表达谱基因芯片

表达谱基因芯片具有高通量、缩微、多参数、平行化等优点.在功能基因组学研究中正发挥越来越重要的作用.就其原理、应用、存在问题及解决策略等进行了综述.     

基因芯片表达谱数据的预处理分析

基因芯片数据的预处理是一个十分关键的步骤,通过数据过滤获取需要的数据、数据转换满足正态分布的分析要求、缺失值的估计弥补不完整的数据、数据归一化纠正系统误差等处理为后续分析工作做准备,预处理分析的重要性并不亚于基因芯片的后续分析,它将直接影响后续分析是否能得到预期的结果.本文重点综述了cDNA芯片的数据预处理,简要地概述寡核苷酸芯片的数据预处理.     

表达谱基因芯片的可靠性验证分析

cDNA芯片是一项新兴的能评估检测全范围mRNA表达水平变化的技术。通过同种组织RNA自身比较实验及不同组织RNA的差异分析实验对cDNA芯片实验的重复性进行检验,利用相关系数(correlation coefficient,R)、变异系数(coefficient of variation,CV)和假阳性率(false positiver ate,FPR)分析eDNA芯片数据的可靠程度,对cDNA芯片实验数据作了整体的评估。结果证实,该芯片系统得到的cDNA表达谱数据相关系数一般大于0．9,平均变异系数15％左右,假阳性率控制在3％以内。还提出一致率(consistence rate,CR)的概念,作为衡量cDNA芯片系统重复性的新参数,同时阐述了该参数优于目前常用的相关系数及变异系数的特点。另外,通过比较芯片制备中点样浓度、mRNA和总RNA以及不同批次芯片和不同标记过程对实验的影响,来分析芯片数据的系统误差来源。并提出重复两次实验,可以克服绝大部分实验系统引入的假阳性。     

基因芯片在骨骼肌老龄化相关基因表达谱中的应用

对老龄组大鼠 (30月龄 )和年轻对照组大鼠 (3月龄 )的腓肠肌超微结构进行观察 ,可以看到前者肌肉肌纤维萎缩伴有线粒体空泡变性。并进行总RNA抽提、mRNA纯化、探针制备 ,应用基因芯片筛选老龄化相关基因 ,两组大鼠骨骼肌重复出现的差异表达基因 12 7个 ,下调基因涉及能量代谢、信号转导 ,上调基因涉及蛋白质分解、细胞凋亡     

利用基因芯片技术研究两品种鸡脂肪组织差异表达基因

应用包含9024条鸡cDNA的表达谱芯片,对从两品种鸡脂肪组织抽提及纯化的mRNA进行芯片杂交,并对基因表达谱进行分析,旨在筛选高脂肉鸡和白耳蛋鸡脂肪组织差异表达的基因,探讨造成两品种体脂性状差异的分子生物学机理。结果按差异显著阳性标准分析,共筛选出差异表达基因67条,主要涉及脂类代谢、能量代谢、细胞骨架构成、转录和剪接因子以及蛋白质合成与分解等相关基因,此外,还筛选出一些尚未在GenBank上登陆的序列,推测可能是未知的新基因,它们在鸡脂类代谢的过程所起到的作用还需进一步实验证明。     

应用基因芯片分析甘蓝型油菜柱头特异表达基因

以甘蓝型油菜(Brassica napus)野生型(宁油10号)及其柱头授粉功能缺失突变体FS-M1为材料,使用油菜基因表达谱芯片筛选甘蓝型油菜柱头特异表达基因。在含有16 540个基因的油菜基因表达谱芯片中(43 803探针),获得了4 410条差异表达探针,选择部分差异表达基因进行实时定量PCR,所得结果与芯片检测结果相吻合。其中,野生型较FS-M1显著上调且获得209个功能注释的探针,对应198个基因,这些特异表达的基因主要富集在水解酶、转移酶、氧化还原酶和转录因子中;涉及较大的基因家族包括:细胞色素P450基因、GDSL脂肪酶/水解酶基因、ABC转运蛋白基因、myb转录因子基因、bHLH转录因子基因、过氧化物酶家族和受体激酶基因等。推测这些基因与甘蓝型油菜柱头发育及授粉功能有关。     

利用基因芯片技术筛选秦川牛公牛与阉牛肌肉组织差异表达基因

为了筛选秦川牛公牛和阉牛肌肉组织差异表达的基因,探讨二者肉质差异的分子生物学机理,文章利用Affymetrix公司生产的牛基因组芯片技术,分别检测了3头36月龄秦川牛公牛与阉牛背最长肌肌肉组织的mRNA表达水平变化;运用Significance Analysis of Microarrays(SAM)法对秦川牛公牛和阉牛基因表达谱进行了差异分析;并通过分子注释系统平台(MAS2.0)对差异表达基因进行了功能富集类分析和调控通路分析;最后应用实时定量PCR技术对部分差异表达基因进行了验证。基因表达谱分析结果显示,在36月龄秦川牛的肌肉组织中,共检测到约11000个探针,代表大约10000个基因。共筛选出差异表达基因143条,主要涉及胶原纤维的组织和合成、细胞粘附、细胞生长调控、泛素介导的蛋白分解代谢和横纹肌收缩等生物学过程;在分子注释系统数据库中注释到的显著调控通路为细胞外基质受体反应、细胞通讯、焦点粘连和紧密连接等;所验证的差异表达基因的荧光定量PCR结果与芯片结果基本一致。结合已有的文献报道,文章初步认为ECM受体反应、细胞通讯、焦点粘连、紧密接头等调控通路及COL3A1、COL1A1、COL1A2、SPP1、FBN1、MMP2、ECM1、MYH3、MYH8、S100A4、ASPN、CFD等基因可能是参与调控秦川牛阉割前后肉质性状差异的重要调控通路和基因。此外,还筛选出一些尚未在GenBank上登陆的序列,推测可能是未知的新基因,它们在牛肉质代谢过程中的作用还需进一步的研究证明。     

基于AR模型的基因芯片数据识别

将自回归模型(AR)模型引入基因芯片数据识别领域,提出了基于自回归模型的时间序列特征提取方法．利用动态时轴弯曲(DTW)作为分类器,在标准的肿瘤基因芯片数据的识别结果表明,本方法能够达到100％的识别率,可以应用于基因芯片数据的识别、分类和基因疾病推断。     

利用表达谱基因芯片筛选溃疡性结肠炎差异表达基因

目的:利用人类全基因组表达谱芯片技术,分析溃疡性结肠炎患者和健康者基因表达谱差异,筛选出溃疡性结肠炎相关基因。方法:采用Trizol法提取8例溃疡性结肠炎患者和8例健康对照者结肠粘膜组织总RNA并纯化,逆转录合成c DNA,利用荧光染料Cy3标记aa UTP,转录合成标记的c RNA,并与Agilent人类全基因组表达谱芯片杂交,扫描荧光信号图像,对芯片原始数据进行归一化处理,利用倍数差异和t检验计算筛选出相关差异表达基因,采用DAVID在线分析系统进行基因的功能注释和关联分析,明确差异基因的生物学功能,并对部分差异表达基因进行实时荧光定量PCR验证。结果:筛查出溃疡性结肠炎结肠粘膜组织差异表达基因4132个,其中上调基因2004个,下调基因2128个。选取6条差异表达基因进行PCR验证,结果有3条基因表达上调,3条基因表达下调,表达趋势与芯片结果一致。结论:溃疡性结肠炎患者与健康对照者基因表达存在明显差异,分析这些差异表达基因有助于我们探索溃疡性结肠炎的发病机制,为疾病的治疗提供理论依据。     

基因芯片分析干扰素对乙型肝炎病毒转染细胞基因表达的影响

乙型肝炎病毒 (HepatitisBvirus ,HBV)的持续性感染是影响人类健康的重大问题 ,而α 干扰素 (IFN α)和γ 干扰素(IFN γ)分别具有抗HBV的作用。为了研究HBV持续存在对IFN效应基因表达的影响 ,将HepG2细胞和来源于HepG2细胞并整合有HBV基因组的HepG2 .2 .15细胞经IFN α或IFN γ处理 6h后 ,用含 14 112个靶基因的人cDNA基因芯片检测了各组基因表达谱的差异。结果证实 ,许多与细胞周期、增殖、凋亡相关的基因及部分EST和功能未知基因受IFN调节 ;IFN诱导后 ,一些与激酶和信号转导、转录调节、抗原递呈和处理相关的基因在两株细胞间表达存在差异 ,提示HBV影响IFN诱导的细胞基因的表达。进一步挑选部分显著差异表达的基因 ,研究其对HBV复制的影响 ,结果发现在两个细胞株中IFN诱导后基因表达差异的双遍在蛋白 (Diubiquitin)和髓样细胞分化蛋白 (MyD88)均可显著降低HBV抗原表达 ,并证实MyD88能抑制HBV复制。这有助于揭示IFN抗病毒效应及HBV持续性感染机制 ,为分子水平寻找新型抗HBV药物的靶点打下基础。     

基因芯片数据分析与处理

基因芯片技术在基因表达分析等应用过程中产生大量的数据,如何处理和分析这些数据并从中提取出有价值的生物学信息是一个极为重要的问题.其过程包括原始数据的获取及处理、标准化数据的统计学分析、以及数据的存储和交流等.     

肿瘤微阵列数据统计分析概述

微阵列技术已广泛应用于生物学和医学研究领域,如肿瘤的诊断和分型、预测和治疗,理解肿瘤的发生机制、生物学通路和基因网络。统计学方法在这一科学挑战中的地位至关重要。我们综述了微阵列实验数据分析的统计学方法最新发展,主要描述了微阵列数据的标准化、差异表达基因的统计学检验及微阵列技术在肿瘤治疗中的应用,重点介绍了时间序列微阵列数据分析方法和基因调控网络在肿瘤研究中的最新发展。     

乳腺癌基因芯片实验数据分析与挖掘

目的 对公共数据库上下载得到的乳腺癌基因芯片试验结果进行数据分析,找出在正常组织与癌组织中呈现差异表达的基因,并寻找差异表达基因的相关基因.方法 综合运用显著性分析（SAM）、顶级评分基因对（TSP）、关联规则挖掘等方法,对数据进行处理.结果 筛选出若干呈现差异表达的基因,并且寻找了其中一部分基因的可能高度相关的基因.结论 筛选出的基因及其相关基因可用于为进一步的研究提供候选基因.     

Genes Selection Comparative Study in Microarray Data Analysis

In response to the rapid development of DNA Microarray Technologies, many differentially expressed genes selection algorithms have been developed, and different comparison studies of these algorithms have been done. However, it is not clear how these methods compare with each other, especially when we used different developments tools. Here, we considered three commonly used differentially expressed genes selection approaches, namely: Fold Change, T-test and SAM, using Bioinformatics Matlab Toolbox and R/BioConductor. We used two datasets, issued from the affymetrix technology, to present results of used methods and software''s in gene selection process. The results, in terms of sensitivity and specificity, indicate that the behavior of SAM is better compared to Fold Change and T-test using R/BioConductor. While, no practical differences were observed between the three gene selection methods when using Bioinformatics Matlab Toolbox. In face of our result, the ROC curve shows that: on the one hand R/BioConductor using SAM is favored for microarray selection compared to the other methods. And, on the other hand, results of the three studied gene selection methods using Bioinformatics Matlab Toolbox are still comparable for the two datasets used.     

宫颈癌差异表达基因筛选及功能分析

目的:筛选参与宫颈癌发生、发展的关键基因,为临床诊疗提供新的靶点。方法:在NCBI-GEO数据库中筛选多组宫颈癌基因表达检测数据集,利用GEO2R分析工具筛选各组数据集的差异表达基因;应用R分析筛选不同数据集之间共有的差异表达基因;利用DAVID在线分析对差异表达基因进行功能聚类和通路分析;利用STRING分析差异表达基因编码蛋白之间的相互作用关系。结果:共选择6组表达数据集,筛选得到59个差异表达基因(宫颈癌组织vs正常组织),表达差异至少达2倍,其中包含50个表达上调基因及9个表达下调基因。这些差异表达基因参与细胞周期、DNA复制、细胞分裂等生物进程。蛋白互作分析表明,这些差异表达基因多数存在相互作用。结论:利用生物信息学方法对不同来源的基因检测数据进行整合分析,有助于更准确的筛选对宫颈癌发生、发展过程具有重要作用的关键基因,本文筛选的宫颈癌差异基因为进一步研究宫颈癌发生、发展的分子机制及临床诊疗提供思路。     

基因芯片数据分析及在植物基因组研究中的应用

基因芯片作为一种新兴的技术手段已经在植物学、动物学、医学和农学等多个研究领域中发挥了重要作用。本文就基因芯片数据分析的各个环节,包括芯片数据的预处理、归一化、差异基因的判断、聚类分析以及基因芯片在植物功能基因组研究中的应用进行了综述。     

一种基于基因拓扑重要性的通路识别方法

癌症相关通路的识别是认识癌症发生发展过程机制的生物学基础。已有的通路识别方法很少考虑基因在通路中的拓扑重要性。重叠基因降权(PADOG)方法在基因集分析(GSA)方法的基础上融入了基因特异性的影响,提高了癌症相关通路的识别性能。为进一步提高癌症相关通路的识别性能,首先统计了KEGG通路数据集中基因出度的分布情况,根据基因出度的大小定义了基因的重要性。最后将基因的特异性和重要性融合在一起,提出了一种基于基因重要性和特异性的通路分析方法 PAGIS。在结肠癌、肺癌和胰腺癌3个数据集上的实验结果表明,PAGIS方法比PADOG能够提高很多癌症相关的排名,从而提高癌症相关通路的识别效果。     

GSEA在全基因组表达谱芯片数据分析中的应用

GSEA是一个可下载后免费使用的全基因组表达谱芯片数据分析工具。它根据已有的对基因的定位、性质、功能、生物学意义等知识的基础上,首先构建了一个分子标签数据库,数据库中包含了多个功能基因集。通过分析一组处于两个生物学状态的基因表达谱杂交数据,它们在特定的功能基因集中的表达状况,以及这种表达状况是否存在某种统计学显著性。GSEA是从另一个角度来诠释生物信息,可进一步完善我们对相关生物学事件的认识。     

Gene set analysis of genome-wide association studies: methodological issues and perspectives

Recent studies have demonstrated that gene set analysis, which tests disease association with genetic variants in a group of functionally related genes, is a promising approach for analyzing and interpreting genome-wide association studies (GWAS) data. These approaches aim to increase power by combining association signals from multiple genes in the same gene set. In addition, gene set analysis can also shed more light on the biological processes underlying complex diseases. However, current approaches for gene set analysis are still in an early stage of development in that analysis results are often prone to sources of bias, including gene set size and gene length, linkage disequilibrium patterns and the presence of overlapping genes. In this paper, we provide an in-depth review of the gene set analysis procedures, along with parameter choices and the particular methodology challenges at each stage. In addition to providing a survey of recently developed tools, we also classify the analysis methods into larger categories and discuss their strengths and limitations. In the last section, we outline several important areas for improving the analytical strategies in gene set analysis.