遗传与基因表达数据的整合—— eQTL的方法及应用

高通量的基因型分析和芯片技术的发展使人们能够进一步研究哪些遗传差异最终影响基因的表达。通过表达数量性状座位(eQTL)作图方法可对基因表达水平的遗传基础进行解析。与传统的QTL分析方法一样, eQTL的主要目标是鉴别表达性状座位所在的染色体区域。但由于表达谱数据成千上万, 而传统的QTL分析方法最多分析几十个性状, 因此需要考虑这类实验设计的特点以及统计分析方法。本文详细介绍了eQTL定位过程及其研究方法, 重点从个体选择、基因芯片实验设计、基因表达数据的获得与标准化、作图方法及结果分析等方面进行了综述, 指出了当前eQTL研究存在的问题和局限性。最后介绍了eQTL研究在估计基因表达遗传率、挖掘候选基因、构建基因调控网络、理解基因间及基因与环境的互作的应用进展。     

生物信息学在基因芯片中的应用

生物信息学和基因芯片是生命科学研究领域中的两种新方法和新技术,生物信息学与基因芯片密切相关,生物信息学促进了基因芯片的研究与应用,而基因芯片则丰富了生物信息学的研究内容。本论文探讨生物信息学在基因芯片中的应用,将生物信息学方法运用到高密度基因芯片设计和芯片实验数据管理及分析。从信息学的角度提出基因芯片设计准则,提出寡核苷酸探针的优化设计方法,将该方法运用于再测序型芯片和基因表达型芯片的设计,在此基础上研制出高密度基因芯片设计软件系统和实验结果分析系统。     

基因芯片技术在病毒性病原体检测中的研究进展

基因芯片技术具有高通量、高度平行性、高度自动化的特点。在对传染病病原体的研究中,基因芯片技术已应用于耐药性相关遗传多态性分析、基因分型、生物种系的遗传进化分析、宿主与病原体相互关系分析、病原体检测等。但在病原体检测方面,与检测细菌相比,基因芯片技术对病毒的高通量检测难度较大。简要介绍了目前基因芯片技术在病毒性病原体检测中的研究进展、所采用探针的类型及设计原则、基因芯片杂交结果的影响因素等。     

基因芯片及其在性传播疾病病原体研究中的应用

基因芯片是近年发展起来的一种高通量的核酸分析技术,已成为“后基因组时代”的重要分析工具之一。本简述了基因芯片的概念、分类及特点,并对基因芯片技术在性传播疾病病原体淋球菌、沙眼衣原体、解脲脲原体和人乳头瘤病毒研究中的应用作了综述。     

多重检验法在基因芯片研究中鉴定差异表达基因的统计功效

鉴于基因芯片实验的造价,在基因芯片实验设计中,首要考虑的因素是需要多少重复才能检测出一个具有显著差异表达的基因。计算多重检验法要求的重复数（样本大小）或功效可为基因芯片实验设计提供重要的参考。为此,本文基于置换重抽样法构建了一种基因表达噪声混合分布模型。该方法适用各类基因表达数据,即无论是基因表达单噪声源或是多噪声源都可行。应用混合模型和多重检验法并给定统计功效。研究者能在基因芯片实验中获得所需要的最少生物学重复数：或者根据样本大小来确定测定一个显著差异表达的基因所具有的检验功效;或者根据样本大小和统计检验功效,选择最好的统计测验方法。本文以一组在老鼠中与中风有关的3000个基因的基因芯片实验所获得的数据为例,应用该方法拟和后组建了一个单分布模型（即表达单噪声源的分布模型）。根据该模型,我们计算了4种多重检验法在鉴定一个具有表达差异（D）值的基因中所需要的统计功效。结果表明。检测一个小的差异D值,4种多重检验法中B方法的统计功效最低,而BH方法最高。但是,对于鉴定一个具有最大表达差异的基因时,4种方法有相同的鉴定功效。与传统的单个检验法一样,BH方法检测一个小的变化所需要的效率不会随基因数目增加而改变,其他3种多重检验法的检测功效则随基因数目增加而降低。     

乳酸菌基因芯片应用研究进展

基因芯片技术是上世纪90年代兴起的一种对成百上千甚至上万个基因同时进行检测的新技术,具有高通量、并行化的特点,广泛应用于基因表达谱测定、基因功能预测、基因突变检测和多态性分析等方面。多种乳酸菌基因组全序列以及其大量EST、16S rDNA、16S-23S基因间区和功能基因序列测定的完成,有力地推动了基因芯片技术在乳酸菌研究中的应用。介绍了基因芯片的基本原理及乳酸菌基因芯片在基因表达、种属鉴定等研究中的应用进展,以期更好地利用和开发乳酸菌基因芯片。     

基因芯片技术及其在疾病基因诊断中的应用

基因芯片技术是伴随着人类基因组计划的实施而发展起来的生命科学领域里的前沿生物技术。它最显著的特点是高通量、高集成、微型化、平行化、多样化和自动化。经过短短十几年的发展,基因芯片技术现已在基因表达分析,基因突变及多态性分析,疾病基因诊断,药物及毒物基因组学等多个领域显示出重大的理论意义和实际应用价值,具有广阔的前景。本文专门介绍了基因芯片技术及其在疾病基因诊断上的应用。     

基因芯片在地下水污染研究中的应用北大核心

为了较系统地了解基因芯片在地下水污染研究中的应用进展,调研了基因芯片技术及其在地下水污染研究中应用的有关文献,简述了基因芯片原理、分类及实施流程,总结了系统发育寡核苷酸芯片和功能基因芯片在地下水污染研究中的最新应用进展,探讨了基因芯片检测性能、数据分析和应用等方面存在的问题和措施,在基因芯片性能改进和应用方面提出了进一步研究的方向。     

基因芯片及其在环境微生物研究中的应用

基因芯片因其具有高密度、高灵敏度、快速 (实时 )检测、经济、自动化和低背景水平等特点 ,而广泛应用于不同的研究领域。目前 ,应用于环境微生物研究的基因芯片主要有功能基因芯片 (FGAs)、系统发育的寡核苷酸芯片 (POAs)和群落基因组芯片 (CGAs)。综述了基因芯片在环境微生物研究中的应用 ,包括自然环境中微生物的基因表达分析、比较基因组分析和混合微生物群落的分析等。讨论了基因芯片面临的挑战和前景展望     

基因芯片在地下水污染研究中的应用

为了较系统地了解基因芯片在地下水污染研究中的应用进展,调研了基因芯片技术及其在地下水污染研究中应用的有关文献,简述了基因芯片原理、分类及实施流程,总结了系统发育寡核苷酸芯片和功能基因芯片在地下水污染研究中的最新应用进展,探讨了基因芯片检测性能、数据分析和应用等方面存在的问题和措施,在基因芯片性能改进和应用方面提出了进一步研究的方向。     

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.     

基因表达谱芯片的数据挖掘

随着基因芯片技术的迅速发展,表达谱芯片分析及aCGH等方法已被广泛应用于生命科学各个研究领域,由此产生的数据也呈指数级增长。如何从海量数据中获取有生物学意义的结果成为摆在生物学工作者面前的难题。对表达谱芯片数据挖掘方法进行了综述。介绍了基本分析思路,当前重点分析方向,如GO分析、pathway与调控网络分析、聚类分析等计算法则和相关几款易用的分析软件。并介绍了几种科学自由计算软件在表达谱生物信息学分析中的应用。藉此为从事芯片分析的研究人员提供参考。     

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。     

Spot Detection and Image Segmentation in DNA Microarray Data

Following the invention of microarrays in 1994, the development and applications of this technology have grown exponentially. The numerous applications of microarray technology include clinical diagnosis and treatment, drug design and discovery, tumour detection, and environmental health research. One of the key issues in the experimental approaches utilising microarrays is to extract quantitative information from the spots, which represent genes in a given experiment. For this process, the initial stages are important and they influence future steps in the analysis. Identifying the spots and separating the background from the foreground is a fundamental problem in DNA microarray data analysis. In this review, we present an overview of state-of-the-art methods for microarray image segmentation. We discuss the foundations of the circle-shaped approach, adaptive shape segmentation, histogram-based methods and the recently introduced clustering-based techniques. We analytically show that clustering-based techniques are equivalent to the one-dimensional, standard k-means clustering algorithm that utilises the Euclidean distance.     

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。     

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。     

Microarray analysis: basic strategies for successful experiments

Microarrays offer a powerful approach to the analysis of gene expression that can be used for a wide variety of experimental purposes. However, there are several types of microarray platforms that are available. In addition, microarray experiments are expensive and generate complicated data sets that can be difficult to interpret. Success with microarray approaches requires a sound experimental design and a coordinated and appropriate use of statistical tools. Here, the advantages and pitfalls of utilizing microarrays are discussed, as are practical strategies to help novice users succeed with this method that can empower them with the ability to assay changes in gene expression at the whole genome level.     

Computational strategies for analyzing data in gene expression microarray experiments

Microarray analysis has become a widely used method for generating gene expression data on a genomic scale. Microarrays have been enthusiastically applied in many fields of biological research, even though several open questions remain about the analysis of such data. A wide range of approaches are available for computational analysis, but no general consensus exists as to standard for microarray data analysis protocol. Consequently, the choice of data analysis technique is a crucial element depending both on the data and on the goals of the experiment. Therefore, basic understanding of bioinformatics is required for optimal experimental design and meaningful interpretation of the results. This review summarizes some of the common themes in DNA microarray data analysis, including data normalization and detection of differential expression. Algorithms are demonstrated by analyzing cDNA microarray data from an experiment monitoring gene expression in T helper cells. Several computational biology strategies, along with their relative merits, are overviewed and potential areas for additional research discussed. The goal of the review is to provide a computational framework for applying and evaluating such bioinformatics strategies. Solid knowledge of microarray informatics contributes to the implementation of more efficient computational protocols for the given data obtained through microarray experiments.