4.4 Disponibilidade
5.1.1 Patagônia argentina
Estes dados1contemplam 31 amostras de lagos de água doce localizadas em um gra- diente latitudinal de S45°550a S54°360, coletadas entre os anos de 2007 e 2008 (SCHI- AFFINO et al., 2013).
Metodologia
Além dos dados de CMF janelados para populações bacterianas, segundo os protoco- los descritos em Gasol e Moran (2015), as informações individuais de cada lago incluí- ram:
1Os dados foram gentilmente cedidos a esta pesquisa pelas Dras. Romina Schiaffino e Irina Izaguirre,
do Consejo Nacional de Investigaciones Científicas y Técnicas (Buenos Aires, Argentina), às quais direci- onamos nossos mais profundos agradecimentos.
• 12 variáveis ambientais: latitude, longitude, área do lago, temperatura, pH, condu- tividade elétrica, oxigênio dissolvido (DO), nitrogênio dissolvido (DN), coeficiente de atenuação difusa (vertical) da luz na água (Kd), clorofila a (Chla), fosfato e car- bono orgânico dissolvido (DOC).
• Assinaturas moleculares obtidas através da técnica de Eletroforese em Gel de Gra- diente Desnaturante (DGGE) do gene 16S rRNA.
Os dados foram explorados com as técnicas de análise de componentes principais (PCA), escalonamento multidimensional não métrico (nMDS) e formamelmente testa- dos em modelos de correlação e regressão lineares. Os testes de postos sinalizados de Wilcoxon e ANOVA multivariada permutacional (PERMANOVA) foram aplicados para testar diferenças entre as diversidades citométricas entre os grupos de diferentes estados tróficos.
Resultados e discussão
As análises revelaram uma significativa correlação entre o estado trófico e os padrões da diversidade citométrica. Apontaram, ainda, que variáveis ambientais importantes, como carbono orgânico dissolvido (DOC) e clorofila a (Chla) podem balizar a diversi- dade citométrica de lagos temperados.
Em particular, observamos que o DOC é uma variável diretamente associada ao estado trófico do ambiente. Já foi demonstrado que, em baixas concentrações de DOC, apenas alguns especialistas em bactérias são capazes de incorporar ativamente os vários tipos de matéria orgânica (SARMENTO; MORANA; GASOL, 2016) e, como consequência, a diversidade bacteriana seria baixa. Por conseguinte, a relação positiva observada entre a diversidade α e o DOC está alinhada com a ideia de que concentrações mais altas desse nutriente, associadas a uma composição mais variada, resultariam em maior diversidade de bactérias que usam esses tipos de compostos.
5.1.2
Nordeste brasileiro
Estes dados contemplam 65 amostras de lagos de água doce localizados no estado do Rio Grande do Norte, Brasil, coletadas durante o mês de setembro de 2012 (CABRAL et al., 2019; JUNGER et al., 2019)2.
Metodologia
Além dos dados de CMF janelados para populações bacterianas, segundo os protoco- los descritos em Gasol e Moran (2015), as informações individuais de cada lago incluíram os seguintes dados ambientais:
• 31 variáveis espaciais derivadas da análise de Coordenadas Principais de Matri- zes Vizinhas (BORCARD; LEGENDRE, 2002). Essas novas variáveis espaciais,
2Por oportuno, externamos também nossa sincera gratidão a essas duas equipes, pela grande cortesia em
5.2. COMPARAÇÃO DO MÉTODO 25
derivadas das informações de latitude e longitude, são ortogonais e representam di- ferentes graus de estruturas espaciais dos dados (BUTTIGIEG; RAMETTE, 2014) • 9 variáveis ambientais: nitrogênio total (TN), clorofila a (Chla), fósforo total (TP),
carbono orgânico dissolvido (DOC), valores de absorbância da água a 430 nm (a430), as razões entre os valores de absorbância da água a 250nm e 350 nm (a250:a365), e as razões entre carbono e fósforo (C:P), carbono e nitrogênio (C:N) e nitrogênio e fósforo (N:P).
Os índices de diversidade α (riqueza e índices de Shannon e Pielou) e β (Bray-Curtis, aninhamento e turnover) foram ajustados a diferentes modelos de regressão (regressão li- near múltipla, análise de redundância baseada em distância (LEGENDRE; ANDERSON, 1999) e regressão múltipla de matrizes de distância (LICHSTEIN, 2007), usando as va- riáveis ambientais como preditores. Todos os modelos foram estatisticamente testados assumindo-se um nível de significância igual a 0,05.
Resultados e discussão
Os resultados sugerem que o aporte nutricional, em detrimento do espaço, são os principais direcionadores da diversidade citométrica dos lagos em estudo. Em particular, as variáveis relacionadas com a qualidade da matéria orgânica (i.e., Chla, a430 and a250: a365) e com a produtividade em sistemas aquáticos (i.e. TN e TP) afetam a diversidade citométrica do bacteriolplâncton de sistemas tropicais.
Tais achados estão alinhados com o entendimento de que a eutrofização nos ecossiste- mas aquáticos geralmente causa mudanças bruscas nas comunidades planctônicas, o que pode fazer com que grupos bacterianos distintos se desenvolvam de maneira diferente e causem alterações em seus parâmetros de diversidade (JOCHEM; LAVRENTYEV; FIRST, 2004; SMITH; JOYE; HOWARTH, 2006; ANDRADE et al., 2007; ŠOLIC et al., 2009; SMITH; SCHINDLER, 2009).
5.2
Comparação do Método
5.2.1
Metodologia
O flowDiv foi comparado com quatro ferramentas computacionais dedicadas à análise da assinatura citométrica - Dalmatian Plot (BOMBACH et al., 2011), Cytometric Histo- gram Image Comparison (CHIC) (KOCH et al., 2013), Cytometric Barcoding (CyBar) (SCHUMANN et al., 2015), e FlowFP (HOLYST; ROGERS, 2009) - e, também, com dados moleculares obtidos através da técnica de Eletroforese em Gel de Gradiente Des- naturante (DGGE) do gene 16S rRNA. Para a comparação, aplicou-se o teste de Mantel (MANTEL, 1967), utilizando-se as matrizes de distâncias geradas por cada técnica. Todas as análises foram executas assumindo-se um nível de significância igual a 0,05.
5.2.2
Resultados e discussão
flowDiv e FlowFP foram as únicas ferramentas que se correlacionaram significativa e positivamente com as informações DGGE (Tabela 5.1). Essas técnicas também foram altamente correlacionadas, provavelmente devido a seus princípios comuns de operação.
Notadamente, os resultados estão alinhados com a literatura especializada, que des- creve a correlação entre características moleculares e a diversidade citométrica de bacté- rias (PROPS et al., 2016; GARCÍA et al., 2015).
Tabela 5.1: Estatísticas de Mantel, calculadas a partir da comparação par-a-par das matri- zes de distância das técnicas utilizadas. Asteriscos (*) representam resultados significati- vos (p < 0.05).
DGGE CHIC Dalmation plot CyBar flowFP PhenoFlow flowDiv
DGGE - CHIC 0.05 - Dalmation plot -0.05 -0.06 - CyBar -0.07 -0.07 -0.11 - flowFP 0.18* 0.13 -0.34 0.42* - PhenoFlow 0.10 0.08 -0.35 0.15 0.37* - flowDiv 0.20* 0.12 -0.20 0.12 0.65* 0.22* -
Capítulo 6
Conclusão
Este trabalho dedicou-se ao desenvolvimento e avaliação de ferramentas computacio- nais para análises de CMF ambiental, com o propósito de oferecer aos analistas um novo método para o estudo objetivo, rápido e de baixo custo da estrutura subjacente de dados citométricos. Em particular, ele se concentrou em expandir, validar e a difundir a óptica de Li (1997) a respeito do método da diversidade citométrica, com vistas a reavivar o interesse em estudos ecológicos passados e direcionar as estratégias de pesquisas futuras em CMF ambiental.
Com essa tese, além de propormos uma nova ferramenta computacional especialmente projetada para a análise da diversidade citométrica de dados ambientais, pudemos revelar como as propriedades in silico inerentes ao método podem refletir, de forma consistente, padrões gerais esperados para algumas comunidades naturais de bactérias. Nesse qua- dro, é salutar notarmos o quão exitoso foi esse trabalho dentro da proposta a qual se prendeu - não apenas por conseguir satisfazer uma dinâmica cadenciada e autocontida de suas etapas (no que tange à sua concepção, implementação, validação e aplicação), mas, principalmente, por conseguir divulgar expressiva parte de seus achados à comunidade científica internacional - ato capital ao pleno desenvolvimento científico.
Naturalmente, este projeto está longe de esgotar o tema e, como esperado, cria muito mais perguntas do que se propusera a responder1. Com efeito, frente à era da informação - com novas técnicas, tecnologias e questões emergindo à profusão a cada instante - é pró- prio e esperado o surgimento de novas aplicações e mesmo a evolução ou obsolescência de alguns métodos propostos neste trabalho. Nesse sentido, esperamos que nossa proposta possa ser efetivamente considerada, utilizada e, como uma iniciativa de código aberto, continuamente melhorada por citometristas das mais variadas áreas do conhecimento, sempre com vistas a contribuir para um aprofundamento de estudos teórico-práticos no vasto campo da CMF ambiental.
1“A ciência nunca resolve um problema sem criar pelo menos outros dez.” (George Bernard Shaw,
Referências Bibliográficas
ADAN, A. et al. Flow cytometry: basic principles and applications. Critical reviews in biotechnology, Taylor & Francis, v. 37, n. 2, p. 163–176, 2017. 5
AGHAEEPOUR, N. et al. Critical assessment of automated flow cytometry data analysis techniques. Nature methods, v. 10, n. 3, p. 228–38, 2013. ISSN 1548-7105. 1, 2, 11, 14 AMADO, A. M.; ROLAND, F. Microbial role in the carbon cycle in tropical inland aquatic ecosystems. Frontiers in microbiology, v. 8, p. 20, 2017. 9
ANDRADE, L. et al. Distribution of hna and lna bacterial groups in the southwest atlantic ocean. Brazilian Journal of Microbiology, v. 38, n. 2, p. 330–336, 2007. 25 AZAD, A.; RAJWA, B.; POTHEN, A. flowvs: channel-specific variance stabilization in flow cytometry. BMC bioinformatics, BioMed Central, v. 17, n. 1, p. 291, 2016. 14, 17, 19
BASHASHATI, A.; BRINKMAN, R. R. A survey of flow cytometry data analysis methods. Advances in bioinformatics, p. 584603, 2009. ISSN 1687-8027. 9, 10 BIO-RAD. Flow Cytometry Basics Guide. 2018. [Online]. Disponível em: <hhttps: //www.bio-rad-antibodies.com/static/2016/fc-guide/flow-cytometry-basics-guide.pdf>. 6, 7
BIOINFORMIN. Flow cytometry - Compensation. 2018. [Online]. Disponível em: <http://www.bioinformin.net/cytometry/compensation.php>. 8
BLASCHKO, M. B. et al. Automatic in situ identification of plankton. In: IEEE. Application of Computer Vision, 2005. WACV/MOTIONS’05 Volume 1. Seventh IEEE Workshops on. [S.l.], 2005. v. 1, p. 79–86. 11
BODDY, L. et al. Identification of 72 phytoplankton species by radial basis function neural network analysis of flow cytometric data. Marine Ecology Progress Series, JSTOR, p. 47–59, 2000. 2, 11
BOMBACH, P. et al. Resolution of natural microbial community dynamics by
community fingerprinting, flow cytometry, and trend interpretation analysis. Advances in biochemical engineering/biotechnology, v. 124, p. 151, 2011. 11, 25
BORCARD, D.; LEGENDRE, P. All-scale spatial analysis of ecological data by means of principal coordinates of neighbour matrices. Ecological modelling, Elsevier, v. 153, n. 1-2, p. 51–68, 2002. 24
BUITENHUIS, E. T. et al. Picophytoplankton biomass distribution in the global ocean. Earth System Science Data, v. 4, n. 1, p. 37–46, 2012. 9
BUTTIGIEG, P. L.; RAMETTE, A. A guide to statistical analysis in microbial ecology: a community-focused, living review of multivariate data analyses. FEMS microbiology ecology, The Oxford University Press, v. 90, n. 3, p. 543–550, 2014. 25
CABRAL, C. R. et al. Are the patterns of zooplankton community structure different between lakes and reservoirs? a local and regional assessment across tropical ecosystems. Aquatic Ecology, Springer, v. 53, n. 3, p. 335–346, 2019. 24
CAMILO, C. O.; SILVA, J. C. d. Mineração de dados: Conceitos, tarefas, métodos e ferramentas. Universidade Federal de Goiás (UFC), p. 1–29, 2009. 11
CHEN, T. J.; KOTECHA, N. Cytobank: Providing an analytics platform for community cytometry data analysis and collaboration. Current Topics in Microbiology and
Immunology, v. 377, p. 127–157, 2014. ISSN 21969965. 9
CHISHOLM, S. W. et al. A novel free-living prochlorophyte abundant in the oceanic euphotic zone. Nature, Nature Publishing Group, v. 334, n. 6180, p. 340–343, 7 1988. ISSN 0028-0836. Disponível em: <http:https://doi.org/10.1038/334340a0>. 9
CHRISTOFFERSEN, K. et al. Qualitative importance of the microbial loop and plankton community structure in a eutrophic lake during a bloom of cyanobacteria. Microbial ecology, Springer, v. 20, n. 1, p. 253–272, 1990. 9
DARWIN, C. A origem das espécies, no meio da seleção natural ou a luta pela existência na natureza. Tradução Joaquim da Mesquita Paul. Porto: Lello & Irmão, 2003. 12 DURAND, M. D.; OLSON, R. J. Contributions of phytoplankton light scattering and cell concentration changes to diel variations in beam attenuation in the equatorial pacific from flow cytometric measurements of pico-, ultra-and nanoplankton. Deep Sea Research Part II: Topical Studies in Oceanography, Elsevier, v. 43, n. 4-6, p. 891–906, 1996. 11
DURAND, M. D.; OLSON, R. J.; CHISHOLM, S. W. Phytoplankton population dynamics at the bermuda atlantic time-series station in the sargasso sea. Deep Sea Research Part II: Topical Studies in Oceanography, Elsevier, v. 48, n. 8, p. 1983–2003, 2001. 11
ELLIS, B. et al. flowCore: flowCore: Basic structures for flow cytometry data. [S.l.], 2016. R package version 1.38.2. 8
ERRANTE, P. R. et al. Flow cytometry: a literature review. Revista de Ciências Médicas e Biológicas, v. 14, n. 2, p. 221–224, 2016. 6, 8, 9
REFERÊNCIAS BIBLIOGRÁFICAS 31
FINAK, G. et al. High Throughput Flow Cytometry Data Normalization for Clinical Trials. Cytometry, v. 85, n. 3, p. 277–286, 2014. 9
FREE SOFTWARE FOUNDATION. GNU Affero General Public License Version 3 (AGPL-3.0). 2019. Accessed 26 August 2019. 20
FREEDMAN, D.; DIACONIS, P. On the histogram as a density estimator: L2 theory. Zeitschrift für Wahrscheinlichkeitstheorie und Verwandte Gebiete, v. 57, n. 4, p. 453–476, 1981. ISSN 0044-3719. Disponível em: <http://link.springer.com/10.1007/ BF01025868>. 19
FUHRMAN, J. A.; CARON, D. A. Heterotrophic planktonic microbes: virus, bacteria, archaea, and protozoa. In: . Manual of Environmental Microbiology, Fourth Edition. [S.l.]: American Society of Microbiology, 2016. p. 4–2. 9
GARCÍA, F. C. et al. Seasonality in molecular and cytometric diversity of marine bacterioplankton: the re-shuffling of bacterial taxa by vertical mixing. Environmental microbiology, Wiley Online Library, v. 17, n. 10, p. 4133–4142, 2015. 13, 26
GARCÍA, F. C.; LÓPEZ-URRUTIA, Á.; MORÁN, X. A. G. Automated clustering of heterotrophic bacterioplankton in flow cytometry data. Aquatic Microbial Ecology, v. 72, n. 2, p. 175–185, 2014. 11
GASOL, J. M.; MORAN, X. A. G. Flow Cytometric Determination of Microbial Abundances and Its Use to Obtain Indices of Community Structure and Relative Activity. Hydrocarbon and Lipid Microbiology Protocols - Springer Protocols Handbooks, p. 1–29, 2015. ISSN 19492448. 7, 8, 23, 24
GLÖCKNER, F. O.; FUCHS, B. M.; AMANN, R. Bacterioplankton compositions of lakes and oceans: a first comparison based on fluorescence in situ hybridization. Appl. Environ. Microbiol., Am Soc Microbiol, v. 65, n. 8, p. 3721–3726, 1999. 9
HERZENBERG, L. A. et al. The history and future of the fluorescence activated cell sorter and flow cytometry: a view from stanford. Clinical chemistry, Clinical Chemistry, v. 48, n. 10, p. 1819–1827, 2002. 9
HERZENBERG, L. A. et al. Interpreting flow cytometry data: a guide for the perplexed. Nature immunology, Nature Publishing Group, v. 7, n. 7, p. 681–685, 2006. 9
HOBBS, R. J.; HUENNEKE, L. F. Disturbance, diversity, and invasion: implications for conservation. Conservation biology, Wiley Online Library, v. 6, n. 3, p. 324–337, 1992. 12
HOLYST, H.; ROGERS, W. flowFP: Fingerprinting for Flow Cytometry. [S.l.], 2009. R package version 1.30.0. 11, 25
HUTTER, K. J.; EIPEL, H. E. Flow cytometric determinations of cellular substances in algae, bacteria, moulds and yeasts. Antonie van Leeuwenhoek, v. 44, n. 3-4, p. 269–282, 1978. ISSN 00036072. 9
JOCHEM, F. J.; LAVRENTYEV, P. J.; FIRST, M. R. Growth and grazing rates of bacteria groups with different apparent dna content in the gulf of mexico. Marine Biology, v. 145, n. 6, p. 1213–1225, 2004. 25
JOST, L. Partitioning diversity into independent alpha and beta components. Ecology, Wiley Online Library, v. 88, n. 10, p. 2427–2439, 2007. 12
JUNGER, P. C. et al. Effects of seasonality, trophic state and landscape properties on co2 saturation in low-latitude lakes and reservoirs. Science of The Total Environment, v. 664, p. 283 – 295, 2019. ISSN 0048-9697. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0048969719302657>. 24 KAMIYAMA, T.; ITAKURA, S.; NAGASAKI, K. Changes in microbial loop
components: effects of a harmful algal bloom formation and its decay. Aquatic Microbial Ecology, v. 21, n. 1, p. 21–30, 2000. 9
KOCH, C. et al. Chic—an automated approach for the detection of dynamic variations in complex microbial communities. Cytometry Part A, Wiley Subscription Services, Inc., A Wiley Company, v. 83A, n. 6, p. 561–567, 2013. ISSN 1552-4930. Disponível em: <http://dx.doi.org/10.1002/cyto.a.22286>. 11, 25
KOCH, C. et al. Cytometric fingerprints: Evaluation of new tools for analyzing microbial community dynamics. Frontiers in Microbiology, v. 5, n. JUN, p. 1–12, 2014. ISSN 1664302X. 11, 14
KOLEFF, P.; GASTON, K. J.; LENNON, J. J. Measuring beta diversity for presence – absence data. Journal of Animal Ecology, v. 72, p. 367–382, 2003. ISSN 00218790. 12 KOT, M. Elements of mathematical ecology. [S.l.]: Cambridge University Press, 2001. 11
KOTSIANTIS, S. B. Supervised Machine Learning : A Review of Classification Techniques. Informatica, v. 31, p. 249–268, 2007. ISSN 09226389. 11
LEE, S. J.; SIAU, K. A review of data mining techniques. Industrial Management & Data Systems, MCB UP Ltd, v. 101, n. 1, p. 41–46, 2001. 10
LEGENDRE, P.; ANDERSON, M. J. Distance-based redundancy analysis: testing multispecies responses in multifactorial ecological experiments. Ecological monographs, Wiley Online Library, v. 69, n. 1, p. 1–24, 1999. 25
LEGENDRE, P.; GALLAGHER, E. D. Ecologically meaningful transformations for ordination of species data. Oecologia, v. 129, n. 2, p. 271–280, 2001. ISSN 00298549. 12 LEGENDRE, P.; LEGENDRE, L. Chapter 7 - ecological resemblance. In:
LEGENDRE, P.; LEGENDRE, L. (Ed.). Numerical Ecology. Elsevier, 2012, (Developments in Environmental Modelling, v. 24). p. 265 – 335. Disponível em: <http://www.sciencedirect.com/science/article/pii/B9780444538680500071>. 11
REFERÊNCIAS BIBLIOGRÁFICAS 33
LI, W. Cytometric diversity in marine ultraphytoplankton. Limnology and Oceanography, Wiley Online Library, v. 42, n. 5, p. 874–880, 1997. 11, 13, 27
LI, W. K. W. Macroecological patterns of phytoplankton in the northwestern north atlantic ocean. Nature, Macmillian Magazines Ltd., v. 419, n. 6903, p. 154–157, Sep 2002. ISSN 0028-0836. Disponível em: <http://dx.doi.org/10.1038/nature00994>. 13, 14
LICHSTEIN, J. W. Multiple regression on distance matrices: a multivariate spatial analysis tool. Plant Ecology, Springer, v. 188, n. 2, p. 117–131, 2007. 25
LIZARD, G. Flow cytometry analyses and bioinformatics: interest in new softwares to optimize novel technologies and to favor the emergence of innovative concepts in cell research. Cytometry Part A, Wiley Online Library, v. 71, n. 9, p. 646–647, 2007. 10 LO, K.; BRINKMAN, R. R.; GOTTARDO, R. Automated gating of flow cytometry data via robust model-based clustering. In: Cytometry Part A. [S.l.: s.n.], 2008. v. 73, p. 321–332. ISBN 1552-4922. ISSN 15524922. 2
LUGLI, E.; ROEDERER, M.; COSSARIZZA, A. Data analysis in flow cytometry: The future just started. 2010. 705–713 p. 2, 10
LYONS, A. B. Analysing cell division in vivo and in vitro using flow cytometric measurement of cfse dye dilution. Journal of immunological methods, Elsevier, v. 243, n. 1-2, p. 147–154, 2000. 8
LYONS, A. B.; PARISH, C. R. Determination of lymphocyte division by flow cytometry. Journal of immunological methods, Elsevier, v. 171, n. 1, p. 131–137, 1994. 8
MALMSTROM, R. R. et al. Diversity, abundance, and biomass production of bacterial groups in the western arctic ocean. Aquatic Microbial Ecology, v. 47, p. 45–55, Apr 2007. 9
MANTEL, N. The detection of disease clustering and a generalized regression approach. Cancer research, AACR, v. 27, n. 2 Part 1, p. 209–220, 1967. 25
MARIE, D.; SIMON, N.; VAULOT, D. Phytoplankton cell counting by flow cytometry. Algal culturing techniques, Academic Press, v. 1, p. 253–267, 2005. 2
MELAMED, M. R. A brief history of flow cytometry and sorting. Methods in cell biology, Elsevier, v. 63, p. 3–17, 2001. 9
MOLDAVAN, A. Photo-electric technique for the counting of microscopical cells. Science, American Association for the Advancement of Science, v. 80, n. 2069, p. 188–189, 1934. ISSN 0036-8075. Disponível em: <http://science.sciencemag.org/ content/80/2069/188>. 9
MOORE, L. R.; ROCAP, G.; CHISHOLM, S. W. Physiology and molecular phylogeny of coexisting Prochlorococcus ecotypes. Nature, v. 393, n. 6684, p. 464–467, 1998. ISSN 0028-0836. 9
MORRIS, C. W.; AUTRET, A.; BODDY, L. Support vector machines for identifying organisms—a comparison with strongly partitioned radial basis function networks. Ecological Modelling, Elsevier, v. 146, n. 1, p. 57–67, 2001. 11
MORRIS, E. K. et al. Choosing and using diversity indices: insights for ecological applications from the german biodiversity exploratories. Ecology and evolution, Wiley Online Library, v. 4, n. 18, p. 3514–3524, 2014. 12
NEWTON, R. J. et al. A guide to the natural history of freshwater lake bacteria. Microbiology and Molecular Biology Reviews, v. 75, n. 1, p. 14–49, Mar 2011. 9 NGUYEN, R. et al. Quantifying spillover spreading for comparing instrument performance and aiding in multicolor panel design. Cytometry Part A, Wiley Online Library, v. 83, n. 3, p. 306–315, 2013. 8
OKSANEN, J. et al. vegan: Community Ecology Package. [S.l.], 2017. R package version 2.4-3. Disponível em: <https://CRAN.R-project.org/package=vegan>. 20 O’NEILL, K. et al. Flow Cytometry Bioinformatics. PLoS Computational Biology, v. 9, n. 12, 2013. ISSN 1553734X. 10
ORMEROD, M. G.; NOVO, D. Flow cytometry: a basic introduction. [S.l.]: Michael G. Ormerod, 2008. 7
PARRIS, K. Environmental indicators for agriculture. Organisation for Economic Cooperation and Development. The OECD Observer, Organisation for Economic Cooperation and Development (OECD), , n. 203, p. 10–12, 1996. 12
PROPS, R. et al. Measuring the biodiversity of microbial communities by flow cytometry. Methods in Ecology and Evolution, v. 7, n. 11, p. 1376–1385, 2016. ISSN 2041210X. 11, 13, 14, 26
QUIROGA, M. V. et al. Bacterioplankton morphotypes structure and cytometric fingerprint rely on environmental conditions in a sub-antarctic peatland. Hydrobiologia, Springer, v. 787, n. 1, p. 255–268, 2017. 11, 13, 14
RIBALET, F. cytoDiv: Cytometric diversity indices. [S.l.], 2012. R package version 0.5-3. Disponível em: <https://CRAN.R-project.org/package=cytoDiv>. 13
SARMENTO, H.; MORANA, C.; GASOL, J. M. Bacterioplankton niche partitioning in the use of phytoplankton-derived dissolved organic carbon: quantity is more important than quality. The ISME journal, Nature Publishing Group, v. 10, n. 11, p. 2582, 2016. 24 SCARDI, M. Artificial neural networks as empirical models for estimating phytoplankton production. Marine Ecology Progress Series, JSTOR, p. 289–299, 1996. 11
REFERÊNCIAS BIBLIOGRÁFICAS 35
SCHIAFFINO, M. R. et al. Picoplankton abundance and cytometric group diversity along a trophic and latitudinal lake gradient. Aquatic Microbial Ecology, v. 68, n. 3, p. 231–250, 2013. 23
SCHUMANN, J. et al. flowCyBar: Analyze flow cytometric data using gate information. [S.l.], 2015. R package version 1.10.0. Disponível em: <http: //www.ufz.de/index.php?de=16773>. 11, 25
SCIENTIFIC, T. Instrument Controls & Standards for Flow Cytometry. 2018. [Online]. Disponível em: <https://www.thermofisher.com/br/en/home/life-science/cell-analysis/ flow-cytometry/flow-cytometry-calibration.html>. 8
SECRETARIAT, C. Convention on biological diversity. In: Convention on Biological Diversity. [S.l.: s.n.], 1992. 12
SEGOVIA, B. T. et al. Growth and cytometric diversity of bacterial assemblages under different top–down control regimes by using a size-fractionation approach. Journal of Plankton Research, 2018. 11, 13
SHAPIRO, H. M. Practical flow cytometry. Wiley-Liss New York, 2003. 5, 6, 8
SMITH, V. H.; JOYE, S. B.; HOWARTH, R. W. Eutrophication of freshwater and marine ecosystems. Limnology and Oceanography, v. 51, n. 1part2, p. 351–355, 2006. 25 SMITH, V. H.; SCHINDLER, D. W. Eutrophication science: where do we go from here? Trends in Ecology & Evolution, v. 24, n. 4, p. 201–207, Apr 2009. 25
SPIDLEN, J. et al. Data file standard for flow cytometry, version fcs 3.1. Cytometry Part A, Wiley Online Library, v. 77, n. 1, p. 97–100, 2010. 7
SPIDLEN, J. et al. Data file standard for flow cytometry, version fcs 3.1. Cytometry Part A, Wiley Online Library, v. 77, n. 1, p. 97–100, 2010. 7
TRASK, B.; ENGH, G. Van den; ELGERSHUIZEN, J. Analysis of phytoplankton by flow cytometry. Cytometry Part A, Wiley Online Library, v. 2, n. 4, p. 258–264, 1982. 11 VELDHUIS, M. J.; KRAAY, G. W. Application of flow cytometry in marine
phytoplankton research: current applications and future perspectives. Scientia Marina, v. 64, n. 2, p. 121–134, 2000. 11
VIRGO, P. F.; GIBBS, G. J. Flow cytometry in clinical pathology. Annals of clinical biochemistry, SAGE Publications Sage UK: London, England, v. 49, n. 1, p. 17–28, 2012. 9
VIVES-REGO, J.; LEBARON, P.; CARON, G. Nebe-von. Current and future applications of flow cytometry in aquatic microbiology. FEMS Microbiology Reviews, Blackwell Publishing Ltd Oxford, UK, v. 24, n. 4, p. 429–448, 2000. 9
WANDERLEY, B. M. et al. flowDiv: Cytometric Diversity Indices from ’FlowJo’ Workspaces. [S.l.], 2015. R package version 2.0. 14
WANG, Y. et al. Past, present and future applications of flow cytometry in aquatic microbiology. Trends in biotechnology, Elsevier, v. 28, n. 8, p. 416–424, 2010. 9 WHITTAKER, R. H. Vegetation of the siskiyou mountains, oregon and california. Ecological monographs, Wiley Online Library, v. 30, n. 3, p. 279–338, 1960. 12 WILKINS, M.; BODDY, L.; MORRIS, C. Kohonen maps and learning vector quantization neural networks for analysis of multivariate biological data. BINARY- COMPUTING IN MICROBIOLOGY, BIOLINE UNIV WALES COLL CARDIFF, SCHOOL PURE & APPLIED BIOLOGY, PO BOX 915, CARDIFF CF1 3TL, WALES, v. 6, n. 2, p. 64–72, 1994. 2, 11
WILKINS, M. F. et al. A comparison of some neural and non-neural methods for identification of phytoplankton from flow cytomery data. Bioinformatics, Oxford University Press, v. 12, n. 1, p. 9–18, 1996. 2, 11
YOUNG, K. D. The selective value of bacterial shape. Microbiology and molecular biology reviews, Am Soc Microbiol, v. 70, n. 3, p. 660–703, 2006. 2
ŠOLIC, M. et al. Variability in the bottom-up and top-down controls of bacteria on trophic and temporal scales in the middle adriatic sea. Aquatic microbial ecology, v. 58, n. 1, p. 15–29, 2009. 25
Apêndice A
Wanderley et al. BMC Bioinformatics (2019) 20:274 https://doi.org/10.1186/s12859-019-2787-4
M E T H O D O L O G Y A R T I C L E Open Access
flowDiv: a new pipeline for analyzing
flow cytometric diversity
Bruno M. S. Wanderley1,2 , Daniel S. A. Araújo1, María V. Quiroga3, André M. Amado2,4, Adrião D. D. Neto1, Hugo Sarmento5, Sebastián D. Metz3and Fernando Unrein3*
Abstract
Background: Flow cytometry (FCM) is one of the most commonly used technologies for analysis of numerous
biological systems at the cellular level, from cancer cells to microbial communities. Its high potential and wide