بازسازی و آنالیز توپولوژی شبکه متابولیکی دخیل در تولید شیرگاو

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دکتری ژنتیک و اصلاح نژاد (ژنتیک مولکولی)، دانشکده کشاورزی، دانشگاه فردوسی مشهد

2 استاد دانشکده کشاورزی، دانشگاه فردوسی مشهد

3 دانشیار موسسه تحقیقات بیوشیمی و بیوفیزیک ، دانشگاه تهران

4 استادیاربخش بیولوژی، پژوهشگاه دانش های بنیادی، تهران

5 استادیار دانشکده مهندسی شیمی، دانشگاه تربیت مدرس

چکیده

مدل‌سازی متابولیسم تولید شیر مبتنی بر بازسازی شبکه متابولیکی دخیل در تولید شیر، احتمالا می تواند  منجر به دیدگاهی سیستمی به این فرآیند پیچیده و درک بهتر آن گردد. این بازسازی با استفاده از اطلاعات ژنومی قابل دسترس گاو امکان‌پذیر است. در این پژوهش، شبکه متابولیتی درگیر در تولید شیر در گاو، بازسازی و آنالیز شده است. بدین منظور، ابتدا اطلاعات موجود در پایگاه داده­های NCBI ، Uniprot ، KEGG  و Brenda مورد استفاده قرار گرفته­اند. شبکه حاصل، شامل 3605 واکنش بوده که توسط 646 آنزیم کاتالیز شده و از پایگاه داده KEGG تهیه گردیده­اند. براساس  تئوری گراف، تمامی ویژگی­های ساختاری شبکه متابولیتی جهت دار و بدون جهت مورد تجزیه و تحلیل قرار گرفتند. میانگین طول مشخصه مسیر برابر با مقادیر 51/5 و53/5 به ترتیب برای شبکه متابولیتی جهت دار و بدون جهت به­دست آمد. 23 متابولیت هاب تعیین گردید. زیرا هرگونه تغییر در این متابولیت­ها ممکن است موجب کاهش تولید شیر بوده و یا برای سلامتی دام مضر باشد. بنابراین هدف از ساخت شبکه متابولیت محور، مقایسه تطابق ویژگی­های این شبکه با سایر شبکه‌های بیولوژیکی و تعیین متابولیتهای کلیدی در تولید شیر می باشد. تحقیق حاضر، می تواند اطلاعات مفیدی برای بهبود و درک بهتر فرآیند تولید شیر در گاو از دیدگاه متابولیکی ارائه دهد و منجر به ارائه پیشنهاداتی در جهت ایجاد ویا بهبود استراتژی­های اصلاح نژادی گردد

کلیدواژه‌ها


Albert, R., Barabasi, A.L. and Jeong, H. (2000a). Power-law distribution of the World Wide Web. Science. 287:2115.
Albert, R., Jeong, H. and Barabasi, A.L. (2000b). Error and attack tolerance of complex networks. Nature. 406:378–382.
Amit, I., Garber, M., Chevrier, N., Leite, AP., Donner, Y., Eisenhaure, T. et al. (2009). Unbiased reconstruction of a mammalian transcriptional network mediating pathogen responses. Science. 326:257–263.
Asgari, Y., Salehzadeh-Yazdi, Ali., Schreiber, F. and Masoudi-Nejad, A.(2013). Controllability in Cancer Metabolic Networks According to Drug Targets as Driver Nodes.. PLoS ONE. 8(11): e79397.
Barabasi, AL., Bonabeau, E. ( 2003). Scale-free networks. Scientific American. 288: 60-69.
Barabasi, AL., Oltvai, ZN. (2004). Network biology: understanding the cell’s functional organization. Nature Reviews Genetics. 5:101–113.
Barabasi, AL., Albert, R. (1999). Emergence of scaling in random networks. Science. 286:509–512.
Becker S, Feist A, Mo M, Hannum G, Palsson B,  and Herrgard M. (2007). Quantitative prediction of cellular metabolism with constraint-based models: the COBRA Toolbox. Nature Protocols.  2:727-738
Buitenhuis, A.J., Sundekilde, U.K., Poulsen, N., Bertram, H.C., Larsen, L.B., and Sørensen, P. (2013). Estimation of Genetic Parameters and Detection of QTL for Metabolites in Danish Holstein Milk. Journal of  Dairy Science. 14(79):1-10.
Boudonck, K. J., Mitchell, M. W.,  Wulff, J. and Ryals, J. A. (2009). Characterization of the biochemical variability of bovine milk using metabolomics. Metabolomics. 5(4):375-386.
Christopher, K., Tuggle, F.T., and Vasant G., H. (2011). Introduction to Systems Biology for Animal Scientists. John Wiley & Sons, Ltd,UK.Chapter, 1.pp:1-30
Cline, MS., Smoot, M., Cerami, E., Kuchinsky, A., Landys, N. and Workman, C. (2007). Integration of biological networks and gene expression data using Cytoscape. Nature Protocols. 2:2366–2382.
Chung, F., Lu, L. (2003). The average distances in random graphs with given expected degrees. Internet Mathematics. 1:91–114.
Durot, M., Bourguignon, PY. and Schachter, V. (2009). Genome-scale models of bacterial metabolism: reconstruction and applications. FEMS Microbiology Reviews. 33: 164–190.
Durek, P., Walther, D. (2008). The integrated analysis of metabolic and protein interaction networks reveals novel molecular organizing principles. BMC Systems Biology. 2:100.
Edwards, JS., Palsson, BO. (1999). Systems properties of the Haemophilus influenzae Rd metabolic genotype. Journal of Biological Chemistry. 274:17410–17416.
Edwards, JS., Ibarra, RU.,  and Palsson, BO. (2001). In silico predictions of Escherichia coli metabolic capabilities are consistent with experimental data. Nature Biotechnology. 19(2):125-130.
Erdos, P., Renyi, A. (1959). On the evolution of random graphs. Publications Mathematiques. 6:290–297.
Feist, A.M., Herrgard, M.J., Thiele, I., Reed, J.L. and Palsson, B.O. (2009). Reconstruction of biochemical networks in microorganisms. Nature Reviews Microbiology. 7: 129–143.
Forster, J., Famili, I., Fu, P., Palsson, BØ. and Nielsen, J. (2003). Genome scale reconstruction of the Saccharomyces cerevisiae metabolic network. Genome Research. 13:244–253.
Hucka, M., Finney, A., Sauro, H.M., Bolouri, H., Doyle, J.C., Kitano, H., et al. (2003). The systems biology markup language (SBML): a medium for representation and exchange of biochemical network models. Bioinformatics. 19(4):524-531.
Jing,  Z., Hong, Y., Jianhua, L., Cao, z.w. and Xue, L.Y.(2006). Complex networks theory for analyzing metabolic networks. Chinese Science Bulletin. 51:1529-1537.
Janga, SC., Badu, MM. (2008). Network-based approaches for linking metabolism with environment. Genome Boilogy. 9:239.
Jeong, H., Tombor. B., Albert, R., Oltvai, Z.N. and Barabasi, A.L. (2000). The large-scale organization of metabolic networks. Nature. 407:651–654.
Jenkins, T.C., McGuire, M.A. (2006). Major advances in nutrition: Impact on milk composition. Journal of Dairy Scince. 89:1302–1310.
Kanehisa, M., Goto, S. (2000). KEGG:Kyoto Encyclopedia of Genes and Genomes. Nucleic Acids Research. 28:27-30.
Kuffner, R., Zimmer, R. and Lengauer,T. (2000). Pathway analysis in metabolic databases via differential metabolic display (DMD). Bioinformatics. 16:825–836.
Kanehisa, M., Goto, S., Hattori, M., Aoki-Kinoshita, KF., Itoh, M., Kawashima, S. et al. (2006). From genomics to chemical genomics: new developments in KEGG. Nucleic Acids Research. 34:D354–D357.
Kitano, H. (2000). Perspectives on systems biology. New Generation Computing 18:199–216.
Koschutzki, D., Junker, B.H., Schwender, J. and Schreiber, F. (2010). Structural analysis of metabolic networks based on flux centrality. Journal of Theoretical Biology. 265:261-269.
Lin, C.Y., Chin, C.H., Wu, H.H., Chen, S.H., Ho, C.W. and Ko, M.T. (2008). Hubba: hub objects analyzer a framework of interactome hubs identification for network biology. Nucleic Acids Research . 36: W438-W443.
Lemay, DG., Lynn, DJ., Martin, WF., Neville, MC., Casey, TM. and Rincon, G. (2009). The bovine lactation genome: insights into the evolution of mammalian milk. Genome Biology. 10:R43.
Ma, H.W., Zeng, A.P. (2003). Reconstruction of metabolic networks from genome data and analysis of their global structure for various organisms. Bioinformatics. 19:270–277.
Pfeiffer, T., Soyer, OS. and Bonhoeffer, S. (2005). The evolution of connectivity in metabolic networks. PLoS Biology. 3: 228.
Smith, E.,  Morowitz, H.J. (2004). Universality in intermediary metabolism. PNAS. 101(36) 13168–13173.
36. Sundekilde, U.K., Larsen, L.B., and Bertram, H.C. (2013). NMR-Based Milk Metabolomics. Metabolites. 3:204-222.
Schellenberger, J., Que, R,, Fleming, RM., Thiele, I., Orth, JD., Feist, A., et al. (2011). Quantitative prediction of cellular metabolism with constraint-based models: the COBRA Toolbox v2.0. Nature Protocols. 6: 1290-1307.
Wagner, A., Fell, D.A. (2001). The small world inside large metabolic networks. Proceeding of the Royal Society of London B Biological Science. 268: 1803-1810.