MiMeNet и MelonnPan.
Время работы MiMeNet было рассчитано с использованием рекомендованных настроек со страницы Github: 20 случайных поисков для настройки гиперпараметров, 10 итераций 10-кратной перекрестной проверки для оценки прогнозов, 10 итераций 10-кратной перекрестной проверки для генерации фона и обучения 10 финальных моделей-кандидатов.MelonnPan был запущен с использованием 10-итераций 10-кратной перекрестной проверки, а для набора данных IBD (PRISM) MelonnPan использовал только 466 аннотированных метаболомных функций.
https://doi.org/10.1371/journal.pcbi.1009021.t002
Кроме того, мы сравнили MiMeNet с другими моделями общей регрессии, например, случайным лесом (RF), многомерной эластичной сетью и каноническим корреляционным анализом (CCA). модели с использованием 10 итераций 10-кратной перекрестной проверки (таблицы S1 – S3). Основываясь на трех оценочных показателях, i.е., SCC, коэффициент корреляции Пирсона (PCC) и средняя абсолютная ошибка (MAE), мы наблюдали, что для наборов данных IBD (PRISM) и кистозного фиброза лучше всего работали модели MiMeNet и RF. Для набора данных о почве мы отметили, что модели CCA показали наилучшие результаты, что может быть связано с чрезвычайно малым размером выборки набора данных о почве. Когда модели были обучены на всем наборе данных IBD (PRISM) для прогнозирования набора данных IBD (External), мы заметили, что MiMeNet превосходит все другие модели.
MiMeNet определяет биологически важные модули микробов и метаболитов
Чтобы определить, какая группа микробов коллективно внесла вклад в группу метаболитов, мы вычислили оценки атрибуции признаков для всех пар микробов и 6857 хорошо предсказанных метаболитов, используя сетевые веса обученных моделей, полученных из набора данных IBD (PRISM). .Мы идентифицировали 163 микроба, которые имели по крайней мере одну значимую оценку атрибуции с хорошо предсказанным метаболитом (методы). Положительный результат означает, что микроб положительно влияет на прогноз содержания метаболита. Аналогичным образом, отрицательный результат отрицательно влияет на прогноз содержания метаболита. Чтобы выявить структуру оценок атрибуции, мы сгруппировали микробы и метаболиты в модули, используя бикластеризацию (методы). Мы идентифицировали 8 модулей микробов и метаболитов соответственно (рис. 5A) и вычислили значение функции модуля как среднее количество функций в модуле для каждого образца.Затем мы построили двудольный граф между модулями микробов и метаболитов, так что оценка атрибуции была средней оценкой атрибуции, найденной в пределах блока, идентифицированного обоими модулями (рис. 5B).
Рис. 5. Кластеризация микробов и метаболитов в наборах данных IBD.
(A) Кластеризация микробов (строка) и метаболитов (столбец) на основе баллов атрибуции признаков, полученных из набора данных IBD (PRISM). Цвета строк и столбцов представляют назначенные модули. (B) Сеть, соединяющая микробные модули с метаболомными модулями.Наиболее распространенные роды аннотированы для модулей микробов. Наиболее распространенные классы метаболитов аннотированы для модулей метаболитов. Красные связи указывают на отрицательную атрибуцию, а зеленые края указывают на положительную атрибуцию. Цвет узла представляет цвет модуля из (A). (C) Индекс Жаккара и (D) корреляция Спирмена между функциями модулей WGCNA и MiMeNet. Значения индекса Жаккара и p-значения корреляции Спирмена показаны в полях. (E) Прогнозирование статуса IBD для IBD (внешний) с использованием моделей, обученных на значениях характеристик модуля WGCNA, значениях характеристик модуля MiMeNet и исходной численности на основе микробных и метаболомных данных IBD (PRISM).
https://doi.org/10.1371/journal.pcbi.1009021.g005
Далее мы исследовали, обогащен ли модуль для одной группы пациентов (ВЗК или здоровых), сравнивая средние нормализованные значения характеристик членов в пределах модуль между двумя группами с использованием образцов IBD (PRISM) (P <0,05, критерий суммы рангов Вилкоксона). Мы заметили, что 7 из 8 микробных модулей значительно различались между группами с использованием данных IBD (PRISM). Используя данные IBD (внешние), два модуля все еще существенно различались; и даже несмотря на то, что другие модули больше не были значимыми, у них были сходные тенденции в различиях между группами (рис. 6A и 6C).Мы также обнаружили, что 7 из 8 метаболических модулей значительно различались между группами, используя данные IBD (PRISM), а при использовании данных IBD (External) одни и те же 7 модулей также значительно различались между группами (рис. 6B и 6D). Чтобы дополнительно изучить прогностическую эффективность MiMeNet в каждом модуле метаболитов, мы рассчитали средние значения SCC и PCC для членов в каждом модуле как на основе перекрестной проверки, так и оценки данных IBD (внешних) (S5, рис.). Для оценки с перекрестной проверкой средний SCC для каждого модуля находился в диапазоне от 0.От 25 до 0,41, а среднее значение PCC варьировалось от 0,21 до 0,35, показывая, что каждый модуль вносил свой вклад в общую производительность прогнозирования модели MiMeNet. При оценке IBD (внешняя) средний SCC варьировался от 0,14 до 0,28, а средний PCC - от 0,06 до 0,25. Хотя значения уменьшились в данных IBD (внешних), модули с более высокими средними значениями SCC и PCC в оценке с перекрестной проверкой также были модулями с более высокими значениями SCC и PCC в данных IBD (внешних). Взятые вместе, эти результаты показывают, что способность к прогнозированию, а также информация, которую несут коллективные члены каждого модуля, могли быть переданы внешней когорте пациентов.
Рис. 6. Обилие микробных и метаболических модулей в зависимости от статуса пациента в наборе данных IBD (PRISM).
Среднее нормализованное количество членов в модулях показано здесь для здоровых пациентов и пациентов с ВЗК из набора данных IBD (PRISM) с использованием (A) микробного и (B) метаболического модулей и из набора данных IBD (External) с использованием (C) микробного и (D) метаболические модули, идентифицированные MiMeNet. P-значения двустороннего критерия суммы рангов Вилкоксона показаны внизу.
https: // doi.org / 10.1371 / journal.pcbi.1009021.g006
Четыре модуля метаболитов были обогащены у здоровых субъектов, то есть имели более высокие средние значения характеристик модуля. Первый модуль (модуль 2) содержал жирные кислоты со средней длиной цепи (MCFA), тритерпеноиды и холестерины. Было показано, что тритерпеноиды, такие как олеаноловая кислота и маслиновая кислота, обладают противовоспалительным действием, а также улучшают целостность плотных контактов кишечника [36], и были исследованы в качестве терапевтических вариантов для лечения ВЗК [36–38]. Кроме того, как холестерин, так и MCFAs были истощены у субъектов с IBD [39].Второй модуль (модуль 3) содержал молекулы MCFA, а также вторичные желчные кислоты, такие как дезоксихолевая кислота и литохолевая кислота, количество которых, как было обнаружено, снижено у пациентов с ВЗК [40, 41]. Третий модуль (модуль 7) в основном состоял из короткоцепочечных жирных кислот (SFCA), таких как пропионат, бутират и валериановая кислота, которые, как было показано, обладают защитными свойствами от ВЗК [34]. Последний модуль (модуль 8) содержал трирадилглицерины, дефицит которых в предыдущих исследованиях был обнаружен у субъектов с ВЗК [39].
Аналогичным образом, у пациентов с ВЗК были обнаружены три модуля метаболитов. Первый модуль (модуль 1) состоит из большой части первичных желчных кислот, аминов, аминокислот, сложных эфиров холестерина и длинноцепочечных жирных кислот (LCFA). Первичные желчные кислоты способствуют перевариванию липидов и далее деконъюгируются до вторичных желчных кислот микробами в кишечнике. Ранее было показано, что деконъюгация первичных желчных кислот у субъектов с ВЗК имеет нарушенную способность, вызывая большее количество первичных желчных кислот [40].Кроме того, в предыдущих исследованиях было показано, что эти первичные желчные кислоты связываются с рецептором фарнезоида X, что связано с повышенным иммунным ответом при ВЗК [42]. Также было показано, что у пациентов с ВЗК повышается уровень холестериловых эфиров, что может быть объяснено мобилизацией липидов или повышенной кишечной проницаемостью [43]. Аминная группа в этом модуле состоит из N-ацилэтаноламинов, а также сфингозина. Было показано, что N-ацилэтаноламины изменяют микробиом кишечника и потенциально повышают уровень липополисахаридов в кишечнике, вызывая воспаление [44].Сфингозин и жирные кислоты, входящие в состав церамида, также были обнаружены в этом модуле. Церамид является предшественником сфингозин-1-фосфата, сигнального сфинголипида, который участвует в усилении воспаления кишечника [45]. Обнаруженные здесь LCFAs были связаны с IBD, содержали эйкозапентаеновую кислоту, арахидоновую кислоту и докозапентаеновую кислоту, которые также были идентифицированы в первоначальном исследовании [15]. Однако самая большая группа в этом модуле состоит из 31 (24,4%) различных аминокислот и производных аминокислот.В предыдущем исследовании было обнаружено, что уровень аминокислот повышен у пациентов с ВЗК, возможно, из-за увеличения бактериального фермента уреазы, способствующего притоку азота для синтеза аминокислот хозяином [46]. Второй модуль (модуль 4) содержал LCFA, такие как докозагексаеновая кислота, арахидоновая кислота и эйкозапентаеновая кислота, а также глицеролипиды, глицерофосфолипиды и сфинголипиды. Было показано, что сфиноголипиды бактериального происхождения играют решающую роль в развитии ВЗК посредством множественных сигнальных путей [47].Повышенные глицеролипиды и глицерофосфолипиды также были идентифицированы в оригинальном исследовании [15]. Третий модуль (модуль 5) содержал в основном конъюгированные желчные кислоты, которые, как было показано, повышены у субъектов с ВЗК из-за пониженной способности деконъюгировать желчные кислоты во вторичные желчные кислоты. Помимо модулей метаболитов, связанных с заболеванием, MiMeNet также идентифицировал один модуль (модуль 6), не связанный со статусом заболевания. Этот модуль состоял из небольшого числа LCFA.
Наконец, мы сравнили микробные модули в наборе данных IBD (PRISM), идентифицированные MiMeNet, с модулями, идентифицированными с помощью взвешенного корреляционного сетевого анализа (WGCNA) (методы). Модульные характеристики выборки рассчитывались как средняя нормализованная численность членов в модуле. Используя сходство Жаккара между членами модулей, а также коэффициент корреляции Спирмена между функциями модулей по выборкам, мы наблюдали лишь небольшой консенсус между двумя группами (рис. 5C и 5D).
Чтобы оценить, содержат ли модули полезную информацию для прогнозирования IBD, мы обучили модели нейронных сетей на наборе данных IBD (PRISM), используя три различных набора входных данных: функции модуля WGCNA, значения функций модуля MiMeNet и исходное изобилие. Мы обучили 100 сетей для каждого типа ввода, а затем каждая сеть была оценена на наборе данных IBD (внешний) с использованием той же структуры входных объектов. Как для микробных, так и для метаболомных данных, мы заметили, что модули MiMeNet обладают такой же предсказательной силой, что и исходные функции, и что модели, обученные с использованием значений характеристик модулей WGCNA, имеют гораздо более низкое среднее значение AUC (рис. 5C).Более того, значения обилия метаболитов и значения их модульных характеристик лучше предсказывают статус ВЗК по сравнению с численностью микробов и значениями их модульных характеристик, соответственно. Кроме того, мы сравнили прогнозирование статуса ВЗК, когда MiMeNet использует k-кратную перекрестную проверку (k = 10, 5, 3 и 2), и наблюдали, что модули, созданные с использованием 10-кратной перекрестной проверки, были наиболее предсказуемыми для статуса ВЗК (S6 Рис). Наконец, мы сравнили модули хорошо предсказанных метаболитов для набора данных IBD (PRISM) при использовании преобразований CLR и RA.Мы наблюдали большой консенсус хорошо предсказанных метаболитов с использованием обеих трансформаций, но MiMeNet смог идентифицировать несколько более хорошо предсказанные метаболиты при использовании CLR (S7 Рис). Мы также заметили, что модули, созданные с использованием CLR, были более предсказуемыми для статуса IBD, чем модули, созданные с использованием значений RA (S6, рис.). Взятые вместе, анализы демонстрируют, что MiMeNet организовал микробы и метаболиты в биологически значимые модули.
MiMeNet идентифицирует биологически важные взаимодействия модуля микроб-метаболит
Мы проанализировали, как модули микробов MiMeNet влияют на различные модули метаболитов, идентифицированные MiMeNet.Было показано, что SCFA, в частности бутират, защищают кишечник от воспаления и важны для гомеостаза кишечника [48]. Недавнее исследование выявило десять видов микробов, обычно встречающихся в микробиоме кишечника, которые продуцируют бутират [49]. Пять из этих микробов, Eubacterium biforme , Eubacterium hallii , Eubacterium rectale , Roseburia Кишечник и Roseburia inulinivorans , были обнаружены в микробном модуле 6, который имел сильную положительную ассоциацию с SCFAs. .Для сравнения мы рассчитали корреляцию Спирмена между бутиратом и каждым микробом в ВЗК (PRISM) и выбрали значимые пары после множественной тестовой коррекции (прил. P <0,05, Бенджамини-Хохберг). Хотя парный анализ выявил 12 значимых корреляций, только одна пара содержала микроб, Anaerostipes hadrus , из набора микробов, продуцирующих бутират, что указывает на то, что попарный одномерный анализ может выявить только самые сильные пары корреляций. Это говорит о том, что MiMeNet может не только улавливать более биологически релевантные взаимодействия микробов с метаболитами, но также может группировать их в значимые модули на основе общих взаимодействий.
Кроме того, мы наблюдали, что модуль метаболита 5 имел очень слабые положительные взаимодействия и очень сильные отрицательные взаимодействия с микробными модулями 2 и 4. Этот модуль содержал в основном конъюгированные желчные кислоты, которые образуются, когда первичные желчные кислоты конъюгированы с таурином или глицином в печень. Поскольку этот процесс выполняется независимо от микробиома кишечника, не следует ожидать сильной положительной связи. Однако, как только эти желчные кислоты попадают в кишечник, различные микробные ферменты превращают эти конъюгированные желчные кислоты во вторичные желчные кислоты посредством деконъюгации, окисления и 7-дегидроксилирования.Предыдущие исследования выявили несколько родов микробов, которые продуцируют ферменты, ответственные за это преобразование, включая Bacteroides , Clostridium , Eubacterium и Ruminococcus [50], все из которых составляют значительную часть микробных модулей 2, 4 и 6. Все эти модули демонстрируют отрицательное взаимодействие с конъюгированными желчными кислотами и положительное взаимодействие с вторичными желчными кислотами, предполагая, что микробы, обнаруженные в этих модулях, регулируют превращение конъюгированных желчных кислот во вторичные желчные кислоты.
Обсуждение
Мы разработали MiMeNet для интегративного анализа парных наборов данных микробиома и метаболома с использованием нейронных сетей. Задачи MiMeNet – моделировать взаимодействия микробиома и метаболома и раскрывать функциональные отношения между микробами и метаболитами. Используя наборы данных, полученные из кишечника человека субъектов с ВЗК, легочной мокроты субъектов с муковисцидозом и исследований окружающей среды смачивания почвы, мы показали, что модели MiMeNet могут давать надежное и точное предсказание метаболома сообщества на основе обилия микробных таксонов в обоих перекрестная проверка и внешняя проверка.MiMeNet наделен способностью нейронных сетей моделировать нелинейные отношения и многомерное обучение, которое позволяет прогнозировать содержание всех метаболитов одновременно, что может помочь в прогнозировании посредством обмена информацией между различными метаболитами. Действительно, наши результаты данных IBD продемонстрировали, что прогноз MiMeNet для набора аннотированных метаболитов выиграл от включения задач прогнозирования остальных неаннотированных метаболитов в профилях метаболома (рис. 2D – 2F).Мы отмечаем, что, поскольку не все метаболиты могут быть связаны с микробами, некоторые метаболиты будут иметь более низкие предсказательные корреляции, что привело к общей более низкой средней корреляции для всех метаболитов. Мы также наблюдали более высокое пороговое значение для данных о почве (рис. 3A – 3C), что может быть связано с продольными наблюдениями.
MiMeNet также облегчает дополнительный анализ изученных сетевых моделей. Используя данные IBD, мы показали, что показатели атрибуции признаков, полученные из сетевых весов, могут быть использованы для построения модулей микробов с аналогичными положительными или отрицательными эффектами на набор метаболитов.Это уникальная функция, которую другие модели на основе регрессии (например, случайный лес) не могут предоставить. Группирование метаболитов в модули с аналогичными паттернами атрибуции признаков может облегчить аннотацию не охарактеризованных метаболитов с помощью «Вины ассоциации» [15, 51]. Это чрезвычайно важно в области метаболомики из-за большого количества текущей «темной материи» [52]. Нецелевое исследование метаболомики было затруднено из-за многих неизвестных метаболитов, и большая часть недавно собранной информации остается неинтерпретированной.Аннотированные метаболиты, сгруппированные в модуль MiMeNet, который содержит неаннотированные метаболиты, могут дать ключ к разгадке того, что эти метаболиты участвуют в сходных биохимических реакциях из-за сходных паттернов взаимодействия с некоторыми микробными модулями. Эти неаннотированные метаболиты могут относиться к аннотированному метаболиту структурно или функционально. Кроме того, если особенности микробных генов используются в качестве входных данных для обучения MiMeNet, это может дополнительно выявить ассоциацию ген-метаболит на основе оценок атрибуции признаков, определенных из модели MiMeNet.Хотя анализ MiMeNet управляется данными без включения механистических знаний, эти типы доказательств, полученные в результате интегративного анализа метагеномов и метаболомов, могут быть использованы в прогностических вычислительных подходах, таких как MAGI и MINE, для повышения достоверности идентификации метаболитов [53]. Кроме того, мы показали, что модели прогнозирования, полученные из производных модулей, были в равной степени конкурентоспособными для прогнозирования статуса ВЗК по сравнению с моделями, построенными на целых микробах или метаболитах, что свидетельствует о метаболической функциональной значимости микробных модулей.Это направление может быть дополнительно изучено при интеграции данных omics для предсказания фенотипа хозяина [23].
Модель прогнозирования в MiMeNet отличает ее от MelonnPan [26], который использует регуляризованную линейную регрессию для моделирования каждого метаболита отдельно. MiMeNet моделирует все метаболиты нелинейно и извлекает выгоду из изучения совместно используемой информации. Модель MiMeNet также отличается от другой весьма актуальной прогнозной модели NED по нескольким аспектам. NED моделирует метаболом, используя представление микробиома в латентном пространстве, генерируемом кодировщиком [28, 29].Он накладывает дополнительное ограничение разреженности для предотвращения переобучения и неотрицательных весов для простоты интерпретации. Наше сравнение показывает, что модель MiMeNet конкурирует с моделью NED с точки зрения точности прогнозов и способности делать точные прогнозы для большего набора метаболитов (S8 рис.). Это говорит о том, что ограничение неотрицательных весов может снизить способность NED улавливать взаимодействия, когда некоторые микробы отрицательно влияют на некоторые метаболиты. Действительно, сообщалось, что более 50% ассоциаций, выявленных между микробными метаболическими путями и видами в образцах кала и крови человека, отрицательны [19].Подобно MiMeNet, NED генерировал скрытое пространство микробиома, которое, как было показано, содержит биологически значимую информацию, полезную для распознавания болезни Крона, язвенного колита и здорового субъекта, а также для прогнозирования других клинических измерений, таких как использование иммуносупрессивной терапии. Однако, поскольку NED моделирует метаболиты, используя представление латентного пространства микробиома, интерпретация взаимодействия микробов и метаболитов менее интуитивна и не выявляет модули в микробах и метаболитах с общими паттернами взаимодействия.Тем не менее, мы отмечаем, что NED принадлежит к широкому классу интегративных подходов к анализу данных omics с использованием скрытых компонентов, полученных из различных статистических моделей и моделей машинного обучения [54].
Возможности интегративного анализа данных микробиома и метаболомики, разработанные к настоящему времени, разнообразны: от выявления статистических ассоциаций с использованием одномерного и многомерного корреляционного анализа до прогнозного моделирования, основанного на машинном обучении и сетевом моделировании метаболизма [8, 14, 15, 18, 55–57].Например, недавно выпущенный веб-сервер, M2IA [58], является отличным инструментом для оптимизации статистического анализа, такого как общая оценка сходства двух наборов данных omics, анализ парной корреляции между микробами и метаболитами, инструмент визуализации тепловой карты для выявления положительных и отрицательных результатов. паттерны отрицательной корреляции. Он также включает другие компоненты, включая WGCNA для идентификации кластеров метаболитов на основе парных корреляций метаболитов Спирмена, контролируемый многомерный анализ выявления ассоциаций болезней с микробами, или метаболитами, или функциональными аннотациями.M2IA, однако, не предоставляет прогностических моделей для количественной оценки воздействия численности множества микробов на содержание метаболитов. Это главное отличие MiMeNet от других основанных на машинном обучении методов (MelonnPan [26], mmvec [27] и NED [28, 29]), специально разработанных для интегративного анализа микробиома и метаболома. Несмотря на прогресс, все эти методы, включая MiMeNet, по-прежнему ограничены в обеспечении биологической правдоподобности и механистических способностей. Будущее направление для расширения MiMeNet может заключаться в разработке процедур для выявления статистической ассоциации взаимодействий микробов и метаболитов с болезнями хозяина и выявления модулей метаболитов, которые требуют определенных микробных таксонов в образцах здоровых и больных.Кроме того, можно интегрировать наборы данных, включающие дополнительные данные метагеномики, чтобы можно было прогнозировать метаболиты по генам. Это может потенциально выявить более богатые функциональные связи, которые в настоящее время не аннотированы, а также предоставить более обширное функциональное исследование влияния микробиома на метаболом хозяина. Более того, нейронные сети можно использовать для моделирования того, как метаболом хозяина влияет на микробный состав кишечника.
Методы
Данные для оценки
Одновременные профили микробиома и метаболома из различных сред были использованы для оценки (таблица 1).Первый набор данных был взят из опубликованного исследования пациентов с воспалительным заболеванием кишечника (ВЗК) [15]. Он включает одну когорту из проспективного реестра в исследовании ВЗК в MGH (PRISM), в которую включены пациенты с диагнозом ВЗК на основании эндоскопических, рентгенографических и гистологических данных болезни Крона (БК) или язвенного колита (ЯК). Этот набор данных включает 121 пациента с ВЗК и 34 человека в контрольной группе и назван IBD (PRISM). Кроме того, он включает набор данных внешней проверки с использованием двух других когорт.Один состоит из 20 здоровых субъектов, которые участвовали в LifeLines-DEEP, общем популяционном исследовании в северных Нидерландах (NLIBD) [59]. Вторая когорта состоит из 43 пациентов с ВЗК, взятых из отделения гастроэнтерологии и гепатологии Университетского медицинского центра в Гронингене, Нидерланды. Этот набор данных называется IBD (Внешний). Обработка собранных образцов стула описана в оригинальном исследовании [15]. Всего для наборов данных IBD (PRISM) и IBD (External) был идентифицирован 201 вид микробов и 8848 метаболитов.
Второй набор данных был взят из исследования, в котором было собрано 172 образца легочной мокроты от пациентов с муковисцидозом [31]. Микробные признаки были получены с помощью секвенирования гена 16S рРНК, а численность была собрана на уровне рода, что привело к 657 уникальным микробным признакам. Метаболомные данные были получены с использованием технологии ЖХ-МС / МС, в результате чего было получено 168 уникальных метаболитов.
Третий набор данных представляет микробную и метаболическую активность, вызванную увлажнением почвы в пяти временных точках на четырех последовательных стадиях биокорки [32].Биокорковую почвенную воду для каждого образца анализировали с помощью ЖХ / МС для обнаружения метаболитов. Метагеномное секвенирование с дробовиком было использовано для профилирования микробного сообщества, а авторы использовали 50S рибосомный белок L15 для картирования микробных таксонов. Всего было обнаружено 466 микробов и 85 метаболитов.
Все входные и выходные элементы, присутствующие менее чем в 10% образцов, были удалены. Затем микробиомные и метаболомные данные были преобразованы с использованием преобразования центрированного логарифмического отношения (CLR): где x – вектор численности выборки, g ( x ) – сумма входных значений в x , а м – количество объектов.Псевдосчет 1 был добавлен к каждой записи x перед преобразованием CLR, чтобы предотвратить регистрацию нулевых значений. Единственным исключением были значения микробов IBD (PRISM) и IBD (External), которые были получены в относительной численности (RA).
Архитектура MiMeNet и протокол обучения
Модель MLPNN состоит из нескольких полностью связанных скрытых слоев, состоящих из перцептронов. Значения h _{l +1} слоя l +1 определяются как
Здесь W _l – веса, соединяющие перцептроны слоя l ^th со значениями h _l со значениями слоя l +160, b +160 _l – значения смещения между слоями l и l +1, а φ является нелинейной функцией.В MiMeNet φ установлен как выпрямленный линейный блок (ReLU). Мы выбрали эту функцию активации, поскольку предыдущие исследования показали, что она устойчива к проблемам увеличения и исчезновения градиента при обучении MLPNN [60]. Мы использовали L2-регуляризацию, чтобы модель не имела больших весов. Дополнительная регуляризация была применена через выпадение на каждом скрытом слое, где часть узлов и их веса замаскированы для данной эпохи. MiMeNet был обучен с использованием оптимизатора ADAM и функции потерь среднеквадратичной ошибки (MSE).Полная функция потерь для MiMeNet определяется как,
Здесь N – количество обучающих выборок, а L – общее количество скрытых слоев. Первый член представляет собой среднеквадратичную ошибку (MSE) наблюдаемых метаболитов y и предсказанных метаболитов. Второй член представляет собой штраф за L2-регуляризацию, который контролируется параметром λ .
Общая оценка прогноза MiMeNet проводилась с использованием 10 итераций 10-кратной перекрестной проверки, и сообщалось среднее значение корреляций между прогнозируемыми и наблюдаемыми значениями для метаболитов.Более конкретно, во время 10-кратной перекрестной проверки каждый набор данных был разделен на два подмножества: 90% для обучения и 10% для тестирования. Для каждого обучающего раздела 90% данных были дополнительно разделены на 80% для обучения модели и 20% для проверки. После завершения одной итерации 10-кратной перекрестной проверки для каждого метаболита рассчитывали SCC между прогнозируемым и наблюдаемым. Для предотвращения переобучения модели MiMeNet были обучены с использованием ранней остановки. После каждой итерации обновления весов сети с использованием 80% обучающего набора вычислялась потеря проверочного набора.Процесс обучения был прерван, когда потеря проверочного набора не улучшилась в течение 40 итераций, а весовые параметры сети были установлены на значения наиболее эффективной модели на проверочном наборе. Наконец, среднее значение SCC было рассчитано после 10-кратного повторения процедуры перекрестной проверки 10 раз. Для наборов данных IBD окончательная модель, обученная на полном наборе данных IBD (PRISM), затем была оценена на наборе данных IBD (внешних).
Настройка гиперпараметров была выполнена на первом обучающем разделе во время перекрестной проверки.Чтобы определить оптимальный набор гиперпараметров (количество слоев, размер слоя, λ и коэффициент отсева), мы выполнили случайный поиск с перекрестной проверкой с использованием вложенной 5-кратной перекрестной проверки. Мы допустили 1, 2 и 3 скрытых слоя размером 32, 128 и 512. Параметр регуляризации L2 ( λ ) был выбран из 10 различных значений от 0,0001 до 0,1, равномерно распределенных по логарифмической шкале. Выпадение было выбрано из 0,1, 0,3 и 0,5. Средний SCC был рассчитан после обучения модели.Мы оценили 20 наборов гиперпараметров и выбрали наиболее эффективный набор для оставшейся части 10-кратной перекрестной проверки. Оптимальные гиперпараметры показаны в таблице 3.
Определение хорошо предсказанных метаболитов
Чтобы определить, какие метаболиты хорошо предсказываются MiMeNet, мы сгенерировали фоновое распределение SCC, обучив 100 моделей 10-кратной перекрестной проверки, где образцы микробиомов и метаболомов перемешивались случайным образом. Из каждой из 100 созданных моделей мы собрали SCC для каждого метаболита и объединили значения для всех метаболитов, чтобы построить фоновое распределение.Затем мы определили метаболит как хорошо предсказанный, если его SCC выше 95-го процентиля фоновых корреляций.
Расчет баллов атрибуции микробов и метаболитов
Баллы атрибуции микробов и метаболитов рассчитываются с использованием метода Олдена для понимания вклада переменных в модели нейронных сетей [61]. Метод Олдена генерирует эти оценки путем умножения весов каждого скрытого слоя вместе, что приводит к единой матрице, где каждая строка представляет входной объект, а каждый столбец представляет выходной объект.Более конкретно, для каждой обученной сетевой модели матрица S оценок атрибуции признаков микробов и метаболитов рассчитывается как где l – текущий слой в наборе из L слоев, а W _l – слой, соединяющий весовую матрицу l -1 и слой l . Каждый элемент в S представляет собой оценку атрибуции микроба-метаболита. Положительное значение указывает, что увеличение микроба приведет к увеличению метаболита, а отрицательное значение указывает, что увеличение микроба приведет к уменьшению метаболита.Для последующей процедуры мы оставили только столбцы матриц атрибуции признаков, представляющие хорошо предсказанные метаболиты.
Выявление микробов со значительными взаимодействиями между микробами и метаболитами
Обозначив S _i как матрицу оценки атрибуции для обученной модели i ^th ( n = 100 моделей, полученных в результате 10 итераций 10-кратной перекрестной проверки), мы рассчитал среднюю матрицу атрибуции признаков как
Чтобы идентифицировать микробы со значительными ассоциациями, мы дополнительно вычислили матрицы оценки атрибуции признаков из сетевых моделей, используемых для генерации фоновых распределений корреляции, и вычислили матрицу средней оценки атрибуции признаков, которая затем была сглажена в вектор, а порог был установлен на уровне 97 .5 процентиль. Любая оценка атрибуции признаков в наблюдаемом наборе данных с абсолютным значением выше порогового значения считалась значимой. Наконец, любой микроб с хотя бы одной оценкой атрибуции значимых признаков с любым метаболитом считался значимым, и строки, представляющие незначительные микробы, были отфильтрованы, а также из всех матриц оценки атрибуции признаков S _i использовано в последующих анализах.
Кластеризация и визуализация взаимодействий микроб-метаболит
Мы нормализовали значения в каждой матрице оценок атрибуции признаков S _i, разделив значительную пороговую оценку, определенную по фону и отсеченным значениям, между -1 и 1.При этом каждый значимый балл атрибуции рассматривался с одинаковой степенью значимости. Мы пересчитали с использованием нормализованного S _i, так что каждый элемент в также находится между -1 и 1. Нормализованная матрица S _i затем использовалась для кластеризации микробов (строки) и метаболитов (столбцы ) отдельно на основе евклидова расстояния и полной связи с использованием функции Seaborn clustermap в Python. Модули были построены путем вырезания каждой дендрограммы на заданной высоте.Чтобы определить количество кластеров для микробов, для каждого фиксированного k в диапазоне от 2 до 20 было сгенерировано k -кластеризация строк с использованием каждого нормализованного S _i. Затем была рассчитана консенсусная матрица M ^{( k )} как средняя матрица связности по всем результатам кластеризации k ( n = 100), где – матрица связности кластеризации с использованием k кластеров на S _i.Далее мы рассчитали площадь под кумулятивной функцией распределения (CDF) для согласованной матрицы каждой кластеризации, где x _j – значение j ^th из набора {0,01, 0,02, 0,03,…, 0,99, 1,0} и φ ( x _j) – это доля записей в матрице консенсуса M ^{( k )}, которые меньше x _j.Наконец, мы вычислили пропорциональное изменение площади при изменении количества кластеров,
Это значение показывает, насколько чище станет консенсусная матрица, если мы увеличим количество кластеров на 1. Мы установили порог Δ k = 0,025, что означает, что увеличение кластера еще на 1 даст менее 2,5% увеличения площадь под ЦГО. Номер наилучшего кластера k * был выбран как наибольшее значение k , в результате чего Δ k больше порогового значения.Дополнительные подробности этого анализа можно найти в Monte et al . [62], а пример, демонстрирующий изменения A ^{( k )}, показан на рис. S9. Число кластеров метаболитов определяли с использованием той же процедуры. Наилучшие номера кластеров для микробов и метаболитов обозначаются соответственно. Окончательный набор модулей микробов и метаболитов затем определяется путем бикластеризации с использованием для кластеризации строк и столбцов соответственно.
Для визуализации сети взаимодействия микроб-метаболит балл между парой модулей микроб и метаболит был рассчитан как средний нормализованный балл атрибуции между каждым микробом и метаболитом в двух модулях.Только для целей визуализации мы удалили все оценки, абсолютное значение которых было меньше 0,25. Сети, показывающие модули микробов и метаболитов и взаимодействия между ними, были построены с использованием Cytoscape [63].
Определение окончательной модели для прогноза внешнего метаболита
Для оценки внешних тестовых данных несколько моделей нейронных сетей были обучены на всем наборе обучающих данных. Для каждой модели бикластеризация выполняется на матрице оценок атрибуции извлеченных признаков с использованием и в качестве количества кластеров микробов и метаболитов соответственно, а оценки соответствия микробов и метаболитов назначаются как количество скопированных микробов или метаболитов, которые также встречаются в ранее идентифицированные модули.Модель с наивысшими совокупными оценками соответствий была выбрана в качестве окончательной модели для внешней оценки.
Модели машинного обучения для сравнительного анализа
Модели
MelonnPan и NED были получены из соответствующих репозиториев GitHub и выполнены с использованием параметров по умолчанию в соответствии с их руководствами. Модели анализа случайного леса, многомерной эластичной сети и канонической корреляции были реализованы с использованием пакета Python scikit-learn . Подобно MiMeNet, эти модели могут прогнозировать сразу весь набор метаболитов, и все модели были оценены с использованием 10 итераций 10-кратной перекрестной проверки.Модели случайного леса были реализованы с использованием RandomForestRegressor с настройками параметров по умолчанию 100 оценщиков дерева. Многовариантные модели Elastic Net были реализованы с использованием ElasticNet и GridSearchCV с использованием 5-кратной внутренней перекрестной проверки для настройки гиперпараметров, где сетка гиперпараметров содержала α ∈ {0,0001, 0,001, 0,01, 0,1} и l. 1 соотношение ∈ {0,0, 0,2, 0,4, 0,6, 0,8, 1,0}. Чтобы время вычислений соответствовало MiMeNet, максимальное количество итераций было установлено равным 10.Канонический корреляционный анализ был реализован с использованием CCA с 10, 20 и 40 компонентами.
Весовой корреляционный сетевой анализ (WGCNA)
Анализ микробных особенностей
WGCNA был выполнен с использованием библиотеки WGCNA в R [64] для каждого набора данных. Матрица смежности была создана с степенью 2 для данных микробиома и 5 для метаболомных данных. Чтобы сравнить микробные модули WGCNA с микробными модулями MiMeNet, полученными из набора данных IBD (PRISM), мы вычислили сходство Жаккара между модулями, а также корреляцию Спирмена.
Нейронные сети для предсказания фенотипа хозяина
Для каждого модуля, полученного из MiMeNet или WGCNA с использованием набора данных IBD (PRISM), значение функции модуля было рассчитано как среднее нормализованное значение численности функций, составляющих модуль, для каждого субъекта в обоих наборах данных IBD. Сетевые модели для прогнозирования статуса IBD были обучены на наборе данных IBD (PRISM) с использованием исходных микробных OTU (с использованием относительной или преобразованной в центральный логарифм численности), значений характеристик модуля микробных модулей MiMeNet и WGCNA, соответственно.Аналогичным образом, сетевые модели были обучены на данных IBD (PRISIM) с использованием нормализованной метаболомной численности и значений характеристик метаболомного модуля. Мы обучили трехслойную модель нейронной сети с 32 узлами в каждом слое для каждого входного формата, описанного выше. Оценка проводилась путем обучения 100 моделей нейронных сетей, оценивающих тестовый набор IBD (внешний) с использованием площади под кривой рабочих характеристик приемника (AUC).
Вспомогательная информация
S1 Рис. Сравнение предсказанной корреляции при использовании относительной численности и центрированного логарифмического отношения.
Диаграммы рассеяния, сравнивающие прогноз корреляции метаболитов между данными, преобразованными в относительную численность (RA) и центрированное логарифмическое соотношение (CLR) для (A) IBD (PRISM), (B) муковисцидоза, (C) наборов данных почвы с использованием 10 итераций 10- кратная перекрестная проверка и (D) предсказания теста IBD (внешний) с использованием моделей, обученных на полном наборе данных IBD (PRISM).
https://doi.org/10.1371/journal.pcbi.1009021.s001
(TIF)
S2 Рис. Сравнение производительности моделей, обученных с использованием общих гиперпараметров, с моделями, обученными с настройкой гиперпараметров для каждого раздела с перекрестной проверкой.
Используя 10 итераций 10-кратной перекрестной проверки, оценки с использованием общих гиперпараметров, настроенных из первого раздела (Tune Once), сравнивались с оценками с настройкой для каждого раздела (Tune Every Partition) для IBD (PRISM) и набор данных муковисцидоза. Каждая точка представляет собой средний SCC метаболита, а красные линии представляют определенный порог SCC для хорошо предсказанных метаболитов.
https://doi.org/10.1371/journal.pcbi.1009021.s002
(TIF)
S3 Фиг.Сравнение корреляции прогнозов между моделями MiMeNet и MelonnPan, обученными только аннотированным метаболитам.
Диаграмма разброса средних предсказанных корреляций Спирмена в течение 10 итераций 10-кратной перекрестной проверки для каждого метаболита между MiMeNet и MelonnPan, когда MiMeNet обучается только на аннотированных метаболитах в наборе данных IBD (PRISM).
https://doi.org/10.1371/journal.pcbi.1009021.s003
(TIF)
S4 Рис. Перекрытие хорошо предсказанных метаболитов, идентифицированных MiMeNet и MelonnPan.
Используя порог корреляции, идентифицированный MiMeNet, перекрытие между хорошо предсказанными метаболитами показано между MiMeNet и MelonnPan для (A) набора данных IBD (PRISM), (B) набора данных муковисцидоза, (C) и набора данных почвы. (D) Кроме того, совпадение хорошо предсказанных метаболитов показано при обучении на всем наборе данных IBD (IBD) и прогнозировании на основе набора данных IBD (External).
https://doi.org/10.1371/journal.pcbi.1009021.s004
(TIF)
S5 Рис. Среднее соотношение Спирмена и Пирсона на модуль метаболита.
Для каждого модуля метаболита среднее значение (A) SCC и (B) среднее значение PCC членов в модуле показаны с использованием перекрестной проверки на IBD (PRISM), а также при оценке данных IBD (внешних). .
https://doi.org/10.1371/journal.pcbi.1009021.s005
(TIF)
S6 Рис. Статус прогноза IBD для различных методов построения модуля, оцененный на наборе данных IBD (внешний).
Значения модуля были построены с использованием WGCNA и MiMeNet.Для метаболомных модулей, созданных MiMeNet, значения в скобках представляют собой композиционное преобразование, количество складок для перекрестной проверки и метод агрегирования соответственно. Среднее агрегирование вычисляет среднее нормализованное значение численности. Агрегирование PCA использует первый главный компонент значений членов из этого модуля. Модули микробиома были сконструированы аналогично, за исключением того, что всегда использовался RA.
https://doi.org/10.1371/journal.pcbi.1009021.s006
(TIF)
S7 Рис. Перекрытие значимых метаболитов и членства в модулях при использовании относительной численности и центрированного логарифмического отношения.
(A) Перекрытие хорошо предсказанных метаболитов при использовании относительной численности и центрированного логарифмического отношения для набора данных IBD (PRISM). Тепловые карты показывают сходство Жаккара между членством (B) метаболитов и (C) микробных модулей в наборе данных IBD (PRISM). (D) Перекрытие хорошо предсказанных метаболитов при использовании относительного количества и центрированного логарифмического отношения для набора данных по муковисцидозу.Тепловые карты показывают сходство Жаккара между членством (E) метаболита и (F) микробных модулей в наборе данных муковисцидоза.
https://doi.org/10.1371/journal.pcbi.1009021.s007
(TIF)
S8 Рис. Сравнение MiMeNet с NED.
Диаграмма рассеяния, сравнивающая корреляцию предсказания метаболитов между MiMeNet и NED при проверке набора данных IBD (External). Красная линия указывает порог корреляции, определенный MiMeNet, а серая область представляет хорошо предсказанные метаболиты.Одностороннее p-значение (знак-ранг Уилкоксона), сравнивающее значения MiMeNet и NED, показано в правом верхнем углу.
https://doi.org/10.1371/journal.pcbi.1009021.s008
(TIF)
S9 Рис. Использование консенсусного кластерного анализа для определения количества кластеров для набора данных IBD (PRISM).
(A) Кумулятивные функции распределения (CDF) для различных номеров кластеров и (B) изменение площади под CDF показаны для кластеризации по микробным признакам. (C) Кумулятивные функции распределения (CDF) для различных номеров кластеров, и (D) изменение площади под CDF показано для кластеризации по метаболическим характеристикам.
https://doi.org/10.1371/journal.pcbi.1009021.s009
(TIF)
S1 Таблица. Оценка с перекрестной проверкой с использованием центрированных данных логарифмического отношения.
Результаты сравнительного анализа с использованием MiMeNet, случайного леса (RF), многомерной эластичной сети и канонического корреляционного анализа (CCA) трех наборов данных с использованием 10 итераций 10-кратной перекрестной проверки. Показаны значения среднего и стандартного отклонения для коэффициента корреляции Спирмена (SCC), коэффициента корреляции Пирсона (PCC) и средней абсолютной ошибки (MAE).Все данные были преобразованы с использованием центрированного логарифмического отношения, исключение для микробного входа IBD, которое было получено в относительной численности.
https://doi.org/10.1371/journal.pcbi.1009021.s010
(XLSX)
S2 Стол. Данные об относительной численности с перекрестной проверкой.
Результаты сравнительного анализа с использованием MiMeNet, RF, Multivariate Elastic Net и CCA трех наборов данных с использованием 10 итераций 10-кратной перекрестной проверки. Показаны значения среднего и стандартного отклонения для SCC, PCC и MAE.Все данные преобразованы с использованием относительной численности.
https://doi.org/10.1371/journal.pcbi.1009021.s011
(XLSX)
S3 Таблица. Оценка данных IBD (внешних).
Результаты сравнительного анализа с использованием MiMeNet, Random Forest (RF), Multivariate Elastic Net и CCA трех наборов данных с использованием данных IBD (PRISM) для прогнозирования данных IBD (внешних). Показаны значения для SCC, PCC и MAE.
https://doi.org/10.1371/journal.pcbi.1009021.s012
(XLSX)
Определение перекрестной скорости
Что такое кросс-курс: обзор?
Кросс-курс – это операция обмена иностранной валюты между двумя валютами, которые оцениваются по отношению к третьей валюте.На рынках обмена иностранной валюты доллар США – это валюта, которая обычно используется для определения стоимости обмениваемой пары.
Доллар США как базовая валюта всегда имеет стоимость, равную единице.
Когда торгуется кросс-валютная пара, фактически участвуют две транзакции. Трейдер сначала торгует одной валютой за ее эквивалент в долларах США. Затем доллары США обмениваются на другую валюту.
Ключевые выводы
Кросс-курсом по определению может быть любой обмен любых двух валют, которые не являются официальной валютой страны, в которой опубликована котировка.
На практике любой обмен валют, в котором ни одна из валют не является долларом США, считается кросс-курсом.
Одной из наиболее распространенных кросс-валютных пар является евро и японская иена.
Общие сведения о кросс-курсах
В транзакции, описанной выше, доллар США используется для определения стоимости каждой из двух торгуемых валют.
Например, если вы рассчитываете кросс-курс британского фунта по отношению к евро, вы сначала должны определить, что британский фунт по состоянию на 12 декабря.18 февраля 2020 года была оценена в 0,74 за один доллар США, а евро – в 0,82 за один доллар США.
Основная валютная пара
Торговцы иностранной валютой (форекс) используют термин кросс-курс для обозначения котировок цен между любой валютной парой, в которой ни один из них не является долларом США.
Большинство сделок на форексе совершается по основным валютным парам. То есть одна из обмениваемых валют – доллар США. Например, если вы видите на сайте финансовых новостей, что USD / CAD котируется на уровне 1.28, это означает, что один доллар США в настоящее время равен 1,28 канадского доллара.
Кросс-курс также относится к валютной паре или транзакции, в которой не используется валюта стороны, инициирующей транзакцию.
Обменный курс между евро и японской иеной считается обычно котируемым кросс-курсом, поскольку он не включает доллар США. Однако в чистом смысле определения он считается кросс-курсом, если на него ссылается оратор или писатель, которые не находятся в Японии или одной из стран, которые используют евро в качестве официальной валюты.Хотя чистое определение кросс-курса требует, чтобы на него ссылались в месте, где не используется ни одна валюта, этот термин в основном используется для ссылки на сделку или котировку, которая не включает доллар США.
Примеры основных перекрестных курсов
Любые две валюты могут котироваться друг против друга, но наиболее активно торгуемые кросс-валютные пары – это евро против британского фунта, или EUR / GBP, и евро против японской иены, или EUR / JPY.
Фактически, эти две пары являются единственными валютными парами с кросс-курсом, которые входят в 10 самых торгуемых валютных пар.
Евро является базовой валютой котировки, если он включен в пару. Если британский фунт включен, а евро нет, фунт является базовым.
Эти валюты активно торгуются на межбанковском спотовом валютном рынке и, в некоторой степени, на форвардных рынках и рынках опционов.
Примеры малых кросс-ставок
Кросс-курсы, которые торгуются на межбанковском рынке, но гораздо менее активны, включают швейцарский франк против японской иены, или CHF / JPY, и британский фунт против швейцарского франка, или GBP / CHF.
Кросс-курсы, включающие японскую иену, обычно указываются как количество иен по отношению к другой валюте, независимо от другой валюты.
Перекрестные котировки в валютах, которые схожи по стоимости и соглашению о котировках, должны размещаться с осторожностью, чтобы не допустить ошибок в торговле. Например, новозеландский доллар (NZD) котировался на уровне 1,07 за австралийский доллар (AUD) в конце декабря 2020 года.
Обе эти валюты котируются по отношению к доллару США.То есть стоимость отражает количество долларов США, которое потребуется для покупки иностранной валюты. Однако котировка не дает никаких указаний относительно того, какая валюта является базовой. Согласно рыночному соглашению, в качестве основы используется более сильный австралийский доллар, который также является более крупной экономикой. Тем не менее, две валюты торгуются почти на паритетных началах друг с другом, что может привести к неправильной котировке.
Спред и кросс-ставки
Спреды между основными кроссами немного шире, чем у основных долларовых пар, но они активно котируются на межбанковском рынке.
Спрэды у второстепенных кроссов, как правило, намного шире. Некоторые из них вообще не котируются напрямую, поэтому котировка должна строиться на основе заявок и предложений в соответствующих валютах по сравнению с долларом США.
Произошла ошибка при настройке пользовательского файла cookie
Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.
Настройка вашего браузера для приема файлов cookie
Существует множество причин, по которым cookie не может быть установлен правильно.Ниже приведены наиболее частые причины:
В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки вашего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, используйте кнопку «Назад» и примите файлы cookie.
Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
Дата на вашем компьютере в прошлом.Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.
Почему этому сайту требуются файлы cookie?
Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу.Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.
Что сохраняется в файле cookie?
Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.
Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта.Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.
Скоординированное развитие во времени и пространстве
Доступность данных и материалов
Все фенотипические данные, считывания последовательностей 16S рРНК и сгенерированные наборы данных
общедоступны через доступ к dbGaP phs001347.v1.p1.
Вклад авторов
SRG, GSP, MTC, KMS, AG и AM разработали исследование. ALG, HAK и HH
собрали и обработали образцы. ALG и HAK секвенировали и
сгенерировали данные. AG, AM, BW, XQ, JJ, HY, SB и JH-W проанализировали данные.
AG, AM и SRG подготовили рукопись с изменениями, внесенными GSP, MTC, KMS,
SB, ARF и DJT. Все авторы просмотрели окончательную рукопись. Все авторы прочитали
и одобрили окончательный вариант рукописи
Утверждение этических норм и согласие на участие
Письменное информированное согласие было получено от родителей или опекунов всех
младенцев, участвовавших в исследовании.Наблюдательный совет при Медицинской школе
Университета Рочестера и больнице Strong Memorial Hospital одобрил исследование.
Согласие на публикацию
Не применимо
Конкурирующие интересы
Авторы заявляют, что у них нет конкурирующих интересов.
Примечание издателя
Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий на опубликованных картах
и филиалов организаций.
Сведения об авторе
1
Исследовательский центр геномики, Медицинская школа Университета Рочестера и
Стоматология, Рочестер, штат Нью-Йорк, США.
2
Кафедра биостатистики и
Вычислительная биология, Медицинская школа Университета Рочестера и
Стоматология, Рочестер, Нью-Йорк, США.
3
Департамент микробиологии и иммунологии,
Школа медицины и стоматологии Рочестерского университета, 601 Elmwood
Avenue, Rochester, NY 14642, США.
4
Медицина-инфекционные заболевания, Университет
Рочестерская школа медицины и стоматологии, Рочестер, штат Нью-Йорк, США.
5
Центр
Биология и иммунология вакцин, Медицинский факультет Университета Рочестера
и стоматология, Рочестер, штат Нью-Йорк, США.
6
Отделение неонатологии, Отделение
Педиатрии, Школа медицины и стоматологии Рочестерского университета, Рочестер,
Нью-Йорк, США.
7
Отделение инфекционных заболеваний, Департамент педиатрии, Университет
Рочестерская школа медицины и стоматологии, Рочестер, штат Нью-Йорк, США.
Получено: 17 января 2018 г. Принято: 28 сентября 2018 г.
Источники
1. Cho I, Blaser MJ. Микробиом человека: на стыке здоровья и
болезней. Nat Rev Genet. 2012; 13 (4): 260–70.
2. Бакхед F. Ответы хозяев на микробиом человека. Nutr Rev.2012;
70 (Дополнение 1): S14–7.
3. La Rosa PS, et al. Паттерн прогрессирования бактериальных популяций в кишечнике недоношенных детей
. Proc Natl Acad Sci U S. A. 2014; 111 (34): 12522–7.
4. White RA, et al. Новые анализы развития определяют продольные модели
ранней кишечной микробиоты, которые влияют на рост ребенка. PLoS Comput Biol. 2013;
9 (5): e1003042.
5. Яцуненко Т. и др. Микробиом кишечника человека в зависимости от возраста и географии
. Природа. 2012. 486 (7402): 222–7.
6. Backhed F, et al. Динамика и стабилизация микробиома кишечника человека
в течение первого года жизни. Клеточный микроб-хозяин. 2015; 17 (5): 690–703.
7. Costello EK, et al. Изменчивость бактериального сообщества в среде обитания человеческого тела
в пространстве и времени. Наука. 2009. 326 (5960): 1694–7.
8. Домингес-Белло MG, et al. Режим доставки формирует приобретение и структуру исходной микробиоты
в различных средах обитания у
новорожденных. Proc Natl Acad Sci U S. A. 2010; 107 (26): 11971–5.
9. Проект микробиома человека C. Структура, функции и разнообразие микробиома здорового человека
.Природа. 2012. 486 (7402): 207–14.
10. Koenig JE. Последовательность микробных консорциумов в развивающемся микробиоме кишечника младенца
. Proc Natl Acad Sci. 2011; 108: 4578–85.
11. Costello EK, et al. Сборка микробиома на нескольких участках тела у младенцев с низкой массой тела при рождении
. MBio. 2013; 4 (6): e00782–13.
12. Chu DM, et al. Созревание структуры сообщества микробиома младенца
и функции во многих участках тела и в зависимости от способа доставки.
Nat Med. 2017; 23 (3): 314–326.
13. Гриц ЕС, Бхандари В. Микробиом кишечника новорожденных человека: краткий обзор.
Передний педиатр. 2015; 3:17.
14. Lim ES, et al. Динамика вирома кишечника человека и бактериального микробиома
у младенцев в раннем периоде жизни. Nat Med. 2015; 21 (10): 1228–34.
15. Faust K, et al. Кросс-биомное сравнение сетей микробных ассоциаций.
Front Microbiol. 2015; 6: 1200.
16. Faust K, et al. Взаимосвязи микробного сосуществования в микробиоме человека
.PLoS Comput Biol. 2012; 8 (7): e1002606.
17. Weiss S, et al. Стратегии обнаружения корреляции в наборах микробных данных сильно различаются по чувствительности и точности. ISME J. 2016; 10 (7): 1669–81.
18. Kurtz ZD, et al. Редкий и композиционно устойчивый вывод микробных
экологических сетей. PLoS Comput Biol. 2015; 11 (5): e1004226.
19. Arrieta MC, et al. Микробиом кишечника в раннем возрасте: здоровье и болезни.
Front Immunol. 2014; 5: 427.
20. Borre YE, et al. Микробиота и окна нервного развития: последствия
для нарушений мозга. Тенденции Мол Мед. 2014; 20 (9): 509–18.
21. Ренц Х, Брандтзаег П., Хорнеф М. Влияние развития перинатального иммунитета
на гомеостаз слизистой оболочки и хроническое воспаление. Nat Rev
Immunol. 2012; 12 (1): 9–23.
22. Шукла С.Д., и др. Влияние микробиома на иммунитет, здоровье и болезни легкого
. Clin Transl Immunol. 2017; 6 (3): e133.
23. Холмс И., Харрис К., Айва К. Полиномиальные смеси Дирихле: генеративные модели
для микробной метагеномики. PLoS One. 2012; 7 (2): e30126.
24. Bosch A, et al. Созревание детской респираторной микробиоты,
факторов окружающей среды и последствия для здоровья. Проспективное когортное исследование
. Am J Respir Crit Care Med. 2017; 196 (12): 1582–90.
25. Grier A, et al. Влияние недоношенности и питания на развивающийся микробиом кишечника
и рост недоношенных детей.
Микробиом. 2017; 5 (1): 158.
26. Teo SM, et al. Микробиом носоглотки младенца влияет на степень тяжести
инфекции нижних дыхательных путей и риск развития астмы. Cell Host
Микроб. 2015; 17 (5): 704–15.
27. Langille MG, et al. Прогнозирующее функциональное профилирование микробных сообществ
с использованием последовательностей гена маркера 16S рРНК. Nat Biotechnol. 2013. 31 (9): 814–21.
28. Kostic AD, et al. Динамика микробиома кишечника младенца человека в развитии
и прогрессировании в сторону диабета 1 типа.Клеточный микроб-хозяин.
2015; 17 (2): 260–73.
29. Vogel-Scheel J, et al. Необходимость синтеза пурина и пиримидина для
колонизации кишечника мыши Escherichia coli. Appl Environ
Microbiol. 2010. 76 (15): 5181–7.
30. Люстри, Британская Колумбия, Сперандио В., Морейра К.Г. Бактериальный чат: кишечные метаболиты и сигналы
во взаимодействиях хозяин-микробиота-патоген. Infect Immun. 2017; 85 (12):
e004776–17.
31. Хотеллинг Х.Отношения между двумя наборами переменных. Биометрика. 1936; 28 (3/4):
321–377.
32. Хупер Л.В., Гордон Дж. Комменсальные отношения хозяина и бактерии в кишечнике.
Наука. 2001. 292 (5519): 1115–8.
33. Леви О. Врожденный иммунитет новорожденного: основные механизмы и клинические
коррелятов. Nat Rev Immunol. 2007. 7 (5): 379–90.
34. Секиров И., Финлей ББ. Роль кишечной микробиоты в кишечной инфекции.
J. Physiol. 2009. 587 (Pt 17): 4159–67.
35. Barron LK, et al. Независимость бактериального содержимого кишечника и тяжести некротического энтероколита у новорожденных
. J Pediatr Surg. 2017; 52 (6): 993–8.
36. Mai V, et al. Фекальная микробиота недоношенных детей до некротического энтероколита
. PLoS One. 2011; 6 (6): e20647.
37. Morrow AL, et al. Ранние микробные и метаболомные признаки на
и
предсказывают более позднее начало некротического энтероколита у недоношенных детей. Микробиом.
2013; 1 (1): 13.
38. Unger S, et al. Микробиота кишечника новорожденного с очень низкой массой тела. Педиатр
Res. 2015; 77 (1–2): 205–13.
39. Warner BB, Tarr PI. Некротический энтероколит и кишечные бактерии недоношенных детей.
Semin Fetal Neonatal Med. 2016; 21 (6): 394–9.
40. Галлахер Д. Д., Котеча С. Респираторный микробиом новорожденных. Передняя
Педиатр. 2016; 4: 10.
41. Голлвитцер Е.С., Марсланд Б.Дж. Нарушения микробиоты воспалительных заболеваний дыхательных путей
заболеваний – потенциал для лечения.Pharmacol Ther. 2014; 141 (1): 32–9.
42. Уорнер ББ, Хамвас А. Легкие, микробы и развивающийся новорожденный.
Неонатология. 2015; 107 (4): 337–43.
Grier et al. Microbiome (2018) 6: 193 Стр. 18 из 19
Содержимое предоставлено Springer Nature, применяются условия использования. Права защищены.
Что такое кросс-пара?
В древние времена, если кто-то хотел поменять валюту, ему сначала нужно было конвертировать свою валюту в U.S. долларов, и только после этого они могли конвертировать свои доллары в желаемую валюту.
Доллар США был известен как «транспортная валюта», поскольку эта валюта использовалась в качестве средства обмена для международных транзакций.
Например, если человек хотел обменять свой британский фунт стерлингов на японскую иену, ему сначала нужно было бы конвертировать свои фунты стерлингов в доллары США, а затем конвертировать эти доллары в иены.
С изобретением валютных крестов люди теперь могут обойти процесс конвертации своих валют в доллары США и просто конвертировать их непосредственно в желаемую валюту.
Некоторые примеры кроссов включают GBP / JPY, EUR / JPY, EUR / CHF и EUR / GBP.
Расчет кросс-курсов валют
Предупреждение: эта часть немного скучна … если вам не нравятся числа. Это несложно, но может быть сухо.
Хорошая новость в том, что в этом разделе больше нет необходимости, поскольку большинство брокерских платформ уже рассчитывают кросс-курсы для вас.
Однако, если вы из тех, кто любит знать, как все работает, то этот раздел для вас! И кроме того, всегда хорошо знать, как все работает правильно?
В этом разделе мы покажем вам, как рассчитать бид (цена покупки) и аск (цена продажи) валютного кросса.
Допустим, мы хотим найти цену спроса / предложения для GBP / JPY. Первое, что мы сделаем, это посмотрим на цену покупки и продажи как для GBP / USD, так и для USD / JPY.
Почему именно эти 2 пары?
Потому что у них обоих общий знаменатель доллара США .
Эти две пары называются « ноги » пары GBP / JPY, потому что они связаны с парами доллара США.
Теперь предположим, что мы находим следующие цены спроса / предложения:
GBP / USD: 1.5630 (спрос) / 1.5635 (спрос)
USD / JPY: 89,38 (спрос) / 89,43 (спрос)
Чтобы рассчитать цену предложения для GBP / JPY, вы просто умножаете цены предложения для GBP / USD и USD / JPY.
Если у вас 139,70 – молодец! Ваш калькулятор работает правильно, ура!
Чтобы получить цену продажи для GBP / JPY, просто умножьте цены на продажу для GBP / USD и USD / JPY, и мы получим 139,82.
Легко, как пирог!
.