脑胶质瘤基因调控网络模型研究

发布时间：2020-08-02 12:57

【摘要】：高通量技术产生了海量的生物信息数据,而分析这些数据是系统生物学研究的重点和难点,通常采用聚类算法来寻找具有相似表达模式的基因组,构建基因调控网络,分析基因之间的相互作用关系。传统的聚类算法根据所有实验条件聚类,只能找到非重叠的聚类基因,而大量的基因可能参与了多个生物通路。而双聚类算法则可解决了这些问题,但是双聚类算法也有不少缺陷。本研究采用单个列向量聚类方法优化基于贪心随机自适应搜索过程的双聚类算法。通过酵母细胞的基因表达数据验证优化后算法的有效性,实验表明,优化后的双聚类算法能够产生结果更多、更好的双聚类,本文发现的双聚类结果对基因表达矩阵中基因的覆盖率达到34.77809%,将该算法应用到脑胶质瘤的基因表达数据中,获得34个共表达基因。通过详细分析、评估现有的几种经典的基因调控网络模型,研究发现贝叶斯网络模型适用于不完备数据集,其利用有向无环图模型来揭示基于统计假设的基因在其表达水平中的因果关系。通过调用R中的基于贝叶斯网络模型搭建的bnlearn包,利用34个共表达基因构建脑胶质瘤的基因调控网络,实验表明HAS2,MICAL2,GML,MARK4,SART3,RPP14,CYP11B2,SEMA3F,CHMP2A,NPPA,ZKSCAN5,SAE1,CTSO,ZNF324B,GLYAT,DLAT,DNMT1,C20orf43,这18个基因之间有调控关系,其可能与脑胶质瘤的发病机制有关。本研究通过优化基于贪心随机自适应搜索过程的双聚类算法,以发现更多脑胶质瘤的共表达基因,构建脑胶质瘤的基因调控网络发现其中部分基因存在调控关系,此研究可为下一步研究脑胶质瘤的发病机制奠定基础。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R739.41;TP311.13
【图文】：

生物系统,脑胶质瘤

围的细胞扩散了，所以手术治疗和物理放疗效果都不原因是对脑胶质瘤发病的机制了解不够，现阶段脑胶检测，其诊断过程易被主观因素影响，导致不能准确和临床进展，再者，目前临床用的脑胶质瘤分类标准是法[1,2]。脑胶质瘤是一类遗传性复杂疾病，它的发生与步演变的过程。在众多与脑胶质瘤相关的基因中，哪是如何作用的，如今这些问题仍然是研究的重点。瘤中的全部基因进行模拟分析，在系统中认识脑胶质推断和识别基因调控网络中调控关系和网络的结构特程，理解基因表达的基本规则。系统生物学就是在整系统生物学不仅仅关心个别基因和蛋白质的分子生物系统之间的相互关系、基因调控网络以及系统功能的

示意图,聚类,传统聚类,示意图

重庆邮电大学硕士学位论文与传统的聚类不同，双聚类[38,39]是在基因表达矩阵旨在发现具有相似模式的局部数据集。双聚类中的某个多个聚类，也可以不包含在任何聚类，也就是说，聚类统聚类与双聚类可以表示为图 2.1，其中(a)和(b)分别表类结果，(c)表示双聚类所得的结果。条件集

聚类算法,聚类,基因表现,度量函数

图 2.2 双聚类算法在各个领域的应用双聚类在基因表达数据中的分类聚类通常按基因的表达模式，以及是否完全被划分，还有基于有度量有度量函数的分类，这里描述几种常见的双聚类的分类方式。基于基因表达模式的双聚类据实验条件下基因表现出的模式，相关文献中已经描述了几种类型的研究者认为，可以用一个正式的方程来表示双聚类中的值。我们定义A 的任何恒定值；(1 )i i I和(1 )j j J是指每个基因i 或每个法模型中使用的常量值； ( )1i i I和(1 )j j J对应于每个基

【参考文献】