Annotation of Plant Gene-Funktion über Kombinierte Genomics, Metabolomik und Informatik
Summary
Kombination von Genomics, Co-Expression Gen-Analyse und die Identifizierung von Zielverbindungen über Stoffwechsel-Gen geben funktionellen Annotation.
Abstract
Angesichts der stetig wachsenden Anzahl von Pflanzenarten Modell, für das vollständige Genom-Sequenzen zur Verfügung und die Fülle der Bio-Ressourcen wie Knockout-Mutanten, wilde Beitritte und Fortgeschrittene Populationen gibt es eine steigende Belastung für die Gen-funktionellen Annotation. In diesem Protokoll Annotation von Pflanzen-Gen-Funktion mit kombinierten Co-Expression Genanalyse wird Metabolomik und Informatik zur Verfügung gestellt (Abbildung 1). Dieser Ansatz basiert auf der Theorie der Verwendung von Ziel-Genen bekannter Funktion, damit die Kennzeichnung von nicht-annotierte Gene wahrscheinlich in einem bestimmten Stoffwechsel-Prozess eingebunden werden, mit der Identifizierung von Zielverbindungen über Metabolomics basiert. Strategien freuen für die Anwendung dieser Informationen auf die Bevölkerung von beiden Forward-und Reverse Genetik Ansätze trotz keiner von ihnen erzeugten setzen sind mühelos. Nach Korollar Dieser Ansatz kann auch als ein Ansatz verwendet werden, um unbekannte Peaks für neue oder spezifische se charakterisierendäre Metaboliten in den Geweben begrenzt, Pflanzenart oder Stress-Behandlung, die derzeit die wichtigste Studie zum Verständnis der pflanzlichen Stoffwechsel.
Protocol
Discussion
Da Transcriptomics und Metabolomics-Technologien für mehrere Jahre verwendet worden, der Prozess der Datenintegration für Metabolomik unterstützt Gen Annotation beginnt in der Regel mit der Identifizierung eines neuen Peak entspricht einer unbekannten Metaboliten. Diese Tatsache führt zu der nächsten Stufe, die quantitative Varianz in Metabolit Gipfel oder die neuartige Kandidatengene als verantwortlich für ihre Biosynthese zu bewerten ist. Die Strategie in diesem Protokoll beschrieben, jedoch hat drei große Probleme i) Schwierigkeiten bei der Peak-Annotation, ii) Komplexität der Weg Vorhersage, iii) Auflösung von Gen-Informationen und die Qualität der Genexpressionsdaten. Um das erste Problem zu begegnen, sollte Gipfel Annotation mit Co-Elution von Standard-Verbindungen oder kombinatorische Ansatz unter Verwendung von Informationen aus MS n Analyse, Referenz-Extrakt, mutierte Analyse, Metabolit-Datenbank suchen und Literaturstudie (Abbildung 2, 12) durchgeführt werden. Für die sZWEITEN Problem kann nur durch Weg Vorhersage richtig Peak Annotation erreicht werden. Allerdings Metabolite Profiling von Gewebsspezifität auch Unterstützung Gipfel Annotation sein, denn mit den Metaboliten Anhäufung Genexpression von Genen korreliert werden sollte. Daher Kombinationsprofile verschiedener Gewebe und Wachstumsbedingungen kann hilfreich sein für dieses zweite Problem. Das dritte Problem bezüglich der Auflösung von Gen-Informationen hängt von den Fortschritten der Sequenzdaten. Bei der Modellpflanze ohne Abschluss der Genomsequenz, ist Co-Expression-Analyse mit orthologen Genen in anderen Modell Pflanzen nützlich. Detaillierte Ausrichtung Vergleich und Stammbaum-Analyse der Aminosäuresequenz unterstützen können, um Modell-Organismen auf andere Arten zu verbinden.
Dieses Protokoll eignet sich für alle Stoffwechsel. Am effektivsten ist es in der Analyse von Zwischen-und sekundären Stoffwechsel, die gut charakterisiert sind, dass die starken transkriptionellen controlle 1,5,11,16. In einigen Beispielen, die Co-Expression-Analyse gelang es, in Schwefel-Assimilation durchgeführt werden, Gene für die β-Oxidation, verzweigtkettige Aminosäure Abbau, Chlorophyll-Abbau und die Lysin-Katabolismus 3, Zellwand 10,7 Stoffwechsel und Licht Signalkaskade 14. Annotation von Genfunktion über kombinierte Genomik, Metabolomik und Informatik ist nicht nur für Biosynthesegencluster und direkter Regulator der Transkriptionsfaktor, sondern auch für das Verständnis physiologischer Vorgang und Response (siehe Beispiel Abbildung 3. 14).
Um diesen Ansatz von Modell-Anlagen zu entwickeln Kulturpflanzen, ist Stoffwechsel-Vergleich von über Pflanzenarten, leistungsfähigste Ansatz in einigen allgemeinen Stoffwechsel. Zum Beispiel, wenn dieselbe Verbindung in verschiedenen Pflanzenarten nachgewiesen wird, und einige orthologen Genen in diesen Pflanzenarten gefunden werden, können von Spezies Co-Expression-Analyse mit orthologen Gene liefern strong Unterstützung für Ihre Vorhersage. Dieser Ansatz kann in Arabidopsis durchgeführt werden, Pappel, Medicago, neben wichtigen Kulturen wie Gerste, Reis, Weizen und Soja, durch Co-Expressions-Analyse von Pflanzenarten (6, PlaNet: http://aranet.mpimp-golm.mpg . de / ,, 9, COP: http://webs2.kazusa.or.jp/kagiana/cop0911/ ; sehen Sie ein Beispiel, 15).
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Wir danken Prof. Kazuki Saito in Riken PSC und Dr. Björn Usadel in MPIMP für hilfreiche Diskussionen. TT wird durch ein Stipendium der Alexander von Humboldt-Stiftung unterstützt.
Materials
| Name of the reagent | Company | Catalogue number |
| Distilled water ULC/MS grad | BIOSOLVE | 23214102 |
| Acetonitrile (ACN) ULC/MS grade | BIOSOLVE | 01204102 |
| Methanol (MeOH) ULC/MS grade | BIOSOLVE | 13684102 |
| Formic acid (HCOOH) ULC/MS grade for liquid chromatography | BIOSOLVE | 06914131 |
| Standard compounds | EXTRASYNTHESE | |
| Linear ion trap (IT) ESI-MS system FINNIGAN-LTQ | Thermo Finnigan | |
| HPLC system Surveyor | Thermo Finnigan | |
| Analytical column Luna C18(2), 2.0 mm diameter, 150 mm length, 100 Å pore size and spherical particles of 3 mm | Phenomenex | 00F-4251-B0 |
| Xcalibur software | Thermo Finnigan |
Referencias
- Aharoni, A., Keizer, L. C. P., Bouwmeester, H. J., Sun, Z. K., Alvarez-Huerta, M., Verhoeven, H. A., Blaas, J., van Houwelingen, A., De Vos, R. C. H., van der Voet, H. SAAT gene involved in strawberry flavor biogenesis by use of DNA microarrays. Plant Cell. 12, 647-661 (2000).
- Akiyama, K., Chikayama, E., Yuasa, H., Shimada, Y., Tohge, T., Shinozaki, K., Hirai, M. Y., Sakurai, T., Kikuchi, J., Saito, K. PRIMe: a Web site that assembles tools for metabolomics and transcriptomics. In Silico Biol. 8, 339-345 (2008).
- Araujo, W. L., Ishizaki, K., Nunes-Nesi, A., Larson, T. R., Tohge, T., Krahnert, I., Witt, S., Obata, T., Schauer, N., Graham, I. A., Leaver, C. J., Fernie, A. R. Identification of the 2-Hydroxyglutarate and Isovaleryl-CoA Dehydrogenases as Alternative Electron Donors Linking Lysine Catabolism to the Electron Transport Chain of Arabidopsis Mitochondria. Plant Cell. 22, 1549-1563 (2010).
- De Vos, R. C. H., Moco, S., Lommen, A., Keurentjes, J. J. B., Bino, R. J., Hall, R. D. Untargeted large-scale plant metabolomics using liquid chromatography coupled to mass spectrometry. Nat. Protoc. 2, (2007).
- Hirai, M. Y., Sugiyama, K., Sawada, Y., Tohge, T., Obayashi, T., Suzuki, A., Araki, R., Sakurai, N., Suzuki, H., Aoki, K., Goda, H., Nishizawa, O. I., Shibata, D., Saito, K. Omics-based identification of Arabidopsis Myb transcription factors regulating aliphatic glucosinolate biosynthesis. Proceedings of the National Academy of Sciences of the United States of America. 104, 6478-6483 (2007).
- Mutwil, M., Klie, S., Tohge, T., Giorgi, F. M., Wilkins, O., Campbell, M. M., Fernie, A. R., Usadel, B., Nikoloski, Z., Persson, S. PlaNet: Combined Sequence and Expression Comparisons across Plant Networks Derived from Seven Species. Plant Cell. 23, 895-910 (2011).
- Mutwil, M., Ruprecht, C., Giorgi, F. M., Bringmann, M., Usadel, B., Persson, S. Transcriptional Wiring of Cell Wall-Related Genes in Arabidopsis. Molecular Plant. 2, 1015-1024 (2009).
- Obayashi, T., Kinoshita, K., Nakai, K., Shibaoka, M., Hayashi, S., Saeki, M., Shibata, D., Saito, K., Ohta, H. ATTED-II: a database of co-expressed genes and cis elements for identifying co-regulated gene groups in Arabidopsis. Nucleic Acids Research. 35, D863-D869 (2007).
- Ogata, Y., Suzuki, H., Sakurai, N., Shibata, D. CoP: a database for characterizing co-expressed gene modules with biological information in plants. Bioinformatics. 26, 1267-1268 (2010).
- Persson, S., Wei, H. R., Milne, J., Page, G. P., Somerville, C. R. Identification of genes required for cellulose synthesis by regression analysis of public microarray data sets. Proceedings of the National Academy of Sciences of the United States of America. 102, 8633-8638 (2005).
- Tohge, T., Yonekura-Sakakibara, K., Niida, R., Watanabe-Takahashi, A., Saito, K. Phytochemical genomics in Arabidopsis thaliana: A case study for functional identification of flavonoid biosynthesis genes. Pure and Applied Chemistry. 79, 811-823 (2007).
- Tohge, T., Fernie, A. R. Web-based resources for mass-spectrometry-based metabolomics: A user’s guide. Phytochemistry. 70, 450-456 (2009).
- Tohge, T., Fernie, A. R. Combining genetic diversity, informatics and metabolomics to facilitate annotation of plant gene function. Nature Protocols. 5, 1210-1227 (2010).
- Tohge, T., Kusano, M., Fukushima, A., Saito, K., Fernie, A. R. Transcriptional and metabolic programs following exposure of plants to UV-B irradiation. Plant Signal Behav. 6, (2011).
- Tohge, T., Ramos, M. S., Nunes-Nesi, A., Mutwil, M., Giavalisco, P., Steinhauser, D., Schellenberg, M., Willmitzer, L., Persson, S., Martinoia, E., Fernie, A. R. Towards the storage metabolome: profiling the barley vacuole. Plant Physiol. , (2011).
- Yonekura-Sakakibara, K., Tohge, T., Matsuda, F., Nakabayashi, R., Takayama, H., Niida, R., Watanabe-Takahashi, A., Inoue, E., Saito, K. Comprehensive flavonol profiling and transcriptome coexpression analysis leading to decoding gene-metabolite correlations in Arabidopsis. Plant Cell. 20, 2160-2176 (2008).
