دوره 16، شماره 4 - ( زمستان 1404 )
جلد 16 شماره 4 صفحات 42-29 |
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:
Mohammadnezhad M, Gholizadeh M, Hafezian H. (2025). Biomarkers Related to Immune Response to the Influenza Virus based on the Systems Biology Approach in Chickens. Res Anim Prod. 16(4), 29-42. doi:10.61882/rap.2025.1498
URL: http://rap.sanru.ac.ir/article-1-1498-fa.html
URL: http://rap.sanru.ac.ir/article-1-1498-fa.html
محمدنژاد مهره، قلی زاده محسن، حافظیان حسن.(1404). نشانگرهای زیستی مرتبط با پاسخ ایمنی به ویروس آنفولانزا مبتنی بر رویکرد زیستشناسی سامانهای در مرغ پژوهشهاي توليدات دامي 16 (4) :42-29 10.61882/rap.2025.1498
1- گروه علوم دامی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده: (1483 مشاهده)
چکیده مبسوط
مقدمه و هدف: در سالهای اخیر، ویروس آنفولانزا منجربه خسارات اقتصادی سنگینی در صنعت طیور به ویژه گلههای گوشتی شده است که علیرغم انجام برنامه واکسیناسیون، همچنان از مهمترین عوامل بیماری زا در صنعت طیور در سراسر جهان است. آنفولانزای پرندگان، بهویژه سویه H5N1، بهدلیل پتانسیل آن بهعنوان بیماری مشترک بین انسان و دام و تأثیر مخرب آن بر جمعیت طیور، بهعنوان نگرانی عمده بهداشت جهانی مطرح شده است. با این انگیزه تحقیقاتی، شناسایی مکانیسمهای مولکولی پاسخ به عفونت برای کنترل، درمان و پیشگیری از بیماری همهگیر، امری حیاتی است. از جمله اهداف کلیدی در تحقیقات زیستی، شناسایی منسجم تمام مولکولهای درون سلولی زنده و نحوه تعامل بین آنها است. بیان همزمان ژن، اطلاعات کلیدی را برای درک سیستمهای زنده فراهم میکند، زیرا ژنهای همبیان اغلب در مسیرهای زیستی یکسان یا مرتبط با برهمکنش پروتئین_پروتئین (PPI) هستند. نیاز به استراتژیهای موفق درمانی نگارندگان را به مطالعه شبکههای تعامل پروتئین-پروتئین از طریق رویکردهای مبتنی بر زیستشناسی سیستمی بهعنوان روشی مناسب برای کشف پروتئینهای کاندید و مسیرهای بیولوژیکی کلیدی در این بیماری واداشته است. از آنجایی که اندازهگیری شاخصهای مرکزیت معیاری برای تعیین تأثیر عضوها در شبکه تعاملی است، از شاخصهای مرکزیت بینابینی، نزدیکی و تعداد اتصال عضو برای تجزیه و تحلیل شبکههای پروتئینی استفاده میشود. این مطالعه، با هدف شناسایی نشانگرهای زیستی کلیدی در تشخیص، درمان یا کنترل تلفات و خسارات ناشی از بیماری آنفولانزای مرغی با استفاده از روشهای آنالیز شبکههای زیستی و تحلیل مسیرهای سیگنالدهی-عملکردی انجام شد.
مواد و روش ها: در مطالعه حاضر، پایگاه داده همبیانی ژن (COXPRESdb) با استفاده از کلیدواژهResponse to virus جستجو شد. در نتیجه جستجو، مجموع 21 ژن که در فرآیندهای بیولوژیکی پاسخ به ویروس در مرغ نقش دارند، معرفی شدند. از میان 21 ژن معرفی شده، 7 ژن در دو شبکه همبیانی ژن مجزا حضور داشتند. با توسعه دو شبکه همبیانی ژن، در نهایت 148 ژن، در 12 خوشه ژنی مجزا با هدف شناسایی سایر مؤلفههای همبیانی ژنی، از پایگاهداده COXPRESdb شناسایی و استخراج شدند. جهت حاشیه نویسی شبکه مورد مطالعه، داده بیانی سریGSE53932 از بخش GEO بانک اطلاعاتNCBI استخراج شد. تحلیل آماری و آنالیز بیان ژنها توسط نرم افزار GEO2R انجام شد و ژنهای با بیان افتراقی با ( 0.05> P) و (2 > Log FC > 2-) مشخص گردیدند. شبکههای فرعی توسط افزونههای MCODE،jActiveModules 3.1 و CytoCluster 2.1.0با نرمافزار Cytoscape شناسایی شدند. پارامترهای MCODE شامل برش تعداد اتصال عضو: 2، برش امتیاز عضو: 0/5،K-score : 5 و حداکثر عمق: 100 در نظر گرفته شدند. با استفاده از افزونه jActiveModules براساس دادههای بیان واردشده به شبکه، زیرشبکههای بیانی فعال با درنظر گرفتن (adj.P < 0.01) شناسایی شدند. از افزونه CytoCluster جهت خوشهبندی شبکه براساس P-value برای شناسایی خوشههای معنیدار ( 0.05> P) استفاده شد. به منظور محاسبه پارامترهای مرکزیت شامل پارامترهای بینابینی، نزدیکی و تعداد اتصال برای هر عضو و شناسایی ژنهای اصلی (هابها)، از افزونه CentiScaPe 2.1 در شبکه استفاده شد. عبارات هستیشناسی ژن (GO) زیرشبکهها و خوشههای شناسایی شده با استفاده از ابزار حاشیهنویسی عملکردی DAVID بازیابی شدند. در نهایت، شبکه هستیشناسی ژنها به وسیله افزونههای ClueGO 2.5.10 و CluePedia 1.5.10 ترسیم شد.
یافته ها: از میان فهرست 21 ژن پاسخ به ویروسها در مرغ، هفت ژن در دو شبکه همبیانی مجزا حضور داشتند. این دو شبکه همبیانی شامل سه ژن TTR، ALB و RBP4A و چهار ژن SAMHD1، MX1، IRF7 و MYD88 بودند. علاوه بر ژنهای حاشیهنویسی شده در جریان پاسخ به ویروس در مرغ، فهرست ژنی حاوی 148 ژن محتمل پاسخگو به ویروس با انحراف امتیاز همبیانی در اطراف 3 < Z، بهعنوان همبیانی بالاتر نسبت به توزیع نرمال همبیانی تصادفی، از پایگاهداده همبیانی ژن COXPRESdb استخراج شدند. بعد از تحلیل آماری دادههای بیانی، شبکه تعاملی اولیه برای ژنها با بیان افتراقی معنیدار بهصورت 61 عضو (پروتئین) و 306 اتصال با استفاده از نرمافزار Cytoscape ایجاد شد. دو شبکه PPI توسط سه پروتئین PLAC8L1، LBFABP و IFI6 به هم مرتبط شدند. پروتئینهایSERPlNA10 و AHSG با امتیاز عضو 22 و PLG با امتیاز عضو 21 بهعنوان پروتئینهای هاب (Hub)، دارای بیشترین میزان تعامل در کل شبکه پروتئینها با بیان افتراقی بودند. محاسبه با افزونه MCODE منجربه شناسایی دو خوشه با چگالی بالا شد. این مناطق با چگالی بالا در شبکه ممکن است شامل پروتئینهایی باشند که بهعنوان مجموعهای در سلول عمل کنند. AMBP و DDX60 بهعنوان پروتئینهای Seed به ترتیب در خوشه شماره 1 و 2 حضور داشتند. پس از افزودن دادههای بیان به عضوهای شبکه در نرمافزار Cytoscape، محاسبه و خوشهبندی با استفاده از افزونه jActiveModules، پنج زیرشبکه بیانی فعال شناسایی شدند. دو خوشه ژنی معنیدار ( P< 0.05) با استفاده از افزونه CytoCluster 2.1.0 (الگوریتم ClusterOne) با درنظر گرفتن مقدار (0.05 > P) شناسایی شدند. اولین خوشه معنیدار با 25 عضو در سمت راست شبکه شامل پروتئینهایی بود که مسیر سیگنالدهی بیوسنتز فنیل آلانین، تیروزین و تریپتوفان را نشان دادند. دومین خوشه معنیدار با 20 عضو در سمت چپ شبکه شامل پروتئینهایی بود که مسیر سیگنالدهی آنفولانزای A، عفونت ویروس هرپس سیمپلکس 1 و مسیر سیگنالدهی گیرنده RIG-I را بهعنوان مسیر درگیر در پاسخ ایمنی به ویروس نشان دادند. محاسبات شاخصهای مرکزیت برای زیرشبکههای بیانی فعال حاصل از الگوریتم jActiveModules پس از افزودن دادههای بیان و برای خوشههای حاصل از الگوریتمهای MCODE قبل از افزودن دادههای بیان نیز انجام شدند. در نهایت، پروتئینهای IFIT5، IFIH1وRSAD2 در خوشههای به دستآمده از الگوریتم MCODE (خوشه با بالاترین امتیاز) و CytoCluster و پروتئین IFIH1 در زیرشبکه فعال بیانی بهدستآمده از jActiveModules، دارای بالاترین امتیاز بینابینی، نزدیکی و تعداد اتصال عضو بودند. در بررسی غنیسازی ژنی KEGG، این سه پروتئین به همراه چهار پروتئین STAT1، EIF2AK2، TRIM25 و دPLG بهصورت معنیدار (0.05 > P) با مسیر سیگنالدهی آنفولانزای A، عفونت ویروس هرپسسیمپلکس 1، بیوسنتز فنیلآلانین، تیروزین و تریپتوفان، متابولیسم فنیلآلانین و مسیر سیگنالدهی گیرنده RIG-I در پاسخ ایمنی به ویروس آنفولانزا در ارتباط بودند.
نتیجهگیری: در نتیجه مطالعه حاضر، پروتئینهای IFIH1، IFIT5، و RSAD2 با بالاترین امتیاز شاخصهای مرکزیت برای خوشهها و زیرشبکههای بیانی فعال و STAT1، PLG، EIF2AK2، DHX58 و TRIM25 با بالاترین سطح معنیداری (P< 0.05) در مسیرهای سیگنالدهی انفولانزای A و مسیر سیگنالدهی گیرنده RIG-I در طیور بهعنوان نشانگرهای زیستی پاسخگو به آنفولانزا معرفی شدند.
مقدمه و هدف: در سالهای اخیر، ویروس آنفولانزا منجربه خسارات اقتصادی سنگینی در صنعت طیور به ویژه گلههای گوشتی شده است که علیرغم انجام برنامه واکسیناسیون، همچنان از مهمترین عوامل بیماری زا در صنعت طیور در سراسر جهان است. آنفولانزای پرندگان، بهویژه سویه H5N1، بهدلیل پتانسیل آن بهعنوان بیماری مشترک بین انسان و دام و تأثیر مخرب آن بر جمعیت طیور، بهعنوان نگرانی عمده بهداشت جهانی مطرح شده است. با این انگیزه تحقیقاتی، شناسایی مکانیسمهای مولکولی پاسخ به عفونت برای کنترل، درمان و پیشگیری از بیماری همهگیر، امری حیاتی است. از جمله اهداف کلیدی در تحقیقات زیستی، شناسایی منسجم تمام مولکولهای درون سلولی زنده و نحوه تعامل بین آنها است. بیان همزمان ژن، اطلاعات کلیدی را برای درک سیستمهای زنده فراهم میکند، زیرا ژنهای همبیان اغلب در مسیرهای زیستی یکسان یا مرتبط با برهمکنش پروتئین_پروتئین (PPI) هستند. نیاز به استراتژیهای موفق درمانی نگارندگان را به مطالعه شبکههای تعامل پروتئین-پروتئین از طریق رویکردهای مبتنی بر زیستشناسی سیستمی بهعنوان روشی مناسب برای کشف پروتئینهای کاندید و مسیرهای بیولوژیکی کلیدی در این بیماری واداشته است. از آنجایی که اندازهگیری شاخصهای مرکزیت معیاری برای تعیین تأثیر عضوها در شبکه تعاملی است، از شاخصهای مرکزیت بینابینی، نزدیکی و تعداد اتصال عضو برای تجزیه و تحلیل شبکههای پروتئینی استفاده میشود. این مطالعه، با هدف شناسایی نشانگرهای زیستی کلیدی در تشخیص، درمان یا کنترل تلفات و خسارات ناشی از بیماری آنفولانزای مرغی با استفاده از روشهای آنالیز شبکههای زیستی و تحلیل مسیرهای سیگنالدهی-عملکردی انجام شد.
مواد و روش ها: در مطالعه حاضر، پایگاه داده همبیانی ژن (COXPRESdb) با استفاده از کلیدواژهResponse to virus جستجو شد. در نتیجه جستجو، مجموع 21 ژن که در فرآیندهای بیولوژیکی پاسخ به ویروس در مرغ نقش دارند، معرفی شدند. از میان 21 ژن معرفی شده، 7 ژن در دو شبکه همبیانی ژن مجزا حضور داشتند. با توسعه دو شبکه همبیانی ژن، در نهایت 148 ژن، در 12 خوشه ژنی مجزا با هدف شناسایی سایر مؤلفههای همبیانی ژنی، از پایگاهداده COXPRESdb شناسایی و استخراج شدند. جهت حاشیه نویسی شبکه مورد مطالعه، داده بیانی سریGSE53932 از بخش GEO بانک اطلاعاتNCBI استخراج شد. تحلیل آماری و آنالیز بیان ژنها توسط نرم افزار GEO2R انجام شد و ژنهای با بیان افتراقی با ( 0.05> P) و (2 > Log FC > 2-) مشخص گردیدند. شبکههای فرعی توسط افزونههای MCODE،jActiveModules 3.1 و CytoCluster 2.1.0با نرمافزار Cytoscape شناسایی شدند. پارامترهای MCODE شامل برش تعداد اتصال عضو: 2، برش امتیاز عضو: 0/5،K-score : 5 و حداکثر عمق: 100 در نظر گرفته شدند. با استفاده از افزونه jActiveModules براساس دادههای بیان واردشده به شبکه، زیرشبکههای بیانی فعال با درنظر گرفتن (adj.P < 0.01) شناسایی شدند. از افزونه CytoCluster جهت خوشهبندی شبکه براساس P-value برای شناسایی خوشههای معنیدار ( 0.05> P) استفاده شد. به منظور محاسبه پارامترهای مرکزیت شامل پارامترهای بینابینی، نزدیکی و تعداد اتصال برای هر عضو و شناسایی ژنهای اصلی (هابها)، از افزونه CentiScaPe 2.1 در شبکه استفاده شد. عبارات هستیشناسی ژن (GO) زیرشبکهها و خوشههای شناسایی شده با استفاده از ابزار حاشیهنویسی عملکردی DAVID بازیابی شدند. در نهایت، شبکه هستیشناسی ژنها به وسیله افزونههای ClueGO 2.5.10 و CluePedia 1.5.10 ترسیم شد.
یافته ها: از میان فهرست 21 ژن پاسخ به ویروسها در مرغ، هفت ژن در دو شبکه همبیانی مجزا حضور داشتند. این دو شبکه همبیانی شامل سه ژن TTR، ALB و RBP4A و چهار ژن SAMHD1، MX1، IRF7 و MYD88 بودند. علاوه بر ژنهای حاشیهنویسی شده در جریان پاسخ به ویروس در مرغ، فهرست ژنی حاوی 148 ژن محتمل پاسخگو به ویروس با انحراف امتیاز همبیانی در اطراف 3 < Z، بهعنوان همبیانی بالاتر نسبت به توزیع نرمال همبیانی تصادفی، از پایگاهداده همبیانی ژن COXPRESdb استخراج شدند. بعد از تحلیل آماری دادههای بیانی، شبکه تعاملی اولیه برای ژنها با بیان افتراقی معنیدار بهصورت 61 عضو (پروتئین) و 306 اتصال با استفاده از نرمافزار Cytoscape ایجاد شد. دو شبکه PPI توسط سه پروتئین PLAC8L1، LBFABP و IFI6 به هم مرتبط شدند. پروتئینهایSERPlNA10 و AHSG با امتیاز عضو 22 و PLG با امتیاز عضو 21 بهعنوان پروتئینهای هاب (Hub)، دارای بیشترین میزان تعامل در کل شبکه پروتئینها با بیان افتراقی بودند. محاسبه با افزونه MCODE منجربه شناسایی دو خوشه با چگالی بالا شد. این مناطق با چگالی بالا در شبکه ممکن است شامل پروتئینهایی باشند که بهعنوان مجموعهای در سلول عمل کنند. AMBP و DDX60 بهعنوان پروتئینهای Seed به ترتیب در خوشه شماره 1 و 2 حضور داشتند. پس از افزودن دادههای بیان به عضوهای شبکه در نرمافزار Cytoscape، محاسبه و خوشهبندی با استفاده از افزونه jActiveModules، پنج زیرشبکه بیانی فعال شناسایی شدند. دو خوشه ژنی معنیدار ( P< 0.05) با استفاده از افزونه CytoCluster 2.1.0 (الگوریتم ClusterOne) با درنظر گرفتن مقدار (0.05 > P) شناسایی شدند. اولین خوشه معنیدار با 25 عضو در سمت راست شبکه شامل پروتئینهایی بود که مسیر سیگنالدهی بیوسنتز فنیل آلانین، تیروزین و تریپتوفان را نشان دادند. دومین خوشه معنیدار با 20 عضو در سمت چپ شبکه شامل پروتئینهایی بود که مسیر سیگنالدهی آنفولانزای A، عفونت ویروس هرپس سیمپلکس 1 و مسیر سیگنالدهی گیرنده RIG-I را بهعنوان مسیر درگیر در پاسخ ایمنی به ویروس نشان دادند. محاسبات شاخصهای مرکزیت برای زیرشبکههای بیانی فعال حاصل از الگوریتم jActiveModules پس از افزودن دادههای بیان و برای خوشههای حاصل از الگوریتمهای MCODE قبل از افزودن دادههای بیان نیز انجام شدند. در نهایت، پروتئینهای IFIT5، IFIH1وRSAD2 در خوشههای به دستآمده از الگوریتم MCODE (خوشه با بالاترین امتیاز) و CytoCluster و پروتئین IFIH1 در زیرشبکه فعال بیانی بهدستآمده از jActiveModules، دارای بالاترین امتیاز بینابینی، نزدیکی و تعداد اتصال عضو بودند. در بررسی غنیسازی ژنی KEGG، این سه پروتئین به همراه چهار پروتئین STAT1، EIF2AK2، TRIM25 و دPLG بهصورت معنیدار (0.05 > P) با مسیر سیگنالدهی آنفولانزای A، عفونت ویروس هرپسسیمپلکس 1، بیوسنتز فنیلآلانین، تیروزین و تریپتوفان، متابولیسم فنیلآلانین و مسیر سیگنالدهی گیرنده RIG-I در پاسخ ایمنی به ویروس آنفولانزا در ارتباط بودند.
نتیجهگیری: در نتیجه مطالعه حاضر، پروتئینهای IFIH1، IFIT5، و RSAD2 با بالاترین امتیاز شاخصهای مرکزیت برای خوشهها و زیرشبکههای بیانی فعال و STAT1، PLG، EIF2AK2، DHX58 و TRIM25 با بالاترین سطح معنیداری (P< 0.05) در مسیرهای سیگنالدهی انفولانزای A و مسیر سیگنالدهی گیرنده RIG-I در طیور بهعنوان نشانگرهای زیستی پاسخگو به آنفولانزا معرفی شدند.
فهرست منابع
1. Bader, G., Pavlovic, V., & Lopes, C. (2020). MCODE Documentation.
2. Berri, F., Rimmelzwaan, G. F., Hanss, M., Albina, E., Foucault-Grunenwald, M.-L., Lê, V. B., Vogelzang-van Trierum, S. E., Gil, P., Camerer, E., Martinez, D., Lina, B., Lijnen, R., Carmeliet, P., & Riteau, B. (2013). Plasminogen Controls Inflammation and Pathogenesis of Influenza Virus Infections via Fibrinolysis. PLOS Pathogens, 9(3), e1003229. [DOI:10.1371/journal.ppat.1003229]
3. Bindea, G., Galon, J., & Mlecnik, B. (2013). CluePedia Cytoscape plugin: pathway insights using integrated experimental and in silico data. Bioinformatics, 29(5), 661-663. [DOI:10.1093/bioinformatics/btt019]
4. Bindea, G., Mlecnik, B., Hackl, H., Charoentong, P., Tosolini, M., Kirilovsky, A., Fridman, W.-H., Pagès, F., Trajanoski, Z., & Galon, J. (2009). ClueGO: a Cytoscape plug-in to decipher functionally grouped gene ontology and pathway annotation networks. Bioinformatics, 25(8), 1091-1093. [DOI:10.1093/bioinformatics/btp101]
5. Bots, M., & Medema, J. P. (2008). Serpins in T cell immunity. Journal of Leukocyte Biology, 84(5), 1238-1247. [DOI:10.1189/jlb.0208140]
6. Chaudhary, R. K., L, A., Patil, P., Mateti, U. V., Sah, S., Mohanty, A., Rath, R. S., Padhi, B. K., Malik, S., Jassim, K. H., Al-Shammari, M. A., Waheed, Y., Satapathy, P., Barboza, J. J., Rodriguez-Morales, A. J., & Sah, R. (2023). System Biology Approach to Identify the Hub Genes and Pathways Associated with Human H5N1 Infection. Vaccines, 11(7), 1-16. [DOI:10.3390/vaccines11071269]
7. Chen, L., Hua, J., & He, X. (2022). Co-expression network analysis identifies potential candidate hub genes in severe influenza patients needing invasive mechanical ventilation. BMC Genomics, 23(1), 703. [DOI:10.1186/s12864-022-08915-9]
8. van Dam, S., Craig, T., & de Magalhães, J. P. (2015). GeneFriends: a human RNA-seq-based gene and transcript co-expression database. Nucleic Acids Research, 43(D1), D1124-D1132. [DOI:10.1093/nar/gku1042]
9. Das, R., Ganapathy, S., Mahabeleshwar, G. H., Drumm, C., Febbraio, M., Jain, M. K., & Plow, E. F. (2013). Macrophage Gene Expression and Foam Cell Formation Are Regulated by Plasminogen. Circulation, 127(11), 1209-1218. [DOI:10.1161/CIRCULATIONAHA.112.001214]
10. Doncheva, N. T., Morris, J. H., Gorodkin, J., & Jensen, L. J. (2019). Cytoscape StringApp: Network Analysis and Visualization of Proteomics Data. Journal of Proteome Research, 18(2), 623-632. [DOI:10.1021/acs.jproteome.8b00702]
11. Golpasand, S., Ghovvati, S., & Pezeshkian, Z. (2024). Unraveling the H5N1 influenza infection response: A comparative gene expression networks and functionally enriched pathways analysis in chickens and ducks. Animal Production Research, 12(4), 1-22. [DOI:10.22124/ar.2023.24839.1773 [In Persian]]
12. Hu, J., Mo, Y., Wang, X., Gu, M., Hu, Z., Zhong, L., ... & Liu, X. (2015). PA-X decreases the pathogenicity of highly pathogenic H5N1 influenza A virus in avian species by inhibiting virus replication and host response. Journal of Virology, 89(8), 4126-4142. [DOI:10.1128/JVI.02132-14]
13. Huang, D. W., Sherman, B. T., & Lempicki, R. A. (2009). Bioinformatics enrichment tools: paths toward the comprehensive functional analysis of large gene lists. Nucleic Acids Research, 37(1), 1-13. [DOI:10.1093/nar/gkn923]
14. Huang, T., Wang, J., Cai, Y.-D., Yu, H., & Chou, K.-C. (2012). Hepatitis C Virus Network Based Classification of Hepatocellular Cirrhosis and Carcinoma. Plos One, 7, e34460. [DOI:10.1371/journal.pone.0034460]
15. Huang, T., Wang, P., Ye, Z.-Q., Xu, H., He, Z., Feng, K.-Y., Hu, L., Cui, W., Wang, K., Dong, X., Xie, L., Kong, X., Cai, Y.-D., & Li, Y. (2010). Prediction of Deleterious Non-Synonymous SNPs Based on Protein Interaction Network and Hybrid Properties. PloS One, 5(7), e11900. [DOI:10.1371/journal.pone.0011900]
16. Hwang, W., & Han, N. (2022). Identification of potential pan-coronavirus therapies using a computational drug repurposing platform. Methods, 203, 214-225.
https://doi.org/10.1016/j.ymeth.2021.11.002 [DOI:https://doi.org/10.1016/j.ymeth.2021.11.002]
17. Ibrahim, B., McMahon, D. P., Hufsky, F., Beer, M., Deng, L., Mercier, P. Le, Palmarini, M., Thiel, V., & Marz, M. (2018). A new era of virus bioinformatics. Virus Research, 251, 86-90.
https://doi.org/10.1016/j.virusres.2018.05.009 [DOI:https://doi.org/10.1016/j.virusres.2018.05.009]
18. Jersmann, H. P. A., Dransfield, I., & Hart, S. P. (2003). Fetuin/α2-HS glycoprotein enhances phagocytosis of apoptotic cells and macropinocytosis by human macrophages. Clinical Science, 105(3), 273-278. [DOI:10.1042/CS20030126]
19. Jiang, M., Chen, Y., Zhang, Y., Chen, L., Zhang, N., Huang, T., Cai, Y.-D., & Kong, X. (2013). Identification of hepatocellular carcinoma related genes with k-th shortest paths in a protein-protein interaction network. Molecular BioSystems, 9(11), 2720-2728.
https://doi.org/10.1039/C3MB70089E [DOI:10.1039/c3mb70089e]
20. Jiang, Y., Xie, M., Chen, W., Talbot, R., Maddox, J. F., Faraut, T., Wu, C., Muzny, D. M., Li, Y., Zhang, W., Stanton, J.-A., Brauning, R., Barris, W. C., Hourlier, T., Aken, B. L., Searle, S. M. J., Adelson, D. L., Bian, C., Cam, G. R., … Dalrymple, B. P. (2014). The sheep genome illuminates biology of the rumen and lipid metabolism. Science, 344(6188), 1168-1173. [DOI:10.1126/science.1252806]
21. Kalabay, L., Cseh, K., Pajor, A., Baranyi, É., Csákány, G. M., Melczer, Z., Speer, G., Kovács, M., Siller, G., Karádi, I., & Winkler, G. (2002). Correlation of maternal serum fetuin/alpha2-HS-glycoprotein concentration with maternal insulin resistance and anthropometric parameters of neonates in normal pregnancy and gestational diabetes. European Journal of Endocrinology, 147(2), 243-248. [DOI:10.1530/eje.0.1470243]
22. Kang, D., Gopalkrishnan, R. V, Wu, Q., Jankowsky, E., Pyle, A. M., & Fisher, P. B. (2002). mda-5: An interferon-inducible putative RNA helicase with double-stranded RNA-dependent ATPase activity and melanoma growth-suppressive properties. Proceedings of the National Academy of Sciences, 99(2), 637-642. [DOI:10.1073/pnas.022637199]
23. Karpala, A. J., Stewart, C., McKay, J., Lowenthal, J. W., & Bean, A. G. D. (2011). Characterization of Chicken Mda5 Activity: Regulation of IFN-β in the Absence of RIG-I Functionality. The Journal of Immunology, 186(9), 5397-5405. [DOI:10.4049/jimmunol.1003712]
24. Langfelder, P., & Horvath, S. (2008). WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics, 9(1), 559. [DOI:10.1186/1471-2105-9-559]
25. Li, M., Li, D., Tang, Y., Wu, F., & Wang, J. (2017). CytoCluster: a cytoscape plugin for cluster analysis and visualization of biological networks. International Journal of Molecular Sciences, 18(9), 1880. [DOI:10.3390/ijms18091880]
26. Li, Q., Yuan, X., Wang, Q., Chang, G., Wang, F., Liu, R., Zheng, M., Chen, G., Wen, J., & Zhao, G. (2016). Interactomic landscape of PA-X-chicken protein complexes of H5N1 influenza A virus. Journal of Proteomics, 148, 20-25.
https://doi.org/10.1016/j.jprot.2016.07.009 [DOI:https://doi.org/10.1016/j.jprot.2016.07.009]
27. Liu, J., Gu, T., Chen, J., Luo, S., Dong, X., Zheng, M., ... & Xu, Q. (2022). The TRIM25 gene in ducks: cloning, characterization and antiviral immune response. Genes, 13(11), 2090. [DOI:10.3390/genes13112090]
28. Lord, J. M. (2003). A physiological role for α2-HS glycoprotein: stimulation of macrophage uptake of apoptotic cells. Clinical Science, 105(3), 267-268. [DOI:10.1042/CS20030177]
29. Miles, L. A., Hawley, S. B., Baik, N., Andronicos, N. M., Castellino, F. J., & Parmer, R. J. (2005). Plasminogen receptors: the sine qua non of cell surface plasminogen activation. Frontiers in Bioscience, 10, 1754-1762.
30. Nabieva, E., Jim, K., Agarwal, A., Chazelle, B., & Singh, M. (2005). Whole-proteome prediction of protein function via graph-theoretic analysis of interaction maps. Bioinformatics, 21(suppl_1), i302-i310. [DOI:10.1093/bioinformatics/bti1054]
31. Plow, E. F., & Hoover-Plow, J. (2004). The Functions of Plasminogen in Cardiovascular Disease. Trends in Cardiovascular Medicine, 14(5), 180-186.
https://doi.org/10.1016/j.tcm.2004.04.001 [DOI:https://doi.org/10.1016/j.tcm.2004.04.001]
32. Qiu, L., Ma, T., Chang, G., Liu, X., Guo, X., Xu, L., Zhang, Y., Zhao, W., Xu, Q., & Chen, G. (2017). Expression patterns of NLRC5 and key genes in the STAT1 pathway following infection with Salmonella pullorum. Gene, 597, 23-29.
https://doi.org/10.1016/j.gene.2016.10.026 [DOI:https://doi.org/10.1016/j.gene.2016.10.026]
33. Ranaware, P. B., Mishra, A., Vijayakumar, P., Gandhale, P. N., Kumar, H., Kulkarni, D. D., & Raut, A. A. (2016). Genome Wide Host Gene Expression Analysis in Chicken Lungs Infected with Avian Influenza Viruses. PloS One, 11(4), e0153671. [DOI:10.1371/journal.pone.0153671]
34. Rehwinkel, J., & Gack, M. U. (2020). RIG-I-like receptors: their regulation and roles in RNA sensing. Nature Reviews Immunology, 20(9), 537-551. [DOI:10.1038/s41577-020-0288-3]
35. Rohaim, M. A., Santhakumar, D., Naggar, R. F. El, Iqbal, M., Hussein, H. A., & Munir, M. (2018). Chickens Expressing IFIT5 Ameliorate Clinical Outcome and Pathology of Highly Pathogenic Avian Influenza and Velogenic Newcastle Disease Viruses. Frontiers in Immunology, 9. [DOI:10.3389/fimmu.2018.02025]
36. Saberi Anvar, M., Minuchehr, Z., Shahlaei, M., & Kheitan, S. (2018). Gastric cancer biomarkers; A systems biology approach. Biochemistry and Biophysics Reports, 13, 141-146. [DOI:10.1016/j.bbrep.2018.01.001]
37. Saito, R., Smoot, M. E., Ono, K., Ruscheinski, J., Wang, P.-L., Lotia, S., Pico, A. R., Bader, G. D., & Ideker, T. (2012). A travel guide to Cytoscape plugins. Nature Methods, 9(11), 1069-1076. [DOI:10.1038/nmeth.2212]
38. Scardoni, G., & Lau, C. (2012). Centralities Based Analysis of Complex Networks. New Frontiers in Graph Theory, March 2012. [DOI:10.5772/35846]
39. Schulz, O., Pichlmair, A., Rehwinkel, J., Rogers, N. C., Scheuner, D., Kato, H., Takeuchi, O., Akira, S., Kaufman, R. J., & Reis e Sousa, C. (2010). Protein Kinase R Contributes to Immunity against Specific Viruses by Regulating Interferon mRNA Integrity. Cell Host & Microbe, 7(5), 354-361. [DOI:10.1016/j.chom.2010.04.007]
40. Shannon, P., Markiel, A., Ozier, O., Baliga, N. S., Wang, J. T., Ramage, D., Amin, N., Schwikowski, B., & Ideker, T. (2003). Cytoscape: A Software Environment for Integrated Models of Biomolecular Interaction Networks. Genome Research , 13(11), 2498-2504. [DOI:10.1101/gr.1239303]
41. Sue-Jane, L., Kai-Min, L., Jill, C. S.-Y., Chia-Chi, K., Chen-Wei, H., Chi-Hsiang, H., Michael, G., & Ching-Hwa, T. (2023). Type I Interferon Orchestrates Demand-Adapted Monopoiesis during Influenza A Virus Infection via STAT1-Mediated Upregulation of Macrophage Colony-Stimulating Factor Receptor Expression. Journal of Virology, 97(4), e00102-23. [DOI:10.1128/jvi.00102-23]
42. Tieri, P., Farina, L., Petti, M., Astolfi, L., Paci, P., & Castiglione, F. (2019). Network Inference and Reconstruction in Bioinformatics (S. Ranganathan, M. Gribskov, K. Nakai, & C. B. T.-E. of B. and C. B. Schönbach (Eds.); pp. 805-813). Academic Press.
https://doi.org/10.1016/B978-0-12-809633-8.20290-2 [DOI:https://doi.org/10.1016/B978-0-12-809633-8.20290-2]
43. van Dam, S., Võsa, U., van der Graaf, A., Franke, L., & de Magalhães, J. P. (2018). Gene co-expression analysis for functional classification and gene-disease predictions. Briefings in Bioinformatics, 19(4), 575-592. [DOI:10.1093/bib/bbw139]
44. Yang, J., Zhang, J., Fan, R., Zhao, W., Han, T., Duan, K., ... & Yang, X. (2020). Identifying potential candidate hub genes and functionally enriched pathways in the immune responses to quadrivalent inactivated influenza vaccines in the elderly through Co-Expression network analysis. Frontiers in Immunology, 11, 603337. [DOI:10.3389/fimmu.2020.603337]
45. Yang, J., Zhang, J., Fan, R., Zhao, W., Han, T., Duan, K., ... & Yang, X. (2020). Identifying potential candidate hub genes and functionally enriched pathways in the immune responses to quadrivalent inactivated influenza vaccines in the elderly through Co-Expression network analysis. Frontiers in Immunology, 11, 603337. [DOI:10.3389/fimmu.2020.603337]
46. Yang, Y., Han, L., Yuan, Y., Li, J., Hei, N., & Liang, H. (2014). Gene co-expression network analysis reveals common system-level properties of prognostic genes across cancer types. Nature Communications, 5(1), 3231. [DOI:10.1038/ncomms4231]
47. Zhang, B., Goraya, M. U., Chen, N., Xu, L., Hong, Y., Zhu, M., & Chen, J. L. (2020). Zinc finger CCCH-type antiviral protein 1 restricts the viral replication by positively regulating type I interferon response. Frontiers in Microbiology, 11, 1912. [DOI:10.3389/fmicb.2020.01912]
48. Zhang, Bianhong, Liu, X., Chen, W., & Chen, L. (2013). IFIT5 potentiates anti-viral response through enhancing innate immune signaling pathways. Acta Biochimica et Biophysica Sinica, 45(10), 867-874. [DOI:10.1093/abbs/gmt088]
49. Zhang, Q., Liu, Y., Zhang, J., Wang, Q., Ying, F., Liu, D., Wen, J., Zhao, G., & Li, Q. (2024). Gene expression response to Salmonella Typhimurium in the cecal tonsil reveals a potential mechanism of resistance in chickens. Poultry Science, 103(3), 103356.
https://doi.org/10.1016/j.psj.2023.103356 [DOI:https://doi.org/10.1016/j.psj.2023.103356]
50. Zhao, Y., Li, H., Fang, S., Kang, Y., Wu, W., Hao, Y., ... & Chen, R. (2016). NONCODE 2016: an informative and valuable data source of long non-coding RNAs. Nucleic Acids Research, 44(D1), D203-D208. [DOI:10.1093/nar/gkv1252]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
