| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,188 |
| تعداد مقالات | 35,336 |
| تعداد مشاهده مقاله | 51,458,025 |
| تعداد دریافت فایل اصل مقاله | 91,331,852 |
بازسازی و آنالیز توپولوژی شبکه متابولیکی دخیل در تولید شیرگاو | ||
| علوم دامی | ||
| مقاله 15، دوره 29، شماره 110، خرداد 1395، صفحه 167-180 اصل مقاله (1.19 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2016.106530 | ||
| نویسندگان | ||
| شعله قربانی1؛ مجتبی طهمورث پور* 2؛ علی مسعودی نژاد3؛ محمد رضا نصیری2؛ یزدان عسگری4؛ احسان معتمدیان5 | ||
| 1دکتری ژنتیک و اصلاح نژاد (ژنتیک مولکولی)، دانشکده کشاورزی، دانشگاه فردوسی مشهد | ||
| 2استاد دانشکده کشاورزی، دانشگاه فردوسی مشهد | ||
| 3دانشیار موسسه تحقیقات بیوشیمی و بیوفیزیک ، دانشگاه تهران | ||
| 4استادیاربخش بیولوژی، پژوهشگاه دانش های بنیادی، تهران | ||
| 5استادیار 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 | ||
| گاو؛ تولید شیر؛ شبکه متابولیکی؛ تئوری گراف؛ متابولیسم | ||
| عنوان مقاله [English] | ||
| Reconstruction and topology analysis of metabolic network involved in Bos Taurus milk production | ||
| نویسندگان [English] | ||
| Sh. Ghorbani1؛ M. tahmoorespur2؛ A. masoudi-nejad3؛ M.R. Nasiri2؛ Y. Asgari4؛ E. Motamedian5 | ||
| چکیده [English] | ||
| The modeling of metabolism of milk production through the reconstruction of metabolic networks involved in the milk production in cow (bos taurus) from the available genomics information is possible now and may be uncover a comprehensive view on this complex process. Computation of topological indices and quantitative characterizations, are some of the principle computations based on graph theory applied in biological data. In the present study, the metabolic network involved in milk production in cow was reconstructed and analyzed based on the available bovine genome information using several public datasbaces (NCBI, Uniprot, KEGG, and Brenda). The reconstructed network was consisted of 3605 reactions named by KEGG compound numbers and 646 enzymes that catalyzed the corresponding reactions. The characteristics of the directed and undirected network have been analyzed using Graph Theory. The mean path length was identified equal to 5.51 and 5.53 for directed and undirected networks, respectively. The top 23 hub metabolites have been determined, that the abnormality among these metabolites may have some dangers for bovine health and reduce milk production. Therefore, the aim of constructing the metabolites centric network is to see if the network follows the same network properties of the biological networks. Key metabolites have been determined. The results include information that might improve the better understanding and more knowledge about milk production in cow and could be beneficial to cow breeding. | ||
| کلیدواژهها [English] | ||
| cow, milk production, metabolic network, Graph theory, metabolism | ||
| مراجع | ||
|
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. | ||
|
آمار تعداد مشاهده مقاله: 1,333 تعداد دریافت فایل اصل مقاله: 929 |
||