[호붕싸 모각코 10차] 논문리뷰 Anovel graph theoretical approach formodeling microbiomes and inferring microbial ecological relationships.

연구의 핵심 목표는 크론병(Crohn’s disease) 환자의 미생물 군집에서 미생물 간 상호작용과 미생물-대사 경로 관계를 그래프 모델로 분석하는 고급 생물정보학 파이프라인을 구축

 

용어정리..

• KEGG란
  • 생명체의 유전자와 대사 기능을 연결해주는 생물정보학 디비
  • 교토 유전자 및 유전체 백과사전
  • 이 task 에서 KEGG 의 역할은
    1. 16s 데이터로 미생물 종류를 파악하고
    2. PICURSt 로 KO를 예측하고
    3. KEGG로 KO → 기능, 경로로 연결
    이 미생물 군집은 이런 기능을 가지고있고~ 이런 대사 경로를 수행할 수 있구나~ 를 추론하게됨
  • 미생물이 어떤 기능을 수행할 수 있는 가를 알고 싶은거니까
• OTU
  • 운영 분류 단위?
  • 미생물 시퀀싱 데이터를 기반으로, 비슷한 유전자 서열끼리 묶은 그룹을 의미
  • 이 개념이 필요한 이유는?
  • 현실적으로 모든 미생물의 정확한 종을 파악하기는 어려우니까
  • 뭐 유전자 서열이 97% 이상 비슷하면 같은 종으로 간주하자~ 라는 의미
• LEfSe
• 분석단순히 통계적 유의성 뿐만 아니라 “ 그 차이가 얼마나 강한가”(effect size) 도 같이 보여준다는거임
  1. 비모수적 크루스칼-왈리스 검정?
     1. 그룹 간에 차이가 있는 특징을 찾는 과정임
  2. LDA
     1. 그룹 간 차이의 영향력을 정량화 하는 과정
• 두가지 통계적 단계로 구성됨
• 다양한 그룹 사이에서 유의미하게 다른 미생물 또는 기능적 특징을 찾는 도구임

 

Background

---

• 마이크로바이옴은 인간의 건강에 중요한 역할을 하며, 특히 장내 미생물은 면역조절, 대사, 점막 항상성 유지에 관여한다
• 크론병은 이러한 장내 미생물군의 불균형과 관련이 있지만, 구체적인 메커니즘은 명확하지 않음
• 기존 연구는 통계 상관분석에 의존
  • 미생물 상호작용을 정량적으로 모델링하기 어려움
• 따라서 복잡한 미생물 생태계 관계를 효율적으로 표현할 수 있는 새로운 그래프 모델이 필요
  • 생물학적 접근은 단순히 미생물 간의 상호작용뿐만 아니라, 이러한 상호작용이 숙주 생물의 건강과 기능에 어떻게 영향을 미치는지까지 포괄적으로 모델링하고자 함

Method

---

두 종류의 관계(내부 상호작용과 외부 표현형 관계)를 각각 다른 엣지 그룹으로 구분해 표현할 수 있는 특수한 그래프 구조

1. 미생물 풍부도 데이터와 해당 미생물의 유전체 정보를 결합해서
   1. 미생물간 내부 상호작용
   2. 미생물과 대사 경로 간 외부 연관성

을 나타내는 독립적인 네트워크를 생성

2. 위에서 생성된 넨트워크로 스플릿 그래프를 구성함

 

 

Split graph model

• 스플릿 그래프는 노드를 두 개의 집합으로
  • 클리크 Q : 서로 강하게 상호작용하는 미생물
    • 모든 노드가 서로 연결되어 있는 완전 부분 그래프
  • 독립집합 I : 미생물의 기능적 표현 → 대사 경로를 의미
    • 서로 간에 연결된 엣지가 없는 노드 집합
• 두 개의 엣지 집합
  • 클리크 엣지 : Q 내 노드들 간의 엣지
    • 미생물 간의 상호작용
  • 크로스 엣지 : Q 의 노드와 I 의 노드를 연결하는 엣지
    • 미생물과 대사경로 간의 관계
• 클리크 간의 엣지는 미생물 간의 강한 상관관계를 의미
• 클리크-독립집합 간의 엣지는 미생물과 대사경로의 연관을 의미
• 각 엣지에는 상관계수 또는 KO (KEGG Orthologs) 기반의 밀도 값을 가중치로 부여

• 노란색 원
  • 미생물 노드
• 보라색 원
  • 대사 경로 또는 표현형 노드
• 클리크 내 노드간 엣지
  • 미생물 간 강한 상관관계
• 크로스 엣지
  • 미생물 ↔ 대사 경로 엣지

→ 엣지에는 가중치를 부여하여, 단순한 연결 이상으로 co-occurence나 상관관계 강도를 표현할 수 있음

• 독립 노드(대사경로)는 서로 연결되어있찌 않음 !!!! !
  • 실제 연관성이 있더라도 표현하지않음
  • 이유는?
    • 이 기능에 영향을 주는 미생물은 누구인가????? 만 알고 싶기 때문
    • 기능끼리 연결된 정보는 지금 질문에 중요하지 않음

⇒ 결과적으로 가중치가 높은 최대 클리크는 다음을 의미함

• 하나의 대사 경로와
• 해당 경로에 영향을 주는 서로 강하게 연결된 미생물 집단

→ 핵심 바이오마커 모듈에 해당

Data processing of 16s rRNA gene sequence datasets

• 16s rRNA
  • 크론병 환자의 점막 조직 샘플 36 개 (CDT)
  • 크론병 환자의 대변 샘플 10 개 (CDS)
  • 건강한 개인의 대변 샘플 9 개 (HCS)
• QIIME 파이프라인 사용
  • 97 퍼센트 유사도 기준으로 클러스터링
  • Greengenes DB를 사용해서 미생물 classification을 수행

Metagenome prediction and metabolic reconstruction of 16S rRNA datasets

• PICRUSt v 1.1.0 을 사용해서 메타 유전체를 예측
  • 16s rRNA 계통수로부터 OTU를 해당 유전자 내용물에 연결할 수 있도록 도와줌
  • 이 예측 과정이 필요한 이유
    • 16s rRNA 시퀀싱은 미생물의 종류는 알려주지만, 그 미생물이 어떤 유전자를 갖고 있는지는 직접 알려주지않음
    • 하지만 미생물이 수행하는 기능(대사경로)를 알고싶으니까 유전자 정보를 간접적으로 예측해야해
      • 그래서 PICRUSt를 사용
        • 관찰되지않은 유전자 상태를 계통수 기반으로 재구성한다 라느 ㄴ의미
• PISRUSt 내장 알고리즘으로 16s rRNA 계통수로부터 OTU를 해당 유전자 내용물에 연결할 수 있도록 도와줌
• 이후, 예측된 KO 기능 프로파일을 기반으로 HuMAnN2 파이프라인을 활용하여 KEGG 대사경로를 재구성
  • KO는 각 유전자의 역할, KEGG 대사경로는 그 유전자들이 속한 생화학적 경로를 의미
  → 이 과정으로 각 미생물 군집이 어떤 기능적 대사 시스템을 갖추고있는지르 ㄹ파악할 수 있게 됨

Detection of taxonomic and metagenomics biomarkers

• LEfSe 도구를 사용해서
  • 3 가지 그룹(CDT, CDS, HCS) 에서 가장 생물학적으로 정보량이 많은 특징들을 식별
    • 분류학적 조성이나 기능적 대사경로 등의 특징들!

Network construction and split graph analysis

1. 미생물 간 상호작용 탐지특정 조건을 만족하는 공출관계만 선택
2. CDT, CDS, HCS 내에서 미생물 간의 공출 패턴을 드러내는 미생물 간의 상관관계를 분석
3. 미생물과 대사 경로 간의 상관관계 탐지
   1. 공출관계가 있는 미생물들에 대해 그 풍부도와 KO 사이의 상관관계를 분석
      • 상관계수 rho > 0.6
      • FDR 보정 p-value < 0.05
   2. 특정 미생물과 KEGG 대사 경로 사이의 연관성을 추정
      1. 해당 미생물과의 연관된 KO 들의 수
      2. 해당 경로에 포함된 전체 KO의 수로 나눈 비율로 계산
4. 두 단계로 이루어짐
5. 네트워크 구성 및 스플릿 그래프 생성
   1. 미생물 간 상호작용 → 클리크 엣지
   2. 서로 강하게 연결된 미생물 집단이 클리크
   3. 미생물 ↔ 대사 경로 관계 → 크로스엣지
   4. 각 미생물이 어떤 대사경로에 관여할 가능성이 높은지를 정량적으로 표현
6. 두가지 관계를 통합함

작성자	김윤희
소 감	오늘은 읽어볼 논문을 리뷰하는 시간을 가졌다. 정해진 모각코 시간에 읽으려고 하니 미뤄지지 않고 잘 읽을 수 있어서 좋았다,
일 시	2025. 5. 9. (금) 18:00 ~ 21:00
장 소	미래관 429호 자율주행스튜디오
참가자 명단	신수민, 임혜진, 배세은, 김윤희 (총 4명)
사 진

 

 

 

 

---