利用基因表達(dá)譜數(shù)據(jù),最基礎(chǔ)的分析是識(shí)別在兩類樣本間（如疾病與正常）差異表達(dá)的基因（Differentially expressed genes,DEGs）。然而,在心臟、肺動(dòng)脈、腦等重要臟器的相關(guān)疾病的研究中,經(jīng)常難以獲取足夠的正常對(duì)照樣本,從而導(dǎo)致在缺乏正常對(duì)照樣本的情況下無法識(shí)別疾病與正常對(duì)照之間的差異表達(dá)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(biāo)化、去批次效應(yīng)等算法嘗試將不同實(shí)驗(yàn)室檢測(cè)的數(shù)據(jù)整合到一起進(jìn)行分析,然而由于批次效應(yīng)的影響這些算法通常扭曲了真實(shí)的生物學(xué)信號(hào)。在本實(shí)驗(yàn)室前期工作中,已經(jīng)提出了基于基因表達(dá)水平的相對(duì)高低秩序關(guān)系（relative gene expression orderings,REOs）的Rank Comp算法,識(shí)別在單個(gè)疾病樣本中的差異表達(dá)基因。該算法具有對(duì)批次效應(yīng)不敏感、不需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化等優(yōu)點(diǎn),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(guān)研究難以獲得足夠數(shù)量的正常樣本的問題。但是,當(dāng)累積的正常樣本的數(shù)量不足量時(shí),Rank Comp在識(shí)別群體水平的差異表達(dá)基因時(shí)存在檢測(cè)敏感性偏低的問題。因此,本課題改進(jìn)了Rank... 

【文章頁(yè)數(shù)】：44 頁(yè)

【學(xué)位級(jí)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(yù)處理
    2.2 方法
        2.2.1 一致性評(píng)價(jià)方法
        2.2.2 識(shí)別擴(kuò)張型心肌病和缺血型心肌病的群體水平的差異表達(dá)基因
        2.2.3 RankPop：由個(gè)體水平的差異表達(dá)基因推算群體水平的差異表達(dá)基因的算法
        2.2.4 構(gòu)建蛋白質(zhì)互作網(wǎng)絡(luò)
        2.2.5 功能富集分析
    2.3 利用仿真數(shù)據(jù)評(píng)價(jià)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(dá)秩序關(guān)系的基因?qū)Φ目芍貜?fù)性評(píng)價(jià)
    3.2 利用仿真實(shí)驗(yàn)對(duì)RankComp/RankPop算法的評(píng)價(jià)結(jié)果
    3.3 利用真實(shí)的基因表達(dá)譜評(píng)價(jià)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(luò)的功能富集
4 討論
5 結(jié)論
參考文獻(xiàn)
綜述
    參考文獻(xiàn)
致謝



本文編號(hào)：3669850