Informacja

Czy istnieje baza danych kariotypów dla ludzkich linii komórkowych?

Czy istnieje baza danych kariotypów dla ludzkich linii komórkowych?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Szukam kariotypu konkretnej linii komórkowej. Niektóre kariotypy są dobrze znane, takie jak HeLa lub niektóre raki, ale niektóre są bardzo trudne do znalezienia, takie jak LG2 (komórki B). Czy istnieje baza danych poświęcona kariotypom ludzkich linii komórkowych?


O ile wiem i odkryłem, nie ma jednej głównej bazy danych dla kariotypów wszystkich ludzkich linii komórkowych. Są one zwykle pogrupowane w podzbiory albo według cech wspólnych (np. są nowotworami) albo po prostu ze względu na to, kto/gdzie się rozwinął i jak wybrali tę linię. Niektóre dobre bazy danych/zasoby to:

  1. ATCC — świetne repozytorium zawierające arkusze danych linii komórkowych, odniesienia, obrazy i informacje o kulturze. i wysoko Zalecamy używanie ATCC jako pierwszego przystanku, gdy chcesz dowiedzieć się więcej o linii.
  2. Repozytorium Ludzkich Komórek Genetycznych NIGMS — bardzo rozbudowane repozytorium, które zawiera znacznie więcej niż tylko linie komórkowe. To dobrze, ale bogactwo informacji może być nieco trudne do przeszukania.
  3. COSMIC - Świetny zbiór informacji na temat linii komórkowych i znalezionych w nich mutacji. Dobrze, jeśli chcesz poszukać/zrozumieć określone aspekty genetyczne linii.
  4. Celozaur - A fantastyczny baza danych na liniach komórkowych! Szczególnie podoba mi się informacja, którą Cellosaurus udostępnia na temat różnych nazw i typowych błędów pisowni nazw linii komórkowych. Dostarcza również informacji o hierarchiach linii komórkowych, to znaczy, kiedy wiele linii komórkowych pochodzi z linii rodzicielskiej. To jest Super pomocne przy próbie analizowania literatury z mylącymi odniesieniami do podobnych wierszy. Zawiera również odniesienia i odsyłacze. Nie mogę wystarczająco polecić tego.

Aby wrócić do twojej konkretnej linii komórkowej, udało mi się znaleźć tylko jedno odniesienie do linii o nazwie „LG2” - nawet przy pomocy wyżej wymienionych zasobów i PubMed, więc niestety nie mogę podać ci zbyt wielu informacji na tym konkretnie. Jeśli naprawdę jest tak mało informacji w tej linii, sugerowałbym skontaktowanie się ze źródłem (współpracownikiem, laboratorium, arkuszem Excela powiązanym z twoim systemem przechowywania itp.) Aby twoje komórki mogły zobaczyć, jakie mają informacje. Jeśli nie możesz niczego znaleźć w ten sposób, najlepiej po prostu przesłać próbkę do zsekwencjonowania i zdobyć te informacje.


Zanieczyszczenie krzyżowe linii komórkowej i błędna identyfikacjaTypowe problemy z kulturą komórkową

Kilka lat po tym, jak naukowcy pracujący w Johns Hopkins założyli pierwszą ludzką linię komórkową przy użyciu komórek nabłonka szyjki macicy (HeLa) od chorej na raka Henrietty Lacks na początku lat pięćdziesiątych, zaobserwowano, że energiczne linie mogą zanieczyścić i przerosnąć wolniej rosnące kultury. Pomimo tych wczesnych obserwacji, zanieczyszczenie krzyżowe linii komórkowych rozprzestrzeniło się i stało się powszechnym problemem w naukach biomedycznych, który utrzymuje się ponad sześć dekad później. Użyteczność HeLa jako narzędzia badawczego, w połączeniu z jego nieśmiertelnością i wigorem, doprowadziła do jego ogólnoświatowej dystrybucji w okresie, gdy hodowcy komórek nie wiedzieli, że zanieczyszczenie krzyżowe stanowi problem, zwłaszcza gdy nie przestrzega się dobrych praktyk hodowli komórkowych.

WIDEO: Obejrzyj inwazję komórek HeLa

Aby zrozumieć, w jaki sposób pojedyncza komórka HeLa wystarczy, aby przejąć inną linię komórkową w hodowli.

Stosując analizę izoenzymów, Stanley Gartler doniósł w latach 60., że 18 linii komórkowych przypuszczalnie niezależnego pochodzenia (w tym linie Hep-2C i KB) dzieli rzadką izoformę enzymu z komórkami HeLa. Jeszcze w 2008 r. za pomocą profilowania genetycznego przeanalizowano 40 ludzkich linii komórkowych raka tarczycy. Uzyskano tylko 23 unikalne profile, a wiele krzyżowo zanieczyszczających linii komórkowych nie pochodziło nawet z tarczycy. Te linie komórkowe były wcześniej wykorzystywane przez dwie dekady w badaniach nad rakiem tarczycy.


MarkerDB OPIS I ZAWARTOŚĆ

MarkerDB (wersja 1.0) zawiera >27 759 biomarkerów molekularnych obejmujących 26 493 klinicznie zatwierdzonych markerów i 1226 biomarkerów przedklinicznych lub badawczych. Zdecydowana większość (95,6% lub 26 628 markerów) to markery pojedyncze (jeden warunek-jeden marker), podczas gdy mniejszość (4,4% lub 1219 markerów) stanowi część kolekcji MarkerDB składającej się z 451 paneli z wieloma markerami. Biomarkery w MarkerDB są podzielone na cztery kategorie molekularne, w tym 142 biomarkery białkowe, 1089 biomarkerów chemicznych, 154 biomarkery kariotypu i 26 374 biomarkery DNA. Biomarkery DNA są dalej klasyfikowane jako 26 021 mutacji DNA związanych z 760 ludzkimi genami, 353 SNP związanych z 178 ludzkimi genami i 23 genami drobnoustrojów/wirusów związanych z 16 zakaźnymi drobnoustrojami i wirusami. Markery molekularne w MarkerDB są dalej pogrupowane w 25 560 biomarkerów diagnostycznych, 102 biomarkerów prognostycznych, 265 biomarkerów ekspozycji i 6746 biomarkerów predykcyjnych (lub paneli biomarkerów). Łącznie, te markery mogą być wykorzystywane do wykrywania, monitorowania lub przewidywania 699 specyficznych stanów/chorób u ludzi, które są sklasyfikowane w 27 szerokich kategoriach stanów. Cała baza zajmuje 328 Mb danych. Tabela 1 zawiera dodatkowe szczegółowe statystyki dotyczące zawartości MarkerDB.

Szczegółowa zawartość danych MarkerDB (wersja 1.0)

Dane biomarkerów w MarkerDB . Całkowity .
Całkowita liczba biomarkerów 27 759
Liczba klinicznie zatwierdzonych biomarkerów 26 493
Liczba biomarkerów przedklinicznych lub eksperymentalnych 1226
Liczba pojedynczych biomarkerów (jeden marker – jeden warunek) 26 628
Liczba biomarkerów w panelach multimarkerowych 1219
Liczba paneli wieloznacznikowych 451
Liczba biomarkerów chemicznych 1089
Liczba biomarkerów białkowych 142
Liczba biomarkerów mutacji DNA 26 021
Liczba biomarkerów DNA SNP 353
Liczba biomarkerów wirusowego/bakteryjnego DNA 23
Liczba biomarkerów kariotypu 154
Liczba biomarkerów diagnostycznych 25 560
Liczba prognostycznych biomarkerów 102
Liczba predykcyjnych biomarkerów 6746
Liczba biomarkerów ekspozycji (dietetycznych i chemicznych) 265
Liczba biomarkerów związanych z dietą 49
Liczba chorób/stanów z biomarkerami 699
Średnia liczba biomarkerów na chorobę 41
Procent biomarkerów chemicznych z danymi ROC lub wartościami odcięcia 98%
Procent biomarkerów białkowych z danymi ROC lub wartościami odcięcia 29%
Odsetek biomarkerów DNA z danymi ROC lub wartościami odcięcia >90%
Liczba chemikaliów ze strukturami 978
Liczba białek ze strukturami 3D/łączami PDB 121
Liczba sekwencji białkowych 142
Liczba sekwencji DNA 26 374
Średnia liczba słów w opisach chorób 147
Średnia liczba słów w opisach chemicznych 214
Średnia liczba słów w opisach białek 176
Średnia liczba słów w opisach genów 89
Liczba referencji (identyfikatory PubMed lub DOI) 5391
Dane biomarkerów w MarkerDB . Całkowity .
Całkowita liczba biomarkerów 27 759
Liczba klinicznie zatwierdzonych biomarkerów 26 493
Liczba biomarkerów przedklinicznych lub eksperymentalnych 1226
Liczba pojedynczych biomarkerów (jeden marker – jeden warunek) 26 628
Liczba biomarkerów w panelach multimarkerowych 1219
Liczba paneli wieloznacznikowych 451
Liczba biomarkerów chemicznych 1089
Liczba biomarkerów białkowych 142
Liczba biomarkerów mutacji DNA 26 021
Liczba biomarkerów DNA SNP 353
Liczba biomarkerów wirusowego/bakteryjnego DNA 23
Liczba biomarkerów kariotypu 154
Liczba biomarkerów diagnostycznych 25 560
Liczba prognostycznych biomarkerów 102
Liczba predykcyjnych biomarkerów 6746
Liczba biomarkerów ekspozycji (dietetycznych i chemicznych) 265
Liczba biomarkerów związanych z dietą 49
Liczba chorób/stanów z biomarkerami 699
Średnia liczba biomarkerów na chorobę 41
Procent biomarkerów chemicznych z danymi ROC lub wartościami odcięcia 98%
Procent biomarkerów białkowych z danymi ROC lub wartościami odcięcia 29%
Odsetek biomarkerów DNA z danymi ROC lub wartościami odcięcia >90%
Liczba chemikaliów ze strukturami 978
Liczba białek ze strukturami 3D/łączami PDB 121
Liczba sekwencji białkowych 142
Liczba sekwencji DNA 26 374
Średnia liczba słów w opisach chorób 147
Średnia liczba słów w opisach chemicznych 214
Średnia liczba słów w opisach białek 176
Średnia liczba słów w opisach genów 89
Liczba referencji (identyfikatory PubMed lub DOI) 5391

Szczegółowa zawartość danych MarkerDB (wersja 1.0)

Dane biomarkerów w MarkerDB . Całkowity .
Całkowita liczba biomarkerów 27 759
Liczba klinicznie zatwierdzonych biomarkerów 26 493
Liczba biomarkerów przedklinicznych lub eksperymentalnych 1226
Liczba pojedynczych biomarkerów (jeden marker – jeden warunek) 26 628
Liczba biomarkerów w panelach multimarkerowych 1219
Liczba paneli wieloznacznikowych 451
Liczba biomarkerów chemicznych 1089
Liczba biomarkerów białkowych 142
Liczba biomarkerów mutacji DNA 26 021
Liczba biomarkerów DNA SNP 353
Liczba biomarkerów wirusowego/bakteryjnego DNA 23
Liczba biomarkerów kariotypu 154
Liczba biomarkerów diagnostycznych 25 560
Liczba prognostycznych biomarkerów 102
Liczba predykcyjnych biomarkerów 6746
Liczba biomarkerów ekspozycji (dietetycznych i chemicznych) 265
Liczba biomarkerów związanych z dietą 49
Liczba chorób/stanów z biomarkerami 699
Średnia liczba biomarkerów na chorobę 41
Procent biomarkerów chemicznych z danymi ROC lub wartościami odcięcia 98%
Procent biomarkerów białkowych z danymi ROC lub wartościami odcięcia 29%
Odsetek biomarkerów DNA z danymi ROC lub wartościami odcięcia >90%
Liczba chemikaliów ze strukturami 978
Liczba białek ze strukturami 3D/łączami PDB 121
Liczba sekwencji białkowych 142
Liczba sekwencji DNA 26 374
Średnia liczba słów w opisach chorób 147
Średnia liczba słów w opisach chemicznych 214
Średnia liczba słów w opisach białek 176
Średnia liczba słów w opisach genów 89
Liczba referencji (identyfikatory PubMed lub DOI) 5391
Dane biomarkerów w MarkerDB . Całkowity .
Całkowita liczba biomarkerów 27 759
Liczba klinicznie zatwierdzonych biomarkerów 26 493
Liczba biomarkerów przedklinicznych lub eksperymentalnych 1226
Liczba pojedynczych biomarkerów (jeden marker – jeden warunek) 26 628
Liczba biomarkerów w panelach multimarkerowych 1219
Liczba paneli wieloznacznikowych 451
Liczba biomarkerów chemicznych 1089
Liczba biomarkerów białkowych 142
Liczba biomarkerów mutacji DNA 26 021
Liczba biomarkerów DNA SNP 353
Liczba biomarkerów wirusowego/bakteryjnego DNA 23
Liczba biomarkerów kariotypu 154
Liczba biomarkerów diagnostycznych 25 560
Liczba prognostycznych biomarkerów 102
Liczba predykcyjnych biomarkerów 6746
Liczba biomarkerów ekspozycji (dietetycznych i chemicznych) 265
Liczba biomarkerów związanych z dietą 49
Liczba chorób/stanów z biomarkerami 699
Średnia liczba biomarkerów na chorobę 41
Procent biomarkerów chemicznych z danymi ROC lub wartościami odcięcia 98%
Procent biomarkerów białkowych z danymi ROC lub wartościami odcięcia 29%
Odsetek biomarkerów DNA z danymi ROC lub wartościami odcięcia >90%
Liczba chemikaliów ze strukturami 978
Liczba białek ze strukturami 3D/łączami PDB 121
Liczba sekwencji białkowych 142
Liczba sekwencji DNA 26 374
Średnia liczba słów w opisach chorób 147
Średnia liczba słów w opisach chemicznych 214
Średnia liczba słów w opisach białek 176
Średnia liczba słów w opisach genów 89
Liczba referencji (identyfikatory PubMed lub DOI) 5391

Zdecydowana większość informacji zawartych w tej pierwszej wersji MarkerDB została zebrana, zilustrowana lub opatrzona adnotacjami na podstawie oryginalnych danych źródłowych lub pierwotnych danych literaturowych przez zespół kuratorów w ciągu prawie 10 lat. Dane z naszych własnych baz danych lub innych zasobów internetowych zostały również wykorzystane do uzupełnienia lub poinformowania procesu kuratorskiego. Kluczowym wyzwaniem związanym z wyodrębnianiem danych z wielu prac biomarkerowych, baz danych biomarkerów lub publikacji referencyjnych dotyczących biomarkerów jest ogólnie niska jakość raportowania wydajności biomarkerów (11). Kluczem do oceny działania biomarkera jest jego czułość, swoistość, krzywa ROC, odtwarzalność, istotność statystyczna oraz dostępność wartości progowych lub odcięcia. Większość publikacji i podręczników dotyczących biomarkerów nie zawiera tych informacji, co oznacza, że ​​większość opublikowanych markerów badawczych (a nawet niektóre markery stosowane klinicznie) nie spełniały minimalnych standardów włączenia do MarkerDB. W niektórych przypadkach możliwe jest wyodrębnienie lub ponowne wygenerowanie tych danych dotyczących wydajności biomarkerów, korzystając z informacji zawartych w artykule lub uzupełniając je o dodatkowe informacje ze standardowych tabel referencyjnych lub referencyjnych baz danych online (dokonano tego w przypadku wielu biomarkerów chemicznych i SNP) . Poniżej znajduje się bardziej szczegółowy opis zawartości, źródła i procesu przechowywania danych dla każdej z pięciu głównych kategorii markerów molekularnych w MarkerDB.

Biomarkery chemiczne

Biomarkery chemiczne w MarkerDB obejmują markery różnych wrodzonych błędów metabolizmu lub chorób genetycznych, nowotworów, zaburzeń metabolicznych, chorób zakaźnych, ekspozycji na leki, ekspozycji na chemikalia/zanieczyszczenia i spożycia. W sumie 1089 markerów chemicznych w MarkerDB jest powiązanych z 448 chorobami lub stanami i 106 ekspozycjami. W sumie 336 (31%) tych biomarkerów chemicznych jest zatwierdzonych klinicznie (w różnych jurysdykcjach) lub wchodzą w skład testów opracowanych w laboratorium (LDT), podczas gdy 753 (69%) jest sklasyfikowanych jako dochodzeniowe, przeznaczone wyłącznie do badań lub przedkliniczne. Jedną z nieodłącznych zalet biomarkerów chemicznych (i ogólnie chemii klinicznej) jest to, że zdecydowaną większość biomarkerów chemicznych można bezwzględnie, ilościowo zmierzyć z dużą precyzją i dokładnością. Gwarantuje to, że mogą być szeroko stosowane i stosowane w wielu różnych populacjach przy użyciu szeregu platform pomiarowych. Kluczowym źródłem większości danych z chemii klinicznej dla związków chorobowych i związków „pojedynczych” biomarkerów w MarkerDB była nasza własna HMDB (8). Jednak dane HMDB wymagały dodatkowego przeglądu, aktualizacji, adnotacji i wyszukiwania oryginalnej literatury, aby spełnić wysokie standardy danych MarkerDB. Niektóre z bardziej żmudnych i łatwiejszych do „obliczenia” adnotacji zostały ułatwione dzięki dwóm wewnętrznym narzędziom do adnotacji chemicznych o nazwie DataWrangler i ChemoSummarizer (12). Obecnie każdy marker chemiczny w MarkerDB ma jedno lub więcej powiązań chorobowych wraz z numerem dostępu MarkerDB, strukturą, opisem związku, nazwami/synonimami, danymi fizykochemicznymi, stężeniem(ami) choroby, normalnym stężeniem(ami), płcią, przedziałem wiekowym ( dorosły/dziecko/noworodek), biopłyn (w którym normalnie mierzy się marker), krzywa ROC, czułość, swoistość, istotność (P-wartość), jedno lub więcej odniesień do literatury i zewnętrzne hiperłącza do innych internetowych baz danych (OMIM, GenBank, UniProt, HMDB, PubMed, PDB itp.). Jeśli wartości odcięcia, zakresy referencyjne, krzywe ROC i/lub dane dotyczące czułości/swoistości zostały podane w oryginalnym źródle literaturowym, stosowano je w podany i cytowany sposób. Jeżeli nie były dostępne żadne szczegółowe dane dotyczące wydajności biomarkerów, do obliczenia odpowiednich wartości odcięcia (w celu maksymalizacji AUROC) wykorzystano uzyskane z HMDB zakresy stężeń specyficzne dla wieku lub płci oraz wartości specyficzne dla choroby pochodzące z literatury. zakresy referencyjne i dane dotyczące czułości/swoistości przy użyciu standardowych protokołów ( 11). Podobny protokół zastosowano w przypadku paneli chemicznych z wieloma markerami, w których tylko te artykuły z bezwzględną kwantyfikacją i wystarczającymi informacjami na temat zestawu biomarkerów (wartości odcięcia, zakresy referencyjne i dane dotyczące czułości/specyficzności, dane ROC) lub informacje możliwe do obliczenia, które można ponownie -wykorzystano wygenerowane z opublikowanych danych ( 10, 11).

Do zestawienia danych MarkerDB dotyczących biomarkerów narażenia na dietę, leki i substancje chemiczne wykorzystano informacje z HMDB, Exposome-Explorer (9) i NHANES (National Health and Nutrition Examination Survey) (13). Podjęto ten sam proces przeglądu literatury pierwotnej, oceny/ekstrakcji danych oraz, jeśli to konieczne, regeneracji danych. Ponownie, dostępność w pełni ilościowych danych chemicznych znacznie ułatwiła proces opisywania i generowania danych.

Biomarkery białkowe

142 biomarkery białkowe w MarkerDB obejmują choroby >gt160. Znacząca większość (87%) tych biomarkerów białkowych jest zatwierdzona klinicznie, podczas gdy znacznie mniejszy odsetek (13%) jest klasyfikowany jako badawcze, do celów badawczych lub przedkliniczne. Prawie wszystkie markery białkowe są wykrywane i oznaczane ilościowo za pomocą enzymatycznych testów immunosorbetowych (ELISA). Poleganie na testach na przeciwciała sprawia, że ​​kwantyfikacja białek jest z natury mniej wiarygodna i mniej uniwersalna niż kwantyfikacja chemiczna. W rezultacie, w przeciwieństwie do biomarkerów chemicznych, nie podjęto próby niezależnego obliczenia lub regeneracji danych dotyczących biomarkerów białkowych na podstawie „częściowych” lub niepełnych danych dotyczących biomarkerów białkowych w opublikowanych artykułach. Wszystkie dane dotyczące biomarkerów białkowych w MarkerDB zostały wyekstrahowane z literatury podstawowej ze źródłami takimi jak OncoMX (5), CBD (6) i UPBD (7), które dostarczają użytecznych wskazówek. Adnotacja biomarkerów białkowych została wykonana ręcznie i ułatwiona przez wewnętrzne narzędzie do adnotacji białek o nazwie BioSummarizer (12). Dane dotyczące struktury białka zostały zebrane ręcznie z Protein DataBank – PDB (14). Obecnie wszystkie markery białkowe w MarkerDB mają jedno lub więcej powiązań chorobowych wraz z numerem dostępu MarkerDB, sekwencją, strukturą (jeśli jest dostępna), szczegółowym opisem białek, nazwami/synonimami białek, danymi fizykochemicznymi białek, stężeniem(-ami) choroby, normalne stężenie(a), płeć, przedział wiekowy (dorosły/dziecko/noworodek), biopłyn (w którym normalnie mierzy się marker), jedno lub więcej odniesień literaturowych i zewnętrzne hiperłącza do innych internetowych baz danych. Dane dotyczące wydajności biomarkerów, takie jak wartości odcięcia, krzywa ROC, czułość, swoistość, istotność (P-wartość) itp. są dostępne dla 30% biomarkerów białkowych. Wszystkie dane dotyczące wydajności biomarkerów zostały zaczerpnięte bezpośrednio z oryginalnego źródła literaturowego i zacytowane. Dokonano tego zarówno dla pojedynczych markerów białkowych, jak i paneli wielomarkerowych.

Biomarkery DNA

Biomarkery DNA tworzą największą pojedynczą kategorię markerów w MarkerDB z 26 374 markerami powiązanymi z >gt319 chorobami/stanami. Znaczna większość (98%) tych biomarkerów DNA jest zatwierdzona klinicznie, podczas gdy znacznie mniejszy odsetek (2%) jest klasyfikowany jako wyłącznie do celów badawczych lub badawczych. Biomarkery DNA w MarkerDB są dalej klasyfikowane jako 26 021 markerów mutacji DNA związanych z 209 chorobami, 353 markerami SNP związanymi z 70 stanami lub chorobami i 23 genami drobnoustrojów/wirusów związanych z 16 chorobami zakaźnymi. Głównym źródłem danych dotyczących mutacji DNA (i zatwierdzonych klinicznie testów mutacji) był Genetic Testing Registry (15) z danymi sekwencyjnymi pobranymi z GenBank (16) i informacjami o chorobie pobranymi z OMIM (17) lub Genetics Home Reference (https:/ /ghr.nlm.nih.gov/). Głównym źródłem biomarkerów DNA SNP była nasza własna baza danych, GWAS-ROCS (10), z informacjami o chorobie uzyskanymi z OMIM (17) lub Genetics Home Reference (https://ghr.nlm.nih.gov/). Pozostałe dane dotyczące genów biomarkerów drobnoustrojów/wirusów uzyskano w całości z literatury podstawowej lub poszukiwań patentowych. Adnotacja wszystkich biomarkerów DNA została wykonana ręcznie i ułatwiona przez wewnętrzne narzędzie do adnotacji genów/białek o nazwie BioSummarizer (12). Obecnie wszystkie markery DNA w MarkerDB mają jedno lub więcej powiązań chorobowych wraz z numerem dostępu MarkerDB, sekwencją (z zaznaczonymi wariantami choroby), szczegółowym opisem genów (jeśli w regionie kodującym), nazwami/synonimami genów, jedną lub większą liczbą literatury odnośniki i zewnętrzne hiperłącza do innych internetowych baz danych. Dane dotyczące wydajności biomarkerów, takie jak krzywe ROC, czułość, swoistość, istotność (P-wartość) itp. są dostępne dla >90% biomarkerów DNA. Przyjęto, że mutacje związane z chorobą mają 100% czułość/swoistość, chyba że w oryginalnych danych źródłowych stwierdzono inaczej. Szczegóły dotyczące sposobu obliczania wartości wydajności biomarkerów SNP/GWAS przedstawiono szczegółowo w innym miejscu (10). Dane dotyczące wydajności dla innych biomarkerów DNA zostały zaczerpnięte bezpośrednio z oryginalnych źródeł literaturowych i odpowiednio zacytowane.

Biomarkery kariotypu

Kariotypowanie jest szeroko stosowaną praktyką mikroskopowej oceny nieprawidłowości chromosomalnych w celu wykrycia zaburzeń genetycznych i klasyfikacji nowotworów. Biomarkery kariotypu (nazywane również kariogramami lub idiogramami) są czasami klasyfikowane jako biomarkery obrazowania. Ponieważ jednak kariotypowanie dostarcza informacji strukturalnych o strukturze molekularnej (DNA), które nie są łatwo dostępne poprzez sekwencjonowanie, zdecydowaliśmy się sklasyfikować biomarkery kariotypu jako specjalny zestaw biomarkerów molekularnych dla MarkerDB. MarkerDB posiada łącznie 154 markery kariotypu lub kariogramy związane z 47 różnymi chorobami/stanami. Wszystkie te biomarkery kariotypu są klinicznie zatwierdzone do zastosowań diagnostycznych, prognostycznych lub prognostycznych. Wszystkie dane dotyczące biomarkerów kariotypu w MarkerDB zostały wyekstrahowane z literatury podstawowej, w tym Atlas of Genetics and Cytogenetics in Oncology and Hematology (18) oraz Catalog of Unbalanced Chromosome Aberrations in Man (19). Każdy idiogram kariotypu schematyzowano i przerysowywano za pomocą oprogramowania CyDAS (20). Dzięki generowaniu schematycznych idiogramów/kariogramów dla większości znanych kariotypów związanych z chorobami, mamy nadzieję, że dane MarkerDB będą kompatybilne z interpretacją zarówno kariotypów konwencjonalnych, jak i wirtualnych lub danych z porównawczej hybrydyzacji genomowej (CGH). Adnotacji wszystkich biomarkerów kariotypu dokonano ręcznie. Obecnie wszystkie markery kariotypu w MarkerDB mają jedno lub więcej powiązań chorobowych wraz z numerem dostępu MarkerDB, oznaczonym idiogramem lub kariogramem (pokazującym prawidłowy kariotyp sąsiadujący z chorym kariotypem), krótkim opisem kariotypu, powiązaniem choroby, jednym lub więcej odniesień literaturowych i hiperłączy do powiązanych genów. Dane dotyczące wydajności biomarkerów na ogół nie są dostępne dla kariogramów lub kariotypów związanych z chorobą.


Historyczna perspektywa problemu

Pierwsza ludzka linia komórek nowotworowych, HeLa, została opracowana w 1952 roku, a przez następne 15 lat kontynuowano rozwój dodatkowych ludzkich linii komórkowych z różnych tkanek (6). W 1968 roku naukowcy odkryli, że wiele hodowanych komórek wykazywało cechy, które nie odpowiadały cechom oryginalnego źródła. Był to pierwszy dowód na to, że określone metody hodowli komórek mogą powodować nieprzewidywalne zmiany w komórkach lub błędną identyfikację. Chociaż opracowanie lepszych technik sterylnych pomogło zmniejszyć zanieczyszczenie krzyżowe, dostępnych było niewiele testów, aby określić, które komórki zostały już dotknięte. Od tego czasu jednak opracowano znormalizowane metody, które są zarówno szybkie, jak i niedrogie w wykonaniu. Chociaż te ulepszenia powinny wyeliminować wiele zanieczyszczeń krzyżowych w komórkach, pozostaje to znaczącym problemem. ATCC i inne podobne repozytoria monitorują obecnie zanieczyszczenie krzyżowe i uwierzytelniają wszystkie dystrybuowane linie komórkowe, ale większość indywidualnych badaczy nie stosuje się do tych samych drobiazgowych procesów uwierzytelniania. W rzeczywistości badanie przeprowadzone w 2004 r. wśród około 500 biologów przeprowadzone przez Gertrude Buehring z University of California&mdashBerkeley i jej współpracowników wykazało, że mniej niż połowa wszystkich badaczy regularnie weryfikuje tożsamość swoich linii komórkowych przy użyciu standardowych technik, takich jak odciski palców DNA w krótkim tandemie. analiza powtórzona (STR) (6) . Bez wymogu, aby wszystkie linie komórkowe były uwierzytelniane, błędna identyfikacja pozostanie poważnym problemem.


Uwierzytelnianie ludzkiej linii komórkowej: Profilowanie STR

W celu opracowania ASN-0002, profilowanie STR zostało wybrane jako preferowana metoda uwierzytelniania ludzkich linii komórkowych ze względu na rozległą pracę, jaką wykonano w zakresie identyfikacji ludzi do celów kryminalistyki. Identyfikacja kryminalistyczna opiera się prawie wyłącznie na analizie STR z następujących powodów: (1) moc dyskryminacyjna, (2) ustanowiona infrastruktura testowa, (3) koszt, (4) efektywność dla zdegradowanych próbek DNA, (5) porównywalność danych profilowania STR z różne platformy oraz (6) zdolność do wykrywania mieszanin ludzkiego DNA [29]. W wyniku prac w kryminalistyce dostępne są markery STR, które zapewniają dobrą wartość rozróżniającą dla uwierzytelniania ludzkiej linii komórkowej, a usługi testowania ojcostwa i kryminalistyki można łatwo dostosować do uwierzytelniania ludzkiej linii komórkowej.

Standard dokumentalny ASN-0002 jest podsumowany w książce elektronicznej, która jest dostępna online [30] pod adresem http://www.ncbi.nlm.nih.gov/books/NBK144066/. Profilowanie STR zostało wybrane jako podstawa standardu uwierzytelniania ludzkich linii komórkowych ze względu na jego zdolność do rozróżniania ludzkich linii komórkowych za pomocą stosunkowo niewielkiej liczby markerów allelicznych, porównywalne dane można uzyskać w różnych laboratoriach, co umożliwia utworzenie bazy danych, na podstawie której dane można porównać Dostępne są zestawy do profilowania STR, dzięki czemu testy mogą być przeprowadzane w poszczególnych laboratoriach. Jest to stosunkowo szybki i tani test, który nie wymaga tak wysokiego poziomu wiedzy technicznej, jak niektóre inne metody.

Standard składa się z ponad 100 stron, które zawierają szczegółowe protokoły ekstrakcji DNA, profilowanie STR, analizę danych, kontrolę jakości danych, interpretację wyników i implementację publicznej bazy danych z możliwością przeszukiwania. Porównano różne metody, zapewniono wszystkie niezbędne algorytmy oraz opisano wskazówki dotyczące oceny i interpretacji danych oraz rozwiązywania problemów z anomaliami. Jak oceniać jakość danych i interpretację są traktowane rygorystycznie, w tym zastosowanie drabiny alleli (mieszanina DNA zawierająca różne allele umożliwiające kalibrację), jak oceniać artefakty testu, takie jak jąkanie i wypadanie alleli, odpowiednie kontrole, dokładność kwantyfikacja DNA itp. Starannie przemyślana podstawa przypisania „dopasowania” lub „niedopasowania” opiera się na dopasowaniu metryki ≥80% [31]. Dokładna analiza tego, co zapewni typowanie STR i jakie są jego ograniczenia w odniesieniu do uwierzytelniania linii komórkowej oraz szczegółowe protokoły, czynią ten dokument ważnym źródłem dla lekarza, nawet poza jego użytecznością jako standardem. Dokument jest źródłem koncepcji i dokładnym odniesieniem do dobrej praktyki laboratoryjnej. Jest to dokument, który powinien znać każde laboratorium wykonujące prace z liniami komórkowymi lub świadczące usługi. Dokument ten stanowi również podstawę dla dodatkowych standardów i udoskonaleń, które uwzględniają nowe dane i wiedzę w miarę ich udostępniania. Na przykład ostatnio pojawiło się pytanie o różnice w algorytmach określania dopasowań [32]. Istnienie grupy ekspertów odpowiedzialnej za formalny dokument stanowi doskonałe forum do dyskusji i wyjaśnień w razie potrzeby.

W wyniku tego standardu profile STR wielu ludzkich linii komórkowych zostały zebrane przez Centra Zasobów Biologicznych (BRC), a mianowicie ATCC, Deutsche Sammlung von Mikroorganismen und Zellkulturen (DSMZ), Japońską Kolekcję Biozasobów Badawczych (JCRB). ) i RIKEN, a dane te są dostępne w ogólnodostępnych bazach danych (http://www.atcc.org/STR%20Database.aspx http://www.jhsf.or.jp/bank/Category-Index.html https: //www.dsmz.de/services/services-human-and-animal-cell-lines/online-str-analysis.html). Baza danych DSMZ umożliwia wyszukiwanie profili w liniach komórkowych ze wszystkich tych baz danych. Istnienie baz danych profili STR ma kluczowe znaczenie dla zapewnienia profilu wzorcowego, z którym użytkownik może porównać swoją linię komórkową, wyszukując według nazwy linii komórkowej lub według profilu STR. National Center for Biotechnology Information (NCBI) jest również gospodarzem bazy danych BioSample (http://www.ncbi.nlm.nih.gov/biosample/), która zawiera profile STR najczęściej używanych linii komórkowych z BRC (wymienione powyżej) oraz Międzynarodowy Komitet Uwierzytelniania Linii Komórkowych (Baza danych ICLAC (http://iclac.org/databases/cross-contaminations/), która zawiera listę ludzkich linii komórkowych, które są błędnie zidentyfikowane na podstawie ich profili STR.

W chwili obecnej nie ma ostatecznego określenia, jak często należy przeprowadzać testy uwierzytelniania i skażenia, chociaż w wielu publikacjach poruszono ten problem [1]. W miarę przeprowadzania większej liczby testów, gromadzenie i konsolidacja danych pomocniczych może dostarczyć dowodów, na których można oprzeć zalecenia lub standardy.


Czy istnieje baza danych kariotypów dla ludzkich linii komórkowych? - Biologia

Wszystkie artykuły publikowane przez MDPI są natychmiast udostępniane na całym świecie na podstawie licencji otwartego dostępu. Nie jest wymagane żadne specjalne pozwolenie na ponowne wykorzystanie całości lub części artykułu opublikowanego przez MDPI, w tym rysunków i tabel. W przypadku artykułów opublikowanych na otwartej licencji Creative Common CC BY dowolna część artykułu może być ponownie wykorzystana bez pozwolenia, pod warunkiem, że oryginalny artykuł jest wyraźnie cytowany.

Artykuły tematyczne reprezentują najbardziej zaawansowane badania o dużym potencjale wywierania dużego wpływu w tej dziedzinie. Artykuły fabularne są nadsyłane na indywidualne zaproszenie lub rekomendację redakcji naukowych i przed publikacją podlegają recenzowaniu.

Artykuł może być oryginalnym artykułem badawczym, istotnym, nowatorskim badaniem, które często obejmuje kilka technik lub podejść, lub obszernym artykułem przeglądowym ze zwięzłymi i precyzyjnymi aktualizacjami na temat najnowszych postępów w tej dziedzinie, które systematycznie przeglądają najbardziej ekscytujące postępy w nauce literatura. Tego typu artykuł przedstawia perspektywę przyszłych kierunków badań lub możliwych zastosowań.

Artykuły Editor’s Choice oparte są na rekomendacjach redaktorów naukowych czasopism MDPI z całego świata. Redaktorzy wybierają niewielką liczbę artykułów opublikowanych ostatnio w czasopiśmie, które ich zdaniem będą szczególnie interesujące dla autorów lub ważne w tej dziedzinie. Celem jest przedstawienie migawki niektórych z najbardziej ekscytujących prac opublikowanych w różnych obszarach badawczych czasopisma.


Bar W, Brinkmann B, Budowle B, et al. Zalecenia DNA. Kolejny raport Komisji DNA ISFH dotyczący stosowania krótkich systemów powtórzeń tandemowych. Międzynarodowe Towarzystwo Hemogenetyki Sądowej. Int J Legal Med 1997110:175–6.

Marka K, Syverton JT. Wyniki gatunkowych testów hemaglutynacji w hodowlach komórek transformowanych, nietransformowanych i pierwotnych. J Natl Cancer Inst 196225:147-57.

Buehring GC, E przez EA, E przez MJ. Zanieczyszczenie krzyżowe linii komórkowych: na ile świadomi są hodowcy komórek ssaków problem i jak go monitorować? In Vitro Cell Dev Biol Anim 2004 40(7):211-5.

Chatterjee R. Przypadki błędnej tożsamości. Nauka 2007315:928–31.

Coble MD, Just RS, O’Callaghan JE i in. Polimorfizmy pojedynczego nukleotydu w całym genomie mtDNA, które zwiększają moc badań kryminalistycznych u rasy kaukaskiej. wewn. J Legal Med 2004118:137-46.

Culiton BJ. Komórki HeLa zanieczyszczające kultury na całym świecie. Nauka 1974184:1059.

Defendi V, Billingham RE, Silvers WK, Moorhead P. Immunologiczne i kariologiczne kryteria identyfikacji linii komórkowych. J Natl Cancer Inst 196025: 359-85.

Dickson D. Zanieczyszczone kultury komórkowe. Natura 1981289:227.

Dirks WG, Drexler HG. Uwierzytelnianie linii komórek nowotworowych przez odciski palców DNA. Metody Mol Med 200488:43-55.

Drexler HG, Dirks WG, MacLeod RA. Fałszywe ludzkie hematopoetyczne linie komórkowe: zanieczyszczenia krzyżowe i błędne interpretacje. Białaczka 199913(10):1601-7.

Drexler HG, Dirks WG, Matsuo Y, MacLeod RA. Fałszywe linie komórkowe białaczki i chłoniaka: aktualizacja ponad 500 linii komórkowych. Białaczka 200317:416–26.

Gartler SM. Markery genetyczne jako znaczniki w hodowli komórkowej. Monografia NCI 26: Druga dziesięcioletnia konferencja przeglądowa na temat kultury komórkowej, tkankowej i narządowej. NCI 1967.

Gartler SM. Pozorne zanieczyszczenie komórkami HeLa ludzkich linii komórek heteroploidalnych. Natura 1968217:750–1.

Gey GO. Niektóre aspekty budowy i zachowania normalnych i złośliwych komórek utrzymywanych w ciągłej hodowli. Wykłady Harveya: Seria L (1954-1955). Nowy Jork: Towarzystwo Harveya 1955.

Gilbert DA, Reid YA, Gail MH i in. Zastosowanie odcisków palców DNA do indywidualizacji linii komórkowych. Am J Hum Genet 199047:499-514.

Gill P, Brinkmann B, d’Aloja E, et al. Uwagi Europejskiej Grupy Profilowania DNA (EDNAP) dotyczące nomenklatury STR. Forensic Sci Int 199787: 185-92.

Harris N, Gang D, Quay S, et al. Zanieczyszczenie kultur komórkowych choroby Hodgkina. Natura 1981289:228-230.

Kniss DA, Xie Y, Li Y, et al. Komórki trofoblastopodobne ED(27) wyizolowane z kosmków kosmówkowych pierwszego trymestru są genetycznie identyczne z komórkami HeLa, ale wykazują odrębny fenotyp. Łożysko 200223(1):32–43.

Lavappa KS. Przegląd zasobów ATCC ludzkich linii komórkowych pod kątem skażenia HeLa. W Vitro. 197814(5):469–75.

Lee JY, Lee CH, Shim SH i in. Molekularna analiza cytogenetyczna monoblastycznej linii komórkowej U937. Wyjaśnienie kariotypu za pomocą pasków G, malowania całych chromosomów, mikrodysekcji i malowania wstecznego oraz porównawczej hybrydyzacji genomowej. Cancer Genet Cytogenet 2002 137:124–32.

Liscovitch M, Ravid D. Studium przypadku błędnej identyfikacji linii komórek nowotworowych: komórki MCF-7/AdrR (ponownie oznaczone jako NCI/ADR/RES) pochodzą z ludzkich komórek raka jajnika OVCAR-8. Rak Lett 2006 24 lutego.

MacLeod RA, Dirks WG, Matsuo Y, Kaufmann M, Milch H, Drexler HG. Rozpowszechnione wewnątrzgatunkowe zanieczyszczenie krzyżowe ludzkich linii komórek nowotworowych powstające u źródła. Int J Cancer 199983(4):555-63.

Mistrzowie JR. Komórki HeLa 50 lat później: dobre, złe i brzydkie. Nat Rev Cancer 20022:315-9.

Mistrzowie JR. Profilowanie DNA i uwierzytelnianie linii komórkowych. Komórki rozwojowe in vitro Biol 200541:6A. [Abstrakcyjny].

Masters JRW, Bedford P, Kearney A, Povey S, Franks LM. Bladder cancer cell-line cross-contamination: identification using a specific locus-specific minisatellite probe. Br J Cancer 198857:284–6.

Masters JR, Thomson JA, Daly-Burns B, et al. Short tandem repeat profiling provides an international reference standard for human cell lines. Proc Natl Acad Sci USA. 200198:8012–7.

Melcher R, Maisch K, Koehler S, et al. SKY and genetic fingerprinting reveal a cross-contamination of the putative normal colon epithelial cell line NCOL-1. Cancer Genet Cytogenet 2005151(1):84–7.

Milanesi E, Ajmone-Marsan Bignotti Losio MN, Bernardi Jo Chegdani F, Sorcini M, Ferrari M. Molecular detection of cell line cross-contaminations using amplified fragment length polymorphism DNA fingerprinting technology. In Vitro Cell Dev Biol Anim. 200339:124–30.

Muller S, Eder V, Wienberg J. A nonredundant multicolor bar code as a screening tool for rearrangements in neoplasia. Genes Chromosomes Cancer 200439:59–70.

Nelson-Rees W, Flandermeyer R. Inter-and intra-species contamination of human breast tumor cell lines HBC and Br Ca5 and other cell cultures. Nauki ścisłe. 1977195:1343–4.

Nelson-Rees W, Flandermeyer R, Hawthorne P. Banded marker chromosomes as indicators of intraspecies cellular contamination. Science 1974184:1093–6.

Nelson-Rees WA, Daniels DW, Flandermeyer RR. Cross-contamination of cells in culture [Review]. Science 1981212(4493):446–52.

O’Brien SJ. Cell culture forensics. Proc Natl Acad Sci USA 200198:7656–8.

O’Brien SJ, Kleiner G, Olson R, Shannon JE. Enzyme polymorphisms as genetic signatures in human cell cultures. Science 1977195:1345–8.

Ogura H, Fujii R, Hamano M, et al. Detection of HeLa cell contamination-presence of human papillomavirus 18 DNA as HeLa marker in JTC-3, OG and OE cell lines. Jpn J Med Sci Biol 199750(4–5):161–7.

Parson W, Kirchebner R, Muhlmann R, et al. Cancer cell line identification by short tandem repeat profiling: power and limitations. The FASEB Journal. 2005. Express article 10.1096/fj.04–3062fje.

Rothfels KK, Axelrod A, Siminovitch L, McCullogh E, Parker RC. The origin of altered cell lines from mouse, monkey, and man, as indidcated by chromosome and transplantation studies. In: Berg RW, editor. Proc. 3rd Canadian cancer research conference, 1959. New York: Academic Press 1959. p. 89–214.

Satoh M, Takeuchi M. Cross-contamination of cell lines as revealed by DNA fingerprinting in the IFO animal cell bank. Res Commun Inst Ferment 199316:18–23.

Stacey GN, Bolton BJ, Doyle A. DNA fingerprinting transforms the art of cell authentication. Nature (Lond.) 1992357:261–2.

Steube KG, Meyer C, Uphoff CC, Drexler HG. A simple method using beta-globin polymerase chain reaction for the species identification of animal cell lines-a progress report. InVitro Cell Dev Biol Anim 200339(10):468–75.

van Helden PD, Wiid IJ, Abrecht CF, Theron E, Thornley AL, Hoal-van Helden EG. Cross-contamination of human esophageal squamous carcinoma cell lines detected by DNA fingerprint analysis. Cancer Res 198848(20):5660–2.


Podziękowanie

We thank Mu-ming Poo and Dangsheng Li for comments on the manuscript.

Finansowanie

This work was supported by National Science and Technology Major Project (2017YFC1001302), CAS Strategic Priority Research Program (XDB02050007, XDA01010409), the MoST863 Program (2015AA020307), NSFC grants (31522037, 31771485), China Youth Thousand Talents Program, Break through project of Chinese Academy of Sciences.

Availability of data and materials

All of the mapped data are available from the SRA under accession SRP070593.


MATERIAŁY I METODY

Cell culture and chromosome preparation: Metaphase preparations were generated by standard protocols using chicken fibroblast cell cultures established from 5- to 7-day-old embryos (G riffin i in. 1999 A hlroth i in. 2000). Cells were examined under phase-contrast microscopy for adequate spreading and absence of cytoplasm.

Fluorescence-activated chromosome sorting: Chromosomes were prepared for flow sorting as described previously (C arter i in. 1992), spun briefly (100 × g for 1 min to remove any debris), and then the supernatant stained with 2 μg/ml Hoechst 33258 (Sigma, St. Louis) and 40 μg/ml chromomycin A3 (Sigma). Bivariate flow karyotypes were generated on a FACStar Plus (Becton Dickinson, San Jose, CA) dual laser flow cytometer equipped with two 5-W argon ion lasers. For chromosomes 1–10 and Z, ∼400 chromosomes from each peak in the flow karyotype were flow sorted into a 0.5-ml Eppendorf tube containing water. For some of the mediumsized microchromosomes, single chromosomes were flow sorted into tubes.

Microdissection of microchromosomes: Since microchromosomes are virtually indistinguishable, it was essential to microdissect single chromosomes prior to PCR amplification. Briefly, preparations on coverslips were stained with 10% Giemsa dye and placed on the stage of a Leica inverted microscope. Individual chromosomes were isolated from the coverslip using a glass needle driven by an electronically controlled micromanipulator attached to the microscope. The needle was then broken in a tube containing 10 μl sterile distilled water prior to PCR amplification (M asabanda and G riffin 2003). For the smallest microchromosomes, prehybridization of total genomic chicken DNA to metaphase preparations was performed prior to microdissection.

DOP-PCR generation of chromosome paints: A primary round of degenerate oligonucleotide primed (DOP)-PCR amplification was performed on these chromosomes to amplify the total DNA (C arter i in. 1992 T elenius i in. 1992). From each of these primary DOP-PCR reactions, 1–2 μl was used as a template for a secondary DOP-PCR amplification incorporating biotin-16-dUTP or digoxigenin-11-dUTP (Roche Diagnostics). This facilitated amplification and labeling of the relevant chromosome, thus making a chromosome paint (C arter i in. 1992 T elenius i in. 1992).

Labeling of bacterial artificial chromosomes and cosmids: For individual clone mapping experiments, clones were labeled by nick translation (M asabanda i in. 1998) using biotin-16-dUTP or digoxigenin-11-dUTP (Roche Diagnostics).

Fluorescent na miejscu hybridization: This was performed following the protocol of M asabanda and G riffin (2003). Briefly, metaphase preparations were aged for 3 hr at 55°. Labeled probe of 100 ng was dissolved in hybridization buffer (containing 50% formamide, 2× SSC, and 10% dextran sulfate). Chromosomes and probe were brought into contact under a 18-× 18-mm glass coverslip, sealed with rubber cement, and denatured together on a hot plate for 5 min at 68°. The hybridization was carried out for 12–16 hr.

Following the posthybridization washes (once for 2 min in 0.4× SSC/0.3% Igepal at 73°, once for 1 min in 2× SSC/0.1% Igepal at room temperature), equilibration for higher salt concentration in 4× SSC/0.05% Tween 20, and blocking in 4× SSC/0.1% Tween 20/2% BSA, biotinylated probes were detected with Cy3-conjugated streptavidin (1:300 dilution in 4× SSC, 0.1% Tween 20, 1% BSA), digoxigenin-labeled paints with FITC-conjugated antidigoxigenin (1:50 dilution). Finally, chromosomes were counterstained with 4′,6-diamidino-2-phenylindole (DAPI) and mounted in Vectashield antifade medium before microscope analysis.

For the 11-color fluorescent na miejscu hybridization (FISH) experiment, chromosomes 1, Z, 6, 8, and 10 (pool 1) were labeled directly with Cy3-dUTP (Amersham, Buckinghamshire, UK) chromosomes 2, 5, 6, 8, and 9 (pool 2) were labeled directly with Cy5-dUTP (Amersham) chromosomes 3, 5, 7, 8, and 10 (pool 3) were labeled with biotin-16-dUTP (Roche Diagnostics) chromosomes 4, Z, 7, 9, and 10 (pool 4) were labeled with digoxigenin-11-dUTP (Roche Diagnostics). This was achieved first by combining the respective primary PCR products for each pool [6 μl for chromosomes 1 and 2, 4 μl for chromosomes 3, 4, 5, 6, and Z, and 2 μl for the rest (10 μl = ∼1 μg)], ethanol precipitating, and resuspending in 10 μl of water. Next, each pool was labeled by incorporating the relevant dUTP label in the secondary DOP-PCR as described above. Secondary DOP-PCR products were pooled (10 μl for pool 1, 10 μl for pool 2, 6 μl for pool 3, and 5 μl for pool 4), ethanol precipitated with an excess of chicken cot-1 DNA, and resuspended in hybridization buffer. FISH proceeded as above except that biotin-labeled probes were detected with a Cy3.5-avidin conjugate (Amersham). As before, digoxigenin-labeled probes were detected using FITC-conjugated antidigoxigenin antibody (Roche Diagnostics).

Summary of chromosome probes identifying each chromosome


Dodatek D

  • D.1.1 Haemocytometer.
  • D.1.2 Microscope.
  • D.1.3 Bench-top centrifuge.
  • D.1.4 Embedding machine.
  • D.1.5 Microtome.
  • D.1.6 Tissue flotation bath.

Embed the fixed samples in paraffin and section the paraffin-embedded tissue blocks into slices of 4-10 μm in thickness. Float the slices onto clean glass slides. Perform haematoxylin and eosin (HE). Record the staining results by photography under a microscope.

D.4 Analysis of results

Teratomas containing tissues and cells from all three embryonic germ layers (eg, glandular epithelial tissue from the endoderm, cartilage tissues from the mesoderm, and neural tissues from the ectoderm) indicate that the human embryonic stem cells possess pluripotency.


Obejrzyj wideo: Mitoza - Buka wie (Sierpień 2022).