ინფორმაცია

არსებობს თუ არა სისტემური ბიოლოგიის მიდგომა, რათა შევადაროთ ცილების გზები ან ოჯახები ევოლუციური თვალსაზრისით ერთი და იგივე ორგანიზმისთვის?

არსებობს თუ არა სისტემური ბიოლოგიის მიდგომა, რათა შევადაროთ ცილების გზები ან ოჯახები ევოლუციური თვალსაზრისით ერთი და იგივე ორგანიზმისთვის?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

მაინტერესებს, არის თუ არა მეთოდი/ანალიზი ან მეთოდების ნაკრები ორი ჯგუფის გზების ან ცილების ოჯახის შესადარებლად.

მე კონკრეტულად მაინტერესებს სისტემური ბიოლოგიის მიდგომა, რომელიც ითვალისწინებს გზის ან ცილების ოჯახის ყველა კომპონენტს. მსურს ვიცოდე, არის თუ არა მეთოდი, რომელსაც შეუძლია არა მხოლოდ შეადაროს ცილების ოჯახის მსგავსება, ჰომოლოგია, განსხვავება და კონვერგენცია (როგორიცაა რიბოსომური ცილები) სახეობებს შორის, არამედ იმავე ორგანიზმის ჯგუფებს შორის.

მაგალითად, მე მსურს შევადარო ვეზიკულური ტრეფიკინგის გზების მოლეკულური კომპონენტები არავეზიკულური გზის მოლეკულურ კომპონენტებს იმავე ორგანიზმში saccharomyces cerevisiae (საფუარი).

მე დიდად ვაფასებ თქვენს წინადადებებს.


დარწმუნებული არ ვარ, რომ სრულად მესმის, ცოტა უფრო ადვილი იქნება, თუ აღწერთ პრობლემას, რომლის გადაჭრასაც ცდილობთ ან რა არის მოტივაცია.

თუმცა, ვფიქრობ, რომ ზოგიერთი, რისი გაკეთებაც გსურთ, შეიძლება შესრულდეს გენის/ცილის ხეების დასკვნით თითოეული საინტერესო გენისთვის/პროტეინისთვის სხვადასხვა სახეობებში (პარალოგების ჩათვლით, იქნებ?). ეს საშუალებას მოგცემთ დაინახოთ სხვადასხვა გენების/ცილების ევოლუციური სიჩქარის შეუსაბამობა ან კორელაცია სახეობებში.

ასეთი ანალიზი ჩაშენებულია HyPhy-ში, თუმცა მე არასოდეს გამომიყენებია. ასევე არსებობს ნაკლებად ჩართული მეთოდები ხეებს შორის მანძილის გასაზომად.

თქვენ ასევე შეიძლება დაგაინტერესოთ ცილების თანაევოლუციის მეთოდები, ეს დამოკიდებულია კითხვაზე.

სისტემური ბიოლოგიის მეთოდების თქვენი ხსენება იმაზე მეტყველებს, რომ თქვენ გაქვთ რაღაც განსხვავებული მხედველობაში, რადგან არცერთი ეს არ არის, რასაც მე ვთავაზობ, ნამდვილად არ არის სისტემური ბიოლოგიის IMO, მაგრამ დარწმუნებული არ ვარ, რა იქნება ეს. შესაძლოა გაინტერესებთ ინტეგრირება მაგ. ცილა-პროტეინის ურთიერთქმედება ან მეტაბოლური ქსელის ინფორმაცია ასევე, მაგრამ ეს, ალბათ, მოიცავდა უფრო საშინაო პროდუქტს, რომელიც შეიძლება აერთიანებს ამ ნივთებს.

იმედია ეს ეხმარება.


ამინომჟავის ბიოსინთეზური ღირებულების ევოლუციური სისტემების ბიოლოგია საფუარში

აფილაციები სიცოცხლის მეცნიერებათა ფაკულტეტი, მანჩესტერის უნივერსიტეტი, მანჩესტერი, გაერთიანებული სამეფო, ბიოლოგიური მეცნიერებების დეპარტამენტი, ჩრდილოეთ კენტუკის უნივერსიტეტი, ჰაილენდ ჰაითსი, კენტუკი, ამერიკის შეერთებული შტატები

ცხოვრების მეცნიერებათა ფაკულტეტი, მანჩესტერის უნივერსიტეტი, გაერთიანებული სამეფო

აფილაციები სიცოცხლის მეცნიერებათა ფაკულტეტი, მანჩესტერ, დიდი ბრიტანეთი, ბიოქიმიის დეპარტამენტი, კემბრიჯის უნივერსიტეტი, კემბრიჯი, გაერთიანებული სამეფო

კომპიუტერული მეცნიერების შვილობილი სკოლა, მანჩესტერის უნივერსიტეტი, მანჩესტერი, დიდი ბრიტანეთი

ცხოვრების მეცნიერებათა ფაკულტეტი, მანჩესტერის უნივერსიტეტი, გაერთიანებული სამეფო


ფონი

ევოლუციაზე პასუხისმგებელი მუტაციური და შერჩევითი ძალების დადგენას ყოვლისმომცველი გავლენა აქვს ბიოლოგიაში, მაგ. იმის გაგებაში, თუ რა ხდის სახეობებს უნიკალურს და როგორ რეაგირებენ ორგანიზმები ბიოტურ და აბიოტურ გამოწვევებზე. ამრიგად, ევოლუციის სიჩქარის და დნმ-ის ევოლუციის საფუძვლად არსებული ნუკლეოტიდის ჩანაცვლების ნიმუშების დადგენა მოლეკულური გენომიკის ფუნდამენტურ მიზნად იქცა [1, 2]. მოლეკულური ბიოლოგიის ცენტრალური დოგმის გასაღები, ცილის კოდირების თანმიმდევრობა (შემდგომში გენები) კლასიკურად განიხილება ევოლუციის მთავარ ერთეულად. ჩანაცვლებები სინონიმურ (ჩუმად) და არასინონიმურ (ჩანაცვლებით) უბნებზე ჩვეულებრივ განასხვავებენ გენებზე მოქმედ ნეიტრალურ (ან სულ მცირე სუსტ) და აქტიურ შერჩევით ძალებს შორის. ორთოლოგური გენების წყვილი შედარებისას, არასინონიმური მანძილის თანაფარდობა (ანუ ჩანაცვლების რაოდენობა არასინონიმურ ადგილზე dN) სინონიმურ მანძილზე (dS) იძლევა ზოგად, მაგრამ კონსერვატიულ მითითებას შერჩევის რეჟიმისა და სიძლიერის შესახებ [1, 2] . არასინონიმური ჩანაცვლების სიჭარბე (dN/dS > 1) ვარაუდობს ადაპტირებულ ან დივერსიფიკაციულ შერჩევას, ხოლო სინონიმური მუტაციების ჭარბი რაოდენობა (dN/dS < 1) მიუთითებს გაწმენდის შერჩევაზე და არ არის განსხვავება სინონიმურ და არასინონიმურ მუტაციების სიხშირეს შორის (dN). /dS = 1) აღებულია ნეიტრალიტეტის მტკიცებულებად [3].

ახლა არსებობს ფართომასშტაბიანი თანმიმდევრობის მონაცემთა ნაკრები, რაც საშუალებას იძლევა შედარდეს ათასობით გენი ცხოვრების ყველა სფეროში. აღმოჩნდა, რომ სინონიმური და არასინონიმური ჩანაცვლების მაჩვენებლები მნიშვნელოვნად განსხვავდება ტაქსონებში და მათ შორის [4-7]. სახეობებისა და გენების შეზღუდულ რაოდენობაზე დაფუძნებული ადრეული კვლევებიდან გენომიკისა და სისტემური ბიოლოგიის ეპოქამდე [8, 9], წარმოიშვა ურთიერთგამომრიცხავი ბიოლოგიური, ბიოქიმიური და დემოგრაფიული მექანიზმების რთული ნაზავი ამ ვარიაციების ასახსნელად. მიუხედავად იმისა, რომ სახეობებს შორის განსხვავებებს, როგორც ვარაუდობენ, გავლენას ახდენს ცილის სტრუქტურისა და ფუნქციის შერჩევაზე (განხილულია [10-14]), სახეობათაშორისი განსხვავებები გავლენას ახდენს (i) დნმ-ის აღდგენის მექანიზმის ეფექტურობაზე, (ii) სიცოცხლის ისტორიის მახასიათებლებზე (მაგ. გენერაცია). დრო), (iii) მეტაბოლური სიჩქარე, (iv) პოპულაციის ეფექტური ზომა (შემთხვევითი გენეტიკური დრიფტი), (v) გამწმენდი (ფონური) შერჩევა და (vi) რეპროდუქციული სტრატეგია. ზოგიერთი ფაქტორი (i - iii) გავლენას ახდენს მუტაციების გაჩენაზე, ზოგი კი (iv - vi) გავლენას ახდენს მათ ფიქსაციაზე თაობების განმავლობაში (განხილულია [9, 13, 14]).

მცენარეებს შორის შედარებითი ევოლუციური კვლევების ყურადღების უმეტესი ნაწილი ფოკუსირებულია აყვავებულ მცენარეებზე [4, 5, 14, 15] და ინტერესი ახლა იზრდება სხვა მცენარეთა ტაქსონების მიმართ, რადგან უფრო მეტი თანმიმდევრობის მონაცემები წარმოიქმნება. გიმნოსპერმები გამოყოფილია ანგიოსპერმებისგან

300 მილიონი წლის ევოლუცია [16]. მოსალოდნელია, რომ გიმნოსპერმებისა და ანგიოსპერმების მრავალი ბიოლოგიური მახასიათებელი მნიშვნელოვნად განსხვავდება, მათ შორის თესლის მორფოლოგია, სიცოცხლის ხანგრძლივობა, დივერსიფიკაციის სიჩქარე, დამტვერვის პროცესები, გარემო მოთხოვნები და რეაგირება გარემო სტრესებზე. თან

600 არსებული სახეობა, წიწვოვანი მცენარეები შეადგენენ ჯიმნოსპერმის ყველა სახეობის დაახლოებით ორ მესამედს და დომინანტური მცენარეებია ზომიერი და ბორეალური ეკოსისტემების უმეტესობაში. წიწვოვანებს აქვთ უზარმაზარი ეკოლოგიური და ეკონომიკური ღირებულება, როგორიცაა პრაქტიკული სატყეო ეკონომიკა, ტყის ეკოსისტემების უშუალო ეკოლოგიური ღირებულება და გრძელვადიან პერსპექტივაში, ნახშირბადის სეკვესტრის დიდი შესაძლებლობები. ბიოლოგიური განსხვავებები ანგიოსპერმებსა და წიწვოვანებს შორის და ხანგრძლივი წიწვოვანი სახეობების საჭიროება, რათა გაუმკლავდნენ ისეთ გამოწვევებს, როგორიცაა მწერების მავნებლები და გარემოს ცვლილებები, ხაზს უსვამს წიწვოვანი გენომის მოლეკულური და ფუნქციური ევოლუციის გაგების მნიშვნელობას.

წიწვოვანი მცენარეების გენეტიკური არქიტექტურა განიხილება მრავალფეროვან კვლევებში, ძირითადად ფიჭვზე (ფიჭვი [17]) და ნაძვი (პიცეა [18]). მიდგომები მოიცავს რაოდენობრივ ნიშან-თვისებათა ლოკუსების რუკს [19-21], კანდიდატის გენის მიდგომებს [22, 23], ასოციაციურ რუკს [24, 25], BAC თანმიმდევრობას [26, 27], ტრანსკრიპტომის ანალიზს [28, 29], გენების ოჯახების დახასიათებას [ 30] და პროტეომის ანალიზები [31] და მათი კომბინაციები [32]. თუმცა, წარსულის მცდელობებს აკლია ფართომასშტაბიანი შედარებითი შედარება, რომელიც იკვლევს როგორც ევოლუციურ მაჩვენებლებს, ასევე წიწვოვან გენებზე მოქმედ შერჩევით ძალებს.

ამ კვლევაში ჩვენ ვიყენებთ არსებული დიდი და მაღალი ხარისხის თანმიმდევრობის მონაცემებს ორ წიწვოვან სახეობაში, სიტკას ნაძვში (Picea sitchensis) და წიწვოვანი ფიჭვი (Pinus taeda), რომელიც შედგება კოლექციისგან კეთილსინდისიერი სრულმეტრაჟიანი cDNA თანმიმდევრობები (FL-cDNAs) [33, 34] და UniGenes, რომლებიც აგებულია რამდენიმე EST ბიბლიოთეკიდან, შესაბამისად. მთლიანი გენომის გენების კომპლექტებთან ერთად, რომლებიც ხელმისაწვდომია ორი ანგიოსპერმისთვის, Arabidopsis thaliana და Populus trichocarpa არსებობს მონაცემთა მდიდარი ნაკრები წიწვოვან სახეობებსა და წიწვოვან და ანგიოსპერმის სახეობებს შორის ევოლუციის ტემპებისა და ნიმუშების დასადგენად. ჩვენ ვპოულობთ მტკიცებულებებს წიწვოვანებში მნიშვნელოვნად შენელებული ევოლუციის ტემპების შესახებ. მკვეთრად საპირისპიროდ, ჩვენ ვპოულობთ მნიშვნელოვნად მაღალ dN/dS თანაფარდობას წიწვოვანებში, ანგიოსპერმებთან შედარებით, რაც მიუთითებს ალბათ უფრო მაღალ ადაპტაციაზე. ჩვენ ასევე ვიკვლევთ ამ შაბლონებს გენების ფუნქციურ კატეგორიებში.


მასალა და მეთოდები

ინსულტის ქსელის მარკერის მშენებლობის პროცესის მიმოხილვა

ჩვენ წარმატებით გამოვიყენეთ ჩვენი მეთოდები 4 სხვადასხვა კიბოს ძირითადი და სპეციფიკური ქსელური მარკერების მოსაძებნად და ქსელური მარკერების ევოლუცია შარდის ბუშტის კიბოს ადრეული და გვიანი სტადიებიდან [9, 10]. მსგავსი თეორიული ჩარჩო გამოიყენეს ამ კვლევაში ინსულტის ქსელური ბიომარკერების ევოლუციის დასადგენად 3 დროის მომენტში, რომელიც წარმოადგენს 3 მნიშვნელოვან ეტაპს ინსულტის დადგომის შემდეგ. ამ ნაშრომში თეორიული სისტემატური მეთოდი შემუშავებულია წინა კვლევის შედეგად. სურათი 1 გვიჩვენებს დიაგრამას ინსულტის ქსელის ბიომარკერების იდენტიფიცირებისთვის 3 დროის მომენტში. თეორიული ჩარჩოებიდან გამომდინარე, ჩვენ მიერ წარმატებით იქნა გამოყენებული კიბოს სხვადასხვა დაავადებებზე და გამოქვეყნებულია ბევრ ჟურნალში, ამიტომ მას დეტალურად არ ვიმეორებთ მთავარ ტექსტში. ჩვენ მხოლოდ გამოვყავით მისი მნიშვნელოვანი ძირითადი პუნქტები და დეტალური აღწერა დავამატეთ დამატებით ფაილში 1.

ქსელის მარკერის აგების სქემა 3 დროის წერტილში ინსულტის შემდგომ. ჩვენ გავაერთიანეთ მიკროსარეის მონაცემები, გენის ონტოლოგიის მონაცემთა ბაზა და ცილა-ცილის ურთიერთქმედების (PPI) ინფორმაცია PPI ქსელების (PPIN) ასაგებად. ეს მონაცემები გამოიყენებოდა დიფერენციალური ცილების აუზის შერჩევისთვის, შემდეგ კი შერჩეული პროტეინები და მათი შესაბამისი მიკრომასივების მონაცემები გამოყენებული იქნა PPIN-ის წვლილისთვის მაქსიმალური ალბათობის შეფასებით და მოდელის რიგის გამოვლენის მეთოდებით, რასაც მოჰყვა ინსულტი PPIN (SPPIN) და ნორმალური PPIN (NPPIN) ინსულტის 3 სტადიაში (3, 5 და 24 საათის შემდეგ ინსულტი). 2 აგებული PPIN გამოიყენებოდა ინსულტის კრიტიკული ცილების დასადგენად SPPIN და NPPIN მატრიცების სხვაობით. ამ ორი ქსელის დიფერენციალური მნიშვნელობის დახმარებით, ინსულტის შესაბამისობის მნიშვნელობა (SRV) გამოითვალა თითოეული ცილისთვის და ინსულტის აღდგენის პროცესში მნიშვნელოვანი ცილები განისაზღვრა. გვ SRV-ების მნიშვნელობები. ეს მნიშვნელოვანი კრიტიკული პროტეინები ზედა SRV-ებით იქნა მიღებული, როგორც ქსელის მარკერები ინსულტის 3 სტადიისთვის.

თავდაპირველად, ქსელის ასაშენებლად გაერთიანდა მონაცემთა ორი სახის წყარო, ეს არის გენის ექსპრესიის მიკროარეის მონაცემები და ცილა-ცილის ურთიერთქმედების მონაცემები. ჩვენ გამოვიყენეთ ისინი ინსულტის PPIN-ების (SPPINs, ინსულტის ცილა-პროტეინის ურთიერთქმედების ქსელები) და ნორმალური PPIN-ების (NPPINs) ასაგებად. ჩვენ გამოვთვალეთ ინსულტის შესაბამისობის მნიშვნელობა (SRV) თითოეული ცილისთვის ქსელში და ავირჩიეთ პროტეინები ყველაზე მნიშვნელოვანი SRV-ებით, როგორც ქსელის ბიომარკერები. დეტალურად გთხოვთ იხილეთ დამატებითი ფაილი 1.

მონაცემთა ნაკრების შერჩევა და წინასწარი დამუშავება

ინსულტის მიკროსარეის მონაცემთა ნაკრები GSE58294 [11] და მისი შესაბამისი პლატფორმა, GPL570, მიღებული იქნა NCBI GEO-დან [12]. ის შეიცავს გენის ექსპრესიის მონაცემებს კარდიოემბოლიური ინსულტის შემდეგ. მონაცემთა ნაკრები შეიცავდა 3 დროის წერტილს 23 ინსულტის მქონე პაციენტების ნიმუშებიდან და 23 საკონტროლო ნიმუშებიდან არადაავადებით (სულ 23*4 = 92 ნიმუში) (ცხრილი 1). ჩვენ ავაშენეთ 3 SPPIN ინსულტის შემდეგ 3, 5 და 24 საათის განმავლობაში ამ კვლევაში და NPPIN-ში. ჩვენ ვიღებთ PPI მონაცემებს ჰომო საპიენსი ონლაინ ურთიერთქმედების საცავიდან მონაცემებით, რომლებიც შედგენილია ყოვლისმომცველი კურირების ძალისხმევით, ურთიერთქმედების მონაცემთა ბაზის ბიოლოგიური ზოგადი საცავი (BioGRID). იგი გამოიყენებოდა ცრუ-დადებითი PPI-ების წასაშლელად PPIN-ების ჭრისთვის. ეს PPIN-ები 3, 5 და 24 საათის შემდეგ ინსულტის (3 SPPIN) და ნორმალური სტადიის (NPPIN) შემდეგ შეადარეს მათემატიკურად SRV-ების და შესაბამისი ქსელის მარკერების მისაღებად (ზედა SRV). დეტალურად იხილეთ დამატებითი ფაილი 1[13–15].

პროტეინის აუზის შერჩევა და PPIN-ების იდენტიფიკაცია ინსულტისა და ნორმალური ნიმუშებისთვის

ჩვენ ვაგროვებთ ამ ცილების ცილოვან აუზს დიფერენციალური გამონათქვამებით შესაბამისი SPPIN-ების და NPPIN-ების ასაგებად. ცალმხრივი დისპერსიული ანალიზი (ANOVA) გამოყენებული იყო დიფერენციალური ცილების სკრინინგისთვის. ჩვენ გამოვიყენეთ შემდეგი ცილის ასოციაციის მოდელი PPI ურთიერთობის აღსაწერად:

სადაც x მე() არის სამიზნე ცილა მე ვარ გამოხატვის დონე თითოეული ნიმუშისთვის (ინსულტი ან ნორმალური) x () არის - ცილის გამოხატვის დონე სამიზნე ცილასთან ურთიერთქმედებისას მე თითოეული ნიმუშისთვის α იჯ ნიშნავს ასოციაციის ურთიერთქმედების უნარს (კომბინაციის სიძლიერეს) შორის მე- სამიზნე ცილა და მისი შესაბამისი - ურთიერთქმედების ცილა მე არის ცილების რაოდენობა, რომლებიც ურთიერთქმედებენ მათთან მე- სამიზნე ცილა და ბოლოს ω მე() ნიშნავს სტოქასტურ ხმაურს, რომელიც გამოწვეულია ბიოლოგიურ სისტემებში სხვა ფაქტორებით ან ჩვენი მოდელის გაურკვევლობით.

მეორე საფეხური არის მაქსიმალური ალბათობის (ML) შეფასების მეთოდის გამოყენება [16], რათა განვსაზღვროთ ასოცირებული პარამეტრები (კომბინაციის სიძლიერე) (1) მიკრომასივის გამოხატვის მონაცემებით შემდეგნაირად (იხ. დამატებითი ფაილი 2):

სადაც α ^ i j განისაზღვრა მიკრო მასივის გამოხატვის მონაცემებისა და ML შეფასების მეთოდის გამოყენებით.

მოდელის რიგის შერჩევისთვის და α ^ i j-ში მნიშვნელოვანი ცილოვანი ურთიერთქმედების დასადგენად, საბოლოოდ ვიყენებთ აკაიკის ინფორმაციის კრიტერიუმს (AIC) [16] და სტუდენტის კრიტერიუმს. -ტესტი [17] მეთოდი (იხ. დამატებითი ფაილი 3). გთხოვთ, იხილოთ დეტალები დამატებით ფაილში 1.

ქსელის სტრუქტურების და მათი შესაბამისი მნიშვნელოვანი ცილების განსაზღვრა ინსულტის შემდეგ და ნორმალურ სტადიაზე 3, 5 და 24 საათის შემდეგ

ყალბი ცრუ-დადებითი PPI-ების მოხსნის შემდეგ, რჩება მხოლოდ მნიშვნელოვანი PPI-ები:

სადაც მე'≤ მე არის მნიშვნელოვანი PPI-ების რაოდენობა მთლიან PPIN-ში, თან მე- სამიზნე ცილა. დახვეწილი PPIN არის:

X (n) = x 1 (n) x 2 (n) ⋮ x M (n) , A = α ^ 11 … α ^ 1 M ⋮ ⋱ ⋮ α ^ M 1 ⋯ α ^ MM, და w (n) = w 1' (n) w 2' (n) ⋮ w M' (n)

ურთიერთქმედების მატრიცა დახვეწილი PPIN-ები განტოლებაში (4) 3, 5 და 24 საათის შემდეგ ინსულტის შემდეგ და ნორმალური უჯრედებისთვის აშენდა, შესაბამისად, შემდეგნაირად:

სადაც = 3, 5 და 24 სთ ინსულტის შემდეგ A S k და არის დახვეწილი PPIN-ების ურთიერთქმედების მატრიცები 3, 5 და 24 საათის შემდეგ ინსულტის შემდეგ, შესაბამისად და აღნიშნავს ცილების რაოდენობას დახვეწილ PPIN-ში. ორი ცილის ასოციაციის (კომბინაციის სიძლიერის) მოდელი როგორც SPPIN-ებისთვის, ასევე NPPIN-ისთვის 3, 5 და 24 საათის შემდეგ ინსულტის და ნორმალური სტადიისთვის არის:

სადაც = 3, 5 და 24 სთ ინსულტის შემდეგ და x S k ( n ) = x 1 S k x 2 S k ⋯ x M S k T და x ()=[x1x2··· x MN] არის ცილების გამოხატვის დონის ვექტორები.

ჩვენ განვსაზღვრეთ DPPIN-ის სხვაობის მატრიცა A S k - A N SPPIN-სა და NPPIN-ს შორის შემდეგნაირად:

სადაც = 3, 5 და 24 სთ ინსულტის შემდეგ d i j k არის ცილის ასოციაციის (კომბინაციის სიძლიერის) უნარის განსხვავება SPPIN-სა და NPPIN-ს შორის = 3, 5 და 24 საათის შემდეგ ინსულტის და ნორმალური ნიმუშები და მატრიცა არის განსხვავება ქსელის სტრუქტურებში SPPIN-სა და NPPIN-ს შორის = 3, 5 და 24 საათის შემდეგ ინსულტის და ნორმალური ნიმუშები.

შემდეგ ჩვენ განვსაზღვრეთ ინსულტის შესაბამისობის მნიშვნელობა (SRV), რათა აჩვენოთ SPPIN-ისა და NPPIN-ის სხვაობის ჯამი შემდეგნაირად [13]:

სადაც S R V i k = ∑ j = 1 M d i j k და = ინსულტის შემდეგ 3, 5 და 24 სთ. დეტალურად გთხოვთ იხილეთ დამატებითი ფაილი 1.

გზების ანალიზი მრავალი ონლაინ უფასო და ძლიერი კომერციული პროგრამული უზრუნველყოფის საშუალებით

ჩვენ შევადგინეთ ნაპოვნი ქსელის ბიომარკერები ბილიკის ანალიზის რამდენიმე ონლაინ უფასო პროგრამაზე, როგორიცაა KEEG (გენებისა და გენომის კიოტო ენციკლოპედია) [18], NOA (ქსელის ონტოლოგიის ანალიზი) [19, 20] და DAVID ბიოინფორმატიკის მონაცემთა ბაზაში [21, 22]. მათ შეუძლიათ დაეხმარონ ამ ქსელის მარკერებთან დაკავშირებული კრიტიკული გზების გამოკვლევაში და ამ ბილიკებსა და ინსულტს შორის ურთიერთობების შესწავლაში. მათ ასევე შეუძლიათ ბიოლოგიური პროცესების, უჯრედული კომპონენტების და მოლეკულური ფუნქციების ილუსტრირება. ისინი ასევე განმარტავენ სტოკის ეტიოლოგიასა და აღდგენის პროცესებში ჩართულ გზებს. ჩვენი კვლევის შედეგების დასასრულებლად, ჩვენ გამოვიყენეთ ცნობილი კომერციული პროგრამული უზრუნველყოფა, Ingenuity ® Pathway Analysis (IPA) და Metacore, მრავალი ფუნქციური და ბილიკის ანალიზის გასაკეთებლად. IPA ® არის QIAGEN-ისგან (Redwood City, CA, http://www.qiagen.com/ingenuity). MetaCore ™ არის GeneGo-ს ინტეგრირებული პროგრამული უზრუნველყოფის კომპლექტი მიკრორაიონის, მეტაბოლური, SAGE, პროტეომიკის, siRNA, მიკრორნმ და სკრინინგის მონაცემების ფუნქციური ანალიზისთვის. გთხოვთ, იხილოთ დეტალები დამატებით ფაილში 1.


ფიზიკური ურთიერთქმედების დიფერენციალური რუქა

ადრეული შემთხვევა, როდესაც დიდი ქსელის რუქები განსხვავებულად იყო გაანალიზებული, არის ცილა-პროტეინის ურთიერთქმედების (PPI) მონაცემების შედარება სახეობებში. ჯვარედინი სახეობების PPI ანალიზი შეიძლება იყოს დამაჯერებელი ევოლუციური კონსერვაციული სტრუქტურების გამოვლენის თვალსაზრისით. მაგალითად, PPI ქსელები Saccharomyces cerevisiae შეადარეს სხვა მიკრობულ სახეობებთან, როგორიცაა Helicobacter pylori ადრე დაუხასიათებელი PPI-ების პროგნოზირება ( Matthews და სხვ, 2001 იუ და სხვ, 2004) ან ევოლუციურად შენახული ცილის კომპლექსების იდენტიფიცირება (კელი და სხვ, 2003). შემდგომმა მუშაობამ გამოიყენა მრავალჯერადი ქსელის გასწორება სამ სახეობაში ერთდროულად - საფუარი, ბუზი და ჭია - სამივე ორგანიზმში დაცული ცილის კომპლექსებისა და გზების ზუსტად დასადგენად (შარანი და სხვ, 2005). თუმცა, ყველა ეს ევოლუციური ქსელის შედარება ფოკუსირებული იყო ურთიერთქმედებებზე, რომლებიც საერთოა სახეობებში და არა მათ შორის, რომლებიც განსხვავდებიან. დიფერენციალური ურთიერთქმედებების გამოვლენა რთული იყო, რადგან თითოეული სახეობის ქსელები გაზომილი იყო დამოუკიდებელ კვლევებში, შედარებით დაბალი ქსელის დაფარვით თითოეულ კვლევაში, რის შედეგადაც მაღალი ცრუ უარყოფითი მაჩვენებელი. ამგვარად, კონკრეტულ სახეობებში ქსელის კონსერვაციის ვერ პოვნა, სავარაუდოდ, გამოწვეული იყო ქსელის დაბალი დაფარვით და არა ევოლუციური განსხვავებებით.

სახეობებში PPI-ების შედარების გარდა, ძალიან მცირე ძალისხმევა დაიხარჯა PPI ქსელების დასახასიათებლად სხვადასხვა პირობებში მოცემულ სახეობაში. ერთ ადრეულ გამონაკლისში, Wrana-მ და კოლეგებმა შეიმუშავეს LUMIER (ლუმინესცენციაზე დაფუძნებული ძუძუმწოვრების ინტერაქტომის რუქა) სტრატეგია, რათა გამოავლინონ წყვილი PPI-ები ადამიანის ფაქტორებს შორის სტიმულაციის გარეშე და მის გარეშე ზრდის ფაქტორის β (TGFβ) ტრანსფორმირებით (Barios-Rodiles). და სხვ, 2005). LUMIER-ის მიდგომით, ლუციფერაზას ფერმენტი შერწყმულია ინტერესის პროტეინთან „სატყუარასთან“ და გამოხატულია იმავე უჯრედში Flag-ით მონიშნულ პროტეინთან „მტაცებლებთან“. ანტი-დროშის ანტისხეულების გამოყენებით მტაცებელი ცილები იმუნოპრეციპიტირდება სხვადასხვა პირობებში და პოტენციურ ურთიერთქმედებებში. გაზომილი რაოდენობრივად სინათლის ინტენსივობით ლუციფერაზას ანალიზში. არ არსებობს ფორმალური ქულა, რომელიც გამოითვლება პირობებს შორის ურთიერთქმედების სიძლიერის ცვლილებაზე, სატყუარები ჯვარედინი პირობების ურთიერთქმედების ცვლილებებით ხარისხობრივად იდენტიფიცირებული და დადასტურებულია ბიოქიმიურად. მაგალითად, PPI-ის დიფერენციალურმა რუქამ TGFβ-ს თანდასწრებითა და არარსებობით შესაძლებელი გახადა ფუნქციური კავშირების იდენტიფიცირება TGFβ გზას, p21-გააქტიურებულ კინაზას ქსელსა და ოკლუდინს შორის, სტრუქტურულ კომპონენტს, რომელიც არეგულირებს მჭიდრო შეერთებებს ეპითელიუმიდან მეზენქიმურ გადასვლებს შორის.

სულ ახლახან, წარმოდგენილია რაოდენობრივი მიდგომა PPI ქსელებში დიფერენციალური ურთიერთქმედებების გაზომვისთვის (ბისონი და სხვ, 2011). ეს მიდგომა, რომელსაც ავტორები უწოდებენ აფინურობის გამწმენდი შერჩეული რეაქციის მონიტორინგს (AP-SRM), გამოიყენეს ცილა Grb2-თან ურთიერთქმედების რაოდენობრივი ცვლილებების შესამოწმებლად, ადაპტერული ცილა, რომელიც მონაწილეობს მრავალფეროვან ცილოვან კომპლექსებში, რომლებიც მონაწილეობენ უჯრედული ფუნქციის მრავალ ასპექტში. ეს ქსელი წარმოიქმნა HEK293T უჯრედებში ექვს დროში ეპიდერმული ზრდის ფაქტორით სტიმულაციის შემდეგ (სურათი 2), ასევე ხუთი სხვა ზრდის ფაქტორის თანდასწრებით. SRM გამოიყენებოდა თითოეული პეპტიდისთვის ინტეგრირებული პიკური ინტენსივობის გასაზომად, რომლებიც გაერთიანებული იყო საშუალო შეწონილ ინტენსივობაში თითოეულ დროში ან მდგომარეობაზე. შემდეგ გამოითვალა ინტენსივობის ნაკეცის ცვლილება თითოეულ პროტეინზე ორ მდგომარეობას შორის, რაც წარმოადგენს ურთიერთქმედების სიძლიერის ცვლილებას. ამ ცვლილების მნიშვნელოვნება შეფასდა მსგავსი სტატისტიკის გამოყენებით -ტესტი, რომლის მნიშვნელობა იზრდება პიკის ინტენსივობის სხვაობასთან ერთად, მაგრამ მცირდება ბიოლოგიურ და ტექნიკურ რეპლიკაზე დაფიქსირებული დისპერსიით. მიღებული დიფერენციალური ურთიერთქმედებების ანალიზმა აჩვენა, რომ Grb2 კომპლექსების შემადგენლობა საოცრად იყო დამოკიდებული სტიმულაციისთვის გამოყენებულ ზრდის ფაქტორზე. Grb2-ის მიღმა დამატებით ჰაბ პროტეინებზე ფოკუსირებით, ეს მეთოდი, სავარაუდოდ, სასარგებლო იქნება სტიმულის საპასუხოდ ცილის ქსელის რემოდელირების გლობალური მიმოხილვის მისაღებად.

PPI კვლევების გარდა, რამდენიმე კვლევამ აჩვენა ტრანსკრიპციული (ცილა-დნმ) ფიზიკური ურთიერთქმედება სხვადასხვა პირობებში და სახეობებს შორის. მაგალითად, ჰარბისონი და სხვ (2004) ჩაატარა საფუარში ტრანსკრიფციის ფაქტორის შებოჭვის გენომის მასშტაბური ანალიზი S. cerevisiae ქრომატინის იმუნოპრეციპიტაციის ტექნიკის გამოყენებით, რასაც მოჰყვება მიკროჩიპის ჰიბრიდიზაცია (ChIP-CHIP), ზოგიერთი მონაცემი გროვდება სხვადასხვა მასტიმულირებელ და სტრესის პირობებში. მუშაკი და სხვ (2006) ჩაატარა ChIP-CHIP კვლევა, რომელიც ფოკუსირებული იყო კონკრეტულად ტრანსკრიპციული გაყვანილობის ცვლილებებზე, რომლებიც წარმოიქმნება საფუარის ტრანსკრიფციის ფაქტორთან დაკავშირებით დნმ-ის დამაზიანებელი აგენტის მეთილ მეთანესულფონატთან (MMS) ზემოქმედების შემდეგ, 30 სხვადასხვა ტრანსკრიფციის ფაქტორისთვის. რამდენიმე ტრანსკრიფციის ფაქტორების ჯვარედინი ანალიზი ორივე საფუარში (ბორნემანი და სხვ, 2007 წ და სხვ, 2008) და ძუძუმწოვრების უჯრედები (შმიდტ და სხვ, 2010) გამოავლინა, რომ ცილა-დნმ ურთიერთქმედება საკმაოდ სწრაფად ვითარდება ევოლუციის დროს.


დისკუსია

ჩვენ გამოვიკვლიეთ გლობალური ნიმუშები მეტაბოლური გზების რეგულირებაში E. coli, რომელიც შეიძლება ხასიათდებოდეს ელემენტარული ნაკადის შაბლონებით, გენომის მასშტაბის მეტაბოლურ ქსელებში გზების ანალიზის ახალი კონცეფცია. ჩვენმა ანალიზმა აჩვენა, რომ გარდა მეტაბოლურ გზაზე ყველა ფერმენტის ყოვლისმომცველი ტრანსკრიპციული რეგულირების კლასიკური სურათისა, ასევე არსებობს იშვიათი ტრანსკრიპციული რეგულირების სხვა მარეგულირებელი ნიმუში, რომელშიც რეგულირდება მხოლოდ საწყისი და ტერმინალური რეაქციები. ორივე მარეგულირებელი ნიმუში იძლევა მეტაბოლურ გზებში ნაკადის ზუსტი კონტროლის საშუალებას. ფართო ან მწირი ტრანსკრიპციული რეგულირების უპირატესობა შეიძლება აიხსნას პროტეინის ღირებულების მინიმიზაციასა და რეაგირების დროის მინიმიზაციას შორის. გზები, რომლებიც კატალიზირებულია უხვი და, შესაბამისად, ძვირადღირებული ცილებით, უპირატესად კონტროლდება ყოვლისმომცველი ტრანსკრიპციული რეგულირების გზით, ხოლო ფერმენტებით კატალიზირებული გზები მცირე სიმრავლით კონტროლდება იშვიათი ტრანსკრიპციული რეგულირების გზით. თუმცა, თუ საჭიროა გზაზე დაუყოვნებელი კონტროლი, იშვიათი ტრანსკრიპციული რეგულირება ხდება მაშინაც კი, თუ შესაბამისი ფერმენტები ძვირია.

იდენტიფიცირებული კომპრომისი მსგავსია ატფ-ის წარმომქმნელი გზების სიჩქარეს (დროში წარმოებული რაოდენობა) და მოსავლიანობას (ნახშირბადის წყაროს მოლეკულაზე წარმოებული რაოდენობა) შორის ურთიერთგაგების (Pfeiffer) და სხვ, 2001). მიუხედავად იმისა, რომ მაღალი მაჩვენებელი იწვევს დაბალ გამოსავლიანობას, ანუ ნახშირბადის წყაროს დაკარგვას, მაღალი მოსავლიანობა იძლევა ნახშირბადის წყაროს უფრო სრულყოფილად გამოყენების საშუალებას, მაგრამ ATP-ის საერთო რაოდენობა წარმოებული ერთეულ დროში უფრო დაბალია. ჩვენი შედეგების კონტექსტში, ყოვლისმომცველი ტრანსკრიპციული რეგულირება შეესაბამება რესურსების დაზოგვას, ხოლო იშვიათი ტრანსკრიპციული რეგულაცია შეესაბამება რესურსების დაკარგვას. თუ რესურსები მწირია, ტრანსკრიპციული რეგულირება უნდა იყოს მეტაბოლური გზების კონტროლის უპირატესი მეთოდი. ამის საპირისპიროდ, თუ ორგანიზმი ეჯახება ხშირ ცვლილებებს ნუტრიენტებით მდიდარ/კვებით ღარიბ გარემოს შორის ან მუდმივად იზრდება საკვები ნივთიერებებით მდიდარ გარემოში, მწირი ტრანსკრიპციული რეგულაცია უნდა დომინირებდეს. უნარი სწრაფად გადაინაცვლოს შეწოვის სხვადასხვა გზებს შორის (დაბალი რეაგირების დრო) იშვიათი ტრანსკრიპციული რეგულირების გზით, იქნება დიდი შერჩევითი უპირატესობა, მიუხედავად შემადგენელი ცილის გამოხატვის მაღალი ღირებულებისა, განსაკუთრებით ხშირად ცვალებად გარემოში.

ჩვენს ნამუშევარში ჩვენ გამოვიყენეთ ინსტრუმენტების კომბინაცია ქსელის დასკვნის, ბილიკის გამოვლენისა და დინამიური ოპტიმიზაციისგან, ტრანსკრიპტომიური, პროტეომიური და ბიბლიური მონაცემების ცოდნის დიდი მასშტაბის ინტეგრირებისთვის. ამ ინტეგრაციულმა მიდგომამ, რომელიც ჩვენ დაფუძნებულია გენომის მასშტაბის მეტაბოლურ ქსელზე და ელემენტარული ნაკადის შაბლონების კონცეფციაზე, მოგვცა ახალი ხედვა მეტაბოლიზმის კონტროლის სხვადასხვა მარეგულირებელი შაბლონების მიღმა გლობალურ პრინციპებზე. E. coli. უფრო მეტიც, ჩვენი ნამუშევარი გვიჩვენებს, რომ მეტაბოლიზმის გენომის მასშტაბის მოდელები იძლევა უპრეცედენტო მასშტაბით ძალიან მრავალფეროვანი ექსპერიმენტული მონაცემთა ნაკრების დიდი რაოდენობით ინტეგრაციის საშუალებას. ასეთი მონაცემთა ნაკრების სწრაფად მზარდი ხელმისაწვდომობის გამო (Ishii და სხვ, 2007 ლუ და სხვ, 2007 ბენეტი და სხვ, 2009), დარწმუნებული ვართ, რომ ცოდნა გლობალური პრინციპების შესახებ, რომლებიც არეგულირებს მარეგულირებელი ქსელის არქიტექტურას, რომელიც გავლენას ახდენს მეტაბოლიზმზე E. coli ბევრად უფრო დეტალური გახდება უახლოეს მომავალში.


17.3 მთლიანი გენომის თანმიმდევრობა

ამ განყოფილებაში თქვენ შეისწავლით შემდეგ კითხვებს:

კავშირი AP ® კურსებისთვის

სექციაში წარმოდგენილი ინფორმაცია არ ეხება AP ®-ს. თუმცა, შეგიძლიათ შეისწავლოთ ინფორმაცია განყოფილებაში, როგორც სურვილისამებრ ან საილუსტრაციო მასალად.

მასწავლებელთა მხარდაჭერა

ძველი ტექნიკით, პათოგენური ბაქტერიების იდენტიფიკაცია შრომატევადი პროცესია, რომელსაც შეიძლება დღეები ან კვირა დასჭირდეს. ადრე ტუბერკულოზის ბაქტერიის იდენტიფიცირებას შეიძლება ექვს კვირამდე დასჭირდეს. დნმ-ის მიკრომასივების განვითარებამ კლინიკურ ლაბორატორიებს საშუალება მისცა ეს დრო საათებამდე შეემცირებინათ, იდენტიფიკაციის უკეთესი სპეციფიკით. ამან ექიმებს მიაწოდა საჭირო ინფორმაცია, რათა პაციენტებმა სწრაფად მიიღონ ყველაზე ეფექტური ანტიბიოტიკოთერაპია, უზრუნველყონ უკეთესი მოვლა და თავიდან აიცილონ ინფექციური აგენტის გავრცელება უფრო მეტ მასპინძლებზე.

მიუხედავად იმისა, რომ ბოლო წლებში სამედიცინო მეცნიერებებში მნიშვნელოვანი წინსვლა მოხდა, ექიმები ჯერ კიდევ დაბნეული არიან ზოგიერთი დაავადების გამო და ისინი იყენებენ მთლიან გენომის თანმიმდევრობას პრობლემის დასასრულებლად. მთლიანი გენომის თანმიმდევრობა არის პროცესი, რომელიც განსაზღვრავს მთელი გენომის დნმ-ის თანმიმდევრობას. მთლიანი გენომის თანმიმდევრობა არის უხეში ძალის მიდგომა პრობლემის გადასაჭრელად, როდესაც დაავადების ძირში გენეტიკური საფუძველია. ახლა რამდენიმე ლაბორატორია გთავაზობთ მომსახურებას მთელი გენომის თანმიმდევრობის, ანალიზისა და ინტერპრეტაციისთვის.

მთლიანი ეგზომის თანმიმდევრობა არის მთლიანი გენომის თანმიმდევრობის უფრო იაფი ალტერნატივა. ეგზომის თანმიმდევრობისას დნმ-ის მხოლოდ კოდირების, ეგზონის წარმომქმნელი უბნების თანმიმდევრობა ხდება. 2010 წელს, მთელი ეგზომის თანმიმდევრობა გამოიყენეს ახალგაზრდა ბიჭის გადასარჩენად, რომლის ნაწლავებს ჰქონდათ მრავალი იდუმალი აბსცესი. ბავშვს მსხვილი ნაწლავის რამდენიმე ოპერაცია ჩაუტარდა შვების გარეშე. საბოლოოდ, ჩატარდა მთელი ეგზომის თანმიმდევრობა, რომელმაც გამოავლინა დეფექტი გზაზე, რომელიც აკონტროლებს აპოპტოზს (უჯრედების დაპროგრამებული სიკვდილი). ამ გენეტიკური აშლილობის დასაძლევად ძვლის ტვინის გადანერგვა გამოიყენეს, რამაც ბიჭის განკურნება გამოიწვია. ის იყო პირველი ადამიანი, ვინც წარმატებით მკურნალობდა მთელი ეგზომის თანმიმდევრობით დაყენებული დიაგნოზის საფუძველზე.

მეცნიერების პრაქტიკის გამოწვევის კითხვები შეიცავს დამატებით სატესტო კითხვებს, რომლებიც დაკავშირებულია ამ განყოფილების მასალასთან, რომელიც დაგეხმარებათ მოემზადოთ AP გამოცდისთვის. ეს კითხვები ეხება შემდეგ სტანდარტებს:
[APLO 2.23][APLO 3.5][APLO 3.20][APLO 3.21]

სტრატეგიები, რომლებიც გამოიყენება პროექტების თანმიმდევრობით

თანმიმდევრობის ძირითადი ტექნიკა, რომელიც გამოიყენება ყველა თანამედროვე თანმიმდევრობის პროექტში, არის ჯაჭვის შეწყვეტის მეთოდი (ასევე ცნობილია როგორც დიდეოქსი მეთოდი), რომელიც შეიმუშავა ფრედ სენგერმა 1970-იან წლებში. ჯაჭვის შეწყვეტის მეთოდი მოიცავს ერთჯაჭვიანი შაბლონის დნმ-ის რეპლიკაციას პრაიმერის და ჩვეულებრივი დეოქსინუკლეოტიდის (dNTP) გამოყენებით, რომელიც არის დნმ-ის მონომერი, ან ერთი ერთეული. პრაიმერი და dNTP შერეულია ფლუორესცენტურად მარკირებული დიდოქსინუკლეოტიდების (ddNTPs) მცირე ნაწილით. ddNTPs არის მონომერები, რომლებსაც აკლიათ ჰიდროქსილის ჯგუფი (–OH) იმ ადგილას, სადაც სხვა ნუკლეოტიდი ჩვეულებრივ მიმაგრებულია ჯაჭვის შესაქმნელად (სურათი 17.12). თითოეულ ddNTP-ს ეტიკეტირებული აქვს ფტორფორის განსხვავებული ფერი. ყოველ ჯერზე, როდესაც ddNTP შედის მზარდ კომპლემენტარულ ჯაჭვში, ის წყვეტს დნმ-ის რეპლიკაციის პროცესს, რაც იწვევს რეპლიკაციური დნმ-ის რამდენიმე მოკლე ჯაჭვს, რომლებიც თითოეული წყდება რეპლიკაციის დროს სხვადასხვა წერტილში. როდესაც რეაქციის ნარევი მუშავდება გელის ელექტროფორეზით, მას შემდეგ, რაც გამოყოფენ ერთ ძაფებად, ახლად გამეორებული დნმ-ის მრავალი ჯაჭვი ქმნიან კიბეს განსხვავებული ზომის გამო. იმის გამო, რომ ddNTP-ები ფლუორესცენტურად არის მონიშნული, გელის თითოეული ზოლი ასახავს დნმ-ის ჯაჭვის ზომას და ddNTP-ს, რომელმაც დაასრულა რეაქცია. ფლუოფორის ეტიკეტირებული ddNTP-ების სხვადასხვა ფერები ხელს უწყობს ამ პოზიციაში ჩართული ddNTP-ის იდენტიფიცირებას. გელის წაკითხვა კიბეზე თითოეული ზოლის ფერის საფუძველზე წარმოქმნის შაბლონის ძაფების თანმიმდევრობას (სურათი 17.13).

ადრეული სტრატეგიები: თოფის თანმიმდევრობა და წყვილ-ბრძენი ბოლოს თანმიმდევრობა

თოფის თანმიმდევრობის მეთოდით, დნმ-ის ფრაგმენტის რამდენიმე ეგზემპლარი შემთხვევით იჭრება მრავალ პატარა ნაწილად (გარკვევით ისეთივე, როგორიც ხდება მრგვალი სროლის ვაზნას თოფიდან გასროლისას). შემდეგ ყველა სეგმენტი დალაგებულია ჯაჭვის თანმიმდევრობის მეთოდის გამოყენებით. შემდეგ, კომპიუტერის დახმარებით, ხდება ფრაგმენტების ანალიზი, რათა დაინახონ, სად ემთხვევა მათი თანმიმდევრობა. თითოეული ფრაგმენტის ბოლოს გადახურული თანმიმდევრობების შედარება, შესაძლებელია დნმ-ის მთელი რიგის რეფორმირება. უფრო დიდ თანმიმდევრობას, რომელიც აწყობილია უფრო მოკლე მიმდევრობების გადახურვისგან, ეწოდება contig. ანალოგიურად, ჩათვალეთ, რომ ვინმეს აქვს ლანდშაფტის ფოტოს ოთხი ასლი, რომელიც აქამდე არასოდეს გინახავთ და არაფერი იცით, როგორ უნდა გამოჩნდეს. შემდეგ ადამიანი ხელებით ჭრის თითოეულ ფოტოს, ისე რომ თითოეული ასლიდან სხვადასხვა ზომის ნაჭრები იყოს წარმოდგენილი. შემდეგ ადამიანი აერთიანებს ყველა ნაწილს და გთხოვს ფოტოს რეკონსტრუქციას. ერთ-ერთ პატარა ნაჭერში ხედავთ მთას. უფრო დიდ ნაჭერში ხედავთ, რომ იგივე მთა არის ტბის უკან. მესამე ფრაგმენტში ნაჩვენებია მხოლოდ ტბა, მაგრამ ის ცხადყოფს, რომ ტბის სანაპიროზე არის სალონი. ამიტომ, ამ სამი ფრაგმენტის გადაფარვის შესახებ ინფორმაციის დათვალიერებისას, თქვენ იცით, რომ სურათი შეიცავს მთას ტბის უკან, რომელსაც აქვს სალონი მის ნაპირზე. ეს არის დნმ-ის მთელი რიგის რეკონსტრუქციის პრინციპი თოფის თანმიმდევრობის გამოყენებით.

თავდაპირველად, თოფის თანმიმდევრობა აანალიზებდა თითოეული ფრაგმენტის მხოლოდ ერთ ბოლოს გადახურვებისთვის. ეს საკმარისი იყო მცირე გენომების თანმიმდევრობის დასადგენად. თუმცა, უფრო დიდი გენომის, როგორიცაა ადამიანის გენომის, თანმიმდევრობის დაყოფის სურვილმა განაპირობა ორლულიანი თოფის თანმიმდევრობის განვითარება, უფრო ფორმალურად ცნობილი როგორც წყვილ-ბოლო თანმიმდევრობა. წყვილ-ბოლო თანმიმდევრობით, თითოეული ფრაგმენტის ორივე ბოლო გაანალიზებულია გადახურვისთვის. აქედან გამომდინარე, წყვილ-ბოლო თანმიმდევრობა უფრო რთულია, ვიდრე თოფის თანმიმდევრობა, მაგრამ უფრო ადვილია თანმიმდევრობის რეკონსტრუქცია, რადგან უფრო მეტი ინფორმაციაა.

შემდეგი თაობის თანმიმდევრობა

2005 წლიდან, ლაბორატორიების მიერ გამოყენებული ავტომატიზირებული თანმიმდევრობის ტექნიკა არის შემდეგი თაობის თანმიმდევრობის ქოლგის ქვეშ, რომელიც არის ავტომატური ტექნიკის ჯგუფი, რომელიც გამოიყენება დნმ-ის სწრაფი თანმიმდევრობისთვის. ამ ავტომატიზირებულ დაბალფასიან სეკვენსერებს შეუძლიათ შექმნან ასობით ათასი ან მილიონობით მოკლე ფრაგმენტის (25-დან 500 ბაზის წყვილამდე) თანმიმდევრობა ერთი დღის განმავლობაში. ეს სეკვენსერები იყენებენ დახვეწილ პროგრამულ უზრუნველყოფას, რათა გაიარონ ყველა ფრაგმენტის მოწესრიგების რთული პროცესი.

ევოლუციის კავშირი

თანმიმდევრობების შედარება

თანმიმდევრობის განლაგება არის ცილების, დნმ-ის ან რნმ-ის განლაგება, რომელიც გამოიყენება უჯრედების ტიპებსა და სახეობებს შორის მსგავსების რეგიონების დასადგენად, რაც შეიძლება მიუთითებდეს ფუნქციის ან სტრუქტურის კონსერვაციაზე. თანმიმდევრობის გასწორება შეიძლება გამოყენებულ იქნას ფილოგენეტიკური ხეების ასაგებად. შემდეგი ვებსაიტი იყენებს პროგრამულ პროგრამას სახელწოდებით BLAST (ძირითადი ლოკალური გასწორების საძიებო ინსტრუმენტი).

"ძირითადი აფეთქების" ქვეშ დააწკაპუნეთ "Nucleotide Blast". შეიყვანეთ შემდეგი თანმიმდევრობა დიდ "კითხვის თანმიმდევრობის" ველში: ATTGCTTCGATTGCA. ველის ქვემოთ იპოვნეთ ველი "სახეობები" და ჩაწერეთ "ადამიანი" ან "Homo sapiens". შემდეგ დააწკაპუნეთ „BLAST“-ზე, რათა შევადაროთ შეყვანილი თანმიმდევრობა ადამიანის გენომის ცნობილ თანმიმდევრობებთან. შედეგი არის ის, რომ ეს თანმიმდევრობა გვხვდება ადამიანის გენომში ასზე მეტ ადგილას. გადადით ქვემოთ გრაფიკის ქვემოთ ჰორიზონტალური ზოლებით და ნახავთ თითოეული შესატყვისი დარტყმის მოკლე აღწერას. აირჩიეთ ერთ-ერთი ჰიტი სიის ზედა ნაწილში და დააწკაპუნეთ "გრაფიკაზე". ეს მიგიყვანთ გვერდზე, რომელიც გვიჩვენებს, თუ სად არის ეს თანმიმდევრობა ადამიანის გენომში. თქვენ შეგიძლიათ გადაიტანოთ სლაიდერი, რომელიც ჰგავს მწვანე დროშას წინ და უკან, რათა ნახოთ თანმიმდევრობა დაუყოვნებლივ არჩეული გენის გარშემო. შემდეგ შეგიძლიათ დაუბრუნდეთ თქვენს არჩეულ თანმიმდევრობას ღილაკზე "ATG" დაწკაპუნებით.

  1. ბაქტერიული ცილა უფრო ჰგავს ადამიანის ცილას, ვიდრე საფუარის ცილას.
  2. ბაქტერიული ცილა უფრო ჰგავს საფუარის ცილას, ვიდრე ადამიანის ცილას.
  3. საფუარის ცილა უფრო მეტად იქნება ადამიანის პროტეინის მსგავსი, ვიდრე ბაქტერიული ცილა.
  4. ბაქტერიული და საფუარის ცილა იზიარებს მსგავს თანმიმდევრობას, მაგრამ ადამიანის ცილა არ იქნება დაკავშირებული არცერთთან.

სამოდელო ორგანიზმების მთლიანი გენომის თანმიმდევრობების გამოყენება

პირველი გენომი, რომელიც მთლიანად დახარისხებული იყო, იყო ბაქტერიული ვირუსი, ბაქტერიოფაგი fx174 (5368 ბაზის წყვილი), ეს შესრულდა ფრედ სანჯერის მიერ თოფის თანმიმდევრობის გამოყენებით. რამდენიმე სხვა ორგანული და ვირუსული გენომი მოგვიანებით დაიცვეს. პირველი ორგანიზმი, რომლის გენომის თანმიმდევრობა მოხდა, იყო ბაქტერია ჰემოფილუს გრიპი ეს შეასრულა კრეიგ ვენტერმა 1980-იან წლებში. დაახლოებით 74 სხვადასხვა ლაბორატორია თანამშრომლობდა საფუარის გენომის თანმიმდევრობის განსაზღვრაზე Saccharomyces cerevisiae, რომელიც დაიწყო 1989 წელს და დასრულდა 1996 წელს, რადგან ის 60-ჯერ აღემატებოდა ნებისმიერ სხვა გენომს, რომელიც იყო დახარისხებული. 1997 წლისთვის ხელმისაწვდომი იყო ორი მნიშვნელოვანი მოდელი ორგანიზმის გენომის თანმიმდევრობა: ბაქტერია. ეშერიხია კოლი K12 და საფუარი Saccharomyces cerevisiae. სხვა მოდელის ორგანიზმების გენომები, როგორიცაა თაგვი მუსკულუსი, ხილის ბუზი დროზოფილა მელანოგასტერი, ნემატოდი კაენორჰაბდიტი. ელეგანტებიდა ადამიანები ჰომო საპიენსი ახლა ცნობილია. ბევრი ძირითადი კვლევა ტარდება სამოდელო ორგანიზმებში, რადგან ინფორმაცია შეიძლება გამოყენებულ იქნას გენეტიკურად მსგავს ორგანიზმებზე. მოდელი ორგანიზმი არის სახეობა, რომელიც შეისწავლება როგორც მოდელი, რათა გაიგოს ბიოლოგიური პროცესები სხვა სახეობებში, რომლებიც წარმოდგენილია მოდელის ორგანიზმის მიერ. მთელი გენომის თანმიმდევრობა ეხმარება ამ მოდელის ორგანიზმებში კვლევის ძალისხმევას. გენის თანმიმდევრობებზე ბიოლოგიური ინფორმაციის მიმაგრების პროცესს გენომის ანოტაცია ეწოდება. გენის თანმიმდევრობების ანოტაცია გვეხმარება მოლეკულურ ბიოლოგიაში საბაზისო ექსპერიმენტებში, როგორიცაა PCR პრაიმერების და რნმ სამიზნეების შექმნა.

ბმული სწავლასთან

დააწკაპუნეთ გენომის თანმიმდევრობის თითოეულ საფეხურზე ამ საიტზე.

გადახედეთ Sanger-ის თანმიმდევრობის მეთოდს, როგორც სურათზე. დაადგინეთ, რამდენად ღრმა თანმიმდევრობა გვთავაზობს Sanger-ის თანმიმდევრობის გაუმჯობესებას.

  1. ღრმა თანმიმდევრობა იძლევა დნმ-ის მოკლე ჯაჭვების ბევრად უფრო სწრაფ თანმიმდევრობას, ვიდრე სანგერის თანმიმდევრობა, რომელიც კითხულობს დნმ-ის მხოლოდ მოკლე თანმიმდევრობებს ნელი ტემპით და ის თავიდან აიცილებს სანჯერის პრობლემებს ჯაჭვის შეწყვეტასთან და განცალკევებასთან დაკავშირებით.
  2. მიმდევრობის დაფარვა უფრო მაღალია Sanger-ის თანმიმდევრობით, ვიდრე ღრმა თანმიმდევრობით.
  3. სანჯერის თანმიმდევრობა შესაფერისია, როდესაც ჯაჭვებს შორის მხოლოდ ერთი ნუკლეოტიდური განსხვავებაა, ხოლო ღრმა თანმიმდევრობა შესაფერისია, როდესაც ჯაჭვებს შორის ერთზე მეტი ნუკლეოტიდური განსხვავებაა.
  4. სანჯერის თანმიმდევრობა ბევრჯერ კითხულობს და ადგენს გენომს, ხოლო ღრმა თანმიმდევრობა ზუსტად კითხულობს მთელ გენომს ერთ დროს.

გენომის თანმიმდევრობების გამოყენება

დნმ-ის მიკრომასივები არის მეთოდები, რომლებიც გამოიყენება გენის ექსპრესიის გამოსავლენად დნმ-ის ფრაგმენტების მასივის ანალიზით, რომლებიც ფიქსირდება შუშის სლაიდზე ან სილიკონის ჩიპზე აქტიური გენების იდენტიფიცირებისთვის და თანმიმდევრობების იდენტიფიცირებისთვის. თითქმის ერთი მილიონი გენოტიპური ანომალიის აღმოჩენა შესაძლებელია მიკრომასივების გამოყენებით, მაშინ როცა მთლიანი გენომის თანმიმდევრობა უზრუნველყოფს ინფორმაციას ადამიანის გენომის ექვსი მილიარდი ბაზის წყვილის შესახებ. მიუხედავად იმისა, რომ საინტერესოა გენომის თანმიმდევრობის სამედიცინო აპლიკაციების შესწავლა, ეს დისციპლინა მიდრეკილია გენის არანორმალურ ფუნქციაზე. მთელი გენომის ცოდნა საშუალებას მისცემს მომავალში აღმოჩენილი იყოს დაავადებები და სხვა გენეტიკური დარღვევები, რაც საშუალებას მისცემს უფრო ინფორმირებული გადაწყვეტილებების მიღებას ცხოვრების წესის, მედიკამენტების მიღებისა და ბავშვის გაჩენის შესახებ. გენომიკა ჯერ კიდევ საწყის ეტაპზეა, თუმცა ოდესღაც შესაძლოა რუტინად იქცეს მთელი გენომის თანმიმდევრობის გამოყენება ყოველი ახალშობილის სკრინინგისთვის გენეტიკური დარღვევების გამოსავლენად.

დაავადებისა და მედიცინის გარდა, გენომიკას შეუძლია წვლილი შეიტანოს ახალი ფერმენტების განვითარებაში, რომლებიც ბიომასას ბიოსაწვავად გარდაქმნიან, რაც იწვევს მოსავლის და საწვავის უფრო მაღალ წარმოებას და დაბალ ღირებულებას მომხმარებლისთვის. ამ ცოდნამ უნდა დაუშვას მიკრობების კონტროლის უკეთესი მეთოდები, რომლებიც გამოიყენება ბიოსაწვავის წარმოებაში. გენომიკას ასევე შეუძლია გააუმჯობესოს მეთოდები, რომლებიც გამოიყენება ეკოსისტემებზე დამაბინძურებლების ზემოქმედების მონიტორინგისთვის და ხელს უწყობს გარემოს დამაბინძურებლების გაწმენდას. გენომიკამ საშუალება მისცა აგროქიმიკატებისა და ფარმაცევტული საშუალებების განვითარებას, რაც შეიძლება სასარგებლო იყოს სამედიცინო მეცნიერებისა და სოფლის მეურნეობისთვის.

მშვენივრად ჟღერს მთელი ცოდნის მიღება, რაც შეგვიძლია მივიღოთ მთლიანი გენომის თანმიმდევრობით, თუმცა ადამიანებს აქვთ პასუხისმგებლობა გამოიყენონ ეს ცოდნა გონივრულად. წინააღმდეგ შემთხვევაში, ადვილი იქნება ასეთი ცოდნის ძალაუფლების ბოროტად გამოყენება, რაც გამოიწვევს დისკრიმინაციას პიროვნების გენეტიკაზე, ადამიანის გენეტიკური ინჟინერიაზე და სხვა ეთიკურ საზრუნავებზე დაყრდნობით. ამ ინფორმაციამ ასევე შეიძლება გამოიწვიოს იურიდიული პრობლემები ჯანმრთელობასთან და კონფიდენციალურობასთან დაკავშირებით.


შესავალი

ცხოველთა ქცევის შესწავლა მოიცავდა ახალი ტექნოლოგიების გამოყენებას გენის გამოხატვის გასაგებად და როგორ წარმოიქმნება ქცევითი ფენოტიპები ძირითადი გენომიდან (Stapley et al., 2010 Bell and Robinson, 2011). ასეთი მიდგომები განსაკუთრებით სასარგებლო იქნება იმის გასაგებად, თუ როგორ წარმოიქმნება ახალი ქცევები, რაც, რა თქმა უნდა, მუდმივი საკითხია ევოლუციურ ბიოლოგიაში (Darwin, 1859 Mayr, 1982). ზოგიერთ შემთხვევაში, ქცევა, რომელსაც ვაკვირდებით ცხოველებში, არ არის განპირობებული მათი გენების გამოხატულებით, არამედ პარაზიტების გენებით, რომლებიც აინფიცირებენ მათ. ასეთ შემთხვევებში ქცევა არის პარაზიტის გაფართოებული ფენოტიპი (Dawkins, 1982 Dawkins, 1990 Dawkins, 2004 Hughes, 2008 Hughes et al., 2012). აშკარა მნიშვნელობის ახსნის გარდა, თუ როგორ ვითარდება ასეთი რთული პარაზიტების ადაპტაცია ბუნებრივი გადარჩევით, ქცევითი მანიპულაციის შესწავლა მნიშვნელოვანია, რადგან ის წარმოადგენს პარალელურ ექსპერიმენტს ევოლუციურ დროში. ანუ, ბუნებრივი გადარჩევა მოქმედებდა როგორც პარაზიტის, ასევე მასპინძლის გენომზე, რათა გააკონტროლოს ერთი ფენოტიპი (ქცევა მასპინძელში). გენიდან ფენოტიპებამდე სხვადასხვა გზების გაგება დაგვეხმარება ევოლუციური ბიოლოგიის მნიშვნელოვანი საკითხის გადაჭრაში: რა არის ცხოველთა ქცევის მექანიკური საფუძველი (Duckworth, 2009)? ამ მიმოხილვაში მე გამოვიკვლიე რამდენიმე გზა, რამაც შეიძლება მიგვიყვანოს გაფართოებული ფენოტიპების ახლო დონის გაგებამდე.

გაფართოებული ფენოტიპების გადამწყვეტი დეტალი არის მანძილი, რომელზედაც ისინი ვრცელდება. ეს მანძილი შეიძლება იყოს ფილოგენეტიკური, როგორც ხდება მაშინ, როდესაც პარაზიტი და მასპინძელი ერთმანეთთან შორს არის დაკავშირებული და ხშირად სხვადასხვა სამეფოებში [მაგ. ცოფის ვირუსი ცვლის ძუძუმწოვრების ქცევას (მური, 2002)]. ეს ასევე ზოგჯერ არის ფიზიკური მანძილი იმისდა მიხედვით, თუ სად ცხოვრობს მასპინძლის სხეულში პარაზიტი [მაგ. ჭიკჭიკების მუცელში მცხოვრები თმის ჭიები, რომლებიც იწვევენ ტვინის ექსპრესიის ცვლილებებს (თომას და სხვ., 2002)]. და ბოლოს, მანძილი შეიძლება იყოს დროებითი, რადგან პარაზიტის გენების გენის გამოხატულება შეიძლება წინ უსწრებდეს შეცვლილ ფენოტიპს [პარაზიტოიდები აწარმოებენ ქიმიკატებს, რომლებიც მანიპულირებენ მწერებით, რათა იმოქმედონ მცველებად მას შემდეგ, რაც გამოჩნდება (მაგ. Grosman et al., 2008, Maure et al., 2013)]. ამ სირთულის მიუხედავად, გაფართოებული ფენოტიპის გენეტიკური საფუძვლის გაგების ამოცანა შესაძლებელია სწორი მოდელის სისტემით, სადაც ბიოლოგიური დეტალები კარგად არის ცნობილი (Biron et al., 2005a Lefèvre et al., 2009 Poulin, 2011 Adamo, 2012 წ. ).

მასპინძლის ქცევის პარაზიტების მანიპულირების შესახებ კვლევების უმეტესობა იყო ფენომენის აღწერა. ინფიცირებულ პირებში დაფიქსირებული უჩვეულო ქცევები აღირიცხება და თუ მათი სირთულე ვარაუდობს, რომ ეს სარგებელს მოაქვს პარაზიტის გენების გადაცემას, მაშინ ქცევა ითვლება ადაპტაციური მანიპულაციის მაგალითი (ბარნარდი და ბენკე, 1990 Beckage, 1997 Moore, 2002). ეს მიდგომა ღირებულია, მაგრამ მიდრეკილია კრიტიკისკენ, როგორც ადაპტაციის ისტორიის მოთხრობა (გოულდი და ლევონტინი, 1979). ასეთმა ბრალდებებმა აიძულა პარაზიტების ეკოლოგიის დარგის ერთ-ერთი მთავარი მკვლევარი, ეჭვქვეშ დააყენოს გაფართოებული ფენოტიპის პარადიგმის სარგებლიანობა (Poulin, 2000). ამის საპასუხოდ, 30-ზე მეტმა ავტორმა განიხილა დებატები სპეციალურ ნომერში ქცევითი პროცესები (2005, ტ. 68, გამოცემა 3), რომ მიუხედავად ადაპტაციის მსჯელობის პრობლემებისა, წახალისება შეიძლება იქნას მიღებული ახალი კვლევებიდან, რომლებიც აკვირდებიან იმ მექანიზმებს, რომლითაც პარაზიტები აკონტროლებენ ქცევას (Hughes, 2005 Moore et al., 2005 Thomas et al., 2005 წ. ადამო, 2012). ეს მექანიკური მიდგომა უკვე წარმატებული იყო და აჩვენა ნევროლოგიური და ჰორმონალური ცვლილებები ინფიცირებულ მასპინძლებში (Lefèvre et al., 2009 Adamo, 2012). ერთ-ერთი ყველაზე პერსპექტიული მიდგომა იყო პარაზიტების კონტროლის გენეტიკური საფუძვლის დასკვნა მეშვეობით პროტეომიკა (Biron et al., 2005a Biron et al., 2005b Biron and Loxdale, 2013). Here, proteome profiles of hairworms (Nematomorpha, also called Gordian worms) causing crickets to jump into water (so that the worms can exit for mating) revealed a molecular cross-talk between the parasite inside the cricket’s abdomen and the brain of the cricket. Specifically, the worms caused an upregulation of cricket Wnt proteins in the brain (Biron et al., 2005b). These advances led to an invited multi-authored review on the mechanistic advances and a call for more detailed studies, including whole-genome analysis (Lefèvre et al., 2009). The field of parasite manipulation has therefore moved beyond its important natural history phase towards a more empirical approach: a recently edited volume for Oxford University Press records these interesting developments and the history leading this point (Hughes et al., 2012).

Although the proteomic basis is important (and the metabolomic basis too), the ultimate goal in studying the extended phenotypes of parasites is to determine the genetic basis. Recently, Hoover et al. (Hoover et al., 2011) were able to demonstrate a single gene effect of baculovirus responsible for an altered behavior (ეგტ), in that case the well-known summit disease observable in virus-infected caterpillars (discussed below). A previous study highlighted the role of a single gene (Cory et al., 2004), but the Hoover et al. study is important for the broader field of parasite manipulation as it points to ways experimental studies (gene knockouts and restoration) will increasingly become part of our toolkit (Fig. 1). Such approaches raise a number of questions for researchers interested in the genetic basis of parasite extended phenotypes that I will discuss in this Review. What I aim to do is ask what different approaches can be taken for better elucidating the genetic evidence for behavioral change. First I will re-cap the concept of the extended phenotype.

The extended phenotype

The paradigm of the gene as the unit of selection emerged during a period of much debate between advocates of individual- and group-level selection and through the work of Bill Hamilton (Hamilton, 1963 Hamilton, 1964). This debate is still on-going and occasionally rancorous (Hughes, 2011). Hamilton’s concepts were subsequently made more transparent by Richard Dawkins in his selfish gene approach (Dawkins, 1976) and became the foundation for sociobiological theory (Wilson, 1975). What this paradigm states is that it is genes alone that are transferred between generations the organisms in which genes reside and their phenotypes are the means by which transmission is secured. Organisms are vehicles and genes are replicators. Natural selection chooses among variation in phenotypes, but the information encoding these phenotypes and, ultimately, the unit that is selected is the gene [see discussion by Mayr (Mayr, 1997)].

The phenotype has principally been considered as a trait of the individual organism. Examples are eye or flower color, antler length, butterfly wing spots, behavior or chemical signals released into the air, to name just a few. But such foci only reflect the convenience with which we could study those easily visible attributes of organisms (Dawkins, 1990). Rapid and continued technological advances allow us to look at phenotypes all the way from the surface of the organism down to the levels of transcription and protein folding. Dawkins (Dawkins, 1982) also advocated an additional level of the phenotype, but what was and still remains novel is that this additional level of phenotype is not physically attached to the organisms whose genes are encoding it this is the extended phenotype.


დისკუსია

To summarize our observations, there is an abundance of both experimental and inferred information with good quality for human, including genome quality, orthology relationships, biomedical literature, tissue expression data, gene annotations, and protein associations. Unfortunately, the same is not the case for mouse, rat or pig. While mouse is very often mentioned in the literature and is well covered by tissue expression data and GO annotations, there are very few experimentally determined protein associations reported for it. Meanwhile there is a shortage of most types of annotations and data for both rat and pig. Thus, one of the biggest limitations of the current analysis is the availability of public data for model organisms. This can be improved in the future by encouraging researchers to make publicly available more experimental, curated, high-quality findings generated for organisms other than human, especially when these organisms are popular model animals such as mouse and rat.

Pathway transferability, both in our study and in pathway databases in general, is limited by the data availability and agreement of the individual resources, in particular, the amount of pathway annotations and the quality of orthology relationships. Nevertheless, the pathway transfer from human works very well for mouse (95% on average) and fairly well for rat or pig (85% and 87% on average, respectively). The pathway transferability also highlights the extent to which the animal models agree with human at a pathway level given the available data. Due to the lack of organism-specific information on pathways, we are not able to detect more pronounced differences between the organisms by using only this type of data. Ideally, we would like to have one single resource with pathways that are curated separately for each organism. Using it would allow us to identify the specific parts of the pathways that are only present in the animal model but not in human. Unfortunately, this is not possible with the current pathway and interaction databases, even though individual resources such as the Mouse and Rat Genome Database ( 14, 16) try to collect and provide organism-specific data. Therefore, we are in practice forced to think of the human curated pathways as more general representations of what is happening in any tissue. We then try to approximate how these pathways behave in specific tissues or model organisms through integration of other types of data such as tissue expression.

The availability of organism-specific tissue expression datasets is considerably better, although still far from ideal. The deposited datasets often come from one individual and tissue and only sometimes cover several tissues in the same individual(s). This gap has been decreasing lately as more and more high-throughput sequencing data is being generated and deposited in public repositories for human ( 36–38) and farm animals, including pig ( 39). For example, several large-scale sequencing and annotation efforts have been undertaken by the FAANG (Functional Annotation of ANimal Genomes) consortium with the goal to improve the functional annotation of animal genomes, including pig, goat, sheep, cattle, horse, and chicken ( 40). These efforts will improve both the genome quality and gene annotation. However, a limitation is still the need to update resources based on the new genome assemblies, which does not always happen quickly enough. Furthermore, there is a clear need for more resources like the TISSUES database, which can calibrate the data from the different technologies and organisms and make it comparable. This also means that the analysis performed here can be significantly improved in the future once more and better quality data becomes available. Another possibility would be to extend the current analysis to include other less popular model animals.

Another important aspect and possible limitation of our analysis is the comparability between organisms. Most importantly, we need well defined orthology relationships between the compared organisms. Identifying orthology between species has improved over the years ( 41) and allows us to compare even organisms, which are evolutionarily more distant ( 42). However, orthology assignments are still heavily influenced by the quality of the underlying genomes and their annotations. In our case this means that some of the orthology relationships between human and pig or human and rat might be missing due to the annotation quality of these genomes at the time when the orthology resources were constructed and updated. This lack of complete orthology relationships influences both the pathway transferability and the extent, to which the organisms agree with each other at pathway–tissue level, and thus only allows us to see part of the whole picture now. However, with better annotated genome assemblies and improved orthology, we expect that our framework will reveal an even more complete picture of the similarities and differences between human and different animal models.

The comparison of individual types of data between the selected four organisms indicates that the observed agreement is more driven by the availability of data than by evolutionary relationships. This is likely due to the lack of organism-specific data at various levels. However, we also showed that through integration of pathway data with tissue expression, we can identify both similarities between human and the model organisms and differences with respect to how well the animal models agree with human at a pathway–tissue level. The resulting pathway–tissue–organism associations revealed both expected and unexpected findings as mentioned previously. For example, so-called house-keeping pathways consist primarily of genes that we see expressed in most tissues and organisms, while other pathways were found to be much more tissue-specific. In terms of pathway–tissue differences between the organisms, all tissues except for the liver were associated with more pathways, for which only one or two, but not all three model organisms were consistent with human. With respect to the question, which of these animal models is best suited for modelling a human disease, we can conclude that there is no universal answer and that it depends on the specific tissue and sometimes even the specific pathways involved in the disease.

To make sure that this specific approach of integrating orthology-derived pathways with tissue expression data from human and animal models is robust with respect to the chosen algorithms and cutoffs, we performed a robustness analysis. In order to use the confidence scores for gene–tissue associations from the TISSUES database, we needed to set a cutoff for whether a gene is expressed or not in a given tissue, which is not a straightforward choice. In addition, when identifying which and how many pathways are expressed in a given tissue, we chose a cutoff for the number of expressed pathway genes. The robustness analysis confirmed that, although the absolute numbers change, the trends remain the same, and thus, our findings are consistent and reproducible irrespective of the specific cutoffs chosen.

Our systematic data integration of pathways with tissue expression enables the investigation of mammalian pathway activity in several different healthy tissues of mouse, rat and pig as well as the comparison with the corresponding human tissues. We highlight tissue-specific features of the pathways and point out similarities and differences between human and the model organisms. Ultimately, we identify distinct pathway–tissue combinations, which are specifically more consistent with human for either of the three studied animal models. These findings can support researchers in the decision of which model organism to choose for a human disease of interest.

In the current analysis, we focused only on the three animal models mouse, rat and pig and on the seven tissues, which are well covered by experimental datasets in the TISSUES database. However, if the used resources become more elaborate in the future, it should be possible to conduct the same type of analysis on more tissues and for more model organisms. This would of course require enough tissue expression data that can be calibrated and made comparable, for example, as done for the TISSUES database. Furthermore, although we based our study on the KEGG pathways database, our workflow for data integration and comparison is applicable to other pathway databases or gene–phenotype and gene–disease associations. The presented framework can also be extended to study the similarity of pathways upon activation or perturbation or to take into account the effect of specific genes, drugs or even diseases on the pathways in the same tissue for different model organisms, given that such a comprehensive collection of data exists and is made publicly available. Thus, future analysis would require the systematic assembly of associations between pathways, tissues and diseases to further aid researchers in choosing the best model organism for studying human diseases.


Დამატებითი ინფორმაცია

კონკურენტული ინტერესები

The authors declare that they have no competing interests.

Authors’ contributions

All authors have read and approved the final version of the manuscript/Conceptualization, EB, NM, and BOP Methodology, EB, NM, JM, RLC, PEB Investigation, EB, NM, JM, SEB, EJO, ZZ and KC Writing – Original Draft, EB, and BOP Writing – Review & Editing, EB, NM, JM, EJO, BOP, RLC, PEB Funding Acquisition, BOP Resources, BOP Supervision, BOP.


Უყურე ვიდეოს: ჩარლზ დარვინი. (ივლისი 2022).


კომენტარები:

  1. Dillon

    შენ არ ხარ მართალი. შეიყვანეთ ჩვენ განვიხილავთ.

  2. Shoemowetochawcawewahcato

    ვგულისხმობ, შეცდომას დაუშვებ. შეიყვანეთ ჩვენ განვიხილავთ მას. მომწერეთ PM– ში, ჩვენ მას გავუმკლავდებით.

  3. Darcy

    YES, this understandable message

  4. Hamlin

    წავალ ლუდით :)

  5. Dal

    სამწუხაროა, რომ ახლა ვერ მივიღებ მონაწილეობას. ეს არ არის საკმარისი ინფორმაცია. მაგრამ ამ თემას ძალიან დიდი ინტერესები აქვს.

  6. Foley

    სად აქ ნიჭის წინააღმდეგ



დაწერეთ შეტყობინება