پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,098,205 |
| تعداد دریافت فایل اصل مقاله | 97,205,855 |
روش تجزیه و تحلیل شبکۀ هم‌بیانی ژنی وزن‌دار و کاربرد آن در ژنتیک و اصلاح نژاد دام و طیور | ||
| علمی- ترویجی (حرفه‌ای) دامِستیک | ||
| دوره 22، شماره 2 - شماره پیاپی 23، آذر 1401، صفحه 5-13 اصل مقاله (1.74 M) | ||
| نوع مقاله: مقاله علمی- ترویجی | ||
| شناسه دیجیتال (DOI): 10.22059/domesticsj.2022.344763.1098 | ||
| نویسندگان | ||
| وحید دهقانیان ریحان1؛ مصطفی صادقی* 2؛ فرزاد غفوری1 | ||
| 1دانشجوی دکتری تخصصی ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران ، کرج، البرز، ایران | ||
| 2دانشیار ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، البرز، ایران | ||
| چکیده | ||
| در میان انواع مختلف شبکه‌ها، شبکه‌های هم‌بیانی ژنی بیشترین انعطاف‌پذیری را برای بررسی صفات مختلفی همچون صفات عملکردی و تولیدمثلی، بیماری‌ها و غیره دارند. هم‌بیان بودن ژن‌ها عموماً به همبستگی بین ژن‌ها در سطوح رونوشت اشاره دارد، همچنین از طرفی دیگر می‌تواند در تمام مقیاس‌های بیولوژیکی (مانند پروتئین‌ها، متابولیت‌ها و یا به صورت ترکیبی بین رونوشت‌ها، پروتئین‌ها و متابولیت‌ها) برای مطالعۀ روابط همبستگی بین ژن‌ها استفاده شود. شبکه‌های هم‌بیانی تا حدی به دلیل امکان بهره‌گیری از فناوری‌هایی مانند ریزآرایه‌ها، RNA-Seq و طیف‌سنجی جرمی محبوب شده‌اند، چرا که امکان بررسی واسطه‌های مولکولی در مقیاس‌های بیولوژیکی مختلف به روشی ساده و در تعداد نسبتاً زیادی نمونه را فراهم می‌کند. همچنین، با استفاده از این روش اندازه‌گیری معنی‌داری بیان همزمان ژن‌ها از نظر بیولوژیکی در انواع سلول‌های خاص امکان‌پذیر است. به عنوان یک مقایسه، بیشتر شبکه‌های تعاملی پروتئین با پروتئین (PPI) صرفاً نشان‌دهندۀ تعاملات کلی بین ژن‌ها می‌باشند که اشاره‌ای به نوع سلول و بخش زمانی بیان ژن‌ها ندارند، در حالی که شبکه‌های هم‌بیانی ژنی را می‌توان با استفاده از داده‌های به دست آمده از انواع سلول‌های خاص از افراد مختلف (بالادست و پایین‌دست در مورد یک صفت فنوتیپی مانند افراد با باروری بالا و پایین) و در سراسر مراحل رشد بازسازی کرد. یکی از پرکاربردترین الگوریتم‌ها برای ساخت شبکه‌های هم‌بیانی ژنی، تجزیه و تحلیل شبکۀ هم‌بیانی ژنی وزن‌دار (WGCNA) است که به دلیل استفادۀ گسترده از آن در بسیاری از مطالعات هم‌بیانی، توضیح نحوۀ عملکرد آن آموزنده خواهد بود. بنابراین شناسایی ماژول‌ها، ژن‌ها و مسیرهای متابولیکی- سیگنالینگ مرتبط با صفات مختلف مورد مطالعه با استفاده از روش WGCNA، ممکن است بینش جدیدی در رابطه با مکانیسم‌های مولکولی را نشان دهند. در واقع هدف از این مطالعه، ارائه توضیحات اجمالی در رابطه با روش تجزیه و تحلیل شبکۀ هم‌بیانی ژنی وزن‌دار و کاربرد آن در ژنتیک و اصلاح نژاد دام و طیور است. | ||
| کلیدواژه‌ها | ||
| WGCNA؛ ترانسکریپتوم؛ سیستم بیولوژی؛ شبکه‌های هم‌بیانی ژنی | ||
| عنوان مقاله [English] | ||
| Method of weighted gene co-expression network analysis and its application in animal and poultry breeding and genetics | ||
| نویسندگان [English] | ||
| Vahid Dehghanian Reyhan1؛ Mostafa Sadeghi2؛ Farzad Ghafouri1 | ||
| 1Ph.D. Student of Animal and Poultry Breeding & Genetics, Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, Alborz, Iran | ||
| 2Associate Professor of Animal Breeding and Genetics, Department of Animal Science, College of Agriculture and Natural Resources, University of Tehran, Karaj, Alborz, Iran | ||
| چکیده [English] | ||
| Among the different types of networks, gene co-expression networks have the most flexibility to study different traits such as functional and reproductive traits, diseases, etc. Gene co-expression generally refers to the correlation between genes at the levels of transcripts; on the other hand, it can also be used at all biological scales (such as proteins, metabolites, or in combination between transcripts, proteins, and metabolites) to study the correlation relationships between genes. Co-expression networks have become popular in part because of the use of technologies such as microarrays, RNA-Seq, and mass spectrometry, as they allow the study of molecular mediators at different biological scales in a simple and relatively large number of samples. In addition, using this method, it is possible to measure the biological co-expression of genes simultaneously in specific cell types. By comparison, most protein-protein interaction (PPI) networks merely indicate general interactions between genes that do not refer to cell type and gene expression time, while gene expression networks can be reconstructed using data obtained from specific cell types from different individuals (upstream and downstream about a phenotypic trait such as individuals with high- and low-fertility) and throughout the developmental stages. One of the most widely used algorithms for constructing gene co-expression networks is weighted gene co-expression network analysis (WGCNA) due to its widespread use in many co-expression studies that will be instructive to explain how it works. As a result of identifying modules, genes, and metabolic-signaling pathways associated with various studied traits using the WGCNA method, they may show new insights into molecular mechanisms. Consequently, the purpose of this study was to provide a brief description of the method of weighted gene co-expression network analysis and its application in animal and poultry breeding and genetics. | ||
| کلیدواژه‌ها [English] | ||
| WGCNA, Transcriptome, Biological system, Gene co-expression networks | ||
| مراجع | ||
|
باباعباسی، ب. (1395). "بیوانفورماتیک سلولی و مولکولی." پژوهشگاه رویان، پژوهشکده زیستشناسی و علوم پزشکی تولیدمثل جهاد دانشگاهی، مرکز تحقیقات پزشکی تولیدمثل، گروه ژنتیک، تهران، ایران: 9-318. درزی، م.، گرگین، س.، مجیدزاده، ک.، و اسمعیلی، ر. (1400). "شناسایی ژن‌های مرتبط با پیش‌آگهی در سرطان پستان Her2-enriched با استفاده از تجزیه و تحلیل شبکه هم‌بیانی ژنی." فصلنامه بیماری‌های پستان ایران، 14(1)، 49-63. Agrahari, R., Foroushani, A., Docking, T.R., Chang, L., Duns, G., and et al. (2018). “Applications of Bayesian network models in predicting types of hematological malignancies.” Scientific Reports, 8(1), 1-12. Allen, M., Wang, X., Burgess, J.D., Watzlawik, J., Serie, D.J., and et al. (2018). “Conserved brain myelination networks are altered in Alzheimer's and other neurodegenerative diseases.” Alzheimer's & Dementia, 14(3), 352-366. Bakhtiarizadeh, M.R., Mirzaei, S., Norouzi, M., Sheybani, N., and Vafaei Sadi, M.S. (2020). “Identification of gene modules and hub genes involved in mastitis development using a systems biology approach.” Frontiers in Genetics, 11, 722. Dong, J., and Horvath, S. (2007). “Understanding network concepts in modules.” BMC Systems Biology, 1(1), 1-20. Farhadian, M., Rafat, S.A., Panahi, B., and Mayack, C. (2021). “Weighted gene co-expression network analysis identifies modules and functionally enriched pathways in the lactation process.” Scientific Reports, 11(1), 1-15. Foroushani, A., Agrahari, R., Docking, R., Chang, L., Duns, G., and et al. (2017). “Large-scale gene network analysis reveals the significance of extracellular matrix pathway and homeobox genes in acute myeloid leukemia: an introduction to the Pigengene package and its applications.” BMC Medical Genomics, 10(1), 1-15. Fuller, T., Langfelder, P., Presson, A., and Horvath, S. (2011). “Review of weighted gene coexpression network analysis.” In Handbook of Statistical Bioinformatics. Springer, Berlin, Heidelberg, 369-388. Fuller, T.F., Ghazalpour, A., Aten, J.E., Drake, T.A., Lusis, A.J., and et al. (2007). “Weighted gene coexpression network analysis strategies applied to mouse weight.” Mammalian Genome, 18(6), 463-472. Gentleman, R., Carey, V.J., Huber, W., Irizarry, R.A., and Dudoit, S. (Eds.). (2005). “Bioinformatics and computational biology solutions using R and Bioconductor.” New York: Springer, 1 (0). Ghafouri, F., Mehrabani Yeganeh, H., and Mohamadian Jeshvaghani, S. (2020). “Big data and the role of high-throughput technologies in livestock and poultry breeding”. Professional Journal of Domestic, 20(1), 34-40. Ghahramani, N., Shodja, J., Rafat, S.A., Panahi, B., and Hasanpur, K. (2021). “Integrative systems biology analysis elucidates mastitis disease underlying functional modules in dairy cattle”. Frontiers in Genetics, 12. Horvath, S. (2011). “Weighted network analysis: applications in genomics and systems biology.” Springer Science & Business Media. Horvath, S., and Dong, J. (2008). “Geometric interpretation of gene coexpression network analysis.” PLoS Computational Biology, 4(8), e1000117. Horvath, S., Zhang, B., Carlson, M., Lu, K.V., Zhu, S., and et al. (2006). “Analysis of oncogenic signaling networks in glioblastoma identifies ASPM as a molecular target.” Proceedings of the National Academy of Sciences, 103(46), 17402-17407. Langfelder, P., Luo, R., Oldham, M.C., and Horvath, S. (2011). “Is my network module preserved and reproducible?.” PLoS Computational Biology, 7(1), e1001057. Langfelder, P., Mischel, P.S., and Horvath, S. (2013). “When is hub gene selection better than standard meta-analysis?.” PloS One, 8(4), e61505. Langfelder, P., Zhang, B., and Horvath, S. (2008). “Defining clusters from a hierarchical cluster tree: the Dynamic Tree Cut package for R.” Bioinformatics, 24(5), 719-720. Li, J., Zhou, D., Qiu, W., Shi, Y., Yang, J.J., and et al. (2018). “Application of weighted gene co-expression network analysis for data from paired design.” Scientific Reports, 8(1), 1-8. Liu, W., Li, L., Ye, H., and Tu, W. (2017). “Weighted gene co-expression network analysis in biomedicine research.” Sheng wu Gong Cheng xue Bao= Chinese Journal of Biotechnology, 33(11), 1791-1801. Maertens, A., Tran, V., Kleensang, A., and Hartung, T. (2018). “Weighted gene correlation network analysis (WGCNA) reveals novel transcription factors associated with bisphenol A dose-response.” Frontiers in Genetics, 9, 508. Oldham, M.C., Konopka, G., Iwamoto, K., Langfelder, P., Kato, T., and et al. (2008). “Functional organization of the transcriptome in human brain.” Nature Neuroscience, 11(11), 1271-1282. Oldham, M.C., Langfelder, P., and Horvath, S. (2012). “Network methods for describing sample relationships in genomic datasets: application to Huntington’s disease.” BMC Systems Biology, 6(1), 1-18. Ovens, K., Eames, B.F., and McQuillan, I. (2021). “Comparative analyses of gene co-expression networks: Implementations and applications in the study of evolution.” Frontiers in Genetics, 12. Presson, A.P., Sobel, E.M., Papp, J.C., Suarez, C.J., Whistler, T., and et al. (2008). “Integrated weighted gene co-expression network analysis with an application to chronic fatigue syndrome.” BMC Systems Biology, 2(1), 1-21. Ranola, J.M., Langfelder, P., Lange, K., and Horvath, S. (2013). “Cluster and propensity based approximation of a network.” BMC Systems Biology, 7(1), 1-20. Silva-Vignato, B., Coutinho, L.L., Poleti, M.D., Cesar, A.S., Moncau, C.T., and et al. (2019). “Gene co-expression networks associated with carcass traits reveal new pathways for muscle and fat deposition in Nelore cattle.” BMC Genomics, 20(1), 1-13. Spadafora, R., Lu, J., Khetani, R.S., Zhang, C., Iberg, A., and et al. (2018). “Lung-resident mesenchymal stromal cells reveal transcriptional dynamics of lung development in preterm infants.” American Journal of Respiratory and Critical Care Medicine, 198(7), 961-964. Swarup, V., Hinz, F.I., Rexach, J.E., Noguchi, K.I., Toyoshiba, H., and et al. (2019). “Identification of evolutionarily conserved gene networks mediating neurodegenerative dementia.” Nature Medicine, 25(1), 152-164. Weston, D.J., Gunter, L.E., Rogers, A., and Wullschleger, S.D. (2008). “Connecting genes, coexpression modules, and molecular signatures to environmental stress phenotypes in plants.” BMC Systems Biology, 2(1), 1-17. Wu, Z., Hai, E., Di, Z., Ma, R., Shang, F., and et al. (2020). “Using WGCNA (weighted gene co-expression network analysis) to identify the hub genes of skin hair follicle development in fetus stage of Inner Mongolia cashmere goat.” PloS One, 15(12), e0243507. Zhang, B., and Horvath, S. (2005). “A general framework for weighted gene co-expression network analysis.” Statistical Applications in Genetics and Molecular Biology, 4(1). 17 Zhang, P., Li, Q., Wu, Y., Zhang, Y., Zhang, B., and et al. (2022). “Identification of candidate genes that specifically regulate subcutaneous and intramuscular fat deposition using transcriptomic and proteomic profiles in Dingyuan pigs.” Scientific Reports, 12(1), 1-13. Zhao, X., Wang, C., Wang, Y., Zhou, L., Hu, H., and et al. (2020). “Weighted gene co‐expression network analysis reveals potential candidate genes affecting drip loss in pork.” Animal Genetics, 51(6), 855-865. | ||
|
آمار تعداد مشاهده مقاله: 362 تعداد دریافت فایل اصل مقاله: 289 |
||