پیش بینی ژن های کاذب جدید در ژنوم مرجع گوسفند
Publish place: Iranian Journal of Animal Science Research، Vol: 9، Issue: 4
Publish Year: 1397
Type: Journal paper
Language: Persian
View: 296
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_JASR-9-4_010
Index date: 15 March 2022
پیش بینی ژن های کاذب جدید در ژنوم مرجع گوسفند abstract
ژن های کاذب نسخه هایی از ژن اجدادی می باشند که به مرور زمان فعالیت آنها نسبت به ژن اولیه تغییر کرده است و در ژنوم بر اثر فرآیندهایی مانند مضاعف شدگی ژنی و همچنین رونویسی واژگون ایجاد شده اند. ژن های کاذب تا مدت ها به عنوان توالی های غیر عملکردی ژنوم در نظر گرفته می شدند. با این وجود پژوهش های اخیر گزارشاتی مبنی بر فعالیت زیستی این ژن ها ارائه داده اند، در نتیجه عملکردی بودن این ژن ها موجب افزایش حاشیه نویسی صحیح تر این ژن ها در ژنوم موجودات شده است. در پژوهش حاضر به منظور بهبود حاشیه نویسی ژنوم گوسفند، برای نخستین بار با استفاده از روش های محاسباتی بر پایه بررسی تشابه با استفاده از نرم افزار PseudoPipe، ژن های کاذب مرتبط با ژن های کدکننده پروتئین در سطح ژنوم شناسایی شدند. همچنین گروه های کارکردی ژن های والدی که ژن های کاذب از آنها مشتق شده اند با استفاده از پایگاه اینترنتی DAVID بررسی شدند. در نهایت ویژگی های مختلف ژن های کاذب کاندید جدید شناسایی شده با ژن های کاذب شناخته شده در گونه های انسان، موش و گاو مقایسه شدند. به طور کلی ۴۰۹۸ ژن کاذب با سطح اطمینان بالا شامل ۱۱۰۲ ژن کاذب از نوع مضاعف شده و ۲۹۹۶ از نوع پردازش شده شناسایی شدند. نتایج نشان داد که ژن های کاذب شناسایی شده در فرآیندهای زیستی گوناگونی مانند splicing mRNA، پیدایش ریبوزوم، اتصال rRNA، انتقال الکترون میتوکندریایی، ترجمه و غیره نقش دارند. مقایسه ویژگی های مختلف ژن های شناسایی شده با دیگر گونه ها نشان داد که نتایج حاصل از این پژوهش در تطابق با پژوهش های گذشته می باشد. نتایج حاصل از این پژوهش به بهبود حاشیه نویسی ژنوم گوسفند کمک خواهد کرد.
پیش بینی ژن های کاذب جدید در ژنوم مرجع گوسفند Keywords:
پیش بینی ژن های کاذب جدید در ژنوم مرجع گوسفند authors
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :