Original Title: Expression pattern and network visualization of genes involved in milk persistency in bovine mammary tissue
Source: doi.org/10.34044/j.anres.2021.56.1.03
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

លំនាំនៃការបញ្ចេញ និងការធ្វើតំណាងបណ្តាញនៃហ្សែនដែលពាក់ព័ន្ធនឹងនិរន្តរភាពទឹកដោះនៅក្នុងជាលិកាសុដន់សត្វគោ

ចំណងជើងដើម៖ Expression pattern and network visualization of genes involved in milk persistency in bovine mammary tissue

អ្នកនិពន្ធ៖ Naghmeh Saedi (Islamic Azad University), Mehdi Aminafshar, Mohammad Chamani, Mahmood Honarvar, Ali Javadmanesh

ឆ្នាំបោះពុម្ព៖ 2022 Agriculture and Natural Resources

វិស័យសិក្សា៖ Animal Genetics

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយលើកង្វះការយល់ដឹងស៊ីជម្រៅអំពីយន្តការមេតាប៉ូលីស និងហ្សែនដែលគ្រប់គ្រងនិរន្តរភាពនៃការផលិតទឹកដោះ (Lactation persistency) នៅក្នុងជាលិកាសុដន់របស់សត្វគោ ដែលជារឿងសំខាន់សម្រាប់បង្កើនទិន្នផលទឹកដោះ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សាបានប្រើប្រាស់ទិន្នន័យពី Gene Expression Omnibus ដើម្បីកំណត់អត្តសញ្ញាណហ្សែនដែលបញ្ចេញខុសគ្នា និងវិភាគបណ្តាញអន្តរកម្មប្រូតេអ៊ីន។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Differential Gene Expression Analysis (limma package)
ការវិភាគការបញ្ចេញហ្សែនខុសគ្នា (Differential Gene Expression) ដោយប្រើកញ្ចប់ limma
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការកំណត់ហ្សែនដែលផ្លាស់ប្តូរការបញ្ចេញ (DEGs) តាមពេលវេលាដោយប្រើទិន្នន័យ Microarray។ ត្រូវការទិន្នន័យដែលមានគុណភាពល្អ និងតម្រូវឱ្យមានចំណេះដឹងផ្នែកស្ថិតិដើម្បីកំណត់កម្រិតកែតម្រូវតម្លៃ p-value។ កំណត់អត្តសញ្ញាណហ្សែនចំនួន ៣៤៤ ដែលមានការបញ្ចេញខុសគ្នាក្នុងអំឡុងពេលវដ្តនៃការបំបៅដោះ។
Protein-Protein Interaction (PPI) Network Analysis (Cytoscape)
ការវិភាគបណ្តាញអន្តរកម្មប្រូតេអ៊ីន-ប្រូតេអ៊ីន ដោយប្រើកម្មវិធី Cytoscape
ជួយស្វែងរកហ្សែនស្នូល (Hub genes) និងចង្កោមហ្សែនសំខាន់ៗដែលធ្វើការរួមគ្នាក្នុងទម្រង់ជាបណ្តាញដែលងាយស្រួលមើល។ ពឹងផ្អែកខ្លាំងលើទិន្នន័យអន្តរកម្មដែលមានស្រាប់ក្នុងមូលដ្ឋានទិន្នន័យ ដែលពេលខ្លះអាចមិនពេញលេញសម្រាប់សត្វគោ។ រកឃើញហ្សែនស្នូលចំនួន ៤ គឺ CTNNB1, TNF, CDH1, និង SPP1 ដែលមានកម្រិតនៃការតភ្ជាប់ខ្ពស់ជាងគេ។
Pathway Enrichment Analysis (ClueGo)
ការវិភាគមុខងារជីវសាស្ត្រ និងផ្លូវមេតាប៉ូលីស ដោយប្រើ ClueGo
ផ្តល់ការយល់ដឹងស៊ីជម្រៅអំពីយន្តការជីវសាស្ត្រ (GO) និងផ្លូវមេតាប៉ូលីស (KEGG) ដែលហ្សែនទាំងនោះចូលរួម។ លទ្ធផលអាចមានភាពស្មុគស្មាញក្នុងការបកស្រាយ ហើយទាមទារអ្នកជំនាញជីវវិទ្យាដើម្បីទាញសេចក្តីសន្និដ្ឋានឱ្យបានត្រឹមត្រូវ។ រកឃើញថាហ្សែន DEGs ពាក់ព័ន្ធខ្លាំងនៅក្នុងចំណុចភ្ជាប់កោសិកា (Adherens junction) និងផ្លូវបញ្ជូនសញ្ញា TGF-beta។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រជីវព័ត៌មានវិទ្យា (Bioinformatics) ដោយពឹងផ្អែកលើទិន្នន័យសាធារណៈ និងកម្មវិធីកុំព្យូទ័រ ដែលមិនតម្រូវឱ្យចំណាយថវិកាលើការធ្វើពិសោធន៍ផ្ទាល់ (In vivo) នៅក្នុងមន្ទីរពិសោធន៍ឡើយ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រើប្រាស់សំណាកពីសត្វគោទឹកដោះពូជ Holstein ពីសាកលវិទ្យាល័យ Illinois សហរដ្ឋអាមេរិក ដែលត្រូវបានចិញ្ចឹមក្នុងអាកាសធាតុត្រជាក់និងក្រោមការគ្រប់គ្រងចំណីអាហារកម្រិតខ្ពស់។ សម្រាប់ប្រទេសកម្ពុជា កត្តានេះជារឿងសំខាន់ដែលត្រូវពិចារណា ព្រោះសត្វគោពូជនាំចូលដែលចិញ្ចឹមក្នុងស្រុកជួបប្រទះនឹងអាកាសធាតុក្តៅសើម និងជំងឺតំបន់ត្រូពិច ដែលកត្តាបរិស្ថានទាំងនេះអាចធ្វើឱ្យលំនាំនៃការបញ្ចេញហ្សែនមានភាពខុសប្លែកគ្នា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាទិន្នន័យមកពីបរទេស ប៉ុន្តែវិធីសាស្ត្រជីវព័ត៌មានវិទ្យា និងក្របខណ្ឌនៃការស្រាវជ្រាវនេះមានតម្លៃយ៉ាងខ្លាំងក្នុងការជួយអភិវឌ្ឍវិស័យកសិកម្ម និងការស្រាវជ្រាវពន្ធុវិទ្យាសត្វនៅកម្ពុជា។

ការយល់ដឹងស៊ីជម្រៅអំពីហ្សែនដែលជំរុញការផលិតទឹកដោះ គឺជាជំហានឆ្ពោះទៅរកការគ្រប់គ្រងការបង្កាត់ពូជសត្វតាមបែបវិទ្យាសាស្ត្រ ដែលអាចជួយបង្កើនទិន្នផលក្នុងស្រុក និងកាត់បន្ថយការនាំចូលផលិតផលទឹកដោះគោ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះការទាញយកទិន្នន័យជីវសាស្ត្រសាធារណៈ: ស្វែងយល់ពីរចនាសម្ព័ន្ធទិន្នន័យជីវសាស្ត្រ និងអនុវត្តការទាញយកទិន្នន័យ Microarray ឬ RNA-seq ដោយឥតគិតថ្លៃពីមូលដ្ឋានទិន្នន័យ NCBI GEO (Gene Expression Omnibus)
  2. អនុវត្តការវិភាគរកហ្សែនបញ្ចេញខុសគ្នា (DGE): រៀនសរសេរកូដភាសា R ដោយផ្តោតលើការប្រើប្រាស់កញ្ចប់ limma របស់ Bioconductor ដើម្បីសម្អាតទិន្នន័យ និងកំណត់អត្តសញ្ញាណហ្សែនដែលផ្លាស់ប្តូរការបញ្ចេញ (DEGs) រវាងលក្ខខណ្ឌខុសគ្នា។
  3. កសាង និងវិភាគបណ្តាញអន្តរកម្មប្រូតេអ៊ីន: ដំឡើងកម្មវិធី Cytoscape បញ្ចូលបញ្ជីហ្សែន (DEGs) ដែលទទួលបាន និងប្រើប្រាស់កម្មវិធីជំនួយ StringApp និង MCODE ដើម្បីគូរបណ្តាញអន្តរកម្ម និងស្វែងរកហ្សែនស្នូល (Hub genes)។
  4. កំណត់មុខងារជីវសាស្ត្រ និងផ្លូវមេតាប៉ូលីស: ប្រើប្រាស់ឧបករណ៍វិភាគដូចជា ClueGo (ក្នុង Cytoscape) ឬកញ្ចប់ clusterProfiler (ក្នុង R) ដើម្បីបំប្លែងបញ្ជីហ្សែនស្ងួត ទៅជាព័ត៌មានជីវសាស្ត្រដែលអាចយល់បាន (GO terms និង KEGG pathways)។
  5. អនុវត្តលើគម្រោងស្រាវជ្រាវក្នុងស្រុក: សហការជាមួយសាកលវិទ្យាល័យ ឬកសិដ្ឋានក្នុងស្រុក ដើម្បីប្រមូលសំណាក (ឧទាហរណ៍៖ ឈាមសត្វគោ ក្របី) និងអនុវត្តបច្ចេកទេស Transcriptomics នេះដើម្បីសិក្សាពីភាពធន់នឹងកម្តៅ ឬជំងឺរលាកសុដន់ (Mastitis) ដែលកើតមានជាទូទៅនៅកម្ពុជា។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Transcriptomics (ត្រង់ស្គ្រីបតូមីក) ការសិក្សាអំពី RNA ទាំងអស់ (ឬ transcripts) ដែលត្រូវបានបង្កើតឡើងដោយហ្សែននៅក្នុងកោសិកា ឬជាលិកានៅពេលជាក់លាក់ណាមួយ ដើម្បីស្វែងយល់ពីរបៀបដែលហ្សែនកំពុងដំណើរការ និងឆ្លើយតបទៅនឹងបរិស្ថាន។ ដូចជាការអាន "បញ្ជីមុខម្ហូប" (RNA) ដែលចុងភៅ (កោសិកា) កំពុងរៀបចំចម្អិនចេញពីសៀវភៅរូបមន្តធ្វើម្ហូបដ៏ធំមួយ (DNA) នៅថ្ងៃនេះ។
Differentially expressed genes / DEGs (ហ្សែនដែលបញ្ចេញខុសគ្នា) ហ្សែនដែលមានកម្រិតនៃការសកម្ម (បរិមាណការបង្កើត RNA) ខុសគ្នាយ៉ាងច្បាស់ចន្លោះស្ថានភាពឬលក្ខខណ្ឌពីរផ្សេងគ្នា (ឧទាហរណ៍៖ ជាលិកាសុដន់នៅដើមរដូវបំបៅដោះ ធៀបនឹងចុងរដូវបំបៅដោះ)។ ដូចជាអំពូលភ្លើងនៅក្នុងផ្ទះ ដែលបន្ទប់ខ្លះត្រូវបានបើកភ្លឺខ្លាំង ហើយបន្ទប់ខ្លះទៀតត្រូវបានបិទ អាស្រ័យលើសកម្មភាពដែលម្ចាស់ផ្ទះកំពុងធ្វើនៅពេលនោះ។
Protein-Protein Interaction (PPI) Network (បណ្តាញអន្តរកម្មប្រូតេអ៊ីន-ប្រូតេអ៊ីន) ការធ្វើតំណាងជារូបភាពបណ្តាញ ដើម្បីបង្ហាញពីរបៀបដែលប្រូតេអ៊ីនផ្សេងៗនៅក្នុងកោសិការួមបញ្ចូលគ្នា ឬធ្វើអន្តរកម្មជាមួយគ្នាដើម្បីអនុវត្តមុខងារជីវសាស្ត្រ ឬដំណើរការផ្លូវមេតាប៉ូលីសណាមួយ។ ដូចជាផែនទីបណ្តាញទំនាក់ទំនងសង្គម ដែលបង្ហាញពីអ្នកណាស្គាល់អ្នកណា ហើយនរណាធ្វើការងារជាក្រុមជាមួយនរណាខ្លះ។
Hub genes (ហ្សែនស្នូល) ហ្សែន ឬប្រូតេអ៊ីនដែលស្ថិតនៅចំណុចកណ្តាលនៃបណ្តាញអន្តរកម្ម និងមានការតភ្ជាប់ច្រើនជាងគេបំផុតជាមួយហ្សែនដទៃទៀត ដែលធ្វើឱ្យពួកវាមានតួនាទីជាអ្នកបញ្ជា និងគ្រប់គ្រងប្រព័ន្ធទាំងមូល។ ដូចជារង្វង់មូលចរាចរណ៍ដ៏ធំមួយ (ឧទាហរណ៍៖ រង្វង់មូលវិមានឯករាជ្យ) ដែលតភ្ជាប់ផ្លូវជាច្រើន ហើយបើសិនជាស្ទះនៅទីនោះ វានឹងរំខានដល់ចរាចរណ៍ទូទាំងក្រុង។
Lactation persistency (និរន្តរភាពនៃការផលិតទឹកដោះ) សមត្ថភាពរបស់សត្វគោក្នុងការរក្សាបរិមាណនៃការផលិតទឹកដោះឱ្យនៅកម្រិតខ្ពស់ និងថេរក្នុងរយៈពេលយូរ បន្ទាប់ពីវាបានឈានដល់ចំណុចកំពូលនៃការបញ្ចេញទឹកដោះរួច។ ដូចជាសមត្ថភាពរបស់កីឡាកររត់ម៉ារ៉ាតុង ដែលអាចរក្សាល្បឿនរត់បានថេរ និងរលូនល្អរហូតដល់ទីដៅ ទោះបីជារត់អស់ចម្ងាយឆ្ងាយហើយក៏ដោយ។
Adherens junction (ចំណុចភ្ជាប់កោសិកា) ប្រព័ន្ធប្រូតេអ៊ីន (ដូចជា CDH1 ឬ E-cadherin) ដែលដើរតួនាទីតភ្ជាប់កោសិកាដែលនៅជាប់គ្នាឱ្យជាប់រឹងមាំ ដើម្បីរក្សារចនាសម្ព័ន្ធ ស្ថិរភាព និងការបញ្ជូនសញ្ញានៃជាលិកាសុដន់។ ដូចជាស៊ីម៉ងត៍ដែលបិទភ្ជាប់ដុំឥដ្ឋមួយទៅដុំឥដ្ឋមួយទៀតឱ្យជាប់គ្នាយ៉ាងរឹងមាំ ដើម្បីសាងសង់ជញ្ជាំងផ្ទះកុំឱ្យរលំ។
Gene Ontology / GO (ការចាត់ថ្នាក់មុខងារហ្សែន) ប្រព័ន្ធស្តង់ដារសម្រាប់វែកញែក និងរៀបរាប់ពីមុខងាររបស់ហ្សែនទៅតាមចំណាត់ថ្នាក់ធំៗ៣គឺ៖ ដំណើរការជីវសាស្រ្ត ទីតាំងសមាសភាគនៅក្នុងកោសិកា និងមុខងារម៉ូលេគុលរបស់វា។ ដូចជាប្រព័ន្ធលេខកូដក្នុងបណ្ណាល័យដែលចាត់ថ្នាក់សៀវភៅតាមប្រភេទ (ប្រលោមលោក វិទ្យាសាស្ត្រ ប្រវត្តិសាស្ត្រ) ដើម្បីឱ្យយើងងាយស្រួលស្វែងរក និងដឹងពីអត្ថន័យសៀវភៅនោះ។
Mammary epithelial cells / MECs (កោសិកាអេពីតេល្យូមសុដន់) កោសិកាដែលបង្កើតជាស្រទាប់បំពង់ខាងក្នុងនៃក្រពេញសុដន់ ដែលមានតួនាទីយ៉ាងសកម្មក្នុងការស្រូបយកសារធាតុចិញ្ចឹមពីឈាមមកសំយោគ និងបញ្ចេញជាទឹកដោះ។ ដូចជារោងចក្រផលិតទឹកបរិសុទ្ធ ដែលមានម៉ាស៊ីនចម្រោះនិងលាយសារធាតុផ្សេងៗ ដើម្បីបញ្ចេញជាផលិតផលសម្រេច។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖