دوره 11، شماره 28 - ( تابستان 1399 )
جلد 11 شماره 28 صفحات 135-121 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghaderi-Zafrehei M, torabi A, Esmaeilpour M, Salimpour M, Bonabazi M H. (2020). Investigating the Function of Predicted Proteins from RNA-Seq Data in Holstein and Cholistani Cattle Breeds. Res Anim Prod. 11(28), 121-135. doi:10.52547/rap.11.28.121
URL: http://rap.sanru.ac.ir/article-1-1071-fa.html
URL: http://rap.sanru.ac.ir/article-1-1071-fa.html
قادری زفره ایی مصطفی، ترابی آزاده، اسماعیل پور محمد، سلیم پور مینا، بناءبازی محمدحسین. بررسی عملکرد پروتئین‌های پیش بینی شده از داده‌های RNA-Seq در گاوهای نژاد هلشتاین و کلیستانی پژوهشهاي توليدات دامي 1399; 11 (28) :135-121 10.52547/rap.11.28.121
1- گروه علوم دامی، دانشگاه یاسوج، یاسوج، ایران
2- گروه کشاورزی، دانشگاه پیام نور، تهران، ایران
3- دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز، اهر، ایران
4- ژنتیک و اصلاح نژاد دام، گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه گیلان، رشت، ایران
5- بخش پژوهشهای بیوتکنولوژی، موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
2- گروه کشاورزی، دانشگاه پیام نور، تهران، ایران
3- دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز، اهر، ایران
4- ژنتیک و اصلاح نژاد دام، گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه گیلان، رشت، ایران
5- بخش پژوهشهای بیوتکنولوژی، موسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
چکیده: (3436 مشاهده)
پژوهش حاضر به منظور تعیین نیم‌رخ بیانی عددی ژن‌های متفاوت بیان شده در نژادهای هلشتاین و کلیستانی و همچنین بررسی عملکرد پروتئین‌های پیش بینی شده از ژن‌های متفاوت بیان شده بین دو نژاد مذکور با استفاده از داده‌های RNA-Seq انجام شد. در این مطالعه توالی کل mRNA خون گاو ماده هلشتاین آمریکا و گاو ماده کلیستانی پاکستان از طریق هم ردیفی و مکانیابی خوانش های RNA-Seq روی ژنوم مرجع گاو بدست آمد و سپس تعیین نیم‌رخ بیانی عددی ژن‌های متفاوت بیان شده انجام شد. تعداد 24616 ژن و 26716 ایزوفرم روی ترانسکریپتوم این دو نژاد شناسایی شدند که از این میان تعداد 41 ژن شناسایی شدند که تفاوت بیانی بسیار بالا و معنی‌داری را نشان دادند (000015p<). ً حدود یک سوم ژنهایی که عملکردشان بین دو نژاد متغیر بود، کدکننده آنزیمهای هیدرولاز و پنج مورد از پروتئین‌های پیش بینی شده از جمله پروتئین‌های عامل رونویسی FosB/JunD، انکوژن FOS ، ساختار elonginb، زیرواحد عامل رونویسی AP-1، کمپلکس روی zif268 و عامل تنظیمی-رونویسی U2AF هستند که در تنظیم رونویسی و بیان ژنها و ویرایش RNA نقش دارند. بررسی میانکنش شبکه ای بین پروتئین‌های پیش بینی شده از ژن‌های متفاوت بیان شده نشان داد که پروتئین های پیش بینی شده در مسیرهای مختلفی مانند مسیر پیامدهی TNF، عفونت سالمونلایی، مسیر پیامدهی MAPK و آرتریت روماتوئید دخالت دارند. همچنین بررسی ها نشان داد نژاد هلشتاین و کلیستانی به علت قرار گرفتن در شرایط محیطی متفاوت و فاصله تکاملی، توانسته اند با شرایط پیرامونی به خوبی سازگار شوند و این روند در سطح مولکولی از میزان بیان ژن‌های اختصاصی شناسایی شده در این پژوهش کاملاً قابل فهم است. از دلایل تأییدکننده این پیشنهاد میتوان به نقش بیشتر سامانهی ایمنی در نژاد کلیستانی اشاره نمود که بهعلت قرار گرفتن در محیطی با آلودگی بالاتر در مقایسه با نژاد هلشتاین، میزان بیان پروتئین های دارای خاصیت باکتریوسایدی (Cathelicidin 1) در آن بالا رفته و در نتیجه فعالیت سامانهی ایمنی در آن افزایش یافته است. همچنین در این پژوهش مشخص شد که ژن IL1B بیشترین درجه تعامل ژن-دارو را با داروی Canakinumab دارد. نتایج این پژوهش نشان می‌دهد که در مقایسه‌های بین نژادی، نگاه دقیق به فعالیت پروتئین‌هایی که توسط ژن‌های متفاوت بیان می‌شوند می‌توانند تفاوت نژادی در سطح ملکولی را بهتر توضیح دهند.
فهرست منابع
1. Andrews, S. 2010. FastQC: a quality control tool for high throughput sequence data. Available online at: http://www.bioinformatics.babraham.ac.uk/projects/fastqc.
2. Bae, J.S., H.S. Cheong, L.H. Kim, S. NamGung, T.J. Park, J.Y. Chun and H.D. Shin. 2010. Identification of copy number variations and common deletion polymorphisms in cattle. BMC genomics, 11(1): 1. [DOI:10.1186/1471-2164-11-232]
3. Banabazi, M.H., M. Ghaderi-Zefrehei, I. Imumorin and S. Peters. 2013. Whole Transcriptome Value Index (WTVI): A Methodology for Integrating Functional Sequences from RNA-Seq Data into Animal Selection. 21st International Conference on Plant and Animal Genome, 12-16 pp, San Diego, United States.
4. Banabazi, M.H., S.R. Miraei ashtiani and M.N. Khalil. 2013. Regulation Gene expression, cell cycle in Saccharomyces by weight correlation. 3rd Iranian Agricultural Biotechnology Conference, .305-308 pp ,Mashhad, Iran.
5. Bolger, A.M., M. Lohse and B. Usadel. 2014. Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics, 30(15): 2114-2120. [DOI:10.1093/bioinformatics/btu170]
6. Brandwein, D. and Z. Wang. 2017. Interaction between Rho GTPases and 14-3-3 Proteins. International journal of molecular sciences, 18(10): 2148. [DOI:10.3390/ijms18102148]
7. Cahais, V., P. Gayral, G. Tsagkogeorga, J. Melo‐Ferreira, M. Ballenghien, L. Weinert and N. Galtier. 2012. Reference‐free transcriptome assembly in non‐model animals from next‐generation sequencing data. Molecular ecology resources, 12(5): 834-845. [DOI:10.1111/j.1755-0998.2012.03148.x]
8. Esmaeelizadeh, A. and M.R. Mohammad Abadi. 2009. A molecular genome scan to map quantitative trait loci affecting bovine carcass weight. Agricultural Biotechnology Journal, 1(1): 117-130
9. Farooq, U., H.A. Samad, F. Sher, M. Asim and M.A. Khan. 2010. Cholistan and Cholistani breed of cattle. Pakistan Veterinary Journal, 30(2).
10. Flintoft, L. 2008. Transcriptomics: digging deep with RNA-Seq. Nature Reviews Genetics, 9(8): 568-568. [DOI:10.1038/nrg2423]
11. Fries, R. and A. Ruvinsky. 1999. The Genetics of Cattle. New York: CABI Publising.
12. Gan, Q., I. Chepelev, G. Wei, L. Tarayrah, K. Cui, K. Zhao and X. Chen. 2010. Dynamic regulation of alternative splicing and chromatin structure in Drosophila gonads revealed by RNA-seq. Cell research, 20(7): 763-783. [DOI:10.1038/cr.2010.64]
13. Guttman, M., M. Garber, J.Z. Levin, J. Donaghey, J. Robinson, X. Adiconis and J.L. Rinn. 2010. Ab initio reconstruction of cell type-specific transcriptomes in mouse reveals the conserved multi-exonic structure of lincRNAs. Nature biotechnology, 28(5): 503-510. [DOI:10.1038/nbt.1633]
14. Haas, B.J. and M.C. Zody. 2010. Advancing RNA-seq analysis. Nature biotechnology, 28(5): 421. [DOI:10.1038/nbt0510-421]
15. Hansen, P.J. 2004. Physiological and cellular adaptations of zebu cattle to thermal stress. Animal Reproduction Science, 82: 349-360. [DOI:10.1016/j.anireprosci.2004.04.011]
16. https://bovinegenome.elsiklab.missouri.edu/
17. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5285380
18. Huang, W., A. Nadeem, B. Zhang, M. Babar, M. Soller and H. Khatib. 2012. Characterization and comparison of the leukocyte transcriptomes of three cattle breeds. PLoS One, 7(1): e30244. [DOI:10.1371/journal.pone.0030244]
19. Jafari Darehdor, AH., M.R. Mohammadabadi, A.K. Esmailizadeh, A. Riahi Madvar. 2016. Investigating expression of CIB4 gene in different tissues of Kermani Sheep using Real Time qPCR. Small Ruminant Research, 4: 119-132.
20. Levin, J., X. Adiconis, M. Yassour, D. Thompson, M. Guttman, M. Berger and A. Regev. 2010. Development and evaluation of RNA-Seq methods. Genome biology, 11(Suppl 1): 1-1. [DOI:10.1186/gb-2010-11-s1-p26]
21. Li, H. and R. Durbin. 2009. Fast and accurate short read alignment with Burrows-Wheeler transform. Bioinformatics, 25(14): 1754-1760. [DOI:10.1093/bioinformatics/btp324]
22. Marguerat, S. and J. Bähler. 2010. RNA-seq: from technology to biology. Cellular and Molecular Life Sciences, 67(4): 569-579. [DOI:10.1007/s00018-009-0180-6]
23. Mohammadabadi, MR., A.H.D. Jafari and F. Bordbar. 2017. Molecular analysis of CIB4 gene and protein in Kermani sheep. Brazilian Journal of Medical and Biological Research, 50: e6177. [DOI:10.1590/1414-431x20176177]
24. Mortazavi, A., B.A. Williams, K. McCue, L. Schaeffer and B. Wold. 2008. Mapping and quantifying mammalian transcriptomes by RNA-Seq. Nature Methods, 5(7): 621-628. [DOI:10.1038/nmeth.1226]
25. Oshlack, A., M.D. Robinson and M.D. Young. 2010. From RNA-seq reads to differential expression results. Genome biol, 11(12): 220. [DOI:10.1186/gb-2010-11-12-220]
26. Pauerstein, P. 2011. RNA-Seq: Current Methods and Potential Applications.
27. Pennisi, E. 2012. ENCODE project writes eulogy for junk DNA. Genomics Science, 337(1159): 61. [DOI:10.1126/science.337.6099.1159]
28. Ponting, C.P., P.L. Oliver and W. Reik. 2009. Evolution and functions of long noncoding RNAs. Cell, 136(4): 629-641. [DOI:10.1016/j.cell.2009.02.006]
29. Rost, B. 1999. Twilight zone of protein sequence alignments. Protein Engineering, 12: 85-94. [DOI:10.1093/protein/12.2.85]
30. Salimpour, M., S.R. Miraei-Ashtiani and M.H. Banabazi .2019. Differential gene expression of two bovine Bos taurus (Holstein) and Bos indicus (Cholistani) sub-species using RNA-Seq data. Iranian Journal of Animal science, 50(1): 47-55.
31. Saxena, A.K., D. Singh and G. Singh. 2009. Structural interaction between drug - DNA and protein- A novel approach for bioinformatics in medicine. Biomedical Research, 20(1): 28-34.
32. Snelling, W.M., R.A. Cushman, J.W. Keele, C. Maltecca, M.G. Thomas, M.R.S. Fortes and A. Reverter. 2013. BREEDING AND GENETICS SYMPOSIUM: Networks and pathways to guide genomic selection1-3. Journal of Animal Science, 91(2): 537-552. [DOI:10.2527/jas.2012-5784]
33. Sultan, M., M.H. Schulz, H. Richard, A. Magen, A. Klingenhoff, M. Scherf and D. Schmidt. 2008. A global view of gene activity and alternative splicing by deep sequencing of the human transcriptome. Science, 321(5891): 956-960. [DOI:10.1126/science.1160342]
34. Wang, K.C. and H.Y. Chang. 2011. Molecular mechanisms of long noncoding RNAs. Molecular cell, 43(6): 904-914. [DOI:10.1016/j.molcel.2011.08.018]
35. Wilhelm, B.T. and J.R. Landry. 2009. RNA-Seq, quantitative measurement of expression through massively parallel RNA-sequencing. Methods, 48(3): 249-257. [DOI:10.1016/j.ymeth.2009.03.016]
36. Wang, K.C. and H.Y. Chang. 2011. Molecular mechanisms of long noncoding RNAs. Molecular cell, 43(6): 904-914. [DOI:10.1016/j.molcel.2011.08.018]
37. Wilhelm, B.T. and J.R. Landry. 2009. RNA-Seq, quantitative measurement of expression through massively parallel RNA-sequencing. Methods, 48(3): 249-257. [DOI:10.1016/j.ymeth.2009.03.016]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
