Ein Multi

Apr 24, 2024

Scientific Reports Band 13, Artikelnummer: 12664 (2023) Diesen Artikel zitieren

59 Zugriffe

5 Altmetrisch

Details zu den Metriken

Unfruchtbarkeit oder Subfertilität ist ein entscheidendes Hindernis für eine nachhaltige Rinderproduktion, auch bei Färsen. Die Entwicklung von Färsen, die innerhalb eines optimalen Zeitfensters kein Kalb zur Welt bringen, ist ein entscheidender Faktor für die Rentabilität und Nachhaltigkeit der Rinderindustrie. Parallel dazu sind Färsen ein hervorragendes biomedizinisches Modell zum Verständnis der zugrunde liegenden Ätiologie der Unfruchtbarkeit, da gut ernährte Färsen immer noch unfruchtbar sein können, vor allem aufgrund inhärenter physiologischer und genetischer Ursachen. Mithilfe eines SNP-Chips (High-Density Single Nucleotide Polymorphism) haben wir genotypische Daten gesammelt, die mithilfe einer Assoziationsanalyse in PLINK mit dem exakten Fisher-Test analysiert wurden. Wir haben auch quantitative Transkriptomdaten und Proteomdaten erstellt. Die Transkriptomdaten wurden mithilfe des Quasi-Likelihood-Tests und anschließend des Wald-Tests analysiert. Der Likelihood-Test und die Proteomdaten wurden mithilfe eines verallgemeinerten gemischten Modells und des Student-T-Tests analysiert. Wir identifizierten zwei SNPs, die signifikant mit der Färsenfruchtbarkeit assoziiert sind (rs110918927, chr12: 85648422, P = 6,7 × 10–7; und rs109366560, chr11:37666527, P = 2,6 × 10–5). Wir identifizierten zwei Gene mit unterschiedlicher Transkripthäufigkeit (eFDR ≤ 0,002) zwischen den beiden Gruppen (fruchtbar und subfruchtbar): Adipozyten-Plasmamembran-assoziiertes Protein (APMAP, 1,16 größere Häufigkeit in der fruchtbaren Gruppe) und Dynein Axonemal Intermediate Chain 7 (DNAI7, 1,23 größere Häufigkeit in der subfruchtbaren Gruppe). Unsere Analyse ergab, dass das Protein Alpha-Ketoglutarat-abhängige Dioxygenase FTO im Plasma fruchtbarer Färsen häufiger vorkam als bei ihren subfruchtbaren Gegenstücken (FDR < 0,05). Schließlich identifizierte eine integrative Analyse der drei Datensätze eine Reihe molekularer Merkmale (SNPs, Gentranskripte und Proteine), die 21 von 22 Färsen anhand ihrer Fruchtbarkeitskategorie korrekt unterschieden. Unsere Multi-Omics-Analysen bestätigen die komplexe Natur der weiblichen Fruchtbarkeit. Besonders wichtig ist, dass unsere Ergebnisse auch Unterschiede im molekularen Profil von Färsen im Zusammenhang mit der Fruchtbarkeit hervorheben, die über die Einschränkungen des rassespezifischen genetischen Hintergrunds hinausgehen.

Die neuesten Daten der Ernährungs- und Landwirtschaftsorganisation zeigen, dass im Jahr 2020 mehr als 46 % der täglichen Proteinversorgung weltweit aus tierischen Lebensmitteln stammten (FAO-STATS). Rinderfleisch und Rindermilch machten im Jahr 2020 12,8 % der gesamten Proteinversorgung der Welt aus (FAO-STATS). Diese Zahlen unterstreichen die Bedeutung der Rinderproduktion für die weltweit wachsende Nachfrage nach Proteinen1. Unfruchtbarkeit oder Subfertilität ist ein entscheidendes Hindernis für eine nachhaltige Rinderproduktion2, auch bei Färsen. Beispielsweise kalben etwa 15 %3 bzw. 5 %4 der Rinder- und Milchkühe im Alter von 24 Monaten nicht. Färsen, die im optimalen Alter kalben, haben eine höhere Produktivität und Langlebigkeit in der Herde5,6,7,8,9,10. Daher ist die Identifizierung von Färsen mit optimaler Fruchtbarkeit ein vielversprechender Ansatz zur Verbesserung der Nachhaltigkeit in der Rinderproduktion.

Die Vererbbarkeit der Zuchtwerte für die Färsenfruchtbarkeit ist bei Rind-11,12,13,14,15,16,17 und Milchfärsen18,19,20,21,22,23 häufig niedrig, was darauf hindeutet, dass mehrere genetische Faktoren diesen Komplex beeinflussen Merkmal, das über additive genetische Effekte hinausgeht. Ein weiterer möglicher Weg zum Verständnis der Unfruchtbarkeit ist die Verwendung der molekularen Phänotypisierung24. Die bahnbrechenden Bemühungen konzentrierten sich auf genomweite Assoziationsstudien (GWAS) zur Identifizierung genetischer Marker, die mit der Fruchtbarkeit von Färsen assoziiert sind4,12,25,26,27,28,29,30,31,32,33,34,35,36,37, 38, aber nur wenige scheinen in allen Populationen reproduzierbar zu sein37. Neuere Bemühungen konzentrierten sich auch auf Transkriptom-39,40,41- und Metabolom-42-Datensätze, die diese Moleküle in Blutproben charakterisieren. Auch hier wurden begrenzte Gene mit unterschiedlicher Transkripthäufigkeit in allen Datensätzen identifiziert39. Zur Identifizierung molekularer Merkmale, die zur Erklärung der Fruchtbarkeitsfitness beitragen können, ist noch viel Forschung erforderlich.

Insgesamt sind etwa 5 % der Färsen unfruchtbar4,43, und diese Kohorte ist aus mehreren Gründen ein hervorragendes biologisches Modell für die Untersuchung der genetischen Grundlagen der Unfruchtbarkeit. Erstens unterliegen weder Milch- noch Fleischfärsen dem hohen Stoffwechselbedarf, der für die Milchproduktion erforderlich ist44,45,46. Zweitens müssen postpartale Kühe vor der nächsten Zucht eine kritische Phase der physiologischen und anatomischen Erholung durchlaufen47,48,49. Drittens gibt es mehrere postpartale Erkrankungen mit negativen Auswirkungen auf den Fortpflanzungserfolg50,51,52. Fortpflanzungsprobleme bei gut gehaltenen Färsen sind physiologisch bedingt20, die meisten davon stehen auch unter genetischer Kontrolle53 oder stehen in direktem Zusammenhang mit Mutationen54, die die weiblichen Fortpflanzungsfunktionen beeinträchtigen.

Angus- und Holstein-Färsen weisen eine ähnliche Häufigkeit von Unfruchtbarkeit oder Subfertilität auf4,43 trotz des Selektionsdrucks, der auf die Rindfleisch- oder Milchproduktion gerichtet ist, und haben daher einen weit entfernten genetischen Hintergrund. In den meisten Studien zur Identifizierung biologischer Merkmale im Zusammenhang mit der Fruchtbarkeit bei Färsen wurde entweder eine Gruppe reinrassiger oder gekreuzter Tiere4,12,25,26,27,28,29,30,31,32,33,34,35,36 verwendet. 37,38,39,40,41,42. Hier haben wir ein Fall-Kontroll-Experiment55 durchgeführt, um die Hypothese zu testen, dass Unterschiede in den genetischen Varianten, im Gentranskript und in der Proteinhäufigkeit aufgrund der Fruchtbarkeitsfitness zwischen Färsen mit unterschiedlichem genetischen Hintergrund geteilt werden. Unser Ziel war es, genetische Varianten, Gentranskripte und Proteinhäufigkeit zwischen fruchtbaren und subfruchtbaren Färsen mit genetischem Hintergrund von Angus und Holstein zu vergleichen. Wir zeigen, dass sowohl die unabhängige Analyse als auch der Multi-Omics-Ansatz molekulare Signaturen identifizierten, die in der Lage sind, Färsen mit unterschiedlichem Fruchtbarkeitspotenzial zu unterscheiden, und dass somit eine zugrunde liegende Biologie im Zusammenhang mit der Fruchtbarkeit vorliegt, die beide Rassen gemeinsam haben.

Alle analytischen Verfahren werden in der Zusatzdatei 1 dargestellt und sind unter https://biase-lab.github.io/MultiOmics/ zugänglich.

Der Umgang mit Tieren für dieses Experiment wurde vom Institutional Animal Care and Use Committee (IACUC) am Virginia Polytechnic Institute und der State University genehmigt.

Wir haben Blutproben von reinrassigen Angus-Färsen (n = 12) gesammelt, die zum Zeitpunkt ihrer ersten künstlichen Befruchtung (KI) durchschnittlich 14 Monate alt waren. Färsen wurden vor der Zucht einem 7-tägigen Co-Synch + CIDR-Brunst-Synchronisationsprotokoll unterzogen. Kurz gesagt, den Färsen wurde am Tag 0 eine intramuskuläre (IM) Injektion von Gonadotropin-Releasing-Hormon (GnRH, 100 μg; Factrel®; Zoetis Inc.) verabreicht, gefolgt von der Einführung einer kontrollierten internen Arzneimittelfreisetzung (CIDR, 1,38 g Progesteron; Eazi-Breed™ CIDR®; Zoetis Inc.). Am 7. Tag wurde das CIDR entfernt und eine Injektion von Prostaglandin F2 alpha (PGF2α, 25 μg; Lutalyse®; Zoetis Inc.) verabreicht. Die AI zu einem festen Zeitpunkt wurde 54 ± 2 Stunden nach der CIDR-Entfernung zusammen mit einer zweiten GnRH-Injektion durchgeführt.

Darüber hinaus haben wir Blutproben von reinrassigen Holstein-Färsen (n = 10) gesammelt, die zum Zeitpunkt des ersten Besamungsdienstes im Durchschnitt 12 Monate alt waren. Färsen wurden vor der Besamung in ein 5-tägiges CIDR-Synch-Protokoll aufgenommen. Kurz gesagt, wurde am Tag 0 eine IM-Injektion von GnRH mit Einsetzen eines CIDR-Geräts verabreicht. Das CIDR-Gerät wurde am 5. Tag entfernt, gefolgt von einer IM-Injektion von PGF2α. Eine zweite Injektion von PGF2α wurde 24 Stunden später verabreicht. Anschließend wurde am 8. Tag eine zeitgesteuerte AI mit einer zweiten GnRH-Injektion durchgeführt.

Färsen wurden aufgrund ihres Trächtigkeitsergebnisses nach ähnlichen, zuvor verwendeten Kriterien als fruchtbar (Holstein, n = 5; Angus, n = 5) oder subfruchtbar (Holstein, n = 5; Angus, n = 7) identifiziert39,40. Als fruchtbar galten Tiere, die trächtig wurden und nach der ersten Besamung ein Kalb zur Welt brachten. Angus-Färsen wurden als unfruchtbar eingestuft, nachdem sie nach zwei Besamungen und dem Kontakt mit einem Bullen zur natürlichen Zucht nicht trächtig wurden. Holsteiner Färsen wurden als unfruchtbar eingestuft, nachdem sie vier oder mehr künstliche Befruchtungen benötigten.

Die Färsen wurden mit Protokollen synchronisiert, bei denen frühere Untersuchungen gezeigt hatten, dass sie einen hohen Erfolg bei der Trächtigkeit einer Färse bis zum AI56,57 bewirken. Daher die unterschiedlichen Protokolle für Rinder- und Milchkühe. Die Klassifizierungskriterien waren für jede Gruppe unterschiedlich, da es bei Fleisch- und Milchvieh-Ersatzfärsen Unterschiede im Management gibt. Am wichtigsten ist, dass jede Färse mehrere Möglichkeiten hatte, trächtig zu werden, bevor sie als unfruchtbar eingestuft wurde.

Die in dieser Studie verwendeten Färsen waren nicht Teil eines Ernährungsexperiments und daher wurde die Ernährung weder als Variable berücksichtigt noch war sie ein Faktor bei der Auswahl der Färsen. Alle Milchfärsen wurden mit gleichwertiger Futterbelastung aufgezogen. Ebenso wurden alle Rinderfärsen mit gleichwertiger Futterbelastung aufgezogen.

Jedem Tier wurden 50 ml Blut durch Venenpunktion der Halsvene unter Verwendung von 18 mg K2 EDTA-Vakutainern (Becton, Dickinson und Company) entnommen. Die Röhrchen wurden zum ordnungsgemäßen Mischen mit dem Antikoagulans umgedreht und dann sofort bis zur weiteren Verarbeitung auf Eis gestellt.

Wir verarbeiteten die Blutproben gemäß den an anderer Stelle beschriebenen Verfahren39,40,58 innerhalb von drei Stunden nach der Probenahme58. Röhrchen mit Vollblutproben wurden 25 Minuten (Min.) bei 4 °C und 2000 × g zentrifugiert, um den Leukozytenfilm abzutrennen. Der Buffy Coat wurde dann abgesaugt und mit 14 ml Lysepuffer für rote Blutkörperchen (1,55 M Ammoniumchlorid, 0,12 M Natriumbicarbonat, 1 mM EDTA (Cold Spring Harbor Protocols)) gemischt. Anschließend wurde die Lösung 10 Minuten lang bei 4 °C und 800 × g zentrifugiert und der Überstand verworfen. Das verbleibende Pellet wurde mit 200 µl TRIzol™-Reagenz (Invitrogen™, Thermo Fisher Scientific, Waltham, MA) in einem 2-ml-Kryoröhrchen (Corning Inc., Corning, NY) gemischt, bevor es mit flüssigem Stickstoff eingefroren wurde. Anschließend wurden die Proben bis zur weiteren Verarbeitung bei – 80 °C gelagert.

Die Buffy-Coat-Proben wurden bei Raumtemperatur in einem Gesamtvolumen von 525 µl TRIzol™-Reagenz aufgetaut. Anschließend wurde die Gesamt-RNA aus peripheren weißen Blutkörperchen mit dem Zymo Research Direct-zol™ DNA/RNA Miniprep Kit (Zymo Research Corporation, Irvine, CA) gemäß dem Protokoll des Herstellers extrahiert. Als nächstes bewerteten wir die Qualität der RNA, indem wir die RNA-Integritätszahl (RIN) für jede Probe mit dem Agilent RNA 6000 Pico-Kit (Agilent, Santa Clara, CA) auf dem Agilent 2100 Bioanalyzer (Agilent, Santa Clara, CA) quantifizierten.

Wir haben 400 ng DNA für jede Färse zur Genotypisierung an Neogen (Neogen Corporation, Lincoln, NE) übermittelt. Die Proben wurden unter Verwendung des Genotypisierungsarrays Illumina BovineHD Beadchip (Illumina Inc., San Diego, CA) (777K) genotypisiert. Wir haben die Daten zur Qualitätskontrolle59 mit PLINK60 verarbeitet. Zuerst haben wir SNPs entfernt, die in einer der Gruppen im Fall und in der Kontrolle bevorzugt aufgerufen wurden. Darauf folgte die Entfernung von Proben, bei denen mehr als 10 % der Genotypen fehlten, und die Entfernung von SNPs mit einer geringen Allelhäufigkeit von weniger als 1 %, einer fehlenden Rate von mehr als 10 % oder einer Abweichung vom Hardy-Weinberg-Gleichgewicht (P < 0,00001). Als nächstes führten wir einen Variantenschnitt durch. Wir haben eine Fenstergröße von 50 Kilobasen mit fünf Varianten in jedem Fenster bei einem Korrelationsschwellenwert von 0,2 berücksichtigt. Nach dem Beschneiden berechneten wir die Verwandtschafts- und Inzuchtkoeffizienten mithilfe des Parameters „--make-rel“ in PLINK (Zusatzdatei 2). Alle gemeldeten SNP-Koordinaten beziehen sich auf die mit dem LiftOver-Tool61 konvertierte btau9-Baugruppe.

Für den Aufbau der Sequenzierungsbibliothek wurden 900 ng Gesamt-RNA in 25 µl nukleasefreiem Wasser verdünnt und die RNA-Menge wurde mit dem Qubit™ RNA High Sensitivity Assay Kit (Invitrogen™, Thermo Fisher Scientific, Waltham, MA) auf dem Qubit bestätigt ™ 4 Fluorometer (Invitrogen™, Thermo Fisher Scientific, Waltham, MA). Bibliotheken wurden für die Sequenzierung der nächsten Generation mit dem Illumina Stranded mRNA Prep Kit (Illumina, Inc., San Diego, CA) und den IDT® für Illumina RNA UD-Indizes (Illumina, Inc., San Diego, CA) nach Angaben des Herstellers vorbereitet Anweisungen. Die Sequenzierung wurde auf dem NovaSeq 6000-Sequenzierungssystem (Illumina, Inc., San Diego, CA) unter Verwendung des NovaSeq 6000 SP Reagent Kit v1.5 (Illumina, Inc., San Diego, CA) durchgeführt, um Paired-End-Reads mit 150 Nukleotiden zu erzeugen Länge. Die Sequenzierung wurde vom VANTAGE-Labor am Vanderbilt University Medical Center (Nashville, TN) durchgeführt.

Wir haben die Sequenzen mit dem Referenzgenom des Rindes (Bos_taurus.ARS-UCD1.2.105) in der Ensembl62-Datenbank mit hisat263,64,65 unter Verwendung des Parameters -very-sensitive abgeglichen. Dann haben wir Samtools66,67 verwendet, um Sequenzen zu filtern und sekundäre Alignments, Duplikate und nicht zugeordnete Lesevorgänge zu entfernen. Als nächstes haben wir biobambam268 verwendet, um Duplikate zu markieren und zu entfernen.

Die Anzahl der Fragmente, die mit der Annotation des Ensembl62-Kuhgens (Bos_taurus.ARS-UCD1.2.105) übereinstimmten, wurde mit featureCounts69 quantifiziert, und wir konservierten Gene, die als Protein-kodierende, Pseudogene oder lange nicht-kodierende RNA annotiert waren. Die Gene wurden dann zur weiteren Analyse aufbewahrt, wenn die Anzahl pro Million (CPM) und die Fragmente pro Kilobase pro Million (FPKM) in mindestens fünf Proben > 1 waren.

Einhundert μl Plasma pro Probe wurden zur Proteinextraktion und Datenerfassung an die Virginia Tech Mass Spectrometry Incubator (VT-MSI)-Einrichtung am Fralin Life Sciences Institute, Virginia Tech, geschickt.

Plasmaproben (100 μl) wurden durch Zugabe von 11,1 μl 12 % (v/v) o-Phosphorsäure (MilliporeSigma, St. Louis, MO) angesäuert, dann wurden Proteine ​​durch Zugabe von 725 μl Methanol in LC/MS-Qualität ausgefällt und über Nacht bei -80°C inkubiert. Ausgefälltes Protein wurde durch Zentrifugation gesammelt und in S-Trap-Lysepuffer (10 % (Gew./Vol.) SDS in 100 mM Triethylammoniumbicarbonat (MilliporeSigma, St. Louis, MO, pH 8,5)) solubilisiert. Die Proteinkonzentration wurde durch Messung der Absorption bei 280 nm bestimmt, dann wurden 150 μg Protein für jede Probe mit DTT (4,5 mM) reduziert und dann mit Iodacetamid (10 mM, MilliporeSigma, St. Louis, MO) alkyliert. Nicht umgesetztes I-Iodacetamid wurde mit DTT (10 mM, MilliporeSigma, St. Louis, MO) gequencht und die Proben wurden mit o-Phosphorsäure (MilliporeSigma, St. Louis, MO) angesäuert. Das Protein wurde erneut mit Methanol ausgefällt und wie oben über Nacht bei -80 °C inkubiert. Das ausgefällte Protein wurde auf eine Mikro-S-Falle geladen, mit Methanol gewaschen und anschließend über Nacht mit Trypsin verdaut. Peptide wurden gewonnen und fünf μg jeder Probe, bestimmt durch Messung der Absorption bei 215 nm mit einem DS-11 FX+ Spektrophotometer/Fluorometer (DeNovix, Wilmington, DE), wurden zweimal (Duplikate) mit ESI-MS/MS Orbitrap Fusion analysiert Lumos (Thermo Fisher Scientific (Waltham, MA)).

Die Proben wurden zunächst auf eine Vorsäule (Acclaim PepMap 100 (Thermo Scientific, Waltham, MA), 100 µm × 2 cm) geladen, wonach der Fluss auf eine analytische Säule (50 cm µPAC (PharmaFluidics, Woburn, MA) umgeleitet wurde. Die UPLC/ Der verwendete Autosampler war ein Easy-nLC 1200 (Thermo Scientific, Waltham, MA). Die Flussrate wurde bei 150 nl/min gehalten und die Peptide wurden unter Verwendung eines 2 bis 45 %igen Gradienten von Lösungsmittel B in Lösungsmittel A über 88 Minuten eluiert. Sprühspannung eingeschaltet Der µPAC-kompatible Easy-Spray-Emitter (PharmaFluidics, Woburn, MA) hatte eine Spannung von 1300 Volt, die Ionentransferröhre wurde auf 275 °C gehalten, die RF-Linse wurde auf 30 % eingestellt und der Standardladezustand wurde auf 3 eingestellt.

MS-Daten für den m/z-Bereich von 400–1500 wurden mit der Orbitrap bei einer Auflösung von 120.000 im Positivprofilmodus mit einem AGC-Ziel von 4,0e5 und einer maximalen Injektionszeit von 50 ms gesammelt. Die Peaks wurden für die MS/MS-Analyse gefiltert, basierend auf der erwarteten Isotopenpeakverteilung eines Peptids mit einer Intensität über 2,0e4 und einem Ladungszustand von 2–5. Peaks wurden nach 1 Scan 15 s lang dynamisch ausgeschlossen, wobei die MS/MS-Einstellung so eingestellt war, dass sie bei 45 % einer chromatographischen Peakbreite mit einer erwarteten Peakbreite (FWHM) von 15 s gesammelt wurde. MS/MS-Daten ab einem m/z von 150 wurden mit der Orbitrap bei einer Auflösung von 15000 im positiven Schwerpunktmodus mit einem AGC-Ziel von 1,0e5 und einer maximalen Injektionszeit von 200 ms gesammelt. Der Aktivierungstyp war HCD, gestuft von 27 auf 33.

Die Daten wurden mithilfe von Proteome Discoverer 2.5 (Thermo Scientific, Waltham, MA) analysiert, wobei eine Sequest HT- und Mascot 2.7-Suche (Matrix Science, Boston, MA) zu einer Ergebniszusammenfassung für jede Probe kombiniert wurde. Bei beiden Suchen wurden die UniProt-Referenz-Proteomdatenbank Bos taurus und eine gemeinsame Proteinkontaminantendatenbank verwendet, die mit dem Softwarepaket Proteome Discoverer (PD) bereitgestellt wird70. Bei jeder Suche wurden Trypsin-spezifische Peptide mit der Möglichkeit zweier fehlender Spaltungen, einer Vorläufer-Massentoleranz von 10 ppm und einer Fragment-Massentoleranz von 0,1 Da angenommen. Sequest HT-Suchen umfassten auch den Vorläufer-Detektorknoten der PD-Software, um MS/MS-Spektren zu identifizieren, die Peaks von mehr als einem Vorläufer enthalten. Sequest-HT-Suchen umfassten eine feste Modifikation von Carbamidomethyl an Cys und die variablen Modifikationen der Oxidation an Met und den Verlust von Met am N-Terminus eines Proteins (erforderlich für die Verwendung des INFERYS-Rescoring-Knotens). Durch Sequest HT identifizierte Peptidübereinstimmungen wurden einem INFERYS-Rescoring unterzogen, um die Anzahl der mit hoher Sicherheit identifizierten Peptide weiter zu optimieren.

Maskottchensuchen umfassten die folgenden dynamischen Modifikationen zusätzlich zu der festen Modifikation von Cys, das durch Iodacetamid alkyliert (carbamidomethyliert) wurde: Oxidation von Met, Acetylierung des N-Terminus des Proteins, Cyclisierung eines N-terminalen Gln eines Peptids zu Pyro-Glu und Desamidierung von Asn/Gln-Rückstände.

Proteinidentifizierungen wurden mit einer Rate falscher Entdeckungen von 1 % (hohes Vertrauen) oder mit einer Rate falscher Entdeckungen von 5 % (mittleres Vertrauen) gemeldet, basierend auf Suchen in Täuschungsdatenbanken unter Verwendung derselben Parameter wie oben. Die Software passte die Peptidpeaks über alle Läufe hinweg an, und die Proteinmengen sind die Summe aller mit dem Protein verbundenen Peptidintensitäten.

Wir führten eine Hauptkomponentenanalyse für die Genotypen nach dem Beschneiden durch, indem wir den Parameter „--pca“ in PLINK verwendeten. Zur Darstellung wurden die Eigenvektoren verwendet. Für die Transkriptomdaten haben wir zunächst die variantenstabilisierten Daten mithilfe der Funktion „vst“ aus dem R-Paket „DESeq2“ erhalten. Als nächstes haben wir die Komponenten mithilfe der Funktion „plotPCA“ in R berechnet. Für die Proteindaten haben wir die Werte für jedes technische Duplikat gemittelt und diese Werte als Eingabe für die Funktion „prcomp“ in R verwendet.

Nach der Filterung wurden 575.053 Genotypen von 22 Tieren für die Assoziationsanalyse verwendet, die in PLINK60 unter Verwendung des exakten Fisher-Tests durchgeführt wurde. Wir haben die nominalen P-Werte mithilfe des adaptiven Permutationsverfahrens71 in PLINK60 angepasst, um das Testen mehrerer Hypothesen zu korrigieren. Die Locus-Assoziation wurde bei Alpha = 1 × 10−5 abgeleitet, wie vom Wellcome Trust Case Control Consortium72 für Fall-Kontroll-Studien berichtet, sowie durch frühere GWAS-Analysen von Fortpflanzungsmerkmalen bei Kühen oder Färsen4,25,32, was entsprach ein angepasster P-Wert <0,005.

Wir verglichen die Transkripthäufigkeit zwischen Proben jeder Rasse und jeder Fruchtbarkeitsgruppe. Zur Durchführung der Analysen wurden die R-Pakete „edgeR“73,74 mit dem Quasi-Likelihood-Test und „DEseq2“75 mit dem Wald- und Likelihood-Test verwendet. Wir haben die rohen P-Werte für das Testen mehrerer Hypothesen angepasst, indem wir die empirische Falscherkennungsrate (eFDR76) mit 10.000 Permutationen berechnet haben. Unterschiede in der Transkripthäufigkeit wurden als statistisch signifikant angesehen, wenn eFDR <0,002 in den Ergebnissen der drei Tests war.

Um die unterschiedliche Proteinhäufigkeit zu identifizieren, die gegenüber dem verwendeten Algorithmus robust ist, haben wir die Proteindaten mit zwei verschiedenen Algorithmen analysiert. Zuerst haben wir die Proteindaten mithilfe des natürlichen Logarithmus (Loge(x)) transformiert. Wir analysierten die transformierten Daten mithilfe eines verallgemeinerten gemischten Modells77 unter Verwendung des R-Pakets „lme4“, das die Fruchtbarkeitsgruppe (fruchtbar oder subfruchtbar), die Rasse (Angus oder Holstein) und den zufälligen Effekt des Subjekts umfasste. In diese Analyse wurde ein Zufallseffekt einbezogen, da die Proben zweimal untersucht wurden, um eine zuverlässigere Schätzung der unterschiedlichen Proteinhäufigkeit zu erhalten. Dann verwendeten wir die Funktion „emmeans“, die die Signifikanz des Unterschieds (H0:μ1 = μ2, H1:μ1≠μ2) mit dem Student-t-Test78 testet, um die geschätzten Unterschiede in der Proteinhäufigkeit zwischen Fruchtbarkeitsgruppen innerhalb jeder Rasse zu berechnen . Wir haben die logarithmisch transformierten Daten auch mit dem R-Paket „limma“79 analysiert. Wir haben die gleichen unabhängigen Variablen berücksichtigt, die oben erwähnt wurden (Fruchtbarkeitsgruppe und Rasse), zusätzlich zur Berücksichtigung der Korrelation zwischen den duplizierten Daten für jedes Individuum mit der Funktion „duplicateCorrelation“. Wir haben die unterschiedliche Häufigkeit der identifizierten Proteine ​​mithilfe der empirischen Bayes-Statistik getestet, die in der Funktion „eBayes“80,81 implementiert ist. In beiden Analysen haben wir die nominalen P-Werte mithilfe von FDR82 angepasst. Signifikanz wurde angenommen, wenn FDR in beiden Ansätzen < 0,05 war.

Wir analysierten die multimodalen Multi-Omics-Datensätze (Genom, Transkriptom und Proteom) interaktiv mithilfe des Multi-Omics-Faktoranalyse-Ansatzes83,84. Wir unterteilen die Genotyp-, Transkriptom- und Proteomdaten, um die globale Profilierung zu reduzieren. Wir behielten SNPs mit einem P-Wert < 0,001 für den Fisher-Test, Gene mit einem P-Wert < 0,01 für alle drei verwendeten statistischen Tests und Proteine ​​mit einem P-Wert < 0,05 in beiden verwendeten statistischen Tests. Wir haben die Analyse mit dem R-Paket „MOFA2“83,84 durchgeführt und dabei die Rasse als Gruppe berücksichtigt.

Wir haben 22 Bos taurus-Färsen der Rassen Angus (n = 12) und Holstein (n = 10) aufgrund ihrer Fruchtbarkeitsfitness ausgewählt (Abb. 1A). Wir isolierten Gesamt-RNA aus zirkulierenden weißen Blutkörperchen mit durchschnittlich 16,3 µg ± 4,0 und einer Qualität, gemessen anhand der RIN, mit durchschnittlich 9,4 ± 0,4. Die Extraktion genomischer DNA ergab 1,1 µg ± 0,4. Wir erstellten RNA-Sequenzierungsdaten (Abb. 1B) und quantifizierten die Transkripthäufigkeit von 12.445 Genen (12.105 proteinkodierende Gene, 228 lange nichtkodierende RNAs und 112 Pseudogene). Wir analysierten außerdem 575.053 Nukleotidpositionen im gesamten Rindergenom (Abb. 1B). Schließlich erstellten wir ungezielte Proteomikdaten aus Plasma, die zur relativen Quantifizierung von 213 Proteinen führten. Wie erwartet gruppierten die genotypischen und proteomischen Daten die Färsen mit unterschiedlichem genetischem Hintergrund separat (Abb. 1A). Im Gegensatz dazu gab es keine Clusterung der Proben basierend auf den Transkriptomdaten der peripheren weißen Blutkörperchen (Abb. 1D, E).

Übersicht über die erzeugten Daten. (A) In dieser Studie verwendete Rassen und Klassifizierung, einschließlich Stichprobengröße. (B) Schematische Darstellung der erzeugten Daten und der durchgeführten Analyse. Hauptkomponentenanalyse der genomweiten Einzelnukleotid-Polymorphismen (C), Transkriptom- (D) und (E) Proteomdaten. GWAS: Genomweite Assoziationsanalyse, DGE: Differenzielle Genexpression, DPA: Differenzielle Proteinhäufigkeit.

Unsere Analyse identifizierte zwei SNPs, die signifikant mit der Färsenfruchtbarkeit assoziiert sind (rs110918927, chr12: 85648422, P = 6,7 × 10–7; und rs109366560, chr11:37666527, P = 2,6 × 10–5, Abb. 2A, Zusatzdatei 3). Für den SNP rs110918927 wiesen alle Färsen, die nach einer künstlichen Befruchtung ein Kalb zur Welt brachten, den Genotyp AA (f(A) = 1, f(G) = 0) auf, während 11 von 12 als subfertil eingestuften Färsen mindestens einen aufwiesen Kopie des Allels G (f(A) = 0,29, f(G) = 0,71). Dieser Polymorphismus befindet sich in einer intergenen Region des Genoms, wobei sich das nächstgelegene Gen > 73 Kilobasen stromabwärts relativ zum SNP befindet. Für den SNP rs109366560 war keine der als subfertil eingestuften Färsen homozygot für das Allel G (f(G) = 0,12, f(A) = 0,88), und fünf der neun genotypisierten fruchtbaren Färsen waren homozygot GG (f (G) = 0,78, f(A) = 0,22). Dieses SNP befindet sich auf Intron 22 des Gens Echinoderm microtubule assoziiertes Protein wie 6 (EML6).

Genomweite Assoziationsanalyse der Fruchtbarkeit bei Rind- und Milchfärsen. (A) Manhattan-Diagramm mit der Verteilung der SNPs über ihr Genom und ihren P-Werten aus Fishers exaktem Assoziationstest. (B) Genetische Häufigkeiten der beiden SNPs, die vermutlich mit der Fruchtbarkeit bei Färsen zusammenhängen.

Als nächstes versuchten wir herauszufinden, ob es Unterschiede in der Transkripthäufigkeit der zirkulierenden weißen Blutkörperchen zwischen der Gruppe der fruchtbaren und unfruchtbaren Färsen gibt, die ihren genetischen Hintergrund erklären. Wir identifizierten zwei Gene, deren Transkripthäufigkeit sich zwischen den beiden Gruppen (fruchtbar und subfruchtbar) unterschied (eFDR ≤ 0,002), nämlich Adipozyten-Plasmamembran-assoziiertes Protein (APMAP, 1,16 größere Häufigkeit in der fruchtbaren Gruppe) und Dynein Axonemal Intermediate Chain 7 (DNAI7). , 1,23 größere Häufigkeit in der subfruchtbaren Gruppe) (Abb. 3A, Zusatzdatei 4).

Differenzielle Transkript- und Proteinhäufigkeit im Zusammenhang mit der Fruchtbarkeit. (A) Transkripthäufigkeit. (B) Proteinreichtum. In jeder Parzelle und innerhalb jeder Rasse weisen die Formen auf dasselbe Tier hin.

Wir haben auch getestet, ob es eine unterschiedliche Häufigkeit von Proteinen im Plasma von Färsen gibt, die anhand ihrer Fruchtbarkeitsgruppen in beiden genetischen Hintergründen klassifiziert wurden. Das Protein Alpha-Ketoglutarat-abhängige Dioxygenase FTO war im Plasma von fruchtbaren Färsen häufiger anzutreffen als bei ihren subfruchtbaren Gegenstücken (FDR <0,05, Abb. 3B, Zusatzdatei 5).

Als alle Daten unabhängig ausgewertet wurden, machte die Quantifizierung der relativen Häufigkeiten von 22 und 23 Genen und Proteinen 44,1 % bzw. 16,6 % der mit der Fertilitätsklassifizierung verbundenen Varianz aus, und die genotypischen Informationen von 59 SNPs erklärten 70,1 % der damit verbundenen Varianz Fruchtbarkeitsklassifizierung. Insgesamt wurden in der Analyse vier Faktoren identifiziert, die das Potenzial haben, die Proben anhand ihres Fruchtbarkeitsstatus zu unterscheiden, von denen drei am repräsentativsten waren, wobei die Faktoren eins, zwei und drei hauptsächlich von Genotyp-, Transkript- und Proteindaten dominiert wurden. bzw. (Abb. 4A). Die Faktoren eins, zwei und drei trennten die meisten Proben anhand ihrer Fruchtbarkeitsklassifizierung, mit Ausnahme von zwei, drei bzw. fünf Proben (Abb. 4B).

Multi-Omics-Analyse der Färsenfruchtbarkeit. (A) Prozentsatz der Varianz, der durch jeden Faktor innerhalb jeder Datenmodalität erklärt wird. (B) Relative Trennung der Proben basierend auf ihrem Phänotyp für jeden aufgetragenen Faktor. (C) Das relative Gewicht der Wichtigkeit der zehn wichtigsten Merkmale (SNP-Identifikatoren stammen aus der Array-Annotation, Gen-Identifikatoren stammen aus Ensembl, Protein-Identifikatoren stammen aus UniProt) in jeder aufgezeichneten Datenmodalität und jedem dargestellten Faktor. (D) Probenclusterung unter Verwendung aller drei Datenmodi.

Bemerkenswert ist, dass sich die neun wichtigsten SNPs, die den größten Teil der Varianz im Zusammenhang mit Faktor eins erklärten, in einem Fenster auf Chromosom 5 befinden, das sich von Nukleotid 118332762 bis 118345383 erstreckt. Das zehnte SNP war der wichtigste signifikante Polymorphismus, der auf Chromosom 12, Nukleotid 85648422, gemäß unserer exakten Fisher-Analyse identifiziert wurde Testen Sie kontrastierende Färsen mit unterschiedlichem Fruchtbarkeitspotenzial (Abb. 4C). Unter den Genen, deren Transkripthäufigkeit die Varianz im Zusammenhang mit Faktor zwei erklärte, identifizierten wir die folgenden annotierten Gene: ArfGAP mit SH3-Domäne, Ankyrin-Repeat und PH-Domäne 3 (ASAP3), ATP-Synthase-Membran-Untereinheit c-Locus 1 (ATP5MC1), Centrosomal-Protein 170 (CEP170), Myeloid-abgeleiteter Wachstumsfaktor (MYDGF), Coiled-Coil-Domäne mit 34 (CCDC34), RAD51-assoziiertes Protein 1 (RAD51AP1) und Ubiquinol-Cytochrom-C-Reduktase-Komplex-III-Untereinheit VII (UQCRQ) (Abb. 4C). Unter den Proteinen, deren Häufigkeit die Varianz im Zusammenhang mit Faktor drei erklärte, wurden die folgenden bekannten Genen zugeordnet: Apolipoprotein C-II (APOC2), Lymphozyten-Zytosolisches Protein 1 (LCP1), Vitamin-K-abhängiges Protein Z (PROZ), Albumin (ALB ), Serotransferrin-like (LOC525947), Komplementkomponente C8 Beta-Kette (C8B), Pigmentepithel-derived Factor (SERPINF1), Phosphatidylinositol-Glykan-spezifische Phospholipase D (GPLD1), Alpha-Ketoglutarat-abhängige Dioxygenase FTO (FTO) (Abb . 4C). Zusammengenommen ordneten die Daten aus den Genotypen, dem Transkriptom und dem Proteom 21 von 22 Färsen basierend auf ihrem Fruchtbarkeitsstatus korrekt zu einer Gruppe zusammen, wobei sich nur eine fruchtbare Färse in der Gruppe der subfruchtbaren Färsen gruppierte.

Die Fortpflanzung ist eine mehrdimensionale biologische Funktion bei Säugetieren, die in mehrere Komponenten oder Merkmale unterteilt werden kann85. Daher ist Unfruchtbarkeit ein komplexer Phänotyp mit multifaktoriellem Ursprung, einschließlich einer starken genetischen Komponente53,54. Unsere Studie war nicht darauf ausgelegt, molekulare Marker für die zukünftige Verwendung in Auswahlprogrammen zu identifizieren. Unsere Arbeit befasste sich vielmehr mit zwei entscheidenden Fragen bezüglich der zugrunde liegenden Biologie der Unfruchtbarkeit: (a) ob sich mehrere Schichten molekularer Informationen, die im Kreislaufsystem vorhanden sind, aufgrund der weiblichen Fruchtbarkeitsfitness unterscheiden würden; und (b) ob die integrative Analyse mehrerer Schichten molekularer Informationen ein besserer Prädiktor für die Ursachen von Unfruchtbarkeit wäre. Unsere Analyse identifizierte molekulare Signaturen im Genom, Transkriptom und Proteom, die wichtige Erkenntnisse über die Grundursachen der Unfruchtbarkeit liefern.

Keiner der signifikanten SNPs befand sich in einer Region, die zuvor mit weiblichen Fortpflanzungsmerkmalen in Verbindung gebracht wurde86. In früheren Untersuchungen, die sich auf väterzentrierte Modelle konzentrierten4,33,34,35,36,37, und auch nicht in Studien, die sich nur auf genotypisierte Färsen konzentrierten32,38, wurde bisher nicht berichtet, dass diese SNPs mit Fruchtbarkeitsmerkmalen assoziiert sind32,38. Es ist jedoch bemerkenswert, dass der Polymorphismus rs110918927 im Gen EML6 liegt, das ein Protein produziert, das an der Funktion der Spindelmikrotubuli in Eizellen beteiligt ist87. Der Abbau dieses Proteins in Eizellen von Mäusen im Keimbläschenstadium beeinträchtigt die Spindelmorphologie und erhöht die Aneuploidie87 in Eizellen, die in Abwesenheit von EML688 in das Metaphase-II-Stadium übergehen. Das Gen EML6 produziert auch Transkripte in Rinderoozyten89, und der signifikante SNP in diesem Gen ist ein starker Hinweis auf einen funktionellen Zusammenhang mit einer verminderten Entwicklungskompetenz der Eizellen in der subfertilen Gruppe der Färsen.

In den peripheren weißen Blutkörperchen unterschiedlich exprimierte Gene wurden mit der Fruchtbarkeit bei Färsen in Verbindung gebracht39,40,41. Das Protein APMAP weist Arylesterase-Aktivität auf, von der bekannt ist, dass sie Lipoproteine ​​vor Oxidation schützt90. Wichtig ist, dass das APMAP-Protein die Fettzusammensetzung und die Stoffwechselgesundheit reguliert, und die Störung des APMAP-Gens bei Mäusen führt zu einer Zunahme der Expansion des viszeralen Fettgewebes91. Es wurde auch gezeigt, dass dieses Protein im Omentalgewebe von Frauen, bei denen ein polyzystisches Ovarialsyndrom diagnostiziert wurde, weniger häufig vorkommt92. Daher ist eine geringere Expression von APMAP in den peripheren weißen Blutkörperchen von subfertilen Färsen möglicherweise mit einer Stoffwechsel-, Hormon- oder Entzündungsstörung verbunden, die die Fruchtbarkeit der Färsen beeinträchtigt.

Das Protein DNAI7 bildet den axonemalen Dynein-Komplex und ist an der Beta-Tubulin-Bindungsaktivität und Mikrotubuli-Bindungsaktivität beteiligt und trägt somit zum Schlagen der Zilien bei93. Varianten, die die Funktion von DNAI7 beeinträchtigen, sind mit primärer Ziliardyskinesie verbunden, wobei eine mögliche Folge die abnormale Funktion der Zilien und möglicherweise ein beeinträchtigter Transport der sich spaltenden Embryonen in die Gebärmutter ist94. DNAI7 könnte auch als Zellzyklusregulator fungieren, und eine fehlregulierte Transkripthäufigkeit von DNAI7 wurde mit nasopharyngealen Neoplasien bei Mäusen95 und Lungenadenokarzinomen bei Menschen in Verbindung gebracht96. Da subfertile Färsen eine größere Menge an DNAI7-Transkripten in ihren zirkulierenden weißen Blutkörperchen aufweisen, ist es möglich, dass eine Fehlregulation im Zellzyklus einen biologischen Zusammenhang mit Subfertilität hat. Es bedarf jedoch weiterer Forschung, um zu beurteilen, ob eine Fehlregulation im Zellzyklus, die mit einer Hochregulierung von DNAI7 verbunden ist, mit einer erhöhten Entzündung91 verbunden ist, die mit weniger Transkripten von APMAP einhergeht.

Das Protein Alpha-Ketoglutarat-abhängige Dioxygenase FTO weist eine oxidative Demethylierungsaktivität von reichlich vorhandenen N6-Methyladenosin (m6A)-Resten in RNA97 auf. Das Protein FTO demethyliert bevorzugt N6,2′-O-Dimethyladenosin (m6Am) anstelle von m6A und trägt zu einer verringerten Stabilität von m6Am-mRNAs bei98. Auf systemischer Ebene wurden genomische Varianten bei FTO mit Symptomen von Stoffwechselstörungen in Verbindung gebracht99, obwohl die beim Menschen beobachteten Auswirkungen, wie z. B. ein erhöhter Body-Mass-Index100,101, und bei Mäusen102 widersprüchlich sein können. Erwähnenswert ist auch, dass eine Variante des FTO-Gens mit dem Syndrom der polyzystischen Eierstöcke assoziiert war103. Interessanterweise ist bei Mäusen das FTO-Gen aufgrund eines Mangels an essentiellen Aminosäuren herunterreguliert104, und ein Mangel an FTO-Protein führt zu einer Verzögerung des postnatalen Wachstums und einer erheblichen Verringerung des Fettgewebes und der fettfreien Körpermasse105. Unsere Beobachtung der FTO-Häufigkeit bei Färsen mit unterschiedlichem Fruchtbarkeitspotenzial ist ein Hinweis darauf, dass bei subfruchtbaren Färsen ein Stoffwechselungleichgewicht auftreten könnte, das zu ihrer geringeren Fruchtbarkeit beiträgt. Wir stellen fest, dass die in diesem Experiment verwendeten Färsen nicht ernährungsbedingt belastet waren und unsere Beobachtungen daher eine Folge ihres intrinsischen biologischen Systems und der Art und Weise sind, wie es Nährstoffe nutzen kann.

Der nächste Schritt bestand darin, die von uns erstellten Daten umfassend zu befragen. Interessanterweise wurde die größte Variabilitätsquelle in den Genomdaten beobachtet. Neun der zehn wichtigsten SNPs, die Faktor eins zugeordnet wurden, befanden sich in einem Intron des Gens TAFA Chemokine-like Family Member 5 (TAFA5). Diese SNPs liegen innerhalb eines quantitativen Merkmalsorts für die Milchleistung106, einem Merkmal, das negativ mit Fortpflanzungsmerkmalen korreliert107. Allerdings wurde bisher kein Zusammenhang zwischen genetischen Varianten in diesem Gen und der weiblichen Fruchtbarkeit berichtet. Keines der zehn Gene mit der höchsten Transkripthäufigkeit, die für die Modellierung der Varianz relevant sind, wurde bei unabhängiger Analyse als differenziell exprimiert identifiziert. Dieses Ergebnis ist nicht überraschend, da die Identifizierung signifikanter Merkmale mithilfe standardmäßiger statistischer Ansätze zur Assoziationsanalyse nicht unbedingt der beste Ansatz zur Identifizierung prädiktiver Gene ist, die mit komplexen Merkmalen verbunden sind108,109. Es war überraschend, dass drei der neun annotierten Proteine, die zu den zehn Proteinen zählten, die den größten Teil der Varianz im Faktor drei erklärten, in unseren Analysen auch mithilfe allgemeiner linearer gemischter Modelle identifiziert wurden. Das interessanteste Ergebnis war jedoch, dass alle drei Datenmodalitäten 21 von 22 Färsen anhand ihres Fruchtbarkeitspotenzials korrekt trennen konnten. Unsere Ergebnisse zeigen, dass molekulare Unterschiede starke Signale im Zusammenhang mit der Fruchtbarkeitsfitness haben, die über ihren unterschiedlichen genetischen Hintergrund hinausgehen.

Unsere Untersuchung mehrerer Ebenen biologischer Informationen (Genom, Transkriptom und Proteom) auf systemischer Ebene bei Färsen verdeutlichte die molekulare Komplexität der weiblichen Fruchtbarkeit. Während die genomischen Daten auf eine Störung der Entwicklungskompetenz der Eizellen hinwiesen, deuten die Transkriptom- und Proteomdaten auf eine metabolische Dysregulation hin, die zu Subfertilität oder Unfruchtbarkeit beiträgt. Obwohl die in unserer Studie festgestellten Unterschiede in den molekularen Profilen durch mechanistische Studien weiter validiert werden müssen, verdeutlichen unsere Ergebnisse, die durch die aktuelle Literatur gestützt werden, Unterschiede im molekularen Profil im Zusammenhang mit der weiblichen Fruchtbarkeit, die über die Einschränkungen des rassespezifischen genetischen Hintergrunds hinausgehen.

Die während der aktuellen Studie generierten und analysierten Transkriptom- und Proteomdaten sind in den Repositories Gene Expression Omnibus und ProteomeXchange unter den folgenden Kennungen verfügbar: GSE220220 bzw. PXD038756. Die genotypischen Daten sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Mikrogramm

Künstliche Befruchtung

Albumin

Adipozyten-Plasmamembran-assoziiertes Protein

Apolipoprotein C-II

ArfGAP mit SH3-Domäne, Ankyrin-Repeat und PH-Domäne 3

ATP-Synthase-Membran-Untereinheit c, Locus 1

Komplementkomponente C8-Betakette

Coiled-Coil-Domäne mit 34

Zentrosomales Protein 170

Kontrollierte interne Wirkstofffreisetzung

Zählungen pro Million

Dynein-Axonemal-Zwischenkette 7

Dithiothreitol

Differenzielle Genexpression

Unterschiedliche Proteinhäufigkeit

Empirische Falschentdeckungsrate

Echinoderm-Mikrotubuli-assoziiertes Protein wie 6

Falscherkennungsrate

Fragmente pro Kilobase pro Million

Alpha-Ketoglutarat-abhängige Dioxygenase FTO

Gonadotropin-Releasing-Hormon

Phosphatidylinositol-Glykan-spezifische Phospholipase D

Genomweite Assoziationsstudie

Indol-3-essigsäure

Institutioneller Ausschuss für Tierpflege und -nutzung

Intramuskulär

Dikaliumethylendiamintetraessigsäure

Zytosolisches Lymphozytenprotein 1

Serotransferrin-ähnlich

Backenzahn

N6-Methyladenosin

N6mena2′-O-Dimethyladenosin

Milligramm

Protokoll

Milliliter

Messenger-RNA

Millisekunde

Myeloischer Wachstumsfaktor

Nanogramm

Nanometer

Nanoliter

Wahrscheinlichkeit

Prostaglandin F2 alpha

Vitamin K-abhängiges Protein Z

RAD51-assoziiertes Protein 1

RNA-Integritätsnummer

Vom Pigmentepithel abgeleiteter Faktor

Einzelnukleotidpolymorphismus

TAFA-Chemokin-ähnliches Familienmitglied 5

Ubiquinol-Cytochrom-C-Reduktase-Komplex-III-Untereinheit VII

Massenspektrometrie-Inkubator von Virginia Tech

Relative Zentrifugalkraft

Mikroliter

Henchion, M., Hayes, M., Mullen, AM, Fenelon, M. & Tiwari, B. Zukünftiges Proteinangebot und -nachfrage: Strategien und Faktoren, die ein nachhaltiges Gleichgewicht beeinflussen. Lebensmittel 6(7), 53 (2017).

Artikel PubMed PubMed Central Google Scholar

Davis, TC & White, RR Tiere züchten, um Menschen zu ernähren: Die vielen Rollen der Tierreproduktion bei der Gewährleistung der globalen Ernährungssicherheit. Theriogenology 150, 27–33 (2020).

Artikel CAS PubMed Google Scholar

Moorey, SE & Biase, FH Fruchtbarkeit von Rinderfärsen: Bedeutung von Managementpraktiken und technologischen Fortschritten. J. Anim. Wissenschaft. Biotechnologie. 11, 97 (2020).

Artikel PubMed PubMed Central Google Scholar

Galliou, JM et al. Identifizierung von Loci und Signalwegen, die mit der Trächtigkeitsrate von Färsen bei US-amerikanischen Holsteins in Zusammenhang stehen. Genes (Basel) 11(7), 767 (2020).

Artikel CAS PubMed Google Scholar

Cushman, RA, Kill, LK, Funston, RN, Mousel, EM & Perry, GA Das Kalbedatum der Färse hat einen positiven Einfluss auf das Entwöhnungsgewicht der Kälber über sechs Geburten hinweg. J. Anim. Wissenschaft. 91(9), 4486–4491 (2013).

Artikel CAS PubMed Google Scholar

Lesmeister, JL, Burfening, PJ & Blackwell, RL Datum des ersten Kalbens bei Fleischkühen und der anschließenden Kälberproduktion. J. Anim. Wissenschaft. 36(1), 1–6 (1973).

Artikel Google Scholar

Damiran, D., Larson, KA, Pearce, LT, Erickson, NE & Lardner, BHA Einfluss der Kalbezeit auf die Langlebigkeit und Lebensproduktivität von Fleischkühen im Westen Kanadas. Übers. Anim. Wissenschaft. 2(suppl_1), S61–S65 (2018).

Artikel PubMed PubMed Central Google Scholar

Boulton, AC, Rushton, J. & Wathes, DC Eine Studie über Aufzuchtpraktiken von Milchfärsen von der Geburt bis zum Absetzen und die damit verbundenen Kosten auf britischen Milchviehbetrieben. Öffnen Sie J. Anim. Wissenschaft. 5, 185–197 (2015).

Artikel Google Scholar

Hoffman, PC Optimale Körpergröße von Holsteiner Ersatzfärsen. J. Anim. Wissenschaft. 75(3), 836–845 (1997).

Artikel CAS PubMed Google Scholar

Heinrichs, AJ Förderung von Milchersatzprodukten, um den Bedürfnissen des 21. Jahrhunderts gerecht zu werden. J. Dairy Sci. 76(10), 3179–3187 (1993).

Artikel CAS PubMed Google Scholar

Bormann, JM, Totir, LR, Kachman, SD, Fernando, RL & Wilson, DE Trächtigkeitsrate und Erstbefruchtungsrate bei Angus-Färsen. J. Anim. Wissenschaft. 84, 2022–2025 (2006).

Artikel CAS PubMed Google Scholar

Peters, SO et al. Bayesianische genomweite Assoziationsanalyse des Wachstums und einjährige Ultraschallmessungen der Schlachtkörpermerkmale bei Brangus-Färsen. J. Anim. Wissenschaft. 90(10), 3398–3409 (2012).

Artikel CAS PubMed Google Scholar

Fortes, MRS et al. Gennetzwerkanalysen der Erstbefruchtungskonzeption bei Brangus-Färsen: Verwendung von Genom- und Merkmalsassoziationen, Hypothalamus-Transkriptom-Informationen und Transkriptionsfaktoren. J. Anim. Wissenschaft. 90, 2894–2906 (2012).

Artikel CAS PubMed Google Scholar

Doyle, SP, Golden, BL, Green, RD & Brinks, JS Additive genetische Parameterschätzungen für die Trächtigkeit von Färsen und die anschließende Fortpflanzung bei Angus-Weibchen. J. Anim. Wissenschaft. 78(8), 2091–2098 (2000).

Artikel CAS PubMed Google Scholar

Toghiani, S. et al. Genomische Vorhersage kontinuierlicher und binärer Fruchtbarkeitsmerkmale von Weibchen in einer zusammengesetzten Rinderrasse. J. Anim. Wissenschaft. 95(11), 4787–4795 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

McAllister, CM, Speidel, SE, Crews, DH Jr. & Enns, RM Genetische Parameter für intramuskulären Fettanteil, Marmorierungsscore, Skrotalumfang und Färsenträchtigkeit bei Red-Angus-Rindern. J. Anim. Wissenschaft. 89(7), 2068–2072 (2011).

Artikel CAS PubMed Google Scholar

Boddhireddy, P. et al. Genomische Vorhersagen bei Angus-Rindern: Vergleiche von Stichprobengröße, Antwortvariablen und Clustering-Methoden zur Kreuzvalidierung. J. Anim. Wissenschaft. 92(2), 485–497 (2014).

Artikel CAS PubMed Google Scholar

Raheja, KL, Burnside, EB & Schaeffer, LR Färsenfruchtbarkeit und ihr Zusammenhang mit der Kuhfruchtbarkeit und den Produktionsmerkmalen bei Holstein-Milchvieh. J. Dairy Sci. 72(10), 2665–2669 (1989).

Artikel CAS PubMed Google Scholar

Muir, BL, Fatehi, J. & Schaeffer, LR Genetische Beziehungen zwischen Persistenz und Reproduktionsleistung bei kanadischen Holsteins in der ersten Laktation. J. Dairy Sci. 87(9), 3029–3037 (2004).

Artikel CAS PubMed Google Scholar

Walsh, SW, Williams, EJ & Evans, AC Ein Überblick über die Ursachen schlechter Fruchtbarkeit bei Milchkühen mit hoher Milchleistung. Anim. Reproduktion Sci. 123(3–4), 127–138 (2011).

Artikel CAS PubMed Google Scholar

Kuhn, MT, Hutchison, JL & Wiggans, GR Charakterisierung der Fruchtbarkeit von Holstein-Färsen in den Vereinigten Staaten. J. Dairy Sci. 89(12), 4907–4920 (2006).

Artikel CAS PubMed Google Scholar

Tiezzi, F., Maltecca, C., Cecchinato, A., Penasa, M. & Bittante, G. Genetische Parameter für die Fruchtbarkeit von Milchfärsen und -kühen bei verschiedenen Paritäten und Beziehungen zu Produktionsmerkmalen in der ersten Laktation. J. Dairy Sci. 95(12), 7355–7362 (2012).

Artikel CAS PubMed Google Scholar

Jagusiak, W. Fruchtbarkeitsmessungen bei polnischen Schwarz-Weiß-Rindern. 1. Genetische Parameter der Fruchtbarkeitsmerkmale von Färsen. J. Anim. Feed Sci. 14(3), 423–433 (2005).

Artikel Google Scholar

Koltes, JE et al. Eine Vision für die Entwicklung und Nutzung von Hochdurchsatz-Phänotypisierung und Big-Data-Analysen bei Nutztieren. Vorderseite. Genet. 10, 1197 (2019).

Artikel PubMed PubMed Central Google Scholar

Neupane, M. et al. Loci und Wege, die mit der Trächtigkeits- und Fruchtbarkeitsfähigkeit der Gebärmutter bei Fleischrindern verbunden sind. PLoS ONE 12(12), e0188997 (2017).

Artikel PubMed PubMed Central Google Scholar

McDaneld, TG et al. Genomweite Assoziationsstudie zur Reproduktionseffizienz bei weiblichen Rindern. J. Anim. Wissenschaft. 92, 1945–1957 (2014).

Artikel CAS PubMed Google Scholar

McDaneld, TG et al. Y, sind Sie nicht schwanger: Identifizierung von Y-Chromosomensegmenten bei weiblichen Rindern mit verminderter Reproduktionsfähigkeit. J. Anim. Wissenschaft. 90, 2142–2151 (2012).

Artikel CAS PubMed Google Scholar

de Camargo, GM et al. Zusammenhang zwischen JY-1-Genpolymorphismen und Fortpflanzungsmerkmalen bei Rindern. Gene 533(2), 477–480 (2014).

Artikel PubMed Google Scholar

Dias, MM et al. Untersuchung von Genen im Zusammenhang mit dem Lipidstoffwechsel als Kandidatengene für sexuelle Frühreife bei Nellore-Rindern. Genet. Mol. Res. 14(1), 234–243 (2015).

Artikel CAS PubMed Google Scholar

Irano, N. et al. Genomweite Assoziationsstudie für Indikatormerkmale sexueller Frühreife bei Nellore-Rindern. PLoS ONE 11(8), e0159502 (2016).

Artikel PubMed PubMed Central Google Scholar

Junior, GAO et al. Genomische Studie und Anreicherungsanalyse medizinischer Themen zur Frühträchtigkeitsrate und Antralfollikelzahl bei Nelore-Färsen. J. Anim. Wissenschaft. 95(11), 4796–4812 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Stegemiller, MR et al. Genomweite Assoziationsanalysen von Fruchtbarkeitsmerkmalen bei Rinderfärsen. Genes (Basel) 12(2), 217 (2021).

Artikel CAS PubMed Google Scholar

Frischknecht, M. et al. Genomweite Assoziationsstudien zu Fruchtbarkeit und Kalbemerkmalen bei Braunvieh unter Verwendung unterstellter Gesamtgenomsequenzen. BMC Genomics 18(1), 910 (2017).

Artikel PubMed PubMed Central Google Scholar

Jiang, J. et al. Eine groß angelegte genomweite Assoziationsstudie an US-amerikanischen Holstein-Rindern. Vorderseite. Genet. 10, 412 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Nayeri, S. et al. Genomweite Assoziation für Milchproduktion und weibliche Fruchtbarkeitsmerkmale bei kanadischen Holstein-Milchrindern. BMC Genet. 17(1), 75 (2016).

Artikel PubMed PubMed Central Google Scholar

Chen, SY et al. Identifizierung pleiotroper Varianten und Kandidatengene für Fruchtbarkeits- und Fortpflanzungsmerkmale bei Holstein-Rindern durch Assoziationsstudien auf der Grundlage unterstellter Genotypen der Gesamtgenomsequenz. BMC Genomics 23(1), 331 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Kiser, JN et al. Validierung von 46 Loci, die mit weiblichen Fruchtbarkeitsmerkmalen bei Rindern assoziiert sind. BMC Genomics 20(1), 576 (2019).

Artikel PubMed PubMed Central Google Scholar

Kiser, JN et al. Identifizierung von Loci, die mit der Empfängnisrate bei erstgebärenden Holsteinkühen zusammenhängen. BMC Genomics 20(1), 840 (2019).

Artikel PubMed PubMed Central Google Scholar

Moorey, SE et al. Eine Neuverdrahtung der Genexpression in zirkulierenden weißen Blutkörperchen ist mit dem Schwangerschaftsergebnis bei Färsen (Bos taurus) verbunden. Wissenschaft. Rep. 10(1), 16786 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Dickinson, SE et al. Transkriptomprofile in peripheren weißen Blutkörperchen zum Zeitpunkt der künstlichen Befruchtung unterscheiden Rinderfärsen mit unterschiedlichem Fruchtbarkeitspotenzial. BMC Genomics https://doi.org/10.1186/s12864-018-4505-4 (2018).

Artikel PubMed PubMed Central Google Scholar

Dickinson, SE & Biase, FH Transkriptomdaten peripherer weißer Blutkörperchen von Rinderfärsen, gesammelt zum Zeitpunkt der künstlichen Befruchtung. Datenbrief. 18, 706–709 (2018).

Artikel PubMed PubMed Central Google Scholar

Phillips, KM et al. Die Plasmametabolomprofile unterscheiden sich zum Zeitpunkt der künstlichen Befruchtung je nach Trächtigkeitsergebnis bei Bos-Taurus-Färsen. Wissenschaft. Rep. 8(1), 13196 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Bormann, JM, Totir, LR, Kachman, SD, Fernando, RL & Wilson, DE Trächtigkeitsrate und Erstbefruchtungsrate bei Angus-Färsen. J. Anim. Wissenschaft. 84(8), 2022–2025 (2006).

Artikel CAS PubMed Google Scholar

Pryce, JE, Royal, MD, Garnsworthy, PC & Mao, IL Fruchtbarkeit bei der Hochleistungsmilchkuh. Livest. Prod. Wissenschaft. 86(1–3), 125–135 (2004).

Artikel Google Scholar

Wathes, DC et al. Einfluss einer negativen Energiebilanz auf die Zyklizität und Fruchtbarkeit bei der Hochleistungsmilchkuh. Theriogenology 68 (Ergänzung 1), S232–S241 (2007).

Artikel CAS PubMed Google Scholar

Diskin, MG & Kenny, DA Verwalten der Fortpflanzungsleistung von Fleischkühen. Theriogenology 86(1), 379–387 (2016).

Artikel CAS PubMed Google Scholar

Randel, RD Ernährung und postpartale Nachzucht bei Rindern. J. Anim. Wissenschaft. 68(3), 853–862 (1990).

Artikel CAS PubMed Google Scholar

Breuel, KF et al. Faktoren, die die Fruchtbarkeit der postpartalen Kuh beeinflussen: Rolle der Eizelle und des Follikels bei der Empfängnisrate. Biol. Reproduktion. 48(3), 655–661 (1993).

Artikel CAS PubMed Google Scholar

Okano, A. & Tomizuka, T. Ultraschallbeobachtung der postpartalen Uterusrückbildung bei der Kuh. Theriogenology 27(2), 369–376 (1987).

Artikel CAS PubMed Google Scholar

Sheldon, IM, Williams, EJ, Miller, AN, Nash, DM & Herath, S. Uteruserkrankungen bei Rindern nach der Geburt. Tierarzt. J. 176(1), 115–121 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Sheldon, IM, Molinari, PCC, Ormsby, TJR & Bromfield, JJ Die Vorbeugung postpartaler Uteruserkrankungen bei Milchkühen hängt von der Vermeidung, Toleranz und Resistenz gegen pathogene Bakterien ab. Theriogenology 150, 158–165 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Sheldon, IM, Lewis, GS, LeBlanc, S. & Gilbert, RO Definition der postpartalen Uteruserkrankung bei Rindern. Theriogenology 65(8), 1516–1530 (2006).

Artikel PubMed Google Scholar

Crowley Jr., WF, Pitteloud, N. & Seminara, S. Neue Gene, die die menschliche Fortpflanzung steuern, und wie man sie findet. Trans. Bin. Klin. Klimatol. Assoc. 119, 29–37; Diskussion -8 (2008).

Yatsenko, SA & Rajkovic, A. Genetik der menschlichen weiblichen Unfruchtbarkeit. Biol. Reproduktion. 101(3), 549–566 (2019).

Artikel PubMed PubMed Central Google Scholar

Mann, CJ Beobachtungsforschungsmethoden. Forschungsdesign II: Kohorten-, Querschnitts- und Fallkontrollstudien. Emerg. Med. J. 20(1), 54–60 (2003).

Artikel CAS PubMed PubMed Central Google Scholar

Lima, FS et al. Hormonelle Manipulationen im 5-tägigen zeitgesteuerten künstlichen Befruchtungsprotokoll zur Optimierung der Brunstzyklussynchronität und Fruchtbarkeit bei Milchfärsen. J. Dairy Sci. 96(11), 7054–7065 (2013).

Artikel CAS PubMed Google Scholar

Patterson, D., Kojima, F. & Smith, M. Eine Übersicht über Methoden zur Synchronisierung der Brunst bei Ersatzrindern und postpartalen Kühen. J. Anim. Wissenschaft. 81(14_suppl_2), E166–E177 (2003).

Google Scholar

Wilson, C., Dias, NW, Pancini, S., Mercadante, V. & Biase, FH Eine verzögerte Verarbeitung von Blutproben beeinträchtigt die Genauigkeit mRNA-basierter Biomarker. Wissenschaft. Rep. 12(1), 8196 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Anderson, CA et al. Datenqualitätskontrolle in genetischen Fall-Kontroll-Assoziationsstudien. Nat. Protokoll. 5(9), 1564–1573 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Purcell, S. et al. PLINK: Ein Toolset für die Assoziation des gesamten Genoms und bevölkerungsbasierte Verknüpfungsanalysen. Bin. J. Hum. Genet. 81(3), 559–575 (2007).

Artikel CAS PubMed PubMed Central Google Scholar

Hinrichs, AS et al. Die UCSC-Genom-Browser-Datenbank: Update 2006. Nucleic Acids Res. 34(90001), D590–D598 (2006).

Artikel CAS PubMed Google Scholar

Flicek, P. et al. Ensemble 2014. Nucleic Acids Res. 42(D1), D749–D755 (2014).

Artikel CAS PubMed Google Scholar

Pertea, M., Kim, D., Pertea, GM, Leek, JT & Salzberg, SL Expressionsanalyse auf Transkriptebene von RNA-seq-Experimenten mit HISAT, StringTie und Ballgown. Nat. Protokoll. 11(9), 1650–1667 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Kim, D., Langmead, B. & Salzberg, SL HISAT: Ein schnell gespleißter Aligner mit geringem Speicherbedarf. Nat. Methoden 12(4), 357–360 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Kim, D., Paggi, JM, Park, C., Bennett, C. & Salzberg, SL Graphbasierte Genomausrichtung und Genotypisierung mit HISAT2 und HISAT-Genotyp. Nat. Biotechnologie. 37(8), 907–915 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Danecek, P. et al. Zwölf Jahre SAMtools und BCFtools. Gigascience https://doi.org/10.1093/gigascience/giab008 (2021).

Artikel PubMed PubMed Central Google Scholar

Li, H. et al. Das Sequenzausrichtungs-/Kartenformat und SAMtools. Bioinformatik 25(16), 2078–2079 (2009).

Artikel PubMed PubMed Central Google Scholar

Tischler, G. & Leonard, S. biobambam: Tools für Algorithmen auf Basis der Lesepaar-Kollation für BAM-Dateien. Quellcode Biol. Med. https://doi.org/10.1186/1751-0473-9-13 (2014).

Artikel PubMed Central Google Scholar

Liao, Y., Smyth, GK & Shi, W. featureCounts: Ein effizientes Allzweckprogramm zum Zuweisen von Sequenzablesungen zu genomischen Merkmalen. Bioinformatik 30(7), 923–930 (2014).

Artikel CAS PubMed Google Scholar

Orsburn, BC Proteome Discoverer – eine von der Community erweiterte Datenverarbeitungssuite für die Proteininformatik. Proteome https://doi.org/10.3390/proteomes9010015 (2021).

Artikel PubMed PubMed Central Google Scholar

Che, R., Jack, JR, Motsinger-Reif, AA & Brown, CC Ein adaptiver Permutationsansatz für genomweite Assoziationsstudien: Bewertung und Anwendungsempfehlungen. BioData Min. 7, 9 (2014).

Artikel PubMed PubMed Central Google Scholar

Wellcome Trust Case Control C. Genomweite Assoziationsstudie mit 14.000 Fällen von sieben häufigen Krankheiten und 3.000 gemeinsamen Kontrollen. Natur. 447(7145), 661–678 (2007).

McCarthy, DJ & Smyth, GK EdgeR: Ein Bioconductor-Paket für die differenzielle Expressionsanalyse digitaler Genexpressionsdaten. Bioinformatik 26, 139–140 (2010).

Artikel PubMed Google Scholar

McCarthy, DJ, Chen, Y. & Smyth, GK Differenzielle Expressionsanalyse von Multifaktor-RNA-Seq-Experimenten im Hinblick auf biologische Variation. Nukleinsäuren Res. 40, 4288–4297 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Love, MI, Huber, W. & Anders, S. Moderierte Schätzung der Faltungsänderung und Streuung für RNA-seq-Daten mit DESeq2. Genombiol. 15, 550 (2014).

Artikel PubMed PubMed Central Google Scholar

Storey, JD & Tibshirani, R. Statistische Signifikanz für genomweite Studien. Proz. Natl. Acad. Wissenschaft. USA 100(16), 9440–9445 (2003).

Artikel ADS MathSciNet CAS PubMed PubMed Central MATH Google Scholar

Nakayasu, ES et al. Tutorial: Best Practices und Überlegungen zur massenspektrometrischen Entdeckung und Validierung von Proteinbiomarkern. Nat. Protokoll. 16(8), 3737–3760 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Kalpić, D., Hlupić, N. & Lovrić, M. Schüler-t-Tests. In International Encyclopedia of Statistical Science (Hrsg. Lovric, M.) 1559–1563 (Springer, 2011).

Kapitel Google Scholar

Smyth, GK Limma: Lineare Modelle für Microarray-Daten 397–420 (Springer, 2005).

Google Scholar

Smyth, GK Lineare Modelle und empirische Bayes-Methoden zur Bewertung der differentiellen Expression in Microarray-Experimenten. Stat. Appl. Genetik Mol. Biol. https://doi.org/10.2202/1544-6115.1027 (2004).

Artikel ADS MathSciNet MATH Google Scholar

Phipson, B., Lee, S., Majewski, IJ, Alexander, WS & Smyth, GK Eine robuste Hyperparameterschätzung schützt vor hypervariablen Genen und verbessert die Fähigkeit, differenzielle Expression zu erkennen. Ann. Appl. Stat. 10(2), 946–963 (2016).

Artikel MathSciNet PubMed PubMed Central MATH Google Scholar

Benjamini, Y. & Hochberg, Y. Kontrolle der Falscherkennungsrate – Ein praktischer und leistungsstarker Ansatz für Mehrfachtests. JR-Stat. Soc. B Met. 57(1), 289–300 (1995).

MathSciNet MATH Google Scholar

Argelaguet, R. et al. Multi-Omics-Faktoranalyse – Ein Framework für die unbeaufsichtigte Integration von Multi-Omics-Datensätzen. Mol. Syst. Biol. 14(6), e8124 (2018).

Artikel PubMed PubMed Central Google Scholar

Argelaguet, R. et al. MOFA+: Ein statistischer Rahmen für die umfassende Integration multimodaler Einzelzelldaten. Genombiol. 21(1), 111 (2020).

Artikel PubMed PubMed Central Google Scholar

Orr, TJ & Garland, T. Jr. Komplexe Fortpflanzungsmerkmale und Leistung des gesamten Organismus. Integr. Komp. Biol. 57(2), 407–422 (2017).

Artikel CAS PubMed Google Scholar

Hu, ZL, Park, CA & Reecy, JM Die Tier-QTLdb und CorrDB in die Zukunft bringen: Neue Herausforderungen meistern und aktualisierte Dienste bereitstellen. Nukleinsäuren Res. 50(D1), D956–D961 (2022).

Artikel CAS PubMed Google Scholar

Yin, H., Hou, X., Zhang, T., Shi, L. & Su, YQ Beteiligung von EML6 an der Regulierung des meiotischen Fortschreitens der Eizelle bei Mäusen. J. Biomed. Res. 34(1), 44–53 (2019).

Artikel PubMed Google Scholar

Yin, H. et al. Echinoderm-Mikrotubuli-assoziiertes Protein wie 1 ist für den Aufbau der Oozytenspindel und das meiotische Fortschreiten bei Mäusen unverzichtbar. Vorderseite. Zellentwickler. Biol. 9, 687522 (2021).

Artikel PubMed PubMed Central Google Scholar

Walker, BN & Biase, FH Der Plan der RNA-Speicherung im Verhältnis zur Entwicklungskompetenz der Eizellen bei Rindern (Bos taurus). Biol. Reprod. 102(4), 784–794 (2020).

Artikel PubMed Google Scholar

de la Iglesia, R., Mansego, ML, Sanchez-Muniz, FJ, Zulet, MA & Martinez, JA Die Arylesteraseaktivität ist mit der Aufnahme von Antioxidantien und der Methylierung des Paraoxonase-1 (PON1)-Gens bei Patienten mit metabolischem Syndrom nach einer energiereduzierten Diät verbunden. EXCLI J. 13, 416–426 (2014).

PubMed PubMed Central Google Scholar

Pessentheiner, AR et al. APMAP interagiert mit Lysyloxidase-ähnlichen Proteinen, und eine Störung von Apmap führt zu einer vorteilhaften Expansion des viszeralen Fettgewebes. FASEB J. 31(9), 4088–4103 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Corton, M. et al. Proteomische Analyse von menschlichem Omentalfettgewebe beim polyzystischen Ovarialsyndrom mittels zweidimensionaler Differenzgelelektrophorese und Massenspektrometrie. Summen. Reproduktion. 23(3), 651–661 (2008).

Artikel CAS PubMed Google Scholar

Braschi, B. et al. Konsensnomenklatur für Dyneine und zugehörige Assemblierungsfaktoren. J. Cell Biol. https://doi.org/10.1083/jcb.202109014 (2022).

Artikel PubMed PubMed Central Google Scholar

Blyth, M. & Wellesley, D. Eileiterschwangerschaft bei primärer Ziliardyskinesie. J. Obstet Gynaecol. 28(3), 358 (2008).

Artikel CAS PubMed Google Scholar

Manenti, G. et al. Die gemeinsame Nutzung von Haplotypen legt nahe, dass ein Genomsegment, das sechs Gene enthält, für die Aktivität des Lungenadenom-Suszeptibilitäts-1 (Pas1)-Locus bei Mäusen verantwortlich ist. Oncogene 23(25), 4495–4504 (2004).

Artikel CAS PubMed Google Scholar

Kabbout, M. et al. ETS2-vermittelte tumorsuppressive Funktion und MET-Onkogenhemmung bei menschlichem nichtkleinzelligem Lungenkrebs. Klin. Krebs Res. 19(13), 3383–3395 (2013).

Artikel CAS PubMed Google Scholar

Jia, G. et al. N6-Methyladenosin in der Kern-RNA ist ein Hauptsubstrat des mit Fettleibigkeit verbundenen FTO. Nat. Chem. Biol. 7(12), 885–887 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Mauer, J. et al. Die reversible Methylierung von m(6)A(m) in der 5'-Kappe kontrolliert die mRNA-Stabilität. Nature 541(7637), 371–375 (2017).

Artikel ADS CAS PubMed Google Scholar

Zhao, X., Yang, Y., Sun, BF, Zhao, YL & Yang, YG FTO und Fettleibigkeit: Assoziationsmechanismen. Curr. Diab. Rep. 14(5), 486 (2014).

Artikel PubMed Google Scholar

Willer, CJ et al. Sechs neue Loci im Zusammenhang mit dem Body-Mass-Index verdeutlichen einen neuronalen Einfluss auf die Regulierung des Körpergewichts. Nat. Genet. 41(1), 25–34 (2009).

Artikel CAS PubMed Google Scholar

Thorleifsson, G. et al. Die genomweite Assoziation führt zu neuen Sequenzvarianten an sieben Orten, die mit Maßen für Fettleibigkeit in Zusammenhang stehen. Nat. Genet. 41(1), 18–24 (2009).

Artikel CAS PubMed Google Scholar

Fischer, J. et al. Die Inaktivierung des Fto-Gens schützt vor Fettleibigkeit. Nature 458(7240), 894–898 (2009).

Artikel ADS CAS PubMed Google Scholar

Liu, AL et al. Zusammenhang zwischen Fettmasse und Adipositas-assoziierten (FTO) Genen rs9939609 A/T-Polymorphismus und polyzystisches Ovarialsyndrom: Eine systematische Überprüfung und Metaanalyse. BMC Med. Genet. 18(1), 89 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Cheung, MK, Gulati, P., O'Rahilly, S. & Yeo, GS Die FTO-Expression wird durch die Verfügbarkeit essentieller Aminosäuren reguliert. Int. J. Obes. (Lond). 37(5), 744–747 (2013).

Artikel CAS PubMed Google Scholar

Boissel, S. et al. Eine Mutation mit Funktionsverlust im Dioxygenase-kodierenden FTO-Gen führt zu schwerer Wachstumsverzögerung und mehreren Missbildungen. Bin. J. Hum. Genet. 85(1), 106–111 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Michenet, A., Saintilan, R., Venot, E. & Phocas, F. Einblicke in die genetische Variation des mütterlichen Verhaltens und der Saugleistung kontinentaler Fleischkühe. Genet Sel. Entwicklung 48(1), 45 (2016).

Artikel PubMed PubMed Central Google Scholar

Albarran-Portillo, B. & Pollott, GE Die Beziehung zwischen Fruchtbarkeit und Laktationsmerkmalen bei Holstein-Kühen in kommerziellen Milchviehbetrieben im Vereinigten Königreich. J. Dairy Sci. 96(1), 635–646 (2013).

Artikel CAS PubMed Google Scholar

An, N., Yu, Z. & Yang, X. Die Expressionsdifferenzierung ist bei der Identifizierung prognostischer Gene auf der Grundlage von TCGA-Datensätzen nicht hilfreich. Mol. Dort. Nukleinsäuren. 11, 292–299 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Lo, A., Chernoff, H., Zheng, T. & Lo, SH Warum signifikante Variablen nicht automatisch gute Prädiktoren sind. Proz. Natl. Acad. Wissenschaft. USA 112(45), 13892–13897 (2015).

Artikel ADS MathSciNet CAS PubMed PubMed Central MATH Google Scholar

Referenzen herunterladen

Wir danken Chad Joines, Direktor des Rinderbetriebs, Shane Brannock, Direktor des Molkereikomplexes, und ihren jeweiligen Teams für die Unterstützung unserer Probenentnahme. Wir danken auch Jada Nix aus unserer Gruppe für die kritische Lektüre unseres Manuskripts.

Die Autoren danken dem Virginia Agriculture Council, dem Virginia Cattle Industry Board und der Virginia State Dairy Association für die Finanzierung. Dieses Projekt wurde teilweise durch den Wettbewerbszuschuss der Agriculture and Food Research Initiative Nr. unterstützt. 2020-67015-31616 vom USDA National Institute of Food and Agriculture. Die Förderinstitutionen spielten keine Rolle bei der Gestaltung der Studie und der Erhebung, Analyse und Interpretation der Daten sowie beim Verfassen des Manuskripts.

School of Animal Sciences, Virginia Polytechnic Institute und State University, Blacksburg, VA, USA

Mackenzie A. Marrella und Fernando H. Biase

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

FB konzipierte, betreute, akquirierte Fördermittel und verfasste die Arbeit. FB sammelte und verarbeitete die Proben zur Datenerfassung. MM trug zur Finanzierung der Datenerfassung, -analyse und -interpretation bei. Alle Autoren haben die eingereichte Version gelesen und genehmigt.

Korrespondenz mit Fernando H. Biase.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Marrella, MA, Biase, FH Eine Multi-Omics-Analyse identifiziert molekulare Merkmale, die mit der Fruchtbarkeit bei Färsen (Bos taurus) verbunden sind. Sci Rep 13, 12664 (2023). https://doi.org/10.1038/s41598-023-39858-0

Zitat herunterladen

Eingegangen: 25. April 2023

Angenommen: 01. August 2023

Veröffentlicht: 04. August 2023

DOI: https://doi.org/10.1038/s41598-023-39858-0

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.