Research on Animal Production

fa بررسی ترانسکریپتوم بافت تخمدان برای شناسایی ژن ‎های هاب و خوشه ‎های ژنی درگیر در سرطان تخمدان گاو های هلشتاین Transcriptome study of ovarian tissue to identify hub genes and gene clusters involved in ovarian cancer in Holstein cows ژنتیک و اصلاح نژاد دام ژنتیک و اصلاح نژاد دام پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: اگرچه دلایل وقوع سرطان تخمدان، ژنتیک آن و دارو های موثر بر آن در انسان مکرراً مورد بررسی قرار گرفته &lrm;اند، با این وجود در دام&lrm; های مزرعه &lrm;ای به&lrm;خصوص گاو های شیری کمتر بررسی شده &lrm;اند، اطلاعات اندکی در مورد آن در دسترس است و فقط مواردی از وقوع آن در گاو های هلشتاین گزارش شده است. با توجه به این که سرطان تخمدان و پاسخ &lrm;های ایمنی بدن به این بیماری زمینه ژنتیکی دارند، قابل انتظار است که بیان برخی از ژن&lrm; ها در شرایط وقوع سرطان تخمدان دست&lrm;خوش تغییر شود. در ضمن، تعامل ژن&lrm; های درگیر در سرطان تخمدان در قالب شبکه و خوشه های ژنی نیز قابل انتظار است. علی &lrm;رغم این که سرطان تخمدان می &lrm;تواند از طریق ایجاد مرگ و میر و نا باروری عملکرد سیستم تولیدی را تحت تاثیر قرار دهد، در گاو های شیری تاکنون مطالعات ژنتیکی چندانی در مورد آن انجام نشده است. لذا، این تحقیق برای بررسی شبکه ژنی و خوشه های ژنی و ژن&lrm;های هاب درگیر در سرطان تخمدان با استفاده از اطلاعات ریز آرایه انجام شد. مواد و روش &lrm;ها: داده&lrm; های بیان ژن مربوط به سلول &lrm;های استرومای سالم و سرطانی تخمدان با شماره دسترسی GSE225981 از سایت NCBI و از پایگاه GEO Expression Omnibus استخراج گردیدند. داده&lrm; های مربوطه در دو گروه طبقه &lrm;بندی شده بودند. گروه اول حیوانات مبتلا به سرطان تخمدان و گروه دوم حیوانات سالم (گروه کنترل). لیست ژن &lrm;های معنی&lrm;دار بر اساس آماره&lrm;های P-value و LogFC تهیه شد و به نرم&lrm; افزار آنلاین DAVID معرفی گردید و با استفاده از آن، آنالیز غنی&lrm; سازی ژن، هستی &lrm;شناسی ژن و تجزیه و تحلیل مسیرهایی که ژن ها در آن دخیل بودند انجام شد. همچنین، لیست ژن&lrm;ها در نرم&lrm;افزار Cytoscape قرار داده شد تا به کمک الگوریتم&lrm; های آن جهت آنالیز شبکه استفاده شود و شبکه برهم&lrm; کنش پروتئینی و خوشه &lrm;های ژنی با استفاده از برنامه STRING رسم گردید. در ادامه، خوشه &lrm;های ژنی (نواحی بسیار متراکم از ژن&lrm; های همبسته در شبکه اصلی) نیز با استفاده از افزونه ClusterONE مشخص شدند. برای شناسایی ژن&lrm; های کلیدی در شبکه، از سه روش استفاده شد: درجه مرکزیت، مرکزیت بینابینی، و مرکزیت نزدیکی. این معیار های توپولوژی شبکه با استفاده از افزونه CytoNCA محاسبه شدند و سپس با استفاده از افزونه Cytohubba، ده ژن کلیدی در شبکه (ژن &lrm;های هاب) به&lrm;صورت یک شبکه مشخص و رسم گردید. یافته &lrm;ها: در مجموع، 512 ژن با بیان متفاوت معنی&lrm; دار بین سلول&lrm; های سالم و سرطانی مشخص شدند و شبکه ابتدایی را تشکیل دادند. در ساختار این شبکه، پنج خوشه ژنی معنی &lrm;دار که نواحی متراکم داخل شبکه ژنی هستند مشخص شد. برای اکثر خوشه&lrm; ها، مسیر های مرتبط با وقوع سرطان مشاهده شد. برای مثال، ژن&lrm; های خوشه یک با فرایند های تقسیم سلولی و چرخه سلولی، خوشه 2 با حرکت سلول&lrm;ها و متاستاز سرطان، خوشه 3  با مقاومت دارویی و تحریک بروز سرطان، خوشه 4 با فرایند های اکسیداسیون درون سلول و خوشه 5 با سنتز و ترشح کورتیزول و متابولیسم پورین&lrm; ها (آدنین و گوانین) در ارتباط بودند. از نظر معیار های اهمیت شامل درجه مرکزیت، درجه بینابینی و درجه نزدیکی، ده ژن EGFR، CD44، FGF2، ESR1، PTGS2، CCNA2، CDH2، BDNF، FGF10 و KLF4 به &lrm;عنوان ژن&lrm; های هاب شناسایی شدند. این ژن ها در فرایند هایی مانند تکثیر سلول، مرگ سلول، بروز التهاب، رشد تومور، متاستاز سرطان، مقاومت به شیمی درمانی، سرکوب رشد تومور و بروز انواع مختلف سرطان نقش داشتند. نتیجه‌ گیری: نتایج این تحقیق  نشان می&lrm; دهند که ژن&lrm; های درگیر در سرطان تخمدان نه تنها به &lrm;صورت انفرادی بلکه در تعامل با یکدیگر و در قالب شبکه و خوشه &lrm;های ژنی هستند. بیان برخی ژن&lrm;ها در سلول&lrm; های سرطانی نسبت به سلول &lrm;های سالم افزایش و بیان برخی دیگر کاهش یافته بود. به&lrm;طور کلی، این تحقیق با مشخص نمودن ژن &lrm;های بیان شده در مواجهه با سرطان تخمدان، می&lrm;تواند به درک بهتر از زمینه ژنتیکی سرطان تخمدان کمک کند. ژن&lrm; های هاب EGFR، CD44، FGF2، ESR1، PTGS2، CCNA2، CDH2، BDNF، FGF10 و KLF4 مشخص شده در تحقیق حاضر را می&lrm;توان جهت مشخص نمودن دارو های موثر بر بیماری با استفاده از ابزار آنلاین مربوطه مورد استفاده قرار داد.</div> <div style="text-align: justify;">Extended Abstract Background: Although the causes of ovarian cancer, its genetics, and drugs that affect it have been frequently studied in humans, it has been less studied in farm animals, especially dairy cows. Moreover, little information is available about this disease, and only some cases have been reported in Holstein cows. Given that ovarian cancer and the body's immune responses to this disease have a genetic background, it is expected that the expression of some genes will change in ovarian cancer conditions. In addition, the interaction of genes involved in ovarian cancer in the form of networks and gene clusters is also expected. Despite the fact that the occurrence of ovarian cancer can affect the performance of the production system by causing mortality and infertility, few genetic studies have been conducted on ovarian cancer in dairy cows. Therefore, this study was conducted to investigate the gene network, gene clusters, and hub genes involved in ovarian cancer using microarray data. Methods: Gene expression data related to healthy and cancerous ovarian stromal cells, with accession number GSE225981, were extracted from the NCBI website and the GEO Expression Omnibus database. The relevant data were classified into two groups. The first group was animals with ovarian cancer, and the second group was healthy animals (control treatment). A list of significant genes was prepared based on the P-value and LogFC statistics and introduced into the online DAVID software. Further studies were gene enrichment analysis, gene ontology, and analysis of the pathways in which the genes were involved. The gene list was also introduced to the Cytoscape software to be used for network analysis with its algorithms. The protein interaction network and gene clusters were drawn using the STRING resource. Next, gene clusters (highly dense areas of correlated genes in the main network) were identified using the ClusterONE plugin. Three methods were used to identify key genes in the network: degree of centrality, betweenness centrality, and closeness centrality. These network topology measures were calculated using the CytoNCA plugin. In addition, ten central genes in the network (hub genes) were identified and drawn as a network using the Cytohubba plugin. Results: A total of 512 genes with significant differential expression between healthy and cancer cells were identified and formed the initial network. Five significant gene clusters, which were dense areas within the gene network, were identified in the structure of this network. Pathways related to cancer occurrence were observed for most of the clusters. For example, genes in cluster 1 were associated with cell division and cell cycle processes, cluster 2 with cell movement and cancer metastasis, cluster 3 with drug resistance and cancer induction, cluster 4 with intracellular oxidation processes, and cluster 5 with cortisol synthesis and secretion and purine metabolism. In terms of importance criteria, including degree of centrality, betweenness centrality, and closeness centrality, ten genes, EGFR, CD44, FGF2, ESR1, PTGS2, CCNA2, CDH2, BDNF, FGF10, and KLF4, were identified as the hub genes. These genes played a role in processes such as cell proliferation, cell death, inflammation, tumor growth, cancer metastasis, chemotherapy resistance, tumor growth suppression, and the occurrence of various types of cancer. Conclusion: The results of this study show that the genes involved in ovarian cancer not only act individually but also interact with each other in the form of networks and gene clusters. The expression of some genes increased in cancer cells compared to healthy cells, while decreased expression was observed in others. Overall, by identifying genes expressed in ovarian cancer, this study can help better understand the genetic background of ovarian cancer. The EGFR, CD44, FGF2, ESR1, PTGS2, CCNA2, CDH2, BDNF, FGF10, and KLF4 genes identified in the present study can be used to identify drugs effective against the disease using the relevant online tool.  </div> سرطان تخمدان, ژن, خوشه ژنی, ریزآرایه Ovarian cancer, Gene, Gene cluster, Microarray 33 44 http://rap.sanru.ac.ir/browse.php?a_code=A-10-557-8&slc_lang=fa&sid=1 Mostafa Ghaedrahmati مصطفی قائد رحمتی mostafarahmati55@gmail.com 100319475328460026219 100319475328460026219 No Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران Farhad Ghafouri-Kesbi فرهاد غفوری کسبی farhad_ghy@yahoo.com 100319475328460026220 100319475328460026220 Yes Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران Ahmad Ahmadi احمد احمدی ahahmady@gmail.com 100319475328460026221 100319475328460026221 No Department of Animal Science, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران