结合基因表达数据和ChIP-chip数据的酵母转录调控模块的识别

活细胞依赖其众多的转录调控模块来实现复杂的生物功能,识别转录调控模块对深入理解细胞的功能及其转录机制有着重要的意义。本文结合酵母基因表达数据和ChIP-chip数据,提出了一种转录调控模块识别算法。该算法通过采用不同的P值阈值分别得到了核心集和粗糙集,然后对核心集和粗糙集进行判别,最后对基因进行扩展之后得到基因转录调控模块。将该算法运用到两个酵母基因表达数据中,得到了一些具有显著生物学意义的基因转录调控模块。与其它算法相比,该算法不仅可以识别含有较多基因的转录调控模块,而且可以识别一些其它算法不能识别的基因转录调控模块。识别得到的基因转录调控模块有着不同的生物学功能,并且有助于进一步理解酵母的转录调控机制。     

基于组学数据构建基因调控网络

在生命体内,基因以及其它分子间相互作用形成复杂调控网络,生命过程都是以调控网络的形式存在,如从代谢通路网络到转录调控网络,从信号转导网络到蛋白质相互作用网络等等。因此,网络现象是生命现象的复杂本质和主要特征。本文系统地介绍了基于表达谱数据构建基因调控网络的布尔网络模型,线性模型,微分方程模型和贝叶斯网络模型,并对各种网络构建模型进行了深入的分析和总结。同时,文章从基因组序列信息、蛋白质相互作用信息和生物医学文献信息等方面讨论了基因调控网络方面构建的研究,这对从系统生物学水平揭示生命复杂机制具有重要的参考价值。     

用生物信息学方法寻找肝癌特异性表达基因转录调控模式

为了对肝癌(hepatocellularcarcinoma,HCC)的分子发病机理进行研究,首先对肝癌基因表达谱数据用t-检验算法进行了分析,找到了肝癌中特异性表达基因(characteristicgenes).然后把这些基因结合已知的肝HNF家族转录因子染色质免疫共沉淀结合DNA启动子芯片(ChIP-chip)实验数据用SAEM算法进行分析,得到了肝癌特异性表达基因的转录调控关系,并寻找到了多个HNF家族转录因子调控单基因的转录调控模式.结果表明HNF家族转录因子对大量具有重要功能的肝癌特异性表达基因进行了转录调控,并且多个HNF家族转录因子调控单基因可以形成前馈环和多输入调控等模式.     

重建基因调控网络

分子生物学的主要挑战是如何更好的理解基因间的调控机理。重建基因网络有助于探索生命系统的本质问题。这里对研究基因调控网络的起源、发展动向、目的和方法及目前所面临的挑战进行了综述。     

清道夫受体A基因的表达和调控研究进展

Ａ类清道夫受体（ＳＲ－Ａ）的表达具有巨噬细胞特异性,这与ＳＲ－Ａ启动子上的ＰＵ．１／Ｓｐｉ－１识别位点有关,ＳＲ－Ａ具有广泛的配体结合活性,在机体的防御,细胞粘附及信息转导等过程中起重要作用,对修饰脂蛋白的介导,内吞可能是动脉粥样硬化斑块形成的重要原因。     

发育调控基因的多次性表达和作用

在遗传学家、分子生物学家与胚胎学家携起手来,共同研究发育生物学的基本问题后,人们对于发育的遗传控制的认识有了长足的进步。80年代在果蝇(Drosophila melanogaster)中取得的一系列进展,如控制前后体节形成的一套完整基因系统的发现,同源异形突变(如双胸突变)基因的克隆,同源盒基因被证实在从线虫到人类的发育控制中均起重要作用,等等,使人们对于发育过程的基因控制有了这样的认识轮廓:每一种具体的发育过程主要     

时间延迟基因调控网络重构的决策树方法研究

基因调控网络的重构是功能基因组中最具挑战性的课题之一. 针对基因间转录调控的时间延迟性, 提出了一种寻找时间延迟调控关系的方法: 多点延迟调控网络算法, 简称TdGRN (time-delayed gene regulatory networking). 该方法根据时间序列基因表达谱数据, 构建时间延迟基因表达矩阵, 利用有监督决策树分类器方法和随机重排技术挖掘基因之间的时间延迟调控关系, 从而构建时间延迟的基因调控网络. 该方法是一种不依赖模型的基因网络重建方法, 相对于目前采用的基于模型的网络重建方法有显著优势, 可直接利用连续的基因表达谱数据发现延迟任一时间单位差的基因表达调控关系, 并避免了目前一些研究方法中需要人为设定基因的最大调控子数目(k)的问题. 将该方法应用于酿酒酵母细胞周期的基因表达谱数据, 并构建时间延迟的基因调控网络, 结果发现多数时间延迟调控关系获得了已有知识的支持.     

大肠杆菌整体代谢网络调控基因(csrA)的敲除及其对苯丙氨酸生物合成的影响

csrA基因产物是大肠杆菌芳香族氨基酸生物合成途径中碳中心代谢有关的一种全局性调控蛋白质。采用Red敲除系统介导的同源重组的方法定位缺失大肠杆菌染色体csrA基因,经PCR、DNA测序等多种方法证实了基因重组缺失的可靠性。csrA基因缺失后,缺失菌株较对照菌株,糖酸转化率有所提高,发酵生产苯丙氨酸的能力也得到一定的提高,产酸提高约13%。     

基于微阵列数据构建基因调控网络

随着微阵列数据的快速增长, 微阵列基因表达数据日益成为生物信息学研究的重要数据源。利用微阵列基因表达数据构建基因调控网络也成为一个研究热点。通过构建基因调控网络, 可以解读复杂的调控关系, 发现细胞内的调控模式, 并进而在系统尺度上理解生物学进程。近年来, 人们引入了多种算法来利用基因芯片数据构建基因调控网络。文章回顾了这些算法的发展历史, 尤其是其在理论和方法上的改进, 给出了一些相关的软件平台, 并预测了该领域可能的发展趋势。     

Improved Reconstruction of In Silico Gene Regulatory Networks by Integrating Knockout and Perturbation Data

We performed computational reconstruction of the in silico gene regulatory networks in the DREAM3 Challenges. Our task was to learn the networks from two types of data, namely gene expression profiles in deletion strains (the ‘deletion data’) and time series trajectories of gene expression after some initial perturbation (the ‘perturbation data’). In the course of developing the prediction method, we observed that the two types of data contained different and complementary information about the underlying network. In particular, deletion data allow for the detection of direct regulatory activities with strong responses upon the deletion of the regulator while perturbation data provide richer information for the identification of weaker and more complex types of regulation. We applied different techniques to learn the regulation from the two types of data. For deletion data, we learned a noise model to distinguish real signals from random fluctuations using an iterative method. For perturbation data, we used differential equations to model the change of expression levels of a gene along the trajectories due to the regulation of other genes. We tried different models, and combined their predictions. The final predictions were obtained by merging the results from the two types of data. A comparison with the actual regulatory networks suggests that our approach is effective for networks with a range of different sizes. The success of the approach demonstrates the importance of integrating heterogeneous data in network reconstruction.     

Adaptive Thresholding for Reconstructing Regulatory Networks from Time-Course Gene Expression Data

Discovering regulatory interactions from time-course gene expression data constitutes a canonical problem in functional genomics and systems biology. The framework of graphical Granger causality allows one to estimate such causal relationships from these data. In this study, we propose an adaptively thresholding estimates of Granger causal effects obtained from the lasso penalization method. We establish the asymptotic properties of the proposed technique, and discuss the advantages it offers over competing methods, such as the truncating lasso. Its performance and that of its competitors is assessed on a number of simulated settings and it is applied on a data set that captures the activation of T-cells.     

Integration of Steady-State and Temporal Gene Expression Data for the Inference of Gene Regulatory Networks

We develop a new regression algorithm, cMIKANA, for inference of gene regulatory networks from combinations of steady-state and time-series gene expression data. Using simulated gene expression datasets to assess the accuracy of reconstructing gene regulatory networks, we show that steady-state and time-series data sets can successfully be combined to identify gene regulatory interactions using the new algorithm. Inferring gene networks from combined data sets was found to be advantageous when using noisy measurements collected with either lower sampling rates or a limited number of experimental replicates. We illustrate our method by applying it to a microarray gene expression dataset from human umbilical vein endothelial cells (HUVECs) which combines time series data from treatment with growth factor TNF and steady state data from siRNA knockdown treatments. Our results suggest that the combination of steady-state and time-series datasets may provide better prediction of RNA-to-RNA interactions, and may also reveal biological features that cannot be identified from dynamic or steady state information alone. Finally, we consider the experimental design of genomics experiments for gene regulatory network inference and show that network inference can be improved by incorporating steady-state measurements with time-series data.     

整合受体调控基因表达信息构建细胞通信网络

目的 构建细胞通信网络有助于揭示细胞间协同工作机制、生物学过程和疾病发病机理。目前基于配体-受体相互作用构建细胞通信网络的方法大多只考虑配体和受体的表达信息，忽略了受体对其调控基因的信号传递影响，导致构建的细胞通信网络可靠性较低。鉴于此，本文提出IRRG算法，旨在构建更为准确的细胞通信网络，并挖掘具有生物学意义的细胞通信模式。方法 本文提出了一种整合受体调控基因表达信息构建细胞通信网络的方法（命名为IRRG）。该方法通过随机游走方式计算受体对下游基因的影响得分，进而与配体-受体共表达量结合构建细胞通信网络。结果 使用IRRG构建了小鼠滤泡间表皮（IFE）细胞通信网络并分析了配体-受体对的生物学意义，验证了IRRG计算受体影响得分的稳定性和细胞通信网络构建的可靠性。此外，使用IRRG构建了透明细胞肾细胞癌（ccRCC）的细胞通信网络，挖掘并分析其肿瘤微环境细胞通信模式。结论 IRRG可以构建富有生物学意义并且可靠的细胞通信网络，帮助人们从细胞通信的角度更深入地了解多种生物过程。IRRG算法代码可从GitHub获取：https://github.com/NWPU-903PR/IRRG。