JoVE Journal > Biology
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
자동 번역
Please note that all translations are automatically generated. Click here for the English version.
생물학

Burada: Silico Konakçı-Patojen Etkileşimleri Sırasında SirkRNA'ların Tanımlanması ve Karakterizasyonu

Published: October 21, 2022
doi:
10.3791/64565
, , ,
1Institute of Biological Sciences, Faculty of Science,Universiti Malaya, 2Centre for Research in Biotechnology for Agriculture (CEBAR),Universiti Malaya

Summary

Burada sunulan protokol, konakçı-patojen etkileşimlerini inceleyen RNA dizileme transkriptom verilerinden sirkRNA’ları tahmin etmek ve işlevsel olarak karakterize etmek için gereken in silico boru hattının tamamını açıklamaktadır.

Abstract

Dairesel RNA’lar (sirkRNA’lar), geri ekleme yoluyla oluşturulan kodlamayan RNA’ların bir sınıfıdır. Bu sirkRNA’lar ağırlıklı olarak çeşitli biyolojik süreçlerin düzenleyicileri olarak rolleri için incelenmiştir. Özellikle, ortaya çıkan kanıtlar, konakçı sirkRNA’ların patojenlerle (örneğin, influenza ve koronavirüsler) enfeksiyon üzerine farklı şekilde eksprese edilebileceğini (DE) göstermektedir, bu da sirkRNA’ların konakçı doğuştan gelen bağışıklık tepkilerini düzenlemede bir rol oynadığını düşündürmektedir. Bununla birlikte, patojenik enfeksiyonlar sırasında sirkRNA’ların rolü üzerine yapılan araştırmalar, RNA dizileme (RNA-seq) verilerinden DE sirkRNA’larını tanımlamak için gerekli biyoinformatik analizi yapmak için gerekli bilgi ve becerilerle sınırlıdır. Biyoinformatik tahmin ve sirkRNA’ların tanımlanması, herhangi bir doğrulamadan önce ve maliyetli ve zaman alıcı ıslak laboratuvar tekniklerini kullanan fonksiyonel çalışmalardan önce çok önemlidir. Bu sorunu çözmek için, RNA-seq verilerini kullanarak sirkRNA’ların in silico tahmini ve karakterizasyonunun adım adım bir protokolü verilmiştir. Protokol dört adıma ayrılabilir: 1) CIRIquant boru hattı aracılığıyla DE sirkRNA’larının tahmini ve nicelleştirilmesi; 2) circBase yoluyla ek açıklama ve DE sirkRNA’larının karakterizasyonu; 3) Circr boru hattı üzerinden CircRNA-miRNA etkileşim tahmini; 4) Gen Ontolojisi (GO) ve Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) kullanılarak sirkRNA ebeveyn genlerinin fonksiyonel zenginleştirme analizi. Bu boru hattı, sirkRNA’ların konakçı-patojen etkileşimlerindeki rolünü daha da çözmek için gelecekteki in vitro ve in vivo araştırmaları yönlendirmede yararlı olacaktır.

Introduction

Konakçı-patojen etkileşimleri, patojenler ve konakçı organizmalar arasındaki karmaşık bir etkileşimi temsil eder, bu da konakçıların doğuştan gelen bağışıklık tepkilerini tetikler ve sonuçta istilacı patojenlerin uzaklaştırılmasıyla sonuçlanır 1,2. Patojenik enfeksiyonlar sırasında, konakçı immün genlerinin çoğu, patojenlerin replikasyonunu ve salınımını inhibe etmek için düzenlenir. Örneğin, patojenik enfeksiyonlar üzerinde düzenlenen yaygın interferon ile uyarılmış genler (ISG’ler) ADAR1, IFIT1, IFIT2, IFIT3, ISG20, RIG-I ve OASL 3,4’ü içerir. Protein kodlayan genlerin yanı sıra, çalışmalar ayrıca uzun kodlamayan RNA’lar (lncRNA’lar), mikroRNA’lar (miRNA’lar) ve dairesel RNA’lar (sirkRNA’lar) gibi kodlamayan RNA’ların da rol oynadığını ve patojenik enfeksiyonlar sırasında eşzamanlı olarak düzenlendiğini bildirmiştir 5,6,7. Proteinleri esas olarak fonksiyonel moleküller olarak kodlayan protein kodlayan genlerin aksine, kodlamayan RNA’ların (ncRNA’lar) transkripsiyonel ve transkripsiyon sonrası seviyelerde genlerin düzenleyicileri olarak işlev gördüğü bilinmektedir. Bununla birlikte, kodlamayan RNA’ların, özellikle sirkRNA’ların, konakçıların bağışıklık genlerini düzenlemeye katılımını içeren çalışmalar, protein kodlayan genlere kıyasla iyi rapor edilmemiştir.

SirkRNA’lar, geri ekleme8 adı verilen kanonik olmayan bir ekleme işlemi ile üretilen kovalent kapalı sürekli döngü yapıları ile yaygın olarak karakterize edilir. Geri ekleme işlemi, konyak lineer RNA’ların ekleme işleminden farklı olarak, aşağı akış donör bölgesinin yukarı akış alıcı bölgesine bağlanmasını ve dairesel şekilli bir yapı oluşturmasını içerir. Şu anda, sirkRNA’ların biyogenezi için üç farklı geri ekleme mekanizması önerilmiştir. Bunlar RNA bağlayıcı protein (RBP) aracılı daireselleştirme 9,10, intron eşleştirme güdümlü daireselleştirme 11 ve lariat güdümlü daireselleştirme12,13,14’tür. SirkRNA’ların dairesel bir yapıda uçtan uca bağlandığı göz önüne alındığında, normal ekzonükleaz sindirimlerine karşı doğal olarak dirençli olma eğilimindedirler ve bu nedenle doğrusal muadillerinden daha kararlı oldukları düşünülmektedir15. SirkRNA’lar tarafından sergilenen bir diğer ortak özellik, konakçılardaki hücre veya doku tipine özgü ekspresyonu içerir16.

Benzersiz yapıları ve hücre veya dokuya özgü ekspresyonları ile ima edildiği gibi, sirkRNA’ların hücrelerde önemli biyolojik işlevler oynadığı keşfedilmiştir. Bugüne kadar, sirkRNA’ların öne çıkan işlevlerinden biri, mikroRNA (miRNA) süngerleri olarak rolleridir17,18. SirkRNA’ların bu düzenleyici rolü, sirkRNA nükleotidlerinin miRNA’ların tohum bölgesi ile tamamlayıcı bağlanmasıyla gerçekleşir. Böyle bir sirkRNA-miRNA etkileşimi, miRNA’ların hedef mRNA’lar üzerindeki normal düzenleyici fonksiyonlarını inhibe eder, böylece19,20 genlerinin ekspresyonunu düzenler. Ek olarak, sirkRNA’ların, RNA bağlayıcı proteinlerle (RBP’ler) etkileşime girerek ve RNA-protein kompleksleri21’i oluşturarak gen ekspresyonunu düzenlediği de bilinmektedir. Her ne kadar sirkRNA’lar kodlamayan RNA’lar olarak sınıflandırılsa da, sirkRNA’ların protein translasyonu için şablon görevi görebileceğine dair kanıtlar da vardır22,23,24.

Son zamanlarda, sirkRNA’ların, özellikle konakçılar ve virüsler arasında, konakçı-patojen etkileşimlerinin düzenlenmesinde önemli roller oynadığı gösterilmiştir. Genel olarak, konakçı sirkRNA’ların, istilacı patojenleri ortadan kaldırmak için konağın bağışıklık tepkilerini düzenlemeye yardımcı olduğu varsayılır. Konakçı bağışıklık tepkilerini destekleyen bir sirkRNA örneği, Guo ve ark.25 tarafından bildirilen circRNA_0082633’dir. Bu sirkRNA, A549 hücreleri içindeki tip I interferon (IFN) sinyallemesini arttırır ve bu da influenza virüsü replikasyonunu baskılamaya yardımcı olur25. Dahası, Qu ve ark. ayrıca, IFN-β 26,27’nin bir sinyal dönüştürücüsü olan CREB-bağlayıcı proteinin (CREBBP) ekspresyonunu düzenleyerek bağışıklığı teşvik eden sirkRNA AIVR adı verilen bir insan intronik sirkRNA’sını da bildirmiştir. Bununla birlikte, enfeksiyon üzerine hastalığın patogenezini desteklediği bilinen sirkRNA’lar da mevcuttur. Örneğin, Yu ve ark. yakın zamanda, konakçı hücre otofajisi28’in inhibisyonu yoluyla H1N1 virüs replikasyonunu teşvik etmede 2A genini (circGATAD2A) içeren GATA çinko parmak alanından eklenmiş bir sirkRNA’nın oynadığı rolü bildirmiştir.

SirkRNA’ları etkili bir şekilde incelemek için, genellikle genom çapında bir sirkRNA tahmin algoritması uygulanır, ardından herhangi bir fonksiyonel çalışma yapılmadan önce tahmin edilen sirkRNA adaylarının in silico karakterizasyonu yapılır. SirkRNA’ları tahmin etmek ve karakterize etmek için böyle bir biyoinformatik yaklaşım daha az maliyetli ve daha fazla zaman verimlidir. İşlevsel olarak incelenecek aday sayısını iyileştirmeye yardımcı olur ve potansiyel olarak yeni bulgulara yol açabilir. Burada, konakçı-patojen etkileşimleri sırasında sirkRNA’ların in silico tanımlaması, karakterizasyonu ve fonksiyonel ek açıklaması için ayrıntılı bir biyoinformatik tabanlı protokol sunuyoruz. Protokol, RNA dizileme veri kümelerinden sirkRNA’ların tanımlanması ve nicelleştirilmesini, circBase aracılığıyla ek açıklama yapılmasını ve sirkRNA adaylarının sirkRNA tipleri, örtüşen genlerin sayısı ve öngörülen sirkRNA-miRNA etkileşimleri açısından karakterizasyonunu içerir. Bu çalışma aynı zamanda Gen Ontolojisi (GO) ve Kyoto Genler ve Genomlar Ansiklopedisi (KEGG) zenginleştirme analizi yoluyla sirkRNA ebeveyn genlerinin fonksiyonel ek açıklamasını sağlar.

Protocol

Bu protokolde, influenza A virüsü ile enfekte olmuş insan makrofaj hücrelerinden hazırlanan kimliksizleştirilmiş ribozomal RNA (rRNA)-tükenmiş RNA-seq kütüphanesi veri setleri, Gen İfade Omnibus (GEO) veritabanından indirilmiş ve kullanılmıştır. Tahminden sirkRNA’ların fonksiyonel karakterizasyonuna kadar tüm biyoinformatik boru hattı Şekil 1’de özetlenmiştir. Boru hattının her bir parçası aşağıdaki bölümlerde daha ayrıntılı olarak açıklanmaktadır. …

Representative Results

Önceki bölümde listelenen protokol, Linux OS sistemine uyacak şekilde değiştirilmiş ve yapılandırılmıştır. Bunun temel nedeni, sirkRNA’ların analizinde yer alan çoğu modül kütüphanesinin ve paketinin yalnızca Linux platformunda çalışabilmesidir. Bu analizde, Influenza A virüsü ile enfekte olmuş insan makrofaj hücrelerinden hazırlanan tanımlanmamış ribozomal RNA (rRNA) tükenmiş RNA-seq kütüphanesi veri setleri, GEOveritabanı 42’den indirildi ve temsili sonuçlar?…

Discussion

Bu protokolün faydasını göstermek için, influenza A virüsü ile enfekte olmuş insan makrofaj hücrelerinden RNA-seq örnek olarak kullanılmıştır. Konakçı-patojen etkileşimlerinde potansiyel miRNA süngerleri olarak işlev gören sirkRNA’lar ve bir konakçı içinde GO ve KEGG fonksiyonel zenginleştirmeleri araştırıldı. Çevrimiçi olarak çeşitli sirkRNA araçları olmasına rağmen, her biri birbiriyle etkileşime girmeyen bağımsız bir pakettir. Burada, sirkRNA tahmini ve nicelleştirmesi, sirkRNA…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Yazar, bu makaleyi eleştirel bir şekilde gözden geçirdikleri için Tan Ke En ve Dr. Cameron Bracken’e teşekkür eder. Bu çalışma, Temel Araştırma Hibe Programı (FRGS/1/2020/SKK0/UM/02/15) ve Malaya Üniversitesi Yüksek Etkili Araştırma Bursu (UM. C/625/1/HIR/MOE/CHAN/02/07).

Materials

Bedtools GitHub https://github.com/arq5x/bedtools2/ Referring to section 4.1.2. Needed for Circr.
BWA Burrows-Wheeler Aligner http://bio-bwa.sourceforge.net/ Referring to section 2.1.1 and 2.1.2. Needed to run CIRIquant, and to index the genome
Circr GitHub https://github.com/bicciatolab/Circr Referring to section 4. Use to predict the miRNA binding sites
CIRIquant GitHub https://github.com/bioinfo-biols/CIRIquant Referring to section 2.1.3. To predict circRNAs
Clusterprofiler GitHub https://github.com/YuLab-SMU/clusterProfiler Referring to section 7. For GO and KEGG functional enrichment
CPU Intel  Intel(R) Xeon(R) CPU E5-2620 V2 @ 2.10 GHz   Cores: 6-core CPU Memory: 65 GB Graphics card: NVIDIA GK107GL (QUADRO K2000)  Specifications used to run this entire protocol.
Cytoscape Cytoscape https://cytoscape.org/download.html Referring to section 5.2. Needed to plot ceRNA network
FastQC Babraham Bioinformatics https://www.bioinformatics.babraham.ac.uk/projects/fastqc/ Referring to section 1.2.1. Quality checking on Fastq files
HISAT2 http://daehwankimlab.github.io/hisat2/ Referring to section 2.1.1 and 2.1.2. Needed to run CIRIquant, and to index the genome
Linux Ubuntu 20.04.5 LTS (Focal Fossa) https://releases.ubuntu.com/focal/ Needed to run the entire protocol. Other Ubuntu versions may still be valid to carry out the protocol.
miRanda http://www.microrna.org/microrna/getDownloads.do Referring to section 4.1.2. Needed for Circr
Pybedtools pybedtools 0.8.2 https://pypi.org/project/pybedtools/ Needed for BED file genomic manipulation
Python Python 2.7 and 3.6 or abover https://www.python.org/downloads/ To run necessary library modules
R The Comprehensive R Archive Network https://cran.r-project.org/ To manipulate dataframes
RNAhybrid BiBiServ https://bibiserv.cebitec.uni-bielefeld.de/rnahybrid Referring to section 4.1.2. Needed for Circr
RStudio RStudio https://www.rstudio.com/ A workspace to run R
samtools  SAMtools http://www.htslib.org/ Referring to section 2.1.2. Needed to run CIRIquant
StringTie Johns Hopkins University: Center for Computational Biology http://ccb.jhu.edu/software/stringtie/index.shtml Referring to section 2.1.2. Needed to run CIRIquant
TargetScan GitHub https://github.com/nsoranzo/targetscan Referring to section 4.1.2. Needed for Circr
DOWNLOAD MATERIALS LIST

References

  1. Raman, K., Bhat, A. G., Chandra, N. A systems perspective of host-pathogen interactions: predicting disease outcome in tuberculosis. Molecular BioSystems. 6 (3), 516-530 (2010).
  2. Casadevall, A., Pirofski, L. A. Host-pathogen interactions: basic concepts of microbial commensalism, colonization, infection, and disease. Infection and Immunity. 68 (12), 6511-6518 (2000).
  3. Yang, E., Li, M. M. H. All About the RNA: Interferon-stimulated genes that interfere with viral RNA processes. Frontiers in Immunology. 11, 605024 (2020).
  4. Schneider, W. M., Chevillotte, M. D., Rice, C. M. Interferon-stimulated genes: A complex web of host defenses. Annual Review of Immunology. 32 (1), 513-545 (2014).
  5. Shirahama, S., Miki, A., Kaburaki, T., Akimitsu, N. Long non-coding RNAs involved in pathogenic infection. Frontiers in Genetics. 11, 454 (2020).
  6. Chandan, K., Gupta, M., Sarwat, M. Role of host and pathogen-derived microRNAs in immune regulation during infectious and inflammatory diseases. Frontiers in Immunology. 10, 3081 (2019).
  7. Chen, X., et al. Circular RNAs in immune responses and immune diseases. Theranostics. 9 (2), 588-607 (2019).
  8. Kristensen, L. S., et al. The biogenesis, biology and characterization of circular RNAs. Nature Reviews Genetics. 20 (11), 675-691 (2019).
  9. Ashwal-Fluss, R., et al. circRNA biogenesis competes with pre-mRNA splicing. Molecular Cell. 56 (1), 55-66 (2014).
  10. Conn, S. J., et al. The RNA binding protein quaking regulates formation of circRNAs. Cell. 160 (6), 1125-1134 (2015).
  11. Zhang, X. O., et al. Complementary sequence-mediated exon circularization. Cell. 159 (1), 134-147 (2014).
  12. Robic, A., Demars, J., Kuhn, C. In-depth analysis reveals production of circular RNAs from non-coding sequences. Cells. 9 (8), 1806 (2020).
  13. Eger, N., Schoppe, L., Schuster, S., Laufs, U., Boeckel, J. N. Circular RNA splicing. Advances in Experimental Medicine and Biology. 1087, 41-52 (2018).
  14. Barrett, S. P., Wang, P. L., Salzman, J. Circular RNA biogenesis can proceed through an exon-containing lariat precursor. eLife. 4, 07540 (2015).
  15. Memczak, S., et al. Circular RNAs are a large class of animal RNAs with regulatory potency. Nature. 495 (7441), 333-338 (2013).
  16. Misir, S., Wu, N., Yang, B. B. Specific expression and functions of circular RNAs. Cell Death and Differentiation. 29 (3), 481-491 (2022).
  17. Bai, S., et al. Construct a circRNA/miRNA/mRNA regulatory network to explore potential pathogenesis and therapy options of clear cell renal cell carcinoma. Scientific Reports. 10 (1), 13659 (2020).
  18. Sakshi, S., Jayasuriya, R., Ganesan, K., Xu, B., Ramkumar, K. M. Role of circRNA-miRNA-mRNA interaction network in diabetes and its associated complications. Molecular Therapy – Nucleic Acids. 26, 1291-1302 (2021).
  19. Hansen, T. B., et al. miRNA-dependent gene silencing involving Ago2-mediated cleavage of a circular antisense RNA. The EMBO Journal. 30 (21), 4414-4422 (2011).
  20. Lu, M. Circular RNA: functions, applications, and prospects. ExRNA. 2 (1), 15 (2020).
  21. Liu, K. S., Pan, F., Mao, X. D., Liu, C., Chen, Y. J. Biological functions of circular RNAs and their roles in occurrence of reproduction and gynecological diseases. American Journal of Translational Research. 11 (1), 1-15 (2019).
  22. Pamudurti, N. R., et al. Translation of CircRNAs. Molecular Cell. 66 (1), 9-21 (2017).
  23. Legnini, I., et al. Circ-ZNF609 Is a circular RNA that can be translated and functions in myogenesis. Molecular Cell. 66 (1), 22-37 (2017).
  24. Weigelt, C. M., et al. An insulin-sensitive circular RNA that regulates lifespan in Drosophila. Molecular Cell. 79 (2), 268-279 (2020).
  25. Guo, Y., et al. Identification and characterization of circular RNAs in the A549 cells following Influenza A virus infection. Veterinary Microbiology. 267, 109390 (2022).
  26. Qu, Z., et al. A novel intronic circular RNA antagonizes influenza virus by absorbing a microRNA that degrades CREBBP and accelerating IFN-β production. mBio. 12 (4), 0101721 (2021).
  27. Kawarada, Y., et al. TGF-β induces p53/Smads complex formation in the PAI-1 promoter to activate transcription. Scientific Reports. 6 (1), 35483 (2016).
  28. Yu, T., et al. Circular RNA GATAD2A promotes H1N1 replication through inhibiting autophagy. Veterinary Microbiology. 231, 238-245 (2019).
  29. FastQC: A quality control tool for high throughput sequence data. Available from: https://www.bioinformatics.babraham.ac.uk/projects/fastqc/ (2010)
  30. Bolger, A. M., Lohse, M., Usadel, B. Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics. 30 (15), 2114-2120 (2014).
  31. Zhang, J., Chen, S., Yang, J., Zhao, F. Accurate quantification of circular RNAs identifies extensive circular isoform switching events. Nature Communications. 11 (1), 90 (2020).
  32. Li, H., Durbin, R. Fast and accurate long-read alignment with Burrows-Wheeler transform. Bioinformatics. 26 (5), 589-595 (2010).
  33. Kim, D., Paggi, J. M., Park, C., Bennett, C., Salzberg, S. L. Graph-based genome alignment and genotyping with HISAT2 and HISAT-genotype. Nature Biotechnology. 37 (8), 907-915 (2019).
  34. Pertea, M., et al. StringTie enables improved reconstruction of a transcriptome from RNA-seq reads. Nature Biotechnology. 33 (3), 290-295 (2015).
  35. Li, H., et al. The Sequence Alignment/Map format and SAMtools. Bioinformatics. 25 (16), 2078-2079 (2009).
  36. Wang, L., Wang, S., Li, W. RSeQC: quality control of RNA-seq experiments. Bioinformatics. 28 (16), 2184-2185 (2012).
  37. Dori, M., Caroli, J., Forcato, M. Circr, a computational tool to identify miRNA:circRNA associations. Frontiers in Bioinformatics. 2, 852834 (2022).
  38. Shannon, P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Research. 13 (11), 2498-2504 (2003).
  39. Wu, T., et al. clusterProfiler 4.0: A universal enrichment tool for interpreting omics data. The Innovation. 2 (3), 100141 (2021).
  40. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS: A Journal of Integrative Biology. 16 (5), 284-287 (2012).
  41. . org.Hs.eg.db: Genome wide annotation for human. 2022. R package version 3.15.0 Available from: https://bioconductor.org/packages/release/data/annotation/html/org.Hs.eg.db.html (2022)
  42. Barrett, T., et al. NCBI GEO: archive for functional genomics data sets-update. Nucleic Acids Research. 41, 991-995 (2012).
  43. Gao, Y., Zhang, J., Zhao, F. Circular RNA identification based on multiple seed matching. Briefings in Bioinformatics. 19 (5), 803-810 (2018).
  44. Zhang, X. O., et al. Diverse alternative back-splicing and alternative splicing landscape of circular RNAs. Genome Research. 26 (9), 1277-1287 (2016).
  45. Memczak, S., et al. Circular RNAs are a large class of animal RNAs with regulatory potency. Nature. 495 (7441), 333-338 (2013).
  46. Wang, K., et al. MapSplice: Accurate mapping of RNA-seq reads for splice junction discovery. Nucleic Acids Research. 38 (18), 178 (2010).
  47. Song, X., et al. Circular RNA profile in gliomas revealed by identification tool UROBORUS. Nucleic Acids Research. 44 (9), 87 (2016).
  48. Hansen, T. B. Improved circRNA identification by combining prediction algorithms. Frontiers in Cell and Developmental Biology. 6, 20 (2018).
  49. Robinson, M. D., McCarthy, D. J., Smyth, G. K. edgeR: A bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26 (1), 139-140 (2010).
  50. Ma, X. K., et al. CIRCexplorer3: A CLEAR pipeline for direct comparison of circular and linear RNA expression. Genomics Proteomics Bioinformatics. 17 (5), 511-521 (2019).
  51. Gaffo, E., Buratin, A., Dal Molin, A., Bortoluzzi, S. Sensitive, reliable and robust circRNA detection from RNA-seq with CirComPara2. Briefings in Bioinformatics. 23 (1), (2022).
  52. Glažar, P., Papavasileiou, P., Rajewsky, N. circBase: a database for circular RNAs. RNA. 20 (11), 1666-1670 (2014).
  53. Tan, S., et al. Circular RNA F-circEA-2a derived from EML4-ALK fusion gene promotes cell migration and invasion in non-small cell lung cancer. Molecular Cancer. 17 (1), 138 (2018).
  54. Guarnerio, J., et al. Oncogenic role of Fusion-circRNAs Derived from cancer-associated chromosomal translocations. Cell. 165 (2), 289-302 (2016).
  55. McGeary, S. E., et al. The biochemical basis of microRNA targeting efficacy. Science. 366 (6472), (2019).
  56. Enright, A. J., et al. MicroRNA targets in Drosophila. Genome Biology. 5 (1), 1 (2003).
  57. Rehmsmeier, M., Steffen, P., Hochsmann, M., Giegerich, R. Fast and effective prediction of microRNA/target duplexes. RNA. 10 (10), 1507-1517 (2004).
  58. Zhang, D., et al. AllEnricher: a comprehensive gene set function enrichment tool for both model and non-model species. BMC Bioinformatics. 21 (1), 106 (2020).
  59. Zhou, Y., et al. Metascape provides a biologist-oriented resource for the analysis of systems-level datasets. Nature Communications. 10 (1), 1523 (2019).

Tags

CircRNAHost-pathogen InteractionsIn Silico IdentificationCharacterizationBioinformaticsRNA-seq AnalysisDifferential Expression AnalysisCiriquantPrepDE.pyCiri DE ReplicateLinuxProgrammingProtocolWorkflow
check_url/kr/64565?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Ealam Selvan, M., Lim, K. S., Teo, C. H., Lim, Y. In Silico Identification and Characterization of circRNAs During Host-Pathogen Interactions. J. Vis. Exp. (188), e64565, doi:10.3791/64565 (2022).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image