目的:我們通過(guò)分析公共數(shù)據(jù)庫(kù)中已經(jīng)公布的含有活動(dòng)性肺結(jié)核(active pulmonary tuberculosis,APTB)和對(duì)照樣本的微陣列數(shù)據(jù)來(lái)找到具有差異表達(dá)的模塊,借助蛋白質(zhì)-蛋白質(zhì)相互作用(PPI)網(wǎng)絡(luò)對(duì)APTB的病理機(jī)制進(jìn)行評(píng)估。以STRING數(shù)據(jù)庫(kù)檢索到的PPI網(wǎng)絡(luò)生成的差異表達(dá)網(wǎng)絡(luò)(DEN)作為基礎(chǔ),根據(jù)DEN的程度特征提取自我基因,并基于EgoNet算法的基因擴(kuò)增收集模塊,最后通過(guò)隨機(jī)置換測(cè)試評(píng)估APTB和對(duì)照組之間的模塊的差異表達(dá),之后基于Reactome數(shù)據(jù)庫(kù)的途徑富集分析檢測(cè)差異模塊的生物學(xué)意義。了解APTB的發(fā)病機(jī)制,并為有效治療APTB提供潛在的生物標(biāo)記物。方法:1.微陣列的可用性和預(yù)處理我們通過(guò)Array Express-數(shù)據(jù)庫(kù)收集APTB的原始數(shù)據(jù)(登錄賬號(hào):E-GEOD-56153)。微陣列共包括18名APTB患者,18名健康對(duì)照者,15名經(jīng)過(guò)8周治療和28名經(jīng)過(guò)28周治療的APTB患者。在我們的研究中,為了進(jìn)一步探索結(jié)核病的分子機(jī)制,我們只選擇了該微陣列中18例APTB患者和18例健康對(duì)照者進(jìn)行之后的分析。原始數(shù)據(jù)由MicroArray Suite(MAS)軟件(版本)5.0進(jìn)行預(yù)處理。將探針數(shù)據(jù)映射到基因符號(hào)之后,總共獲得17,638個(gè)基因。2.DEN的構(gòu)建和權(quán)重值的計(jì)算首先,我們?cè)赟TRING數(shù)據(jù)庫(kù)中檢索到覆蓋787,896個(gè)相互作用的全部PPI網(wǎng)絡(luò)和16,730個(gè)基因。接下來(lái),將已經(jīng)確定的微陣列圖譜中的所有基因都映射到全部的PPI網(wǎng)絡(luò)從而剔除無(wú)關(guān)的相互作用。最終,我們提取了 8,157個(gè)基因中的50,355個(gè)相互作用來(lái)構(gòu)建背景PPI網(wǎng)絡(luò)。接下來(lái),我們采用皮爾森相關(guān)系數(shù)(PCC)來(lái)評(píng)估背景PPI網(wǎng)絡(luò)中的基因互作,這也是用來(lái)衡量?jī)蓚�(gè)共表達(dá)基因的概率的指標(biāo)。在當(dāng)前的工作中,我們將基因互作的PCC絕對(duì)值確定為預(yù)定義的閾值K,并且僅選擇K≥0.8的互作來(lái)構(gòu)建DEN。最后,將權(quán)重值分配給DEN中的每個(gè)邊緣,通過(guò)單側(cè)t檢驗(yàn)來(lái)計(jì)算APTB和對(duì)照樣本中的差異表達(dá)的P值。3.差異模塊分析EGO算法的設(shè)計(jì)目的是檢測(cè)與ego相關(guān)的模塊,并具有最大的分類準(zhǔn)確率。該算法框架包括四個(gè)基本步驟:(1)提取高z-分值的自我基因;(2)功能模塊的收集;(3)優(yōu)化;(4)顯著性過(guò)濾。3.1自我基因鑒定在模塊檢測(cè)之前,我們首先鑒定一系列的初始自我基因。為了發(fā)現(xiàn)自我基因,我們首先將DEN中的基因按度特征進(jìn)行排序。之后,根據(jù)公式(?)計(jì)算出DEN中每個(gè)基因的z值。在這個(gè)公式中,Nk(i)代表網(wǎng)絡(luò)中的鄰居集合;A,為度數(shù)歸一化加權(quán)鄰接矩陣,記為Ak =D-1/2AD1/2。然后,Z分?jǐn)?shù)按降序排列。在我們的研究中,排名前5%的基因被命名為自我基因。3.2功能模塊集合在識(shí)別自我基因后,我們將每個(gè)自我基因作為起始,并應(yīng)用分類準(zhǔn)確性指數(shù)來(lái)評(píng)估模塊收集的規(guī)模。重復(fù)該過(guò)程直到分類能力沒(méi)有增加。這個(gè)模塊擴(kuò)展過(guò)程被稱為滾雪球抽樣法。詳細(xì)地說(shuō),對(duì)于給定的自我基因nGN,它被定義為DEN中的模塊X之后,將自我基因n的鄰居集合基因m連續(xù)組合到模塊X中,接著識(shí)別出新的模塊X'。計(jì)算兩個(gè)模塊之間分類精度的變化:△F(X',X)= F(X)-F(X')。當(dāng)△F(X',X)0時(shí),表示基因m的加入增加了模塊X的分類能力,直到分類權(quán)下降,停止搜索步驟。3.3優(yōu)化在收集候選模塊后,我們對(duì)這些候選模塊進(jìn)行了優(yōu)化,同時(shí)保持了它們的分類準(zhǔn)確性,在我們的研究中,基因數(shù)量≤5且分類能力0.9的模塊將被刪除。3.4統(tǒng)計(jì)顯著性評(píng)估在此步驟中,根據(jù)隨機(jī)置換測(cè)試產(chǎn)生的分類準(zhǔn)確度,計(jì)算模塊顯著性的經(jīng)驗(yàn)P值:隨機(jī)置換測(cè)試中隨機(jī)選擇每個(gè)模塊的分類準(zhǔn)確度,并重新運(yùn)行該算法。隨機(jī)置換測(cè)試在同一模塊上重復(fù)1000次,通過(guò)將觀察到的候選模塊的分類準(zhǔn)確度值與置換測(cè)試計(jì)算的準(zhǔn)確性分?jǐn)?shù)進(jìn)行比較來(lái)記錄模塊的P值。接下來(lái),利用多重測(cè)試的校正來(lái)控制假陽(yáng)性,而降低多重測(cè)試假陽(yáng)性的一種常見(jiàn)方法是控制錯(cuò)誤發(fā)現(xiàn)率(FDR)。在我們的研究中,使用Benjamini-Hochberg方法將原始P值校正為FDR。只有FDR不小于0.05的模塊被認(rèn)為是差分模塊。4.具有功能類別的模塊注釋為了評(píng)估差異模塊中的通路水平,我們使用了 Reactome和背景PPI的數(shù)據(jù)來(lái)檢測(cè)在差分模塊中包含的注釋。所有通路均從Reactome數(shù)據(jù)庫(kù)獲得,然后提取每條通路中富集的基因與背景PPI網(wǎng)絡(luò)中的基因之間的交集。當(dāng)移除基因數(shù)5的基因或100的通路時(shí),我們獲取了 1137個(gè)種子通路并進(jìn)一步分析。隨后,差異模塊的基因與每個(gè)種子通路對(duì)齊,確定了每個(gè)差異模塊富集的通路。利用Fisher's檢驗(yàn)來(lái)計(jì)算原始富集P值。之后,應(yīng)用Benjamini＆Hochberg方法計(jì)算FDR以進(jìn)一步校正P值。在該研究中,我們定義FDR0.05的途徑為差異模塊富集的通路。值得注意的是,一個(gè)模塊可以富集多種通路。根據(jù)FDR得分將每個(gè)模塊富集的通路進(jìn)行排序,選擇FDR最低的通路作為給定差異模塊的顯著通路。結(jié)果:1.DEN的構(gòu)建通過(guò)對(duì)微陣列圖譜中的17,638個(gè)基因和PPI網(wǎng)絡(luò)進(jìn)行分析,共提取了50,355個(gè)相互作用和8157個(gè)基因,構(gòu)建了背景PPI網(wǎng)絡(luò)。為了使網(wǎng)絡(luò)更有可信度,選擇k≥0.8的背景PPI網(wǎng)絡(luò)中的相互作用來(lái)構(gòu)建DEN。DEN覆蓋了 940個(gè)基因和5647個(gè)相互作用。2.鑒定自我基因在我們的研究中共鑒定了 47個(gè)自我基因,并發(fā)現(xiàn)這些基因的z值均大于100。其中,有6個(gè)自我基因的得分高于300,包括RPL35(332.026),RPS20(357.377),RPL19(333.121),RPS19(332.626),RPL27(328.252),RPS13(309.069)。有趣的是,我們進(jìn)一步發(fā)現(xiàn)這47個(gè)自我基因中,一類與RPL相關(guān),另一類與RPS相關(guān)。這些ego基因與核糖體蛋白相關(guān),而這些蛋白被認(rèn)為與APTB中的耐藥性具有相關(guān)性。3.模塊集合如方法一中所述,我們共獲得了 47個(gè)候選模塊。模塊的平均基因數(shù)為5個(gè)。當(dāng)我們淘汰了基因數(shù)≤5且分類能力小于0.9的模塊,共識(shí)別出7個(gè)自我模塊,包括模塊4,模塊7,模塊9,模塊19,模塊25,模塊38和模塊43。值得注意的是,我們發(fā)現(xiàn)這7個(gè)自我模塊分類能力是相同的,且最高的分類能力為1,這進(jìn)一步表明這些自我模塊可以準(zhǔn)確區(qū)分APTB與健康對(duì)照樣本。然而,這7個(gè)自我模塊的基因組成是不同的。具體來(lái)說(shuō),模塊7擁有最大的基因大小,包括 RPL19(ego 基因),RPL29,RPL32,RPL37,RPL14,RPL7A,UBC,TRIM21 和 RIPK2。4.評(píng)估自我模塊的統(tǒng)計(jì)顯著性我們應(yīng)用隨機(jī)排列測(cè)試來(lái)進(jìn)一步測(cè)量活動(dòng)性結(jié)核病患者與健康對(duì)照之間的自我模塊的重要性。對(duì)于每個(gè)自我模塊,隨機(jī)排列測(cè)試均進(jìn)行了 1000次。結(jié)果顯示,7個(gè)自我模塊的FDR都等于0,這表明這些模塊之間是有差別的。5.功能類別的模塊注釋從結(jié)果中我們發(fā)現(xiàn)模塊4,模塊25,模塊38和模塊43中的基因在相同的途徑中富集,形成游離的4:0S亞基池。此外,模塊7和模塊9的重要途徑是真核翻譯終止途徑。模塊19的差異途徑是由外顯子連接復(fù)合物(EJC)增強(qiáng)的無(wú)義介導(dǎo)的衰變。結(jié)論:在本研究中,我們利用一個(gè)基于自我中心網(wǎng)絡(luò)分析技術(shù)的分析方法,從大規(guī)模的生物網(wǎng)絡(luò)中詳盡搜索并按優(yōu)先順序區(qū)分出疾病子網(wǎng)絡(luò)和標(biāo)記基因。最后將區(qū)分出的疾病子網(wǎng)絡(luò)進(jìn)行通路富集分析。最終我們成功地提取了 7個(gè)富含3種差異通路的差異模塊。這些模塊和相應(yīng)的自我基因以及通路可能是APTB診斷和治療的基礎(chǔ)標(biāo)志,我們的研究揭示了 APTB機(jī)制的潛在啟示。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2018
【中圖分類】：R521
【部分圖文】：

查頂部識(shí)別的自我網(wǎng)絡(luò)是否恢復(fù)了真正的子網(wǎng)絡(luò)，篩選結(jié)果見(jiàn)表１，通過(guò)結(jié)果??可以看出，ＳＶＭ的篩選結(jié)果在三種方法中是最優(yōu)的，其次是ＫＮＮ。??表１?子網(wǎng)篩選比較表??Ｔｏｐｉ?Ｔｏｐ５??Ｌｉｎｅａｒ?（％）?Ｎｏｎｌｉｎｅａｒ?（％）?Ｌｉｎｅａｒ?（％）?Ｎｏｎｌｉｎｅａｒ?（％）??ＳＶＭ?６８＊?５３＊?８９?８３＊??ＲＦ?５０?４２?８３?６９??ＫＮＮ?６２?４６?９１＊?７０??注：＊表示每種模擬設(shè)置中性能最好的方法??我們對(duì)ＥｇｏＮｅｔ的性能和國(guó)外學(xué)者提出的方法也進(jìn)行了比較，結(jié)果見(jiàn)圖１，表??明了盡管差異相對(duì)較小，但ＥｇｏＮｅｔ在分類精度方面優(yōu)于Ｃｈｕａｎｇ等人的方法。??而且我們發(fā)現(xiàn)ＥｇｏＮｅｔ顯示恢復(fù)真正的自我節(jié)點(diǎn)的比例相當(dāng)高。正如所料，這種??差異在自我節(jié)點(diǎn)本身不與臨床結(jié)果直接相關(guān)的情況下最為明顯。圖１中紅色節(jié)??點(diǎn)是推定的疾病基因，白色節(jié)點(diǎn)是作為改變節(jié)點(diǎn)或自我節(jié)點(diǎn)隱藏的疾病基因。??Ａ?？?＊６?？??

圖２?ＥｇｏＮｅｔ驗(yàn)證圖??

我們的分析步驟主要包括基于Ｒｅａｃｔｏｍｅ數(shù)據(jù)庫(kù)的數(shù)據(jù)選擇（微陣列概況，??ＰＰＩ數(shù)據(jù)），ＤＥＮ的構(gòu)建，查找差異化模塊以及功能類別的模塊注釋。流程圖??見(jiàn)下（圖１）：?????Ｉ??＾?ｉ?Ｔ￣－?ｍｉｃｒｏａｉｒａｙ??Ｏｒｉｇｉｎａｌ?ｐｒｏｔｅｍ－ｐｒｏｔｅｉｎ?？?ｖ??ｉｎｔｅｒａｃｔｉｏｎ?（ＰＰＩ）?ｎｅｔｗｏｒｋ?—?Ｐｒｏ?ｅ?一＿＿Ｈ??－———＾?１＾＂??＞?ｆ??Ｂａｃｋｇｒｏｕｎｄ?ＰＰＩ?ｎｅｔｗｏｒｋ?—??．．．????－＿＿—￣??ｋ＞?０．８??Ｄｉｆｆｅｒｅｎｔｉａｌ?ｅｘｐｒｅｓｓｉｏｎ?ｎｅｔｗｏｒｋ??Ｒａｎｋｉｎｇ?ｚ－ｓｃｏｒｅｓ：?ｔｏｐ?５％??■????＾Ｅｇｏｇｅｎｅｓ?｜Ｊ＿??Ｍｏｄｕｌｅ?ｃｏｌｌｅｃｔｉｏｎ??Ｃａｎｄｉｄａｔｅ?ｍｏｄｕｌｅｓ??Ｇｅｎｅ?ｓｉｚｅ?＞?５，?ｄａｓｓｉｆｉｃ－ａｔｉｏｎ??ｐｏｗｅｒ?＞?０．９，?ＦＤＲ?＜?０．０５??＞?ｔ???Ｄｉｆｆｅｒｅｎｔｉａｌ?ｍｏｄｕｌｅｓ??Ｒｅａｃｔｏｍｅ?ｄａｔａｂａｓｅ???ｖ???Ｄｉｆｆｅｒｅｎｔｉａｌ?ｐａｔｈｗａｙｓ?＿??一．???￣??圖１分析流程圖??１．微陣列可用性和預(yù)處理??我們從ＡｒｒａｙＥｘｐｒｅｓｓ服務(wù)器數(shù)據(jù)庫(kù)（登錄號(hào)：Ｅ－ＧＥＯＤ－５６１５３）獲�。粒校裕碌�??原始數(shù)據(jù)。Ｏｔｔｅｎｈｏｆｆ等［２１］提供的微陣列譜包括１８名ＡＰＴＢ患者
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄭琳,趙明光,畢玉蓉;cDNA微陣列技術(shù):一種有效的差別表達(dá)基因克隆新方法[J];生命的化學(xué);2003年01期

2 韓歡歡;張養(yǎng)軍;錢小紅;;微陣列技術(shù)在糖組學(xué)研究中的應(yīng)用[J];生命的化學(xué);2008年06期

3 洪萍;朱培元;;微陣列技術(shù)在輸血醫(yī)學(xué)中的應(yīng)用及其研究進(jìn)展[J];中國(guó)輸血雜志;2006年05期

4 ;微陣列技術(shù)催生毒理基因組市場(chǎng)[J];生命科學(xué)儀器;2004年01期

5 張林杰;微陣列技術(shù)及其應(yīng)用[J];國(guó)外醫(yī)學(xué)(分子生物學(xué)分冊(cè));2001年01期

6 陶疆,周曾同;微陣列技術(shù)在口腔癌研究中的應(yīng)用[J];上�？谇会t(yī)學(xué);2003年02期

7 何繼亮,陳智;微陣列技術(shù)在毒理學(xué)研究中的應(yīng)用[J];環(huán)境與健康雜志;2002年04期

8 黃聰;;微陣列技術(shù)在基因表達(dá)分析中的應(yīng)用[J];中國(guó)煤炭工業(yè)醫(yī)學(xué)雜志;2010年03期

9 劉毅,韓金祥,黃海南,梁浩,黃海燕;膜微陣列技術(shù)的建立及檢測(cè)細(xì)菌條件的優(yōu)化[J];臨床檢驗(yàn)雜志;2003年04期

10 江榮才,于士柱,浦佩玉,申長(zhǎng)虹,焦寶華,康春生,王虎,董倫;應(yīng)用微陣列技術(shù)初步探討間變性星形細(xì)胞瘤基因表達(dá)譜[J];中華病理學(xué)雜志;2004年04期

相關(guān)博士學(xué)位論文 前5條

1 邊中睿;基于微陣列與數(shù)據(jù)集樣本分析對(duì)活動(dòng)性肺結(jié)核診斷的應(yīng)用研究[D];山東大學(xué);2018年

2 王明怡;微陣列數(shù)據(jù)挖掘技術(shù)的研究[D];浙江大學(xué);2004年

3 鄧曄;微陣列技術(shù)中生物信息的利用和挖掘[D];浙江大學(xué);2007年

4 周濤;基于細(xì)胞微陣列篩選泛素—蛋白酶體通路底物的研究[D];中國(guó)人民解放軍軍事醫(yī)學(xué)科學(xué)院;2007年

5 崔書中;腹腔熱灌注化療治療胃癌惡性腹水的臨床與基礎(chǔ)研究[D];南方醫(yī)科大學(xué);2012年

相關(guān)碩士學(xué)位論文 前8條

1 何瑋;SNP-array微陣列技術(shù)在檢測(cè)稽留流產(chǎn)絨毛組織的遺傳學(xué)研究[D];廣西醫(yī)科大學(xué);2015年

2 杜文津;DNA微陣列技術(shù)對(duì)DMD基因缺失檢測(cè)的基礎(chǔ)與臨床研究[D];第四軍醫(yī)大學(xué);2002年

3 張國(guó)棟;抑制性消減雜交和cDNA微陣列技術(shù)研究星星草耐鹽機(jī)理[D];東北林業(yè)大學(xué);2006年

4 周玨宇;miR-181a抑制人紅白血病K562細(xì)胞生長(zhǎng)機(jī)制的研究[D];第一軍醫(yī)大學(xué);2006年

5 尚俊麗;單核細(xì)胞增生李斯特菌生物被膜形成機(jī)制的轉(zhuǎn)錄水平研究[D];華中師范大學(xué);2014年

6 劉佳;基因表達(dá)數(shù)據(jù)中共調(diào)控模式的挖掘算法[D];哈爾濱工業(yè)大學(xué);2010年

7 金波;微陣列數(shù)據(jù)集的頻繁閉合模式挖掘算法研究[D];桂林電子科技大學(xué);2007年

8 周江霖;應(yīng)用點(diǎn)著色聚類方法識(shí)別阿爾茨海默病致病基因[D];四川師范大學(xué);2012年

本文編號(hào)：2849061