Summary

Lunge mikroRNA profilering på tværs af the Estrous cyklus i ozon-eksponerede mus

Published: January 07, 2019
doi:

Summary

Her beskriver vi en metode til at vurdere lunge udtryk af miRNAs, der er forudsagt til at regulere inflammatoriske gener ved hjælp af mus udsættes for ozon eller filtreret luft på forskellige stadier af estrous cyklus.

Abstract

MikroRNA (miRNA) profilering er blevet af interesse for forskere, der arbejder i forskellige områder af biologi og medicin. Aktuelle undersøgelser viser en lovende fremtid ved hjælp af miRNAs i diagnosticering og behandling af lungesygdomme. Her, definerer vi en protokol for miRNA profilering for at måle den relative forekomst af en gruppe af miRNAs forudsagt for at regulere inflammatoriske gener i lungevæv fra af en ozon-induceret luftvejs inflammation musemodel. Fordi det har vist sig at cirkulerende sex hormonniveauer kan påvirke reguleringen af lunge medfødt immunitet hos kvinder, er formålet med denne metode at beskrive en inflammatorisk miRNA profilering protokol i hunmus, under hensyntagen til estrous cyklus fase af hvert dyr på tidspunktet for ozon eksponering. Vi også behandle gældende Bioinformatik tilgange til miRNA opdagelse og målet identifikationsmetoder ved hjælp af limma, en R/Bioconductor software, og funktionel analyse software til at forstå de biologiske kontekst og veje i forbindelse med differential miRNA udtryk.

Introduction

MicroRNA (miRNAs) er korte (19-25 nukleotider), naturligt forekommende, ikke-kodende RNA molekyler. Sekvenser af miRNAs er evolutionær bevaret på tværs af arter, hvilket tyder på betydningen af miRNAs i reguleringen af fysiologiske funktioner1. microRNA expression profilering har vist sig for at være nyttigt til at identificere miRNAs, der er vigtige i reguleringen af en række processer, herunder immunrespons, Celledifferentiering, udviklingsprocesser og apoptose2. Mere nylig, miRNAs er blevet anerkendt for deres potentielle anvendelse i sygdom diagnostik og terapi. For forskere at studere mekanismer af genregulering, kan måle miRNA udtryk oplyse systemer-niveau modeller af regulerende processer, især når miRNA oplysninger flettes med mRNA profilering og andre genom-skala data3. På den anden side miRNAs har også vist sig at være mere stabil end mRNAs i en vifte af modellen typer og er også målbare med større følsomhed end proteiner4. Dette har ført til betydelig interesse i udviklingen af miRNAs som biomarkører for forskellige molekylære diagnostiske programmer, herunder lungesygdomme.

I lungen spiller miRNAs vigtige roller i udviklingsprocesser og opretholdelsen af homøostase. Derudover har deres unormale udtryk været forbundet med udvikling og progression af forskellige lungesygdomme5. Inflammatorisk lungesygdom forårsaget af luftforurening har vist større sværhedsgrad og dårligere prognose hos kvinder, der angiver, at hormoner og estrous cyklus kan regulere lunge medfødt immunitet og miRNA udtryk som reaktion på miljømæssige udfordringer 6. i denne protokol, vi bruger ozon eksponering, som er en vigtig del af luftforureningen, for at fremkalde en form for lungebetændelse i hunmus, der opstår i mangel af adaptive immunitet. Ved hjælp af ozon, vi inducerende udviklingen af luftvejene hyperresponsivitet, der er forbundet med luftvejene epitelcelle skader og en stigning i neutrofile og inflammatoriske mediatorer i proksimale airways7. Der er i øjeblikket ikke velbeskrevet protokoller til at karakterisere og analysere miRNAs på tværs af estrous cyklus i ozon-eksponerede mus.

Nedenfor beskriver vi en simpel metode til at identificere estrous cyklus faser og miRNA udtryk i lungevæv af hunmus udsat for ozon. Vi tager også fat effektiv Bioinformatik tilgange til miRNA opdagelse og målet identifikation, med en vægt på computational biologi. Vi analyserer microarray data ved hjælp af limma, en R/Bioconductor software, der giver en integreret løsning til at analysere data fra gen expression eksperimenter8. Analyse af PCR array data fra limma har en fordel i forhold til magten over t-test baseret procedurer, når du bruger små antal arrays/prøver for at sammenligne udtryk. For at forstå biologiske forbindelse med miRNA udtryk resultater, brugte vi så funktionel analyse software. For at forstå de mekanismer, der regulerer transcriptional ændringer og forudsige sandsynlige udfald kombinerer softwaren miRNA-udtryk datasæt og viden fra litteratur9. Det er en fordel sammenlignet med software, bare kigge efter statistiske berigelse i overlappende sæt miRNAs.

Protocol

Alle metoder beskrevet her er blevet godkendt af institutionelle Animal Care og brug udvalg (IACUC) af Penn State University. 1. vurdering af Estrous cyklus scene Korrekt begrænse en kvindelig C57BL/6 mus (8 – 9 uger gammel) bruger en egenmægtig mus tilbageholdenhed teknik beskrevet i Machholz et al.10. Fyld den sterile plastik pipette med 10 μL af ultra rent vand. Indføre spidsen af plast pipette i skeden. Forsigtigt tømme…

Representative Results

De forskellige celletyper observeret i udstrygningspræparater bruges til at identificere mus estrous cyklus scene (figur 1). Disse identificeres ved celle morfologi. Under proestrus er celler næsten udelukkende klynger af runde-formet, velformede nukleeret epitelceller (figur 1A). Når musen er i stadiet estrus, er celler cornified planocellulære epitelceller, til stede i tætpakkede klynger (figur 1B</str…

Discussion

MikroRNA profilering er en fordelagtig teknik til både klovesygediagnosticering og mekanistiske forskning. I dette manuskript definerede vi en protokol for at evaluere udtryk for miRNAs, der er forudsagt til at regulere inflammatoriske gener i lunger af hunmus udsat for ozon i forskellige estrous cyklus faser. Metoder til bestemmelse af estrous cyklus, som metoden visuel genkendelse har været beskrevet16. Men disse stole på engangs målinger, og derfor er upålidelige. Til præcist for at ident…

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Denne forskning blev støttet af tilskud fra NIH K01HL133520 (PS) og K12HD055882 (PS). Forfatterne takke Dr. Joanna Floros for assistance med ozon eksponering eksperimenter.

Materials

C57BL/6J mice The Jackson Laboratory 000664 8 weeks old
UltraPure Water Thermo Fisher Scientific 10813012
Sterile plastic pipette Fisher Scientific 13-711-25 Capacity: 1.7mL
Frosted Microscope Slides Thermo Fisher Scientific 2951TS
Light microscope Microscope World MW3-H5 10X and 20X objective
Ketathesia- Ketamine HCl Injection USP Henry Schein Animal Health 55853 90 mg/kg. Controlled drug.
Xylazine Sterile Solution Lloyd Laboratories 139-236 10mg/kg. Controlled Drug.
Ethanol Fisher Scientific BP2818100 Dilute to 70% ethanol with water.
21G gauge needle BD Biosciences 305165
Syringe Fisher Scientific 329654 1mL
Operating Scissors World Precision Instruments 501221, 504613 14cm, Sharp/Blunt, Curved and 9 cm, Straight, Fine Sharp Tip
Tweezer Kit World Precision Instruments 504616
-80 ˚C freezer Forma 7240
Spectrum Bessman Tissue Pulverizers Fisher Scientific 08-418-1 Capacity: 10 to 50mg
RNase-free Microfuge Tubes Thermo Fisher Scientific AM12400 1.5 mL
TRIzol Reagent Thermo Fisher Scientific 15596026
Direct-zol RNA MiniPrep Plus Zymo Research R2071
NanoDrop Thermo Fisher Scientific ND-ONE-W
miScript II RT kit Qiagen 218161
Mouse Inflammatory Response & Autoimmunity miRNA PCR Array Qiagen MIMM-105Z
Thin-walled, DNase-free, RNase-free PCR tubes Thermo Fisher Scientific AM12225 for 20 μl reactions
miRNeasy Serum/Plasma Spike-in Control Qiagen 219610
Microsoft Excel Microsoft Corporation https://office.microsoft.com/excel/
Ingenuity Pathway Analysis Qiagen https://www.qiagenbioinformatics.com/products/ingenuity-pathway-analysis/
R Software The R Foundation https://www.r-project.org/
Thermal cycler or chilling/heating block General Lab Supplier
Microcentrifuge General Lab Supplier
Real-time PCR cycler General Lab Supplier
Multichannel pipettor General Lab Supplier
RNA wash buffer Zymo Research R1003-3-48 48 mL
DNA digestion buffer Zymo Research E1010-1-4 4 mL
RNA pre-wash buffer Zymo Research R1020-2-25 25 mL
Ultraviolet ozone analyzer Teledyne API Model T400 http://www.teledyne-api.com/products/oxygen-compound-instruments/t400
Mass flow controllers Sierra Instruments Inc Flobox 951/954 http://www.sierrainstruments.com/products/954p.html

Referenzen

  1. Rebane, A., Akdis, C. A. MicroRNAs: Essential players in the regulation of inflammation. Journal of Allergy and Clinical Immunology. 132 (1), 15-26 (2013).
  2. Cannell, I. G., Kong, Y. W., Bushell, M. How do microRNAs regulate gene expression?. Biochemical Society Transactions. 36 (Pt 6), 1224-1231 (2008).
  3. Pritchard, C. C., Cheng, H. H., Tewari, M. MicroRNA profiling: approaches and considerations. Nature Reviews Genetics. 13 (5), 358-369 (2012).
  4. Mi, S., Zhang, J., Zhang, W., Huang, R. S. Circulating microRNAs as biomarkers for inflammatory diseases. Microrna. 2 (1), 63-71 (2013).
  5. Sessa, R., Hata, A. Role of microRNAs in lung development and pulmonary diseases. Pulmonary Circulation. 3 (2), 315-328 (2013).
  6. Fuentes, N., Roy, A., Mishra, V., Cabello, N., Silveyra, P. Sex-specific microRNA expression networks in an acute mouse model of ozone-induced lung inflammation. Biology of Sex Differences. 9 (1), 18 (2018).
  7. Aris, R. M., et al. Ozone-induced airway inflammation in human subjects as determined by airway lavage and biopsy. American Review of Respiratory Disease. 148 (5), 1363-1372 (1993).
  8. Ritchie, M. E., et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Research. 43 (7), e47 (2015).
  9. Krämer, A., Green, J., Pollard, J., Tugendreich, S. Causal analysis approaches in Ingenuity Pathway Analysis. Bioinformatics. 30 (4), 523-530 (2014).
  10. Machholz, E., Mulder, G., Ruiz, C., Corning, B. F., Pritchett-Corning, K. R. Manual restraint and common compound administration routes in mice and rats. Journal of Visualized Experiments. (67), (2012).
  11. Umstead, T. M., Phelps, D. S., Wang, G., Floros, J., Tarkington, B. K. In vitro exposure of proteins to ozone. Toxicology Mechanisms and Methods. 12 (1), 1-16 (2002).
  12. Livak, K. J., Schmittgen, T. D. Analysis of relative gene expression data using real-time quantitative PCR and the 2(-Delta Delta C(T)) Method. Methods. 25 (4), 402-408 (2001).
  13. Phipson, B., Lee, S., Majewski, I. J., Alexander, W. S., Smyth, G. K. Robust hyperparameter estimation protects against hypervariable genes and improves power to detect differential expression. Annals of Applied Statistics. 10 (2), 946-963 (2016).
  14. Smyth, G. K., et al. Linear Models for Microarray and RNA-Seq Data User’s Guide. Bioconductor. , (2002).
  15. Benjamini, Y., Hochberg, Y. Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society. Series B (Methodological). 57 (1), 289-300 (1995).
  16. Byers, S. L., Wiles, M. V., Dunn, S. L., Taft, R. A. Mouse estrous cycle identification tool and images. Public Library of Science ONE. 7 (4), e35538 (2012).
  17. Alves, M. G., et al. Comparison of RNA Extraction Methods for Molecular Analysis of Oral Cytology. Acta Stomatologica Croatica. 50 (2), 108-115 (2016).
  18. Wilfinger, W. W., Mackey, K., Chomczynski, P. Effect of pH and ionic strength on the spectrophotometric assessment of nucleic acid purity. Biotechniques. 22 (3), 478-481 (1997).
  19. Bustin, S. A., et al. The MIQE guidelines: minimum information for publication of quantitative real-time PCR experiments. Clinical Chemistry. 55 (4), 611-622 (2009).
  20. Walker, S. E., Lorsch, J. RNA purification- precipitation methods. Methods in Enzymology. 530, 337-343 (2013).
  21. Git, A., et al. Systematic comparison of microarray profiling, real-time PCR, and next-generation sequencing technologies for measuring differential microRNA expression. RNA. 16 (5), 991-1006 (2010).
  22. Smyth, G. K. Limma: linear models for microarray data. Bioinformatics and Computational Biology Solutions Using R and Bioconductor. , 397-420 (2005).
  23. Griffiths-Jones, S. miRBase: the microRNA sequence database. Methods Mol Biol. 342, 129-138 (2006).
  24. Sethupathy, P., Corda, B., Hatzigeorgiou, A. TarBase: A comprehensive database of experimentally supported animal microRNA targets. RNA. 12 (2), 192-197 (2006).
  25. Agarwal, V., Bell, G. W., Nam, J., Bartel, D. P. Predicting effective microRNA target sites in mammalian mRNAs. eLife. 4, e05005 (2015).
  26. Xiao, F., Zuo, Z., Cai, G., Kang, S., Gao, X., Li, T. miRecords: an integrated resource for microRNA-target interactions. Nucleic Acids Res. 37, D105-D110 (2009).
  27. Mullany, L. E., Wolff, R. K., Slattery, M. L. Effectiveness and Usability of Bioinformatics Tools to Analyze Pathways Associated with miRNA Expression. Cancer Informatics. 14, 121-130 (2015).
check_url/de/58664?article_type=t

Play Video

Diesen Artikel zitieren
Fuentes, N., Silveyra, P. Lung microRNA Profiling Across the Estrous Cycle in Ozone-exposed Mice. J. Vis. Exp. (143), e58664, doi:10.3791/58664 (2019).

View Video