Informacija

11.0: „Omikos technologijos - biologija

11.0: „Omikos technologijos - biologija


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.

Visas DNR rinkinys organizme vadinamas jo genomo. Genomika Todėl yra didelio masto aprašymas, naudojant daugelio genų ar net viso genomo molekulinės biologijos metodus vienu metu. -omikai priesaga buvo naudojama norint parodyti daugelio tipų molekulių didelio našumo analizę, įskaitant nuorašus (transkriptomika), baltymai (proteomika) ir fermentinių reakcijų produktai arba metabolitai (metabolomika; Paveikslas (PageIndex{1})). Didelių duomenų rinkinių, kuriuos sugeneruoja „-comics“ tyrimai, aiškinimas priklauso nuo skaičiavimo, biologinių ir statistinių žinių, kurias teikia ekspertai, derinio. bioinformatika. Bandymai sujungti informaciją iš skirtingų tipų – omikos studijų kartais vadinami sistemos biologija.


Metabolomika apžvelgta: nauja „omikos“ platformos technologija, skirta sistemų biologijai ir pasekmės natūralių produktų tyrimams

Metabolomika yra pasaulinių metabolitų profilių tyrimas sistemoje (ląstelėje, audinyje ar organizme) esant tam tikroms sąlygoms. Metabolomų analizė yra ypač sudėtinga dėl skirtingos metabolitų cheminės prigimties. Metabolitai yra sistemos genomo sąveikos su aplinka rezultatas ir yra ne tik galutinis genų ekspresijos produktas, bet ir integruota reguliavimo sistemos dalis. Metabolomikos šaknys yra ankstyvuosiuose metabolitų profiliavimo tyrimuose, tačiau šiuo metu tai sparčiai besiplečianti mokslinių tyrimų sritis. Metabolomika (arba metabonomika) buvo pavadinta viena iš naujų „omikų“, jungiančių genomiką, transkriptomiką ir proteomiką kaip mokslą, naudojamą suprasti pasaulinę sistemų biologiją. Metabolomika greitai tampa vienu iš „omikos“ platformos mokslų, nes dauguma šios srities darbų buvo paskelbti tik per pastaruosius dvejus metus. Šioje apžvalgoje trumpai aptariamos metabolominės metodikos, po to išsamiau apžvelgiamas metabolomikos naudojimas integruotose programose, kuriose informacija apie metabolomiką buvo sujungta su kitais „omic“ duomenų rinkiniais (proteomika, transkriptomika), kad būtų galima geriau suprasti biologinę sistemą. Aptariamas metabolomikos potencialas natūralių produktų vaistų atradimui ir funkcinio maisto analizei, visų pirma įtrauktas į platesnius „omikos“ duomenų rinkinius.


Dideli biologijos duomenys sukėlė daugybę hipotezių – galbūt per daug

Net jei pats nesate biologas, galbūt esate girdėję terminus „didieji duomenys“ ir „daugiafunkcinės technologijos“. Naujos kartos sekos sudarymas (arba multi-omics technologija), kuri sukuria ‘biologinius didelius duomenis’, sparčiai išsivystė per du dešimtmečius ir tapo visur paplitusia moksliniuose tyrimuose. O DNR sekos nustatymas yra daugiafunkcinių technologijų pagrindas. Pirmą kartą aštuntojo dešimtmečio pabaigoje sukurtas Frederiko Sangerio, sekos išsivystė į automatizuotą procesą, leidžiantį greitai ir pakartotinai sekti vieną DNR atkarpą, todėl buvo gauti labai tikslūs sekos rodmenys.

Genomika reiškia informaciją, kurią gauname sekvenuodami skirtingų organizmų genomus arba visą DNR. Genomika išsiplėtė ir pagimdė transkriptomiką (įskaitant RNR seką), taip pat proteomiką, epigenomiką ir metabolomiką. Sekos ir analizė pakeitė mūsų žinias apie biologines sistemas ir jų vidinį veikimą. Dabar galime pasiekti informaciją, apie kurią niekada nesvajojome turėti, pvz., pavienių vėžinių navikų ląstelių nevienalytiškumą, mažai žinomų genų įtaką daugelio sekinančių žmonių ligų priežastims ir progresavimui, mūsų protėvių evoliucijos trajektorijas ir patobulintą modelių sistemų, su kuriomis dirbame savo laboratorijose, supratimas.

Šias įžvalgas padėjo pasiekti staigus sekos nustatymo kainų kritimas bėgant metams, todėl vis daugiau laboratorijų galėjo prisidėti prie nuolat besiplečiančios ‘-omics’ duomenų saugyklos. Galų gale tai turėtų sukelti klausimą: ar visada daugiau duomenų? Nors sunku pervertinti ‘-omics ’ technologijų naudą, taip pat svarbu, kaip šie duomenys naudojami ir kuriami. Ir čia mes tikrinsime šiuolaikinės biologijos pažangą.

Pirma, negalima paneigti, kad daugiafunkcinės technologijos turi reikšmingų diagnostinių ir terapinių pasekmių, kurios buvo paverstos apčiuopiama nauda žmogui. Tačiau nors neabejotina, kad biologijos pritaikymas medicinoje yra būtinas žmogaus gerovei, yra ir esminis mokslinių tyrimų aspektas, kuriuo siekiama suprasti biologiją dėl jos pačios. Ir bijau, kad dabartinė daugiafunkcinių technologijų paplitimas kartu su jų sėkme klinikinėse srityse gali paskatinti biologus nukreipti savo mokslinių tyrimų interesus, kad jie labiau atitiktų klinikinę biologijos pusę nei anksčiau. Nors medicinos tyrimų ir jų taikymo pažanga yra labai svarbi, turime būti atsargūs ir užtikrinti, kad dėl to nenukentėtų pagrindinių mokslų siekimas ir kokybė.

Dideli duomenys turi savo vietą fundamentiniuose tyrimuose. Suborganizmų biologijos srityje daugiafunkcinės technologijos leido mums atrasti iki šiol nežinomus ląstelių tipus, susieti naujus genus su keliais ir apibrėžti biomolekulines asociacijas visuose genomuose. Kitaip tariant: multi-omika leido mums sukurti patikrinamas hipotezes. Ataskaitos, kuriose išsamiai aprašytos šios išvados, dažnai verčia apie tai, kaip buvo pradėta daugiau tyrimų nuo pradinio taško, ty didelių duomenų. Bet ar tai tikrai atsitiko?

Žinoma, reikia pateikti argumentą, kad priežastinių ryšių nustatymas pagal duomenų koreliacijas priklauso eksperimentinio biologo jurisdikcijai. Bet ar kas nors eksperimentiniu būdu ištyrė susijusius biologinius mechanizmus? Nemanau, kad atsakymas yra aiškus „taip“. Vietoj to, aš įtariu, kad mes paskęstame duomenyse, nustumdami į šalį tradicinį eksperimentinį hipotezių patvirtinimą ir generuodami dar daugiau hipotezių.

Taigi, nors naujos kartos seka padarė daug naudos biologijos tyrimams, įmanoma, kad pasiekėme momentą, kai turime pristabdyti ir pažvelgti į bendrą vaizdą, atsirandantį iš mūsų individualių rūpesčių skulptūruojant po vieną pikselį. Ką darome su generuojamais duomenimis? Ar mes naudojame duomenis hipotezėms tikrinti ir kritiškai suprasti biologinius mechanizmus? Ar mes tęsiame fundamentinius tyrimus? Ar daugiafunkciniai įrankiai ir tradiciniai eksperimentiniai tyrimai veikia harmoningai?

Aš keliu šiuos klausimus būdamas naujokas -studentas, siūlantis pradėti biologijos tyrimus toje vietoje, kur -omikos technologijos vis labiau iškyla prieš gyvybės mokslus, ir esu tikras, kad šie klausimai kamuoja ir mano bendraamžius. ‘-omics’ revoliucija įsibėgėja, bet manau, kad būtent atsakymai į tokius klausimus lems, kokį pėdsaką ši besitęsianti revoliucija paliks mokslo ateičiai.

Amruta Swaminathan yra magistrantė ir studentė Indijos mokslo švietimo ir tyrimų institute (IISER), Pune.


1 Genomikos tyrimų tyrinėjimas kai kurių nepakankamai naudojamų ankštinių augalų kontekste & mdashA apžvalga 3
Patrush Lepcha, Pittala Ranjith Kumar ir N. Sathyanarayana

1.2 Aksominė pupelė [Mucuna pruriens (L.) DC. var. utilis (Wall. ex Wight)] Baker ex Burck 4

1.3 Psophocarpus tetragonolobus (L.) DC. 7

1.4 Vigna umbellata (Tunb.) Ohwiet. Ohashi 8

1.5 Lablab purpureus (L.) Saldus 9

1.6 Būsimų tyrimų būdai 10

2 Insekticidinių genų, naudojamų pasėlių gerinimo programoje, apžvalga 19
Neeraj Kumar Dubey, Prashant Kumar Singh, Satyendra Kumar Yadav ir Kunwar Deelip Singh

2.2 Vabzdžiams atsparus transgeninis augalo modelis 21

2.3. Vabzdžiams atsparūs transgeniniai dviskilčiai augalai 27

2.4. Vabzdžiams atsparūs transgeniniai vienaląsčiai augalai 34

2.5 Insekticidinių genų, naudojamų ruošiant transgeninius augalus, darbo principas 39

3 Pasėlių tobulinimo pažanga: „miRNA“ technologijų naudojimas pasėlių gerinimui 55
Clarissa Challam, N. Nandhakumar ir Hemant Balasaheb Kardile

3.2 MiRNR atradimas 56

3.3 Augalų miRNR raida ir organizavimas 57

3.4 Augalų miRNR identifikavimas 58

3.6 MiRNR biogenezė ir jų reguliavimas augaluose 60

3.7 miRNR taikymas pasėliams gerinti 61

4 Genų atradimas taikant pirmąjį genetinį metodą didelio našumo sekos eroje 75
Vivek Thakur ir Samart Wanchana

4.2 Mutagenai skiriasi dėl sukeltų mutacijų tipo ir tankio 76

4.3 Didelio našumo sekos nustatymas gerėja ir pigėja 77

4.4 Skirstymas pagal seką 77

4.5 Skirtingi populiacijų kartografavimo poreikiai 81

4.6 Mutageninio tipo poveikis kartografavimui 83

4.7 Masinio dydžio ir sekos aprėpties įtaka kartografavimui 83

4.8 Variantų iškvietimo iššūkiai 85

4.9 Atvejai, kai genomo seka nepasiekiama arba labai skiriasi 85

4.10 Bioinformatikos įrankiai atvaizdavimo pagal seką analizei 86

5 Termoleruojančių augalų funkcinė genomika 91
Nagendra Nath Das

5.2 Funkcinė genomika augaluose 93

5.3 Termoleruojantys augalai 94

5.4 Termotolerantiškų augalų funkcinės genomikos tyrimai 98

2 dalis: Metabolomika 105

6 Vienos ląstelės tipo metabolizmo darbo eiga: nuo išankstinio duomenų apdorojimo ir statistinės analizės iki biologinių įžvalgų 107
Biswaprija B. Misra

6.2.2 Neapdorotos masės spektrometrijos duomenų apdorojimas 109

6.2.3 Statistinės analizės 109

6.2.4 Kelio praturtinimo ir grupavimo analizė 110

6.3.1 Tyrimo planas ir duomenų analizė 110

6.3.2 Apsaugos ląstelių metabolizmo duomenų rinkinys 110

6.3.3 Daugiamatė analizė, skirta įžvalgoms apie išankstinį duomenų apdorojimą 113

6.3.4 Duomenų normalizavimo metodų poveikis 119

124. kas yra

7 Augalų sistemų metabolitų profiliavimas ir metabolizmas naudojant 1H BMR ir GC-MS 129
Manu Shree, Maneesh Lingwan ir Shyam K. Masakapalli

7.2 Medžiagos ir metodai 131

7.2.1 1H BMR pagrįstas augalų mėginių metabolitų profiliavimas 132

7.2.1.1 Metabolitų ekstrahavimas 132

7.2.1.2 1H BMR spektroskopija 132

7.2.1.3 Kokybinė ir kiekybinė BMR signalų analizė 134

7.2.2 Dujų chromatografija ir ndash Masės spektroskopija (GC-MS) pagrįstas metabolito profiliavimas 134

7.2.2.1 Mėginio paruošimas 134

7.2.2.2 GC-MS duomenų rinkimas 135

7.2.2.3 GC-MS duomenų išankstinis apdorojimas ir metabolitų profiliavimas 136

7.2.2.4 Nustatytų metabolitų patvirtinimas 136

7.2.3 Daugiamatė duomenų analizė 137

7.3. Pasirinktos metabolizmo ir metabolitų profiliavimo programos 139

8 OMICS pagrįsti požiūriai į pikrosidų biosintezės išaiškinimą Picrorhiza kurroa 145
Varunas Kumaras

8.2 Kryžminis pokalbis apie pikozidų biosintezę tarp skirtingų audinių P. kurroa 148

8.3 P. kurroa 148 pikozidų biosintezės kelio išaiškinimo strategijos

8.3.1 Retro-biosintetinis metodas 149

8.3.2 In vitro Skirtingų pirmtakų ir inhibitorių maitinimas 149

8.3.3 Metabolomics of Natural Variant Chemotypes of P. kurroa 150

8.4 Pikrosidų biosintezėje dalyvaujančių raktų/kandidatų genų atrankos strategijos 151

8.4.1 Lyginamoji genomika 151

8.4.2 Diferencinės naujos kartos sekos (NGS) transkriptai ir kelio genų išraiškos lygiai Vis- ir agrave-Vis Picrosides Turinys 152

8.5 Pikrosidų biosintetinio kelio visa architektūra 153

8.6 Iššūkiai ir ateities perspektyvos 161

9 Poliomikos reikšmė pramoninių kultūrų sisteminės biologijos tyrimams 167
Nagendra Nath Das

9.2 Augalų sistemos biologija 169

9.4 Poliomikos taikymas pramoninių augalų sisteminės biologijos tyrimuose 176

9.5 Baigiamosios pastabos 177

3 dalis. Bioinformatika 183

10 besivystančių skaičiavimo „Omics“ įrankių, skirtų Gramineae šeimos žolės rūšių ir jų reaguojančių į probiotines funkcijas sistemų sistemai analizuoti, pasiekimų 185
Pandiyan Muthuramalingam, Rajendran Jeyasri, Dhamodharan Kalaiyarasi, Subramani Pandian, Subramanian Radhesh Krishnan, Lakkakula Satish, Shunmugiah Karutha Pandian ir Manikandan Ramesh

10.2 Gramineae šeimos žolių rūšys 187

10.2.1 Oryza sativa 187

10.2.2 Setaria italica 187

10.2.3 Dvigubas sorgas 188

10.4 Naujos sekos nustatymo technologijos 198

10.4.1 NGS pagrįstas genomo ir RNR sekos nustatymas 199

10.4.2 „Tanscriptome“ analizė, pagrįsta NGS 200

10.4.3 Didelio pralaidumo „Omics“ sluoksniai 201

10.5 Omikos ištekliai Poaceae rūšyse 202

10.6 Funkcinės omikos vaidmuo išskaidant Gramineae narių streso fiziologiją 203

10.7 Gramineae augalų rūšių 204 sistemų analizė

10.8 Gramineae rūšių mitybos omika 205

11 OMIC technologijos bioetanolio gamyboje: Indijos kontekstas 217
Pulkit A. Srivastava ir Ragothaman M. Yennamalli

11.3. Celiulioliziniai fermentai, gaminantys iš Indijos išskirtas bakterijų padermes 220

11.3.1 Lignoceliulolizinių skaidomųjų fermentų Bacillus gentis 222

11.3.2 Bhargavaea cecembensis 222

11.3.3 Streptomyces gentis hidroliziniams fermentams 230

11.4 Biomasės šaltiniai, kilę iš Indijos 230

11.4.1 Albizia lucida (Moj) 230

11.4.2 Areca katechu (Betelio riešutas) 231

11.4.3 Arundo donaxas (Milžiniška nendrė) 231

11.4.4 Pennisetum purpureum (Napier Grass) 231

11.4.5 Brassica Biomasės augalų šeima 231

11.4.6 Cajanus cajan (Balandžių žirnis)/Cenchrus americanus (Perlų soros)/Corchorus capsularis (Džiutas)/

Lens culinaris (Lęšiai)/Saccharum officinarum (Cukranendrė)/Triticum sp. (Kvieciai)/Zea mays (Kukurūzai) 232

11.4.7 Medicago sativa (Liucerna) 232

11.4.8 Manihot esculenta (Kasava)/Salix viminalis (Krepšelis gluosnis)/Setaria italica (Foxtail soros)/ Setaria viridis (Žalia lapė) 232

11.4.9 Vetiveria zizanioides (Vetiveris arba Khas) 232

11.4.10 Miltai ir Dvigubas sorgas (Sorgas) 233

11.5 Omics duomenys ir jų taikymas bioetanolio gamyboje 233

4 dalis. Pasėlių tobulinimo pažanga: naujos technologijos 245

12 Genomo redagavimas: naujos veisimo technologijos augaluose 247
Kalyani M. Barbadikar, Supriya B. Aglawe, Satendra K. Mangrauthia, M. Sheshu Madhav ir S.P. Jeevan Kumar

12.1 Įvadas: genomo redagavimas 248

12.2.1 Nehomologinis galinis sujungimas (NHEJ) 250

12.2.2 Homologinis remontas (HR) 251

12.3 Inžinerinės branduoliai: pagrindiniai GE 251 žaidėjai

12.3.2 Cinko pirštų nukleazės 256

12.3.3 Į transkripcijos aktyvatorių panašios efektorinės nukleazės 257

12.3.4 CRISPR/Cas sistema: The Forerunner 258

12.4 Tikslinės mutacijos ir praktiniai svarstymai 259

12.4.1 Tikslinės mutacijos 259

12.4.2.1 Tikslinės sekos pasirinkimas 261

12.4.2.2 Nukleazių projektavimas 262

12.4.2.4 Mutacijos atranka 264

12.5 Naujoji era: CRISPR/Cas9 264

12.5.1 Vektorinė konstrukcija 264

12.5.2 Pristatymo būdai 266

12.5.3 CRISPR/Cas Variants 266

12.5.3.1 „SpCas9“ nikazės (nSpCas9)

12.5.3.2 „Cas9“ variantas be endonukleazės aktyvumo 266

12.5.3.3 FokI sulydytas kataliziškai neaktyvus Cas9 267

12.5.3.4 Natūraliai prieinami ir sukurti Cas9 variantai su pakeistu PAM 268

12.5.3.5 Cas9 variantai, skirti didesniam tiksliniam efektui 268

12.6 GE ekonominių savybių gerinimui 269

12.6.1 Naujos kartos išmaniųjų klimatui atsparių kultūrų kūrimas 271

12.6.2 Derliaus nesuderinamumo kliūtys ir hibridinis veisimas 271

12.6.3 Naujų variantų kūrimas naudojant inžinerinius QTL 271

12.6.4 Transkripcijos taisyklės 272

12.6.5 GE nekoduojančiai RNR, mikroRNR 272

12.6.6 Epigenetiniai pakeitimai 273

12.6.7 Genų dozavimo efektas 273

12.7 GE augalų biologinė sauga 273

12.8 Kas toliau: perspektyvos 276

13 Genų ekspresijos reguliavimas pagal visuotinį metilinimo modelį augalų vystymesi 287
Vrijesh Kumar Yadav, Krishan Mohan Rai, Nishant Kumar ir Vikash Kumar Yadav

13.2 Nukleorūgščių metilinimo tikslai genome 289

13.3. Nukleino rūgšties metiltransferazė (DNMtazė) 290

13.4 Genominės DNR metilinimo ir ekspresijos modelis 291

13.5 DNR metilinimo modelis ankstyvame augalų gyvenime 292

13.6 Grybų DNR metilinimo modelis 293

13.7 Metilinimo modelis naviklyje 294

13.8 DNR metilinimo analizės metodai 294

13.8.1 Lokusui būdingas DNR metilinimas 295

13.8.2 Genomo platus ir pasaulinis DNR metilinimas 295

13.8.3 Visos genomo sekos analizė pagal bioinformatikos analizę 296

14 Didelio našumo fenotipų nustatymas: potencialus įrankis genomikai 303
Kalyani M. Barbadikar, Divya Balakrishnan, C. Gireesh, Hemant Kardile, Tejas C. Bosamia ir Ankita Mishra


Omics technologijos link sistemų biologijos

Vis dažniau įprasti metodai ir technologijos (pvz., vienos metodikos, tokios kaip visa proteomika ar visa genomika, naudojimas) yra neveiksmingi biologinėms sistemoms paaiškinti. Todėl sistemų biologijai reikia integruoto požiūrio, siekiant išsiaiškinti sudėtingus, daugiamačius procesus ląstelėse ar visoje .

Vis dažniau įprasti metodai ir technologijos (pvz., vienos metodikos, tokios kaip visa proteomika ar visa genomika, naudojimas) yra neveiksmingi biologinėms sistemoms paaiškinti. Todėl sistemų biologijai reikia integruoto požiūrio, siekiant išsiaiškinti sudėtingus, daugiamačius procesus ląstelėse ar visumuose organizmuose. Tiek kokybinė, tiek kiekybinė analizė, atliekama įvairiais omikos metodais sistemų biologijos kontekste, išplėtoja informaciją apie organų vystymąsi ir diferenciaciją, ląstelių sąveiką, ligas ar terapijos režimus, streso ir gynybos mechanizmus ir kt. Omikos įrankiai ir metodai yra vienintelės technologijos, kuriose naudojama informacija. iš daugumos dalyvaujančių biomolekulių vienu metu, kad suprastumėte paslėptas biologinės sistemos dalis arba juodąsias dėžes (pvz., kelius ar signalų perdavimo baltymus) ir nustatytumėte labiausiai tikėtinus biologinio įvykio ar proceso mechanizmus. Ryškus pavyzdys, be abejo, yra p53, gerai žinomas baltymas, turintis daugiau nei 6000 nurodytų funkcijų. Norint suprasti jo vaidmenį skirtingoje biologinėje fenomenologijoje, mums reikia integruoto požiūrio, kad sumažintume šališką informaciją ir suprastume pagrindinę biologinę funkciją. Tiesą sakant, dauguma baltymų yra susiję su daugiau nei viena funkcija ir keliu, todėl duomenų aiškinimas daugeliu atvejų tampa neįmanoma misija.

Automatizuotas ir didelio našumo genomo sekos nustatymas, mikromasyvas ir moderni masės spektrometrijos transkriptomika, naudojama proteomikos ir metabolomikos profiliavimui, sukelia didelio masto duomenų analizės naštą. Didelius duomenų kiekius, gautus naudojant didelio našumo mašinas, turi interpretuoti bioinformatika. Šios tyrimų temos tikslas – pateikti glaustą sistemų biologijos aprašymą ir informaciją apie bet kurio mėginio ir organizmo naudą ir trūkumus, analizuojamus omikos ir integraciniais metodais. Įnašai turėtų būti reprezentatyvūs šiai tyrimų strategijai, siekiant išspręsti svarbias temas įvairiose biologinių tyrimų srityse.

Dabartinės mokslinių tyrimų temos apimtis apima daug žadančias, naujausias ir naujas tyrimų tendencijas, susijusias su omikos technologijų taikymu tiriant sistemų biologiją.

Vaizdo kreditas: Meraj Sharifi ©

Raktažodžiai: Integruotas požiūris, bioinformatika, sistemų biologija, tarpdalykinės žinios, duomenų aiškinimas

Svarbi pastaba: Visi įnašai į šią tyrimų temą turi patekti į skyrių ir žurnalą, kuriam jie pateikiami, kaip apibrėžta jų misijos pareiškimuose. „Frontiers“ pasilieka teisę nukreipti nepatenkamą rankraštį į tinkamesnį skyrių ar žurnalą bet kuriame tarpusavio peržiūros etape.


Proteomika

& quot; Proteomika yra sritis, tirianti bendrą baltymų kiekį sistemoje. Tai apima didelio našumo baltymų profiliavimą. Toks išraiškos modelis yra ypač naudingas, nes leidžia mums ištirti po transliacijos padarinius, nes visi transkripcijos produktai ne visada paverčiami baltymais, tačiau visus funkcinius aspektus fenotipiniu lygiu beveik visada lemia baltymai.

Proteomika yra galingas įrankis, galintis padėti mums nustatyti baltymų biomarkerius, būdingus toksiškumui dėl tam tikro poveikio ar specifinių ligų būsenų. Masės spektrometrus komerciškai parduoda kelios kompanijos, tokios kaip „Waters“, „Thermofisher“, „Agilent“, „Shimadzu“, „Perkin Elmer“ ir kt.

Masės spektrometras naudojamas proteomikos duomenims analizuoti. Aiškinimui reikalingos sudėtingos bioinformatikos priemonės. & Quot

Rebecca C. Fry. Toksikologijos ir aplinkos sveikatos sistemų biologija, 4 skyrius („Kindle“ vieta 1954). Elsevier Inc.

Proteomikos tyrimų pavyzdžių apdorojimas ir darbo eiga:

Paveikslas ( PageIndex <6> ): mėginių apdorojimas ir darbo eiga proteomikos tyrimams. Rebecca C. Fry. Toksikologijos ir aplinkos sveikatos sistemų biologija, 4 skyrius („Kindle“ vieta 1954). Elsevier Inc.

Istorija

Transkriptomika buvo būdinga naujų metodų kūrimui, kurie kas dešimtmetį iš naujo apibrėžė tai, kas įmanoma, ir padaro ankstesnes technologijas pasenusias (1 pav.). Pirmasis bandymas užfiksuoti dalinį žmogaus transkriptą buvo paskelbtas 1991 m. ir pranešta apie 609 mRNR sekas iš žmogaus smegenų [1]. 2008 m. Buvo paskelbtos dvi žmogaus transkriptos, sudarytos iš milijonų transkriptų išvestų sekų, apimančių 16 000 genų [2] [3], o iki 2015 m.-šimtai asmenų [4] [5]. Įvairių ligų būsenų, audinių ar net atskirų ląstelių transkriptai dabar yra reguliariai generuojami [5][6][7]. Šį transkriptomikos sprogimą lėmė sparti naujų technologijų, turinčių didesnį jautrumą ir ekonomiškumą, plėtra (1 lentelė) [8] [9] [10] [11].

Nuo 1990 m. publikuojami straipsniai, susiję su RNR sekos nustatymu (juoda), RNR mikromatrica (raudona), išreikštos sekos žyma (mėlyna) ir genų ekspresijos serijine/dangtelio analize (geltona)[12].

Prieš transkriptomiką

Atskirų nuorašų tyrimai buvo atlikti keletą dešimtmečių, kol nebuvo prieinami bet kokie transkriptikos metodai. Šilkakandžių mRNR bibliotekos buvo surinktos ir paverstos komplementaria DNR (cDNR) saugojimui naudojant atvirkštinę transkriptazę aštuntojo dešimtmečio pabaigoje [13]. Devintajame dešimtmetyje mažo našumo „Sanger“ seka buvo pradėta naudoti atsitiktiniams atskiriems šių bibliotekų nuorašams, vadinamiems išreikštų sekų žymomis (EST), sekti [2] [14] [15] [16]. Sangerio sekos nustatymo metodas buvo vyraujantis iki tol, kol atsirado didelio našumo metodai, tokie kaip sekos nustatymas sintezės būdu (Solexa / Illumina, San Diego, CA). EST išgarsėjo praėjusio amžiaus dešimtajame dešimtmetyje kaip efektyvus būdas nustatyti organizmo genų kiekį nesekojant viso genomo [16]. Taip pat buvo populiarus atskirų transkriptų kiekybinis įvertinimas naudojant šiaurinį blotavimą, nailono membranų matricas ir vėliau atvirkštinės transkriptazės kiekybinį PGR (RT-qPCR) [17] [18], tačiau šie metodai yra daug darbo reikalaujantys ir gali užfiksuoti tik mažą transkripto poskyrį [12] ]. Todėl būdas, kuriuo visas transkriptas išreiškiamas ir reguliuojamas, liko nežinomas, kol nebuvo sukurti didesnio našumo metodai.

Ankstyvieji bandymai

Žodis „transkriptas“ pirmą kartą buvo pavartotas 1990-aisiais [19][20]. 1995 m. buvo sukurtas vienas iš ankstyviausių sekvenavimu pagrįstų transkriptominių metodų – serijinė genų ekspresijos analizė (SAGE), kuri veikė taikant Sangerio sekvenavimą susietų atsitiktinių transkripto fragmentų [21]. Nuorašai buvo kiekybiškai įvertinti suderinant fragmentus su žinomais genais. Taip pat trumpai buvo panaudotas SAGE variantas, naudojant didelio našumo sekos nustatymo metodus, vadinamas skaitmenine genų ekspresijos analize [9] [22]. Tačiau šiuos metodus iš esmės aplenkė didelio pralaidumo visų nuorašų sekos nustatymas, kuris suteikė papildomos informacijos apie nuorašo struktūrą, pvz., sujungimo variantus [9].

Šiuolaikinės technikos kūrimas

Dešimtojo dešimtmečio viduryje ir 2000-aisiais buvo sukurtos dominuojančios šiuolaikinės technologijos-mikroschemos ir RNR-Seq [9] [33]. Pirmą kartą 1995 m. buvo paskelbtos mikrogardelės, matuojančios apibrėžto nuorašų rinkinio gausą hibridizuojant su daugybe papildomų zondų [34][35]. „Microarray“ technologija leido vienu metu ištirti tūkstančius nuorašų, labai sumažinant vieno geno kainą ir sutaupant darbo jėgos [36]. Tiek dėmėtosios oligonukleotidų matricos, tiek Affymetrix (Santa Clara, Kalifornija) didelio tankio matricos buvo pasirinktas transkripcijos profiliavimo metodas iki 2000-ųjų pabaigos [12][33]. Per šį laikotarpį buvo sukurta daugybė mikroschemų, apimančių žinomus modelio ar ekonomiškai svarbių organizmų genus. Pažanga projektuojant ir gaminant masyvus pagerino zondų specifiškumą ir leido išbandyti daugiau genų viename masyve. Fluorescencinės aptikimo pažanga padidino mažo gausos nuorašų jautrumą ir matavimo tikslumą [35] [37].

RNA-Seq reiškia nuorašo cDNR sekos nustatymą, kurio gausa gaunama iš kiekvieno nuorašo skaičiaus. Todėl technologijai didelę įtaką padarė didelio našumo sekos nustatymo technologijų kūrimas [9][11]. Masiškai lygiagretus parašo sekvenavimas (MPSS) buvo ankstyvas pavyzdys, pagrįstas 16–20 bp sekų generavimu per sudėtingą hibridizacijų seriją [38] ir buvo naudojamas 2004 m. patvirtinti 10 4 genų ekspresiją Arabidopsis thaliana [39]. Ankstyviausias RNR-Seq darbas buvo paskelbtas 2006 m., Naudojant 10 5 nuorašus, sekvenuotus naudojant 454 technologiją [40]. Tai buvo pakankama aprėptis, kad būtų galima įvertinti santykinį nuorašo gausą. RNA-Seq populiarumas pradėjo augti po 2008 m., kai naujos Solexa/Illumina technologijos (San Diegas, Kalifornija) leido įrašyti 10 9 nuorašo sekas [4][10][41][42]. Šis derlius dabar yra pakankamas, kad būtų galima tiksliai apskaičiuoti visas žmogaus transkriptas.


„Open Access“ finansavimą įgalino ir organizavo „Projekt DEAL“.

Šie autoriai prisidėjo vienodai: Nathalie Selevsek, Florian Caiment, Ramona Nudischer, Hans Gmuender.

Šie autoriai kartu vadovavo šiam darbui: Ralf Herwig, Jos Kleinjans.

Filialai

Funkcinis genomikos centras, ETH Ciurichas, Šveicarija

Nathalie Selevsek, Laura Kunz, Witold Wolski ir Ralphas Schlapbachas

Mastrichto universiteto Toxicgenomics katedra, Mastrichtas, Nyderlandai

Florian Caiment, Yannick Schrooders, Marcha Verheijen ir amp Jos Kleinjans

Roche Pharma tyrimų ir ankstyvosios plėtros, Roche inovacijų centras Bazelis, Bazelis, Šveicarija

Ramona Nudischer, Olivia Clayton, Carla Pluess ir Adrianas Rothas

Genedata AG, Bazelis, Šveicarija

Hansas Gmuenderis, Sally Deeb, Stefano Gotta ir Timo Wittenbergeris

Insphero AG, Schlieren, Šveicarija

Irina Agarkova ir Patrickas Guye

Europos molekulinės biologijos laboratorija, Europos bioinformatikos institutas (EMBL-EBI), Hinkstonas, JK

Francis L. Atkinson, Nicolas Bosc, Anne Hersey, Fiona M. I. Hunter, Jasmine Minguet, Ugis Sarkans & amp; Ines Smit

„MicroDiscovery GmbH“, Berlynas, Vokietija

Ivo Bachmannas, Chrisas Baueris, Johannesas Schuchhardtas ir Alexandra Zerck

Taikomosios mikrobiologijos institutas, RWTH, Achenas, Vokietija

Vanessa Baier, Henrikas Cordesas, Christophas Thielis ir Larsas Kuepferis

Kompiuterinės molekulinės biologijos katedra, Max-Planck-Institute for Molecular Genetics, Berlynas, Vokietija

Gal Barel, Matthias Lienhard ir Ralf Herwig

Max-Planck-Molekulinės genetikos institutas, sekvenavimo skyrius, Berlynas, Vokietija

Stefanas Boerno ir Berndas Timmermannas

Biomedicininės inžinerijos katedra, Londono King’s College, Londonas, JK

Alexas Lewalle, Bernardo Oliveira ir Stevenas Niedereris

CARIM širdies ir kraujagyslių ligų mokykla, Mastrichto universitetas, Mastrichtas, Nyderlandai

Jortas Merkenas ir Stephane'as Heymansas

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Įnašai

Duomenų generavimas: NS, FC, RN, IA, SB, OC, PG, LK, JM, CP, YS, BT, SH, AR, RS, JK. Duomenų analizė: HG, IB, VB, GB, CB, HC, SD, SG, AL, ML, BO, JS, CT, MV, TW, WW, AZ, LK, SN, RH Duomenų valdymas ir kuravimas: FLA, NB, AH, FMIH, JM, US, IS Duomenų integravimas, redagavimas ir rašymas: N.S., F.C., R.N., H.G., S.H., A.R., R.S., L.K., S.N., R.H. ir J.K. Studijų koncepcija, koordinavimas ir vykdymas: R.H. ir J.K.

Autorius susirašinėjimui


Žiūrėti video įrašą: Mokslo ekspresas - molekulinės technologijos ir inžinerinės idėjos medicinai (Sausis 2023).