مطالعه ژن‌ها و SNPهای کدکننده ژنوم بافت مغز زنبورعسل در ارتباط با صفات رفتاری در دو زیرگونه ایتالیایی و آفریقایی با استفاده از داده‌های ترانسکریپتومی (RNA-Seq)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه تهران پردیس کشاورزی و منابع طبیعی گروه علوم دامی

2 هیئت علمی گروه اصلاح دام دانشگاه تهران

3 دانشگاه تهران

4 دانشگاه پردیس کشاورزی و منابع طبیعی گروه علوم دامی

5 کرج بعد از سه راه گوهر دشت، روبروی دهقان ویلای اول، موسسه تحقیقات علوم دامی کشور، بخش پژوهشهای بیوتکنولوژی

چکیده

هدف: زنبورعسل به عنوان حشره‌ای گرده‌افشان عضو مهمی از طبیعت به حساب می‌آید. از آنجا که صفات رفتاری در زنبورعسل بسیار مهم است، بنابراین مقایسه ترانسکریپتوم بافت مغز از زیرگونه ایتالیایی و افریقایی با ویژگی‌های رفتاری پرخاشگر و آرام، درک این تفاوت رفتاری را از نظر ژنتیکی امکان پذیر می‌سازد. این مطالعه با هدف بررسی پروفایل بیان ژن و شناسایی ژن‌های شاخص در بافت مغز در زنبورعسل ایتالیایی (Apis Mellifera Ligustica) و آفریقایی (Apis mellifera Scutellata) در ارتباط با صفات رفتاری انجام شد. زنبورعسل ایتالیایی از ویژگی‌های رفتاری آرامی برخوردار است، در حالی که زنبورعسل آفریقایی به عنوان یک زنبور مهاجم شناخته می‌شود.
مواد و روش‌ها: داده‌های RNA-seq این پژوهش از پایگاه داده‌های NCBI دریافت و پس از پیش‌پردازش، ترانسکریپتوم بافت مغزی هر دو زیرگونه بر روی ژنوم مرجع زنبورعسل همردیف و نقشه‌یابی شد و پس از کمی‌سازی داده‌ها، سرهم سازی ترانسکریپتوم، آنالیز بیان افتراقی (adj p-value < 0.05 , Log2FC>2) و هستی‌شناسی ژن انجام شد.
نتایج: آنالیز بیان افتراقی ژن تعداد 16701 ژن را  بر روی ژنوم مرجع زنبورعسل شناسایی کرد که از این تعداد، 22 ژن در بافت مغز بین هر دو زیرگونه دارای بیان افتراقی معنی‌داری (adj p-value < 0.05 , Log2FC>2) بودند. همچنین برخی از این ژن‌ها برای اولین بار شناسایی شدند. آنالیز هستی‌شناسی ژن نشان داد که از میان این 22 ژن، ژن‌هایی همچون ITPR، MRJP، HSP70 Ab، MBS، GB45410 و Def1 به صورت مستقیم یا غیرمستقیم در بروز صفات مختلفی همچون رفتارهای دفاعی، بهداشتی، تولید مثلی، حساسیت به گرما، نور و بو دخیل هستند. علاوه براین، SNPهای بخش کدکننده ژنوم بافت مغز زنبورعسل در هر دو زیرگونه نیز شناسایی شد و تعداد 99636 SNP در زیرگونه ایتالیایی و 92514 SNP در زیرگونه آفریقایی شناسایی شد.
نتیجه‌گیری: داده‌های RNA-seq به سبب پربرونداد[1] بودن می‌تواند اطلاعات دقیقی را از بیان ژن‌ها در بافت‌های مختلف در زیرگونه‌های مختلف در اختیار ما قرار دهد. در این مطالعه ژن‌های دخیل در بروی صفات رفتاری زنبورعسل مشخص شد و SNPهای موجود در این ژن‌ها نیز شناسایی شد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Study of coding genes and SNPs in the brain tissue genome of honeybee related to behavioral traits in Italian and African subspecies using RNA-Seq data analysis

نویسندگان [English]

  • Aliakbar Hasankhani 1
  • Hossein Moradi Shahrbabak 2
  • Mohammad Moradi Shahrbabak 2
  • Abolfazl Bahrami 3
  • Gholamali Nehzati paghaleh 4
  • Mohammad Hossein Banabazi 5
1 College Agriculture and Natural resources, Department of Animal Science, Tehran University
2 Assistant Professor, Department Of Animal Sciences, College of Agricultural and Natural Resources, University of Tehran, Karaj, Iran
3 PhD. Genetics and Animal Breeding, Department of Animal Sciences, University of Tehran, Karaj, Iran
4 College Agriculture and Natural resources, Department of Animal Science, Tehran University.
5 Assistant Professor, Animal Science Research Institute Karaj, Iran
چکیده [English]

Objective
Honeybees, as pollinating insects, are an important part of nature. Because behavioral traits are so important in honeybees, comparing brain tissue transcriptomes of the two subspecies with aggressive and calm behavioral characteristics makes it possible to understand this behavioral difference genetically. This study aimed to investigate to gene expression profile and identify the key genes in brain tissue in Italian (Apis Mellifera Ligustica) and African (Apis mellifera Scutellata) honeybees concerning behavioral traits. The Italian honeybee has calm behavioral characteristics, while the African is known as an aggressive honeybee.
Materials and methods
RNA-Seq data were obtained from the NCBI  (GEO) database, and after pre-processing of reads, the brain tissue transcriptomes of both subspecies were aligned and mapped on the honey bee reference genome (v A.mel 4.5), and then data qualification, transcriptome assembly, differential expression analysis, and gene ontology were performed.
Results
Differential gene expression analysis identified 16,701 genes on the honeybee reference genome, of which 22 genes in brain tissue between the two subspecies had significant differential expression (adj p-value <0 .05 and Log2FC>2). As well, some of these genes were first identified. Gene ontology analysis showed that among these 22 genes, such as ITPR, MRJP, HSP70Ab, MBS, GB45410, and Def1 are directly or indirectly involved in the occurrence of various traits such as defensive, health behavior, reproductive, heat, light, and smell sensitivity. In addition, the SNPs encoding the honeybee brain tissue genome were identified in both subspecies, and 99636 SNPs were identified in the Italian, and 92514 SNPs were identified in the African subspecies.
Conclusions
RNA-seq data, due to its high throughput, can provide us with accurate information about the expression of genes in different tissues in various subspecies. In this study, genes involved in honeybee behavioral traits and the SNPs in these genes were identified

کلیدواژه‌ها [English]

  • : Behavioral traits
  • Gene
  • Honeybee
  • SNP
  • transcriptome
احسنی محمدرضا ، محمدآبادی محمدرضا ، اسدی فوزی و همکاران (1398) بیان ژن لپتین در بافت چربی زیرپوستی گاوهای هلشتاین با استفاده از Real Time PCR. مجله بیوتکنولوژی کشاورزی 11(1)، 150-135.
بهادر یاسر ، محمدآبادی محمدرضا ، خضری امین ، اسدی مهدیه ، مدحتی لیلا (1395) مطالعه تنوع ژنتیکی جمعیتهای زنبور عسل استان کرمان با استفاده از نشانگرهای  ISSR. پژوهش‌های تولیدات دامی 13، 192-186.
توحیدی نژاد فاطمه، محمدآبادی محمدرضا، اسمعیلی زاده کشکوئیه علی، نجمی نوری عذرا (1393) مقایسه سطوح مختلف بیان ژنRheb  در بافت های مختلف بز کرکی راینی. مجله بیوتکنولوژی کشاورزی 6(4)، 50-35.
جعفری دره در امیر حسین، محمدآبادی محمدرضا، اسمعیلی زاده کشکوئیه علی، ریاحی مدوار علی (1395) بررسی بیان ژن CIB4  در بافت­های مختلف گوسفند کرمانی با استفاده از Real Time qPCR. مجله پژوهش در نشخوارکنندگان 4(4)، 132-119.
محمدآبادی محمدرضا (1399) بیان ژن ESR1 در بز کرکی راینی با استفاده از Real Time PCR‎. مجله بیوتکنولوژی کشاورزی 12(1)، 192-177.
محمدآبادی محمدرضا (1399) پروفایل بیانی mRNA مختص بافت ژن ESR2 در بز. مجله بیوتکنولوژی کشاورزی 12(4)، 181-167.
References
Ahsani MR, Mohammadabadi MR, Asadi Fozi M et al. (2019a) Effect of Roasted Soybean and Canola Seeds on Peroxisome Proliferator-Activated Receptors Gamma (PPARG) Gene Expression and Cattle Milk Characteristics. Iran J Appl Anim Sci 9, 635-642.
Ahsani MR, Mohammadabadi MR, Asadi Fozi M et al. (2019b) Leptin gene expression in subcutaneous adipose tissue of Holstein dairy cattle using Real Time PCR. Agric Biotechnol J 11, 135-150 (In Persian).
Alaux C, Sinha S, Hasadsri L et al. (2009) Honey bee aggression supports a link between gene regulation and behavioral evolution. Proc Natl Acad Sci 106, 15400-15405.
Andrews S (2010) FastQC: a quality control tool for high throughput sequence data. Available online.
Bahador Y, MR Mohammadabadi, A Khezri, M Asadi, L Medhati. 2016 Study of Genetic Diversity in Honey Bee Populations in Kerman Province using ISSR Markers. Res Anim Prod 7 (13), 186-192 (In Persian).
Barchuk AR, Cristino AS, Kucharski R et al. (2007) Molecular determinants of caste differentiation in the highly eusocial honeybee Apis mellifera. BMC Dev Biol 7, e70.
Bell AM, Robinson GE (2011) Behavior and the dynamic genome. Science 332, 1161-1162.
Berger J, Senti K-A, Senti G et al. (2008) Systematic identification of genes that regulate neuronal wiring in the Drosophila visual system. PLoS Genet 4, e265.
Bolger AM, Lohse M, Usadel B (2014) Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics 30, 2114-2120.
Bradbear N (2009) Bees and their role in forest livelihoods: a guide to the services provided by bees and the sustainable harvesting, processing and marketing of their products. Non-wood Forest Products.
Breed MD, Guzmán-Novoa E, Hunt GJ (2004) Defensive behavior of honey bees: organization, genetics, and comparisons with other bees. Annu Rev Entomol 49, 271-298.
Cingolani P, Cao X, Khetani RS et al. (2013) Intronic non-CG DNA hydroxymethylation and alternative mRNA splicing in honey bees. BMC Genom 14, e666.
Cingolani P, Platts A, Wang LL et al. (2012) A program for annotating and predicting the effects of single nucleotide polymorphisms, SnpEff: SNPs in the genome of Drosophila melanogaster strain w1118; iso-2; iso-3. Fly 6, 80-92.
Consortium HGS (2006) Insights into social insects from the genome of the honeybee Apis mellifera. Nature 443, 931.
Dimarcq JL, Hoffmann D, Meister M et al. (1994) Characterization and transcriptional profiles of a Drosophila gene encoding an insect defensin: a study in insect immunity. Eur J Biochem 221, 201-209.
Ekblom R, Galindo J (2011) Applications of next generation sequencing in molecular ecology of non-model organisms. Heredity 107, 1-15.
Falconer DS (1960) Introduction to quantitative genetics. Introduction to quantitative genetics.
Gan Q, Chepelev I, Wei G et al. (2010) Dynamic regulation of alternative splicing and chromatin structure in Drosophila gonads revealed by RNA-seq. Cell Res 20, 763-783.
Goff LA, Trapnell C, Kelley D (2012) CummeRbund: visualization and exploration of Cufflinks high-throughput sequencing data. R package version 2.
Gong WJ, Golic KG (2006) Loss of Hsp70 in Drosophila is pleiotropic, with effects on thermotolerance, recovery from heat shock and neurodegeneration. Genetics 172, 275-286.
Haas BJ, Zody MC (2010) Advancing RNA-seq analysis. Nat Biotechnol 28, 421-423.
Hunt GJ, Amdam GV, Schlipalius D et al. (2007) Behavioral genomics of honeybee foraging and nest defense. Naturwissenschaften 94, 247-267.
Imler J-L, Bulet P (2005) Antimicrobial peptides in Drosophila: structures, activities and gene regulation. In: Mechanisms of epithelial defense. Karger Publishers. pp. 1-21.
Kim D, Langmead B, Salzberg SL (2015) HISAT: a fast spliced aligner with low memory requirements. Nat Methods 12, 357-360.
Kucharski R, Maleszka R (2002) Evaluation of differential gene expression during behavioral development in the honeybee using microarrays and northern blots. Genome Biol 3, 1-7.
Lee A, Treisman JE (2004) Excessive Myosin activity in mbs mutants causes photoreceptor movement out of the Drosophila eye disc epithelium. Mol Biol Cell 15, 3285-3295.
Marguerat S, Bähler J (2010) RNA-seq: from technology to biology. Cell Mol Life Sci 67, 569-579.
Masoudzadeh SH, Mohammadabadi M, Khezri A, et al. (2020) Effects of diets with different levels of fennel (Foeniculum vulgare) seed powder on DLK1 gene expression in brain, adipose tissue, femur muscle and rumen of Kermani lambs. Small Rumin Res 193, e106276.
Mohammadabadi M (2021) Tissue-specific mRNA expression profile of ESR2 gene in goat. Agric Biotechnol J 12 (4), 167-181 (In Persian).
Mohammadabadi MR (2020) Expression of ESR1 gene in Raini Cashmere goat using Real Time PCR. Agric Biotechnol J 12 (1), 177-192 (In Persian).
Mohammadabadi MR, Kord M, Nazari M (2018) Studying expression of leptin gene in different tissues of Kermani Sheep using Real Time PCR. Agric Biotechnol J 10, 111-122 (In Persian).
Mohammadabadi MR, Tohidinejad F (2017) Charachteristics determination of Rheb gene and protein in Raini Cashmere goat. Iran J Appl Anim 7, 289-295.
Mortazavi A, Williams BA, McCue K et al. (2008) Mapping and quantifying mammalian transcriptomes by RNA-Seq. Nat Methods 5, 621.
Nguyen DV, Bulak Arpat A, Wang N et al. (2002) DNA microarray experiments: biological and technological aspects. Biometrics 58, 701-717.
Oldroyd BP, Thompson GJ (2006) Behavioural genetics of the honey bee Apis mellifera. Adv Insect Phys 33, 1-49.
Pauerstein P (2011) RNA-Seq: Current methods and potential applications. Comput Mol Biol, 1-13.
Raffiudin R (2002) Honey bee behavioural evolution and itpr gene structure studies. James Cook University.
Rajan A, Housden BE, Wirtz-Peitz F et al. (2017) A mechanism coupling systemic energy sensing to adipokine secretion. Dev Cell 43, 83-98. e86.
Rittschof CC, Coombs CB, Frazier M et al. (2015) Early-life experience affects honey bee aggression and resilience to immune challenge. Sci Rep 5, 15572.
Schmitzova J, Klaudiny J, Albert Š et al. (1998) A family of major royal jelly proteins of the honeybee Apis mellifera L. Cell Mol Life Sci 54, 1020-1030.
Sultan M, Schulz MH, Richard H et al. (2008) A global view of gene activity and alternative splicing by deep sequencing of the human transcriptome. Science 321, 956-960.
Tohidi nezhad F, Mohammadabadi MR, Esmailizadeh AK, Najmi Noori A (2015) Comparison of different levels of Rheb gene expression in different tissues of Raini Cashmir goat. Agric Biotechnol J 6, 35-50 (In Persian).
Trapnell C, Roberts A, Goff L et al. (2012) Differential gene and transcript expression analysis of RNA-seq experiments with TopHat and Cufflinks. Nat Protoc 7, 562-578.
Whitfield CW, Cziko A-M, Robinson GE (2003) Gene expression profiles in the brain predict behavior in individual honey bees. Science 302, 296-299.
Wilhelm BT, Landry J-R (2009) RNA-Seq—quantitative measurement of expression through massively parallel RNA-sequencing. Methods 48, 249-257.
Zayed A, Robinson GE (2012) Understanding the relationship between brain gene expression and social behavior: lessons from the honey bee. Annu Rev Genet 46, 591-615.