本文關(guān)鍵詞： 集成生物網(wǎng)絡(luò) 多形性膠質(zhì)母細(xì)胞瘤 失調(diào)模塊 eQTL 隨機(jī)游走　出處：《西安電子科技大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：疾病是制約人類壽命的最重要因素,以癌癥為代表的復(fù)雜疾病嚴(yán)重影響著人類的正常生活和工作。生物醫(yī)學(xué)家研究發(fā)現(xiàn),人類所有健康和疾病狀態(tài)都與基因有密切關(guān)系,如何診斷和治療以癌癥為代表的多基因復(fù)雜疾病一直是科學(xué)家研究的熱點(diǎn)和難點(diǎn)之一。長(zhǎng)久以來,由于生物實(shí)驗(yàn)技術(shù)和實(shí)驗(yàn)結(jié)果分析技術(shù)都不太成熟,對(duì)復(fù)雜疾病的認(rèn)識(shí)不夠深入,導(dǎo)致復(fù)雜疾病的研究一直沒能取得有效進(jìn)展。高通量生物技術(shù)的快速發(fā)展為復(fù)雜疾病的研究提供了可靠的數(shù)據(jù)來源,同時(shí)以蛋白質(zhì)相互作用網(wǎng)絡(luò)為代表的生物網(wǎng)絡(luò)為復(fù)雜疾病的研究提供了很好的數(shù)據(jù)支持。目前,對(duì)復(fù)雜疾病的研究多集中于單個(gè)致病基因預(yù)測(cè),而忽略了生物大分子之間的相互調(diào)控關(guān)系。研究發(fā)現(xiàn)不同基因的擾動(dòng)會(huì)導(dǎo)致相同的表型,且這些基因傾向收斂于相同的細(xì)胞路徑,基于此本文的研究重點(diǎn)由致病基因的預(yù)測(cè)轉(zhuǎn)移到失調(diào)模塊的檢測(cè),針對(duì)復(fù)雜疾病多形性膠質(zhì)母細(xì)胞瘤進(jìn)行失調(diào)模塊檢測(cè)。鑒于單個(gè)生物網(wǎng)絡(luò)的數(shù)據(jù)不夠完整,實(shí)驗(yàn)結(jié)果很大程度依賴特定數(shù)據(jù)集,本文整合蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡(luò)、轉(zhuǎn)錄因子-蛋白質(zhì)相互作用網(wǎng)絡(luò)以及蛋白質(zhì)磷酸化網(wǎng)絡(luò),構(gòu)建出集成生物網(wǎng)絡(luò)。首先針對(duì)多形性膠質(zhì)母細(xì)胞瘤的基因表達(dá)數(shù)據(jù),使用SAM軟件檢測(cè)出差異表達(dá)基因作為目標(biāo)基因;然后使用表達(dá)數(shù)量性狀定位分析技術(shù)(eQTL)定位控制這些目標(biāo)基因差異表達(dá)的遺傳因子作為候選因果基因;最后在集成生物網(wǎng)絡(luò)中,使用隨機(jī)游走方法檢測(cè)出因果基因以及最終的失調(diào)模塊。本文最終成功檢測(cè)出由172個(gè)基因及206條相互作用鏈接組成的失調(diào)模塊,其中包含OMIM、KEGG以及AceView數(shù)據(jù)庫(kù)中已知與多形性膠質(zhì)母細(xì)胞瘤密切相關(guān)的基因,如CDKN2A、EGFR、TP53、AKT1、RB1、PTEN、PRKCA等。而基因RHOBOTN2、CEBPA和GBAS雖然不是OMIM、KEGG以及AceView數(shù)據(jù)庫(kù)中收錄的基因,但是本文通過文獻(xiàn)挖掘找到了其與多形性膠質(zhì)母細(xì)胞瘤密切相關(guān)的有力證據(jù)。而且,該失調(diào)模塊包含了使用單個(gè)生物網(wǎng)絡(luò)分析所得到的大部分致病基因。通過統(tǒng)計(jì)理論和生物意義兩方面對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析驗(yàn)證,揭示出該失調(diào)模塊與多形性膠質(zhì)母細(xì)胞瘤的致病機(jī)制密切相關(guān),同時(shí)也說明本文所提基于集成生物網(wǎng)絡(luò)的方法是一種完整,有效的失調(diào)模塊檢測(cè)方法。
[Abstract]:Disease is the most important factor that restricts the life of human being. The complex disease represented by cancer seriously affects the normal life and work of human beings. Biomedical research has found that all human health and disease state are closely related to genes. How to diagnose and treat polygenic complex diseases represented by cancer has always been one of the hot and difficult points in the research of scientists. For a long time, because of the immaturity of biological experiment technology and experimental result analysis technology, The lack of understanding of complex diseases has led to a lack of effective progress in the study of complex diseases. The rapid development of high-throughput biotechnology provides a reliable source of data for the study of complex diseases, At the same time, biological networks, represented by protein interaction networks, provide a good data support for the study of complex diseases. At present, the researches on complex diseases are mostly focused on the prediction of single pathogenic genes. The study found that disturbances of different genes lead to the same phenotypes and that these genes tend to converge to the same cellular pathway. Based on this, the emphasis of this study is transferred from the prediction of pathogenic gene to the detection of maladjustment module, and the maladjustment module is used to detect multiple glioblastoma of complex diseases. In view of the incomplete data of single biological network, The results depend heavily on specific data sets. This paper integrates protein-protein interaction networks, transcription factor-protein interaction networks, and protein phosphorylation networks. Firstly, according to the gene expression data of glioblastoma pleomorphic, the differentially expressed genes were detected by SAM software as the target gene. Then we use quantitative trait mapping technique (QTL) to localize the genetic factors that control the differential expression of these target genes as candidate causality genes. Finally, in the integrated biological network, A random walk method was used to detect the causal gene and the final disorder module. In the end, the disorder module composed of 172 genes and 206 interaction links was successfully detected. It contains OMIMN-KEGG and genes known to be closely related to pleomorphic glioblastoma in the AceView database, such as CDKN2ANEGFRN TP53AEGFRT53AKT1rrrrrrrrrrrrbt1, PRKCA, etc. The genes RHOBOTN2CEBPA and GBAS are not included in OMIMKEGG and AceView databases, although they are not included in the OMIMKEGG and AceView databases. However, this paper has found strong evidence of its close relationship with glioblastoma pleomorphic by literature mining. The disorder module contains most of the disease-causing genes obtained by using a single biological network analysis. The experimental results are verified by statistical theory and biological significance. It is revealed that the disorder module is closely related to the pathogenesis of glioblastoma pleomorphic, and that the method proposed in this paper based on integrated biological network is a complete and effective method for the detection of maladjustment modules.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：R739.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 張向鋒;任立紅;丁永生;;基于神經(jīng)內(nèi)分泌免疫系統(tǒng)的網(wǎng)絡(luò)計(jì)算仿真平臺(tái)[J];系統(tǒng)仿真技術(shù);2005年02期

相關(guān)會(huì)議論文 前4條

1 高蕾;高魯彬;郭進(jìn)利;;生物網(wǎng)絡(luò)研究進(jìn)展述評(píng)[A];第五屆全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文（摘要）匯集[C];2009年

2 古華光;;生物網(wǎng)絡(luò)的時(shí)空動(dòng)力學(xué)行為的實(shí)驗(yàn)和數(shù)學(xué)模型研究[A];The 5th 全國(guó)動(dòng)力學(xué)與控制青年學(xué)者研討會(huì)論文摘要集[C];2011年

3 劉曾榮;;動(dòng)力學(xué)與控制在生物系統(tǒng)中應(yīng)用的幾個(gè)例子[A];中國(guó)力學(xué)學(xué)會(huì)學(xué)術(shù)大會(huì)'2009論文摘要集[C];2009年

4 徐筱杰;;計(jì)算多靶藥理學(xué)及其在中藥研究中的應(yīng)用[A];中國(guó)化學(xué)會(huì)第27屆學(xué)術(shù)年會(huì)第15分會(huì)場(chǎng)摘要集[C];2010年

相關(guān)重要報(bào)紙文章 前1條

1 趙曉濤;哲學(xué)角度談安全[N];網(wǎng)絡(luò)世界;2008年

相關(guān)博士學(xué)位論文 前10條

1 趙亞歐;基于智能計(jì)算的生物網(wǎng)絡(luò)構(gòu)建算法的研究[D];山東大學(xué);2015年

2 陸晨琪;酵母生物網(wǎng)絡(luò)結(jié)構(gòu)與功能進(jìn)化的研究[D];復(fù)旦大學(xué);2008年

3 何勝;復(fù)雜生物網(wǎng)絡(luò)可視化方法研究[D];江南大學(xué);2010年

4 梅娟;復(fù)雜生物網(wǎng)絡(luò)聚類分析方法[D];江南大學(xué);2010年

5 陳鋼;生物網(wǎng)絡(luò)分析及其在復(fù)雜疾病研究中的應(yīng)用[D];中南大學(xué);2012年

6 邵清;基于生物網(wǎng)絡(luò)的延遲容忍網(wǎng)絡(luò)容錯(cuò)研究[D];東華大學(xué);2010年

7 崔修亮;生物網(wǎng)絡(luò)分析若干關(guān)鍵技術(shù)及其應(yīng)用研究[D];中國(guó)人民解放軍軍事醫(yī)學(xué)科學(xué)院;2014年

8 王紅;生物網(wǎng)絡(luò)功能模塊識(shí)別及參數(shù)辨識(shí)研究[D];大連理工大學(xué);2014年

9 王彤;基于不完全信息的生物網(wǎng)絡(luò)隨機(jī)非線性建模與控制研究[D];東華大學(xué);2014年

10 孫小點(diǎn);生物網(wǎng)絡(luò)的結(jié)構(gòu)辨識(shí)與參數(shù)估計(jì)[D];復(fù)旦大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 梁良;基于NEI的生物網(wǎng)絡(luò)產(chǎn)品CAD系統(tǒng)研究及應(yīng)用[D];河南科技大學(xué);2015年

2 張卉寧;基于集成網(wǎng)絡(luò)的膠質(zhì)母細(xì)胞瘤失調(diào)模塊檢測(cè)[D];西安電子科技大學(xué);2014年

3 樊振杰;生物網(wǎng)絡(luò)中與疾病相關(guān)的子網(wǎng)絡(luò)搜索研究[D];蘭州大學(xué);2009年

4 陳熠;基于代謝路徑的生物網(wǎng)絡(luò)比對(duì)算法[D];西安電子科技大學(xué);2009年

5 薛曉麗;生物網(wǎng)絡(luò)的分層遞階結(jié)構(gòu)的建模[D];江南大學(xué);2014年

6 周曉鋒;一種基于統(tǒng)計(jì)的生物網(wǎng)絡(luò)模體發(fā)現(xiàn)算法[D];西安電子科技大學(xué);2008年

7 昝鄉(xiāng)鎮(zhèn);復(fù)雜生物網(wǎng)絡(luò)集中頻繁模式挖掘軟件開發(fā)研究[D];溫州大學(xué);2012年

8 張航;復(fù)雜生物網(wǎng)絡(luò)中的稠密子圖挖掘算法研究[D];溫州大學(xué);2010年

9 邵釧;MyNetworker：一款新型的生物網(wǎng)絡(luò)處理軟件[D];浙江大學(xué);2008年

10 陳細(xì)妹;基于粒子群優(yōu)化的生物網(wǎng)格布局研究[D];福建農(nóng)林大學(xué);2012年

，

本文編號(hào)：1496177