• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

鼠粪便样本细菌微生物组分析的微生物 DNA 分离、16S rRNA 扩增子测序和生物信息学分析。

Microbiota DNA isolation, 16S rRNA amplicon sequencing, and bioinformatic analysis for bacterial microbiome profiling of rodent fecal samples.

机构信息

The Florey Institute of Neuroscience and Mental Health, University of Melbourne, Parkville, VIC 3010, Australia.

The Florey Institute of Neuroscience and Mental Health, University of Melbourne, Parkville, VIC 3010, Australia.

出版信息

STAR Protoc. 2022 Oct 21;3(4):101772. doi: 10.1016/j.xpro.2022.101772. eCollection 2022 Dec 16.

DOI:10.1016/j.xpro.2022.101772
PMID:36313541
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC9597187/
Abstract

Fecal samples are frequently used to characterize bacterial populations of the gastrointestinal tract. A protocol is provided to profile gut bacterial populations using rodent fecal samples. We describe the optimal procedures for collecting rodent fecal samples, isolating genomic DNA, 16S rRNA gene V4 region sequencing, and bioinformatic analyses. This protocol includes detailed instructions and example outputs to ensure accurate, reproducible results and data visualization. Comprehensive troubleshooting and limitation sections address technical and statistical issues that may arise when profiling microbiota. For complete details on the use and execution of this protocol, please refer to Gubert et al. (2022).

摘要

粪便样本常用于描述胃肠道的细菌种群。本方案提供了一种使用啮齿动物粪便样本分析肠道细菌种群的方法。我们描述了收集啮齿动物粪便样本、分离基因组 DNA、16S rRNA 基因 V4 区测序和生物信息学分析的最佳程序。本方案包括详细的说明和示例输出，以确保准确、可重复的结果和数据可视化。全面的故障排除和局限性部分解决了在分析微生物组时可能出现的技术和统计问题。有关使用和执行本方案的完整详细信息，请参考 Gubert 等人（2022 年）。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/34f4d92f4926/fx21.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/2dc53eec6cbc/fx1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/4816373adfca/fx4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/487a075f6e6b/fx5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/cb9c42ab3c10/fx6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/2c22482bb0a9/fx7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/c631b8c8debc/fx8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/f097b03cf2c1/fx9.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/92d5d7ddd6cd/fx10.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/aa7c70d5b245/fx11.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/f17398330316/fx12.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/8b0619b6da54/fx13.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/497fd5d57b13/fx14.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/488691ff34d7/fx15.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/d959431f17a5/fx16.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/bea83af2e52d/fx17.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/6d1d92d5fda3/fx18.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/64e14ac2cc5c/fx19.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/bafa320a479b/fx20.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/34f4d92f4926/fx21.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/2dc53eec6cbc/fx1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/4816373adfca/fx4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/487a075f6e6b/fx5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/cb9c42ab3c10/fx6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/2c22482bb0a9/fx7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/c631b8c8debc/fx8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/f097b03cf2c1/fx9.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/92d5d7ddd6cd/fx10.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/aa7c70d5b245/fx11.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/f17398330316/fx12.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/8b0619b6da54/fx13.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/497fd5d57b13/fx14.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/488691ff34d7/fx15.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/d959431f17a5/fx16.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/bea83af2e52d/fx17.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/6d1d92d5fda3/fx18.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/64e14ac2cc5c/fx19.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/bafa320a479b/fx20.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/8671/9597187/34f4d92f4926/fx21.jpg

相似文献

1
Microbiota DNA isolation, 16S rRNA amplicon sequencing, and bioinformatic analysis for bacterial microbiome profiling of rodent fecal samples.鼠粪便样本细菌微生物组分析的微生物 DNA 分离、16S rRNA 扩增子测序和生物信息学分析。
STAR Protoc. 2022 Oct 21;3(4):101772. doi: 10.1016/j.xpro.2022.101772. eCollection 2022 Dec 16.
2
Gastrointestinal and Microbiome Profiling in Rodent Models of Neurological and Psychiatric Disorders.神经和精神疾病啮齿动物模型的胃肠道和微生物组分析。
Methods Mol Biol. 2023;2687:77-91. doi: 10.1007/978-1-0716-3307-6_7.
3
Processing human urine and ureteral stents for 16S rRNA amplicon sequencing.处理人尿液和输尿管支架进行 16S rRNA 扩增子测序。
STAR Protoc. 2021 Apr 8;2(2):100435. doi: 10.1016/j.xpro.2021.100435. eCollection 2021 Jun 18.
4
Pseudomonas-specific 16S rRNA insect gut-microbiome profiling using next-generation sequencing.使用下一代测序技术对昆虫肠道微生物组进行假单胞菌特异性 16S rRNA 分析。
STAR Protoc. 2023 Mar 17;4(1):101941. doi: 10.1016/j.xpro.2022.101941. Epub 2022 Dec 16.
5
A protocol for characterization of extremely preterm infant gut microbiota in double-blind clinical trials.用于在双盲临床试验中表征极早产儿肠道微生物群的方案。
STAR Protoc. 2021 Jul 9;2(3):100652. doi: 10.1016/j.xpro.2021.100652. eCollection 2021 Sep 17.
6
Capturing the diversity of the human gut microbiota through culture-enriched molecular profiling.通过培养富集分子谱分析捕捉人类肠道微生物群的多样性。
Genome Med. 2016 Jul 1;8(1):72. doi: 10.1186/s13073-016-0327-7.
7
Protocol to assess the impact of early-life antibiotic exposure on murine longevity.评估早期抗生素暴露对小鼠寿命影响的方案。
STAR Protoc. 2022 Mar 5;3(1):101220. doi: 10.1016/j.xpro.2022.101220. eCollection 2022 Mar 18.
8
Processing a 16S rRNA Sequencing Dataset with the Microbiome Helper Workflow.使用微生物组助手工作流程处理16S rRNA测序数据集。
Methods Mol Biol. 2018;1849:131-141. doi: 10.1007/978-1-4939-8728-3_9.
9
Optimisation of 16S rRNA gut microbiota profiling of extremely low birth weight infants.优化极低出生体重儿 16S rRNA 肠道微生物群分析。
BMC Genomics. 2017 Nov 2;18(1):841. doi: 10.1186/s12864-017-4229-x.
10
Quantification and characterization of mouse and human tissue-resident microbiota by qPCR and 16S sequencing.通过 qPCR 和 16S 测序对小鼠和人类组织常驻微生物组进行定量和特征分析。
STAR Protoc. 2022 Dec 16;3(4):101765. doi: 10.1016/j.xpro.2022.101765. Epub 2022 Oct 7.

引用本文的文献

1
Backtracking identification techniques for predicting unclear bacterial taxonomy at species level: molecular diagnosis-based bacterial classification.用于预测物种水平上不明确细菌分类学的回溯识别技术：基于分子诊断的细菌分类
Genes Genomics. 2025 May;47(5):503-508. doi: 10.1007/s13258-025-01634-x. Epub 2025 Mar 20.
2
A tool to assess the mock community samples in 16S rRNA gene-based microbiota profiling studies.一种用于在基于16S rRNA基因的微生物群分析研究中评估模拟群落样本的工具。
Microbiome Res Rep. 2023 Apr 27;2(2):14. doi: 10.20517/mrr.2022.18. eCollection 2023.
3
Specific Oral Microbial Differences in Proteobacteria and Bacteroidetes Are Associated with Distinct Sites When Moving from Healthy Mucosa to Oral Dysplasia-A Microbiome and Gene Profiling Study and Focused Review.

本文引用的文献

1
Statistical challenges in longitudinal microbiome data analysis.纵向微生物组数据分析中的统计挑战。
Brief Bioinform. 2022 Jul 18;23(4). doi: 10.1093/bib/bbac273.
2
Gene-environment-gut interactions in Huntington's disease mice are associated with environmental modulation of the gut microbiome.亨廷顿舞蹈症小鼠中的基因-环境-肠道相互作用与肠道微生物群的环境调节有关。
iScience. 2021 Dec 24;25(1):103687. doi: 10.1016/j.isci.2021.103687. eCollection 2022 Jan 21.
3
Microbiome differential abundance methods produce different results across 38 datasets.
从健康黏膜发展到口腔发育异常时，变形菌门和拟杆菌门中特定的口腔微生物差异与不同部位相关——一项微生物组和基因谱研究及重点综述。
Microorganisms. 2023 Sep 7;11(9):2250. doi: 10.3390/microorganisms11092250.
4
The Impacts of Fecal Microbiota Transplantation from Same Sex on the Symptoms of Ulcerative Colitis Patients.同性供体粪便微生物移植对溃疡性结肠炎患者症状的影响。
Pol J Microbiol. 2023 Sep 20;72(3):247-268. doi: 10.33073/pjm-2023-025. eCollection 2023 Sep 1.
5
Evaluation of Gut Microbiota in Healthy Persons and Type 1 Diabetes Mellitus Patients in North-Western Russia.俄罗斯西北部健康人群和1型糖尿病患者肠道微生物群的评估。
Microorganisms. 2023 Jul 15;11(7):1813. doi: 10.3390/microorganisms11071813.
微生物组差异丰度方法在 38 个数据集上产生了不同的结果。
Nat Commun. 2022 Jan 17;13(1):342. doi: 10.1038/s41467-022-28034-z.
4
A protocol for characterization of extremely preterm infant gut microbiota in double-blind clinical trials.用于在双盲临床试验中表征极早产儿肠道微生物群的方案。
STAR Protoc. 2021 Jul 9;2(3):100652. doi: 10.1016/j.xpro.2021.100652. eCollection 2021 Sep 17.
5
HARMONIES: A Hybrid Approach for Microbiome Networks Inference via Exploiting Sparsity.和谐：一种通过利用稀疏性进行微生物组网络推断的混合方法。
Front Genet. 2020 Jun 3;11:445. doi: 10.3389/fgene.2020.00445. eCollection 2020.
6
Microbial Networks in SPRING - Semi-parametric Rank-Based Correlation and Partial Correlation Estimation for Quantitative Microbiome Data.SPRING中的微生物网络——用于定量微生物组数据的基于半参数秩的相关性和偏相关性估计
Front Genet. 2019 Jun 6;10:516. doi: 10.3389/fgene.2019.00516. eCollection 2019.
7
A Novel Sparse Compositional Technique Reveals Microbial Perturbations.一种新型稀疏合成技术揭示了微生物扰动。
mSystems. 2019 Feb 12;4(1). doi: 10.1128/mSystems.00016-19. eCollection 2019 Jan-Feb.
8
Hypothesis Testing and Statistical Analysis of Microbiome.微生物组的假设检验与统计分析
Genes Dis. 2017 Sep;4(3):138-148. doi: 10.1016/j.gendis.2017.06.001. Epub 2017 Jun 23.
9
Microbiome profiling reveals gut dysbiosis in a transgenic mouse model of Huntington's disease.微生物组谱分析揭示亨廷顿病转基因小鼠模型中的肠道菌群失调。
Neurobiol Dis. 2020 Feb;135:104268. doi: 10.1016/j.nbd.2018.09.001. Epub 2018 Sep 5.
10
Zero-inflated generalized Dirichlet multinomial regression model for microbiome compositional data analysis.用于微生物组组成数据分析的零膨胀广义狄利克雷多项回归模型。
Biostatistics. 2019 Oct 1;20(4):698-713. doi: 10.1093/biostatistics/kxy025.