在缺乏正常对照样本条件下识别疾病相关的差异表达基因

发布时间：2022-08-04 16:07

　　利用基因表达谱数据,最基础的分析是识别在两类样本间（如疾病与正常）差异表达的基因（Differentially expressed genes,DEGs）。然而,在心脏、肺动脉、脑等重要脏器的相关疾病的研究中,经常难以获取足够的正常对照样本,从而导致在缺乏正常对照样本的情况下无法识别疾病与正常对照之间的差异表达的基因;为了解决缺乏正常样本的问题,有研究提出了数据标化、去批次效应等算法尝试将不同实验室检测的数据整合到一起进行分析,然而由于批次效应的影响这些算法通常扭曲了真实的生物学信号。在本实验室前期工作中,已经提出了基于基因表达水平的相对高低秩序关系（relative gene expression orderings,REOs）的Rank Comp算法,识别在单个疾病样本中的差异表达基因。该算法具有对批次效应不敏感、不需要进行数据标准化等优点,可以整合在过去研究中累积的正常组织样本的数据,从而解决了重要脏器相关研究难以获得足够数量的正常样本的问题。但是,当累积的正常样本的数量不足量时,Rank Comp在识别群体水平的差异表达基因时存在检测敏感性偏低的问题。因此,本课题改进了Rank... 

【文章页数】：44 页

【学位级别】：硕士

【文章目录】：
附录
中文摘要
Abstract
1 前言
2 材料与方法
    2.1 数据与预处理
    2.2 方法
        2.2.1 一致性评价方法
        2.2.2 识别扩张型心肌病和缺血型心肌病的群体水平的差异表达基因
        2.2.3 RankPop：由个体水平的差异表达基因推算群体水平的差异表达基因的算法
        2.2.4 构建蛋白质互作网络
        2.2.5 功能富集分析
    2.3 利用仿真数据评价RankComp/RankPop方法
3 结果
    3.1 在正常样本中具有显著稳定的表达秩序关系的基因对的可重复性评价
    3.2 利用仿真实验对RankComp/RankPop算法的评价结果
    3.3 利用真实的基因表达谱评价RankPop方法
    3.4 在DCM或ICM中广泛失调的基因及其蛋白质互作网络的功能富集
4 讨论
5 结论
参考文献
综述
    参考文献
致谢



本文编号：3669850