基因表达谱芯片在肿瘤基因组学中的应用

表达谱芯片 ,是指将几千个基因特异的探针或其ｃＤＮＡ片段固定在一块基因芯片上 ,对来源于不同个体 (正常人与患者 )、不同组织、不同细胞周期、不同发育阶段、不同病变、不同刺激 (包括不同诱导、不同治疗手段 )下的细胞内的ｍＲＮＡ或逆转录产物ｃＤＮＡ进行检测从而大规模对这些基因表达的个体特异性、组织特异性、发育特异性、分化阶段特异性、病变特异性、刺激特异性进行综合的分析和判断。基因表达谱芯片研究基因在不同组织或细胞、不同发育阶段中基因表达的改变 ,通过基因表达的改变进而阐明基因的功能。1 .杂交信号检测原理用不同…     

水稻条纹病毒胁迫下的水稻全基因组表达谱

水稻条纹叶枯病由水稻条纹病毒(Rice stripe virus, RSV)引起,对我国水稻生产危害严重.为了明确RSV侵染对水稻基因表达谱的影响,采用Affymetrix水稻全基因组芯片对RSV接种后出现条纹症状第7天的武育粳3号水稻病叶和相应的健康叶片进行了全基因组表达谱分析,得到3 517个差异基因,其中2 002个表达上调,1 515个表达下调.根据TIGR数据库注释(http://www.tigr.org/tdb/e2k1/osa1/)和MIPS基因功能分类标准(http://mips.gsf.de/projects/funcat)将差异基因归类为15个功能类别,多数差异基因与植物防御、信号传导及蛋白质、碳水化合物的代谢相关,一些转录因子的表达也发生了明显的变化.代谢途径分析表明,RSV侵染后磷酸戊糖途径、类黄酮合成途径和芸苔素合成途径的相关基因表达明显增强,赤霉素合成途径相关基因的表达受到了抑制.     

酵母全基因组芯片的应用

酵母作为最常用的模式生物,其全基因组测序最先完成。利用已知的酵母基因组信息,结合基因芯片技术,可进一步系统研究酵母的功能基因组表达。基因芯片技术是上世纪末发展起来的一项集分子生物学、生物信息学和电子学等科目的生物高新技术。酵母全基因组芯片,可以用以从基因表达水平,研究环境、物理、化学因子、毒理和药物作用的机制,在最终阐明酵母基因组功能的同时,为生物学研究提供更优化的模式生物模型。     

酿酒酵母对数生长后期代谢重构的全基因组表达谱芯片分析

为了探讨酵母进入对数生长后期以后酒精生产速度降低的原因,我们利用酵母表达谱芯片技术对酿酒酵母细胞从对数生长中期进入对数生长后期时的全基因组表达谱进行了分析,发现酵母在对数生长中期的表达谱非常稳定,而一旦进入对数生长后期.则出现明显的代谢重构现象.许多氨基酸合成和代谢相关的基因、离子转移以及与能量的生成和储存等功能相关的基因出现了不同程度的上调;而许多涉及酵母转座和DNA重组的基因则表达下调;一些中心代谢途径也发生了代谢重构.包括:琥珀酸和α-酮戊二酸生成途径基因的一致上调,都与氨基酸合成和代谢相关基因表达的结果相吻合.结果表明:由于氨基酸合成的需求量增加,进入对数生长后期酵母的代谢转向TCA循环和乙醛酸循环,导致酒精的生产速率降低.     

酿酒酵母对数生长后期代谢重构的全基因组表达谱芯片分析

为了探讨酵母进入对数生长后期以后酒精生产速度降低的原因, 我们利用酵母表达谱芯片技术对酿酒酵母细胞从对数生长中期进入对数生长后期时的全基因组表达谱进行了分析, 发现酵母在对数生长中期的表达谱非常稳定, 而一旦进入对数生长后期, 则出现明显的代谢重构现象。许多氨基酸合成和代谢相关的基因、离子转移以及与能量的生成和储存等功能相关的基因出现了不同程度的上调; 而许多涉及酵母转座和DNA重组的基因则表达下调; 一些中心代谢途径也发生了代谢重构, 包括: 琥珀酸和a-酮戊二酸生成途径基因的一致上调, 都与氨基酸合成和代谢相关基因表达的结果相吻合。结果表明: 由于氨基酸合成的需求量增加, 进入对数生长后期酵母的代谢转向TCA循环和乙醛酸循环, 导致酒精的生产速率降低。     

猪链球菌2型全基因组DNA芯片的研制及基因表达谱技术平台的建立

目的：研制猪链球菌2型（SS2）全基因组DNA芯片,建立SS2基因表达谱技术平台。方法：利用SS2全基因组序列,挑选出2194条基因,经PCR扩增出2156条基因并将产物纯化,点样制备芯片;将芯片用于表达谱研究,采用实时定量PCR验证表达谱结果,对芯片进行可靠性分析。结果：芯片杂交数据与实时定量PCR验证显示了较高的相关性,二者相关系数r=0.87。结论：研制了一批SS2全基因组DNA芯片,并建立了基于DNA芯片的表达谱技术平台。     

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.     

GAGE和GSEA在基因集研究中的有效性比较

目的:研究在基因芯片数据分析中自限性原假设和竞争性原假设两类方法的优劣性和准确型,选取各自具有代表性的GAGE(Generally Applicable Gene-set Enrichment)和GSEA(Gene Set Enrichment Analysis)两种基因集分析方法筛选富集基因集的效能,并探讨其筛选效果.方法:采用两种待比较的方法在实际基因表达谱数据中分析研究,比较筛选结果的准确性和科学性,探讨两种方法筛选富集基因集的效果.结果:两方法对已知的基因表达谱数据进行应用分析表明GAGE的检验效能和筛选出的基因集生物学相关性均优于GSEA.结论:GAGE作为一种自限性原假设的基因集分析方法,由于其充分利用了表达谱数据,并将表达数据分为实验集和通路集分别进行分析处理,同时考虑到基因集的上调和下调,其检验效能优于竞争性原假设的GSEA,能够得到更为准确和科学的结果.     

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。     

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.     

基因芯片数据分析方法研究进展

基因芯片技术的出现改变了生物医学研究的前景,其产生的海量数据是限制其发展的瓶颈问题。为提取其中所隐含的有价值的信息,在基因芯片数据分析的复杂计算工具和方法方面近年来有很多尝试。本文对近5年来基因芯片表达数据的分类分析方法进行综述,既分类比较了以聚类分析为基础的分类方法,也吸收了当前应用数据挖掘、信息融合等系统生物学思路的研究技术,并对数据的分析结果进行评价。     

基因芯片数据分析过程:从原始数据到生物学意义

基因芯片实验要得到可靠的生物学结论,必须基于优化的实验设计和科学的数据分析。讨论了与基因芯片数据分析方法相关的实验设计方面的几个问题,简述了差异表达分析、聚类分析及功能富集分析等分析方法及其进展,并介绍了部分软件及应用。     

The EADGENE Microarray Data Analysis Workshop (Open Access publication)

Microarray analyses have become an important tool in animal genomics. While their use is becoming widespread, there is still a lot of ongoing research regarding the analysis of microarray data. In the context of a European Network of Excellence, 31 researchers representing 14 research groups from 10 countries performed and discussed the statistical analyses of real and simulated 2-colour microarray data that were distributed among participants. The real data consisted of 48 microarrays from a disease challenge experiment in dairy cattle, while the simulated data consisted of 10 microarrays from a direct comparison of two treatments (dye-balanced). While there was broader agreement with regards to methods of microarray normalisation and significance testing, there were major differences with regards to quality control. The quality control approaches varied from none, through using statistical weights, to omitting a large number of spots or omitting entire slides. Surprisingly, these very different approaches gave quite similar results when applied to the simulated data, although not all participating groups analysed both real and simulated data. The workshop was very successful in facilitating interaction between scientists with a diverse background but a common interest in microarray analyses.     

基因表达谱中信号通路基因集分析方法进展

微阵列技术是生物技术变革的核心,允许研究者同时监测成千上万个基的表达水平,已广泛应用医学研究.如何挖掘海量基表达信息中的有用信息并进行生物学专业解释,是基表达谱数据分析领所面临的一个重要挑战.生物信号通路研究已成为基芯片中不同表型差异表达研究的主要方法,其是以整个信号通路作为一个整体作为研究对象,此得出的研究结果更加科学和准确.在本文中我们简要描述了近10年来信号通路基集富集分析方法的发展情况,将其分为三个阶段,对每个阶段方法的基础和特点做了一些简单的总结和阐述.     

肿瘤表达谱基因芯片数据的混合效应模型分析

目的:研究混合效应模型(Mixed Effects Model)在肿瘤表达谱基因芯片数据分析中的检验效能,并探讨其分析效果。方法:采用混合效应模型分析肿瘤实例基因芯片数据,并以基因集富集分析方法(GSEA)作为参照比较分析结果的有效性和科学性,探讨其检验效果。结果:通过混合效应模型和基因集富集分析(GSEA)两种方法对肿瘤基因芯片数据的分析和比较,两种方法筛选出共同的差异表达通路外,混合效应模型额外地筛选出来GSEA未能检验到的8条差异表达通路,且得到文献支持;混和效应模型筛选出的前10个差异表达通路中有6个已有生物学证明而基因集富集分析方法(GSEA)筛选出的前10个差异表达通路中仅有4个已有生物学证明。结论:混合效应模型作为top-down方法中的典型代表,其优势在于通过构建潜变量达到降维目的,可有效地减少多个复杂的变异来源从而保证了结果的准确性和科学性,其检验效能优于基因集富集分析方法(GSEA),是一种行之有效的筛选肿瘤基因芯片数据的分析方法。     

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.     

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.     

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.