Name: using phylogenetic analysis to investigate eukaryotic gene origin
Uploaded: 2018-08-14T12:30:00.000+00:00
Duration: 8 min 57 s
Description: Watch this Scientific Journal Video about Using Phylogenetic Analysis to Investigate Eukaryotic Gene Origin at JoVE.com

Diese Arbeit wurde von der National Natural Science Foundation of China (31371596), Bio-Technology Research Center, China drei-Schluchten-Universität (2016KBC04) und die naturwissenschaftlichen Grundlage der Provinz Jiangsu, China (BK20151424) unterstützt.

(1) Sequenzalignment
<ol><li>
Aminosäure-Sequenzen von eukaryotischen SÜß und prokaryotischen SemiSWEET in separaten Dokumenten zu sammeln und in der Liste im FASTA-Format. Sequenzen von National Center für Biotechnology Information (NCBI), European Molecular Biology Laboratory (EMBL) und der DNA Data Bank of Japan (DDBJ) Datenbanken durch Ähnlichkeitssuche mit dem Tool grundlegende lokale Alignment Search Tool (BLAST) herunterladen.
	<ol>
<li>In der Beispiel-Dateien sammeln Sie 228 vermeintliche süße Proteinsequenzen besitzen zwei MtN3/Speichel Domänen (7 transmembranen Helices) von Eukaryoten und 57 halbsüß Proteinsequenzen, die eine einzelne MtN3/Speichel-Domäne (3 transmembranen Helices) von Prokaryoten besitzen 13.</li>
		<li>Um den Prozess zu vereinfachen, wählen Sie 35 Kandidaten süße Proteine aus einzelligen Eukaryonten unter 228 vermeintlichen Süßigkeiten für phylogenetischen Baum Bau. Diese Sequenzen sind befestigt, so dass der Leser auf eine Reihe von realen Daten üben kann.</li>
	</ol>
</li>
	<li>
Richten Sie die 35 süße Sequenzen durch Eingabe sie in Clustal Omega (http://www.ebi.ac.uk/Tools/msa/clustalo/).
	<ol>
<li>Kopieren Sie und fügen Sie die Proteinsequenzen im FASTA-Format in das Eingabefeld ein ein, oder Hochladen Sie eine Sequenz-Datei im FASTA-Format. Geben Sie an, dass sie Aminosäure-Sequenz durch Klicken auf das Symbol unter dem Pull-Down-Menü im Abschnitt "Schritt 1".</li>
		<li>Geben Sie ggf. Ausgabeformat und andere Parameter im Abschnitt "Schritt2" ein. Für diese Studie als "Clustal w/o Anzahl" festlegen Sie Ausgabeformat, und lassen Sie die anderen Parameter auf Standard-Einstellungen. In den meisten Fällen arbeiten die Default-Parameter auch ohne jede Spezifikation.</li>
	</ol>
</li>
	<li>Senden Sie und führen Sie die Ausrichtung im Abschnitt "Schritt 3". Es kann dauern einige Sekunden bis Minuten bis die Ausrichtung abgeschlossen ist. Im Fenster "Zusammenfassung" mit der rechten Maustaste des Link unter "Ausrichtung im CLUSTAL-Format" und speichern die ausgerichteten Sequenzen als "35.clustal" (Abbildung 1).</li>
	<li>
Öffnen Sie die Ergebnisdatei Ausrichtung in BioEdit.
	<ol>
<li>Auf dem Hauptfeld des BioEdit "Sequence" und wählen Sie "Bearbeiten-Stimmung" in der ersten Pull-Down-Menü klicken Sie auf "Bearbeiten Rückstände" im Untermenü (Abbildung 2).</li>
		<li>Wählen Sie die überstehenden Sequenzen auf der linken Seite der Achse mit dem Cursor (die gewählte Reihenfolge werden in schwarz angezeigt) und klicken Sie auf das Symbol "Löschen" im Menü "Bearbeiten" um die ausgewählten Sequenzen (Abbildung 3) zu entfernen.</li>
		<li>Wählen Löschen Sie die überstehenden Sequenzen auf der rechten Seite der ersten MtN3/Speichel Domäne und speichern Sie die getrimmten erste MtN3/Speichel Domäne Sequenzen als 35-I.fas (Abbildung 4). Ebenso löschen Sie Links und rechts hervorstehenden Sequenzen der zweiten MtN3/Speichel Domäne und speichern Sie es als 35-II.fas. Die erste und die zweite MtN3/Speichel Domäne Sequenzen können mit Rhythmus (http://proteinformatics.charite.de/rhythm/inndex.php?site=helix) oder TMHMM (http://www.cbs.dtu.dk/services/TMHMM/) im Voraus vorhergesagt werden.</li>
	</ol>
</li>
	<li>
Öffnen Sie die Datei 35-I.fas mit MEGA, und klicken Sie auf "align", wenn Sie aufgefordert werden. Klicken Sie unter dem Menü "Bearbeiten" auf "Alle auswählen" und klicken Sie auf "Wählen Sie Sequenzen"; die Namen und Sequenzen der Taxa werden in schwarz (Abbildung 5) ausgewählt werden.
	<ol>
<li>Wählen Sie "Kopieren" im Menü "Bearbeiten", die Sequenzen in die Zwischenablage zu kopieren, und fügen Sie die kopierten Sequenzen in eine Doc-Datei.</li>
		<li>In der Doc-Datei ersetzen alle "#" durch ">", und löschen Sie dann alle unabhängigen Zeichen um FASTA-Format konvertiert. Hinzufügen "-Ich" am Ende jedes Taxon Name, als die ersten MtN3/Speichel Domäne Sequenzen zu markieren. Die zweite MtN3/Speichel-Domäne-Sequenz, die nach der gleichen Methode und fügen "-II" nach jedem Taxon-Namen.</li>
	</ol>
</li>
	<li>
Die ersten und zweiten MtN3/Speichel Domäne Sequenzen im FASTA-Format in eine Doc-Datei zu kombinieren.
	<ol>
<li>Laden Sie die kombinierten Sequenzen in Clustal Omega wieder und richten Sie die Sequenzen, wie oben beschrieben. Speichern Sie das Ergebnis als "35 realigned.clustal".</li>
		<li>Öffnen Sie die Datei "35 realigned.clustal" in BioEdit, löschen Sie ungleichmäßige (vorstehenden) Aminosäurereste an beiden Enden der ausgerichteten Sequenzen und speichern Sie dann die Sequenzen als "35 realigned.fas". Klicken Sie auf "Yes", wenn Sie davor gewarnt, dass einige nicht standardmäßigen Zeichen können nicht gespeichert werden.</li>
	</ol>
</li>
</ol>2. Berechnung der phylogenetischen Stammbaum
<ol><li>
Öffnen Sie "35 realigned.fas" in MEGA.
	<ol>
<li>Klicken Sie im Menü "Daten" und wählen Sie "Exportieren Ausrichtung", und speichern Sie die Ausrichtung in PAUP Format (Nexus) als "35.nex" für den späteren Einsatz in MrBayes (Abbildung 6).</li>
		<li>Unterdessen klicken Sie "Modelle" auf dem Hauptfeld des MEGA, wählen Sie "finden Sie beste DNA/Protein Modelle (ML)", und klicken Sie auf das Popup-Fenster "OK". Klicken Sie auf "Berechnen", um das Modell suchen (Abbildung 7) zu beginnen. Es öffnet sich ein neues Panel Fortschritte; Dieser Prozess dauert einige Minuten bis zu mehreren Tagen, abhängig von der Komplexität der geladene Sequenzen und die Leistung des Computers. Hinweis: Eine Tabelle mit die Ergebnissen werden geöffnet, nachdem das Modell Suchvorgang abgeschlossen ist ( Abbildung 8). Die kleinste BIC Partitur werden zuerst, gefolgt von einer Reihe von verschiedenen Modellen mit allmählich zunehmender BIC Resultate aufgelistet. Das erste Modell "LG + G + F" mit dem kleinsten BIC Score ist das empfohlene Modell für ML Baum basierend auf der "35 realigned.fas"-Datei.</li>
	</ol>
</li>
	<li>
Klicken Sie auf den Hauptbereich "" Mega "Stammesgeschichte", klicken Sie auf "Konstrukt/Test the maximale Wahrscheinlichkeit Tree", und klicken Sie dann auf "Ja" im Popup-Fenster. Ein neues Fenster wird geöffnet, verschiedene Parameter, die müssen angegeben (Abbildung 9).
	<ol>
<li>Legen Sie zunächst den bootstrap Wert im Test der Phylogenie Box; 500 oder 1.000 ist in den meisten Fällen ausreichend. Wählen Sie unter den Ersatz-Modell "Aminosäure" als Ersatz-Typ. Der Zweck der Wahl eines Ersatz-Modells ist, den wirkliche Unterschied zwischen Sequenzen basierend auf ihrer gegenwärtigen Staaten3zu schätzen.</li>
		<li>Wählen Sie "LG mit Freqs. (+F) Modell "(LG + F) im Feld Modell/Methode. Die Preise und Muster-Box, wählen Sie "Gamma verteilte" (G), Rate Variationen über Standorte, dhzu beschreiben.,3Seiten Änderungen bei sich langsam entwickelnden mehr Gewicht verleihen. Wählen Sie im Feld Daten Teilmenge "Komplett löschen" alle Spalten mit Bindestriche entfernen.</li>
		<li>Halten Sie alle anderen Parameter in ihrem Standardzustand (Abbildung 9). Klicken Sie nach Angabe dieser Parameter auf "Berechnen" um die Berechnung zu starten.</li>
	</ol>
</li>
</ol>3. Vorstellung der phylogenetischen Stammbaum
Hinweis: Ein phylogenetischer Baum ML präsentiert werden nach Abschluss die Berechnung mit MEGA (Abbildung 10).
<ol><li>Unter den Pull-Down-Menü "Datei"-Icon auf das Baum-Panel, wählen Sie "Aktuelle Sitzung speichern", um das Ergebnis zu speichern (.mas ist der Standard-Datei-Typ). In der vorliegenden Studie wurde das Ergebnis als "35.mas" gespeichert. Im Feld Baum viele Parameter einschließlich der Länge der Clade, baumstil, Baum-Topologie, Schriftart des Taxons Name, Größe und Farbe, werden angezeigt und können verschiedene Optionen eingestellt werden.</li>
	<li>Speichern Sie die letzten Baum-Datei durch Klicken auf das Bild-Symbol, und speichern Sie die Figur in verschiedenen Formaten zu oder kopieren Sie das Bild als Quelle für Fotobearbeitung.</li>
</ol>4. Analyse des Verhältnisses von Süßigkeiten und SemiSWEETs mit Sequenzalignment
Hinweis: Dieser Schritt kann nicht in der normalen Reihenfolge Analyse erforderlich.
<ol><li>Richten Sie die 228 eukaryotischen Süßigkeiten und 57 prokaryotische SemiSWEETs in Clustal Omega wie oben beschrieben. Der ausrichtergebnisse können in Jalview, die in Clustal Omega integriert, und kopiert, dass es in ein Bildbearbeitungsprogramm (Abbildung 11) speichern angezeigt werden. Hinweis: In der Beispiel-Ausrichtung, sind einige SemiSWEETs aus α-Proteobakterien mit der ersten MtN3/Speichel-Domäne der süßen Sequenzen ausgerichtet, während SemiSWEETs von Methanobacteria (Archaea) mit der zweiten MtN3/Speichel-Domäne der süßen Sequenzen ausgerichtet sind.</li>
</ol>(5) phylogenetischer Baum Bau mit MrBayes
<ol><li>Bayesian Rückschlüsse mit MrBayes die MrBayes ausführbare Datei zu öffnen und eine DOS-Oberfläche wird in einem neuen Fenster kommen. Der erste Schritt ist die Nexus-Daten-Datei zu lesen. Eingabe "35.nex"nach Ausführen der Eingabeaufforderung (denken Sie daran, die 35. nex-Datei im selben Verzeichnis der ausführbaren Datei MrBayes speichern, oder der Pfad der Datei vor dem Hochladen hinweisen). Eine "erfolgreiche lesen Sie Matrix" Meldung erscheint nach dem letzten der genannten Taxa (Abbildung 12). 35. nex Datei bereits vorbereitet und im MEGA gespeichert wurde (siehe 2.1 oben).</li>
	<li>
Legen Sie das evolutionäre Modell.
	<ol>
<li>Geben Sie nach der Aufforderung "Prset Aamodelpr = fixed(lg); LSet Preise = g ". "Lg" und "g" entsprechen der "LG" und "G" Modell, das in MEGA festgelegt ist. Nachdem Sie erfolgreich das Modell haben, geben Sie "Mcmc Nchains = 4 Ngen = 5.000.000" nach der Aufforderung. Nutzen Sie die "Nchains = 4" Eintrag bedeutet eine Gesamtanzahl von einer Kühlkette und drei heiße Ketten zur Metropole Kopplung. "Ngen = 5.000.000" bedeutet 5.000.000 Generationen der Metropole Kupplung für die Konvergenz der kalten und warmen Ketten laufen. In dieser Studie galt durchschnittliche Standardabweichung der geteilten Frequenzen unterhalb 0.01 als Konvergenz der warmen und kalten Ketten.</li>
		<li>Beachten Sie, dass die Ngen-Anzahl kann nicht genau vorhergesagt werden, am Anfang des Prozesses, in der Regel angepasst werden muss, basierend auf die Veränderung der durchschnittlichen Standardabweichung der geteilten Frequenzen. Darüber hinaus kann die Ngen-Anzahl für die Konvergenz jedes Mal anders sein beim Ausführen des Programms der gleichen Daten anhand.</li>
	</ol>
</li>
	<li>
Führen Sie die Analyse: Dieser Schritt dauert einige Minuten bis mehrere Tage, je nach der Komplexität der Eingabedaten und die Leistung des Computers. Nach Abschluss der voreingestellte Berechnung, wird eine Eingabeaufforderung Fragen "Weiter mit Analyse (Ja/Nein)?" Wenn "Nein" nach der Eingabeaufforderung eingegeben wird, weiterhin das computing (Abbildung 13), stoppt sonst berechnen, nachdem die Anzahl der weiteren Generationen eingegeben wird. Wenn die Berechnung beendet ist (mit einer durchschnittlichen Standardabweichung von geteilten Frequenzen < 0,01 oder 0,05), die Berechnung durch Eingabe von "Nein" nach der Untersuchung Aufforderung zu stoppen. Hinweis: 0,01 ist ein strenges Kriterium, 0,05 ist gemäßigt und in der Regel ausreichend.</li>
	<li>
Fassen die Proben: Geben Sie "Sumpf", nach der Eingabeaufforderung, um Proben von Modellparametern (Abbildung 14) zusammenfassen. Geben Sie dann "Sumt Relburnin ja Burninfrac = 0,25 =" nach der Aufforderung zum Baum Proben zusammenfassen. Detaillierte Informationen zu phylogenetischen Baum Bau wird angezeigt wie in Abbildung 15, gefolgt von zwei Baum-Figuren, die im ASC II-Code auf dem Bildschirm, eine Vorführung Clade Glaubwürdigkeit und die andere zeigt Zweig Längen angezeigt werden. Zur gleichen Zeit wird automatisch eine Baum-Datei mit dem Namen "35.nex.con" gespeichert.</li>
	<li>Öffnen Sie für eine bessere Darstellung der phylogenetischen Stammbaum die Datei "35.nex.con" Baum mit dem Volksheiligen-Tool (http://tree.bio.ed.ac.uk/software/figtree/), wählen Sie einen Stil oder Größe um das Ergebnis (Abbildung 16) anzuzeigen, oder sogar in einem Fotoeditor zu bearbeiten leserfreundlicher.</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>

Die Autoren haben nichts preisgeben.

Es wird in der biologischen Forschung einen Phylogenetischen Baum ausgehend von Nukleotid oder Aminosäure-Sequenzen8immer beliebter. Generell gibt es drei wichtige Phasen der Übung einschließlich Sequenzalignment, Bewertung der ausgerichteten Sequenzen mit der richtigen Methode oder Algorithmus und Visualisierung von das rechnerische Ergebnis als phylogenetischer Baum. In der vorliegenden Studie wurden drei Runden von Sequenzalignment durchgeführt: Zunächst waren die süßen Proteinsequenzen,...

DNA- oder RNA-Sequenzen tragen genetischen Information für zugrunde liegende Phänotypen, die durch physiologische und biochemische Methoden analysiert oder durch morphologische und fossilen Beweise beobachtet werden kann. In gewisser Weise ist genetischer Information zuverlässiger als externe Phänotypen zu bewerten, da erstere die Grundlage für Letzteres ist. In evolutionären Studie ist Fossilien sehr direkt und überzeugend. Jedoch haben viele Organismen, wie z. B. Mikroorganismen, kaum eine Chance, ein Fossil in langen geologischen Zeitaltern zu bilden. Daher molekularer Informationen wie Nukleotidsequenzen und Aminosäure-Sequenzen von verwandten extant Organismen sind von Wert für die Erkundung evolutionären Beziehungen1. In der vorliegenden Studie lieferte eine einfache Einführung phylogenetische Grundkenntnisse und ein einfach zu erlernendes Protokoll für Neulinge, die einen phylogenetischen Stammbaum auf eigene Faust zu konstruieren müssen.
DNA (Nukleotide) und Proteinsequenzen (Aminosäure) können zur phylogenetische Beziehungen zwischen homologen Gene, Organellen oder sogar Organismen2ableiten. DNA-Sequenzen sind eher im Laufe der Evolution von Änderungen betroffen sein. Im Gegensatz dazu sind Aminosäure-Sequenzen wesentlich stabiler, da die Synonyme Mutationen im Nukleotidsequenzen in Aminosäuresequenzen keine Mutationen verursachen. Dadurch eignen sich DNA-Sequenzen zum Vergleich homologer Gene von eng verwandten Organismen, während Aminosäuresequenzen für Homologe Gene von weitläufig verwandten Organismen3geeignet sind.
Eine phylogenetische Analyse beginnt mit der Ausrichtung der Aminosäure oder Nukleotid-Sequenzen4 abgerufen aus einer kommentierten Genom Sequenzierung Datenbank5 aufgeführt im FASTA-Format, d. h., vermeintliche oder exprimierten Protein-Sequenzen, RNA-Sequenzen , oder DNA-Sequenzen. Es ist erwähnenswert, dass es entscheidend für qualitativ hochwertige Sequenzen für die Analyse zu sammeln, und nur homologe Sequenzen können zur phylogenetische Beziehungen zu analysieren. Viele verschiedene Plattformen wie Clustal W, Clustal X, Muskel, T-Coffee, MAFFT, eignet sich für Sequenzalignment. Die am weitesten verbreitete Clustal Omega6,7 (http://www.ebi.ac.uk/Tools/msa/clustalo/), die online verwendet werden oder kann kostenlos heruntergeladen werden ist kostenlos. Das Alignment-Tool hat viele Parameter, die der Benutzer kann vor dem Start der Ausrichtung anpassen, sondern die Standardparameter arbeiten in den meisten Fällen gut. Nachdem der Vorgang abgeschlossen ist, sollte die ausgerichteten Sequenzen in das richtige Format für den nächsten Schritt gespeichert werden. Sie sollten dann bearbeitet werden oder getrimmt mit einem Bildbearbeitungs-Software, wie z. B. BioEdit, weil phylogenetischen Baum Bau von MEGA die Sequenzen erfordert von gleicher Länge (einschließlich Aminosäure Abkürzungen und Bindestriche. In der abgestimmten Reihenfolge jeder Position ohne eine Aminosäure oder ein Nukleotid ist vertreten durch einen Bindestrich "-"). Im Allgemeinen sollten alle hervorstehenden Aminosäuren oder Nukleotide an beiden Enden der Achse entfernt werden. Darüber hinaus können Spalten mit schlecht ausgerichtete Sequenzen in der Achse gelöscht werden, da sie wenig wertvolle Informationen zu vermitteln, und manchmal verwirrend oder falsche Informationen3geben können. Die Spalten, in denen ein oder mehrere Bindestriche können zu diesem Zeitpunkt oder in der späteren Bauphase Baum gelöscht werden. Alternativ können sie für die phylogenetische Berechnung verwendet werden. Wenn Sequenzalignment und Trimmen ist beendet, sollte die ausgerichteten Sequenzen im FASTA-Format oder das gewünschte Format für die spätere Verwendung gespeichert werden.
Viele Software-Plattformen bieten Baum Bau Funktionen mit unterschiedlichen Methoden und Algorithmen. Die Methoden können in der Regel als Distance Matrix-Methoden oder diskrete Datenmethoden klassifiziert werden. Distance Matrix-Methoden sind einfach und schnell zu berechnen, während diskrete Datenmethoden kompliziert und zeitaufwändig sind. Für sehr eng verwandten Taxa mit ein hohes Maß an Austausch der Aminosäure- oder Nukleotid-Sequenz Identität, eine Distance Matrix-Methode (Nachbar Beitritt: NJ; Ungewichtete paar Gruppe Methode mit arithmetisches Mittel: UPGMA) ist angebracht; für weitläufig verwandten Taxa, eine diskrete Daten-Methode (Maximum Likelihood: ML; Maximale Sparsamkeit: MP; Bayesian Inference) ist optimale3,8. In dieser Studie wurden die ML-Methoden in MEGA (6.0.6) und Bayesian Inference (MrBayes 3.2) angewendet, um Stammbäumen9zu konstruieren. Ideal, wenn das richtige Modell und die Parameter verwendet werden, die Ergebnisse aus den unterschiedlichen Verfahren abgeleitet möglicherweise konsistent, und sie sind so zuverlässig und überzeugend.
Für ML phylogenetischen Baum mit MEGA10konstruiert muss die ausgerichteten Sequenz Datei im FASTA-Format in das Programm hochgeladen werden. Der erste Schritt ist dann der optimale Ersatz-Modell für die hochgeladenen Daten auswählen. Alle verfügbaren Ersatz-Modelle sind anhand der hochgeladenen Sequenzen verglichen, und ihre endgültige Ergebnisse in einer Ergebnistabelle angezeigt werden. Wählen Sie das Modell mit dem kleinsten Bayes-Kriterium (BIC)-Score (zuerst in der Tabelle aufgeführt), stellen Sie ML-Parameter nach dem empfohlenen Modell ein und starten Sie die Berechnung. Die Berechnungszeit hängt von einigen Minuten bis zu mehreren Tagen, abhängig von der Komplexität der geladenen Daten (Länge der Sequenzen und Anzahl der Taxa) und die Leistung des Computers, auf dem die Programme ausgeführt werden. Wenn die Berechnung beendet ist, wird ein phylogenetischer Baum in einem neuen Fenster angezeigt. Speichern Sie die Datei als "FileName.mat". Nach dem Einstellen der Parameter für das Erscheinungsbild des Baumes festzulegen, einmal mehr sparen. Mit dieser Methode kann MEGA Publikation Grade phylogenetischen Stammbaum Zahlen generieren.
Für Baum Bau mit MrBayes11ist der erste Schritt zur Nexus-Format (.nex als Dateityp) ausgerichtete Sequenz, die in der Regel im FASTA-Format aufgeführt ist, verwandeln. Nexus-Format FASTA Dateien verwandeln kann in MEGA verarbeitet werden. Als nächstes kann die abgestimmte Sequenz im Nexus-Format in MrBayes hochgeladen werden. Wenn die Datei erfolgreich hochgeladen wurde, geben Sie detaillierte Parameter für die Berechnung der Baum. Diese Parameter umfassen Details wie Aminosäure-Substitution Modell, Variante Raten, Anzahl der Kette für Markov Chain Monte Carlo (MCMC) Kupplung, Ngen Anzahl, durchschnittliche Standardabweichung der geteilten Frequenzen und so weiter. Nachdem diese Parameter angegeben haben, starten Sie die Berechnung. Am Ende zwei Baum-Figuren im ASC II-Code, eine Vorführung Clade Glaubwürdigkeit und die andere zeigt Zweig Längen, erscheint auf dem Bildschirm.
Das Baum-Ergebnis wird automatisch als "FileName.nex.con" gespeichert werden. Dieser Baum-Datei kann geöffnet und bearbeitet von Volksheiligen und in Volksheiligen angezeigte Zahl weiter um es besser geeignet für die Veröffentlichung geändert werden kann.
In dieser Studie wurden 228 süße Proteine, einschließlich 35 Süßigkeiten aus einzelligen Eukaryoten und 57 SemiSWEETs von Prokaryoten, exemplarisch analysiert. Die Süßigkeiten und SemiSWEETs zeichneten sich als Glukose, Fruktose oder Saccharose Transporter über Membranen12,13. Phylogenetische Analyse deutet darauf hin, dass die beiden MtN3/Speichel-Domänen mit Süßigkeiten aus eine evolutionäre Mischung aus einer bakteriellen SemiSWEET und ein Archaeon14abgeleitet werden könnte.

<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

Phylogenetische Analyse verwendet Nucleotid- oder Aminosäuresequenzen oder andere Parameter, wie Domain-Sequenzen und dreidimensionale Struktur, um einen Baum um zu zeigen, die evolutionäre Beziehung zwischen den verschiedenen Taxa (Klassifizierung Einheiten) in der molekularen konstruieren Ebene. Phylogenetische Analyse kann auch zu untersuchen, Domänen-Verhältnisse innerhalb einer einzelnen Taxon verwendet werden, vor allem für Organismen, die erhebliche unterzogen wurden zu ändern, in der Morphologie und Physiologie, sondern für die Forscher fossile Beweise fehlen die Organismen langen evolutionären Geschichte oder Knappheit der Versteinerung.
In diesem Text wird ein detailliertes Protokoll beschrieben nach der phylogenetischen Methode, einschließlich der Aminosäure Sequenzalignment mit Clustal Omega und anschließende phylogenetischen Baum Bau verwenden beide maximale Wahrscheinlichkeit (ML) der molekularen Evolutionäre Genetik Analyse (MEGA) und Bayesian Inference über MrBayes. Um den Ursprung der eukaryotic Zucker wird schließlich Transporter exportiert werden (SÜß) Gene zu untersuchen, wurden 228 Süßigkeiten einschließlich 35 süße aus einzelligen Eukaryoten und 57 halbsüß Proteine von Prokaryoten analysiert. Interessanterweise fanden sich SemiSWEETs in Prokaryoten, aber Süßigkeiten fanden sich in den Eukaryotes. Zwei Stammbäumen mit theoretisch unterschiedliche Methoden konstruiert haben durchweg vorgeschlagen, dass das erste eukaryotische süße gen aus der Verschmelzung von einer bakteriellen halbsüß gen und eine Archaeen halbsüß gen stammen könnte. Es ist erwähnenswert, dass man eine phylogenetische Analyse nur anhand Schluss zu ziehen, obwohl es empfiehlt sich, erklären die grundlegende Beziehung zwischen verschiedenen Taxa, die schwierig oder sogar unmöglich zu erkennen, mit experimentellen Mitteln ist vorsichtig sein sollte .

Phylogenetische Bäume zeigen, dass alle ersten MtN3/Speichel Domänen der 35 süße Sequenzen als ein Clade und die zweite MtN3/Speichel-Domänen der süßen Sequenzen zusammengefasst als ein anderes Clade gruppierten. Darüber hinaus zeigen ausrichtergebnisse an Süßigkeiten und SemiSWEETs, dass einige SemiSWEETs aus α-Proteobakterien abgestimmt auf die erste MtN3/Speichel-Domäne der süßen Sequenzen, während SemiSWEETs von Methanobacteria (Archaea) mit dem zweiten MtN3/Speichel au...

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

Eine Methode des Konstruierens einer phylogenetischen Stammbaum basierend auf Sequenzhomologie von Süßigkeiten von Eukaryoten und SemiSWEETs von Prokaryoten wird beschrieben. Phylogenetische Analyse ist ein nützliches Werkzeug für die Erklärung der evolutionären Verwandtschaft zwischen Homologen Proteine oder Gene aus verschiedenen Organismengruppen.

Mit der phylogenetischen Analyse zu eukaryotischen Gens Herkunft untersuchen

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

Universidad de Cartagena UDEC

Research

Education

JoVE Journal

JoVE Core

Molecular Biology

Immunology and Infection

Unit 2

Genomes and Evolution

SCIENTISTS IN ACTION

15.7K Aufrufe.  China Three Gorges University. Eine Methode des Konstruierens einer phylogenetischen Stammbaum basierend auf Sequenzhomologie von Süßigkeiten von Eukaryoten und SemiSWEETs von Prokaryoten wird beschrieben. Phylogenetische Analyse ist ein nützliches Werkzeug für die Erklärung der evolutionären Verwandtschaft zwischen Homologen Proteine oder Gene aus verschiedenen Organismengruppen.

Serie: 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.

Heuristisches Mining von hierarchischen Genotypen und akzessorischen Genomloci in Bakterienpopulationen

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

Forschung

Genetik

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.

Einzelne Zelle Multiplex reversen Transkription Polymerase-Kettenreaktion nach Patch-clamp

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

Neurowissenschaften

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.

Umfassenden Workflow zur genomweiten Identifizierung und Ausdruck Meta-Analyse von der ATL E3 Ubiquitin Ligase Genfamilie 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 ...

Biologie

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.

Eine Bioinformatik-Pipeline zur Untersuchung der molekularen Evolution und Genexpression mit 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 ...

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.

Ein integrierter Ansatz zur Identifizierung und Sequenzanalyse von Mikroproteinen

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

Evolutionäre Beziehungen

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

Lehre

JoVE Lab Manual

Evolution

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.

Evolutionäre Beziehungen durch Genomvergleiche

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

Molekularbiologie

Genome und Evolution

SCHLÜSSELBEGRIFFE UND KONZEPTE

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

Genomische DNA in Eukaryoten

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

Zellprozesse

Zellzyklus und Zellteilung

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.

Eukaryotische Evolution

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

Zellbiologie

Unit 1

Zellen, Genome und 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

Genevolution - schnell oder langsam?

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 ...