Informatie

Knockout Rat Fenotype Database?


Is er een database waar ik het fenotype van een bepaalde rat-knock-out kan opsommen en/of kan zoeken naar andere vergelijkbare fenotypes?

Er is een International Mouse Phenotyping Consortium, dat tot doel heeft de fenotypische veranderingen van homozygote knockouts te karakteriseren voor elk van de 20.000 genen in de isogene muizenlijn C57BL/6. Het International Knockout Mouse Consortium is verantwoordelijk voor het maken van de knockouts en de twee consortia werken nauw samen.

Er is ook een Knockout Rat Consortium, maar ik heb geen Phenotype Change-database voor ratten gevonden.


Mening:

het Jackson laboratorium

http://jaxmice.jax.org/

Is de marktleider in de productie van transgene muizen. Hun lijst met muizensoorten is bijna een db op zich, maar momenteel bestaat er geen db die ik ken. Ik neem aan dat je op zoek bent naar iets dat lijkt op wat beschikbaar is voor c elegans:

http://www.celeganskoconsortium.omrf.org/


Grenzen in Cellen ontwikkelingsbiologie

De affiliaties van de redacteur en de recensenten zijn de meest recente op hun Loop-onderzoeksprofielen en weerspiegelen mogelijk niet hun situatie op het moment van beoordeling.



DELEN OP

Achtergrond

De ontwikkeling van een uitgebreide mutante bron van muizenembryostamcellen (ESC) door het International Knockout Mouse Consortium (IKMC) [1] is een cruciale stap in de systematische functionele annotatie van het muizengenoom. Tot op heden zijn ESC-mutantlijnen beschikbaar voor ongeveer 15.000 muizengenen, wat een zeer belangrijke bron vormt voor het genereren van mutante muizen en hun daaropvolgende fenotypische analyse. De IKMC-bron wordt gebruikt door het International Mouse Phenotyping Consortium (IMPC), dat van plan is in de komende 5 jaar brede fenotypering te genereren en uit te voeren op 5.000 muizenmutantlijnen als de eerste stap naar een uitgebreide encyclopedie van de functie van zoogdiergenen [ 2].

Alle IKMC-mutante klonen zijn gegenereerd met behulp van een C57BL/6N ESC-lijn [1]. Bovendien zijn chimaera's die zijn gegenereerd uit IKMC-klonen als onderdeel van het IMPC-programma, gefokt met C57BL/6N-muizen, waardoor de mutaties op een isogene achtergrond behouden blijven. Het gebruik van C57BL/6N voor deze belangrijke functionele genomica-programma's brengt de genetische relatie tussen de C57BL/6N-stam en andere ingeteelde stammen die in het verleden de focus waren van muisgenetica-onderzoek in perspectief. Er is met name een aanzienlijk aantal genetische bronnen van muizen ontwikkeld met behulp van de C57BL/6J-stam, waaronder een verscheidenheid aan referentiepopulaties zoals recombinante inteeltlijnen [3, 4], consomics [5], heterogene stammen [6] en de Collaborative Kruis [7]. Bovendien is een groot aantal spontane mutaties geïdentificeerd op de C57BL/6J-achtergrond. Als gevolg hiervan was de C57BL/6J-lijn de natuurlijke keuze om de eerste referentiesequentie van het muizengenoom te verschaffen [8, 9]. Het significante gebruik van zowel de N- als de J-substammen in de bredere biomedische wetenschappelijke gemeenschappen benadrukt de noodzaak om de genetische en fenotypische relaties tussen deze twee ingeteelde stammen beter te begrijpen, en hoe ze ons begrip van genetische mechanismen en fenotype-uitkomsten kunnen beïnvloeden.

De ingeteelde C57BL/6-muisstam werd in 1948 in het Jackson Laboratory van de ouderstam C57BL bij F24 vastgesteld. In 1951, bij F32, werd het vervolgens doorgegeven aan de National Institutes of Health (NIH), wat leidde tot de C57BL/6N lijn. De substam C57BL/6NTac werd opgericht op F151, na de overdracht van de C57BL/6N-lijn naar Taconic Farms in 1991 [10]. Op dit moment zijn C57BL/6J en C57BL/6N dus ongeveer 220 generaties gescheiden. Vroege beoordeling van de genetische variatie tussen de C57BL/6J- en C57BL/6N-substammen met behulp van een panel van 1427 single-nucleotide polymorphism (SNP) loci identificeerde slechts 12 SNP's (0,8%) tussen de twee stammen [10], wat hun nauwe genetische verwantschap.

In 2011 bracht een uitgebreide analyse van genomische variatie in 17 ingeteelde stammen een buitengewoon groot aantal varianten in kaart, waaronder 56,7 M SNP's, 8,8 M kleine indels en 0,28 M structurele varianten (SV's) voor zowel de klassieke laboratoriumstammen als de wildtype-afgeleide stammen. lijnen [11]. Bovendien illustreerden deze analyses het potentieel om sequentievariatie te relateren aan aspecten van fenotypische variatie tussen muizenstammen. Belangrijk is dat de analyses inzicht verschaften in de moleculaire en genetische basis van kwantitatieve eigenschappen die de fenotypische kenmerken van inteeltstammen onderscheiden [11]. Kwantitatief kenmerk loci (QTL) met een klein effect bleken vaker te wijten te zijn aan intergene variatie en het is onwaarschijnlijk dat dit het resultaat is van structurele variatie. Daarentegen worden QTL met een groter effect meestal verklaard door intronische variatie. Voor het kleine deel van QTL met een zeer groot fenotypisch effect is er echter een significante verrijking van coderingsvariatie, met een toenemende frequentie van SV's en kleine indels. Hoewel over het algemeen het aandeel SV's in het muizengenoom dat grote fenotypische effecten veroorzaakt klein is, is het waarschijnlijk dat SV's die fenotypische verandering veroorzaken significante inzichten zullen verschaffen in de genfunctie [11]. Dit werk benadrukt het nut en het belang van het catalogiseren van genomische variatie in de muis en het analyseren van de bijdrage ervan aan fenotypische effecten.

In dit artikel richten we onze analyse op een gedetailleerde genomische en fenotypische vergelijking van de C57BL/6N- en C57BL/6J-stammen, met als doel de onderliggende genomische verschillen te relateren aan fenotypische uitkomst. We hebben de analyse van de genoomsequenties van de twee ingeteelde stammen uitgebreid en verfijnd. Belangrijk is dat we met behulp van de nieuwe short-read genoomsequentie van de C57BL/6J, gegenereerd door het Broad Institute en verbeterde analytische tools, een hoogwaardige reeks varianten hebben geïdentificeerd, waaronder SNP's, kleine indels en SV's die de C57BL/6N en C57BL onderscheiden. /6J-stammen, met een bijzondere focus op het catalogiseren van variatie in coderende sequenties. Met behulp van een combinatie van experimentele methoden hebben we alle coderingsvarianten en SV's gevalideerd en een variantgegevensset van aanzienlijk hogere kwaliteit gegenereerd dan die van het 17 Mouse Genomes Project, met een nul-vals-positief percentage. Tegelijkertijd hebben we een uitgebreide fenotypische vergelijking gemaakt en de relatie tussen genoomvariatie en fenotypische veranderingen in deze twee substammen onderzocht.


INVOERING

Het doel van het International Mouse Phenotyping Consortium (IMPC) is het genereren en fenotypisch karakteriseren van knock-out mutante stammen voor elk eiwitcoderend gen in de muis (1, 2). De IMPC is opgericht als een grootschalige gecoördineerde inspanning van muizenklinieken over de hele wereld om brede primaire fenotypering uit te voeren van mutante muizenstammen die een nulmutatie in een eiwitcoderend gen dragen (3, 4). Dit programma bouwt voort op de verzameling mutante embryonale stamcellen (ES) die beschikbaar zijn bij het International Knockout Mouse Consortium (IKMC) (5) en proefprogramma's die een reeks robuuste fenotyperingstesten met hoge doorvoer hebben opgezet (6, 7). In dit artikel beschrijven we de functionaliteit en gegevens die beschikbaar zijn via de IMPC-webportal die wordt geleverd door het Mouse Phenotyping Informatics Infrastructure (MPI2) consortium bestaande uit EMBL-EBI, MRC Harwell en het Wellcome Trust Sanger Institute (8).

Het IMPC-portaal is het centrale toegangspunt tot fenotypegegevens met hoge doorvoer, IKMC ES-celbronnen en mutante muisstammen. De voortgang van muisproductie en fenotypering wordt voor elk gen gepresenteerd, met links naar opslagplaatsen die de mutante muizenstammen verspreiden en de beschikbaarheid van IKMC ES-celbronnen en de moleculaire structuren van de mutante allelen. Zowel mutante allelen als fenotypegegevens zijn naadloos geïntegreerd met bestaande gemeenschapsbronnen en databases. De database Mouse Genome Informatics (http://www.informatics.jax.org/) wordt bijvoorbeeld gebruikt voor het definiëren van genetische allelen van muizen (9) en Ensembl (http://www.ensembl.org/) voor het definiëren van genomische contexten (10).

Naast de informatie die toegankelijk wordt gemaakt via het webportaal, biedt het IMPC-rekenkader openbare toegang tot de onbewerkte gegevens met behulp van standaard software-interfaces en webservices. De broncode van de softwaretoepassing voor deze componenten en statistische analysetools zijn ook beschikbaar voor gebruik door de gemeenschap.


3. RESULTATEN

3.1 Identificatie van informatieve genomische kenmerken over de letaliteit van knock-outgenen van muizen

Uit de MGI-database hebben we de fenotypische muisgegevens verzameld van gerichte knock-outs met één gen. Van de 19 845 muizen-eiwitcoderende genen die werden onderzocht, werden de 4670 genen met beschikbare knock-out fenotypische gegevens gebruikt als de 'trainingsset' en de 15 175 genen zonder beschikbare knock-out fenotype-informatie werden aangeduid als de 'predicting set'. Voor elk muisgen hebben we 491 genomische kenmerken (tabel 1) samengesteld indien beschikbaar, en die kenmerken gegroepeerd in de volgende drie categorieën op basis van hun gegevensbronnen. De genomische sequentieset (S) bevat 373 kenmerken, waarvan er acht zijn afgeleid van coderende sequenties, 30 van eiwitsequenties en 335 zijn gebaseerd op andere geneigenschappen, waaronder de kenmerken voor genregulatie. De mRNA-expressieset (E) is afgeleid van twee expressiedatasets, die 66 kenmerken bevatten voor de weefselexpressieprofielen en 28 kenmerken voor de ontwikkelingsstadiumexpressieprofielen. De interactieset (I) bevat drie kenmerken die zijn afgeleid van afgeleide muis-eiwit-eiwit-interactiegegevens en 21 kenmerken over epigenetische histonmodificatie-interacties van muizen.

Kandidaat-genomische kenmerken voor muis knock-out fenotype

Categorie . . Functie . Nummer . Opmerking . Bron/hulpmiddelen .
Interactie (ik) Eiwit interactie Menselijke proteïne
Tussenzijn 1 Referentiedatabase
Connectiviteit 1
clustering coëfficiënt 1
epigenetische interactie Het ENCODE-project
Bestaan ​​van histonmodificatie 20 categorisch (UCSC-genoombrowser)
(H3K4me1/H3K4me3 in 10 tissues) (binair)
Histon modificatie som 1
mRNA-expressie (E) Ruimtelijke expressie zo et al. (2004)
Weefselexpressie (61 weefsels) 61
Gemiddelde/mediane weefselexpressie 2
Maximaal weefselexpressieniveau 1
Breedte van weefselexpressie 1
Specificiteit van weefselexpressie 1
Tijdelijke uitdrukking Ontwikkelingsstadium expressie 28 categorisch MGI-genexpressie
(stadium TS1-TS26, TS28, voor de geboorte) Database
Sequenties) Codeervolgorde Ensembl (versie 59)
Hydrofobiciteit 1
Codon-adaptatie-index (CAI) 1 CodonW
Codon bias-index (CBI) 1 CodonW
Effectief aantal codons (Nc) 1 CodonW
GC-inhoud 1 CodonW
Aantal codons 1
Speciale codon-inhoud 1
Frequentie van optimale codons 1 CodonW
eiwit sequentie
Aminozuurgehalte (20 aminozuren) 20
Voorspelde secundaire structuur 3 PROFphd
(helix, blad, lusinhoud)
Aantal domeinen 1 Biomart
Bestaan ​​van domeinen 3 categorisch Biomart
(Ncoils/signaal/transmembraan) (binair)
Iso-elektrisch punt (PI) 1 ExPAsy Proteomics
Ongeordende gebieden in eiwitten 1 RONN
Aromaticiteit 1 CodonW
Gen Ensembl (versie 59)
Aantal paralogen 1
Paraloge sequentie-identiteit 1
Selectieve druk 1
(NSN/NSS tussen muis en rat)
Gen evolutionaire leeftijd 1 Cai et al. (2009)
Aantal exons 1
Gemiddelde introngrootte 1
Chromosoomlocatie 1 categorisch
UTR-lengte (5 ′ , 3 ′ ) 2 RefSeq-transcripties
CpG-eiland 1 UCSC-genoom
recombinatie tarief: 1 Cox et al. (2009)
Bestaan ​​van miRNA-doelsites 152 categorisch DoelScanS
(152 miRNA-families) (binair)
Totaal aantal miRNA-doelsites 1
Bestaan ​​van transcriptiefactor-wachten 170 categorisch TRANSFAC
sites (TFBS) 170 typen (binair)
Totaal aantal TFBS 1
Totaal 491
Categorie . . Functie . Nummer . Opmerking . Bron/hulpmiddelen .
Interactie (ik) Eiwit interactie Menselijke proteïne
Tussenzijn 1 Referentiedatabase
Connectiviteit 1
clustering coëfficiënt 1
epigenetische interactie Het ENCODE-project
Bestaan ​​van histonmodificatie 20 categorisch (UCSC-genoombrowser)
(H3K4me1/H3K4me3 in 10 tissues) (binair)
Histon modificatie som 1
mRNA-expressie (E) Ruimtelijke expressie zo et al. (2004)
Weefselexpressie (61 weefsels) 61
Gemiddelde/mediane weefselexpressie 2
Maximaal weefselexpressieniveau 1
Breedte van weefselexpressie 1
Specificiteit van weefselexpressie 1
Tijdelijke uitdrukking Ontwikkelingsstadium expressie 28 categorisch MGI-genexpressie
(stadium TS1-TS26, TS28, voor de geboorte) Database
Sequenties) Codeervolgorde Ensembl (versie 59)
Hydrofobiciteit 1
Codon-adaptatie-index (CAI) 1 CodonW
Codon bias-index (CBI) 1 CodonW
Effectief aantal codons (Nc) 1 CodonW
GC-inhoud 1 CodonW
Aantal codons 1
Speciale codon-inhoud 1
Frequentie van optimale codons 1 CodonW
eiwit sequentie
Aminozuurgehalte (20 aminozuren) 20
Voorspelde secundaire structuur 3 PROFphd
(helix, blad, lusinhoud)
Aantal domeinen 1 Biomart
Bestaan ​​van domeinen 3 categorisch Biomart
(Ncoils/signaal/transmembraan) (binair)
Iso-elektrisch punt (PI) 1 ExPAsy Proteomics
Ongeordende gebieden in eiwitten 1 RONN
Aromaticiteit 1 CodonW
Gen Ensembl (versie 59)
Aantal paralogen 1
Paraloge sequentie-identiteit 1
Selectieve druk 1
(NSN/NSS tussen muis en rat)
Gen evolutionaire leeftijd 1 Cai et al. (2009)
Aantal exons 1
Gemiddelde introngrootte 1
Chromosoomlocatie 1 categorisch
UTR-lengte (5 ′ , 3 ′ ) 2 RefSeq-transcripties
CpG-eiland 1 UCSC-genoom
recombinatie tarief: 1 Cox et al. (2009)
Bestaan ​​van miRNA-doelsites 152 categorisch DoelScanS
(152 miRNA-families) (binair)
Totaal aantal miRNA-doelsites 1
Bestaan ​​van transcriptiefactor-wachten 170 categorisch TRANSFAC
sites (TFBS) 170 typen (binair)
Totaal aantal TFBS 1
Totaal 491

Kandidaat-genomische kenmerken voor muis knock-out fenotype

Categorie . . Functie . Nummer . Opmerking . Bron/hulpmiddelen .
Interactie (ik) Eiwit interactie Menselijke proteïne
Tussenzijn 1 Referentiedatabase
Connectiviteit 1
clustering coëfficiënt 1
epigenetische interactie Het ENCODE-project
Bestaan ​​van histonmodificatie 20 categorisch (UCSC-genoombrowser)
(H3K4me1/H3K4me3 in 10 tissues) (binair)
Histon modificatie som 1
mRNA-expressie (E) Ruimtelijke expressie zo et al. (2004)
Weefselexpressie (61 weefsels) 61
Gemiddelde/mediane weefselexpressie 2
Maximaal weefselexpressieniveau 1
Breedte van weefselexpressie 1
Specificiteit van weefselexpressie 1
Tijdelijke uitdrukking Ontwikkelingsstadium expressie 28 categorisch MGI-genexpressie
(stadium TS1-TS26, TS28, voor de geboorte) Database
Sequenties) Codeervolgorde Ensembl (versie 59)
Hydrofobiciteit 1
Codon-adaptatie-index (CAI) 1 CodonW
Codon bias-index (CBI) 1 CodonW
Effectief aantal codons (Nc) 1 CodonW
GC-inhoud 1 CodonW
Aantal codons 1
Speciale codon-inhoud 1
Frequentie van optimale codons 1 CodonW
eiwit sequentie
Aminozuurgehalte (20 aminozuren) 20
Voorspelde secundaire structuur 3 PROFphd
(helix, blad, lusinhoud)
Aantal domeinen 1 Biomart
Bestaan ​​van domeinen 3 categorisch Biomart
(Ncoils/signaal/transmembraan) (binair)
Iso-elektrisch punt (PI) 1 ExPAsy Proteomics
Ongeordende gebieden in eiwitten 1 RONN
Aromaticiteit 1 CodonW
Gen Ensembl (versie 59)
Aantal paralogen 1
Paraloge sequentie-identiteit 1
Selectieve druk 1
(NSN/NSS tussen muis en rat)
Gen evolutionaire leeftijd 1 Cai et al. (2009)
Aantal exons 1
Gemiddelde introngrootte 1
Chromosoomlocatie 1 categorisch
UTR-lengte (5 , 3 ′ ) 2 RefSeq-transcripties
CpG-eiland 1 UCSC-genoom
recombinatie tarief: 1 Cox et al. (2009)
Bestaan ​​van miRNA-doelsites 152 categorisch DoelScanS
(152 miRNA-families) (binair)
Totaal aantal miRNA-doelsites 1
Bestaan ​​van transcriptiefactor-wachten 170 categorisch TRANSFAC
sites (TFBS) 170 typen (binair)
Totaal aantal TFBS 1
Totaal 491
Categorie . . Functie . Nummer . Opmerking . Bron/hulpmiddelen .
Interactie (ik) Eiwit interactie Menselijke proteïne
Tussenzijn 1 Referentiedatabase
Connectiviteit 1
clustering coëfficiënt 1
epigenetische interactie Het ENCODE-project
Bestaan ​​van histonmodificatie 20 categorisch (UCSC-genoombrowser)
(H3K4me1/H3K4me3 in 10 tissues) (binair)
Histon modificatie som 1
mRNA-expressie (E) Ruimtelijke expressie zo et al. (2004)
Weefselexpressie (61 weefsels) 61
Gemiddelde/mediane weefselexpressie 2
Maximaal weefselexpressieniveau 1
Breedte van weefselexpressie 1
Specificiteit van weefselexpressie 1
Tijdelijke uitdrukking Ontwikkelingsstadium expressie 28 categorisch MGI-genexpressie
(stadium TS1-TS26, TS28, voor de geboorte) Database
Sequenties) Codeervolgorde Ensembl (versie 59)
Hydrofobiciteit 1
Codon-adaptatie-index (CAI) 1 CodonW
Codon bias-index (CBI) 1 CodonW
Effectief aantal codons (Nc) 1 CodonW
GC-inhoud 1 CodonW
Aantal codons 1
Speciale codon-inhoud 1
Frequentie van optimale codons 1 CodonW
eiwit sequentie
Aminozuurgehalte (20 aminozuren) 20
Voorspelde secundaire structuur 3 PROFphd
(helix, blad, lusinhoud)
Aantal domeinen 1 Biomart
Bestaan ​​van domeinen 3 categorisch Biomart
(Ncoils/signaal/transmembraan) (binair)
Iso-elektrisch punt (PI) 1 ExPAsy Proteomics
Ongeordende gebieden in eiwitten 1 RONN
Aromaticiteit 1 CodonW
Gen Ensembl (versie 59)
Aantal paralogen 1
Paraloge sequentie-identiteit 1
Selectieve druk 1
(NSN/NSS tussen muis en rat)
Gen evolutionaire leeftijd 1 Cai et al. (2009)
Aantal exons 1
Gemiddelde introngrootte 1
Chromosoomlocatie 1 categorisch
UTR-lengte (5 , 3 ′ ) 2 RefSeq-transcripties
CpG-eiland 1 UCSC-genoom
recombinatie tarief: 1 Cox et al. (2009)
Bestaan ​​van miRNA-doelsites 152 categorisch TargetScanS
(152 miRNA-families) (binair)
Totaal aantal miRNA-doelsites 1
Bestaan ​​van transcriptiefactor-wachten 170 categorisch TRANSFAC
sites (TFBS) 170 typen (binair)
Totaal aantal TFBS 1
Totaal 491

In de trainingsset werden de knock-out fenotypes van 1645 genen geclassificeerd als dodelijk en die van de overige 3025 genen als niet-dodelijk. Hoewel genomische sequentiekenmerken beschikbaar waren voor alle 4670 genen in de trainingsset, waren de expressie- en interactiekenmerken slechts voor enkele van de genen beschikbaar. We hebben de gennummers waarvoor elke categorie kenmerken beschikbaar was als volgt samengevat: 4670 genen hebben sequentiekenmerken (gedefinieerd als de S-genenset) 4037 genen hebben expressiekenmerken (E-genenset) 3627 genen hebben eiwitinteractiekenmerken (I-genenset) 4036 genen hebben zowel sequentie- als expressiekenmerken (S + E-genenset) 3627 genen hebben zowel sequentie- als interactiekenmerken (S + I-genenset) 3217 genen hebben zowel expressie- als interactiekenmerken (E + I-genenset) en 3217 genen hebben sequentie , expressie- en interactiekenmerken (S + E + I genenset). Aanvullende tabel S1 bevat alle fenotype- en functie-informatie over de trainingsset.

Van de functies die we hebben gecompileerd, zijn sommige mogelijk niet relevant voor de dodelijkheid van de knock-out, en sommige zijn sterk gecorreleerd (aanvullende figuur S1) en bieden overbodige informatie. Daarom hebben we vervolgens de subset van informatieve kenmerken voor elk van de bovenstaande zeven genensets geselecteerd met behulp van LASSO, dat veel wordt gebruikt om tegelijkertijd krimp en variabele selectie te bereiken (Tibshirani, 1996). (Aanvullende tabel S2 toont geselecteerde kenmerken voor elke genenset). Tabel 2 toont de belangrijkste informatieve genomische kenmerken geselecteerd door LASSO in de S + E + I-genenset. Wanneer alle kenmerken samen worden beschouwd, zijn de meest informatieve kenmerken enkele evolutionaire kenmerken, zoals de evolutionaire leeftijd van het gen en de paraloge sequentie-identiteit. Het meest informatieve expressiekenmerk is het expressieniveau in utero, gevolgd door het expressieniveau in ontwikkelingsstadium 15 en het meest informatieve interactiefunctie is eiwitconnectiviteit. Interessant is dat sommige van de best geselecteerde kenmerken, zoals evolutionaire leeftijd, ook hoog werden gerangschikt bij evaluatie van hun individuele correlaties met de knock-out letaliteit, terwijl andere, zoals paraloge sequentie-identiteit, dat niet deden.

Top 20 informatieve genomische kenmerken gerelateerd aan knock-out letaliteit, geselecteerd door LASSO

Functies . LASSO-coëfficiënt een . Rang. Wederzijdse informatie . Rang.
evolutionaire leeftijd 0.473 1 4.76E-2 1
Expressie in utero 0.436 2 2.15E-3 96
Uitdrukking in TS15 0.297 3 1.99E-2 4
Paraloge sequentie-identiteit −0.296 4 2.51E-3 85
Totaal miRNA-doelsites 0.254 5 9.22E-3 35
Expressie in TS11 0.196 6 9.35E-3 33
Connectiviteit 0.160 7 7.03E-3 48
Expressie in TS17 0.146 8 1.96E-2 6
Expressie in TS26 0.132 9 1.02E-2 29
Expressie in TS18 0.129 10 7.05E-3 47
Totale histonmodificatie 0.128 11 2.85E-2 2
Asparagine inhoud 0.113 12 7.35E-3 44
5′ -UTR-lengte −0.110 13 5.08E-4 266
Expressie in het bovenste ruggenmerg −0.110 14 9.70E-4 171
Leucine-gehalte −0.106 15 1.63E-2 9
Expressie in bot −0.104 16 3.67E-4 307
Expressie in TS5 0.100 17 9.83E-3 31
Aminozuur lengte: 0.093 18 5.07E-4 267
Expressie in eierstok 0.089 19 3.08E-3 75
Expressie in TS19 0.086 20 1.18E-2 22
Functies . LASSO-coëfficiënt een . Rang. Wederzijdse informatie . Rang.
evolutionaire leeftijd 0.473 1 4.76E-2 1
Expressie in utero 0.436 2 2.15E-3 96
Uitdrukking in TS15 0.297 3 1.99E-2 4
Paraloge sequentie-identiteit −0.296 4 2.51E-3 85
Totaal miRNA-doelsites 0.254 5 9.22E-3 35
Expressie in TS11 0.196 6 9.35E-3 33
Connectiviteit 0.160 7 7.03E-3 48
Expressie in TS17 0.146 8 1.96E-2 6
Expressie in TS26 0.132 9 1.02E-2 29
Expressie in TS18 0.129 10 7.05E-3 47
Totale histonmodificatie 0.128 11 2.85E-2 2
Asparagine inhoud 0.113 12 7.35E-3 44
5′ -UTR-lengte −0.110 13 5.08E-4 266
Expressie in het bovenste ruggenmerg −0.110 14 9.70E-4 171
Leucine-gehalte −0.106 15 1.63E-2 9
Expressie in bot −0.104 16 3.67E-4 307
Expressie in TS5 0.100 17 9.83E-3 31
Aminozuur lengte: 0.093 18 5.07E-4 267
Expressie in eierstok 0.089 19 3.08E-3 75
Expressie in TS19 0.086 20 1.18E-2 22

een Gebaseerd op de S + E + I genenset (genen met sequentie-, expressie- en interactiekenmerken).

Top 20 informatieve genomische kenmerken gerelateerd aan knock-out letaliteit, geselecteerd door LASSO

Functies . LASSO-coëfficiënt een . Rang. Wederzijdse informatie . Rang.
evolutionaire leeftijd 0.473 1 4.76E-2 1
Expressie in utero 0.436 2 2.15E-3 96
Uitdrukking in TS15 0.297 3 1.99E-2 4
Paraloge sequentie-identiteit −0.296 4 2.51E-3 85
Totaal miRNA-doelsites 0.254 5 9.22E-3 35
Expressie in TS11 0.196 6 9.35E-3 33
Connectiviteit 0.160 7 7.03E-3 48
Expressie in TS17 0.146 8 1.96E-2 6
Expressie in TS26 0.132 9 1.02E-2 29
Expressie in TS18 0.129 10 7.05E-3 47
Totale histonmodificatie 0.128 11 2.85E-2 2
Asparagine inhoud 0.113 12 7.35E-3 44
5′ -UTR-lengte −0.110 13 5.08E-4 266
Expressie in het bovenste ruggenmerg −0.110 14 9.70E-4 171
Leucine-gehalte −0.106 15 1.63E-2 9
Expressie in bot −0.104 16 3.67E-4 307
Expressie in TS5 0.100 17 9.83E-3 31
Aminozuur lengte: 0.093 18 5.07E-4 267
Expressie in eierstok 0.089 19 3.08E-3 75
Expressie in TS19 0.086 20 1.18E-2 22
Functies . LASSO-coëfficiënt een . Rang. Wederzijdse informatie . Rang.
evolutionaire leeftijd 0.473 1 4.76E-2 1
Expressie in utero 0.436 2 2.15E-3 96
Uitdrukking in TS15 0.297 3 1.99E-2 4
Paraloge sequentie-identiteit −0.296 4 2.51E-3 85
Totaal miRNA-doelsites 0.254 5 9.22E-3 35
Expressie in TS11 0.196 6 9.35E-3 33
Connectiviteit 0.160 7 7.03E-3 48
Expressie in TS17 0.146 8 1.96E-2 6
Expressie in TS26 0.132 9 1.02E-2 29
Expressie in TS18 0.129 10 7.05E-3 47
Totale histonmodificatie 0.128 11 2.85E-2 2
Asparagine inhoud 0.113 12 7.35E-3 44
5′ -UTR-lengte −0.110 13 5.08E-4 266
Expressie in het bovenste ruggenmerg −0.110 14 9.70E-4 171
Leucine-gehalte −0.106 15 1.63E-2 9
Expressie in bot −0.104 16 3.67E-4 307
Expressie in TS5 0.100 17 9.83E-3 31
Aminozuur lengte: 0.093 18 5.07E-4 267
Expressie in eierstok 0.089 19 3.08E-3 75
Expressie in TS19 0.086 20 1.18E-2 22

een Gebaseerd op de S + E + I genenset (genen met sequentie-, expressie- en interactiekenmerken).

3.2 Beoordelen van de fenotype voorspellende kracht van geïntegreerde feature assemblages

Om te onderzoeken hoe goed verschillende genomische functiesets de dodelijkheid van knock-outmuizen voorspellen, hebben we drie veelgebruikte machine learning-methoden (logistieke regressie, willekeurig bos en SVM) gebruikt om de probabilistische voorspelling te doen of een gen-knock-out zou resulteren in het dodelijke fenotype. Op basis van 5-voudige kruisvalidatie (inclusief de LASSO-functieselectiestap), evalueerden we de voorspellende kracht van verschillende kenmerkassemblages door ROC- en precisie-herinneringscurven te genereren (aanvullende figuur S2). Het gebied onder de ROC-curve (AUC) is een standaardmaat voor de voorspellende kracht van verschillende rekenmethoden of verschillende feature-assemblies (de diagonale lijn in de ROC-curve heeft een AUC-waarde van 0,5, wat de voorspellende kracht van een willekeurige gok vertegenwoordigt). De drie machine learning-methoden produceerden dezelfde trend en vertoonden vergelijkbare voorspellende krachten voor alle functiesets (Fig. 2A). Met een toename van geselecteerde functies presteerde de willekeurige bosmethode beter dan de andere twee methoden (Fig. 2B). Omdat de random forest-methode in de meeste gevallen iets beter presteerde dan de andere methoden, hebben we ons in de daaropvolgende analyses gericht op de resultaten van de random forest-methode.

Voorspellende kracht van verschillende feature assemblages en verschillende methoden voor muis knock-out fenotype. (EEN) Vergelijking van verschillende methoden voor machine learning in verschillende functiesets (B) Vergelijking van verschillende methoden met een toename van de top geselecteerde kenmerken (gebaseerd op S + E + I genenset) en (C) Vergelijking van de twee beste geselecteerde kenmerken versus de combinatie van alle geselecteerde kenmerken in verschillende genensets per willekeurig bos.

Voorspellende kracht van verschillende feature assemblages en verschillende methoden voor muis knock-out fenotype. (EEN) Vergelijking van verschillende methoden voor machine learning in verschillende functiesets (B) Vergelijking van verschillende methoden met een toename van de top geselecteerde kenmerken (gebaseerd op S + E + I genenset) en (C) Vergelijking van de twee beste geselecteerde kenmerken versus de combinatie van alle geselecteerde kenmerken in verschillende genensets per willekeurig bos.

Zoals weergegeven in figuur 2A, alleen de interactiefuncties (AUCl = 0,598) hebben een beperkt voorspellend vermogen voor knock-out letaliteit, terwijl de sequentiekenmerken of de expressiekenmerken een veel beter voorspellend vermogen vertoonden (AUCS = 0,738 AUCE = 0,725). Door meer functies aan het voorspellingsmodel toe te voegen, werden de prestaties consequent verbeterd (AUCS + E = 0,776, AUCS + E + l = 0,782). Voor elk van de zeven functiesets ontdekten we dat de AUC-waarde van de bovenste twee informatieve functies aanzienlijk lager is dan die van de combinatie van alle geselecteerde functies (Fig. 2C). Deze resultaten geven aan dat de geïntegreerde feature-assemblage een aanzienlijk verhoogd voorspellend vermogen heeft voor de dodelijkheid van muis-knock-out.

3.3 Schatting van de bias-gecorrigeerde voorspellende kracht voor de voorspellingsset

Als de trainingsset willekeurig is geselecteerd uit het muizengenoom, kunnen we de voorspellende kracht van onze modellen voor genen waarvan de knock-out-fenotypes niet zijn gerapporteerd (de voorspellingsset) rechtstreeks schatten op basis van kruisvalidatie van de trainingsset. Deze veronderstelling is echter mogelijk niet waar omdat de trainingsset grotendeels is verzameld uit individuele onderzoeken. We evalueerden daarom de vertekening van de onderzochte kenmerken tussen genen in de trainings- en voorspellingssets. We ontdekten dat evolutionaire leeftijd een veel grotere bias vertoont dan enig ander kenmerk (Fig. 3A, Wilcoxon-rangtest, P = 2,2 × 10 -16). Inderdaad, de verhoudingen van genen met een oude evolutionaire leeftijd zijn veel hoger in de trainingsset dan in de voorspellingsset (Fig. 3B). Een dergelijke vooringenomenheid is niet verrassend, aangezien knock-out-experimenten tijdrovend zijn en onderzoekers de neiging hebben om sterk geconserveerde genen te kiezen voor functioneel onderzoek.

De bias tussen genen in de trainings- en voorspellingssets. (EEN) De bias van een genomisch kenmerk werd gekwantificeerd door wederzijdse informatie op basis van de S-genset en (B) de verdeling van verschillende gengroepen van evolutionaire leeftijd in de trainings- en voorspellingssets.

De bias tussen genen in de trainings- en voorspellingssets. (EEN) De bias van een genomisch kenmerk werd gekwantificeerd door wederzijdse informatie op basis van de S-genset en (B) de verdeling van verschillende gengroepen van evolutionaire leeftijd in de trainings- en voorspellingssets.

Om de prestaties van onze willekeurige bosclassificaties op de voorspellingsset nauwkeuriger te schatten, hebben we een bias-correctiestap uitgevoerd op de ruwe schattingen van de kruisvalidatie (zie details in sectie 2). Zoals weergegeven in Tabel 3, zowel de nauwkeurigheid als de herinnering in aanmerking nemend, zonder de vertekening van de evolutionaire leeftijd te corrigeren, vertoont de S + E + I-functieset de beste prestaties (nauwkeurigheid = 72,5% en terugroepactie = 62,9%) en de I-functieset toont de laagste voorspellende kracht. Na het corrigeren van de bias blijft de voorspellende kracht over verschillende feature-assembly's vergelijkbaar: de S + I + E-functieset vertoont nog steeds de beste prestaties (nauwkeurigheid = 70,9% en recall = 60,7%), gevolgd door de S + I-functieset. We voorspelden het knock-out-fenotype (dodelijk of niet-dodelijk) voor 15 175 genen in de voorspellingsset, volgens de beschikbare functieset met de beste voorspellende kracht voor het gen (aanvullende tabel S3).

Samenvatting van de voorspellende kracht van verschillende functiesets met behulp van willekeurige bosclassificaties

Functie ingesteld. Selecteer kenmerken. Ruwe schattingen door middel van kruisvalidatie. Bias-gecorrigeerde schattingen een . Voorspelbare genen # .
. . Afsnijden . acc. PPV. NCW. Terugroepen . Afsnijden . acc. PPV. NCW. Terugroepen . .
S 36 0.48 0.709 0.624 0.737 0.438 0.47 0.744 0.568 0.756 0.331 15 175
S + E 57 0.54 0.727 0.703 0.733 0.391 0.54 0.745 0.646 0.740 0.315 9564
S + I 37 0.49 0.706 0.636 0.738 0.528 0.49 0.696 0.600 0.706 0.499 5187
S + E + I 44 0.46 0.725 0.637 0.777 0.629 0.46 0.709 0.642 0.738 0.607 3965
E 24 0.49 0.705 0.615 0.734 0.432 0.55 0.720 0.599 0.725 0.296 9573
l 20 0.58 0.644 0.598 0.650 0.184 0.49 0.628 0.551 0.634 0.291 5188
E + I 27 0.57 0.697 0.720 0.693 0.323 0.54 0.679 0.670 0.667 0.371 3965
Functie ingesteld. Selecteer kenmerken. Ruwe schattingen door middel van kruisvalidatie. Bias-gecorrigeerde schattingen een . Voorspelbare genen # .
. . Afsnijden . acc. PPV. NCW. Terugroepen . Afsnijden . acc. PPV. NCW. Terugroepen . .
S 36 0.48 0.709 0.624 0.737 0.438 0.47 0.744 0.568 0.756 0.331 15 175
S + E 57 0.54 0.727 0.703 0.733 0.391 0.54 0.745 0.646 0.740 0.315 9564
S + I 37 0.49 0.706 0.636 0.738 0.528 0.49 0.696 0.600 0.706 0.499 5187
S + E + I 44 0.46 0.725 0.637 0.777 0.629 0.46 0.709 0.642 0.738 0.607 3965
E 24 0.49 0.705 0.615 0.734 0.432 0.55 0.720 0.599 0.725 0.296 9573
l 20 0.58 0.644 0.598 0.650 0.184 0.49 0.628 0.551 0.634 0.291 5188
E + I 27 0.57 0.697 0.720 0.693 0.323 0.54 0.679 0.670 0.667 0.371 3965

een De vertekening van de evolutionaire leeftijd tussen de trainingsset en de voorspellingsset wordt gecorrigeerd. S, sequentiekenmerken S + E, sequentie- en expressiekenmerken S + I, sequentie- en interactiekenmerken S + E + I, sequentie-, expressie- en interactiekenmerken E, expressiekenmerken I, interactiekenmerken E + I, expressie- en interactiekenmerken. Nauwkeurigheid (Acc) wordt gedefinieerd als het aandeel genen waarvan de knock-out-fenotypeclassificatie correct is voorspeld PPV, positief voorspellende waarde, ook bekend als precisie, wordt gedefinieerd als het aandeel genen met een positieve voorspelling (dodelijk) dat correct voorspeld is NPV, negatief voorspellende waarde wordt gedefinieerd als het aandeel genen met een negatieve voorspelling (niet-dodelijk) die correct voorspeld zijn. recall wordt gedefinieerd als het aandeel genen met een dodelijk fenotype dat correct is voorspeld.

Samenvatting van de voorspellende kracht van verschillende functiesets met behulp van willekeurige bosclassificaties

Functie ingesteld. Selecteer kenmerken. Ruwe schattingen door middel van kruisvalidatie. Bias-gecorrigeerde schattingen een . Voorspelbare genen # .
. . Afsnijden . acc. PPV. NCW. Terugroepen . Afsnijden . acc. PPV. NCW. Terugroepen . .
S 36 0.48 0.709 0.624 0.737 0.438 0.47 0.744 0.568 0.756 0.331 15 175
S + E 57 0.54 0.727 0.703 0.733 0.391 0.54 0.745 0.646 0.740 0.315 9564
S + I 37 0.49 0.706 0.636 0.738 0.528 0.49 0.696 0.600 0.706 0.499 5187
S + E + I 44 0.46 0.725 0.637 0.777 0.629 0.46 0.709 0.642 0.738 0.607 3965
E 24 0.49 0.705 0.615 0.734 0.432 0.55 0.720 0.599 0.725 0.296 9573
l 20 0.58 0.644 0.598 0.650 0.184 0.49 0.628 0.551 0.634 0.291 5188
E + I 27 0.57 0.697 0.720 0.693 0.323 0.54 0.679 0.670 0.667 0.371 3965
Functie ingesteld. Selecteer kenmerken. Ruwe schattingen door middel van kruisvalidatie. Bias-gecorrigeerde schattingen een . Voorspelbare genen # .
. . Afsnijden . acc. PPV. NCW. Terugroepen . Afsnijden . acc. PPV. NCW. Terugroepen . .
S 36 0.48 0.709 0.624 0.737 0.438 0.47 0.744 0.568 0.756 0.331 15 175
S + E 57 0.54 0.727 0.703 0.733 0.391 0.54 0.745 0.646 0.740 0.315 9564
S + I 37 0.49 0.706 0.636 0.738 0.528 0.49 0.696 0.600 0.706 0.499 5187
S + E + I 44 0.46 0.725 0.637 0.777 0.629 0.46 0.709 0.642 0.738 0.607 3965
E 24 0.49 0.705 0.615 0.734 0.432 0.55 0.720 0.599 0.725 0.296 9573
l 20 0.58 0.644 0.598 0.650 0.184 0.49 0.628 0.551 0.634 0.291 5188
E + I 27 0.57 0.697 0.720 0.693 0.323 0.54 0.679 0.670 0.667 0.371 3965

een De vertekening van de evolutionaire leeftijd tussen de trainingsset en de voorspellingsset wordt gecorrigeerd. S, sequentiekenmerken S + E, sequentie- en expressiekenmerken S + I, sequentie- en interactiekenmerken S + E + I, sequentie-, expressie- en interactiekenmerken E, expressiekenmerken I, interactiekenmerken E + I, expressie- en interactiekenmerken. Nauwkeurigheid (Acc) wordt gedefinieerd als het aandeel genen waarvan de knock-out-fenotypeclassificatie correct is voorspeld PPV, positief voorspellende waarde, ook bekend als precisie, wordt gedefinieerd als het aandeel genen met een positieve voorspelling (dodelijk) dat correct voorspeld is NPV, negatief voorspellende waarde wordt gedefinieerd als het aandeel genen met een negatieve voorspelling (niet-dodelijk) die correct voorspeld zijn. recall wordt gedefinieerd als het aandeel genen met een dodelijk fenotype dat correct is voorspeld.


Fenotype annotaties

Fenotype matrix

De fenotypematrixweergave presenteert een mutant allel in al zijn bestudeerde contexten, of het nu een enkele genmutatie is die is bestudeerd in een of meer genetische stamachtergronden, of meer complexe genotypen, waaronder voorwaardelijke genotypen, multigene mutaties, transgene modellen of combinaties hiervan. De tabel genotypen boven de matrix geeft de allelsamenstelling en stam genetische achtergrond voor elke muis. Binnen de matrixrijen kunnen de Genotype-symbolen (bijv. hm1, ht2, etc.) worden gebruikt om een ​​meer gedetailleerde weergave te openen die fenotypetermen, opmerkingen en links naar verwijzingen bevat. Deze link opent op een aparte pagina om de vergelijking van meerdere genotypen te vergemakkelijken. Binnen de matrix kan een samenvattingsterm op hoog niveau in de linkerkolom worden omgeschakeld om meer gedetailleerde fenotypetermen te onthullen (Fig. 1b) voor vergelijkingen tussen genotypen. Als u op een vinkje in de matrix klikt, wordt dezelfde gedetailleerde weergave geopend als het Genotype-symbool en wordt de relevante term bovenaan het venster geplaatst. Er is een link onder de matrix die een venster opent met de volledige tekstannotaties voor alle genotypen in de matrix die opeenvolgend worden vermeld.

Zoogdier fenotype ontologie

Fenotypebeschrijvingen bij MGI worden gegeven met behulp van de Mammalian Phenotype Ontology (MP, Smith en Eppig 2012). De MP bevat meer dan 10.000 fenotypetermen, gerangschikt in een complexe hiërarchie. De MP wordt gebruikt voor fenotype-annotatie van alle mutatietypen, waardoor consistente beschrijvingen en volledige zoekresultaten voor fenotypegegevens mogelijk zijn. Bijvoorbeeld de Spns2 tm1b(KOMP)Wtsi allel, homozygoot 2-genotype wordt geannoteerd met 'verminderd aantal B-cellen'. Als u op deze term klikt, wordt de MP-browser geopend, met links om alle genotypen op te halen die een mutatie dragen die aan deze term of een subklasse van deze term is geannoteerd. MP terms may also be used to search for mutations using the Phenotypes and Alleles Query Form, the Marker Query Form, for expression data and for disease model data and other portals (see below). Recent improvements to the MP include the addition of terms to support importation and integration of the high-throughput phenotyping data provided by Europhenome, Wellcome Trust Sanger Institute and the IMPC (Smith and Eppig 2015). This dataset is searchable along with all other MGI phenotype data.


Toegangsopties

Krijg volledige toegang tot tijdschriften voor 1 jaar

Alle prijzen zijn NET prijzen.
De btw wordt later bij het afrekenen toegevoegd.
De belastingberekening wordt definitief tijdens het afrekenen.

Krijg beperkte of volledige toegang tot artikelen op ReadCube.

Alle prijzen zijn NET prijzen.


TALEN-mediated generation of Nkx3.1 knockout rat model

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Division of Integrated Sciences for Life, Graduate School of Integrated Sciences for Life, Hiroshima University, Hiroshima, Japan

Division of Integrated Sciences for Life, Graduate School of Integrated Sciences for Life, Hiroshima University, Hiroshima, Japan

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Correspondentie Jae-Hak Park, DVM, PhD, Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul 08826, Republic of Korea.

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Division of Integrated Sciences for Life, Graduate School of Integrated Sciences for Life, Hiroshima University, Hiroshima, Japan

Division of Integrated Sciences for Life, Graduate School of Integrated Sciences for Life, Hiroshima University, Hiroshima, Japan

Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul, Republic of Korea

Correspondentie Jae-Hak Park, DVM, PhD, Department of Laboratory Animal Medicine, Research Institute for Veterinary Science, BK21 PLUS Program for Creative Veterinary Science Research, College of Veterinary Medicine, Seoul National University, Seoul 08826, Republic of Korea.

Ji Min Lee and Ukjin Kim contributed equally to this study and share first authorship.

Abstract

Achtergrond

Recent developments in gene editing, using transcriptional activator-like effector nucleases (TALENs), have greatly helped the generation of genetically engineered animal models. The NK3 homeobox 1 (NKX3.1) protein plays important roles in prostate development and protein production, and functions as a tumor suppressor. Recently, NKX3.1 was shown to be associated with breast cancer in humans.

Methoden:

Our aim was to create a new rat model to elucidate the functions of NKX3.1. To that end, we generated Nkx3.1 knockout rats using TALENs and analyzed their phenotype. TALEN-mediated Nkx3.1 knockout was confirmed by T7 endonuclease I (T7E1) assay and DNA sequencing. Prostate weight and fertility were evaluated in the knockout rats, besides determining the proportion of epithelial cells and messenger RNA (mRNA) expression of genes associated with carcinogenesis. Breast tumors were examined by histopathology.

Resultaten

Results suggested Nkx3.1 knockout rats have reduced fertility, decreased prostate weights, and increased epithelial cell layers. The mRNA expression of genes related to prostate carcinogenesis, namely Ar, Akt, en Pi3k, also increased. Bovendien is de Nkx3.1 knockout rats often developed malignant breast tumors.

Conclusies

We, therefore, successfully created the first Nkx3.1 knockout rat model, using TALEN-mediated gene targeting, and used it to identify defects associated with Nkx3.1 deficiency, not previously observed in mice. Loss of Nkx3.1 in rats led to lower reproductive capacity, and decreased prostate weights, apart from the risk of developing breast cancer. We, thus, proposed Nkx3.1 knockout rats as reliable models for studying the role of NKX3.1 in decreased prostate weights, fertility, and breast cancer, as well as in prostate cancer.


Knockout Rat Phenotype Database? - Biologie

User Registration

Need a large quantity of desired mice fast? With natural breeding methods, the tedious nature of the reproduction process will take significant time to obtain enough homozygous mice for experiments. Moreover, if both the. Read More ›

Immunotherapeutics, as a treatment of human disease, has brought benefits to both patients and commercial success to a number of drug developers. However, determining the best experimental immunotherapy model is still a . Read More ›

Neurodegenerative diseases are a heterogeneous group of disorders characterized by the nerve cells in the brain or peripheral nervous system lose function and even die ultimately. The most common neurodegenerative diseas. Read More ›

Conditional knockout mice plays an vital role in biomedical advancements across many research areas which is essential for understanding human diseases and accelerating drug development. Compared with conventional knocko. Read More ›

BRGSF mice are one of the most highly immunodeficient mouse models on the current market, they are highly compatible with various sources of cell line-derived xenografts (CDXs) and patient-derived xenografts (PDXs), and . Read More ›

Gene therapy introduces a modified gene into diseased cells to treat a genetic-based disease. The new gene usually contains a functioning gene to correct the effects of a disease-causing mutation, which may be either spo. Read More ›

With the rapid development of human antibody production, using gene editing technology to construct humanized mice with human antibodies has become an important subject in antibody drug discovery. However, due . Read More ›

The continuous development and improvement of gene editing technology has driven the successful establishment of such a platform for mouse models expressing human antibody genes. This has not only led to revolu. Read More ›

To reduce the immunogenicity of mouse antibodies, chimeric antibody and human antibody strategies have been developed and quickly become important technologies in the antibody drug research. The establishment o. Read More ›

The therapeutic antibody has become a leading treatment option for cancers and other related diseases. In the past 25 years, antibody therapy has become an important treatment method for various diseases, such . Read More ›

Tumor cells are widely used in establishing tumor models due to its ease of access and low cost. In addition, there are many publications and data on genomics, cell function, and pharmacodynamic responses avail. Read More ›

Immunodeficient mice refer to the mice with defects in one or more immune components (such as T, B, NK cells) in the immune system. This type of mouse is widely used in the research of oncology (tumor growth, m. Read More ›

Lineage Tracing of Cells Expressing the Ciliary Gene IFT140 During Bone Development

Developmental Dynamics. DOI: 10.1002/dvdy.266 (2020)

Shrm4 contributes to autophagy inhibition and neuroprotection following ischemic stroke by mediating GABA B re.

FASEB J. DOI: 10.1096/fj.202000458RR (2020)

Neuraminidase-1 promotes heart failure after ischemia/reperfusion injury by affecting cardiomyocytes and invad.

Basic Res Cardiol. DOI: 10.1007/s00395-020-00821-z (2020)

Suppression of DDX39B sensitizes ovarian cancer cells to DNA-damaging chemotherapeutic agents via destabilizin.

oncogen DOI: 10.1038/s41388-020-01482-x (2020)

The piRNA CHAPIR regulates cardiac hypertrophy by controlling METTL3-dependent N 6-methyladenosine methylation.

Nat Cell Biol. DOI: 10.1038/s41556-020-0576-y (2020)

T cell immunoglobulin and mucin domain protein 3 inhibits glycolysis in RAW 264.7 macrophages through Hexokina.

Scand J Immunol. DOI: 10.1111/sji.12981 (2020)

"We generated a mouse knockout model using Cyagen&rsquos TurboKnockout® technology. Cyagen&rsquos team was on time.

&ldquoUsing Cyagen&rsquos CRISPR-generated constitutive knockout mice has greatly facilitated our understanding t.

&ldquoCyagen made two reporter knock-in mice (i.e. MLC-2v-tdTomato and Nppa-tagBFP) which were used in my recent public.

"Our lab has been using Cyagen&rsquos transient transgenic mouse embryo LacZ service to test candidate sequences for en.

"We are very pleased with the state-of-the-art professional transgenic services provided by Cyagen for our study publish.

&ldquoAmong several commercial services who have claimed to be specialized to generate mouse models with genetic modifi.


Knockout Mouse Project (KOMP)

Since 2006, scientists around the world have been working together to generate a targeted knockout mutation for every gene in the mouse genome.

The Knockout Mouse Project (KOMP) is providing critical tools for understanding gene function and the genetic causes of human diseases.

Coordinated by the International Mouse Phenotyping Consortium (IMPC), an international coalition will produce and phenotype a total of 5,000 knockout mice by 2016. The National Institutes of Health has funded three &ldquoKOMP2&rdquo centers in the United States, including one at The Jackson Laboratory, to work together on the immense task of producing and phenotyping these mice. We are pleased to contribute to this international effort establishing a global resource of knockout mice and related database of gene function.

High throughput production

The KOMP Production Center draws upon our 80-plus years of experience delivering top-quality models in producing germline-competent chimeras and subsequent mouse cohorts.

Phenotyping pipeline design

Broad phenotypic characterization of emerging mouse models will add important value and greatly enhance their utility to the scientific community.

About the Knockout Mouse Project

A coordinated venture would also create efficiency (saving money and time), improve availability, and ensure reproducibility of data through the standardization of models. In 2007, the International Knockout Mouse Consortium (IKMC) was formed with the support of the European Commission, the National Institutes of Health and Genome Canada. The process of creating embryonic stem cell lines for knockouts of each of the approximately 21,000 protein-coding genes in the mouse genome was begun through four programs: The Knockout Mouse Project (KOMP), the European Conditional Mouse Mutagenesis Program (EUCOMM), the North American Conditional Mouse Mutagenesis Project (NorComm), and the Texas A&M Institute for Genomic Medicine (TIGM).

Through the sharing of technologies, coordination of production plans and joint resolution of issues related to archiving and distributing resources, the IKMC has had great success and will soon reach its goal.

KOMP2

With ES cell lines already created for more than two-thirds of the mouse genome, in 2011 the National Institutes of Health (NIH) launched the second phase of this project, the Knockout Mouse Phenotyping Program, or KOMP2: generating and phenotyping mice for over 5,000 knockout ES cell lines. Phenotyping, which will measure biological information from appearance and behavior to biochemical characteristics, will employ a standardized battery of analyses to obtain consistent data on traits affected by the deleted genes.

The NIH has funded three KOMP2 centers to convert the ES cells into mice and rigorously document their phenotypes:

  • The Jackson Laboratory
  • The BaSH Consortium (Baylor College of Medicine, The Wellcome Trust Sanger Institute and MRC Harwell)
  • The DTCC Consortium (University of California at Davis, The Toronto Center for Phenogenomics, Children&rsquos Hospital Oakland Research Institute (CHORI) and Charles River Laboratories)

All of the data generated by the KOMP2 program are collected and made public by a central Data Coordination Center Database located at EBI-Hinxton, with support from Mouse Genome Informatics.

How to cite this resource

The JAX KOMP2 program is funded by multiple grants from the National Institutes of Health, through the NIH Common Fund.