Ttll10-KO 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

Ttll10-KO 基因敲除小鼠

产品编号

S-KO-09495

品系全称

C57BL/6JCya-Ttll10em1/Cya

品系背景

C57BL/6JCya

品系编号

KOCMP-330010-Ttll10-B6J-VA

品系状态

使用本品系发表的文献需注明: Ttll10-KO 基因敲除小鼠 mice (Strain S-KO-09495) were purchased from Cyagen.
交付类型
周龄
性别
基因型
数量

基本信息

基因研究概述

质控标准

基因
基因全称
tubulin tyrosine ligase-like family, member 10
基因别称
4833412E22Rik,4930595O22Rik,Ttll5
染色体号
Chr 4 (Mouse)
转录本 ID
NCBI: NM_029264 | Ensembl: ENSMUST00000051509
修饰方式
全身性基因敲除
靶向范围
Exon 5~12
敲除长度
~4.6 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
TTLL10,也称为Tubulin tyrosine ligase-like 10,是一种重要的蛋白质,属于TTLL家族,该家族成员主要参与调节微管的稳定性、细胞骨架的重塑以及细胞分裂等过程。TTLL10的主要功能之一是催化微管蛋白的甘基化,这是一种非典型的翻译后修饰,与微管的稳定性和功能密切相关。TTLL10在多种生物学过程中发挥重要作用,包括细胞分裂、细胞迁移、神经发生以及免疫反应等。

TTLL10可以与另一个TTLL家族成员TTLL8协同作用,催化微管蛋白的甘基化。研究发现,当TTLL10与TTLL8共表达时,可以强烈地催化微管蛋白的甘基化。此外,TTLL10和TTLL8还可以催化其他酸性蛋白质的甘基化,这些蛋白质的分子量分别为170、110、75、40、35和30 kDa[1]。这些结果提示TTLL10和TTLL8在微管蛋白的甘基化过程中发挥重要作用,可能参与调节微管的稳定性和功能。

TTLL10还与一些疾病的发生发展相关。例如,研究发现TTLL10的表达与痤疮的严重程度相关。在一项全基因组关联研究中,研究人员发现TTLL10是痤疮严重程度的一个新相关基因[2]。此外,TTLL10的表达还与乳腺癌患者的药物反应相关。研究发现,将RNA编辑数据与多组学数据相结合,可以提高机器学习模型预测乳腺癌患者药物反应的准确性。其中,TTLL10基因中的RNA编辑位点对预测模型具有重要贡献[3]。

综上所述,TTLL10是一种重要的蛋白质,参与调节微管的稳定性和功能。TTLL10在多种生物学过程中发挥重要作用,包括细胞分裂、细胞迁移、神经发生以及免疫反应等。此外,TTLL10还与一些疾病的发生发展相关,如痤疮和乳腺癌。TTLL10的研究有助于深入理解微管的生物学功能和疾病发生机制,为疾病的治疗和预防提供新的思路和策略。

参考文献:
1. Ikegami, Koji, Setou, Mitsutoshi. 2009. TTLL10 can perform tubulin glycylation when co-expressed with TTLL8. In FEBS letters, 583, 1957-63. doi:10.1016/j.febslet.2009.05.003. https://pubmed.ncbi.nlm.nih.gov/19427864/
2. Du, Zhaohui, Iyyanki, Tejaswi, Lessard, Samuel, Khader, Shameer, Chatelain, Clément. 2023. Genome-wide association study analysis of disease severity in Acne reveals novel biological insights. In medRxiv : the preprint server for health sciences, , . doi:10.1101/2023.11.13.23298473. https://pubmed.ncbi.nlm.nih.gov/38014089/
3. Bernal, Yanara A, Blanco, Alejandro, Oróstica, Karen, Delgado, Iris, Armisén, Ricardo. 2024. Integration of RNA Editing with Multiomics Data Improves Machine Learning Models for Predicting Drug Responses in Breast Cancer Patients. In Research square, , . doi:10.21203/rs.3.rs-5604105/v1. https://pubmed.ncbi.nlm.nih.gov/39764127/