|
2.2 Genlarning Ekspressiya Ma'lumotlaridan Kelib Chiqadigan Tartibga Soluvchi O'zaro Ta'sirlarni Qanday Tekshirish Mumkin
Mening algoritmim Bayes tarmog'i yondashuvidan foydalanib, genlar o'rtasidagi tartibga soluvchi o'zaro ta'sirni gen ekspressiv ma'lumotidan o'rganadi. Algoritm o'zaro ta'sir qiluvchi genlar tarmog'iga aylangandan so'ng, o'zaro ta'sirlarning to'g'riligini qanday tekshirish mumkin? Men NCBI GEO -dan o'pka saratoni ma'lumotlar bazasidan ID: GDS2771 dan foydalanganman. Shuningdek, kasallik uchun mas'ul bo'lgan genlar to'plamini qanday olish mumkin (bu holda o'pka saratoni) va ularning ifoda darajasini haddan tashqari yoki past ifodalanganligini qanday aniqlash mumkin?
Siz o'zaro ta'sirlarni genni yiqitish (KD) yoki ortiqcha ifodalash (OE) va quyi oqim tugunlarining ifoda darajasining o'zgarishini tekshirish orqali tasdiqlashingiz mumkin. Siz buni microarray yoki RNAseq yordamida yuqori o'tkazuvchanlikda qilishingiz mumkin. Protein uchun siz LC-MS qilishingiz mumkin. Ammo bu usul sizga yordam bera olmaydi:
Bevosita va bilvosita o'zaro ta'sirlarni farqlash
Tarmoqdagi halqalar va boshqa chiziqli bo'lmagan o'zaro ta'sirlar uchun tartibga solish topish
Looplar murakkab, lekin bir necha vaqt oralig'ida namuna olish tebranishlar mavjud yoki yo'qligini sizga ma'lum qilishi mumkin. Aksariyat hollarda bu yondashuv o'z samarasini beradi.
Odatda, bu nisbatan past o'tkazuvchanlik, lekin sezgir texnikani qo'llagan holda tekshirishning yana bir turini o'tkazadi
Haqiqiy vaqtda PCR (KD va OE)
Western blotlar (KD vs OE)
Muxbirlarning tahlillari (KD va OE) to'g'ridan -to'g'ri o'zaro ta'sirlarni aniqlaydi. Masalan (Transkripsiya faktori) TF uchun mumkin bo'lgan targ'ibotchi (G-Y oqimi) GFPni TFga javob berishini bilish uchun GFPni ifodalash uchun ishlatiladi; shu bilan TFning Gene-Y ga ta'sirini promouter orqali tasdiqlash.
Ba'zi hollarda, genning promouterida/kuchaytirgichida TF uchun bog'lanish joylari bor yoki yo'qligini bilish uchun siz ChIP-seq-ni bajarishingiz kerak bo'ladi. TF majburiy saytlari uchun bashoratlardan ham foydalanishingiz mumkin. MiRNA tomonidan tartibga solishni topish uchun siz ushbu xabarni ko'rishingiz mumkin.
Puls va tebranishlar kabi murakkab dinamikani topish uchun siz vaqt bo'yicha ma'lumotlarni to'plashingiz kerak.
ifoda darajasini ifoda etilgan yoki past ifodalanganligini qanday aniqlash mumkin?
Buning uchun siz birinchi navbatda o'z boshqaruvingizni belgilashingiz kerak (yuqoriga/pastga tartibga solingan nima?). Buni amalga oshirgandan so'ng, siz ifodani solishtirishingiz va differentsial regulyatsiyani tekshirish uchun to'g'ri statistik testlardan foydalanishingiz mumkin. Agar sizda faqat bitta namuna bo'lsa, ko'pgina testlar ishlamaydi. RNAseq uchun, ehtimollik va p-qiymatini olish uchun bayes modelini ishlatadigan EM algoritmlari ishlatiladi (men qo'lqop va eXpressdan foydalandim). Tekshiruv va nazoratni taqqoslaganda FDR tuzatish amalga oshirilishi mumkin. Proteinlar uchun LC-MS ma'lumotlarini taqqoslash uchun ishlatiladigan algoritmlarga ishonchim komil emas. Tahlil qilingan uyali fenotiplar bilan genlarning ekspression ma'lumotlarining umumiy genetik tahlili Hatto aniqlangan hujayra turida ham, genning ifoda darajasi individual namunalarda farq qiladi. Genotipning ta'siri, atrof -muhit sharoitlari kabi o'lchangan omillar va ularning o'zaro ta'siri so'nggi tadqiqotlarda o'rganilgan. Ko'p genlarning transkripsiya darajasiga izchil ta'sir ko'rsatadigan o'lchanmagan oraliq omillarni aniqlash usullari ham ishlab chiqilgan. Bu erda biz bu ikki yondashuvni qanday birlashtirishni va genlar ta'sirini tahlil qilishda gen ekspresyonining determinantlari kontekstida ko'rsatamiz. Yashirin omillarni aniqlash uchun biz kamdan -kam omillar tahlil modelidan foydalanamiz, biz ularni oraliq hujayra fenotiplari sifatida ko'rib chiqamiz, bu esa o'z navbatida xamirturushlar majmuasida genlarning ifodalanishiga ta'sir qiladi. Biz aniqladikki, taxmin qilingan fenotiplar lokus genotiplari va atrof -muhit sharoitlari bilan bog'liq va ular genlarga genetik assotsiatsiyalarni tushuntira oladi. trans. Birinchi marta, biz genotip va gen ekspresiyasi darajasidan kelib chiqqan oraliq fenotiplar o'rtasidagi o'zaro ta'sirlarni ko'rib chiqamiz va topamiz, natijalarni to'ldiramiz va kengaytiramiz.
G enomning fenotipik ifodasi, shu jumladan organizmning tashqi muhitga bo'lgan munosabati, ko'p darajali tartibga solinadigan murakkab, dinamik tizimning paydo bo'lgan xususiyatini ifodalaydi. Ushbu qoida messenjer RNK (mRNK) transkripsiyasini va mRNKni oqsilga gen-tartibga soluvchi tarmoqlar (GRN) orqali tarjima qilishni nazorat qilishni o'z ichiga oladi. GRN ichida ma'lum genlar DNKni (mustaqil ravishda yoki kompleksning bir qismi sifatida) bog'laydigan transkripsiya omillari (TF) oqsillarini kodlaydi, odatda maqsadli genlarning (promotor -provayderlar) yuqori oqimlarida va shuning uchun ularning transkripsiyasini tartibga soladi. TF maqsadlari boshqa TFlarni kodlaydigan, shuningdek boshqa funktsiyali oqsillarni kodlaydigan genlarni o'z ichiga olishi mumkinligi sababli, tizimning transkripsiya va tarjima darajalari o'rtasida murakkab tarmoq hosil qilish uchun o'zaro ta'sirlar paydo bo'ladi (1 -rasm). Protein va/yoki gen maydonida qo'shimcha ta'sirlar paydo bo'lishi mumkin, masalan, post-translyatsion va epigenetik effektlar, masalani yanada murakkablashtiradi. Shakl 1. Braznikdan moslashtirilgan GRN sxemasi va boshqalar. [1]. GRN to'rtta gendan iborat bo'lib, ulardan uchtasi TF (1, 3 va 4 -genlar) ni kodlaydi, bittasi metabolit 1 -dan 2 -metabolit ishlab chiqarishni katalizlaydigan oqsilni kodlaydi. Har xil darajadagi komponentlarning fizik o'zaro ta'siri. biz tiklamoqchi bo'lgan murakkab GRNni tasvirlash uchun gen maydoniga (kesilgan chiziqlar) proektsiyalanadi.
GRNlarning tuzilishini aniqlash, xususan, TF maqsadlariga bog'liq holda, biologiyaga tizimli yondashuvning asosiy yo'nalishiga aylandi. Muayyan TFning genom maqsadlarini eksperimental ravishda ChIP-chip yoki ChIP-ketma-ketlik (ChIP-seq) [2] yordamida aniqlash mumkin, bu esa transkripsiyaviy faol bo'lishi mumkin bo'lgan minglab TFlar uchun ChIP-chip/seq ma'lumotlar bazasini yaratadi. Uyali aloqa funktsiyasi texnik va ko'pincha moliyaviy jihatdan taqiqlangan bo'lib qoladi. Shu bilan bir qatorda, TFni bog'laydigan quyi oqim promotor ketma-ketligini aniqlashga bakterial bir-gibrid tizim [3] va oqsillarni bog'laydigan mikrarralar [4] yordamida erishish mumkin, xamirturushda ma'lum bir promotor ketma-ketlikni bog'laydigan TFlarni xamirturush orqali aniqlash mumkin. -gibrid tizim [5]. ChIP-chip/seq singari, hozirda bitta gibrid tizimlar yuqori o'tkazuvchanlik tajribasiga ega emas, bu qo'shimcha ogohlantirish bilan majburiydir. in vitro yoki xamirturush/bakteriyalarda TF o'z muhitida yoki muayyan eksperimental sharoitda bog'lanishi yoki bog'lanishini anglatmaydi.
TF maqsadlarini eksperimental aniqlashga muqobil (yoki qo'shimcha) yondashuv sifatida, transkripsiya va/yoki tarjimaning dinamik javobini o'lchash, agar siz topologiyadan xulosa chiqarish imkoni bo'lsa, asosiy GRN haqida foydali ma'lumotlarni global miqyosda bera olasiz. tarmoq (odatda adabiyotda "teskari muhandislik" deb nomlanadi). Biologik tizimlarda mavjud bo'lgan oqsil darajasini o'lchash katta miqyosda qiyin bo'lib qolsa -da, mRNKning nisbiy ko'pligini o'lchash nisbatan sodda. Shunday qilib, ko'p sonli mikroto'lqinli tajribalar orqali transkripsiya darajasini yuqori darajadagi hal qilingan vaqtli o'lchovlarni ishlab chiqish murakkab biologik jarayonlarni, shu jumladan rivojlanish dasturlarini [6] va abiotik yoki biotik stressga javobni tadqiq qilishning kuchli vositasiga aylandi. Kurs ma'lumotlaridan olingan GRNlarning xulosasi genlar orasidagi [shubhali sababiy] munosabatlarni ajratish [7,8], biologik javob uchun muhim bo'lgan tarmoq komponentlarini aniqlash, shu jumladan, bir-biriga bog'langan genlarni (markazlar deb ataladigan) aniqlash va qo'lga olish uchun foydali bo'lgan. yangi buzilishlar ostida tizimning xatti -harakati [9,10].
Vaqt ketma -ketligidan GRNlarni aniqlash bilan bog'liq turli muammolarni hal qilish uchun bir qator nazariy yondashuvlar qo'llanilgan, ular orasida oddiy va stokastik differentsial tenglamalar (ODE/SDE) [10-12], Bayes va dinamik Bayes tarmoqlari (BNs/DBNs). [7,8,11–13] va axborot nazariyasi yoki korrelyatsiyaga asoslangan usullar [11,14]. Bu raqobatbardosh yondashuvlarning nisbiy mahsuldorligi ilgari kontekstda muhokama qilingan silikada [11,13,15,16] va in vivo tarmoqlar [8,12,13,15], eng yaxshi yondashuv borasida kelishmovchiliklar saqlanib qolmoqda. Bansalning oldingi ishi va boshqalar. [11], 2007 yilda nashr etilgan, shuni ko'rsatadiki, 'yanada takomillashtirish zarur", Tarmoqni aniqlash algoritmlari" ga "aylandi.amalda foydali'. Bu erda biz Bansalning ishiga qaytamiz va boshqalar. [11] diapazonidan foydalanib, tarmoqni chiqarish algoritmlarining so'nggi misollarining ishlashini baholash orqali silikada va in vivo ma'lumotlar to'plamlari.
Transkriptomik ma'lumotlar majmuasidan GRNlarni xulosa qilish juda qiyin vazifadir, chunki birinchi navbatda, zamonaviy mikroto'lqinlardagi problar (genlar) soni mustaqil o'lchovlar sonidan kattaroq kattalikdagi buyruqlar soniga teng bo'lishi mumkin, hattoki yuqori aniqlikdagi va takrorlangan vaqtli tadqiqotlar uchun ham [6]. . Ko'p sonli genlar, vaqt o'tishi bilan ifoda profillarining katta qismi o'zaro bog'liq bo'lishi mumkinligi kuzatilishi bilan bir qatorda, faqat mikroarray ma'lumotlaridan GRNlarni aniqlash tabiatan aniqlanmasligini bildiradi. Ushbu muammoni bartaraf etish uchun, modellashtiriladigan genlar soni, odatda, tekis yoki qiziq bo'lmagan profillarni olib tashlash orqali sun'iy ravishda kamayadi [6] yoki birgalikda ifodalanishi mumkin bo'lgan genlar guruhlarini to'plash orqali [17,18]. Shu bilan bir qatorda, vaqtni ketma -ketligi nazorat ostida ham, bezovtalanadigan sharoitda ham o'lchanadigan ma'lum bir ogohlantirishga organizmning javobini tekshirganda, genlar sonini faqat differentsial ifodalangan, ya'ni ifoda profillari boshqacha bo'lganlarni kiritish orqali kamaytirish mumkin. va buzilgan ma'lumotlar to'plamlari [19]. Genlarni shu yo'l bilan olib tashlash modellashtiriladigan sonni ancha cheklab qo'yishi mumkin, bu raqamlarni yuzdan o'n minggacha. Ko'p hollarda, bu raqam hali ham juda katta bo'lib, hovuzni yanada kamaytirish uchun oldindan bilim yoki evristik yondashuvlarni talab qiladi. Shunday bo'lsa -da, genlar sonini sun'iy ravishda kamaytirishda, masalan, ma'lum bir genni boshqacha ifoda etilmagan deb noto'g'ri belgilashda muammolar paydo bo'lishi mumkin. Bundan tashqari, hatto zamonaviy mikroarraylarda ham muhim genlar uchun problar etishmay qolishi mumkin. Bunday hollarda, boshqa muhim genning yo'qligi, qayta tiklangan tarmoqning aniqligiga salbiy ta'sir ko'rsatishi mumkin.
Tarmoqlarni rekonstruksiya qilishda boshqa muhim xato manbalari tarmoqlarni faqat transkripsiya ma'lumotlaridan xulosa chiqarish natijasida paydo bo'ladi. Bunday modellar oqsillarning xiralashishi va tarjimadan keyingi modifikatsiyalarni o'z ichiga olgan turli xil effektlar tufayli oqsil xatti-harakatini transkripsiya bilan bog'liq deb hisoblaydi, bu odatda bunday emas [20].
Keyingi bo'limlarda biz vaqtni ma'lumotidan tarmoqlarni aniqlash uchun ishlatiladigan turli xil yondashuvlar, jumladan ODE, BN va DBN, Bayesning chiziqli bo'lmagan dinamik tizimlarni (NDS) o'rganishdan foydalangan holda parametrik bo'lmagan yondashuvlar va statistik-gipoteza testlariga asoslangan yondashuvlarni qisqacha bayon qilamiz. (masalan t-testlar), masalan, Greynjerning sabablari.
Do'stlaringiz bilan baham: |
