基因表达系列性分析技术及其应用

基因表达系列性分析（SAGE）是一种高通量的基因表达模式的研究技术,能够对特定细胞或组织中的大量转录本同时进行定量分析。本综述了SAGE技术的基本原理和实验流程以及近年来SAGE方法上的改进,同时介绍了该技术的一些应用研究实例和Internet上可资利用的SAGE数据库资源。     

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。     

基因表达系列分析技术的新进展

作为新近建立的研究基因表达的有效工具 ,基因表达系列分析 (SAGE)技术能同时对大量的转录物进行定性和定量分析。它不仅可以显示低丰度的转录物 ,提供基因组表达的完整信息 ,而且可以通过不同状态下基因表达图谱的比较 ,深入了解基因表达的时空性和有序性 ,从而寻找和发现新基因。本文介绍了SAGE的工作原理和方法 ,并着重对其最新的应用与研究进展进行了综述。     

全基因组基因表达频谱研究的新方法—SAGE和IPGI

SAGE和IPGI是新近发展起来的用于全基因组基因表达频谱分析和寻找差异基因的新技术,可以同时反映正常或异常等不同功能状态下细胞整个基因组基因表达的全貌,特别是对低丰度表达基因有较高的检测结果,而因而具有重要的应用价值。本文简介SAGE和IPGI技术的基本原理、操作方法及其应用前景。     

基因表达系列分析法(SAGE)的改进及其在植物功能基因组研究中的应用

基因表达系列分析方法(SAGE)是一种新的基因表达分析方法,与基因芯片技术一样具有高通量的特点,可测定特定组织的基因表达水平,在全基因组水平上同时定量检测数万个基因表达模式;可在未知目的基因的前提下,分析来自一个细胞的全部转录本信息;对已知或未知基因表达进行定性和定量分析.目前,虽然在疾病、发育、细胞凋亡、药物筛选等多个领域已有利用SAGE方法进行的研究,但该方法在植物功能基因组研究中的应用相对较少.本文主要综述了该方法在RNA用量、PCR循环次数、SAGE效能和可靠性、标签长度和未知标签分析等方面的改进及其在植物中构建SAGE文库、筛选新基因、基因表达图谱分析等方面的应用,从而为其在植物功能基因组研究中的进一步应用提供理论参考.     

基因表达系列分析的原理、进展及在肿瘤研究中的应用

基因表达系列分析(SAGE)技术不仅能够全面地分析特定组织或细胞内表达的基因,还可以比较不同组织在不同时间、空间条件下基因表达的差异,从而发现新基因.SAGE技术在肿瘤研究中的应用发展很快.本文综述了SAGE技术的原理、应用及其近年来的发近几年展与演变.     

基因表达系列分析技术在动物科学中的研究进展

基因表达系列分析（serialanalysisofgeneexpression,SAGE）是一种快速分析特定组织或细胞内基因表达信息的技术,不但可以比较不同组织细胞在不同时间、空间条件下基因表达的差异,还能发现新基因。近几年来,SAGE技术在动物基因表达研究中的应用取得了飞速发展。就SAGE技术的原理、实验路线、优缺点和改进以及SAGE在动物科学研究中的研究现状及应用前景作一简要介绍。     

全基因组基因表达频谱研究的新方法——SAGE和IPGI

SAGE和IPGI是新近发展起来的用于全基因组基因表达频谱分析和寻找差异基因的新技术,可以同时反映正常或异常等不同功能状态下细胞整个基因组基因表达的全貌,特别是对低丰度表达基因有较高的检测结果,因而具有重要的应用价值。本文简介SAGE和IPGI技术的基本原理、操作方法及其应用前景。     

一种新的分子武器—SAGE

阐述了SAGE（serial analysis of gene expression)的原理和操作方法,综述了SAGE目前在生物学硌方面的应用进展,并着重对SAGE在植物分子生态学中的应用前景提出了设想。     

开放的差异基因表达技术研究进展

自 90年代早期发展以来 ,差异基因表达 (DGE)技术在许多领域得到了应用 .“开放”结构系统的DGE技术不需原始的生物学或序列信息 ,而且可应用于任何种群 .主要介绍 6项开放的DGE技术 :cDNA代表性差示分析 (cDNA RDA)、基因表达系统分析 (SAGE)、表达序列标签串联排列连接(TALEST) ,和早期的DGE技术差异显示 (DD)、随机引物聚合酶链反应 (AP PCR) ,以及一项受专利保护的技术———GeneCalling .通过几项重要的参数对这些技术进行了比较 ,认为DD虽然有其致命的弱点 ,但在目前仍然应用得非常广泛 .cDNA RDA能有效富增特异片段 ,扣除共有序列 ,如能和SAGE结合 ,将能进一步促进其发展 .TALEST和GeneCalling操作较简便 ,一次试验能获得大量的数据 ,但是分析这些数据比较麻烦 ,须借助另外的分析软件 .最后介绍了应用DGE技术取得的最新成果 .     

Microarray,SAGE and their applications to cardiovascular diseases

The wealth of DNA data generated by the human genome project coupling with recently invented high-throughput gene expression profiling techniques has dramatically sped up the process for biomedical researchers on elucidating the role of genes in human diseases. One powerful method to reveal insight into gene functions is the systematic analysis of gene expression. Two popular high-throughput gene expression technologies, microarray and Serial Analysis of Gene Expression (SAGE) are capable of producing large amounts of gene expression data with the potential of providing novel insights into fundamental disease processes, especially complex syndromes such as cardiovascular disease, whose etiologies are due to multiple genetic factors and their interplay with the environment. Microarray and SAGE have already been used to examine gene expression patterns of cell-culture, animal and human tissues models of cardiovascular diseases. In this review, we will first give a brief introduction of microarray and SAGE     

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.     

Bayesian shrinkage estimation of the relative abundance of mRNA transcripts using SAGE

Serial analysis of gene expression (SAGE) is a technology for quantifying gene expression in biological tissue that yields count data that can be modeled by a multinomial distribution with two characteristics: skewness in the relative frequencies and small sample size relative to the dimension. As a result of these characteristics, a given SAGE sample may fail to capture a large number of expressed mRNA species present in the tissue. Empirical estimators of mRNA species' relative abundance effectively ignore these missing species, and as a result tend to overestimate the abundance of the scarce observed species comprising a vast majority of the total. We have developed a new Bayesian estimation procedure that quantifies our prior information about these characteristics, yielding a nonlinear shrinkage estimator with efficiency advantages over the MLE. Our prior is mixture of Dirichlets, whereby species are stochastically partitioned into abundant and scarce classes, each with its own multivariate prior. Simulation studies reveal our estimator has lower integrated mean squared error (IMSE) than the MLE for the SAGE scenarios simulated, and yields relative abundance profiles closer in Euclidean distance to the truth for all samples simulated. We apply our method to a SAGE library of normal colon tissue, and discuss its implications for assessing differential expression.