تعيين رفتار تعاملی DNA تیموس گوساله با بربرين هیدروکلريد در حضور هيستون پیونددهنده : يک مطالعه بيوفيزيکی

Determining the interaction behavior of calf thymus DNA with berberine hydrochloride in the presence of linker histone: a biophysical study

Abstract

The binding of small molecules with histone-DNA complexes can cause an interference in vital cellular processes such as cell division and the growth of cancerous cells that results in apoptosis. It is significant to study the interaction of small molecules with histone-DNA complex for the purpose of better understanding their mechanism of action, as well as designing novel and more effective drug compounds. The fluorescence quenching of ct-DNA upon interaction with Berberine has determined the binding of Berberine to ct-DNA with Ksv= 9.46 107 M1 . Ksv value of ct-DNA-Berberine in the presence of H1 has been observed to be 3.10 107 M1 , indicating that the H1 has caused a reduction in the binding affinity of Berberine to ct-DNA. In the competitive emission spectrum, ethidium bromide (EB) and acridine orange (AO) have been examined as intercalators through the addition of Berberine to ct-DNA complexes, which includes ctDNA-EB and ctDNA-AO. Although in the presence of histone H1 , we have observed signs of competition through the induced changes within the emission spectra, yet there has been apparently no competition between the ligands and probes. The viscosity results have confirmed the different behaviors of interaction between ctDNA and Berberine throughout the binary and ternary systems. We have figured out the IC50 and viability percent values at three different time durations of interaction between Berberine and MCF7 cell line. The molecular experiments have been completed by achieving the results of MTT assay, which have been confirmed to be in good agreement with molecular modeling studies.

1 Introduction

Cancer is acknowledged as the collapse of cellular regulation and uncontrolled cell division. DNA carries unique genetic information about all the living creatures and controls cellular regulations, which acts as the guiding agent for the biological procedures of cells that result in transcription replication and protein synthesis (Agarwal, Jangir, & Mehrotra, 2013; Anbazhagan & Renganathan, 2008; Arrondo, Muga, Castresana, & Goni, ~ 1993; Asadi, Safaei, Ranjbar, & Hasani, 2004). Cell DNA is known as the compact form of chromatin, and among the group of proteins called histones, which are involved in the formation of chromatin, histone H1 is labeled as their most important member. Hence, the DNA and histone–DNA complex have the potential of being utilized as therapeutic goals for designing anticancer drugs (Bazett-Jones, Cot ^ e, Landel, Peterson, & Workman, 1999).

Generally, there are three different ways that the anticancer drugs can interact with DNA including binding to DNA groove (groove binding interaction), the binding between two strands of DNA (intercalation interaction) and covalent binding. Drugs with intercalation interactions can eliminate the cancer cells by creating a binding between two DNA strands (Bera, Sahoo, Ghosh, & Dasgupta, 2008; Bi et al., 2006; Blake et al., 1999; Borchman, Yappert, & Herrell, 1991; Burton et al., 1978; Cao & He, 1998; Chen et al., 2005; Chi & Liu, 2011; Du et al., 2011; Sowrirajan, Yousuf, & Enoch, 2014). We have investigated the interaction of Berberine chloride with DNA and histone H1–DNA complex throughout this study. Berberine (C20H18NO4) is a chemical compound with the molar mass of 366.36122 g/mol (Figure 1) (Gallori et al., 2000; Gittelson & Walker, 1967; Guo, Yue, & Gao, 2011; Hossain & Kumar, 2009; Huang & Zou, 2006; Ivankin, Carson, Kinney, & Wanunu, 2013; Jordan & Wilson, 2004; Kashanian et al., 2008; Khare & Pande, 2012; Kumar, Naik, Girija, Sharath, & Pradeepa, 2012; Kypr & Vorlıckova, 2002; Lerman, 1961). It has been widely studied as an isokoinoline alkaloid that belongs to the Protobebrine structural class and contains a cholesterol-like construction. In accordance with the available data, Berberine is capable of various biological and clinical activities such as antimicrobial, anticancer, antiinflammatory and antioxidant effects (Li & Dong, 2009; Macquet & Butour, 1978; Nafisi, Saboury, Keramat, Neault, & Tajmir-Riahi, 2007; Neelam, Gokara, Sudhamalla, Amooru, & Subramanyam, 2010). This particular substance can induce apoptosis through NFKB pathway and inhibit cell proliferation, as well as prevent and cause a delay in the progress of angiogenesis (Oohara & Wada, 1987). In addition, Jin et al. have studied the outcomes of Berberine on SKOV3 cancer cell line and reported that it has shown antitumor effects (Jin, Zhang, & Li, 2015). Berberine is also carried out to inhibit cancer cell proliferation by reducing the expression of BCL2 anti-apoptotic genes and increasing the expression of proapoptotic genes. Moreover, this interesting substance can induce apoptosis in the MCF-7 breast cancer cell line by causing a decrease in the expression of BCL2 and increasing the expression of CytC genes. Berberine has been widely studied and proven to contain antioxidant, antibacterial, antiTB and antitumor properties (Tang et al., 2009).

In this research, we have performed investigations on the type of interaction between Berberine chloride with DNA and histone H1–DNA complex throughout a variety of methods including fluorescence spectroscopy, absorption spectroscopy, resonance light scattering, circular dichroism (CD), melting temperature measurement, viscosity measurements, molecular modeling and 3-(4,5-cimethylthiazol-2-yl)-2,5- diphenyl tetrazolium bromide (MTT) assay

یادگیری عمیق و کاربرد های آن در زیست پزشکی

Deep Learning and Its Applications in Biomedicine

چکیده
مقدمه
توسعه ی ANN ها
توسعه ی یادگیری عمیق
توصیفی خلاصه در رابطه با یادگیری عمیق
مفاهیم اولیه
توابع فعال سازی
هدف بهینه سازی
تابع ضرر
روش های بهینه سازی
معماری یادگیری عمیق
AEها
RBM ها و DBN ها
شبکه های عصبی پیچشی ( کانولوشن)
شبکه های عصبی بازگشتی
کاربرد های این روش در زیست پزشکی
طبقه بندی تصویر های پزشکی و بخش بندی آن ها

چکیده

پیشرفت های انتزاعی در زیست و تکنولوژی های زیستی، حجم بسیار زیادی از داده های زیستی و فیزیولوژیک را ایجاد کرده است، از جمله تصویر های پزشکی، الکتروانسفالوگرافی، نقشه های ژنوم و توالی های پروتئینی. یادگیری با استفاده از این داده ها منجر به تسهیل درک ما نسبت به سلامت و بیماری های انسان می شود. الگوریتم های مبتنی بر یادگیری عمیق که از شبکه های عصبی مصنوعی توسعه پیدا کرده اند، توانایی بالایی برای استخراج کردن ویژگی و الگوهای یادگیری از داده های پیچیده را از خودشان نشان داده اند. هدف این مقاله فراهم کردن مروری بر روی تکنیک های یادگیری عمیق و بعضی از جدید ترین کاربرد های آن ها در زمینه ی پزشکی می باشد. ما نخست توسعه ی شبکه های عصبی و یادگیری عمیق را ارائه می کنیم. سپس دو بخش اصلی از یادگیری عمیق، یعنی معماری یادگیری عمیق و بهینه سازی مدل را ارائه می کنیم. در نهایت بعضی از نمونه های کاربردی روش یادگیری عمیق ارائه می گردد ، از جمله طبقه بندی تصاویر پزشکی، تحلیل توالی ها، و همچنین طبقه بندی و پیش بینی کردن ساختار پروتئین ها. در نهایت، ما دیدگاه خودمان را در رابطه با جهت آتی در زمینه ی یادگیری عمیق را ارائه می کنیم.
مقدمه
یادگیری عمیق یکی از روش های جدید با رشد سریع در زمینه ی یادگیری ماشین می باشد. در این روش تلاش می شود تا استخراج ویژگی ها و اطلاعات مفید از داده هایی با مقیاس بزرگ، با استفاده از شبکه های عصبی عمیق چند لایه ای (DNN ها) ، استخراج شود تا بتوان از داده هایی مانند تصاویر، صداها و متن ها، اطلاعات مفید به دست آورد [1]. یادگیری عمیق به صورت عمومی دارای دو ویژگی می باشد : 1)لایه های چندگانه از واحد های پردازش غیر خطی و 2) یادگیری با سرپرست یا بدون سرپرست از نمایه ی ویژگی ها در هر لایه [1].قالب کاری اولیه برای یادگیری عمیق بر اساس شبکه های عصبی مصنوعی (ANN ها) در دهه ی 1980 ایجاد شد [2] ، در حالی که تاثیر واقعی این روش های یادگیری عمیق در سال 2006 نمایان شد [3و4]. از آن زمان تا کنون، یادگیری عمیق در گستره ی زمینه های مختلف، شامل شناسایی خودکار گفتار، شناسایی تصویر، پردازش طبیعی زبان، شناسایی دارو و انفورماتیک زیستی مورد استفاده قرار گرفته است [5-7].
در دهه های اخیر، رشد گسترده ای در زمینه ی داده های پزشکی مانند توالی های ژنی، ساختار پروتئین ها، و تصویر های پزشکی ایجاد شده است که به دلیل پیشرفت در تکنولوژی هایی با کارایی بالا بوده است. این طوفان گسترده از داده های بزرگ زیستی، منجر به الزام استفاده از ابزار محاسباتی موثر و کارآمد شده است تا بتوانیم این چنین داده هایی را ذخیره سازی، تحلیل و تفسیر کنیم. قالب های کاری یادگیری عمیق ، مسائل جدیدی را نمایان کرده اند. هدف این مقاله فراهم کردن یک مرور در رابطه با یادگیری عمیق و بعضی از جدید ترین کاربرد های یادگیری عمیق در زمینه ی پزشکی و انفورماتیک زیستی می باشد.ما امید داریم که این مقاله بتواند برای خوانندگان ، مروری مناسب در رابطه با یادگیری عمیق ایجاد کرده و کاربرد های آن برای تحلیل داده های زیستی را نمایان کند.
طبقه بندی تصویر های پزشکی و بخش بندی آن ها
یادگیری ماشینی برای تصویر های پزشکی ، یک ابزار قوی در تشخیص و یا ارزیابی بیماری ها بوده است. معمولا، ویزگی های متمایز اشاره به تفسیر تصویر های پزشکی دارد که معمولا پیش از این، به صورت دستی توسط انسان ها برای طبقه بندی ( شناسایی کردن آسیب ها یا حالت های غیر عادی) و یا بخش بندی منطقه های مد نظر ( بافت ها و ارگان ها) در زمینه های پزشکی مختلف، مورد استفاده قرار می گرفته است. این روند نیازمند مشارکت متخصص ها و پزشکان می باشد. در هر صورت، پیچدگی و ابهام تصویر های پزشکی، دانش محدود برای تفسیر تصاویر پزشکی و الزام مقادیر داده های تفسیری مانع استفاده ی گسترده از یادگیری ماشینی در دامنه ی تصویر های پزشکی شده است. اما باید به این نکته اشاره کرد که روش های یادگیری عمیق ، موفقیت زیادی در انواع وظایف بصری کامپیوتری مانند شناسایی اشیا، مشخص کردن مکان آن ها و یا بخش بندی تصویر های طبیعی به دست آورده است. این موارد ، باعث شده که این روش ها از نظر تفسیر تصویر های پزشکی نیز امید بخش باشند.

Abstract

Advances in biological and medical technologies have been providing us explosive volumes of biological and physiological data, such as medical images, electroencephalography, genomic and protein sequences. Learning from these data facilitates the understanding of human health and disease. Developed from artificial neural networks, deep learning-based algorithms show great promise in extracting features and learning patterns from complex data. The aim of this paper is to provide an overview of deep learning techniques and some of the state-of-the-art applications in the biomedical field. We first introduce the development of artificial neural network and deep learning. We then describe two main components of deep learning, i.e., deep learning architectures and model optimization. Subsequently, some examples are demonstrated for deep learning applications, including medical image classification, genomic sequence analysis, as well as protein structure classification and prediction. Finally, we offer our perspectives for the future directions in the field of deep learning.

Introduction

Deep learning is a recent and fast-growing field of machine learning. It attempts to model abstraction from large-scale data by employing multi-layered deep neural networks (DNNs), thus making sense of data such as images, sounds, and texts [1]. Deep learning in general has two properties: (1) multiple layers of nonlinear processing units, and (2) supervised or unsupervised learning of feature presentations on each layer [1]. The early framework for deep learning was built on artificial neural networks (ANNs) in the 1980s [2], while the real impact of deep learning became apparent in 2006 [3,4]. Since then, deep learning has been applied to a wide range of fields, including automatic speech recognition, image recognition, natural language processing, drug discovery, and bioinformatics [5–7]. The past decades have witnessed a massive growth in biomedical data, such as genomic sequences, protein structures, and medical images, due to the advances of highthroughput technologies. This deluge of biomedical big data necessitates effective and efficient computational tools to store, analyze, and interpret such data [5,8]. Deep learning-based algorithmic frameworks shed light on these challenging problems. The aim of this paper is to provide the bioinformatics and biomedical informatics community an overview of deep learning techniques and some of the state-of-the-art applications of deep learning in the biomedical field. We hope this paper will provide readers an overview of deep learning, and how it can be used for analyzing biomedical data.

Medical image classification and segmentation

Machine learning for medical images has long been a powerful tool in the diagnosis or assessment of diseases. Traditionally, discriminative features referring to medical image interpretation are manually designed for classification (detection of lesions or abnormalities) and segmentation of regions of interest (tissues and organs) in different medical applications. This requires the participation of physicians with expertise. Nonetheless, the complexity and ambiguity of medical images, limited knowledge for medical image interpretation, and the requirement of large amounts of annotated data have hindered the wide use of machine learning in the medical image domain. Notably, deep learning methods have attained success in a variety of computer vision tasks such as object recognition, localization, and segmentation in natural images. These have soon brought about an active field of machine learning in medical image analysis.

خانواده ژن Aux/IAA در گیاهان: ساختار مولکولی، تنظیم و عملکرد

Aux/IAA Gene Family in Plants: Molecular Structure, Regulation, and Function

چکیده
1-مقدمه
2- شناسایی، تکثیر ژن، و ساختار مولکولی پروتئین Aux / IAA در گیاهان
3- برهمکنش پروتئین Aux / IAA در گیاهان
4- پروتئین Aux / IAA ممکن است در سطوح مختلف تنظیم شود
5- نقشهای عملکردی ژنهای Aux / IAA در طی روند رشد و رشد گیاهان
6-نتیجه گیری ومطالعات اینده

چکیده
 اکسین نقش مهمی در پاسخ های سلولی و رشدی گیاهان در طول عمر خود ایفا می کند. گیاهان سریعا قادر به پاسخ به تغییرات در سطوح اکسین هستند و این پاسخ ها شامل چندین دسته اصلی از ژن های حساس به اکسین از جمله اکسین / اندول -3 اسیدهای اسید (AUX / IAA)، خانواده فاکتور پاسخ اکسین، RNA اکسین کوچک تنظیم نشده(SAUR) و خانواده حساس به اکسین Gretchen Hagen3(GH3) می باشند. پروتئین های Aux/IAA پروتئین های هسته ای کوتاه عمر می باشند که شامل چندین حوزه یا دامنه حفاظت شده هستند که توسط خانواده پاسخ ژن اولیه اکسین کد گذاری می شوند. این پروتئین ها دامنه های خاصی دارند که با ARF ها برهمکنش دارند و مانع از رونویسی ژن های فعال ARF ها می شوند. مطالعات مولکولی نشان داده است که اعضای خانواده Aux / IAA می توانند دیمر های متنوعی با ARF ها را برای تنظیم ژن ها به روش های مختلف تشکیل دهند. تجزیه و تحلیل عملکردی اعضای خانواده Aux / IAA نشان داده است که آنها نقش های مختلفی در توسعه گیاهان مانند رشد ریشه، رشد ساقه و رسیدن میوه دارند. در این بررسی، به تازگی کشف شده در مورد مشخصات مولکولی، مقررات، و پروتئین پروتئین برهمکنش پروتئین Aux / IAA مورد بحث قرار گرفته است. این جزئیات بینش جدیدی را در مورد مولکولی عملکرد Aux / IAA در پروسه های رشد گیاه فراهم می کند.
1- مقدمه
در گیاهان، بسیاری از فرایندهای تکاملی، از قبیل تشکیل بافت آوندی، ایجاد ریشه اتخاذ، پاسخهای تروپیستیک، غالبیت راسی، و رشد گل و میوه، به طور دقیق توسط اکسین تنظیم شده است. اکسین نیز بر فرآیندهای سلولی مانند تقسیم سلولی، بزرگ شدن و تمایز تأثیر می گذارد. [1-4]. تغییرات مکانی و مکانی دینامیکی در سطوح اکسین می تواند به طور دقیق و سریع به برنامه ریزی ژن منجر شود که نیازمند واکنش زودهنگام اکسین، مانند خانواده اکسین/ ایندول 3- استیک اسید(Aux / IAA)، فاکتور پاسخ اکسین (ARF) RNA (SAUR) کوچک شده با اکسین (SAUR)، آمینوسیکل پروپان 1-کربوکسیلیک اسید سنتاز (ACS)، گلوتاتیون S-ترانسفراز مانند GH2 / 4 و خانواده هژن 3 (GH3) [3، است. در میان این ژن ها، اعضای خانواده Aux / IAA به عنوان پروتئین های هسته ای کوتاه مدت شناخته شده اند که نقش مهمی در سرکوب سطوح بیان ژن های فعال ARF ها ایفا می کنند (7-8) همچنین نشان داده شده است که تنظیم رونویسی شده توسط اکسین منحصرا به عملکرد Aux / IAA وابسته است (9) پروتئین های Aux / IAA برای اتصال به ARF ها پیشنهاد شده اند و از عدم فعال شدن ژن های واکنش اکسین در غیاب اکسین جلوگیری می کنند. در سطوح بالای اکسین، این پروتئین ها می توانند با ارتباط با گیرنده های AUXIN (TIR1 / AFB) و سپس از طریق پروتئازوم 26S [10-12] تخریب شوند ARF های منتشر شده بیان عبارات ژن های واکنش اکسین را تنظیم می کنند (10)
ترکیبات مختلف پروتئینی TIR1 / AFB-AUX / IAA معمولا دارای وابستگی متفاوتی به اکسین هستند و سطوح اکسین در بافت های مختلف و فازهای رشد متفاوت است که منجر به اثرات متمایز کننده اکسین می شود (9،11،13،14) بنابراین، تغییر دینامیکی فضایی و زمانی در سطوح اکسین می تواند به صورت سیگنالینگ مجدد برنامه ریزی ژنی تبدیل شود، در نتیجه تنظیم فرآیندهای رشد و رشد گیاه به روش دقیق را به دنبال دارد.
در دو دهه گذشته جهش در ژنهای Aux / IAA در آرابیدوپسیز به شدت مورد مطالعه قرار گرفته است و این مطالعات نشان داده است که اعضای این خانواده در فرآیند رشد و رشد گیاهان متمایز هستند [15-18]. تا به امروز، 29 عضو خانواده Aux / IAA در آرابیدوپسیز جدا شده اند [18-20]. در همین حال، بسیاری از ژنهای نامزد که به طور بالقوه ثبات پروتئین Aux / IAA را تنظیم می کنند نیز شناسایی شده اند [21،22]. قابل توجه است که تعداد زیادی از اعضای خانواده Aux / IAA نیز در سایر گیاهان از جمله اکالیپتوس گرندیس، لاکوپرسیکون Solanum، Cucumis sativus، Populus trichocarpa، Zea mays و Oryza sativa [23-29] شناسایی شده است. به تازگی، از طریق روش ترکیبی از روش های فیزیولوژیکی، ژنتیکی، مولکولی و بیوشیمیایی، به طور فزاینده اطلاعات جدیدی در مورد مکانیسم های Aux / IAA در تنظیم ترشح سیگنال اکسین و تخریب اکسین به دست آمده است و این اطلاعات فرصت های ارزشمند برای روشن ساختن توسعه فرآیندهای تنظیم شده توسط سیگنالینگ اکسین در گیاهان. در این بررسی، پیشرفت های اخیر در نقش Aux / IAA در تنظیم رشد و پیشرفت گیاه، و همچنین بینش های جهانی و جدیدی در زمینه مکانیزم های مولکولی این فرآیند، ارائه شده است.

Abstract

Auxin plays a crucial role in the diverse cellular and developmental responses of plants across their lifespan. Plants can quickly sense and respond to changes in auxin levels, and these responses involve several major classes of auxin-responsive genes, including the Auxin/Indole-3-Acetic Acid (Aux/IAA) family, the auxin response factor (ARF) family, small auxin upregulated RNA (SAUR), and the auxin-responsive Gretchen Hagen3 (GH3) family. Aux/IAA proteins are short-lived nuclear proteins comprising several highly conserved domains that are encoded by the auxin early response gene family. These proteins have specific domains that interact with ARFs and inhibit the transcription of genes activated by ARFs. Molecular studies have revealed that Aux/IAA family members can form diverse dimers with ARFs to regulate genes in various ways. Functional analyses of Aux/IAA family members have indicated that they have various roles in plant development, such as root development, shoot growth, and fruit ripening. In this review, recently discovered details regarding the molecular characteristics, regulation, and protein–protein interactions of the Aux/IAA proteins are discussed. These details provide new insights into the molecular basis of the Aux/IAA protein functions in plant developmental processes.

1- Introduction

In plants, many developmental processes are finely tuned by auxin, such as vascular tissue formation, adventitious root initiation, tropistic responses, apical dominance, and flower and fruit development. Auxin also affects cellular processes, such as cell division, enlargement, and differentiation [1–4]. Dynamic spatial and temporal changes in auxin levels can trigger gene reprogramming precisely and rapidly, which requires auxin early response genes, such as the Auxin/Indole-3-Acetic Acid (Aux/IAA) family, the auxin response factor (ARF) family, small auxin upregulated RNA (SAUR), aminocyclopropane-1-carboxylic acid synthase (ACS), glutathione-S-transferase (GH2/4-like), and the auxin-responsive Gretchen Hagen3 (GH3) family [3,5,6]. Among these genes, Aux/IAA family members have been identified as short-lived nuclear proteins that play a crucial role in repressing the expression levels of genes activated by ARFs [7,8]. It has also been demonstrated that auxin-mediated transcriptional regulation is exclusively dependent on the functions of Aux/IAA [9]. Aux/IAA proteins have been suggested to bind with ARFs and prevent activation of auxin-responsive genes in the absence of auxin. At high auxin levels, these proteins can be ubiquitinated by interacting with TRANSPORT INHIBITOR RESPONSE 1/AUXIN SIGNALING F-BOX (TIR1/AFB) receptors and subsequently degraded via the 26S proteasome [10–12]. The released ARFs regulate the expression of auxin-responsive genes [10]. The different TIR1/AFB-Aux/IAA protein combinations usually have differential auxin-binding affinities, and the auxin levels are different in different tissues and developmental phases, which results in distinct auxin-sensing effects [9,11,13,14]. Thus, the spatial–temporal dynamic change in auxin levels can be finely transformed into gene reprogramming signaling, thereby regulating the processes of plant growth and development in a precise manner.

Over the past two decades, mutations in Aux/IAA genes have been intensely studied in Arabidopsis, and these studies have revealed that the members of this family display distinct functions in plant growth and development processes [15–18]. To date, 29 Aux/IAA gene family members in Arabidopsis have been isolated [18–20]. Meanwhile, many candidate genes that potentially regulate the stability of Aux/IAA proteins have also been identified [21,22]. It is noteworthy that a large number of Aux/IAA family members have also been identified in other plants, including Eucalyptus grandis, Solanum lycopersicon, Cucumis sativus, Populus trichocarpa, Zea mays, and Oryza sativa [23–29]. Recently, through the combined application of physiological, genetic, molecular, and biochemical methods, increasingly abundant new information regarding the mechanisms of Aux/IAA in regulating auxin signal transduction and auxin degradation has been obtained, and this information provides valuable opportunities to clarify the developmental processes fine-tuned by auxin signaling in plants. In this review, recent advances in the roles of Aux/IAA in regulating plant growth and development, as well as global and new insights into the underlying molecular mechanisms of these processes, will be presented..

خانواده ژن Aux/IAA در گیاهان: ساختار مولکولی، تنظیم و عملکرد

Aux/IAA Gene Family in Plants: Molecular Structure, Regulation, and Function

اثر افزودن مکمل فیتاز میکروبی روی جوجه های گوشتی تغذیه شده از رژیم غذایی فسفات دی کلسیم پایین

Effect of Supplementing Microbial Phytase on Broiler Chicks Fed Low Di-calcium Phosphate Diets

Abstract

For this study 195 day-old broiler chicks were randomly divided into three treatment groups with five replicates in each treatment group having 13 chicks per replicate per pen. Three iso-nitrogenous and iso-caloric rations were prepared as: R-I served as control with 0.83% di-calcium phosphate (DCP); R-II contained 50% less DCP (0.41%) than R-I and R-III contained R-II plus phytase Quantum® Blue @ 100 g/ton feed. Daily feed intake and weekly body weight gain per replicate were recorded for 35 days. On 35th day, blood and tibia bone samples from 5 birds per treatment were collected. Total weight gain and dry matter intake in chicks fed rations I, II and III were 1861, 1736 and 2023 gm/bird and 3242, 3284 and 3265 gm/bird, respectively. The chicks fed R-III got 16.00 and 8.00% higher weight gain compared to chicks fed R-II and R-I, respectively. Feed: gain ratio (gm/gm) was found best (P<0.05) in chicks fed R-III (1.61) and poorer in chicks on R-II (1.89). The concentration of Ca and P were 10.60, 9.47 and 11.43 mg/dL and 5.76, 4.91 and 7.11 mg/dL in blood serum and 32.61, 31.36 and 32.83% and 16.57, 15.92 and 16.60% in tibia bone of chicks fed rations I, II and III, respectively. The total feed cost per unit weight gain of broilers fed R-III diet was numerically 14% and 9% less than the broilers fed R-II and R-I, respectively. Results suggested that exogenous microbial phytase supplementation to rations having low DCP had positive effects on weight gain, feed: gain ratio and economic efficiency in broiler chicks. 

1 Introduction

After calcium (Ca) the second abundant mineral in animal body is phosphorus (P) and majority (80%) of the P is found in bones and teeth (NRC, 1994). The P is not only essential for bone development, growth, health, production and reproduction but it also aids in energy metabolism, synthesis of sugars and maintenance of acid-base balance in the body. However, the quantity and availability of dietary P is vital for growing animals. It is well established that phytate is the major source of P in plant based feedstuffs. Since birds are unable to produce any endogenous phytase, therefore their capability to utilize P from phytate is very limited (Woyengo et al., 2010).

Phytate is a ubiquitous component of plant sourced feed ingredients which encompasses approximately twothirds of total plant P (Hughes et al., 2009). In poultry, phytate P is normally utilized with availability from 0 to 50%, depending on age and metabolic adaptation in critical circumstances. Therefore, to meet the P requirement, generally expensive inorganic P sources are added to poultry diets. This practice leads to non-utilization of a large portion of dietary P from feedstuff and its excretion in faeces (Hughes et al., 2008; Woyengo et al., 2010) which ultimately pollutes environment. Recently, microbial phytase supplementation in poultry diets has got remarkable attention to reduce negative impact of phytate P on environment and performance of birds (Ceylan et al., 2003; Francesch and Geraert, 2009). Since phytase efficiency in the digestive tract is influenced by various factors like phytase origin, type of birds and ambient temperature etc. Therefore, each phytase preparation for poultry must be tested on broilers/layers to ensure its efficacy (Hughes et al., 2008; Onyango et al., 2005). Information regarding effect of microbial phytase addition in broiler chicks’ diet having low DCP is limited. Therefore, current study was designed to asses the effect of microbial phytase supplementation in broiler chicks fed low DCP diets on growth, economic efficiency and P contents in serum and tibia bones.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1891

داده‌های اسکنر میکروتوموگرافی از نمونه‌های ایمپلنت به تقلید 0/18 وارد تحقیق شد. (متریالیس ان‌وی، لووان، بلژیک). بعدها، با ایجاد تعریفی از محدوده هونسفیلد مختلف، از جمله ماسک ایمپلنت، بافت شاخ (از جمله استخوان کورتیک و استخوان تربوكولر) و مغز استخوان، سه ماسك ایجاد شد. پس از بازسازی، داده‌ها در 3 تحقیق ماتیک 0/10 (متریالیز ان‌وی، لووان، بلژیک) و سپس به مدل‌های عددی محدود (FE) با استفاده از عناصر چهار عاملی 4-گره تبدیل شدند. مدل‌های نهایی ایمپلنت بدون بارگذاری شامل532، 709؛ 1، 116، 651؛ 532، 709 عنصر در نمونه‌های آبی، نارنجی و قوام سیاه و سفید، به ترتیب (شکل 2). تجزیه و تحلیل FE سه بعدی با استفاده از بسته نرم افزاری MSC.Marc/Mentat 2010 (رتبه‌بندی، نرم افزار، سانتا آنا، سی‌ای، ایالات متحده آمریکا). انجام شد.
تمام مواد تصریح شده است که ایزوتروپیک و الاستیک خطی هستند. مدول یانگ بافت شاخ با استفاده از فرمول 20 محاسبه شد:

خواص مواد ایمپلنت (مواد ® روکستیل) و مغز استخوان که در این تجزیه و تحلیل مورد استفاده قرار گرفت، از فهرست (21) آمده است.
تماس اصطکاکی (ضریب اصطکاک ) بین بافت انبره و ایمپلنت برای مدل‌های IL تعریف شد. وضعیت استخوان‌سازی بین بافت شاخ شده و ایمپلنت برای مدل‌های غیربارگذاری (OS) شبیه سازی شد.
تمام مدل‌ها در تمام جهات در گره‌های جانبی و پایین بخش قهرمان محدود می‌شد. آنالوگ به رفتار بارگیری ایمپلنت در شاخ گوزن، نیروی عمودی 10 نیوتن، بر روی ایمپلنت اعمال شد. در مناطق حداکثر جابجایی، تنش‌ها و سويه‌ها، ده گره به صورت تصادفی انتخاب شدند و مقادیر آنها ثبت گردید. میانگین مقادیر ده گره به صورت میانگین ± انحراف معیار (SD) و مقايسه گرديد.

داده‌ها با استفاده از نرم افزار (شرکت آی‌بی‌ام، آرمونک، نیویورک، ایالات متحده آمریکا) مورد تجزیه و تحلیل قرار گرفتند. یک روش تحلیل واریانس با آزمون مقایسه SNK برای کشف تفاوت‌های جابجایی، استرس‌ها و سويه‌ها در نمونه‌های مختلف استخوان‌سازی استفاده شد. نمونه‌های مستقل از آزمون ‌ـ‌ تی برای تفاضل تفاوت‌های جابجایی، استرس‌ها و فشار بین دو نمونه IL استفاده شد. مقادیر بیومکانیک نمونه‌های OS و IL در یک حیوان با استفاده از آزمون دوتایی تی مقایسه شد. سطح معنی‌دار 05/0 انتخاب شد.
3. نتایج
1-3- تراکم استخوان و مدول یانگ از بافت شاخ
شاخ گوزن با آبی، نارنجی، زرد، قرمز و باند سیاه، به ترتیب، 2، 3، 4، 5، 6 هفته سریع بارگیری شد. همانطور که زمان بارگیری افزایش می‌یابد، تراکم استخوانی بافت شاخ شده در اطراف این گیاه به طور قابل توجهی افزایش می‌یابد. پس از ریختن شاخ، تراکم استخوان، بافت در نمونه‌هایی با ایمپلنت‌های استخوان‌ساز (آبی: و نارنجی: و سیاه ) و بدون ایمپلنت (آبی: و نارنجی: و سیاه ) در محدوده مشابهی قرار داشتند. برای شاخ نارنجی، تراکم استخوان، بافت اطراف ایمپلنت OS بالاتر از آن در طول ایمپلنت IL بود.
3- نتایج FE
تفاوت حداکثر جابجایی ایمپلنت در سه مدل OS قابل توجه بود (جدول 3). بالاترین و کمترین مقادیر در نمونه‌های سیستم عصبی با ریشه‌های آبی (9/0 میکرومتر) و مدل‌های برهنه نارنجی (5/0 میکرومتر) مشاهده شد. حداکثر جابجایی ایمپلنت در مدلIL به طور معنی‌داری بیشتر از مدل OS مدل زرد نارنجی بود . برعکس، در مدل‌های سیاه در مدل OS نسبت به مدل IL معنی‌دار بود . استحکام در ایمپلنت در مدل‌های OS به طور قابل توجهی متفاوت بود (جدول 4)، و توزیع در گردن ایمپلنت متمرکز بود. بالاترین مقدار تنش در ایمپلنت در مدل OS 2/1 مگاپاسکال مشاهده شد و توزیع گسترده‌تر در مدل برهنه نارنجی یافت شد (شکل 3). اختلاف معنی‌داری بین مدل‌های OS وجود نداشت . هر دو مدل برای مدل‌های شاخ نارنجی و سیاه، حداکثر تنش‌های ایمپلنت در مدل‌های IL به طور معنی‌داری بیشتر از مدل‌های OS بود . توزیع مدل‌های IL بیشتر از مدل‌های OS بود. ایمپلنت در مدل‌های IL به طور معنی‌داری بیشتر از مدل‌های OS بود . توزیع مدل‌های IL بیشتر از مدل‌های OS بود.
فشار در بافت شاخ از 4/2 مگاپاسکال (3 هفته بعد از IL) تا 5/6 مگاپاسکال (5 هفته بعد از IL) در مدل IL افزایش یافت. تنش در بافت شاخ در مدل‌های OS بطور قابل توجهی متفاوت بود و توزیع به طور مشابه در بافت شاخ گردن ایمپلنت متمرکز بود (جدول 5، شکل 4). برای مدل‌های OS، بالاترین و کمترین مقدار تنش در بافت شاخ (3/1 مگاپاسکال) و مدل شاخ (0/1 مگاپاسکال) مشاهده شد. در هر دو مدل شاخ نارنجی و سیاه، حداکثر تنش در بافت شاخ در مدل‌های IL به طور معنی‌داری بیشتر از مدل‌های OS بود . حداکثر فشار در بافت‌های سالم از 9879 مگا بایت تا 363 میکرواسترین در طول زمان بهبودی برای مدل‌های IL کاهش می‌یابد. در میان مدل‌های OS، بالاترین مقدار سوسپانسیون در بافت شاخ در مدل OS (1888 میکرواسترین) است، به دنبال آن نارنجی (686 میکرواسترین) و مدل OS (525 میکرواسترین) تشخیص داده شد. مدل آبی OS همچنین نشان داد که بیشترین توزیع سویه‌ها در بافت شاخ است. تفاوت بین آنها معنی‌دار بود . برای مدل‌های نارنجی، سویه‌های حداکثر در بافت شاخ در مدل‌های IL به طور معنی‌داری بیشتر از مدل‌های OS بود . در مقابل، نتایج متضاد در مدل‌های سیاه (جدول 6، شکل 6) به دست آمد.
4. بحث
مطالعات نشان داد که بارگذاری ایمپلنت می‌تواند بلافاصله یا فوری پس از وارد شدن بدون اختلال در فرایند تکثیر زیست‌شناختی و همچنین برای تشکیل استخوان پری‌ایمپلنت سودمند باشد [23]. پاسخ مطلوب استخوان به ایمپلنت‌های بلافاصله یا فوری بارگذاری شده نه تنها با ثبات اولیه ایمپلنت و ویژگی‌های استخوان میزبان، بلکه با پارامترهای بارگذاری فردی و انتقال بار بهینه از طریق طراحی ایمپلنت مناسب و ویژگی‌های سطح تعیین می‌شود. ]24 و 25[. با هدف پیروی از ایمپلنت‌های IL، با توجه به رفتار مکانیکی استخوان تحت شرایط بارگذاری، از طریق مطالعات عددی و تجربی مناسب که برای بهینه‌سازی پایداری اولیه ایمپلنت‌ها می‌باشد و بخاطر موفقیت طولانی مدت آنها باید این دانش به‌کار گرفته شود.

شکل 4 توزیع فشار در بافت شاخ برای مدل IL و مدل OS. نارنجی IL (3-w): مدل شاخ نارنجی با ایمپلنت بلافاصله بارگذاری شده برای 3 هفته؛ LL (6-w): مدل شاخ سیاه با ایمپلنت بلافاصله بارگذاری شده برای 6 هفته؛ OS آبی: مدل شاخ با ایمپلنت بدون بارگذاری. نارنجی OS: مدل شاخ نارنجی با ایمپلنت بارگیری نشده سیستم OS سیاه و سفید: مدل شاخ سیاه با ایمپلنت بدون بارگذاری.

شکل 5 توزیع در بافت شاخ را برای مدل‌های IL و مدل OS تثبیت می‌کند. نارنجی IL (3-w): مدل شاخ نارنجی با ایمپلنت بلافاصله بارگذاری شده برای 3 هفته؛ LL (6-w): مدل شاخ سیاه با ایمپلنت بلافاصله بارگذاری شده برای 6 هفته؛ OS آبی: مدل شاخ با ایمپلنت بدون بارگذاری. نارنجی OS: مدل شاخ نارنجی با ایمپلنت بارگیری نشده OS سیاه و سفید: مدل شاخ سیاه با ایمپلنت بدون بارگذاری.

شکل 6 توزیع‌های سویه در بافت شاخ برای مدل‌های IL و مدل OS. نارنجی IL (3-w): مدل شاخ نارنجی با ایمپلنت بلافاصله بارگذاری شده برای 3 هفته؛ LL (6-w): مدل شاخ سیاه با ایمپلنت بلافاصله بارگذاری شده برای 6 هفته؛ OS آبی: مدل شاخ با ایمپلنت بدون بارگذاری. نارنجی OS: مدل شاخ نارنجی با ایمپلنت بارگیری نشده OS سیاه و سفید: مدل شاخ سیاه با ایمپلنت بدون بارگذاری.

در این مطالعه، بارگذاری کنترل شده بلافاصله بر روی ایمپلنت‌های وارد شده به شاخ گوزن سیکا قرار گرفت. در همان زمان، ایمپلنت بدون بارگذاری نیز به عنوان یک گروه کنترل مورد بررسی قرار گرفت. نتایج نشان داد که سنجش تراکم استخوان و مدول یانگ از بافت شاخ در اطراف ایمپلنت IL به طور قابل توجهی از زمان بارگیری افزایش یافته است. این بدان علت است که IL به خوبی کنترل می‌شود و استخوان‌سازی بافت را در استخوان پروتز ایمپلنت شتاب می‌دهد [5]. پس از ریختن شاخ، سنجش تراکم استخوان و مدول یانگ بافت باقی‌مانده در تمام نمونه‌ها، از جمله نمونه‌هایی با ایمپلنت و نمونه‌هایی بدون ایمپلنت، باقی می‌مانند. این مقادیر با نتایج مطالعه چِن و همکاران مطابقت داشت. [26] که کشف کرد که تراکم استخوان شاخ گوزن و و کل تراکم استخوان ریشه دندان بود. علاوه بر این، نتایج نشان داد که گیاهان وارد شده به شاخ گوزن ممکن است روند رشد و استخوانی شدن شاخ را مختل نکنند.
علاوه بر این، یک نتیجه بسیار جالب وجود داشت که در شاخ‌های سیاه، سنجش تراکم استخوان بافت اطراف ایمپلنت IL بسیار بالاتر از آن بود که در اطراف ایمپلنت OS بود. این نشان می‌دهد که تراکم بافت شاخ در اطراف گیاه وارد شده به شاخ در طول دوره بارگیری افزایش می‌یابد. با این وجود تراکم ممکن است بعد از کامل شدن ایمپلنت ادغامی، کاهش یابد، همانطور که در مطالعات قبلی نشان داده شده است [27، 28].
با مطالعات موجود و مربوط به تغییرات در تراکم استخوان در اطراف ایمپلنت‌های IL، به دلیل انتخاب نمونه‌های مختلف، روش‌های اندازه‌گیری و زمان‌های مشاهده شده نتایج مختلفی به دست می‌آید. لاهوری و همکاران [29] به صورت اورژانسی تغییرات در کیفیت استخوان پری‌ایمپلنت را برای پروتزهای متصل به ایمپلنت فک پایین با پیوست‌های توپ را با استفاده از پروتکل‌های بارگیری سریع و تأخیری ارزیابی کردند. آنها نتیجه گرفتند که تراکم استخوان به طور معنی‌داری برای هر دو گروه در هر فواصل زمانی (3، 6، 12 ماه) افزایش یافته و تراکم استخوان در گروه بارگیری تأخیری، بالاتر از مقادیر گروه بارگذاری فوری است. با این حال، حسن و همکاران [30] تغییرات در تراکم استخوان 20 ایمپلنت بلافاصله بارگذاری شده را با اندازه‌گیری مقادیر خاکستری توموگرافی پرتو مخروطی (CBCT) در دوره‌های مختلف پس از وارد کردن ایمپلنت و کاهش دادن مقادیر خاکستری نسبت به مقادیر مرجع پس از یک و شش ماه از وارد کردن ایمپلنت را در مناطق اپیکال، میانه و ناحیه گردن بررسی کردند.

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
مقدمه
فیزیولوژی شیردهی
تولید شیر
گالاکتاگوگ ها
متوکلوپرآمید
دومپریدون
داروهای تکمیلی
توقف شیردهی
نتیجه گیری

بخشی از ترجمه فارسی مقاله:

مقدمه
شیر پستان یک سیال غذایی پیچیده می باشد که حاوی آنتی بادی ها، آنزیم ها مواد مغذی و هورمون ها می باشد. تغذیه با شیر مزایای زیادی برای کودکان دارد مانند عفونت کمتر، افزایش هوش، حفاظت احتمالی در برابر افزایش وزن و دیابت و برای مادران مزیت پیش گیری از سرطان دارد. 1 سازمان بهداشت جهانی به مادران توصیه می کند که تا شش ماه پس از وضع حمل به کودک خود شیر دهند. تغذیه با شیر مادر توسط بسیاری از فاکتورهای روانی و فیزیولوژیک پیچیده تحت تاثیر قرار می گیرد. اگرچه بیشتر زنان تمایل به شیردهی دارند، اما برخی اینگونه نیستند. در کشورهای با درآمد بالا مانند استرالیا، دوره ی شیردهی کوتاهتر از کشورهای با درآمد پایین و متوسط می باشد. یک موسسه ی استرالیایی بررسی سلامت و رفاه در سال 2011، تخمین زده است که فقط 56% از کودکان کوچکتر از 6 ماه با شیر تغذیه شده بودند و تا 12 ماه، این عدد به 30% کاهش یافته بود. اگرچه شیردهی باید تشویق شود، اما به حق زنان برای اینکه نخواهند شیر بدهند باید احترام گذاشت. با درک دلایل تصمیم گیری آن ها، استراتژی هایی می تواند برای حمایت از انتخاب آن ها ارائه شود.
فیزیولوژی شیردهی
تولید شیر بین 10 تا 22 هفته ی بارداری آغاز می شود. در عرض 48 ساعت بعداز زایمان، مادران یک مقدار کمی از شیر را تولید می کنند اساسا شیرماک (شیر آغوز). به هرحال، تا زمانی که پروژسترون سرم به مقدار کافی کاهش پیدا کند، تا 4 روز بعداز زایمان، تولید شیر فراوان تر می شود. اگر کودک نارس باشد، لاکتوژنز ممکن است به تاخیر بیافتد.
تولید شیر توسط یک فعل و انفعال پیچیده بین هورمون ها و نوروترنسمیترها کنترل می شود. پرولاکتین توسط هیپوفیز قدامی در پاسخ به تحریک نوک پستان ترشح می شود. رهاسازی آن توسط دوپامین از هیپوتالاموس مهار می شود. در عرض یک ماه بعداز زایمان، پرولاکتین پایه به سطح پیش از بارداری در مادران غیر شیرده برمی گردد. آن در مادران شیرده، بالا باقی می ماند به همراه پیک هایی که در پاسخ به مکیدن کودک به وجود می آیند. داروهایی که روی دوپامین عمل می کنند می توانند شیردهی را تحت تاثیر قرار دهند. در پاسخ به شیردهی، اکسی توسین از هیپوفیز خلفی رها می شود تا پستان را قادر به رها کردن شیر کند. اگر مادر تحت تنش یا درد باشد، رهاسازی اکسی توسین توسط کاتکولامین های تولید شده مهار می شود.
مهارکننده ی فیدبک لاکتاتین یک پپتید دیده شده در شیر پستان می باشد. اگر شیر حذف نشود، مهارکننده تولید شیر را متوقف خواهد کرد. زمانی که کودک نمی تواند مک بزند، بیان شیر مهارکننده را حذف خواهد کرد و تولید بیشتر را تشویق می کند.

بخشی از مقاله انگلیسی:

Introduction

Breast milk is a complex, living nutritional fluid that contains antibodies, enzymes, nutrients and hormones. Breastfeeding has many benefits for babies such as fewer infections, increased intelligence, probable protection against overweight and diabetes and, for mothers, cancer prevention.1 The World Health Organization recommends mothers breastfeed exclusively for six months postpartum. Breastfeeding is influenced by many complex physiological and psychosocial factors. While most women have a desire to breastfeed, some do not. In high-income countries such as Australia the duration of breastfeeding is shorter than in lowand middle-income countries. A 2011 Australian Institute of Health and Welfare survey estimated that only 56% of infants younger than six months were exclusively breastfed, and by 12 months this dropped to 30%. While breastfeeding should be encouraged, a woman’s right to choose not to breastfeed should be respected. By understanding the reasons for their decision, strategies can be offered to support their choice.

Physiology of lactation

Milk production begins between 10 and 22 weeks gestation. Within 48 hours of delivery, the mother produces a small amount of milk, mainly colostrum. However, it is not until serum progesterone decreases sufficiently, up to four days postpartum, that milk supply becomes more plentiful. Lactogenesis may be delayed if the baby is premature. Milk production is controlled by a complex interplay of hormones and neurotransmitters. Prolactin is secreted by the anterior pituitary in response to nipple stimulation. Its release is inhibited by dopamine from the hypothalamus. Within a month of delivery, basal prolactin returns to pre-pregnant levels in nonbreastfeeding mothers. It remains elevated in nursing mothers, with peaks in response to infant suckling. Drugs that act on dopamine can affect lactation. In response to suckling, oxytocin is released from the posterior pituitary to enable the breast to let down milk. Oxytocin release is inhibited by catecholamines produced if the mother is stressed or experiencing pain. The feedback inhibitor of lactation is a peptide found in breast milk. If the milk is not removed, the inhibitor will stop milk production. When the baby cannot suckle, expressing the milk will remove the inhibitor and encourage more production.

تولید پروتئین دگرسان در زیست لایه های اشرشیا کولی: یک فرم متداول کشت چگالی سلول بالا

Heterologous protein production in Escherichia coli biofilms: A non-conventional form of high cell density cultivation

چکیده
1-مقدمه
2-منابع و روشها
2-1 صفت موروثی باکتریایی، پلاسمیدها و شرایط کشت
2-2 سیستم تشکیل زیست لایه و نمونه برداری
2-3 روشهای تحلیلی
2-4 بیان پروتئین دگرسان
2-6 تحلیل آماری
3- نتایج
4- بحث
5- نتیجه گیری

چکیده

اشرشیا کولی، یکی از میزبانان مساعد برای تولید پروتئین دارای صفات ارثی جدید است و به صورت یک مدل عالی برای مطالعات زیست لایه شناخته میشود. کشتهای چگالی سلول بالای (HCDC) این باکتری، بازده های تولید حجمی جذابی را میسر میسازند و سلولهایی که در زیست لایه رشد می یابند در برخی چالشهای کشتهای پلانکتونی چگالی بالای سلول دخیل هستند.
این اثر، پتانسیل تولید سلولهای زیست لایه E.coli JM109 (DE3) را ارزیابی میکنند که یک پروتئین الگو را بیان میکنند، پروتئین فلوئورسان سبز ارتقا یافته (eGFP )، از یک پلاسمید دارای صفات ارثی متشکل جدید. یک صفت موروثی پرورش دهنده ی تیره ی پلاسمیدی یکسان اما دچار کمبود ژن eGFP برای ارزیابی اثر تولید پروتئین دگرسان بر تشکیل زیست لایه بکار رفت. نتایج نشان میدهد تولید eGFP از سلولهای زیست لایه در حدود 30 برابر بالاتر از حالت پلانکتونی بود. به علاوه، سلولهای بیان کننده ی eGFP ، تشکیل زیست لایه را در مقایسه با سلولهای کنترل ارتقا داده بودند. مقادیر تولید حجمی، دو برابر مقادیر قبلا گزارش شده با همان پروتئین بود و در طیف چیزی هستند که میتواند با HCDC در تولید پروتئینهای حلال بدست آید. گرچه چگالی بالای سلولی که بدست آمد از HCDC متداول پایین تر بود (0.5 برابر)، این سیستم نوین به مقادیر تولید خوبی دست یافت که احتمالا پس از بهینه سازی شرایط کشت، بهبود می یابند.
1- مقدمه
باکتری گیاهی گرم-منفی اشرشیا کولی، یک میزبان ارجح برای تولید پروتئینهای دارای صفات ارثی متشکل جدید محسوب میگردد که به خاطر رشد سریع آن در چگالی های بالای سلولی، شرایط مورد نیاز غذایی ساده، ژنتیک کاملا شناخته شده و دسترسی به شمار زیادی از حاملهای تولید مثل غیر جنسی و صفات موروثی میزبان جهش یافته است. این باکتری گیاهی دارای توانایی انباشته کردن بسیاری از پروتئینهای دارای صفات ارثی متشکل به حداقل 20% از پروتئین سلولی کل میباشد و در پاره ای از موارد، آنها را از سیتوپلاسم به پریپلاسم منتقل میکند. کشت ای.کولی در پرورشهای چگالی بالای سلول (HCDC)، مزایای زیادی را ارائه میدهد همانند حجم کشت کاهش یافته، فراوری پایین دست ارتقا یافته و هزینه های تولید پایین تر. با وجود این مزایا، هنوز هم چالشهای زیادی وجود دارد که باید در HCDC مورد بررسی قرار گیرند و آنها عبارتند از انتقال اکسیژن ناکافی، شرایط لازم محیط کشت ویژه، بازده ترکیب کاهش یافته در راکتور، تجمع کربن دی اکسید که مقادیر رشد تولید استات بیشتر را کاهش میدهند. تولید پروتئین دارای صفات ارثی متشکل جدید توسط سلولهای زیست لایه در برخی از چالشهای HCDC متداول بویژه پخش مواد مغذی و اکسیژن از طریق زیست لایه و هم چنین در انباشتن تولیدات ضایعات سمی دخیل است.
بیان پروتئین دارای صفات ارثی متشکل جدید در زیست لایه های ای.کولی توسط هوآنگ و همکارانش پیشتاز شد که تولید بتا-گالاکتوسیداز را در E.coli DH5a حامل یک پلاسمید حاوی ترویج دهنده ی tac بررسی کرده اند. بعدها، اُکونل و همکارانش، نخستین سیستم برای تولید پروتئین دگرسان سطح بالا را در سلولهای زیست لایه ای.کولی با استفاده از یک حامل مبتنی بر pUC برای بیان پروتئین فلوئورسان سبز ارتقا یافته (e.GFP) توصیف نموده اند. با وجود پتانسیل عظیم این سیستم بیان کننده، تولید پروتئین دگرسان از سلولهای زیست لایه ای.کولی به طور وسیعی بررسی نشده باقی می ماند.
5- نتیجه گیری
استفاده از سلولهای ای.کولی در HCDC یک شیوه ی بسیار جذاب تولید پروتئینهای دگرسان از طریق بهبود بهره وری های حجمی و کاهش سرمایه گذاری پولی و هزینه های عملیات در تاسیسات تولید است. تولید پروتئینهای دگرسان در سلولهای زیست لایه در بخشی از چالشهای HCDC دخیل است اما برخی مطالعات نشان داده اند سلولهای زیست لایه از یک ظرفیت تولید ویژه عالی برخوردارند زمانیکه با همتاهای پلانکتونی خود مقایسه میشوند. این اثر نشان میدهد سلولهای زیست لایه ای.کولی میتوانند یک پروتئین دگرسان الگو را در مقادیر بسیار بالاتر از سلولهای پلانکتونی تولید کنند و چگالی های سلولی و بهره وری های حجمی از قبل در طیف چیزی هستند که میتوانند توسط HCDC بدست آیند حتی بدون بهینه سازی شرایط کشت. اثر آینده، بهینه سازی این شرایط را برای مهار قدرت این زیست لایه های تولید کننده بررسی خواهد کرد.

Abstract

Escherichia coli is one of the favourite hosts for recombinant protein production and is recognized as an excellent model for biofilm studies. High cell density cultures (HCDC) of this bacterium enable attractive volumetric production yields and cells growing in biofilms share some of the challenges of conventional high cell density planktonic cultures. This work assesses the production potential of E. coli JM109(DE3) biofilm cells expressing a model protein, the enhanced green fluorescent protein (eGFP), from a recombinant plasmid. A control strain harbouring the same plasmid backbone but lacking the eGFP gene was used to assess the impact of heterologous protein production on biofilm formation. Results show that specific eGFP production from biofilm cells was about 30 fold higher than in planktonic state. Moreover, eGFP-expressing cells had enhanced biofilm formation compared to control cells. Volumetric production values were 2 fold higher than those previously reported with the same protein and are within the range of what can be obtained by conventional HCDC in the production of soluble proteins. Although the cellular density that was obtained was lower than in conventional HCDC (0.5 fold), this novel system reached good production values which are likely to be improved after optimization of culture conditions.

1- Introduction

The Gram-negative bacterium Escherichia coli is a preferred host for the production of recombinant proteins [1,2] due to its fast growth at high cell densities, simple nutrient requirements, well-known genetics and the availability of a large number of cloning vectors and mutant host strains [3]. This bacterium has the ability to accumulate many recombinant proteins to at least 20% of the total cell protein [4] and, in some cases, to translocate them from the cytoplasm to the periplasm [5]. E. coli cultivation in high cell density cultures (HCDC) presents many advantages such as reduced culture volume, enhanced downstream processing and lower production costs [6]. Despite these advantages, there are still many challenges that have to be addressed in HCDC and these include insufficient oxygen transfer, specific culture medium requirements, reduced mixing efficiency in the reactor, accumulation of carbon dioxide which decreases growth rates and increased acetate production [5,6]. Recombinant protein production by biofilm cells shares some of the challenges of conventional HCDC, namely in diffusion of nutrients and oxygen through the biofilm and also in the accumulation of toxic waste products [7,8]. Recombinant protein expression in E. coli biofilms was pioneered by Huang et al. [9- 11] who have studied the production of -galactosidase in E. coli DH5α carrying a plasmid containing the tac promoter. Later, O’Connell et al. [12] have described the first system for high level heterologous protein production in E. coli biofilm cells using a pUC-based vector for the expression of enhanced green fluorescent protein (eGFP). Despite the enormous potential of this expressing system, heterologous protein production from E. coli biofilm cells remains largely unexplored.

5 -Conclusions

Using E. coli cells in HCDC is a very attractive way of producing heterologous proteins by improving volumetric productivities and reducing capital investment and operation costs in production facilities. Producing heterologous proteins in biofilm cells shares some of the challenges of HCDC, but some studies have shown that biofilm cells have a superior specific producing capacity when compared to their planktonic counterparts. This work shows that E. coli biofilm cells can produce a model heterologous protein at much higher levels than planktonic cells and that the cellular densities and volumetric productivities are already within the range of what can be obtained by HCDC, even without optimization of culture conditions. Future work will address the optimization of these conditions in order to harness the power of these productive biofilms..

شناسایی مکانیزم تعامل lncRNA-miRNA-mRNA در سرطان پستان بر اساس تجزیه و تحلیل بیوانفورماتیکی

Identification of an lncRNA‑miRNA‑mRNA interaction mechanism in breast cancer based on bioinformatic analysis

Abstract

Non-coding RNAs serve important roles in regulating the expression of certain genes and are involved in the principal biological processes of breast cancer. The majority of studies have focused on defining the regulatory functions of long non-coding RNAs (lncRNAs) and microRNAs (miRNAs/miRs), and few studies have investigated how lncRNAs and miRNAs are transcriptionally regulated. In the present study, based on the breast invasive carcinoma dataset from The Cancer Genome Atlas at cBioPortal, and using a bioinformatics computational approach, an lncRNA-miRNA-mRNA network was constructed. The network consisted of 601 nodes and 706 edges, which represented the complex web of regulatory effects between lncRNAs, miRNAs and target genes. The results of the present study demonstrated that miR-510 was the most potent miRNA controller and regulator of numerous target genes. In addition, it was observed that the lncRNAs PVT1, CCAT1 and linc00861 exhibited possible interactions with clinical biomarkers, including receptor tyrosine-protein kinase erbB-2, estrogen receptor and progesterone receptor, demonstrated using RNA-protein interaction prediction software. The network of lncRNA-miRNA-mRNA interactions will facilitate further experimental studies and may be used to refine biomarker predictions for developing novel therapeutic approaches in breast cancer.

1 Introduction

Breast cancer was the most common malignancy in women worldwide in 2015 (1). Breast cancer is a clinically heterogeneous disease, encompassing multiple histological types, pathological characteristics and a variety of clinical behaviors, making clinical management difficult (2). Numerous studies have sought to understand the pathogenesis of breast cancer, and to determine biomarkers for use as diagnostic and prognostic tools. A primary focus of research has been to investigate the role of microRNAs (miRNAs/miRs) in breast cancer (3). The first observation of miRNA deregulation in breast cancer was by Iorio et al (4), who performed microarray analysis to evaluate the miRNA expression profiles of 76 neoplastic breast tissue and 10 healthy adjacent tissue samples, and identified 29 disordered miRNAs, including miR-10b, miR-125b, miR-145, miR-21 and miR-155, which emerged as the most consistently deregulated in breast cancer. In order to elucidate the association between miRNAs and cancer metastasis, Farazi et al (5) conducted Solexa sequencing of small RNAs from 11 healthy breast tissue samples, 17 ductal carcinoma in situ samples, 151 invasive breast carcinoma samples and 6 cell lines; 269 novel miRNAs were identified and it was demonstrated that patients with increased expression of miR-423 were more likely to develop metastasis.

In addition to miRNAs, long non-coding RNAs (lncRNAs) have emerged as important factors contributing to the development and progression of breast cancer (6). lncRNAs are a heterogeneous group of non-coding RNAs, including the newly-discovered long intervening non-coding RNAs (lincRNAs), and they are defined as larger than 200 bp in length (7). Gupta et al (8) demonstrated that lincRNAs in the HOX loci become systematically dysregulated in breast cancer, and identified the lincRNA HOTAIR to be overexpressed in primary breast tumors and metastases; therefore, HOTAIR may serve as a predictor of eventual metastasis and mortality in primary mammary tumors.

Numerous studies have been performed on breast cancer; however, further research is required to elucidate the mechanisms involved and identify novel methods of treating breast cancer. The association between lncRNAs and miRNAs in human diseases has been previously studied, including some evidence to suggest that non-coding RNAs may act as competing endogenous RNAs (ceRNAs) (9,10). Wang et al (11) provided experimental evidence that non-coding RNAs may form an lncRNA-miRNA-mRNA interaction network to regulate liver cancer; it was demonstrated that the lncRNA HULC may function as an endogenous sponge, which interacts with and downregulates miRNA-372 and thereby decreases the translational repression of its target gene.

lthough a number of regulatory mechanisms influencing the association between gene expression and protein expression have been elucidated, the involvement of numerous lncRNAs and miRNAs in transcriptional regulation has not been investigated in breast cancer. In the present study, a bioinformatics approach was used to predict the regulatory mechanisms of miRNAs and lncRNAs, and to construct the lncRNA-miRNA-mRNA network in breast cancer. The results of the present study represent a view of breast cancer from a concurrent analysis of lncRNA, miRNA and mRNA

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

مقدمه
تاریخچه ای کوتاه
بیوژنز و عملکرد miRNA
miRNA و تنظیم ترجمه
آغاز ترجمه
MiRNAs و سرطان
نتیجه گیری

بخشی از ترجمه فارسی مقاله:

 مقدمه
پیشرفت های اخیر در تحلیل ترانسکریپتوم و فناوری های مولد و پرتون نشان دهنده پیچیدگی بالای دنیای RNA است. شناخته شده ترین مناطق RNA، ژن های کد کننده پروتین، MicroRNAs، می باشند که 1.5 درصد ژنوم انسان را شامل می شوند. اهمیت MicroRNAs کد کننده کاملا شناخته شده است زیرا به مدت سالیان مختلف پایه و اساس زیست شناسی تجربی بوده است و به تشخیص سیستمی ژن های کد کننده در گونه های مختلف انجامیده است. در عین حال رتروترانسپوزون ها، عناصر ژنتیکی به تنظیم بیان ژن کمک می کنند. چون RNA به عنوان مسئله اصلی تنظیم ژنتیکی محسوب می شود، ایده حاوی اطلاعات اساسی به کلاس های جدیدی از RNA توسعه داده شده است. اخیرا، بخش کد کننده غیر پروتینی توجه زیادی را به دلیل نقش غیر منتظره خود در تظیم رشد و بیماری کسب کرده است. امروزهف بیشتر دانشمدان بر این باور هستند که رونویسی ژنوم انسان بسیار وسیع است و این مسئله موجب افزایش سوالاتی در خصوص کارکرد RNA ها می شود.
کشف RNA های غیر کد کننده موجب تغییر شیوه نگرش ما به ژنوم انسان شده و جهان علم را قادر به شناسایی انواع متفاوتی از ncRNAs در سلول های انسانی کرده است. اگرچه یک مرز مشخصی از کلاس های ncRNAs وجود ندارد، آنها بر طبق طول نوکولئوتید شان در سه گروه اصلی طبقه بندی می شوند: ncRNAs های کوتاه، ncRNAs های با اندازه متوسط و ncRNAs های با طول بلند. در میان ncRNAs های کوتاه، می توان بین microRNAs و RNAs (piRNAs) انتخاب کرد و به ترتیب دارای 19 تا 25 جفت باز و 26-31 جفت باز است. miRNAs در تنظیم بیان زن در سطح پایداری و ترجمه نقش دارد، در حالی که piRNAs در متیلاسیون DNA و مهار ترانسپوزون نقش دارد.RNA های هسته ای کوچک، بخشی از RNA های با اندازه متوسط بوده و به عنوان راهنمایی برای اصلاحات Rrna عمل می کند. lncRNAs در چندین فرایند پاتولوژیکی و بیولوژیکی نظیر نقش پذیری ژنومی، تنظیم تلومر، غیر فعال سازی کروموزوم ایکس ، رشد، چند توانی سلول های بنیادی، تنظیم ایمنی، پیشرفت سرطان و پتانسیل متاستاز ایفا می کنند. به طور ویژه، یک زیرمجموعه ای از ncRNAs، T-UCR، میکرو RNA ها را هدف یابی می کنند. ارتباط بین این lncRNAs و microRNAs مانع از تجزیه رونویسی می شود. لازم به ذکر است که تعریف ncRNAs بستگی به ابزار های بیو انفورماتیک دارد که در آینده ای نزدیک به چالش کشیده می شود. به طور ویژه، قالب های باز خواندن کوتاه تر از 100 نوکلوتید و یا فاقد توالی ATG قوی برای شروع ترجمه، به صورت غیر کد کننده در نظر گرفته می شود. از حیث ظهور مکان های شروع ترجمه جایگزین، می توان کشف کرد که حداقل برخی از ncRNAs ها برای پپتید های کوچک کد کننده هستند.
اهمیت ترانسکریپتوم غیر کد کننده در درک بیماری های انسانی با تعداد زیادی از ncRNAs ها که به طور ناهنجار در سرطان، بیماری قلبی و عصبی یا اختلالات ایمنی بیان می شوند برجسته تر می شود. در این رابطه، RNAs های کوچک توجه بسیاری از محققان را جذب کرده است. از این روی ما بر microRNAs و نقش آن ها در تنظیم ترجمه و سرطان تاکید می کنیم. در نهایت ما به بررسی بیان microRNAs در سرطان و پتانسیل آن ها در تولید دارو های جدید می پردازیم.
MicroRNAs: کشف و بیوژنز
تاریخچه ای کوتاه
MicroRNAs ها RNA های تک رشته ای و غیر کد کننده با 19 تا 25 نوکلوتید طول می باشند که هم در جانوران و هم در گیاهان یافت شده و در عین حال در تنظیم رونویسی نقش دارند. دو دهه پیش، وجود microRNAs مبهم بود و جامعه علمی بر ژن های کد کننده پروتین تاکید داشتند.
با این حال در 1993، به مدت هفت سال پس از کشف lin-4 RNA، ژنومیک این نوع RNA تنظیم کننده ساده تر شده است به طوری که هیچ شاهدی برای RNA های شبه lin-4 فراتر از نماتد ها وجود نداشته و علایم RNA های غیر کد کننده مشابه درون نماتد ها وجود نداشته است. این مورد همگی منجر به کشف LET7 شده است که یک ژن دیگر در مسیر هتروکرونیک الگانس بوده و دومین RNA تنظیم کننده 22 نوکلوتیدی را کد گذاری کرده است. let 7 RNA موحب افزایش انتقال و کذار از مرحله اواخر لاروی به سلول های بالغ همانند LIN-4می شود. به علاوه، همولوگ های ژن Let7 در انسان و ژنوم مگس، و let 7 RNA در انسان ، مگس سرکه شناسایی شده است( راسکالینی و همکاران 2000).جهش در این ژن با بر هم زدن نظم در مراحل رشد و نمو، موجب عدم تغییر سلول های جنینی از اولین مرحله لاروی L1 به مراحل بعدی می شود. محققان بر این باورند که از ژن Lin-4 پروتینی سنتز نمی شود و به جای آن دو نوع RNA کوچک ساخته می شود:یک RNA کوتاه 22 نوکلوتیدی Lin-4-s و RNA دیگری که طول بیشتری در حدود 60 نوکلوتید دارد. مطالعات بعدی توسط وایتمن نشان داده است که ژن Lin-4 تنظیم کننده منفی ژن Lin-14 می باشد. ژن اخیر پروتینی با عمر کوتاه تولید می کند و در نمو جنین کرم نقش دارد. نکته جالب، تلاقی زمانی کارکرد تنظیمی و غیر مداوم Lin-4 RNA و با بیان پروتین LIN-14 می باشد. در واقع با حضور Lin-4 RNA، میزان پروتین LIN-14 تا بیست برابر کاهش می یابد. تحقیقات امبروس و راکون نشان داده است که در بخش 3 UTR، در m-RNA ژن Lin-4، قسمت های مختلفی وجود دارند که از نظر توالی مکمل توالی Lin-4 RNA می باشند. هم چنین ادامه تحقیقات نشان داد که اتصال بین این دو مولکول RNA، دلیل اصلی اثر منفی Lin-4 RNA و Lin-14 m-RNA است. به علاوه اتصال ذکر شده تنها موجب کاهش میزان پروتین LIN-14 می شود و بر مقدار Lin-14 MRNA هیچ تاثیری ندارد. به مدت هفت سال، از 1993 تا 2000، Lin-4 تنها مولکول RNA شناخته شده ای بود که با اتصال به مولکول RNA دیگر، بیان پروتین آن را مهار می کرد. ولی در 2003، پژوهش رینهارت و همکاران منجر به کشف RNA جدید موسوم به LET-7 در نماتود الگانس شد که نقش مشابه با LIN-4 داشت.

بخشی از مقاله انگلیسی:

INTRODUCTION

Recent advances in transcriptome analysis and high throughput technologies highlighted an impressive complexity in the RNA world. The most studied RNA regions are protein-coding genes, mRNAs, accounting for around 1.5% of the human genome[1]. The importance of coding mRNAs is undisputable as they have been for years the building brick of experimental biology, culminating in the systematic deletion of coding genes in several species. Not less important are retrotransposons, specific genetic elements which are known to regulate gene expression[2,3]. Since RNA was identified as the crux of genetic regulation, the idea that it carries fundamental information has been extended to novel classes of RNA. More recently, the nonprotein coding portion of the genome gained attention due to its unexpected role in regulating development and disease[4]. Nowadays, most scientists agree in stating that transcription of the human genome is pervasive, therefore raising questions on the function of many uncharacterized RNAs. The discovery of non-coding RNAs (ncRNAs) has changed the way we look at the human genome and led the scientific world to characterize the different types of ncRNAs transcribed in human cells. Although there is not a clear delineation of ncRNA classes, they are usually classified, according to their nucleotides length, in three main groups: Short ncRNAs, mid-size ncRNAs and long ncRNAs[5]. Among short ncRNAs we can distinguish between microRNAs (miRNA) and piwiinteracting RNAs (piRNAs), respectively 19-25 base pairs (bp) and 26-31 bp long. miRNAs are involved in the regulation of gene expression at the translational and stability level[6-8], while piRNAs are involved in DNA methylation and transposon repression[9-11]. Small nucleolar RNAs (60-300 bp) are part of mid-size RNAs and act as guides for rRNA modifications[12], Promoter Associated RNAs (22-200 bp) belong to the same group but their function is obscure[13]. Last but not least, long non-coding RNAs (lncRNAs) comprise all ncRNAs longer than 200 nucleotides and include the largest portion of the non-coding transcriptome[4]. lncRNAs are involved in several biological and pathological processes, such as genomic imprinting, telomere regulation, X-chromosome inactivation, development, stem cell pluripotency, immune regulation, cancer progression and in metastatic potential[14,15]. In particular, a subset of lncRNAs, the T-UCR, themselves target specific miRNAs. The binding between these lncRNAs and miRNAs prevents target transcription degradation determining an intricate coregulation between lncRNAs and miRNAs[16-18] and strictly linking these two different types of ncRNAs. It should be however stressed out that the definition of ncRNA relies mainly on bioinformatic tools that are likely to be challenged in the next future. In particular, open reading frames (ORF) shorter than 100 nucleotides and/or lacking a strong ATG consensus sequence for translational start are considered noncoding. In view of the emergence of alternative translational start sites[19], we may discover that at least some ncRNAs are indeed “coding” for small peptides. The relevance of the non-coding transcriptome in the comprehension of human diseases is highlighted by the impressive number of ncRNAs that are abnormally expressed in cancer, in neurological and heart diseases or in immune disorders. In this context, short RNAs have attracted the attention of most researchers. Here, we focus on miRNA and on their role in translation regulation and cancer. In particular we zoom in the known mechanisms of miRNA-regulated translation, after a brief elucidation of their discovery and biogenesis. Finally, we account for the aberrant expression of miRNAs in cancer and for their therapeutical potential as new drugs.

miRNA: DISCOVERY AND BIOGENESIS

A brief history miRNAs are endogenous, non-coding single stranded RNAs of approximately 19-25 nucleotides in length, found both in animals and plants and involved in post transcriptional regulation[7,20]. Two decades ago the existence of miRNAs was obscure and the scientific community was focused largely on protein-coding genes. However in 1993 the discovery of the first small ncRNA lin-4, in C. elegans, has totally changed the scientists’ point of view[21]. At the time of the first discoveries, two main questions were raised: (1) what is the role of lin-4; and (2) what is its mechanism of action? Genetic studies showed that lin-4 is one of the most relevant genes involved in the control of temporal development of larval stages[22,23]. Almost simultaneously, Lee and collaborators discovered that null mutations of the lin-14 gene were able to cause an opposite phenotype to null lin-4 mutations, suggesting that lin-4 could regulate lin-14[23,24]. How was this regulation taking place? Several groups unequivocally demonstrated that the introduction of mutations in the putative ORF of the lin-4 gene, did not affect its function, concluding that lin-4 did not encode for a protein. Mature lin-4 was found to be present in two small transcripts with different lengths, 22 and 61 nucleotides[24]. Furthermore, mutations in the 3’UTR of lin-14 mRNA and gene fusion experiments showed that lin-14 was downregulated posttranscriptionally by lin-4, delineating the 3’UTR of lin-14 as necessary for the regulation of LIN-4 protein levels[25,26]. These data led to a unified conclusion: lin-4 transcripts were complementary to the 3’UTR of the lin-14 gene and regulated its expression by annealing to its 3’UTR. With a similar approach, seven years later another miRNA was discovered, let-7, which was able to regulate lin-41 expression by binding to its 3’UTR[27,28]. Further, the sequence of let-7 was found conserved among species, from flies to humans. A new era in transcriptomics was now open for study by the entire scientific world!

نقش میکرو RNA ها در تنظیم اسپرماتوژنز پستانداران

The roles of microRNAs in regulation of mammalian spermatogenesis

Abstract

Mammalian spermatogenesis contains three continuous and organized processes, by which spermatogonia undergo mitosis and differentiate to spermatocytes, follow on meiosis to form haploid spermatids and ultimately transform into spermatozoa. These processes require an accurately, spatially and temporally regulated gene expression patterns. The microRNAs are a novel class of post-transcriptional regulators. Cumulating evidences have demonstrated that microRNAs are expressed in a cell-specific or stage-specific manner during spermatogenesis. In this review, we focus on the roles of microRNAs in spermatogenesis. We highlight that N6-methyladenosine (m6A) is involved in the biogenesis of microRNAs and miRNA regulates the m6A modification on mRNA, and that specific miRNAs have been exploited as potential biomarkers for the male factor infertility, which will provide insightful understanding of microRNA roles in spermatogenesis.

1 Introduction

Male fertility is dependent upon the successful perpetuation of spermatogenesis that is a highly organized process of germ cell differentiation occurring within the seminiferous tubules in the testes. Spermatogonial stem cells (SSCs) are a subset of undifferentiated spermatogonia that are capable of self-renewal to maintain the pool of SSCs or differentiation to give rise to spermatogenic lineage, thus supporting the continuous production of spermatozoa. Spermatogenesis initiates once SSCs enter differentiation process [1]. The spermatogonia go into the meiotic phase and become spermatocytes. After a long-lasting meiosis I, preleptotene spermatocytes transform into second spermatocytes and enter meiosis II to produce haploid round spermatids [2], which undergo spermiogenesis including acrosomal biogenesis, flagellum development, chromatin condensation, cytoplasmic reorganization and exclusion [3]. Ultimately, the round spermatids transform into spermatozoa, which are released into the lumen of seminiferous tubules [4].

This highly organized spermatogenesis requires accurate, spatial and temporal regulation of gene expression governed by transcriptional, post-transcriptional and epigenetic processes [5, 6]. More than a thousand of protein coding genes that are involved in the spermatogenesis have been identified [7, 8]. However, the mechanisms that mediate the expression of these spermatogenesis-related genes have not been fully uncovered. The microRNAs (miRNAs, miR), small (~22 nucleotides) single-strand noncoding RNAs, are linked to cell proliferation, differentiation and apoptosis [9–11]. Transcriptome data indicate that miRNAs are extensively transcribed during spermatogenesis. The miRNAs are differentially expressed in a cellspecific and step-specific manner ([12, 13], Chen et al. unpublished data). Some miRNAs are specifically expressed in certain type of male germ cells, while the others are universally expressed among different types of cells in the testes. Growing evidences have showed that the miRNAs are essential for male germ cell development and differentiation [14–17]. A few recent reviews have reported the roles of miRNAs in spermatogenesis and fertility [5, 6, 10, 11]. In this article, we briefly summarize the most recent progress of miRNAs in the regulation of spermatogenesis.