Artykuł metodologiczny

Adnotacja funkcji genów roślin poprzez zintegrowaną genomikę, metabolomikę i informatykę

23.3K wyświetleń

⸱

DOI:

10.3791/3487

⸱

17 czerwca 2012

 , 
1Molekulare Pflanzenphysiologie, Max-Planck-Institut

W tym artykule

Podsumowanie

Połączenie genomiki, analizy koekspresji genów oraz identyfikacji związków docelowych poprzez metabolizm umożliwia funkcjonalną adnotację genów.

Streszczenie

Biorąc pod uwagę stale rosnącą liczbę gatunków roślin modelowych, dla których dostępne są kompletne sekwencje genomów, oraz obfitość zasobów biologicznych, takich jak mutanty z nokautem genów, akcesje dzikie i zaawansowane populacje hodowlane, rośnie obciążenie związane z funkcjonalną adnotacją genów. W niniejszym protokole przedstawiono adnotację funkcji genów roślin za pomocą połączonej analizy koekspresji genów, metabolomiki i informatyki (Rycina 1). Podejście to opiera się na teorii wykorzystania genów docelowych o znanej funkcji w celu identyfikacji nieadnotowanych genów, które prawdopodobnie biorą udział w określonym procesie metabolicznym, wraz z identyfikacją związków docelowych za pomocą metabolomiki. Przedstawiono strategie stosowania tych informacji w populacjach generowanych zarówno przez podejścia genetyki w przód (forward genetics), jak i genetyki wstecznej (reverse genetics), mimo że żadna z nich nie jest wolna od trudności. W konsekwencji podejście to może być również wykorzystane do charakterystyki nieznanych pików reprezentujących nowe lub specyficzne metabolity wtórne w ograniczonych tkankach, gatunkach roślin lub przy określonym traktowaniu stresowym, co obecnie stanowi istotne wyzwanie w zrozumieniu metabolizmu roślin.

Protokół

1. Przygotowanie próbek

  1. Materiał roślinny jest zbierany i niezwłocznie zamrażany.
  2. Zamrożony materiał roślinny jest rozcierany w młynku miksującym (lub w moździerzu), a następnie przechowywany w probówce Falcon lub probówce Eppendorf w temperaturze -80 °C.

2. Ekstrakcja do profilowania metabolitów

  1. Odmierz porcję zamrożonego materiału roślinnego do probówki Eppendorf o pojemności 2 ml.
  2. Dodaj 5 μl buforu do ekstrakcji na każdy miligram masy świeżej zamrożonego materiału roślinnego.
  3. Dodaj jedną kulkę metalową (lub gilconia) i homogenizuj zamrożony proszek za pomocą Mixer Mill przez 2 min przy 25 l s-1.
  4. Wirowarkuj przez 10 min przy 12 000 rpm.
  5. Przenieś nadsącz do filtra wirówkowego NANOSEP.
  6. Wirowarkuj przez 2 min przy 4 000 rpm.
  7. Przenieś nadsącz do nowej probówki Eppendorf i przechowuj w temperaturze -20 °C do momentu użycia.

3. Profilowanie metabolitów metodą LC-MS

  1. Przygotować układ HPLC i sprawdzić temperaturę termostatu kolumny oraz tacy na próbki.
  2. Ustawić warunki MS i sprawdzić stan próżni oraz kapilary grzejnej.
  3. Przeprowadzić kalibrację m/z detektora MS.
  4. Przenieść 50 μl ekstraktów do szklanej fiolki do analizy LC-MS.
  5. Wstrzyknąć 5 μl ekstraktów do układu LC-MS.

4. Analiza danych

  1. Skonfiguruj program Xcalibur lub Metalign 4 i wybierz dane do analizy.
  2. Przygotuj tabelę wykrytych pików interesujących Cię związków zgodnie z klasą związków podaną w Tabeli I.
  3. Zidentyfikuj piki na podstawie współelucji związków wzorcowych.
  4. Opisz wykryte piki, wykorzystując analizę MS2, przegląd literatury oraz wyszukiwanie w bazach danych metabolomów (Rysunek 2, 12,13).

5. Przewidywanie ścieżki metabolicznej

  1. Opracuj prawdopodobną ścieżkę z wykorzystaniem wykrytych związków. Przewidywanie ścieżki na podstawie adnotacji pików powinno opierać się na strukturze chemicznej wykrytych związków poprzez przewidywanie łączących je funkcji enzymatycznych w obrębie ścieżki metabolicznej 13. Strukturyzacja etapów biosyntezy powinna być przeprowadzona przy precyzynej adnotacji pików. Jednakże określenie szczegółowej struktury chemicznej, na przykład części cukrowej, nie jest w tym kroku niezbędne, ponieważ przewidywanie części cukrowej i pozycji przyłączenia jest bardzo trudne do zidentyfikowania za pomocą analizy MS. Określenie rodzaju cukru, takiego jak heksozyd czy pentozyd, zostanie przeprowadzone za pomocą testu enzymatycznego donora cukru w ostatnim etapie projektu. Przewidywanie ścieżki powinno być zazwyczaj konstruowane w sposób, w którym mała cząsteczka jest produktem pośrednim większej cząsteczki, z wyjątkiem niektórych przypadków, takich jak reakcja dehydratacji. Przydatna do przewidywania jest lista mas cząsteczkowych atomów, na przykład 16 m/z dla różnicy między grupami -H a -OH (utlenianie), 14 m/z (atom węgla) dla różnicy między -OH a -OMe (metylacja) oraz 162 m/z (MW-H2O) dla heksozy (glikozylacja). Określenie typu modyfikacji wraz z analizą korelacji specyficzności tkanek pomaga w przewidywaniu ścieżki metabolicznej. Bazy danych ogólnych ścieżek metabolicznych, takie jak baza KEGG (http://www.genome.jp/kegg/) i PlantCyc (http://plantcyc.org/), są bardzo skuteczne w przewidywaniu interesującej badacza ścieżki metabolicznej.

6. Przygotowanie listy genów z identyfikatorami genów ortologicznych Arabidopsis

  1. Pobierz listę identyfikatorów genów z bazy danych genomicznych.
  2. W przypadku, gdy rośliną docelową nie jest Arabidopsis, dodaj identyfikatory genów Arabidopsis dla genów ortologicznych.
  3. Przygotuj listę genów w analizowanym szlaku. Adnotacje danych dotyczących szlaków u Arabidopsis oraz danych o rodzinach genów są dostępne na stronie TAIR (http://www.arabidopsis.org/). Jeśli przygotowano listę ortologicznych genów Arabidopsis, można je następnie połączyć.

7. Analiza genów współwyrażanych

  1. Przetestuj przygotowaną listę identyfikatorów genów, aby znaleźć najlepszą bazę danych dla badanej ścieżki, sprawdzając korelację przy użyciu znanych par genów w interesującej Cię ścieżce (Tabela II). Jeśli baza danych koekspresji lub baza danych ekspresji genów nie jest dostępna dla badanej rośliny, należy użyć bazy danych koekspresji Arabidopsis wraz z listą ortologicznych genów Arabidopsis. W przypadku jęczmienia, ryżu, topoli, pszenicy, lucerny i soi można zastosować analizę koekspresji dla tych gatunków roślin (Tabela II).
  2. Zbuduj szkielet docelowej sieci koekspresji w oparciu o połączenia znanych genów w interesującej Cię ścieżce.
  3. Dodaj skorelowane geny kandydackie (r<0.4~0.90, w przybliżonym zakresie wartości współczynnika pomiędzy połączeniami znanych genów w interesującej Cię ścieżce) i sprawdź ich adnotacje genowe w przewidywanych rodzinach w odniesieniu do połączeń tej sieci, aby wyłonić najlepsze geny kandydackie (Rycina 3). Próg wartości współczynnika powinien być dostosowany do struktury sieci i gęstości skorelowanych genów.
  4. Utwórz listę genów, które można wytypować jako wyspecjalizowane w badanej ścieżce.
  5. Sprawdź ekspresję genów kandydackich w zależności od specyfiki organów oraz odpowiedzi na stres.

8. Integracja wszystkich informacji w celu przewidywania nowych szlaków

  1. Dodaj dobrze scharakteryzowane geny, które zostały wykorzystane do zapytań w analizie koekspresji, do przewidywanego szlaku metabolicznego.
  2. Zidentyfikuj niecharakteryzowane elementy w tym szlaku, na przykład niecharakteryzowane etapy enzymatyczne, białka transportowe i czynniki transkrypcyjne.
  3. Przewiduj najbardziej odpowiednią adnotację genów dla tych brakujących, niecharakteryzowanych etapów.
  4. Połącz wyniki profilowania metabolitów i geny kandydackie ekspresji genów in silico w oparciu o przewidywany szlak.
  5. Rozmieść geny kandydackie na przewidywanym szlaku zgodnie z funkcją genu, na przykład: acetylotransferazę dla metabolitu acetylowanego, glikozylotransferazę dla glikozydów, P450 dla związku utlenionego. Analiza drzewa filogenetycznego sekwencji aminokwasowych jest przydatna dla niektórych szerokich rodzin genów, takich jak P450 i glikozylotransferazy.
  6. Sprawdź spójność specyfiki tkankowej lub odpowiedzi na stres pomiędzy akumulacją metabolitów a poziomem ekspresji genów kandydackich.
  7. Sprawdź powiązania z innym metabolizmem w celu zapewnienia substratów oraz genów odpowiedzialnych za odpowiedź na stres.

9. Eksperymenty w celu identyfikacji genów z wykorzystaniem biozasobów

  1. Sprawdzić dostępność zasobów biologicznych w celu ułatwienia przeprowadzenia eksperymentu służącego identyfikacji genów kandydujących.
  2. Przeprowadzić eksperyment w celu identyfikacji funkcji genu z wykorzystaniem zasobów biologicznych, takich jak biblioteka mutantów KO oraz pełnowymiarowa biblioteka cDNA. W przypadku najlepszych genów kandydujących wynikających z przewidywań należy przeprowadzić eksperymenty służące funkcjonalnej identyfikacji genów, obejmujące przygotowanie roślin z nadekspresją i mutantów z nokautem, testy enzymatyczne oraz testy wiązania promotora. Analizę białka rekombinowanego w celu charakterystyki właściwości białka oraz przygotowanie roślin z nadekspresją najlepiej przeprowadzić po potwierdzeniu profilu metabolitów przy użyciu mutanta KO, ponieważ przygotowanie białka rekombinowanego oraz klonowanie genów do transformacji zajmuje znacznie więcej czasu.

10. Reprezentatywne wyniki

Procedura analizy zintegrowanej opisana w niniejszym protokole oferuje wiele możliwości w zależności od określonego celu eksperymentalnego oraz wyboru kombinacji biologicznych i analitycznych. Dobór procedur i projekt eksperymentalny powinny zostać przeprowadzone odpowiednio na podstawie docelowego szlaku, związków oraz gatunku rośliny. Strategia integracji opisana w tym protokole koncentruje się na adnotacji funkcji genów roślin oraz odkrywaniu nowych funkcji genów przy efektywnym wykorzystaniu kilku zasobów biologicznych i danych. Oczekiwany rezultat obiecuje dostarczenie jedynie w przypadku jednoznacznej predykcji. Fakt ten wskazuje, że jeśli profile kombinacji nie dostarczą wystarczających dowodów, eksperyment nie powinien zostać rozpoczęty. Z tego powodu w każdym przypadku dodatkowe eksperymenty wstępne, takie jak ukierunkowane profilowanie ekspresji genów za pomocą RT-PCR, mogą wesprzeć predykcję funkcji genu. Dokładność i poprawność predykcji korelują dodatnio z różnicami jakościowymi oraz liczbą wariantów kombinacji. Ponadto odpowiedni kandydaci i wiarygodne wyniki mogą wynikać jedynie z dokładnej predykcji szlaków. Adnotacja piku powinna być przeprowadzana poprzez kombinację kilku podejść, na przykład przegląd literatury, referencyjny ekstrakt roślinny, analizę MSn, specyficzność organową oraz analizę mutantów 13.

Schemat analizy funkcji genów: koekspresja, profilowanie metabolitów, przewidywanie szlaków.
Rysunek 1. Przegląd przebiegu eksperymentalnego adnotacji genów z zastosowaniem podejścia kombinowanego. W niektórych przypadkach projekty rozpoczynają się od odkrycia nowego piku wykrywanego w specyficznych warunkach lub tkankach oraz chęci zrozumienia jego roli w metabolizmie. W innych sytuacjach celem projektu jest identyfikacja genu lub odkrycie kluczowych czynników regulacyjnych, takich jak czynniki transkrypcyjne. Projekt eksperymentu powinien zostać zaplanowany w oparciu o zestaw danych wykazujący wyraźne różnice w poziomach metabolitów w docelowym szlaku, z wykorzystaniem szerokiego zakresu próbek tkanek z różnych organów, roślin o zróżnicowanym wzroście lub roślin narażonych na warunki stresowe, oraz poddaniem materiału profilowaniu metabolitów. Rośliny mutantowe i transgeniczne, a także materiał hodowlany zawierający QTL, stanowią również odpowiedni materiał genetyczny do tych badań. Przewidywanie nowych szlaków powinno być przeprowadzane ostrożnie, przy dokładnej adnotacji piku i zastosowaniu podejścia kombinowanego z różnymi typami metabolotypów, takimi jak specyfika organów i odpowiedzi na stres, zgodnie z danymi ekspresji genów w analizowanym szlaku. W ostatnim kroku należy przeprowadzić profilowanie metabolitów i transkryptów, co w połączeniu z analizą in silico zasobów sieciowych oraz charakterystyką ekspresji genów via ekspresja heterologiczna in vitro, doprowadzi ostatecznie do potwierdzenia genu kandydata oraz wyjaśnienia jego funkcji i pozycji w szlaku metabolicznym. Skróty: QTL, loci cech ilościowych.

Schemat analizy metabolomicznej; proces detekcji/adnotacji/identyfikacji pików, powiązania z ekspresją genów.
Rysunek 2. Schemat kombinowanego podejścia do adnotacji pików. Procedura identyfikacji i adnotacji pików z wykorzystaniem związku wzorcowego, porównanie typu dzikiego i mutantów z nokautem, wielowymiarowa spektrometria mas piku docelowego w odniesieniu do widm mas czystych związków z baz danych 12. Skróty: DB, baza danych; KO, nokaut; 1-D, jednowymiarowy; 2-D, dwuwymiarowy; NMR, magnetyczny rezonans jądrowy; IR, podczerwień; MSn, wielostopniowa spektrometria mas.

Schemat sieci regulacji genów; klastry antocyjanów i flawonoli; wizualizacja interakcji genetycznych.
Rysunek 3. Przykład analizy sieci koregulacji szlaku biosyntezy antocyjanów. Analizy koekspresji przeprowadzono za pomocą PRIMe (http://prime.psc.riken.jp/?action=coexpression_index) w oparciu o zestaw danych ATTEDII wersja 3 8,2 z wykorzystaniem programu Pajek (http://vlado.fmf.uni-lj.si/pub/networks/pajek/). Do tworzenia połączeń w sieci wykorzystano korelacje dodatnie (r<0.5). Czerwone węzły: dwanaście genów enzymatycznych szlaku antocyjanów (At5g13930, CHS, TT4, syntaza chalkonu; At3g55120, CHI, TT5, izomeraza chalkonu; At3g51240, F3H, TT6, flawanonowa 3-hydroksylaza; At5g07990, F3'H, TT7, flawonoidowa 3'-hydroksylaza; At5g17050, Fd3GT, UGT78D2, flawonoidowa 3-O-glukozylotransferaza; At5g17220, AtGSTF12, TT19; At5g42800, DFR, TT3, reduktaza dihydroflawonolu; At4g22880, ANS/LDOX, TT18, syntaza antocyjanidyn; At4g14090, A5GT, antocyjanowa 5-O-glukozylotransferaza; At5g54060, A3G2"XT, domniemana antocyjanowa 3-O-glukozydowa 2"-O-ksylozylotransferaza; At3g29590, A5GMaT, antocyjanowa 5-O-glukozydowa 6'''-O-malonylotransferaza; At1g03940, A3GCouT, antocyjanowa 3-O-glukozydowa 6"-O-p-kumarojlotransferaza) oraz dwa czynniki transkrypcyjne odpowiedzialne za produkcję antocyjanów (At1g56650, PAP1; At1g66390, PAP2) zostały wykorzystane do wyszukiwania genów kandydatów. Geny kandydaty zidentyfikowano poprzez wyszukiwanie metodą „iloczynu zbiorów” (intersection of sets) z wartością progową współczynnika r>0.50, zapytaniem o iloczyn zbiorów wszystkich analizowanych genów (czternaście genów biosyntezy antocyjanów). Sieć koekspresji, obejmująca skorelowane geny kandydaty (68 genów) oraz geny analizowane (14 genów), została zrekonstruowana poprzez wyszukiwanie metodą „połączeń zbiorów” (interconnection of sets) przy r>0.50 z wykorzystaniem bazy danych PRIMe. Pliki wyjściowe sformatowane jako pliki „.net” z bazy PRIMe oraz sieci zostały wykreślone za pomocą oprogramowania Pajek. Niebieski węzeł oznacza geny kandydaty, które wykazały korelację z genami antocyjanów.

gatunkiGłówny metabolit wtórny
Arabidopsis thalianaGlukozynolan, flawonol, antocyjan, pochodna sinapoilowa
Populus trichocarpaFlawonol, antocyjan, pochodna salicylanu
Vitis viniferaFlawonol, antocyjan, tanina, stilben
Solanum lycopersicumflawonol, antocyjan, glikoalkaloid, związki pochodne kwasu chlorogenowego,
Nicotiana tabacumflawonol, antocyjan, nikotynamid, związki pochodne kwasu chlorogenowego, cukier acylowany
Oryza sativaglikoflawona, antocyjan, pochodne steroli
Zea maysglikoflawona, antocyjan, benzoksazinon, pochodne steroli
Medicago truncatulaizoflawona, antocyjan, saponina,
Lotus japonicaizoflawona, flawonol, antocyjan, saponina,

Tabela I. Główne metabolity wtórne u modelowych gatunków roślin.

Baza danych koekspresjiAdres
Międzygatunkowe bazy roślin 
COPhttp://webs2.kazusa.or.jp/kagiana/cop0911/
PlaNethttp://aranet.mpimp-golm.mpg.de/
Gatunki roślin 
ATEED-IIhttp://atted.jp/
BARhttp://142.150.214.117/welcome.htm
COPhttp://webs2.kazusa.or.jp/kagiana/cop
GeneCAThttp://genecat.mpg.de/
Arabidopsis 
ACThttp://www.arabidopsis.leeds.ac.uk/act/coexpanalyser
AthCoR@CSB.DBhttp://csbdb.mpimp-golm.mpg.de/csbdb/dbcor/ath.html
CressExpresshttp://cressexpress.org/
PRIMehttp://prime.psc.riken.jp/?action=coexpression_index
Oryza sativa  
RiceArrayNethttp://arraynet.mju.ac.kr/arraynet/
Rice Array Databasehttp://www.ricearray.org/coexpression/coexpression.shtml

Tabela II. Dostępna baza danych ekspresji genów do analizy koekspresji in silico.

Dyskusja

Biorąc pod uwagę, że technologie transkryptomiczne i metabolomiczne są stosowane od kilku lat, proces integracji danych w celu adnotacji genów wspomaganej metabolomiką zazwyczaj rozpoczyna się od identyfikacji nowego piku reprezentującego nieznany metabolit. Fakt ten prowadzi do następnego etapu, którym jest ocena wariancji ilościowej pików metabolitów lub nowych genów kandydackich, które uznaje się za odpowiedzialne za ich biosyntezę. Strategia opisana w niniejszym protokole napotyka jednak trzy główne problemy: i) trudność w adnotacji pików, ii) złożoność przewidywania szlaków, iii) rozdzielczość informacji o genach oraz jakość danych o ekspresji genów. Aby rozwiązać pierwszy problem, adnotację pików należy przeprowadzić poprzez współelucję związków wzorcowych lub podejście kombinatoryczne z wykorzystaniem informacji z analizy MSn, ekstraktów referencyjnych, analizy mutantów, wyszukiwania w bazach danych metabolitów oraz przeglądu literatury (Rysunek 2, 12). W odniesieniu do drugiego problemu, przewidywanie szlaków jest możliwe jedynie po prawidłowej adnotacji pików. Niemniej jednak profilowanie metabolitów w zależności od specyfiki tkankowej może również wspierać adnotację pików, ponieważ akumulacja metabolitów powinna być skorelowana z ekspresją powiązanych genów. Dlatego połączenie profili z różnych tkanek i warunków wzrostu może być pomocne w rozwiązaniu tego drugiego problemu. Trzeci problem dotyczący rozdzielczości informacji o genach zależy od postępów w sekwencjonowaniu danych. W przypadku rośliny modelowej, której sekwencja genomu nie została ukończona, przydatna jest analiza koekspresji z wykorzystaniem genów ortologicznych u innych roślin modelowych. Szczegółowe porównanie dopasowania oraz analiza drzew filogenetycznych sekwencji aminokwasów mogą pomóc w powiązaniu organizmów modelowych z innymi gatunkami.

Niniejszy protokół jest odpowiedni dla wszystkich szlaków metabolicznych. Jest on najskuteczniejszy w analizie metabolizmu pośredniego i wtórnego, w których udowodniono występowanie silnej kontroli transkrypcyjnej 1,5,11,16. W niektórych przykładach analiza koekspresji została pomyślnie przeprowadzona w odniesieniu do asymilacji siarki, genów β-oksydacji, degradacji rozgałęzionych aminokwasów, rozkładu chlorofilu i katabolizmu lizyny 3, metabolizmu ściany komórkowej 10,7 oraz kaskady sygnalizacji świetlnej 14. Adnotacja funkcji genów poprzez połączenie genomiki, metabolomiki i informatyki służy nie tylko do identyfikacji genów biosyntetycznych i bezpośrednich regulatorów w postaci czynników transkrypcyjnych, ale także do zrozumienia procesów fizjologicznych i odpowiedzi organizmu (patrz przykład na Rysunku 3. 14).

Aby rozszerzyć tę metodę z roślin modelowych na gatunki uprawne, potężnym podejściem w badaniu ogólnego metabolizmu jest porównywanie metaboliczne między różnymi gatunkami roślin. Na przykład, jeśli ten sam związek zostanie wykryty u różnych gatunków roślin i zostaną zidentyfikowane w nich geny ortologiczne, analiza koekspresji międzygatunkowej z wykorzystaniem genów ortologicznych może dostarczyć silnych dowodów na poparcie postawionej hipotezy. Podejście to można zastosować w przypadku Arabidopsis, topoli, lucerny oraz ważnych roślin uprawnych, takich jak jęczmień, ryż, pszenica i soja, przeprowadzając analizę koekspresji gatunków roślin (6, PlaNet: http://aranet.mpimp-golm.mpg.de/,; 9, COP: http://webs2.kazusa.or.jp/kagiana/cop0911/; patrz przykład, 15).

Oświadczenia

Nie zadeklarowano żadnych konfliktów interesów.

Podziękowania

Dziękujemy prof. Kazuki Saito z RIKEN PSC oraz dr. Bjoern Usadel z MPIMP za pomocne dyskusje. TT jest wspierany stypendium z fundacji Alexandra von Humboldta.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Woda destylowana klasy ULC/MS BIOSOLVE23214102
Acetonitryl (ACN) klasy ULC/MS BIOSOLVE01204102
Metanol (MeOH) klasy ULC/MS BIOSOLVE13684102
Kwas mrawkowy (HCOOH) klasy ULC/MS do chromatografii cieczowej BIOSOLVE06914131
Związki wzorcowe EXTRASYNTHESE
System liniowej pułapki jonowej (IT) ESI-MS FINNIGAN-LTQ Thermo Fisher Scientific, Inc.
System HPLC Surveyor Thermo Fisher Scientific, Inc.
Kolumna analityczna Luna C18(2), średnica 2,0 mm, długość 150 mm, wielkość porów 100 Å i sferyczne cząstki 3 mm Phenomenex00F-4251-B0
Oprogramowanie Xcalibur Thermo Fisher Scientific, Inc.

Bibliografia

  1. Aharoni, A., Keizer, L. C. P., Bouwmeester, H. J., Sun, Z. K., Alvarez-Huerta, M., Verhoeven, H. A., Blaas, J., van Houwelingen, A., De Vos, R. C. H., van der Voet, H. SAAT gene involved in strawberry flavor biogenesis by use of DNA microarrays. Plant Cell. 12, 647-661 (2000).
  2. Akiyama, K., Chikayama, E., Yuasa, H., Shimada, Y., Tohge, T., Shinozaki, K., Hirai, M. Y., Sakurai, T., Kikuchi, J., Saito, K. PRIMe: a Web site that assembles tools for metabolomics and transcriptomics. In Silico Biol. 8, 339-345 (2008).
  3. Araujo, W. L., Ishizaki, K., Nunes-Nesi, A., Larson, T. R., Tohge, T., Krahnert, I., Witt, S., Obata, T., Schauer, N., Graham, I. A., Leaver, C. J., Fernie, A. R. Identification of the 2-Hydroxyglutarate and Isovaleryl-CoA Dehydrogenases as Alternative Electron Donors Linking Lysine Catabolism to the Electron Transport Chain of Arabidopsis Mitochondria. Plant Cell. 22, 1549-1563 (2010).
  4. De Vos, R. C. H., Moco, S., Lommen, A., Keurentjes, J. J. B., Bino, R. J., Hall, R. D. Untargeted large-scale plant metabolomics using liquid chromatography coupled to mass spectrometry. Nat. Protoc. 2, (2007).
  5. Hirai, M. Y., Sugiyama, K., Sawada, Y., Tohge, T., Obayashi, T., Suzuki, A., Araki, R., Sakurai, N., Suzuki, H., Aoki, K., Goda, H., Nishizawa, O. I., Shibata, D., Saito, K. Omics-based identification of Arabidopsis Myb transcription factors regulating aliphatic glucosinolate biosynthesis. Proceedings of the National Academy of Sciences of the United States of America. 104, 6478-6483 (2007).
  6. Mutwil, M., Klie, S., Tohge, T., Giorgi, F. M., Wilkins, O., Campbell, M. M., Fernie, A. R., Usadel, B., Nikoloski, Z., Persson, S. PlaNet: Combined Sequence and Expression Comparisons across Plant Networks Derived from Seven Species. Plant Cell. 23, 895-910 (2011).
  7. Mutwil, M., Ruprecht, C., Giorgi, F. M., Bringmann, M., Usadel, B., Persson, S. Transcriptional Wiring of Cell Wall-Related Genes in Arabidopsis. Molecular Plant. 2, 1015-1024 (2009).
  8. Obayashi, T., Kinoshita, K., Nakai, K., Shibaoka, M., Hayashi, S., Saeki, M., Shibata, D., Saito, K., Ohta, H. ATTED-II: a database of co-expressed genes and cis elements for identifying co-regulated gene groups in Arabidopsis. Nucleic Acids Research. 35, D863-D869 (2007).
  9. Ogata, Y., Suzuki, H., Sakurai, N., Shibata, D. CoP: a database for characterizing co-expressed gene modules with biological information in plants. Bioinformatics. 26, 1267-1268 (2010).
  10. Persson, S., Wei, H. R., Milne, J., Page, G. P., Somerville, C. R. Identification of genes required for cellulose synthesis by regression analysis of public microarray data sets. Proceedings of the National Academy of Sciences of the United States of America. 102, 8633-8638 (2005).
  11. Tohge, T., Yonekura-Sakakibara, K., Niida, R., Watanabe-Takahashi, A., Saito, K. Phytochemical genomics in Arabidopsis thaliana: A case study for functional identification of flavonoid biosynthesis genes. Pure and Applied Chemistry. 79, 811-823 (2007).
  12. Tohge, T., Fernie, A. R. Web-based resources for mass-spectrometry-based metabolomics: A user's guide. Phytochemistry. 70, 450-456 (2009).
  13. Tohge, T., Fernie, A. R. Combining genetic diversity, informatics and metabolomics to facilitate annotation of plant gene function. Nature Protocols. 5, 1210-1227 (2010).
  14. Tohge, T., Kusano, M., Fukushima, A., Saito, K., Fernie, A. R. Transcriptional and metabolic programs following exposure of plants to UV-B irradiation. Plant Signal Behav. 6, Forthcoming (2011).
  15. Tohge, T., Ramos, M. S., Nunes-Nesi, A., Mutwil, M., Giavalisco, P., Steinhauser, D., Schellenberg, M., Willmitzer, L., Persson, S., Martinoia, E., Fernie, A. R. Towards the storage metabolome: profiling the barley vacuole. Plant Physiol. , (2011).
  16. Yonekura-Sakakibara, K., Tohge, T., Matsuda, F., Nakabayashi, R., Takayama, H., Niida, R., Watanabe-Takahashi, A., Inoue, E., Saito, K. Comprehensive flavonol profiling and transcriptome coexpression analysis leading to decoding gene-metabolite correlations in Arabidopsis. Plant Cell. 20, 2160-2176 (2008).

Przedruki i uprawnienia

Tagi

Adnotacja genówanaliza koekspresjiprofilowanie metabolitówszlak metabolicznymetabolomika roślinmutanty z nokautem genuanaliza HPLCspektrometria masidentyfikacja ortologówprzewidywanie szlaków
Adnotacja funkcji genów roślin poprzez zintegrowaną genomikę, metabolomikę i informatykę
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.