이 작품은 국립 자연 과학 재단의 중국 (31371596), 바이오 기술 연구 센터, 중국 3 협곡 대학 (2016KBC04), 그리고 장쑤 성, 중국 (BK20151424)의 자연 과학 재단에 의해 지원 되었다.

1. 시퀀스 정렬
<ol><li>
진 핵 정하고 별도 문서에 간결한 SemiSWEET의 아미노산 시퀀스를 수집 하 고 FASTA 형태로 그들을 나열. 유사성 검색 기본 로컬 맞춤 검색 도구 (폭발) 도구를 사용 하 여 생명 공학 정보 (NCBI), 유럽 분자 생물학 실험실 (EMBL), 및 일본 (DDBJ) 데이터베이스의 DNA 데이터 은행에 대 한 국립 센터에서 시퀀스 다운로드.
	<ol>
<li>예제 파일에서 진핵생물과 원핵생물의 단일 MtN3/타 액 도메인 (3 막 횡단 나선)를 소지 하는 57 약간 단 단백질 시퀀스의 두 MtN3/타 액 도메인 (7 막 횡단 나선)를 소지 하는 228 putative 달콤한 단백질 시퀀스를 수집 13.</li>
		<li>프로세스를 단순화 하려면 계통 발생 나무 건축을 위해 228 putative 과자 중 단 세포 진 핵 생물에서 35 후보 달콤한 단백질을 선택 합니다. 이러한 시퀀스는 독자가 실제 데이터 세트에 연습 수 있도록 연결 됩니다.</li>
	</ol>
</li>
	<li>
35 달콤한 시퀀스 정렬 Clustal 오메가 (http://www.ebi.ac.uk/Tools/msa/clustalo/)으로 그들을 입력 하 여.
	<ol>
<li>복사 및 붙여 단백질 시퀀스 FASTA 형태로 입력된 상자 또는 FASTA 형식의 시퀀스 파일 업로드. 그들은 ' 1 단계 ' 단원의 풀 다운 메뉴에서 아이콘을 클릭 하 여 아미노산 시퀀스는 지정 합니다.</li>
		<li>필요한 경우 ' 2 단계 ' 섹션에서 출력 형식 및 다른 매개 변수를 지정 합니다. 이 연구를 위해 "clustal 번호 없이",으로 출력 포맷을 설정 하 고 다른 매개 변수를 기본 설정에 두고. 대부분의 경우에서 기본 매개 변수는 어떤 사양 하지 않고 잘 작동합니다.</li>
	</ol>
</li>
	<li>제출 하 고 ' 3 단계 ' 단원의 맞춤을 실행 합니다. 그것은 분 맞춤 완료 될 때까지 몇 초에서 아무 데도 걸릴 수 있습니다. 결과 요약 패널에서 "CLUSTAL 형식에서 맞춤"에서 링크를 마우스 오른쪽 단추로 클릭 하 고 "35.clustal" (그림 1)으로 정렬 된 시퀀스를 저장 합니다.</li>
	<li>
BioEdit에서 정렬 결과 파일을 엽니다.
	<ol>
<li>BioEdit의 주 패널에서 "시퀀스"를 클릭 첫 번째 풀 다운 메뉴에서 "편집 분위기"를 선택한 다음 하위 메뉴 (그림 2)에서 "편집 잔류물"를 클릭.</li>
		<li>정렬 (선택한 시퀀스는 검정색으로 표시 됩니다) 커서의 왼쪽에 튀어나온 시퀀스를 선택 합니다 (그림 3) 선택 된 시퀀스를 제거 하려면 "편집" 메뉴에서 "Delete" 아이콘을 클릭 합니다.</li>
		<li>선택 및 첫 번째 MtN3/타 액 도메인의 오른쪽에 튀어나온 시퀀스를 삭제 하 고 35-I.fas (그림 4)으로 트림된 첫 번째 MtN3/타 액 도메인 시퀀스를 저장 합니다. 마찬가지로, 왼쪽 및 오른쪽 튀어나온 두 번째 MtN3/타 액 도메인의 시퀀스를 삭제 하 고 35-II.fas로 저장. 첫 번째 및 두 번째 MtN3/타 액 도메인 시퀀스 수 있습니다 예측할 수 리듬 (http://proteinformatics.charite.de/rhythm/inndex.php?site=helix) 또는 TMHMM (http://www.cbs.dtu.dk/services/TMHMM/)와 함께 사전에.</li>
	</ol>
</li>
	<li>
메가, 파일 35-I.fas를 열고 "정렬" 메시지가 표시 되 면 클릭 합니다. "편집" 메뉴에서 "모두 선택"을 클릭 "선택 애"; 이름과 시퀀스는 taxa의 블랙 (그림 5)에서 선택 됩니다.
	<ol>
<li>시퀀스를 클립보드에 복사 하려면 "편집" 메뉴에서 "복사"를 선택 하 고 복사 된 시퀀스는 doc 파일에 붙여 넣습니다.</li>
		<li>모든 "#" doc 파일에서 바꿉니다 ">", FASTA 형식 변환 관련 없는 문자가 삭제. 추가 "-I" 첫 번째 MtN3/타 액 도메인 시퀀스로 표시 각 taxon 이름 끝에. 다음과 같은 메서드를 두 번째 MtN3/타 액 도메인 시퀀스를 처리 하 고 추가 "-II" 각 taxon 이름.</li>
	</ol>
</li>
	<li>
첫 번째 및 두 번째 MtN3/타 액 도메인 시퀀스 FASTA 형식의 문서 파일에 결합 합니다.
	<ol>
<li>Clustal 오메가에 결합 된 시퀀스를 다시 로드 하 고 위에서 설명한 대로 시퀀스를 정렬. "35 realigned.clustal"로 결과 저장 합니다.</li>
		<li>BioEdit에서 "35 realigned.clustal" 파일을 열고, 정렬 된 시퀀스의 양쪽 끝에 고르지 (튀어나온) 아미노산 잔류물을 삭제 하 고 시퀀스 "35 realigned.fas"로 저장. 일부 비표준 문자를 저장할 수 없습니다 경고 때 "예"를 클릭 합니다.</li>
	</ol>
</li>
</ol>2입니다. 계통 발생 나무의 계산
<ol><li>
메가에서 "35 realigned.fas"를 엽니다.
	<ol>
<li>"수출 맞춤", "데이터" 메뉴를 클릭 선택한 맞춤 PAUP 형식 (넥서스) "35.nex" MrBayes (그림 6)에서 나중에 사용 하기 위해 저장 합니다.</li>
		<li>한편, 메가의 메인 패널에 "모델" 아이콘을 클릭 하 고 선택한 "찾을 최고의 DNA/단백질 모델 (ML)", 팝업 창에서 "확인"을 클릭 합니다. 프로세스 (그림 7)를 검색 하는 모델을 시작으로 "계산"을 클릭 합니다. 새로운 진행률 패널을 열 것 이다; 이 과정의 로드 시퀀스 컴퓨터의 성능과 복잡성에 따라 몇 일 분 정도 지속 됩니다. 참고: 테이블 보여주는 모델 검색 프로세스가 완료 되 면 결과 열립니다 ( 그림 8). 작은 빅 점수 나열 됩니다 첫째, 뒤에 점차 빅 점수를 증가 함께 다른 모델의 시리즈. 작은 빅 점수와 함께 첫 번째 모델 "LG + G + F" ML 트리 "35 realigned.fas" 파일에 대 한 권장된 모델이입니다.</li>
	</ol>
</li>
	<li>
메가의 메인 패널에 "계통" 아이콘 "구문/테스트 최대 가능성 나무"를 누르고 팝업 패널에서 "예"를 클릭. 새 창이 나타납니다 다른 표시 되어야 하는 매개 변수 지정 (그림 9).
	<ol>
<li>첫째, 계통 상자;의 시험에서 부트스트랩 값을 설정 500 또는 1000은 대부분의 경우에 적합 합니다. 대체 모델에서 대체 형식으로 "아미노산"을 선택 합니다. 대체 모델 선택의 목적은 그들의 현재 주3에 따라 시퀀스의 진정한 차이 예측 것입니다.</li>
		<li>선택 하는 "lg 전자는 Freqs와 함께. (+F) 모델 "(LG + F) 모델/메서드 상자에. 속도 패턴 상자에서 선택 "감마 배포" (G) 사이트, 즉속도 변화를 설명 하기 위해.,3사이트 천천히 진화에서 변화에 더 많은 무게를 주는. 데이터 하위 집합 상자에서 "전체 삭제" 하는 것을 선택 모든 하이픈을 포함 하는 열을 제거 하려면.</li>
		<li>그들의 기본 상태 (그림 9)에 다른 모든 매개 변수를 유지. 이러한 매개 변수 지정 후 계산을 시작 하려면 "계산" 아이콘을 클릭 합니다.</li>
	</ol>
</li>
</ol>3. 계통 발생 나무의 프레 젠 테이 션
참고: 계통 발생 ML 트리 나타납니다 메가 사용 하 여 계산 완료 되 면 (그림 10).
<ol><li>트리 패널에 있는 "파일" 아이콘의 풀 다운 메뉴에서 선택 "" 결과 저장 하려면 현재 세션을 저장 (.mas는 기본 파일 형식). 현재 연구 결과 "35.mas"로 저장 되었다. 트리 패널에 clade의 길이 포함 하 여 많은 매개 변수 트리 스타일, 트리 토폴로지, taxon 이름, 크기, 및 색깔의 글꼴 표시 되 고 다른 옵션을 설정할 수 있습니다.</li>
	<li>이미지 아이콘을 클릭 하 여 최종 트리 파일 저장 다른 형식으로 그림을 저장 하거나 사진 편집에 대 한 원본으로 이미지를 복사.</li>
</ol>4. 과자 및 정렬 순서를 사용 하 여 SemiSWEETs의 관계 분석
참고:이 단계를이 수행 하지 일반 시퀀스 분석에 필요할 수 있습니다.
<ol><li>228 진 핵 자와 57 간결한 SemiSWEETs Clustal 오메가 위에서 설명한 대로 맞춥니다. 정렬 결과 Clustal 오메가, 통합 이며 복사 사진 편집기 (그림 11)에 저장 하는 Jalview에 표시 될 수 있습니다. 참고: 예제에서는 정렬에 α-Proteobacteria에서 일부 SemiSWEETs 정렬 됩니다 달콤한 시퀀스의 첫 번째 MtN3/타 액 도메인 반면 달콤한 시퀀스의 두 번째 MtN3/타 액 도메인 SemiSWEETs Methanobacteria (archaea)에서 정렬 됩니다.</li>
</ol>5. 계통 발생 나무 건축 MrBayes
<ol><li>베이즈 추론 MrBayes와,에 대 한 MrBayes 실행 파일 열고 도스 인터페이스 새 창에서 올 것 이다. 첫 번째 단계는 넥서스 데이터 ﬁle를 읽을 수 있다. 입력 "execute 35.nex" 프롬프트 후 (35. nex 파일의 MrBayes 실행 파일 같은 디렉터리에 저장 하거나 그것을 업로드 하기 전에 파일의 통로 지적 기억). 다음 나열 된 taxa (그림 12)의 마지막 "성공적인 읽기 매트릭스" 메시지가 표시 됩니다. 35. nex 파일 이미 준비 되었으며 메가에 저장 (위의 2.1 참조).</li>
	<li>
진화 모델을 설정 합니다.
	<ol>
<li>입력을 한 후 "prset aamodelpr = fixed(lg); lset 요금 = g ". "Lg 전자"와 "g" 메가에 설정 되는 "lg 전자"와 "G" 모델에 해당 합니다. 모델을 성공적으로 설정한 후 입력 "mcmc nchains = 4 ngen 5000000 =" 프롬프트 후. 사용은 "nchains = 4" 항목 한 콜드 체인 및 대도시 커플링에 대 한 3 개의 뜨거운 체인의 총 수를 나타냅니다. "ngen 5000000 =" 춥고 뜨거운 체인의 융합을 위한 대도시 커플링의 5000000 세대를 실행 하는 것을 의미. 이 연구에서 평균 표준 편차 0.01 분할 주파수의 따뜻한 것과 차가운 체인의 융합으로 간주 되었다.</li>
		<li>Ngen 번호는 프로세스의 시작 부분에 정확 하 게 예측할 수 없습니다와 일반적으로 조정에 따라 분할 주파수의 평균 표준 편차에 변화. 또한, 융합을 위한 ngen 번호 수 있습니다 때 동일한 데이터를 기반 프로그램을 실행 하는 각 시간.</li>
	</ol>
</li>
	<li>
실행 분석: 이 단계는 컴퓨터의 성능과 입력된 데이터의 복잡성에 따라 몇 일 분에서 지속. 미리 계산을 완료 한 후 프롬프트가 묻습니다 "계속 분석 (예/아니요)?" "아니오" 입력 하는 경우 프롬프트 후, 컴퓨팅 (그림 13), 중지 됩니다 그렇지 않으면 계속 됩니다 추가 세대 수 입력 후 계산 하. 계산이 완료 되 면 (분할 주파수의 평균 표준 편차와 < 0.01 또는 0.05), 후 문의 프롬프트 "no"를 입력 하 여 계산을 중지. 참고: 0.01은 엄격한 기준, 0.05 온건 하 고 일반적으로 적절 한.</li>
	<li>
샘플 요약: 모델 매개 변수 (그림 14)의 샘플 요약을 프롬프트 후 "기름 통"을 입력 합니다. 다음 입력 "sumt relburnin 예 burninfrac = 0.25 =" 요약 트리 샘플 프롬프트 후. 계통 발생 나무 건축에 대 한 자세한 내용은 그림 15, 두 나무 그림 화면, 보여주는 하나의 clade 신뢰성 및 다른 표시 지점 길이에 ASC II 코드에 나타납니다 다음 처럼 표시 됩니다. 동시에 "35.nex.con"의 이름 가진 나무 파일을 자동으로 저장 됩니다.</li>
	<li>계통 발생 나무의 더 나은 프레 젠 테이, 기관 도구 (http://tree.bio.ed.ac.uk/software/figtree/) "35.nex.con" 트리 파일을 열고, 스타일 또는 크기 (그림 16) 결과 표시를 선택 또는 심지어 그것을 사진 편집기에서 편집 더 리더-친절 한.</li>
</ol>

<ol>
	<li>Nei, M., Kumar, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Molecular Evolution and Phylogenetics. , (2000).</li><li>Foth, B. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Phylogenetic+analysis+to+uncover+organellar+origins+of+nuclear-encoded+genes.">Phylogenetic analysis to uncover organellar origins of nuclear-encoded genes.</a> Methods Mol Biol. 390, 467-488 (2007).</li><li>Baldauf, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Phylogeny+for+the+faint+of+heart:+a+tutorial.">Phylogeny for the faint of heart: a tutorial.</a> Trends Genet. 19, 345-351 (2003).</li><li>Feng, D. F., Doolittle, R. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Progressive+sequence+alignment+as+a+prerequisite+to+correct+phylogenetic+trees.">Progressive sequence alignment as a prerequisite to correct phylogenetic trees.</a> J Mol Evol. 25, 351-360 (1987).</li><li>Persson, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bioinformatics+in+protein+analysis.">Bioinformatics in protein analysis.</a> EXS. 88, 215-231 (2000).</li><li>Sievers, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast,+scalable+generation+of+high-quality+protein+multiple+sequence+alignments+using+Clustal+Omega.">Fast, scalable generation of high-quality protein multiple sequence alignments using Clustal Omega.</a> Mol Syst Biol. 7, 539 (2011).</li><li>Sievers, F., Higgins, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clustal+omega.">Clustal omega.</a> Curr Protoc Bioinformatics. 48, 1-16 (2014).</li><li>Yang, Z., Rannala, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Molecular+phylogenetics:+principles+and+practice.">Molecular phylogenetics: principles and practice.</a> Nat Rev Genet. 13, 303-314 (2012).</li><li>Hall, B. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+the+accuracies+of+several+phylogenetic+methods+using+protein+and+DNA+sequences.">Comparison of the accuracies of several phylogenetic methods using protein and DNA sequences.</a> Mol Biol Evol. 22, 792-802 (2005).</li><li>Tamura, K., Stecher, G., Peterson, D., Filipski, A., Kumar, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MEGA6:+Molecular+Evolutionary+Genetics+Analysis+version+6.0.">MEGA6: Molecular Evolutionary Genetics Analysis version 6.0.</a> Mol Biol Evol. 30, 2725-2729 (2013).</li><li>Ronquist, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MrBayes+3.2:+efficient+Bayesian+phylogenetic+inference+and+model+choice+across+a+large+model+space.">MrBayes 3.2: efficient Bayesian phylogenetic inference and model choice across a large model space.</a> Syst Biol. 61, 539-542 (2012).</li><li>Chen, L. Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sugar+transporters+for+intercellular+exchange+and+nutrition+of+pathogens.">Sugar transporters for intercellular exchange and nutrition of pathogens.</a> Nature. 468, 527-532 (2010).</li><li>Xuan, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+role+of+oligomerization+for+bacterial+and+plant+SWEET+sugar+transporter+family.">Functional role of oligomerization for bacterial and plant SWEET sugar transporter family.</a> Proc Natl Acad Sci USA. 110, 3685-3694 (2013).</li><li>Hu, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Phylogenetic+evidence+for+a+fusion+of+archaeal+and+bacterial+SemiSWEETs+to+form+eukaryotic+SWEETs+and+identification+of+SWEET+hexose+transporters+in+the+amphibian+chytrid+pathogen+Batrachochytrium+dendrobatidis.">Phylogenetic evidence for a fusion of archaeal and bacterial SemiSWEETs to form eukaryotic SWEETs and identification of SWEET hexose transporters in the amphibian chytrid pathogen Batrachochytrium dendrobatidis.</a> FASEB J. 30, 3644-3654 (2016).</li><li>Holder, M. T., Zwickl, D. J., Dessimoz, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluating+the+robustness+of+phylogenetic+methods+to+among-site+variability+in+substitution+processes.">Evaluating the robustness of phylogenetic methods to among-site variability in substitution processes.</a> Philos Trans R Soc Lond B Biol Sci. 363, 4013-4021 (2008).</li><li>Alfaro, M. E., Holder, M. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Posterior+and+the+Prior+in+Bayesian+Phylogenetics.">The Posterior and the Prior in Bayesian Phylogenetics.</a> Annu Rev Ecol Evol Syst. 37, 19-42 (2006).</li><li>Suchard, M., Rambaut, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Many-core+algorithms+for+statistical+phylogenetics.">Many-core algorithms for statistical phylogenetics.</a> Bioinformatics. 25, 1370-1376 (2009).</li><li>Zierke, S., Bakos, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=FPGA+acceleration+of+the+phylogenetic+likelihood+function+for+Bayesian+MCMC+inference+methods.">FPGA acceleration of the phylogenetic likelihood function for Bayesian MCMC inference methods.</a> BMC Bioinformatics. 11, 184 (2010).</li></ol>

저자는 공개 없다.

그것은 뉴클레오티드 또는 아미노산 시퀀스8에 따라 계통 발생 나무를 만들기 위해 생물 학적 연구에 점점 더 인기 끌고있다. 일반적으로, 시퀀스 정렬, 계통 발생 나무 계산 결과의 시각화 및 적당 한 방법 또는 알고리즘, 정렬 된 시퀀스의 평가 포함 하는 실천의 세 가지 중요 한 단계가 있습니다. 제시 연구에서 열 정렬의 3 라운드 실시 했다: 첫째, 첫 번째 및 두 번째 MtN3/타 액 ...

DNA 또는 RNA 순서 생리 및 생 화 확 적인 방법을 통해 분석 하거나 형태학 및 화석 증거를 통해 관찰 될 수 있는 기본 고기에 대 한 유전 정보를가지고. 의미에서 유전 정보 외부 고기 때문에 전자는 후자에 대 한 기초 평가 보다 더 안정적입니다. 진화 연구, 화석 증거에서는 매우 직접적이 고 설득력 있는입니다. 그러나, 미생물와 같은 많은 유기 체를 긴 지질 시대 화석 형성 작은 기회가 있다. 따라서, 뉴클레오티드 시퀀스 및 관련된 현존 생물에서 아미노산 시퀀스 등 분자 정보 진화 관계1을 탐험에 대 한 가치는 있습니다. 현재 연구에서 기본적인 계통 발생 지식과 배우기 쉬운 프로토콜의 간단한 소개 자신의 계통 발생 나무를 구성 하는 이민자를 위한 제공 했다.
동종 유전자, 세포, 또는 심지어 유기2계통 발생 관계를 추론 (뉴클레오티드) DNA와 단백질 (아미노산) 시퀀스를 사용할 수 있습니다. DNA 시퀀스 동안 진화 변화에 의해 영향을 받을 가능성이 더 높습니다. 대조적으로, 아미노산 시퀀스는 훨씬 더 안정 주어진 뉴클레오티드 시퀀스에 동의어 돌연변이 아미노산 시퀀스에서 돌연변이 발생 하지 않습니다. 그 결과, DNA 시퀀스는 반면 아미노산 시퀀스는 먼 관련된 생물3에서 동종 유전자에 대 한 적절 한 밀접 하 게 관련된 유기 체에서 동종 유전자의 비교를 위해 유용 합니다.
아미노산의 맞춤으로 시작 하는 계통 발생 분석 또는 시퀀스, FASTA 형식, 즉, 상 상속 또는 표현 단백질에 나열 된 뉴클레오티드 시퀀스4 한 주석된 게놈 시퀀싱 데이터베이스5 에서 검색 RNA 순서 또는 DNA 순서. 그것은 높은-품질 시퀀스 분석을 위해 수집 하는 것이 중요 하만 동종 시퀀스 계통 발생 관계를 분석 하는 데 사용할 수 있습니다. 많은 다른 플랫폼 Clustal W, Clustal X, 근육, T-커피, MAFFT, 시퀀스 정렬에 사용할 수 있습니다. Clustal 오메가6,7 (http://www.ebi.ac.uk/Tools/msa/clustalo/), 온라인으로 사용할 수 또는 무료로 다운로드 될 수 있다는 가장 널리 사용 되는. 정렬 도구는 많은 매개 변수를 기본 매개 변수는 대부분의 경우에서 잘 작동 하지만 사용자 정렬, 시작 하기 전에 조정할 수 있습니다. 프로세스가 완료 되 면 정렬된 시퀀스 다음 단계에 대 한 올바른 형식으로 저장 해야 합니다. 그들은 다음 편집 한다 또는 메가 하 여 계통 발생 나무 건축 (를 포함 하 여 아미노산 약어 및 하이픈 길이가 되도록 시퀀스 필요 하기 때문에 BioEdit, 같은 편집 소프트웨어를 사용 하 여 손질. 정렬 된 시퀀스에는 아미노산 또는 뉴클레오티드 없이 어떤 위치 든 지 하이픈으로 표시는 "-"). 일반적으로, 튀어나온 아미노산 또는 뉴클레오티드 맞춤의 양쪽 끝에 모두 제거 되어야 한다. 또한, 열 맞춤에서 잘못 정렬 된 시퀀스를 포함 하는 그들은 약간 귀중 한 정보를 전달 하 고 때로는 혼란 또는 거짓 정보3를 줄 수 있기 때문에 삭제할 수 있습니다. 이 시간에 또는 이후 트리 건설 단계에서 하나 이상의 하이픈을 포함 하는 열을 삭제할 수 있습니다. 또는, 그들은 계통 발생 계산에 사용할 수 있습니다. 순서 정렬 및 트리밍 완료 되 면, 정렬된 시퀀스 FASTA 형식, 또는 차후 사용을 위해 원하는 포맷에 저장 한다.
많은 소프트웨어 플랫폼 다른 방법 또는 알고리즘을 사용 하 여 트리 건설 기능을 제공 합니다. 일반적으로 메서드는 거리 매트릭스 방법 또는 개별 데이터 방법으로 나눌 수 있다. 거리 매트릭스 방법 간단 하 고 빠른 계산, 개별 데이터 메서드는 복잡 하 고 시간이 많이 걸리는 동안에. 공유의 아미노산 또는 뉴클레오티드 순서, 거리 행렬 방법의 높은 수준으로 매우 밀접 하 게 관련된 taxa에 대 한 (이웃 합류: 뉴저지; 산술 평균 unweighted 쌍 그룹 방법: UPGMA) 적합 한; 먼 관련된 taxa, 개별 데이터 방법에 대 한 (최대 가능성: ML; 최대 간결: MP; 베이지안 추론) 최적의3,8입니다. 이 연구에서는 메가 (6.0.6) 및 베이지안 추론 (MrBayes 3.2) ML 방법 계통 발생 나무9를 생성에 적용 했다. 이상적으로, 적절 한 모델 및 매개 변수 사용 하는 다른 방법에서 파생 된 결과 일치, 있을 수 있습니다 그리고 그들은 따라서 더 안정적이 고 설득력 있는.
10메가 사용 하 여 건설 ML 계통 발생 나무에 대 한 프로그램으로 FASTA 형태로 정렬된 시퀀스 파일을 업로드 해야 합니다. 첫 번째 단계는 다음 업로드 된 데이터에 대 한 최적의 대체 모델을 선택 하는 것입니다. 업로드 된 순서에 따라 모든 사용할 수 있는 대체 모델을 비교 하 고 그들의 최종 점수 결과 테이블에 표시 됩니다. (테이블에 처음 나열) 작은 베이지안 정보 기준 (의 BIC) 점수와 모델을 선택 권장 모델 ML 매개 변수를 설정 하 고 계산을 시작. 계산 시간 로드 데이터 (길이 시퀀스 및 taxa의 수)의 복잡 하 고 프로그램은 실행 하는 컴퓨터의 성능에 따라 몇 일 분에서 변화 한다. 계산이 완료 되 면, 계통 발생 나무는 새 창에 표시 됩니다. "FileName.mat"로 파일을 저장 합니다. 나무의 모양을 지정 하는 매개 변수를 설정한 후 다시 한 번 저장 합니다. 이 메서드를 사용 하 여 메가 게시 학년 계통 발생 나무 그림을 생성할 수 있습니다.
MrBayes11나무 건설, 대 한 첫 번째 단계는 넥서스 형식 (파일 형식으로.nex)으로 보통 FASTA 형태로 나열 된 정렬 된 순서를 변환 하입니다. FASTA 파일 넥서스 형식으로 변형 하는 것은 메가에서 처리할 수 있습니다. 다음, 넥서스 형태로 정렬된 순서 MrBayes에 업로드할 수 있습니다. 파일이 성공적으로 업로드 하는 경우 트리 계산에 대 한 상세한 매개 변수를 지정 합니다. 이러한 매개 변수 커플링, ngen 번호 아미노산 대체 모델, 변형 률, 체인 번호 마르코프 연쇄 몬테 카를로 (MCMC)에 대 한 세부 정보를 포함, 분할 주파수의 표준 편차를 평균 하 고. 이러한 매개 변수를 지정한 후 계산을 시작 합니다. 결국, ASC II 코드, 보여주는 하나의 clade 신뢰성 및 다른 표시 지점 길이, 2 개의 나무 숫자는 화면에 표시 됩니다.
나무 결과 "FileName.nex.con"으로 자동으로 저장 됩니다. 이 트리 파일을 열 수 및 기관에 의해 편집 그리고 기관에 표시 하는 그림 추가 수 있도록 게시를 위해 더 적당 한 수정할 수 있습니다.
이 연구에서는 단 세포 진핵생물에서 35 자와 원핵생물에서 57 SemiSWEETs를 포함 하 여 228 달콤한 단백질, 예를 들어 분석 했다. 과자 및 SemiSWEETs는 막12,13에 걸쳐 포도 당과 당, 또는 자당 전송기 특징 이었다. 계통 발생 분석 과자 포함 된 두 개의 MtN3/타 액 도메인 archaeon14와 세균성 SemiSWEET의 진화 융합에서 파생 될 수 있습니다 제안 합니다.

<table><tbody><tr><td>Adobe Illustration</td><td></td><td></td><td>a graphical tool developed by Adobe Systems Software Ireland Ltd. Copyright &amp;copy; 2017</td></tr><tr><td>BioEdit</td><td></td><td></td><td>a biological sequence alignment editor written for Windows 95/98/NT/2000/XP/7. Copyright &amp;copy; Tom Hall</td></tr><tr><td>Clustal Omega</td><td></td><td></td><td>a package for making multiple sequence alignments of amino acid or nucleotide sequences.&amp;nbsp; http://www.clustal.org/</td></tr><tr><td>CorelDRAW</td><td></td><td></td><td>a graphic design software. Copyright &amp;copy; 2017 Corel Corporation</td></tr><tr><td>FigTree</td><td></td><td></td><td>a graphical viewer of phylogenetic trees designed by the University of Edinburgh</td></tr><tr><td>MEGA</td><td></td><td></td><td>MolecularEvolutionary Genetics Analysis version6.0 http://www.megasoftware.net/home</td></tr><tr><td>MrBayes</td><td></td><td></td><td>an Bayesian phylogenetic inference tool</td></tr><tr><td>NVIDIA</td><td></td><td></td><td>a company designs graphics processing units (GPUs) for the gaming and professional markets. Corporation Copyright &amp;copy; 2017</td></tr><tr><td>PAUP</td><td></td><td></td><td>Phylogenetic Analysis Using Parsimony. David Swofford&#039;s program implements the maximum likelihood method under a number of nucleotide models.</td></tr><tr><td>Photoshop</td><td></td><td></td><td>a raster graphics editor developed and published by Adobe Systems Software Ireland Ltd. Copyright &amp;copy; 2017</td></tr><tr><td>RHYTHM</td><td></td><td></td><td>a knowledge based prediction of hekix contacts. Charit&amp;eacute; Berlin &amp;ndash; Protein Formatics Group - Copyright 2007-2009</td></tr><tr><td>TMHMM</td><td></td><td></td><td>a tool for prediction of transmembrane helices in proteins. http://www.cbs.dtu.dk/services/TMHMM/</td></tr><tr><td>Compter</td><td></td><td></td><td>4 GB memory, Core 2 or above CPU. Windows 7, Windows 10</td></tr></tbody></table>

using phylogenetic analysis to investigate eukaryotic gene origin

계통 발생 분석을 사용 하 여 뉴클레오티드 또는 아미노산 시퀀스 또는 다른 매개 변수를 도메인 시퀀스 등 3 차원 구조는 분자에서 다른 taxa (분류 단위) 사이 진화 관계를 표시 하는 트리를 구성 수준입니다. 계통 발생 분석 사용할 수 있습니다 개별 taxon, 내 도메인 관계 조사를 실질적인 받은 생물 형태학과 생리학, 하지만 어떤 연구자 부족으로 인해 화석 증거에 대 한 변경에 대 한 특히는 생물의 긴 진화 역사 또는 담았다의 부족.
이 텍스트는 계통 발생 방법, 아미노산 순서 정렬 Clustal 오메가, 그리고 둘 다 최대 가능성 (ML) 분자 진화 유전학의를 사용 하 여 후속 계통 발생 나무 건축을 사용 하 여를 사용 하 여에 대 한 자세한 프로토콜 설명 분석 (메가) 및 MrBayes 통해 베이지안 추론. 진 핵 설탕 것 이다 결국 수출 전송기 수 (달콤한) 유전자의 기원 조사, 228 과자 35 달콤한 단백질에서 단 세포 진핵생물과 원핵생물에서 57 약간 단 단백질을 포함 하 여 분석 되었다. 흥미롭게도, SemiSWEETs 원핵생물에서 찾아냈다 그러나 과자는 진핵생물에서 발견 됐다. 이론적으로 다른 방법을 사용 하 여 건설의 계통 발생 나무 2 개는 지속적으로 첫 번째 핵 달콤한 유전자 세균성 약간 단 유전자와 archaeal 약간 단 유전자의 융합에서 줄기 수 있습니다 제안 했다. 그것은 하나는 결론을 끌기 위해는 계통 발생 분석에만 기반으로 어렵거나 심지어 실험 방법을 통해 분별 하는 다른 taxa 사이의 기본 관계를 설명 하는 데 유용 하지만 신중 해야 지적 가치 .

계통 발생 나무 35 달콤한 시퀀스의 첫 번째 MtN3/타 액 도메인의 모든 한 clade와 다른 clade로 클러스터 달콤한 시퀀스의 두 번째 MtN3/타 액 도메인으로 클러스터를 표시 합니다. 또한, 과자 및 SemiSWEETs의 정렬 결과 표시 일부 SemiSWEETs α-Proteobacteria에서 달콤한 시퀀스의 첫 번째 MtN3/타 액 도메인으로 정렬 SemiSWEETs Methanobacteria (archaea)에서 두 번째 MtN3/타 액과 정렬 하는 반면 달콤...

Watch this Scientific Journal Video about Using Phylogenetic Analysis to Investigate Eukaryotic Gene Origin at JoVE.com

Using Phylogenetic Analysis to Investigate Eukaryotic Gene Origin

순서 상 동 자의 진핵생물과 SemiSWEETs에서 prokaryotes에서에 따라 계통 발생 나무를 구성 하는 방법을 설명 합니다. 계통 발생 분석은 다른 유기 체 그룹에서 동종 단백질 또는 유전자 진화 relatedness를 설명 하는 유용한 도구.

사용 하 여 계통 발생 분석은 진 핵 유전자 원산지 조사

Phylogenetic analysis uses nucleotide or amino acid sequences or other parameters, such as domain sequences and three-dimensional structure, to construct ...

using-phylogenetic-analysis-to-investigate-eukaryotic-gene-origin

Research

Education

JoVE Journal

JoVE Core

Molecular Biology

Immunology and Infection

Unit 2

Genomes and Evolution

SCIENTISTS IN ACTION

15.7K 조회수.  China Three Gorges University. 순서 상 동 자의 진핵생물과 SemiSWEETs에서 prokaryotes에서에 따라 계통 발생 나무를 구성 하는 방법을 설명 합니다. 계통 발생 분석은 다른 유기 체 그룹에서 동종 단백질 또는 유전자 진화 relatedness를 설명 하는 유용한 도구.

비디오: Using Phylogenetic Analysis to Investigate Eukaryotic Gene Origin

Heuristic Mining of Hierarchical Genotypes and Accessory Genome Loci in Bacterial Populations

Routine and systematic use of bacterial whole-genome sequencing (WGS) is enhancing the accuracy and resolution of epidemiological investigations carried out by Public Health laboratories and regulatory agencies. Large volumes of publicly available WGS data can be used to study pathogenic populations at a large scale. Recently, a freely available computational platform called ProkEvo was published to enable reproducible, automated, and scalable hierarchical-based population genomic analyses using bacterial WGS data. This implementation of ProkEvo demonstrated the importance of combining standard genotypic mapping of populations with mining of accessory genomic content for ecological inference. In particular, the work highlighted here used ProkEvo-derived outputs for population-scaled hierarchical analyses using the R programming language. The main objective was to provide a practical guide for microbiologists, ecologists, and epidemiologists by showing how to: i) use a phylogeny-guided mapping of hierarchical genotypes; ii) assess frequency distributions of genotypes as a proxy for ecological fitness; iii) determine kinship relationships and genetic diversity using specific genotypic classifications; and iv) map lineage differentiating accessory loci. To enhance reproducibility and portability, R markdown files were used to demonstrate the entire analytical approach. The example dataset contained genomic data from 2,365 isolates of the zoonotic foodborne pathogen Salmonella Newport. Phylogeny-anchored mapping of hierarchical genotypes (Serovar -&#62; BAPS1 -&#62; ST -&#62; cgMLST) revealed the population genetic structure, highlighting sequence types (STs) as the keystone differentiating genotype. Across the three most dominant lineages, ST5 and ST118 shared a common ancestor more recently than with the highly clonal ST45 phylotype. ST-based differences were further highlighted by the distribution of accessory antimicrobial resistance (AMR) loci. Lastly, a phylogeny-anchored visualization was used to combine hierarchical genotypes and AMR content to reveal the kinship structure and lineage-specific genomic signatures. Combined, this analytical approach provides some guidelines for conducting heuristic bacterial population genomic analyses using pan-genomic information.

This analytical computational platform provides practical guidance for microbiologists, ecologists, and epidemiologists interested in bacterial population genomics. Specifically, the work presented here demonstrated how to perform: i) phylogeny-guided mapping of hierarchical genotypes; ii) frequency-based analysis of genotypes; iii) kinship and clonality analyses; iv) identification of lineage differentiating accessory loci.

Routine and systematic use of bacterial whole-genome sequencing (WGS) is enhancing the accuracy and resolution of epidemiological investigations carried ...

연구

유전학

Single Cell Multiplex Reverse Transcription Polymerase Chain Reaction After Patch-clamp

The cerebral cortex is composed of numerous cell types exhibiting various morphological, physiological, and molecular features. This diversity hampers easy identification and characterization of these cell types, prerequisites to study their specific functions. This article describes the multiplex single cell reverse transcription polymerase chain reaction (RT-PCR) protocol, which allows, after patch-clamp recording in slices, to detect simultaneously the expression of tens of genes in a single cell. This simple method can be implemented with morphological characterization and is widely applicable to determine the phenotypic traits of various cell types and their particular cellular environment, such as in the vicinity of blood vessels. The principle of this protocol is to record a cell with the patch-clamp technique, to harvest and reverse transcribe its cytoplasmic content, and to detect qualitatively the expression of a predefined set of genes by multiplex PCR. It requires a careful design of PCR primers and intracellular patch-clamp solution compatible with RT-PCR. To ensure a selective and reliable transcript detection, this technique also requires appropriate controls from cytoplasm harvesting to amplification steps. Although precautions discussed here must be strictly followed, virtually any electrophysiological laboratory can use the multiplex single cell RT-PCR technique.

This protocol describes the critical steps and precautions required to perform single cell multiplex reverse transcription polymerase chain reaction after patch-clamp. This technique is a simple and effective method to analyze the expression profile of a predetermined set of genes from a single cell characterized by patch-clamp recordings.

패치 클램프 후 단일 셀 다중 반전 녹음 방송 연쇄 반응

The cerebral cortex is composed of numerous cell types exhibiting various morphological, physiological, and molecular features. This diversity hampers ...

신경과학

Comprehensive Workflow for the Genome-wide Identification and Expression Meta-analysis of the ATL E3 Ubiquitin Ligase Gene Family in Grapevine

Classification and nomenclature of genes in a family can significantly contribute to the description of the diversity of encoded proteins and to the prediction of family functions based on several features, such as the presence of sequence motifs or of particular sites for post-translational modification and the expression profile of family members in different conditions. This work describes a detailed protocol for gene family characterization. Here, the procedure is applied to the characterization of the Arabidopsis T&#243;xicos in Levadura (ATL) E3 ubiquitin ligase family in grapevine. The methods include the genome-wide identification of family members, the characterization of gene localization, structure, and duplication, the analysis of conserved protein motifs, the prediction of protein localization and phosphorylation sites as well as gene expression profiling across the family in different datasets. Such procedure, which could be extended to further analyses depending on experimental purposes, could be applied to any gene family in any plant species for which genomic data are available, and it provides valuable information to identify interesting candidates for functional studies, giving insights into the molecular mechanisms of plant adaptation to their environment.

This article describes the procedure for the identification and characterization of a gene family in grapevine applied to the family of Arabidopsis T&#243;xicos in Levadura (ATL) E3 ubiquitin ligases.

게놈 넓은 식별 및 소문의 ATL E3 유비퀴틴 리가 유전자 가족의 식 메타 분석을 위한 포괄적인 워크플로

Classification and nomenclature of genes in a family can significantly contribute to the description of the diversity of encoded proteins and to the ...

생물학

A Bioinformatics Pipeline for Investigating Molecular Evolution and Gene Expression using RNA-seq

Distilling and reporting large datasets, such as whole genome or transcriptome data, is often a daunting task. One way to break down results is to focus on one or more gene families that are significant to the organism and study. In this protocol, we outline bioinformatic steps to generate a phylogeny and to quantify the expression of genes of interest. Phylogenetic trees can give insight into how genes are evolving within and between species as well as reveal orthology. These results can be enhanced using RNA-seq data to compare the expression of these genes in different individuals or tissues. Studies of molecular evolution and expression can reveal modes of evolution and conservation of gene function between species. The characterization of a gene family can serve as a springboard for future studies and can highlight an important gene family in a new genome or transcriptome paper.

The purpose of this protocol is to investigate the evolution and expression of candidate genes using RNA sequencing data.

RNA-seq를 사용하여 분자 진화 및 유전자 발현을 조사하기 위한 생물정보학 파이프라인

Distilling and reporting large datasets, such as whole genome or transcriptome data, is often a daunting task. One way to break down results is to focus ...

An Integrated Approach for Microprotein Identification and Sequence Analysis

Next-generation sequencing (NGS) has propelled the field of genomics forward and produced whole genome sequences for numerous animal species and model organisms. However, despite this wealth of sequence information, comprehensive gene annotation efforts have proven challenging, especially for small proteins. Notably, conventional protein annotation methods were designed to intentionally exclude putative proteins encoded by short open reading frames (sORFs) less than 300 nucleotides in length to filter out the exponentially higher number of spurious noncoding sORFs throughout the genome. As a result, hundreds of functional small proteins called microproteins (&#60;100 amino acids in length) have been incorrectly classified as noncoding RNAs or overlooked entirely.
Here we provide a detailed protocol to leverage free, publicly available bioinformatic tools to query genomic regions for microprotein-coding potential based on evolutionary conservation. Specifically, we provide step-by-step instructions on how to examine sequence conservation and coding potential using Phylogenetic Codon Substitution Frequencies (PhyloCSF) on the user-friendly University of California Santa Cruz (UCSC) Genome Browser. Additionally, we detail steps to efficiently generate multiple species alignments of identified microprotein sequences to visualize amino acid sequence conservation and recommend resources to analyze microprotein characteristics, including predicted domain structures. These powerful tools can be used to help identify putative microprotein-coding sequences in noncanonical genomic regions or to rule out the presence of a conserved coding sequence with translational potential in a noncoding transcript of interest.

The protocol described here provides detailed instructions on how to analyze genomic regions of interest for microprotein-coding potential using PhyloCSF on the user-friendly UCSC Genome Browser. Additionally, several tools and resources are recommended to further investigate sequence characteristics of identified microproteins to gain insight into their putative functions.

마이크로단백질 동정 및 서열 분석을 위한 통합 접근법

Next-generation sequencing (NGS) has propelled the field of genomics forward and produced whole genome sequences for numerous animal species and model ...

Evolutionary Relationships

Humans have been attempting to properly classify living things since Aristotle made the first attempt during the 4th century BC. Aristotle&#8217;s system was improved upon during the Renaissance and then, subsequently, by Carolus Linnaeus in the mid 1700&#8217;s. These more formal classification and organization systems grouped species by their physical similarity to one another. For example, all vertebrates have a backbone, but invertebrates do not. Traits like the backbone are called synapomorphies, which are traits that are shared by a group of organisms, presumably because they were derived from a common ancestor. As we will explore, this method has been shown to have limitations and has more recently been amended to include genetic analysis. Still, scientists construct trees called dendrograms to create a visual representation of how species are related to one another and share common ancestors. These dendrograms can aid in our understanding of the evolutionary processes that drive these relationships. Genetic comparisons have added an important tool guiding the analysis of evolutionary relationships.
<h4>Types of Dendrogram</h4>
A type of dendrogram, called a cladogram, depicts the hypothetical genealogical relationships between species with the tips (or leaves) of the tree representing a species and the branches showing how species are related to each other. A slightly more complicated type of tree, called a phylogram, differs from a cladogram in that the branches leading to the species are of different lengths. The length of a branch in this type of tree represents the degree of change between species: the longer the branch, the more time since the species have diverged from a common ancestor. In both types of tree, the common ancestor of a group of species is indicated by a node, which is the point where a series of branches meet. Species that are more closely related to each other (most recently shared a common ancestor) will be located closest to the node. The two species that share a node are called a sister group1.
<h4>Understanding Evolutionary Relationships using Genetic Data</h4>
Historically, cladograms were constructed by comparing the morphology (physical structure) of organisms. This method is still practiced but the techniques have been modernized to include comparison of DNA (deoxyribonucleic acid) sequences between species. Using DNA for building trees has several advantages over relying solely on morphology, including being able to calculate an estimate of how long ago different species shared a common ancestor1. However, using DNA is not always feasible, especially when trees include extinct organisms. DNA is best found in soft tissues, which are not preserved during the fossilization process, and therefore it is uncommon for a DNA sample of an extinct species to be available.
DNA is passed on from parents to their offspring in hereditary units called genes. The nucleotide (A, G, C, and T) sequence of genes found in different species are frequently quite similar, likely due to their having come from a common ancestor. This fact allows researchers to align sequences from different species with one another to build the trees described above. Species with more similarity between their nucleotide sequences will be placed next to each other in a tree, and species with less sequence similarity will be placed further apart from each other.
Bioinformatics are the tools used by biologists to analyze large datasets using a combination of computer science, mathematical modeling, and statistics. One such tool is called BLAST (Basic Local Alignment Search Tool), which can be used to quickly search the entire genome of any species that is available in the NCBI (National Center for Biotechnology Information) database2. The NCBI database combines several different databases that hold different types of DNA sequence information. The process of a BLAST search includes complex computer algorithms, but basically, BLAST aligns sequences of each nucleotide base from a submitted DNA sequence (known as the query sequence) with sequences in the data base that most closely match it. The DNA sequences that are found will be listed in order of similarity to the sequence in question, and will therefore be from species closely related to the species containing the query gene. This comparison may or may not depict the actual evolutionary relationship between species because genes evolve at different rates. Additionally, genomes sometimes contain more than one instance of a similar sequence.
Comparison of DNA sequences of genes is valuable beyond consideration of evolutionary relationships. Frequently, genes are identified in model organisms, such as the fruit fly, Drosophila melanogaster, or the mouse3. Integral to studying a gene, the function of its product is commonly identified and analyzed. If a researcher is interested in studying that function in a different organism (humans for example), BLAST or other bioinformatic tools can be used to find candidate genes based on their similarities to the genes of known function from model organisms.
Human genes can also be used as the starting point to find homologs in model organisms. In fact, human disease research depends heavily on this. Once a human gene of interest is identified, mice can be genetically manipulated to have the homologous gene disrupted, or &#8220;knocked out,&#8221; creating a model of the human disease that can be studied in order to understand and treat the disease. There are many of these mouse strains currently available. For example, there is a mouse model for human Cystic Fibrosis (CF) called the Cftr knockout mouse and another modeling atherosclerosis, called the Apoe knockout3. 
 
<h4>References:</h4>
<ol class="references">
	<li>Annenberg Learner. Online Textbook: Unit 3 Evolution and Phylogenetics. Rediscovering Biology. [Online] 2017. [Cited: August 23, 2018.] https://www.learner.org/courses/biology/textbook/compev/compev_3.html.</li>
	<li>National Center for Biotechnology Information, U.S. National Library of Medicine. BLAST: Basic Local Alignment Search Tool. [Online] https://blast.ncbi.nlm.nih.gov/Blast.cgi.</li>
	<li>National Human Genome Research Institute. Background on Mouse as a Model Organism. National Human Genome Research Institute. [Online] December 2002. [Cited: August 23, 2018.] <a href="https://www.genome.gov/10005834/background-on-mouse-as-a-model-organism/" target="__blank">https://www.genome.gov/10005834/background-on-mouse-as-a-model-organism/</a>.</li>
</ol>

Evolutionary Relationships: Using BLAST to Test Evolutionary Hypotheses - Concept

진화적 관계

Humans have been attempting to properly classify living things since Aristotle made the first attempt during the 4th century BC. Aristotle&#8217;s system ...

교육

JoVE Lab Manual

진화

Evolutionary Relationships through Genome Comparisons

Genome comparison is one of the excellent ways to interpret the evolutionary relationships between organisms. The basic principle of genome comparison is that if two species share a common feature, it is likely encoded by the DNA sequence conserved between both species. The advent of genome sequencing technologies in the late 20th century enabled scientists to understand the concept of conservation of domains between species and helped them to deduce evolutionary relationships across diverse organisms.
Genome comparison can reveal three levels of evolutionary relationships. The first level provides deep insight into sequences and protein domains that are conserved across diverse groups of organisms, such as humans and fishes. The second level increases the resolution further to identify the unique DNA elements present in the closely related species, such as humans and chimpanzees. The third level with even higher data resolution distinguishes the genetic differences within a species, such as different variants and subtypes of an organism. This high-level resolution may identify mutations particular to individual microbial strains or clusters of infected cases, helping to track the disease outbreaks.
<h4>DNA sequencing tools</h4>
Several methods can be used to obtain the DNA sequence data required to deduce evolutionary relationships. Among them, whole-genome sequencing or WGS is a widely used technique. It provides high-resolution data extremely helpful to analyze mutations and conserved sequences among several organisms. It can also identify the cause of genetic disorders by comparing the DNA sequence of affected individuals to those of other unaffected subjects.
<h4>Data analysis tools</h4>
The data obtained by WGS or similar sequencing methods is analyzed by appropriate software tools to deduce evolutionary relationships. Molecular Evolutionary Genetics Analysis (MEGA) is one of the most widely used software tools. The programs present in the MEGA, such as assembly sequence alignment, building evolutionary trees, estimating genetic distances, and computation of evolutionary time trees, allow the users to curate and interpret the raw data obtained from sequencing techniques.

게놈 비교를 통한 진화적 관계

Genome comparison is one of the excellent ways to interpret the evolutionary relationships between organisms. The basic principle of genome comparison is ...

분자생물학

유전체와 진화

주요 용어 및 개념

Genomic DNA in Eukaryotes

Eukaryotes have large genomes compared to prokaryotes. To fit their genomes into a cell, eukaryotic DNA is packaged extraordinarily tightly inside the nucleus. To achieve this, DNA is tightly wound around proteins called histones, which are packaged into nucleosomes that are joined by linker DNA and coil into chromatin fibers. Additional fibrous proteins further compact the chromatin, which is recognizable as chromosomes during certain phases of cell division.

<h4>The Human Genome Measured in Meters</h4>

Most cells in the human body contain about 6 billion base pairs of DNA packaged into 23 pairs of chromosomes. It is hard to imagine exactly how much DNA these numbers represent, and therefore it is difficult to grasp how densely packed DNA must be to fit into a cell. We can gain some insight by expressing the genome in terms of length. If we were to arrange the DNA of a single diploid cell into a straight line, it would be about two meters long!

Note that humans do not have unusually large genomes. Many fish, amphibians, and flowering plants have much larger genomes than humans. For example, the haploid genome of the Japanese flowering plant Paris japonica contains about 50 times more DNA than the human haploid genome. These figures emphasize the astonishing work that histones and other chromatin remodeling proteins must do to package DNA.

Compaction of GenomIc DNA in Eukaryotes

진핵 생물의 유전체 DNA

Eukaryotes have large genomes compared to prokaryotes. To fit their genomes into a cell, eukaryotic DNA is packaged extraordinarily tightly inside the ...

세포 과정

세포 주기와 분열

Eukaryotic Evolution

The endosymbiont theory is the most widely accepted theory of eukaryotic evolution; however, its progression is still somewhat debated. According to the nucleus-first hypothesis, the ancestral prokaryote first evolved a membrane to enclose DNA and form the nucleus. Conversely, the mitochondria-first hypothesis suggests that the nucleus was formed after endosymbiosis of mitochondria.
Contrary to the endosymbiont theory, the eukaryote-first hypothesis proposes that the simpler prokaryotic and archaeal life forms evolved from the already existing complex eukaryotic cells.
Evidence for Endosymbiont Theory 
Evidence for the endosymbiont theory comes from the many similarities that the eukaryotic organelles, like mitochondria and chloroplast, share with prokaryotic cells. Like the prokaryotic cells, mitochondria and chloroplasts contain circular, double-stranded genomes devoid of histones. These organelles also divide by the process of fission, similar to bacterial cell division, rather than by mitosis. Of the two membranes that surround them, the inner membranes resemble the bacterial plasma membrane in lipid and protein composition. Finally, the structure of genes, genetic code, and translational machinery (such as ribosomes) in these organelles are more similar to the prokaryotic machinery than eukaryotic.
LECA - Last Eukaryotic Common Ancestor
All eukaryotes are believed to have evolved from the Last Eukaryotic Common Ancestor or LECA about 1100 to 2300 million years ago. It is thought that LECA had already acquired endosymbionts like mitochondria and chloroplast by this stage. The new organelles made these ancestral cells more efficient and powerful, which allowed them to evolve novel characteristics such as multicellularity and cellular specialization. Their large cell size and internal compartmentalization also allowed their genomes to increase in size during the course of evolution. However, only a small portion of this genome encoded proteins; the major portion was non-coding DNA mostly involved in regulatory processes. The ability to turn genes on and off when required was key to cell specialization and responding to environmental changes. Phylogenetic and comparative genomic studies show five to six eukaryotic supergroups that evolved from LECA and later diverged into the plethora of life forms we see today.

진핵생물의 진화

The endosymbiont theory is the most widely accepted theory of eukaryotic evolution; however, its progression is still somewhat debated. According to the ...

Cell Biology

Unit 1

Cells, Genomes, and Evolution

Gene Evolution - Fast or Slow?

The genomes of eukaryotes are punctuated by long stretches of sequence which do not code for proteins or RNAs. Although some of these regions do contain crucial regulatory sequences, the vast majority of this DNA serves no known function. Typically, these regions of the genome are the ones in which the fastest change, in evolutionary terms, is observed, because there is typically little to no selection pressure acting on these regions to preserve their sequences.
In contrast, regions which code for a protein might experience high selection pressure, because any changes in their sequence are likely to result in a protein which is less capable of performing its function optimally. However, occasionally a mutation in one of these regions will result in a beneficial outcome that contributes to the overall fitness of the organism, and such mutations often persist and may even become fixed in populations. When comparing the frequency of these mutation events to the relatively regular changes seen in non-coding sequences, this is exceedingly rare, and so in general coding regions are considered as evolving slowly.
It is also true that there is a measurable amount of variation in the levels of sequence conservation within coding sequences, and this is seen across all organisms. For instance, take the example of a receptor protein. Such proteins typically have different regions that may perform functions such as ligand binding, or intracellular signaling, or membrane integration. In this case, a mutation in the region that is involved in ligand binding may produce a protein that is less efficient at binding the ligand. Therefore, selection pressure would likely be high on the particular nucleotides coding for this part of the protein. However, in the section of the protein which spans the membrane, there may be less effect seen if an amino acid substitution occurs, and therefore lower levels of selection pressure. Under these conditions, we might see that two regions of the same protein-coding gene might have different rates of evolution.
Sequencing Genes or Genomic Regions to Build Phylogenies
This variation in the speed of genome evolution over different regions can be studied to answer questions about evolutionary relationships. Genes and gene regions can be selected and sequenced over groups of individuals to answer questions as narrow as &#8220;are these populations potentially different species?&#8221; or as broad as &#8220;how do these phyla place into the tree of life?&#8221;. For the former, selecting a gene that has a relatively lightly conserved region would help to identify population-level differences. Conversely, to answer questions over groups as diverse as phyla, a highly conserved gene region may provide enough homology to produce a phylogeny of such groups. Commonly used regions for molecular phylogenetic analyses such as these include ribosomal rRNA genes (such as 16s rRNA, 18s rRNA, or 28s rRNA), or genomic regions known as ITS (Internal Transcribed Spacers, I or II) which sit between the ribosomal rRNA subunit genes.

Gene Evolution and Sequencing Genomic Regions to Build Phylogenies

유전자 진화 - 빠른 진화 또는 느린 진화

The genomes of eukaryotes are punctuated by long stretches of sequence which do not code for proteins or RNAs. Although some of these regions do contain ...