Summary

Lunge microRNA profilering over the Estrous syklus i ozon-eksponerte mus

Published: January 07, 2019
doi:

Summary

Her vi beskriver en metode for å vurdere lunge uttrykk av miRNAs som er spådd for å regulere inflammatorisk gener bruker mus utsatt for ozon eller filtrert luft på ulike stadier av estrous syklusen.

Abstract

MicroRNA (miRNA) profilering blitt interesse forskerne arbeider i ulike forskningsområder av biologi og medisin. Aktuelle studier viser en lovende fremtid for å bruke miRNAs i diagnostikk og av lungesykdommer. Her definerer vi en protokoll for miRNA profilering for å måle den relative overfloden av en gruppe miRNAs spådd for å regulere inflammatorisk gener i lungevev fra et ozon-indusert airway betennelse mus modell. Fordi det har vist at sirkulerende sex hormonnivået kan påvirke regulering av lunge medfødt immunitet hos kvinner, er formålet med denne metoden å beskrive en inflammatorisk miRNA profilering protokollen i kvinnelige mus, hensyntatt estrous syklusen scenen av hvert dyr samtidig med ozon eksponering. Vi også ta gjeldende bioinformatikk tilnærminger til miRNA oppdagelse og målet identifikasjonsmetoder benytter limma, en R/Bioconductor programvare, og funksjonell analyseprogramvare å forstå biologisk sammenheng og veier knyttet differensial miRNA uttrykk.

Introduction

microRNAs (miRNAs) er kort (19 til 25 nukleotider), naturlig forekommende, ikke-koding RNA molekyler. Sekvenser av miRNAs er evolusjonære bevart over arter, tyder betydningen av miRNAs i å regulere fysiologiske funksjoner1. microRNA expression profilering har vist seg for å være nyttig for å identifisere miRNAs som er viktige i regulering av en rekke prosesser, inkludert immunforsvar, celledifferensiering, utviklingsprosesser og apoptose2. Nyligere har miRNAs blitt anerkjent for deres mulige bruk i sykdom diagnostikk og therapeutics. For forskere studere mekanismer av genet, kan måle miRNA uttrykk opplyse systemer nivå modeller av regulatoriske prosesser, spesielt når miRNA informasjonen flettes med mRNA profilering og andre genomet-skalaen data3. På den annen side, miRNAs har også vist seg å være mer stabilt enn mRNAs i en rekke prøven typer og er også målbar med større følsomhet enn proteiner4. Dette har ført til betydelig interesse for utvikling av miRNAs som biomarkers for ulike molekylær diagnostiske programmer, inkludert lungesykdommer.

I lungene spille miRNAs viktige roller i utviklingsprosesser og vedlikehold av homeostase. Videre har deres unormale uttrykk vært knyttet til utvikling og progresjon av ulike lungesykdommer5. Inflammatorisk lungesykdommer forårsaket av luftforurensning har vist større alvorlighetsgrad og dårligere prognose i kvinner, som indikerer at hormoner og estrous syklusen kan regulere lunge medfødt immunitet og miRNA uttrykk i reaksjoner på miljørelaterte utfordringer 6. i denne protokollen, bruker vi ozon eksponering, som er en viktig komponent av luftforurensning, for å indusere en form for lungebetennelse i kvinnelige mus som oppstår i fravær av adaptiv immunitet. Ved hjelp av ozon, er vi indusere utviklingen av luftveiene hyperresponsiveness som er tilknyttet airway epithelial celleskader og en økning i nøytrofile og inflammatoriske mediatorer i proksimale airways7. Foreløpig er det ikke godt beskrevet protokoller for å karakterisere og analysere miRNAs over estrous syklusen i ozon-eksponerte mus.

Nedenfor beskriver vi en enkel metode for å identifisere estrous syklus faser og miRNA uttrykk i lungevev av kvinnelige mus utsatt for ozon. Vi også ta effektive bioinformatikk tilnærminger til miRNA oppdagelsen og target identifikasjon, med vekt på beregningsorientert biologi. Vi analyserer microarray dataene med limma, en R/Bioconductor programvare som tilbyr en integrert løsning for å analysere data gen uttrykk eksperimenter8. Analyse av PCR matrisedata fra limma har en fordel i forhold til makt over t-test basert prosedyrer når bruk av matriser/prøver for å sammenligne uttrykk. For å forstå biologisk sammenheng med miRNA uttrykk resultater, brukt vi så funksjonell analyseprogramvare. For å forstå mekanismene regulere transcriptional endringer og forutse sannsynlig utfall, kombinerer programvaren miRNA uttrykk datasett og kunnskap fra litteratur9. Dette er en fordel når sammenlignet med programvare som bare se for statistiske berikelse i overlappende til sett med miRNAs.

Protocol

Alle metodene som er beskrevet her er godkjent av institusjonelle Animal Care og bruk Committee (IACUC) ved Penn State University. 1. vurdering av Estrous syklus scenen Skal holde en kvinnelig C57BL/6 mus (8 – 9 uker gamle) bruker én hånd musen tilbakeholdenhet teknikken beskrevet i Machholz et al.10. Fyll den sterile plastikk pipe med 10 μL ultra rent vann. Innføre spissen av plastikk pipe i skjeden. Forsiktig flush væsken…

Representative Results

De ulike celletyper i utstryk brukes til å identifisere musen estrous syklus scenen (figur 1). Disse identifiseres av celle morfologi. Under proestrus er cellene nesten utelukkende klynger av rund-formet, velformet kjerne epitelceller (figur 1A). Når musen er estrus, er cellene cornified plateepitel epitelceller, finnes i tettpakkede klynger (figur 1B). Under metestrus, cornified epitelceller og po…

Discussion

MicroRNA profilering er en fordelaktig teknikk for både sykdom diagnose og mekanistisk forskning. I dette manuskriptet definert vi en protokoll for å evaluere uttrykk for miRNAs som er spådd for å regulere inflammatorisk gener i lungene av kvinnelige mus utsatt for ozon i forskjellige estrous syklus faser. Metoder for fastsettelse av estrous syklusen, som visuelle oppdagelse metode, har vært beskrevet16. Men disse avhengige engangs målinger, og derfor er upålitelige. For å nøyaktig identi…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Denne forskningen ble støttet av tilskudd fra NIH K01HL133520 (PS) og K12HD055882 (PS). Forfatterne takker Dr. Joanna Floros for hjelp 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

Riferimenti

  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/it/58664?article_type=t

Play Video

Citazione di questo articolo
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