خوشه بندی مبتنی بر آنتولوژی ژن های هدف ریزRNA های مؤثر بر تولید شیر

نوع مقاله : ژنتیک

نویسندگان

1 گروه علوم دامی، دانشکده کشاورزی، دانشگاه یاسوج، یاسوج، ایران

2 گروه علوم دامی، دانشکده کشاورزی، دانشگاه جیرفت، جیرفت، ایران

چکیده

شیر گاو مایعی بسیار مغذی است و بخش مهمی از رژیم غذایی یک فرد می­ باشد و تمامی مواد مورد نیاز بدن انسان را در خود دارد. استراتژی­ هایی که از طریق آن می­ توان تولید شیر را تحت تأثیر قرار داد، شناسایی ژن­ هایی که روی تولید و ترکیب شیر اثر می­ گذارند و استراتژی دیگر شناسایی ریزRNAهایی ­که بیان ژن­ های مؤثر را تحت تأثیر قرار می ­دهند. در این مطالعه ابتدا داده ­های ریزRNA­های مربوط به غده پستانی گاو شیری با کد شناسایی E-GEOD-61227از پایگاه GEO پیاده­ سازی شدند. بعد از مشخص شدن میزان بیان ریزRNAها، شناسایی ژن­ های هدف ریزRNA ها به کمک پایگاه داده ­ای miRwalk انجام گردید. سپس برای فرآیند خوشه ­بندی ژن ­ها بر مبنای ساختار درختی آنتولوژی ژن که شامل سه زیر آنتولوژی فرآیند بیولوژیکی، عملکرد ملکولی و جزء سلولی است از نرم­ افزار AgriGO استفاده گردید. در مطالعه حاضر براساس خوشه  بندی مبتنی بر آنتولوژی ژن ­های هدف نتایج نشان داد که فعالیت ­های بیولوژیکی مورفوژنز بافت پستانی و تکثیر سلول­ های اپیتلیال در سطح بسیار معنی ­داری می ­باشند که این فرآیندها در تکامل و توسعه غدد پستان نقش بسیار مهمی دارند و نتایج براساس فعالیت مولکولی نشان داد که سیگنال ­دهی با استفاده از پروتئین ­های گیرنده کینازی بیش ­ترین سطح معنی­ داری به خود اختصاص داده است. هم­ چنین نتایج مربوط به بخش اجزا سلولی نشان داد بیش ­ترین شمار ژن ­های هدف در بخش داخلی غشا سلولی ارگانل و غشا پلاسمایی قرار دارند. بنابراین، ژن ­های هدفی که تنظیم کننده این فرآیندهای معنی­ دار می ­باشند پتانسیل ایفای نقش قابل توجه جهت یافتن راهکاری هدفمند در راستای بهبود صفت تولید شیر را دارند.

کلیدواژه‌ها

عنوان مقاله [English]

Clustering based on the ontology of microRNAs target genes affecting milk production

نویسندگان [English]

  • Saeideh Eskandarynasab 1
  • Zahra Roudbari 2
  • Mohammad Reza Bahreini Behzadi 1
1 Animal Science Department, Yasouj University, Yasouj, Iran
2 Department of Animal Science , Faculty of Agriculture, University of Jiroft, Jiroft, Iran
چکیده [English]

Cow's milk is the most nutritious drinks and it's an important part of a person’s diet, and it has all the materials the human body needs. Identification of genes related to milk production and composition is a strategy which through can be effectively influenced milk production.A. Another strategy is to identify microRNAs that affect the expression of effective genes. In this study, we were downloaded the microRNAs data related to the mammary gland of dairy cattle with E-GEOD-61227 accession number from the GEO database. After estimating the expression level of microRNAs, target genes for microRNAs were identified using the miRwalk database. In the next step, AgriGO software was used for clustering of genes based on the tree structure of the gene ontology, which includes three sub-ontology of biological process, molecular function, and cellular component. In the present study, based on the clustering of target genes, the results showed that the biological process of gland morphogenesis and epithelial cell proliferation were highly significant. These processes play an important role in the development of the mammary glands and the results based on molecular activity showed that the signaling using transmembrane receptor protein kinase had the highest significant level. Also, the results of the cellular compartment showed that most of the target genes are located in the intracellular membrane-bounded organelle and the plasma membrane. Therefore, the target genes that regulate these significant processes have the potential to play a significant role in finding a targeted solution to improve milk production.

کلیدواژه‌ها [English]

  • Ontology Gene
  • MicroRNA
  • Gene Cluster
  • Milk production

مراجع

  1. Bar-Joseph, Z., 2004. Analyzing time series gene expression data. Bioinformatics. Vol. 20, No. 16, pp: 2493-2503.
  2. Barrett, T.; Wilhite, S.; Ledoux, P.; Evangelista, C. and Kim, I., 2013. Ncbi Geo Archive for functional genomics data sets-update. Nucleic acids research. Vol. 41, No. 1, pp:  D991-D995.
  3. Cole, J.B.; Lewis, R.M.; Maltecca, C.; Newman, S.; Olson, K. and Tait, J.R., 2013. Breeding and genetics sympuosium Systems biology in animal breeding identifying relationships among markers, genes and phenotypes. Journal of Animals Science. Vol. 91, No. 2, pp: 521-522.
  4. Dengjel, J.; Kratchmarova, I. and Blagoev, B., 2009. Receptor tyrosine kinase signaling: a view from quantitative proteomics. Molecular biosystems. Vol. 10, No. 5, pp: 12-21.
  5. Dopazo, J., 2006. Functional interpretation of microarray experimentsOmics: a journal of integrative biology. Vol. 10, No. 3, pp: 398-410.
  6. Finucane, K.A.; McFadden, T.B.; Bond, J.P.; Kennelly, J.J. and Zhao, F.Q., 2008. Onseft of lactation in the bovine mammary gland: gene expression profiling indicates a strong inhibition of Gene expression in cell proliferation. Functional and integrative genomics. Vol. 8, No. 3, pp: 251-264.
  7. Friedman, R.C.; Farh, K.K.H.; Burge, C.B. and Bartel, D.P. 2009. Most mammalian mRNAs are conserved targets of microRNAs.Genomics research. Vol. 19, No. 1, pp: 92-105.
  8. Goujon, M.; Mcwilliam, H.; Li, W.; Valentin, F.; Squizzato, S.; Paern, J. and Lopez, R., 2010. A new bioinformatics analysis tools framework at EMBL-EBI. Nucleic acids research. Vol. 38, No. 2, pp: 695-699.
  9. Gupta, R. and Achenie, L.E., 2007. A network model for gene regulation. Computers and chemical engineering. Vol. 31, No. 8, pp: 950-961.
  10. Kharrati, K.H.; Mohammadabadi, M.R.; Ansari, M.S.; Esmailizadeh, A.K.; Tarang, A. and Nikbakhti, M., 2012. Effect of DGATI variants on milk composition traits in Iranian Holstein cattle population Iran. Journal of animal Science. Vol. 3, No. 3, pp: 185-192.
  11. Khatri, P. and Draghici, S., 2005. Ontological analysis of gene expression data: current tools, limitations, and open problems. Bioinformatics. Vol. 21, No.1, pp: 3587-3595.
  12. Li, S.; Becich, M.J. and Gilbertson, J., 2004. Microarray data mining using gene ontology. In MEDINFO. pp: 778-782.
  13. Niemi, J., 2007. Accuracy of the Bayesian Network Algorithms for inferring gene regulatory network in engineering physics and mathematics systems analysis laboratory: Helsinki university of technology. Vol. 2, No. 108, pp: 1-21.
  14. Rawool, B. and Venkatesh, V., 2007. Steady state approach to model gene regulatory networks simulation of microarray experiments. Biosystems. Vol. l90, No. 3, pp: 636-655.
  15. Shin, K.C.; Chen, R.M.; Hu, R.M.; Liu, F.M.; Chen, H.K. and Tsai, J.J., 2004. Prediction of gene regulatory networks using differential expression of cDNA microarray data. In IEEE Sixth international symposium on multimedia software engineering. pp: 378-385.
  16. Smith, B.; Williams, J. and Schulze, K., 2003. The Ontology of the Gene Ontology. In American medical informatics association Annuesymp proc. pp: 609-613.
  17. Sticht, C.; De, C.; Parveen, A. and Grtez, N., 2018. miRwalk; an online resource for prediction of microRNA binding sites. Plos One. Vol. 13, No. 10, pp: e0206239.
  18. Wang, C.; Jing, R.; Mao, X.; Chang, X. and Li, A., 2011. TaABC1, a member of the activity of bc1 complex protein kinase family from common wheat, confers enhanced tolerance to abiotic stresses in Arabidopsis. Journal of Experimental Botany. Vol. 62, No. 1, pp: 1299-1311.
  19. Yang, J. and Weinberg, R.A., 2008. Epithelial mesen chymal transition at the crossroads of development and tumor metastasis. Developmental Cell. Vol. 14, No. 6, pp: 818-829.
  20. Yavari, F.; Towhidkhad, F. andGharibzadeh, S. 2008. Modelling large-sccale gene regulatory networks using gene ontology-based clustering and dynamic Bayesian network. In the 2nd international conference on bioinformatics and biomedical engineering. pp: 297-308.
فصلنامه محیط زیست جانوری
دوره 12، شماره 3
مهر 1399
صفحه 435-440

فایل ها

هم رسانی

ارجاع به این مقاله

آمار