Gem-flox 基因敲除小鼠

下单100%中奖,最高可得千元京东卡
复苏/繁育服务
产品名称

Gem-flox 基因敲除小鼠

产品编号

S-CKO-02609

品系全称

C57BL/6JCya-Gemem1flox/Cya

品系背景

C57BL/6JCya

品系编号

CKOCMP-14579-Gem-B6J-VA

品系状态

使用本品系发表的文献需注明: Gem-flox 基因敲除小鼠 mice (Strain S-CKO-02609) were purchased from Cyagen.
交付类型
周龄
性别
基因型
数量
cKO小鼠库模型

基本信息

基因研究概述

质控标准

基因
基因全称
GTP binding protein overexpressed in skeletal muscle
基因别称
-
染色体号
Chr 4 (Mouse)
转录本 ID
NCBI: NM_010276.4 | Ensembl: ENSMUST00000108304
修饰方式
条件性基因敲除
靶向范围
Exon 3
敲除长度
~0.8 kb
品系说明
该品系是基于策略设计时的数据库信息制作而成,建议您在购买前查询最新的数据库和相关文献,以获取最准确的表型信息。
表型提示
MGI:99844Mice homozygous for a knock-out allele exhibit impaired glucose tolerance, decreased insulin secretion and abnormal calcium handling in pancreatic beta-cells.
基因Gem,即GEM,是一个在生物医学领域广泛应用的工具,主要用于基因-环境交互作用分析。它能够在数百万个样本中执行基因-环境交互作用测试,为理解复杂疾病和特征的遗传结构提供了新的视角。GEM具有可扩展性和灵活性,能够包括多种基因-环境交互项,并调整交互作用的协变量,从而提高统计推断的稳健性。此外,GEM还支持多线程计算,从而显著减少计算时间[1]。

在基因表达建模方面,研究者们提出了T-GEM模型,这是一种可解释的深度学习模型,用于基于基因表达预测表型。T-GEM模型通过分析基因-基因交互作用,能够预测癌症相关表型,包括癌症类型预测和免疫细胞类型分类。该模型通过自注意力机制捕捉与预测表型相关的生物功能,并能够提取出T-GEM学习到的调控网络,从而揭示与预测表型相关的基因[3]。

为了解决基因表达模型中存在的局限性,研究者们还开发了LA-GEM模型,这是一种结合了局部祖籍信息的基因表达模型。LA-GEM模型能够预测非欧洲人群,特别是非洲裔美国人群中的基因表达。该模型通过在预测过程中考虑局部祖籍的影响,提高了基因表达的预测准确性,并在非洲裔美国人群的药物基因组学研究中发现了新的基因关联[2]。

在理解亨廷顿病(HD)的发病机制方面,GEM模型也发挥了重要作用。研究发现,亨廷顿病发病时间的确定不仅受HTT基因CAG重复序列长度的直接影响,还受到多个DNA维持基因的多态性变异的影响。这些变异有时以性别特异性方式影响发病时间,表明CAG重复序列的不稳定性是导致HD发病时间变化的关键因素[4,8]。

此外,研究者们还利用基因治疗技术,通过双功能基因表达模型逆转对吉西他滨(GEM)的耐药性。研究发现,通过提高吉西他滨在细胞内的运输,可以逆转对GEM的耐药性。同时,通过报告基因成像技术,可以定位治疗基因,并通过微PET/CT技术评估基因治疗的效果[5]。

综上所述,基因Gem是一个在生物医学领域具有重要应用价值的工具。它不仅在基因-环境交互作用分析中发挥了重要作用,还在基因表达建模、亨廷顿病的发病机制研究以及基因治疗领域取得了突破性进展。随着生物医学技术的不断发展,基因Gem的应用前景将更加广阔,为理解复杂疾病的遗传结构、发病机制以及治疗策略提供新的思路和策略[1,2,3,4,5,6,7,8]。

参考文献:
1. Westerman, Kenneth E, Pham, Duy T, Hong, Liang, Chen, Han, Manning, Alisa K. . GEM: scalable and flexible gene-environment interaction analysis in millions of samples. In Bioinformatics (Oxford, England), 37, 3514-3520. doi:10.1093/bioinformatics/btab223. https://pubmed.ncbi.nlm.nih.gov/34695175/
2. Mishra, Mrinal, Nahlawi, Layan, Zhong, Yizhen, Alarcon, Cristina, Perera, Minoli A. . LA-GEM: imputation of gene expression with incorporation of Local Ancestry. In Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing, 29, 341-358. doi:. https://pubmed.ncbi.nlm.nih.gov/38160291/
3. Zhang, Ting-He, Hasib, Md Musaddaqul, Chiu, Yu-Chiao, Chen, Yidong, Huang, Yufei. 2022. Transformer for Gene Expression Modeling (T-GEM): An Interpretable Deep Learning Model for Gene Expression-Based Phenotype Predictions. In Cancers, 14, . doi:10.3390/cancers14194763. https://pubmed.ncbi.nlm.nih.gov/36230685/
4. . . CAG Repeat Not Polyglutamine Length Determines Timing of Huntington's Disease Onset. In Cell, 178, 887-900.e14. doi:10.1016/j.cell.2019.06.036. https://pubmed.ncbi.nlm.nih.gov/31398342/
5. Xi, Yun, Chen, Hong, Xi, Yue, Zhang, Min, Li, Biao. 2023. Visualization research on ENT1/NIS dual-function gene therapy to reverse drug resistance mediated by MUC1 in GEM-resistant pancreatic cancer. In Nuclear medicine and biology, 120-121, 108350. doi:10.1016/j.nucmedbio.2023.108350. https://pubmed.ncbi.nlm.nih.gov/37229950/
6. Thanamit, Kulwadee, Hoerhold, Franziska, Oswald, Marcus, Koenig, Rainer. 2022. Linear programming based gene expression model (LPM-GEM) predicts the carbon source for Bacillus subtilis. In BMC bioinformatics, 23, 226. doi:10.1186/s12859-022-04742-7. https://pubmed.ncbi.nlm.nih.gov/35689204/
7. De La Vega, Francisco M, Chowdhury, Shimul, Moore, Barry, Yandell, Mark, Kingsmore, Stephen F. 2021. Artificial intelligence enables comprehensive genome interpretation and nomination of candidate diagnoses for rare genetic diseases. In Genome medicine, 13, 153. doi:10.1186/s13073-021-00965-0. https://pubmed.ncbi.nlm.nih.gov/34645491/
8. . . Identification of Genetic Factors that Modify Clinical Onset of Huntington's Disease. In Cell, 162, 516-26. doi:10.1016/j.cell.2015.07.003. https://pubmed.ncbi.nlm.nih.gov/26232222/