基因表达的连续分析技术

基因表达的连续分析技术是一种能对某一细胞群或特定的微解剖结构基因表达做全面分析的技术。本文就基因表达的连续分析技术的原理、方法进行综述。     

用基因表达连续分析进行基因组转录图谱分析

20 0 0年 6月 ,公用基金资助的人类基因组计划 (ｈｕｍａｎｇｅｎｏｍｅｐｒｏｊｅｃｔ,ＨＧＰ)和Ｃｅｌｅｒａ公司在美国白宫宣布了人类基因组草图的完成。这是关于人类基因组研究的标志性成果 ,象征成基因组的研究从结构基因组(ｓｔｒｕｃｔｕｒａｌｇｅｎｏｍｉｃｓ)过渡到功能基因组 (ｆｕｎｃ ｔｉｏｎａｌｇｅｎｏｍｉｃｓ)的研究。他们的论文分别在Ｎａｔｕｒｅ[1] 和Ｓｃｉｅｎｃｅ[2 ] 上发表。他们从基因组预测的基因数分别为 31 778(ＨＧＰ的估计 )和2 6 588(Ｃｅｌｅｒａ公司 )条。这比预先估计的 6 00 0 0～ 1 0 0 0 0 0要少。…     

高等植物中外源基因表达的转录后调控

转基因植物是研究高等植物中基因表达调控的重要手段和对象,高等真核生物中基因表达的灵活性多样性与转录后调控密切相关。本文着重阐述RNA的自身结构与代谢调控之间的关系,分别从5′端帽子结构、先导序列、3′末端序列及poly(A)尾巴、内含子序列、不稳定序列,使用的密码子等六个方面说明RNA的特定结构对其稳定性及翻译活性的影响。     

基因表达系列分析技术在真菌功能基因组学中的应用

基因表达系列分析( SAGE)是一种在mRNA水平上高通量、快速、灵敏分析细胞或组织基因表达信息,并在基因组学研究中广泛应用的技术.该技术不仅能够全面地分析特定组织或细胞表达的基因,比较不同时空条件下基因表达的差异,还可以在全基因组范围内获得基因的表达谱,从而发现新基因.综述基因表达系列分析技术在材料用量、标签长度、技术流程和标签测序等方面的研究进展及该技术在病原真菌、工业真菌和食用真菌功能基因组学中的应用.     

基因表达系列分析(SAGE)技术在肿瘤研究中的应用

基因表达系列分析(serial analysis of gene expression,SAGE)是一项高效、快捷、低成本的研究生物基因表达水平的方法,广泛用于各种肿瘤的分析研究。SAGE技术对于全面分析肿瘤组织基因表达谱、寻找肿瘤特异性表达新基因、发现肿瘤组织特异标志物和揭示肿瘤发病的分子机制发挥重要的作用。随着“肿瘤基因组解剖工程”(CGAP)的进行,CGAP SAGE可以通过网站分析和展示SAGE数据,并自动的将基因名称和SAGE转录物水平联系起来。因此,这为SAGE技术深入和广泛研究肿瘤提供了方便。     

tRNA来源的小片段RNA——新的基因表达调控因子

转移核糖核酸(tRNA)是蛋白质合成的关键接头分子,特异性识别信使RNA(mRNA)的密码子信息,将其接载的氨基酸基团掺入到新生多肽链中。最新研究表明,在很多物种中,在某些特定情况下,tRNA或其前体被特异性剪切产生tRNA来源的小片段RNA(tRNA-derived fragment,tRF)。这类tRF是一类新的基因表达调控因子,其发挥作用的机制多样,如某些tRF以microRNA方式抑制mRNA翻译;某些tRF作为逆转录病毒RNA基因组的逆转录引物;而某些tRF参与了前体rRNA剪切复合物的组装。此外,细胞受胁迫产生的带有多聚鸟苷酸模块的tRF则会竞争性抑制延伸因子elF4G与mRNA的结合,从而抑制蛋白质翻译。随着研究的继续深入,对tRF的发生发展、作用机制以及在疾病中的潜在作用将会进一步丰富。拟从tRF作为新的基因表达调控分子的角度,简要介绍tRF发挥作用的分子机制。     

转录后水平沉默与基因表达

基因沉默是1个非常复杂和普遍的现象。转录后水平的基因沉默是指转基因在细胞核里能稳定转录,细胞质里却无相应的稳定态mRNA存在的现象。它往往被称为共抑制、静息作用或RNA干预等。本文介绍了转录后水平的基因沉默现象的发现、分子机理和应用等方面的进展。提出了克服转录后水平基因沉默的一些对策。     

基因表达谱信息分析软件IDEA与WebGEA

基因芯片具有高通量快速并行检测基因表达水平的功能,是功能基因组研究的有力工具。针对基因芯片常规的信息分析需要,我们初步设计开发了基因表达谱的信息学分析平台,包括基于单机的软件IDKA(Information Digger for Experiments of microArray)与网络应用程序WebGEA(WEB GeneChip Expression Analysis),分别支持用户运行独立程序与在因特网上提交数据运行服务器程序来完成数据采掘分析任务。该平台得到良好的应用,是解决基因芯片常规的信息分析问题的一个方便工具。     

基于基因表达谱的肿瘤分型和特征基因选取

在分析基因表达谱数据特性的基础上,提出了一个将之用于肿瘤分子分型和选型和选取相应亚型特征基因的策略。该策略包括三个步骤：首先采用一个无监督的基因过滤算法以降低用于分型计算的数据的噪声,其次提出了一个概率模型对样本中的分类结构进行建模,最后基于聚类的结果采用相对熵的方法获得对分类贡献大的基因作为特征基因,应用该策略对两个公开发表的数据集进行了再挖掘,结果表明不但获得了其他方法可以得到的信息,而且还提供了更精细、更具有显著生物学意义的信息,具有明显的优越性。     

Principal-oscillation-pattern analysis of gene expression

Principal-oscillation-pattern (POP) analysis is a multivariate and systematic technique for identifying the dynamic characteristics of a system from time-series data. In this study, we demonstrate the first application of POP analysis to genome-wide time-series gene-expression data. We use POP analysis to infer oscillation patterns in gene expression. Typically, a genomic system matrix cannot be directly estimated because the number of genes is usually much larger than the number of time points in a genomic study. Thus, we first identify the POPs of the eigen-genomic system that consists of the first few significant eigengenes obtained by singular value decomposition. By using the linear relationship between eigengenes and genes, we then infer the POPs of the genes. Both simulation data and real-world data are used in this study to demonstrate the applicability of POP analysis to genomic data. We show that POP analysis not only compares favorably with experiments and existing computational methods, but that it also provides complementary information relative to other approaches.     

Large-scale analysis of gene expression profiles

The accumulation of DNA microarray data has now made it possible to use gene expression profiles to analyse expression data. A gene expression profile contains the expression data for a given gene over various samples, and can be contrasted with an expression signature, which contains the expression data for a single sample. Gene expression profiles are most revealing when samples are grouped appropriately, either by standard clinical or pathological categories or by categories discovered through cluster analysis techniques. Expression profiles can exist at various levels of abstraction, yielding information across various tissues or across diseases within a particular tissue. Hypothesis tests may be applied to expression profiles on a large scale to identify candidate genes of interest.     

生物信息学基因表达差异分析

基因的差异化表达由多种因素共同导致,并且与许多疾病的发生和发展有密切联系,对差异化表达的基因进行生物信息学以及生物统计学的分析对于研究细胞调节机制和疾病机理有着重要意义。目前,对差异化表达的基因有以下几种主流的研究方法：DNA微阵列（DNA microarray）,抑制性消减杂交（SSH）,基因表达连续性分析（SAGE）,代表性差异分析（RDA）,以及mRNA差异显示PCR（mRNA DDRT-PCR）。目前许多基因差异化表达数据是建立在时段（time series）基础上,因此对基于时间变化的基因差异化表达分析变得尤为重要。本文将对差异化表达基因的几种主流方法进行详细阐述,并介绍一种基于傅里叶函数的时段基因差异化表达分析。     

Genome analysis with gene expression microarrays

Advances in biochemistry, chemistry and engineering have enabled the development of a new gene expression assay. This ‘chip-based’ approach utilizes microscopic arrays of cDNAs printed on glass as high-density hybridization targets. Fluorescent probe mixtures derived from total cellular messenger RNA (mRNA) hybridize to cognate elements on the array, allowing accurate measurement of the expression of the corresponding genes. Array densities of >1,000 cDNAs per cm² enable quantitative expression monitoring of a large number of genes in a single hybridization. A two-color fluorescence detection scheme allows rapid and simultaneous differential expression analysis of independent biological samples. Mass-produced microarrays provide a new tool for genome expression analysis that may revolutionize genetic dissection, drug discovery and human disease diagnostics.