本文關鍵詞： 集成生物網絡 多形性膠質母細胞瘤 失調模塊 eQTL 隨機游走　出處：《西安電子科技大學》2014年碩士論文　論文類型：學位論文

【摘要】：疾病是制約人類壽命的最重要因素,以癌癥為代表的復雜疾病嚴重影響著人類的正常生活和工作。生物醫(yī)學家研究發(fā)現,人類所有健康和疾病狀態(tài)都與基因有密切關系,如何診斷和治療以癌癥為代表的多基因復雜疾病一直是科學家研究的熱點和難點之一。長久以來,由于生物實驗技術和實驗結果分析技術都不太成熟,對復雜疾病的認識不夠深入,導致復雜疾病的研究一直沒能取得有效進展。高通量生物技術的快速發(fā)展為復雜疾病的研究提供了可靠的數據來源,同時以蛋白質相互作用網絡為代表的生物網絡為復雜疾病的研究提供了很好的數據支持。目前,對復雜疾病的研究多集中于單個致病基因預測,而忽略了生物大分子之間的相互調控關系。研究發(fā)現不同基因的擾動會導致相同的表型,且這些基因傾向收斂于相同的細胞路徑,基于此本文的研究重點由致病基因的預測轉移到失調模塊的檢測,針對復雜疾病多形性膠質母細胞瘤進行失調模塊檢測。鑒于單個生物網絡的數據不夠完整,實驗結果很大程度依賴特定數據集,本文整合蛋白質-蛋白質相互作用網絡、轉錄因子-蛋白質相互作用網絡以及蛋白質磷酸化網絡,構建出集成生物網絡。首先針對多形性膠質母細胞瘤的基因表達數據,使用SAM軟件檢測出差異表達基因作為目標基因;然后使用表達數量性狀定位分析技術(eQTL)定位控制這些目標基因差異表達的遺傳因子作為候選因果基因;最后在集成生物網絡中,使用隨機游走方法檢測出因果基因以及最終的失調模塊。本文最終成功檢測出由172個基因及206條相互作用鏈接組成的失調模塊,其中包含OMIM、KEGG以及AceView數據庫中已知與多形性膠質母細胞瘤密切相關的基因,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數據庫中收錄的基因,但是本文通過文獻挖掘找到了其與多形性膠質母細胞瘤密切相關的有力證據。而且,該失調模塊包含了使用單個生物網絡分析所得到的大部分致病基因。通過統計理論和生物意義兩方面對實驗結果進行分析驗證,揭示出該失調模塊與多形性膠質母細胞瘤的致病機制密切相關,同時也說明本文所提基于集成生物網絡的方法是一種完整,有效的失調模塊檢測方法。
[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.
【學位授予單位】：西安電子科技大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：R739.41

【相似文獻】

相關期刊論文 前1條

1 張向鋒;任立紅;丁永生;;基于神經內分泌免疫系統的網絡計算仿真平臺[J];系統仿真技術;2005年02期

相關會議論文 前4條

1 高蕾;高魯彬;郭進利;;生物網絡研究進展述評[A];第五屆全國復雜網絡學術會議論文（摘要）匯集[C];2009年

2 古華光;;生物網絡的時空動力學行為的實驗和數學模型研究[A];The 5th 全國動力學與控制青年學者研討會論文摘要集[C];2011年

3 劉曾榮;;動力學與控制在生物系統中應用的幾個例子[A];中國力學學會學術大會'2009論文摘要集[C];2009年

4 徐筱杰;;計算多靶藥理學及其在中藥研究中的應用[A];中國化學會第27屆學術年會第15分會場摘要集[C];2010年

相關重要報紙文章 前1條

1 趙曉濤;哲學角度談安全[N];網絡世界;2008年

相關博士學位論文 前10條

1 趙亞歐;基于智能計算的生物網絡構建算法的研究[D];山東大學;2015年

2 陸晨琪;酵母生物網絡結構與功能進化的研究[D];復旦大學;2008年

3 何勝;復雜生物網絡可視化方法研究[D];江南大學;2010年

4 梅娟;復雜生物網絡聚類分析方法[D];江南大學;2010年

5 陳鋼;生物網絡分析及其在復雜疾病研究中的應用[D];中南大學;2012年

6 邵清;基于生物網絡的延遲容忍網絡容錯研究[D];東華大學;2010年

7 崔修亮;生物網絡分析若干關鍵技術及其應用研究[D];中國人民解放軍軍事醫(yī)學科學院;2014年

8 王紅;生物網絡功能模塊識別及參數辨識研究[D];大連理工大學;2014年

9 王彤;基于不完全信息的生物網絡隨機非線性建模與控制研究[D];東華大學;2014年

10 孫小點;生物網絡的結構辨識與參數估計[D];復旦大學;2009年

相關碩士學位論文 前10條

1 梁良;基于NEI的生物網絡產品CAD系統研究及應用[D];河南科技大學;2015年

2 張卉寧;基于集成網絡的膠質母細胞瘤失調模塊檢測[D];西安電子科技大學;2014年

3 樊振杰;生物網絡中與疾病相關的子網絡搜索研究[D];蘭州大學;2009年

4 陳熠;基于代謝路徑的生物網絡比對算法[D];西安電子科技大學;2009年

5 薛曉麗;生物網絡的分層遞階結構的建模[D];江南大學;2014年

6 周曉鋒;一種基于統計的生物網絡模體發(fā)現算法[D];西安電子科技大學;2008年

7 昝鄉(xiāng)鎮(zhèn);復雜生物網絡集中頻繁模式挖掘軟件開發(fā)研究[D];溫州大學;2012年

8 張航;復雜生物網絡中的稠密子圖挖掘算法研究[D];溫州大學;2010年

9 邵釧;MyNetworker：一款新型的生物網絡處理軟件[D];浙江大學;2008年

10 陳細妹;基于粒子群優(yōu)化的生物網格布局研究[D];福建農林大學;2012年

，

本文編號：1496177