شناسايي RNA هاي غيركدكننده كوتاه عملكردي با استفاده از روش هاي بيوانفورماتيكي در گوسفند و بز

Detecting of Functional Short Non-Coding RNAs using Bioinformatics Methods in Sheep and Goat

microRNA ها، RNAهاي غيركدكننده اي هستند كه در تنظيمات پس از رونويسي نقش هاي مهمي را بازي مي كنند. آن ها بيان ژن ها را به وسيله مسيرهاي تداخلي RNA، از طريق برش يا مهار ترجمه mRNA هدف تنظيم مي كنند. نقش هاي مهمي براي miRNA ها در روند تكاملي حيوانات مختلف گزارش شده است، اما اطلاعات محدودي در مورد miRNA هاي گوسفند و بز وجود دارد. گوسفند و بز مدلي مناسب براي مطالعات ژنوميك مقايسه اي و بيولوژيكي در نشخواركنندگان هستند. شناسايي miRNA ها براي درك مكانيسم بيولوژيكي آن ها بسيار حياتي است. روش هاي شناسايي محاسباتي، روش هاي آزمايشگاهي را براي شناسايي سريع تر RNA هاي غيركدكننده در ژنوم هاي جديد، كه اغلب تحت شرايط ويژه در انواع مختلفي از سلول ها نسخه برداري مي شوند را تكميل مي كنند. اخيراً روش هاي يادگيري ماشين براي پيش بيني ژن هاي miRNA جديد استفاده مي شود. در اين پژوهش يك طبقه بندي كننده جديد بر اساس SVM معرفي شد. اين طبقه بندي كننده دقت بالا، حساسيت متعادل و اختصاصيت براي مجموعه داده miRNA را نشان مي دهد كه ابزاري ايده آل، براي شناسايي miRNA ها در داده هاي ترانسكريپتوم محسوب مي شود. ما در اين پژوهش يك زيرمجموعه از ويژگي هاي بهينه شامل 20 ويژگي را با استفاده از ماشين بردار پشتيبان (SVM) ايجاد كرديم. سپس با استفاده از برنامه C#، ويژگي هاي استخراج شده براي داده هاي آموزشي محاسبه شد. در اين پژوهش، مدل هوشمند ماشين بردار پشتيبان با كرنل RBF و الگوريتم يادگيري SMO بهترين دسته بندي كننده براي پيش بيني ژن هاي microRNA در گوسفند و بز معرفي شد. حساسيت و اختصاصيت اين مدل به ترتيب 88 و 85 درصد به دست آمد. سپس يك روش محاسباتي بر اساس آناليز EST براي تشخيص miRNA هاي بالغ گوسفند و بز مورد استفاده قرار گرفت. در كروموزوم يك گوسفند، 23 كانديد miRNA و در بز 15 miRNA از جستجوي هم ساني شناسايي شد. نتايج نشان داد كه مدل مورد استفاده ما مي تواند دقت بالايي در شناسايي miRNA هاي گوسفند و بز ارائه دهد و نيز اطلاعات مفيدي را در زمينه عملكرد بيولوژيكي آن ها در گونه هاي نشخواركنندگان فراهم آورد.

MicroRNAs (miRNAs) are small non-coding RNAs that have functional roles in posttranscriptional modification. They regulate gene expression by an RNA interfering pathway through cleavage or inhibition of the translation of target mRNA. Numerous miRNAs have been described for their important functions in developmental processes in numerous animals, but there is limited information about sheep and goat miRNAs. Sheep and goat are ideal model organisms for biological and comparative genomics studies in ruminants. Identification of miRNAs is crucial to understanding their biological mechanism. Computational identification approaches can supplement experimental approaches to quickly identify ncRNAs in novel genomes, chiefly miRNAs that are transcribed under particular conditions in specific cell types. Currently, machine learning approaches have been employed to predict novel miRNAs. In this study, we present a new SVM-based classifier. It demonstrated high accuracy, balanced sensitivity and specificity for the miRNA datasets, thus representing an ideal tool for miRNA identification from transcriptome sequencing data. In this research, we generated an optimized feature subset including 20 features using a support vector machine, and we developed a c # program to compute the features in the training sequences. In this study, an intelligent SVM model with RBF kernel and the SMO learning algorithm was the best classifier for predicting microRNA genes in sheep and goat. Sensitivity and specificity of this model were 88% and 85% respectively. Then, expressed sequence tag (EST) analysis was performed for finding sheep and goat mature miRNAs. Chromosome 1 was scanned for finding miRNA potential region. In sheep 23 miRNA genes and, in goat 15 miRNAs had been discovered by homology searching. Our finding demonstrate that the Sheep and goat miRNA sequences can be supplied useful information for investigating biological roles of miRNAs in ruminants