基于差異共表達(dá)網(wǎng)絡(luò)的基因功能性模塊分析與研究
發(fā)布時(shí)間:2020-06-21 15:10
【摘要】:在后基因組學(xué)時(shí)代,生物信息學(xué)研究的一個(gè)重要目的便是旨在理解生物細(xì)胞內(nèi)分子之間的聯(lián)系,并且揭示隱藏在分子間的分子間相互作用以及控制細(xì)胞生命功能的內(nèi)在機(jī)理。經(jīng)過近二十年的發(fā)展,基因?qū)W研究從單基因轉(zhuǎn)變至基因網(wǎng)絡(luò)研究。如今,通過改良傳統(tǒng)基因研究方法,差異共表達(dá)網(wǎng)絡(luò)已經(jīng)逐漸發(fā)展成為一種分析差異共表達(dá)基因的重要的研究方式。通過這個(gè)方式,使得發(fā)現(xiàn)疾病機(jī)制,分析在差異表達(dá)網(wǎng)絡(luò)中尚不清楚的潛在的動(dòng)態(tài)調(diào)控機(jī)制成為可能。不同疾病狀態(tài)之間的差異共表達(dá)基因連接和功能性基因集群的檢測是一項(xiàng)艱巨的任務(wù),為了能夠有效研究這種動(dòng)態(tài)的調(diào)控機(jī)制,眾多差異共表達(dá)網(wǎng)絡(luò)研究方法應(yīng)用而生,然而,目前業(yè)界沒有檢測差異共表達(dá)基因連接和功能性基因集群的金標(biāo)準(zhǔn),因此,我們開發(fā)了一種新型的融合算法FDv De(Fusion of differential vertex and differential edge:差異邊與差異點(diǎn)融合算法),該算法通過將基因差異邊集合(對照網(wǎng)絡(luò)中,基因間相關(guān)系數(shù)存在統(tǒng)計(jì)學(xué)差異的基因?qū)?與基因差異點(diǎn)集合(對照網(wǎng)絡(luò)中,在拓?fù)浣Y(jié)構(gòu)性質(zhì)上存在統(tǒng)計(jì)學(xué)差異的基因)集成在一起來檢測差異共表達(dá)的基因連接。然后,我們通過集成這些差異共表達(dá)的基因連接來構(gòu)建反映正常與癌癥這兩種不同狀態(tài)的差異共表達(dá)網(wǎng)絡(luò)。通過這種方法,我們識(shí)別了1823個(gè)基因和29370個(gè)基因連接。然后,為了進(jìn)一步研究網(wǎng)絡(luò)中隱藏的價(jià)值信息,我們開發(fā)了算法GTHC(GO term hierarchical clusters:GO術(shù)語層次聚類算法)來識(shí)別功能模塊。該算法過程中使用的距離矩陣是由GO語義相似性演化而來。此外,我們還計(jì)算了功能模塊間的稠密性來描述模塊間的聯(lián)系,同時(shí)我們還進(jìn)行了差異共表達(dá)網(wǎng)絡(luò)的拓?fù)涮匦苑治?從而發(fā)現(xiàn)在疾病機(jī)制中起重要作用的中樞基因和中樞通路,通過集成上述這些方法,為研究疾的致病機(jī)理帶來很大幫助。在本文中,實(shí)驗(yàn)結(jié)果表明,在乳腺癌樣本(68個(gè))和正常樣本(73個(gè))的數(shù)據(jù)集上,我們的方法成功揭示了差異共表表達(dá)網(wǎng)絡(luò)對于研究乳腺癌致病機(jī)理的重要意義,其中,我們挖掘出了具有關(guān)鍵作用和生物學(xué)意義的模塊和中樞基因來佐證我們的研究。
【學(xué)位授予單位】:吉林大學(xué)
【學(xué)位級(jí)別】:碩士
【學(xué)位授予年份】:2018
【分類號(hào)】:Q811.4
【圖文】:
11圖 2.1 FDvDe 與 GTHC 流程圖如圖所示,本實(shí)驗(yàn)共分四部分,在第一部分中,對于正常和患病數(shù)據(jù),我們分別計(jì)算了他們的 pearson 相關(guān)系數(shù)矩陣,正常的相關(guān)系數(shù)矩陣記為 A,患病的記為 B。在第二部分中,我們將向下的流程圖分為兩個(gè)分支,左側(cè)的分支表示的是差異點(diǎn)的選擇流程,右側(cè)的分支表示的是差異邊的刪選流程,這兩個(gè)流程用
圖 3.1 差異點(diǎn)差異邊融合算法在上述算法中,對于點(diǎn)差異與邊差異這兩個(gè)平行處理步驟得到的數(shù)據(jù)集,我們進(jìn)行了如下步驟:首先,我們得到了集合 V(基因集和 X∩Y),接著進(jìn)行循環(huán)控制,對于所得到的差異邊集合,每次循環(huán)判斷該差異邊的兩個(gè)構(gòu)成基因是否都同時(shí)出現(xiàn)在集合 V 中,如果同時(shí)存在,則保留這條邊,如果不同時(shí)存在,則將這條差異邊刪除,最后,我們將保留下來的差異邊集成在一起構(gòu)建了差異共表達(dá)網(wǎng)絡(luò)由于后續(xù)的研究。3.3 算法實(shí)驗(yàn)及結(jié)果根據(jù)上述的算法細(xì)節(jié)描述,我們實(shí)現(xiàn)了差異網(wǎng)絡(luò)的構(gòu)建。下面我們從數(shù)據(jù)集的選取、預(yù)處理以及“差異邊差異點(diǎn)融合算法”這三個(gè)部分具體展示了本文實(shí)驗(yàn)的流程及結(jié)果。
本文編號(hào):2724240
【學(xué)位授予單位】:吉林大學(xué)
【學(xué)位級(jí)別】:碩士
【學(xué)位授予年份】:2018
【分類號(hào)】:Q811.4
【圖文】:
11圖 2.1 FDvDe 與 GTHC 流程圖如圖所示,本實(shí)驗(yàn)共分四部分,在第一部分中,對于正常和患病數(shù)據(jù),我們分別計(jì)算了他們的 pearson 相關(guān)系數(shù)矩陣,正常的相關(guān)系數(shù)矩陣記為 A,患病的記為 B。在第二部分中,我們將向下的流程圖分為兩個(gè)分支,左側(cè)的分支表示的是差異點(diǎn)的選擇流程,右側(cè)的分支表示的是差異邊的刪選流程,這兩個(gè)流程用
圖 3.1 差異點(diǎn)差異邊融合算法在上述算法中,對于點(diǎn)差異與邊差異這兩個(gè)平行處理步驟得到的數(shù)據(jù)集,我們進(jìn)行了如下步驟:首先,我們得到了集合 V(基因集和 X∩Y),接著進(jìn)行循環(huán)控制,對于所得到的差異邊集合,每次循環(huán)判斷該差異邊的兩個(gè)構(gòu)成基因是否都同時(shí)出現(xiàn)在集合 V 中,如果同時(shí)存在,則保留這條邊,如果不同時(shí)存在,則將這條差異邊刪除,最后,我們將保留下來的差異邊集成在一起構(gòu)建了差異共表達(dá)網(wǎng)絡(luò)由于后續(xù)的研究。3.3 算法實(shí)驗(yàn)及結(jié)果根據(jù)上述的算法細(xì)節(jié)描述,我們實(shí)現(xiàn)了差異網(wǎng)絡(luò)的構(gòu)建。下面我們從數(shù)據(jù)集的選取、預(yù)處理以及“差異邊差異點(diǎn)融合算法”這三個(gè)部分具體展示了本文實(shí)驗(yàn)的流程及結(jié)果。
【參考文獻(xiàn)】
相關(guān)期刊論文 前1條
1 汪濤;蔣慶華;彭佳杰;王亞東;;基因共表達(dá)網(wǎng)絡(luò)的構(gòu)建及分析方法研究綜述[J];智能計(jì)算機(jī)與應(yīng)用;2014年06期
本文編號(hào):2724240
本文鏈接:http://sikaile.net/kejilunwen/jiyingongcheng/2724240.html
最近更新
教材專著