Informations

MicroARN connu - Systèmes de gènes ?

MicroARN connu - Systèmes de gènes ?



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.

Y a-t-il eu des systèmes vérifiés expérimentalement de microARN ciblant un ensemble de gènes (par exemple, dans le cancer, peut-être) ?


Oui. Vous trouverez ci-dessous un lien vers une revue des ARNnc (ARN non codants) et de leur rôle dans la maladie. Il existe de nombreux exemples dans cette revue dans toutes sortes de maladies, dont le miR-200, qui jouerait un rôle dans certains cancers.

Il existe également des tableaux dans le document qui répertorient les miARN et la maladie à laquelle ils sont liés. Ils ont également une référence pour chacun, vous pouvez donc en savoir plus sur ce miARN particulier et sa fonction, y compris le gène qu'il régule.

http://www.nature.com/nrg/journal/v12/n12/full/nrg3074.html

Je ne sais pas si cet article est ouvert au public ou non. Si vous ne pouvez pas y accéder, vous pouvez toujours consulter l'entrée wikipedia pour miR-200

http://en.wikipedia.org/wiki/Mir-200


PMAMCA : prédiction de l'association microARN-maladie en utilisant une approche de complétion matricielle

De nombreux résultats expérimentaux ont indiqué que les microARN (miARN) jouent un rôle vital dans les processus biologiques, ainsi que dans les épidémies de maladies au niveau moléculaire. Malgré leur rôle important dans les processus biologiques, les connaissances concernant les fonctions spécifiques des miARN dans le développement des maladies humaines sont très limitées. Tout en essayant de résoudre ce problème, de nombreuses approches informatiques ont été proposées et ont attiré une attention significative. Cependant, la plupart des approches précédentes souffrent du problème commun d'être inapplicables aux nouvelles maladies sans aucune association connue de miARN-maladie.

Résultats

Cet article propose une nouvelle méthode pour déduire les associations maladie-miARN en utilisant une technique d'apprentissage automatique appelée factorisation matricielle, qui est largement utilisée dans les systèmes de recommandation. Dans les systèmes de recommandation, l'objectif est de prédire les notes qu'un utilisateur peut attribuer à des éléments spécifiques. En remplaçant les utilisateurs par des miARN et les éléments par des maladies, nous pouvons prédire efficacement les associations miARN-maladie sans miARN de semence. En conséquence, notre modèle proposé, appelé prédiction de l'association microARN-maladie en utilisant une approche de complétion matricielle, atteint d'excellentes performances par rapport aux approches précédentes avec une valeur AUC fiable de 0,882 en mettant en œuvre une validation croisée quintuple.

Conclusion

À notre connaissance, la méthode proposée applique la technique de complétion matricielle pour déduire des associations miARN-maladie et surmonter le problème graine-miARN affecte négativement les modèles informatiques existants.


ARN non codants dans les maladies cardiovasculaires

Pierluigi Lesizza , . Gianfranco Sinagra , dans Nucleic Acid Nanotheranostics , 2019

5.3.1.1 Éponges miARN

Les éponges miARN sont des molécules conçues pour contenir plusieurs sites de liaison pour les miARN, agissant comme des inhibiteurs compétitifs de l'appariement miARN-ARNm. Les éponges peuvent être modifiées, en augmentant ou en diminuant le nombre de sites de liaison pour les miARN et en les modifiant pour être totalement ou partiellement complémentaires aux miARN, y compris les espaceurs entre les sites de liaison. 188 Toutes ces modifications sont capables d'influencer l'activité des éponges, l'affinité de liaison, le risque de dégradation des éponges et la recombinaison génétique. Les éponges de miARN peuvent abriter même des sites de liaison pour différents miARN cibles lorsqu'une inhibition de miARN multiple est requise pour obtenir un effet thérapeutique. 189 Les évolutions des éponges miARN sont les « leurres résistants », les gommes miARN et les tondeuses miARN. Les leurres résistants contiennent deux sites de liaison aux miARN dans une région monocaténaire de courtes tiges-boucles et se caractérisent par une capacité de liaison aux miARN plus prolongée que les éponges à miARN classiques. 190 gommes miARN contiennent la séquence antisens entière du miARN cible avec une affinité de liaison élevée pour les miARN cibles. 191


Méthodes

Cibles miARN et réseaux d'interaction cibles

Des études récentes ont montré une grande fiabilité des cibles miARN prédites par TargetScan [7]. Par conséquent, nous avons sélectionné les cibles pour tous les miARN humains répertoriés dans la base de données TargetScan. Nous avons obtenu un ensemble de 677 miARN et 18 880 protéines cibles uniques. Le réseau miARN-protéine résultant contenait 224 316 interactions. Pour prédire les cibles de miARN sur la base des données PAR-CLIP, les régions centrées sur la réticulation (CCR) des bibliothèques combinées AGO-PAR-CLIP [13] ont été utilisées. La prédiction du site cible pour tous les CCR a été effectuée avec le programme RNAhybrid [14] avec les paramètres par défaut. À partir de la liste résultante, nous avons filtré toutes les prédictions avec une valeur p inférieure à 0,02 et un score énergétique inférieur au quantile de 25 %. Cela a abouti à une liste finale de miARN-ARNm de 50 160 interactions prédites.

Association de complexes protéiques avec des ensembles cibles de miARN - test de signification statistique

Nous avons utilisé le test exact de Fisher pour attribuer la signification de l'association avec des complexes protéiques pour chaque ensemble cible de miARN. La P-valeur hypergéométrique est donnée comme la probabilité sous laquelle on pourrait s'attendre à au moins N c miARN cible par hasard dans un complexe protéique, si l'on sélectionne au hasard N t (nombre total de cibles miARN) protéines sur l'ensemble total de protéines N composé de toutes les cibles miARN N T et toutes les protéines dans les complexes N C . Les valeurs p ont été corrigées pour des tests multiples de 677 miARN à l'aide de la méthode de correction Holm-Bonferroni. Nous avons attribué l'association de complexes et de clusters de miARN en utilisant l'union des cibles de tous les miARN au sein d'un même cluster. Ici, nous avons testé les chevauchements significatifs de ces ensembles unifiés entre les composants d'un complexe de la même manière que pour les ensembles cibles de miARN uniques.

Enrichissement des processus biologiques

Afin de tester l'enrichissement significatif des fonctions biologiques basé sur les voies Gene Ontology (GO) [15] et KEGG [16] au sein de l'ensemble de cibles dans les complexes protéiques, le package R GOstats [17] a été utilisé. Un ensemble de composants ciblés de 722 complexes protéiques ciblés a été extrait et comparé à un ensemble de protéines composé de tous les composants de ces complexes.

Comparaison des distributions de changement de pli

Nous avons utilisé des mesures de changement de pli après surexpression de miARN sélectionnés à partir d'études protéomiques récentes [6, 7]. Nous avons sélectionné pour chacun de ces miARN les complexes protéiques constitués d'au moins une de ses cibles. Un ensemble de composants de ces complexes protéiques a été construit. Au sein de cet ensemble, nous avons comparé les changements de pli des composants qui sont des cibles du miARN spécifique avec les changements de pli des composants non cibles. Cela a été fait en effectuant un test de Kolmogorov-Smirnov unilatéral pour chacun des miARN qui ont été étudiés dans les études de protéomique.

Culture de cellules

Les cellules PANC-1 ont été achetées auprès d'ATCC (Manassas, VA, USA). Clones stables de PANC-1 pour miR-141 ou miR-200c ont été obtenus avec des plasmides pRetroSuper-miRNA à séquence vérifiée. Les lignées cellulaires ont été cultivées dans des conditions standard dans du DMEM + 10 % de sérum bovin foetal + 2 ug/ml de puromycine. Pour le knock-down transitoire, les PANC-1 ont été transfectés avec des siRNA ciblant ZEB1 (r(aga uga uga aug cga guc g)d(TT)), CtBP2 (1 : r(cuuuggauucagcgucaua)d(TT), 2 : r(cuuuguaacugauucugga)d (TT)) ou GFP (r(gcu acc ugu ucc aug gcc a)d(TT). Toutes les transfections et les tests de rapporteur ont été effectués comme décrit précédemment [18].

Dosage spécifique pour la modulation des miARN

L'ARN des cellules cultivées a été extrait à l'aide du kit d'isolation miRNA mirVana™ (Ambion, Austin, TX, USA). Les valeurs d'expression de l'ARNm ont été mesurées en triple à l'aide du Roche LightCycler 480 et normalisées à l'expression de la b-actine en tant que contrôle d'entretien. Les valeurs d'expression ont été calculées selon la réf. [19].

Immunoblots

ont été effectuées en utilisant des protocoles standard modifiés. En bref, des extraits de cellules entières ont été réalisés à partir des cellules dans un tampon de lyse triple [50 mM Tris-HCl pH8, 150 mM NaCl, 0,02% (w/v) NaN3, 0,5% (p/v) NaDéoxycholate, 0,1% SDS, 1% (v/v) NP40]. Les extraits (10 g/piste) ont été séparés sur un gel SDS-polyacrylamide à 10 %, transférés sur une membrane PVDF et incubés avec les anticorps primaires indiqués dilués dans un tampon de blocage (5 % de lait écrémé en poudre) pendant la nuit à 4 °C. Après lavage et incubation avec des anticorps secondaires spécifiques à l'espèce couplés à la peroxydase, le signal a été développé en utilisant le substrat chimiluminescent SuperSignal West PICO (Perbio Science, Bonn, Allemagne) selon le protocole du fabricant. CtBP2, CDYL, RCOR3, β-actine et ZEB1 ont été immunodétectés avec les anticorps primaires suivants : anti-CtBP2 anticorps monoclonal de souris (1:8000, BD Transduction Laboratories™, Franklin Lakes, NJ, USA), anti-CDYL anticorps polyclonal de lapin (1:500, Abcam, Cambridge, UK), anti-RCOR3 anticorps polyclonal de lapin (1:1000Abcam, Cambridge, UK) anti--actine anticorps monoclonal de souris (1:5.000, Sigma-Aldrich Chemie GmbH, Munich, Allemagne). L'anti-ZEB1 l'anticorps polyclonal de lapin (1:20.000) était un don de D.S. Darling, University of Louisville, Louisville, KY, USA.


Résultats

Évaluation de la différenciation MDSC

La différenciation cellulaire a été évaluée par la morphologie, l'immunolocalisation du CMH et de la desmine, ainsi que l'expression du gène MRF. Les MDSC bovines ont été dérivées de la culture primaire de tissu musculaire et des myotubes fusionnés ont été générés en cultivant des MDSC dans le DM pendant 1 et 3 jours (Fig. 1a). Dans MDSC-P, les gènes MHC et desmine n'étaient pas exprimés, mais ils l'étaient dans MDSC-D1 et MDSC-D3 (Fig. 1b, c). L'analyse de l'expression des gènes MRF a montré que les gènes PAX3 et MYF5 étaient régulés à la baisse, tandis que les gènes MYOG, MYF6 et MHC étaient régulés à la hausse dans MDSC-D1 et MDSC-D3 par rapport à ceux de MDSC-P (Fig. 1d). Ces résultats ont indiqué que les MDSC étaient dans le processus de différenciation dans MDSC-D1 et MDSC-D3 mais pas MDSC-P, dans lequel les MDSC n'étaient qu'en prolifération.

Caractérisation de la morphologie et de l'immunofluorescence des MDSC. une Morphologie des MDSC pendant la différenciation pendant 0, 1 et 3 jours (MDSC-P, MDSC-D1 et MDSC-D3, respectivement) b Détection par immunofluorescence du CMH dans les MDSC au cours de la différenciation à MDSC-P, MDSC-D1 et MDSC-D3 c Détection par immunofluorescence de la desmine dans les MDSC au cours de la différenciation à MDSC-P, MDSC-D1 et MDSC-D3. Expression de MRF au cours de la différenciation MDSC. L'analyse RT-qPCR des gènes PAX3, MYOD, MYOG, MYF5 et MYF6 dans MDSC-D1 et MDSC-D3 par rapport à MDSC-P. La barre d'erreur indique l'erreur standard de la moyenne des échantillons en triple. *p < 0.05,**p < 0.01

Collecte cellulaire et séquençage à haut débit de petits ARN

Pour identifier les petits ARN dans les MDSC au cours de la différenciation, les ARN totaux des MDSC à différents stades de différenciation ont été utilisés pour construire de petites bibliothèques d'ARN. Nous avons obtenu 5 871 055 lectures propres de la bibliothèque MDSC-P, 5 922 188 de la bibliothèque MDSC-D1 et 5 935 963 de la bibliothèque MDSC-D3 après avoir supprimé certaines lectures de contaminants (tableau 1). L'analyse de la distribution des longueurs a montré que la plupart des lectures allaient de 21 à 23 nt. Le pourcentage de lectures de 22 nt dans les lectures totales était de 72,76, 71,26 et 75,58 % dans les bibliothèques MDSC-P, MDSC-D1 et MDSC-D3, respectivement (Fig. 2). Les lectures des trois bibliothèques (5 188 810, 5 041 921 et 5 236 492 respectivement) étaient parfaitement adaptées au génome bovin (tableau 2).

Distributions de longueur des petits ARN dans les trois bibliothèques d'ARN. Les colonnes blanches représentent les distributions de longueur des petits ARN dans la bibliothèque MDSC-P les colonnes grises représentent les distributions de longueur des petits ARN dans la bibliothèque MDSC-D1 les colonnes noires représentent les distributions de longueur des petits ARN dans la bibliothèque MDSC-D3

Identification des miARN bovins conservés

Pour identifier les miARN conservés dans les MDSC au cours de la différenciation, les petits ARN d'une longueur de 18 à 23 nucléotides ont été recherchés par blastn contre miRBase 21.0 (miRBase release version V21.0, 3 juillet 2014). Les candidats miARN ont ensuite été regroupés en 439, 394 et 392 catégories correspondant à 455, 412 et 410 loci génomiques indépendants dans les trois bibliothèques en fonction de la similarité de séquence (tableau 3), dont 322 miARN se chevauchaient dans trois bibliothèques (Fichier supplémentaire 2 ).

L'expression de miARN connus a été démontrée en générant log2 diagrammes de ratio et diagrammes de dispersion (Fig. 3). Les profils d'expression entre les différentes bibliothèques sont présentés dans le fichier supplémentaire 3. Les résultats ont montré que 296 miARN comprenaient 9 miARN exprimés vers le haut (tableau 4), 165 exprimés vers le bas et 122 miARN également exprimés dans MDSC-D1 par rapport à ceux dans MDSC- Les miARN P 304 comprenaient 15 miARN exprimés vers le haut (tableau 4), 145 exprimés vers le bas et 144 miARN également exprimés dans MDSC-D3 par rapport à ceux de MDSC-P 273 miARN comprenaient 17 miARN exprimés vers le haut, 55 exprimés vers le bas et 201 également exprimaient les miARN dans MDSC-D3 par rapport à ceux dans MDSC-D1. Fichier supplémentaire 4 : Le tableau S1 répertorie les 10 miARN les plus abondants dans MDSC-P, MDSC-D1 et MDSC-D3. Le miARN avec le plus grand nombre dans MDSC-D3 était miR-206, un miARN majeur dans le développement des muscles squelettiques, avec un nombre moyen de lectures normalisé de >1 million. Les membres let-7 omniprésents, let-7a-5p, let-7f et let-7b, ont suivi, et miR-1 avait le cinquième plus grand nombre. Les modèles d'expression des miARN au cours de la différenciation MDSC ont été regroupés à l'aide d'une analyse de cluster hiérarchique (Fichier supplémentaire 5 : Figure S1). Par exemple, par rapport aux stades de prolifération (MDSC-P), les niveaux d'expression de miR-2443, miR-423-5p, miR-181a, miR-10a et miR-206 étaient plus élevés dans MDSC-D1, et le modèle était le même que celui de miR-139, miR-1, miR-95, miR-206 et miR-133a dans MDSC-D3.

Expression différentielle des miARN conservés au cours de la différenciation des MDSC. Comparez l'expression connue des miARN entre les différentes étapes de différenciation pour découvrir les miARN exprimés de manière différentielle. Chaque point de la figure représente un miARN. L'axe X et l'axe Y montrent le niveau d'expression des miARN dans deux bibliothèques. Les points verts représentent des miARN avec un rapport > 2 Les points bleus représentent des miARN avec un rapport ½ < ≤2 Les points rouges représentent des miARN avec un rapport ≤ 1/2. Ratio = Expression normalisée en traitement/Expression normalisée en contrôle

L'analyse du biais nucléotidique à chaque position a montré que la teneur en GC était élevée aux 2e, 11e et 15e positions avec des valeurs de 94,34, 92,53 et 95,16 %, respectivement, mais pas aux 1er, 6e, 9e, 10e, 13e, 14e, 16e, 22e et 24e positions avec des valeurs de 0,70, 6,69, 4,94, 5,91, 4,69, 3,69, 3,40, 7,17 et 0,18 %, respectivement, dans la bibliothèque MDSC-P. Un résultat similaire a été obtenu dans les bibliothèques MDSC-D1 et MDSC-D3. Dans toutes les bibliothèques, les nucléotides A + U étaient distribués principalement dans les positions restantes à l'exception des 4ème, 5ème, 8ème, 12ème, 20ème et 23ème positions (Fichier supplémentaire 6 : Figure S2). Le phénomène de biais nucléotidique pourrait être lié aux mécanismes de miARN, tels que la liaison avec des cibles pour la régulation des gènes. Les 1ère, 9ème et positions terminales étaient enrichies en U et les 1ère et 9ème positions étaient les limites de la « région de graine » d'un miARN qui était responsable du ciblage des ARNm pour la régulation des gènes [21]. Un résultat similaire a été obtenu dans les miARN MDSC-P aux positions 1ère, 9e et finales, mais il n'y avait que 44,35 % U à la position finale dans MDSC-D1 et 58,21 % à la 9e position dans la bibliothèque MDSC-D3. Les différences observées entre notre étude et les études précédentes pourraient être dues à des approches expérimentales différentes ou à des différences d'échantillons [12].

Les positions 2 à 8 d'un miARN mature sont appelées région de graine, qui sont hautement conservées. La cible d'un miARN peut différer avec les changements de nucléotides dans cette région. Dans notre étude, les miARN qui pourraient avoir une édition de base pourraient être détectés en alignant les étiquettes d'ARNs non annotées avec les miARN matures de miRBase21, permettant une incompatibilité à une position donnée. Les résultats ont montré que les mésappariements se sont produits dans les trois bibliothèques avec le pourcentage de 22,65, 22,45 et 23,53 %, respectivement. Les discordances pourraient être causées par une modification post-transcriptionnelle et/ou une RT-PCR et des erreurs de séquençage (Fichier supplémentaire 7).

Dans notre étude, une analyse plus approfondie a identifié un total de 439, 394 et 392 miARN conservés qui appartenaient à 237 familles de miARN dans les trois bibliothèques mentionnées ci-dessus. La plus grande famille de miARN identifiée était miR-2284, qui comprenait 63 membres, et miR-154, let-7 et miR-181/30 possédaient 18, 12 et 6 membres, respectivement d'autres familles de miARN, telles que miR-122 , miR-1249, miR-140 et miR-486, n'avaient qu'un seul membre, alors que miR-1940, miR-2286, miR-3431 et miR-574 n'appartenaient à aucune famille de gènes (Fichier supplémentaire 8).

Identification de nouveaux miARN bovins

La structure en épingle à cheveux caractéristique d'un précurseur de miARN pourrait être utilisée pour prédire de nouveaux miARN. Le logiciel de prédiction Mireap a été développé pour prédire de nouveaux miARN en explorant la structure secondaire, le site de clivage Dicer et l'énergie libre minimale des petites lectures d'ARN non annotées qui pourraient être mappées sur un génome. Sur la base du séquençage profond HiSeq, 53 nouveaux miARN bovins ont été identifiés dans les MDSC bovines, ce qui correspond à 145 loci génomiques. Quarante-trois nouveaux miARN se trouvaient dans la bibliothèque MDSC-P, 17 dans la MDSC-D1 et 19 dans la bibliothèque MDSC-D3, et 26 des miARN se chevauchaient dans trois bibliothèques (Fichier supplémentaire 9). Les nombres de lecture du séquençage profond HiSeq sont souvent considérés comme une quantification fiable de l'expression des miARN.

L'expression de nouveaux miARN dans MDSC-P, MDSC-D1 et MDSC-D3 a été démontrée en générant un journal2 diagrammes de ratio et diagrammes de dispersion (Fichier supplémentaire 11 : Figure S3). Les résultats ont montré que 42 miARN comprenaient 7 miARN exprimés à la hausse, 31 exprimés à la baisse et 4 miARN également exprimés dans MDSC-D1 par rapport à ceux de MDSC-P 43 miARN comprenaient 8 exprimés à la hausse, 32 exprimés à la baisse et 3 également exprimés Les miARN dans MDSC-D3 par rapport à ceux dans MDSC-P et 24 miARN comprenaient 9 miARN exprimés vers le haut, 9 exprimés vers le bas et 6 miARN également exprimés dans MDSC-D3 par rapport à ceux de MDSC-D1.

L'analyse qPCR a confirmé l'expression différentielle de miARN sélectionnés dans les MDSC

Pour confirmer les résultats de RNA-seq, l'expression de 12 miARN a été quantifiée par stem-loop qPCR [22]. Les résultats ont montré que miR-29a, miR-27a et let-7i étaient fortement exprimés dans MDSC-P en revanche, miR-320, miR-1 et miR-206 étaient fortement exprimés dans MDSC-D3. De plus, miR-206, miR-1 et miR-320 ont été régulés à la hausse pendant la différenciation MDSC miR-495, miR-133b et miR-487 ont été régulés à la baisse dans MDSC-D1 et régulés à la hausse dans MDSC-D3. Les résultats de l'analyse RT-qPCR étaient cohérents avec ceux obtenus par l'analyse RNA-seq, à l'exception de miR-423, qui était régulé à la hausse dans MDSC-D3 par rapport à MDSC-D1 dans RT-qPCR, alors qu'il était régulé à la baisse dans ARN-seq (Fig. 4). Ces résultats ont indiqué que le séquençage profond HiSeq dans notre étude était d'une grande fiabilité.

Expression de miARN au cours de la différenciation MDSC chez les bovins détectée par RT-qPCR. Remarque : MDSC pendant la différenciation à 0, 1 et 3 jours (MDSC-P, MDSC-D1 et MDSC-D3, respectivement) La barre d'erreur indique l'erreur standard de la moyenne des échantillons en triple. (* p < 0.05,** p < 0,01, comparé à MDSC-P par q-PCR. ?? p < 0.05, p < 0,01, comparé au MDSC-P par séquençage profond)

Prédiction de cible pour les miARN

La fonction d'un miARN est finalement définie par les gènes qu'il cible et par son effet sur l'expression de ces gènes. Pour identifier les cibles potentielles des miARN, nous avons recherché une base de données d'ARNm bovin (ftp://hgdownload.cse.ucsc.edu/goldenPath/bosTau7/database/refGene.txt.gz). Le tableau 5 répertorie les gènes cibles obtenus à partir de MDSC-P, MDSC-D1 et MDSC-D3, qui pourraient être régulés par les miARN dans MDSC-D1, MDSC-D3 et MDSC-P, indiqués dans le fichier supplémentaire 12. L'énergie de liaison des miARN conservés avec leurs cibles variaient de -11,2 à -44,3 kcal/mol et de 10,3 à -49,4 kcal/mol entre les nouveaux miARN et leurs cibles (Fichier complémentaire 13). Certains miARN avaient plus de 1000 cibles prédites, et d'autres gènes cibles étaient supposément régulés par plus de deux miARN.

Analyse d'enrichissement GO et analyse de la voie KEGG des gènes cibles

Pour comprendre la fonction biologique des miARN dans les MDSC, tous les gènes cibles prédits ont été classés selon les annotations fonctionnelles KEGG, qui aident à identifier les voies activement régulées par les miARN dans les MDSC. La plupart de ces gènes étaient impliqués dans le métabolisme cellulaire, les voies du cancer, la régulation du cytosquelette d'actine et la voie de signalisation MAPK (tableau 6). La voie la plus couramment indiquée était la voie métabolique, avec 1321 gènes représentant 12,44 % du total, suivie par les voies dans le cancer (3,51 %), la biosynthèse des métabolites secondaires (3,46 %), la régulation du cytosquelette d'actine (3,17 %) et la Voie de signalisation MAPK (3,03 %). Tous les gènes cibles prédits ont été soumis à une analyse d'ontologie génétique (GO) à l'aide d'une version en ligne du programme Blast2GO (www.Blast2GO.com). Au total, 10 887 gènes ont été qualifiés de bons ou meilleurs que 1 en utilisant l'ontologie des composants avec analyse de la valeur P, 10 228 gènes ont été affectés à différentes fonctions et 10 039 gènes ont été qualifiés de processus biologiques (Fichier supplémentaire 4 : Tableau S2). Pour déterminer les fonctions potentielles des différents miARN d'expression, les 45 miARN les plus abondants dans les trois bibliothèques ont été sélectionnés pour l'analyse Gene Ontology. Les principales catégories GO ciblées par différents gènes d'expression comprenaient le processus de développement, la mort cellulaire, la croissance, le processus de reproduction et le processus métabolique (Fig. 5). Une analyse plus approfondie des cibles miARN est nécessaire et nous aidera à mieux comprendre les rôles de ces miARN dans la différenciation des MDSC.

Analyse GO basée sur des gènes ciblés par miARN. Les GO ciblés par des miARN abondants ont été montrés. L'axe horizontal est la catégorie GO et l'axe vertical est le nombre de gènes


Partie 2: Tailing dans la régulation du microARN et au-delà

00:00:15.02 Salut. Je suis Narry Kim du RNA Research Center
00:00:18.11 à IBS.
00:00:20.16 Je travaille également à l'Université nationale de Séoul.
00:00:24.18 Dans la dernière partie de ma présentation,
00:00:26.23 Je vous ai parlé de
00:00:29.27 comment les microARN sont générés et régulés.
00:00:32.16 Dans cette conférence, je vais vous parler de
00:00:36.26 un type de modification d'ARN appelée queue,
00:00:40.15 qui contrôle la biogenèse des microARN
00:00:43.24 et d'autres types d'ARN, y compris les ARN messagers.
00:00:49.26 Donc, plus de 100 types de modifications d'ARN
00:00:54.20 ont été décrits jusqu'à présent.
00:00:56.11 La modification de l'ARN peut être sur la base ou les résidus ribose.
00:01:03.10 De plus, les nucléotides
00:01:06.19 peut être ajouté ou supprimé de l'ARN.
00:01:09.14 Mon laboratoire a été particulièrement intéressé
00:01:13.04 dans la partie 3' de l'ARN, que nous appelons queues.
00:01:17.29 Dans cette présentation,
00:01:20.18 Je vais vous montrer certaines des données du labo
00:01:27.07 qui démontre que, parfois,
00:01:29.23 une queue peut changer le destin de l'ARN.
00:01:33.12 Donc, cette ligne de l'étude
00:01:38.20 a commencé lorsque nous étudiions la voie des microARN.
00:01:42.00 Comme je vous l'ai expliqué dans la première partie de l'exposé,
00:01:46.06 la biogenèse des miARN implique
00:01:49.02 Pol II, Drosha, Exportin 5, Dicer et Argonaute.
00:01:53.28 Et on pense aux miARN matures.
00:01:58.02 étaient considérés comme une seule espèce.
00:02:03.07 Mais, en fait, si vous regardez les données de séquençage en profondeur.
00:02:07.25 ici, à gauche,
00:02:11.01 les chiffres indiquent l'abondance relative des espèces de miARN.
00:02:16.01 en dehors de la séquence de référence la plus abondante,
00:02:19.19, vous pouvez également trouver des isoformes supplémentaires.
00:02:23.07 Plus particulièrement, certaines isoformes ont
00:02:28.29 séquences A ou séquences U sans modèle
00:02:33.07 à la fin du miARN.
00:02:35.29 Chez les animaux, comme et nous
00:02:39.27 sont les nucléotides non modélisés les plus courants
00:02:44.04 à l'extrémité 3' de l'ARN.
00:02:46.14 Dans les plantes, U est le plus important,
00:02:50.10 comme décrit à l'origine par le laboratoire de Xuemei Chen.
00:02:55.06 Alors, d'où viennent ces nucléotides non modélisés ?
00:03:00.23 Il s'est avéré que l'uridylation a lieu,
00:03:04.26 principalement, avant le traitement Dicer sur pré-miARN,
00:03:09.15 alors que l'adénylation se produit
00:03:14.20 après traitement par Dicer, sur un ARN de 22 nucléotides.
00:03:20.14 Ainsi, ces réactions sont effectuées
00:03:25.07 par un groupe de poly(A) polymérases non canoniques,
00:03:28.23 également connu sous le nom d'uridylyl transférases terminales.
00:03:33.02 Sur les 7 poly(A) polymérases non canoniques, ou TUTases,
00:03:39.09 TUT4 et TUT7,
00:03:43.25 qui ont des organisations de domaine similaires,
00:03:47.21 ont des fonctions redondantes dans l'uridylation de pre-let7.
00:03:55.05 Et l'adénylation ?
00:03:57.04 Il a été montré que TUTase2, ou GLD2,
00:04:01.22 ou Wispy en mouches,
00:04:04.19 sont responsables de l'adénylation.
00:04:07.21 Mais avant de commencer à expliquer le règlement
00:04:11.05 par queue,
00:04:13.13 Je tiens à préciser que les fréquences de queue
00:04:16.08 sont généralement assez faibles dans la plupart des types de cellules
00:04:18.27 pour la plupart des miARN.
00:04:21.24 Donc, je veux que vous ayez une impression
00:04:25.08 que la queue est toujours importante pour tous les miARN.
00:04:30.22 Cependant, la fréquence des résidus
00:04:34.27 varie en fonction des espèces de miARN et des types de cellules.
00:04:38.13 Et les résidus peuvent fournir une base moléculaire
00:04:43.03 pour la régulation de certains miARN
00:04:46.02 à des stades de développement spécifiques.
00:04:49.18 Donc, pour vous donner quelques exemples
00:04:53.24 de la réglementation sur les résidus.
00:04:56.15 le premier est l'uridylation de pre-let-7.
00:05:00.28 Il existe en fait au moins deux modes d'uridylation de pre-let-7.
00:05:05.12 Le premier est la monouridylation
00:05:09.21 -- ceci est médié par TUT7 et TUT4,
00:05:13.25 et la monouridylation favorise en fait le traitement Dicer,
00:05:18.28 donc, dans ce contexte TUTases
00:05:24.09 promouvoir la biogenèse let-7,
00:05:27.12 servant de facteur de biogenèse.
00:05:29.14 Mais alors, c'est le cas des cellules somatiques différenciées,
00:05:34.03 mais dans les cellules embryonnaires et le cancer,
00:05:36.28 une protéine de liaison à l'ARN appelée Lin28 est exprimée,
00:05:44.21 et il se lie à pre-let-7
00:05:47.08 et interagit avec les TUTases
00:05:50.18 pour induire une oligouridylation.
00:05:53.09 Alors, maintenant, la longue queue en U
00:05:56.15 est un obstacle au traitement de Dicer,
00:05:59.09 et favorise davantage la désintégration de l'ARN.
00:06:03.19 Donc, dans cette situation,
00:06:09.07 TUTases, les mêmes enzymes,
00:06:11.11 peuvent servir de régulateurs négatifs.
00:06:13.21 Il existe donc une dualité fonctionnelle dans l'uridylation,
00:06:17.22 selon la longueur des queues uridylées
00:06:22.05 et le contexte des types d'ARN et de cellules.
00:06:28.29 En faisant cela, Lin28 et TUTases
00:06:35.07 peut fournir un commutateur moléculaire dans le développement
00:06:37.22 et transitions pathologiques,
00:06:40.05 comme dans le cancer.
00:06:41.28 Le deuxième exemple est
00:06:46.21 adénylation de miARN matures.
00:06:48.27 Dans ce Northern blot à partir d'œufs et d'embryons de drosophile,
00:06:55.03 vous pouvez trouver des populations de miARN hétérogènes,
00:06:59.26 qui indique l'adénylation des miARN matures.
00:07:04.00 Ces isoformes adénylées
00:07:07.15 disparaissent lorsque l'embryon se déplace vers
00:07:11.07 son stade de développement.
00:07:14.00 Plus tard, il s'est avéré que le même schéma est observé chez d'autres espèces animales,
00:07:23.03 comme chez l'oursin et la souris,
00:07:27.14 suggérant qu'il s'agit d'un mécanisme conservé.
00:07:31.05 Nous avons découvert plus tard qu'une enzyme appelée Wispy,
00:07:35.11 une poly(A) polymérase non canonique,
00:07:38.22 est spécifiquement exprimé dans les œufs
00:07:41.06 et induit l'adénylation des miARN.
00:07:44.20 Ceci est un mutant du gène Wispy
00:07:47.06 et, ici, les miARN s'accumulent sous une forme non modifiée.
00:07:55.18 Nous avons donc découvert que les miARN
00:07:58.14 sont contrôlés dynamiquement pendant l'ovogenèse tardive
00:08:02.01 et embryogenèse précoce.
00:08:04.23 Les miARN maternels sont déposés
00:08:07.18 et ensuite ils se dégradent rapidement au cours du développement,
00:08:12.04 tandis que les miARN zygotiques
00:08:16.03 sont induits à partir du génome zygotique
00:08:18.11 pour remplacer la population.
00:08:21.11 Le mécanisme sous-jacent à cette réglementation
00:08:24.12 est réglementé par Wispy,
00:08:27.20 qui adényle le miARN pour induire une décroissance rapide.
00:08:34.08 Donc, adénylation médiée par Wispy
00:08:37.07 peut contribuer à la clairance des miARN maternels
00:08:41.06 pendant cette période de transition développementale intéressante et dynamique.
00:08:48.05 Donc, je vous ai expliqué jusqu'à présent,
00:08:50.24 dans les systèmes animaux,
00:08:53.07 il y a uridylation ainsi qu'adénylation
00: 08: 56.11 qui contrôlent le destin d'un certain groupe de miARN
00:09:00.15 dans des types cellulaires spécifiques
00:09:02.25 et conditions de développement.
00:09:05.08 Alors, passons à d'autres voies.
00:09:15.13 les ARNm sont également connus pour avoir des queues, des queues poly(A) canoniques,
00:09:19.01 mais nous étions curieux de savoir s'il y avait
00:09:27.09 tout autre type de queues non canoniques sur les ARNm.
00:09:29.27 Nous étions également curieux de savoir si nous pouvions enquêter
00:09:34.11 la fonction de ces queues
00:09:37.24 en mesurant la longueur de la queue poly(A) à l'échelle génomique
00:09:40.28 et en haute résolution.
00:09:43.16 Les autres méthodes, telles que Northern blot et microarray,
00:09:47.29 ont été développés,
00:09:50.10 mais la résolution et l'échelle n'étaient pas assez bonnes
00:09:53.29 pour regarder efficacement le transcriptome.
00:10:00.01 Nous avons donc développé une technique appelée TAIL-seq,
00:10:05.14 qui consiste à séquencer le terminome 3'.
00:10:08.03 Juste pour vous expliquer brièvement le protocole,
00:10:11.27 les ARN totaux ont été enrichis en ARNm
00:10:17.00 par fractionnement par taille et épuisement de l'ARN ribosomique.
00:10:22.16 Ceci a été ligaturé à l'adaptateur 3'
00:10:25.09 qui contient des résidus de biotine
00:10:28.26 pour qu'après digestion partielle,
00:10:31.06 nous pouvons extraire le fragment le plus en 3'
00:10:34.21 en utilisant des billes de streptavidine.
00:10:38.23 Le fragment a ensuite été ligaturé
00:10:42.12 à un adaptateur 5' et encore amplifié par RT-PCR,
00:10:49.03 et nous avons effectué un séquençage par paires
00:10:52.05 pour obtenir 51 nucléotides de la lecture 1
00:10:58.23 et 251 nucléotides de la lecture 2.
00:11:02.00 La lecture 1 est utilisée pour cartographier l'ARN,
00:11:06.18 pour obtenir l'identité de la transcription,
00:11:09.29 et Read 2 est utilisé pour déterminer
00:11:13.25 les séquences de queue.
00:11:16.13 En utilisant cette méthode, nous avons pu déterminer avec précision
00:11:22.21 les séquences très, très finales des ARN,
00:11:25.19 mais un défi que nous avons eu était,
00:11:29.01 en raison de la nature homopolymère des queues poly(A),
00:11:32.23 si vous allez profondément dans la queue,
00:11:36.07 la qualité du séquençage devient vraiment mauvaise,
00:11:40.25 donc c'était très difficile de bien faire les séquences.
00:11:44.23 Pour surmonter le problème,
00:11:47.00 nous avons collecté les signaux fluorescents
00:11:50.01 directement à partir de la réaction de séquençage
00:11:52.27 et regardé les images du séquenceur,
00:11:56.17 remarqué qu'il y a une transition
00:12:00.07 entre les séquences poly(A)
00:12:03.20 et séquences non poly(A).
00:12:05.25 Et nous pourrions convertir les informations
00:12:08.22 pour calculer le signal T relatif,
00:12:11.18 et cela nous a donné la possibilité
00:12:17.06 pour déterminer l'état de la séquence
00:12:21.03 pour coder la longueur de la queue poly(A).
00:12:25.04 Ainsi, nous avons pu mesurer avec précision,
00:12:29.17 la longueur de queue poly(A) des ARNm.
00:12:33.24 Donc, c'était très utile,
00:12:35.23 et laissez-moi vous montrer quelques exemples de lectures TAIL-seq.
00:12:39.17 Ce sont les lectures aléatoires qui correspondent à l'ARNm de p53.
00:12:45.07 Comme je l'ai dit, il s'agit d'un séquençage par paires,
00:12:49.08 donc à partir de la lecture 1, qui est affichée en bleu,
00:12:52.25 sont utilisés pour obtenir l'identité de la transcription,
00:12:58.19 puis Read 2 est utilisé pour
00:13:02.29 en savoir plus sur les séquences de la queue.
00:13:06.12 From this dataset,
00:13:09.01 we could determine precisely
00:13:13.08 the poly(A) tail length of the mRNA.
00:13:15.19 In addition, we could of course look at
00:13:20.14 the 3' end of the RNA
00:13:23.16 to find some interesting terminal modifications,
00:13:26.00 such as uridylation and even guanylation.
00:13:31.07 So, TAIL-seq is very useful
00:13:34.23 in studying the regulation of poly(A) tails.
00:13:38.09 Shown here is an example
00:13:42.15 -- it's the TAIL-seq data from total cell lysate
00:13:45.19 and PABP immunoprecipitate.
00:13:48.15 PABPC1 is a poly(A) binding protein.
00:13:52.03 On the x axis you have poly(A) tail length
00:13:56.06 and on the y axis you can see the fraction of reads.
00:14:00.20 This is a duplicated experiment
00:14:03.18 and you can see that input -- or total cell lysate --
00:14:08.26 gives a very reproducible result.
00:14:12.19 And from this distribution
00:14:18.05 you can learn that the median poly(A) length
00:14:22.26 is typically between 60-100 nucleotides
00:14:26.10 in mammalian messenger RNAs,
00:14:28.27 which is shorter than previously anticipated.
00:14:33.23 You can also learn that PABP, as you would expect,
00:14:42.26 binds preferentially to long poly(A) tails.
00:14:46.05 PABP is known to span 25 nucleotides,
00:14:50.23 so, on average, a poly(A) tail
00:14:54.11 can accommodate only 2-4 PABP molecules.
00:14:58.06 You can also use this technique
00:15:05.04 to study the 3' end modification of mRNA.
00:15:08.16 For instance, you can study uridylation of mRNA.
00:15:12.19 We were actually quite surprised to see
00:15:16.04 such widespread distribution of uridylation
00:15:20.02 on mammalian mRNAs.
00:15:21.27 This suggests that,
00:15:25.14 perhaps, uridylation is an integral part of the mRNA life cycle,
00:15:30.21 and even though mRNA uridylation
00:15:33.28 was observed in some individual mRNAs
00:15:36.16 from fungi and plants before,
00:15:41.04 this study collectively indicates that
00:15:47.10 this process may be preserved in eukaryotes.
00:15:51.17 To find out the function of uridylation,
00:15:56.05 we searched for the enzymes that are responsible for uridylation
00:16:01.01 and found that TUTases 4 and 7 mediate mRNA uridylation.
00:16:07.25 If you knock down TUTase 4 and 7 in HeLa cells
00:16:14.27 and carry out a TAIL-seq experiment,
00:16:19.14 uridylation frequency is reduced substantially,
00:16:22.29 particular the oligo-U tails.
00:16:27.12 So, what's the functional consequence of these enzymes?
00:16:34.06 To find out, we knocked down TUTase 4 and 7
00:16:38.26 and treated the cells with actinomycin D
00:16:44.01 and carried out an RNA-seq experiment
00:16:48.03 to measure the stability of mRNAs.
00:16:49.27 And we found that,
00:16:53.13 compared to control,
00:16:56.04 in TUT4 and 7 depleted cells,
00:16:59.09 the half-lives of mRNAs were globally increased,
00:17:02.17 indicating that TUTase 4 and 7 facilitate mRNA decay.
00:17:13.04 So, our study told us that
00:17:16.21 oligo-U tails serve as a decay mark for mRNAs,
00:17:21.13 as well as for pre-miRNAs.
00:17:24.08 To explain to you how messenger RNAs
00:17:27.28 are degraded in mammalian cells,
00:17:31.19 the active mRNA has a long poly(A) tail
00:17:36.04 that is bound to poly(A) binding protein,
00:17:39.12 but after the adenylation
00:17:43.20 the poly(A) tail gets shortened.
00:17:46.18 When it is below about 25 nucleotides,
00:17:49.20 PABP cannot bind to this mRNA any longer,
00:17:54.14 and this leads to the recruitment of decay factors.
00:18:03.00 It is known that this can happen in 5'-to-3' orientation
00:18:07.07 and 3'-to-5' orientation.
00:18:11.03 Our study shows that this can be facilitated
00:18:16.07 when TUTase 4 and 7
00:18:20.00 recognizes that adenylated mRNA
00:18:23.06 and uridylates the tail,
00:18:25.15 which recruits the decay factors more rapidly.
00:18:33.12 So, that was the role of uridylation
00:18:38.14 in the context of the mRNA pathway.
00:18:42.10 So, to wrap up this talk,
00:18:44.27 we have found that
00:18:49.20 tailing can provide important layers of gene regulation.
00:18:54.01 And tails can actually come in more than one flavor
00:18:59.14 -- not only canonical poly(A) tails,
00:19:02.13 but also noncanonical A tails, or U tails, or G tails.
00:19:09.18 And we have shown that noncanonical A tails
00:19:15.07 can destabilize maternal microRNAs.
00:19:18.10 And U tails can be used in various ways.
00:19:23.08 Oligo-U tail, in particular,
00:19:25.25 serves as a general decay mark
00:19:28.29 for both microRNA pathways and mRNA pathways.
00:19:33.23 With that, I would like to thank
00:19:36.29 all previous and present members of my lab,
00:19:40.22 but I would like to especially point out
00:19:45.25 Inha Heo, Chirlmin Joo, and Minju Ha
00:19:48.00 for the microRNA uridylation study
00:19:50.25 and Mihye Lee and Yeon Choi
00:19:53.24 for the microRNA adenylation study.
00:19:56.17 And mRNA tailing was studied
00:20:00.15 mainly by Hyeshik Chang, Jaechul Lim, and Minju Ha.
00:20:03.21 I also appreciate the help from our collaborators,
00:20:07.02 especially Dinshaw Partel's lab
00:20:11.04 and the funding from Institute for Basic Science.
00:20:16.01 Thank you very much for your attention.

  • Part 1: Biogenesis and Regulation of microRNA

Developmental conservation of microRNA gene localization at the nuclear periphery

microRNAs are of vital importance for the regulation of the adaptive and innate immune responses, modulating gene expression at the post transcriptional level. Although there is cumulative information regarding the steady state mature microRNA levels and their respective targets, little is known about the effect of the three-dimensional chromatin architecture on the transcriptional regulation of microRNA gene loci. Here, we sought to investigate the effect of subnuclear localization on the transcriptional activation of eight murine microRNA loci in the immune system. Our results show that microRNA genes display a preferential monoallelic gene expression profile accompanied with perinuclear localization irrespectively of their transcription status or differentiation state. The expression profile and perinuclear localization are developmentally conserved while microRNA gene loci localization outside constitutive lamin associated domains is cross-species conserved. Our findings provide support for an active nuclear periphery and its role in chromatin organization of the non-coding genome.

Déclaration de conflit d'intérêts

Les auteurs ont déclaré qu'ils n'existaient pas de conflit d'intérêts.

Les figures

Fig 1. Allelic expression profile analysis of…

Fig 1. Allelic expression profile analysis of microRNA gene loci reveals their preferential monoallelic expression…

Fig 2. microRNA gene loci are localized…

Fig 2. microRNA gene loci are localized in the cell nuclear periphery.

Fig 3. The perinuclear localization of microRNA…

Fig 3. The perinuclear localization of microRNA gene loci is independent of their transcriptional activity.

Fig 4. Perinuclear localization of microRNA gene…

Fig 4. Perinuclear localization of microRNA gene loci in Bach1 -/- thymocytes and BMDMs.

Fig 5. The perinuclear localization of microRNA…

Fig 5. The perinuclear localization of microRNA gene loci is developmentally conserved.


Résumé

A class of small, non-coding transcripts called microRNAs (miRNAs) that provide a crucial and pervasive layer of post-transcriptional gene regulation has recently emerged and become the focus of intense research. miRNAs are abundant in the nervous system, where they have key roles in development and are likely to be important mediators of plasticity. A highly conserved pathway of miRNA biogenesis is closely linked to the transport and translatability of mRNAs in neurons. Although there are nearly 500 known human miRNA sequences, each of only ∼ 21 nucleotides, which bind to multiple mRNA targets, the accurate prediction of miRNA targets seems to lie just beyond our grasp. Nevertheless, the identification of such targets promises to provide new insights into many facets of neuronal function.


Future perspectives

Gene expression, a quantitative and complex trait, has been extensively studied during the past few years, especially using the human cell line models and the HapMap genotypic data (53). Genetic variants like SNPs and CNVs have been found to contribute substantially to gene expression variation (57-63). Defining the roles of miRNAs in gene expression regulation, however, still have many important hurdles to cross. Before we could comprehensively understand the role of miRNAs in inflammatory lung disease, some basic research studies on their role in gene regulation (e.g., building a systematic and more reliable catalogue of miRNA gene targets) will prove to be critical and benefit the research community. For example, due to cost and efficiency, current miRNA target identification still relies largely on computational algorithms (e.g., miRanda used by the miRBase (71, 74), TargetScan (114, 115), PicTar (116)) that aim to take advantage of the biochemical/thermodynamic properties of the sequences of miRNAs and their gene targets. Although successful to some extent, the prediction results of these computational methods are generally uncorrelated and their predictions are often not supported by each other or by experimental evidence (117) such as those in TarBase (118) (a manually curated database of experimentally supported miRNA targets). Understandably, an approach that aims to integrate these different computational algorithms and/or genome-wide miRNA/mRNA expression data such as ExprTarget (http://www.scandb.org/apps/microrna/) (105), therefore, could have the potential to generate a more reliable and comprehensive catalogue of the gene targets regulated by miRNAs, thus benefiting the studies on their role in other biological processes and physiological pathways. For instance, it is expected that pathway analysis on a more reliable and comprehensive list of gene targets of differentially expressed miRNAs between patient samples and normal controls could help construct a more precise model for the mechanisms of ALI susceptibility.

Since significant gene expression variation have been observed between human populations (60-63), studying the role of miRNAs in regulating population differences in gene expression would provide novel insights in health disparities such as the higher mortality rate in ALI (as well as sepsis) in African Americans and Hispanics in the United States (13). Although socioeconomic status could significantly affect health disparities, notably, genes related to immune response to bacterial infection (e.g., genes in inflammatory pathways such as CCR7, chemokine receptor 7 and CXCR3, chemokine receptor 3) were found to be enriched among the differentially expressed genes between the cell lines derived from individuals of African and European ancestry (60, 119). Previous studies attempted to illustrate the contribution of SNPs and CNVs to population-level gene expression variation (60-63), similarly, it would be interesting to investigate the contribution of miRNAs to differential gene expression between populations as well, thus helping explain the observed racial difference in diseases including ALI. In addition, expression variation in some genes has also been observed between males and females using the cell line models (120, 121). Although genetics does not appear to affect gender-specific gene expression as males and females have the same autosomal genetic background, the contribution of miRNAs to gender-specific gene expression has not yet been studied. Therefore, it would be important to illustrate the role of miRNAs in defining gender-specific gene expression for the purpose of understanding the gender differences in inflammatory lung disease (e.g., gender differences in ARDS mortality rate (13)).

Because of the early stage of research, the current studies on the relationships between miRNAs and ALI/ARDS and VILI have been largely relied on animal models. No doubt, results derived from animal models can guide further investigations on patient samples and future translational research, the interpretation of these results, however, needs to be cautious as not all results from animal models are relevant to humans. Therefore, expanding the current studies to human cell lines, tissues and ultimately human subjects would provide direct evidence to the role of miRNAs in the development of inflammatory lung disease.

Since miRNA expression is believed to be a dynamic process in cells, future experimental techniques that may monitor the longitudinal changes of miRNAs in vitro ou in vivo and their interactions with changing cellular environment could provide unprecedented picture of the critical role of miRNAs in gene regulation and disease development. Finally, to construct a most comprehensive model for complex diseases such as ALI presents the challenges for integrating all kinds of data on the phenotypes or traits (e.g., gene expression, SNPs, CNVs, DNA methylation). MiRNAs will be critical components in our complete understanding of the mechanism and genetic networks of inflammatory lung disease. Though with some promising evidence so far, before they can be applied in the daily management of ALI, the potential of miRNAs to be novel therapeutic targets as well as biomarkers for ALI should also be continuously investigated.


MicroRNA: A Master Regulator of Cellular Processes for Bioengineering Systems

microRNAs (miRNAs) are small RNAs 18 to 24 nucleotides in length that serve the pivotal function of regulating gene expression. Instead of being translated into proteins, the mature single-stranded miRNA binds to messenger RNAs (mRNAs) to interfere with the translational process. It is estimated that whereas only 1% of the genomic transcripts in mammalian cells encode miRNA, nearly one-third of the encoded genes are regulated by miRNA. Various bioinformatics databases, tools, and algorithms have been developed to predict the sequences of miRNAs and their target genes. In combination with the in silico approaches in systems biology, experimental studies on miRNA provide a new bioengineering approach for understanding the mechanism of fine-tuning gene regulation. This review aims to provide state-of-the-art information on this important mechanism of gene regulation for researchers working in biomedical engineering and related fields. Particular emphases are placed on summarizing the current tools and strategies for miRNA study from a bioengineering perspective and the possible applications of miRNAs (such as antagomirs and miRNA sponges) in biomedical engineering research.


Voir la vidéo: MicroRNA and Gene Silencing (Août 2022).