انجمن علمی- دانشجویی گروه مهندسی علوم دامی دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران علمی- ترویجی (حرفه‌ای) دامِستیک 2717-3038 22 2 2022 11 22 Method of weighted gene co-expression network analysis and its application in animal and poultry breeding and genetics روش تجزیه و تحلیل شبکۀ هم‌بیانی ژنی وزن‌دار و کاربرد آن در ژنتیک و اصلاح نژاد دام و طیور 5 13 90439 10.22059/domesticsj.2022.344763.1098 FA وحید دهقانیان ریحان دانشجوی دکتری تخصصی ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران ، کرج، البرز، ایران مصطفی صادقی دانشیار ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، البرز، ایران 0000-0002-7145-622X فرزاد غفوری دانشجوی دکتری تخصصی ژنتیک و اصلاح نژاد دام و طیور، گروه مهندسی علوم دامی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران ، کرج، البرز، ایران 0000-0002-0010-0111 Journal Article 2022 06 26 Among the different types of networks, gene co-expression networks have the most flexibility to study different traits such as functional and reproductive traits, diseases, etc. Gene co-expression generally refers to the correlation between genes at the levels of transcripts; on the other hand, it can also be used at all biological scales (such as proteins, metabolites, or in combination between transcripts, proteins, and metabolites) to study the correlation relationships between genes. Co-expression networks have become popular in part because of the use of technologies such as microarrays, RNA-Seq, and mass spectrometry, as they allow the study of molecular mediators at different biological scales in a simple and relatively large number of samples. In addition, using this method, it is possible to measure the biological co-expression of genes simultaneously in specific cell types. By comparison, most protein-protein interaction (PPI) networks merely indicate general interactions between genes that do not refer to cell type and gene expression time, while gene expression networks can be reconstructed using data obtained from specific cell types from different individuals (upstream and downstream about a phenotypic trait such as individuals with high- and low-fertility) and throughout the developmental stages. One of the most widely used algorithms for constructing gene co-expression networks is weighted gene co-expression network analysis (WGCNA) due to its widespread use in many co-expression studies that will be instructive to explain how it works. As a result of identifying modules, genes, and metabolic-signaling pathways associated with various studied traits using the WGCNA method, they may show new insights into molecular mechanisms. Consequently, the purpose of this study was to provide a brief description of the method of weighted gene co-expression network analysis and its application in animal and poultry breeding and genetics. در میان انواع مختلف شبکه‌ها، شبکه‌های هم‌بیانی ژنی بیشترین انعطاف‌پذیری را برای بررسی صفات مختلفی همچون صفات عملکردی و تولیدمثلی، بیماری‌ها و غیره دارند. هم‌بیان بودن ژن‌ها عموماً به همبستگی بین ژن‌ها در سطوح رونوشت اشاره دارد، همچنین از طرفی دیگر می‌تواند در تمام مقیاس‌های بیولوژیکی (مانند پروتئین‌ها، متابولیت‌ها و یا به صورت ترکیبی بین رونوشت‌ها، پروتئین‌ها و متابولیت‌ها) برای مطالعۀ روابط همبستگی بین ژن‌ها استفاده شود. شبکه‌های هم‌بیانی تا حدی به دلیل امکان بهره‌گیری از فناوری‌هایی مانند ریزآرایه‌ها، RNA-Seq و طیف‌سنجی جرمی محبوب شده‌اند، چرا که امکان بررسی واسطه‌های مولکولی در مقیاس‌های بیولوژیکی مختلف به روشی ساده و در تعداد نسبتاً زیادی نمونه را فراهم می‌کند. همچنین، با استفاده از این روش اندازه‌گیری معنی‌داری بیان همزمان ژن‌ها از نظر بیولوژیکی در انواع سلول‌های خاص امکان‌پذیر است. به عنوان یک مقایسه، بیشتر شبکه‌های تعاملی پروتئین با پروتئین (PPI) صرفاً نشان‌دهندۀ تعاملات کلی بین ژن‌ها می‌باشند که اشاره‌ای به نوع سلول و بخش زمانی بیان ژن‌ها ندارند، در حالی که شبکه‌های هم‌بیانی ژنی را می‌توان با استفاده از داده‌های به دست آمده از انواع سلول‌های خاص از افراد مختلف (بالادست و پایین‌دست در مورد یک صفت فنوتیپی مانند افراد با باروری بالا و پایین) و در سراسر مراحل رشد بازسازی کرد. یکی از پرکاربردترین الگوریتم‌ها برای ساخت شبکه‌های هم‌بیانی ژنی، تجزیه و تحلیل شبکۀ هم‌بیانی ژنی وزن‌دار (WGCNA) است که به دلیل استفادۀ گسترده از آن در بسیاری از مطالعات هم‌بیانی، توضیح نحوۀ عملکرد آن آموزنده خواهد بود. بنابراین شناسایی ماژول‌ها، ژن‌ها و مسیرهای متابولیکی- سیگنالینگ مرتبط با صفات مختلف مورد مطالعه با استفاده از روش WGCNA، ممکن است بینش جدیدی در رابطه با مکانیسم‌های مولکولی را نشان دهند. در واقع هدف از این مطالعه، ارائه توضیحات اجمالی در رابطه با روش تجزیه و تحلیل شبکۀ هم‌بیانی ژنی وزن‌دار و کاربرد آن در ژنتیک و اصلاح نژاد دام و طیور است. https://domesticsj.ut.ac.ir/article_90439_5442903c1c5f39cd26119308ac2cf4b4.pdf