长链非编码RNA(long non-coding RNA,LncRNA)是一类长度大于200nt但无蛋白质编码潜能性的调控型RNA。很多客户做完高通量lncRNA筛选之后,要针对某一特定的lncRNA进行研究,这时就需要对该lncRNA的调控模式有一定的预估,可以通过FISH、免疫荧光等技术确定lncRNA的细胞位置,如位于胞浆,该lncRNA可能以”稳定RNA”、“调节mRNA翻译“、“ceRNA”、“充当miRNA前体“或“介导蛋白”等方式发挥调控作用;若位于胞核,该lncRNA则以“顺式作用”或“反式作用”两种方式发挥调控作用。 最近小编也分享了很多lncRNA文章,涉及肿瘤、免疫、药物等多个研究方向, 其中包括Cell stem Cell、Nature子刊等高分杂志。 这几篇文章的lncRNA都属于胞核lncRNA,以顺式和反式来发挥调控作用的,而且都以“募集相关蛋白“来调控靶标基因的表达。 案例一:典型顺式 研究对象:lncTCF7 靶标基因:TCF7 募集蛋白:SWI/SNF蛋白复合物 案例二:典型反式 研究对象:lncKdm2b 靶标基因:Zfb292 募集蛋白:Stab1+NURF complex 1. 如何寻找lncRNA的靶标基因? 针对这个问题,方法可以有两种:①实验方法;②生物信息学预测。 ①实验方法包括敲除或过表达,筛选差异mRNA来确定靶标;或通过RNA-pull down结合测序/质谱等技术确定靶标; ②生物信息学预测包括通过位置关系和共表达分析来预测靶标,预测结果需实验方法的进一步验证。 2. 如何寻找lncRNA的结合蛋白? 针对这个问题,同样有两种方法:①实验方法;②生物信息学预测。 ①实验方法可通过RNA-pull down结合质谱等技术确定靶标; ②生物信息学预测目前公司还没有成熟的分析产品(备注:转录因子蛋白结合lncRNA的相互关系是可以分析滴),但可以给大家分享一个在线分析算法——catRAPID,在一些lncRNA文章中有使用该算法,它可以预测lncRNA与蛋白的结合关系。
由于网站使用存在权限,但可以提供给大学研究所等非营利性机构用于科学研究,但需和网站联系获取使用权 ,有兴趣的老师可以与相关机构沟通。 其它模块可用于进一步分析lncRNA与蛋白具体的结合信息,包括结合位点、相互作用倾向等等。 如catRAPID graphic模块 : 如catRAPID fragments模块: 1. 相互作用谱,表示沿着RNA序列(x轴)的蛋白质的相互作用得分(y轴),提供关于最有可能被蛋白质结合区域的信息。 如catRAPID strength模块: 下图从左至右,分别是预测输出标识符、输入标识符,强度类型,例数,得分Z值和蛋白质的CDF(累积分布函数)。 CDF值表示交互倾向的意义。 交互倾向的意义是针对三种不同的集合进行评估: -—相互作用→100个RNAs与100个蛋白质的分布(104个相互作用) —RNA→输入蛋白与100个RNA的分布(102个相互作用) —蛋白质→输入RNA与100种蛋白质的分布(102种相互作用) 下面我们来看几个文章案例: 1. 一篇名为 《Long noncoding RNA MRAK009713 is a novel regulator of neuropathic pain in rats》的文章利用高通量数据分析筛选出lncRNA—MRAK009713,发现它参与调控神经性疼痛,通过CatRAPID算法发现MRAK009713与P2X3受体相互作用。然后经一系列实验验证发现: MRAK009713与P2X3蛋白直接相互作用,增强P2X3受体功能,是大鼠神经性疼痛的新型正向调节剂。 PS: 中康博可以提供: lncRNA与mRNA位置关系分析;lncRNA与mRNA共表达分析以及TF与lncRNA关系预测。 参考文献: 1. Guilin Li et al. Long noncoding RNA MRAK009713 is a novel regulator of neuropathic pain in rats. PAIN. 2017. 2. Lesca M. Holdt et al. Circular non-coding RNA ANRIL modulates ribosomal RNA maturation and atherosclerosis in humans. Nature communications. 2016. 3. Shuangmei Liu et al. LncRNA NONRATT021972 siRNA regulates neuropathic pain behaviors in type 2 diabetic rats through the P2X7 receptor in dorsal root ganglia. .Molecular Brain .2016. 3. Jasmine JC Blondeau et al. Identification of novel long non-coding RNAs in clear cell renal cell carcinoma. Clinical Epigenetics . 2015. 4. Davide Cirillo et al. Discovery of protein–RNA networks. Molecular BioSystems. 2014. 5. Davide Cirillo et al. Constitutive patterns of gene expression regulated by RNA-binding proteins. Genome Biology. 2014. 6. Davide Cirillo et al. Neurodegenerative diseases: Quantitative predictions of protein− RNA interactions. RNA. 2013. 7. Federico Agostini et al. X-inactivation: quantitative predictions of protein interactions in the Xist network. Nucleic Acids Research. 2013. 8. Davide Cirillo et al. Predictions of protein–RNA interactions. WIREs Comput Mol Sci. 2012. 9. Sylvain Maenner et al. 2-D Structure of the A Region of Xist RNA and Its Implication for PRC2 Association. PLoS Biology. 2010. |
|