دوره 13، شماره 36 - ( تابستان 1401 )
جلد 13 شماره 36 صفحات 162-154 |
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:
Seyedsharifi R, Khalkhali-Evrigh R, Hedayat N. (2022). Comparative Study of Transcriptome Profile and Immune-related Genes Network Associated with Intestinal Epithelial Tissue based on Microarray Data in Poultry with Coccidiosis. rap. 13(36), 154-162. doi:10.52547/rap.13.36.154
URL: http://rap.sanru.ac.ir/article-1-1248-fa.html
URL: http://rap.sanru.ac.ir/article-1-1248-fa.html
سیدشریفی رضا، خلخالی ایوریق رضا، هدایت نعمت. مطالعه مقایسه‌ای پروفایل ترانسکریپتوم و شبکه ژن‌های اختصاصی عملکرد سیستم ایمنی مرتبط با بافت اپتلیال روده مبتنی بر داده‌های ریزآرایه‌ای در طیور مبتلا به بیماری کوکسیدیوز پژوهشهاي توليدات دامي 1401; 13 (36) :162-154 10.52547/rap.13.36.154
گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
چکیده: (1344 مشاهده)
چکیده مبسوط
مقدمه و هدف: بیماری کوکسیدیوز که توسط انگل‌های ایمریایی بروز می‌کند، یکی از پر هزینه‌ترین بیماری‌های صنعت طیور به شمار می‌رود. در این راستا، شناخت نحوه پاسخ سیستم ایمنی بدن به کوکسیدیوز، می‌تواند در طراحی روشهای مولکولی پیشگیرانه و درمانی در مقابل آن، کمک‌کننده باشد. هدف پژوهش حاضر، شناسایی ژن‌های مهم دخیل در پاسخ سیستم ایمنی طیور مرتبط با آلودگی انگل‌های ایمریا با استفاده از داده‌های ریزآرایه‌ای موجود در پایگاه‌های داده با دسترسی آزاد می‌باشد.
مواد و روش‌ها: در مطالعه حاضر، پس از جستجوی پایگاه اطلاعاتی GEO، دو مجموعه داده ریزآریه‌ای مرتبط با کوکسیدیوز در طیور انتخاب شد. پس از اعمال کنترل کیفی و حذف داده‌های نامناسب، با استفاده از بسته نرم‌افزاری LIMMA در برنامه R به شناسایی ژن‌های با بیان بالا و پایین معنادار در پاسخ به آلودگی با ایمریاها پرداخته شد. همچنین، آنالیز ژن آنتولوژی و مسیرهای KEGG با استفاده از برنامه DAVID اجرا شد. متعاقباً، شبکه ارتباط متقابل پروتئین-پروتئین مربوط به ژن‌های با تغییر سطح بیان معنادار شده، با استفاده از برنامه Cytoscape ترسیم شد.
یافته‌ها: نتایج به‌دست آمده در این پژوهش نشان دادند که اغلب ژن‌هایی که دچار افزایش بیان معنادار شده بودند، در دسته ژن‌های مرتبط با سیستم ایمنی ذاتی قرار داشتند. ژن‌های با کاهش بیان معنادار نیز در فرآیندهای متابولیکی دخیل بودند. با توجه به خروجی های این مطالعه، به نظر می‌رسد بیماری کوکسیدیوز احتمالاً، به دلیل آسیب به روده طیور، بیشترین اثر منفی خود را بر فرآیندهای متابولیکی از جمله متابولیسم چربی می‌گذارد. مدارک علمی موجود درباره افزایش بیان معنادار ژن‌های MMP1، MMP7 و MMP9 نشان داد که کاتابولیسم کلاژن در بیماری کوکسیدیوز یکی از موارد افزایش یافته می‌باشد که می‌تواند ناشی از آسیب به بافت روده باشد. به نظر می‌رسد تغییر سطح بیان ژن‌های موثر در متابولیسم برخی از مواد مغذی از جمله چربی‌ها، یکی از تأثیرات مهم بیماری کوکسیدیوز باشد.
نتیجه‌گیری: در نهایت، نتایج به‌دست آمده در مطالعه کنونی می‌تواند در درک بهتر نحوه پاسخ سیستم ایمنی طیور به بیماری کوکسیدیوز مفید باشد و این تغییرات مشاهده شده در الگوی بیان برخی از ژن‌ها می‌تواند به طراحی روشهای درمانی این بیماری کمک کند.
یافته‌ها: نتایج به‌دست آمده در این پژوهش نشان دادند که اغلب ژن‌هایی که دچار افزایش بیان معنادار شده بودند، در دسته ژن‌های مرتبط با سیستم ایمنی ذاتی قرار داشتند. ژن‌های با کاهش بیان معنادار نیز در فرآیندهای متابولیکی دخیل بودند. با توجه به خروجی های این مطالعه، به نظر می‌رسد بیماری کوکسیدیوز احتمالاً، به دلیل آسیب به روده طیور، بیشترین اثر منفی خود را بر فرآیندهای متابولیکی از جمله متابولیسم چربی می‌گذارد. مدارک علمی موجود درباره افزایش بیان معنادار ژن‌های MMP1، MMP7 و MMP9 نشان داد که کاتابولیسم کلاژن در بیماری کوکسیدیوز یکی از موارد افزایش یافته می‌باشد که می‌تواند ناشی از آسیب به بافت روده باشد. به نظر می‌رسد تغییر سطح بیان ژن‌های موثر در متابولیسم برخی از مواد مغذی از جمله چربی‌ها، یکی از تأثیرات مهم بیماری کوکسیدیوز باشد.
نتیجه‌گیری: در نهایت، نتایج به‌دست آمده در مطالعه کنونی می‌تواند در درک بهتر نحوه پاسخ سیستم ایمنی طیور به بیماری کوکسیدیوز مفید باشد و این تغییرات مشاهده شده در الگوی بیان برخی از ژن‌ها می‌تواند به طراحی روشهای درمانی این بیماری کمک کند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
ژنتیک و اصلاح نژاد طیور
دریافت: 1400/8/19 | ویرایش نهایی: 1401/7/11 | پذیرش: 1400/9/16 | انتشار: 1401/7/11
دریافت: 1400/8/19 | ویرایش نهایی: 1401/7/11 | پذیرش: 1400/9/16 | انتشار: 1401/7/11
فهرست منابع
1. Bindea, G., B. Mlecnik, H. Hackl, P. Charoentong, M. Tosolini, A. Kirilovsky, W.H. Fridman, F. Pagès, Z. Trajanoski and J. Galon. 2009. ClueGO: a Cytoscape plug-in to decipher functionally grouped gene ontology and pathway annotation networks. Bioinformatics, 25: 1091-1093. [DOI:10.1093/bioinformatics/btp101]
2. Blake, D.P. and F.M. Tomley. 2014. Securing poultry production from the ever-present Eimeria challenge. Trends in parasitology, 30: 12-19. [DOI:10.1016/j.pt.2013.10.003]
3. Boulton, K., M.J. Nolan, Z. Wu, V. Riggio, O. Matika, K. Harman, P.M. Hocking, N. Bumstead, P. Hesketh, A. Archer and S.C. Bishop. 2018. Dissecting the genomic architecture of resistance to Eimeria maxima parasitism in the chicken. Frontiers in genetics, 9: 528. [DOI:10.3389/fgene.2018.00528]
4. Bremner, A., S. Kim, K. Morris, M.J. Nolan, D. Borowska, Z. Wu, F. Tomley, D.P. Blake, R. Hawken, P. Kaiser and L. Vervelde. 2019. Kinetics of the immune response to Eimeria maxima in relatively resistant and susceptible chicken lines. BioRxiv, p.757567. [DOI:10.1101/757567]
5. Casterlow, S., H. Li, E.R. Gilbert, R.A. Dalloul, A.P. McElroy, D.A. Emmerson and E.A. Wong. 2011. An antimicrobial peptide is downregulated in the small intestine of Eimeria maxima-infected chickens. Poultry Science, 90: 1212-1219. [DOI:10.3382/ps.2010-01110]
6. Chen, Z., M. McGee, Q. Liu, M. Kong, Y. Deng and R.H. Scheuermann. 2009. A distribution-free convolution model for background correction of oligonucleotide microarray data. BMC genomics, 10: 1-13. [DOI:10.1186/1471-2164-10-S1-S19]
7. Chin, C.H., S.H. Chen, H.H. Wu, C.W. Ho, M.T. Ko and C.Y. Lin. 2014. cytoHubba: identifying hub objects and sub-networks from complex interactome. BMC Systems Biology, 8: 1-7. [DOI:10.1186/1752-0509-8-S4-S11]
8. Feng, M., T. Xie, Y. Li, N. Zhang, Q. Lu, Y. Zhou, M. Shi, J. Sun and X. Zhang. 2019. A balanced game: chicken macrophage response to ALV-J infection. Veterinary Research, 50: 1-14. [DOI:10.1186/s13567-019-0638-y]
9. Frantz, C., K.M. Stewart and V.M. Weaver. 2010. The extracellular matrix at a glance. Journal of Cell Science, 123: 4195-4200. [DOI:10.1242/jcs.023820]
10. Freitas, F.L.C., K.S. Almeida, R.Z. Machado and C.R. Machado. 2008. Lipid and glucose metabolism of broilers (Gallus gallus domesticus) experimentally infected with Eimeria acervulina Tyzzer, 1929 oocysts. Brazilian Journal of Poultry Science, 10: 157-162. [DOI:10.1590/S1516-635X2008000300004]
11. Freitas, F.L.D.C. 2014. Metabolic alterations in broiler chickens experimentally infected with sporulated oocysts of Eimeria maxima. Revista Brasileira de Parasitologia Veterinária, 23: 309-314. [DOI:10.1590/S1984-29612014057]
12. Gautier, L., L. Cope, B.M. Bolstad and R.A. Irizarry. 2004. Affy-analysis of Affymetrix GeneChip data at the probe level. Bioinformatics, 20: 307-315. [DOI:10.1093/bioinformatics/btg405]
13. Gray, L.R., S.C. Tompkins and E.B. Taylor. 2014. Regulation of pyruvate metabolism and human disease. Cellular and Molecular Life Sciences, 71: 2577-2604. [DOI:10.1007/s00018-013-1539-2]
14. Griffith, J.W., C.L. Sokol and A.D. Luster. 2014. Chemokines and chemokine receptors: positioning cells for host defense and immunity. Annual Review of Immunology, 32: 659-702. [DOI:10.1146/annurev-immunol-032713-120145]
15. Guo, A., J. Cai, W. Gong, H. Yan, X. Luo, G. Tian, S. Zhang, H. Zhang, G. Zhu and X. Cai. 2013. Transcriptome analysis in chicken cecal epithelia upon infection by Eimeria tenella in vivo. PLoS One, 8: e64236. [DOI:10.1371/journal.pone.0064236]
16. Hamzic, E., B. Bed'Hom, H. Juin, R. Hawken, M.S. Abrahamsen, J.M. Elsen, B. Servin, M.H. Pinard-van der Laan and O. Demeure. 2015. Large-scale investigation of the parameters in response to Eimeria maxima challenge in broilers. Journal of Animal Science, 93: 1830-1840. [DOI:10.2527/jas.2014-8592]
17. Hamzić, E., B. Buitenhuis, F. Hérault, R. Hawken, M.S. Abrahamsen, B. Servin, J.M. Elsen, M.H. Pinard-van der Laan and B. Bed'Hom. 2015. Genome-wide association study and biological pathway analysis of the Eimeria maxima response in broilers. Genetics Selection Evolution, 47: 1-17. [DOI:10.1186/s12711-015-0170-0]
18. Huang, G., S. Zhang, C. Zhou, X. Tang, C. Li, C. Wang, X. Tang, J. Suo, Y. Jia, S. El-Ashram and Z. Yu. 2018. Influence of Eimeria falciformis infection on gut microbiota and metabolic pathways in mice. Infection and Immunity, 86: e00073-18. [DOI:10.1128/IAI.00073-18]
19. Huang, K., A. Herrero-Fresno, I. Thøfner, S. Skov and J.E. Olsen. 2019. Interaction differences of the avian host-specific Salmonella enterica serovar gallinarum, the host-generalist S. Typhimurium, and the cattle host-adapted S. Dublin with chicken primary macrophage. Infection and Immunity, 87: e00552-19. [DOI:10.1128/IAI.00552-19]
20. Kalenik, B.M., A. Góra-Sochacka, A. Stachyra, M. Olszewska-Tomczyk, A. Fogtman, R. Sawicka, K. Śmietanka and A. Sirko. 2020. Response to a DNA vaccine against the H5N1 virus depending on the chicken line and number of doses. Virology Journal, 17: 1-10 [DOI:10.1186/s12985-020-01335-9]
21. Kauffmann, A., R. Gentleman and W. Huber. 2009. arrayQualityMetrics-a bioconductor package for quality assessment of microarray data. Bioinformatics, 25: 415-416. [DOI:10.1093/bioinformatics/btn647]
22. Khatlab, A.D.S., A.P. Del Vesco, A. Rodrigues Oliveira Neto, F.L.A. Almeida and E. Gasparino. 2019. Dietary supplementation with free methionine or methionine dipeptide improves environment intestinal of broilers challenged with Eimeria spp. Journal of Animal Science, 97: 4746-4760. [DOI:10.1093/jas/skz339]
23. Lazar, C., S. Meganck, J. Taminau, D. Steenhoff, A. Coletta, C. Molter, D.Y. Weiss-Solís, R. Duque, H. Bersini and A. Nowé. 2013. Batch effect removal methods for microarray gene expression data integration: a survey. Briefings in Bioinformatics, 14: 469-490. [DOI:10.1093/bib/bbs037]
24. Li, Z., M. Martin, J. Zhang, H.Y. Huang, L. Bai, J. Zhang, J. Kang, M. He, J. Li, M.R. Maurya and S. Gupta. 2017. KLF4 regulation of Ch25h and LXR mitigates atherosclerosis susceptibility. Circulation, 136: 1315. [DOI:10.1161/CIRCULATIONAHA.117.027462]
25. Liu, Y., Y. Cheng, W. Shan, J. Ma, H. Wang, J. Sun and Y. Yan. 2018. Chicken interferon regulatory factor 1 (IRF1) involved in antiviral innate immunity via regulating IFN-β production. Developmental & Comparative Immunology, 88: 77-82. [DOI:10.1016/j.dci.2018.07.003]
26. Macdonald, S.E., M.J. Nolan, K. Harman, K. Boulton, D.A. Hume, F. M. Tomley, R.A. Stabler and D.P. Blake. 2017. Effects of Eimeria tenella infection on chicken caecal microbiome diversity, exploring variation associated with severity of pathology. PLoS One, 12: p.e0184890. [DOI:10.1371/journal.pone.0184890]
27. Manicone, A.M. and J.K. McGuire. 2008. February. Matrix metalloproteinases as modulators of inflammation. Seminars in Cell & Developmental Biology, 19: 34-41. [DOI:10.1016/j.semcdb.2007.07.003]
28. Ovington, K.S. and N.C. Smith. 1992. Cytokines, free radicals and resistance to Eimeria. Parasitology Today, 8: 422-426. [DOI:10.1016/0169-4758(92)90196-9]
29. Ritchie, M.E., B. Phipson, D.I. Wu, Y. Hu, C.W. Law, W. Shi and G.K. Smyth. 2015. Limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic acids Research, 43: e47-e47. [DOI:10.1093/nar/gkv007]
30. Schulenborg, T., O. Schmidt, A. Van Hall, H.E. Meyer, M. Hamacher and K. Marcus. 2006. Proteomics in neurodegeneration-disease driven approaches. Journal of neural transmission, 113: 1055-1073. [DOI:10.1007/s00702-006-0512-8]
31. Shannon, P., A. Markiel, O. Ozier, N.S. Baliga, J.T. Wang, D. Ramage, N. Amin, B. Schwikowski and T. Ideker. 2003. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Research, 13: 2498-2504. [DOI:10.1101/gr.1239303]
32. Sherman, B.T. and R.A. Lempicki. 2009. Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources. Nature Protocols, 4: 44. [DOI:10.1038/nprot.2008.211]
33. Shivaramaiah, C., J.R. Barta, X. Hernandez-Velasco, G. Téllez and B.M. Hargis. 2014. Coccidiosis: recent advancements in the immunobiology of Eimeria species, preventive measures, and the importance of vaccination as a control tool against these Apicomplexan parasites. Veterinary Medicine: Research and Reports, 5: 23. [DOI:10.2147/VMRR.S57839]
34. Sun, J., Z. Han, T. Qi, R. Zhao and S. Liu. 2017. Chicken galectin-1B inhibits Newcastle disease virus adsorption and replication through binding to hemagglutinin-neuraminidase (HN) glycoprotein. Journal of Biological Chemistry, 292: 20141-20161. [DOI:10.1074/jbc.M116.772897]
35. Walter, W., F. Sánchez-Cabo and M. Ricote. 2015. GOplot: An R package for visually combining expression data with functional analysis. Bioinformatics, 31: 2912-2914. [DOI:10.1093/bioinformatics/btv300]
36. Wickham, H. 2011. Ggplot2. Wiley Interdisciplinary Reviews: Computational Statistics, 3: 180-185. [DOI:10.1002/wics.147]
37. Xie, T., M. Feng, M. Dai, G. Mo, Z. Ruan, G. Wang, M. Shi and X. Zhang. 2019. Cholesterol-25-hydroxylase is a chicken ISG that restricts ALV-J infection by producing 25-hydroxycholesterol. Viruses, 11: 498. [DOI:10.3390/v11060498]
38. Zhang, B., Z. Lv, H. Li, S. Guo, D. Liu and Y. Guo. 2017. Dietary l-arginine inhibits intestinal Clostridium perfringens colonisation and attenuates intestinal mucosal injury in broiler chickens. British Journal of Nutrition, 118: 321-332. [DOI:10.1017/S0007114517002094]
39. Zhang, Z., D. Chen and D.A. Fenstermacher. 2007. Integrated analysis of independent gene expression microarray datasets improves the predictability of breast cancer outcome. BMC genomics, 8: 1-13. [DOI:10.1186/1471-2164-8-331]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
