牦牛GHR基因启动子结构与功能研究

来源 :西北民族大学 | 被引量 : 0次 | 上传用户:ccicc
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
生长激素受体(GHR)是一种跨膜糖蛋白,属于细胞因子受体家族。在动物体内,细胞膜表面的GHR可以与脑垂体产生的生长激素(GH)相结合,启动细胞内的信号转导机制,增加胰岛素样生长因子-1的表达,促进细胞的增殖,最终发挥调控动物骨骼肌的生长发育的作用,说明,在动物生长发育过程中,GHR基因发挥着重要的作用。为此,本研究选择GHR基因作为候选基因,对牦牛GHR基因转录调控模式进行初步研究,分析牦牛GHR基因不同组织中的m RNA表达水平,克隆了GHR近端启动子序列并进行生物信息学分析,构建近端启动子序列系列片段缺失载体,通过双荧光素活性检测,对具有较高活性的启动子片段进行转录因子预测,并对转录因子结合位点序列进行突变和EMSA试验验证。最后,本研究还对牦牛GHR基因遗传变异多态性与生长性状进行了关联性分析,为探明GHR基因启动子在基因表达过程的调控作用和牦牛品种改良的提供理论依据。本研究有如下结果:(1)利用RT-q PCR技术检测GHR基因在36月龄牦牛的各个组织表达情况进行分析,发现GHR基因在不同组织中均有表达,在脂肪组织中表达量最高,其次为肌肉和肝,在心、脾和肺中表达量最低。通过NCBI数据库得到牦牛GHR基因开始翻译起始位点上游大约2,200 bp和下游27 bp的调控序列,以2,227 bp的序列为分析模板,对GHR近端启动子上游转录调控区域进行了生物信息学预测分析,发现在GHR近端启动子上游调控区存在-277 bp~-327 bp和-1,734bp~-1,784 bp两个转录起始位点;对GHR启动子区Cp G岛分布情况分析,发现上游-552 bp~-654 bp和上游-82 bp~-289 bp处富含Cp G岛;转录因子结合位点预测结果表明该区域存在CEBPB、CTCF、E2F4、GATA4、JUN和KLF5等与肌肉生长发育有关转录因子结合位点。(2)根据牦牛GHR基因近端启动子序列,构建启动子系列缺失片段双荧光素酶报告基因载体,并分别转染至293T和C2C12细胞系中进行双荧光酶活试验,检测不同缺失片段的启动子活性,发现在不同细胞系中,P1(-160 bp~+27 bp)片段双荧光活性均显示出较高的活性,因此,推断该区域可能存在影响启动子转录活性的正向调控转录因子结合位点,在P1序列中转录因子KLF5和MYC潜在可能结合位点,表明,KLF5和MYC可能调控GHR基因的转录过程。(3)对P1序列转录因子进行了预测,结果发现了KLF5和MYC转录因子。对KLF5转录因子结合位点序列进行片段序列突变,利用荧光报告载体,分别转染至293T和C2C12细胞中进行转录活性鉴定,结果发现在不同细胞系中,GHR近端启动子上游调控区的活性呈显著性降低(P<0.05);使用验证性EMSA试验检验KLF5转录因子与GHR启动子的结合,结果显示,KLF5结合位点探针与C2C12细胞核蛋白有明显的结合条带,证明KLF5转录因子对GHR启动子转录调控具有重要的作用。(4)采用琼脂糖凝胶电泳技术对315头牦牛GHR基因246-bp片段缺失变异的不同基因型进行分离,结果显示,该基因在牦牛群体中存在三种基因型,分别是II型、ID型和DD型,与牦牛生长性状进行关联性分析后发现,6月龄DD基因型个体体长显著大于II型和ID型(P<0.05),该结果表明GHR的SV位点可作为牦牛生长性状候选SV分子选育标记。不同基因型载体转录活性结果显示,p GL4.10-DD载体载体的荧光素酶活性显著高于p GL4.10-II载体(P<0.05)。此外,与GHR基因缺失序列相互作用的Runx1转录因子可能会调控GHR基因的转录活性,从而调控牦牛生长发育。综上所述,分析牦牛GHR启动子结构与功能,为深入研究基因表达的调控机制提供理论基础。同时研究GHR基因结构变异与表型性状的关联性,了解GHR基因变异产生的作用,为研究GHR基因的变异对牦牛生长发育的影响提供理论基础,也为探索该基因作为生长遗传标记的可行性奠定了基础。
其他文献
学位
随着社会的发展,人们更多地把评价信息当作自己的商品选购的主要依据,而大量的评价信息也成为了人们关注的焦点。人们更多地把注意力集中在商品评论的信息上,通过分析评论文字对用户和平台都有很大的好处,并且有助于进行面向层面的情绪倾向性分析。方面级情感分析是情感分析中的一种细粒度的情感分析任务,在情感分析中,各层次的情感分析是一个非常重要的研究课题。研究的目标是从语篇的语义信息中,对一个实体进行多个属性层面
传统的说话人识别系统多采用梅尔频率倒谱系数(MFCC)特征以及高斯混合模型(GMM)框架,后续也出现了基于i-vector、深度神经网络等更多的说话人识别框架。尽管深度学习方法在说话人识别领域表现出不俗的识别性能,但这种提取说话人表征的深度神经网络的训练目标是纯区分性的,也就是训练目标仅仅是为了区分每个说话人,并没有考虑到这些说话人向量的分布。这种局限性会导致两个严重问题:(1)对于每个说话人,其
学位
学位
学位
学位
学位
学位
学位