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

10.22034/aej.2020.118071

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


  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.