آنالیز افتراقی داده‌های ریزآرایه برای سه گونه پرنده‌ مهاجر و یک گونه‌ غیرمهاجر به عنوان کاندیداهای پرندگان مهاجر و غیرمهاجر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم محیط‌ زیست، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 گروه علوم و زیست فناوری جانوری، دانشکده علوم و فناوری زیستی، دانشگاه شهید بهشتی، تهران، ایران

3 دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، ایران

10.22034/AEJ.2020.245913.2332

چکیده

در زمینه‌ مدیریت و حفاظت از پرندگان، یکی از اولین موضوعاتی که مدنظر می‌آید، پرداختن به بحث مهاجرت آن‌ها می‌باشد. مقوله‌ مهاجرت موضوعی بسیار پیچیده است که می‌توان عوامل مختلفی را برای بروز این پدیده بررسی کرد. یکی از این عوامل، عوامل ژنتیکی می‌باشند که با بروز یک رفتار خاص (مهاجرت) می‌توانند اثر خود را نشان دهند. در این تحقیق آنالیز افتراقی بیان ژن‌ها در داده‌های ریزآرایه برای چهار گونه، شامل سه گونه‌ مهاجر و یک گونه‌ غیرمهاجر در ۲۲ نمونه‌ مختلف با استفاده از داده‌های موجود در پایگاه داده‌ GEO انجام گرفت. طی این بررسی، داده‌های بارگیری شده، بررسی، کنترل کیفیت و نرمال‌سازی شدند و سپس نمودارهایی برای مشاهده‌ تفاوت یا عدم‌تفاوت در بیان ژن‌های این گونه‌ها ترسیم شد. با استفاده از نمودارهای رسم شده، و هم چنین پارامترهای آماری، تفاوت معنی‌داری بین دو گروه مهاجر و غیرمهاجر مشاهده شد (P<۰/۰۵). هم چنین در ادامه با اعمال تفسیر ژنوم و یافتن اسامی ژن‌های مرتبط با هر پروب و نیز تعریف معیارهای معنی‌داری، اسامی ۴۰ ژن که از لحاظ معنی‌داری دارای بیش‌ترین و کم‌ترین میزان بیان در گروه مهاجر نسبت به غیرمهاجر بودند، به دست آمد و گزارش شد. سپس با انجام آنالیز هستی‌شناسی ژن، مشخص شد که ژن‌های پرندگان مهاجر و غیرمهاجر، در هر گروه از مراحل بیولوژیکی، اجزای سلولی، و عملکرد مولکولی، چه نقشی دارند. در نهایت، با توجه به نتایج حاصل، درمورد پاسخ به استرس و آناتومی ساختاری هر گروه بحث شد و هم چنین پنج ژنی که ممکن است در فعالیت‌های کاتالیزوری مهاجرت نقش داشته باشند، معرفی شدند.

کلیدواژه‌ها


عنوان مقاله [English]

Differential Expression analysis of microarray data for three migratory and one non-migratory bird as candidates of migratory and non-migratory species

نویسندگان [English]

  • Zahra Mahdavi Nezhad 1
  • Hassan Rajabi Maham 2
  • Mahdi Ramezani 1
  • Ali Sharifi Zarchi 3
1 Department of Environmental Science, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Department of Animal Sciences and Biotechnology, Faculty of Life Sciences and Biotechnology, Shahid Beheshti University, Tehran, Iran
3 Faculty of Computer Engineering, Sharif University of Technology, Tehran, Iran
چکیده [English]

One of the first issues for the management and conservation of birds is to discuss their migration. The migration is a complicated issue that can be considered and studied for various factors. One of these factors is genetic factors, which can be affected by the occurrence of a specific phenotype (migration). In this study, differential expression analysis of microarray data for four species performed, including three migratory species and one non-migratory species in 22 different samples, using downloaded data from the GEO database. At first, the quality control and normalization of downloaded data performed, and then discriminant analyses to observe the differential gene expression between species carried on. A significant difference was observed between the two groups of migrants and non-immigrants. Also, by applying the genome annotation and finding the names of the genes related to each probe, as well as defining significant criteria, the names of 40 genes with the highest and lowest expression in the Immigrant group compared to non-immigrant, obtained and reported. Then, by gene ontology analysis, it was determined that the genes of migratory and non-migratory birds in particular play which role in each group of biological processes, cellular components, and molecular function. Finally, according to the results, response to stress and anatomical structure of each group discussed, and five genes involved in migration’s catalytic activities were introduced.

کلیدواژه‌ها [English]

  • migration
  • Bioinformatics
  • Microarray
  • differential gene expression
  • Gene ontology
  1. رسولی ­نسب، ف.؛ جباریان امیری، ب.؛ کابلی، م. و دانه ­کار، ا.، ۱۳۹۵. بررسی نقاط قوت و ضعف مطالعات حیات­ وحش در گزارش­  های ارزیابی اثرات محیط زیستی کشور. فصلنامه محیط زیست جانوری. سال ۸، شماره ۴، صفحات ۵۹ تا ۶۸.
  2. شمس­ اسفندآباد، ب. و کابلی، م.، ۱۳۹۷. توسعه شبکه مناطق حفاظتی با به­ کار‌گیری رویکرد برنامه‌ریزی سیستماتیک در ایران. فصلنامه محیط زیست جانوری. سال ۱۰، شماره ۴، صفحات ۱۴۷ تا ۱۶۲.
  3. Baritaki, S.; de Bree, E.; Chatzaki, E. and Pothoulakis, C., 2019. Chronic Stress, Inflammation, and Colon Cancer: A CRH System-Driven Molecular Crosstalk. Journal of Clinical Medicine. Vol. 8, No. 10, pp: 1-26.
  4. Barter, R.L. and Yu, B., 2018. Superheat: An R Package for Creating Beautiful and Extendable Heatmaps for Visualizing Complex Data. Journal of Computational and Graphical Statistics, Vol. 27, No. 4, pp: 910-922.
  5. Bu, G.; Fan, J.; Yang, M.; Lv, C.; Lin, Y.; Li, J. .and Wang, Y., 2019. Identification of a Novel Functional Corticotropin-Releasing Hormone (CRH2) in Chickens and Its Roles in Stimulating Pituitary TSHβ Expression and ACTH Secretion. Front Endocrinol (Lausanne). Vol. 10, No. 595, pp: 1-12.
  6. Costello, M.J.; May, R.M. and Stork, N.E., 2013. Can We Name Earth's Species Before They Go Extinct? Vol. 339, No. 6118, pp: 413-416.
  7. Dallman, M.F.; Strack, A.M.; Akana, S.F.; Bradbury, M.J.; Hanson, E.S.; Scribner, K.A. and Smith, M., 1993. Feast and famine: critical role of glucocorticoids with insulin in daily energy flow. Front Neuroendocrinol. Vol. 14, No. 4, pp: 303-347.
  8. Du Plessis, L.; Skunca, N. and Dessimoz, C., 2011. The what, where, how and why of gene ontology--a primer for bioinformaticians. Briefings in Bioinformatics. Vol. 12, No. 6, pp: 723-735.
  9. Dudoit, S. and Yang, J.Y.H., 2003. Bioconductor R Packages for Exploratory Analysis and Normalization of cDNA Microarray Data. New York, NY: Springer New York. pp: 73-101.
  10. Dursun, N.; Düzler, A.; Bozkurt, E.Ü. and Özgel, Ö., 2002. Macroanatomical investigations on sternum in bald ibis (Geronticus eremita). Indian Vet. Journal. Vol. 79, No. 2, pp: 160-165.
  11. Düzler, A., 2006. Morphometric Analysis of the Sternum in Avian Species. Turkish Journal of Veterinary and Animal Sciences. Vol. 30, No. 3, pp: 311-314.
  12. Grané, A. and Jach, A., 2014. Applications of principal component analysis (PCA) in food science and technology. Mathematical and Statistical Methods in Food Science and Technology. pp: 55-86.
  13. Gray, V., 2017. Principal Component Analysis: Methods, Applications and Technology. Nova Science Publishers, Incorporated.
  14. Hammen, C.; Kim, E.Y.; Eberhart, N.K. and Brennan, P.A., 2009. Chronic and acute stress and the prediction of major depression in women. Vol. 26, No. 8, pp: 718-723.
  15. Holberton, R.L., 1999. Changes in Patterns of Corticosterone Secretion Concurrent with Migratory Fattening in a Neotropical Migratory Bird. General and Comparative Endocrinology. Vol. 116, No. 1, pp: 49-58.
  16. Holberton, R.L.; Parrish, J.D. and Wingfield, J.C., 1996. Modulation of the Adrenocortical Stress Response in Neotropical Migrants during Autumn Migration. The Auk. Vol. 113, No. 3, pp: 558-564.
  17. Huang, D.W.; Sherman, B.T. and Lempicki, R.A., 2009. Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources. Nature Protocols. Vol. 4, No. 1, pp: 44-57.
  18. Iyasere, O.S.; Beard, A.P.; Guy, J.H. and Bateson, M., 2017. Elevated levels of the stress hormone, corticosterone, cause ‘pessimistic’ judgment bias in broiler chickens. Scientific reports. Vol. 7, No. 1, pp: 1-12.
  19. Landys, M.M.; Ramenofsky, M. and Wingfield, J.C., 2006. Actions of glucocorticoids at a seasonal baseline as compared to stress-related levels in the regulation of periodic life processes. General and Comparative Endocrinology. Vol. 148, No. 2, pp: 132-149.
  20. Langfelder, P.; Zhang, B. and Horvath, S., 2007. Defining clusters from a hierarchical cluster tree: the Dynamic Tree Cut package for R. Bioinformatics. Vol. 24, No. 5, pp: 719-720.
  21. Lefebvre, L.; Whittle, P.; Lascaris, E. and Finkelstein, A., 1997. Feeding innovations and forebrain size in birds. Animal Behaviour. Vol. 53, No. 3, pp: 549-560.
  22. Lugo Ramos, J.S.; Delmore, K.E. and Liedvogel, M., 2017. Candidate genes for migration do not distinguish migratory and non-migratory birds. Journal of Comparative Physiology A. Vol. 203, No. 6, pp: 383-397.
  23. Mastriani, E.; Zhai, R. and Zhu, S., 2018. Microarray-Based MicroRNA Expression Data Analysis with Bioconductor. New York, NY: Springer New York. pp: 127-138.
  24. Mueller, J.C.; Pulido, F. and Kempenaers, B., 2011. Identification of a gene associated with avian migratory behaviour. Proceedings of the Royal Society B: Biological Sciences. Vol. 278, No. 1719, pp: 2848-2856.
  25. Obenchain, V.; Lawrence, M.; Carey, V.; Gogarten, S.; Shannon, P. and Morgan, M., 2014. VariantAnnotation : a Bioconductor package for exploration and annotation of genetic variants. Bioinformatics. Vol. 30, No. 14, pp: 2076-2078.
  26. Romero, L.M.; Ramenofsky, M. and Wingfield, J.C., 1997. Season and migration alters the corticosterone response to capture and handling in an Arctic migrant, the white crowned sparrow (Zonotrichia leucophrys gambelii). Comparative biochemistry and physiology, Part C, Pharmacology, toxicology &amp; endocrinology. Vol. 116, No. 2, pp: 171-177.
  27. Ruegg, K.C.; Anderson, E.C.; Paxton, K.L.; Apkenas, V.; Lao, S.; Siegel, R.B. and Smith, T.B., 2014. Mapping migration in a songbird using high-resolution genetic markers. Mol Ecol. Vol. 23, No. 23, pp: 5726-5739.
  28. Singh, N.S.; Bamon, I.; Dixit, A.S. and Sougrakpam, R., 2015. Structural variations and their adaptive significances in the bones of some migratory and resident birds. The Journal of Basic & Applied Zoology. Vol. 70, pp: 33-40.
  29. Sol, D.; Lefebvre, L. and Rodríguez-Teijeiro, J.D., 2005. Brain size, innovative propensity and migratory behaviour in temperate Palaearctic birds. Proceedings. Biological sciences. Vol. 272, No.1571, pp: 1433-1441.
  30. Toews, D.P.L.; Taylor, S.A.; Streby, H.M.; Kramer, G.R. and Lovette, I.J., 2019. Selection on VPS13A linked to migration in a songbird. Proceedings of the National Academy of Sciences. Vol. 116, No. 37, pp: 18272-18274.
  31. .Xia, X.; McClelland, M. and Wang, Y., 2005. WebArray: an online platform for microarray data analysis. BMC Bioinformatics. Vol. 6, No. 1.