تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,276 |
تعداد دریافت فایل اصل مقاله | 15,216,898 |
تجزیه و تحلیل خوشه ای صفت تولید چربی شیر در گاوهای شیری با استفاده از فراتحلیل مطالعات پویش ژنومی | ||
پژوهش های علوم دامی (دانش کشاورزی) | ||
دوره 31، شماره 4، اسفند 1400، صفحه 29-42 اصل مقاله (769.87 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/as.2022.37887.1545 | ||
نویسندگان | ||
سمیه بخشعلی زاده1؛ سعید زره داران* 2؛ علی جوادمنش1 | ||
1گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران | ||
2گروه علوم دامی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهدف ایران | ||
چکیده | ||
زمینه مطالعاتی: فراتحلیل، یک روش آماری است که نتایج حاصل از مطالعات متعدد علمی را با هم ترکیب میکند. هدف: این مطالعه با هدف بررسی فراتحلیل مطالعات پویش ژنومی (GWAS) در تجزیه و تحلیل خوشهای تلاش می کند تا با تجمیع مطالعات انفرادی، صحت نتایج حاصل از مطالعات متعدّد را افزایش دهد. همچنین در این تحقیق تلاش شد که با استفاده از تجزیه و تحلیل شبکه، درک بهتری از معماری ژنتیکی صفت مورد مطالعه فراهم آید. روشکار: در این مطالعه، دادههای مربوط به ژنهای مرتبط با تولید چربی شیر به روش GWAS مورد استفاده قرار گرفت. دادهها از 19 مطالعه از سال 2010 تا 2019 از نژادهای مختلف گاو شیری (نژاد هلشتاین، جرسی، سوئیسی قهوهای و قرمز سوئدی) جمعآوری شد. با استفاده از روش فراتحلیل، تمام ژنهای قابل دسترس از خلاصه GWAS (223 ژن) با تعاملات پروتئین-پروتئین (PPIs) در شبکههای مولکولی با هم ترکیب شدند، که سهم بسزایی در افزایش توان شناسایی ژنهای موثر بر مقدار تولید چربی شیر داشتند. تجزیه و تحلیل و تجسم این ژنها با استفاده از پلاگین STRING (V1.5.0) در نرمافزار Cytoscape (V3.7.2) اجرا شد. برای خوشهبندی ژنها در شبکه از پلاگین MCODE (V1.5.1) در نرمافزارCytoscape استفاده شد. این پلاگین مناطق متراکم و متصل را با وزندهی ژنها بر اساس تراکم موقعیت محلی آنها تشخیص میدهد. علاوه بر این، برای تعیین اصطلاحات بیولوژیکی (عملکرد مولکولی، فرآیند بیولوژیکی و اجزای سلولی) مرتبط با مناطق ژنومی و شناسایی شبکههای ژنی از نرمافزار DAVID (V6.7) برای آنالیز مسیریابیهای غنی شده استفاده شد. نتایج: PPIs منبع مهمی از اطلاعات مربوط به فرآیندهای بیولوژیکی وعملکردهای متابولیکی را در صفت مربوطه فراهم کرد. در مطالعه حاضر، شبکه برهمکنش پروتئینهایی که در تنظیم مقدار تولید چربی شیر نقش داشتند، ترسیم شدند. در این شبکه حدوداً 7 خوشه شناسایی و گروهبندی شدند. پروتئینهای موجود در خوشهها (به عنوان مثال در خوشه 1:ARHGAP39،CPSF1 ، CYHR1، PPP1R16A، GRINA، MROH1 و SMPD5) در PPIs مورد بررسی قرار گرفتند. خوشههای 1 و 2 در بین همهی خوشههای گزارش شده از امتیاز بالایی برخوردار بودند. نتیجهگیری کلی: فراتحلیل خلاصههای آماری پویش ژنومی میتواند درک وسیعی از تجسم شبکه و تجزیه و تحلیل خوشهای از ژنهای شناسایی شده در مسیرهای غنی شده ایجاد کند. ژنهای مهم شناسایی شده در این فرآیند میتواند در ارزیابیهای ژنومی و برنامههای اصلاح نژادی در مجموعهای از گاوهای شیری در آینده برای تولید چربی شیر مفید باشد. | ||
کلیدواژهها | ||
فراتحلیل؛ پویش ژنومی؛ آنالیز خوشهای؛ گاوهای شیری | ||
مراجع | ||
der GD and Hogue CWV, 2003. An automated method for finding molecular complexes in large protein interaction networks. BMC Bioinformatics 4(1): 2.
Bauman DE and Bruce Currie W, 1980. Partitioning of Nutrients During Pregnancy and Lactation: A review of mechanisms involving homeostasis and homeorhesis. Journal of Dairy Science 63(9): 1514-1529.
Cai Z, Guldbrandtsen B, Lund MS, Sahana G, 2019. Dissecting closely linked association signals in combination with the mammalian phenotype database can identify candidate genes in dairy cattle. BMC Genetics 20: 1–12.
Cecchinato A, Macciotta NPP, Mele M, Tagliapietra F, Schiavon S, Bittante G and Pegolo S, 2019. Genetic and genomic analyses of latent variables related to the milk fatty acid profile, milk composition, and udder health in dairy cattle. Journal of Dairy Science 102(6): 5254–5265.
Chamberlain AJ, Hayes BJ, Savin K, Bolormaa S, McPartlan HC, Bowman PJ, Van Der Jagt C, MacEachern S, Goddard ME, Pryce J, Chamberlain AJ, Bowman PJ and Goddard M E, 2012. Validation of single nucleotide polymorphisms associated with milk production traits in dairy cattle. Journal of Dairy Science 95(2): 864–875.
Cole JB, Wiggans GR, Ma L, Sonstegard TS, Lawlor TJ, Crooker BA, Van Tassell CP, Yang J, Wang S, Matukumalli LK and Da Y, 2011. Genome-wide association analysis of thirty one production, health, reproduction and body conformation traits in contemporary U.S. Holstein cows. BMC Genomics 12: 1–17.
Djokovic R, Cincovic M, Kurcubic V, Petrovic M, Lalovic M, Jasovic B and Stanimirovic Z, 2014. Endocrine and metabolic status of dairy cows during transition period. The Thai Journal of Veterinary Medicine 44(1): 59-66.
Doncheva NT, Morris J H, Gorodkin J and Jensen LJ. 2019. Cytoscape stringApp: network analysis and visualization of proteomics data. Journal of Proteome Research 18 (2): 623–632.
Esposito G, Masucci F, Napolitano F, Braghieri A, Romano R, Manzo N and Francia, A, 2014. Fatty acid and sensory profiles of Caciocavallo cheese as affected by management system. Journal of Dairy Science 97(4): 1918-1928.
Fang M, Fu W, Jiang D, Zhang Q, Sun D, Ding X and Liu J, 2014. A multiple-SNP approach for genome-wide association study of milk production traits in Chinese Holstein cattle. Plos One 9(8): e99544.
Fenelon MA and Guinee TP,1999. The effect of milk fat on Cheddar cheese yield and its prediction, using modifications of the Van Slyke cheese yield formula. Journal of Dairy Science 82(11): 2287-2299.
Fortes MRS, Reverter A, Zhang Y, Collis E, Nagaraj SH, Jonsson NN, Prayaga KC, Barris W and Hawken RJ, 2010. Association weight matrix for the genetic dissection of puberty in beef cattle. Proceedings of the National Academy of Sciences 107(31): 13642-13647.
Galderg AV, 1984. Finding maximum density subgraph. Technical report UCB/CSD 84-171.
Glickman MH and Ciechanover A, 2002. The ubiquitin-proteasome proteolytic pathway: Destruction for the sake of construction. Physiological Reviews 82(2): 373-428.
Gollapalli P, Hanumanthappa M and Pattar S, 2015. Cluster analysis of protein-protein interaction network of mycobacterium tuberculosis during host infection. Advances in Bioresearch 6(5):38–46.
Graber M, Kohler S, Kaufmann T, Doherr MG, Bruckmaier RM and van Dorland HA, 2010. A field study on characteristics and diversity of gene expression in the liver of dairy cows during the transition period. Journal of Dairy Science 93(11): 5200-5215.
Guo J, Jorjani H, Carlborg Ö, 2012. A genome-wide association study using international breeding-evaluation data identifies major loci affecting production traits and stature in the Brown Swiss cattle breed. BMC Genetics 13:82.
Hardie DG, 2003. Minireview: The AMP-activated protein kinase cascade: the key sensor of cellular energy status. Endocrinology 144(12): 5179-5183.
Hooijmans CR, IntHout J, Ritskes-Hoitinga M and Rovers MM, 2014. Meta-analyses of animal studies: An introduction of a valuable instrument to further improve healthcare. ILAR Journal 55(3): 418-426.
Huang DW, Sherman BT and Lempicki RA, 2009. Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources. Nat Protoc 4:44–57.
Ibeagha-Awemu EM, Peters SO, Akwanji KA, Imumorin IG and Zhao X, 2016. High density genome wide genotyping-by-sequencing and association identifies common and low frequency SNPs, and novel candidate genes influencing cow milk traits. Scientific Reports 6: 31109.
Iso-Touru T, Sahana G, Guldbrandtsen B, Lund MS and Vilkki J, 2016. Genome-wide association analysis of milk yield traits in Nordic Red Cattle using imputed whole genome sequence variants. BMC Genetics 17(1): 1–12.
Jia P and Zhao Z, 2014. Network-assisted analysis to prioritize GWAS results: Principles, methods and perspectives. Human Genetics 133(2): 125-138.
Jiang L, Liu J, Sun D, Ma P, Ding X, Yu Y and Zhang Q, 2010. Genome wide association studies for milk production traits in Chinese Holstein population. Plos One 5(10): e13661.
Jiang L, Liu X, Yang J, Wang H, Jiang J, Liu L, He S, Ding X, Liu J and Zhang Q, 2014. Targeted re-sequencing of GWAS loci reveals novel genetic variants for milk production traits. BMC Genomics 15: 1–9.
Kahn BB, Alquier T, Carling D and Hardie DG, 2005. AMP-activated protein kinase: Ancient energy gauge provides clues to modern understanding of metabolism. Cell Metabolism 1(1): 15-25.
Lean IJ, Rabiee AR, Duffield TF and Dohoo IR, 2009. Invited review: Use of meta-analysis in animal health and reproduction: Methods and applications. Journal of Dairy Science 92(8): 3545-3565.
Lee WJ, Monteith GR and Roberts-Thomson SJ, 2006. Calcium transport and signaling in the mammary gland: Targets for breast cancer. Biochimica et Biophysica Acta (BBA)-Reviews on Cancer 1765(2): 235-255.
Lin C, Cho YR, Hwang WC, Pei P and Zhang A, 2006. Clustering methods in a protein-protein interaction network. Knowledge Discovery in Bioinformatics: techniques, methods and application 1-35.
Mallett R, Hagen-Zanker J, Slater R and Duvendack M, 2012. The benefits and challenges of using systematic reviews in international development research. Journal of Development Effectiveness 4(3): 445-455.
Marete AG, Guldbrandtsen B, Lund MS, Fritz S, Sahana G and Boichard D, 2018. A meta-analysis including pre-selected sequence variants associated with seven traits in three french dairy cattle populations. Frontiers in Genetics 9: 522.
Martini M, Salari F and Altomonte I, 2016. The macrostructure of milk lipids: the fat globules. Critical Reviews in Food Science and Nutrition 56(7): 1209-1221.
Meredith BK, Kearney FJ, Finlay EK, Bradley DG, Fahey AG, Berry DP and Lynn DJ, 2012. Genome-wide associations for milk production and somatic cell score in Holstein-Friesian cattle in Ireland. BMC Genetics 13(1): 21.
Minozzi G, Nicolazzi EL, Stella A, Biffani S, Negrini R, Lazzari B, Ajmone-Marsan P and Williams JL, 2013. Genome wide analysis of fertility and production traits in Italian Holstein cattle. Plos One 8 (11): 1–10.
Mohammadi F, Tahmoorespur M and Javadmanesh A, 2018. Study of differentially expressed genes, related pathways and gene networks in sheep fetal muscle tissue in thin- and fat-tailed breeds. Animal Science Journal 123:301-312.
Nayeri S, Sargolzaei M, Abo-Ismail MK, May N, Miller SP, Schenkel F, Moore SS and Stothard P, 2016. Genome-wide association for milk production and female fertility traits in Canadian dairy Holstein cattle. BMC Genetics 17(1): 75.
Palombo V, Milanesi M, Sgorlon S, Capomaccio S, Mele, M, Nicolazzi, E, Ajmone-Marsan, P, Pilla, F, Stefanon, B and D'Andrea M, 2015. Searching new signals for production traits through gene-based association analysis in three Italian cattle breeds. Animal Genetics 46(4): 361-370.
Park YW, 2009. Overview of bioactive components in milk and dairy products. Bioactive Components in Milk and Dairy Products 1–12 p.
Raven LA, Cocks BG and Hayes BJ, 2014. Multibreed genome wide association can improve precision of mapping causative variants underlying milk production in dairy cattle. BMC Genomics 15(1): 62.
Reverter A and Fortes MRS, 2013. Breeding and genetics symposium: building single nucleotide polymorphism-derived gene regulatory networks:Towards functional genomewide association studies. Journal of Animal Science 91(2): 530-536.
Roche JR, Friggens NC, Kay JK, Fisher MW, Stafford KJ and Berry DP, 2009. Body condition score and its association with dairy cow productivity, health, and welfare. Journal of Dairy Science 92(12): 5769-5801.
Sahana G, Guldbrandtsen B, Thomsen B, Holm LE, Panitz F, Brøndum RF, Bendixen G and Lund MS, 2014. Genome-wide association study using high-density single nucleotide polymorphism arrays and whole-genome sequences for clinical mastitis traits in dairy cattle. Journal of Dairy Science 97(11): 7258-7275.
Saito R, Smoot ME, Ono K, Ruscheinski J, Wang PL, Lotia S, Pico AR, Bader GD, and Ideker T, 2012. A travel guide to Cytoscape plugins. Nature Methods 9 (11): 1069-1076.
Schlegel G, Ringseis R, Keller J, Schwarz FJ and Eder K, 2012. Changes in the expression of hepatic genes involved in cholesterol homeostasis in dairy cows in the transition period and at different stages of lactation. Journal of Dairy Science 95(7): 3826-3836.
Shannon P, Markiel A, Ozier O, Baliga NS, Jonathan T, Wang DR, 2003. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Research 13 (11): 2498-504.
Shennan DB and Peaker M, 2000. Transport of milk constituents by the mammary gland. Physiological Reviews 80(3): 925-951.
Shi L, Lv X, Liu L, Yang Y, Ma Z, Han B and Sun D, 2019. A post-GWAS confirming effects of PRKG1 gene on milk fatty acids in a Chinese Holstein dairy population. BMC Genetics 20(1): 53.
Shin D, Lee C, Park KDo, Kim H and Cho KH, 2017. Genome-association analysis of Korean Holstein milk traits using genomic estimated breeding value. Asian-Australasian Journal of Animal Sciences 30(3): 309–319.
Smoczyński M, 2017. Role of phospholipid flux during milk secretion in the mammary gland. Journal of Mammary Gland Biology and Neoplasia 22(2): 117-129.
Spehar M, 2015. Genomic Evaluation and Association Studies of Correlated Traits in Dairy and Dual Purpose Cattle Breeds. Doctoral dissertation, Ljubljana, Univ. of Ljubljana, Biotechnical faculty.
Spelman RJ, Coppieters W, Karim L, Van Arendonk JAM and Bovenhuis H, 1996. Quantitative trait loci analysis for five milk production traits on chromosome six in the Dutch Holstein-Friesian population. Genetics 144(4): 1799-1807.
Strucken EM, Bortfeldt RH, De Koning DJ and Brockmann GA, 2012. Genome-wide associations for investigating time-dependent genetic effects for milk production traits in dairy cattle. Animal Genetics 43(4): 375-382.
Tesfayonas, YG, 2014. Genome wide association study of milk composition traits in Swedish Red cows. 40.
Turner MD, Rennison ME, Handel SE, Wilde CJ and Burgoyne RD, 1992. Proteins are secreted by both constitutive and regulated secretory pathways in lactating mouse mammary epithelial cells. The Journal of Cell Biology 117(2): 269-278.
Vesterinen HM, Sena ES, Egan KJ, Hirst TC, Churolov L, Currie GL, Antonic A, Howells DW and Macleod MR, 2014. Meta-analysis of data from animal studies: A practical guide. Journal of Neuroscience Methods 221: 92-102.
Viollet B, Foretz M, Guigas B, Horman S, Dentin R, Bertrand L, Hue L and Andreelli F, 2006. Activation of AMP-activated protein kinase in the liver: A new strategy for the management of metabolic hepatic disorders. The Journal of Physiology 574(1): 41-53.
Wagner A and Fell DA, 2001. The small world inside large metabolic networks. Proceedings of the Royal Society of London. Series B: Biological Sciences. 268(1478): 1803-1810.
Wang X, Wurmser C, Pausch H, Jung S, Reinhardt F, Tetens J, Thaller G and Fries R, 2012. Identification and dissection of four major QTL affecting milk fat content in the German Holstein-Friesian population. Plos One 7(7): e40711.
Watts D and Strogatz S, 1998. Collective dynamics of ‘small-world’ networks. Nature 393 (6684): 440–2.
White HM, 2015. The role of TCA cycle anaplerosis in ketosis and fatty liver in periparturient dairy cows. Animals 5(3): 793-802.
Woalder TC, Chung J and Farese RV, 2017. Lipid droplet biogenesis. Physiology and Behavior 6(33): 491-510.
Zielke LG, Bortfeldt RH, Reissmann M, Tetens J, Thaller G and Brockmann GA, 2013. Impact of Variation at the FTO Locus on Milk Fat Yield in Holstein Dairy Cattle. Plos One 8(5): e63406. | ||
آمار تعداد مشاهده مقاله: 918 تعداد دریافت فایل اصل مقاله: 437 |