对地理环境导致的鸣叫声变异的反应能够预测鸣禽血液中基因表达的差异

《iScience》:Response to geographic song variation predicts differential gene expression in the blood of a songbird

【字体: 大 中 小 】 时间:2026年09月25日 来源:iScience 4.5

编辑推荐:

  亮点: - 模拟领地入侵后测量了麻雀血液中的基因表达 - 对本地歌曲的强烈反应与差异基因表达相关 - 当鸟类听到本地歌曲时,与歌曲相关的基因(FOXP2、NRXN1)的表达量增加 - 血液中的基因表达与歌曲识别能力相关 摘要: 鸟鸣在领地获取和配偶选择中起着中介作用。在对抗性互

  亮点:
- 模拟领地入侵后测量了麻雀血液中的基因表达
- 对本地歌曲的强烈反应与差异基因表达相关
- 当鸟类听到本地歌曲时,与歌曲相关的基因(FOXP2、NRXN1)的表达量增加
- 血液中的基因表达与歌曲识别能力相关

摘要:
鸟鸣在领地获取和配偶选择中起着中介作用。在对抗性互动中,本地歌曲通常比来自较远种群的歌曲引发更强烈的反应。然而,对本地歌曲与外来歌曲的不同反应的分子机制尚不清楚。我们通过结合野外行为实验和血液转录组分析来解决这一知识空白,使用被试内设计来探讨雄性鸣禽(Melospiza melodia)在听到本地和外来歌曲时是否表现出不同的基因表达。转录组谱型反映了它们对本地和外来歌曲的不同行为反应,暴露于本地歌曲的个体表现出与歌曲感知和产生、免疫反应以及能量代谢相关的基因表达增加。我们的研究表明,关键分子途径的表达变化与对地理歌声变化的行为反应相关,为信号识别和社会挑战行为反应的潜在机制提供了见解。

引言:
鸟鸣像许多物种的社会信号一样,在重要的生命历史事件中发挥着关键作用,包括领地防御和配偶吸引。长期的研究表明,雄性的领地反应和雌性的求偶信号对本地种群的歌曲反应更为强烈。这些地理响应模式表明,在社会性情境中,本地的同种歌曲比外来歌曲更具重要性,这对理解种群分化和物种形成具有重要意义。尽管关于信号介导的社会挑战的许多生态和进化方面已有大量研究,但与社会信号行为反应相关的分子机制仍知之甚少。社会互动期间的行为反应可以在几分钟到几小时内迅速引起大脑中基因表达的变化。神经转录组反应在不同物种(如刺鱼、小鼠和蜜蜂)中相似,表明这些反应可能是进化保守的。获取大脑组织以测量基因表达水平需要杀死标本;然而,这限制了每个标本只能研究一种条件,并禁止在同一个体中比较对不同刺激的行为反应。在细胞外mRNA进入血液的情况下,或者当大脑和血液中表达相似基因时,测量血液中的基因表达可能是一种替代方法。血液、大脑和其他组织之间的基因表达联系可以促进在不同实验条件下以及对濒危物种的非致命采样。一项针对斑胸草雀(Taeniopygia guttata)的实验发现,听觉皮层与外围组织血液样本中的基因表达之间存在正相关性。因此,血液中的基因表达可能有助于理解对不同生态相关刺激的生理反应。例如,一项针对野生红翅黑鹂(Agelaius phoeniceus)的研究发现,同种个体的叫声和非寄生性异种个体(褐头牛鹂;Molothrus ater)的叫声与血液中与免疫反应相关的基因表达下调有关,而对照组则是无害的非寄生性异种个体(哀鸽;Zenaida macroura)。相比之下,只有同种个体的叫声引起了与代谢相关的基因上调。然而,目前尚不清楚同一物种内暴露于本地与外来信号的个体之间的基因表达是否存在差异,这在我们关于社会挑战反应的分子关联的知识方面留下了空白。

鸣禽麻雀在北美洲广泛分布,长期以来一直是研究歌曲发展、识别和地理变异的模型。雄性鸣禽麻雀会演唱复杂的五种到十六种类型的歌曲,每种类型的歌曲通常由几个不同的短语组成,每个短语包含多种不同的音符类型。行为测试表明,雄性和雌性都能识别与歌曲地理变异相关的声学结构差异,并对来自较远种群的歌曲反应显著减弱。早期的分子研究表明,当鸣禽麻雀听到同种歌曲时,与听觉反应相关的立即早期基因ZENK的神经元表达水平会增加。这项关于鸣禽麻雀对歌曲反应的基础研究为我们研究基因表达与同种歌曲识别之间的关系提供了极好的机会。在这里,我们使用行为实验和转录组分析来测试血液中的基因表达是否反映了自由生活的雄性鸣禽对同种社会挑战的地理区分能力。我们进行了配对的被试内模拟领地入侵实验,以评估本地和外来歌曲处理对血液中基因表达的影响。此外,我们将社会挑战(本地和外来歌曲)的效果与未经历任何行为试验的个体进行了对比。我们预计,与外来歌曲相比,本地歌曲会引发更强的攻击性反应和血液中的差异表达。与早期研究一致,我们发现个体对外来歌曲的反应比对本地歌曲的反应较弱。此外,暴露于外来歌曲的个体的基因表达谱型与未经历任何社会挑战的个体相似。相反,我们发现对本地歌曲的强烈领地反应与参与歌曲感知和产生途径的基因(如FOXP2、NRXN1和GABBR2)以及免疫反应和能量代谢的基因上调表达相关。我们的发现表明,野生鸟类血液中的基因表达与对同种歌曲变异的区分能力相关,为影响社会挑战反应的潜在分子机制提供了见解。

结果:
- 对本地歌曲的行为反应更强,在第一次试验时尤其如此
- 我们对15只个体进行了被试内的配对行为试验。7只个体在第一次试验中听到本地歌曲,然后在第二次试验中听到外来歌曲;其中1只在再次测试前离开了其领地,剩下的7只在第二次试验中听到本地歌曲(见STAR方法;表1)。我们发现个体对本地歌曲的反应更强烈(即在试验中平均接近距离更近;β = 1.08 [0.04:2.14], p = 0.04;此后,括号内的数字为95%置信区间)。我们还观察到了试验顺序的影响:个体在第一次试验中的反应比在第二次试验中更强烈(图1和S1B;β = 1.17 [0.09:2.21]; p = 0.03)。我们没有发现处理和试验顺序之间的交互作用(β = 0.11 [?2.00:2.32]; p = 0.94)。使用非参数模型也得到了类似的结果,处理(p = 0.03)和试验顺序(p < 0.001)有显著效应。
- 在第一次试验中,雄性鸣禽麻雀对本地歌曲的接近距离比对外来歌曲更近(图1和S1A);在第一次试验中的接近距离比在第二次试验中更近(图1和S1B;β = 1.17 [0.09:2.21]; p = 0.03)。

本地歌曲处理组的样本量为15只个体(7只接受本地歌曲处理,8只接受外来歌曲处理),第二次试验的样本量为14只个体(7只接受本地歌曲处理,7只接受外来歌曲处理)。箱线图采用Tukey风格:箱子由第一(Q1)和第三(Q3)四分位数界定,粗线是中位数;须状部分超出Q1和Q3四分位数范围的1.5倍,超出须状部分的圆圈是异常值。圆圈代表个体,实心圆表示第一次试验的个体,空心圆表示第二次试验的个体。线条连接第一次和第二次试验中的相同个体。星号表示比较结果显著不为零(贝叶斯多层次模型)。

本地歌曲处理组在第一次试验中的样本量为15只(7只接受本地歌曲处理,8只接受外来歌曲处理),第二次试验的样本量为14只(7只接受本地歌曲处理,7只接受外来歌曲处理)。图中的箱线图显示了血液样本量和行为试验的数量。

为了了解社会挑战与无社会挑战对基因表达的影响,我们研究了在第一次试验中听到本地或外来歌曲的个体与未经历任何行为试验的个体(基线对照)之间的表达谱型是否不同。基线个体的样本量为10只,外来歌曲处理组为8只,本地歌曲处理组为7只(表1)。我们发现基线个体的表达谱型与外来歌曲处理组的个体更为相似(图2和S7;表S1和S5),但未发现距离扬声器、处理时间或捕获时间对表达水平有影响(表S9和S10)。我们检测到本地和外来处理之间有21个差异表达基因(DEGs;16个上调,4个下调),本地处理与基线之间有38个DEGs(27个上调,11个下调),外来处理与基线之间有5个DEGs(4个上调,1个下调)(表S1、S5和S7)。与本地歌曲处理(本地 vs. 外来,本地 vs. 基线)的对比共享了15%(8个基因)的DEGs,而与外来歌曲处理(外来 vs. 本地,外来 vs. 基线)的对比共享了4%(2个基因),没有一个DEG同时出现在所有对比中(图2)。通过基因集富集分析,我们发现本地和外来歌曲对比中的上调DEGs与神经元和认知发展、发声和听觉学习以及社会行为相关(例如FOXP2、GABBR2、NRXN1、CNTNAP2、GLI3;表S2),而下调DEGs与免疫和精子功能相关(例如ZRBP2;表S3)。相反,本地歌曲与基线对比中的上调DEGs与突触前膜组织(例如NRXN1、IL1RAPL1)和磷酸酶活性(例如PFKFB3、PPP1R14C;表S5)相关,而下调DEGs与DNA损伤传感器和肿瘤抑制相关(例如BRCA1-CtIP-ZBRK1抑制复合体;表S6)。外来歌曲与基线对比中的下调DEGs与蛋白质和脂质代谢相关(DBT;表S8),而上调DEGs未与任何本体术语相关。

图2:在第一次试验中,本地歌曲处理的表达与外来歌曲处理和基线不同,而在外来歌曲处理与基线之间的对比中差异表达的基因较少。相比之下,模块表达在外来歌曲处理和基线之间是相似的。在“绿松石”模块中的基因包括转录因子、RNA合成和代谢的调控、社会行为、语言发展以及多种体细胞发育异常(DOT1L、ACVR2A、NSD1、NCOR1、MED13和CREBBP;表S11)。此外,我们发现一个基因模块与距离扬声器的距离呈正相关(蓝色模块,r = 0.42,p = 0.04;图3C和S2)。在“蓝色”模块中的基因与免疫反应的积极调控有关(例如BANK1、WASL、GPRIN3和RHOH;表S12)。我们没有发现任何基因模块与捕获时间(从开始播放直到从雾网中取出个体所需的时间)或处理时间(从从雾网中取出个体直到采血所需的时间)相关(图S1)。

图3 WGCNA模块特征基因值与第一次试验中的处理方式和距离扬声器的距离相关。

**图注:**
(A) “绿松石”模块的特征基因值显示了在第一次试验中,与外来歌曲处理相比,本地歌曲处理的差异表达。
(C) “蓝色”模块的特征基因值与距离扬声器的距离呈正相关(基线样本未定义;r = 0.42,p = 0.04;WGCNA相关性检验)。样本量为10只基线个体、8只接受外来歌曲处理的个体和7只接受本地歌曲处理的个体。箱线图采用Tukey风格:箱子由第一(Q1)和第三(Q3)四分位数界定,粗线为中位数; whiskers超出Q1和Q3的1.5倍四分位数范围,超出whiskers的圆点是异常值。圆圈代表每个处理组中的个体。星号表示显著不为零的对比,NC表示不显著不为零(贝叶斯多层次模型)。

(B) “绿松石”和(D) “蓝色”模块网络图显示了网络成员资格大于|0.6|的基因。

我们分析了配对试验,以估计处理方式和试验顺序对基因表达的影响(N = 8只个体,每只个体测试两次,共16个样本;表1)。基线个体没有试验顺序,因此排除在此分析之外。歌曲处理方式(而非试验顺序)影响了基因表达(图4)。我们发现6个上调的DEGs和1个下调的DEG在本地歌曲和外来歌曲之间的比较中(表S13),而与试验顺序、距离扬声器的距离、处理时间或捕获时间无关(表S14–S17)。上调的DEGs与细胞黏附(例如CDH18、PCDH7和CADM2)、听觉和声音行为(CNTNAP2)以及糖胺聚糖代谢(GPC6;表S18)有关。下调的DEG与糖脂和碳水化合物代谢有关(LCT;表S19)。

图4 在配对试验中,本地歌曲处理与外来歌曲处理的表达不同,但与试验顺序无关。

**图注:**
(A) 所有DEGs与处理方式和试验顺序之间的PCA图;圆圈代表每个处理组中的个体,实心圆圈代表第一次试验中的个体,空心圆圈代表第二次试验中的个体;字母表示个体标识。样本量为8只个体,每只个体在第一次或第二次试验中分别接受本地和外来歌曲。
(B) 文氏图显示了处理方式和试验顺序影响的DEG数量和百分比。
(C–D) 处理方式和顺序效果的平均差异图,显示对数倍数变化与每百万计数。每个点代表一个基因;灰色的基因没有差异表达,红色的基因显著上调,蓝色的基因显著下调。

通过WGCNA,我们发现一个与处理方式相关的基因模块,即darkorange2(r = 0.54;p = 0.03),但没有与试验顺序、捕获时间或处理时间相关的模块(图5和S3)。darkorange2模块中的基因与细胞连接、神经系统发育和自闭症行为有关(在人类中)。该模块中的一些基因与第一次试验和基线时检测到的相同DEGs相同(FOXP2、GABBR2、NRXN1、CNTNAP2;表S20)。此外,我们发现一个与距离扬声器的距离呈负相关的基因模块(plum1,r = ?0.63;p = 0.008),以及两个与距离扬声器的距离呈正相关的基因模块(dark slateblue,r = 0.59,p = 0.02;ivoir,r = 0.51,p = 0.04;图5和S3)。plum1模块中的基因与TP53活性调控有关(如UBC、TPX2、TAF9B、RAD9A和TAF7L),dark slateblue模块中的基因与疼痛有关(如KCNEM1、ATP8B1、RET和IKZF2),ivoir模块中的基因与色氨酸代谢有关(ALDH9A1、TDO2、DHTKD1和DMPK;表S21–S23)。

图5 WGCNA模块特征基因值与处理方式和距离扬声器的距离相关,但与试验顺序无关。

**图注:**
(A) darkorange2模块的特征基因(ME)与处理方式显著相关,但与试验顺序无关。星号表示对比显著不为零(贝叶斯多层次模型)。样本量为8只个体,每只个体在第一次或第二次试验中分别接受本地和外来歌曲(16个样本)。箱线图采用Tukey风格:箱子由第一(Q1)和第三(Q3)四分位数界定,粗线为中位数;whiskers超出Q1和Q3的1.5倍四分位数范围,超出whiskers的圆点是异常值。圆圈代表每个处理组中的个体,实心圆圈代表第一次试验中的个体,空心圆圈代表第二次试验中的个体。(B) darkorange2模块图显示了网络成员资格大于|0.6|的基因。

**讨论:**
使用被试内设计,我们复制了之前的发现,即鸣禽对本地歌曲的领土反应比对外来歌曲更强烈。值得注意的是,我们发现接触这些不同的歌曲处理方式与血液中的差异基因表达相关。接触外来歌曲的个体与其未受到任何社会挑战的基线个体有更相似的表达谱型,而接触本地歌曲的个体则不然。此外,我们发现在第一次试验中鸟类的行为反应比在第二次试验中更强,而基因表达仅受歌曲处理方式的影响,试验顺序没有影响。综合这些结果,我们的研究表明,对细微地理歌曲变化的识别会引发快速的转录变化(即,在1.5小时内),这些变化可以在鸣禽的血液中检测到。这些发现对于我们理解信号识别的分子相关性以及信号群体分化具有重要意义,同时也说明了血液采样作为一种非侵入性、非致命的信号识别生物标志物检测方法的可行性。

在第一次试验中,我们发现歌曲处理方式和试验顺序对行为反应有影响,接触本地歌曲的个体以及他们在第一次试验中的表现比接触外来歌曲的个体和第二次试验中的表现更接近。此外,行为反应的强度(与扬声器的距离)与一个与免疫反应相关的基因模块的表达降低有关。在本地歌曲处理中检测到上调基因,这些基因通常与声音和听觉学习以及社会行为相关(例如FOXP2、GABBR2、NRXN1和CNTNAP2),鉴于这些基因功能已在鸟类、哺乳动物及其他与声音交流有关的动物的脑核中被描述。然而,在成体个体的外周组织中,这些基因还与其他生理功能相关,而不仅仅是与歌曲的神经处理相关。例如,成年大鼠和人类外周组织中的FOXP2表达还与炎症反应和癌症有关。GABBR2与肢体等部位的血管生成有关,NRXN1也在自闭症谱系障碍患者的外周血液白细胞中表达。因此,这些“与歌曲相关”的基因可能反映了其他方面,如由于本地歌曲在试验期间引起的更大压力水平、身体运动和代谢需求,而不一定是声音行为或听觉反应。然而,有一条证据可能支持这些特定基因表达模式与歌曲辨别有关。我们在早春繁殖季节进行了实验,这时鸣禽的大脑经历了神经可塑性的季节性变化,与声音相关的核团和基因的表达增加。由于大脑和外周血液中的基因表达已被证明是相关的,因此可能与听觉歌曲相关的基因表达可能在外周血液中检测到。不幸的是,我们的研究并未设计来测量这种脑-血关联,未来的研究需要验证这一点(见研究的局限性)。

本地歌曲处理的试验引起的基因表达谱型比外来歌曲处理和基线个体的试验更明显(即,有更多的DEGs和模块特征基因)。这一发现与本地歌曲代表更显著信号的观点一致,这种信号引发了更大的基因表达变化。此外,歌曲处理方式与基线个体的对比减少了对缺乏对照组的情况下可能出现的假阳性的担忧。与基线相比,本地歌曲处理引发了与DNA损伤感知和肿瘤抑制相关的DEGs(例如BRCA1-CtIP-ZBRK1抑制复合物,该复合物也参与氧化应激反应),而外来歌曲引发了与蛋白质和脂质代谢相关的基因的更大表达(例如IGDCC4、DBT)。与基线表达水平相比,这些DEGs可能反映了应对社会挑战所引起的压力和身体劳累。然而,我们观察到的这些外周生理过程与表达模式之间的关联需要未来的测试来验证。

被试内设计和试验顺序的影响
被试内配对设计有助于控制个体差异,同时(理想情况下)仅改变感兴趣的处理方式。然而,在本研究中,由于我们需要在个体接受本地和外来歌曲处理后采集血液样本,因此捕获过程引入了与实验刺激内容无关的额外干扰。在第一次试验中,鸟类对我们的实验设置(实验者的存在、设备、捕获和血液采样)是陌生的;而在第二次试验中,它们较弱的行为反应和避免再次被捕获的逃避动作可能表明它们意识到了实验者和/或我们的设置。尽管如此,我们发现接触本地歌曲的个体与接触外来歌曲的个体相比显示出差异基因表达,无论试验顺序如何。之前的关于鸣禽的被试内行为研究并未发现顺序效应,可能是因为这些鸟在第一次试验后没有被捕获、标记和采血,而是在完成所有行为测试后才被捕获和标记。此外,这些先前的研究使用的实验刺激持续时间较短(6分钟),而本研究的持续时间较长(30分钟),这也可能解释了这里观察到的试验顺序效应。

尽管试验顺序对行为反应有影响,但在比较第一次和第二次试验中采样的个体的表达水平时,我们没有检测到任何与试验顺序相关的基因模块。相反,我们确实检测到了一些在本地和外来歌曲处理之间不同的DEGs和一个基因模块,以及三个与行为反应强度(与扬声器的距离)相关的基因模块。在我们的分析中,重点关注了个别差异表达基因(DEGs),发现差异表达主要与参与听觉和发声行为的基因(如CNTNAP2)以及神经元细胞黏附相关基因(例如CDH18、PCDH7和CADM2)有关,尽管这些基因在小鼠和人类中也参与心肌功能、肿瘤抑制和能量平衡。首次实验与配对实验之间的基因表达模式差异可能是由于样本量较小以及配对实验的统计功效较低所致。通过WGCNA分析,我们发现与配对实验中的歌声处理相关的基因模块包含了首次实验和基线分析中共同出现的与歌声相关的基因(如FOXP2、GABBR2和NRXN1)。与行为反应强度(距离扬声器的距离)相关的基因模块与肿瘤抑制呈负相关,而与疼痛和色氨酸代谢呈正相关。综合来看,配对实验的结果表明,尽管实验顺序和两次实验中的血液采样都会对行为反应产生影响,但本地歌曲和外来歌曲仍与血液中的差异基因表达有关。这些基因的功能意义以及它们在多大程度上反映了大脑的基因表达情况,应该是未来研究的重点。

对于种群分化和物种形成的影响,叉头框(FOX)转录因子家族中的基因(如FOXP2)以及其他基因(如神经素1(NRXN1)是种群分化的潜在候选基因。在大脑中,这些基因参与发声和听觉学习以及发声产生,许多研究已经证明了它们在鸟类歌声学习和产生中的重要性。此外,FOX和神经素基因是进化过程中频繁选择的目标,形成了脊椎动物间高度分化的热点区域。例如,Pogoniulus tinker鸟类物种间的杂交后代由于NRXN1基因的混血现象,其歌声不那么稳定且节奏被打乱,这可能解释了该基因位点上的选择压力和高度分化。我们发现,在本地歌曲与外来歌曲处理对比中,FOXP2、NRXN1和其他与歌声相关基因的差异表达表明,这些基因可能在种群分化的早期阶段就发挥了作用。为了验证这些基因在物种形成过程中的作用,需要进行基因组学研究来检测与歌声相关基因位点的分化,并通过血液和大脑中的基因表达分析来进行进一步研究。

本研究的几个局限性需要在解释结果时加以考虑。样本量较小是其中一个限制因素,它降低了估计行为反应和处理间基因表达谱的统计功效。由于伦理方面的考虑,我们最多只能在野外测试15只个体,并对其进行配对行为实验和血液采样;另外还有10只个体仅进行了血液采样而没有进行行为实验。如前所述,由于第二次实验中捕捉、标记和采血的难度增加,第二次实验的血液样本量进一步减少到8只个体。这种行为变化表明了另一个局限性。尽管配对设计是行为生态学研究的关键方法,且血液采样是一种侵入性较小的基因表达测量方法,但捕捉和采血过程本身会对鸟类的行为产生影响,也可能对其血液中的基因表达造成干扰。未来的研究应使用实时PCR技术来验证与歌声处理相关的基因和免疫相关基因的表达情况。最后,由于我们没有采集脑组织样本(因为致命性采样会使配对设计无法实施),我们无法确定血液中的这些与歌声相关基因是否来源于大脑。因此,未来需要同时采集血液和脑组织样本,以检测这些组织中的基因表达与本地歌曲和外来歌曲之间的相关性。

关于本研究及其支持数据的咨询,请联系Gabriel Macedo(gabriel.biologia17@gmail.com)。

本研究未生成新的材料。所有样本的原始测序数据和原始基因计数数据存档在NCBI GEO中:GSE330656(https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE330656)。行为和基因计数数据存档在Mendeley数据中(https://doi.org/10.17632/6bmt84jpcp.1)。用于复制本研究中所有分析和图表的自定义R代码也存档在Mendeley数据中(https://doi.org/10.17632/6bmt84jpcp.1)。如需重新分析本文报告的数据,可向负责人咨询以获取更多信息。

我们感谢杜克大学医学院提供的测序和基因组技术共享资源,包括库制备、RNA测序(RNA-seq)和生物信息学服务,特别是Joseph Prinz在生物信息学方面的支持,以及Devi Swain Lenz在测序方面的帮助。我们也感谢Pymatuning生态实验室在野外工作期间提供的设施和款待,以及宾夕法尼亚州游戏委员会和宾夕法尼亚州公园管理局提供的野外站点使用权。同时,我们也感谢Tessa Patton提供有用的RNA-seq分析代码,以及Lipshutz实验室的所有成员对早期手稿版本的讨论和评论。我们还要感谢Dr. Divya Murthy和三位匿名审稿人提供的深思熟虑且富有建设性的反馈。

本项工作得到了杜克大学对S.N.和S.L.的支持,以及NSF IntBIO DBI(2316364)对S.L.的支持。

作者贡献:
G.M.:数据收集(同等贡献)、方法学设计(同等贡献)、数据分析(主要负责)、数据可视化(主要负责)、初稿撰写(同等贡献)及修订编辑(同等贡献);
B.M.:数据收集(同等贡献)和方法学设计(同等贡献);
S.P.:概念构思(同等贡献)、方法学设计(同等贡献)及修订编辑(辅助);
S.L.:概念构思(同等贡献)、数据收集(同等贡献)和方法学设计(同等贡献)、资金获取(同等贡献)、数据分析(同等贡献)、修订编辑(同等贡献)。

作者声明没有利益冲突。

在本研究或手稿准备过程中,作者没有使用任何生成式AI或AI辅助技术。

**方法**
关键资源表格:
- **试剂或资源**:
- RiboPure RNA纯化试剂盒(Thermo Fisher)AM1924Kapa Hyper Prep
- Roche 07962347001

**存档数据**:
- 原始RNA-seq数据:GEO访问编号:GSE330656(https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE330656)
- 行为和基因计数数据:https://doi.org/10.17632/6bmt84jpcp.1

**参考基因组**:
- Song sparrow (Melospiza melodia) 参考基因组:Louha等人,RefSeq组装GCF_035770615.1(https://doi.org/10.1534/g3.119.400929)

**软件和算法**:
- Cytoscape 3.10.3(Shannon等人,https://cytoscape.org/https://doi.org/10.1101/gr.1239303)
- fastp 1.0(Chen,https://doi.org/10.1002/imt2.70078)
- STAR:超快速通用RNA-seq对齐器(Dobin等人,https://doi.org/10.1093/bioinformatics/bts635)

**用于复制分析和图表的R代码**:
- 存档在Mendeley数据中(https://doi.org/10.17632/6bmt84jpcp.1)接下来,我们使用雾网捕获了目标个体,并用美国鱼类及野生动物服务局的金属环和独特的颜色环对其进行标记,然后用Pesola称其体重(结果接近0.1克)。随后,我们使用鸟类学尺子测量了其右跗节和扁平化右翼的长度。从安静阶段结束到捕获的平均时间为:第一次试验为1.27 ± 0.52分钟(平均值 ± 标准误),第二次试验为4.88 ± 1.68分钟。最后,我们佩戴丁腈手套并使用经过RNA酶处理和95%乙醇清洁的工具,通过腕静脉穿刺获取了20微升的血液样本。我们将血液样本置于Thermo Fisher Scientific公司的冷冻管中,并立即在干冰(-78.5°C)中冷冻。这些血液样本被储存在-80°C的冷冻柜中,以备后续分析。

我们对所有15个目标个体进行了配对行为试验,分别使用本地歌曲和外来歌曲进行测试,但有一个个体在第二次试验时未在其领地被找到。在第一次试验中捕获、标记并获取血液样本后,这些个体明显意识到了雾网的存在,有些个体避免了再次被捕获。如果我们在安静阶段结束后30分钟内未能再次捕获到目标个体(这可能会影响基因表达),我们就认为再次捕获尝试失败了。总共,我们重新捕获了15个目标个体中的8个,但未能重新捕获剩下的7个;其中有一个个体是在第二次试验时未在其领地被找到的。

**基线(对照)组**
为了获得未暴露于实验性社交挑战的个体的基线基因表达谱,我们还捕获了另外10只雄性鸣雀并采集了血液样本,但没有对这些个体进行行为试验,仅用一段持续时间较短的歌曲录音(少于1分钟)将它们引向雾网。基线个体的繁殖条件与测试个体相同,即都在保卫领地,并且具有发育成熟的泄殖腔突起。此外,尽管捕获和获取血液样本的过程相对较短,但它们本身可能会影响个体的压力水平和基因表达,无论实验刺激的内容如何。因此,基线个体也有助于解释研究设计的这些其他影响。

**量化和统计分析**
我们使用brms软件通过贝叶斯多层次模型比较了不同处理组和试验中个体与扬声器的距离。由于距离扬声器的距离呈右偏态分布且不符合正态分布,我们从每个观察值中减去了最小值,使得最小距离值为零。然后我们使用了一个具有零障碍值的对数正态分布模型。对数正态分布模型采用两步过程:首先,logit链接函数模拟观察结果是零还是正数的二元结果;接着,用对数正态分布和对数恒等链接函数对正数值进行建模。与正态分布、对数正态分布或偏态正态分布相比,对数正态分布模型更适合数据。

作为解释变量,我们将处理类型(本地歌曲或外来歌曲)和试验顺序(第一次或第二次试验)指定为群体层面的(固定)效应,将个体识别指定为群体层面的(随机)效应。我们对群体层面效应使用弱信息正态先验(N~0, 2;均值,标准差),对群体层面效应和残差标准差使用伽马先验(Gamma~1, 1;率,形状参数)。我们使用四个马尔可夫链运行模型,稀疏率为1,并进行了10,000次迭代(其中50%用于预热)。我们通过迹图、Gelman-Rubin诊断方法、后验预测检验和链自相关图来评估模型的收敛性和拟合度。我们使用R包bayestestR获得了贝叶斯模型的P值,该软件将贝叶斯效应的最大概率(或方向概率)转换为P值。当95%的置信区间不与零重叠且p<0.05时,我们认为效应存在(在图中用星号标记效应显著不同于零的情况,用“NC”标记效应不显著不同于零的情况)。由于样本量较小(15个个体,每个个体测试两次),我们还使用R包np进行了非参数核回归,以便与贝叶斯模型的结果进行比较。我们将处理类型和试验顺序作为固定效应,但由于np包当前的实现不支持随机效应,我们将个体识别指定为固定效应。我们在非参数模型中使用1,000次自助法复制来测试效应的显著性。

**RNA提取**
我们使用RiboPure RNA纯化试剂盒(Ambion)从全血中提取了总RNA。提取后,我们加入DNAse I并在37°C下孵育30分钟以去除RNA中的基因组DNA。平均RNA浓度为40.26 ng/uL。使用高灵敏度的TapeStation Fragment Analyzer(Agilent Technologies)和RNA试剂盒,平均RIN值为9.37。

**文库制备和测序**
我们将总RNA提交给杜克大学测序和基因组技术核心设施(SGT)进行处理。虽然人类血液的RNA研究通常涉及血红蛋白的去除,但在这里我们选择增加读取次数,因为目前没有适用于鸟类的探针。文库制备使用了KAPA HyperPrep方法,并包括了mRNA多聚A富集。使用NovaSeq X Plus 10B测序仪的3个通道对150bp的reads进行了配对末端测序,每个样本平均生成了1.085亿条读段。

**生物信息学**
我们使用fastp工具包处理RNA-seq数据,修剪了3′端的质量较低的碱基和测序接头,然后使用STAR RNA-seq比对工具将读取序列映射到鸣雀的参考基因组bMelMel2(RefSeq组装GCF_035770615.1)上。与单个基因组位置比对的读段被累积在各个基因上。我们鉴定出了21,141个基因。正如预期的那样,表达最丰富的基因是LOC134426298(血红蛋白α-A亚基),平均计数为11,438,449次,其次是LOC134431771(血红蛋白β亚基),计数为9,938,971次,以及LOC134426297(血红蛋白α-D亚基),计数为5,234,548次。

**差异表达分析**
我们使用edgeR R包进行了差异表达分析。在第一次试验中,本地歌曲处理的样本量为7个个体,外来歌曲处理的样本量为8个个体。作为基线对照,样本量为10个个体。配对试验(即在第一和第二次试验中都被采样的个体)的样本量为8个个体。首先,我们使用edgeR中的filterByExpr函数研究了第一次试验中接受本地歌曲和处理外来歌曲的个体与基线个体(无社交挑战)之间的表达谱差异。在第一次试验中,我们保留了至少在7个样本中每百万计数超过3次的基因。然后,为了研究处理类型和试验顺序对表达谱的影响,我们比较了配对试验中的本地歌曲和处理外来歌曲的处理效果。在配对试验中,我们保留了至少在8个样本中每百万计数超过2次的基因。基线样本未被纳入配对试验的分析,因为基线样本没有试验顺序,这会导致模型矩阵因因子组合为空而不够完整。在线性模型中,我们将捕获时间(从播放开始到个体被捕获的分钟数)、处理时间(从个体从雾网中取出到采集血液的分钟数)以及与扬声器的距离作为协变量。由于我们没有发现这些协变量对基因表达有显著影响,因此在最终模型中未将其包括在内,以避免因样本量小而导致的过度参数化。在假发现率校正(FDR)后,如果p<0.05,我们认为这些基因是差异表达基因(DEGs)。

**RNA提取**
我们使用RiboPure RNA Purification Kit(Ambion)从全血中提取了总RNA。提取后,我们加入DNAse I并在37°C下孵育30分钟以去除RNA中的基因组DNA。平均RNA浓度为40.26 ng/uL。使用TapeStation Fragment Analyzer(Agilent Technologies)和高灵敏度RNA试剂盒,平均RIN值为9.37。

**文库制备和测序**
我们将总RNA提交给杜克大学测序和基因组技术核心设施(SGT)进行处理。尽管人类血液的RNA研究通常涉及血红蛋白的去除,但在这里我们选择增加读取次数,因为目前没有适用于鸟类的探针。文库制备使用了KAPA HyperPrep方法,并包括了mRNA多聚A富集。使用NovaSeq X Plus 10B测序仪的3个通道对150bp的reads进行了配对末端测序,每个样本平均生成了1.085亿条读段。

**生物信息学**
RNA-seq数据使用fastp工具包进行处理,修剪了3′端的质量较低的碱基和测序接头,然后使用STAR RNA-seq比对工具将其映射到鸣雀的参考基因组bMelMel2(RefSeq组装GCF_035770615.1)上。与单个基因组位置比对的读段被累积在各个基因上。我们鉴定出了21,141个基因。正如预期的那样,表达最丰富的基因是LOC134426298(血红蛋白α-A亚基),平均计数为11,438,449次,其次是LOC134431771(血红蛋白β亚基),计数为9,938,971次,以及LOC134426297(血红蛋白α-D亚基),计数为5,234,548次。

**差异表达分析**
我们使用edgeR R包进行了差异表达分析。在第一次试验中,本地歌曲处理的样本量为7个个体,外来歌曲处理的样本量为8个个体。作为基线对照,样本量为10个个体。配对试验(即在第一和第二次试验中都被采样的个体)的样本量为8个个体。首先,我们研究了第一次试验中接受本地歌曲和处理外来歌曲的个体与基线个体(无社交挑战)之间的表达谱差异。在第一次试验中,我们使用edgeR中的filterByExpr函数保留了至少在7个样本中每百万计数超过3次的基因。然后,为了研究处理类型和试验顺序对表达谱的影响,我们比较了配对试验中的本地歌曲和处理外来歌曲的处理效果。在配对试验中,我们通过将个体识别纳入模型来考虑重复测量的影响。在配对试验中,我们保留了至少在8个样本中每百万计数超过2次的基因。基线样本未被纳入配对试验的分析,因为基线样本没有试验顺序,这会导致模型矩阵的秩不足。在线性模型中,我们将捕获时间(从捕获播放开始到个体被捕获的分钟数)、处理时间(从个体从雾网中取出到采集血液的分钟数)以及与扬声器的距离作为协变量。由于我们没有发现这些协变量对基因表达有显著影响,因此未将它们纳入最终模型,以避免因样本量小而导致的过度参数化。在假发现率校正(FDR)后,如果p<0.05,我们认为这些基因是差异表达基因(DEGs)。

**加权的基因共表达网络分析**
由于表达谱通常显示许多相互作用基因的协调变化,仅分析单个DEGs可能无法捕捉到这些新兴特性。因此,我们使用R包WGCNA进行了加权基因共表达网络分析,并使用Cytoscape 3.10.3生成了基因网络图谱。与edgeR中的基因组线性模型类似,我们指定了第一次试验中的处理/基线效应,在配对试验中还指定了试验顺序和个体识别的效应。此外,我们还测试了捕获时间、处理时间和与扬声器的距离的影响。由于基线样本与扬声器的距离未定义,因此在第一次试验的WGCNA中将距离设置为缺失值(NA)。我们像在edgeR和DESeq2中的分析一样过滤基因,并对读深度进行了归一化,并使用DESeq2提取了方差稳定的转换(vst)读段计数。我们使用软阈值(βt)值构建了共表达矩阵,其中平均值连接度在第一次试验中为βt = 12;在配对试验中为βt = 9,以获得无尺度的拓扑结构。我们使用DESeq2的DEFormats R包将edgeR和DESeq2数据格式进行了转换。我们使用R包gprofiler2进行了基因集富集分析,以识别与DEGs相关的基因本体术语和途径。

在edgeR中,表达谱通常显示许多相互作用基因的协调变化,因此仅分析单个DEGs可能无法捕捉到这些新兴特性。因此,我们使用R包WGCNA进行了加权基因共表达网络分析,并使用Cytoscape 3.10.3生成了基因网络图谱。与edgeR中的基因组线性模型类似,我们指定了第一次试验中的处理/基线效应,在配对试验中还指定了试验顺序和个体识别的效应。此外,我们还测试了捕获时间、处理时间和与扬声器的距离的影响。由于基线样本与扬声器的距离未定义,因此在第一次试验的WGCNA中将距离设置为缺失值(NA)。我们按照上述在edgeR和DESeq2中的分析方法过滤基因,并对读深度进行了归一化,并使用DESeq2提取了方差稳定的转换(vst)读段计数。我们使用软阈值(βt)值构建了共表达矩阵,其中平均值连接度在第一次试验中为βt = 12;在配对试验中为βt = 9,以获得无尺度的拓扑结构。然后,我们使用p<0.05的阈值将高度相关的模块合并。接下来,我们使用模块特征基因值作为贝叶斯多层次模型和非参数核模型中的响应变量来测试处理效应。在配对试验中,我们将处理类型和试验顺序作为群体层面的效应(或在非参数模型中作为固定效应)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号