Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Biology
Click here for the English version

Biology

mirMachine: En one-stop-shop for plante miRNA-annotation

Published: May 1, 2021 doi: 10.3791/62430
Automatic Translation
1, 1, 2
1U.S. Department of Agriculture - Agricultural Research Service, Western Regional Research Center, Crop Improvement and Genetics Research Unit, CA, USA, 2Montana BioAgriculture Inc., Missoula, MT, USA

Summary

Heri præsenterer vi en ny og fuldautomatisk miRNA-pipeline, mirMachine, der 1) kan identificere kendte og nye miRNA'er mere præcist og 2) er fuldautomatisk og frit tilgængelig. Brugere kan nu udføre et kort indsendelsesscript for at køre den fuldautomatiske mirMachine-pipeline.

Abstract

Af forskellige typer ikke-kodende RNA'er har mikroRNA'er (miRNA'er) uden tvivl været i søgelyset i løbet af det sidste årti. Som post-transkriptionelle regulatorer af genekspression spiller miRNA'er nøgleroller i forskellige cellulære veje, herunder både udvikling og respons på a / biotisk stress, såsom tørke og sygdomme. At have referencegenomsekvenser af høj kvalitet muliggjorde identifikation og annotation af miRNA'er i flere plantearter, hvor miRNA-sekvenser er meget bevarede. Da beregningsmæssige miRNA-identifikations- og annotationsprocesser for det meste er fejlbehæftede processer, øger homologibaserede forudsigelser forudsigelsesnøjagtigheden. Vi har udviklet og forbedret miRNA-annotationspipelinen, SUmir, i det sidste årti, som er blevet brugt til flere plantegenomer siden da.

Denne undersøgelse præsenterer en fuldt automatiseret, ny miRNA-pipeline, mirMachine (miRNA-maskine), ved (i) at tilføje et yderligere filtreringstrin på forudsigelserne af sekundær struktur, (ii) gøre den fuldt automatiseret og (iii) introducere nye muligheder for at forudsige enten kendt miRNA baseret på homologi eller nye miRNA'er baseret på små RNA-sekventeringslæsninger ved hjælp af den tidligere pipeline. Den nye miRNA-pipeline, mirMachine, blev testet ved hjælp af Arabidopsis Information Resource, TAIR10, frigivelse af Arabidopsis-genomet og International Wheat Genome Sequencing Consortium (IWGSC) hvedereferencegenom v2.

Introduction

Fremskridt inden for næste generations sekventeringsteknologier har udvidet forståelsen af RNA-strukturer og regulatoriske elementer og afsløret funktionelt vigtige ikke-kodende RNA'er (ncRNA'er). Blandt forskellige typer ncRNA'er udgør mikroRNA'er (miRNA'er) en grundlæggende regulatorisk klasse af små RNA'er med en længde mellem 19 og 24 nukleotider i planter 1,2. Siden opdagelsen af det første miRNA i nematoden Caenorhabditis elegans3 er tilstedeværelsen og funktionerne af miRNA'er blevet undersøgt grundigt i dyre- og plantegenomer samt 4,5,6. miRNA'er fungerer ved at målrette mRNA'er til spaltning eller translationel undertrykkelse7. Akkumulerende beviser har også vist, at miRNA'er er involveret i en lang række biologiske processer i planter, herunder vækst og udvikling8, selvbiogenese9 og flere biotiske og abiotiske stressresponser10.

I planter behandles miRNA'er oprindeligt fra lange primære transkripter kaldet pri-miRNA'er11. Disse pri-miRNA'er genereret af RNA-polymerase II inde i kernen er lange transkripter, der danner en ufuldkommen fold-back-struktur12. Pri-miRNA'erne gennemgår senere en spaltningsproces for at producere endogene enkeltstrengede (ss) hårnåleforstadier til miRNA'er kaldet pre-miRNA'er11. Pre-miRNA'et danner en hårnållignende struktur, hvor en enkelt streng foldes ind i en dobbeltstrenget struktur for at udskære en miRNA-duplex (miRNA / miRNA *)13. Dicer-lignende protein skærer begge tråde af miRNA / miRNA * duplex, hvilket efterlader 2-nukleotid 3'-overhæng14,15. MiRNA-duplexet methyleres inde i kernen, hvilket beskytter 3'-enden af miRNA'et mod nedbrydning og uridylationsaktivitet16,17. En helicase afvikler den methylerede miRNA-duplex efter eksport og udsætter det modne miRNA for det RNA-inducerede hæmningskompleks (RISC) i cytosolen18. Den ene streng af duplexet er modent miRNA inkorporeret i RISC , mens den anden streng, miRNA *, nedbrydes. MiRNA-RISC-komplekset binder til målsekvensen, hvilket fører til enten mRNA-nedbrydning i tilfælde af fuld komplementaritet eller translationel undertrykkelse i tilfælde af delvis komplementaritet13.

Baseret på ekspressions- og biogenesefunktionerne er retningslinjer for miRNA-annotation beskrevet15,19. Med de definerede retningslinjer udviklede Lucas og Budak SUmir-rørledningen til at udføre en homologibaseret in silico miRNA-identifikation i planter9. SUmir-pipelinen bestod af to scripts: SUmirFind og SUmirFold. SUmirFind udfører lighedssøgninger mod kendte miRNA-datasæt gennem National Center for Biotechnology Information (NCBI) Basic Local Alignment Search Tool (BLAST) screening med modificerede parametre til at omfatte hits med kun 2 eller færre uoverensstemmelser og for at undgå bias mod kortere hits (blastn-short -ungapped -penalty -1 -reward 1). SUmirFold evaluerer den sekundære struktur af de formodede miRNA-sekvenser fra BLAST20-resultater ved hjælp af UNAfold21. SUmirFold adskiller miRNA'er fra små interfererende RNA'er ved identifikation af egenskaberne ved hårnålstruktur. Desuden adskiller det miRNA'er fra andre ssRNA'er såsom tRNA og rRNA ved parametrene, minimum foldenergiindeks > 0,67 og GC-indhold på 24-71%. Denne pipeline er for nylig blevet opdateret ved at tilføje to yderligere trin for at (i) øge følsomheden, (ii) øge annotationsnøjagtigheden og (iii) give genomisk fordeling af de forudsagte miRNA-gener22. I betragtning af den høje bevarelse af plante-miRNA-sekvenser23 blev denne pipeline oprindeligt designet til homologibaseret miRNA-forudsigelse. Nye miRNA'er kunne imidlertid ikke identificeres nøjagtigt med denne bioinformatikanalyse, da den var stærkt afhængig af sekvensbevarelse af miRNA'er mellem nært beslægtede arter.

Dette papir præsenterer en ny og fuldautomatisk miRNA-pipeline, mirMachine, der 1) kan identificere kendte og nye miRNA'er mere præcist (for eksempel bruger rørledningen nu sRNA-seq-baserede nye miRNA-forudsigelser samt homologibaseret miRNA-identifikation) og 2) er fuldt automatiseret og frit tilgængelig. Outputtene har også inkluderet de genomiske fordelinger af de forudsagte miRNA'er. mirMachine blev testet for både homologibaserede og sRNA-seq-baserede forudsigelser i hvede- og Arabidopsis-genomer . Selvom UNAfold oprindeligt blev udgivet som fri software, blev det en kommerciel software i det sidste årti. Med denne opgradering blev det sekundære strukturforudsigelsesværktøj skiftet fra UNAfold til RNAfold, så mirMachine kan være frit tilgængeligt. Brugere kan nu udføre et kort indsendelsesscript for at køre den fuldautomatiske mirMachine-pipeline (eksempler findes på https://github.com/hbusra/mirMachine.git).

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Softwareafhængigheder og installation

  1. Installer softwareafhængigheder fra deres hjemmeside eller ved hjælp af conda.
    1. Download og installer Perl, hvis den ikke allerede er installeret, fra sit websted (https://www.perl.org/get.html).
      BEMÆRK: Repræsenterede resultater blev forudsagt ved hjælp af Perl v5.32.0.
    2. Download Blast+, et justeringsprogram, fra dets hjemmeside (https://www.ncbi.nlm.nih.gov/books/NBK279671/) som en eksekverbar og som kildekode.
      BEMÆRK: Repræsenterede resultater blev forudsagt ved hjælp af BLAST 2.6.0+.
    3. Installer prækompileret pakke med RNAfold fra https://www.tbi.univie.ac.at/RNA/.
    4. Alternativt kan du installere disse software ved hjælp af følgende conda: i) conda install -c bioconda blast; ii) conda install -c bioconda viennarna.

2. MirMachine opsætning og test

  1. Download den nyeste version af mirMachine-scripts og mirMachine-indsendelsesscriptet fra GitHub, https://github.com/hbusra/mirMachine.git, og indstil derefter scriptstien til PATH.
  2. Brug testdataene på GitHub for at sikre, at mirMachine sammen med alle dens afhængigheder er blevet downloadet korrekt.
  3. Kør mirMachine på testdataene vist nedenfor.
    bash mirMachine_submit.sh -f iwgsc_v2_chr5A.fasta -i mature_high_conf_v22_1.fa.filtered.fasta -n 10
    BEMÆRK: Indstil -n-indstillingen til 10, da testdataene kun indeholder et kromosom af hvedegenomet. Som standard er indstillingen -n indstillet til 20.
  4. Kontroller hairpins.tbl.out.tbl-outputfilerne for de forudsagte modne miRNA'er, deres forudsagte forløbere og deres placeringer på kromosomerne.
  5. Kontroller logfilerne for programoutput og advarsler.

3. Homologibaseret miRNA-identifikation

  1. Kør mirMachine ved hjælp af bash-scriptet vist nedenfor:
    bash mirMachine_submit.sh -f $genome_file -i $input_file -m $mismatches -n $number_of_hits
  2. Kontroller de forudsagte miRNA'er. Find outputfilen med navnet $input_file.results.tbl.hairpins.tbl.out.tbl for de forudsagte miRNA'er. Find outputfilen med navnet $input_file.results.tbl.hairpins.fsa til pre-miRNA FASTA-sekvenserne. Find outputfilen med navnet $input_file.results.tbl.hairpins.log til hårnålslogfilen.

4. Ny miRNA-identifikation

  1. Forbehandle sRNA-seq FASTQ-filerne til korrekt FASTA-format. Trim adaptere, hvis det er nødvendigt. Trim ikke læsning af lav kvalitet; Fjern dem i stedet. Fjern læsninger, der indeholder N. Konverter FASTQ-filen til FASTA-fil ($input_file).
  2. Kør mirMachine ved hjælp af bash-scriptet vist nedenfor.
    bash mirMachine_submit.sh -f $genome_file -i $input_file -n $number_of_hits -sRNAseq -lmax $lmax -lmin $lmin -rpm $rpm
    BEMÆRK: $mismatches blev sat til 0 for sRNA-seq-baserede forudsigelser.
  3. Kontroller de forudsagte miRNA'er. Find outputfilen med navnet $input_file.results.tbl.hairpins.tbl.out.tbl for de forudsagte miRNA'er. Find outputfilen med navnet $input_file.results.tbl.hairpins.fsa til pre-miRNA FASTA-sekvenserne. Find outputfilen med navnet $input_file.results.tbl.hairpins.log til hårnålslogfilen.

5. Forhåndsparametre

BEMÆRK: Standardindstillingerne er defineret for alle parametre undtagen genomfilen og input miRNA-filen.

  1. Indstil indstillingen -db til en blastdatabase for at springe bygningsreferencedatabasen i pipelinen over.
  2. Indstil indstillingen -m til antallet af tilladte uoverensstemmelser.
    BEMÆRK: Ved standard blev -m-indstillingen indstillet til 1 for homologibaserede forudsigelser og 0 for de sRNA-seq-baserede forudsigelser.
  3. Indstil -n til antallet af hits, der skal fjernes efter justering (standard til 20). Skift dette baseret på arten.
  4. Brug -long til at vurdere de sekundære strukturer for listen over mistænkte.
  5. Brug - s til at aktivere den nye miRNA-forudsigelse baseret på sRNA-seq-data.
  6. Indstil indstillingen - lmax til den maksimale længde af sRNA-seq-læsningerne, der skal medtages i screeningen.
  7. Indstil indstillingen - lmax til minimumslængden af sRNA-seq-læsningerne, der skal medtages i screeningen.
  8. Brug indstillingen -rpm til at indstille grænsen for læsninger pr. million (RPM).
    BEMÆRK: For avancerede parametre som længden af pri-miRNA'er / pre-miRNA'er opfordres erfarne brugere til at ændre scripts til deres forskning af interesse. Derudover, hvis brugerne har til hensigt at springe nogle trin over eller foretrækker at bruge ændrede output, kan indsendelsesscriptet ændres ved blot at tilføje # i begyndelsen af linjerne for at springe over disse linjer.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

MiRNA-rørledningen, mirMachine, beskrevet ovenfor, blev anvendt på testdataene til hurtig evaluering af rørledningens ydeevne. Kun de højkonfidensplantemiRNA'er, der blev deponeret ved miRBase v22.1, blev screenet mod kromosom 5A af IWGSC-hvede RefSeq-genomet v224. mirMachine_find returnerede 312 hits til den ikke-redundante liste over 189 miRNA'er med høj tillid med maksimalt 1 tilladt mismatch (tabel 1). mirMachine_fold klassificerede 49 af dem som formodede miRNA'er afhængigt af evalueringen af sekundær struktur. Den højest repræsenterede gruppe af miRNA'er var miR9666 med i alt 18 identificerede miRNA'er (figur 1). Nogle miRNA'er delte det samme modne miRNA, men behandlet fra en anden pre-miRNA-sekvens. Disse miRNA'er blev omdøbt af miRNA-familienavnet efterfulgt af et unikt nummer, f.eks. miR156-5p-1 og miR156-5p-2. Blandt de 49 formodede miRNA'er blev 20 ikke-redundante modne miRNA-sekvenser identificeret. Nogle miRNA'er kan transskriberes fra mere end et sted, hvilket resulterer i et højere antal miRNA'er repræsenteret. I testdataene var miR9666-3p-5 repræsenteret to gange: den ene på sansestrengen (ved 602887137) og den anden på antisense-strengen (ved 542053079). Alle placeringer findes i GitHub under TestData-outputfilen med navnet mature_high_conf_v22_1.fa.filtered.fasta.results.tbl. hairpins.tbl.out.tbl.

Ekspressionsbevis i et plantegenom er tilstrækkeligt i betragtning af bevarelsen af miRNA'er i planter; Et miRNA-datasæt med høj tillid giver dog kun en begrænset mængde data. Derfor foretrækker brugeren at bruge de højkonfidens- og/eller eksperimentelt validerede miRNA'er som referencedatasæt og springe ekspressionsvalideringstrin over, eller at bruge alle plante-miRNA'er, der er tilgængelige som referencedatasæt, og se efter ekspressionsbeviset bagefter. Her, da miRNA'erne med høj tillid blev brugt som referencesæt, som var blevet valideret eksperimentelt i et af plantegenomerne, blev ekspressionsvalideringstrin sprunget over for testdataene.

mirMachine blev benchmarket ved hjælp af monocot- og dicot-anlæg, herunder Arabidopsis thaliana (Arabidopsis, TAIR10-frigivelse) og Triticum aestivum (hvede, IWGSC RefSeq v2). Udførelsen af de homologibaserede og de sRNA-seq-baserede forudsigelser blev evalueret, og resultaterne blev sammenlignet med miRDP225, et NGS-baseret miRNA-forudsigelsesværktøj. Homologibaserede forudsigelser blev udført ved hjælp af den ikke-overflødige liste over plantemodne miRNA-sekvenser deponeret ved miRbase v2226. sRNA-seq-baserede forudsigelser blev udført ved hjælp af de offentligt tilgængelige datasæt; GSM2094927 for Arabidopsis og GSM1294661 for hvede. Ud over rå resultater blev de homologibaserede forudsigelser filtreret for ekspressionsbevis for modne miRNA- og miRNA-stjernesekvenser ved hjælp af de samme sRNA-seq-datasæt.

Figur 2 viser ydeevnen for hvert værktøj og mirMachine-indstillingerne på de to arter. Følsomhed blev beregnet som det samlede antal kendte miRNA'er identificeret divideret med det samlede antal identificerede miRNA'er. Resultaterne viste, at mirMachine klarede sig bedre end miRDP2 med hensyn til følsomhed og de sande positive forudsigelser i Arabidopsis-dataene . For hvededataene gav mirMachine homologibaseret forudsigelse, understøttet af ekspressionsbeviser, bedre følsomhed end miRDP2. For begge genomer forudsagde miRDP2 et højere antal sande positive sammenlignet med mirMachine sRNA-seq og homologibaserede forudsigelser med ekspressionsbevis. Det skal bemærkes, at miRDP2 sænker ekspressionstærsklen (RPM, læser pr. Million) fra 10 til 1 til forudsigelse af kendte miRNA'er, hvilket resulterer i højere sande positive forudsigelser. Generelt kan mirMachine bruges til identifikation af både nye og kendte miRNA'er. En fordel ved mirMachine er dens evne til at forudsige genom-dækkende fordeling af de formodede miRNA'er uden en begrænsning af specifikke væv og tilstande. Endelig er mirMachine brugervenlig og giver fleksibilitet til at justere parametre som antal hits, uoverensstemmelser, længde af miRNA'er og RPM'er til specifikke forskningsformål. Samlet set giver mirMachine nøjagtige forudsigelser for de formodede miRNA'er i transkriptomerne og planternes genomer.

Figure 1
Figur 1: Fordelingen af miRNA-familier identificeret ud fra kromosomet 5A i IWGSC-hvedereferencegenomet v2. Dataetiketter viser miRNA-familien og antallet af miRNA'er, der tilhører hver miRNA-familie. Forkortelser: miRNA = microRNA; IWGSC = Internationalt konsortium for hvedegenomsekventering. Klik her for at se en større version af denne figur.

Figure 2
Figur 2: Præstationsvurdering af mirMachine. Sammenligninger af følsomheden og det samlede antal kendte miRNA'er forudsagt (sande positive) vises for mirMachine med homologibaserede og sRNA-seq-baserede forudsigelser og miRDP2-softwaren. Forkortelse: miRNA = microRNA. Klik her for at se en større version af denne figur.

Genom Genom størrelse Reference miRNA-datasæt mirMachine_find hits mirMAchine_fold hits # af miRNA-familier
Test data ~0,7 Gb 189 312 49 9
Chr5A

Tabel 1: Statistik over mirMachine. Testdata er fra kromosom 5A i IWGSC hvedereferencegenomet v2. Forkortelser: miRNA = microRNA; IWGSC = Internationalt konsortium for hvedegenomsekventering.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Vores miRNA-pipeline, SUmir, er blevet brugt til identifikation af mange plante-miRNA'er i det sidste årti. Her udviklede vi en ny, fuldautomatisk og frit tilgængelig miRNA-identifikations- og annotationspipeline, mirMachine. Desuden var en række miRNA-identifikationsrørledninger, herunder, men ikke begrænset til, den tidligere pipeline, afhængige af UNAfold-software21, som blev en kommerciel software over tid, selvom den engang var frit tilgængelig. Denne nye og fuldautomatiske mirMachine er ikke længere afhængig af UNAfold; i stedet bruges den frit tilgængelige RNAfold fra ViennaRNA-pakke27 til forudsigelse af sekundær struktur. Derudover blev alle scripts til mirMachine samlet i et bash-script med justerbare parametre for at gøre mirMachine til et fuldt automatiseret og frit tilgængeligt miRNA-forudsigelses- og annotationsværktøj.

MirMachine nød godt af egenskaberne ved plantemiRNA'er og deres biogenese. I modsætning til præ-miRNA'er til dyr er plantepræ-miRNA'er variable i længde og strukturelle træk15. Derfor er der fastsat et kriterium for identifikation af plantemiRNA'er afhængigt af miRNA'ernes egenskaber og deres biogenese15. Der blev ikke fastsat nogen afskæring for præ-miRNA-længden, da længden af plantepræ-miRNA'er kan variere bemærkelsesværdigt og kan være hundredvis af nukleotider lange. I stedet blev pri-miRNA-strukturfoldning, som var begrænset til ~ 700 bp i længden, først evalueret. Senere blev præ-miRNA-sekvensen forudsagt ud fra kandidat-pri-miRNA-sekvenserne og evalueret for korrekt foldestatistik.

Mange plantegenomer, især agronomisk vigtige korn som hvede og byg, har meget gentagne genomer28,29,30. Bortset fra indholdet med høj gentagelse observeres polyploidi i nogle af disse planter24, hvilket introducerer yderligere kompleksiteter til in silico-identifikation og karakterisering af miRNA-strukturerne. Gentagelserne er en vigtig kilde til produktion af siRNA'er31, der ligner miRNA'er i deres modne former; de adskiller sig dog i biogenese og funktion32,33. Det er ekstremt vanskeligt at fjerne siRNA'er fra kandidat-miRNA-listerne. Faktisk er den mest anvendte miRNA-database, miRBase26, blevet rapporteret at indeholde et stort antal siRNA'er kommenteret falsk som miRNA'er34,35. Baseret på forskellene i deres biogenese filtrerer mirMachine de små RNA'er, der danner et perfekt par med antisense-strengen som siRNA'er og placerer disse sekvenser i den mistænkte tabel. Derudover har mirMachine -n-indstillingen, som definerer det maksimale antal hits for at filtrere kandidat-RNA'erne som siRNA'er.

Ekspressionsbevis er påkrævet for at validere alle miRNA'er forudsagt i silico. Da miRNA'er er stærkt bevarede blandt plantegenomer, bør ekspressionsbevis i et af plantegenomerne være tilstrækkeligt til at bekræfte gyldigheden af det forudsagte miRNA. Brugen af modne miRNA-sekvenser med høj tillid i den indledende screeningsproces har den fordel, at den giver ekspressionsbevis for alle de forudsagte miRNA'er; Den korte liste over indledende miRNA-datasæt begrænser imidlertid forudsigelsen af et omfattende sæt miRNA'er i et genom. Alternativt kan et komplet sæt plante-miRNA'er, der er deponeret i miRBase-databasen, bruges som et indledende datasæt i stedet for at filtrere efter miRNA'er med høj tillid. Brugere rådes til at kigge efter ekspressionsbevis gennem udtrykte sekvensmærker, miRNA-mikroarrays eller små RNA-sekventeringsdata for mindst et af plantegenomerne, hvis der ikke er ekspressionsdata tilgængelige for de pågældende arter.

Homologibaserede miRNA-forudsigelser kan hjælpe med at belyse genom-dækkende fordeling af den kendte familie af miRNA'er. Disse miRNA'er vil sandsynligvis blive udtrykt i visse væv og tilstande. En ulempe ved homologibaserede forudsigelser er manglen på evne til at identificere nye miRNA-familier. I modsætning hertil kunne sRNA-seq-baserede forudsigelser identificere nye miRNA'er med en pris på et stort antal falske positiver. Derfor er valget af den bedste tilgang op til brugerne og den relevante forskning. MirMachine, der præsenteres her, kan hjælpe med at identificere miRNA'erne baseret på enten homologi til kendte miRNA'er eller sRNA-sekventering.

Subscription Required. Please recommend JoVE to your librarian.

Materials

Name Company Catalog Number Comments
https://www.ncbi.nlm.nih.gov/books/NBK279671/ Blast+
https://github.com/hbusra/mirMachine.git mirMachine submission script
https://www.perl.org/get.html Perl
https://www.tbi.univie.ac.at/RNA/ RNAfold
Arabidopsis TAIR10
Triticum aestivum (wheat, IWGSC RefSeq v2)

DOWNLOAD MATERIALS LIST

References

  1. Voinnet, O. Origin, biogenesis, and activity of plant microRNAs. Cell. 136 (4), 669-687 (2009).
  2. Budak, H., Akpinar, B. A. Plant miRNAs: biogenesis, organization and origins. Functional & Integrative Genomics. 15 (5), 523-531 (2015).
  3. Lee, R. C., Feinbaum, R. L., Ambros, V. The C. elegans heterochronic gene lin-4 encodes small RNAs with antisense complementarity to lin-14. Cell. 75 (5), 843-854 (1993).
  4. Zhang, L., et al. Exogenous plant MIR168a specifically targets mammalian LDLRAP1: evidence of cross-kingdom regulation by microRNA. Cell Research. 22 (1), 107-126 (2012).
  5. Pang, K. C., Frith, M. C., Mattick, J. S. Rapid evolution of noncoding RNAs: Lack of conservation does not mean lack of function. Trends in Genetics. 22 (1), 1-5 (2006).
  6. Guleria, P., Mahajan, M., Bhardwaj, J., Yadav, S. K. Plant small RNAs: biogenesis, mode of action and their roles in abiotic stresses. Genomics, Proteomics and Bioinformatics. 9 (6), 183-199 (2011).
  7. Jones-Rhoades, M. W., Bartel, D. P., Bartel, B. MicroRNAs and their regulatory roles in plants. Annual Review of Plant Biology. 57, 19-53 (2006).
  8. Singh, A., et al. Plant small RNAs: advancement in the understanding of biogenesis and role in plant development. Planta. 248 (3), 545-558 (2018).
  9. Lucas, S. J., Budak, H. Sorting the wheat from the chaff: identifying miRNAs in genomic survey sequences of Triticum aestivum chromosome 1AL. PloS One. 7 (7), 40859 (2012).
  10. Li, S., Castillo-González, C., Yu, B., Zhang, X. The functions of plant small RNAs in development and in stress responses. Plant Journal. 90 (4), 654-670 (2017).
  11. Lee, Y., Jeon, K., Lee, J. T., Kim, S., Kim, V. N. MicroRNA maturation: Stepwise processing and subcellular localization. EMBO Journal. 21 (17), 4663-4670 (2002).
  12. Lee, Y., et al. MicroRNA genes are transcribed by RNA polymerase II. EMBO Journal. 23 (2), 4051-4060 (2004).
  13. Bartel, D. P. MicroRNAs: Genomics, biogenesis, mechanism, and function. Cell. 116 (2), 281-297 (2004).
  14. Lee, Y., et al. The nuclear RNase III Drosha initiates microRNA processing. Nature. 425 (6956), 415-419 (2003).
  15. Meyers, B. C., et al. Criteria for annotation of plant microRNAs. Plant Cell. 20 (12), 3186-3190 (2008).
  16. Sanei, M., Chen, X. Mechanisms of microRNA turnover. Current Opinion in Plant Biology. 27, 199-206 (2015).
  17. Li, J., Yang, Z., Yu, B., Liu, J., Chen, X. Methylation protects miRNAs and siRNAs from a 3′-end uridylation activity in Arabidopsis. Current Biology. 15 (16), 1501-1507 (2005).
  18. Rogers, K., Chen, X. Biogenesis, turnover, and mode of action of plant microRNAs. Plant Cell. 25 (7), 2383-2399 (2013).
  19. Axtell, M. J., Meyers, B. C. Revisiting criteria for plant microRNA annotation in the Era of big data. Plant Cell. 30 (2), 272-284 (2018).
  20. Camacho, C., et al. BLAST+: architecture and applications. BMC Bioinformatics. 10 (1), 421 (2009).
  21. Markham, N. R. N., Zuker, M. UNAFold: Software for nucleic acid folding and hybridization. Methods in Molecular Biology. 453, 3-31 (2008).
  22. Alptekin, B., Akpinar, B. A., Budak, H. A comprehensive prescription for plant miRNA identification. Frontiers in Plant Science. 7, 2058 (2017).
  23. Zhang, B., Pan, X., Cannon, C. H., Cobb, G. P., Anderson, T. A. Conservation and divergence of plant microRNA genes. Plant Journal. 46 (2), 243-259 (2006).
  24. Appels, R., et al. Shifting the limits in wheat research and breeding using a fully annotated reference genome. Science. 361 (6403), 7191 (2018).
  25. Wang, Y., Kuang, Z., Li, L., Yang, X. A bioinformatics pipeline to accurately and efficiently analyze the microRNA transcriptomes in plants. Journal of Visualized Experiments: JoVE. (155), e59864 (2020).
  26. Kozomara, A., Griffiths-Jones, S. MiRBase: Annotating high confidence microRNAs using deep sequencing data. Nucleic Acids Research. 42, 68-73 (2014).
  27. Lorenz, R., et al. ViennaRNA Package 2.0. Algorithms for Molecular Biology. 6 (1), 26 (2011).
  28. Wicker, T., et al. Impact of transposable elements on genome structure and evolution in bread wheat. Genome Biology. 19 (1), 103 (2018).
  29. Flavell, R. B., Bennett, M. D., Smith, J. B., Smith, D. B. Genome size and the proportion of repeated nucleotide sequence DNA in plants. Biochemical Genetics. 12 (4), 257-269 (1974).
  30. Wicker, T., et al. The repetitive landscape of the 5100 Mbp barley genome. Mobile DNA. 8, 22 (2017).
  31. Yang, Q., Ye, Q. A., Liu, Y. Mechanism of siRNA production from repetitive DNA. Genes and Development. 29 (5), 526-537 (2015).
  32. Lam, J. K. W., Chow, M. Y. T., Zhang, Y., Leung, S. W. S. siRNA versus miRNA as therapeutics for gene silencing. Molecular Therapy. Nucleic Acids. 4 (9), 252 (2015).
  33. Bartel, B. MicroRNAs directing siRNA biogenesis. Nature Structural and Molecular Biology. 12 (7), 569-571 (2005).
  34. Meng, Y., Shao, C., Wang, H., Chen, M. Are all the miRBase-registered microRNAs true? A structure- and expression-based re-examination in plants. RNA Biology. 9 (3), 249-253 (2012).
  35. Berezikov, E., et al. Evolutionary flux of canonical microRNAs and mirtrons in Drosophila. Nature Genetics. 42 (1), author reply 9-10 6-9 (2010).

Tags

Biologi udgave 171
mirMachine: En one-stop-shop for plante miRNA-annotation
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Cagirici, H. B., Sen, T. Z., Budak,… More

Cagirici, H. B., Sen, T. Z., Budak, H. mirMachine: A One-Stop Shop for Plant miRNA Annotation. J. Vis. Exp. (171), e62430, doi:10.3791/62430 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter