Információ

Hány koexpresszált gén várható egy szövetben?

Hány koexpresszált gén várható egy szövetben?



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.

Tumorszövetek génexpressziós mikrotömbjeivel dolgozom, és szeretnék egy programot használni, hogy megtaláljam a koexpresszált gének klasztereit, hogy megtudjam, hogy bizonyos gének együtt expresszálódnak-e más génekkel, és melyek azok.

Mivel sok microarray-kísérletnél ezt kell tennem, és azt olvastam, hogy sok olyan gén létezik, amelyeknek állandó expressziója van egy szövetben, ezért a gént a kísérletekben tapasztalt variabilitása (variációs együtthatója) alapján rangsoroltam, és megtartottam az elsőt. 3000 gén a ko-kifejezésük kereséséhez. Ezután egy programot (egy biovezető csomagot) alkalmaztam, hogy megtaláljam a ko-kifejezést.

Nos, arra számítottam, hogy a példaként használt kísérletben több génklasztert találok (ennek nincs különösebb oka), de ehelyett csak egy körülbelül száz génből álló koexpresszált klasztert találok, és a más gének nem expresszálódnak együtt.

A kérdésem a következő: ennek az eredménynek lehet biológiai értelme, vagy iszonyatos hibát követek el valahol? Előre is köszönöm.


  • Nézze meg Daniel Ramsköld és társai gyönyörű kiadványát. 2009, amely tartalmazza az általánosan várt együttes kifejezések számát.
  • Az együtt-kifejezés konkrét szintje, amely az Ön forgatókönyvére vonatkozik, a szövetétől, a küszöbértékeitől és a koexpresszió meghatározásától függ.
  • Ha bizonyos gének együttes változását keresi a különböző mintákban (nem pedig a koexpresszióban), a megváltozott gének száma a mögöttes biológiától függ (és így megakadályozza az általános választ anélkül, hogy figyelembe venné a minta sajátosságait) .

Vannak bizonyos nagyon jól definiált géncsoportok, amelyek együttes kifejeződése várható, pl. riboszomális fehérjék, proteoszóma alegységek, splicesoma komponensek, VHATPáz alegységek; és e csoportok mindegyike különböző körülmények között fejeződik ki. Ezért úgy tűnik számomra, hogy vagy az Ön különböző daganatos szövetei (ha ez a helyzet) hasonló állapotban vannak, így nem tudja megkülönböztetni ezeket a klasztereket, vagy valami probléma van az elemzésével.


Ko-expressziós génhálózatok, szabályozó gének és elhízás útjainak azonosítása zsírszöveti RNS szekvenálás alapján sertés modellben

Az elhízás összetett anyagcsere-állapot, amely szoros összefüggésben áll különféle betegségekkel, például a 2-es típusú cukorbetegséggel, ami jelentős közegészségügyi és gazdasági következményekkel jár. Az elhízás környezeti és genetikai tényezők, valamint ezek kölcsönhatásainak eredménye, beleértve a genomszintű genetikai kölcsönhatásokat is. A sovány és elhízott egyéneket képviselő releváns szövetekből kivont RNS-ben a koexpresszált és szabályozó gének azonosítása belépési pontot biztosít az elhízás kialakulásában fontos gének és útvonalak azonosításához. A sertés, egy mindenevő állat, kiváló modellje az emberi elhízásnak, lehetőséget adva az elhízás szervi szintű transzkriptomikus szabályozásának mélyreható tanulmányozására, amely emberben nem kivitelezhető. Célunk az volt, hogy feltárjuk az elhízás zsírszöveti koexpressziós hálózatait, útvonalait és transzkripciós szabályozásait RNS-szekvenáláson alapuló rendszerbiológiai megközelítések segítségével sertésmodellben.

Mód

36 állatot választottunk ki az RNS-szekvenáláshoz egy korábban létrehozott F2 sertéspopulációból, amelyek három szélsőséges csoportot képviselnek az elhízással kapcsolatos előrejelzett genetikai kockázataik alapján. Súlyozott génko-expressziós hálózatelemzést (WGCNA) alkalmaztunk nagymértékben koexpresszált gének (modulok) klasztereinek kimutatására. Ezenkívül a szabályozó géneket Lemon-Tree algoritmusok segítségével detektáltuk.

Eredmények

A WGCNA öt modult tárt fel, amelyek szorosan korreláltak legalább egy elhízással kapcsolatos fenotípussal (a korrelációk -0,54 és 0,72 között, P < 0,001). A funkcionális annotáció olyan utakat azonosított, amelyek megvilágítják az elhízás és más betegségek, például a csontritkulás közötti összefüggést.osteoclast differenciálódás, P = 1,4E -7 ), és az immunrendszerrel összefüggő szövődmények (pl. Természetes ölősejtek által közvetített citotoxikus hatás, P = 3,8E -5 B sejt receptor jelátviteli útvonal, P = 7,2E-5). A Lemon-Tree három potenciális szabályozó gént azonosított magabiztos pontszámok alapján a WGCNA modulhoz, amelyhez társult osteoclast differenciálódás: CCR1, MSR1 és SI1 (a valószínűségi pontszámok rendre 95,30, 62,28 és 34,58). Ezenkívül a differenciálisan kapcsolódó gének kimutatása különböző géneket azonosított, amelyeket korábban az emberek és rágcsálók elhízásával társítottak, pl. CSF1R és MARC2.

Következtetések

Tudomásunk szerint ez az első olyan tanulmány, amely rendszerbiológiai megközelítéseket alkalmaz sertés zsírszöveti RNS-szekvenálási adatok felhasználásával egy genetikailag jellemzett sertés elhízás modellben. Összetett hálózatokat, útvonalakat, jelölt és szabályozó géneket tártunk fel az elhízással kapcsolatban, megerősítve az elhízás összetettségét és az immunrendszeri rendellenességekkel és a csontritkulással való összefüggését.


A gének csoportosulása prokariótákban régóta ismert volt. Génjeik operonokba vannak csoportosítva, az operonokon belüli gének közös promoteregységet tartalmaznak. Ezek a gének többnyire funkcionálisan rokonok. A prokarióták genomja viszonylag nagyon egyszerű és kompakt. Az eukarióták genomja hatalmas, és funkcionálisan csak kis része gén, ráadásul a gének nem rendeződnek operonokba. Kivéve a fonálférgeket és a tripanoszómákat, bár ezek operonjai különböznek a prokarióta operonoktól. Az eukariótákban minden génnek megvan a saját transzkripciós szabályozási helye. Ezért a géneknek nem kell közel lenniük ahhoz, hogy együtt expresszálódjanak. Ezért sokáig azt feltételezték, hogy az eukarióta gének véletlenszerűen oszlanak el a genomban a kromoszóma-átrendeződések magas aránya miatt. De mivel a genomok teljes szekvenciája elérhetővé vált, lehetővé vált egy gén abszolút helyének meghatározása és a többi géntől való távolságának mérése.

Az első eukarióta genom, amelyet valaha szekvenáltak, a Saccharomyces cerevisiae, vagyis a bimbózó élesztő genomja volt 1996-ban. Fél évvel ezután Velculescu et al. (1997) publikáltak egy kutatást, amelyben a SAGE adatokat integrálták a már elérhető genomtérképpel. A sejtciklus során különböző gének aktívak a sejtben. Ezért a sejtciklus három pillanatából (log-fázis, S-fázisú és G2/M-fázisban leállított sejtek) SAGE-adatokat használtak. Mivel az élesztőben minden génnek van egy saját promóteregysége, nem sejtették, hogy a gének egymáshoz közel csoportosulnak, de igen. A klaszterek mind a 16 élesztő kromoszómán jelen voltak. [2] Egy évvel később Cho et al. arról is beszámoltak (bár részletesebben), hogy bizonyos gének egymás közelében helyezkednek el az élesztőben. [3]

Együttes kifejezés Szerkesztés

Cho és mtsai. voltak az elsők, akik megállapították, hogy a csoportosított gének azonos expressziós szinttel rendelkeznek. Olyan átiratokat azonosítottak, amelyek sejtciklus-függő periodicitást mutatnak. E gének 25%-a más, ugyanabban a sejtciklusban átíródó gének közvetlen közelében található. Cohen és mtsai. (2000) koexpresszált gének klasztereit is azonosították.

Caron et al. (2001) 12 különböző szövetről (ráksejtekről) készített emberi transzkriptom térképet, és arra a következtetésre jutott, hogy a gének nem véletlenszerűen oszlanak el a kromoszómák között. Ehelyett a gének általában 39 génből álló csoportokba tömörülnek egymás közelében. A klaszterek nemcsak génsűrűek voltak. 27 nagyon magas expressziós szinttel rendelkező géncsoportot azonosítottak, és RIDGE-nek nevezték el őket. Egy általános RIDGE 6-30 gént számol centirayenként. Voltak azonban nagy kivételek, a RIDGE-k 40-50%-a nem volt olyan génsűrű, mint az élesztőben, ezek a RIDGE-k a telomer régiókban helyezkedtek el. [1]

Lercher et al. (2002) rámutatott néhány gyenge pontra Caron megközelítésében. Közvetlen közeli gének klaszterei és magas transzkripciós szintjei könnyen létrehozhatók tandem duplikátumokkal. A gének másolatokat generálhatnak magukról, amelyek beépülnek a környezetükbe. Ezek a duplikátumok vagy funkcionális részévé válhatnak szülőgénjük útvonalának, vagy (mivel a természetes szelekció már nem kedveli őket) káros mutációkat szerezhetnek, és pszeudogénné alakulhatnak. Mivel ezek a duplikátumok hamis pozitívak a génklaszterek keresésében, ki kell zárni őket. Lercher kizárta a szomszédos géneket, amelyek nagyon hasonlítanak egymásra, majd egy csúszó ablakkal kereste a 15 szomszédos gént tartalmazó régiókat. [4]

Egyértelmű volt, hogy léteznek génsűrű régiók. Feltűnő összefüggés volt a génsűrűség és a magas CG-tartalom között. Néhány klaszternek valóban magas volt az expressziós szintje. Az erősen expresszált régiók többsége azonban háztartási génekből állt, amelyek minden szövetben erősen expresszálódnak, mivel alapmechanizmusokat kódolnak. A klaszterek csak egy kisebb része tartalmazott olyan géneket, amelyek meghatározott szövetekre korlátozódtak.

Versteeg et al. (2003) jobb humán genom térképpel és jobb SAGE taq-okkal próbálták meghatározni a RIDGE-k jellemzőit specifikusabban. Az átfedő géneket egyetlen génként kezeltük, az intronok nélküli géneket pedig pszeudogénként elutasították. Megállapították, hogy a RIDGE-k nagyon génsűrűek, magas génexpresszióval, rövid intronokkal, magas SINE ismétlődési sűrűséggel és alacsony LINE ismétlési sűrűséggel rendelkeznek. A nagyon alacsony transzkripciós szintû géneket tartalmazó klaszterek a RIDGE-kékkel ellentétes tulajdonságokkal rendelkeztek, ezért ezeket a klasztereket antiridge-nek nevezték. [5] A LINE ismétlődések olyan ócska DNS, amely endonukleáz (TTTTA) hasítási helyet tartalmaz. Szűkösségük a RIDGE-ben azzal magyarázható, hogy a természetes szelekció kedvez a LINE ismétlődések szűkösségének az ORF-ekben, mivel endonukleáz helyeik káros mutációt okozhatnak a génekben. Még nem érthető, hogy miért bőségesek a SINE ismétlések.

Versteeg et al. arra a következtetésre jutott, hogy a Lerchers-analízissel ellentétben számos gén transzkripciós szintje a RIDGE-ben (például a 9. kromoszómán lévő klaszterben) erősen eltérhet a különböző szövetekben. Lee és mtsai. (2003) a különböző fajok közötti génklaszteresedés tendenciáját elemezte. Összehasonlították Saccharomyces cerevisiae, Homo sapiens, Caenorhabditis elegans, Arabidopsis thaliana és Drosophila melanogaster, és a laza klaszterekben lévő gének töredékeként (37%), (50%), (74%), (52%) és (68%) klaszteresedést találtak. Arra a következtetésre jutottak, hogy ritkák az olyan útvonalak, amelyekben a géneket sok fajban csoportosítják. Hét univerzálisan klaszterezett útvonalat találtak: glikolízis, aminoacil-tRNS bioszintézis, ATP szintáz, DNS polimeráz, hexaklór-ciklohexán lebomlás, ciano-aminosav metabolizmus és fotoszintézis (ATP szintézis nem növényfajokban). Nem meglepő módon ezek alapvető sejtpályák. [6]

Lee és mtsai. nagyon változatos állatcsoportokat használtak. Ezeken a csoportokon belül a klaszterezés konzervált, például a Homo sapiens és a Mus musculus klaszterképző motívumai többé-kevésbé azonosak. [7]

Spellman és Rubin (2002) készített egy átírási térképet Drosophila. Az összes vizsgált gén 20%-a csoportosult. A klaszterek 10-30 génből álltak, körülbelül 100 kilobázis nagyságú csoportban. A klaszterek tagjai funkcionálisan nem voltak rokonok, és a klaszterek elhelyezkedése sem korrelált az ismert kromatinszerkezetekkel. [8]

Ez a tanulmány azt is kimutatta, hogy a klasztereken belül átlagosan 15 gén expressziós szintje nagyjából azonos volt a sok kísérleti körülmény között. Ezek a hasonlóságok annyira feltűnőek voltak, hogy a szerzők úgy érveltek, hogy a klaszterekben lévő géneket nem egyéni promóterük szabályozza, hanem a kromatin szerkezetében bekövetkezett változásokról van szó. Hasonló társszabályozási mintát tettek közzé ugyanabban az évben Roy et al. (2002) a C. elegansban. [9]

Számos klaszterbe csoportosított gén ugyanazt az expressziós profilt mutatja humán invazív duktális emlőkarcinómákban. A gének nagyjából 20%-a mutat összefüggést a szomszédaival. Az együtt expresszált gének klasztereit régiók szerint osztották fel, ahol a gének között kisebb a korreláció. Ezek a klaszterek egy teljes kromoszómakart lefedhetnek.

A korábban tárgyalt jelentésekkel ellentétben Johnidis et al. (2005) felfedezték, hogy (legalábbis néhány) a klasztereken belüli gének nincsenek együtt szabályozva. Az Aire egy transzkripciós faktor, amely fel- és lefelé szabályozó hatással van különböző génekre. A timociták negatív szelekciójában működik, amely a szervezet saját epitópjaira reagál a medulláris sejtekkel. [10]

A levegő által irányított gének csoportosultak. Az aire által leginkább aktivált gének közül 53-nak volt egy aire-aktivált szomszédja 200 Kb-on belül vagy ennél kisebb, és az aire által leginkább elnyomott gének közül 32-nek volt egy aire-elnyomott szomszédja 200 Kb-on belül, ami kevesebb, mint a változás által várt. Ugyanezt a szűrést végezték el a CIITA transzkripciós szabályozó esetében is.

Ezek a transzkripciós szabályozók nem gyakoroltak ugyanolyan hatást az ugyanabban a klaszterben lévő al génekre. Az aktivált és elnyomott vagy nem érintett gének néha ugyanabban a klaszterben voltak jelen. Ebben az esetben lehetetlen, hogy a levegő által szabályozott gének csoportosuljanak, mert mindegyik együtt szabályozott.

Tehát nem egészen világos, hogy a tartományok együttszabályozottak-e vagy sem. Ennek tesztelésére egy nagyon hatékony módszer az lenne, ha szintetikus géneket illesztünk be RIDGE-kbe, antiridge-ekbe és/vagy véletlenszerű helyekre a genomban, és meghatározzuk expressziójukat. Ezeket az expressziós szinteket össze kell hasonlítani egymással. Gierman et al. (2007) voltak az elsők, akik ezzel a megközelítéssel bizonyították a társszabályozást. Inszerciós konstrukcióként egy fluoreszkáló GFP gént használtak, amelyet a mindenütt expresszálódó humán foszfoglicerát kináz (PGK) promoter vezérelt. Ezt a konstrukciót 90 különböző pozícióba integrálták a humán HEK293 sejtek genomjában. Azt találták, hogy a konstrukció expressziója a Ridges-ben valóban magasabb volt, mint az antiridge-ekbe inszertálté (miközben minden konstrukciónak ugyanaz a promótere). [11]

Azt vizsgálták, hogy ezek az expressziós különbségek a konstrukciók közvetlen szomszédságában lévő géneknek vagy a domén egészének tulajdoníthatók-e. Azt találták, hogy az erősen expresszált gének melletti konstrukciók valamivel jobban kifejeződnek, mint mások. Amikor azonban az ablakméretet a környező 49 génre (domainszint) növeltük, azt látták, hogy az összességében magas expressziójú doménekben elhelyezkedő konstrukciók expressziója több mint kétszerese volt, mint az alacsony expressziós szinttel rendelkező doménekben található konstrukciók.

Azt is ellenőrizték, hogy a konstrukció hasonló szinten expresszálódik-e, mint a szomszédos gének, és hogy ez a szoros koexpresszió csak a RIDGE-ben van-e jelen. Azt találták, hogy a kifejezések erősen korreláltak a RIDGE-ken belül, és szinte hiányoznak a RIDGE-ken belül és kívül.

Korábbi megfigyelések és Gierman et al. bebizonyította, hogy egy domén aktivitása nagy hatással van a benne elhelyezkedő gének expressziójára. És a RIDGE-en belüli gének együtt expresszálódnak. Azonban a Gierman és munkatársai által használt konstrukciók. teljes munkaidős aktív promóter szabályozta. Johnidis et al. kutatásának génjei. az aire transzkripciós faktor jelenlététől függtek. Az aire által szabályozott gének furcsa expresszióját részben magának az aire transzkripciós faktornak az expressziójában és konformációjában mutatkozó különbségek okozhatták.

Funkcionális reláció Szerk

A genomikai korszak előtt ismert volt, hogy a csoportosított gének általában funkcionálisan rokonok. Abderrahim et al. (1994) kimutatták, hogy a fő hisztokompatibilitási komplex összes génje a 6p21 kromoszómán csoportosul. Roy et al. (2002) kimutatták, hogy a fonálféregben C. elegans azok a gének, amelyek kizárólag az izomszövetben expresszálódnak a lárvaállapotban, hajlamosak 2-5 génből álló kis csoportokba csoportosulni. 13 klasztert azonosítottak.

Yamashita et al. (2004) kimutatták, hogy a szervek specifikus funkcióival kapcsolatos gének csoportosulnak. Hat májhoz kapcsolódó domén tartalmazott xenobiotikus, lipid- és alkohol-anyagcsere géneket. Öt vastagbél-rokon domén tartalmazott apoptózist, sejtproliferációt, iontranszportert és mucintermelést biztosító géneket. Ezek a klaszterek nagyon kicsik voltak, és az expressziós szintek alacsonyak voltak. Az agyhoz és a mellhez kapcsolódó gének nem csoportosultak. [12]

Ez azt mutatja, hogy legalább néhány klaszter funkcionálisan rokon génekből áll. Vannak azonban nagy kivételek. Spellman és Rubin kimutatta, hogy vannak olyan együtt expresszált gének klaszterei, amelyek funkcionálisan nem kapcsolódnak egymáshoz. Úgy tűnik, hogy a klaszterek nagyon különböző formákban jelennek meg.

Rendelet Szerk

Cohen és mtsai. azt találta, hogy egy pár koexpresszált gén közül csak az egyik promóter rendelkezik az expressziós mintázathoz kapcsolódó Upstream Activating Sequence (UAS) szekvenciával. Azt javasolták, hogy az UAS-ok olyan géneket aktiválhatnak, amelyek nincsenek közvetlen szomszédságukban. Ez a magyarázat megmagyarázhatja a kis klaszterek koexpresszióját, de sok klaszter több gént tartalmaz, amelyeket egyetlen UAS szabályoz.

A kromatin-változások elfogadható magyarázatot adnak a klaszterekben tapasztalható társszabályozásra. A kromatin a DNS-szálból és a DNS-hez kapcsolódó hisztonokból áll. Azokat a régiókat, ahol a kromatin nagyon szorosan tömött, heterokromatinnak nevezzük. A heterokromatin nagyon gyakran vírusgenomok maradványaiból, transzpozonokból és más ócska DNS-ből áll. A szoros csomagolás miatt a DNS szinte elérhetetlen az átíró gépezet számára, a káros DNS fehérjékkel való fedése az a mód, amellyel a sejt megvédheti magát. A funkcionális génekből álló kromatin gyakran nyitott szerkezet, ahol a DNS hozzáférhető. A legtöbb gént azonban nem szükséges állandóan kifejezni.

A szükségtelen génekkel rendelkező DNS-t hisztonok borítják. Amikor egy gént expresszálni kell, a speciális fehérjék megváltoztathatják a hisztonokhoz kötődő vegyi anyagokat (hisztonmódosítások), amelyek hatására a hisztonok megnyitják a szerkezetet. Amikor az egyik gén kromatinját kinyitjuk, a szomszédos gének kromatinja is addig marad, amíg ez a módosítás nem találkozik egy határelemmel. Ily módon a közeli gének egy időben expresszálódnak. Tehát a gének „kifejezési csomópontokban” csoportosulnak. Ehhez a modellhez képest Gilbert et al. (2004) kimutatták, hogy a RIDGE-k leginkább a nyitott kromatin szerkezetekben vannak jelen. [13] [14]

Azonban Johnidis et al. (2005) kimutatták, hogy az ugyanabban a klaszterben lévő gének nagyon eltérően fejeződhetnek ki. Az eukarióta génszabályozás és a kapcsolódó kromatinváltozások pontos működése még mindig nagyon tisztázatlan, és nincs egyetértés ezzel kapcsolatban. Ahhoz, hogy világos képet kapjunk a génklaszterek mechanizmusáról, először a kromatin és a génszabályozás működését kell megvilágítani. Ezen túlmenően, a legtöbb közösen szabályozott gének klasztereit azonosító cikk a transzkripciós szintekre összpontosított, míg kevés az ugyanazon transzkripciós faktorok által szabályozott klaszterekre. Johnides et al. furcsa jelenségeket fedeztek fel, amikor ezt tették.

Az első modellek, amelyek megpróbálták megmagyarázni a gének csoportosulását, természetesen az operonokra összpontosítottak, mivel azokat az eukarióta génklaszterek előtt fedezték fel. 1999-ben Lawrence modellt javasolt az eredet operonokhoz. Ez önző operonmodell azt sugallja, hogy az egyes géneket vertikális és horizontális transzferrel csoportosították, és egyetlen egységként őrizték meg, mert ez a gének számára volt előnyös, nem önmagában a szervezet számára. Ez a modell azt jósolja, hogy a génklasztereknek konzerváltaknak kell lenniük a fajok között. Ez nem igaz az eukariótákban látható sok operonra és génklaszterre. [15]

Eichler és Sankoff szerint az eukarióta kromoszómafejlődés két átlagos folyamata: 1) a kromoszómaszegmensek átrendeződése és 2) a gének lokalizált duplikációja. A klaszterezés azzal magyarázható, hogy a klaszterben lévő összes gén egy közös ős tandem duplikátumából származik. Ha egy klaszterben az összes koexpresszált gén egy közös ősi génből fejlődött volna ki, várható lett volna, hogy együtt expresszálódnak, mivel mindegyiküknek hasonló promóterei vannak. A génklaszterezés azonban nagyon gyakori a genomokban, és nem világos, hogy ez a duplikációs modell hogyan magyarázhatja meg az összes klaszterezést. Ezenkívül számos, a klaszterekben jelen lévő gén nem homológ.

Hogyan kerültek az evolúciós, nem rokon gének közvetlen közelébe? Vagy van egy erő, amely a funkcionálisan rokon géneket közel hozza egymáshoz, vagy a gének változás útján kerültek közel. Singer et al. azt javasolta, hogy a gének a genomszegmensek véletlenszerű rekombinációjával kerültek közel egymáshoz. Amikor a funkcionálisan rokon gének közel kerültek egymáshoz, ez a közelség megmaradt. Meghatározták az összes lehetséges rekombinációs helyet az ember és az egér génjei között. Ezt követően összehasonlították az egér és az emberi genom klaszterezését, és megvizsgálták, hogy történt-e rekombináció a potenciálisan rekombinációs helyeken. Kiderült, hogy az azonos klaszter génjei közötti rekombináció nagyon ritka. Tehát amint létrejön egy funkcionális klaszter, a sejt elnyomja a rekombinációt. A nemi kromoszómákon a klaszterek száma nagyon alacsony mind az emberben, mind az egérben. A szerzők szerint ez a nemi kromoszómák alacsony kromoszóma-átrendeződésének tudható be.

A nyitott kromatin régiók aktív régiók. Valószínűbb, hogy a gének ezekbe a régiókba kerülnek. Az organellumokból és a vírusgenomból származó gének gyakrabban kerülnek be ezekbe a régiókba. Ily módon a nem homológ gének összenyomhatók egy kis tartományban. [16]

Lehetséges, hogy a genom egyes régiói jobban megfelelnek a fontos gének számára. A sejt számára fontos, hogy az alapfunkciókért felelős gének védve legyenek a rekombinációtól. Élesztőgombáknál és férgeknél megfigyelték, hogy az esszenciális gének kis replikációs rátával rendelkező régiókban csoportosulnak. [17]

Lehetséges, hogy a gének a változás révén kerültek közel egymáshoz. Más modelleket is javasoltak, de egyik sem képes megmagyarázni az összes megfigyelt jelenséget. Nyilvánvaló, hogy amint a klaszterek kialakulnak, a természetes szelekció megőrzi őket. Azonban még mindig hiányzik a pontos modell arról, hogy a gének hogyan kerültek közelségbe.

A jelenlegi klaszterek nagy része viszonylag nemrégiben alakult ki, mert a funkcionálisan rokon génekből mindössze hét klaszter konzervált a törzsek között. E különbségek egy része azzal magyarázható, hogy a génexpressziót a különböző törzsek nagyon eltérően szabályozzák. Például gerinceseknél és növényeknél DNS-metilációt alkalmaznak, míg élesztőben és legyekben ez hiányzik. [18]


Hány koexpresszált gén várható egy szövetben? - Biológia

Az európai felmenőkkel rendelkező húsmarháknál a gömbölyűség vagy a szarv tulajdonságát egy génpár határozza meg. A pár egyik génje az anyától, a másik az apától öröklődik. A polled gén (P) domináns a szarvas génnel (p) szemben. Ha egy állatnak két polled génje (PP), homozigóta, vagy egy polled és egy szarvas génje (Pp), heterozigóta van, akkor lekérdezés történik. Ha azonban heterozigóta polled (Pp), akkor akár a polled, akár a szarvas gént továbbadhatja utódainak. Az egyetlen helyzet, amikor egy állat szarvas lesz, az az, ha két recesszív szarvú génnel (pp) rendelkezik, homozigóta szarvú. Az 1. táblázat szemlélteti a polledesség vagy a szarvak kifejeződését, és azt, hogy várhatóan milyen géneket és tulajdonságokat adnak át az utódok a különböző párzásokból.

Ha egy európai tenyésztésű, nem zebu származású állatnak szarva van, akkor vizuális megfigyelés alapján megállapíthatja, hogy homozigóta a recesszív szarvas génre. Azonban, ha az állat sima vagy spurdozott, akkor vizuális megfigyeléssel lehetetlen megállapítani, hogy genetikailag homozigóta pollozott (PP) vagy heterozigóta polled (Pp). A két polált génnel rendelkező homozigóta polled bika csak polled borjakat szül. Csak a megtermelt utódokon keresztül lehet meghatározni a lekérdezett gének számát. A szarvas tehenekkel tenyésztett bikák legjobb próbája az, ha a szóban forgó polírozott bikát szarvas tehenekkel kell párosítani. Az egy vagy több szarvas borjút hozó szarvas teheneken tenyésztett polled bika heterozigóta (egy recesszív gén a szarvakhoz), függetlenül attól, hogy hány szaruzott borjút termelnek. A 2. táblázat megadja annak valószínűségét, hogy egy polírozott bika homozigóta lesz, ha szarvas tehenekkel való párosításból nem keletkeznek szarvas borjak.

1. táblázat: A polledesség vagy a szarvak genetikai kifejeződése és az utódok várható öröklődése
Uram Gát Borjak
Homozigóta megkérdezett (PP) Homozigóta megkérdezett (PP) 100%-ban homozigóta (PP)
Homozigóta megkérdezett (PP) Heterozigóta megkérdezett (Pp) 50% homozigóta megkérdezett (PP)
50% heterozigóta megkérdezett (Pp)
Homozigóta megkérdezett (PP) Homozigóta szarvas (pp) 100% heterozigóta megkérdezett (Pp)
Heterozigóta megkérdezett (Pp) Homozigóta szarvas (pp) 50% heterozigóta megkérdezett (Pp)
50% homozigóta szarvú (pp)
Heterozigóta megkérdezett (Pp) Heterozigóta megkérdezett (Pp) 25% homozigóta megkérdezett (PP)
50% heterozigóta megkérdezett (Pp)
25% homozigóta szarvú (pp)

2. táblázat: Annak valószínűsége, hogy egy polled bika homozigóta lesz, ha nem teremnek szarvas borjak
Szarvas tehenek polled borjak száma Annak valószínűsége, hogy Bull homozigóta lesz
2 75.00%
3 87.50%
4 93.75%
5 96.88%
6 98.44%
7 99.22%
8 99.61%
10 99.90%
12 99.98%
14 99.99%

Vannak további gének, amelyek befolyásolják az állat fején a szarvszerű növekedést, a sárgást. A sebek nem teljesen fejlett szarvak, amelyek általában lazák és mozgathatóak a bőr alatt, nem tapadnak a koponyához. Méretük a kis varasodáshoz hasonló növedékektől az esetenként majdnem szarvakig terjedő méretűekig terjed. Mivel a pajzsok génje külön továbbítódik, nincs hatással a szarvak jelenlétére vagy hiányára. Nem minden szarvasmarha hordozza a súrlódás génjét, és nem minden szarvasmarha hiányzik a súrlódás génje.

A scurs génje másképpen fejeződik ki, mint a polledness/szarv gén. A sár gén kifejeződésének módja az állat nemétől függ. A hímeknél a spur gén a domináns, ami azt jelenti, hogy ha a két gén közül csak az egyik a súrlódáshoz, akkor a bika sáros lesz. Ezért a bikában könnyű kimutatni és eltávolítani az állományból a sár gént. A nőstényeknél a spur gén recesszív, ami azt jelenti, hogy mindkét génnek rendelkeznie kell a súrlódáshoz ahhoz, hogy a tehén sáros legyen. Ha a tehén csak egy súrológénnel rendelkezik, akkor ő maga nem kap súrlódást, de 50 százalék az esélye, hogy a borjúra továbbítja a sár gént. A sima polírozású tehénben előfordulhat a recesszív scur gén, ami sokkal nehezebbé teszi a scur gén azonosítását/kiküszöbölését az állományból. A 3. táblázat az elcsúszott öröklődési mintákat mutatja be. A scur gén jelenlétét Sc, a scur gén hiányát pedig Sn jelzi. Ezek a génminták a polírozott állatokra vonatkoznak, mivel a szarvnövekedés elfedi az összes szaggatott állapotot, ha létezik.

3. táblázat: Scurred öröklődési minták
Az állatok genetikai felépítése Tehenek Bikák
ScScPP Scurred Polled Scurred Polled
ScSnPP Smooth Polled Scurred Polled
SnSnPP Smooth Polled Smooth Polled

Egy másik tényező, amely megnehezíti a polledness/szarv öröklődését, hogy a zebu származású szarvasmarhákban, mint például Brahman, Santa Gertrudis és mások, van egy további gén, amely befolyásolja a szarvak öröklődését. A Zebu-típusú szarvasmarhák szarvainak öröklődése eltér a brit fajtáknál megfigyelttől. A polled gén (P) és a scur gén (Sc) egyaránt jelen lehet a zebu származású amerikai szarvasmarhákban. Azonban egy másik gén, az afrikai szarv gén (Af) szintén befolyásolja ezekben az állatokban a szarvak öröklődését. Ennek a génnek a hiányát az (An) szimbólum fejezi ki.

A genetikusok meglehetősen bizonyosak abban, hogy az Af gén expressziójának módja az állat nemétől függ, hasonlóan ahhoz, ahogyan a sebek kifejeződnek. Férfiaknál az Af gén domináns a lekérdezett An génnel szemben. Ez azt jelenti, hogy egyetlen Af gén szarvát eredményezi, még akkor is, ha heterozigóta vagy homozigóta. Nőkben az Af gén recesszív az An génnel szemben. A heterozigóta nőstényekben az Af gének közül kettőnek jelen kell lennie ahhoz, hogy az állat szarva legyen.

Azokban az állatokban, amelyek a polled gén mellett Af gént is tartalmaznak (homozigóta vagy heterozigóta), a 4. táblázatban látható öröklődési minták várhatók.

Az afrikai szarv gén jelenléte a hímekhez hasonlóan könnyen kimutatható a hímeknél, mivel egyetlen Af gén jelenléte azt eredményezi, hogy a hímnek szarva van. Ezért az Af gén utódvizsgálata malesiszben szükségtelen. Ha a bikát lekérdezik, nem rendelkezik Af génnel. Ha szarvas, amikor genetikai felmenői azt mutatják, hogy meg kellene szavazni, az lehet az oka, hogy Af génje van. A szarvasmarha-tenyésztőknek azt is szem előtt kell tartaniuk, hogy egy bizonyítottan homozigóta bika néhány szarvas borjút hoz, ha olyan szarvas vagy poláros tehenet tenyésztenek, amelyek hordozzák az afrikai szarv gént.

4. táblázat: Az afrikai kürt gén öröklődési mintái
Az állatok genetikai felépítése Tehenek Bikák
AfAfPP Szarvas Szarvas
AfAnPP Lekérdezték Szarvas
AnAnPP Lekérdezték Lekérdezték

Amint láthatja, végső soron három génpár létezik, amelyek meghatározhatják, hogy a szarvasmarhák fején szarvszerű szövet van-e szarvak vagy pörkök formájában.


A tudósok azon vitatkoznak, hogy meddig lehet eljutni az emberi gének szerkesztésében

A Nobel-díjas David Baltimore, a Caltech munkatársa a Nemzeti Tudományos Akadémia emberi génszerkesztéssel foglalkozó nemzetközi csúcstalálkozóján beszél újságíróknak kedden Washingtonban. Több száz tudós és etikus a világ minden tájáról vitatkozik arról, hogyan kezelje a technológiát, amely megkönnyíti a szerkesztést. emberi genetikai kód. Susan Walsh/AP felirat elrejtése

A Nobel-díjas David Baltimore, a Caltech munkatársa a National Academy of Sciences emberi génszerkesztéssel foglalkozó nemzetközi csúcstalálkozóján beszél újságíróknak kedden Washingtonban. A világ minden tájáról tudósok és etikusok százai vitatkoznak arról, hogyan kezeljék a szerkesztést megkönnyítő technológiát. emberi genetikai kód.

Nem a globális felmelegedés az egyetlen bosszantó probléma, amellyel a világ ezen a héten birkózott.

Miközben a küldöttek Párizsban gyűltek össze, hogy megvitassák az éghajlatváltozást, Washingtonban összeült az emberi génszerkesztésről szóló nemzetközi csúcstalálkozó, hogy megvitassák egy másik rejtélyt: Meddig kell elmenniük a tudósoknak az emberi DNS szerkesztése során?

A fő hangsúly az volt, hogy engedélyezni kell-e a tudósoknak, hogy hatékony új géntechnológiai technikákat alkalmazzanak az emberi petesejtekben, spermiumokban vagy embriókban lévő gének szerkesztésére – ez egy rendkívül ellentmondásos lépés, amely számos kényes biztonsági és etikai kérdést vet fel.

A csütörtöki találkozó végén a konferencia szervezői arra a következtetésre jutottak, hogy biztonsági és etikai megfontolások miatt "felelőtlenség lenne folytatni" bármilyen olyan kísérletet, amely terhességet vagy babát hozna létre emberi petesejtekből, spermiumokból vagy embriókból, amelyeket megváltoztattak.

A bizottság közleménye szerint azonban "egyértelműen szükség van intenzív alapkutatásra, és folytatni kell" az ilyen típusú DNS szerkesztésének biztonságát és lehetséges előnyeit.

"Ez a kijelentés a válaszunk arra a kérdésre, hogy meg kell-e tiltani" minden további kutatást - mondta David Baltimore, a bizottság elnöke Nobel-díjas biológus.

Nevezetesen, a szervezők nem zárták ki annak lehetőségét, hogy a génszerkesztést egy nap emberteremtésre is felhasználhatják, mivel "a tudományos ismeretek fejlődnek és a társadalmi nézetek fejlődnek".

A szervezők egy folyamatos fórum létrehozását szorgalmazták a kutatás állapotának és a társadalom felkészültségének további felmérésére.

Közel 500 tudós, orvos, bioetikus, jogi szakértő, történész, betegvédő és mások gyűltek össze a csúcstalálkozóra, amelyet az Egyesült Államok Nemzeti Tudományos Akadémia, az Egyesült Államok Nemzeti Orvostudományi Akadémia, a Kínai Tudományos Akadémia és az Egyesült Királyság Királyi Társasága támogatott. .

Az amerikai akadémiák által szervezett nemzetközi bizottság részt vett a csúcson a tényfeltáró folyamat részeként, hogy ajánlásokat adjon ki a génszerkesztés lehetséges iránymutatásaira. Ezek jövőre várhatók.

A találkozót a génszerkesztő technikák, például a CRISPR-Cas9 fejlesztése által kiváltott növekvő aggodalmak miatt hívták össze. Ezek a technikák lehetővé teszik a tudósok számára, hogy minden eddiginél könnyebben hajtsanak végre nagyon pontos változtatásokat a DNS-ben.

A tudósok úgy vélik, hogy az új technikák számos előnnyel járnak majd, például új módszereket találnak a betegségek, köztük az AIDS, a rák és az Alzheimer-kór megelőzésére és kezelésére.

De a DNS ilyen egyszerű szerkesztésének képessége is sok félelmet ébreszt, különösen az emberi DNS megváltoztatásának lehetőségével kapcsolatban a kezdetektől fogva. A tudósok azt kutatták, hogy a spermiumok, petesejtek és embriók megváltoztatása hogyan adhat fontos új betekintést az alapvető emberi biológiába és fejlődésbe, és hogyan segíthet megelőzni és kezelni számos örökletes betegséget, köztük a Huntington-kórt, a cisztás fibrózist és a Tay-Sachs-kórt.

De az úgynevezett csíravonal ilyen módon történő megváltoztatása régóta tiltottnak tekinthető. Ez azért van így, mert az ilyen változások átörökíthetők a következő generációkra. A hibák véletlenül új betegségeket vezethetnek be az emberi génállományba.

Egy másik félelem, hogy ennek a lépésnek a megtétele megnyitná az ajtót a dizájner csecsemők előtt – olyan gyermekeket hoznának létre, akik okosabbak, magasabbak, okosabbak vagy más állítólag kívánatos tulajdonságokkal rendelkeznek.

Megnyitó beszédében Baltimore Aldous Huxley 1932-es könyvére hivatkozott Szép új világ. "A könyvében megfogalmazott figyelmeztetést ma is meg kell szívlelnünk, amikor az emberi populáció természetének ellenőrzésére szolgáló új és hatékony eszközök lehetőségével nézünk szembe" - mondta Baltimore.

Egy másik előadó, Daniel Kevles, a Yale Egyetem orvostörténésze arra emlékeztette a hallgatóságot, hogy az eugenikát egykoron széles körben elfogadták az Egyesült Államokban. "Az eugenika nem csak a nácikra jellemző, hanem mindenhol előfordult" - mondta Kevles.

Sok tudós hangsúlyozta, hogy közel sem képesek összetett tulajdonságokat genetikailag módosítani. Egy prominens genetikus azonban úgy vélte, hogy az emberi faj feljavítására tett kísérletek az orvosi kutatással kezdődhetnek.

A Harvard Medical School George Church keddi csúcstalálkozóján megbeszélést hallgat az emberi génszerkesztés biztonságáról és etikájáról. Susan Walsh/AP felirat elrejtése

A Harvard Medical School George Church keddi csúcstalálkozóján megbeszélést hallgat az emberi génszerkesztés biztonságáról és etikájáról.

"Úgy gondolom, hogy a fejlesztések be fognak kúszni a súlyos betegségek kezelésében" - mondta George Church, a Harvard Egyetem munkatársa. A memória javításának képessége például az Alzheimer-kór kezelésére irányuló kutatásokkal kezdődhet – mondta Church.

Úgy tűnt, általános egyetértés volt abban, hogy a biztonsági aggályok miatt még túl korai, hogy szerkesztett DNS-sel rendelkező petesejtből, embrióból vagy spermiumból babát neveljenek. De megosztottság van azzal kapcsolatban, hogy ezen kívül mit szabad megengedni.

Egyesek, például Hille Haker, a chicagói Loyola Egyetem katolikus bioetikusa, moratóriumot kértek minden kísérletre, legalábbis addig, amíg a tudósoknak több idejük nem lesz megérteni, hogyan kell használni az új génszerkesztési technikákat, és a társadalomnak több ideje lesz a bonyolult kérdések megvitatására. emelnek.

Mások attól tartottak, hogy a moratórium egy fontos pillanatban meggátol egy ígéretes területet. Azzal érveltek, hogy az alapvető laboratóriumi tanulmányokat folytatni kell.

"Mindannyiunknak megkerülhetetlen erkölcsi kötelessége van: folytatni a tudományos kutatást addig a pontig, ahol racionálisan dönthetünk" - mondta John Harris, az angliai Manchesteri Egyetem bioetikai professzora. "Számomra úgy tűnik, a moratórium megfontolása rossz út. Kutatásra van szükség."

Jennifer Doudna, a Berkeley-i Kaliforniai Egyetem munkatársa, a CRISPR-Cas9 fejlesztésének úttörője azonban megismételte álláspontját, miszerint a technikával kapcsolatos kutatásokat óvatosan kell folytatni.

Az egyik legérzelmesebb pillanat akkor következett be, amikor Sarah Gray, az Amerikai Szövetbankok Szövetségének munkatársa a hallgatóságból álló tudósokból álló testülethez szólt. Gray könnyeit visszafojtva mesélte el, hogyan szenvedett fia, mielőtt születése után hat nappal genetikai rendellenességben halt meg. "Ha megvannak a készségei és tudása ezeknek a betegségeknek az orvoslásához" - mondta Gray -, akkor tedd meg.


Eredmények és megbeszélés

Ebben a vizsgálatban minden személy súlyosan elhízott (BMI > 35), és bariátriai műtéten estek át. A mélyreható metabolikus fenotipizálás az egyének anyagcsere-állapotának áttekintését eredményezte, és azt mutatta, hogy közel a fele MHO-s (a definíció szerint nem rendelkezik sem T2D-vel, sem NASH-val). A MUO egyedek közül 18 egyed szenvedett T2D-ben (7 férfi, 11 nő), 27 szenvedett NASH-ban (8 hím, 19 nő), és közülük 13 egyedben volt T2D és NASH (4 férfi, 9 nő). A metabolikus fenotípusok leíró statisztikái szignifikáns különbséget (P < 0,05) mutattak az MHO és MUO egyedek között a glükóz, a glikált hemoglobin (HbA1c), az FFA és az aszpartát transzamináz (ASAT) tekintetében (1. táblázat). Ezek a metabolikus fenotípusok nem mutattak szignifikáns különbséget a férfiak és a nők között (P>0,05), bár szignifikáns különbséget találtunk a BMI, a derék-csípő arány (WH-arány), az inzulin, az összkoleszterin és az alacsony sűrűségű lipoprotein (LDL) tekintetében. ) szintek (P<0,05). Szignifikáns életkorbeli különbséget találtak: az MHO egyedek fiatalabbak voltak, mint a MUO egyedek, ami egybecseng azzal a vizsgálattal, amely a metabolikus egészséges elhízás prevalenciájának csökkenését mutatta ki az életkorral [24].

Szövetek közötti koexpresszió, amely az egyes génekre összpontosít

Dobrin et al. [25] kimutatta, hogy a szövetek közötti koexpresszió vizsgálata olyan gének kimutatásához vezethet, amelyek a betegségek szövetspecifikus változásaihoz kapcsolódnak, és ez a szövetek közötti kommunikációt képviseli. Ezért azonosítottunk olyan géneket, amelyek megváltoztak az MHO és MUO egyedek közötti szövetek közötti koexpresszióban, mivel ezek az elhízás által kiváltott társbetegségek tekintetében a szövetek áthallásában részt vevő génekre utalhatnak. Két megváltozott gént észleltünk az MHO és a MUO alhálózat között: IL1B és IL-6. Mindkét gén szignifikáns, erősebb szövetek közötti koexpressziót mutatott a MUO alhálózatban, mint az MHO alhálózatban.

Interleukin 1-β (IL1B) egy fontos citokin, amelyet főként aktivált makrofágok termelnek. IL1B erős korrelációt mutatott a máj és a zsírszövetek között a MUO alhálózatban, alacsonyabb korrelációt a többi szövet és az MHO alhálózat között (2. táblázat). Mivel az elhízás a makrofágok aktiválódásának növekedéséhez vezet a májban és a zsírszövetben [26], az IL1B mRNS szintje ennek következtében emelkedni fog. Tanulmányok kimutatták annak fontosságát IL1B az elhízás által kiváltott inzulinrezisztencia kialakulásában [27, 28], és központi szerepet játszik a IL1B javasolták az inzulin hatásának makrofág-adipocita áthallással kapcsolatos blokkolását a zsírszövetben [29]. Ráadásul a funkciója IL1B a máj-zsírszövetben az áthallást egereken tanulmányozták [30]. A legújabb tanulmányok kimutatták, hogy nem volt különbség a szisztémás IL1B-szintben az MHO és MUO egyének között [31, 32]. Itt nem találunk különbséget az mRNS IL1B szintjei között, de a MUO alhálózat erősebb szövetek közötti korrelációi arra utalnak, hogy a IL1B elhízás okozta anyagcsere-betegségekben.

Hasonló mintázatot találtak a szövetek között az Interleukin-6 esetében is.IL-6) erős korrelációval a máj és a zsírszövetek között (3. táblázat). IL-6 egy citokin és egy miokin, ami azt jelenti, hogy a vázizomzat is kiválasztja az összehúzódás során [33]. A számos funkciója IL-6 szerepet játszik az immunológiai válaszokban és a glükóz metabolizmusban [34, 35]. IL-6 a T2D független prediktoraként javasolták [36], és ugyanez a tanulmány szignifikáns kölcsönhatást is kimutatott közöttük IL1B és IL-6. Szemben a IL1Bszignifikánsan csökkent IL-6 mRNS szintet mutattak ki MHO-ban vs. MUO egyének [32]. Meglepő módon adataink nem mutatnak szignifikáns különbséget az IL-6 mRNS szintjében az MHO és MUO egyedek között.

Szövetek közötti hálózatelemzés, amelynek középpontjában a IL1B és IL-6

Két nagy gén-ko-expressziós hálózatot építettünk ki inzulinhoz kapcsolódó gének felhasználásával négy szövetben, ami egy hálózatot eredményezett az MHO és a MUO egyedek számára. Az ezeken a hálózatokon belüli klaszterezés eredményeképpen szövetspecifikus klaszterekhez vagy géneket tartalmazó klaszterekhez vezethet a szöveteken keresztül. A gének csoportosítását az MHO és MUO hálózatban egy géndendrogram segítségével vizualizáljuk (S1 ábra). Az azonosított gének hálózati jellemzőire összpontosítottunk (IL1B és IL-6), mivel ezek potenciálisan fontosak a betegségek kialakulásában. IL1B és IL-6, mind a négy szövetben kifejezve, nem csoportosultak a szövetek között vagy az MHO alhálózaton belül. Azonban az egyes szöveteken belül a MUO hálózatban csoportosultak. Tovább vizsgáltuk ezeket a modulokat és géneket, az MHO és a MUO alhálózatok közötti megváltozott összefüggésekre összpontosítva, hogy jobban megismerjük a betegségek kialakulásában szerepet játszó mechanizmusokat. Megerősítettük, hogy ezek a modulok nem kor- és/vagy nemfüggőek, mivel a modulok sajátgénjei nem korreláltak szignifikánsan az életkorral vagy a nemmel. Míg az MHO ad MUO egyének szövetei közötti általános koexpressziós mintázatokra összpontosítottunk, várható volt, hogy a koexpressziós mintázatok eltérhetnek a NASH-ban vagy T2D-ben szenvedő betegek között, azonban a korlátozott mintaméret miatt nem tudtuk megvizsgálni. haza bennük.

A Greenyellow modul a MUO hálózatban, amely tartalmazza mind a IL1B és IL-6 gén 29 gén expressziós profilját csoportosította (MM > 0,6), amelyek közül 27 a májból származik. Két gén ebben a modulban (PKM és SLC6A5) a SAT-ból, illetve az áfából származnak. A GSEA kimutatta, hogy a NOD-szerű receptor (NLR) jelátviteli útvonal a legjelentősebb KEGG útvonal (P = 0,002), és a GO-termékek a jelátvitelhez (pl. a jelátvitel negatív szabályozása, P = 3,55E -5 ) és a citokinreceptor-kötődéshez kapcsolódnak. (P = 6,59E -4). Ezek az eredmények összhangban vannak azzal a ténnyel, hogy a túlzott mennyiségű zsírszövet fokozott citokinek felszabadulását eredményezi, pl. IL-6, IL1B, és CCL2gyulladást okoz, például az NLR jelátviteli útvonalon [37].

A Greenyellow modulban lévő gének Pearson-féle korrelációs együtthatóit a Cytoscape mindkét alhálózatra megjelenítette (2A ábra). A vizualizáció azt mutatja, hogy a Greenyellow modulban lévő gének erősen korrelálnak egymással a MUO alhálózatban, míg ugyanazok a gének kevésbé erősen korrelálnak az MHO alhálózatban. Ahogy az várható volt, erős koexpressziót észlelünk között IL1B és IL-6, az MHO és a MUO egyedek közötti erő enyhe növekedésével (0,50 vs. 0,71). Ebben a modulban IL1B nem mutat nagy változásokat más génekkel való koexpresszióban az MHO és a MUO egyedek között. Azonban, IL-6 kimutatja és megváltozott korrelációt mutat a citokin szupresszor génekkel SOCS2 (r = 0,01 vs. r = 0,74) és SOCS3 (r = 0,47 vs. r = 0,75), továbbá az közötti korreláció SOCS2 és SOCS3 kissé megváltozott (r = 0,44 vs. r = 0,69). Korábbi tanulmányok kimutatták, hogy az elhízás rontja a JAK-STAT3 jelátvitelt a megemelkedett IL-6 szint következtében, ami pl. SOCS3 fehér zsírszövetben, májban és izomban [38]. Az inzulinreceptor szubsztrátokhoz kötve, SOCS3 rontja az inzulin hatását és emelkedett SOCS3 szintje összefügg az inzulinrezisztenciával [39]. közötti kapcsolat fontossága SOCS3 és IL-6 hiányaként korábban kimutatták SOCS3 megváltozott hatásához vezet IL-6 ami gyulladásos válaszra emlékeztető erős gátló hatást eredményez a makrofágokra és a dendritikus sejtekre [40]. Szintén a PTPN1 A PTP1B-t kódoló gén az inzulin jelátvitel negatív szabályozása révén kapcsolódik az inzulinrezisztenciához [41]. Mind az inzulinra, mind a leptinre gyakorolt ​​hatása miatt az elhízás és a cukorbetegség gyógyszeres célpontjaként javasolták [42]. Ez a gén erősen megváltozott koexpressziót mutatott a IL-6 az MHO és a MUO alhálózatok közötti modulban: nem találtunk összefüggést között PTP1B és IL-6 az MHO alhálózatban, míg a MUO alhálózatban mérsékelten korreláltak (r = 0,53).

A gének megjelenítése az (A) Greenyellow modulban (a MUO alhálózatból) az MHO és a MUO egyénekben, és a (B) a Turquoise modulban (a MUO alhálózatból) az MHO és MUO egyedekben. A májból származó gének sárgára, izomból narancsra, ÁFA kékre és SAT zöldre festettek. Az IL1B és az IL-6 piros szegéllyel van ellátva. Az élek színezése korrelációjuk alapján a negatív-pozitív korrelációt képviselő piros-zöld skálán történik.

A potenciális ok-okozati genetikai variánsok eQTL leképezési módszerrel történő kimutatása egy figyelemre méltó eQTL kimutatásához vezetett ebben a modulban: SLC6A5 gén, ÁFA-ban kifejezve. SLC6A5 általában alacsony korrelációs együtthatót mutat más génekkel az MHO alhálózatban, de számos erősen korrelált gént a MUO alhálózatban. Összefüggések a IL1B és IL-6 csak mérsékeltek a MUO (0,28 és 0,41) és alacsonyak az MHO (-0,13 és -0,05) alhálózatokban. A legerősebb összefüggések a SLC6A5 a MUO alhálózaton belül találhatók ANXA1 (r = 0,66), CCL2 (r = 0,63), MARCKS (r = 0,61), és SOCS3 (r = 0,61), amelyek mindegyike nem korrelál az MHO alhálózatban. SLC6A5 a neuronális glicin transzporter 2-t (GlyT2) kódolja, és hatása a protein kináz C (PKC) útvonalakra vonatkozik [35]. Annak ellenére SLC6A5 önmagát nem hozták összefüggésbe az elhízással, szabályozó tulajdonságai a PKC útvonalakon keresztül befolyásolhatják az elhízott egyének metabolikus állapotát. Például, ANXA1 (az adipositással összefüggésben [43]) fontos mediátor a neuroendokrin rendszerben, és a PKC-függő mechanizmusok elengedhetetlenek az aktivitásához [44]. Hasonlóképpen a korábban tárgyalt SOCS3 összefüggésbe hozható a PKC folyamatokban való részvétellel [45]. Ezért javasoljuk a lehetséges ok-okozati szerepet SLC6A5 az elhízás okozta anyagcsere-betegségekkel kapcsolatos szabályozási folyamatokban. Ezt támasztja alá az a tény, hogy e gén mutációja többek között testtömeg-csökkenést okoz egerekben [46].

A MUO alhálózat Turquoise modulja (2B. ábra) 26 egyedi gén expressziós profilját csoportosította (MM > 0,9), amelyek mindegyike az izomból származik. Mindkét IL1B és IL-6 Az MM szigorú küszöbértéke miatt kiszűrtük, de az MHO és a MUO alhálózatok közötti korrelációs erősségek összehasonlításában szerepeltek. A köztük lévő összefüggések megváltoztak az MHO és a MUO alhálózat között (r = 0,25 vs r = 0,75, ill.). Az egyik jól ismert elhízás gén a Leptin (LEP), amely leptint kódol, amelyet „telítettség hormonnak” is neveznek. A vázizomzatban elősegíti az energiaeloszlást és megakadályozza a zsírsavak felhalmozódását [47]. LEP erős pozitív és negatív korrelációt mutat az összes többi türkiz modulgénnel (abszolút korreláció > gt 0,8) a MUO alhálózatban, míg az MHO alhálózat sok génjével alacsony (abszolút korreláció < 0,4). A legnagyobb különbségi korrelációt a LEP között találtuk LEP és PTPRE (0.22 vs. 0,91 az MHO-ban vs. MUO). PTPRE (Protein Tyrosine Phosphatase, Receptor Type, E) negatívan szabályozza az inzulin jelátvitelt a vázizomzatban, és azt feltételezték, hogy a JAK2-n keresztüli leptin jelátvitel negatív visszacsatolási szabályozójaként játszik szerepet [8]. Ezen túlmenően, erős változásokat találtak a közötti korrelációban LEP és IL1B (r = -0,15 vs. r = 0,81 MHO-ban vs. MUO). Bebizonyosodott, hogy IL1B szükséges a leptin indukciójához a gyulladás során [12]. Adataink arra utalnak, hogy ez az indukció nem fordul elő MHO egyénekben. Egy másik érdekes gén az Adiponektin (ADIPOQ), amely az adiponektin hormont kódolja, amely fokozza a vázizomzat inzulinérzékenységét, és az elhízás és a T2D gyógyszeres célpontjaként javasolták [13]. közötti összefüggés ADIPOQ és IL1B nagymértékben különbözött az MHO és a MUO között (r = -0,19 vs r = 0,68 MHO-ban vs. MUO). A zsírsejtekben, de a vázizomzatban nem, kimutatták, hogy IL1B csökkenti az adiponektin termelést, ezáltal negatívan befolyásolja az inzulinérzékenységet [24, 29]. Ebben a modulban nem észleltek eQTL-eket.

A MUO alhálózat Black modulja (3A. ábra) 30 gén expressziós profilját csoportosította (MM < 0,60), amelyek mindegyike a SAT-ból származott, kivéve kettőt, amely az áfától származott: PRKAG2 (a SAT-ban is együtt kifejezve) és PIK3R1. közötti összefüggés IL1B és IL-6és a citokin szupresszor génekkel való korrelációjuk hasonló volt a SAT MHO és MUO alhálózatai között. A két gén, amely áfában van kifejezve, PRKAG2 és PIK3R1, megváltozott együtt-kifejezést mutatnak a következővel IL-6 és IL1B. Az együttes kifejezése PIK3R1 val vel IL1B és IL-6 az MHO alhálózatban nagyon alacsony (-0,16 és -0,20), de erősen negatív a MUO alhálózatban (mindkettő -0,67). PIK3R1 a foszfatidilinozitol 3-kináz (PI3K) enzim egy részét kódolja, és a PI3K jelátvitel fontos szerepet játszik az inzulin jelátvitelében. PIK3R1 részt vesz az inzulinérzékenység és a gyulladásos válasz közvetítésében a zsírszövetben [31]. Az inzulin gének megváltozott koexpressziója és PIK3R1 a betegség kialakulásában betöltött fontos szerepet jelzi, amelyet mások is azonosítottak [48]. A korreláció PRKAG2 val vel IL1B és IL-6 nulla körül van az MHO-ban, de mérsékelten pozitív a MUO alhálózatban (0,53 és 0,54). PRKAG2 része az AMP-aktivált protein kináz (AMPK) útvonalnak, ami fontos az energiaszabályozásban, pl. glükóz homeosztázis és inzulinérzékenység [49]. Tulajdonságai miatt a metabolikus szindróma gyógyszercélpontja.

A gének megjelenítése az (A) Black modulban (a MUO alhálózatból) az MHO és a MUO egyedekben, és a (B) a Salmon modulban (a MUO alhálózatból) az MHO és MUO egyedekben. A májból származó gének sárgára, izomból narancsra, ÁFA kékre és SAT zöldre festettek. Az IL1B és az IL-6 piros szegéllyel van ellátva. Az élek színezése korrelációjuk alapján a negatív-pozitív korrelációt képviselő piros-zöld skálán történik.

Ebben a modulban egy eQTL-t találtunk: az IL-6 receptort (IL-6R). Sok összefüggés között IL-6R és más gének nem változtak az MHO és a MUO alhálózatok között. Azonban az összefüggés a SOCS3 emelkedett volt (0,29 vs 0,67), és azzal PIK3R1 (ÁFA) csökkent (0,01 vs -0,58). Meglepő módon az összefüggések IL-6 Ezekkel a génekkel változatlanok maradtak, ami fontos szerepet játszik az IL-6 receptorban, szintén a JAK-STAT útvonal eredményeinek korábbi megbeszélése alapján, az elhízás által kiváltott betegségek kialakulásában. Számos megváltozott fenotípust észleltek az IL-6 receptor mutációiban egerekben, pl. inzulinrezisztencia és felfújt gyulladásos hatás [50]. Egy nagy humán felmérésben azonban szignifikáns összefüggés a BMI-vel és a kórosan elhízott egyének súlyvesztésével csak a máj IL-6R expressziós szintjével volt kimutatható, az omentális zsírszövetben, a bőr alatti zsírszövetben és a gyomorszövetben nem [51].

A MUO alhálózatban található Salmon Module (3B. ábra) 33 gén expressziós profilját csoportosította (MM < 0,6). Ezek a gének mind az ÁFA-ból származtak, kivéve egy gént (Syntaxin 4, STX4), amely a SAT-ból és az áfából is származott. A korábban tárgyalt modulokból számos gén is jelen volt ebben a modulban. Az együttes kifejezése IL1B és IL-6 val vel SOCS2 és SOCS3 hasonló a SAT-ban (Black module) található koexpresszióhoz, ami azt jelenti, hogy korrelációjuk csak a májban változik. Közötti együtt-kifejezés is IL1B és IL-6 változatlan a SAT-ban. Az együtt-kifejezés között STX4 A SAT és az áfa erősebb a MUO-ban, mint az MHO alhálózatban (0,28 vs 0,58). Az együttes kifejezése STX4 SAT-ban módosul IL1B, az IL1B receptor antagonistaIL1RN), IL6és az IL-6 receptor (IL6R). Mind a négy esetben a koexpresszió mérsékelt vagy erősen pozitív a MUO alhálózatban, és alacsony negatív az MHO alhálózatban. Azonban az együttes kifejezése STX4 A VAT-ban az áfában kifejezett négy génnel hasonló az MHO és a MUO alhálózatok között, ami arra utal, hogy szerepet játszik a betegség kialakulásában STX4 csak SAT-ban.

Ebben a modulban találtunk egy eQTL-t: PTPRE, ÁFA-ban kifejezve. PTPRE az inzulin jelátvitel negatív szabályozója az izmokban [47]. Egy elhízott személyekkel végzett vizsgálat során kimutatták, hogy PTPRE A bariátriai műtét előtt és után eltérően expresszálódott és metilálódott, és a NASH fenotípus negatívan korrelált a bariátriai rekonstrukcióval [52]. Az észlelés mellett PTPRE mint eQTL, az PTPRE gén jelen van mind a négy modulban, amelyeket tovább vizsgáltunk a jelenléte miatt IL1B és IL-6. Ennek a génnek a szöveteken átívelő beszédében a fő változás a máj és az áfa korrelációja között található (0,05 vs 0,55 MHO és MUO között). A Lazac modulban PTPRE módosult együtt-kifejezést mutat a korábban tárgyalttal ISL1 gén (0,07 vs -0,60 MHO vs MUO), amely az ISL-1 inzulin gént fokozó fehérjét kódolja. Számos összefüggés ISL1 más génekkel ebben a modulban megváltoztak, erős negatív korrelációkkal a MUO alhálózatban. Korábban ez bebizonyosodott ISL1 ÁFA-ban van kifejezve, és negatívan korrelál a BMI-vel és a hasi zsírral [34]. Azt is kimutatták, hogy az expresszió csökkent elhízott egerekben, de csökkent a sovány inzulinérzékeny egerekben. A többnyire májgéneket tartalmazó Greenyellow modulban az MHO és a MUO egyedek közötti elváltozások találhatók a máj expressziójának összefüggéseiben. PTPRE májban pl. SLC6A5 (ÁFA), SLC6A13 (máj) és PKM (ÜLT). Figyelemre méltó, hogy a modul többnyire a májban koexpresszált génekből áll, de az PTRPE megváltozott koexpressziót mutat a SAT-ból és a VAT-ból származó két génnel, ami fontos funkcióra utal PTPRE mint a szövetek közötti kapcsolat az elhízásból eredő betegségek kialakulásában. A mai napig egyetlen tanulmány sem kapcsolódott össze PTPRE ezeknek a géneknek bármelyikével.

Összefoglalva, bemutattuk a génkoexpressziós hálózatok integrációját a szövetek között MHO és MUO egyénekben, hogy azonosítsuk az elhízás által kiváltott betegségek kialakulásához kapcsolódó géneket és útvonalakat. Az eredmények fontos betekintést nyújtanak a zsírszövet tágulhatóságának, a lipotoxicitásnak és az esetleges társbetegségek, például a T2D és a NASH genomikájába. Egy társkifejezési hálózati beállításban észleltük IL-6 és IL1B mint kulcsgénjei a szövetek közötti gén-ko-expressziós különbségeknek a metabolikus állapothoz kapcsolódóan. Megvizsgálva azokat a modulokat, amelyekben IL-6 és IL1B koexpresszáltak, számos megváltozott koexpresszált gént és útvonalat észleltünk, amelyek fontosak lehetnek az elhízás által kiváltott gyulladások és komorbiditások kialakulásában. Annak ellenére IL-6 és IL1B Vizsgálatunk során az MHO és MUO egyedek mRNS szintje nem változott, más génekkel való együttes expressziójuk potenciálisan fontos szerepet játszik az elhízás által kiváltott anyagcserezavarok kialakulásában. A választott megközelítés betekintést engedett a gének közötti koexpresszióba hálózati környezetben, de nem tudott információt adni a hálózaton belüli irányokról. Azonban az eQTL-térképezési megközelítést választották az mRNS-szinteket befolyásoló és ezáltal az egészségi állapotot befolyásoló gének kimutatására. Ez több gén azonosításához vezetett (PTPRE, IL-6R, és SLC6A5) amelyek fontos szerepet játszhatnak az elhízott egyének inzulinhoz kapcsolódó útjaiban. E gének funkcionális validálása szükséges ahhoz, hogy azonosítsuk lehetséges szerepüket az elhízás által kiváltott társbetegségek kialakulásában.


Bevezetés

A szövetspecifitást, amelyben a sejtek különböző funkciókat látnak el annak ellenére, hogy azonos DNS-ük van, részben a génszabályozás szövetfüggő mechanizmusai révén érhető el, beleértve az epigenetikai módosítást, valamint a transzkripciós és poszttranszkripciós szabályozást [1–3]. Ezek az összetett szabályozási programok különböző génexpressziós programokat hoznak létre a szövetekben, és a legtöbb gén statisztikailag szignifikánsan eltérő expressziót mutat [4, 5]. Ezeknek a különbségeknek jelentős következményei lehetnek: a szövetspecifikus gének különösen nagy valószínűséggel lehetnek gyógyszercélpontok [6], és a szövetspecifikus transzkripciós faktorok különösen nagy valószínűséggel szerepet játszanak összetett betegségekben [2, 7, 8].Ezeknek a különbségeknek a megértése elengedhetetlen a pleiotróp gének megértéséhez, valamint olyan vizsgálatok értelmezéséhez, amelyekben genomikai adatok csak hozzáférhető vagy helyettesítő szövetekre gyűjthetők (például vér felhasználása pszichiátriai rendellenességek tanulmányozására [9–11]).

A szövetspecifikus szabályozási mechanizmusok megragadhatók ko-expressziós hálózatokkal, amelyekben két gén kapcsolódik egymáshoz, ha expressziós szintjeik korrelálnak az egyedcsoportok között. Ilyen körülmények között az egyének közötti genetikai vagy környezeti különbségek kis mértékben zavarják a mögöttes szabályozóhálózatot, ami a gének expressziós szintjei közötti összefüggést eredményezi, amely összhangban van a szabályozási kapcsolatokkal. A koexpressziós hálózatok betekintést nyújtanak a sejtaktivitásba, mivel az együtt expresszálódó gének gyakran közös funkciót töltenek be [12], és az ilyen hálózatokat széles körben alkalmazzák betegségek tanulmányozására [13–15].

A Genotype-Tissue Expression (GTEx) konzorcium adatkészlete [16] lehetőséget ad arra, hogy egyidejűleg példátlan számú emberi szövetre vonatkozóan tanulmányozzanak ilyen koexpressziós hálózatokat. Azonban sok profilozott szövetből kevesebb mint egy tucat minta van, ami túl kevés ahhoz, hogy pontosan következtessen a több tízmillió paraméterre, amelyek egy koexpressziós vagy szabályozó hálózatot határoznának meg. Az egyik megoldás az lenne, ha az összes rendelkezésre álló mintát egyesítenék, és egyetlen konszenzushálózatot tanulnának meg minden szövetre, de ez nem nyújtana betekintést a szövetspecifikusságba. Másrészt az egyes hálózatok egymástól függetlenül történő következtetése figyelmen kívül hagyja a szövetek közös jellemzőit: a szöveti hálózatok sokkal több linket osztanak meg, mint az véletlenül várható lenne, és a több szöveten keresztüli tanulási kapcsolatok kevésbé zajosak, mint az egyetlen szövetet használó kapcsolatok tanulása, még akkor is, ha azonos számú szövetet használnak. összes minta [12].

Itt egy új algoritmust, a GNAT-ot (Gene Network Analysis Tool) használjuk, hogy egyidejűleg 35 különböző emberi szövet koexpressziós hálózatait hozzuk létre. A szövetek hasonlóságát kódoló hierarchia segítségével megközelítésünk minden szövet számára megtanul egy hálózatot, és arra ösztönzi a hierarchiában közeli szöveteket, hogy hasonló hálózatokkal rendelkezzenek. A hierarchikus átviteli tanulás javítja a teljesítményt és a pontosságot korábbi munkákban [5, 6, 17, 18]. Javasolunk egy újszerű hierarchikus modellt, valamint egy nagyméretű adatokhoz tervezett paraméteroptimalizálási módszert, és alkalmazzuk a GTEx adatokra. Megmutatjuk, hogy módszerünk nagyobb keresztellenőrzési valószínűségű hálózatokra következtet, mint az egyes szöveteken önállóan tanult hálózatok vagy az összes szöveten megtanult egyetlen hálózat. Módszerünk minden olyan adatkészletre alkalmazható, amelyben a mintakapcsolatok hierarchiával leírhatók – például több rákos sejtvonal vagy faj egy filogenetikai fában. A módszerünk teljes kódja S1 Data néven érhető el.

Elemezzük a létrejövő hálózatokat, hogy számos újszerű megfigyelést tegyünk a szövetspecifikusság elveivel kapcsolatban. Számos mérőszámot javasolunk a szöveti azonosság meghatározásában fontos gének azonosítására, és bemutatjuk, hogy az ilyen gének aránytalanul esszenciális gének. Megmutatjuk, hogy a szövetspecifikus transzkripciós faktorok, amelyek hálózataink központi csomópontjai, szövetspecifikus funkciókkal rendelkező génekhez kapcsolódnak, amelyek viszont magasabb expressziós szintet mutatnak. 1789 génmodult azonosítottunk, amelyek a génontológia funkcióihoz dúsítottak, és kimutattuk, hogy a szöveten belül feljavított dúsított modulok gyakran fontos szerepet játszanak a szöveti működésben. Azt is megmutatjuk, hogy a szövetekben előforduló modulok különösen nagy valószínűséggel gazdagodnak a génontológiai funkciókban, és ezek a funkciók általában azok, amelyek minden szövet számára nélkülözhetetlenek. Az itt bemutatott eredmények, beleértve az összes hálózatot és génmodult, interaktívan lekérdezhetők webes eszközünkön [19] keresztül, az azonosított gének és modulok alapot adnak a jövőbeni vizsgálatokhoz.


Hivatkozások

Hajer GR, van Haeften TW, Visseren FL: A zsírszövet diszfunkciója elhízásban, cukorbetegségben és érrendszeri betegségekben. Eur Heart J. 2008, 29: 2959-2971. 10.1093/eurheartj/ehn387.

Nijhuis J, Rensen SS, Slaats Y, van Dielen FM, Buurman WA, Greve JW: Neutrophil aktiváció morbid elhízásban, az akut gyulladás krónikus aktiválása. Elhízás (ezüst tavasz). 2009, 17: 2014-2018. 10.1038/oby.2009.113.

Tam CS, Clement K, Baur LA, Tordjman J: Elhízás és alacsony fokú gyulladás: gyermekgyógyászati ​​perspektíva. Obes Rev. 2010, 11: 118-126. 10.1111/j.1467-789X.2009.00674.x.

Hotamisligil GS, Shargill NS, Spiegelman BM: A tumornekrózis faktor-alfa zsíros expressziója: közvetlen szerepe az elhízással kapcsolatos inzulinrezisztenciában. Tudomány. 259, 87-91 (1993)]. 10.1126/tudomány.7678183.

Curat CA, Miranville A, Sengenes C, Diehl M, Tonus C, Busse R, Bouloumie A: A vérmonocitáktól a zsírszövetben rezidens makrofágokig: a diapedézis indukciója emberi érett zsírsejtek által. Cukorbetegség. 53, 1285-1292 (2004)]. 10.2337/cukorbetegség.53.5.1285.

Harman-Boehm I, Bluher M, Redel H, Sion-Vardy N, Ovadia S, Avinoach E, Shai I, Kloting N, Stumvoll M, Bashan N, Rudich A: Macrophage infiltration into omental versus subcutan zsír különböző populációkban: hatása regionális zsírosodás és az elhízás társbetegségei. J Clin Endocrinol Metab. 2007, 92: 2240-2247. 10.1210/jc.2006-1811.

Weisberg SP, McCann D, Desai M, Rosenbaum M, Leibel RL, Ferrante AW: Az elhízás összefüggésben áll a makrofágok felhalmozódásával a zsírszövetben. J Clin Invest. 2003, 112: 1796-1808.

Xu H, Barnes GT, Yang Q, Tan G, Yang D, Chou CJ, Sole J, Nichols A, Ross JS, Tartaglia LA, Chen H: A krónikus zsírgyulladás döntő szerepet játszik az elhízással kapcsolatos inzulinrezisztencia kialakulásában . J Clin Invest. 2003, 112: 1821-1830.

Bluher M: A metabolikusan „egészséges” és az „egészségtelen” elhízott egyének megkülönböztetése. Curr Opin Lipidol. 2010, 21: 38-43. 10.1097/MOL.0b013e3283346ccc.

Despres JP, Allard C, Tremblay A, Talbot J, Bouchard C: Bizonyítékok a testzsír regionális összetevőjére a szérum lipidekkel kapcsolatban férfiaknál és nőknél. Anyagcsere. 34, 967-973 (1985)]. 10.1016/0026-0495(85)90147-7.

Capel F, Klimcakova E, Viguerie N, Roussel B, Vitkova M, Kovacikova M, Polak J, Kovacova Z, Galitzky J, Maoret JJ és munkatársai: Macrophages and adipocytes in human obesity: adipose génexpression and insulinsensitivity during kalóriakorlátozás és súlystabilizálás. Cukorbetegség. 2009, 58: 1558-1567. 10.2337/db09-0033.

Henegar C, Tordjman J, Achard V, Lacasa D, Cremer I, Guerre-Millo M, Poitou C, Basdevant A, Stich V, Viguerie N és munkatársai: A zsírszövet transzkriptomikus aláírása kiemeli az extracelluláris mátrix patológiai jelentőségét az emberi elhízásban. Genome Biol. 2008, 9: R14-10.1186/gb-2008-9-1-r14.

Nair S, Lee YH, Rousseau E, Cam M, Tataranni PA, Baier LJ, Bogardus C, Permana PA: A gyulladással kapcsolatos gének fokozott expressziója elhízott tenyésztett preadipocitákban/stroma érsejtekben a nem elhízott pima indiánokhoz képest. Diabetologia. 2005, 48: 1784-1788. 10.1007/s00125-005-1868-2.

Goldfine AB, Shoelson SE, Aguirre V: Expanzió és összehúzódás: cukorbetegség kezelése bariatric műtéttel. Nat Med. 2009, 15: 616-617. 10.1038/nm0609-616.

van Dielen FM, Buurman WA, Hadfoune M, Nijhuis J, Greve JW: A makrofág gátló faktor, a plazminogén aktivátor inhibitor-1, más akut fázisú fehérjék és a gyulladásos mediátorok normalizálódnak a súlycsökkenés eredményeként kórosan elhízott, gyomor restriktív műtéttel kezelt alanyoknál . J Clin Endocrinol Metab. 89, 4062-4068 (2004)]. 10.1210/jc.2003-032125.

Brunt EM, Janney CG, Di Bisceglie AM, Neuschwander-Tetri BA, Bacon BR: Nem alkoholos steatohepatitis: javaslat a szövettani elváltozások osztályozására és stádiumba rendezésére. Am J Gastroenterol. 94, 2467-2474 (1999)]. 10.1111/j.1572-0241.1999.01377.x.

Eisen MB, Spellman PT, Brown PO, Botstein D: Klaszterelemzés és genom-szintű expressziós minták megjelenítése. Proc Natl Acad Sci USA. 95, 14863-14868 (1998)]. 10.1073/pnas.95.25.14863.

Thomas PD, Campbell MJ, Kejariwal A, Mi H, Karlak B, Daverman R, Diemer K, Muruganujan A, Narechania A: PANTHER: a függvény szerint indexelt fehérjecsaládok és alcsaládok könyvtára. Genome Res. 2003, 13: 2129-2141. 10,1101/gr.772403.

Thomas PD, Kejariwal A, Guo N, Mi H, Campbell MJ, Muruganujan A, Lazareva-Ulitsky B: Alkalmazások fehérjeszekvencia-funkció evolúciós adatokhoz: mRNS/protein expressziós elemzés és kódoló SNP pontozó eszközök. Nucleic Acids Res. 2006, 34: W645-650. 10.1093/nar/gkl229.

Kanehisa M, Goto S: KEGG: kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 2000, 28: 27-30. 10.1093/nar/28.1.27.

Miron M, Woody OZ, Marcil A, Murie C, Sladek R, Nadon R: A methodology for global validation of microarray experiments. BMC Bioinformatika. 2006, 7: 333-10.1186/1471-2105-7-333.

Wrobel G, Kokocinski F, Lichter P: AutoPrime: primerek kiválasztása expresszált szekvenciákhoz. Genombiológia. 2004, 5: 11-19. 10.1186/gb-2004-5-5-p11.

Durden DL, Kim HM, Calore B, Liu Y: Az Fc gamma RI receptor jeleket ad a hck és a MAP kináz aktiválásán keresztül. J Immunol. 154, 4039-4047 (1995)].

Wang AV, Scholl PR, Geha RS: A nagy affinitású immunglobulin G receptor (Fc gamma RI) fizikai és funkcionális kapcsolata a Hck és Lyn kinázokkal. J Exp Med. 180, 1165-1170 (1994)]. 10.1084/jem.180.3.1165.

Durden DL, Liu YB: Protein-tirozin kinase p72syk in Fc gamma RI receptor signaling. Vér. 84, 2102-2108 (1994)].

Kiener PA, Rankin BM, Burkhardt AL, Schieven GL, Gilliland LK, Rowley RB, Bolen JB, Ledbetter JA: Az Fc gamma receptor I (Fc gamma RI) és receptor II (Fc gamma RII) keresztkötése monocita sejteken aktiválja a mindkét Fc receptorban közös jelátviteli útvonal, amely magában foglalja a p72 Syk protein tirozin kináz stimulálását. J Biol Chem. 268, 24442-24448 (1993)].

Charles JF, Humphrey MB, Zhao X, Quarles E, Nakamura MC, Aderem A, Seaman WE, Smith KD: A makrofágok Salmonella enterica Typhimurium szerovarjára adott veleszületett immunválasz a TREM2-DAP12-től függ. Infect Immun. 2008, 76: 2439-2447. 10.1128/IAI.00115-08.

Colonna M: TREM-ek az immunrendszerben és azon túl. Nat Rev Immunol. 2003, 3: 445-453. 10.1038/nri1106.

Kenny EF, O'Neill LA: Toll-szerű receptorok által használt jelzőadapterek: frissítés. Citokin. 2008, 43: 342-349. 10.1016/j.cyto.2008.07.010.

Derosa G, D'Angelo A, Tinelli C, Devangelio E, Consoli A, Miccoli R, Penno G, Del Prato S, Paniga S, Cicero AF: A metalloproteináz 2 és 9 szintjének és inhibitoraik értékelése cukorbeteg és egészséges alanyokban. Diabetes Metab. 2007, 33: 129-134. 10.1016/j.diabetes.2006.11.008.

Hongo S, Watanabe T, Arita S, Kanome T, Kageyama H, Shioda S, Miyazaki A: A leptin modulálja az ACAT1 expresszióját és a koleszterin kiáramlását az emberi makrofágokból. Am J Physiol Endocrinol Metab. 2009, 297: E474-482. 10.1152/ajpendo.90369.2008.

Ikonen E: Sejtkoleszterin-kereskedelem és kompartmentalizáció. Nat Rev Mol Cell Biol. 2008, 9: 125-138. 10.1038/nrm2336.

Kolz M, Baumert J, Muller M, Khuseyinova N, Klopp N, Thorand B, Meisinger C, Herder C, Koenig W, Illig T: A TLR4 gén variációi és a 2-es típusú cukorbetegség közötti összefüggést az összkoleszterin aránya módosítja a HDL-koleszterinhez. BMC Med Genet. 2008, 9: 9-10.1186/1471-2350-9-9.

Pagler TA, Neuhofer A, Laggner H, Strobl W, Stangl H: A HDL reszekréción keresztüli koleszterin efflux akkor következik be, ha a koleszterin transzport a lizoszómából károsodik. J Lipid Res. 2007, 48: 2141-2150. 10.1194/jlr.M700056-JLR200.

Rader DJ, Pure E: Lipoproteinek, makrofágok működése és érelmeszesedés: túl a habsejten?. Cell Metab. 2005, 1: 223-230. 10.1016/j.cmet.2005.03.005.

Shi H, Kokoeva MV, Inouye K, Tzameli I, Yin H, Flier JS: A TLR4 összekapcsolja a veleszületett immunitást és a zsírsavak által kiváltott inzulinrezisztenciát. J Clin Invest. 2006, 116: 3015-3025. 10.1172/JCI28898.

Tayebjee MH, Tan KT, MacFadyen RJ, Lip GY: A metalloproteáz 9 és szöveti inhibitora 1 rendellenes keringési szintje angiográfiailag bizonyított perifériás artériás betegségben: kapcsolat a betegség súlyosságával. J Intern Med. 2005, 257: 110-116. 10.1111/j.1365-2796.2004.01431.x.

Wang X, Jin W, Rader DJ: A makrofág endoteliális lipáz 4. és 3. toll-like receptorok általi felszabályozása modulálja a makrofág interleukin-10 és -12 termelését. Circ Res. 2007, 100: 1008-1015. 10.1161/01.RES.0000263011.34709.c5.

Westerterp M, Berbee JF, Pires NM, van Mierlo GJ, Kleemann R, Romijn JA, Havekes LM, Rensen PC: Az apolipoprotein C-I döntő szerepet játszik a lipopoliszacharidok által kiváltott atherosclerosis kialakulásában apolipoprotein E-knockout egerekben. Keringés. 2007, 116: 2173-2181. 10.1161/CIRCULATIONAHA.107.693382.

Yvan-Charvet L, Wang N, Tall AR: A HDL, ABCA1 és ABCG1 transzporterek szerepe a koleszterin kiáramlásában és az immunválaszokban. Arterioscler Thromb Vasc Biol. 2010, 30: 139-143. 10.1161/ATVBAHA.108.179283.

Tchkonia T, Lenburg M, Thomou T, Giorgadze N, Frampton G, Pirtskhalava T, Cartwright A, Cartwright M, Flanagan J, Karagiannides I és munkatársai: Depóspecifikus emberi zsírsejt-elődök azonosítása különböző expressziós profilokon és fejlődési génmintákon keresztül . Am J Physiol Endocrinol Metab. 2007, 292: E298-307. 10.1152/ajpendo.00202.2006.

Vohl MC, Sladek R, Robitaille J, Gurd S, Marceau P, Richard D, Hudson TJ, Tchernof A: A férfiak szubkután és zsigeri zsírszövetében eltérően kifejeződő gének felmérése. Obes Res. 12, 1217-1222 (2004)]. 10.1038/oby.2004.153.

Megjelenés előtti történet

A cikk megjelenés előtti előzményei itt érhetők el: http://www.biomedcentral.com/1755-8794/3/34/prepub


Háttér

Az alapleucin cipzár (bZIP) egy szupergéncsaládot képvisel, amely transzkripciós faktorokat kódol. Ez a géncsalád széles körben elterjedt az eukariótákban. A bZIP fehérjék, amelyeket a konzervált bZIP domén határoz meg [1, 2], jelentős szerepet játszanak a különféle biológiai folyamatok szabályozásában, mint például a növényi növekedés és fejlődés, valamint a sóstressz válaszok.

A bZIP géncsalád által kódolt transzkripciós faktor fehérjék erősen konzervált bZIP domént tartalmaznak. A szerkezet 60-80 aminosavból áll, beleértve a bázikus DNS-kötő régiót és a szomszédos leucin cipzárt [2]. A kötőrégió nukleáris lokalizációs jeleket és egy N-X-et tartalmaz7-R/K motívum állandó pontos időközökkel, hogy érintkezzen a cél DNS-sel [3]. A leucin cipzárrégió leucin vagy más nagy hidrofób aminosavak heptád ismétlődéseiből áll, és a különböző génekben az ismétlődések száma nagymértékben változhat [3, 4]. A leucin a heptapeptid szekvencia hetedik aminosav-pozíciójában található, és helyettesíthető izoleucinnal, valinnal, fenilalaninnal vagy metioninnal [3]. A bZIP fehérjék általában úgy működnek, hogy dimereket képeznek a leucin cipzáron keresztül [4]. A növényi bZIP transzkripciós faktorok kötődési előnyben részesítik az ACGT magszekvenciákat, mint például az A-box (TACGTA), a C-box (GACGTC) és a G-box (CACGTG). Ezenkívül más DNS-szekvencia-motívumokhoz is kötődnek [3, 4]. A magelem külső oldalai szabályozzák a fehérje-DNS kölcsönhatások specificitását [3]. Korábbi tanulmányok kimutatták, hogy a szegmentális genomduplikáció és a teljes genom duplikációja magyarázhatja a bZIP géncsalád terjeszkedését [2, 5]. Ami az osztályozást illeti, a kutatók kezdetben 10 csoportra osztották a bZIP géncsalád tagjait az Arabidopsisban, közös domének alapján [3]. Ezután az Arabidopsis bZIP géneket frissítették, és 13 csoportra osztották (A-M) [4].

A bZIP géncsalád fontos szerepet játszik a biológiai folyamatokban, például a növekedésben és fejlődésben, a virágok érésében és a növények stresszválaszaiban. Az Arabidopsis bZIP11 A gén befolyásolja a gyökérfejlődést azáltal, hogy az alacsony energiájú jeleket összekapcsolja az elsődleges gyökérnövekedés auxin által közvetített szabályozásával [6]. HY5 bZIP fehérjét kódol, amely részt vesz az Arabidopsis gyökér és a hipokotil fejlődés szabályozásában [7]. Túlkifejezése ZmbZIP4 kukoricában az oldalgyökerek számának növekedéséhez, hosszabb elsődleges gyökerekhez és jobb gyökérrendszerhez vezet [8]. A bZIP fehérjék az abiotikus stresszekre, például a sóstresszre adott növényi válaszokat is szabályozzák. A túlzott kifejezése SlAREB A paradicsomban lévő gén javíthatja a növények vízhiánnyal és sóstresszsel szembeni toleranciáját [9]. Hasonló eredményeket figyeltek meg a GhABF2 gén Arabidopsisban és gyapotban [10], valamint a GmbZIP2 transzgenikus szójában [11].

A nyárfában a bZIP géncsaláddal kapcsolatos vizsgálatok csak a gyökérfejlődésben és a szárazságállóságban betöltött funkcióira összpontosítottak. Például nyárfa PtabZIP1L főként a gyökerekben fejeződik ki, és közvetítheti az oldalgyökerek kialakulását és a szárazságtűrést a különböző metabolikus útvonalak szabályozásával [12]. Nyárfa bZIP53 sóstressz hatására indukálható a génexpresszióban, és negatívan szabályozza a járulékos gyökerek fejlődését [13]. A nyárfa AREB1 szabályozhatja a szárazságra adott reakciókat és a toleranciát Populus trichocarpa a hiszton acetiláció befolyásolásával [14]. A nyárfa bZIP géncsalád átfogó elemzése és jellemzése, valamint a szöveti differenciálisan expresszált gének (DEG) és sóstressz válasz gének szűrése transzkriptom szekvenálás segítségével fontos referenciaként szolgálhat a génfunkciós kutatásokhoz és a géntechnológiai nemesítéshez. Ezen túlmenően, ha bioinformatikai módszerekkel feltárjuk azokat a biológiai folyamatokat, amelyekben a gének részt vehetnek, az segít a gének szabályozási mechanizmusának elemzésében. Jelen tanulmányunkban szisztematikus vizsgálatokat végeztünk nyárban a bZIP génekkel, beleértve a géncsalád tagjainak fehérjeszekvencia-analízisét és a filogenetikai kapcsolatok azonosítását, a gének genomiális tandem-duplikációinak kromoszómális eloszlását és szegmentális duplikációit, valamint a fajok közötti kollinearitás elemzését. Ezen túlmenően a transzkriptom-profilozási adatok alapján megvizsgáltuk a bZIP gének eltérő expressziós mintázatait a különböző szövetekben, valamint a sóstresszre adott válaszait. Végül génkoexpressziós és hálózati elemzéseket végeztünk a kulcsgéneken, majd génkészlet-dúsítási elemzéseket végeztünk. Rendszerbiológiai megközelítésünk fényt derített a különféle biológiai folyamatokhoz kapcsolódó differenciális génhálózatokra vagy biológiai útvonalakra.


Anyagok és metódusok

P450 gének próbakészlet szelekciós és expressziós adatai

Az összes citokróm P450 gyűjteménye A. thaliana (2005 áprilisában 271 gén) és a megfelelő AGI (Arabidopsis Genome Initiative) lókusz azonosítók (Atxgxxxxx) a „PlaCe Arabidopsis P450 adatbázisból” lettek lekérve (2. táblázat). A PlaCe-nél annotált 21 P450 gén esetében nem társult AGI lókusz. Ezek között 18 megjegyzéssel ellátott pszeudogén szerepelt. Két pár P450 gén társult ugyanahhoz az AGI-lókuszhoz (CYP71A27P és CYP71A28: At4g20240 CYP71A23 és CYP71A24: At3g48290), összesen 248 AGI lókuszt hagyva hátra. Ezeket használták az Affymetrix ATH1 microarray megfelelő szondakészleteinek azonosítására a „Genevestigator” szondakiválasztó eszköz segítségével [10]. 21 gén nem volt képviselve a tömbön.A fennmaradó 227 gént összesen 229 próbakészlet képviselte, amelyek közül 26 gént egynél több próbakészlet, 32 próbakészlet pedig egynél több gént képvisel. A „Genevestigator” próba szelekciós eszköz segítségével azonosítottuk az ezen próbakészletek által felismert összes gént, és ha egy adott génhez egynél több próbakészlet volt jelen, egyetlen, specifikus (ha elérhető) próbakészletet választottunk ki az adott génhez. Ez 216 kiválasztott próbakészletet eredményezett, amelyek közül 191 egyetlen P450 gént, 21 két gént, 3 próbakészlet három génnel hibridizálódhat, egy pedig négy gént ismer fel, összesen 227 reprezentált P450 gént és három nem P450 gént ( szomszédos gének, amelyeket a próbakészlet is felismer). A használt próbakészletek és az ezen próbakészletek által felismert gének megtalálhatók a 'CYPedia' honlapon.

Ezután a „Genevestigator Digital Northern” eszközből normalizált kifejezési adatokat kértünk le ezekről a próbakészletekről [10]. Az adatokat 2005 májusában (1. adatkészlet) töltötték le, amely 1823 microarray-kísérletet fed le, és 2006 áprilisában (2. adatkészlet, egy frissítés, amely az 1. adatkészletet tartalmazza) 2202 microarray-re. Minden egyes szondakészlethez a hátteret az Affymetrix szoftver által „hiányzónak” nevezett összes szonda átlagos jelintenzitásaként határoztuk meg, és az összes hiányzó szondát erre a háttérértékre állítottuk be. Ha rendelkezésre álltak replikált tömbök, meghatároztuk az összes ismétlés átlagos intenzitását. Mindegyik kísérletet a következő négy kategória valamelyikébe soroltuk: i) vad típusú növényekből származó szerv- és szövetminták, ii) vad típusú növények stresszkezelése, iii) vad típusú növények hormon-, tápanyag- (megvonása) és egyéb kezelései, és iv. mutáns növények az egyenlően kezelt vad típusú mintákkal összehasonlítva (adott esetben). Ezután a szerv- és szövetmintákból származó jelintenzitást összehasonlítottuk a háttérintenzitással, így naplót generálva2-arányok a háttérhez képest. Mindkét kezelési csoport intenzitását összehasonlítottuk a megfelelő kontroll minták jelintenzitásával, ami log-értéket generált2- a kezelést a kontrollal összehasonlító arányokat és a mutáns minták intenzitását hasonlítottuk össze az azonosan kezelt vad típusú minták intenzitásával, így logaritmikus eredményt kaptunk2-arányok a mutánsok esetében a vad típushoz képest. Minden adatkészletet 30 kifejezési csoportra osztottak fel K-means klaszterezéssel, és az összes klaszter kombinált hőtérképei megtalálhatók a „CYPedia” honlapon a „mátrixok megtekintése” hivatkozás után. A kifejezési mátrixok megjelenítéséhez a 'Bio-Array Resource (BAR)' [9] 'HeatMapper' eszközét használtuk, és az eredményül kapott hőtérképeket beépítettük általánosan használt táblázatformátumokba (Adobe PDF, Microsoft Excel és OpenOffice Calc).

A metabolikus gének kiválasztása

A növényi anyagcsere bármely aspektusához kapcsolódó gének listája (útvonal-adatbázis) az összes lekérésével készült A. thaliana gének, amelyeket a következő adatbázisokban annotáltak: i) „KEGG Orthology (KO) – Arabidopsis thaliana” (KEGG) [59], ii) „Metabolic Pathways” a „The Arabidopsis Information Resource” (AraCyc) [60] iii. ) az „Arabidopsis Lipid Gene Database” (AcylLipid) [61], iv) a „Biochemical Pathway Knowledge Database” (BioPathAt) [34], v) a másodlagos metabolikus útvonalak (Litpath) megjegyzéseivel foglalkozó publikációk válogatása [30] –33, 35, 62]. Az összes adatbázisból származó információkat egyetlen adatmátrixban egyesítettük, és az Affymetrix próbakészleteket választottuk ki az egyedi gének készletéhez a fent leírtak szerint, ami 4129 egyedi próbakészletet eredményezett. Ehhez a génkészlethez a „Müncheni Fehérjeszekvenciák Információs Központja (MIPS-FunCat) [36] „Funkcionális katalógusából” származó annotációkat adtunk hozzá, és a TAIR-től [63] manuálisan kurált „GeneOntology” kifejezéseket (vagyis a bizonyíték kódja: IDA [közvetlen vizsgálatból következtetve], IMP [mutáns fenotípusból következtetve] és/vagy TAS [követhető szerzői nyilatkozat].

Minden gén kapott egy útvonal-annotációs pontszámot a következőkkel: tíz pontot a biokémiailag jellemzett génekért (azaz „funkcionális” megjegyzést az „AcylLipid” vagy „BioPath”-ban, vagy azonosított az irodalmi áttekintésekben), kilenc pontot az azonnali biokémiai funkcióval rendelkező génekért, amelyeket IDA-ként írnak le TAIR-GO, nyolc pont a „funkcionális(?)” vagy „mutáns fenotípusból kikövetkeztetett” génekhez az „AcylLipid”-ben, a „BioPath”-ban vagy a szakirodalomban hét pont az IMP bizonyítékkóddal rendelkező géneknél a TAIR-GO-nál hat pont a géneknél leírt mutáns fenotípussal, de tisztázatlan molekuláris funkcióval öt pont a nagy hasonlóságot (WU-BLAST e < 10 -50 ) rendelkező gének esetében egy jellemzett növényi génhez négy pont az olyan gének esetében, amelyek nagy hasonlóságot mutatnak egy másik növényi génnel, de az adott gén funkciója nem validált három pont azoknál a géneknél, amelyek hasonlóak (WU-BLAST 10 -10 e < 10 -50 ) egy jellemzett növényi génhez, két pont az alacsony hasonlóságú génekért (WU-BLAST e > 10 -10 ) egy jellemzett növényi génhez egy pont tagjainak nagy géncsaládok, amelyek alacsony hasonlóságot mutatnak (WU-BLAST e >10-10) egy jellemzett növényi génnel.

Ko-expressziós elemzés és útvonal-térképezés

A kiválasztott 4129 próbakészlethez tartozó Affymetrix expressziós adatokat lekértük és feldolgoztuk a fentebb a P450-eknél leírtak szerint, és az expressziós mátrixokat egyesítettük. A koexpressziós elemzést a korábban leírtak szerint végeztük [9]. Röviden, az expressziós vektorok átlagközpontúak voltak, és Pearson-korrelációs koefficienseket (r-értékeket) számítottunk az egyes P450 expressziós vektorai és a "tóban" lévő 4129 gén expressziós vektorai között minden adatkészlethez. A későbbi manipulációkat R környezettel végeztük [64]. Minden egyes P450-hez és adatkészlethez az r > 0,5 koexpresszált géneket lekértük, és a megfelelő biokémiai útvonalakat kivontuk az útvonaladatbázisból (lásd fent). Mindegyik útvonal esetében megszámoltuk az együtt expresszált gének számát, és kiszámítottuk az annotációs pontszámok összegét (lásd fent). Az útvonalat csak akkor tartották meg, ha legalább egy gén a listán hatnál több megjegyzési pontot tartalmazott. Az adott útvonalban együtt expresszált gének számát és pontszámát összehasonlították az adott útvonalon lévő összes gén teljes számával és pontszámával. Egy farkú hipergeometrikus eloszlás analízis alapján csak a koexpresszált gének csoportjában felülreprezentált útvonalak maradtak meg (p [hiper] < 0,005). Ezt követően mind a négy adatkészletben azonosított útvonalakat azonosították, és az egyes adatkészletekben talált gének számát és pontszámait összegezték. Az eredményül kapott táblázatokat pontszámok szerint rendeztük, és egy OpenOffice Calc (OpenOffice.org) sablonba importáltuk, és a tényleges kifejezési hőtérképek miniatűrjeit, amelyeket a 'Heatmapper plus' eszközzel generáltunk a 'BAR'-on [9], hozzáadtuk és elmentettük ide: html formátumban. Az egyes P450-ekre vonatkozó eredmények megtalálhatók az egyes P450-hez tartozó „Útvonaltérkép” weboldalon. A koexpresszált gének expressziós adatait és útvonalinformációs adatait (r > 0,5 maximum 50 gén esetén) egyesítettük és r-érték szerint rendeztük. A kifejezési táblázatokat színkóddal láttuk el a 'Heatmapper plus' eszközzel a 'BAR'-ban, és statikus weboldalakként mentettük el, amelyek a megfelelő útvonaltérképekhez kapcsolódnak.

Tömb platform összehasonlítása

A génspecifikus PCR-termékeket lefedő foltos microarray segítségével előállított P450 expressziós adatokat a „Functional Genomics of Arabidopsis P450s” weboldalról szereztük le (1. táblázat). Ezzel a kétcsatornás platformmal (CYP-array) jelintenzitást generáltunk az 1 hetes palánták gyökereiben (és négy másik szervben) egy „univerzális RNS” mintával összehasonlítva. Ez az „univerzális RNS” palánták gyökereiből és hajtásaiból, valamint kifejlett növények leveleiből, száraiból és virágaiból származó RNS-ek keverékéből áll [2]. Ahhoz, hogy hasonló „univerzális kontrollt” hozzunk létre nyilvános ATH1 mikrotömbökből, 14 hajtásmintát választottunk palántákból, 9 levélmintát érett növényekből, 17 gyökérmintát palántákból, 19 egész virágmintát és 10 szármintát a feldolgozott szervadatokból. készlet (lásd fent). Ezután kiszámítottuk a log átlagot2 A háttér feletti intenzitások az összes mintát alkotják, és összehasonlították a gyökérminták átlagos intenzitásával, és ezáltal a CYP-tömbhöz hasonló gyökér/"univerzális kontroll" arányokat hoztak létre. Ez utóbbinál a nem kimutatható intenzitást mesterségesen 0,05-re állítottuk be az univerzális kontrollhoz képest, és az arányokat logaritmikusan határoztuk meg.2- átalakult. A mindkét platformon jelenlévő gének expressziós adatai a kísérletekben középpontban voltak. A két adatsort összehasonlító lineáris regressziós modell alapján R 2 értéket számítottunk.