|
NGS測序技術服務 DRIP-seq |
|
基因芯片技術服務 Small RNA修飾芯片 m6A單堿基分辨率芯片 mRNA&lncRNA表觀轉錄組芯片 circRNA表觀轉錄組芯片 |
NGS測序技術服務 RNA m6A甲基化測序（MeRIP Seq） |
LC-MS mRNA堿基修飾檢測 tRNA堿基修飾檢測 |
PCR技術服務 MeRIP-PCR技術服務 m6A絕對定量RT-PCR技術服務 m6A單堿基位點PCR（MazF酶切法）技術服務 |
|
基因芯片技術服務 DNA甲基化芯片 DNA羥甲基化芯片 ChIP-chip |
NGS測序技術服務 DNA甲?；奏?5fc)修飾測序 DNA 5hmC 測序（化學法） DNA甲基化測序 DNA羥甲基化測序 染色質免疫共沉淀測序 |
PCR技術服務 MeDIP-qPCR hMeDIP-qPCR ChIP-qPCR |
|
蛋白相對定量 TMT標記定量技術 非標定量技術 |
蛋白修飾 TMT標記定量磷酸化 非標定量磷酸化 |
RNA/蛋白-蛋白相互作用 RNA-蛋白相互作用 蛋白-蛋白相互作用 |
tRNA是基因與蛋白之間重要的信息傳遞者，通過與特定氨基酸結合而發揮功能。越來越多的文獻表明，tRNA及其來源的RNA片段（tRFs）在細胞增殖、分化、代謝、應激反應以及多種疾病中發揮著調控作用[1]。tRNA攜帶種類豐富、數目眾多的轉錄后修飾。這些修飾為tRNA功能發揮所必需，參與tRNA的正確折疊，穩定維持和基因解碼功能。比如，位于頸環部位的修飾影響tRNA的折疊與穩定性，反密碼子環上的修飾確保翻譯準確性，34號位置的修飾決著密碼子的擺動性，反密碼子環附近的修飾調控密碼子與反密碼子識別（圖1）。
tRNA修飾受各類tRNA修飾相關蛋白的動態調控[2]，這些蛋白突變或者功能紊亂，與多種疾病的發生有關。例如，NSUN2負責催化胞嘧啶5’甲基化，其突變會導致機體頭小畸形癥[3]；t6A甲硫基轉移酶CDKAL1功能紊亂可誘發Ⅱ型糖尿病[4]。tRNA修飾對于疾病治療的重要性，以及這些修飾是如何被調控，仍待進一步的研究[5,6]。
圖1. 人類tRNA修飾類型與修飾相關蛋白。
美國Arraystar公司發布了聚焦tRNA修飾蛋白檢測的PCR芯片 ——NuRNA? tRNA Modification Enzymes PCR Array。參考已有文獻與權威數據庫（UniProt和Modomics），此款芯片囊括了85個tRNA修飾酶和蛋白因子，覆蓋了所有已知的tRNA修飾酶。PCR芯片上的每對引物在多個組織和細胞系中通過了嚴格驗證。
Aksomics（原康成生物）是Arraystar公司中國地區唯一代理商，獨家為您提供Arraystar公司PCR芯片一站式技術服務，您只需要的提供保存完好的的組織或者細胞標本，Aksomics的芯片技術服務人員可為您完成全部操作，并提供完整的實驗報告。
產品信息：
|
服務名稱
|
芯片
|
規格
|
描述
|
|
NuRNA? Human tRNA Modification Enzymes PCR Array Service
|
NuRNA? Human tRNA Modification Enzymes PCR Array
|
384-well(4*96)/ plate
|
同時檢測85個tRNA修飾酶及相關蛋白因子
|
芯片特點：
? 覆蓋度廣—囊括了UniProt與Modomics中所有已知的tRNA修飾酶/蛋白因子
? 嚴謹性強—所有引物都通過了多樣本嚴格驗證
? 快速簡易—即用型384孔板規格，只需將cDNA與qPCR Master Mix混合試劑加入PCR板中，4小時內得到實驗結果。cDNA無需預先擴增。
tRNA修飾及相關蛋白 (85):
|
ADAT1(m1I37), ADAT2(m1I34), ADAT3(-), ALKBH1(mcm5U), ALKBH8(mchm5U34/mcm5s2U34/mcm5U34/mcm5Um34), C9orf64(-), CDK5RAP1(ms2A37/ms2 i6A37), CDKAL1(ms2A37/ms2 i6A37), CDKL1(ms2t6A), CTU1(mcm5S2U ), CTU2(mcm5S2U), DUS1L(D16/17), DUS2(D20), DUS3L(D47), DUS4L(D), ELP3(-), ELP4(mcm5s2U), FBLL1(-), FTSJ1(Cm32/Gm34), GTPBP3(tm5U34), HSD17B10(m1A9/m1G9), IKBKAP(-), KIAA0391(m1A9/m1G9), KIAA1456(Um), LAGE3(t6A37), LCMT2(o2yW), METTL1(m7G46), METTL2A(Cm), METTL2B(3mC), MOCS3(mcm5S2U ), MTO1(tm5U34), NAT10(Ac4C), NFS1(s2U34/tm5s2U34), NSUN2(m5C49), NSUN6(m5C72), OSGEP(t6A37), OSGEPL1(t6A37), PUS1(pseudouridine27/pseudouridine28), PUS10(pseudouridine 55), PUS3(pseudouridine39), PUS7L(pseudouridine), PUSL1(pseudouridine), QTRT1 (Q34), QTRT2 (Q34), RPUSD1(pseudouridine), RPUSD2(pseudouridine31/pseudouridine32), RPUSD3(pseudouridine), RPUSD4(pseudouridine31/pseudouridine32), SSB(-), TARBP1(-), THUMPD1(Acetylcytidine), THUMPD2(Gm), THUMPD3(Gm), TP53RK(t6A37), TPRKB(t6A37), TRDMT1(m5C38), TRIT1(i6A37), TRMO(m6t6A), TRMT1(m2G26/m22G26), TRMT10A(m1G9), TRMT10B(m1G9), TRMT10C(m1A9/m1G9), TRMT11(m2G10), TRMT112(mchm5U34/mcm5s2U34/mcm5U34/mcm5Um34), TRMT12(o2yW), TRMT13(m4C/m4A ), TRMT1L(m2G26/m22G26), TRMT2A(Um), TRMT2B(m5U54), TRMT44(Um44), TRMT5(m1G37/o2yW), TRMT6(m1A58), TRMT61A(m1A58), TRMT61B(m1A58), TRMU(s2U34/tm5s2U34), TRUB1(pseudouridine), TRUB2(pseudouridine55), TYW1(o2yW), TYW1B(o2yW), TYW3(o2yW), TYW5 (o2yW), UBA5(cyclic t6A), URM1(mcm5S2U), WDR4(m7G46), YRDC(t6A37)
|
注：tRNA修飾縮寫參考Modomics數據庫，基因名參考UniProt。
PCR芯片實驗流程
1. RNA抽提與質量檢測
進行RNA常規抽提，使用NanoDrop ND-1000檢測RNA濃度和純度，使用瓊脂糖凝膠電泳檢測RNA純度和完整性。詳細的樣品QC結果見Arraystar服務報告。
2. cDNA合成
每樣本取1.5 μg RNA，使用rtStar? First-Strand Synthesis Kit (Cat# AS-FS-001, Arraystar) 試劑盒合成cDNA第一鏈。詳細步驟參照Arraystar產品操作手冊。
3. Real-time PCR擴增
將cDNA與 Arraystar SYBR Green qPCR Master Mix (Cat# AS-MR-005-5, Arraystar)混合，加入至384孔板中，在ABI 7900 PCR儀上進行Real-time PCR擴增。
4. 熔解曲線分析與原始數據導出
PCR擴增完成后，進行熔解曲線分析，使用PCR儀自帶軟件導出原始數據。出具Raw Data文件夾，包含原始Ct值、PCR擴增曲線圖和熔解曲線圖。
PCR芯片數據分析流程
1. PCR芯片數據質控
質控參數：Ct(Blank)>35; Ct(GDC)>35; Ct(RNA Spike-in)<25; Ct (PPC) <25. 符合上述條件的樣本進入下一步分析。
2. 數據校正與△Ct值計算
板間校正：使用Ct(PPC)對不同PCR板進行板間校正。
內參校正與△Ct值計算：挑選優質內參，使用內參均值計算△Ct值。
3. 差異倍數計算 (2^(-△△Ct))
使用 △△Ct 方法計算不同樣品組之間的表達差異倍數。
4. P值計算
對樣本組進行t檢驗，計算P值。
5. 其他常規數據分析
散點圖分析；火山圖分析；TOP20表達上調和下調transcript柱形圖分析
6. 提供服務報告與數據分析結果
a. Arraystar服務報告（包括RNA樣本QC和詳細實驗數據分析步驟）
b. Excel芯片結果匯總表（包括Transcript列表，數據分析結果和各類圖表）
c. Raw Data文件夾 (包含原始數據、擴增曲線圖和熔解曲線圖)
NuRNA? Human tRNA Modification Enzymes PCR芯片服務部分結果展示
1. 差異表達轉錄本列表（默認篩選參數：差異倍數>2；P<0.05，客戶可指定篩選參數值）:
2. 散點圖 (黑色斜線代表差異倍數為1，紅色斜線代表差異倍數為2):
3. 火山圖（黑色垂線代表差異倍數為1；粉色垂線代表上調或下調倍數為2；藍色水平線代表P值為0.05）:
4. TOP20表達上調transcript柱狀圖:
5. TOP20表達下調transcript柱狀圖:
參考文獻：
[1] Kirchner S, Ignatova Z. Emerging roles of tRNA in adaptive translation, signalling dynamics and disease. Nature reviews Genetics 2015;16:98-112.
[2] El Yacoubi B, Bailly M, de Crecy-Lagard V. Biosynthesis and function of posttranscriptional modifications of transfer RNAs. Annual review of genetics 2012;46:69-95.
[3] Blanco S, Dietmann S, Flores JV, Hussain S, Kutter C, Humphreys P, et al. Aberrant methylation of tRNAs links cellular stress to neuro-developmental disorders. The EMBO journal 2014;33:2020-39.
[4] Zhou B, Wei FY, Kanai N, Fujimura A, Kaitsuka T, Tomizawa K. Identification of a splicing variant that regulates type 2 diabetes risk factor CDKAL1 level by a coding-independent mechanism in human. Human molecular genetics 2014;23:4639-50.
[5] Zhang X, Cozen AE, Liu Y, Chen Q, Lowe TM. Small RNA Modifications: Integral to Function and Disease. Trends in molecular medicine 2016.
[6] Suzuki T, Nagao A, Suzuki T. Human mitochondrial tRNAs: biogenesis, function, structural aspects, and diseases. Annual review of genetics 2011;45:299-329.
Small RNA是指長度小于200bp，不具蛋白編碼能力的一類RNA分子。small RNAs不僅在細胞中具有較高的表達量，也廣泛存在于各類體液中。根據長度、結構形態、功能形式以及合成途徑的不同，科研人員將small RNAs分成了七種類型：microRNA (miRNA)、PIWI-interacting RNA (piRNA)、small interfering RNA (siRNA）、small nucleolar RNA (snoRNA）、small nuclear RNA (snRNA)、transfer RNA (tRNA）、tRNA-derived fragment (tRF&tiRNA)（圖1）。這些small RNA分子在轉錄水平或轉錄后水平，參與調控基因表達[1-3]。
圖 1. Small RNAs的分類與功能
small RNA的合成途徑極其復雜，具體過程有待進一步的挖掘。在許多疾病中，科研人員都檢測到了不同small
RNA的合成紊亂。例如，DROSHA與DICER1是miRNA合成過程中非常關鍵的兩個蛋白，其表達水平會隨著腫瘤的發生發展而變化，并可作為神經母細胞瘤預后診斷的潛在標記物[4]。近些年來，small RNA吸引了越來越多的關注，small RNA合成途徑的研究也受到了更多的重視。
對于特定通路或聚焦領域中的基因而言，PCR芯片是其表達研究可靠便捷的手段。為了幫助研究人員方便快捷地分析small
RNA合成相關蛋白的表達水平，Arraystar開發了small
RNA合成蛋白檢測PCR芯片。該芯片能夠同時分析185個mRNA，它們都是在各類small RNAs合成過程中發揮關鍵作用的蛋白分子的表達水平，是small
RNAs研究的一件利器。
Aksomics是Arraystar公司中國地區唯一代理商，獨家為您提供Arraystar公司PCR芯片一站式技術服務，您只需要的提供保存完好的的組織或者細胞標本，Aksomics的芯片技術服務人員可為您完成全部操作，并提供完整的實驗報告。
產品信息：
|
芯片
|
規格
|
描述
|
|
NuRNA? Human Small RNAs Biogenesis-Related Protein PCR Array
Service
|
384-well(2*192)/ plate
|
miRNAs（57個）+piRNAs（17個）+siRNAs（24個）+snoRNAs（24個）+snRNAs（41個）+tRNAs/tRFs（47個）
|
芯片特點：
? 覆蓋度廣—收集了GO通路中所有與small RNA合成相關的蛋白分子
? 嚴謹性強—所有引物都通過了多樣本嚴格驗證
? 快速簡易—即用型384孔板規格，只需將cDNA與qPCR Master
Mix混合試劑加入PCR板中，4小時內得到實驗結果。cDNA無需預先擴增。
表 1. 人類small RNAs合成相關蛋白（185個蛋白）
PCR芯片實驗流程
1.RNA抽提與質量檢測
進行RNA常規抽提，使用NanoDrop
ND-1000檢測RNA濃度和純度，使用瓊脂糖凝膠電泳檢測RNA純度和完整性。詳細的樣品QC結果見Arraystar服務報告。
2.cDNA合成
每樣本取1.5
μg RNA，使用rtStar? First-Strand Synthesis Kit (Cat# AS-FS-001, Arraystar)
試劑盒合成cDNA第一鏈。詳細步驟參照Arraystar產品操作手冊。
3.Real-time
PCR擴增
將cDNA與 Arraystar SYBR Green qPCR Master Mix (Cat# AS-MR-005-5,
Arraystar)混合，加入至384孔板中，在ABI 7900 PCR儀上進行Real-time
PCR擴增。
4.熔解曲線分析與原始數據導出
PCR擴增完成后，進行熔解曲線分析，使用PCR儀自帶軟件導出原始數據。出具Raw
Data文件夾，包含原始Ct值、PCR擴增曲線圖和熔解曲線圖。
PCR芯片數據分析流程
1.PCR芯片數據質控
質控參數：Ct(Blank)>35;
Ct(GDC)>35; Ct(RNA Spike-in)<25; Ct (PPC) <25.
符合上述條件的樣本進入下一步分析。
2.數據校正與△Ct值計算
板間校正：使用Ct(PPC)對不同PCR板進行板間校正。
內參校正與△Ct值計算：挑選優質內參，使用內參均值計算△Ct值。
3.差異倍數計算
(2^(-△△Ct))
使用 △△Ct
方法計算不同樣品組之間的表達差異倍數。
4.P值計算
對樣本組進行t檢驗，計算P值。
5.其他常規數據分析
散點圖分析；火山圖分析；TOP20表達上調和下調transcript柱形圖分析
6.提供服務報告與數據分析結果
a.Arraystar服務報告（包括RNA樣本QC和詳細實驗數據分析步驟）
b.Excel芯片結果匯總表（包括transcript列表，數據分析結果和各類圖表）
c.Raw
Data文件夾 (包含原始數據、擴增曲線圖和熔解曲線圖)
NuRNA? Human small RNA Biogenesis PCR芯片服務部分結果展示
1.差異表達轉錄本列表（默認篩選參數：差異倍數>2；P<0.05，客戶可指定篩選參數值）
2. 散點圖 (黑色斜線代表差異倍數為1，紅色斜線代表差異倍數為2)
3. 火山圖（黑色垂線代表差異倍數為1；粉色垂線代表上調或下調倍數為2；藍色水平線代表P值為0.05）
4. TOP20表達上調transcript柱狀圖
5. TOP20表達下調transcript柱狀圖
參考文獻
[1] Kim VN. Small RNAs:
classification, biogenesis, and function. Mol cells 19, 1-15. (2005),
[2]
Esteller M. Non-coding RNAs in human disease. Nat Rev Genet 12, 861-74. (2011),
PMID:22094949.
[3] Matera AG, et al. Non-coding RNAs: lessons from the small
nuclear and small nucleolar RNAs. Nat Rev Mol Cell Biol 8, 209-20. (2007),
PMID:17318225.
[4] Lin RJ, et al. microRNA signature and expression of Dicer
and Drosha can predict prognosis and delineate risk groups in neuroblastoma.
Cancer Res 70, 7841-50. (2010), PMID:20805302.
近年來，RNA修飾所介導的基因表達調控不斷取得突破性進展，直接導致了表觀轉錄組學（Epitranscriptomics）的誕生。研究發現，m6A、m5C、m1A、hm5C、甲尿嘧啶（ψ）與肌苷（I）等多種表觀轉錄修飾存在于mRNA上，影響mRNA的代謝與功能[1]，是一種重要的基因表達調控方式（圖1）。這些表觀轉錄組修飾由特定的酶添加（Writer）或去除（Eraser），可被特定的蛋白識別（Reader）。表觀轉錄修飾水平的異常，以及相關酶或蛋白的異常，與許多疾病的發生緊密關聯。
m6A是真核生物mRNA上含量最豐富的表觀轉錄修飾，參與調控mRNA的二級結構、剪切、成熟、細胞定位與翻譯等過程。m6A由甲基轉移酶復合物（包含METTL3，METTL14，WTAP，KIAA1429，RBM15，RBM15B）催化產生，可被去甲基化酶ALKBH5或FTO去除。目前已發現了多種特異性識別m6A位點的蛋白或復合物，包括YTH家族蛋白（YTHDF1-3，
YTHDC1）、轉錄起始復合物eIF3、核糖核蛋白（HNRNPA2B1，HNRNPC）以及RNA結合蛋白SRSF2（表1）。m6A的動態調控在減數分裂與細胞多潛能分化等過程中發揮著重要作用[3]。與正常組織相比，腫瘤干細胞中的m6A修飾水平顯著升高。高水平的m6A增強了多個關鍵腫瘤基因的蛋白表達，從而促進腫瘤干細胞的增殖與腫瘤的發生發展，且常與不良預后有關。此外，METTL3[4]、FTO[2]及ALKBH5[5]等表觀轉錄相關蛋白因子在腫瘤的發生發中也發揮著關鍵性作用。在病毒RNA上也檢測到了m6A修飾，其與病毒感染及復制有關。
顯而易見，表觀轉錄修飾與表觀轉錄修飾相關蛋白在基因表達調控中發揮著至關重要的作用。然而，目前對其研究才剛剛起步。為了幫助研究人員更方便快捷的進行表觀轉錄組學研究，Arraystar開發了檢測表觀轉錄修飾相關蛋白因子的PCR芯片。此款芯片可同時檢測89個已知的或潛在的表觀轉錄修飾相關蛋白，是表觀轉錄研究的強有力工具。
|
|
m6A
|
m5C
|
I
|
ψ
|
m1A
|
|
Writers
|
KIAA1429
METTL3
METTL4
METTL14
RBM15
RBM15B
WTAP
|
NSUN2
TRDMT1
|
ADAR
ADARB1
ADARB2
|
DKC1
PUS1
PUS7
TRUB1
|
None identified
|
|
Erasers
|
ALKBH5
FTO
|
TET1
TET2
TET3
|
None identified
|
None identified
|
ALKBH1
ALKBH3
|
|
Readers
|
YTH Family
eIF3 complex
HNRNPA2B1
HNRNPC
SRSF2
|
None identified
|
None identified
|
None identified
|
None identified
|
Aksomics（原康成生物）是Arraystar公司中國地區唯一代理商，獨家為您提供Arraystar公司PCR芯片一站式技術服務，您只需要的提供保存完好的的組織或者細胞標本，Aksomics的芯片技術服務人員可為您完成全部操作，并提供完整的實驗報告。
產品信息：
|
芯片
|
規格
|
描述
|
|
NuRNA? Human Epitranscriptomics PCR Array Service
|
384-well(4*96)/ plate
|
同時檢測89個已知的或潛在的表觀轉錄修飾相關蛋白
|
芯片特點：
? 覆蓋度廣—覆蓋了所有目前已知的表觀轉錄修飾相關蛋白
?
轉錄本水平檢測—檢測編碼Uniprot經典蛋白的轉錄本
?
嚴謹性強—所有引物都通過了多樣本嚴格驗證
? 快速簡易—即用型384孔板規格，只需將cDNA與qPCR
Master Mix混合試劑加入PCR板中，4小時內得到實驗結果。cDNA無需預先擴增。
|
表觀轉錄修飾相關蛋白檢測列表
|
|
m6A
Writers: KIAA1429, METTL14, METTL3, METTL4, RBM15, RBM15B, WTAP
Readers: DGCR8, EIF3A, EIF3B, ELAVL1, HNRNPA2, HNRNPB1, HNRNPC1, HNRNPC2,
SRSF2, YTHDC1, YTHDC2, YTHDF1, YTHDF2, YTHDF3
Erasers: ALKBH5, FTO
m1A
Writers: HSD17B10, KIAA0391, TRMT10C, TRMT6, TRMT61A, TRMT61B
Erasers: ALKBH1, ALKBH3
m5C
Writers: DNMT1 , DNMT3A, DNMT3B, DNMT3L, NOP2, NSUN2, NSUN3, NSUN4, NSUN5,
TRDMT1
Readers: MECP2, UHRF1
Erasers: TET1, TET2, TET3
hm5C
Writers: TET1, TET2, TET3
Readers: CHTOP, EGR1, ERH, HMCES, MEP50, MGME1, NEIL1, PRMT1, PRMT5, SMUG1,
TDG, THYN1, WDR76, WT1
Inosine
Writers: ADAD1, ADAD2, ADAR, ADARB1, ADARB2, ADAT1, ADAT2, ADAT3
Pseudouridine
Writers: DKC1, GAR1, NAF1, NHP2, NOP10, PUS1, PUS10, PUS3, PUS7, PUS7L,
PUSL1, RPUSD1, RPUSD2, RPUSD3, RPUSD4, TRUB1, TRUB2
Other modifications (m7G)
CMTR1, CMTR2, RNGTT, RNMT
|
PCR芯片實驗流程
1.RNA抽提與質量檢測
進行RNA常規抽提，使用NanoDrop
ND-1000檢測RNA濃度和純度，使用瓊脂糖凝膠電泳檢測RNA純度和完整性。詳細的樣品QC結果見Arraystar服務報告。
2.cDNA合成
每樣本取1.5
μg RNA，使用rtStar? First-Strand Synthesis Kit (Cat# AS-FS-001, Arraystar)
試劑盒合成cDNA第一鏈。詳細步驟參照Arraystar產品操作手冊。
3.Real-time
PCR擴增
將cDNA與 Arraystar SYBR Green qPCR Master Mix (Cat# AS-MR-005-5,
Arraystar)混合，加入至384孔板中，在ABI 7900 PCR儀上進行Real-time
PCR擴增。
4.熔解曲線分析與原始數據導出
PCR擴增完成后，進行熔解曲線分析，使用PCR儀自帶軟件導出原始數據。出具Raw
Data文件夾，包含原始Ct值、PCR擴增曲線圖和熔解曲線圖。
PCR芯片數據分析流程
1.PCR芯片數據質控
質控參數：Ct(Blank)>35;
Ct(GDC)>35; Ct(RNA Spike-in)<25; Ct (PPC) <25.
符合上述條件的樣本進入下一步分析。
2.數據校正與△Ct值計算
板間校正：使用Ct(PPC)對不同PCR板進行板間校正。
內參校正與△Ct值計算：挑選優質內參，使用內參均值計算△Ct值。
3.差異倍數計算
(2^(-△△Ct))
使用 △△Ct
方法計算不同樣品組之間的表達差異倍數。
4.P值計算
對樣本組進行t檢驗，計算P值。
5.其他常規數據分析
散點圖分析；火山圖分析；TOP20表達上調和下調transcript柱形圖分析
6.提供服務報告與數據分析結果
a.Arraystar服務報告（包括RNA樣本QC和詳細實驗數據分析步驟）
b.Excel芯片結果匯總表（包括transcript列表，數據分析結果和各類圖表）
c.Raw
Data文件夾 (包含原始數據、擴增曲線圖和熔解曲線圖)
NuRNA? Human Epitranscriptomics PCR芯片服務部分結果展示
1.差異表達轉錄本列表（默認篩選參數：差異倍數>2；P<0.05，客戶可指定篩選參數值）
2.散點圖 (黑色斜線代表差異倍數為1，紅色斜線代表差異倍數為2)
3.火山圖（黑色垂線代表差異倍數為1；粉色垂線代表上調或下調倍數為2；藍色水平線代表P值為0.05）
4.TOP20表達上調transcript柱狀圖
5.TOP20表達下調transcript柱狀圖
參考文獻
1. Gilbert, W.V., et al. (2016).
Messenger RNA modifications: Form, distribution, and function. Science 352,
1408-1412, PMID:27313037.
2. Iles, M.M., et al. (2013). A variant in FTO
shows association with melanoma risk not due to BMI. Nature genetics 45,
428-432, 432e421, PMID:23455637.
3. Klungland, A., et al. (2016). Reversible
RNA modifications in meiosis and pluripotency. Nature methods 14, 18-22,
PMID:28032624.
4. Lin, S., et al. (2016). The m(6)A Methyltransferase METTL3
Promotes Translation in Human Cancer Cells. Molecular cell 62, 335-345,
PMID:27117702.
5. Zhang, C., et al. (2016). Hypoxia induces the breast cancer
stem cell phenotype by HIF-dependent and ALKBH5-mediated m(6)A-demethylation of
NANOG mRNA. Proceedings of the National Academy of Sciences of the United States
of America 113, E2047-2056, PMID:27001847.
新陳代謝是機體生命活動的基礎，影響細胞的各個方面。生長、增殖、分化或凋亡等不同的細胞過程，存在著顯著不同的代謝網絡[1,4]。細胞內的新陳代謝除了受信號通路等多種機制調控外，也可作為信號分子，或獨立調控生物學過程[8]。研究表明，新陳代謝參與調控表觀遺傳[6,7]、自噬[3,5]、凋亡、壞死[9]等多種細胞生命活動。代謝異常是引起肥胖、糖尿病及腫瘤等多種疾病的重要因素（圖1）。腫瘤被認為是一種代謝疾病，代謝改變是癌癥發生的顯著標志之一。癌細胞進行代謝重編程，以滿足腫瘤轉化、起始、發展、侵襲與遷移等不同階段以及不同營養環境下的代謝需求[1,8]（圖2）。系統地分析疾病的代謝改變，對尋找有效的代謝標記物與疾病治療靶點非常必需。
Arraystar公司新推出的NuRNA? Human Central Metabolism PCR
Array，可同時檢測373個編碼重要代謝酶與代謝物轉運蛋白的轉錄本，是進行代謝研究必不可少的工具。該芯片檢測的代謝通路與代謝物轉運系統包括：葡萄糖轉運蛋白，糖酵解、TCA循環、脂類合成、乳酸合成及轉運、糖異生途徑、糖原代謝、氨基己糖代謝、磷酸戊糖旁路、一碳單位代謝、谷氨酰胺轉運及代謝、氧化還原平衡與GSH合成、脂肪酸氧化、乙酸代謝、核苷酸代謝等。研究不同生物學過程的代謝特征，尋找生理病理狀態下的代謝改變，將有助于深入理解細胞生命活動，并為代謝疾病的治療提供新的思路。
圖1.新陳代謝與生理病理過程。
圖2.腫瘤代謝示意圖
數譜生物（原康成生物）是Arraystar公司中國地區唯一代理商，獨家為您提供Arraystar公司PCR芯片一站式技術服務，您只需要的提供保存完好的的組織或者細胞標本，數譜生物的芯片技術服務人員可為您完成全部操作，并提供完整的實驗報告。
產品信息：
|
芯片
|
規格
|
描述
|
|
NuRNA? Human Central Metabolism PCR Array Service
|
384-well/plate
|
檢測373個編碼重要代謝酶與代謝物轉運蛋白的轉錄本
|
芯片特點：
? 覆蓋度高—覆蓋了關鍵代謝途徑與重要代謝物轉運系統中的酶和蛋白因子
? 注釋全面—整合了基因/轉錄本水平信息與蛋白水平信息，為每個代謝基因提供詳細注釋
? 轉錄本水平檢測—檢測編碼Uniprot經典蛋白的轉錄本
? 嚴謹性強—所有引物都通過了多樣本嚴格測試
? 快速簡易—即用型384孔板規格，只需將cDNA與qPCR Master
Mix混合試劑加入PCR板中，4小時內得到實驗結果。cDNA無需預先擴增。
數據庫：
|
葡萄糖轉運(13):
SLC2A1, SLC2A2, SLC2A3, SLC2A4, SLC2A5, SLC2A6, SLC2A7, SLC2A8,
SLC2A9, SLC2A10, SLC2A11, SLC2A12, SLC2A14
糖酵解(36):
ADPGK, ALDOA, ALDOB, ALDOC, BPGM, ENO1, ENO2, ENO3, GAPDH,
GAPDHS, GCK, GPI, HK1, HK2, HK3, HKDC1, PFKFB1, PFKFB2, PFKFB3-isoform 1,
PFKFB3-isoform 2, PFKFB3-isoform 3, PFKFB3-isoform 4, PFKFB4, PFKL, PFKM, PFKP,
PGAM1, PGAM2, PGAM4, PGK1, PGK2, PKL, PKM1, PKM2, PKR, TPI1
乳酸合成及轉運(18):
LDHA, LDHB, LDHC, LDHAL6A, LDHAL6B, UEVLD, SLC16A1, SLC16A2,
SLC16A3, SLC16A4, SLC16A5, SLC16A6, SLC16A7, SLC16A8, SLC16A9, SLC16A10,
SLC16A11, SLC16A12
糖異生(13):
BCAT1, BCAT2, FBP1, FBP2, G6PC, G6PC2, G6PC3, GPT, GPT2, LDHD,
PC, PCK1, PCK2
糖原代謝(6):
GBE1, GYS1, GYS2, PGM1, PGM2, UGP2
氨基己糖代謝(6):
GFPT1, GFPT2, GNPNAT1, PGM3, UAP1, UAP1L1
PPP途徑(15):
G6PD, H6PD, PGD, PGLS, PRPS1, PRPS1L1, PRPS2, RBKS, RPE, RPEL1,
RPIA, TALDO1, TKT, TKTL1, TKTL2
脂類合成(31):
ACACA, ACACB, ACAT1, ACAT2, ACLY, ACSBG1, ACSBG2, ACSL1, ACSL3,
ACSL4, ACSL5, ACSL6, ACSM1, ACSM2A, ACSM2B, ACSM3, ACSM4, ACSM5, FADS1, FADS2,
FASN, GPD1, GPD1L, HMGCR, HMGCS1, HMGCS2, MLYCD, SCD, SCD5, SLC25A1,
SLC27A2
一碳單位代謝(28):
AHCY, AHCYL1, AHCYL2, AMT, BHMT, DHFR, DHFRL1, DLD, DNMT1,
DNMT3A, DNMT3B, DNMT3L, GCSH, GLDC, MAT1A, MAT2A, MAT2B, MTHFD1, MTHFD1L,
MTHFD2, MTHFD2L, MTHFR, MTR, PHGDH, PSAT1, PSPH, SHMT1, SHMT2
TCA循環(42):
ACO1, ACO2, D2HGDH, DHTKD1, DLAT, DLD, DLST, FH, IDH1, IDH2,
IDH3A, IDH3B, IDH3G, L2HGDH, MDH1, MDH1B, MDH2, OGDH, OGDHL, PDHA1, PDHA2, PDHB,
PDHX, PDK1, PDK2, PDK3, PDK4, PDP1, PDP2, PDPR, SDHA, SDHAF1, SDHAF2, SDHAF3,
SDHAF4, SDHB, SDHC, SDHD, SUCLA2, SUCLG1, SUCLG2, UEVLD
谷氨酰胺轉運及降解(18):
GLS2, GLS-isoform 1, GLS-isoform 2, GLS-isoform 3, GLUD1, GLUD2,
GOT1, GOT2, SLC1A1, SLC1A2, SLC1A3, SLC1A4, SLC1A5, SLC1A6, SLC38A1, SLC38A3,
SLC38A5, SLC38A7
氧化還原平衡(16):
CBS, CTH, G6PD, GCLC, GCLM, GSR, GSS, IDH1, IDH2, ME1, ME2, ME3,
MTHFD1, NNT, PGD, SLC7A11
GSH合成(7):
CBS, CTH, GCLC, GCLM, GSR, GSS, SLC7A11
脂肪酸氧化(51):
AADAC, ABHD12, ABHD6, ACAA1, ACAA2, ACAD10, ACAD11, ACAD8,
ACAD9, ACADL, ACADM, ACADS, ACADSB, ACADVL, ALDH1B1, ALDH2, ALDH3A2, ALDH7A1,
ALDH9A1, CEL, CPT1A, CPT1B, CPT1C, CPT2, ECH1, ECHS1, ECI1, ECI2, EHHADH, ETFA,
ETFB, HADH, HADHA, HADHB, HSD17B10, HSD17B4, LIPC, LIPE, LIPF, LIPG, MGLL,
PAFAH1B1, PAFAH1B2, PAFAH1B3, PNLIP, PNLIPRP1, PNLIPRP2, PNLIPRP3, PNPLA2,
PNPLA3, SCP2
乙酸代謝(4):
ACOT12, ACSS1, ACSS2, ACSS3
核苷酸代謝(83):
ADA, ADCY1, ADCY10, ADCY2, ADCY3, ADCY4, ADCY5, ADCY6, ADCY7,
ADCY9, ADSL, ADSS, ADSSL1, AK1, AK2, AK3, AK4, AK5, AK6, AK7, AK8, AK9, AMPD1,
AMPD2, AMPD3, APRT, ATIC, CAD, CANT1, CDA, CECR1, CMPK1, CMPK2, CTPS1, DCK,
DCTD, DHODH, DTYMK, DUT, GART, GDA, GMPS, GUCA1A, GUCA1B, GUCA1C, GUCA2A,
GUCA2B, GUCD1, GUCY1A2, GUCY1A3, GUCY1B3, GUCY2C, GUCY2D, GUCY2F, GUK1, HPRT1,
IMPDH1, IMPDH2, NME1, NME2, NME3, NME4, NME6, NME7, NT5C2, PAICS, PDE10A, PDE4D,
PFAS, PNP, PPAT, RRM1, RRM2, RRM2B, TK1, TK2, TYMP, TYMS, UCKL1, UMPS, UPP1,
UPP2, XDH
|
PCR芯片實驗流程
1.RNA抽提與質量檢測
進行RNA常規抽提，使用NanoDrop
ND-1000檢測RNA濃度和純度，使用瓊脂糖凝膠電泳檢測RNA純度和完整性。詳細的樣品QC結果見Arraystar服務報告。
2.cDNA合成
每樣本取1.5
μg RNA，使用rtStar? First-Strand Synthesis Kit (Cat# AS-FS-001, Arraystar)
試劑盒合成cDNA第一鏈。詳細步驟參照Arraystar產品操作手冊。
3.Real-time
PCR擴增
將cDNA與 Arraystar SYBR Green qPCR Master Mix (Cat# AS-MR-005-5,
Arraystar)混合，加入至384孔板中，在ABI 7900 PCR儀上進行Real-time
PCR擴增。
4.熔解曲線分析與原始數據導出
PCR擴增完成后，進行熔解曲線分析，使用PCR儀自帶軟件導出原始數據。出具Raw
Data文件夾，包含原始Ct值、PCR擴增曲線圖和熔解曲線圖。
PCR芯片數據分析流程
1.PCR芯片數據質控
質控參數：Ct(Blank)>35;
Ct(GDC)>35; Ct(RNA Spike-in)<25; Ct (PPC) <25.
符合上述條件的樣本進入下一步分析。
2.數據校正與△Ct值計算
板間校正：使用Ct(PPC)對不同PCR板進行板間校正。
內參校正與△Ct值計算：挑選優質內參，使用內參均值計算△Ct值。
3.差異倍數計算
(2^(-△△Ct))
使用 △△Ct
方法計算不同樣品組之間的表達差異倍數。
4.P值計算
對樣本組進行t檢驗，計算P值。
5.其他常規數據分析
散點圖分析；火山圖分析；TOP20表達上調和下調transcript柱形圖分析
6.提供服務報告與數據分析結果
a.Arraystar服務報告（包括RNA樣本QC和詳細實驗數據分析步驟）
b.Excel芯片結果匯總表（包括transcript列表，數據分析結果和各類圖表）
c.Raw
Data文件夾 (包含原始數據、擴增曲線圖和熔解曲線圖)
NuRNA? Human Central Metabolism PCR芯片服務部分結果展示
1.差異表達轉錄本列表（默認篩選參數：差異倍數>2；P<0.05，客戶可指定篩選參數值）
2.散點圖 (黑色斜線代表差異倍數為1，紅色斜線代表差異倍數為2)
3.火山圖（黑色垂線代表差異倍數為1；粉色垂線代表上調或下調倍數為2；藍色水平線代表P值為0.05）
4.TOP20表達上調transcript柱狀圖
5.TOP20表達下調transcript柱狀圖
參考文獻
1. Agathocleous, M., and
Harris, W.A. (2013). Metabolism in physiological cell proliferation and
differentiation. Trends in cell biology 23, 484-492, PMID:23756093.
2. Enns,
G. Metabolic disease (Encyclop?dia Britannica, inc.).
3. Galluzzi, L., et al.
(2014). Metabolic control of autophagy. Cell 159, 1263-1276,
PMID:25480292.
4. Green, D.R., et al. (2014). Cell biology. Metabolic control
of cell death. Science 345, 1250256, PMID:25237106.
5. Kaur, J., and Debnath,
J. (2015). Autophagy at the crossroads of catabolism and anabolism. Nature
reviews Molecular cell biology 16, 461-472, PMID:26177004.
6. Kinnaird, A.,
et al. (2016). Metabolic control of epigenetics in cancer. Nature reviews Cancer
16, 694-707, PMID:27634449.
7. Lu, C., and Thompson, C.B. (2012). Metabolic
regulation of epigenetics. Cell metabolism 16, 9-17,
PMID:22768835.
8. Metallo, C.M., and Vander Heiden, M.G. (2013).
Understanding metabolic regulation and its influence on cell physiology.
Molecular cell 49, 388-398, PMID:23395269.
9. Vanden Berghe, T., et al.
(2014). Regulated necrosis: the expanding network of non-apoptotic cell death
pathways. Nature reviews Molecular cell biology 15, 135-147, PMID:24452471.
