کنکاش زیست سامانه‌ای شبکه متابولیکی باکتری اشرشیاکولی به روش Insilico و کاربرد آن در ورم پستان گاو شیری

نشریه علمی میکروبیولوژی دامپزشکی

مقاله 8، دوره 13، شماره 1 - شماره پیاپی 34، شهریور 1396، صفحه 77-88   

نوع مقاله: مقاله پژوهشی (اصیل)

نویسندگان

سیده لیلا هاشمی¹؛ مصطفی قادری زفره ئی^{* 2}؛ رضا نقی ها³

¹دانشجوی کارشناسی ارشد اصلاح نژاد دام، گروه علوم دامی، دانشکده کشاورزی

²استادیار زیست سامانه‌های محاسباتی، گروه علوم دامی، دانشکده کشاروزی، دانشگاه یاسوج

³گروه علوم دامی، دانشکده کشاروزی، دانشگاه یاسوج

چکیده

ورم پستان از بیماری‌های مهمی است که می‌تواند در دوران شیردهی و خشکی در گاو شیری ظاهر گردد. با توجه به اهمیت باکتری اشرشیاکولی در ایجاد ورم پستان میکربی، این پژوهش به منظور بررسی تولید زیست ماده، سم و شناسایی ژن های موثر بر تولید زیست توده‌ی باکتری اشرشیاکولی در شرایط حبابچه‌های پستان گاو شیری مبتلا به ورم پستان در شرایط هوازی و بی هوازی و به روش Insilico انجام شد. نرخ تولید بهینه‌ی زیست توده‌ی باکتری اشرشیاکولی در شرایط هوازی، 0155/2 و در شرایط بی‌هوازی 0152/1 میلی مول بر گرم وزن خشک بر ساعت (mmol/gDW/h) محاسبه شد. بیشترین توان باکتری اشرشیاکولی برای تولید سم در شرایط هوازی، 6701/1 (mmol/gDW/h) محاسبه شد. تولید بالای زیست توده، می تواند توجیه مناسبی برای بیماری‌زایی سریع باکتری اشرشیاکولی در محیط پستان گاو شیری باشد. نتایج نشان داد که حذف همزمان ژن‌هایompFompN ،PhoE  و ompC موجب توقف تولید زیست توده گردید. همچنین، بررسی واکنش‌های تولید سم در باکتری اشرشیاکولی نشان داد که ژن‌های solA، lpxM،ZnuA  وZnuB  ،که در تولید سم دخالت دارند، توانند کاندیدهای مناسبی برای اهداف دارویی، جهت کاهش و یا توقف تولید سم باشند.

کلیدواژه‌ها

اشرشیاکولی؛ زیست توده؛ حذف ژن؛ ورم پستان؛ سم

مراجع

1. J.K. Holland, J.C. Hadrich, C.A. Wolf, and J. Lombard Economics of Measuring Costs Due to Mastitis-Related Milk Loss. Selected paper prepared for presentation at the 2015 AAEA& WAEA Joint Annual Meeting,San Francisco, California, July 26-28, 2015.
2. T. Halasa , K. Huijps , O. Østerås & H. Hogeveen. (2007). Economic effects of bovine mastitis and mastitis management: A review, Veterinary Quarterly, 29:1, 18-31.
3. Blattner, F.R., Plunkett, G., Bloch, C.A., Perna, N.T., Burland, V., Riley, M., Shao, Y. (1997) the complete genome sequence of Escherichia coli K-12. Science, 277:1453-1462. ‏
4. Blowey, R., Edmondson, P. (1995). Mastitis control in dairy herds. Farming Press, 5:46-76.
5. Christel Nielsen. 2009. Economic Impact of Mastitis in Dairy Cows. Doctoral, Doctoral Thesis. Department of Animal Breeding and Genetics, Faculty of Veterinary Medicine and Animal Science, Swedish University of Agricultural Sciences ,Uppsala.
6. Burgard, A.P., Maranas, C.D. (2001). Probing the performance limits of the Escherichia coli metabolic network subject to gene additions or deletions. Biotechnology and bioengineering, 74: 364-375. ‏
7. Boudonck, K.J., M.W. Mitchell., J. Wulff, and J.A. Ryals. (2009). Characterization of the biochemical variability of bovine milk using metabolomics. Metabolomics, 5: 375-386.
8. Elbein, A., & Heath, E. C. (1965). The biosynthesis of cell wall lipopolysaccharide in Escherichia coli I. The biochemical properties of a uridine diphosphate galactose 4-epimeraseless mutant. Journal of Biological Chemistry, 5: 1919-1925.‏
9. H.N. Costa, L.R. Molina, C.F.A. Lage, V.M.R. Malacco , E.J. Facury Filho, A.Ú. Carvalho. (2017). Comparison of two methodologies to estimate losses of milk production in crossbred Holstein x Zebu cows with sub-clinical mastitis. Arquivo Brasileiro de Medicina Veterinária e Zootecnia, Version 69, 3:579-586.
10. Famili, I., Forster, J., Fu, P. (2003). Genome-scale reconstruction of the Saccharomyces cerevisiae metabolic network. Genome Research, 13:244–253.
11. Gianchandani, J.E., Lee, J.M. (2006). Papin Flux balance analysis in the era of metabolomics. Briefings in bioinformatics, 7:140-150. ‏
12. Lee, J.H., Oh, K.K., Kim, E.K., Kwack, K., Jung, S., Lee, H.K. (2006). Radiologic and clinical features of idiopathic granulomatous lobular mastitis mimicking advanced breast cancer. Yonsei medical journal, 47:78-84. ‏
13. Majewski, R.A., and Domach, M.M. (1990). Simple constrained optimization metabolism. Biotechnology Progress, 21: 1617–1626.
14. Mayberry, W.R., Prochazka, G.J. Payne, W.J. (1967). Growth yields of bacteria on selected organic compounds. Applied microbiology, 15: 1332-1338.‏
15. Millard, P. (2012). Role of the Csr system in carbon nutrition and in the control of central metabolism in Escherichia coli K-12 MG1655 and Nissle, Doctoral dissertation, Toulouse, INSA).‏
16. Nissen, T.L., Schulze, U., Nielsen, J., Villadsen, J. (1997). Flux Distributions in Anaerobic, Glucose-Limited Continuous Cultures of Saccharomyces Cerevisiae. Microbiology, 143:203.
17. Nogales, J., Bernhard, O.P., Thiele, I. (2008). A genome-scale metabolic reconstruction of Pseudomonas putida KT2440: iJN746 as a cell factory. BMC systems biology, 2: 79-90‏
18. Orth, J.D. 2012. Systems biology analysis of Escherichia coli for discovery and metabolic engineering. PhD Thesis. UNIVERSITY OF CALIFORNIA, SAN DIEGO.‏
19. Sauer, U.W.E., Lasko, D,R,, Fiaux. J, Hochuli, M., Glaser, R. Szyperski, T. Bailey, J.E. (1999). Metabolic flux ratio analysis of genetic and environmental modulations of Escherichia coli central carbon metabolism. Journal of bacteriology, 181:6679-6688. ‏
20. Stelling, J., Klamt, S., Bettenbrock, K., Schuster, S., Gilles, E.D. (2002). Metabolic network structure determines key aspects of functionality and regulation. Nature, 420: 190-193.
21. Tamiru, F., Alemu, S., Tsega, A. (2013). Aerobic Microorganisms Isolated from Mastitic Bovine Milk and Their Antimicrobial Susceptibility Profiles, Ethiopia. Agriculture and Environmental Science, 13: 920-925.