近年來隨著對腫瘤疾病的深入研究,許多新的癌癥亞型不斷被發(fā)現,根據傳統(tǒng)方法劃分地腫瘤類型無法滿足當前的臨床需求,人們逐漸意識到在單細胞層面上進行腫瘤異質性研究的重要性。單細胞RNA-Seq技術的出現使得異質性的研究在單細胞層面上成為可能,它能提供單個細胞內近萬個基因的表達信息,為理解基因型和表現型之間的關系、全面揭示細胞間基因表達的異質性提供了有力的工具。然而遺傳網絡總是異構的,傳統(tǒng)的統(tǒng)計網絡模型不足以捕獲這種特性,導致單細胞測序數據中的網絡信息不能被充分利用,造成遺傳信息的浪費。在本文中,我們提出了基于指數族圖的混合網絡聚類算法(Mixture ERGM),并將模型算法運用到單細胞測序數據之中,考慮到由于任何聚類算法都會得到相應的細胞簇,因此對聚類結果進行WGCNA分析和富集性分析檢驗,同時對聚類結果進行RP分析處理,找出基因表達數據中的差異表達基因,利用不同細胞類型內部高表達基因的模塊參與的功能與細胞類型間的緊密關系,通過對差異表達基因以及與其相關蛋白質的富集分析和生物學通路研究,達到揭示細胞異質性的目的。

【文章頁數】：48 頁

【學位級別】：碩士

【部分圖文】：

圖3.1使用MixtureERGM對三組模擬數據集進行網絡聚類后與真實集群的比較結果

青島大學碩士學位論文14經過模擬數據的檢驗，我們可以發(fā)現MixtureERGM算法不僅能對數據進行統(tǒng)計層面有效的聚類，并且在對潛在子網絡的擬合上展現出了不錯的效果，是一種合理有效的網絡聚類算法。圖3.1使用MixtureERGM對三組模擬數據集進行網絡聚類后與真實集群的比較結果注....

圖3.2模擬數據集的擬合優(yōu)度圖

青島大學碩士學位論文15(B)集群2的擬合優(yōu)度圖(C)集群3的擬合優(yōu)度圖圖3.2模擬數據集的擬合優(yōu)度圖注a.在(A)(B)(C)圖中，縱軸是相對頻率的對數;觀察到的網絡的統(tǒng)計數據用實線表示;箱線圖包括中位數和四分位數范圍;淺灰色的線代表了95%的模擬觀測范圍。

圖3.5cluster1中共高表達基因集合的富集分析結果

青島大學碩士學位論文183.3(A)(C)(E)中顯示的共表達程度較高的基因集合，同時將共高表達基因集合組成的網絡導入到Cytoscape中進行可視化，結果如圖3.4所示。(A)cluster1共高表達基因集合的網絡視圖(B)cluster2共高表達基因集合的網絡視圖(C)clu....

圖3.7cluster5中共高表達基因集合的富集分析結果

青島大學碩士學位論文20的節(jié)點通常彼此接近;圖3.6(C)中的富集術語由p值進行著色，其中包含更多基因的節(jié)點往往具有更顯著的p值。(A)cluster5中共高表達基因集合的富集術語(B)由集群ID對富集術語著色的網絡集群(C)由p-value對富集術語著色的網絡集群圖3.7clu....

本文編號：3977741