دوره 17، شماره 2 - ( تابستان 1405 )
جلد 17 شماره 2 صفحات 25-15 |
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:
Jalali S, Gholizadeh M, Hafezian H. (2026). Functional Gene Enrichment Analysis Based on the GWAS of Growth Rate Traits in Yak. Res Anim Prod. 17(2), 15-25. doi:10.61882/rap.2026.1565
URL: http://rap.sanru.ac.ir/article-1-1565-fa.html
URL: http://rap.sanru.ac.ir/article-1-1565-fa.html
جلالی شاهرخ، قلی زاده محسن، حافظیان حسن.(1405). تحلیل غنیسازی عملکردی ژنی بر پایهی مطالعه ارتباط ژنومی برای صفات نرخ رشد در یاک پژوهشهاي توليدات دامي 17 (2) :25-15 10.61882/rap.2026.1565
شاهرخ جلالی1، محسن قلی زاده*1 
، حسن حافظیان1
، حسن حافظیان1
1- گروه علوم دامی، دانشکده علوم دامی و شیلات، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده: (1003 مشاهده)
چکیده مبسوط
مقدمه و هدف: صفات رشد از شاخصهای اقتصادی مهم در تولید دام محسوب میشوند و به طور مستقیم با تولید گوشت، بهرهوری منابع و سودآوری مرتبط هستند. در یاک که به نواحی مرتفع سازگار شده است، عملکرد رشد معمولاً تحت تأثیر شرایط سخت محیطی است. درک پایههای ژنتیکی صفات رشد میتواند بینشی را فراهم کند که به اصلاحنژاد مولکولی و افزایش بهره ژنتیکی کمک نماید. مطالعات ارتباط ژنومی (GWAS) ابزار مهمی برای شناسایی نواحی ژنومی مؤثر بر صفات اقتصادی دام و بهبود برنامههای اصلاحنژاد ژنومی هستند. با وجود این، این روش محدودیتهایی دارد چرا که هر نشانگر به تنهایی آزمون میشود و آستانههای آماری سختگیرانه باعث میشوند که بسیاری از واریانتهای علّی، به ویژه در صفات چند ژنی، شناسایی نشوند. در تراشههای با تراکم بالای SNP نیز ممکن است اثر یک ژن میان چندین نشانگر توزیع شود و هیچکدام به آستانه معنیداری نرسند. همچنین، پیوستگی ژنتیکی وسیع در دامها، تعیین دقیق جهشهای سببی را دشوارتر میکند. افزون بر این، GWAS تعامل واقعی ژنها در مسیرهای زیستی و شبکههای عملکردی را نادیده میگیرد و به دلیل ماهیت دو آللیSNPها، قادر به نمایش کامل اثر QTLهای چندآللی نیست. برای رفع این محدودیتها، پیشنهاد شده است که تحلیلها از سطح SNP فراتر روند و به سطح ژن یا مجموعه ژنی گسترش یابند. در این روش، ژنهایی که حامل SNPهای معنادار هستند و در یک مسیر زیستی یا فرایند مشترک قرار دارند، از نظر غنای آماری بررسی میشوند. این رویکرد میتواند توان شناسایی واریانتهای علّی را افزایش دهد و درک عمیقتری را از پایه ژنتیکی صفات کمی فراهم سازد. بر همین اساس، مطالعه حاضر با استفاده از دادههای ژنومی منتشر شده، به تحلیل عملکردی ژنهای کاندید مؤثر بر رشد در یاک و تفسیر بیولوژیکی نتایج GWAS پرداخت تا راهکارهای کاربردیتری برای اصلاحنژاد این گونه ارائه شوند. هدف این پژوهش، شناسایی جایگاههای ژنومی مرتبط با رشد پس از از شیرگیری در یاکهای نژاد آشیدان با استفاده از مطالعه ارتباط کل ژنوم (GWAS) و بررسی مسیرهای عملکردی از طریق تحلیل غنای ژنی بود.
مواد و روشها: در این مطالعه، از دادههای منتشر شده مربوط به ۳۵۴ رأس یاک ماده آشیدان استفاده شد. ژنوتیپگیری با استفاده از تراشه Illumina BovineHD BeadChip شامل 777,962 نشانگر SNP انجام شد. کنترل کیفیت دادهها در نرمافزار PLINK صورت گرفت. به این صورت که نشانگرهایی با بیش از 0.05 از دست رفته، فراوانی آلل فرعی (MAF) کمتر از 0.05، یا انحراف معنیدار از تعادل هاردی-واینبرگ (<1e-6P) و افراد با بیش از 0.05 از دست رفته حذف شدند. برای برآورد ژنوتیپهای مفقود از الگوریتم LD-kNNi در نرمافزار TASSEL استفاده شد. ساختار جمعیت با تحلیل مؤلفههای اصلی در نرمافزار (PCA) TASSEL بررسی شد و پنج مؤلفه نخست به عنوان متغیر کمکی در مدل خطی مختلط لحاظ شدند. تحلیل GWAS با مدل خطی مختلط (MLM) در TASSEL v5.2 انجام شد که ماتریس خویشاوندی (K) و ساختار جمعیتی (Q) را در نظر میگرفت. به منظور شناسایی مسیرهای بیولوژیکی مرتبط با نرخ رشد در یاک، تجزیه و تحلیل هستیشناسی ژن (GO) نیز انجام شد. در این بخش، از تمام ژنهایی که در فاصله ±15kb از SNPهای دارای 0.05>P قرار داشتند استفاده شد. استخراج موقعیت ژنی اینSNPها نیز با مراجعه به نسخه ژنومی Bos taurus UMD3.1 انجام گرفت. فهرست ژنهای شناسایی شده به ابزار آنلاینg:Profiler منتقل شد و تحلیل غنیسازی در سه دسته هستیشناسی ژن شامل فرایندهای زیستی(BP)، عملکرد مولکولی (MF)، و جزء سلولی (CC) و نیز مسیرهایKEGG صورت گرفت. سطوح معنیداری مسیرها بر اساس 0.05>P تصحیح شده گزارش شدند.
یافتهها: با کنترل کیفیت دادههای ژنومی با استفاده از نرمافزار PLINK، یک نمونه به دلیل کیفیت پایین ژنوتایپ حذف گردید و در نهایت ۳۵۳ فرد باقی ماندند. از مجموع نشانگرها، ۲۵۴۰ SNP به دلیل درصد بالای دادههای گمشده، ۶۵۱۲۲ SNP به دلیل MAF پایین، و ۴ نشانگر به دلیل انحراف از تعادل هاردی-واینبرگ حذف شدند. در نهایت، ۳۲۵۷۳ نشانگر با کیفیت بالا برای تحلیلهای بعدی باقی ماندند. میانگین نرخ ژنوتایپ در افراد باقیمانده برابر با 6/99 درصد بود. برای صفت اول (نرخ رشد از ۶ تا ۱۲ ماهگی) هیچ ناحیه ژنومی در سطح معنیداری ژنومی (P<1.5×10⁻⁶) شناسایی نشد. در مقابل، برای صفت دوم (نرخ رشد از ۶ تا ۳۰ ماهگی)، تعداد 22 SNP معنیدار (P<1.5×10⁻⁶) روی کروموزوم ۱ شناسایی گردیدند. قویترین سیگنالها در بازه 1/8 تا 2/1 مگاباز ظاهر شدند. در این ناحیه، ژن C1H21orf62 به عنوان کاندید اصلی معرفی شد که دربرگیرنده چندین SNP معنیدار بود. علاوه بر این، در بخش پایین دست همین منطقه، ژنهایGCFC و SYNJ1 نیز شناسایی شدند. برای صفت سوم (نرخ رشد از ۱۲ تا ۳۰ ماهگی) نیز یک ناحیه بسیار معنیدار بر روی کروموزوم ۱ آشکار شد. تمامSNPهای معنیدار در این صفت در بازه مشابهی با صفت دوم قرار داشتند و همگی با ژن C1H21orf62 در ارتباط بودند. تحلیل عملکرد مولکولی نشان داد که ژنهای شناسایی شده در ارتباط با رشد یاک بهطور معنیداری در دستههای متعددی غنی شدند. مهمترین این دستهها در سطح عملکرد مولکولی شامل اتصال یونها (GO:0043167)، اتصال مولکولهای کوچک (GO:0036094)، فعالیت ناقل غشایی (GO:0022857)، فعالیت موتور سیتواسکلتی (GO:0003774)، و فعالیت هیدرولازی (GO:0016787) بودند. در سطح فرایندهای زیستی، ژنهای کاندید رشد در گروههای اصلی، از جمله چسبندگی سلولی (GO:0007155)، انتقال یونهای ساده (GO:0006811) و رشد و تکوین سیستم عصبی (GO:0007399) غنی بودند. در بخش جزء سلولی، ژنها بهطور برجستهای در پیوندگاههای سلولی (GO:0030054) پیرامون سلول (GO:0071944) و غشای پلاسمایی (GO:0005886) غنی شدند. بررسی مسیرهای زیستی در KEGG نشان داد که ژنهای شناسایی شده به طور عمده در مسیرهای پروتئینهای حرکتی (KEGG:04814) مشارکت داشتند.
نتیجهگیری: این مطالعهSNPها و نواحی ژنومی معناداری را در ارتباط با صفات رشد پس از ازشیرگیری در یاک آشیدان شناسایی کرد. در حالیکه رشد اولیه (۶ تا ۱۲ ماه) فاقد ارتباط ژنومی معنادار بود، بازههای طولانیتر (۶ تا۳۰ و ۱۲ تا۳۰ ماه) چندین جایگاه و مسیر زیستی کلیدی را آشکار ساختند. ترکیب ژنوتیپگیری با تراکم بالا، برآورد دادههای مفقود، مدلهای خطی مختلط و تحلیل غنای ژنی، تصویری جامع را از معماری ژنتیکی رشد در یاک فراهم کردند. این یافتهها پایه ارزشمندی برای مطالعات مولکولی آینده هستند و نشانگرهای عملی را برای برنامههای اصلاح نژادی و انتخاب در یاک ارائه میدهند.
مقدمه و هدف: صفات رشد از شاخصهای اقتصادی مهم در تولید دام محسوب میشوند و به طور مستقیم با تولید گوشت، بهرهوری منابع و سودآوری مرتبط هستند. در یاک که به نواحی مرتفع سازگار شده است، عملکرد رشد معمولاً تحت تأثیر شرایط سخت محیطی است. درک پایههای ژنتیکی صفات رشد میتواند بینشی را فراهم کند که به اصلاحنژاد مولکولی و افزایش بهره ژنتیکی کمک نماید. مطالعات ارتباط ژنومی (GWAS) ابزار مهمی برای شناسایی نواحی ژنومی مؤثر بر صفات اقتصادی دام و بهبود برنامههای اصلاحنژاد ژنومی هستند. با وجود این، این روش محدودیتهایی دارد چرا که هر نشانگر به تنهایی آزمون میشود و آستانههای آماری سختگیرانه باعث میشوند که بسیاری از واریانتهای علّی، به ویژه در صفات چند ژنی، شناسایی نشوند. در تراشههای با تراکم بالای SNP نیز ممکن است اثر یک ژن میان چندین نشانگر توزیع شود و هیچکدام به آستانه معنیداری نرسند. همچنین، پیوستگی ژنتیکی وسیع در دامها، تعیین دقیق جهشهای سببی را دشوارتر میکند. افزون بر این، GWAS تعامل واقعی ژنها در مسیرهای زیستی و شبکههای عملکردی را نادیده میگیرد و به دلیل ماهیت دو آللیSNPها، قادر به نمایش کامل اثر QTLهای چندآللی نیست. برای رفع این محدودیتها، پیشنهاد شده است که تحلیلها از سطح SNP فراتر روند و به سطح ژن یا مجموعه ژنی گسترش یابند. در این روش، ژنهایی که حامل SNPهای معنادار هستند و در یک مسیر زیستی یا فرایند مشترک قرار دارند، از نظر غنای آماری بررسی میشوند. این رویکرد میتواند توان شناسایی واریانتهای علّی را افزایش دهد و درک عمیقتری را از پایه ژنتیکی صفات کمی فراهم سازد. بر همین اساس، مطالعه حاضر با استفاده از دادههای ژنومی منتشر شده، به تحلیل عملکردی ژنهای کاندید مؤثر بر رشد در یاک و تفسیر بیولوژیکی نتایج GWAS پرداخت تا راهکارهای کاربردیتری برای اصلاحنژاد این گونه ارائه شوند. هدف این پژوهش، شناسایی جایگاههای ژنومی مرتبط با رشد پس از از شیرگیری در یاکهای نژاد آشیدان با استفاده از مطالعه ارتباط کل ژنوم (GWAS) و بررسی مسیرهای عملکردی از طریق تحلیل غنای ژنی بود.
مواد و روشها: در این مطالعه، از دادههای منتشر شده مربوط به ۳۵۴ رأس یاک ماده آشیدان استفاده شد. ژنوتیپگیری با استفاده از تراشه Illumina BovineHD BeadChip شامل 777,962 نشانگر SNP انجام شد. کنترل کیفیت دادهها در نرمافزار PLINK صورت گرفت. به این صورت که نشانگرهایی با بیش از 0.05 از دست رفته، فراوانی آلل فرعی (MAF) کمتر از 0.05، یا انحراف معنیدار از تعادل هاردی-واینبرگ (<1e-6P) و افراد با بیش از 0.05 از دست رفته حذف شدند. برای برآورد ژنوتیپهای مفقود از الگوریتم LD-kNNi در نرمافزار TASSEL استفاده شد. ساختار جمعیت با تحلیل مؤلفههای اصلی در نرمافزار (PCA) TASSEL بررسی شد و پنج مؤلفه نخست به عنوان متغیر کمکی در مدل خطی مختلط لحاظ شدند. تحلیل GWAS با مدل خطی مختلط (MLM) در TASSEL v5.2 انجام شد که ماتریس خویشاوندی (K) و ساختار جمعیتی (Q) را در نظر میگرفت. به منظور شناسایی مسیرهای بیولوژیکی مرتبط با نرخ رشد در یاک، تجزیه و تحلیل هستیشناسی ژن (GO) نیز انجام شد. در این بخش، از تمام ژنهایی که در فاصله ±15kb از SNPهای دارای 0.05>P قرار داشتند استفاده شد. استخراج موقعیت ژنی اینSNPها نیز با مراجعه به نسخه ژنومی Bos taurus UMD3.1 انجام گرفت. فهرست ژنهای شناسایی شده به ابزار آنلاینg:Profiler منتقل شد و تحلیل غنیسازی در سه دسته هستیشناسی ژن شامل فرایندهای زیستی(BP)، عملکرد مولکولی (MF)، و جزء سلولی (CC) و نیز مسیرهایKEGG صورت گرفت. سطوح معنیداری مسیرها بر اساس 0.05>P تصحیح شده گزارش شدند.
یافتهها: با کنترل کیفیت دادههای ژنومی با استفاده از نرمافزار PLINK، یک نمونه به دلیل کیفیت پایین ژنوتایپ حذف گردید و در نهایت ۳۵۳ فرد باقی ماندند. از مجموع نشانگرها، ۲۵۴۰ SNP به دلیل درصد بالای دادههای گمشده، ۶۵۱۲۲ SNP به دلیل MAF پایین، و ۴ نشانگر به دلیل انحراف از تعادل هاردی-واینبرگ حذف شدند. در نهایت، ۳۲۵۷۳ نشانگر با کیفیت بالا برای تحلیلهای بعدی باقی ماندند. میانگین نرخ ژنوتایپ در افراد باقیمانده برابر با 6/99 درصد بود. برای صفت اول (نرخ رشد از ۶ تا ۱۲ ماهگی) هیچ ناحیه ژنومی در سطح معنیداری ژنومی (P<1.5×10⁻⁶) شناسایی نشد. در مقابل، برای صفت دوم (نرخ رشد از ۶ تا ۳۰ ماهگی)، تعداد 22 SNP معنیدار (P<1.5×10⁻⁶) روی کروموزوم ۱ شناسایی گردیدند. قویترین سیگنالها در بازه 1/8 تا 2/1 مگاباز ظاهر شدند. در این ناحیه، ژن C1H21orf62 به عنوان کاندید اصلی معرفی شد که دربرگیرنده چندین SNP معنیدار بود. علاوه بر این، در بخش پایین دست همین منطقه، ژنهایGCFC و SYNJ1 نیز شناسایی شدند. برای صفت سوم (نرخ رشد از ۱۲ تا ۳۰ ماهگی) نیز یک ناحیه بسیار معنیدار بر روی کروموزوم ۱ آشکار شد. تمامSNPهای معنیدار در این صفت در بازه مشابهی با صفت دوم قرار داشتند و همگی با ژن C1H21orf62 در ارتباط بودند. تحلیل عملکرد مولکولی نشان داد که ژنهای شناسایی شده در ارتباط با رشد یاک بهطور معنیداری در دستههای متعددی غنی شدند. مهمترین این دستهها در سطح عملکرد مولکولی شامل اتصال یونها (GO:0043167)، اتصال مولکولهای کوچک (GO:0036094)، فعالیت ناقل غشایی (GO:0022857)، فعالیت موتور سیتواسکلتی (GO:0003774)، و فعالیت هیدرولازی (GO:0016787) بودند. در سطح فرایندهای زیستی، ژنهای کاندید رشد در گروههای اصلی، از جمله چسبندگی سلولی (GO:0007155)، انتقال یونهای ساده (GO:0006811) و رشد و تکوین سیستم عصبی (GO:0007399) غنی بودند. در بخش جزء سلولی، ژنها بهطور برجستهای در پیوندگاههای سلولی (GO:0030054) پیرامون سلول (GO:0071944) و غشای پلاسمایی (GO:0005886) غنی شدند. بررسی مسیرهای زیستی در KEGG نشان داد که ژنهای شناسایی شده به طور عمده در مسیرهای پروتئینهای حرکتی (KEGG:04814) مشارکت داشتند.
نتیجهگیری: این مطالعهSNPها و نواحی ژنومی معناداری را در ارتباط با صفات رشد پس از ازشیرگیری در یاک آشیدان شناسایی کرد. در حالیکه رشد اولیه (۶ تا ۱۲ ماه) فاقد ارتباط ژنومی معنادار بود، بازههای طولانیتر (۶ تا۳۰ و ۱۲ تا۳۰ ماه) چندین جایگاه و مسیر زیستی کلیدی را آشکار ساختند. ترکیب ژنوتیپگیری با تراکم بالا، برآورد دادههای مفقود، مدلهای خطی مختلط و تحلیل غنای ژنی، تصویری جامع را از معماری ژنتیکی رشد در یاک فراهم کردند. این یافتهها پایه ارزشمندی برای مطالعات مولکولی آینده هستند و نشانگرهای عملی را برای برنامههای اصلاح نژادی و انتخاب در یاک ارائه میدهند.
فهرست منابع
1. Ben-Yair, R., & Kalcheim, C. (2005). Lineage analysis of the avian dermomyotome sheet reveals the existence of single cells with both dermal and muscle progenitor fates. Development, 132(4), 689-701. [DOI:10.1242/dev.01617]
2. Biressi, S., & Rando, T. A. (2010, October). Heterogeneity in the muscle satellite cell population. In Seminars in Cell & Developmental Biology, (Vol. 21, No. 8, pp. 845-854). Academic Press. [DOI:10.1016/j.semcdb.2010.09.003]
3. Bradbury, P. J., Zhang, Z., Kroon, D. E., Casstevens, T. M., Ramdoss, Y., & Buckler, E. S. (2007). TASSEL: software for association mapping of complex traits in diverse samples. Bioinformatics, 23(19), 2633-2635. [DOI:10.1093/bioinformatics/btm308]
4. Brandenberger, R., Wei, H., Zhang, S., Lei, S., Murage, J., Fisk, G. J., ... & Stanton, L. W. (2004). Transcriptome characterization elucidates signaling networks that control human ES cell growth and differentiation. Nature Biotechnology, 22(6), 707-716. [DOI:10.1038/nbt971]
5. Buckingham, M., & Relaix, F. (2007). The role of Pax genes in the development of tissues and organs: Pax3 and Pax7 regulate muscle progenitor cell functions. Annual Review of Cell and Developmental Biology, 23(1), 645-673. [DOI:10.1146/annurev.cellbio.23.090506.123438]
6. Chen, M., Cho, J., & Zhao, H. (2011). Incorporating biological pathways via a Markov random field model in genome-wide association studies. PLoS Genetics, 7(4), e1001353. [DOI:10.1371/journal.pgen.1001353]
7. Chimusa, E. R., Mbiyavanga, M., Mazandu, G. K., & Mulder, N. J. (2016). ancGWAS: a post genome-wide association study method for interaction, pathway and ancestry analysis in homogeneous and admixed populations. Bioinformatics, 32(4), 549-556. [DOI:10.1093/bioinformatics/btv619]
8. Dadousis, C., Pegolo, S., Rosa, G. J. M., Gianola, D., Bittante, G., & Cecchinato, A. (2017). Pathway-based genome-wide association analysis of milk coagulation properties, curd firmness, cheese yield, and curd nutrient recovery in dairy cattle. Journal of Dairy Science, 100(2), 1223-1231. [DOI:10.3168/jds.2016-11587]
9. Diao, Y., Guo, X., Li, Y., Sun, K., Lu, L., Jiang, L., ... & Wu, Z. (2012). Pax3/7BP is a Pax7-and Pax3-binding protein that regulates the proliferation of muscle precursor cells by an epigenetic mechanism. Cell Stem Cell, 11(2), 231-241. [DOI:10.1016/j.stem.2012.05.022]
10. Esmaeili-Fard, S. M., Gholizadeh, M., Hafezian, S. H., & Abdollahi-Arpanahi, R. (2021). Genes and pathways affecting sheep productivity traits: Genetic parameters, genome-wide association mapping, and pathway enrichment analysis. Frontiers in Genetics, 12, 710613. [DOI:10.3389/fgene.2021.710613]
11. Ge, F., Jia, C., Bao, P., Wu, X., Liang, C., & Yan, P. (2020). Accuracies of genomic prediction for growth traits at weaning and yearling ages in yak. Animals, 10(10), 1793. [DOI:10.3390/ani10101793]
12. Gill, R. A., Ahmar, S., Ali, B., Saleem, M. H., Khan, M. U., Zhou, W., & Liu, S. (2021). The role of membrane transporters in plant growth and development, and abiotic stress tolerance. International Journal of Molecular Sciences, 22(23), 12792. [DOI:10.3390/ijms222312792]
13. Gholizadeh, M., Rahimi Mianji, G., & Nejati Javaremi, A. (2015). Linkage disequilibrium estimation and haplotype based genome-wide association to detect QTLs affecting twinning rate in Baluchi sheep. Research on Animal Production, 5(10), 166-178. [In Persian]
14. Ha, N. T., Gross, J. J., van Dorland, A., Tetens, J., Thaller, G., Schlather, M., ... & Simianer, H. (2015). Gene-based mapping and pathway analysis of metabolic traits in dairy cows. PloS one, 10(3), e0122325. [DOI:10.1371/journal.pone.0122325]
15. Hayes, B. (2013). Overview of statistical methods for genome-wide association studies (GWAS). Genome-Wide Association Studies and Genomic Prediction, 149-169. [DOI:10.1007/978-1-62703-447-0_6]
16. Hu, Y. H., Warnatz, H. J., Vanhecke, D., Wagner, F., Fiebitz, A., Thamm, S., ... & Janitz, M. (2006). Cell array-based intracellular localization screening reveals novel functional features of human chromosome 21 proteins. BMC Genomics, 7(1), 155. [DOI:10.1186/1471-2164-7-155]
17. Jia, C., Li, C., Fu, D., Chu, M., Zan, L., Wang, H., ... & Yan, P. (2020). Identification of genetic loci associated with growth traits at weaning in yak through a genome‐wide association study. Animal Genetics, 51(2), 300-305. [DOI:10.1111/age.12897]
18. Jiang, H., Chai, Z. X., Cao, H. W., Zhang, C. F., Zhu, Y., Zhang, Q., & Xin, J. W. (2022). Genome-wide identification of SNPs associated with body weight in yak. BMC Genomics, 23(1), 833. [DOI:10.1186/s12864-022-09077-4]
19. Liu, W. B., Liu, J., Liang, C. N., Guo, X., Bao, P. J., Chu, M., ... & Yan, P. (2014). Associations of single nucleotide polymorphisms in candidate genes with the polled trait in D atong domestic yaks. Animal Genetics, 45(1), 138-141. [DOI:10.1111/age.12081]
20. Mackay, T. F., Stone, E. A., & Ayroles, J. F. (2009). The genetics of quantitative traits: challenges and prospects. Nature Reviews Genetics, 10(8), 565-577. [DOI:10.1038/nrg2612]
21. Mani, M., Lee, S. Y., Lucast, L., Cremona, O., Di Paolo, G., De Camilli, P., & Ryan, T. A. (2007). The dual phosphatase activity of synaptojanin1 is required for both efficient synaptic vesicle endocytosis and reavailability at nerve terminals. Neuron, 56(6), 1004-1018. [DOI:10.1016/j.neuron.2007.10.032]
22. Neibergs, H. L., Mutch, J. L., Neupane, M., Seabury, C. M., Taylor, J. F., Garrick, D. J., ... & Johnson, K. A. (2016). Gene set enrichment analysis for feed efficiency in beef cattle.
23. McNerney, M. P., & Styczynski, M. P. (2018). Small molecule signaling, regulation, and potential applications in cellular therapeutics. Wiley Interdisciplinary Reviews: Systems Biology and Medicine, 10(2), e1405. [DOI:10.1002/wsbm.1405]
24. Pasandideh, M., Rahimi-Mianji, G., & Gholizadeh, M. (2018). A genome scan for quantitative trait loci affecting average daily gain and Kleiber ratio in Baluchi Sheep. Journal of Genetics, 97(2), 493-503. [DOI:10.1007/s12041-018-0941-9]
25. Peng, G., Luo, L., Siu, H., Zhu, Y., Hu, P., Hong, S., ... & Xiong, M. (2010). Gene and pathway-based second-wave analysis of genome-wide association studies. European Journal of Human Genetics, 18(1), 111-117. [DOI:10.1038/ejhg.2009.115]
26. Purcell, S., Neale, B., Todd-Brown, K., Thomas, L., Ferreira, M. A., Bender, D., ... & Sham, P. C. (2007). PLINK: a tool set for whole-genome association and population-based linkage analyses. The American Journal of Human Genetics, 81(3), 559-575. [DOI:10.1086/519795]
27. Puri, P. L., & Sartorelli, V. (2000). Regulation of muscle regulatory factors by DNA‐binding, interacting proteins, and post‐transcriptional modifications. Journal of Cellular Physiology, 185(2), 155-173.
https://doi.org/10.1002/1097-4652(200011)185:2<155::AID-JCP1>3.0.CO;2-Z [DOI:10.1002/1097-4652(200011)185:23.0.CO;2-Z]
28. Raudvere, U., Kolberg, L., Kuzmin, I., Arak, T., Adler, P., Peterson, H., & Vilo, J. (2019). g: Profiler: a web server for functional enrichment analysis and conversions of gene lists (2019 update). Nucleic Acids Research, 47(W1), W191-W198. [DOI:10.1093/nar/gkz369]
29. Sakisaka, T., Itoh, T., Miura, K., & Takenawa, T. (1997). Phosphatidylinositol 4, 5-bisphosphate phosphatase regulates the rearrangement of actin filaments. Molecular and Cellular Biology, 17(7), 3841-3849. [DOI:10.1128/MCB.17.7.3841]
30. Turner, S. D. (2014). qqman: an R package for visualizing GWAS results using QQ and manhattan plots. Biorxiv, 005165. [DOI:10.1101/005165]
31. Wang, L., Jia, P., Wolfinger, R. D., Chen, X., & Zhao, Z. (2011). Gene set analysis of genome-wide association studies: methodological issues and perspectives. Genomics, 98(1), 1-8. [DOI:10.1016/j.ygeno.2011.04.006]
32. Wang, J., Liu, Y., & Tian, B. (2024). Protein-small molecule binding site prediction based on a pre-trained protein language model with contrastive learning. Journal of Cheminformatics, 16(1), 125. [DOI:10.1186/s13321-024-00920-2]
33. Yin, L., Zhang, H., Tang, Z., Xu, J., Yin, D., Zhang, Z., ... & Liu, X. (2021). rMVP: a memory-efficient, visualization-enhanced, and parallel-accelerated tool for genome-wide association study. Genomics, Proteomics & Bioinformatics, 19(4), 619-628. [DOI:10.1016/j.gpb.2020.10.007]
34. Zhang, Y., Zhang, Y., Sun, K., Meng, Z., & Chen, L. (2019). The SLC transporter in nutrient and metabolic sensing, regulation, and drug development. Journal of Molecular Cell Biology, 11(1), 1-13. [DOI:10.1093/jmcb/mjy052]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
