Informație

MicroRNA cunoscut - sisteme genetice?


Au existat sisteme verificate experimental de microARN-uri care să vizeze un set de gene (de exemplu, în cancer, probabil)?


Da. Mai jos este un link către o revizuire a ARNc (ARN-uri necodificatoare) și rolul lor în boală. Există multe exemple în această revizuire în tot felul de boli, dintre care una este miR-200, despre care se crede că joacă un rol în unele tipuri de cancer.

Există, de asemenea, câteva tabele în lucrare care listează miARN și boala de care sunt legate. Au, de asemenea, o referință pentru fiecare, așa că ați putea citi mai multe despre respectivul miARN și funcția acestuia, inclusiv gena pe care o reglează.

http://www.nature.com/nrg/journal/v12/n12/full/nrg3074.html

Nu sunt sigur dacă articolul respectiv este deschis publicului sau nu. Dacă nu îl puteți accesa, puteți verifica întotdeauna intrarea pe Wikipedia pentru miR-200

http://en.wikipedia.org/wiki/Mir-200


PMAMCA: predicția asocierii microRNA-boală utilizând o abordare de completare a matricei

Numeroase rezultate experimentale au indicat faptul că microARN-urile (miARN-urile) joacă un rol vital în procesele biologice, precum și focarele de boli la nivel molecular. În ciuda rolului lor important în procesele biologice, cunoștințele privind funcțiile specifice ale ARNm în dezvoltarea bolilor umane sunt foarte limitate. În timp ce încerca să rezolve această problemă, au fost propuse multe abordări de calcul și au atras atenția semnificativă. Cu toate acestea, cele mai multe abordări anterioare suferă de problema comună de a fi inaplicabilă pentru noile boli fără asociații cunoscute ale bolii miARN.

Rezultate

Această lucrare propune o metodă nouă pentru deducerea asociațiilor bolii-miARN utilizând o tehnică de învățare automată numită factorizarea matricială, care este utilizată pe scară largă în sistemele de recomandare. În sistemele de recomandare, obiectivul este de a prezice scorurile de rating pe care un utilizator le-ar putea atribui unor elemente specifice. Prin înlocuirea utilizatorilor cu miARN și elemente cu boli, putem prezice în mod eficient asociațiile bolii miARN fără miARN-uri semințe. Ca rezultat, modelul nostru propus, numit predicția asocierii microRNA-boală utilizând o abordare de completare a matricei, realizează performanțe excelente comparativ cu abordările anterioare cu o valoare ASC fiabilă de 0,882 prin implementarea unei validări încrucișate de cinci ori.

Concluzii

Din cunoștințele noastre, metoda propusă aplică tehnica de completare a matricei pentru a deduce asociațiile miRNA-boală și a depăși problema semințe-miARN care afectează negativ modelele de calcul existente.


ARN-uri necodificate în bolile cardiovasculare

Pierluigi Lesizza,. Gianfranco Sinagra, în Nanoteranostice cu acid nucleic, 2019

5.3.1.1 Bureți miARN

Bureții miARN sunt molecule proiectate să conțină mai multe site-uri de legare pentru miARN, acționând ca inhibitori competitivi ai împerecherii miARN-ARNm. Bureții pot fi modificați, crescând sau micșorând numărul de situsuri de legare pentru miARN și modificându-le pentru a fi complet sau parțial complementare cu miARN, incluzând distanțiere între site-uri de legare. 188 Toate aceste modificări pot influența activitatea buretelui, afinitatea de legare, riscul degradării buretelui și recombinarea genetică. Bureții miARN pot adăposti chiar și situsuri de legare pentru miARN diferit de țintă atunci când este necesară inhibarea miARN multiplă pentru a obține un efect terapeutic. 189 Evoluțiile bureților miARN sunt „Tough Decoys”, radierele miARN și cositoarele miARN. Decoys dur conține două site-uri de legare miARN într-o regiune monocatenară de bucle scurte de tulpină și se caracterizează printr-o capacitate de legare miARN mai prelungită decât bureții clasici miARN. Radierele de 190 miARN conțin întreaga secvență antisens a miARN țintă cu o afinitate mare de legare la miARN-uri țintă. 191


Metode

Ținte miARN și rețele de interacțiune țintă

Studii recente au arătat o fiabilitate ridicată a țintelor miARN preconizate de TargetScan [7]. Prin urmare, am selectat țintele pentru toate miARN-urile umane enumerate în baza de date TargetScan. Am obținut un set de 677 miARN și 18.880 de proteine ​​țintă unice. Rețeaua rezultată miARN-proteină conținea 224.316 interacțiuni. Pentru a prezice ținte miARN pe baza datelor PAR-CLIP, au fost utilizate regiunile centrate pe reticulare (CCR) din bibliotecile combinate AGO-PAR-CLIP [13]. Predicția site-ului țintă pentru toate CCR-urile a fost făcută cu programul RNAhybrid [14] cu parametrii impliciți. Din lista rezultată am filtrat toate predicțiile cu o valoare p sub 0,02 și un scor energetic sub cuantumul de 25%. Acest lucru a dus la o listă finală miARN-ARNm cu 50.160 de interacțiuni prezise.

Asocierea complexelor de proteine ​​cu seturi de ținte miARN - test pentru semnificația statistică

Am folosit testul exact al lui Fisher pentru atribuirea semnificației asocierii cu complexe proteice pentru fiecare set de miARN-țintă. Valoarea P hipergeometrică este dată ca probabilitatea la care ne-am putea aștepta cel puțin N c miARN țintește întâmplător într-un complex proteic, dacă selectăm aleatoriu N t (numărul total de ținte miARN) proteine ​​din setul total de proteine ​​N constând din toate țintele miARN N T și toate proteinele din complexe N C . Valorile P au fost corectate pentru testarea multiplă a 677 miARN folosind metoda de corecție Holm-Bonferroni. Am atribuit asocierea complexelor și a clusterelor de miARN folosind uniunea țintelor din toate miARN-urile dintr-un singur cluster. Aici, am testat pentru suprapuneri semnificative ale acestor seturi unificate între componentele unui complex în același mod ca și pentru seturile țintă de miARN unic.

Îmbogățirea proceselor biologice

Pentru a testa îmbogățirea semnificativă a funcțiilor biologice pe baza căilor genologice ontologice (GO) [15] și KEGG [16] în cadrul setului de ținte din complexele proteice, a fost utilizat pachetul R GOstats [17]. Un set de componente vizate a 722 de complexe proteice vizate a fost extras și comparat cu un set de proteine ​​care constau din toate componentele acestor complexe.

Comparația distribuțiilor de schimbare a pliurilor

Am folosit măsurători ale modificării pliurilor după supraexprimarea miARN-urilor selectate din studii recente de proteomică [6, 7]. Am selectat pentru fiecare dintre aceste miARN complexele proteice constând din cel puțin una dintre țintele sale. A fost construit un set de componente ale acestor complexe proteice. În cadrul acestui set, am comparat modificările de fold ale componentelor care sunt ținte ale miARN specific cu modificările de fold ale componentelor non-target. Acest lucru a fost realizat prin efectuarea unui test unilateral Kolmogorov-Smirnov pentru fiecare dintre miARN care au fost investigate în studiile de proteomică.

Cultură de celule

Celulele PANC-1 au fost achiziționate de la ATCC (Manassas, VA, SUA). PANC-1 clone stabile pentru miR-141 sau miR-200c au fost obținute cu plasmide pRetroSuper-miARN verificate în secvență. Liniile celulare au fost cultivate în condiții standard în DMEM + 10% ser fetal bovin + 2 μg / ml puromicină. Pentru eliminarea tranzitorie, PANC-1 au fost transfectate cu siRNA care vizează ZEB1 (r (aga uga uga aug cga guc g) d (TT)), CtBP2 (1: r (cuuuggauucagcgucaua) d (TT), 2: r (cuuuguaacugauucugga) d (TT)) sau GFP (r (gcu acc ugu ucc aug gcc a) d (TT). Toate transfecțiile și testele reporter au fost efectuate așa cum s-a descris anterior [18].

Test specific pentru modularea miARN

ARN din celulele cultivate a fost extras folosind trusa de izolare mirVana ™ miARN (Ambion, Austin, TX, SUA). Valorile expresiei ARNm au fost măsurate în triplicat utilizând Roche LightCycler 480 și s-au normalizat la expresia b-actinei ca control pentru menaj. Valorile expresiei au fost calculate conform ref. [19].

Imunobloti

au fost efectuate folosind protocoale standard modificate. Pe scurt, extracte de celule întregi au fost făcute din celule în tampon de liză triplă [50 mM Tris-HCI pH8, 150 mM NaCI, 0,02% (g / v) NaN3, 0,5% (g / v) NaDeoxicolat, 0,1% SDS, 1% (v / v) NP40]. Extractele (10 μg / bandă) au fost separate pe un gel SDS-poliacrilamidă 10%, șterse pe o membrană PVDF și incubate cu anticorpii primari indicați diluați în tampon de blocare (5% lapte uscat fără grăsime) peste noapte la 4 ° C. După spălare și incubare cu anticorpi secundari specifici speciilor cuplate cu peroxidază, semnalul a fost dezvoltat folosind SuperSignal West PICO Chemiluminescent Substrat (Perbio Science, Bonn, Germania) conform protocolului producătorului. CtBP2, CDYL, RCOR3, β-actină și ZEB1 au fost imunodetectate cu următorii anticorpi primari: anti-CtBP2 anticorp monoclonal de șoarece (1: 8.000, BD Transduction Laboratories ™, Franklin Lakes, NJ, SUA), anti-CDYL anticorp policlonal de iepure (1: 500, Abcam, Cambridge, Marea Britanie), anti-RCOR3 anticorp policlonal de iepure (1: 1000Abcam, Cambridge, Marea Britanie) anti-β-actină anticorp monoclonal de șoarece (1: 5.000, Sigma-Aldrich Chemie GmbH, München, Germania). Anti-ZEB1 anticorp policlonal de iepure (1: 20.000) a fost un dar al D.S. Darling, Universitatea din Louisville, Louisville, KY, SUA.


Rezultate

Evaluarea diferențierii MDSC

Diferențierea celulară a fost evaluată prin morfologie, MHC și imunolocalizare desmin, precum și expresia genei MRF. MDSC bovine au fost derivate din cultura primară de țesut muscular și miotuburile fuzionate au fost generate prin cultivarea MDSC în DM timp de 1 și 3 zile (Fig. 1a). În MDSC-P, genele MHC și desmin nu au fost exprimate, dar au fost în MDSC-D1 și MDSC-D3 (Fig. 1b, c). Analiza expresiei genei MRF a arătat că genele PAX3 și MYF5 au fost reglate în jos, în timp ce genele MYOG, MYF6 și MHC au fost reglate în sus în MDSC-D1 și MDSC-D3 comparativ cu cele din MDSC-P (Fig. 1d). Aceste rezultate au indicat faptul că MDSC-urile se aflau în procesul de diferențiere în MDSC-D1 și MDSC-D3, dar nu MDSC-P, în care MDSC-urile erau doar în proliferare.

Caracterizarea morfologiei și imunofluorescenței MDSC. A Morfologia MDSC în timpul diferențierii pentru 0, 1 și 3 zile (MDSC-P, MDSC-D1 și respectiv MDSC-D3) b Detectarea imunofluorescenței MHC în MDSC în timpul diferențierii la MDSC-P, MDSC-D1 și MDSC-D3 c Detectarea imunofluorescenței desminului în MDSC în timpul diferențierii la MDSC-P, MDSC-D1 și MDSC-D3. d Exprimarea MRF în timpul diferențierii MDSC. Analiza RT-qPCR a genelor PAX3, MYOD, MYOG, MYF5 și MYF6 în MDSC-D1 și MDSC-D3 comparativ cu MDSC-P. Bara de erori indică eroarea standard a mediei probelor triplate. *p & lt 0,05, **p & lt 0,01

Colectarea celulelor și secvențierea cu randament ridicat a ARN-urilor mici

Pentru a identifica ARN-uri mici în MDSC-uri în timpul diferențierii, ARN-urile totale din MDSC-uri în diferite etape de diferențiere au fost utilizate pentru a construi biblioteci mici de ARN. Am obținut 5.871.055 de citiri curate din biblioteca MDSC-P, 5.922.188 din biblioteca MDSC-D1 și 5.935.963 din biblioteca MDSC-D3 după ștergerea unor citiri contaminante (Tabelul 1). Analiza distribuției de lungime a arătat că cele mai multe citiri au variat între 21 și 23 nt. Procentul de 22-nt citiri în total lecturi a fost 72,76, 71,26 și 75,58% în biblioteca MDSC-P, MDSC-D1 și respectiv MDSC-D3 (Fig. 2). Citirile pentru cele trei biblioteci (5.188.810, 5.041.921 și respectiv 5.236.492) au fost perfect potrivite cu genomul bovin (Tabelul 2).

Distribuții de lungime ale ARN-urilor mici în cele trei biblioteci de ARN. Coloanele albe reprezintă distribuțiile de lungime ale ARN-urilor mici din biblioteca MDSC-P coloanele gri reprezintă distribuțiile de lungime ale ARN-urilor mici din biblioteca MDSC-D1 coloanele negre reprezintă distribuțiile de lungime ale ARN-urilor mici din biblioteca MDSC-D3

Identificarea miARN-urilor bovine conservate

Pentru a identifica miARN conservate în MDSC-uri în timpul diferențierii, ARN-urile mici cu o lungime de 18-23 nucleotide au fost căutate Blastn împotriva miRBase 21.0 (versiunea miRBase versiunea V21.0, 3 iulie 2014). Candidații miARN au fost apoi grupați în 439, 394 și 392 categorii corespunzătoare locurilor genomice independente 455, 412 și 410 în cele trei biblioteci în funcție de similaritatea secvenței (Tabelul 3), din care 322 miARN au fost suprapuse în trei biblioteci (fișier suplimentar 2 ).

Expresia miARN-urilor cunoscute a fost demonstrată prin generarea de log2 raportul graficelor și graficelor de împrăștiere (Fig. 3). Profilurile de expresie dintre diferitele biblioteci sunt prezentate în fișierul suplimentar 3. Rezultatele au arătat că 296 miARN au cuprins 9 miRNA exprimate în sus (Tabelul 4), 165 exprimate în jos și 122 miARN exprimate în mod egal în MDSC-D1 comparativ cu cele din MDSC- P 304 miARN-uri cuprindeau 15 exprimate în sus (Tabelul 4), 145 exprimate în jos și 144 miARN exprimate în mod egal în MDSC-D3 comparativ cu cele din MDSC-P 273 miARN-uri cuprindeau 17 exprimate în sus, 55 exprimate în jos și 201 în mod egal miARN exprimate în MDSC-D3 comparativ cu cele din MDSC-D1. Fișier suplimentar 4: Tabelul S1 listează cele mai abundente 10 miARN-uri din MDSC-P, MDSC-D1 și MDSC-D3. MiARN cu cel mai mare număr în MDSC-D3 a fost miR-206, un miARN major în dezvoltarea mușchilor scheletici, cu un număr mediu de citiri normalizate de & gt1 milioane. Au urmat în mod omniprezent membrii let-7, let-7a-5p, let-7f și let-7b, iar miR-1 a avut al cincilea număr cel mai mare. Modelele de expresie miARN în timpul diferențierii MDSC au fost grupate utilizând analiza ierarhică de cluster (Fișier suplimentar 5: Figura S1). De exemplu, comparativ cu etapele de proliferare (MDSC-P), nivelurile de expresie ale miR-2443, miR-423-5p, miR-181a, miR-10a și miR-206 au fost mai mari în MDSC-D1 și modelul a fost același cu cel al miR-139, miR-1, miR-95, miR-206 și miR-133a în MDSC-D3.

Expresia diferențială a miARN conservate în timpul diferențierii MDSC. Comparați expresia miARN cunoscută între diferite etape de diferențiere pentru a afla miARN exprimat diferențial. Fiecare punct din figură reprezintă un miARN. Axa X și axa Y arată nivelul de expresie al miARN în două biblioteci. Punctele verzi reprezintă miARN cu raport & gt 2 Punctele albastre reprezintă miARN cu ½ și lt raport ≤2 Punctele roșii reprezintă miARN cu raport ≤ 1/2. Raport = Expresie normalizată în tratament / Expresie normalizată în control

Analiza de polarizare a nucleotidelor la fiecare poziție a arătat că conținutul de GC a fost ridicat la pozițiile 2, 11 și 15 cu valori de 94,34, 92,53 și respectiv 95,16%, dar nu la 1, 6, 9, 10, 13, 14, Pozițiile 16, 22 și 24 cu valori de 0,70, 6,69, 4,94, 5,91, 4,69, 3,69, 3,40, 7,17 și 0,18%, respectiv, în biblioteca MDSC-P. Un rezultat similar a fost obținut în bibliotecile MDSC-D1 și MDSC-D3. În toate bibliotecile, nucleotidele A + U au fost distribuite în principal în pozițiile rămase, cu excepția pozițiilor 4, 5, 8, 12, 20 și 23 (Fișier suplimentar 6: Figura S2). Fenomenul biasului nucleotidic ar putea fi legat de mecanismele miARN, cum ar fi legarea cu ținte pentru reglarea genelor. Pozițiile 1, 9 și terminale au fost îmbogățite cu U, iar pozițiile 1 și 9 au fost limitele „regiunii semințe” a unui miARN care era responsabil pentru direcționarea ARNm pentru reglarea genelor [21]. Un rezultat similar a fost obținut în miARN-urile MDSC-P la pozițiile 1, 9 și final, dar a existat doar 44,35% U la poziția finală în MDSC-D1 și 58,21% la poziția 9 în biblioteca MDSC-D3. Diferențele observate între studiul nostru și studiile anterioare s-ar fi putut datora diferitelor abordări experimentale sau diferențelor în eșantioane [12].

Pozițiile 2-8 ale unui miARN matur se numesc regiunea semințelor, care sunt foarte conservate. Ținta unui miARN ar putea diferi cu modificările nucleotidelor din această regiune. În studiul nostru, miARN-urile care ar putea avea o editare de bază ar putea fi detectate prin alinierea tag-urilor sARN-ului neanotat cu miARN-urile mature de la miRBase21, permițând o nepotrivire la o poziție dată. Rezultatele au arătat că nepotrivirile au apărut în toate cele trei biblioteci cu procentul de 22,65, 22,45 și respectiv 23,53%. Nepotrivirile ar putea fi cauzate de modificări post-transcripționale și / sau RT-PCR și erori de secvențiere (fișier suplimentar 7).

În studiul nostru, o analiză suplimentară a identificat un total de 439, 394 și 392 miARN conservate care au aparținut familiilor 237 miARN din cele trei biblioteci menționate mai sus. Cea mai mare familie de miARN identificată a fost miR-2284, care consta din 63 de membri, iar miR-154, let-7 și miR-181/30 posedă 18, 12 și 6 membri, respectiv alte familii de miARN, cum ar fi miR-122 , miR-1249, miR-140 și miR-486, aveau un singur membru, în timp ce miR-1940, miR-2286, miR-3431 și miR-574 nu aparțineau niciunei familii genetice (fișier suplimentar 8).

Identificarea miARN-urilor bovine noi

Structura caracteristică a acului de păr a unui precursor miARN ar putea fi utilizată pentru a prezice miARN noi. Software-ul de predicție Mireap a fost dezvoltat pentru a prezice miARN noi prin explorarea structurii secundare, a site-ului de decupare Dicer și a energiei libere minime a cititului ARN mic anotat care ar putea fi mapat la un genom. Pe baza secvențierii profunde HiSeq, 53 de noi ARNm bovine au fost identificate în MDSC bovine, care corespundeau 145 loci genomice. Patruzeci și trei de miARN noi au fost în biblioteca MDSC-P, 17 au fost în MDSC-D1 și 19 au fost în biblioteca MDSC-D3 și 26 dintre miARN-uri s-au suprapus în trei biblioteci (fișier suplimentar 9). Numerele citite din secvențierea profundă HiSeq sunt adesea considerate ca o cuantificare fiabilă a expresiei miARN, numerele citite ale miARN în analiza secvențială profundă HiSeq sunt prezentate în fișierul suplimentar 10.

Expresia miARN-urilor noi în MDSC-P, MDSC-D1 și MDSC-D3 a fost demonstrată prin generarea logului2 raportul graficelor și graficelor de împrăștiere (fișier suplimentar 11: Figura S3). Rezultatele au arătat că 42 miARN au cuprins 7 miARN exprimate în sus, 31 exprimate în jos și 4 miARN exprimate în mod egal în MDSC-D1 comparativ cu cele din MDSC-P 43 miARN au cuprins 8 exprimate în sus, 32 exprimate în jos și 3 exprimate în mod egal MiARN-urile din MDSC-D3 în comparație cu cele din MDSC-P și 24 miARN-urile au cuprins 9 miARN exprimate în sus, 9 exprimate în jos și 6 miARN exprimate în mod egal în MDSC-D3 comparativ cu cele din MDSC-D1.

Analiza qPCR a confirmat expresia diferențială a miARN selectate în MDSC

Pentru a confirma rezultatele ARN-seq, expresia a 12 miARN a fost cuantificată prin qPCR cu buclă stem [22]. Rezultatele au arătat că miR-29a, miR-27a și let-7i au fost puternic exprimate în MDSC-P în contrast, miR-320, miR-1 și miR-206 au fost extrem de exprimate în MDSC-D3. În plus, miR-206, miR-1 și miR-320 au fost supuse reglementării în timpul diferențierii MDSC miR-495, miR-133b și miR-487 au fost reglate în jos în MDSC-D1 și reglate în sus în MDSC-D3. Rezultatele analizei RT-qPCR au fost în concordanță cu cele obținute prin analiza ARN-seq, cu excepția miR-423, care a fost reglat în MDSC-D3 în comparație cu MDSC-D1 în RT-qPCR, în timp ce a fost reglat în jos în ARN-seq (Fig. 4). Aceste rezultate au indicat faptul că secvențierea profundă HiSeq din studiul nostru a fost de mare fiabilitate.

Exprimarea miARN-urilor în timpul diferențierii MDSC la bovine detectate de RT-qPCR. Notă: MDSC în timpul diferențierii la 0, 1 și 3 zile (MDSC-P, MDSC-D1 și respectiv MDSC-D3) Bara de erori indică eroarea standard a mediei probelor triplicate. (* p & lt 0,05, ** p & lt 0,01, comparativ cu MDSC-P prin q-PCR. ∆ p & lt 0,05, ∆∆ p & lt 0,01, comparativ cu MDSC-P prin secvențierea profundă)

Predicția țintă pentru miARN

Funcția unui miARN este definită în cele din urmă de genele pe care le vizează și de efectul său asupra expresiei acestor gene. Pentru a identifica potențialele ținte ale miARN-urilor, am căutat o bază de date mARN-ul bovin (ftp://hgdownload.cse.ucsc.edu/goldenPath/bosTau7/database/refGene.txt.gz). Tabelul 5 listează genele țintă obținute din MDSC-P, MDSC-D1 și MDSC-D3, care ar putea fi reglementate de miARN-urile din MDSC-D1, MDSC-D3 și MDSC-P, prezentate în fișierul suplimentar 12. Energia de legare dintre miARN conservate cu țintele lor a variat de la -11,2 la -44,3 kcal / mol și de la 10,3 până la -49,4 kcal / mol între miARN-urile noi și țintele lor (fișier suplimentar 13). Unele miARN au avut mai mult de 1000 de ținte prevăzute, iar alte gene țintă au fost supuse reglementării supuse mai mult de două miARN.

Analiza de îmbogățire GO și analiza căii KEGG a genelor țintă

Pentru a înțelege funcția biologică a miARN în MDSC, toate genele țintă prezise au fost clasificate în funcție de adnotările funcționale KEGG, care ajută la identificarea căilor care au fost reglementate în mod activ de miARN în MDSC. Majoritatea acestor gene au fost implicate în metabolismul celular, căile în cancer, reglarea citoscheletului actinei și calea de semnalizare MAPK (Tabelul 6). Cea mai frecvent indicată cale a fost calea metabolică, cu 1321 gene reprezentând 12,44% din total, urmate de căile din cancer (3,51%), biosinteza metaboliților secundari (3,46%), reglarea citoscheletului actinic (3,17%) și Calea de semnalizare MAPK (3,03%). Toate genele țintă prevăzute au fost trimise pentru analiza Genologiei Ontologiei (GO) folosind o versiune online a programului Blast2GO (www.Blast2GO.com). În total, 10.887 gene au fost denumite bune sau mai bune decât 1 folosind ontologia componentă cu analiza valorii P, 10.228 gene au fost atribuite funcții diferite și 10.039 gene au fost denumite pe procese biologice (Fișier suplimentar 4: Tabel S2). Pentru a determina funcțiile potențiale ale diferitelor miARN de expresie, cele mai abundente 45 de miARN din cele trei biblioteci au fost selectate pentru analiza genologică ontologică. Principalele categorii GO vizate de diferite gene de expresie au inclus procesul de dezvoltare, moartea celulară, creșterea, procesul de reproducere și procesul metabolic (Fig. 5). Este necesară o analiză suplimentară pentru obiectivele miARN și ne va ajuta să obținem informații despre rolurile acestor miARN în diferențierea MDSC.

Analiza GO bazată pe gene vizate de miARN. Au fost prezentate GO-urile vizate de miARN abundente. Axa orizontală este categoria GO, iar axa verticală este numărul de gene


Partea 2: Adaptarea la reglementarea microARN și dincolo

00: 00: 15.02 Bună. Sunt Narry Kim de la Centrul de Cercetare ARN
00: 00: 18.11 la IBS.
00: 00: 20.16 Lucrez și la Universitatea Națională din Seul.
00: 00: 24.18 În ultima parte a prezentării mele,
00: 00: 26.23 Am vorbit despre tine
00: 00: 29.27 modul în care microARN-urile sunt generate și reglate.
00: 00: 32.16 În această discuție, vă voi vorbi despre
00: 00: 36.26 un tip de modificare a ARN numit tailing,
00: 00: 40.15 care controlează biogeneza microARN
00: 00: 43.24 și alte tipuri de ARN, inclusiv ARN mesager.
00: 00: 49.26 Deci, peste 100 de tipuri de modificări ale ARN-ului
00: 00: 54.20 au fost descrise până acum.
00: 00: 56.11 Modificarea ARN poate fi pe bază sau pe reziduurile de riboză.
00: 01: 03.10 În plus, nucleotidele
00: 01: 06.19 poate fi adăugat sau eliminat din ARN.
00: 01: 09.14 Laboratorul meu a fost deosebit de interesat
00: 01: 13.04 în partea 3 'a ARN, pe care o numim cozi.
00: 01: 17.29 În această prezentare,
00: 01: 20.18 Am să vă arăt câteva dintre datele din laborator
00: 01: 27.07 care demonstrează că, uneori,
00: 01: 29.23 o coadă poate schimba de fapt soarta ARN-ului.
00: 01: 33.12 Deci, această linie a studiului
00: 01: 38.20 a început când studiam calea microRNA.
00: 01: 42.00 După cum v-am explicat în prima parte a discuției,
00: 01: 46,06 miogeneza biogenezei implică
00: 01: 49.02 Pol II, Drosha, Exportin 5, Dicer și Argonaute.
00: 01: 53.28 Și miARN-urile mature sunt gândite.
00: 01: 58.02 se credea că sunt o singură specie.
00: 02: 03.07 Dar, de fapt, dacă te uiți la datele secvențiale profunde.
00: 02: 07.25 aici, în stânga,
00: 02: 11.01 numerele indică abundența relativă a speciei miARN.
00: 02: 16.01 în afară de cea mai abundentă secvență de referință,
00: 02: 19.19 puteți găsi, de asemenea, izoforme suplimentare.
00: 02: 23.07 În special, unele izoforme au
00: 02: 28.29 secvențe A ne-șablonate sau secvențe U
00: 02: 33.07 la sfârșitul miARN.
00: 02: 35.29 La animale, As and Us
00: 02: 39.27 sunt cele mai frecvente nucleotide neplante
00: 02: 44.04 la capătul 3 'al ARN-ului.
00: 02: 46.14 La plante, U este cel mai proeminent,
00: 02: 50.10 așa cum a fost descris inițial de laboratorul lui Xuemei Chen.
00: 02: 55.06 Deci, de unde provin aceste nucleotide neplante?
00: 03: 00.23 Sa dovedit că uridilarea are loc,
00: 03: 04.26 în principal, înainte de procesarea Dicer pe pre-miARN,
00: 03: 09.15 în timp ce apare adenilarea
00: 03: 14.20 după procesarea Dicer, pe ARN-ul 22 nucleotidic.
00: 03: 20.14 Deci, aceste reacții sunt efectuate
00: 03: 25.07 de către un grup de poli (A) polimeraze necanonice,
00: 03: 28.23 cunoscută și sub numele de uridilil transferaze terminale.
00: 03: 33.02 Din cele 7 poli (A) polimeraze necanonice sau TUTaze,
00: 03: 39.09 TUT4 și TUT7,
00: 03: 43.25 care au organizații de domenii similare,
00: 03: 47.21 au funcții redundante în uridilarea pre-let7.
00: 03: 55.05 Dar adenilarea?
00: 03: 57.04 S-a arătat că TUTase2 sau GLD2,
00: 04: 01.22 sau Wispy în muște,
00: 04: 04.19 sunt responsabili pentru adenilare.
00: 04: 07.21 Dar înainte să încep să explic regulamentul
00: 04: 11.05 prin coadă,
00: 04: 13.13 Vreau să clarific faptul că frecvențele de coadă
00: 04: 16.08 sunt în general destul de scăzute în majoritatea tipurilor de celule
00: 04: 18.27 pentru majoritatea miARN-urilor.
00: 04: 21.24 Așadar, vreau să ai o impresie
00: 04: 25.08 că coada este întotdeauna importantă pentru toate miARN-urile.
00: 04: 30.22 Cu toate acestea, frecvența de coadă
00: 04: 34.27 variază în funcție de speciile de miARN și de tipurile de celule.
00: 04: 38.13 Și coada poate oferi o bază moleculară
00: 04: 43.03 pentru reglarea unor miARN
00: 04: 46.02 în etape specifice de dezvoltare.
00: 04: 49.18 Deci, pentru a vă oferi câteva exemple
00: 04: 53.24 de reglementare mediată de coadă.
00: 04: 56.15 primul este uridilarea pre-let-7.
00: 05: 00.28 Există de fapt cel puțin două moduri de uridilare a pre-let-7.
00: 05: 05.12 Prima este monouridilarea
00: 05: 09.21 - aceasta este mediată de TUT7 și TUT4,
00: 05: 13.25 și monouridilarea promovează de fapt procesarea Dicer,
00: 05: 18.28 deci, în acest context TUTases
00: 05: 24.09 promovează biogeneza let-7,
00: 05: 27.12 servind ca factor de biogeneză.
00: 05: 29.14 Dar atunci, acesta este cazul celulelor somatice diferențiate,
00: 05: 34.03, dar în celulele embrionare și cancer,
00: 05: 36.28 este exprimată o proteină de legare a ARN numită Lin28,
00: 05: 44.21 și se leagă de pre-let-7
00: 05: 47.08 și interacționează cu TUTases
00: 05: 50.18 pentru a induce oligouridilarea.
00: 05: 53.09 Deci, acum, coada U lungă
00: 05: 56.15 este inhibitor al procesării Dicer,
00: 05: 59.09 și promovează în continuare degradarea ARN-ului.
00: 06: 03.19 Deci, în această situație,
00: 06: 09.07 TUTaze, aceleași enzime,
00: 06: 11.11 poate servi ca regulatori negativi.
00: 06: 13.21 Deci, există o dualitate funcțională în uridilare,
00: 06: 17.22 în funcție de lungimea cozilor uridilate
00: 06: 22.05 și contextul tipurilor de ARN și celule.
00: 06: 28.29 Prin aceasta, Lin28 și TUTases
00: 06: 35.07 poate oferi un comutator molecular în dezvoltare
00: 06: 37.22 și tranziții patologice,
00: 06: 40.05, cum ar fi cancerul.
00: 06: 41.28 Al doilea exemplu este
00: 06: 46.21 adenilarea miARN-urilor mature.
00: 06: 48.27 În această ștergere nordică din ouă și embrioni Drosophila,
00: 06: 55.03 puteți găsi câteva populații eterogene de miARN,
00: 06: 59.26 care indică adenilarea miARN-urilor mature.
00: 07: 04.00 Aceste izoforme adenilate
00: 07: 07.15 dispar când embrionul se mută în
00: 07: 11.07 stadiul său de dezvoltare.
00: 07: 14.00 Mai târziu, sa dovedit că același tipar este observat și la alte specii de animale,
00: 07: 23.03, cum ar fi la arici și șoareci,
00: 07: 27.14 sugerând că acesta este un mecanism conservat.
00: 07: 31.05 Am constatat ulterior că o enzimă numită Wispy,
00: 07: 35.11 o poli (A) polimerază necanonică,
00: 07: 38.22 este exprimat în mod specific în ouă
00: 07: 41.06 și induce adenilarea miARN.
00: 07: 44.20 Acesta este un mutant al genei Wispy
00: 07: 47.06 și, aici, miARN-urile se acumulează ca o formă nemodificată.
00: 07: 55.18 Deci, am descoperit că miARN-urile
00: 07: 58.14 sunt controlate dinamic în timpul oogenezei târzii
00: 08: 02.01 și embriogeneza timpurie.
00: 08: 04.23 MiARN-urile materne sunt depuse
00: 08: 07.18 și apoi sunt degradate rapid în timpul dezvoltării,
00: 08: 12.04 în timp ce miARN-urile zigotice
00: 08: 16.03 sunt induse din genomul zigotic
00: 08: 18.11 pentru a înlocui populația.
00: 08: 21.11 Mecanismul care stă la baza acestei reglementări
00: 08: 24.12 este reglementat de Wispy,
00: 08: 27.20 care adenilează miARN pentru a induce descompunerea rapidă.
00: 08: 34.08 Deci, adenilare mediată de Wispy
00: 08: 37.07 poate contribui la eliminarea miARN-urilor materne
00: 08: 41.06 în această perioadă de tranziție de dezvoltare interesantă și dinamică.
00: 08: 48.05 Deci, ți-am explicat până acum,
00: 08: 50.24 în sistemele animale,
00: 08: 53.07 există atât uridilare, cât și adenilare
00: 08: 56.11 care controlează soarta unui anumit grup de miARN
00: 09: 00.15 în tipuri specifice de celule
00: 09: 02.25 și condiții de dezvoltare.
00: 09: 05.08 Deci, trecând la alte căi.
00: 09: 15.13 ARNm sunt, de asemenea, cunoscuți că au cozi, cozi canonice poli (A),
00: 09: 19.01 dar am fost curioși dacă există
00: 09: 27.09 orice alte tipuri de cozi necanonice pe ARNm.
00: 09: 29.27 Am fost, de asemenea, curioși dacă putem investiga
00: 09: 34.11 funcția acestor cozi
00: 09: 37.24 prin măsurarea lungimii cozii poli (A) la scara genomică
00: 09: 40.28 și la rezoluție înaltă.
00: 09: 43.16 Celelalte metode, cum ar fi Northern blotting și microarray,
00: 09: 47.29 au fost dezvoltate,
00: 09: 50.10, dar rezoluția și scala nu au fost suficient de bune
00: 09: 53.29 pentru a privi transcriptomul în mod eficient.
00: 10: 00.01 Deci, am dezvoltat o tehnică numită TAIL-seq,
00: 10: 05.14 care urmează să secvențeze terminomul 3 '.
00: 10: 08.03 Doar pentru a vă explica pe scurt protocolul,
00: 10: 11,27 ARN-uri totale au fost îmbogățite cu ARNm
00: 10: 17.00 prin fracționarea mărimii și epuizarea ARN-ului ribozomal.
00: 10: 22.16 Aceasta a fost legată la adaptorul de 3 '
00: 10: 25.09 care conține reziduuri de biotină
00: 10: 28.26 astfel încât, după digestia parțială,
00: 10: 31.06 putem trage în jos cel mai mare fragment de 3 '
00: 10: 34.21 folosind margele de streptavidină.
00: 10: 38.23 Fragmentul a fost apoi ligat
00: 10: 42.12 la un adaptor de 5 'și amplificat în continuare prin RT-PCR,
00: 10: 49.03 și am efectuat secvențierea pereche
00: 10: 52.05 pentru a obține 51 de nucleotide din Citirea 1
00: 10: 58.23 și 251 nucleotide din Read 2.
00: 11: 02.00 Citirea 1 este utilizată pentru cartografierea ARN-ului,
00: 11: 06.18 pentru a obține identitatea transcrierii,
00: 11: 09.29 și Citirea 2 este utilizată pentru a determina
00: 11: 13.25 secvențele cozii.
00: 11: 16.13 Folosind această metodă, am putea determina cu exactitate
00: 11: 22.21 foarte, foarte secvențele finale ale ARN-urilor,
00: 11: 25.19 dar o provocare pe care am avut-o a fost,
00: 11: 29.01 din cauza naturii homopolimerice a cozilor poli (A),
00: 11: 32.23 dacă mergi adânc în coadă,
00: 11: 36.07 calitatea secvențierii devine foarte proastă,
00: 11: 40.25, așa că a fost foarte dificil să obținem corect secvențele.
00: 11: 44.23 Pentru a depăși problema,
00: 11: 47.00 am colectat semnalele fluorescente
00: 11: 50.01 direct din reacția de secvențiere
00: 11: 52.27 și a privit imaginile din secvențiator,
00: 11: 56.17 a observat că există o tranziție
00: 12: 00.07 între secvențe poli (A)
00: 12: 03.20 și secvențe non-poli (A).
00: 12: 05.25 Și am putea converti informațiile
00: 12: 08.22 pentru a calcula semnalul T relativ,
00: 12: 11.18 și ne-a dat abilitatea
00: 12: 17.06 pentru a determina starea secvenței
00: 12: 21.03 pentru a codifica lungimea cozii poli (A).
00: 12: 25.04 Deci, am putut măsura, cu precizie,
00: 12: 29.17 lungimea cozii poli (A) a ARNm.
00: 12: 33.24 Deci, acest lucru a fost destul de util,
00: 12: 35.23 și permiteți-mi să vă arăt câteva exemple de citiri TAIL-seq.
00: 12: 39.17 Acestea sunt citirile aleatorii care se potrivesc cu ARNm p53.
00: 12: 45.07 Așa cum am spus, aceasta este o secvențiere asociată,
00: 12: 49.08 deci din Citiți 1, care este afișat în albastru,
00: 12: 52.25 sunt folosite pentru a obține identitatea transcrierii,
00: 12: 58.19 și apoi Citește 2 este obișnuit
00:13:02.29 learn about the sequences of the tail.
00:13:06.12 From this dataset,
00:13:09.01 we could determine precisely
00:13:13.08 the poly(A) tail length of the mRNA.
00:13:15.19 In addition, we could of course look at
00:13:20.14 the 3' end of the RNA
00:13:23.16 to find some interesting terminal modifications,
00:13:26.00 such as uridylation and even guanylation.
00:13:31.07 So, TAIL-seq is very useful
00:13:34.23 in studying the regulation of poly(A) tails.
00:13:38.09 Shown here is an example
00:13:42.15 -- it's the TAIL-seq data from total cell lysate
00:13:45.19 and PABP immunoprecipitate.
00:13:48.15 PABPC1 is a poly(A) binding protein.
00:13:52.03 On the x axis you have poly(A) tail length
00:13:56.06 and on the y axis you can see the fraction of reads.
00:14:00.20 This is a duplicated experiment
00:14:03.18 and you can see that input -- or total cell lysate --
00:14:08.26 gives a very reproducible result.
00:14:12.19 And from this distribution
00:14:18.05 you can learn that the median poly(A) length
00:14:22.26 is typically between 60-100 nucleotides
00:14:26.10 in mammalian messenger RNAs,
00:14:28.27 which is shorter than previously anticipated.
00:14:33.23 You can also learn that PABP, as you would expect,
00:14:42.26 binds preferentially to long poly(A) tails.
00:14:46.05 PABP is known to span 25 nucleotides,
00:14:50.23 so, on average, a poly(A) tail
00:14:54.11 can accommodate only 2-4 PABP molecules.
00:14:58.06 You can also use this technique
00:15:05.04 to study the 3' end modification of mRNA.
00:15:08.16 For instance, you can study uridylation of mRNA.
00:15:12.19 We were actually quite surprised to see
00:15:16.04 such widespread distribution of uridylation
00:15:20.02 on mammalian mRNAs.
00:15:21.27 This suggests that,
00:15:25.14 perhaps, uridylation is an integral part of the mRNA life cycle,
00:15:30.21 and even though mRNA uridylation
00:15:33.28 was observed in some individual mRNAs
00:15:36.16 from fungi and plants before,
00:15:41.04 this study collectively indicates that
00:15:47.10 this process may be preserved in eukaryotes.
00:15:51.17 To find out the function of uridylation,
00:15:56.05 we searched for the enzymes that are responsible for uridylation
00:16:01.01 and found that TUTases 4 and 7 mediate mRNA uridylation.
00:16:07.25 If you knock down TUTase 4 and 7 in HeLa cells
00:16:14.27 and carry out a TAIL-seq experiment,
00:16:19.14 uridylation frequency is reduced substantially,
00:16:22.29 particular the oligo-U tails.
00:16:27.12 So, what's the functional consequence of these enzymes?
00:16:34.06 To find out, we knocked down TUTase 4 and 7
00:16:38.26 and treated the cells with actinomycin D
00:16:44.01 and carried out an RNA-seq experiment
00:16:48.03 to measure the stability of mRNAs.
00:16:49.27 And we found that,
00:16:53.13 compared to control,
00:16:56.04 in TUT4 and 7 depleted cells,
00:16:59.09 the half-lives of mRNAs were globally increased,
00:17:02.17 indicating that TUTase 4 and 7 facilitate mRNA decay.
00:17:13.04 So, our study told us that
00:17:16.21 oligo-U tails serve as a decay mark for mRNAs,
00:17:21.13 as well as for pre-miRNAs.
00:17:24.08 To explain to you how messenger RNAs
00:17:27.28 are degraded in mammalian cells,
00:17:31.19 the active mRNA has a long poly(A) tail
00:17:36.04 that is bound to poly(A) binding protein,
00:17:39.12 but after the adenylation
00:17:43.20 the poly(A) tail gets shortened.
00:17:46.18 When it is below about 25 nucleotides,
00:17:49.20 PABP cannot bind to this mRNA any longer,
00:17:54.14 and this leads to the recruitment of decay factors.
00:18:03.00 It is known that this can happen in 5'-to-3' orientation
00:18:07.07 and 3'-to-5' orientation.
00:18:11.03 Our study shows that this can be facilitated
00:18:16.07 when TUTase 4 and 7
00:18:20.00 recognizes that adenylated mRNA
00:18:23.06 and uridylates the tail,
00:18:25.15 which recruits the decay factors more rapidly.
00:18:33.12 So, that was the role of uridylation
00:18:38.14 in the context of the mRNA pathway.
00:18:42.10 So, to wrap up this talk,
00:18:44.27 we have found that
00:18:49.20 tailing can provide important layers of gene regulation.
00:18:54.01 And tails can actually come in more than one flavor
00:18:59.14 -- not only canonical poly(A) tails,
00:19:02.13 but also noncanonical A tails, or U tails, or G tails.
00:19:09.18 And we have shown that noncanonical A tails
00:19:15.07 can destabilize maternal microRNAs.
00:19:18.10 And U tails can be used in various ways.
00:19:23.08 Oligo-U tail, in particular,
00:19:25.25 serves as a general decay mark
00:19:28.29 for both microRNA pathways and mRNA pathways.
00:19:33.23 With that, I would like to thank
00:19:36.29 all previous and present members of my lab,
00:19:40.22 but I would like to especially point out
00:19:45.25 Inha Heo, Chirlmin Joo, and Minju Ha
00:19:48.00 for the microRNA uridylation study
00:19:50.25 and Mihye Lee and Yeon Choi
00:19:53.24 for the microRNA adenylation study.
00:19:56.17 And mRNA tailing was studied
00:20:00.15 mainly by Hyeshik Chang, Jaechul Lim, and Minju Ha.
00:20:03.21 I also appreciate the help from our collaborators,
00:20:07.02 especially Dinshaw Partel's lab
00:20:11.04 and the funding from Institute for Basic Science.
00:20:16.01 Thank you very much for your attention.

  • Part 1: Biogenesis and Regulation of microRNA

Developmental conservation of microRNA gene localization at the nuclear periphery

microRNAs are of vital importance for the regulation of the adaptive and innate immune responses, modulating gene expression at the post transcriptional level. Although there is cumulative information regarding the steady state mature microRNA levels and their respective targets, little is known about the effect of the three-dimensional chromatin architecture on the transcriptional regulation of microRNA gene loci. Here, we sought to investigate the effect of subnuclear localization on the transcriptional activation of eight murine microRNA loci in the immune system. Our results show that microRNA genes display a preferential monoallelic gene expression profile accompanied with perinuclear localization irrespectively of their transcription status or differentiation state. The expression profile and perinuclear localization are developmentally conserved while microRNA gene loci localization outside constitutive lamin associated domains is cross-species conserved. Our findings provide support for an active nuclear periphery and its role in chromatin organization of the non-coding genome.

Declarație privind conflictul de interese

Autorii au declarat că nu există interese concurente.

Cifre

Fig 1. Allelic expression profile analysis of…

Fig 1. Allelic expression profile analysis of microRNA gene loci reveals their preferential monoallelic expression…

Fig 2. microRNA gene loci are localized…

Fig 2. microRNA gene loci are localized in the cell nuclear periphery.

Fig 3. The perinuclear localization of microRNA…

Fig 3. The perinuclear localization of microRNA gene loci is independent of their transcriptional activity.

Fig 4. Perinuclear localization of microRNA gene…

Fig 4. Perinuclear localization of microRNA gene loci in Bach1 -/- thymocytes and BMDMs.

Fig 5. The perinuclear localization of microRNA…

Fig 5. The perinuclear localization of microRNA gene loci is developmentally conserved.


Abstract

A class of small, non-coding transcripts called microRNAs (miRNAs) that provide a crucial and pervasive layer of post-transcriptional gene regulation has recently emerged and become the focus of intense research. miRNAs are abundant in the nervous system, where they have key roles in development and are likely to be important mediators of plasticity. A highly conserved pathway of miRNA biogenesis is closely linked to the transport and translatability of mRNAs in neurons. Although there are nearly 500 known human miRNA sequences, each of only ∼ 21 nucleotides, which bind to multiple mRNA targets, the accurate prediction of miRNA targets seems to lie just beyond our grasp. Nevertheless, the identification of such targets promises to provide new insights into many facets of neuronal function.


Future perspectives

Gene expression, a quantitative and complex trait, has been extensively studied during the past few years, especially using the human cell line models and the HapMap genotypic data (53). Genetic variants like SNPs and CNVs have been found to contribute substantially to gene expression variation (57-63). Defining the roles of miRNAs in gene expression regulation, however, still have many important hurdles to cross. Before we could comprehensively understand the role of miRNAs in inflammatory lung disease, some basic research studies on their role in gene regulation (e.g., building a systematic and more reliable catalogue of miRNA gene targets) will prove to be critical and benefit the research community. For example, due to cost and efficiency, current miRNA target identification still relies largely on computational algorithms (e.g., miRanda used by the miRBase (71, 74), TargetScan (114, 115), PicTar (116)) that aim to take advantage of the biochemical/thermodynamic properties of the sequences of miRNAs and their gene targets. Although successful to some extent, the prediction results of these computational methods are generally uncorrelated and their predictions are often not supported by each other or by experimental evidence (117) such as those in TarBase (118) (a manually curated database of experimentally supported miRNA targets). Understandably, an approach that aims to integrate these different computational algorithms and/or genome-wide miRNA/mRNA expression data such as ExprTarget (http://www.scandb.org/apps/microrna/) (105), therefore, could have the potential to generate a more reliable and comprehensive catalogue of the gene targets regulated by miRNAs, thus benefiting the studies on their role in other biological processes and physiological pathways. For instance, it is expected that pathway analysis on a more reliable and comprehensive list of gene targets of differentially expressed miRNAs between patient samples and normal controls could help construct a more precise model for the mechanisms of ALI susceptibility.

Since significant gene expression variation have been observed between human populations (60-63), studying the role of miRNAs in regulating population differences in gene expression would provide novel insights in health disparities such as the higher mortality rate in ALI (as well as sepsis) in African Americans and Hispanics in the United States (13). Although socioeconomic status could significantly affect health disparities, notably, genes related to immune response to bacterial infection (e.g., genes in inflammatory pathways such as CCR7, chemokine receptor 7 and CXCR3, chemokine receptor 3) were found to be enriched among the differentially expressed genes between the cell lines derived from individuals of African and European ancestry (60, 119). Previous studies attempted to illustrate the contribution of SNPs and CNVs to population-level gene expression variation (60-63), similarly, it would be interesting to investigate the contribution of miRNAs to differential gene expression between populations as well, thus helping explain the observed racial difference in diseases including ALI. In addition, expression variation in some genes has also been observed between males and females using the cell line models (120, 121). Although genetics does not appear to affect gender-specific gene expression as males and females have the same autosomal genetic background, the contribution of miRNAs to gender-specific gene expression has not yet been studied. Therefore, it would be important to illustrate the role of miRNAs in defining gender-specific gene expression for the purpose of understanding the gender differences in inflammatory lung disease (e.g., gender differences in ARDS mortality rate (13)).

Because of the early stage of research, the current studies on the relationships between miRNAs and ALI/ARDS and VILI have been largely relied on animal models. No doubt, results derived from animal models can guide further investigations on patient samples and future translational research, the interpretation of these results, however, needs to be cautious as not all results from animal models are relevant to humans. Therefore, expanding the current studies to human cell lines, tissues and ultimately human subjects would provide direct evidence to the role of miRNAs in the development of inflammatory lung disease.

Since miRNA expression is believed to be a dynamic process in cells, future experimental techniques that may monitor the longitudinal changes of miRNAs in vitro sau in vivo and their interactions with changing cellular environment could provide unprecedented picture of the critical role of miRNAs in gene regulation and disease development. Finally, to construct a most comprehensive model for complex diseases such as ALI presents the challenges for integrating all kinds of data on the phenotypes or traits (e.g., gene expression, SNPs, CNVs, DNA methylation). MiRNAs will be critical components in our complete understanding of the mechanism and genetic networks of inflammatory lung disease. Though with some promising evidence so far, before they can be applied in the daily management of ALI, the potential of miRNAs to be novel therapeutic targets as well as biomarkers for ALI should also be continuously investigated.


MicroRNA: A Master Regulator of Cellular Processes for Bioengineering Systems

microRNAs (miRNAs) are small RNAs 18 to 24 nucleotides in length that serve the pivotal function of regulating gene expression. Instead of being translated into proteins, the mature single-stranded miRNA binds to messenger RNAs (mRNAs) to interfere with the translational process. It is estimated that whereas only 1% of the genomic transcripts in mammalian cells encode miRNA, nearly one-third of the encoded genes are regulated by miRNA. Various bioinformatics databases, tools, and algorithms have been developed to predict the sequences of miRNAs and their target genes. In combination with the in silico approaches in systems biology, experimental studies on miRNA provide a new bioengineering approach for understanding the mechanism of fine-tuning gene regulation. This review aims to provide state-of-the-art information on this important mechanism of gene regulation for researchers working in biomedical engineering and related fields. Particular emphases are placed on summarizing the current tools and strategies for miRNA study from a bioengineering perspective and the possible applications of miRNAs (such as antagomirs and miRNA sponges) in biomedical engineering research.