مطالعه بیان افتراقی ژن‌های بافت رحم مرتبط با کیفیت پوسته تخم مرغ با استفاده از داده‌های ترانسکریپتومیکس

پژوهشهای علوم دامی ایران

مقاله 9، دوره 15، شماره 1 - شماره پیاپی 53، فروردین 1402، صفحه 107-121   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ijasr.2022.73912.1055

نویسندگان

میلاد غلامی طاحونه^* ؛ حسین مرادی شهربابک

گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.

چکیده

با توجه به نقش کیفیت مطلوب پوسته تخم مرغ در مواردی همچون حمل‌ونقل و تبادلات گازی محتوای داخل تخم مرغ با بیرون از آن و نیز یکی از روش­های بهبود صفات، با تکیه بر ساختار ژنتیکی صفت، اعمال انتخاب ژنتیکی است؛ در این پژوهش با هدف مطالعه پروفایل بیان ژن و تعیین ژن­های شاخص با بیان متفاوت، داده‌های خام توالی ترانسکریپتوم دو گروه مرغ با پوسته تخم سخت و ضعیف در سه مرحله از دوره­ آهکی شدن پوسته به‌ترتیب شامل مراحل شروع، رشد و خاتمه مورد بررسی قرار گرفت. ترانسکریپتوم (توالی کل mRNA) 18 نمونه از بافت رحم با سه تکرار در هر مرحله از هر گروه از پایگاه داده NCBI اخذ گردید و سپس به‌ترتیب مراحل پیش‌پردازش خوانش‌ها با نرم‌افزارهای SRAtookit، fastQC و Trimmomatic، هم‌ردیفی و مکان‌یابی خوانش‌ها با نرم‌افزارهای Hisat2 و Samtools و سپس آنالیز بیان و بیان افتراقی با پکیج نرم‌افزاری Cufflinks انجام شد، در انتها آنالیز هستی‌شناسی ژن‌های شاخص در دو پایگاه داده DAVID و Ensemble مورد بررسی قرار گرفت. در نتیجه آنالیز بیان افتراقی، 28833 ژن بر روی ترانسکریپتوم نمونه‌ها شناسایی شد که در نهایت، 1338 ژن در مرحله شروع، 81 ژن در مرحله رشد و 190 ژن در مرحله خاتمه با بیان متفاوت و معنی‌دار شناسایی شد (P<0.00025). با در نظر گرفتن log2(fold_change)> 4 و log2(fold_change)< -4، 51 ژن در مرحله شروع، دو ژن در مرحله رشد و چهار ژن در مرحله خاتمه به‌عنوان شاخص‌ترین ژن‌ها با بیان متفاوت و معنی‌دار مشخص شدند. آنالیز هستی‌شناسی ژن­های شاخص نشان داد، به‌طور عمده به‌ترتیب در فعالیت‌های اتصال پروتئین، تنظیم رونویسیDNA، پاسخ ایمنی، متابولیسم چربی و اتصال یون کلسیم نقش دارند.

کلیدواژه‌ها

آهکی شدن پوسته؛ بیان افتراقی ژن؛ پوسته تخم مرغ؛ ترانسکریپتوم؛ هستی‌شناسی ژن

مراجع

1. Abdelmanova, A. S., Dotsev, A. V., Romanov, M. N., Stanishevskaya, O. I., Gladyr, E. A., Rodionov, A. N., Vetokh, A. N., Volkova, N. A., Fedorova, E. S., Gusev, I. V., Griffin, D. K., Brem, G., & Zinovieva, N. A. (2021). Unveiling comparative genomic trajectories of selection and key candidate genes in egg-type russian white and meat-type white cornish chickens. Biology, 10(9), 876. DOI: 10.3390/biology10090876
2. Andrews, S. (2010). FastQC: A quality control tool for high throughput sequence data. From: http://www.bioinformatics.babraham.ac.uk/projects/fastqc
3. Bahrami, A. (2020). Which aligner software is the best for our study?. Genetics Research, 7, 048. DOI: 10.23937/2378-3648/1410048
4. Banabazi, M. H., Naserkheil, M., & Miraei-Ashtiani, R. (2012). Network regulatory gene expreesion of cerevisiae cell cycle with correlation weight method. The third national conference on agricultural biotechnology iran. Ferdowsi University of Mashhad, Iran. (In Persian).
5. Banabazi, M. H., Naserkheil, M., & Miraei-Ashtiani, R. (2012). Algorithm to identify genes expressed differently in the yeast Saccharomyces cerevisiae microarray data using software packages R. The third national conference on agricultural biotechnology Iran. Ferdowsi University of Mashhad, Iran. (In Persian).
6. Bolger, A. M., Lohse, M., & Usadel, B. (2014). Trimmomatic: A flexible trimmer for Illumina sequence data. Bioinformatics, 30, 2114-2120. DOI: 1093/bioinformatics/btu170
7. Ekblom, R., & Galindo, J. (2010). Applications of next generation sequencing in molecular ecology of non-model organisms. Heredity, 107, 1-15. DOI:1038/hdy.2010.152
8. (2020). FAOSTAT. https://www.fao.org/faostat/en/#data/QCL/visualize/
9. Gan, Q., Chepelev, I., Wei, G., Tarayrah, L., Cui, K., Zhao, K., & Chen, X. (2010). Dynamic regulation of alternative splicing and chromatin structure in Drosophila gonads revealed by RNA-seq. Cell Research, 20 (7), 763-783. DOI: 1038/cr.2010.64
10. Github. (2017). Cufflinks. http://cole-trapnell-lab.github.io/cufflinks/
11. Haas, B. J., & Zody, M. C. (2010). Advancing RNA-seq analysis. Nature Biotechnology, 28, 421. DOI: 1038/nbt0510-421
12. Jonchere, V., Rehault-Godbert, S., Hennequet-Antier, C., Cabau, C., Sibut, V., Cogburn, L. A., Nys, Y., & Gautron, J. (2010). Gene expression profiling to identify eggshell proteins involved in physical defense of the chicken egg. BMC Genomic, 11, 57. DOI: 1186/1471-2164-11-57
13. Kim, D., Langmead, B., & Salzberg, S. L. (2015). HISAT: A fast spliced aligner with low memory requirements. Nature Methods, 12, 357-360. DOI: 1038/nmeth.3317
14. Marguerat, S., & Bahler, J. (2010). RNA-seq: From technology to biology. Cellular and Molecular Life Sciences, 67, 569-579. DOI: 1007/s00018-009-0180-6
15. Mortazavi, A., Williams, B., McCue, K., Schaeffer, L., & Wold, B. (2008). Mapping and quantifying mammalian transcriptomes by RNA-Seq. Nature Methods, 5(7), 621-628. DOI: 1038/nmeth.1226
16. Sultan, M., Schulz, M. H., Richard, H., Magen, A., Klingenhoff, A., Scherf, M., & Schmidt, D. (2008). A global view of gene activity and alternative splicing by deep sequencing of the human transcriptome. Science, 321(5891), 956-960. DOI: 1126/science.1160342
17. Wilhelm, B. T., & Landry, J. R. (2009). RNA-seq quantitative measurement of expression through massively parallel RNA-sequencing. Methods, 48, 249-257. DOI: 1016/j.ymeth.2009.03.016
18. Wolc, A., Drobik-Czwarno, W., Jankowski, T., Arango, J., Settar, P., Fulton, J. E., Fernando, R. L., Garrick, D. J., & Dekkers, J. C. M. (2020). Accuracy of genomic prediction of shell quality in a white leghorn line. Poultry Science, 99, 2833-2840. DOI: 10.1016/j.psj.2020.01.019