方法文章

计算机模拟 鉴定与表征宿主-病原体相互作用过程中的环状 RNA

DOI：

10.3791/64565

⸱

2022年10月21日

 ,  ,  , 
1Institute of Biological Sciences, Faculty of Science, Universiti Malaya, 2Centre for Research in Biotechnology for Agriculture (CEBAR), Universiti Malaya

* These authors contributed equally

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本文提交的实验方案详细说明了从研究宿主-病原体相互作用的RNA测序转录组数据中预测和功能注释环状RNA所需的完整in silico分析流程。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

环状RNA（circRNA）是一类由非编码RNA形成的分子 通过 反向剪接。这些环状RNA主要因其在多种生物过程中的调控作用而被研究。值得注意的是，新兴证据表明，在感染情况下，宿主环状RNA可出现差异表达（DE）。 病原体（例如流感病毒和冠状病毒），提示circRNA在调控宿主天然免疫反应中具有作用。然而，关于circRNA在病原体感染过程中作用的研究受到必要生物信息学分析知识与技能的限制，这些分析用于从RNA测序（RNA-seq）数据中鉴定差异表达的circRNA（DE circRNAs）。在采用耗时且昂贵的湿实验技术进行验证和功能研究之前，生物信息学预测与鉴定circRNA至关重要。为解决这一问题，本文提供了一套逐步操作的方案 计算机模拟 利用RNA-seq数据对环状RNA进行预测与表征的方法在本文中予以介绍。该实验流程可分为四个步骤：1）差异表达环状RNA的预测与定量 通过 CIRIquant 分析流程；2) 注释 通过 circBase 数据库及差异表达 circRNA 的表征；3）通过 Circr 分析流程预测 circRNA-miRNA 相互作用；4）利用基因本体论（Gene Ontology, GO）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）对 circRNA 来源基因进行功能富集分析。该分析流程将有助于推动未来相关研究 体外 和 体内 进一步研究环状RNA在宿主-病原体相互作用中的作用。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

宿主与病原体之间的相互作用是病原体与宿主生物体之间复杂的相互关系，可触发宿主的先天免疫反应，最终导致入侵病原体的清除1,2。在 病原体感染过程中，大量宿主免疫相关基因被调控，以抑制病原体的复制和释放。例如，病原体感染期间常见的受调控干扰素刺激基因（ISGs）包括 ADAR1、IFIT1、IFIT2、IFIT3、ISG20、RIG-I 和 OASL3,4。除了编码蛋白质的基因外，研究还报道非编码RNA，如长链非编码RNA（lncRNAs）、微小RNA（miRNAs）和环状RNA（circRNAs），在病原体感染过程中也发挥调控作用并同时受到调控5,6,7。与主要编码蛋白质作为功能分子的蛋白编码基因不同，非编码RNA（ncRNAs）主要在转录和转录后水平发挥基因调控作用。然而，相较于蛋白编码基因，关于非编码RNA，尤其是circRNA参与调控宿主免疫基因的研究报道仍较为有限。

环状RNA（circRNA）通常具有共价闭合的连续环状结构，这种结构通过一种称为反向剪接的非常规剪接过程形成8。与线性RNA的剪接过程不同，反向剪接涉及下游供体位点与上游受体位点的连接，从而形成环状结构。目前已有三种不同的反向剪接机制被提出，用于解释circRNA的生成过程，分别为RNA结合蛋白（RBP）介导的环化9,10、内含子配对驱动的环化11以及成套索驱动的环化12,13,14。由于circRNA以首尾相连的环状结构存在，通常天然抵抗外切酶的降解作用，因此被认为比其线性对应物更稳定15。circRNA的另一普遍特征是在宿主细胞或组织类型中呈现特异性表达16。

由于环状RNA（circRNA）具有独特的结构以及细胞或组织特异性表达特征，研究发现其在细胞中发挥着重要的生物学功能。迄今为止，circRNA的重要功能之一是作为微小RNA（miRNA）的“海绵”17,18。这种调控作用通过circRNA的核苷酸与miRNA种子区域的互补结合而实现。此类circRNA-miRNA相互作用会抑制miRNA对靶标mRNA的正常调控功能，从而调节基因的表达19,20。此外，circRNA还被证实可通过与RNA结合蛋白（RBP）相互作用并形成RNA-蛋白质复合物来调控基因表达21。尽管circRNA被归类为非编码RNA，但已有证据表明circRNA可作为蛋白质翻译的模板22,23,24。

最近，环状RNA（circRNAs）被证实在家主与病原体相互作用的调控中发挥关键作用，尤其体现在宿主与病毒之间的相互作用。通常认为，宿主来源的circRNAs有助于调控宿主的免疫应答，以清除入侵的病原体。一个例子是 可促进宿主免疫反应的环状RNA是Guo等人报道的circRNA_0082633。25该环状RNA可增强A549细胞中的I型干扰素（IFN）信号通路，从而抑制流感病毒的复制。25此外，Qu 等人 还报道了一种人类内含子环状RNA（circRNA），称为circRNA AIVR，其通过调控干扰素-β信号转导分子CREB结合蛋白（CREBBP）的表达来促进免疫反应。26,27然而，已知也存在一些在感染后促进疾病发病机制的环状RNA。例如，Yu等人最近报道了源自含GATA锌指结构域的2A基因（circGATAD2A）的环状RNA通过抑制宿主细胞自噬来促进H1N1病毒复制的作用28.

为了有效研究环状RNA，通常首先采用全基因组范围的环状RNA预测算法，随后进行 计算机模拟 在开展任何功能研究之前，对预测的circRNA候选分子进行表征。这种基于生物信息学的circRNA预测与表征方法成本较低且更加节省时间，有助于缩小需进行功能研究的候选分子数量，并可能带来新的发现。本文提供了一套详细的基于生物信息学的实验方案 计算机模拟 宿主-病原体相互作用过程中环状RNA的鉴定、表征与功能注释。该方案包括从RNA测序数据集中鉴定和定量环状RNA，以及注释 通过 circBase，以及在环状RNA类型、重叠基因数量和预测的环状RNA-miRNA相互作用方面对环状RNA候选分子的表征。本研究还通过基因本体论（Gene Ontology, GO）和京都基因与基因组百科全书（Kyoto Encyclopedia of Genes and Genomes, KEGG）富集分析，对环状RNA的亲本基因进行了功能注释。

访问受限。请登录或开始试用以查看此内容。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本方案中，从基因表达综合数据库（Gene Expression Omnibus, GEO）下载并使用了由甲型流感病毒感染的人巨噬细胞制备的去核糖体RNA（rRNA）的RNA-seq文库去标识数据集。从环状RNA的预测到功能表征的完整生物信息学分析流程如图1所示。该流程的各个部分将在下文各节中进一步说明。

1. 数据分析前的准备、下载与设置

注意：本研究中使用的所有软件包均为免费开源软件。

  1. 在 Linux 平台上下载所需工具
    1. 根据开发者提供的说明，在 Linux 高性能计算机上下载并安装材料表中列出的所需软件和工具。
      注意：大多数工具和软件都有其独立的在线 GitHub 页面或文档，其中包含安装和使用说明（参见材料表）。
    2. 从序列数据库网站（例如欧洲核苷酸数据库和基因表达综合数据库）下载用于环状 RNA 检测与分析的 RNA-seq 数据集。
    3. 下载与 RNA-seq 数据集来源宿主相匹配的参考基因组（FASTA 格式）和注释文件（GTF/GFF3 格式）。宿主的参考基因组和注释文件通常可在在线基因组浏览器上获取，例如美国国家生物技术信息中心（NCBI）、加州大学圣克鲁兹分校（UCSC）和 Ensembl 网站。
  2. RNA-seq 数据质量检测
    1. 将 FASTQ 文件输入 FASTQC 程序，以评估 RNA 序列的质量。如果 FASTQ 文件质量较低（例如<Q20）或存在接头序列，则可能需要使用 Trimmomatic29,30 等工具进行进一步修剪。

使用 CIRIquant 进行 circRNA 的预测与差异表达分析

注意：有关安装和执行差异表达分析的更详细手册，可参见 CIRIquant 论文的代码可用性部分31。补充数据中还包含本方案所使用的一些基本命令。

  1. 环状RNA预测
    1. 首先使用 BWA 和 HISAT2 比对工具对宿主的参考基因组进行索引。然后，在 Linux 终端中执行以下命令 bwa index32 和 hisat2-build33 在宿主参考基因组目录中对其进行索引。
    2. 接下来，准备一个YML配置文件，其中包含文件名称以及工具（BWA、HISAT2、stringtie）的路径34，samtools35），下载的参考文件路径（宿主参考基因组FASTA文件、注释文件），以及步骤2.1.1中索引文件的路径。
    3. 在终端中使用默认参数或手动参数运行 CIRIquant 工具。用户在运行 CIRIquant 工具时，可指定 RNA-seq 数据的文库类型（链特异性或非链特异性）。
      注意：RNA-seq 数据的文库类型可通过所使用的文库构建试剂盒类型来确定。如果文库构建试剂盒的种类未知，可使用一种名为 RSeQC 的 RNA-seq 质控生物信息学软件包36 可用于确定RNA-seq数据的链特异性。
  2. 差异表达分析
    注意：CIRIquant 软件包包含 prep_CIRIquant, prepDE.py，以及 CIRI_DE_重复样本；因此，这三种工具无需额外下载。
    1. 准备一个包含以下数据列表的文本文件（.lst）：
      1st 列：步骤 2.1.3 中使用的 RNA-seq 数据的 ID
      2nd 列：CIRIquant 输出的 GTF 文件路径
      3rd 列：RNA-seq 数据的分组情况，即对照组或处理组。
    2. 例如，参见 表1 如下。
      注意：无需添加标题，因为它们仅用于参考。
    3. 在 Linux 终端中运行 prep_CIRIquant 使用步骤 2.2.1 中准备的文本文件（.lst）作为输入。运行将生成一个文件列表： library_info.csv, circRNA_info.csv, circRNA_bsj.csv，以及 circRNA_ratio.csv.
    4. 准备第二个文本文件，其中包含 RNA-seq ID 及其对应的 StringTie 输出路径的数据列表。该文件的格式应与步骤 2.2.1 中的文本文件类似，但无需分组列。
    5. 运行 prepDE.py 使用步骤 2.2.4 中准备的文本文件作为输入，生成基因计数矩阵文件。
    6. 执行 CIRI_DE_重复样本 与 library_info.csv 和 circRNA_bsj.csv 来自步骤 2.2.3 的文件和 gene_count_matrix.csv 将步骤 2.2.5 中的文件作为输入，以生成最终结果 circRNA_de.tsv 文件。
  3. 差异表达circRNA的筛选
    1. 使用 R（在计算机终端或 RStudio 中）或任意电子表格软件（例如 Microsoft Excel）打开 circRNA_de.tsv 由步骤2.2.6生成的文件，用于筛选并确定差异表达（DE）circRNA的数量。
    2. 根据 LogFC 标准筛选差异表达的 circRNA > |2| 和 FDR < 0.05.
    3. 创建一个名为 DE_circRNAs.txt 用于存储差异表达环状RNA的信息。

3. 预测差异表达环状RNA的表征与注释

  1. 差异表达circRNA的注释状态
    1. 在RStudio中加载名为 DE_circRNAs.txt 的文件，该文件包含从步骤2.3.3中筛选出的差异表达circRNA列表，并包括基因组位置（染色体、起始位点、终止位点）、链方向（+ 或 -）、基因名称以及circRNA类型等其他信息。在继续操作前，需将CIRIquant输出的circRNA基因组起始坐标转换为0-based坐标系统，即减去1个碱基对。
      注：上述其他信息可从CIRIquant输出的GTF文件中获得（补充文件1）。
    2. 通过下载包含已收录circRNA数据库（例如circBase）中circRNA基因组位置信息的文库，确定预测得到的差异表达circRNA的注释状态。
      注：在进行比对前，需确保用于预测circRNA的基因组版本与circRNA数据库文库所使用的基因组版本一致。本研究中使用的circBase数据文件可在Github提供的网盘文件夹中免费获取（https://github.com/bicciatolab/Circr）37。
    3. 当步骤3.1.1和步骤3.1.2中的两个文件均准备就绪后，运行 补充文件1 中提供的R脚本。该脚本将查询差异表达circRNA的染色体位置，并与数据库比对，从而为其分配“已注释”或“未注释”的状态。
  2. 差异表达circRNA的特征分析
    1. 使用R语言及其他电子表格软件，根据circRNA类型（即外显子型、内含子型、基因间区型和反义链型）以及circRNA所跨越的基因数量（1个或>1个）对circRNA的数量进行统计汇总（补充文件1）。​注：CIRIquant仅能检测四种类型的circRNA（外显子型、内含子型、基因间区型和反义链型）。外显子-内含子型circRNA（也称为ElciRNA）无法被CIRIquant检测到。

4. 使用Circr预测circRNA-miRNA相互作用

注意：有关如何安装和使用 Circr 进行 circRNA-miRNA 相互作用分析的更详细手册，请参见： https://github.com/bicciatolab/Circr37。

  1. 文件准备
    1. 从 Circr GitHub 页面下载 Circr.zip 文件后，使用相关软件解压缩并提取文件内容 "WinRar" 或 "7-zip" 到将要进行分析的新目录中。
    2. 在进行circRNA-miRNA分析之前，安装必要的软件应用程序（miRanda、RNAhybrid、Pybedtools和samtools）。
    3. 感兴趣的多种生物的参考基因组和注释文件、rRNA 坐标文件、经验证的 miRNA 相互作用文件以及 circBase circRNA 文件由 Circr 作者在 Github 页面（https://github.com/bicciatolab/Circr）提供37点击驱动文件夹中的支持文件后，选择目标生物体的文件夹、miRNA 文件夹以及 circBase 文本文件并下载。
    4. 在完成步骤 4.1.3 中必要文件的下载后，创建一个名为 支持文件 在步骤 4.1.1 中提到的目录中。然后，解压缩并将内容提取到 支持文件 目录
    5. 使用感兴趣的生物体的参考基因组文件建立索引 samtools faidx 命令补充文件 1).
    6. 准备一个包含目标差异表达circRNA坐标的输入文件，格式为制表符分隔的BED文件，如所示 表2.
      注意：由于CIRIquant预测的circRNA坐标不是以0为起点，因此在将其转换为BED格式之前，需要从起始坐标减去1个碱基对（如步骤3.1.1所述）。所示的表头在 表 2 仅供参考，BED 文件中不需要。
    7. 此时，请确保 Circr 分析所需的文件夹树结构与以下一致 图2.
  2. 运行 Circr.py
    1. 使用 Python 3 运行 Circr.py，在命令行中依次指定 circRNA 输入文件、目标生物的 FASTA 基因组文件、所选生物的基因组版本、线程数以及输出文件名称作为参数。
    2. 如果目标生物未包含在步骤4.1.3所列的云盘文件夹中，或用户希望使用自定义文件集来运行分析，则在执行Circr.py时需额外包含指定这些文件位置的命令。
    3. circR 分析完成后，程序将输出一个以 csv 格式保存的 circRNA-miRNA 相互作用文件。
    4. 根据用户特定偏好筛选环状RNA与miRNA相互作用的结果。本研究中，使用Rstudio依据以下标准对预测结果进行筛选：
      -被所有三种软件工具检测到
      - 同时由 Targetscan 和 miRanda 报道的两个或更多结合位点
      -在以下任一情况中识别到 "AGO" 或 "经过验证的" 柱
      -​过滤掉无种子区域的相互作用
    5. 将通过步骤 4.2.3 筛选条件的 circRNA 写入一个名为 circRNA_miRNA.txt这种过滤可以提高预测相互作用的可信度。

5. ceRNA 网络的构建

注意：有关如何使用 Cytoscape 的详细手册可在以下网址找到：http://manual.cytoscape.org/en/stable/ 和 https://github.com/cytoscape/cytoscape-tutorials/wiki#introduction 

  1. 下载 与准备
    1. 从以下网址下载最新版本的 Cytoscape38： https://cytoscape.org/download.html。
    2. 运行在步骤 5.1.1 中下载的安装向导，并选择 Cytoscape 软件的安装路径。
    3. 准备一个以制表符分隔的文件，其中包含感兴趣的 circRNA 及其靶向的 miRNA。第一列为 circRNA 名称；第二列为第一列 RNA 的类型；第三列为靶向 miRNA；第四列为第三列 RNA 的类型。文件示例如 表 3 所示。
  2. 构建 ceRNA 网络图
    1. 打开在步骤 5.1.2 中安装的 Cytoscape 软件。
    2. 在 Cytoscape 中，依次点击 文件 > 导入 > 从文件导入网络，选择在步骤 5.1.3 中准备好的文件。
    3. 在新标签页中，将第一列和第二列分别设置为 "源节点" 和 "源节点属性"，将第三列和第四列分别设置为 "目标节点" 和 "目标节点属性"。点击 确定 ，网络将显示在 Cytoscape 右上方。
    4. 如需更改网络的视觉样式，请点击 Cytoscape 左侧的 样式 按钮。
    5. 点击 填充颜色 右侧的箭头，选择 列 为“类型”，映射类型 为“离散映射”，然后为每种 RNA 类型选择相应的颜色。
    6. 更改颜色后，通过进入 形状 并参照步骤 5.2.5 来修改节点的形状。

6. 功能富集分析

  1. 环状RNA亲本基因的基因本体论（GO）与京都基因与基因组百科全书（KEGG）分析
    1. 确保 clusterProfiler39,40 和 org.Hs.eg.db41 Rstudio 中已安装了相关包。 org.Hs.eg.db41 该软件包是仅针对人类的全基因组注释软件包. 如果目标生物为其他物种，请参阅： https://bioconductor.org/packages/release/BiocViews.html#OrgDb
    2. 将步骤 2.3.1 中的 DE_circRNA 信息导入 Rstudio 工作区。
    3. 使用本文件中提供的 circRNA 的亲本基因进行后续步骤中的富集分析。但如果用户希望将基因符号转换为其他格式，例如 Entrez ID，可使用如下函数 "双光子成像".
    4. 使用基因ID作为输入，运行GO富集分析 enrichGO 功能在 clusterProfiler39,40 使用默认参数进行打包。
    5. 使用基因 ID 作为输入，运行 KEGG 富集分析 enrichKEGG 功能在 clusterProfiler39,40 使用默认参数进行打包。

访问受限。请登录或开始试用以查看此内容。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

The protocol enlisted in the previous section was modified and configured to suit the Linux OS system. The main reason is that most module libraries and packages involved in the analysis of circRNAs can only work on the Linux platform. In this analysis, de-identified ribosomal RNA (rRNA)-depleted RNA-seq library datasets prepared from the Influenza A virus-infected human macrophage cells were downloaded from the GEO database42 and used to generate the representative results.

访问受限。请登录或开始试用以查看此内容。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

为说明本方案的实用性，以甲型流感病毒感染的人巨噬细胞的 RNA-seq 数据为例，研究了在宿主-病原体相互作用中可能作为 miRNA 海绵的环状 RNA（circRNA），以及这些 circRNA 在宿主内的基因本体（GO）和京都基因与基因组百科全书（KEGG）功能富集情况。尽管目前已有多种在线 circRNA 分析工具，但这些工具均为独立运行的软件包，彼此之间无法交互。本文整合了若干必需的工具，用于 circRNA 的预测与定量、功能富集分析、circRNA-miRNA 相互作用预测以及竞争性内源 RNA（ceRNA）网络的构建。该优化流程节省时间，且可应用于临床样本，以筛选具有诊断和预后价值的 circRNA 候选分子。

基本上，我们采用了 CIRIquant31，一种与CIRI2预装的环状RNA定量工具，可检测环状RNA并进行差异表达分析。差异表达的环状RNA根据LogFC的阈值进行筛选 > |2| 和 FDR < 0.05，有助于消除下游分析中潜在的假阳性结果。通过对差异表达的circRNA在注释状态、circ...

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者无任何利益冲突需要披露。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者感谢谭可恩和Cameron Bracken博士对本文稿的审阅。本研究得到了基础研究拨款计划（FRGS/1/2020/SKK0/UM/02/15）和马来亚大学高影响力研究拨款（UM.C/625/1/HIR/MOE/CHAN/02/07）的资助。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
BedtoolsGitHubhttps://github.com/arq5x/bedtools2/参考第4.1.2节。循环实验所需。
BWABurrows-Wheeler比对工具http://bio-bwa.sourceforge.net/参考第 2.1.1 和 2.1.2 节。运行 CIRIquant 及对基因组进行索引所必需的步骤
环状RNAGitHubhttps://github.com/bicciatolab/Circr参考第4节，用于预测miRNA结合位点
CIRIquantGitHubhttps://github.com/bioinfo-biols/CIRIquant参考第2.1.3节，以预测环状RNA
clusterprofilerGitHubhttps://github.com/YuLab-SMU/clusterProfiler参考第7节，进行GO和KEGG功能富集分析
CPU英特尔 Intel(R) Xeon(R) CPU E5-2620 V2 @ 2.10 GHz   核心数：6核处理器 内存：65 GB 显卡：NVIDIA GK107GL（QUADRO K2000） 运行本实验方案所使用的规格参数。
CytoscapeCytoscapehttps://cytoscape.org/download.html参考第5.2节，需绘制ceRNA网络
FastQC巴布拉汉生物信息学https://www.bioinformatics.babraham.ac.uk/projects/fastqc/参考第 1.2.1 节：Fastq 文件的质量检查
HISAT2http://daehwankimlab.github.io/hisat2/参考第 2.1.1 和 2.1.2 节。运行 CIRIquant 及对基因组进行索引所必需的步骤
LinuxUbuntu 20.04.5 LTS（Focal Fossa）https://releases.ubuntu.com/focal/运行整个实验方案所必需。其他 Ubuntu 版本可能也适用于执行该方案。
miRandahttp://www.microrna.org/microrna/getDownloads.do参考第 4.1.2 节。Circr 所需
Pybedtoolspybedtools 0.8.2https://pypi.org/project/pybedtools/BED 文件基因组操作所需工具
PythonPython 2.7 及 3.6 或更高版本https://www.python.org/downloads/运行必要的库模块
R综合 R 存档网络https://cran.r-project.org/用于操作数据框
RNAhybridBiBiServhttps://bibiserv.cebitec.uni-bielefeld.de/rnahybrid参考第 4.1.2 节。Circr 所需
RStudioRStudiohttps://www.rstudio.com/用于运行 R 的工作区
samtools SAMtoolshttp://www.htslib.org/参考第2.1.2节。运行CIRIquant所需步骤
StringTie约翰斯·霍普金斯大学：计算生物学中心http://ccb.jhu.edu/software/stringtie/index.shtml参考第2.1.2节。运行CIRIquant所需步骤
TargetScanGitHubhttps://github.com/nsoranzo/targetscan参考第4.1.2节。Circr所需

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Raman, K., Bhat, A. G., Chandra, N. A systems perspective of host-pathogen interactions: predicting disease outcome in tuberculosis. Molecular BioSystems. 6 (3), 516-530 (2010).
  2. Casadevall, A., Pirofski, L. A. Host-pathogen interactions: basic concepts of microbial commensalism, colonization, infection, and disease. Infection and Immunity. 68 (12), 6511-6518 (2000).
  3. Yang, E., Li, M. M. H. All About the RNA: Interferon-stimulated genes that interfere with viral RNA processes. Frontiers in Immunology. 11, 605024(2020).
  4. Schneider, W. M., Chevillotte, M. D., Rice, C. M. Interferon-stimulated genes: A complex web of host defenses. Annual Review of Immunology. 32 (1), 513-545 (2014).
  5. Shirahama, S., Miki, A., Kaburaki, T., Akimitsu, N. Long non-coding RNAs involved in pathogenic infection. Frontiers in Genetics. 11, 454(2020).
  6. Chandan, K., Gupta, M., Sarwat, M. Role of host and pathogen-derived microRNAs in immune regulation during infectious and inflammatory diseases. Frontiers in Immunology. 10, 3081(2019).
  7. Chen, X., et al. Circular RNAs in immune responses and immune diseases. Theranostics. 9 (2), 588-607 (2019).
  8. Kristensen, L. S., et al. The biogenesis, biology and characterization of circular RNAs. Nature Reviews Genetics. 20 (11), 675-691 (2019).
  9. Ashwal-Fluss, R., et al. circRNA biogenesis competes with pre-mRNA splicing. Molecular Cell. 56 (1), 55-66 (2014).
  10. Conn, S. J., et al. The RNA binding protein quaking regulates formation of circRNAs. Cell. 160 (6), 1125-1134 (2015).
  11. Zhang, X. O., et al. Complementary sequence-mediated exon circularization. Cell. 159 (1), 134-147 (2014).
  12. Robic, A., Demars, J., Kuhn, C. In-depth analysis reveals production of circular RNAs from non-coding sequences. Cells. 9 (8), 1806(2020).
  13. Eger, N., Schoppe, L., Schuster, S., Laufs, U., Boeckel, J. N. Circular RNA splicing. Advances in Experimental Medicine and Biology. 1087, 41-52 (2018).
  14. Barrett, S. P., Wang, P. L., Salzman, J. Circular RNA biogenesis can proceed through an exon-containing lariat precursor. eLife. 4, 07540(2015).
  15. Memczak, S., et al. Circular RNAs are a large class of animal RNAs with regulatory potency. Nature. 495 (7441), 333-338 (2013).
  16. Misir, S., Wu, N., Yang, B. B. Specific expression and functions of circular RNAs. Cell Death and Differentiation. 29 (3), 481-491 (2022).
  17. Bai, S., et al. Construct a circRNA/miRNA/mRNA regulatory network to explore potential pathogenesis and therapy options of clear cell renal cell carcinoma. Scientific Reports. 10 (1), 13659(2020).
  18. Sakshi, S., Jayasuriya, R., Ganesan, K., Xu, B., Ramkumar, K. M. Role of circRNA-miRNA-mRNA interaction network in diabetes and its associated complications. Molecular Therapy - Nucleic Acids. 26, 1291-1302 (2021).
  19. Hansen, T. B., et al. miRNA-dependent gene silencing involving Ago2-mediated cleavage of a circular antisense RNA. The EMBO Journal. 30 (21), 4414-4422 (2011).
  20. Lu, M. Circular RNA: functions, applications, and prospects. ExRNA. 2 (1), 15(2020).
  21. Liu, K. S., Pan, F., Mao, X. D., Liu, C., Chen, Y. J. Biological functions of circular RNAs and their roles in occurrence of reproduction and gynecological diseases. American Journal of Translational Research. 11 (1), 1-15 (2019).
  22. Pamudurti, N. R., et al. Translation of CircRNAs. Molecular Cell. 66 (1), 9-21 (2017).
  23. Legnini, I., et al. Circ-ZNF609 Is a circular RNA that can be translated and functions in myogenesis. Molecular Cell. 66 (1), 22-37 (2017).
  24. Weigelt, C. M., et al. An insulin-sensitive circular RNA that regulates lifespan in Drosophila. Molecular Cell. 79 (2), 268-279 (2020).
  25. Guo, Y., et al. Identification and characterization of circular RNAs in the A549 cells following Influenza A virus infection. Veterinary Microbiology. 267, 109390(2022).
  26. Qu, Z., et al. A novel intronic circular RNA antagonizes influenza virus by absorbing a microRNA that degrades CREBBP and accelerating IFN-β production. mBio. 12 (4), 0101721(2021).
  27. Kawarada, Y., et al. TGF-β induces p53/Smads complex formation in the PAI-1 promoter to activate transcription. Scientific Reports. 6 (1), 35483(2016).
  28. Yu, T., et al. Circular RNA GATAD2A promotes H1N1 replication through inhibiting autophagy. Veterinary Microbiology. 231, 238-245 (2019).
  29. Andrews, S. FastQC: A quality control tool for high throughput sequence data. , Available from: https://www.bioinformatics.babraham.ac.uk/projects/fastqc/ (2010).
  30. Bolger, A. M., Lohse, M., Usadel, B. Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics. 30 (15), 2114-2120 (2014).
  31. Zhang, J., Chen, S., Yang, J., Zhao, F. Accurate quantification of circular RNAs identifies extensive circular isoform switching events. Nature Communications. 11 (1), 90(2020).
  32. Li, H., Durbin, R. Fast and accurate long-read alignment with Burrows-Wheeler transform. Bioinformatics. 26 (5), 589-595 (2010).
  33. Kim, D., Paggi, J. M., Park, C., Bennett, C., Salzberg, S. L. Graph-based genome alignment and genotyping with HISAT2 and HISAT-genotype. Nature Biotechnology. 37 (8), 907-915 (2019).
  34. Pertea, M., et al. StringTie enables improved reconstruction of a transcriptome from RNA-seq reads. Nature Biotechnology. 33 (3), 290-295 (2015).
  35. Li, H., et al. The Sequence Alignment/Map format and SAMtools. Bioinformatics. 25 (16), 2078-2079 (2009).
  36. Wang, L., Wang, S., Li, W. RSeQC: quality control of RNA-seq experiments. Bioinformatics. 28 (16), 2184-2185 (2012).
  37. Dori, M., Caroli, J., Forcato, M. Circr, a computational tool to identify miRNA:circRNA associations. Frontiers in Bioinformatics. 2, 852834(2022).
  38. Shannon, P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Research. 13 (11), 2498-2504 (2003).
  39. Wu, T., et al. clusterProfiler 4.0: A universal enrichment tool for interpreting omics data. The Innovation. 2 (3), 100141(2021).
  40. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS: A Journal of Integrative Biology. 16 (5), 284-287 (2012).
  41. Carlson, M. org.Hs.eg.db: Genome wide annotation for human. 2022. R package version 3.15.0. , Available from: https://bioconductor.org/packages/release/data/annotation/html/org.Hs.eg.db.html (2022).
  42. Barrett, T., et al. NCBI GEO: archive for functional genomics data sets-update. Nucleic Acids Research. 41, 991-995 (2012).
  43. Gao, Y., Zhang, J., Zhao, F. Circular RNA identification based on multiple seed matching. Briefings in Bioinformatics. 19 (5), 803-810 (2018).
  44. Zhang, X. O., et al. Diverse alternative back-splicing and alternative splicing landscape of circular RNAs. Genome Research. 26 (9), 1277-1287 (2016).
  45. Memczak, S., et al. Circular RNAs are a large class of animal RNAs with regulatory potency. Nature. 495 (7441), 333-338 (2013).
  46. Wang, K., et al. MapSplice: Accurate mapping of RNA-seq reads for splice junction discovery. Nucleic Acids Research. 38 (18), 178(2010).
  47. Song, X., et al. Circular RNA profile in gliomas revealed by identification tool UROBORUS. Nucleic Acids Research. 44 (9), 87(2016).
  48. Hansen, T. B. Improved circRNA identification by combining prediction algorithms. Frontiers in Cell and Developmental Biology. 6, 20(2018).
  49. Robinson, M. D., McCarthy, D. J., Smyth, G. K. edgeR: A bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26 (1), 139-140 (2010).
  50. Ma, X. K., et al. CIRCexplorer3: A CLEAR pipeline for direct comparison of circular and linear RNA expression. Genomics Proteomics Bioinformatics. 17 (5), 511-521 (2019).
  51. Gaffo, E., Buratin, A., Dal Molin, A., Bortoluzzi, S. Sensitive, reliable and robust circRNA detection from RNA-seq with CirComPara2. Briefings in Bioinformatics. 23 (1), (2022).
  52. Glažar, P., Papavasileiou, P., Rajewsky, N. circBase: a database for circular RNAs. RNA. 20 (11), New York, N.Y. 1666-1670 (2014).
  53. Tan, S., et al. Circular RNA F-circEA-2a derived from EML4-ALK fusion gene promotes cell migration and invasion in non-small cell lung cancer. Molecular Cancer. 17 (1), 138(2018).
  54. Guarnerio, J., et al. Oncogenic role of Fusion-circRNAs Derived from cancer-associated chromosomal translocations. Cell. 165 (2), 289-302 (2016).
  55. McGeary, S. E., et al. The biochemical basis of microRNA targeting efficacy. Science. 366 (6472), (2019).
  56. Enright, A. J., et al. MicroRNA targets in Drosophila. Genome Biology. 5 (1), 1(2003).
  57. Rehmsmeier, M., Steffen, P., Hochsmann, M., Giegerich, R. Fast and effective prediction of microRNA/target duplexes. RNA. 10 (10), 1507-1517 (2004).
  58. Zhang, D., et al. AllEnricher: a comprehensive gene set function enrichment tool for both model and non-model species. BMC Bioinformatics. 21 (1), 106(2020).
  59. Zhou, Y., et al. Metascape provides a biologist-oriented resource for the analysis of systems-level datasets. Nature Communications. 10 (1), 1523(2019).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

RNA RNA RNA RNA KEGG RNA miRNA

相关文章