این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های تولیدات دامی، جلد ۱۴، شماره ۴۱، صفحات ۰-۰
عنوان فارسی کلاس بندی پیش سازهای microRNA در گاو (Bos Taurus) با استفاده از ویژگی های کاهش یافته تکرارهای دی نوکلئوتیدی
چکیده فارسی مقاله مقدمه و هدف: توسعه مداوم فناوری‌های مولکولی مورد استفاده برای تجزیه و تحلیل رونوشت‌ها، به‌ویژه فناوری‌های توالی‌یابی نسل بعدی و ابزارهای پیشرفته بیوانفورماتیک، امکان کاوش عمیق‌تر RNA‌ های پیام‌رسان (mRNAs) و RNA‌ های غیرکدکننده (ncRNA) از جمله miRNA‌ ها را فراهم می‌کند. این فناوری‌ها فرصت‌های بزرگی را برای اکتشاف عمیق‌تر دخالت miRNA در بیماری‌های حیوانات مزرعه و همچنین بهره‌وری و رفاه دام ارائه کرده‌اند. از زمان کشف lin-4 و let‑7، هزاران miRNA در گونه‌های حیوانات مزرعه شناسایی و در پایگاه‌های داده miRNA ثبت شده‌اند. miRNA ها را می­توان به عنوان نشانگرهای زیستی، اهداف تشخیصی، پیش­ آگهی یا درمانی برای مدیریت بیماری ­های دام استفاده کرد. با تعیین توالی ژنوم گاو (Bos Taurus)، فرصتی برای کشف miRNA های جدید در این گونه فراهم شد. مواد و روش­ها: یافتن روشی دقیق برای شناسایی مولکول­ های miRNA می­تواند به درک فرآیندهای تنظیمی کمک کند. در حال حاضر روش‌های محاسباتی مبتنی بر الگوریتم‌های یادگیری به ­طور گسترده برای پیش‌بینی miRNA ها استفاده می­ شوند. با الهام از سایر تحقیقات انجام شده در زمینه شناسایی miRNA ها، یک مدل محاسباتی بهبودیافته یادگیری ماشینی برای شناسایی توالی­ های پیش ­ساز miRNA های واقعی (pre-miRNA) پیشنهاد شد. در مرحله اول فراوانی توالی ­های دی ­نوکلئوتیدی ژن‌های pre-miRNA و محتوای بازهای سیتوزین و گوانین (G+C) در توالی­ها در نظر گرفته شد. ترکیب دی­نوکلئوتیدی مشاهده شده به­عنوان ویژگی­ های ساختاری ترکیب توالی برای هر ژن miRNA محاسبه شد. مجموع ترکیبات دی­نوکلئوتیدی در گونه گاو (Bos Taurus) با محتویات ژنومی G+C برای 1064 ژن کدکننده توالی miRNA و توالی­ های غیر miRNA محاسبه شد. یافته­ ها: در مرحله بعد دو مدل طبقه‌بندی مبتنی بر رویکرد یادگیری ماشینی برای شناسایی pre-miRNA های واقعی و شبه­ واقعی آموزش داده شدند. مجموعه ­ای از 17 ویژگی بهینه شده مربوط به ساختارهای توالی برای آموزش مدل استفاده شد. هدف بررسی عملکرد پیش‌بینی طبقه‌بندی­ کننده­ ها براساس ویژگی‌های RNA در تشخیص  pre-miRNA‌ها از سایر توالی­ ها بود. مدل آنالیز شده در این پژوهش با استفاده از مجموعه داده های گاو (Bos Taurus) به دقت 99 درصد و ضریب همبستگی متیو 97/9 درصد دست یافت. نتیجه گیری: روش‌های محاسباتی هوش مصنوعی می‌توانند  miRNA‌های بالقوه جدیدی را در ژنوم گاو شناسایی کنند که برخی از آنها قبلاً در این ژنوم شناسایی نشده بودند. در نتیجه لزوم استفاده از روش­ های محاسباتی جهت شناسایی این RNA های تنظیمی در دام ­ها جهت اهداف اصلاحی ضروری به نظر می ­رسد.  
کلیدواژه‌های فارسی مقاله miRNA، بیوانفورماتیک، شناسایی محاسباتی، یادگیری ماشینی، گاو (Bos Taurus).
عنوان انگلیسی Classification of microRNA precursors using reduced features of dinucleotide repeats in cattle (Bos Taurus)
چکیده انگلیسی مقاله Abstract  Introduction and Objective:  The latest major advances in  transcriptomics technologies, especially next-generation sequencing technologies and advanced bioinformatics tools, allows deeper exploration of  messenger RNAs (mRNAs) and non-coding RNAs (ncRNAs), including miRNAs. These knowledge have offered important chance for a deeper study of miRNA association in farm animal diseases, as well as livestock productivity and welfare. Since the discovery of lin‑4 and let‑7, many microRNAs have been identified in farm animal species and deposited in miRNA databases. MicroRNA (miRNA)-driven signaling cascades can be used as biomarkers in the context of farm animal disease diagnostics, prediction, and therapeutic purposes, for the management of livestock diseases. By the sequencing of Bos Taurus (cattle) genome, we have an opportunity to discover novel miRNAs in this species, and therefore the roles of miRNAs can be detected in cattle development. Materials and methods: Finding an accurate method for Identification of these molecules can help for understanding of regulatory processes. Currently, computational methods based on learning algorithms have been extensively applied for miRNA prediction. Inspired by the work of predecessors, we proposed an improved computational model based on random forest (RF) for identifying real miRNA precursor sequences (pre-miRNAs). First, the occurrence frequencies of the dinucleotide of pre-miRNAs genes, and the percentage of G+C content were calculated. The observed dinucleotide composition was calculated as the structural features of the sequence composition for each miRNA gene. A total of 17 cattle (Bos Taurus) dinucleotide compositions with their genomic G+C contents for 1064 genes encoding miRNA and non-miRNA sequences were calculated.  Results: Two classification models based on machine learning approach were trained to identify real and pseudo bovine pre-miRNAs. One set of 17 optimized features related to sequence structures were used to train the models. Our goal was to investigate the predictive performance of RNA features in distinguishing pre-miRNAs from pseudo hairpins. Our model achieved 99% precision, and 97.9% MCC using Bos Taurus datasets. Conclusion: Computational methods can detect novel potential miRNAs in the bovine genome, some of which seem to have previously undetected in this genome.  
کلیدواژه‌های انگلیسی مقاله Bioinformatics, Cattle (Bos Taurus), Computational identification, machine learning.
نویسندگان مقاله عاطفه سیددخت | Atefeh Seyeddokht
Animal Science Research Department, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhad, Iran
بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی، مشهد، ایران

جواد رحمانی نیا | Javad Rahmaninia
Animal Science Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.
مؤسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

حسن کرمی | Hasan Karami
Animal Science Research Institute of Iran, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.
مؤسسه تحقیقات علوم دامی کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

نشانی اینترنتی http://rap.sanru.ac.ir/browse.php?a_code=A-10-111-2&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده ژنتیک و اصلاح نژاد دام
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات