利用基因表達譜數(shù)據(jù),最基礎的分析是識別在兩類樣本間（如疾病與正常）差異表達的基因（Differentially expressed genes,DEGs）。然而,在心臟、肺動脈、腦等重要臟器的相關疾病的研究中,經(jīng)常難以獲取足夠的正常對照樣本,從而導致在缺乏正常對照樣本的情況下無法識別疾病與正常對照之間的差異表達的基因;為了解決缺乏正常樣本的問題,有研究提出了數(shù)據(jù)標化、去批次效應等算法嘗試將不同實驗室檢測的數(shù)據(jù)整合到一起進行分析,然而由于批次效應的影響這些算法通常扭曲了真實的生物學信號。在本實驗室前期工作中,已經(jīng)提出了基于基因表達水平的相對高低秩序關系（relative gene expression orderings,REOs）的Rank Comp算法,識別在單個疾病樣本中的差異表達基因。該算法具有對批次效應不敏感、不需要進行數(shù)據(jù)標準化等優(yōu)點,可以整合在過去研究中累積的正常組織樣本的數(shù)據(jù),從而解決了重要臟器相關研究難以獲得足夠數(shù)量的正常樣本的問題。但是,當累積的正常樣本的數(shù)量不足量時,Rank Comp在識別群體水平的差異表達基因時存在檢測敏感性偏低的問題。因此,本課題改進了Rank... 

【文章頁數(shù)】：44 頁

【學位級別】：碩士

【文章目錄】：
附錄
中文摘要
Abstract
1 前言
2 材料與方法
    2.1 數(shù)據(jù)與預處理
    2.2 方法
        2.2.1 一致性評價方法
        2.2.2 識別擴張型心肌病和缺血型心肌病的群體水平的差異表達基因
        2.2.3 RankPop：由個體水平的差異表達基因推算群體水平的差異表達基因的算法
        2.2.4 構(gòu)建蛋白質(zhì)互作網(wǎng)絡
        2.2.5 功能富集分析
    2.3 利用仿真數(shù)據(jù)評價RankComp/RankPop方法
3 結(jié)果
    3.1 在正常樣本中具有顯著穩(wěn)定的表達秩序關系的基因?qū)Φ目芍貜托栽u價
    3.2 利用仿真實驗對RankComp/RankPop算法的評價結(jié)果
    3.3 利用真實的基因表達譜評價RankPop方法
    3.4 在DCM或ICM中廣泛失調(diào)的基因及其蛋白質(zhì)互作網(wǎng)絡的功能富集
4 討論
5 結(jié)論
參考文獻
綜述
    參考文獻
致謝



本文編號：3669850