بازسازی، تجزیه و تحلیل توپولوژیکی شبکه متابولیکی بافت شکمبه گاو

نوع مقاله : مقاله کامل

نویسندگان

1 دانشجوی دکتری اصلاح نژاد، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان

2 دانشیار دانشگاه علوم کشاورزی و منابع طبیعی خوزستان ،گروه علوم دامی

3 استادیار دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی تهران

4 استادیارگروه مهندسی بافت و علوم سلولی کاربردی، دانشگاه علوم پزشکی شهید بهشتی

چکیده

شکمبه نقش محوری در بازده تولید در نشخوارکنندگان دارد. درک فرآیند متابولیسم بافت شکمبه می‌تواند منجر به بهبود بازده تولید و در نتیجه سود اقتصادی در نشخوارکنندگان شود. در پژوهش حاضر، شبکه متابولیکی بافت شکمبه گاو با استفاده از اطلاعات ژنومی و اطلاعات موجود در پایگاه‌های داده مختلف، بازسازی شد. نتایج حاصل از بازسازی شبکه شامل 410 آنزیم، 1429 متابولیت به عنوان گره و 1777 واکنش به عنوان یال بود. ویژگی‌های این شبکه‌ی متابولیت محور توسط چند پلاگین نرم‌افزار سایتواسکیپ تجزیه و تحلیل شد. 15هاب متابولیت تعیین شد. نتایج جستجو در سایت KEGG pathway نشان داد که بیشتر هاب متابولیت‌ها شامل: کوآنزیم-آ، استیل کوآنزیم-آ، د- فرکتوز 6 فسفات، ابی کینون، سوکسینات، الکترون ترننسفراز فلافوپروتئین، پیروات، تتراهیدروفولات و 2 اگزالارات در واکنش‌های مربوط به چرخه متابولیک دخیل هستند. همچنین ژن‌های GPAT3، GPAT4، GPAM (2.3.1.15)، ETFDH (2.3.1.41)، CPT1C، CPT1B، CPT1A، CPT2 (2.3.1.21)i در متابولیسم اسیدهای چرب شرکت می‌کنند که این ژن‌ها ممکن است برای بهبود بازده تولید محصولات گاوی ضروری باشند. توزیع درجه گره شبکه از توزیع درجه نمایی پیروی می‌کند بنابراین ویژگی مقیاس آزاد را نشان می‌دهد. میانگین طول مشخصه مسیر 142/13 و قطر شبکه 38 بود که نشان می‌دهد شبکه ویژگی جهان کوچک را نیز دارد. پژوهش حاضر اولین مطالعه با هدف بازسازی شبکه متابولیکی بافت شکمبه است که ممکن است اطلاعات در جهت درک بیشتر پتانسیل متابولیکی شکمبه را بهبود دهد. هاب متابولیت‌ها در شبکه‌های مقیاس آزاد نقش معنی‌داری در حفظ ثبات توپولوژیک ایفا می‌کنند به همین دلیل بنظر می‌رسد برای تحقیقات اصلاح نژاد دام مفید باشند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Reconstruction and topological analysis of metabolic network in the bovine rumen tissue

نویسندگان [English]

  • Maryam Gholizadeh 1
  • Jamal Fayazi 2
  • Yazdan Asgari 3
  • Hakimeh Zali 4
1 1- Department of Animal Science, Faculty of Animal and Food Science, Khuzestan Agricultural sciences and Natural Resources University, Mollasani, Ahvaz, Iran
2 Department of Animal Sciences, Ramin Agricultural and Natural Resources University, Iran
3 2- School of Advanced Technologies in Medicine Shahid Beheshti University of Medical Sciences, Tehran, Iran
4 3- School of Advanced Technologies in Medicine Shahid Beheshti University of Medical Sciences, Tehran, Iran
چکیده [English]

The rumen has a central role in production efficiency in ruminants. Understanding metabolism process of rumen tissue can improve production efficiency of ruminants. In the present work, the metabolic network in the rumen tissue of cattle was reconstructed using genome information and available knowledge of rumen tissue from BRENDA, KEGG, Uniprot and NCBI. The result of reconstruct network consisted of 410 enzymes, 1429 metabolites as nodes and 1771 reactions they take part as edges. The characteristics of the metabolite-centric network were analyzed using some plugins in Cytoscape software. The top 15 hub metabolites were determined. The result of search in KEGG pathway shown the most of hub metabolites include CoA, Acetyl-CoA, D-fructose-6-phosphate, ubiquinone, succinate, electron-transferring flavoprotein, pyruvate, tetrahydrofolate and 2-oxoglutarate, involved in reactions which participate in metabolic pathway. Also, the genes CPT2, CPT1A, CPT1B, CPT1C (EC 2.3.1.21), ETFDH (EC 2.3.1.41), GPAM, GPAT4, GPAT3, GPAT2 (EC 2.3.1.15) participate in fatty acid metabolism that genes associated with this pathway may be essential to improve meat production efficiency of cattle research. The degree distribution of network follow power-law distribution hence displays a scale-free property. The average path length was 13.142 and diameter was 38 that shows the network also has small world properties. The present work is the first study to reconstruct rumen tissue network that may provide information to greater understanding on metabolic potential of rumen. Hub metabolites in scale-free networks paly significant role in maintaining topological robustness, for this reason seem to be useful for bovine breeding researches.

کلیدواژه‌ها [English]

  • Bovine rumen tissue
  • Metabolic network
  • Topological analysis
1. Artegoitia, V.M., A.P. Foote., R. M. Lewis and H. C. Freetly. 2017. Rumen Fluid Metabolomics Analysis Associated with Feed Efficiency on Crossbred Steers. Sci Rep 6;7(1):2864
2. Barabasi, A and R. Albert. 1999. Emergence of scaling in random networks. Science 286: 509-12.
3. Barabási, A.L and Z. N. Oltvai. 2004. Network biology: understanding the cell's functional organization. Nat Rev Genet 5(2):101-13.
4. Bornstein, B.J, S. M. Keating., A. Jouraku and M. Hucka. 2008. LibSBML: an API library for SBML. Bioinformatics 24: 880-1.
5. Bruggeman, F.J and H.V. Westerhoff. 2007. The nature of systems biology. Trends Microbiol 15(1):45-50.
6. Cline, M.S., M. Smoot., E. Cerami., A. Kuchinsky., N. Landys., C. Workman., R. Christmas., I. Avila-Campilo., M. Creech., B. Gross., K. Hanspers, R. Isserlin and R. Kelley. 2007. Integration of biological networks and gene expression data using Cytoscape. Nat Protoc 2(10):2366-82.
7. Cottle, D. and L. Kahn. 2014. Beef cattle production and trade. CSIRO Publishing p. 221.
8. Degtyarenko, K., P. de Matos., M. Ennis., J. Hastings., M. Zbinden., A. McNaught., R. Alcántara., Darsow M., M. Guedj., M. Ashburner. 2008. ChEBI: a database and ontology for chemical entities of biological interest. Nucleic Acids Res 36: D344-50.
9. Hadizadeh, M., Niazi, A.,Mohammad Abadi, M., Esmailizadeh, A., Mehdizadeh., Gazooei, Y. 2014. Bioinformatics analysis of the BMP15 exon 2 in Tali and Beetal goats. Modern Genetics 9 (1), 117-120.
10. Hadizadeh, M., Mohammadabadi, M.R., Niazi, A., Esmailizadeh Koshkoiyeh, A.K., Mehdizadeh Gazooei, Y., Molaei, S. 2013. Use of bioinformatics tools to study exon 2 of GDF9 gene in Tali and Beetal goats. Modern Genetics Journal (MGJ) 8 (334), 283-288.
11. Jeong, H., B. Tombor., R. Albert., Z.N. Oltvai and A.L. Barabási. 2000. The large-scale organization of metabolic networks. Nature 5;407(6804):651-4.
12. Kanehisa, M., M. Araki., S. Goto., M. Hattori and M. Hirakawa. 2008. KEGG for linking genomes to life and the environment. Nucleic Acids Res 36: D480-4.
13. Kharrati Koopaei, H., Mohammad Abadi, M.R., Ansari Mahyari, S., Tarang, A.R., Potki, P., Esmailizadeh, A.K. 2012. Effect of DGAT1 variants on milk composition traits in Iranian Holstein cattle population. Animal Science Papers & Reports 30 (3), 231-240
14. Kharrati Koopaei, H., Mohammadabadi, M.R., Ansari Mehyari, S., Esmailizadeh, A.K., Tarang, A., Nikbakhti, M. 2011. Genetic Variation of DGAT1 Gene and its Association with Milk Production in Iranian Holstein Cattle Breed Population. Iranian Journal of Animal Science Research 3 (2), 185-192 (In Farsi).
15. Ma, H and A. Zeng. 2003. Reconstruction of metabolic networks from genome data and analysis of their global structure for various organisms. Bioinformatics 19: 270-7.
16. Managbanag, JR, T.M. Witten., D. Bonchev., L.A. Fox., M. Tsuchiya., Kennedy BK and M. Kaeberlein. 2008. Shortest-path network analysis is a useful approach toward identifying genetic determinants of longevity. PLoS ONE 3: e3802
17. Mazurie, A., D. Bonchev., B. Schwikowski and G. A. Buck. 2010. Evolution of metabolic network organization. BMC Syst Biol 11; 4:59.
18. Nikolaev, E.V., A.P. Burgard and C. D. Maranas.2005. Elucidation and structural analysis of conserved pools for genome-scale metabolic reconstructions. Biophys J 88: 37-49.
19. Pasandideh, M., Mohammadabadi, M.R., Esmailizadeh, A.K., Tarang, A. 2015. Association of bovine PPARGC1A and OPN genes with milk production and composition in Holstein cattle. Czech J. Anim. Sci 60, 97-104.
20. Poolman, M.G., B.K. Bonde., A. Gevorgyan., H.H. Patel and D.A. Fell. 2006. Challenges to be faced in the reconstruction of metabolic networks from public databases. Syst Biol 153: 379-84.
21. Radrich, K., Y. Tsuruoka., P. Dobson., A. Gevorgyan., N. Swainston., G. Baart and J.M. Schwartz. 2010. Integration of metabolic databases for the reconstruction of genome-scale metabolic networks. BMC Syst Biol 16;4:114
22. Stein, S.E., S.R. Heller and D. Tchekhovskoi. 2003. An open standard for chemical structure representation: The IUPAC chemical identifier. International Chemical Information Conference, Infonortics 131-43.
23. Wang, C., J. Wang., Z. Ju., R. Zhai., L. Zhou., Q. Li., J. Li., R. Li., J. Huang and J. Zhong. 2012. Reconstruction of metabolic network in the bovine mammary gland tissue. Mol Biol Rep 39(7):7311-8.
24. Watts, D. J and S.H. Strogatz. 1998. Collective dynamics of 'small-world' networks. Nature 393: 440-2.
25. Zhang, P., H. Foerster., C.P. Tissier., L. Mueller., S. Paley., P.D. Karp and S.Y. Rhee. 2005. MetaCyc and AraCyc. Metabolic pathway databases for plant research. Plant Physiol 138: 27-37.
26. Xue, F., X. Pan., L. Jiang, Y. Guo and B. Xiong. 2018. GC-MS analysis of the ruminal metabolome response to thiamine supplementation during high grain feeding in dairy cows. Metabolomics 14(5):67.