Language
쥐의 화학적 신호의 변화는 유전적으로 통제되고 환경적으로 조절됩니다.

소식

홈페이지홈페이지 / 소식 / 쥐의 화학적 신호의 변화는 유전적으로 통제되고 환경적으로 조절됩니다.
search
최근 뉴스

Jun 13, 2023

빅블록건설(주)가 5호점에서 시범운행을 시작했습니다.

Jun 11, 2023

2023년 애슬론 스포츠 프리시즌 전체에 불스 다섯 마리 선정

Jun 09, 2023

BigBloc Construction Ltd는 Rs의 순이익을 보고했습니다. FY23 301억 4천만 달러, Y 87.4% 증가

Jun 07, 2023

BigBloc 건설의 순이익은 FY23 4분기에 26% 감소, Real Estate News, ET RealEstate

Jun 05, 2023

2023년 5월 9일 쌀 날짜 변경

문의 보내기
제출하다

May 24, 2023

쥐의 화학적 신호의 변화는 유전적으로 통제되고 환경적으로 조절됩니다.

과학 보고서 13권,

Scientific Reports 13권, 기사 번호: 8573(2023) 이 기사 인용

191 액세스

1 알트메트릭

측정항목 세부정보

대부분의 포유류, 특히 생쥐에서 화학적 의사소통은 다른 개체의 행동학적으로 관련된 적합성 관련 단서를 감지하는 데 의존합니다. 생쥐의 경우 소변이 이러한 신호의 주요 소스이므로 우리는 단백질체학과 대사체학을 사용하여 화학적 신호의 주요 구성 요소를 식별했습니다. 우리는 두 집쥐 아종인 Mus musculus musculus와 M. m의 유전적 배경, 성별, 환경 표현에서 요로의 휘발성 물질과 단백질 사이에 일치성이 있음을 보여줍니다. 가정. 우리는 환경이 단백질체학 및 대사체 변이에 강한 영향을 미치며 휘발성 혼합물이 남성을 더 잘 나타내는 반면 여성은 놀라울 정도로 성 편향적인 단백질을 더 많이 가지고 있다는 사실을 발견했습니다. 기계 학습 및 결합 오믹스 기술을 사용하여 생물학적 특징과 관련된 대사 산물과 단백질의 혼합물을 식별했습니다.

모든 살아있는 유기체는 주변 환경과 다른 개인의 화학적 신호에 지속적으로 직면합니다. 생쥐에서 이러한 신호는 종종 뇌의 타고난1 또는 학습된2 표현에 따라 작용하여 생존과 건강을 촉진하는 행동 반응을 산출합니다. 예를 들어, 수컷 마우스는 다른 수컷의 회피 행동과 암컷의 성적 끌림으로 이어질 자신의 건강을 광고하는 신호를 생성할 가능성이 높습니다3,4,5. 이러한 신호 중 일부는 종별 또는 하위별 신호이며 동료 인식6,7에 사용됩니다. 더욱이 성별에 관계없이 모든 개인은 좋아하는 음식을 나타내는 신호를 따르거나 포식자를 나타내는 신호를 피할 것입니다8. 대부분의 행동 연구는 신호 분자로서 단일 또는 소수의 화합물과 단백질의 효과에 중점을 둡니다. 그러나 동물과 그 주변 환경은 더 복잡하며 단일 또는 여러 연구된 화합물 대신 박테리아9 및 식물10을 포함한 대부분의 유기체는 n차원 배열의 화합물을 생성합니다. 수신자의 행동과 생리적 반응을 유도하는 것은 종종 이러한 부케의 구성입니다11. 이 퍼즐을 더욱 복잡하게 만들기 위해 동일한 신호에 대한 반응은 환경 요인에 따라 달라질 수 있습니다. 따라서 우리는 개인의 성별 및 유전적 배경과 같은 생물학적 특성이 프로테옴이나 대사체에 의해 나타나는지, 그리고 이 두 세트가 어느 정도까지 연결되거나 상관관계가 있는지 물었습니다. 이는 성적 신호가 보조 후각 구12 및 내측 편도13에서 성적 이형 회로와 눈에 띄는 성적 이형 감각 표현을 프라이밍하는 것으로 알려져 있기 때문에 중요하지만 이러한 표현을 유발할 수 있는 화학적 신호에 대한 포괄적인 견해는 부족했습니다. 일반적으로 우리는 적합성과 관련된 후각 신호가 시각적 신호보다 더 중요한 유기체에서 섹슈얼리티가 어떻게 표시되는지에 관심이 있었습니다.

쥐의 소변에는 후각 신호 역할을 하는 많은 양의 다양한 분자가 포함되어 있습니다. 이는 주요 후각 상피 및/또는 서골비기관(VNO)14,15,16,17,18,19,20,21,22의 화학감각 수용체에 의해 검출 가능합니다. 이러한 신호는 선택된 비휘발성 주요 요로 단백질(MUP)32,33, 짧은 펩티드34,35에 의해 자극될 때 수신기에서 다양한 생리학적 반응을 생성합니다. 및/또는 휘발성 유기 화합물(VOC)36,37,38. 생쥐에서 VOC는 후각 조직에 의해 감지될 수 있는 강력한 신호로 간주되는 반면 MUP는 대부분 8가닥 베타 배럴37,40,41,42,43,44,45,46,47에서 이러한 신호의 전달자로 간주됩니다. 따라서 개별 냄새 서명을 형성합니다. 그러나 다양한 저자들은 특정 MUP가 VNO32,49,50,51에 의해 자체적으로 감지 가능한 신호를 나타내고 남성 편향 MUP20(darcin으로 알려짐)을 포함한 일부 분자가 공격성33, 짝 인식52 및 학습32을 포함한 복잡한 선천적 행동을 유도한다는 것을 입증했습니다. . 그러나 이전의 거의 모든 연구는 MUP에만 집중되었기 때문에, 특히 야생 설치류에서 화학적 의사소통에도 관여할 수 있는 소변 단백질과 휘발성 물질의 전체 스펙트럼을 보여주는 연구는 아직 없습니다.

 0.1) are labelled with gene or compound names. Reassuring message here is that most of the top molecules that were identified with deep learning were corroborated using the analysis of differential expression (e.g. MUP20 in DOM and MUS, MUP21 in wMUS)./p> 2)) are scaled from green to blue but only top ten proteins and volatiles identified with ‘random forest’ as important are labelled with gene names or compound numbers. Above y = 0 are the female biased molecules while the male-biased are below the red line (y = 0). Next comparison involved significant sex-biased volatiles and proteins with p < 0.05 and abs(FD) > 2. In all three comparisons (G–I), males have more sex-biased volatiles while females have more sex-biased proteins. Though this pattern is significant in all the three groups, each group reveals sexuality by different volatiles and proteins (intersection plots in J–K). Abbreviations: abs() means an absolute value of; FD stands for fold difference./p> 0.65) is not random and that – based on the circular histograms – the most abundant proteins positively correlate with the most abundant volatiles. Thus, we extracted a network in Fig. 3D that represents the best correlations (r > 0.62) between proteins and volatiles./p> 0.6) shows potential interactions between proteins and volatiles (D) and between (only) lipocalins and volatilesI)./p> 7.1. Quantile normalisation yielded reasonably low variation in signal intensities (SI) between samples (D). FD stands for fold difference. Tubes, mouse pics and chemical structures (A) were created by the authors with BioRender.com./p> 0.9 (Fig. 5C). Next, we used a normalization based upon quantiles, which normalizes a matrix of peak areas (i.e. intensities) with the function normalize.quantiles of the ‘preprocessCore’ package in R software98, visualised in Fig. 5D. To extract p-values of differentially abundant compounds, we used the Power Law Global Error Model – PLGEM99 similarly as in the analysis of proteomes (see below)./p>