Məlumat

Gen ifadəsinin kəmiyyətlənməsi

Gen ifadəsinin kəmiyyətlənməsi


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Mən aşkar etdim ki, bir çox tədqiqatlar mRNT konsentrasiyasını zülal fəaliyyəti üçün “proksi” kimi istifadə edir, çünki mRNT səviyyələri ilə zülalların ifadə səviyyələri arasında korrelyasiya olmalıdır. Protein aktivliyi necə ölçülür? Hansı miqdar istifadə olunur? Protein ifadə səviyyələri nədir?

Bu məlumat toplusundan istifadə edərək bəzi statistik məlumatlar təhlili aparıram. Hüceyrələrin qamma şüalanmasından sonra mRNA konsentrasiyasını ölçməklə niyə maraqlandıqlarını başa düşmək istərdim (və ümumiyyətlə mənə elə gəlir ki, bir çox təcrübədə bioloqlar bununla maraqlanır). Bu saytda mRNA konsentrasiyası (gen ifadəsi səviyyəsi) ilə "protein ifadə səviyyəsi" arasındakı əlaqə haqqında bir müzakirə tapdım. Buna görə ikincinin nə olduğunu bilmək istədim. Üstəlik, mənim verilənlər bazamla bağlı məqalədə yazılıb

Çox az sayda DNT təmir geni qamma şüalanmasından sonra P. furiosusda əhəmiyyətli diferensial ifadə nümayiş etdirdi.

Daha sonra

burada verdiyimiz məlumatlar bunu deməyə əsas verir DNT təmir zülalları P. furiosusda və bir neçə digər arxeada konstitusiya olaraq ifadə edilir və hüceyrədə genetik materialın bütövlüyünü qorumaq üçün kifayət qədər səviyyədə ola bilərlər.

Beləliklə, elm adamlarının MattDMonun mənə verdiyi cavablarla və burada müzakirə olunanlarla yekunlaşdırdıqlarını bir araya gətirərək, mən belə nəticəyə gələ bilərəm ki, “protein ifadə səviyyəsi” əslində mRNT-dən tərcümə olunan zülal miqdarının ölçüsüdür, o zaman (in bu halda) DNT -ni təmir etmək üçün təsirli bir şəkildə hərəkət edəcək. Buna görə də, "zülal ifadə səviyyəsi", eləcə də "zülal aktivliyi" mRNT-dən tərcümə olunan və DNT zədələrini bərpa etmək üçün aktiv fəaliyyət göstərən zülalları göstərir (bu vəziyyətdə DNT təmir zülalları və DNT təmir genlərindən danışırıq).

Deməliyəm ki, "DNT təmir zülallarının konstitusiya ilə ifadə edildiyi" nə demək olduğunu yaxşı bilmirəm, amma düşünürəm ki, DNT təmir zülalları artıq mRNA -dan tərcümə olunmuşdur və buna görə də "hüceyrədə bir səviyyədə var" hüceyrənin genetik materialının bütövlüyünü qorumaq üçün kifayətdir” (bir az sonra deyirlər).

MRNA konsentrasiyasını ölçməyin səbəbini başa düşmək üçün ilk məqsədimi düşünsəm bütün bunlar mənim üçün məntiqlidir. MRNA konsentrasiyası (gen ifadəsi səviyyəsi) ilə mRNA -dan həmin gendən çevrilmiş zülallar arasında hansı əlaqəli zülalların DNT təmiri proseslərində təsirli bir şəkildə hərəkət edəcəyini bilmək üçün bu mövzuda maraqlıyıq. ).

Bütün bu təfsirin doğru olub olmadığını düşünürəm ...


Protein Ekspresyon Səviyyə nədir?

Bu cavabı mənasız hesab etdiyim üçün özüm redaktə etdiyim yazının orijinal adı idi, amma sual daha əsaslıdır. Əvvəlcə əhəmiyyətsiz şeylərlə məşğul olmaq üçün:

'Səviyyə' elmi vahid deyil və yalnız ingilis dilindəki mənada mayelərə münasibətdə birmənalı şəkildə elmi termin kimi istifadə edilə bilər, məs. “Termometrdə civənin səviyyəsi aşağı düşüb.”, “Torpaq dəniz səviyyəsindən 10 metr yüksəklikdədir”.

Bəzi insanlar tərəfindən qeyri -rəsmi nitqdə və ya yazıda qeyri -müəyyən bir miqdarı göstərmək üçün istifadə olunur və çox qeyri -müəyyən olduğu üçün elmi ünsiyyətdə qəti şəkildə cəsarət edilməməlidir.

Buna görə də, nə mən, nə də başqası hər hansı bir fərdi halda ifadənin yaradıcısının (əgər o, həqiqətən də bilirdisə) nəyi nəzərdə tutduğunu öyrənmədən “zülal ifadə səviyyəsinin” nə olduğunu deyə bilmərik: zülalın miqdarı və ya konsentrasiyası və ya onun sintez sürəti.

Kəmiyyət

Bəzilərini nəzərdən keçirək kəmiyyət təyini tələb oluna bilən hüceyrə molekulunun ümumi aspektləri: Məbləğ, Sintez dərəcəsi, Deqradasiya dərəcəsi və müvafiq hallarda Bioloji Fəaliyyət.

Kəmiyyət molekulların ən əsası növlərin sayı və ya daha praktiki olaraq, onların molekulyar kütləsi (yəni mollar) ilə əlaqəli olan ümumi kütləsidir (qram). Onların sintezi və ya deqradasiyası sürəti vahid zamanda onların miqdarının dəyişməsi ilə ifadə edilir.

Fərqli sistemləri müqayisə etmək üçün istinad kəmiyyət üçün lazımdır. Bu, vahid həcmə, hər hüceyrəyə, hər g hüceyrə zülalına, hər q DNT-yə və s. ola bilər.

Bioloji fəaliyyət molekulların yalnız molekullar həqiqətən bioloji cəhətdən aktiv olduqda (məsələn, fermentlər) mənası vardır. Bu fəaliyyətlə əlaqəli vahidlərdə ifadə olunur.

Zülalların miqdarının ölçülməsi nümunələri

Kəmiyyətdə istifadə olunan faktiki vahidlər maraq parametrini necə ölçə biləcəyi ilə müəyyən edilir.

Nisbi məbləğ zülalın miqdarı: Siz bir zülalı gel üzərində lentin boyanmasının intensivliyi və ya müvafiq antikordan istifadə edərək yağıntının dərəcəsi ilə aşkar edə bilərsiniz. Xam eksperimental ölçüləri g və ya mol zülalına çevirmək üçün bunlar standartlara uyğun olaraq kalibrlənməlidir. Nisbi miqdarın tipik vahidləri g/g ümumi protein, g/g DNT -dir.

Sintez və ya parçalanma dərəcəsi zülaldan. Zülalın sintezini radioaktiv amin turşularının radioaktiv olmayan zülala daxil olma sürəti və radioaktiv amin turşularının əvvəlcədən işarələnmiş zülaldan azad edilməsi ilə parçalanma sürəti ilə aşkar edə bilərsiniz. Tipik sintez vahidləri, ümumi protein başına hər dəqiqədə mq amin turşusu daxil edilir. (Bu, lazım gələrsə, dəqiqədə sintez edilən və ya parçalanan molekullara çevrilə bilər.)

'Protein Fəaliyyəti': Bu terminin istifadəsi yox tövsiyə. Kimyəvi baxımdan molekulun fəaliyyəti onun "effektiv konsentrasiyasının" ölçüsüdür və zülallara münasibətdə yalnız biofiziklər və s. Digər bioloqlar termini bir ferment kimi ola biləcək bir zülalın bioloji aktivliyi ilə əlaqələndirərdilər, lakin bir çox zülal struktur olduğu üçün 'aktivlik' termini ümumiyyətlə zülallara tətbiq edilə bilməz. Maraqlı olduqda, fəaliyyətin xarakteri baxımından kəmiyyətcə qiymətləndirilə bilər, məsələn. bir ferment, müəyyən bir müddətdə məhsula çevrilən substratın miqdarı ilə əlaqəli vahidlərlə ölçülür.

Oligonükleotid Mikro Dairələrindən istifadə edərək Gen İfadəsinin miqdarı

Gen ifadəsinin miqdarını təyin etməkdə iki hədd, ifadəsinin ətraflı öyrənilməsidir xüsusi bir gen məlumat və vasitələrin mövcud olduğu zülalın kodlaşdırılması; və ifadəsinin ümumi öyrənilməsi çoxlu genlər eyni zamanda bir çox molekulun öyrənilməsinə imkan verən müasir metodlardan istifadə etməklə. Kütlə spektrometriyası (kiçik metabolitlər üçün), iki ölçülü gel elektroforezi (zülallar üçün) və mikroarraylar və ya RNAseq (mRNA üçün) daxildir. Ümumiyyətlə, ikinci halda, hər hansı bir agentin və ya vəziyyətin gen ifadəsinin bütün spektrinə təsirini araşdırmaq olar.

Gəlin araşdıraq mikroarray texnologiyası çünki posterin əsas narahatlığı budur.

Mikroarray texnologiyası mRNT-nin nisbi miqdarını ölçür.

Metodologiya, bir floresan boya ilə etiketlənən cDNA'lara tərs transkripsiyası ilə mRNA növlərinin qarışığını gücləndirməyi nəzərdə tutur. CDNA, orqanizmdəki genlərin ardıcıllığına əsaslanaraq immobilizasiya edilmiş oligonükleotidlərə hibridləşdirilir və floresan siqnalının gücünün nümunədəki fərdi mRNA növlərinin miqdarı ilə mütənasib olduğu qəbul edilir. Bununla belə, istifadəçiyə verilən məlumatlar mRNT-nin faktiki miqdarını hesablamağa imkan verən vahidlər deyil, təcrübə daxilində nisbi görüntü intensivliyidir.

Bu nisbi mRNT miqdarının gen ifadəsi ilə necə əlaqəsi var?

  1. MRNA nisbi miqdarları, nisbi ölçüdür zülalların sintez dərəcəsi (3 qazma.), Hər bir proteinin sintez sürətinin, məhdudlaşdıracaq mRNA (a qazma) miqdarı ilə eyni mütənasib olduğunu düşünsək. Bu, əksər hallarda mRNA -nın zülaldan daha sürətlə parçalanması ağlabatan bir fərziyyədir. (Onlar zülalın miqdarının ölçüsü deyil - qazmada b.)

  2. MRNA -nın nisbi miqdarları, mRNA -nın parçalanmasının (2 qazılmasında) mRNA -ların sabit vəziyyət konsentrasiyasına nisbətən daha çox təsiri səbəbiylə, mRNA -nın genindən transkripsiya sürətinin ölçüsü olaraq qəbul edilə bilməz. və fərqli mRNA-nın fərqli yarı ömrü olması.

Poster üçün postskript

Bu cavabı ümumiləşdirməyə, daha çox insana faydalı olmaq üçün çalışmışam. Poster bioloq olmadığı üçün təhlil etdiyi məlumatları yaradan bioloji təcrübələrin fonunu anlamaqda hələ də çətinlik çəkə bilər.

Maraqlanan bioloji sistem genlərin transkripsiyasından mRNT-yə və onların zülala çevrilməsindən bütün hadisələr silsiləsini əhatə edən gen ifadəsidir. Bunun arxa planı, hüceyrənin quruluşunu və gündəlik funksiyalarını qorumaq üçün lazım olduğu üçün fizioloji şəraitdən asılı olmayaraq (demək olar ki) həmişə ifadə olunan bəzi genlərin olmasıdır. Bu adlanır konstitutiv ifadə, sitoskeletal aktinlər və ya ribosomal zülalların genlərinin ifadəsi olan nümunələr. Digər genlər yalnız lazım olduqda ifadə edilir ('açılır') (və adlandırıla bilər induktiv). Buradakı sual, DNT təmirində iştirak edən fermentlərin genlərinin, DNT -nin normal 'aşınması' ilə mübarizə aparmaq üçün hər zaman (konstitusiya olaraq) ifadə edilib -edilməməsi və ya onların ifadəsinin yalnız bəzi təhqirlərə cavab olaraq ortaya çıxması ilə bağlı görünür. qamma şüalanması kimi DNT-yə zərər verir.

Qeyd etdiyim kimi, bir eksperimental alim olaraq, burada qəbul edilə biləcək bir yanaşma DNT təmirində iştirak etdiyi bilinən bir və ya iki yaxşı xarakterizə olunan zülalın ifadəsinə baxmaqdır. Bununla birlikdə, bilmədiyiniz bu prosesdə iştirak edən zülallar ola bilər, buna görə də bir orqanizmdəki bütün genlərin ifadəsinə (DNT ardıcıllığı məlumdursa) baxmağın müasir üsulları - oligonükleotid mikroarrayları və ya daha yaxşı RNASeq. Bu üsullar hüceyrədəki mRNT-nin nisbi miqdarını ölçür. bu yox a proxy zülalın miqdarı və ya onun sintez sürəti üçün (“protein fəaliyyəti” termini mənasızdır və istifadə edilmir və istifadə edilməməlidir), olan budur, həm də a əks nin genlərin ifadəsidir mRNA-ları kodlayan. İfadə yoxdur, mRNA yoxdur.

Mikroarray və RNASeq yanaşmalarını balıqçılıq ekspedisiyaları kimi düşünə bilərsiniz. Yalnız hüceyrə bir stimul və ya təhqir aldıqdan sonra mövcud olan mRNA -ları tapsanız, mRNA -nın ifadəsi meydana gəlmişdir (miqdarların sintez sürəti ilə birbaşa mütənasib olub -olmaması). Əgər mRNA sintez olunarsa, onun kodladığı zülala çevrildiyini güman edə bilərsiniz. Qamma şüalanması vəziyyətində, miqdarda böyük artım göstərən hər hansı bir mRNT-nin hüceyrəni radiasiyadan qorumaqda iştirak edən bir zülalı kodladığını güman edə bilərsiniz. Bu, elmi maraq doğuracaq, xüsusən də gözlənilən kimi deyilsə.


Transkript yığılması təkhüceyrəli RNT seq məlumatlarında köçürülə bilən elementlərin ifadə kəmiyyətini yaxşılaşdırır

Transpozisiya edilə bilən elementlər (TE) ev sahibi transkriptomun ayrılmaz hissəsidir. TE-ni ehtiva edən kodlaşdırılmayan RNT-lər (ncRNA) əhəmiyyətli toxuma spesifikliyi göstərir və kök hüceyrə saxlanması və hüceyrə fərqlənməsi də daxil olmaqla inkişaf əsnasında əhəmiyyətli rol oynayır. Tək hüceyrəli RNT-seq (scRNA-seq) sahəsində son irəliləyişlər hüceyrə tipinə xas gen ifadə analizində inqilab etdi. Bununla birlikdə, TE-lər üçün uyğunlaşdırılmış təsirli scRNA-seq kəmiyyət ölçmə vasitələri yoxdur, bu da tək hüceyrəli qətnamədə TE ifadə dinamikasını parçalamaq qabiliyyətimizi məhdudlaşdırır. Bu problemi həll etmək üçün bir çox texnologiya platformasında yaradılan scRNA-seq məlumatları ilə uyğun gələn bir TE ifadə kəmiyyət kəməri qurduq. Biz toplu RNT seq məlumatlarından istifadə edərək TE tərkibli ncRNA arayışlarını qurduq və göstərdik ki, transkript səviyyəsində TE ifadəsinin miqdarı səs-küyü effektiv şəkildə azaldır. Prinsip sübutu olaraq, biz bu strategiyanı siçan embrion kök hüceyrələrinə tətbiq etdik və tək hüceyrələrdə endogen retrovirusların ifadə profilini uğurla tutduq. Siçan embriyogenezinin erkən mərhələlərindən analizimizi scRNA-seq məlumatlarına daha da genişləndirdik. Nəticələrimiz preimplantasiya mərhələlərində dinamik TE ifadəsini göstərdi və qastrulyasiya və erkən orqanogenez zamanı əhəmiyyətli toxuma spesifikliyi olan 146 TE tərkibli ncRNA transkriptlərini ortaya qoydu.


Gen ifadəsinin kəmiyyətlənməsi - Biologiya

MDPI tərəfindən nəşr olunan bütün məqalələr dərhal açıq giriş lisenziyası altında bütün dünyada mövcuddur. MDPI tərəfindən dərc edilmiş məqalənin, o cümlədən rəqəmlər və cədvəllər də daxil olmaqla, hamısının və ya bir hissəsinin təkrar istifadəsi üçün xüsusi icazə tələb olunmur. Açıq giriş Creative Common CC BY lisenziyası altında nəşr olunan məqalələr üçün, məqalənin hər hansı bir hissəsi orijinal məqalənin açıq şəkildə göstərildiyi təqdirdə icazəsiz təkrar istifadə edilə bilər.

Xüsusiyyət Sənədləri, bu sahədə yüksək təsir potensialı olan ən qabaqcıl tədqiqatları təmsil edir. Xüsusi məqalələr elmi redaktorların fərdi dəvəti və ya tövsiyəsi əsasında təqdim edilir və nəşrdən əvvəl ekspertlər tərəfindən nəzərdən keçirilir.

Bədii məqalə ya orijinal tədqiqat məqaləsi, tez-tez bir neçə texnika və ya yanaşmanı əhatə edən əsaslı yeni tədqiqat araşdırması, ya da elmi sahədə ən maraqlı irəliləyişləri sistematik şəkildə nəzərdən keçirən sahədəki ən son irəliləyişlərə dair qısa və dəqiq yenilikləri olan hərtərəfli icmal sənədi ola bilər. ədəbiyyat. Bu cür sənəd gələcək tədqiqat istiqamətləri və ya mümkün tətbiqlər haqqında bir fikir verir.

Redaktorun Seçimi məqalələri dünyanın hər yerindən MDPI jurnallarının elmi redaktorlarının tövsiyələrinə əsaslanır. Redaktorlar jurnalda bu yaxınlarda dərc edilmiş az sayda məqaləni seçirlər ki, onlar müəlliflər üçün xüsusilə maraqlı və ya bu sahədə vacib olacaq. Məqsəd, jurnalın müxtəlif araşdırma sahələrində nəşr olunan ən maraqlı əsərlərin bir hissəsini təqdim etməkdir.


Digər fayllar və bağlantılar

  • APA
  • Standart
  • Harvard
  • Vankuver
  • Müəllif
  • BIBTEX
  • RIS

Tədqiqatın nəticəsi : Jurnalın töhfəsi › Məqalə › ekspert rəyi

T1 - Gen ifadəsini ölçmək

T2 - incə olmağın əhəmiyyəti

AU - Silva, Gustavo Monteiro

N1 - Nəşriyyat Müəllif Hüquqları: © 2016 Müəlliflər. CC BY 4.0 lisenziyasının şərtləri altında nəşr edilmişdir

N2-Gen ifadəsi həm mRNA, həm də protein səviyyəsində açma-açma düymələri və dəqiq tənzimlənmiş nəzarət vasitəsi ilə tənzimlənir. Edfors və digərləri (2016) son araşdırmalarında, yüksək dəqiqlikli, hədəflənmiş proteomik metodlardan istifadə edir və mRNA transkriptində istehsal olunan protein miqdarının fərqli toxumalarda nə dərəcədə dəyişdiyini araşdırırlar. Onlar zülal konsentrasiyalarının əsas hissəsinin hər bir gen səviyyəsində qurulduğunu tapırlar: Bu əlaqə, zülal/mRNT nisbəti hüceyrə tipləri və toxumaları arasında sabitdir, lakin genlər arasında bir neçə böyüklük sırasına görə dəyişir.

AB-Gen ifadəsi həm mRNA, həm də protein səviyyəsində açma-açma düymələri və dəqiq tənzimlənmiş nəzarət vasitəsi ilə tənzimlənir. Edfors və digərləri (2016) son araşdırmalarında, yüksək dəqiqlikli, hədəflənmiş proteomik metodlardan istifadə edir və mRNA transkriptində istehsal olunan protein miqdarının fərqli toxumalarda nə dərəcədə dəyişdiyini araşdırırlar. Onlar zülal konsentrasiyalarının əsas hissəsinin hər bir gen səviyyəsində qurulduğunu tapırlar: Bu əlaqə, zülal/mRNT nisbəti hüceyrə tipləri və toxumaları arasında sabitdir, lakin genlər arasında bir neçə böyüklük sırasına görə dəyişir.


Gen ifadəsi səs-küyü kök hüceyrələrin fərqliləşməsinə səbəb ola bilər

Hüceyrə inkişafı zamanı transkripsiya faktorları kimi əsas genlər çox vaxt hüceyrə diferensiasiyasında zəif ifadə olunur və yüksək dəyişkənlik nümayiş etdirə bilirlər. Buna "bioloji səs-küy" deyilir. Gen ifadəsinin səs-küyünün hüceyrə taleyi üçün həlledici amil olduğu nəzəriyyəsi var, lakin bu genlərin ifadəsindəki fərqləri məlumatlarda aşkar etmək çətindir.

İndi, Freiburg Universitetinin (Almaniya) Max Planck tədqiqat qrupunun tədqiqatçısı Dominic Grün, çox oxşar və ya əlaqəli hüceyrə vəziyyətləri qrupları arasında gen ifadəsinin səs -küyünü ölçmək üçün bir üsul hazırladı. O ümid edir ki, bu, səs-küyün hüceyrə inkişafını nə dərəcədə tənzimlədiyi barədə daha geniş məlumat verəcək.

"Hal -hazırda mövcud analiz üsulları, demək olar ki, yalnız fərdi bir hüceyrədəki gen ifadəsi səviyyələrini ölçmək və şərh etmək üzərində qurulmuşdur. Lakin hüceyrə diferensiasiyası və hüceyrə vəziyyətinə keçidlər zamanı gen ifadəsi səs-küyünün bioloji təsiri dərindən araşdırılmamışdır”, - deyə Grün şərh edib.

VarID kimi tanınan yeni hesablama metodu təkhüceyrəli RNT ardıcıllığı məlumatlarından gen ifadə dəyişkənliyinin dinamikasını ölçməyə qadir olan alqoritmi əhatə edir. Buna görə də, diferensial gen ifadə dəyişkənliyi ilə yerli homojen məhəllələri müəyyən edir.

VarID metodu ilə kök hüceyrələrin yetkin hüceyrələrə diferensiallaşması zamanı gen ifadə səs-küyünün dinamikasını araşdırmaq mümkündür. Bu, gen ifadə səs-küyü ilə nə qədər inkişafın idarə olunduğunu və hətta hüceyrə fərqliliyi üçün lazım olub olmadığını göstərə bilər.

"Xərçəng kimi bir çox xəstəlik, hüceyrələrin kök hüceyrədən olgunluğa qədər tam inkişaf etməməsi səbəbindən yaranır. Bunun əvəzinə, bir prekursor mərhələsində qalırlar və nəzarətsiz çoxalırlar "dedi Grün. "İnkişaf belə bir şəkildə pozulduqda hüceyrədə nələrin baş verdiyini anlamaq istəyirik. Buna görə də biz bir hüceyrəli məlumatların emalı və təhlili üçün unikal alqoritmlər hazırladıq”.

Grün, siçanlarda qırmızı qan hüceyrələrinin inkişafı zamanı əsas transkripsiya faktorlarının fəaliyyətini izləmək üçün VarID metodundan istifadə etdi. O, bu əsas transkripsiya faktorlarının qan kök hüceyrələrində aşağı ifadəli, lakin çox dəyişkən olduğunu və fərqlənməni tetiklemekten məsul olduqlarını irəli sürdü.

"VarID metodu, kök hüceyrə fərqlənməsi zamanı gen ifadəsi səs -küyünün rolunu işıqlandırmaq üçün qapı açır. Artıq kök hüceyrə fərqliliyinin səs -küyündə oxuya bildiyimiz üçün, səsin hüceyrə taleyi qərarlarını necə tənzimlədiyini daha yaxşı başa düşmək üçün bu prosesin necə idarə olunduğunu kəşf etməyi ümid edirik "dedi Grün.


Gələcək perspektivlər

Ardıcıllıq texnologiyaları inkişaf etdikcə, yeni texniki problemləri həll etmək və yeni tətbiqləri dəstəkləmək üçün hesablama vasitələrinin paralel olaraq inkişaf etməsi lazım olacaq. Məsələn, ardıcıllıq platformalarının daha uzun oxu istehsal etməsi reallığa çevrildikcə, uzun oxunuşları dəqiq və səmərəli şəkildə uyğunlaşdırmaq üçün yeni Xəritəçəkmə metodları tələb olunur. Daha uzun oxunmalar çoxlu ekson qovşaqlarını əhatə edə bildiyinə görə, alternativ izoformaların identifikasiyası və kəmiyyəti daha uzun oxunuşlarda kodlanmış əlavə məlumatla əhəmiyyətli dərəcədə yaxşılaşacaq. Bundan əlavə, RNT-nin kiçik miqdarlarının ardıcıllığını təmin etmək üçün laboratoriya üsulları yetişdikcə, texniki səs-küy və mənalı bioloji variasiya arasında ayrı-seçkilik etmək üçün kompleks statistik yanaşmalar tələb olunacaq. Bu irəliləyişlər tədqiqatçılara hüceyrə səviyyəsində aktiv olan bioloji şəbəkələri yenidən qurmağa imkan verən nadir hüceyrə növlərində və hüceyrə vəziyyətlərində transkriptomların analizini asanlaşdıracaq. Bundan əlavə, bu irəliləyişlər transkriptom analizinin klinik diaqnostika sahəsinə keçməsinə imkan verəcək, məsələn, xərçəng skrininqinin və hamiləliyin daha əvvəl monitorinqi ana qanında xərçəngli RNT və ya fetal RNT-nin ardıcıllığı ilə həyata keçirilə bilər. Bundan əlavə, daha böyük nümunələrdə bütün genom sıralamasının RNA-Seq ilə inteqrasiyası genetik tənzimləyici dəyişikliyə daha çox fikir verəcəkdir. Bu eksperimental və bioinformatik irəliləyişlər transkriptomun əsas bioloji suallara, eləcə də fərdiləşdirilmiş təbabətə artan təsirinə aid olduğu üçün onu tam xarakterizə etmək üçün güclü alətlər qutusu təmin edəcək.


Bütün Science Journal Classification (ASJC) kodları

  • APA
  • Standart
  • Harvard
  • Vankuver
  • Müəllif
  • BIBTEX
  • RIS

Tədqiqatın nəticəsi : Jurnalın töhfəsi › Məqalə › ekspert rəyi

T1 - Ekoimmunologiyada gen ifadəsinin miqdarını təyin etmək üsulları

AU - Fassbinder -Orth, Carol A.

N1 - Maliyyələşdirmə Məlumatı: Bu iş İnteqrativ və Müqayisəli Biologiya Cəmiyyəti (DAB, DCE, DCPB) və Ekoimmunologiya üzrə Milli Elm Fondunun Tədqiqat Koordinasiya Şəbəkəsi [NSF ISO 094177] tərəfindən dəstəklənib.

N2 - Sinopsis Tarixən, immunoloji gen ifadəsini və əlaqəli hüceyrə yollarını öyrənmək üçün qabaqcıl molekulyar üsulların istifadəsi əsasən model orqanizmlərlə məhdudlaşır. Xüsusilə ətraf mühit faktorlarına, həyat tarixi hadisələrinə və ya parazitlərə məruz qalmağa cavab olaraq, qeyri-model növlərin molekulyar immunoloji reaksiyalarını ölçən bir neçə tədqiqat aparılmışdır. Bu məlumat çatışmazlığı, əsasən, qeyri-model növlərə xas gen növlərinin və immunoloji reaktivlərin olmaması, həm də olduqca bahalı texnologiya səbəbindən baş vermişdir. Bununla birlikdə, müxtəlif ardıcıllıq və transkriptomik texnologiyaların sürətli inkişafı ilə model olmayan orqanizmlərin gen ifadəsini profilləşdirmək mümkün olmuşdur. Burada tədqiq edilən texnologiyalar və konsepsiyalara gen ifadəsinin kəmiyyətinin müəyyən edilməsi üçün mövcud texnologiyaların icmalı daxildir, o cümlədən: qPCR, multipleks şaxələnmiş DNT analizləri, mikroarraylar və növbəti nəsil ardıcıllığına əsaslanan gen ifadəsinin profilləşdirilməsi (RNT ardıcıllığı [RNT-Seq]). Bu texnologiyaların qeyri-model sistemlərdə inkişafı nümunələri müzakirə olunur. Əlavə olaraq, bu metodologiyaların ekoloji immunologiya və xəstəlik ekologiyasındakı sualları həll etmək üçün qeyri-model sistemlərdə istifadəsinin tətbiqləri, məhdudiyyətləri və məqsədəuyğunluğu xüsusi olaraq həll edilir.

AB - Xülasə Tarixən, immunoloji gen ifadəsini və əlaqəli hüceyrə yollarını öyrənmək üçün ən müasir molekulyar üsulların istifadəsi əsasən model orqanizmlərlə məhdudlaşmışdır. Qeyri-model növlərin molekulyar immunoloji reaksiyalarını, xüsusən də ətraf mühit faktorlarına, həyat tarixindəki hadisələrə və ya parazitlərə məruz qalmaya cavab verən bir neçə tədqiqat aparılmışdır. Bu məlumat çatışmazlığı, əsasən, qeyri-model növlərə xas gen növlərinin və immunoloji reaktivlərin olmaması, həm də olduqca bahalı texnologiya səbəbindən baş vermişdir. Bununla birlikdə, müxtəlif ardıcıllıq və transkriptomik texnologiyaların sürətli inkişafı ilə model olmayan orqanizmlərin gen ifadəsini profilləşdirmək mümkün olmuşdur. Burada araşdırılan texnologiyalar və anlayışlar, yeni nəsil sıralamasına əsaslanaraq qPCR, çoxşaxəli dallanmış DNT təhlilləri, mikroarrayışlar və profilləşdirmə geni ifadəsi (RNA sıralaması [RNA-Seq]) daxil olmaqla, gen ifadəsini kəmiyyətləndirmək üçün mövcud texnologiyaların ümumi icmalını ehtiva edir. Model olmayan sistemlərdə bu texnologiyaların inkişafına dair nümunələr müzakirə olunur. Bundan əlavə, ekoloji immunologiya və xəstəlik ekologiyası ilə bağlı sualları həll etmək üçün bu metodologiyaların qeyri-model sistemlərdə istifadəsinin tətbiqləri, məhdudiyyətləri və mümkünlüyü xüsusi olaraq nəzərdən keçirilir.


Erkən Tətbiqi ilə Gen İfadəsini Kəmiyyətləndirmək üçün Fərdi Spektr Analizi Drosophila Embrion

Son illərdə, avtomatlaşdırılmış mikroskopiya texnologiyalarının inkişafı ilə birlikdə, gen ifadəsindəki görüntü məlumatlarının həcmi və mürəkkəbliyi çox artmışdır. Bu cür bioloji məlumatları kəmiyyət və hərtərəfli təhlil etməyin yeganə yolu yeni inkişaf etmiş riyazi yanaşmaları inkişaf etdirmək və tətbiq etməkdir. Burada biz embrion şəkillərinin 2D və 3D verilənlər toplusuna tətbiqi üçün 2D tək spektrli analizin (2D-SSA) genişləndirmələrini təqdim edirik. Dairəvi və formalı 2D-SSA olan bu uzantılar, nüvə təbəqəsindəki gen ifadəsinə tətbiq olunur. Drosophila (meyvə milçəyi) embrion. Ellipsoidalın çox istifadə olunan silindrik proyeksiyasını nəzərdən keçiririk Drosophila embrion. 2D-SSA-nın dairəvi və formalı versiyalarının ifadə məlumatlarını müəyyən edilə bilən komponentlərə (trend və səs-küy kimi) parçalamağa, həmçinin fərqli genlərdən siqnalları ayırmağa necə kömək etdiyini nümayiş etdiririk. Çoxkanallı görüntüləmədə az və çox düzəltmənin aşkarlanması və təkmilləşdirilməsi, həmçinin 3D gen ifadəsi modellərində 3D xüsusiyyətlərinin çıxarılması və təhlili ilə məşğul olur.

1. Giriş

Genom ardıcıllığının mövcudluğu bioloji və biotibbi tədqiqatları kəskin şəkildə dəyişdirsə də, genlərin tənzimləmə mexanizmlərini necə kodladığına dair anlayışımız hələ də məhduddur. Embrion inkişafı, hüceyrələrin doğru mövqelərdə və doğru zamanda fərqlənə bilməsi üçün bu cür tənzimləmə mexanizmlərindən çox asılıdır. İnkişafda gen tənzimlənməsi haqqında qlobal anlayış, hər bir genin nə vaxt və harada ifadə olunduğunu in vivo olaraq hüceyrə həllində təyin etməyi tələb edir. Yeni dinamik, hüceyrə ayırdetmə atlasları gen transkripsiya faktorlarının ifadə modelləşdirməsinə necə təsir etməsi sualını həll edəcək [1].

Son illərdə avtomatlaşdırılmış mikroskopiya texnologiyalarının inkişafı ilə görüntü məlumatlarının həcmi və mürəkkəbliyi o qədər artmışdır ki, hesablama vasitələrindən istifadə etmədən məlumat çıxarmaq artıq mümkün deyil. Bioloqlar getdikcə daha çox yeni həll və proqram təminatı hazırlamaq üçün kompüter alimlərinə güvənirlər [2]. Bu cür hesablama vasitələri müxtəlif şərtlər altında çoxlu sayda və müxtəlif bioloji nümunələrin yüksək məhsuldarlıqlı mikroskopiyası ilə yaradılan təsvirlərin işlənməsi üçün vacib olmuşdur. Etiketləmə, görüntüləmə və hesablama görüntü analizindəki son irəliləyişlər, kəmiyyət ölçülərinin bir çox orqanizmdə (məsələn, Ərəbidopsis, Ciona, Drosophila, C. elegans, siçan, Platinereis, və zebra balığı) [1, 3-6]. Xüsusilə tək bütöv kiçik orqanizmlərin görüntülənməsi kimi DrosophilaC. elegans, hərtərəfli hesablama təhlili üçün mövcud olan kütləvi görüntü məlumat dəstləri ilə nəticələnən iki ölçüdə, üç ölçüdə və zamanla yüksək qətnamə ilə artıq mümkündür.

Bu geniş miqyaslı kəmiyyət məlumat dəstləri inkişaf biologiyasında bir çox fundamental sualları həll etmək üçün yeni anlayışlar təmin edir. Gen ifadəsi və embrion morfologiyası haqqında kəmiyyət məlumatları əldə etmək üçün ilkin girişlər ümumiyyətlə sabit materialdakı ləkələnmiş floresan markerlərin xam görüntü məlumatlarıdır. Bu xam görüntü dəstləri daha sonra hüceyrə yeri, hüceyrə forması və gen məhsulu konsentrasiyası kimi xüsusiyyətləri çıxaran hesablama alqoritmləri ilə təhlil edilir. Nəhayət, biologiyada 3D məkan məlumatlarını təhlil etməyin ən güclü yolu çoxsaylı kəmiyyət xüsusiyyətlərinin ciddi müqayisəsinə imkan verən yeni mürəkkəb riyazi yanaşmaların işlənib hazırlanması və tətbiq edilməsidir [8, 9].

Bu nəşrdə, erkən tətbiq olunan üç məkan ölçüsü məlumat dəsti üçün gen nümunəsini təhlil etmək üçün yeni hesablama vasitələrini təqdim edirik. Drosophila embrionlar. Bu vasitələr iki ölçülü tək spektr analizinin (2D-SSA) bir uzantısıdır.

Metodla tanışlıq. Sinqulyar spektr analizi [10-15] əvvəlcə zaman seriyalarının trend (və ya nümunə), salınımlar və səs-küy kimi müəyyən edilə bilən komponentlərin cəminə parçalanması üçün bir üsul kimi təklif edilmişdir. Bu metodun üstünlüyü ondan ibarətdir ki, ona apriori veriləcək səs-küy modelinə ehtiyac yoxdur. Biz verilənlər seriyasını elementar sıralar toplusuna parçalayırıq, onları təhlil edirik, uyğun komponentləri seçirik və nəhayət, müəyyən edilə bilən komponentləri siniflərdə cəmləyirik. Nümunə olaraq, hamar komponentlərin seçilməsi adaptiv hamarlaşdırmaya səbəb ola bilər. SSA kəşfiyyat analizi üçün çox faydalıdır, çünki metod modulyasiya edilmiş səs-küylə, yəni trend dəyərlərindən asılı ola bilən səs-küylə (məsələn, multiplikativ xarakter daşıyır) məşğul ola bilər.

Bu yaxınlarda SSA, iki ölçülü obyektlərin (2D-SSA), məsələn rəqəmsal görüntülərin təhlili üçün uzadıldı [16, 17]. Şəkillərin parçalanması 2D nümunələrinin dəyişkənliyinə görə zaman sıralarının təhlili ilə müqayisədə daha mürəkkəbdir. Ancaq 2D-SSA kimi asanlıqla idarə olunan və uyğunlaşan üsullar geniş tətbiq oluna bilər.

2D-SSA, şəkillərin parametrik formasına əsaslanan və bir çox tətbiqi olan 2D-ESPRIT metodu ilə çox oxşardır (bax [18]). 2D-SSA və əlaqədar fəza əsaslı üsullar faktura analizində [19], seysmologiyada [20], fəza geninin ifadə məlumatlarında [21] və tibbi görüntülərdə [22] tətbiq olunur.

Sənəd [23] 2D-SSA-nı geologiyada rəqəmsal ərazilərin analizinə tətbiq etdi və 2D-SSA-nın səth məlumatlarında müxtəlif səviyyəli detalları təhlil etmək üçün faydalı bir vasitə olduğunu göstərdi. Daha sonra [17]-də verilmiş nəzəriyyəyə əsaslanaraq, nüvə səs-küyünü ekspressiya trendindən ayırmaq üçün gen ifadə məlumatlarına 2D-SSA tətbiq edilmişdir [21].

Sənədlər [24, 25], SSA tətbiq sahələrini artıran 2D-SSA uzantılarını təqdim edir. Bu yazıda biz bu uzantıların gen ifadəsi məlumatlarını təhlil etmək üçün necə tətbiq oluna biləcəyini nümayiş etdiririk.

Bu kağız aşağıdakı kimi qurulmuşdur. 2 -ci hissədə təhlil edilmiş məlumat dəstləri təsvir edilmişdir. 3-cü bölmə yeni metodologiyanı təsvir edir, 4-cü və 5-ci bölmələr isə yanaşmanı bir neçə nümunə üzərində nümayiş etdirir.

Burada təsvir edilən yeni yanaşmalar, dairəvi və formalı 2D-SSA, xüsusilə silindrik səthlərə tətbiq olunur (məs. Drosophila embrionlar), kənar təsirlərdən və düzensiz formalı nümunələrdən qaçınmaq üçün. Məsələn, bir görüntüdəki keyfiyyətli məlumatların sahəsi (məsələn, həddindən artıq doyma olmadan) düzbucaqlı ola bilməz və hətta boşluqlar ola bilər. Həmçinin, a -nın planar proyeksiyasından bəri Drosophila Embrion təxminən eliptikdir, düzbucaqlı olmayan formaları analiz etmək bacarığı faydalı ola bilər.

4-cü bölmə çoxkanallı təsvirdə az və həddindən artıq korreksiyanın aşkarlanması və təkmilləşdirilməsi problemindən bəhs edir, 5-ci bölmə isə hətta atlanmış gen üçün zolaq formalarının təhlili problemini nəzərdən keçirir. 6-cı bölmədə qısa müzakirə və nəticələr var.

2. Materiallar

Məlumat, erkən inkişafda 95 gen üçün nisbi mRNA konsentrasiyasının üç ölçülü (3D) ölçülərini ehtiva edən Berkeley Drosophila Transkripsiya Şəbəkəsi Layihəsindən (BDTNP) [4] götürülmüşdür. ilbiz (sna)) və dörd gen (bikoid, nəhəng, kambur) üçün protein ifadə nümunələrihb) və Krüppel (Kr)) 13 (C13) və 14 (C14A) nüvə parçalanma siklləri zamanı. BDTNP Release 2 2830 embrion (http://bdtnp.lbl.gov/Fly-Net/bioimaging.jsp) üçün fərdi məlumat dəstlərini (PointCloud faylları) ehtiva edir. Bu məlumatlar embrionun korteksindəki 6078 nüvənin koordinatlarına qeydə alınmış və inteqrasiya olunmuş verilənlər bazası kimi təqdim edilmişdir (Virtual Embriyo faylı, vizuallaşdırma və təhlil üçün alətlərlə). Embrionlar iki genin və nüvə DNT-nin mRNT ifadə nümunələrini etiketləmək üçün sabitləndi və flüoresan boya ilə boyandı. Ləkələnmiş genlərdən biri hətta atlandı (ərəfə) və ya fuşi tarazu (ftz), sonrakı məkan qeydiyyatı üçün fidusiar işarələr kimi istifadə edilmişdir.

3. Metodlar

3.1. 2D Sinqulyar Spektr Analizi

[24, 25]-də təsvir edilən 2D-SSA alqoritmlərinin ümumi strukturunu izləyəcəyik. Bu ümumi struktur yerləşdirmə, parçalanma, qruplaşdırma və yenidənqurma addımlarından ibarətdir. 2D-SSA alqoritmi üçün giriş bir şəkildən ibarətdir

və hərəkət edən bir pəncərənin forması (əsas alqoritm parametri olan). 2D-SSA alqoritminin çıxışı formanın müəyyən edilə bilən komponentlərinə parçalanmasıdır.

SSA kimi Alqoritmlərin Ümumi Sxemi

(1) Yerləşdirmə addımı. Trayektoriya matrisinin qurulması

, Hankelə bənzər strukturlaşdırılmış matrislərin olduğu bir məkandır. Matrisin (və boşluğun) quruluşu alqoritmin dəyişdirilməsindən və hərəkət edən pəncərədən asılıdır. Ümumiyyətlə, traektoriya matrisinin sütunları, görüntü boyunca hərəkət edən, müəyyən bir pəncərə elementləri sırası ilə vektorlara çevrilən pəncərələrdən ibarətdir. Bir mənada, pəncərə ölçüsü metodun həllini əks etdirir, yəni daha böyük pəncərələr daha ətraflı parçalanmalara səbəb olur.

(2) Parçalanma Mərhələsi. Trayektoriya matrisinin tək dəyər ayrılığı (SVD)

eigentripllər adlanır (qısaldılmış ET) və sinqulyar qiymətlərdən, sol və sağ tək vektorlardan ibarətdir. Öz vektorları yenidən pəncərə formasına çevrilə bilər. Bu o deməkdir ki, biz xüsusi vektorları təsvirlər kimi qəbul edib, onlara özəl təsvirlər deyə bilərik.

(3) Qruplaşdırma addımı. Bölmə

və qruplaşdırılmış matrisin parçalanmasını əldə etmək üçün SVD parçalanmasında cəmlərin qruplaşdırılması

ibtidai adlanır. Bu addımın məqsədi, SVD komponentlərini ilkin obyektin şərh edilə bilən bir parçalanmasını əldə etmək üçün qruplaşdırmaqdır. Bu eigentriples təhlili vasitəsi ilə həyata keçirilə bilər.

(4) Yenidənqurma addımı. İlkin görüntünün parçalanması, harada

məkanda proyeksiyanın operatorudur (məsələn, 1D halda hankelizasiya).

Gəlin 1D işi üçün yerləşdirmə operatorunun mənasını izah edək, çünki o, daha sadədir və ümumi metodologiyanı nümayiş etdirir. Bir ölçülü seriya üçün

, biz uzunluqda hərəkət edən 1D pəncərələri götürürük

və formalarda traektoriya matrisinin sütunlarını qurun

gecikmiş vektorlar, traektoriya matrisi adlanan antidiagonallarda bərabər sayda Hankel matrisi toplayırıq.

Məlumdur ki, Hankel matrisləri çoxhədlilərin, eksponensialların və sinus dalğaların hasillərinin cəmindən ibarət silsilələrlə bağlıdır və problem bu məbləği əlavələrə ayırmaqdır. Qalıqdan eksponent və polinom yaxınlaşmalarını ayıra bilsək, meylləri və nümunələri çıxara bilərik. If we are able to separate sine waves with different frequencies, then we can construct a decomposition on components with different frequency ranges.

The singular value decomposition (SVD) of the trajectory matrix constructs a sequence of elementary matrices, which provides the best approximations of the initial matrix and, in a sense, of the initial series: , , and so on. Thus, we obtain the optimal decomposition, which is adaptive to the initial series. Note that the maximal number of the decomposition elements is equal to

. SSA theory explains why we can group the elementary components in the SVD expansion to solve such problems as, for example, smooth approximation and extraction of regular oscillations.

After a proper grouping, we obtain a matrix , which is close to a Hankel matrix, but not exactly Hankel. We can find the Hankel matrix closest to

by hankelization, that is, by averaging values by antidiagonals. Thus, we obtain the series consisting of ,

, və s. The mth term is determined as

The role of is as follows. Small provides a decomposition to a small number of components, which mostly differ by frequency, and where the leading components present slowly varying series like the trend. Larger leads to more detailed decomposition. This gives more chance to extract a component however, some components can mix. Therefore, if the data series has a trend with a complex form or has periodicities with complex modulation, then window lengths should be moderate.

These generalities also hold for the case of 2D-SSA. In practice, the difference between 1D and 2D is in the construction of the trajectory matrices, which are quasi-Hankel, in particular Hankel-block-Hankel. The moving window is two-dimensional, for example, a rectangle. In this paper, we introduce circular SSA, for treating rectangles with periodic boundary conditions, for example, data sets on cylindrical geometries. Small window size corresponds to smoothing. We can take into consideration the structure of the image in different directions by choosing different sizes in different directions. The trajectory matrix is constructed from vectorized windows of arbitrary shape moving within the whole image (including circular domains, for periodic boundary conditions).

3.2. Particular Cases

For a rectangular image, with a rectangular window which moves within the image boundaries, we obtain the standard 2D-SSA method. If the image and the window are of arbitrary shape, the shaped version of 2D-SSA is applied [25]. If the window can cross the boundary of the image, we obtain a circular version of 2D-SSA.

For example, let us take an image (a matrix in the mathematical sense)

. Then we have a set of 4 windows in the ordinary version,

, and two additional windows, , , in the circular case. For the circular case, the trajectory matrix will have the form

One can see that the 2D trajectory matrix consists of trajectory matrices from each matrix’s row.

3.3. Choice of Parameters, Separability, and Component Identification

Approach to the choice of window size for one-dimensional time series is thoroughly described in [13, 26]. Recommendations for 2D objects are more complicated. For extraction of so-called objects of finite rank (sums of products of polynomials, exponentials, and sinusoids), which satisfy linear recurrence relations (LRRs), windows should be large, up to half of the object size. However, real-world patterns usually have complex form and satisfy LRRs only approximately and locally. The window needs to agree with this local character. In particular, sine waves are exactly governed by an LRR. However, if a 2D-sine wave has a slowly changing location, then only its local parts satisfy an LRR. The window sizes need to be in accordance with the scale of this locality. Choice of window size is always a balance between the local and the global scales of the data.

Generally, SSA can separate smooth patterns from noise for a wide variety of patterns. For regular patterns, 2D-SSA can be applied whether the pattern varies smoothly or sharply. However, if the pattern is not regular, variation needs to be smooth in order to use 2D-SSA for signal separation. Irregular pattern with sharp variation is poorly separated by 2D-SSA. If, however, the sharp change occurs in narrow area, this can be cut out, and the remaining data analyzed by shaped SSA, which is a version of 2D-SSA with a nonrectangular shape of the image or the window.

Elementary components are grouped based on their similarity to the data components being extracted. For regular components like sine waves, the number of elementary components can be calculated from theory. Also, patterns usually have a limited frequency range (usually lacking high frequencies). In general, therefore, leading elementary components with the appropriate frequency characteristics are ascribed to pattern.

In this paper we show how 2D-SSA can be used to remove noise, to separate regular oscillations from slowly varying patterns (for correcting erroneous unmixing procedures), and to extract stripes for their further analysis. Shaped SSA allows for the analysis of complex patterns by splitting images into several parts.

Drosophila early gene expression (before the midblastula transition) produces smooth and simple patterns suitable for 2D-SSA processing. A number of web resources have such datasets (BDTNP BID [4], Fly-FISH http://fly-fish.ccbr.utoronto.ca [27], FlyEx http://urchin.spbcas.ru/flyex [28] see also [29, 30]). Shaped SSA can also be useful for a common subset of this data, in which patterns fall sharply to zero. In these cases, subregions can be excised or analyzed separately from the whole image. Gen sna is a typical Drosophila example seen in the BDTNP BID such compact patterns are also seen in other experimental organisms, such as the nine zebrafish genes [31]. We expect 2D-SSA and shaped SSA to therefore have broad applicability to image processing in developmental biology.

The problem of unmixing expression patterns from two different genes in one image [32] requires additional conditions. Specifically, information is needed on the unmixed expression of each gene (i.e., data from one gene in the absence of the other gene). If the two genes have slowly varying patterns, they cannot readily be separated by SSA. In such cases, SSA cannot be used to detect or correct errors in mixed images. However, SSA is an effective unmixing method for cases in which one gene has an approximately regular structure, and this differs from the structure of the other gene. In this paper, we apply SSA to signal unmixing and image correction for such cases from Drosophila data.

3.4. Data Preprocessing

Initially, the data for 2D-SSA analysis should be measured on a regular grid. Data for gene expression are measured at nuclei, which are not regularly located on a 3D surface of embryo (which is roughly ellipsoidal in shape). The first step of preprocessing is a cylindrical projection of the data (centred on the major axis of the ellipsoid the major axis of the embryo is found by principal component analysis). We then interpolate the data to a regular grid on this cylinder. We analyze a central region of the cylinder, in order to avoid corruptions near the poles from the ellipsoid to cylinder transformation. After 2D-SSA decomposition, we interpolated the data back onto the nuclear centers. This interpolation is performed for smooth components residuals are calculated as the difference between the initial data and interpolated smooth components.

Interpolation involves Delaunay triangulation followed by linear interpolation of nuclear centers to the triangulation.

3.5. İcra

The algorithms are implemented in the Rssa and BioSSA packages in R. Rssa is a general-purpose package containing effective implementation of singular spectrum analysis and its 2D extensions. 2D-SSA algorithms are time- and memory-consuming and therefore it is very important to have an effective implementation. A description of Rssa with examples can be found in [24, 33]. The R-package BioSSA is an addition to Rssa for application to fly embryo gene expressions data and is briefly described at http://biossa.github.io/.

4. Periodic Patterns Produced by Unmixing Algorithms

Different emission spectra for fluorescent probes allows for the simultaneous staining for 3-4 gene products in embryonic tissues. Quantitative imaging projects [4, 30] use the same gene in one of these channels in all embryos, for reliable quantitative comparisons, registration, and so forth. The gene used for this marking in Drosophila embryos is commonly one of the pair-rule genes (such as eve və ya ftz), which have a characteristic periodic 7-stripe expression pattern.

Multichannel imaging suffers from an inherent problem of overlapping emission spectra (when the fluorescent markers are simultaneously excited (e.g., [34])), where light from more than one fluorescent dye is collected by a given acquisition channel. To computationally reduce this “crosstalk,” an automated channel unmixing method was developed and applied to the BDTNP data [32].

The problem with this approach in large scale projects with automatic data processing is that the unmixing parameters can end up being too high or too low. If the parameters are overestimated, unmixing produces an overcorrection, which is manifest as a partial subtraction of the common, reference pattern from the pattern of the second gene (the gene under study for the embryo). With periodic reference patterns (eve, ftz), this produces periodic grooves in the “unmixed” pattern. Figure 1 shows the effects of such overcorrection in one of the BDTNP embryos.


Giriş

In the presence of genetic or environmental perturbations, differential expression of genes, orchestrated by dedicated regulatory circuits, shapes the physiological responses of the cell. Common physiological responses to perturbations, e.g. in response to stress or during oncogenic transformation, often include changes in the cell growth rate and metabolism. In turn, both growth rate and metabolic parameters of the cell can exert global influences on gene expression, as demonstrated by landmark studies in E. coli (1–4) and in yeast (5–8). Thus, the gene expression program following a perturbation reflects a joint effect of the specific regulatory circuits that are induced (or repressed) by the perturbation, as well as the global influence on gene expression by an altered physiological state (Fig 1A). Further complexities arise as gene expression and cell physiology operate in mutual feedback (4, 9), which can lead to the emergence of complex behaviours (10). Currently, a quantitative framework to understand the global effects of cell physiology on gene expression is lacking. Development of such a framework would allow perturbation-specific gene regulation mechanisms to be uncoupled from global gene expression control, and allow synthetic gene circuits with complex behaviours to be designed (9, 10).

A. Gene expression profiles of a cell depends on both specific gene expression programs induced by specific perturbations, as well as the global influence on gene expression by the physiological state of the cell.

B. Experimental design to orthogonally probe the effects of growth rate and amino acid metabolism on gene expression. Cells were grown in chemostats at controlled growth rates and media composition. GR, growth rate AA, amino acid XIA, Xia və b (22,23). In AA experiments, carbon-limited conditions (blue rows), the “Gln” condition and the “Gln*” condition differ in the concentration of Gln and glucose in the chemostat feed media see Table S1 for full details.

C. Number of differentially expressed (DE FDR < 0.01) genes at mRNA and protein (prot) levels in the GR experiments, AA experiments, and XIA experiments, showing that a large number of genes are regulated by growth rate and metabolic parameter.

Seminal studies in the field (11–13) have previously examined the interaction between growth rate, metabolic parameters, and gene expression, using microarrays and relative-quantitative metabolomics, in the eukaryal model organism Saccharomyces cerevisiae. Herein we revisit these interactions using RNAseq-based absolute-quantitative transcriptomics, showing substantial changes in absolute quantities of mRNA between different growth conditions which cannot be captured with relative-quantitative data. We further provide absolute-quantitative proteomics and intracellular amino acid abundance, in a total of 22 steady-state yeast cultures in biological triplicates, as a high-quality resource to the community. The 22 steady-state conditions were designed to orthogonally probe the effects of growth rate and metabolic parameters related to amino acids on gene expression (Fig 1B). Bunu tapdıq

90% of genes are globally influenced by the cell growth rate and/or metabolic parameters. The growth rate-induced gene expression changes were coordinated at the transcript and protein levels, and were associated with the availabilities of the transcription and translation machineries. In contrast, gene expression control by metabolic parameters were not associated with the availability of transcription and translation machineries, but were likely regulated by the availabilities of amino acids and nucleotides. We found that genes related to central carbon metabolism (CCM) were distinctly regulated, reflecting unique control mechanisms to ensure robust expression of this metabolic pathway. Finally, by re-analyzing gene expression profiles of a distantly related yeast, Schizosaccharomyces pombe, and of the human Burkitt’s lymphoma cell line P493-6, we demonstrated that our findings can be broadly applied to uncouple global gene expression control from regulation by specific transcriptional and translational circuits, allowing novel biological insights in gene regulation to be uncovered.


Quantifying Gene Co-Expression Heterogeneity in Cancer Towards Efficient Network Biomarker Design

It is well known that cancer is a highly heterogeneous disease, and the predictive capability of targeted gene signature approach suffers from the inter-tumor heterogeneity. Here we propose a framework to quantify the molecular heterogeneity of tumors from gene-gene relational perspective using co-expression networks and interactome data. We believe that to understand individualized gene behavior across patients, relational status of genes needs to be considered because complex disease phenotype is often caused by failures of genetic interactions in cancer cells.

We quantified gene-gene relational heterogeneity from a benchmark data set using co-expression networks inferred from Microarray data, and showed that genes related to breast cancer metastasis can be stratified to different classes based on their relational status obtained from pair-wise comparisons of co-expression networks. Further we used the relational heterogeneity information to predict patient survival and found that relationally heterogeneous gene set is less predictive than relatively conserved cancer genes. We explored heterogeneity gene sets using interactome data and identified densely connected components that are causal to inter-tumor heterogeneity. We independently validated our approach with two patient cohorts. Our results demonstrated the efficiency of using heterogeneity information to design network markers.

Current Bioinformatics

Başlıq:Quantifying Gene Co-Expression Heterogeneity in Cancer Towards Efficient Network Biomarker Design

Həcmi: 10 PROBLEM: 3

Müəllif (lər):Shang Gao, Abdullah Sarhan, Reda Alhajj, Jon Rokne, Doug Demetrick and Jia Zeng

Üzvlük:College of Computer Science and Technology, Jilin University, Changchun, Jilin, China.

Xülasə:It is well known that cancer is a highly heterogeneous disease, and the predictive capability of targeted gene signature approach suffers from the inter-tumor heterogeneity. Here we propose a framework to quantify the molecular heterogeneity of tumors from gene-gene relational perspective using co-expression networks and interactome data. We believe that to understand individualized gene behavior across patients, relational status of genes needs to be considered because complex disease phenotype is often caused by failures of genetic interactions in cancer cells.

We quantified gene-gene relational heterogeneity from a benchmark data set using co-expression networks inferred from Microarray data, and showed that genes related to breast cancer metastasis can be stratified to different classes based on their relational status obtained from pair-wise comparisons of co-expression networks. Further we used the relational heterogeneity information to predict patient survival and found that relationally heterogeneous gene set is less predictive than relatively conserved cancer genes. We explored heterogeneity gene sets using interactome data and identified densely connected components that are causal to inter-tumor heterogeneity. We independently validated our approach with two patient cohorts. Our results demonstrated the efficiency of using heterogeneity information to design network markers.


Videoya baxın: شرح ترددات السولفيجيو (Dekabr 2022).