دوره 17، شماره 1 - ( بهار 1405 )
جلد 17 شماره 1 صفحات 44-33 |
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:
Ghaedrahmati M, Ghafouri-Kesbi F, Ahmadi A. (2026). Transcriptome study of ovarian tissue to identify hub genes and gene clusters involved in ovarian cancer in Holstein cows. Res Anim Prod. 17(1), 33-44. doi:10.61882/rap.2026.1541
URL: http://rap.sanru.ac.ir/article-1-1541-fa.html
URL: http://rap.sanru.ac.ir/article-1-1541-fa.html
قائد رحمتی مصطفی، غفوری کسبی فرهاد، احمدی احمد.(1405). بررسی ترانسکریپتوم بافت تخمدان برای شناسایی ژن های هاب و خوشه های ژنی درگیر در
سرطان تخمدان گاو های هلشتاین پژوهشهاي توليدات دامي 17 (1) :44-33 10.61882/rap.2026.1541
1- گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
چکیده: (365 مشاهده)
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 اند، با این وجود در دام های مزرعه ای بهخصوص گاو های شیری کمتر بررسی شده 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 های ایمنی بدن به این بیماری زمینه ژنتیکی دارند، قابل انتظار است که بیان برخی از ژن ها در شرایط وقوع سرطان تخمدان دستخوش تغییر شود. در ضمن، تعامل ژن های درگیر در سرطان تخمدان در قالب شبکه و خوشه های ژنی نیز قابل انتظار است. علی رغم این که سرطان تخمدان می 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 ژنهای هاب درگیر در سرطان تخمدان با استفاده از اطلاعات ریز آرایه انجام شد.
مواد و روش ها: داده های بیان ژن مربوط به سلول های استرومای سالم و سرطانی تخمدان با شماره دسترسی GSE225981 از سایت NCBI و از پایگاه GEO Expression Omnibus استخراج گردیدند. داده های مربوطه در دو گروه طبقه بندی شده بودند. گروه اول حیوانات مبتلا به سرطان تخمدان و گروه دوم حیوانات سالم (گروه کنترل). لیست ژن های معنیدار بر اساس آمارههای P-value و LogFC تهیه شد و به نرم افزار آنلاین DAVID معرفی گردید و با استفاده از آن، آنالیز غنی سازی ژن، هستی شناسی ژن و تجزیه و تحلیل مسیرهایی که ژن ها در آن دخیل بودند انجام شد. همچنین، لیست ژنها در نرمافزار Cytoscape قرار داده شد تا به کمک الگوریتم های آن جهت آنالیز شبکه استفاده شود و شبکه برهم کنش پروتئینی و خوشه های ژنی با استفاده از برنامه STRING رسم گردید. در ادامه، خوشه های ژنی (نواحی بسیار متراکم از ژن های همبسته در شبکه اصلی) نیز با استفاده از افزونه ClusterONE مشخص شدند. برای شناسایی ژن 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 های هاب) بهصورت یک شبکه مشخص و رسم گردید.
یافته ها: در مجموع، 512 ژن با بیان متفاوت معنی دار بین سلول های سالم و سرطانی مشخص شدند و شبکه ابتدایی را تشکیل دادند. در ساختار این شبکه، پنج خوشه ژنی معنی دار که نواحی متراکم داخل شبکه ژنی هستند مشخص شد. برای اکثر خوشه ها، مسیر های مرتبط با وقوع سرطان مشاهده شد. برای مثال، ژن های خوشه یک با فرایند های تقسیم سلولی و چرخه سلولی، خوشه 2 با حرکت سلولها 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 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 عنوان ژن 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 دهند که ژن های درگیر در سرطان تخمدان نه تنها به صورت انفرادی بلکه در تعامل با یکدیگر و در قالب شبکه و خوشه های ژنی هستند. بیان برخی ژنها در سلول های سرطانی نسبت به سلول های سالم افزایش و بیان برخی دیگر کاهش یافته بود. بهطور کلی، این تحقیق با مشخص نمودن ژن های بیان شده در مواجهه با سرطان تخمدان، میتواند به درک بهتر از زمینه ژنتیکی سرطان تخمدان کمک کند. ژن های هاب EGFR، CD44، FGF2، ESR1، PTGS2، CCNA2، CDH2، BDNF، FGF10 و KLF4 مشخص شده در تحقیق حاضر را میتوان جهت مشخص نمودن دارو های موثر بر بیماری با استفاده از ابزار آنلاین مربوطه مورد استفاده قرار داد.
مقدمه و هدف: اگرچه دلایل وقوع سرطان تخمدان، ژنتیک آن و دارو های موثر بر آن در انسان مکرراً مورد بررسی قرار گرفته اند، با این وجود در دام های مزرعه ای بهخصوص گاو های شیری کمتر بررسی شده 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 های ایمنی بدن به این بیماری زمینه ژنتیکی دارند، قابل انتظار است که بیان برخی از ژن ها در شرایط وقوع سرطان تخمدان دستخوش تغییر شود. در ضمن، تعامل ژن های درگیر در سرطان تخمدان در قالب شبکه و خوشه های ژنی نیز قابل انتظار است. علی رغم این که سرطان تخمدان می 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 ژنهای هاب درگیر در سرطان تخمدان با استفاده از اطلاعات ریز آرایه انجام شد.
مواد و روش ها: داده های بیان ژن مربوط به سلول های استرومای سالم و سرطانی تخمدان با شماره دسترسی GSE225981 از سایت NCBI و از پایگاه GEO Expression Omnibus استخراج گردیدند. داده های مربوطه در دو گروه طبقه بندی شده بودند. گروه اول حیوانات مبتلا به سرطان تخمدان و گروه دوم حیوانات سالم (گروه کنترل). لیست ژن های معنیدار بر اساس آمارههای P-value و LogFC تهیه شد و به نرم افزار آنلاین DAVID معرفی گردید و با استفاده از آن، آنالیز غنی سازی ژن، هستی شناسی ژن و تجزیه و تحلیل مسیرهایی که ژن ها در آن دخیل بودند انجام شد. همچنین، لیست ژنها در نرمافزار Cytoscape قرار داده شد تا به کمک الگوریتم های آن جهت آنالیز شبکه استفاده شود و شبکه برهم کنش پروتئینی و خوشه های ژنی با استفاده از برنامه STRING رسم گردید. در ادامه، خوشه های ژنی (نواحی بسیار متراکم از ژن های همبسته در شبکه اصلی) نیز با استفاده از افزونه ClusterONE مشخص شدند. برای شناسایی ژن 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 های هاب) بهصورت یک شبکه مشخص و رسم گردید.
یافته ها: در مجموع، 512 ژن با بیان متفاوت معنی دار بین سلول های سالم و سرطانی مشخص شدند و شبکه ابتدایی را تشکیل دادند. در ساختار این شبکه، پنج خوشه ژنی معنی دار که نواحی متراکم داخل شبکه ژنی هستند مشخص شد. برای اکثر خوشه ها، مسیر های مرتبط با وقوع سرطان مشاهده شد. برای مثال، ژن های خوشه یک با فرایند های تقسیم سلولی و چرخه سلولی، خوشه 2 با حرکت سلولها 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 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 عنوان ژن 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 دهند که ژن های درگیر در سرطان تخمدان نه تنها به صورت انفرادی بلکه در تعامل با یکدیگر و در قالب شبکه و خوشه های ژنی هستند. بیان برخی ژنها در سلول های سرطانی نسبت به سلول های سالم افزایش و بیان برخی دیگر کاهش یافته بود. بهطور کلی، این تحقیق با مشخص نمودن ژن های بیان شده در مواجهه با سرطان تخمدان، میتواند به درک بهتر از زمینه ژنتیکی سرطان تخمدان کمک کند. ژن های هاب EGFR، CD44، FGF2، ESR1، PTGS2، CCNA2، CDH2، BDNF، FGF10 و KLF4 مشخص شده در تحقیق حاضر را میتوان جهت مشخص نمودن دارو های موثر بر بیماری با استفاده از ابزار آنلاین مربوطه مورد استفاده قرار داد.
فهرست منابع
1. Akl, M. R., Nagpal, P., Ayoub, N. M., Tai, B., Prabhu, S. A., Capac, C. M., . . . & Suh, K. S. (2016). Molecular and clinical significance of fibroblast growth factor 2 (FGF2/bFGF) in malignancies of solid and hematological cancers for personalized therapies. Oncotarget, 7(28), 44735. [DOI:10.18632/oncotarget.8203]
2. Ardizzone, A., Bova, V., Casili, G., Repici, A., Lanza, M., Giuffrida, R., . . . & Esposito, E. (2023). Role of basic fibroblast growth factor in cancer: biological activity, targeted therapies, and prognostic value. Cells, 12(7),1002. [DOI:10.3390/cells12071002]
3. Behnam Sabayan, M., & Luc Bonneux, M. (2011). Dementia in Iran: how soon it becomes late! Archives of Iranian medicine, 14(4), 290.
4. Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal statistical society: series B (Methodological), 57(1), 289-300. [DOI:10.1111/j.2517-6161.1995.tb02031.x]
5. Brothwell, M., & Barnett, G. (2022). Cancer genetics and genomics-part 2. Clinical Oncology, 34(6), e262-e267. [DOI:10.1016/j.clon.2022.02.014]
6. Chin, C.-H., Chen, S.-H., Wu, H.-H., Ho, C.-W., Ko, M.-T., & Lin, C.-Y. (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]
7. Clayton, N. S., & Grose, R. P. (2018). Emerging roles of fibroblast growth factor 10 in cancer. Frontiers in Genetics, 9, 499. [DOI:10.3389/fgene.2018.00499]
8. Clough, E., Barrett, T., Wilhite, S. E., Ledoux, P., Evangelista, C., Kim, I. F., . . . & Sherman, P. M. (2024). NCBI GEO: archive for gene expression and epigenomics data sets: 23-year update. Nucleic Acids Research, 52(D1), D138-D144. [DOI:10.1093/nar/gkad965]
9. Colagar, A. H., Moshtaghian, A., & Zahedi, T. (2023). The Role of Cyclooxygenase-2 in Signaling Pathways Promoting Colorectal Cancer. Koomesh, 25(1), 16-23.
10. de Quadros, D. L., Ribeiro, V. A., Rezende, M. A., Mate, Y. A., Gomes, M. A., Secchi, K., & Kreutz, L. C. (2023). Oncogenic viral DNA related to human breast cancer found on cattle milk and meat. Comparative Immunology, Microbiology and Infectious Diseases, 101, 102053. [DOI:10.1016/j.cimid.2023.102053]
11. Dhaka, P., Singh, A., Bhardwaj, S. K., Sharma, S., & Mittal, P. K. (2023) .Importance of horns in dairy cattle. Ind. Farm., 10(5), 266-269.
12. Eskandarynasab, S., & Mohammadabadi, M. (2021). Transcriptome Analysis of Mammary Gland Tissue to Identify Major Genes Involved in the Milk Production. Research on Animal Production, 12(32), 160-166. [DOI:10.52547/rap.12.32.160]
13. Foster, K. W., Frost, A. R., McKie-Bell, P., Lin, C.-Y., Engler, J. A., Grizzle, W. E., & Ruppert, J. M. (2000). Increase of GKLF messenger RNA and protein expression during progression of breast cancer. Cancer Research, 60(22), 6488-6495.
14. Guvakova, M. A., Prabakaran, I., Wu, Z., Hoffman, D. I., Huang, Y., Tchou, J., & Zhang, P. J. (2020). CDH2/N-cadherin and early diagnosis of invasion in patients with ductal carcinoma in situ. Breast Cancer Research and Treatment, 183, 333-346. [DOI:10.1007/s10549-020-05797-x]
15. Habibi, P., Hosseinzadeh, S., Javanmard, A., & Rafat, A. (2024). The Identification and Classification of Some Candidate Genes Associated with Resistance to Infectious Nematodes in Sheep Using Microarray Data. Research on Animal Production, 15(2), 1-10. [DOI:10.61186/rap.15.2.1]
16. Hajalizadeh, Z., Dayani, O., Khezri, A., Tahmasbi, R., Mohammadabadi, M., Solodka, T., . . . & Babenko, O. (2021). Expression of calpastatin gene in Kermani sheep using real-time PCR.
17. Hasanzadeh, M., Homaee, F., Ahmadi, S., & Zargar, A. (2017). Evaluation of Risk Factors of Non Epithelial Ovarian Cancer. Alborz University Medical Journal, 6(4), 299-304. [DOI:10.29252/aums.6.4.299]
18. Hashemi Goradel, N., Najafi, M., Salehi, E., Farhood, B., & Mortezaee, K. (2019). Cyclooxygenase‐2 in cancer: a review. Journal of Cellular Physiology, 234(5), 5699-6683. [DOI:10.1002/jcp.27411]
19. He, Q., Qu, M., Xu, C., Wu, L., Xu, Y., Su, J., . . . & Cai, J. (2024). Smoking-induced CCNA2 expression promotes lung adenocarcinoma tumorigenesis by boosting AT2/AT2-like cell differentiation. Cancer Letters, 592, 216922. [DOI:10.1016/j.canlet.2024.216922]
20. Heidarpour, F., Mohammadabadi, M., Zaidul, I., Maherani, B., Saari, N., Hamid, A., . . . & Mozafari, M. (2011). Use of prebiotics in oral delivery of bioactive compounds: a nanotechnology perspective. Die Pharmazie-An International Journal of Pharmaceutical Sciences, 66(5), 319-324.
21. Huang, D. W., Sherman, B. T., Tan, Q., Kir, J., Liu, D., Bryant, D., . . . & Lane, H. C. (2007). DAVID Bioinformatics Resources: expanded annotation database and novel algorithms to better extract biology from large gene lists. Nucleic Acids Research, 35(suppl_2), W169-W175. [DOI:10.1093/nar/gkm415]
22. Jensen, L. J., Kuhn, M., Stark, M., Chaffron, S., Creevey, C., Muller, J., . . . & Simonovic, M. (2009). STRING 8-a global view on proteins and their functional interactions in 630 organisms. Nucleic Acids Research, 37(suppl_1), D412-D416. [DOI:10.1093/nar/gkn760]
23. Kang, M., Chong, K. Y., Hartwich, T. M., Bi, F., Witham, A. K., Patrick, D., . . . & Kelk, D. (2020). Ovarian BDNF promotes survival, migration, and attachment of tumor precursors originated from p53 mutant fallopian tube epithelial cells. Oncogenesis, 9(5), 55. [DOI:10.1038/s41389-020-0243-y]
24. Kibar, M., & Aytekin, İ. (2025). Strong associations between the FGF-2 gene and productivity traits of Holstein-Friesian dairy cattle. Gene, 940, 149027. [DOI:10.1016/j.gene.2024.149027]
25. Konishi, M., Kameyama, K.-i., & Yamamoto, T. (2021). Mutations in the tumor suppressor gene p53 in cattle are associated with enzootic bovine leukosis. Veterinary Microbiology, 263, 109269. [DOI:10.1016/j.vetmic.2021.109269]
26. Mimoune, N., Kaidi, R., Belarbi, A., Kaddour, R., & Azzouz, M. Y. (2017). Ovarian tumors in cattle. Human and Veterinary Medicine, 9(2), 41-44.
27. Mirzaii-Fini, F., Dowlati, M. A., Dehghani Ashkezari, M., & Kouchaki, E. (2018). Investigating the association of Val/Met polymorphism of the BDNF gene with the incidence of disease in patients with Alzheimer and comparison with healthy elderly people in Iran. Feyz Medical Sciences Journal, 22(6), 617-623.
28. Mohammadabadi, M. (2020). Expression of ESR1 gene in Raini Cashmere goat using Real Time PCR. Agricultural Biotechnology Journal, 12(1), 177-192.
29. Mohammadinejad, F., Mohammadabadi, M., Roudbari, Z., Siahkouhi, S. E., Babenko, O., Klopenko, N., . . . & Soumeh, E. A. (2024). Analysis of liver transcriptome data to identify the genes affecting lipid metabolism during the embryonic and hatching periods in ROSS breeder broilers. Journal of Livestock Science & Technologies (JLST), 12(2).
30. Nepusz, T., Yu, H., & Paccanaro, A. (2012). Detecting overlapping protein complexes in protein-protein interaction networks. Nature Methods, 9(5), 471-472. [DOI:10.1038/nmeth.1938]
31. Ohuchi, H., Hori, Y., Yamasaki, M., Harada, H., Sekine, K., Kato, S., & Itoh, N. (2000). FGF10 acts as a major ligand for FGF receptor 2 IIIb in mouse multi-organ development. Biochemical and Biophysical Research Communications, 277(3), 643-649. [DOI:10.1006/bbrc.2000.3721]
32. Olbromski, P. J., Pawlik, P., Bogacz, A., & Sajdak, S. (2022). Identification of new molecular biomarkers in ovarian cancer using the gene expression profile. Journal of Clinical Medicine, 11(13), 3888. [DOI:10.3390/jcm11133888]
33. Padma, V. V. (2015). An overview of targeted cancer therapy. BioMedicine, 5, 1-6. [DOI:10.7603/s40681-015-0019-4]
34. Rajmani, R., Mishra, M., Singh, P. K., Sahoo, A. P., Tiwari, A. K., Doley, J., & Kumar, G. R. (2012). Common neoplasms in animals-An overview. Journal of Animal Research, 2(2), 127-137.
35. Rashidi, S., Asadi, A., & Abdolmaleki, A. (2021). Cancer Stem Cells: A Narrative Review. Journal of Rafsanjan University of Medical Sciences, 20(2), 201-226. [DOI:10.52547/jrums.20.2.201]
36. Roberts, J., & Huang, C.-C. J. (2022). Chapter four-bovine models for human ovarian diseases. In: Prog. Mol. Biol. Transl. Sci, Academic Press.
37. Shannon, P., Markiel, A., Ozier, O., Baliga, N. S., Wang, J. T., Ramage, D., . . . & 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]
38. Shokri, S., Khezri, A., Mohammadabadi, M., & Kheyrodin, H. (2023). The expression of MYH7 gene in femur, humeral muscle and back muscle tissues of fattening lambs of the Kermani breed. Agricultural Biotechnology Journal, 15(2), 217-236.
39. Sigismund, S., Avanzato, D., & Lanzetti, L. (2018). Emerging functions of the EGFR in cancer. Molecular Oncology, 12(1), 3-20. [DOI:10.1002/1878-0261.12155]
40. Sun, Y., Wu, X., Ma, Y., Liu, D., Lu, X., Zhao, T., & Yang, Z. (2022). Molecular marker-assisted selection of ABCG2, CD44, SPP1 genes contribute to milk production traits of Chinese Holstein. Animals, 13(1), 89. [DOI:10.3390/ani13010089]
41. Tang, Y., Li, M., Wang, J., Pan, Y., & Wu, F.-X. (2015). CytoNCA: a cytoscape plugin for centrality analysis and evaluation of protein interaction networks. Biosystems, 127, 67-72. [DOI:10.1016/j.biosystems.2014.11.005]
42. Tomita, S., Abdalla, M. O. A., Fujiwara, S., Matsumori, H., Maehara, K., Ohkawa, Y., . . . & Nakao, M. (2015). A cluster of noncoding RNAs activates the ESR1 locus during breast cancer adaptation. Nature Communications, 6(1), 6966. [DOI:10.1038/ncomms7966]
43. Wu, G., Song, X., Liu, J., Li, S., Gao, W., Qiu, M., . . . & Chen, Y. (2020). Expression of CD44 and the survival in glioma: a meta-analysis. Bioscience Reports, 40(4), BSR20200520. [DOI:10.1042/BSR20200520]
44. Yin, J., Ren, W., Huang, X., Deng, J., Li, T., & Yin, Y. (2018). Potential mechanisms connecting purine metabolism and cancer therapy. Frontiers in Immunology, 9, 1697. [DOI:10.3389/fimmu.2018.01697]
45. Yori, J. L., Seachrist, D. D., Johnson, E., Lozada, K. L., Abdul-Karim, F. W., Chodosh, L. A., . . . & Keri, R. A. (2011). Krüppel-like factor 4 inhibits tumorigenic progression and metastasis in a mouse model of breast cancer. Neoplasia, 13(7), 601-IN605. [DOI:10.1593/neo.11260]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
