Summary

Lungan mikroRNA profilering över the östruscykel i ozon-exponerade möss

Published: January 07, 2019
doi:

Summary

Här beskriver vi en metod för att bedöma lung uttryck av MicroRNA som förutspås för att reglera inflammatoriska gener med möss utsätts för ozon eller filtrerad luft i olika skeden av östruscykel.

Abstract

MikroRNA (miRNA) profilering har blivit intressant för forskare som arbetar inom olika forskningsområden av biologi och medicin. Aktuella studier visar en lovande framtid använda MicroRNA för diagnos och vård av lungsjukdomar. Här definierar vi ett protokoll för miRNA profilering för att mäta det relativa överflödet av en grupp av MicroRNA förutspådde för att reglera inflammatoriska gener i lungvävnad från av en ozon-inducerad luftvägarna inflammation musmodell. Eftersom det har visats att cirkulerande könshormon nivåer kan påverka regleringen av lung medfödd immunitet hos honor, är syftet med denna metod att beskriva en inflammatorisk miRNA profilering protokollet hos honmöss, med hänsyn till östruscykel skede av varje djur vid tidpunkten för ozonexponering. Vi också ta tillämplig bioinformatik förhållningssätt till miRNA upptäckten och målet identifieringsmetoder använder limma, en R/Bioconductor programvara, och funktionell analysprogramvara att förstå biologiska sammanhang och vägar i samband med differentiell miRNA uttryck.

Introduction

mikroRNA (Mirna) är kort (19 till 25 nukleotider), naturligt förekommande, icke-kodande RNA-molekyler. Sekvenser av MicroRNA är evolutionärt bevarade mellan arter, tyder på vikten av MicroRNA reglera fysiologiska funktioner1. mikroRNA uttryck profilering har visat sig vara till hjälp för att identifiera MicroRNA som är viktiga i regleringen av olika processer, inklusive immunförsvaret, celldifferentiering, utvecklingsprocesser och apoptos2. Mer nyligen, MicroRNA erkänts för deras potentiella användning i sjukdom diagnostik och therapeutics. För forskare som studerar mekanismer för genreglering, kan mäta miRNA uttryck upplysa system-nivå modeller av tillsynsprocesser, särskilt när miRNA information kopplas till mRNA profilering och andra genomet-skala data3. Däremot, MicroRNA har också visat sig vara stabilare än mRNA i en rad olika provtyper och är också mätbara med större känslighet än proteiner4. Detta har lett till betydande intresse i utvecklingen av MicroRNA som biomarkörer för olika molekylär diagnostik program, inklusive lungsjukdomar.

I lungan spelar MicroRNA viktiga roller i utvecklingsprocesser och underhåll av homeostas. Dessutom har deras avvikande uttryck associerats med utveckling och progression av olika lungsjukdomar5. Inflammatorisk lungsjukdom som orsakas av luftföroreningar har visat större stränghet och sämre prognos hos kvinnor, vilket indikerar att hormoner och östruscykel kan reglera lung medfödd immunitet och miRNA uttryck i reaktioner på olika miljöutmaningar 6. i detta protokoll, vi använder ozonexponering, som är en viktig del av luftföroreningar, för att framkalla en form av lunginflammation hos honmöss som uppstår i avsaknad av adaptiv immunitet. Med hjälp av ozon, vi förmå utvecklingen av hyperreaktivitet i luftvägarna som är associerad med luftvägarna epitelial cellskador och en ökning av neutrofiler och inflammatoriska mediatorer i proximala airways7. För närvarande finns det inte väl beskrivna protokoll att karakterisera och analysera MicroRNA över östruscykel i ozon-exponerade möss.

Nedan beskriver vi en enkel metod för att identifiera östruscykel stadier och miRNA uttryck i lungvävnad av kvinnliga möss som utsätts för ozon. Vi också ta effektiv bioinformatik metoder miRNA upptäckten och target identifiering, med betoning på beräkningsbiologi. Vi analyserar microarray data med hjälp av limma, en R/Bioconductor-programvara som erbjuder en integrerad lösning för att analysera data från gen uttryck experiment8. Analys av PCR-array data från limma har en fördel när det gäller makt över t-test baserat tillvägagångssätt när du använder litet antal matriser/prover för att jämföra uttryck. För att förstå biologiska samband med miRNA uttryck resultat, använde vi sedan programvaran funktionell analys. För att förstå de mekanismer som reglerar transkriptionell förändringar och att förutsäga sannolika utfall, kombinerar programvaran miRNA-uttryck datamängder och kunskap från litteraturen9. Detta är en fördel jämfört med programvara som titta bara för statistiska berikning i överlappande uppsättningar av microRNA.

Protocol

Alla metoderna som beskrivs här har godkänts av den institutionella djur vård och användning kommittén (IACUC) av Penn State University. 1. bedömning av östruscykel scenen Korrekt hindra en kvinna C57BL/6 mus (8 – 9 veckor gamla) använder en hand mus återhållsamhet tekniken som beskrivs i Machholz et al.10. Fyll sterila plast pipetten med 10 μL av ultrarent vatten. Införa spetsen av plast pipett i slidan. Försiktigt…

Representative Results

De olika celltyper som observerats i utstryk används för att identifiera musen östruscykel scenen (figur 1). Dessa identifieras av cellmorfologi. Under Proöstrus är cellerna nästan uteslutande kluster av runda, välformade kärnförsedda epitelceller (figur 1A). När musen är i brunst scenen, är cellerna cornified skivepitelcancer epitelceller, närvarande i tätt packade kluster (figur 1B). …

Discussion

MikroRNA profilering är en fördelaktig teknik för både sjukdomsdiagnos och mekanistiska forskning. I detta manuskript definierat vi ett protokoll för att utvärdera uttrycket av MicroRNA som förutspås reglerar inflammatoriska gener i lungorna av kvinnliga möss som utsätts för ozon i olika östruscykel stadier. Metoder för bestämning av östruscykel, såsom visuell identifieringsmetoden, har varit beskrivs16. Dock dessa förlitar sig på enstaka mätningar och därför är opålitliga. …

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Denna forskning stöds av bidrag från NIH K01HL133520 (PS) och K12HD055882 (PS). Författarna vill tacka Dr Joanna Floros för hjälpen med ozon exponering experiment.

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