Információ

Jósolták -e az új kölcsönhatásokat vagy útvonalakat a GRN vagy a PPI adatok, és később kísérlettel megerősítették?

Jósolták -e az új kölcsönhatásokat vagy útvonalakat a GRN vagy a PPI adatok, és később kísérlettel megerősítették?


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.

Nemrég tanultam a génszabályozó hálózatról (GRN) és a fehérje-fehérje kölcsönhatás hálózatról (PPI). Rengeteg rendkívül érdekes dokumentumot találtam arról, hogy a biológiai hálózati adatok hogyan halmozódnak fel és hogyan tanulmányozhatók.

Azonban nem találtam olyan példákat, ahol a hálózati adatokat új előrejelzésre használták fel, amelyet később kísérletileg igazoltak. Melyek azok az esetek, amikor ez megtörtént?


Ebben a tekintetben nagyon érdekes munkát végez Ed Marcotte. Itt található a "gép" és a fajok közötti megőrzésének áttekintése. A lényeg itt az, hogy a gép vagy a hálózat konzervált, de különböző módon használják a különböző szervezetekben. Ezért a mutánsok fenotípusai eltérőek lehetnek, de konzisztensek a gép összetevőinek számos változatában.

Egy dolgozata egy olyan eszközt ír le, amely jól kifejlesztett bűntudat-asszociációs elveket használ az emberi génhálózaton a génkészletek társításainak azonosítására. Ez elérhető a www.functionalnet.org/RIDDLE webhelyen.

Tekintse meg megközelítésüket a jelölt betegséggének előtérbe helyezésére a genomszintű asszociációs adatok hálózatalapú növelésével.

Néhány konkrét példa a konzervált "gépre" ebben az elegáns PNAS -papírban található. Szép, ahogy tesztelték a géneket Xenopus embriók.


Eric Davidson legyen az első kikötő a GRN -hez kapcsolódó munkákhoz!

Nemrégiben nagyszerű könyvet tett közzé, amely pontosan bemutatta, miről beszél. A génexpresszió térbeli-időbeli dinamikájának figyelembevételével (pl. A génexpresszió időskáláját modellező differenciálegyenletek) boolean logikai alapú prediktív modellt alkottak a génexpresszióra a korai tengeri sün fejlesztésében. Eredményeik nem csak pontosak voltak, hanem valójában jóslatokat tettek a génekről, amelyeket kísérletileg nem teszteltek…

Nézd meg:

http://www.caltech.edu/content/modeling-genes-development

és papír:

http://www.pnas.org/content/early/2012/08/22/1207852109.abstract


A gének koexpressziós hálózatának elemzése új metabolikus mechanizmust tár fel Clostridium acetobutylicum reagál a lignocellulóz hidrolizátumokból származó fenolos inhibitorokra

A lignocellulóz biomassza a megújuló biokémiai anyagok és bioüzemanyagok ígéretes forrása. A lignocellulóz hidrolizátumokban (LCH) található inhibitorok jelenléte azonban nagy kihívást jelent az aceton-butanol-etanol (ABE) fermentációban. Clostridium acetobutylicum. Különösen az LCH -ból származó fenolvegyületek (PC) még alacsony koncentrációban is súlyosan gátolják az ABE termelését. Ezért sürgősen betekintést kell nyerni a fenol -inhibitorok által okozott intracelluláris anyagcserezavarokba, és tisztázni kell a mögöttes mechanizmusokat a kulcsfontosságú ipari szűk keresztmetszetek azonosítása érdekében, amelyek aláássák a hatékony ABE -termelést.

Eredmények

Ebben a tanulmányban az ABE fermentáció időbeli lefutása a C. acetobutylicum négy tipikus PC jelenlétében (syringaldehyde, vanillin, ferulic acid, and p-kumársav) jellemeztük, ill. A PC-k hozzáadása különböző visszafordíthatatlan hatásokat okozott az ABE termelésben. Konkrétan a sziringaldehid mutatta a legnagyobb gátlást a butanol termelésben, ezt követte a vanillin, a ferulsav és p- kumársav. Ezt követően RNS-szekvenálási adatokon alapuló súlyozott génkoexpressziós hálózatelemzést (WGCNA) alkalmaztak négy LCH-eredetű PC által okozott metabolikus zavarok azonosítására, és az extracelluláris fermentációs tulajdonságokhoz kapcsolódó génmodulok kinyerésére. Az egyes modulok génjeit fehérje -fehérje interakciós elemzésnek és dúsítási elemzésnek vetettük alá. Az eredmények azt mutatták, hogy a funkcionális modulok PC-függőek, és közös tulajdonságokkal rendelkeznek. Kimondottan, p-a kumársav okozta a legszélesebb körű transzkriptómiai zavarokat, különösen a riboszómafehérjék génexpresszióját és a zászlók összeszerelését, a DNS -replikációt, a javítást és a rekombinációt érintette, a sziringaldehid hozzáadása jelentős anyagcserezavarokat okozott a riboszómafehérjék, keményítő és szacharóz génexpressziójában anyagcsere A vanillin főként a purin anyagcserét, a sporulációt és a jelátvitelt zavarta, a ferulinsav pedig metabolikus zavart okozott a glikozil-transzferázzal kapcsolatos génexpresszióban.

Következtetés

Ez a tanulmány először tár fel új betekintést a PC-k gátló mechanizmusaiba, és útmutatást ad a jövőbeni anyagcsere-mérnöki erőfeszítésekhez, ami erőteljes alapot teremt a fenoltoleráns törzsek fejlődéséhez C. acetobutylicum gazdaságilag fenntartható ABE -termeléshez, magas termelékenységgel lignocellulóz biomasszából.


EREDETI KUTATÁSI cikk

Weidi Wang 1,2†, Yucan Chen 1†, Jingjing Zhao 1, Liang Chen 1 , Weichen Song 1, Li Li 1* és Guan Ning Lin 1,2*
  • 1 Shanghai Mentálhigiénés Központ, Shanghai Jiao Tong Egyetem Orvostudományi Kar, Biomedical Engineering School, Shanghai Jiao Tong Egyetem, Sanghaj, Kína
  • 2 Shanghai Key Laboratory of Psychotic Disorders, Shanghai, Kína

Nukleáris receptor SET domén fehérje (NSD2) alapvető szerepet játszik a Wolf–Hirschhorn-szindróma (WHS) patogenezisében, és több humán mielómában is túlzottan expresszálódik, de protein-protein interakciós (PPI) mintázatai, különösen az izoforma/exon szintjén, kevéssé ismertek. Négy képviselő szubcelluláris lokalizációját vizsgáltuk NSD2 átiratok immunfluoreszcens mikroszkóppal. Ezután címke nélküli kvantitatív meghatározást alkalmaztunk az átiratok immunprecipitációs tömegspektrometriás (IP-MS) elemzéseinek elvégzésére. Az IP-MS eredményekben kimutatott minden egyes transzkriptum interakciós partnereit felhasználva 890 izoforma-specifikus PPI partnert azonosítottunk (83% új). Ezeket a PPI-hálózatokat az exon-specifikus interaktoom négy kategóriájára osztottuk. Ezekben az exonspecifikus PPI-partnerekben két gént, az RPL10-et és a HSPA8-at sikeresen megerősítették ko-immunprecipitációval és Western-blottal. Az RPL10 elsősorban az 1., 3. és 5. izoformával, a HSPA8 pedig mind a négy izoformával lépett kölcsönhatásba. Kibővített NSD2 fehérje kölcsönhatásainkat felhasználva egy izoforma szintű PPI-környezetet hoztunk létre az NSD2 számára, amely referencia interaktome adatokként szolgálhat az NSD2 spliceoszóma szintű vizsgálatokhoz. Ezenkívül az ezen izoforma partnerek által támogatott RNS-splicing folyamatok rávilágítanak az NSD2 különböző szerepeire a WHS és a mielóma kialakulásában. A kölcsönhatásokat Western-blot, RPL10 és a három NSD2 (1., 3. és 5. izoforma) segítségével is validáltuk. Eredményeink kiterjesztik a génszintű NSD2 PPI hálózatokat, és alapot nyújtanak az NSD2-vel kapcsolatos fejlődési betegségek kezeléséhez.


Változástörténet

Bonetta, L. Protein-protein Interactions: interactome under construction. Természet 468, 851–854 (2010)

Vidal, M., Cusick, M. E. & Barabasi, A. L. Interactome network and human disease. Sejt 144, 986–998 (2011)

Shoemaker, B. A. & amp; Panchenko, A. R. Fehérje -fehérje kölcsönhatások megfejtése. I. rész. Kísérleti technikák és adatbázisok. PLOS Comput. Biol. 3, e42 (2007)

Reguly, T. et al. A globális interakciós hálózatok átfogó kezelése és elemzése Saccharomyces cerevisiae. J. Biol. 5, 11 (2006)

Shoemaker, B. A. & amp; Panchenko, A. R. Fehérje -fehérje kölcsönhatások megfejtése. Rész II. Számítási módszerek fehérje és domén interakciós partnerek előrejelzésére. PLOS Comput. Biol. 3, e43 (2007)

Salwinski, L. & amp; Eisenberg, D. A fehérje -fehérje kölcsönhatások elemzési számítási módszerei. Curr. Opin. Struktúra. Biol. 13, 377–382 (2003)

von Mering, C. et al. A fehérje-fehérje kölcsönhatások nagyszabású adathalmazainak összehasonlító értékelése. Természet 417, 399–403 (2002)

Braun, P. és mtsai. A bináris fehérje-fehérje kölcsönhatások kísérletileg származtatott megbízhatósági pontszáma. Természeti módszerek 6, 91–97 (2009)

Deane, C. M., Salwinski, L., Xenarios, I. & amp; Eisenberg, D. Protein kölcsönhatások: két módszer a nagy áteresztőképességű megfigyelések megbízhatóságának értékelésére. Mol. Sejt. Proteomika 1, 349–356 (2002)

Pieper, U. et al. MODBASE: adatbázis, amely jegyzetekkel ellátott összehasonlító fehérjeszerkezeti modelleket és a kapcsolódó erőforrásokat tartalmazza. Nucleic Acids Res. 34, D291 – D295 (2006)

Mirkovic, N., Li, Z., Parnassa, A. & amp; Murray, D. A nagy áteresztőképességű összehasonlító modellezés stratégiái: alkalmazások a strukturális genomika és a fehérjecsalád-szervezés elemzésére. Fehérjék 66, 766–777 (2007)

Henrick, K. & amp; Thornton, J. M. PQS: protein negyedik szerkezetű fájlszerver. Trends Biochem. Sci. 23, 358–361 (1998)

Aloy, P. & amp; Russell, R. B. Fehérje interakciós hálózatok kihallgatása strukturális biológián keresztül. Proc. Natl Acad. Sci. USA 99, 5896–5901 (2002)

Lu, L., Lu, H. & amp; Skolnick, J. MULTIPROSPECTOR: algoritmus a fehérje -fehérje kölcsönhatások előrejelzéséhez multimerikus szálazással. Fehérjék 49, 350–364 (2002)

Davis, F. P. et al. Fehérje komplex kompozíciók, amelyeket a szerkezeti hasonlóság előre jelez. Nucleic Acids Res. 34, 2943–2952 (2006)

Tuncbag, N., Gursoy, A., Guney, E., Nussinov, R. & Keskin, O. Architectures andfunctional coverage of protein-protein interfaces. J. Mol. Biol. 381, 785–802 (2008)

Zhang, Q. C., Petrey, D., Norel, R. és Honig, B. H. Protein interface conservation across structure space. Proc. Natl Acad. Sci. USA 107, 10896–10901 (2010)

Gao, M. & amp; Skolnick, J. A fehérje -fehérje interfészek strukturális tere degenerált, közel a befejezéshez és erősen kapcsolódik egymáshoz. Proc. Natl Acad. Sci. USA 107, 22517–22522 (2010)

Wass, M. N., Fuentes, G., Pons, C., Pazos, F. & amp; Valencia, A. A fehérje interakciós partnerek előrejelzése felé fizikai dokkolással. Mol. Syst. Biol. 7, 469 (2011)

Chen, H. L. & amp; Zhou, H. X. Az interfész -maradékok előrejelzése fehérje -fehérje komplexekben konszenzusos neurális hálózati módszerrel: teszt az NMR -adatok ellen. Fehérjék 61, 21–35 (2005)

Liang, S., Zhang, C., Liu, S. és Zhou, Y. Protein kötési hely előrejelzése empirikus pontozási függvény segítségével. Nucleic Acids Res. 34, 3698–3707 (2006)

Zhang, Q. C. et al. PredUs: webszerver fehérjefelületek előrejelzésére strukturális szomszédok segítségével. Nucleic Acids Res. 39, 283–287 (2011)

Yu, H. és mtsai. Az élesztő interaktív hálózatának kiváló minőségű bináris fehérje interakciós térképe. Tudomány 322, 104–110 (2008)

Lefebvre, C. et al. Az emberi B-sejtes interaktóm a MYB-t és a FOXM1-et azonosítja a csíraközpontok proliferációjának fő szabályozójaként. Mol. Syst. Biol. 6, 377 (2010)

Jansen, R. et al. A Bayes -hálózatok megközelítése a fehérje -fehérje kölcsönhatások előrejelzéséhez genomi adatokból. Tudomány 302, 449–453 (2003)

von Mering, C. et al. STRING: ismert és előre jelzett fehérje -fehérje asszociációk, integrálva és átvitt szervezetek között. Nucleic Acids Res. 33, D433 – D437 (2005)

Stolovitzky, G., Prill, R. J. & amp; Califano, A. A DREAM2 kihívások tanulságai. Ann. NY Acad. Sci. 1158, 159–195 (2009)

Keskin, O., Nussinov, R. & amp; Gursoy, A. PRISM: protein -protein kölcsönhatás előrejelzése strukturális illeszkedéssel. Módszerek Mol. Biol. 484, 505–521 (2008)

Ewing, R. M. et al. Az emberi fehérje-fehérje kölcsönhatások nagyszabású feltérképezése tömegspektrometriával. Mol. Syst. Biol. 3, 89 (2007)

Levitt, M. A fehérje univerzum természete. Proc. Natl Acad. Sci. USA 106, 11079–11084 (2009)

Apweiler, R. et al. UniProt: az Universal Protein tudásbázis. Nucleic Acids Res. 32, D115 – D119 (2004)

Letunic, I., Doerks, T. és Bork, P. SMART 6: legújabb frissítések és új fejlesztések. Nucleic Acids Res. 37, D229–D232 (2009)

Berman, H. M. et al. A Protein Data Bank. Nucleic Acids Res. 28, 235–242 (2000)

Altschul, S. F. et al. Gapped BLAST és PSI-BLAST: a fehérje adatbázis-kereső programok új generációja. Nucleic Acids Res. 25, 3389–3402 (1997)

Sanchez, R. & Sali, A. Large-scale protein structure modeling of the Saccharomyces cerevisiae genom. Proc. Natl Acad. Sci. USA 95, 13597–13602 (1998)

Petrey, D. és Honig, B. GRASP2: makromolekuláris struktúrák és szekvenciák megjelenítése, felületi tulajdonságai és elektrosztatika. Módszerek Enzymol. 374, 492–509 (2003)

Yang, A. S. & Honig, B. Integrált megközelítés a fehérjeszekvenciák és -struktúrák elemzéséhez és modellezéséhez. I. A fehérje szerkezeti összehangolása és a fehérje szerkezeti távolságának kvantitatív mértéke. J. Mol. Biol. 301, 665–678 (2000)

Krissinel, E. & amp; Henrick, K. A makromolekuláris összeállítások utalása kristályos állapotból. J. Mol. Biol. 372, 774–797 (2007)

A Gén Ontológiai Konzorcium Gén ontológia: eszköz a biológia egységesítésére. Nature Genet. 25, 25–29 (2000)

Mewes, H. W., Albermann, K., Heumann, K., Liebl, S. és Pfeiffer, F. MIPS: fehérjeszekvenciák, homológiai adatok és élesztőgenominformációk adatbázisa. Nucleic Acids Res. 25, 28–30 (1997)

Huynen, M., Snel, B., Lathe, W., III és Bork, P. Predicting protein function by genomic context: quantitative assessment and qualitative inferences. Genome Res. 10, 1204–1210 (2000)

Sun, L. et al. A neuronális és gliómából származó őssejt-faktor angiogenezist indukál az agyban. Rákos sejt 9, 287–300 (2006)

Barrett, T. et al. NCBI GEO: A funkcionális genomikai adatkészletek archívuma – 10 év elteltével. Nucleic Acids Res. 39, D1005 – D1010 (2011)

Enault, F., Suhre, K. & amp; Claverie, J. M. Phydbac „Gene Function Predictor”: a gén annotációs eszköze, amely a genomi kontextus elemzésén alapul. BMC Bioinformatika 6, 247 (2005)


Lábjegyzetek

1 Ezentúl a kifejezés biológiai rendszer cellára fog utalni.

2 Mivel a legtöbb adat, amelyre ebben a cikkben összpontosítunk, hálózatként ábrázolható (lásd a 2. szakaszt), ezért kifejezéseket fogunk használni. hálózati integráció és adatintegráció felcserélhetően.

3 A moduláris hálózat olyan hálózat, amelynek csomópontjai csoportokra (közösségekre) oszthatók fel, és amelyek élei nagyon sűrűek a közösségen belüli csomópontok között, és nagyon ritkák a különböző közösségek csomópontjai között [88].

4 A következtetés a láthatatlan események előrejelzési folyamata a megfigyelt bizonyítékok alapján.

Az eQTL-ek genomiális lókuszok (a gén specifikus helyei), amelyek szabályozzák az mRNS expressziós szintjét. A származási génjük expresszióját szabályozó eQTL-eket ún cisz-eQTL, míg a távoli gének expresszióját szabályozó eQTL -eket ford-eQTL [146].

A 6 CNV-k olyan régiók a genomban, amelyek szignifikánsan több vagy kevesebb kópiát tartalmaznak, mint a referencia humán genomszekvencia.

7 A pozitív félig határozott mátrix egy nem negatív sajátértékekkel rendelkező mátrix [149].

8 Puha margó az SVM módszerre utal, amely lehetővé teszi az adatpontok rossz címkézését. Akkor használatos, ha a hipersík nem tudja egyértelműen szétválasztani az adatpontokat –1 és +1 osztályokra. Ebben az esetben a lágy margó módszer olyan hipersíkot választ, amely a lehető legtisztábban választja el az adatpontokat, a nem negatív laza változók bevezetésével, amelyek mérik a téves besorolás mértékét. 1-norma az SVM célfüggvénybe büntetésként bevezetett laza változók normájára utal [158].

A Royal Society kiadása. Minden jog fenntartva.

Hivatkozások

2000 A bimbózó élesztő fehérje-fehérje interakciós térképe felé: átfogó rendszer a két-hibrid kölcsönhatások vizsgálatára az élesztőfehérjék minden lehetséges kombinációjában. Proc. Natl Acad. Sci. USA 97, 1143–1147. (doi: 10.1073/pnas.97.3.1143) Crossref, PubMed, Google Scholar

2000 A fehérje -fehérje kölcsönhatások átfogó elemzése Saccharomyces cerevisiae . Természet 403, 623–627. (doi:10.1038/35001009) Crossref, PubMed, ISI, Google Scholar

2003 A fehérje interakciós térképe Drosophila melanogaster . Tudomány 302, 1727–1736. (doi: 10.1126/science.1090289) Crossref, PubMed, ISI, Google Scholar

2004 A metazoan interaktóm hálózatának térképe C. elegans . Tudomány 303, 540–543. (doi:10.1126/science.1091403) Crossref, PubMed, ISI, Google Scholar

2005 Emberi fehérje -fehérje interakciós hálózat: erőforrás a proteóma jegyzeteléséhez. Sejt 122, 957–968. (doi:10.1016/j.cell.2005.08.029) Crossref, PubMed, ISI, Google Scholar

2009 Empirikusan ellenőrzött térképezése Caenorhabditis elegans fehérje -fehérje interakciós hálózat. Nat. Mód 6, 47–54. (doi: 10.1038/nmeth.1279) Crossref, PubMed, Google Scholar

. 2011 Bizonyíték a hálózat fejlődésére egy Arabidopsis interaktív térkép. Tudomány 333, 601–607. (doi:10.1126/science.1203877) Crossref, PubMed, Google Scholar

2006 A Proteome felmérés feltárja az élesztősejt -gépezet modularitását. Természet 440, 631–636. (doi: 10.1038/nature04532) Crossref, PubMed, ISI, Google Scholar

2006 A fehérje komplexek globális tája az élesztőben Saccharomyces cerevisiae . Természet 440, 637–643. (doi: 10.1038/nature04670) Crossref, PubMed, ISI, Google Scholar

. 2010 A következő generációs genomika: integráló megközelítés. Nat. Rev. Genet. 11, 476–486. (doi: 10.1038/nrg2795) Crossref, PubMed, Google Scholar

Nielsen R, Paul JS, Albrechtsen A, YS Song

. 2011 Genotípus és SNP hívás a következő generációs szekvenálási adatokból. Nat. Rev. Genet. 12, 443–451. (doi: 10.1038/nrg2986) Crossref, PubMed, ISI, Google Scholar

. 2005 Genomra kiterjedő asszociációs vizsgálatok a gyakori betegségek és komplex tulajdonságok tekintetében. Nat. Rev. Genet. 6, 95–108. (doi: 10.1038/nrg1521) Crossref, PubMed, ISI, Google Scholar

2006 Egy genomszintű asszociációs vizsgálat az IL23R-t gyulladásos bélbetegség génjeként azonosítja. Tudomány 314, 1461–1463. (doi:10.1126/science.1135245) Crossref, PubMed, Google Scholar

. 2001 A microarray adatok számítási elemzése. Nat. Rev. Genet. 2, 418–427. (doi: 10.1038/35076576) Crossref, PubMed, Google Scholar

Dahlquist KD, Salomonis N, Vranizan K, Lawlor SC, Conklin BR

. 2002 GenMAPP, egy új eszköz a biológiai útvonalakkal kapcsolatos microarray adatok megtekintésére és elemzésére. Nat. Közönséges petymeg. 31, 19–20. (doi: 10.1038/ng0502-19) Crossref, PubMed, Google Scholar

Marioni JC, Mason CE, Mane SM, Stephens M, Gilad Y

. 2008 RNS-seq: a technikai reprodukálhatóság értékelése és összehasonlítás génexpressziós tömbökkel. Genome Res. 18, 1509–1517.(doi: 10.1101/gr.079558.108) Crossref, PubMed, Google Scholar

Mortazavi A, Williams BA, McCue K, Schaeffer L, Wold B

. 2008 Emlős transzkriptomák feltérképezése és számszerűsítése RNS-seq. Nat. Mód 5, 621–628. (doi: 10.1038/nmeth.1226) Crossref, PubMed, ISI, Google Scholar

Wang Z, Gerstein M, Snyder M.

. 2009 RNA-seq: forradalmi eszköz a transzkriptomikához. Nat. Rev. Genet. 10, 57–63. (doi: 10.1038/nrg2484) Crossref, PubMed, ISI, Google Scholar

. 2006 A modellszervezet, mint rendszer: integrálódás omics adathalmazok. Nat. Rev. Mol. Cell Biol. 7, 198–210. (doi:10.1038/nrm1857) Crossref, PubMed, Google Scholar

2014 Adatintegráció az omikák korában: jelenlegi és jövőbeli kihívások. BMC Syst. Biol. 8, I1. (doi: 10.1186/1752-0509-8-S2-I1) Crossref, PubMed, ISI, Google Scholar

Vidal M, Cusick ME, Barabási A-L

. 2011 Interaktív hálózatok és emberi betegségek. Sejt 144, 986–998. (doi:10.1016/j.cell.2011.02.016) Crossref, PubMed, ISI, Google Scholar

Aittokallio T, Schwikowski B

. 2006 Grafikonon alapuló módszerek a sejtbiológiai hálózatok elemzésére. Rövid bioinformatika 7, 243–255. (doi: 10.1093/bib/bbl022) Crossref, PubMed, Google Scholar

. 2011 Fehérje-fehérje kölcsönhatások: a hálózatok értelmezése grafikonelméleti modellezéssel. BioEsszék 33, 115–123. (doi: 10.1002/bies.201000044) Crossref, PubMed, Google Scholar

Hakes L, Pinney JW, Robertson DL, Lovell SC

. 2008 Fehérje -fehérje interakciós hálózatok és biológia - mi a kapcsolat? Nat. Biotechnol. 26, 69–72. (doi:10.1038/nbt0108-69) Crossref, PubMed, Google Scholar

2004 Az élesztő genetikai interakciós hálózat globális térképezése. Tudomány 303, 808–813. (doi:10.1126/science.1091317) Crossref, PubMed, ISI, Google Scholar

Dixon SJ, Costanzo M, Baryshnikova A, Andrews B, Boone C

. 2009 A genetikai interakciós hálózatok szisztematikus feltérképezése. Annu. Rev. Genet. 43, 601–625. (doi:10.1146/annurev.genet.39.073003.114751) Crossref, PubMed, Google Scholar

2010 Egy sejt genetikai tája. Tudomány 327, 425–431. (doi: 10.1126/science.1180823) Crossref, PubMed, ISI, Google Scholar

. 2005 Skálában gazdag anyagcsere-hálózatok. Phys. Rev. Lett. 94, 168101. (doi:10.1103/PhysRevLett.94.168101) Crossref, PubMed, Google Scholar

Ravasz E, Somera AL, Mongru DA, Oltvai ZN, Barabási A-L

. 2002 A modularitás hierarchikus szervezése az anyagcsere -hálózatokban. Tudomány 297, 1551–1555. (doi: 10.1126/science.1073374) Crossref, PubMed, ISI, Google Scholar

. 2003 Metabolikus hálózatok rekonstrukciója genomadatokból és globális szerkezetük elemzése különböző szervezetekre. Bioinformatika 19, 270–277. (doi:10.1093/bioinformatics/19.2.270) Crossref, PubMed, Google Scholar

. 2001 A kis világ a nagy anyagcsere-hálózatokban. Proc. R. Soc. London. B 268, 1803–1810. (doi:10.1098/rspb.2001.1711) Link, ISI, Google Tudós

Prieto C, Risueo A, Fontanillo C, De Las Rivas J

. 2008 Humán génkoexpressziós táj: szöveti transzkriptomikus profilokból származó magabiztos hálózat. PLoS ONE 3, e3911. (doi: 10.1371/journal.pone.0003911) Crossref, PubMed, Google Scholar

Stuart JM, Segal E, Koller D, Kim SK

. 2003 Gén-koexpressziós hálózat a konzervált genetikai modulok globális felfedezéséhez. Tudomány 302, 249–255. (doi:10.1126/science.1087447) Crossref, PubMed, ISI, Google Scholar

Mostafavi S, Ray D, Warde-Farley D, Grouios C, Morris Q

. 2008 GeneMANIA: egy valós idejű többszörös asszociációs hálózati integrációs algoritmus a génfunkciók előrejelzésére. Genome Biol. 9, S4. (doi:10.1186/gb-2008-9-s1-s4) Crossref, PubMed, Google Scholar

Linghu B, Snitkin E, Hu Z, Xia Y, DeLisi C

. 2009 A betegséggének genomszintű rangsorolása és a betegség-betegség asszociációk azonosítása egy integrált emberi funkcionális kapcsolati hálózatból. Genome Biol. 10, R91. (doi: 10.1186/gb-2009-10-9-r91) Crossref, PubMed, Google Scholar

Pruitt KD, Tatusova T, Brown GR, Maglott DR

. 2012 -es NCBI referenciaszekvenciák (RefSeq): jelenlegi állapot, új funkciók és genom -feliratozási politika. Nucleic Acids Res. 40, D130 – D135. (doi: 10.1093/nar/gkr1079) Crossref, PubMed, ISI, Google Scholar

2007 Egy genomszintű asszociációs vizsgálat új kockázati lókuszokat azonosít a 2-es típusú cukorbetegségben. Természet 445, 881–885. (doi:10.1038/nature05616) Crossref, Google Scholar

2013 A rák genom atlasz pánrákelemző projektje. Nat. Közönséges petymeg. 45, 1113–1120. (doi:10.1038/ng.2764) Crossref, PubMed, ISI, Google Scholar

Zarrei M, Merico D, Scherer SW

. 2015 Az emberi genom példányszám -variációs térképe. Nat. Rev. Genet. 16, 172–183. (doi:10.1038/nrg3871) Crossref, PubMed, ISI, Google Scholar

2000 Gén ontológia: eszköz a biológia egységesítésére. Nat. Közönséges petymeg. 25, 25–29. (doi: 10.1038/75556) Crossref, PubMed, ISI, Google Scholar

Schriml LM, Arze C, Nadendla S, Chang Y-WW, Mazaitis M, Felix V, Feng G, Kibbe WA

. 2012 Disease ontology: a gerinc a betegségek szemantikai integrációjához. Nucleic Acids Res. 40, D940–D946. (doi:10.1093/nar/gkr972) Crossref, PubMed, Google Scholar

Berman HM, Westbrook J, Feng Z, Gilliland G, Bhat T, Weissig H, Shindyalov IN, Bourne PE

. 2000 A fehérjeadatbank. Nucleic Acids Res. 28, 235–242. (doi:10.1093/nar/28.1.235) Crossref, PubMed, ISI, Google Scholar

Wishart DS, Knox C, Guo AC, Cheng D, Shrivastava S, Tzur D, Gautam B, Hassanali M

. 2008 Drugbank: tudásbázis a kábítószerekről, a kábítószer-akciókról és a kábítószer-célpontokról. Nucleic Acids Res. 36(1. sz. Kellék), D901 – D906. (doi: 10.1093/nar/gkm958) Crossref, PubMed, ISI, Google Scholar

2013 Az összehasonlító toxikogenomikai adatbázis: 2013 -as frissítés. Nucleic Acids Res. 41, D1104–D1114. (doi: 10.1093/nar/gks994) Crossref, PubMed, Google Scholar

Bolton EE, Wang Y, Thiessen PA, Bryant SH

. 2008 PubChem: kis molekulák és biológiai tevékenységek integrált platformja. Annu. Rep. Comput. Chem. 4, 217–241. (doi:10.1016/S1574-1400(08)00012-1) Crossref, Google Scholar

. 2007 Hálózati következtetés, elemzés és modellezés a rendszerbiológiában . Növényi sejt 19, 3327–3338. (doi: 10.1105/tpc.107.054700) Crossref, PubMed, Google Scholar

2002 Transzkripciós szabályozó hálózatok in Saccharomyces cerevisiae . Tudomány 298, 799–804. (doi:10.1126/science.1075090) Crossref, PubMed, ISI, Google Scholar

Hecker M, Lambeck S, Toepfer S, Van Someren E, Guthke R

. 2009 Génszabályozó hálózat következtetése: adatintegráció dinamikus modellekben - áttekintés. Biorendszerek 96, 86–103. (doi: 10.1016/j.biosystems.2008.12.004) Crossref, PubMed, Google Scholar

Lee I, Date SV, Adai AT, Marcotte EM

. 2004 Élesztőgének valószínűségi funkcionális hálózata. Tudomány 306, 1555–1558. (doi: 10.1126/science.1099511) Crossref, PubMed, Google Scholar

Lanckriet GRG, De Bie T, Cristianini N, Jordan MI, Noble WS

. 2004 A genomiális adatfúzió statisztikai kerete. Bioinformatika 20, 2626–2635. (doi: 10.1093/bioinformatics/bth294) Crossref, PubMed, ISI, Google Scholar

Lanckriet G, Deng M, Cristianini N, Jordan M, Noble W

. 2004 Kernel-alapú adatfúzió és alkalmazása az élesztő fehérjefunkció-előrejelzésére. Ban ben Biocomputing 2004, Proc. a Pacific Symp., Hawaii, USA, január 6-10, 300–311. Google ösztöndíjas

. 2013 Integráló megközelítések a fehérjék működésének előrejelzéséhez és a gének prioritásának meghatározásához a komplex fenotípusokhoz fehérje interakciós hálózatok segítségével. Rövid. Bioinformatika 15, 685–698. (doi: 10.1093/bib/bbt041) Crossref, PubMed, Google Scholar

Troyanskaya OG, Dolinski K, Owen AB, Altman RB, Botstein D.

. 2003 Bayes -i keretrendszer heterogén adatforrások kombinálására a génfunkciók előrejelzéséhez (in Saccharomyces cerevisiae) . Proc. Natl Acad. Sci. USA 100, 8348–8353. (doi:10.1073/pnas.0832373100) Crossref, PubMed, Google Scholar

Gligorijević V, Janjić V, Pržulj N

. 2014 A molekuláris hálózati adatok integrálása rekonstruálja a gén ontológiáját. Bioinformatika 30, i594 – i600. (doi:10.1093/bioinformatics/btu470) Crossref, PubMed, Google Scholar

Nariai N, Kolaczyk ED, Kasif S

. 2007 Valószínűségi fehérjefunkció-előrejelzés heterogén genom-szintű adatokból. PLoS ONE 2, e337. (doi: 10.1371/journal.pone.0000337) Crossref, PubMed, Google Scholar

Wang H, Huang H, Ding C, Nie F.

. 2013 Fehérje-fehérje kölcsönhatások előrejelzése multimodális biológiai adatforrásokból nonnegatív mátrix tri-factorization segítségével. J. Comput. Biol. 20, 344–358. (doi: 10.1089/cmb.2012.0273) Crossref, PubMed, Google Scholar

Köhler S, Bauer S, Horn D, Robinson PN

. 2008 Séta az interakcióban a jelölt betegség gének rangsorolásához. Am. J. Hum. Közönséges petymeg. 82, 949–958. (doi: 10.1016/j.ajhg.2008.02.013) Crossref, PubMed, Google Scholar

. 2013 15. fejezet: A betegség génjének priorizálása. PLoS Comput. Biol. 9, e1002902. (doi: 10.1371/journal.pcbi.1002902) Crossref, PubMed, Google Scholar

Hwang T, Atluri G, Xie M, Dey S, Hong C, Kumar V, Kuang R

. 2012 Ko-klaszterezési fenomegenom a fenotípus osztályozáshoz és a betegséggén felfedezéséhez. Nucleic Acids Res. 40, e146. (doi:10.1093/nar/gks615) Crossref, PubMed, Google Scholar

Žitnik M, Janjić V, Chris L et al.

2013 A betegségek és betegségek összefüggéseinek feltárása a rendszerszintű molekuláris adatok összeolvasztásával. Sci. Ismétlés. 3, 3202. (doi: 10.1038/srep03202) Crossref, PubMed, Google Scholar

. 2004 Kábítószer-újrapozícionálás: a meglévő gyógyszerek új felhasználási módjainak azonosítása és fejlesztése. Nat. Rev. Drug Discov. 3, 673–683. (doi: 10.1038/nrd1468) Crossref, PubMed, Google Scholar

Napolitano F, Zhao Y, Moreira VM, Tagliaferri R, Kere J, D'Amato M, Greco D

. 2013 Kábítószer -újrapozicionálás: gépi tanulási megközelítés az adatok integrálása révén. J. Cheminform. 5, 30. (doi: 10.1186/1758-2946-5-30) Crossref, PubMed, Google Scholar

. 2010 A személyre szabott orvoslás útja. N. Engl. J. Med. 363, 301–304. (doi:10.1056/NEJMp1006304) Crossref, PubMed, Google Scholar

Ritchie MD, de Andrade M, Kuivaniemi H

. 2015 A precíziós orvoslás alapja: az elektronikus egészségügyi nyilvántartások integrálása a genomikával alap-, klinikai és transzlációs kutatásokon keresztül. Elülső. Közönséges petymeg. 6, 1–4. (doi: 10.3389/fgene.2015.00104) Crossref, PubMed, Google Scholar

Dutkowski J, Kramer M, Surma MA, Balakrishnan R, Cherry JM, Krogan NJ, Ideker T

. 2013 A molekuláris hálózatokból kikövetkeztetett gén ontológia. Nat. Biotechnol. 31, 38–45. (doi: 10.1038/nbt.2463) Crossref, PubMed, Google Scholar

Sun K, Buchan N, Larminie C, Pržulj N

. 2014 Az integrált betegséghálózat . Integr. Biol. 6, 1069–1079. (doi:10.1039/c4ib00122b) Crossref, Google Scholar

. 2011 A betegségek közötti kölcsönhatások feltárása és kiaknázása a multirelációs gén- és fenotípushálózatokból. PLoS ONE 6, e22670. (doi: 10.1371/journal.pone.0022670) Crossref, PubMed, Google Scholar

Guo X, Gao L, Wei C, Yang X, Zhao Y, Dong A

. 2011 Számítási módszer, amely heterogén hálózatok integrációján alapul a betegség -gén asszociációk előrejelzésére. PLoS ONE 6, e24171. (doi:10.1371/journal.pone.0024171) Crossref, PubMed, Google Scholar

2012 A kábítószer-cél interakciók előrejelzése és a gyógyszerek újrapozícionálása hálózati alapú következtetéseken keresztül. PLoS Comput. Biol. 8, e1002503. (doi: 10.1371/journal.pcbi.1002503) Crossref, PubMed, Google Scholar

Emig D, Ivliev A, Pustovalova O, Lancashire L, Bureeva S, Nikolsky Y, Bessarabova M

. 2013 Kábítószer-célok előrejelzése és újrapozícionálása integrált hálózati alapú megközelítés segítségével. PLoS ONE 8, e60618. (doi:10.1371/journal.pone.0060618) Crossref, PubMed, Google Scholar

Vanunu O, Magger O, Ruppin E, Shlomi T, Sharan R.

. 2010 Gének és fehérjekomplexek társítása a betegségekkel hálózaton keresztül. PLoS Comput. Biol. 6, e1000641. (doi: 10.1371/journal.pcbi.1000641) Crossref, PubMed, Google Scholar

. 2013 Kémiai, genomiális és fenotípus adatok integrálása alapján a kábítószer-betegség társulásokra következtetve hálózati terjesztéssel. BMC Med. Genomika 6, 1–14. (doi: 10.1186/1755-8794-6-S3-S4) Crossref, PubMed, Google Scholar

Rider AK, Chawla NV, Emrich SJ

. 2013 A rendszerbiológia jelenlegi integratív hálózati algoritmusainak áttekintése , 479–495. Amszterdam, Hollandia: Springer. Google ösztöndíjas

. 2010 Adatintegráció és biológiai hálózatok elemzése . Curr. Opin. Biotechnol. 21, 78–84. (doi: 10.1016/j.copbio.2010.01.003) Crossref, PubMed, Google Scholar

Bebek G, Koyutuerk M, Ár ND, Chance MR

. 2012 Biológiai adatokat integráló hálózati biológiai módszerek a transzlációs tudomány számára. Rövid. Bioinformatika 13, 446–459. (doi: 10.1093/bib/bbr075) Crossref, PubMed, Google Scholar

Hamid JS, Hu P, Roslin NM, Ling V, Greenwood CMT, Beyene J

. 2009 Adatintegráció a genetikában és genomikában: módszerek és kihívások . Zümmögés. Genomika Proteomika 2009, 869093. (doi: 10.4061/2009/869093) PubMed, Google Scholar

Kristensen VN, Lingjærde OC, Russnes HG, Vollan HKM, Frigessi A, Børresen-Dale A-L

. 2014 A rákos integráló genomiális elemzések elvei és módszerei. Nat. Rev. Cancer 14, 299–313. (doi: 10.1038/nrc3721) Crossref, PubMed, Google Scholar

. 2011 Kernel módszerek a bioinformatikában . Ban ben A statisztikai bioinformatika kézikönyve (szerk

), Springer Handbooks of Computational Statistics, 317–334. Berlin, Németország: Springer. Crossref, Google Scholar

Needham CJ, Bradford JR, Bulpitt AJ, Westhead DR

. 2007 A számítási biológia Bayes-hálózataiban való tanulás alapozója. PLoS Comput. Biol. 3, e129. (doi: 10.1371/journal.pcbi.0030129) Crossref, PubMed, ISI, Google Scholar

. 2008 Nonnegative mátrix faktorizáció: analitikai és értelmezési eszköz a számításbiológiában. PLoS Comput. Biol. 4, e1000029. (doi: 10.1371/journal.pcbi.1000029) Crossref, PubMed, Google Scholar

. 2015 Számítási módszerek a biológiai adatok integrálására . Ban ben Személyre szabott orvoslás: új orvosi és társadalmi kihívás (szerk. N Bodiroga-Vukobrat, K Pavelic, D Rukavina, GG Sander). Berlin, Németország: Springer. Google ösztöndíjas

Alcaraz N, Pauling J, Batra R, Barbosa E, Junge A, Christensen A, Azevedo V, Ditzel HJ, Baumbach J

. 2014 Keypathwayminer 4.0: állapotspecifikus útvonal-elemzés, több omics-tanulmány és hálózat összekapcsolásával a citoszkóppal. BMC Syst. Biol. 8, 99. (doi: 10.1186/s12918-014-0099-x) Crossref, PubMed, Google Scholar

Mitra K, Carvunis A-R, Ramesh SK, Ideker T.

. 2013 Integratív megközelítések a biológiai hálózatok moduláris szerkezetének megtalálásához. Nat. Rev. Genet. 14, 719–732. (doi: 10.1038/nrg3552) Crossref, PubMed, ISI, Google Scholar

2015 A párhuzamos metabolikus és transzkripciós adatok hálózati integrációja olyan metabolikus modulokat tár fel, amelyek szabályozzák a makrofágok polarizációját. Immunitás 42, 419–430. (doi: 10.1016/j.immuni.2015.02.005) Crossref, PubMed, ISI, Google Scholar

2005 Adatintegrációs módszertan a rendszerbiológiához. Proc. Natl Acad. Sci. USA 102, 17 296–17 301. (doi:10.1073/pnas.0508647102) Crossref, Google Scholar

. 2000 Bevezetés a gráfelméletbe , 2. kiad. New York, NY: Prentice Hall. Google ösztöndíjas

. 2010 Hálózatok: bevezetés . New York, NY: Oxford University Press, Inc. Crossref, Google Scholar

. 2004 Egy gráf laplaci spektruma . Comput. Math. Appl. 48, 715–724. (doi: 10.1016/j.camwa.2004.05.005) Crossref, Google Scholar

Belkin M, Niyogi P, Sindhwani V

. 2006 Sokrétű regularizáció: geometriai keretrendszer a címkézett és címkézetlen példákból való tanuláshoz. J. Mach. Tanul. Res. 7, 2399–2434. Google ösztöndíjas

. 2005 Skálamentes hálózatok a sejtbiológiában. J. Cell Sci. 118, 4947–4957. (doi: 10.1242/jcs.02714) Crossref, PubMed, ISI, Google Scholar

. 2004 Hálózatbiológia: a sejt funkcionális szervezetének megértése. Nat. Rev. Genet. 5, 101–113. (doi:10.1038/nrg1272) Crossref, PubMed, ISI, Google Scholar

Pržulj N, Corneil DG, Jurisica I

. 2004 Interaktív modellezés: skálamentes vagy geometrikus? Bioinformatika 20, 3508–3515. (doi:10.1093/bioinformatics/bth436) Crossref, PubMed, ISI, Google Scholar

Higham DJ, Rašajski M, Pržulj N

. 2008 Geometriai gráf illesztése fehérje-fehérje interakciós hálózathoz . Bioinformatika 24, 1093–1099. (doi: 10.1093/bioinformatics/btn079) Crossref, PubMed, ISI, Google Scholar

Winterbach W, Mieghem PV, Reinders M, Wang H, Ridder DD

. 2013 A molekuláris interakciós hálózatok topológiája. BMC Syst. Biol. 7, 90. (doi:10.1186/1752-0509-7-90) Crossref, PubMed, Google Scholar

2013 A BioGRID interakciós adatbázis. Nucleic Acids Res. 41, D816 – D823. (doi:10.1093/nar/gks1158) Crossref, PubMed, Google Scholar

Kanehisa M, Goto S, Sato Y, Furumichi M, Tanabe M

. 2012 KEGG a nagyméretű molekuláris adatsorok integrálásához és értelmezéséhez. Nucleic Acids Res. 40, D109–D114. (doi:10.1093/nar/gkr988) Crossref, PubMed, Google Scholar

2011 DrugBank 3.0: átfogó forrás a kábítószerekkel kapcsolatos „omika” kutatásokhoz. Nucleic Acids Res. 39(1. sz. Kellék), D1035 – D1041. (doi:10.1093/nar/gkq1126) Crossref, PubMed, ISI, Google Scholar

2012 GWASdb: adatbázis az emberi genetikai változatokra, amelyeket genomszintű asszociációs vizsgálatok azonosítottak. Nucleic Acids Res. 40, D1047 – D1054. (doi: 10.1093/nar/gkr1182) Crossref, PubMed, Google Scholar

2013 Az elektronikus orvosi nyilvántartási adatok és a genomra kiterjedő asszociációs vizsgálati adatok fenomenszintű asszociációs tanulmányának szisztematikus összehasonlítása. Nat. Biotechnol. 31, 1102–1111. (doi: 10.1038/nbt.2749) Crossref, PubMed, Google Scholar

2007 NCBI GEO: több tízmillió kifejezési profil bányászata és frissítése. Nucleic Acids Res . 35(1. sz. Kellék), D760 – D765. (doi: 10.1093/nar/gkl887) Crossref, PubMed, Google Scholar

2005 ArrayExpress - az EBI mikroarray génexpressziós adatainak nyilvános tárháza. Nucleic Acids Res. 33(1. sz. Kellék), D553 – D555. (doi: 10.1093/nar/gki056) Crossref, PubMed, Google Scholar

2009 A GenePattern implementációja a Stanford microarray adatbázisban. Nucleic Acids Res. 37, D898–D901.(doi: 10.1093/nar/gkn786) Crossref, PubMed, Google Scholar

Kuhn M, Campillos M, Letunic I, Jensen LJ, Bork P

. 2010 A mellékhatások forrása a gyógyszerek fenotípusos hatásainak rögzítésére. Mol. Syst. Biol. 6, 343. (doi:10.1038/msb.2009.98) Crossref, PubMed, Google Scholar

. 1995 Fehérje -fehérje kölcsönhatások: kimutatási és elemzési módszerek. Microbiol. Fordulat. 59, 94–123. PubMed, Google Scholar

Jeong H, Tombor B, Albert R, Oltvai ZN, Barabási A-L

. 2000 Az anyagcsere-hálózatok nagyszabású szervezése. Természet 407, 651–654. (doi:10.1038/35036627) Crossref, PubMed, ISI, Google Scholar

. 2013 Az anyagcsere -hálózatok számítási rekonstrukciója Keggből. Ban ben Számítási toxikológia , kötet 930 (szerk

), 235–249. New York, NY: Humana Press. Google ösztöndíjas

Yildirim MA, Goh KI, Cusick ME, Barabási AL, Vidal M

. 2007 Kábítószer -célhálózat. Nat. Biotechnol. 25, 1119–1126. (doi: 10.1038/nbt1338) Crossref, PubMed, Google Scholar

2003 Génmodulok és szabályozó hálózatok számítógépes felfedezése. Nat. Biotechnol. 21, 1337–1342. (doi: 10.1038/nbt890) Crossref, PubMed, Google Scholar

De Smet F, Mathys J, Marchal K, Thijs G, De Moor B, Moreau Y

. 2002 A génexpressziós profilok adaptív minőség-alapú klaszterezése. Bioinformatika 18, 735–746. (doi: 10.1093/bioinformatics/18.5.735) Crossref, PubMed, Google Scholar

Luo F, Yang Y, Zhong J, Gao H, Khan L, Thompson D, Zhou J

. 2007 Gén-koexpressziós hálózatok felépítése és ismeretlen gének funkcióinak előrejelzése véletlen mátrix elmélettel. BMC Bioinformatika 8, 299. (doi: 10.1186/1471-2105-8-299) Crossref, PubMed, Google Scholar

. 2008 A részleges korreláció és az információelméleti megközelítés ötvözése a génexpressziós hálózatok fordított tervezésében. Bioinformatika 24, 2491–2497. (doi:10.1093/bioinformatics/btn482) Crossref, PubMed, Google Scholar

Baba K, Shibata R, Sibuya M

. 2004 Parciális korreláció és feltételes korreláció, mint a feltételes függetlenség mértéke. Aust. N.Z. J. Stat. 46, 657–664. (doi:10.1111/j.1467-842X.2004.00360.x) Crossref, Google Scholar

. 2012 Az információelmélet elemei . New York, NY: John Wiley és amp Sons. Google ösztöndíjas

Willett P, Barnard JM, Downs GM

. 1998 Kémiai hasonlóság keresése. J. Chem. Inf. Comput. Sci. 38, 983–996. (doi:10.1021/ci9800211) Crossref, Google Scholar

. 2003 Módszerek a kémiai hasonlóság mérésére - áttekintés. QSAR kombináció. Sci. 22, 1006–1026. (doi:10.1002/qsar.200330831) Crossref, Google Scholar

Zhang P, Agarwal P, Obradovic Z

. 2013 Számítógépes gyógyszer-újrapozicionálás több adatforrás rangsorolásával és integrálásával , vol. 8190 db Előadásjegyzetek számítástechnikából, 579–594. Berlin, Németország: Springer. Crossref, Google Scholar

Atkinson HJ, Morris JH, Ferrin TE, Babbitt PC

. 2009 Szekvenciahasonlósági hálózatok használata a különböző fehérje szupercsaládok közötti kapcsolatok megjelenítésére. PLoS ONE 4, e4345. (doi: 10.1371/journal.pone.0004345) Crossref, PubMed, Google Scholar

Valavanis I, Spyrou G, Nikita K

. 2010 Hasonlósági hálózatos megközelítés fehérjeszekvencia/szerkezet-készletek elemzéséhez és összehasonlításához. J. Biomed. Inform. 43, 257–267. (doi: 10.1016/j.jbi.2010.01.005) Crossref, PubMed, Google Scholar

Altschul SF, Gish W, Miller W, Myers EW, Lipman DJ

. 1990 Alapvető helyi igazítási keresőeszköz . J. Mol. Biol. 215, 403–410. (doi: 10.1006/jmbi.1990.9999) Crossref, PubMed, ISI, Google Scholar

. 2000 DaliLite munkaasztal a fehérjék szerkezetének összehasonlításához. Bioinformatika 16, 566–567. (doi: 10.1093/bioinformatics/16.6.566) Crossref, PubMed, Google Scholar

. 2003 Integráció omic információ: híd a genomika és a rendszerbiológia között. Trends Genet. 19, 551–560. (doi: 10.1016/j.tig.2003.08.009) Crossref, PubMed, Google Scholar

Mani R, St.Onge RP, Hartman JL, Giaever G, Roth FP

. 2008 A genetikai kölcsönhatás meghatározása. Proc. Natl Acad. Sci. USA 105, 3461–3466. (doi: 10.1073/pnas.0712255105) Crossref, PubMed, ISI, Google Scholar

. 2012 Számos interakciós hálózat kombinálása a génfunkciók előrejelzésére és a génlisták elemzésére. Proteomika 12, 1687–1696. (doi:10.1002/pmic.201100607) Crossref, PubMed, Google Scholar

2008 Nagyméretű funkcionális genomi adatok integrálása az élesztőszabályozó hálózatok összetettségének boncolgatására. Nat. Közönséges petymeg. 40, 854–861. (doi:10.1038/ng.167) Crossref, PubMed, Google Scholar

2013 Az integrált rendszerek megközelítése azonosítja a késői kezdetű Alzheimers-betegség genetikai csomópontjait és hálózatait. Sejt 153, 707–720. (doi: 10.1016/j.cell.2013.03.030) Crossref, PubMed, Google Scholar

2003 A Bayes-féle hálózati megközelítés a fehérje-fehérje kölcsönhatások előrejelzésére genomi adatok alapján. Tudomány 302, 449–453. (doi: 10.1126/science.1087361) Crossref, PubMed, Google Scholar

Gevaert O, Smet FD, Timmerman D, Moreau Y, Moor BD

. 2006 Az emlőrák prognózisának előrejelzése a klinikai és microarray adatok Bayes -hálózatokkal történő integrálásával. Bioinformatika 22, e184 – e190. (doi: 10.1093/bioinformatics/btl230) Crossref, PubMed, Google Scholar

van Vliet MH, Horlings HM, van de Vijver MJ, Reinders MJ, Wessels LF

. 2012 A klinikai és génexpressziós adatok integrálása szinergetikus hatással van az emlőrák kimenetelének előrejelzésére. PLoS ONE 7, e40358. (doi:10.1371/journal.pone.0040358) Crossref, PubMed, Google Scholar

Yuan Y, Savage RS, Markowetz F

. 2011 A betegspecifikus adatfúzió meghatározza a rák prognosztikus altípusait. PLoS Comput. Biol. 7, e1002227. (doi:10.1371/journal.pcbi.1002227) Crossref, PubMed, Google Scholar

Wang Y, Chen S, Deng N, Wang Y

. 2013 Gyógyszerek újrapozícionálása a molekuláris szerkezet, a molekuláris aktivitás és a fenotípusadatok kernel-alapú integrálásával. PLoS ONE 8, e78518. (doi: 10.1371/journal.pone.0078518) Crossref, PubMed, Google Scholar

. 2005 Több biológiai adat szelektív integrálása a felügyelt hálózati következtetésekhez. Bioinformatika 21, 2488–2495. (doi:10.1093/bioinformatics/bti339) Crossref, PubMed, Google Scholar

Yamanishi Y, Vert J-P, Kanehisa M.

. 2004 Fehérjehálózat -következtetés több genomi adatból: felügyelt megközelítés. Bioinformatika 20(1. melléklet), i363–i370. (doi:10.1093/bioinformatics/bth910) Crossref, PubMed, Google Scholar

Daemen A, Gevaert O, De Moor B

. 2007 Klinikai és microarray adatok integrálása kernel módszerekkel . Ban ben Mérnöki tudomány az orvostudomány és biológia társadalomban, 2007. EMBS 2007. 29. éves Int. Konf. az IEEE -ből , 5411–5415. Piscataway, NJ: IEEE. Google ösztöndíjas

. 2015 Adatfúzió mátrixfaktorizálással . IEEE Trans. Minta anal. Mach. Intell. 37, 41–53. (doi: 10.1109/TPAMI.2014.2343973) Crossref, PubMed, Google Scholar

Pavlidis P, Cai J, Weston J, Noble WS

. 2002 A gén funkcionális osztályozásának megismerése több adattípusból. J. Comput. Biol. 9, 401–411. (doi: 10.1089/10665270252935539) Crossref, PubMed, Google Scholar

Ozen A, Gonen M, Alpaydin E, Haliloglu T.

. 2009 Gépi tanulási integráció az egyetlen aminosav szubsztitúciók fehérjestabilitásra gyakorolt ​​hatásának előrejelzésére. BMC szerkezet. Biol. 9, 66. (doi: 10.1186/1472-6807-9-66) Crossref, PubMed, Google Scholar

Chen Y, Hao J, Jiang W, He T, Zhang X, Jiang T, Jiang R

. 2013 A potenciális rákkeltő gének azonosítása genomikus adatok integrációjával. Sci. Ismétlés. 3, 66. (doi: 10.1038/srep03538) Crossref, Google Scholar

Goh K-I, Cusick ME, Valle D, Childs B, Vidal M, Barabsi A-L

. 2007 Az emberi betegségek hálózata. Proc. Natl Acad. Sci. USA 104, 8685–8690. (doi:10.1073/pnas.0701361104) Crossref, PubMed, ISI, Google Scholar

. 2008 Bayesi hálózatok . New York, NY: John Wiley & amp; Sons, Ltd. Google ösztöndíjas

Sachs K, Perez O, Pe'er D, Lauffenburger DA, Nolan GP

. 2005 Kauzális fehérjejelző hálózatok többparaméteres egysejtes adatokból. Tudomány 308, 523–529. (doi:10.1126/science.1105809) Crossref, PubMed, Google Scholar

. 2004 Sejthálózatok kikövetkeztetése valószínűségi grafikus modellek segítségével. Tudomány 303, 799–805. (doi:10.1126/science.1094068) Crossref, PubMed, ISI, Google Scholar

. 1996 A Bayes-hálózatok tanulása NP-teljes. Ban ben Tanulás az adatokból , 121–130. Berlin, Németország: Springer. Google ösztöndíjas

. 1990 A valószínűségi következtetések számítási összetettsége a Bayes -i hiedelemhálózatok használatával. Artif. Intell. 42, 393–405. (doi: 10.1016/0004-3702 (90) 90060-D) Crossref, ISI, Google Scholar

Schadt E, S barát, Shaywitz D.

. 2009 A betegségek és az összetett szűrés hálózati képe. Nat. Rev. Drug Discov. 8, 286–295. (doi:10.1038/nrd2826) Crossref, PubMed, Google Scholar

. 2006 A globális génexpresszió genetikája . Nat. Rev. Genet. 7, 862–872. (doi: 10.1038/nrg1964) Crossref, PubMed, Google Scholar

2013 STRING v9.1: fehérje-fehérje interakciós hálózatok, nagyobb lefedettséggel és integrációval . Nucleic Acids Res. 41, D808 – D815. (doi: 10.1093/nar/gks1094) Crossref, PubMed, Google Scholar

Schölkopf B, Tsuda K, Vert J-P

. 2004 Kernel módszerek a számításbiológiában . Cambridge, MA: MIT Press. Google ösztöndíjas

. 2012 Mátrix számítások , kötet 3. Baltimore, MD: JHU Press. Google ösztöndíjas

Leslie CS, Eskin E, Noble WS

. 2002 A spektrum kernel: sztring kernel az SVM fehérjék osztályozására. Ban ben Pacific Symp. a Biocomputingról, Január 3-7, 566–575. Google ösztöndíjas

Leslie CS, Eskin E, Cohen A, Weston J, Noble WS

. 2004 Mismatch string kernel a diszkriminatív fehérjeosztályozáshoz. Bioinformatika 20, 467–476. (doi: 10.1093/bioinformatics/btg431) Crossref, PubMed, Google Scholar

. 2003 Távoli homológiadetektálás: motívum alapú megközelítés . Bioinformatika 19(Suppl. 1), 26 – i33. (doi: 10.1093/bioinformatics/btg1002) Crossref, Google Scholar

Gomez SM, Noble WS, Rzhetsky A

. 2003 Megtanuljuk megjósolni a fehérje -fehérje kölcsönhatásokat a fehérjeszekvenciákból. Bioinformatika 19, 1875–1881. (doi:10.1093/bioinformatics/btg352) Crossref, PubMed, Google Scholar

. 2002 Diffúziós magok grafikonokon és más diszkrét struktúrákon. Ban ben Proc. az ICML, Július 8-12, 315–322. Google ösztöndíjas

Hearst MA, Dumais ST, Osman E, Platt J, Scholkopf B

. 1998 Vektoros gépek támogatása. IEEE Intell. Syst. Appl. 13, 18–28. (doi: 10.1109/5254.708428) Google Scholar

. 2005 Főkomponens analízis . New York, NY: Wiley Online Library. Google ösztöndíjas

Hardoon D, Szedmak S, Shawe-Taylor J

. 2004 Kanonikus korrelációs elemzés: áttekintés a tanulási módszerek alkalmazásával. Neural Comput 16, 2639–2664. (doi: 10.1162/0899766042321814) Crossref, PubMed, Google Scholar

. 1998 Statisztikai tanuláselmélet , kötet 1. New York, NY: Wiley. Google ösztöndíjas

Boser BE, Guyon IM, Vapnik VN

. 1992 Oktatási algoritmus az optimális margóosztályozókhoz. Ban ben Proc. az ötödik éves workshop a számítógépes tanulás elméletéről , július 27-29, 144–152. New York, NY: ACM. Google ösztöndíjas

Ben-Hur A, Ong CS, Sonnenburg S, Schölkopf B, Rätsch G

. 2008 Vektoros gépek és kernelek támogatása a számítási biológiában. PLoS Comput. Biol. 4, e1000173. (doi: 10.1371/journal.pcbi.1000173) Crossref, PubMed, Google Scholar

2004 A vektorgépes alkalmazások támogatása a számítási biológiában. Ban ben Kernel módszerek a számításbiológiában (szerk. B Schoelkopf, K Tsuda, J-P Vert), 71–92. Cambridge, MA: MIT Press. Google ösztöndíjas

. 2011 Több kernel tanulási algoritmus. J. Mach. Tanul. Res. 12, 2211–2268. Google ösztöndíjas

. 2014 Kernel módszerek nagyléptékű genomikai adatok elemzéséhez. Rövid. Bioinformatika 16, 183–192. (doi: 10.1093/bib/bbu024) Crossref, PubMed, Google Scholar

Yu S, Tranchevent L.-C, Moor BD, Moreau Y

. 2011 Kernel-alapú adatfúzió a gépi tanuláshoz-módszerek és alkalmazások a bioinformatikában és a szövegbányászatban, vol. 345. sz., a Studies in Computational Intelligence . Berlin, Németország: Springer. Google ösztöndíjas

. 1999 A legkevesebb négyzetek vektoros géposztályozókat támogatnak. Idegi folyamat. Lett. 9, 293–300. (doi: 10.1023/A: 1018628609742) Crossref, Google Scholar

. 1999 Az objektumok részeinek megtanulása nemnegatív mátrixfaktorizálással . Természet 401, 788–791. (doi: 10.1038/44565) Crossref, PubMed, ISI, Google Scholar

. 1992 Vektor kvantálás és jeltömörítés . Berlin, Németország: Springer Science & amp Business Media. Crossref, Google Scholar

Cichocki A, Zdunek R, Phan AH, Amari S-I

. 2009 Nemnegatív mátrix- és tenzorfaktorizációk: alkalmazások többutas feltáró adatelemzéshez és vakforrás-elválasztáshoz . New York, NY: John Wiley & Sons. Crossref, Google Scholar

. 2005 A nemnegatív mátrix faktorizáció és a spektrális klaszterezés ekvivalenciájáról. Ban ben Proc. a 2005-ös SIAM Int. Konf. az adatbányászatról, április 21-23, 606–610. Google ösztöndíjas

. 2005 Egységes megközelítés a kemény és valószínűségi klaszterezéshez. Ban ben Tizedik IEEE Int. Konf. a számítógépes látásról, 2005. ICCV 2005 , kötet 1, 294–301. Piscataway, NJ: IEEE. Google ösztöndíjas

. 2013 Nonnegative mátrix faktorizáció a csoportosításhoz: felmérés. Ban ben Adatcsoportosítás: algoritmusok és alkalmazások , 149–176. New York, NY: Chapman & amp Hall/CRC. Google ösztöndíjas

. 2004 Nem negatív mátrix faktorizáláson alapuló módszerek objektumfelismerésre. Mintafelismerés. Lett. 25, 893–897. (doi:10.1016/j.patrec.2004.02.002) Crossref, Google Scholar

. 2003 Dokumentumcsoportosítás nem negatív mátrix faktorizáció alapján. Ban ben Proc. a 26. évi Int. ACM Sigir Conf. a kutatás -fejlesztésről az információ -keresésben, július 28. – augusztus 1. , 267–273. New York, NY: ACM. Google ösztöndíjas

Shahnaz F, Berry MW, Pauca VP, Plemmons RJ

. 2006 Dokumentumfürtözés nemnegatív mátrix faktorizációval. Inf. Folyamat. Kezelés. 42, 373–386. (doi:10.1016/j.ipm.2004.11.005) Crossref, Google Scholar

. 2003 Nem negatív mátrix faktorizáció a polifónikus zene átírásához. Ban ben A jelfeldolgozás alkalmazása az audio- és akusztikához , 177–180. Piscataway, NJ: IEEE. Google ösztöndíjas

. 2007 Mononális hangforrás -szétválasztás nemnegatív mátrix faktorizációval, időbeli folytonosság és ritkaság kritériumaival. IEEE Trans. Hang, beszéd Lang. Folyamat. 15, 1066–1074. (doi: 10.1109/TASL.2006.885253) Kereszthivatkozás, Google Scholar

Brunet J-P, Tamayo P, Golub TR és mtsai.

2004 Metageneusok és molekuláris mintázatok felfedezése mátrix faktorizáció segítségével. Proc. Natl Acad. Sci. USA 101, 4164–4169. (doi:10.1073/pnas.0308531101) Crossref, PubMed, Google Scholar

Hutchins LN, Murphy SM, Singh P, Graber JH

. 2008 Pozíciófüggő motívumjellemzés nemnegatív mátrixfaktorizálással . Bioinformatika 24, 2684–2690. (doi:10.1093/bioinformatics/btn526) Crossref, PubMed, Google Scholar

Koren Y, Bell R, Volinsky C

. 2009 Mátrix faktorizációs technikák ajánló rendszerekhez. Számítógép 42, 30–37. (doi: 10.1109/MC.2009.263) Crossref, Google Scholar

Zhang S, Wang W, Ford J, Makedon F.

. 2006 Tanulás a hiányos értékelésekből, nem negatív mátrix faktorizáció segítségével. Ban ben SDM , 549–553. Bethesda, MD: SIAM. Google ösztöndíjas

Cheng C, Yang H, I. király, Lyu MR

. 2012 Egyesített mátrixfaktorizáció földrajzi és társadalmi befolyással a helyalapú közösségi hálózatokban. Ban ben Aaai'12 , július 22-26, 1–1. Google ösztöndíjas

. 2009 Nem negatív mátrix tri-faktorizációs megközelítés az érzelmi osztályozáshoz lexikai előzetes ismeretekkel. Ban ben Proc. a Közös Konf. az ACL 47. éves közgyűléséről és a 4. Int. Joint Conf. az AFNLP természetes nyelvi feldolgozásáról, Augusztus 2-7, 244–252. Számítógépes Nyelvészeti Egyesület. Google ösztöndíjas

2006 Ortogonális nemnegatív mátrix Tri-faktorizációk a klaszterezéshez. Ban ben Proc. a 12. ACM SIGKDD Int. Konf. A tudásfeltárásról és az adatbányászatról, KDD ’06, Augusztus 20-23, 126–135. New York, NY: ACM. Google ösztöndíjas

. 1990 Mátrix befejezési problémák: felmérés. Ban ben Mátrix elmélet és alkalmazások , kötet 40 nak,-nek Szimpóziumok folyóirat az alkalmazott matematikában, 171–198. Providence, RI: AMS. Google ösztöndíjas

. 2009 A nemnegatív mátrix faktorizáció komplexitásáról. SIAM J. Optim. 20, 1364–1377. (doi:10.1137/070709967) Crossref, Google Scholar

Berry MW, Browne M, Langville AN, Pauca VP, Plemmons RJ

. 2007 Algoritmusok és alkalmazások közelítő nemnegatív mátrixfaktorizáláshoz. Comput. Stat Data Anal. 52, 155–173. (doi:10.1016/j.csda.2006.11.006) Crossref, ISI, Google Scholar

. 2010 Konvex és félig nemnegatív mátrixfaktorizációk . IEEE Trans. Minta anal. Mach. Intell. 32, 45–55. (doi:10.1109/TPAMI.2008.277) Crossref, PubMed, Google Scholar

. 2006 Optimalizálási elmélet és módszerek: nemlineáris programozás , kötet 1. Berlin, Németország: Springer Science & amp Business Media. Google ösztöndíjas

. 2001 Algoritmusok a nem negatív mátrix faktorizáláshoz. Ban ben A neurális információfeldolgozó rendszerek fejlődése , 556–562. Cambdrige, MA: MIT Press. Google ösztöndíjas

Albright R, Cox J, Duling D, Langville A, Meyer C.

. 2006 Algoritmusok, inicializálások és konvergencia a nemnegatív mátrixfaktorizáláshoz. Tech. Rep, 81706. North Carolina State University, Raleigh, N.C. Google Scholar

. 2004 Konvex optimalizálás . New York, NY: Cambridge University Press. Crossref, Google Scholar

. 2011 Több típusú relációs adatok egyidejű csoportosítása szimmetrikus nemnegatív mátrix tri-faktorizáción keresztül. Ban ben Proc. a 20. ACM Int. Konf. az információ- és tudásmenedzsmentről, CIKM ’11 , 279–284. New York, NY: ACM. Google ösztöndíjas

. 2008 Félig felügyelt klaszterezés mátrixfaktorizálással . Ban ben SDM , 1–12. Atlanta, GA: SIAM. Google ösztöndíjas

Cai D, He X, Han J, Huang TS

. 2011 A grafikon rendszerezte a nemnegatív mátrix faktorizációt az adatábrázoláshoz. IEEE Trans. Minta anal. Mach. Intell. 33, 1548–1560. (doi: 10.1109/TPAMI.2010.231) Crossref, PubMed, Google Scholar


Hálózati következtetés

Hálózati beavatkozás megközelítések a gén expressziós adatok alapján megjósolják a GRN -eket. A GRN szerkezete ezáltal a génexpressziós adatokból egy alkalmazott ingerre adott válaszként rekonstruálható (reverse engineering).

Az NI-megközelítések bemenete egy génexpressziós mátrix, amely tartalmazza a gének expressziós értékeit (vagy változásait) a különböző ingerekkel végzett kezelés és/vagy az idő függvényében. A beépített gének száma a kutatási kérdéstől és az alkalmazott NI megközelítéstől függ. Fontos, hogy a lehetséges hálózati struktúrák száma exponenciálisan növekszik a beépített gének számával (a dimenzió átka). Számos stratégiát alkalmaznak a dimenzionalitás átkának leküzdésére. Azon megfigyeléstől vezérelve, hogy a biológiai hálózatok a véletlenszerű hálózatokban vártnál kevesebb kölcsönhatást mutatnak, sok NI-megközelítés alkalmazza a ritkaság kritériumát, azaz megjósolja a mért adatok illeszkedéséhez szükséges legkisebb számú interakciót. A GRN egy másik tulajdonsága, amelyet gyakran alkalmaznak hálózatválasztási kritériumként, a skálamentes. Ez azt jelenti, hogy a génenkénti interakciós partnerek száma hatalmi törvény szerint oszlik meg, azaz a legtöbb gén nagyon alacsony számú génnel lép kölcsönhatásba, míg néhány gén (csomópont) számos interakciós partnerrel rendelkezik (Barab ási és Oltvai, 2004) . Az úgynevezett előzetes tudás az irodalomból vagy további adatforrásokból kinyert kölcsönhatások, mint például a transzkripciós faktor kötőhelyek előfordulása a promoterekben. Az előzetes tudás integrálása az NI során erősen javítja az előrejelzett interakciók pontosságát (Hecker et al., 2009a).

Az NI eredménye lehet korrelációs hálózat, Bayes -hálózat vagy matematikai modell, az alapul szolgáló NI megközelítéstől függően. Az NI-megközelítések az előre jelzett kölcsönhatások részleteiben különböznek. Előre jelezhetik a nem irányított kölcsönhatásokat (A és B kölcsönhatásba lépnek) vagy irányított interakciókat (A szabályozza a B -t). Ezenkívül irányított interakciókat is alá lehet írni (A B -t, A elnyomja C -t). Lehetőség van stabil vagy dinamikus hálózati modell beszerzésére az NI megközelítéstől függően. A dinamikus hálózati modellekben az állapot egy adott időpontban az előző időpontokban fennálló állapotától függ. Dinamikus hálózati modellek alkalmazhatók a rendszer jövőbeli viselkedésének előrejelzésére.

Az NI-megközelítések értékelése nehéz, mivel gyakran nagyon különböző kutatási kérdésekre alkalmazzák őket, és az egyik kísérleti elrendezés sikere nem garantálja a másik kísérlet sikerét. 2006 óta a 𠇍ialog for Reverse Engineering Assessment and Methods â ” (DREAM, www.dreamchallenges.org) évente rendszeres versenyt írt ki a rendszerbiológiai módszerekre, beleértve az NI -t is (Stolovitzky et al., 2007).

A következőkben röviden és általánosan ismertetjük a legfontosabb NI megközelítéseket, és megvitatjuk azok előnyeit és hátrányait. Kiváló értékelésekhez kalauzoljuk az érdeklődő olvasót az NI megközelítések átfogóbb és részletesebb áttekintéséhez (Hecker et al., 2009b Wu and Chan, 2012 Emmert-Streib et al., 2014 Linde et al., 2015).

Korreláció- és információelméleten alapuló megközelítések

A GRN előrejelzésére az egyik legegyszerűbb módszer az egyes génpárok közötti páronkénti korreláció kiszámítása. Egy interakció akkor várható, ha a korrelációs érték meghaladja a felhasználó által meghatározott határértéket. Ez a megközelítés számításilag nagyon gyors, és számos génre alkalmazható. Mivel a korreláció fogalma jól ismert, az eredmények könnyen értelmezhetők. A korreláció azonban nem jelent ok -okozati összefüggést. Vegyünk például egy transzkripciós faktort, amely két célgént indukál. A célgének magas korrelációs értékkel rendelkeznek, de nem lépnek kölcsönhatásba.

Ennek a problémának a kiküszöbölésére az információelméleten alapuló megközelítések kiszámítják a kölcsönös információkat a páronkénti korrelációs mátrix alapján. Ez a kifejezés két véletlen változó statisztikai függőségét méri, amelyek két gén expressziós intenzitását képviselik. Számos kölcsönös információalapú megközelítés áll rendelkezésre (Butte és Kohane, 2000 Basso et al., 2005 Faith et al., 2007 Meyer et al., 2007 Altay and Emmert-Streib, 2010). Ezek a megközelítések jellemzően nem integrálják az előzetes tudást, és nem érvényesítik a ritkaságot vagy a skálamentességet. Általában statikus irányítatlan hálózatokra következtetnek, de léteznek kiterjesztések irányított hálózatok létrehozásához (Madar et al., 2010).

Bayesi hálózatok

Egy másik valószínűségi megközelítés a bayesi NI. Itt minden gén expresszióját valószínűségi változónak tekintjük, amely a valószínűségi eloszlást követi. A Bayes -tétel alkalmazásával az algoritmusok egy korábbi elosztásból mintát vesznek a hálózatokból, és kiválasztják azt a hálózatot, amely a legjobban megmagyarázza a mért adatokat. A hálózatok előzetes elosztásával az előzetes tudás elegánsan integrálható. A kikövetkeztetett GRN -ek irányítottak, és lehetnek statikusak vagy dinamikusak (közvetlen visszajelzés nélkül). A Bayes-féle NI megközelítések (Murphy és Mian, 1999 Hartemink és mtsai, 2001 Rau és mtsai, 2010 Yeung és mtsai, 2011) nem közvetlenül alkalmazzák a skálafüggetlenséget, de ez a kritérium szerepelhet a korábbi elosztásban. A fő hátrány az, hogy a megjósolt kölcsönhatások pontossága erősen függ a viszonylag nagy mennyiségű mért expressziós adattól.

Lineáris regresszió alapú NI

Lineáris regresszió alkalmazásával egy gén expresszióját t állapotban (időpontban) modellezzük, mint az összes többi gén expressziójának súlyozott összegét. Ezenkívül egyes megközelítések külső ingert is tartalmaznak a súlyozott összeg részeként. Ez a környezet változását jelzi. A súlyok értékeit optimalizáló algoritmusok határozzák meg, hogy illeszkedjenek a mért kifejezési adatokhoz. A nullától eltérő súlyok határozzák meg a hálózati struktúrát, ahol a pozitív súly aktiválást, a negatív súly elnyomást jelent. Így a lineáris regresszió irányított és előjeles állandó hálózatokat eredményez. Sok lineáris regressziós megközelítés alkalmazza a ritkaság kritériumát. Megjósolják a GRN -t, amely minimális (vagy csekély) számú interakcióval rendelkezik, de még mindig képes illeszkedni a mért adatokhoz. Sőt, lágyan integrálják az előzetes tudást (pl. Gardner és mtsai, 2003 Toepfer és mtsai, 2007 Zou és Hastie, 2005 Hecker és mtsai, 2009a Gustafsson és mtsai, 2005). Az újabb megközelítések skálamentes GRN-eket is jósolnak (Hecker és mtsai, 2009a Gustafsson és Hörnquist, 2010 Altwasser et al., 2012).

Differenciálegyenlet alapú NI

Az ODE-rendszereket széles körben használják a fizikában, a kémiában és a biológiában dinamikus rendszerek leírására és modellezésére. Az ODE -k azonban kiváló módszert biztosítanak a GRN -ek matematikai következtetésére. Itt egy gén expressziós változását egy adott időpontban úgy modellezzük, mint az összes többi gén expressziójának súlyozott összegét, és egy külső inger környezeti változást jelent. Az egyenletes lineáris regressziós modellekkel ellentétben a differenciálegyenletek a génexpresszió változását modellezik, nem magát a génexpressziót.

A differenciálegyenlet-megközelítések olyan ok-okozati összefüggéseket tükröznek, amelyeket irányított hálózatokkal lehet megjeleníteni. A környezeti változás közvetlenül olyan gyorsan reagáló génekhez vezet, amelyek szabályozzák a később reagáló géneket. Így az ODE -k által modellezett GRN -ek dinamikusak, irányított és aláírt (súlyozott) élekkel. A lineáris regressziós módszerekhez hasonlóan a súlyokat optimalizáló algoritmusok határozzák meg azzal a céllal, hogy illeszkedjenek a mért adatokhoz. Ebben az NI kategóriában számos megközelítés alkalmazza a ritkaság kritériumát, és integrálja az előzetes tudást azáltal, hogy előnyben részesíti az ismert kölcsönhatásokat a modellstruktúra optimalizálása során (pl. Guthke et al., 2005 Greenfield et al., 2013 Zhang et al., 2013). Bár a megjósolt GRN -ek gyakran rendkívül pontosak, hátrányuk, hogy a módszerek számításigényesek. Így ezeket gyakran alkalmazzák kis számú génre, amelyeket gondosan kell kiválasztani (lásd alább).

Az egyik differenciálegyenleteken alapuló megközelítés a NetGenerator (Guthke et al., 2005 Toepfer et al., 2007). Az eszköz heurisztikus keresési stratégia segítségével alkalmazza a ritkaság kritériumát. Ezenkívül lágyan integrálja az előzetes tudást, és kibővítették az expressziós adatok zajjal szembeni ellenálló kölcsönhatások előrejelzésére (Linde és mtsai, 2010). A NetGenerator -t sikeresen alkalmazták az immunbetegségek GRN -jének előrejelzésére (Guthke és mtsai, 2005), a kórokozók stressz -alkalmazkodási folyamataira (Linde és mtsai, 2010, 2012) és a rheumatoid arthritisre (Kupfer és mtsai, 2014). 2013 óta a NetGenerator több expressziós adathalmaz és több inger alapján képes megjósolni a GRN -értékeket (Weber és mtsai, 2013), ami például a kombinált gyógyszeres kezelésben hasznos.


Következtetések

Retrospektív adatokon alapuló vizsgálatunk egy 11-PPI-Mod prediktort azonosított, amely ígéretes prediktív értéket mutatott az adjuváns kemoterápia túlélési előnyei tekintetében a II. stádiumú CRC-kben. Az adjuváns kemoterápiás csoportban lévő betegek viszonylag kis száma korlátozhatja a prediktív hatékonyságot. A 11-PPI-Mod aláírás érvényesítésére prospektív nagykohorsz-vizsgálatot javasolnak. Ezenkívül a tanulmányban azonosított magas kockázatú PPI modulok/gének új terápiás célpontok lehetnek a kemo-érzékenység növelése és a betegek kimenetelének javítása érdekében.


Segítő információ

S1 ábra.

A DLI -k szélcsoportosítási együtthatója különböző megőrzési pontszámokkal. A DLI -ket a motívumok megőrzésével rendelték el, és 10 csoportra osztották. A zárójelben lévő számok az egyes csoportokban található DLI -k számát mutatják.

S2 ábra.

A DLI -k csoportosítási együtthatói a motívum reguláris kifejezés valószínűsége szerint. (a) A DLI -k csoportosítási együtthatóit különböző valószínűségű határértékekkel hasonlították össze a DDI -kével. (b) Minden pont egy egyedi reguláris kifejezéssel rendelkező motívumot képvisel, amelynek valószínűsége az, hogy véletlenül megtalálható az x tengelyen, míg a kölcsönhatások átlagos klaszterezési együtthatója az y tengelyen. A motívum reguláris kifejeződésének valószínűségét az aminosav valószínűség szorzataként számítottuk ki egy motívum minden pozíciójában [18].

S3 ábra.

Példák DLI -re és DDI -re a biológiai modulok közötti és azokon belüli kölcsönhatásokban (a) funkcionális csoportok, (b) fehérjekomplexek és (c) szubcelluláris lokalizációk esetén.

S4 ábra.

A DDI-ket és DLI-ket közvetítő domének és lineáris motívumok száma az eukarióták PPI-hálózatában. Az egyes fehérjékre számított átlagos számot minden fajra és p-értéket vettünk, összehasonlítva a 45 nem -metazoán és 53 metazoán fajt t-teszt.

S5 ábra.

A DLI-k és a DDI-k gazdagítása a modulon belüli interakciók között és között. Funkcionális csoportként nem átfedő GO kifejezéseket használtunk. A modul mérete jelzi a fehérjék számát egy adott GO kifejezésben.

S6 ábra.

Gazdagító homo-DDI-k és DLI-k a modulon belüli interakciók között és között.

S7 ábra.

Dúsító hetero-DDI-k és DLI-k a modulok közötti és a kölcsönhatások között.

S8 ábra.

A modulok közötti interakciók növekedése a fehérje komplexek metázoán PPI hálózataiban. (a) A modulok közötti és a modulon belüli kölcsönhatások száma eukarióta fajokban a fehérjekomplexek között. Az értékek kilenc reprezentatív eukarióta fajra vonatkoznak. (b) A modulon belüli és a modulon belüli interakciók átlagos aránya nem-metazán és metazoán fajokban.

S9 ábra.

A modul minőségének összehasonlítása a DLI/DDI azonosítójú modulok és a hagyományos PPI-azonosító modulok között a különböző funkcionális csoportokhoz. Mind a molekuláris funkciók, mind a biológiai folyamatok esetében a hatás mérete, e, és a p-érték jelenik meg, a modul mérete szerint rétegezve.

S10 ábra.

A DDI -k és a DLI -k élcsoportosítási együtthatója az SPPI -hálózatban.

S11 ábra.

F1 pont az interakcióban lévő tartomány-domain párok előrejelzésére a küszöbértékhez viszonyítva, CS0. Az F1 a pontszámot pozitív előrejelzésekre számítottuk ki, amelyek tartomány-tartomány párok voltak, megbízhatósági pontszámmal, CS, nagyobb, mint a CS0.

S12 ábra.

Vázlatosan szemlélteti, hogy a PPI-k hogyan voltak besorolva a modulok közötti vagy a modulon belüli interakciók közé.

S1 táblázat.

DDI és DLI hozzárendelt emberi PPI hálózat.

S2 táblázat.

DDI-k és DLI-k száma modulon belüli vagy modulközi interakcióként.

S3 táblázat.

A különböző konzervációjú DLI-k töredéke a modulok közötti vagy a modulon belüli interakciókban.

Táblázat S4.

A homo- és hetero-DDI-k gazdagítása a biológiai modulok közötti és azokon belüli kölcsönhatásokban.

S5 táblázat.

Interakciók száma eukarióta fajok ortológ PPI-hálózataiban.

Táblázat S6.

A DDI-k és DLI-k száma modulon belüli vagy közötti interakcióként az SPPI hálózatban.

Táblázat S7.

Fehérjék modultagsága PPI modulokhoz és DLI/DDI modulokhoz.


Mód

Zebrafish ellátás

A vadtípusú (WT) és a mutáns zebrahal embriókat természetes párosítással gyűjtöttük be. Valamennyi embriót a korábban leírt morfológiai kritériumok szerint rendeztük [53]. Az összes zebrahal vonalat a University of Massachusetts Medical School Zebrafish Facility-jében nevelték fel.

In situ hibridizáció

Az embriókat különböző időpontokban gyűjtöttük össze 11 lóerő és 24 lóerő között, és 4% -os paraformaldehidben rögzítettük, és 100% -os metanolban - 20 ° C -on tároltuk. Az in situ hibridizációt (ISH) az előzőekben leírtak szerint hajtottuk végre, majd színreakciót követtünk NBT/BCIP vagy INT/BCIP alkalmazásával 10% -os polivinil -alkoholban [54]. A gének RNS -szondáinak szintézise dusp6, dusp2, krox20, hoxb1a, fgf3, fgf8 és valentino korábban már leírták [55]. 800-1000 bp kódolószekvencia a gének számára pax2, spry1, hoxd4a, dm20, efnb2a, sall4, greb1l, egfl6, hoxb2a, engrailed1b, irx7, meis1a, tox3, sema3fb, mpz, gas6, hoxb3a, hoxa3, isl1/2, neurod6b, atoh1b, olig4 és nr2f2 klónoztuk és a szonda szintéziséhez használtuk. Az ccnjl, cefl2, col15a1b és gbx1 a szondákat a Zebrafish International Resource Center -től (ZIRC) vásárolták. Minden ISH-kísérlet tartalmazta a vad típusú embriók pozitív kontrollját, amelyet ugyanazzal a próbával festettek meg, mint a kísérleti mintákat. A kontroll és a kísérleti ISH reakciókat leállítottuk, amikor a kontroll embriók elérték az optimális festődést. Az egyes ábrákon látható paneleket nem feltétlenül ugyanazon a napon dolgozták fel.

Immunfestés

A teljes rögzítésű immunfestéshez az embriókat 4% paraformaldehid/8% szacharóz/1 × PBS-ben rögzítettük. A fluoreszcens antitestfestést a korábban leírtak szerint végeztük [56]. Elsődleges antitesteket használtak a Mauthner neuronok (3A10 1: 100 Developmental Studies Hybridoma Bank [DSHB]) és az Abducens motoros neuronok (egér anti-Zn8 1: 1000 DSHB) kimutatására. A másodlagos antitest kecske anti-egér elleni Alexa Fluor 488 volt (1: 200 Molecular Probes A11001).

Képalkotás

A képalkotáshoz a 11 hpf és 19 hpf közötti embriókat 3% metil -cellulózban szuszpendáltuk. A képek Leica M165 FC mikroszkóppal készültek, Leica DFC310 FX kamerával felszerelve. 24 lóerő, 48 lóerő és 4 nappal a megtermékenyítés után (dpf) a régi embriókat eltávolítottuk, és 70% -os glicerinben laposra helyeztük, hogy áthidalható fedőlemezeken végezzük a képalkotást. A teljes rögzítésű embriókat Nikon Eclipse E600 mikroszkóppal, Nikon 20 × Plan Fluor objektívvel és a laposan rögzített embriókat Zeiss Axiocam 503 színes kamerával készítették. A rögzített képeket kivágták és beállították (a kontrasztra és a szintekre korlátozva) az Adobe Photoshop alkalmazásban.

Farmakológiai kezelések

Az SU5402 (az Fgf receptor tirozin kináz Calbiochem kompetitív inhibitora) 250 mM törzsoldatát és a 4 (dietil-amino) -benzaldehid (DEAB-az RA szintézisében részt vevő RABDH enzim kis molekula inhibitora Aldrich) 1 M törzsoldatát hígítottuk DMSO és - 20 ° C -on tároljuk. Az RA jelátvitel blokkolására az embriókat 10 lM DEAB -ban áztattuk 4 lóerőtől kezdve. A gyógyszert soha nem mostuk le, és az embriókat összegyűjtöttük, és ISH-ra rögzítettük 12 hpf, 14 hpf, 16 hpf, 19 hpf és 24 hpf mellett. Hasonlóképpen, az FGF jelátvitel blokkolására az embriókat 50 µM SU5402 -ben áztattuk 7 lóerő és 12 lóerő között. Ezt követően az embriókat alaposan leöblítettük akváriumvízben [12], és hagytuk kifejlődni 12 lóerő, 14 lóerő, 16 lóerő, 19 lóerő és 24 lóerő, amikor összegyűjtötték és rögzítették az ISH -ra.

Egyszálú vezető RNS-ek tervezése és befecskendezése a CRISPR/Cas9 által közvetített genomszerkesztéshez

gáz6 (allélok um296, um297, um298 és um299) és gbx1 (um300 és um301 allélok) mutánsokat a CRISPR (Clustered Regularly Interspaced Short Palindromic Repeat)/Cas9 genomszerkesztő rendszer segítségével állítottuk elő. Céloldalak a számára gáz6 (5’-ATGAGGGAGCTGGTGTGGAGC-3′) és gbx1 (5’-CCAGATAGT- TTCTACCCCCC-3 ′) a genomszerkesztéshez használt CHOPCHOP webes eszköz segítségével határoztuk meg [57]. A T7 promoter szekvenciát, a célszekvenciát és egy további konstans régiót tartalmazó oligosokat a korábban leírt módszerek szerint hozták létre és lágyították [55, 58]. Ezeket a sablonokat in vitro átírtuk T7 RNS polimeráz (Promega) segítségével, hogy egyszálú irányító RNS-eket (sgRNS-eket) állítsunk elő a mikroinjekcióhoz. Linearizált plazmid kódolás cas9 in vitro is átírták az SP6 mMessage mMachine Kit (Ambion) segítségével. 200 ng mindegyik sgRNS és cas9 Az mRNS-t egyesítettük, és ebből a keverékből 2-4 ng-ot injektáltunk a korai 1-sejtes stádiumú embriókba.

A zebrahal vonalak genotipizálása

A zebrafish mutánsok valentino b337 [22], hnf1ba szia 2169 [35], hoxb1b um197 és hoxb1a um191 [24] a korábban leírtak szerint genotipizáltak. Az greb1l sa17608 , egfl6 sa21615 , sall4 sa14110 és celf2 sa33469 a vonalakat a TILLING [59] segítségével azonosították, és mutáns allélokat rendeltek a ZIRC -től. A mutáns allélokat genotipizáltuk a genomi DNS -ből amplifikált PCR -termékek szekvenálásával primerek segítségével.

5’-TGTGAAAATTTCCTTGCTGTGT-3 ′ és 5’-CTGAAGGGCAGAATACGG-3 ′ greb1l sa17608 , 5’-ATCACAGATCCTGGGACAGC-3 ′ és 5’-AAAAGCATTGGATGCA- GCTC-3 ′ egfl6 sa21615 , 5’-GGGCATGAGGAGAGTATGGA-3′ és 5’-TCTTTCAG-CCCACTGTCACTC-3′ sall4 sa14110 , és 5’-CTTTGTTGGCGACCATTGA-3 ′ és 5’-AAAGCGACAAAAACAGATTCG-3 ′ celf2 sa33469 . gbx1 A mutánsokat (um300 és um301 allélok) genotipizáltuk a genomiális DNS-ből amplifikált PCR-termékek Hpy188III restrikciós emésztésével, az 5’-TGTCTCATTCGTCATTACCGTC-3′ és 5’-AAGTTTCCGTGAAATTGAGGAG-3′ primerek felhasználásával. gáz6 A mutánsokat (um296, um297, um298 és um299 allélokat) genomikus DNS-ből amplifikált PCR-termékek XcmI restrikciós emésztésével genotipizáltuk, 5'-GCGAACACATTGAGCAAGAA-3 'és 5'-CATCG-CTAATGCTTCATCCA-3 ′ láncindítókkal.

A genotipizáló embriók ISH és immunfestés után

hoxb1a, hnf1ba és valentino a homozigóta mutánsok nem életképesek felnőttként. Ennek eredményeként az ebben a vizsgálatban vizsgált összes embriót heterozigóta szülők keresztezéséből gyűjtöttük be. Az ISH és az immunfestés után az embriókat alaposan leöblítettük 1xPBS oldatban, és egyenként genotipizáltuk. Reprezentatív genotipizálási adatok a hoxb1a mutánsok az 1. kiegészítő fájlban láthatók: S1 ábra. Emberek, amelyekből hiányzik az r5 krox20 festés képviseli valentino és hnf1ba homozigóta mutánsok. A ZIRC-től rendelt mutánsokat a fent leírtak szerint genotipizáltuk.

MRNS injekciók

Minden mikroinjekcióhoz szükséges mRNS -t in vitro szintetizáltunk az Sp6 mMessage mMachine Kit (Ambion) segítségével. 100 ng/ul egyenként GFP [51] és hoxb1a [28] Az mRNS-t egyesítettük, és ebből a keverékből 1-2 ng-t injektáltunk a korai 1-sejtes stádiumú embriókba.

Olig2 riporter be gáz6 mutáns háttér

A transzgénikus vonal Tg (olig2: EGFP) vu12 keresztezték a gáz6 mutáns háttér, majd a gáz6 homozigóta mutáns vonalat hoztunk létre olig2:eGFP transzgén. Ezt a vonalat használták az RNS-seq könyvtár elkészítéséhez, valamint az Olig2+ oligodendrocita progenitor sejtek állapotának tanulmányozásához mutáns háttérben.

RNA-seq könyvtár előkészítése

gáz6 mutáns embriók, amelyek a olig2:EGFP A transzgént 48 lóerőre emeltük. A GFP jelet használva útmutatóként, a hátsó agyakat kivágtuk a homozigótákból gáz6 transzgenikus mutánsok. A hátsó agyakat is felboncolták Tg (olig2: EGFP) vu12 embriók mint kontrollminták. A feldarabolt szövetek medencéit deyolkedtük, és a teljes RNS -t kivontuk az RNeasy Mini Kit (Qiagen) segítségével. Hasonlóképpen, a WT és hoxb1b um197 A mutánsokat 18 hpf-en gyűjtöttük össze, és a teljes RNS-t extraháltuk a dechorionált, tojássárgája nélküli, egész embriókból. Minden RNS-seq kísérlethez három könyvtárat szintetizáltak 3 μg RNS-ből minden WT és mutáns mintához a TruSeq Stranded mRNS Library Prep Kit (Illumina) segítségével. Minden könyvtár minőségét bioanalizátoron elemeztük a szekvenálás előtt (Agilent 2100 BioAnalyzer).

RNS-seq adatok feldolgozása és elemzése

A Fastq fájlokat a korábban leírtak szerint [55] elemeztük a University of Massachusetts Medical School Dolphin webes felületén [60]. A differenciálisan expresszált (DE) géneket olyanokként azonosították, amelyekben a WT és a mutáns minták közötti expresszió-változás kétszeresénél nagyobb. Az RNA-seq adatok a GEO-nál GSE113437 hozzáférési számon érhetők el.

Kvantitatív PCR

A teljes RNS -t teljes embriókból (WT és hoxb1b −/− 18 lóerőnél), vagy a felhasított hátsó agyszövetből (gáz6 −/− és WT 48 LE-vel) az RNeasy Mini Kit (Qiagen) segítségével. Körülbelül 100 ng RNS -t használtunk a cDNS reverz transzkripciójához a High Capacity cDNS Reverse Transcription Kit (Applied Biosystems) segítségével. A qPCR reakciót SYBR Green qPCR Master Mix (BioTool) alkalmazásával hajtottuk végre Applied Biosystems 7300 PCR rendszeren.


Anyagok és metódusok

Az expressziós értékek normalizálása minden génre

A következő képletet [89] használtuk az összes gén expressziós értékének standardizálására: (2)

Ahol gij a gén expressziós értékét jelenti én mintában j és átlagos(gén) és std(gén), illetve a gén expressziós vektorának átlagos és szórását jelentik én az összes mintán.

A terápiás pontszámok kiszámítása

A gyógyszerek hatására kifejtett génexpressziós profil és a HCC jellegzetes útvonalainak összegyűjtése alapján a Kolmogorov-Smirnov teszt [24,45] ihlette, és a következő megközelítést dolgoztuk ki :. A rák DEG-jeit (Differentially Expressed Genes) és a CMap-gyógyszer DEG-jeit először csökkenő sorrendbe soroltuk log2 (szeres változásaik) szerint, alacsony számú rangot a leginkább felszabályozott génekhez, míg magas rangokat adtunk hozzá. a leginkább alulszabályozott gének. Másodszor, a rákos DEG-eket két csoportra osztották: felfelé szabályozott génkészletre és lefelé szabályozott génkészletre. A rák által szabályozott génkészlethez például megkaptuk ezeknek a géneknek és az összes gyógyszer-DEG metszetét, azaz m közös gének. Harmadszor ezekért m géneket, csökkenő sorrendbe rendeztük őket a különböző expressziós értékeik szerint a gyógyszerek hatására a nagyoktól a kicsikig, és megjelöltük őket Gfel. Hasonlóképpen, az átrendezett rák lefelé szabályozott génkészlete Gle- megszerezhető. Végül a m gének benne Gfel vagy Gle-, kiszámítottuk a gyógyszerek és betegségek közötti összefüggéseket.

A HCC útvonalhoz én és a gyógyszer expressziós profilja j, külön számítottunk terápiás pontszámot az útvonal felfelé vagy lefelé szabályozott génkészletére én: vagy. A HCC útvonalhoz én, fel kell venni- (Gfel) vagy leszabályozott gének (Gle-) bemenetként. A számítási képletek a következők [24]: (3) (4) (5) ahol n a referencia -gyógyszer expressziós profilban található gének teljes számát jelenti j m a felszabályozott gének számát jelenti Gfel, vagy a leszabályozott gének száma Gle- p a bemeneti halmaz helyzetét jelenti (p = 1…m) V(p) a helyzete a pth input gén a gyógyszerexpressziós profil génlistájában j és CS a kapcsolódási pontszámot vagy a felfelé vagy lefelé szabályozott génkészletre vonatkozik.

A felfelé szabályozott génkészlet felvétele Gfel példaként a géneket várjuk Gfel hogy a gyógyszer DEG lista hátoldalán legyen, hogy a gyógyszer képes legyen a rák kezelésére. Vagyis egy kicsi génnel p érték ben Gfel, azt várjuk V(p) nagy legyen. Ebben az időben az értéke b nagyobb, mint a, és CS vesz -b. A maximális érték figyelembe vétele ezt biztosítja V(p) lehetőség szerint a gyógyszer DEG lista alján található, és p tetején található Gfel. Ily módon más gének után a p pozícióban Gfel után kerül kiosztásra V(p). Ezért figyelembe vettük az összes útvonal összes vagy legtöbb génjét. A gének esetében Gle-, elvárjuk, hogy ezek a gének a gyógyszer -DEG lista élén legyenek, így a gyógyszer képes a rák kezelésére. Vagyis egy nagy génnel p érték ben Gle-, azt várjuk V(p) kicsinek lenni. Ebben az időben az értéke a nagyobb, mint b, és CS veszi a. Hasonlóképpen a maximális érték felvétele biztosítja, hogy a gének a p pozícióban Gle- mind az előtt vannak V(p) pozíciót a gyógyszer DEG listájában. Ily módon a rák leszabályozott génjeinek mindegyike vagy nagy része a gyógyszer DEG lista felső részében oszlik meg. Vagyis a gyógyszer képes rák kezelésére.

A terápiás pontszám (TS) között egy gyógyszerrel k A CMap és a HCC 12 funkcionális útvonalat tartalmazó példányait a következőképpen számítjuk ki [45]: (6) ahol a gyógyszer rendelkezik k a CMap és a HCC példányai 12 funkcionális útvonallal és CS én,j a HCC útvonal közötti kapcsolat pontszámát jelenti én és példány j, amelyet a következőképpen definiálunk: (7) ahol és ábrázolják a felfelé szabályozott génkészlet és az útvonal alul szabályozott génjei kapcsolódási pontszámait énilletve meghatározásukat a (2) - (4) képlet tartalmazza. Vagyis 12 útvonal kapcsolódik a HCC -hez és egy gyógyszerhez k példányok. Kiszámítjuk a KS korrelációt a 12 út mindegyike és az egyes útvonalak között k példányokat, és megkaphatjuk (12×k) KS értékek. Összeadjuk őket, és végül az összeget elosztjuk k hogy megtalálja az átlagos KS értéket, mint a gyógyszer és a HCC közötti korrelációt.

Vegyszerek

A securinint a Beijing Solarbio Science and Technology cégtől szerezték be (Peking, Kína). Az izokarboxazidot és az ajmalint a Santa Cruz Biotechnology-tól (Santa Cruz, Dallas, TX, USA) szereztük be. Ezen vegyszerek tisztasága ≥98% volt az utasítások szerint.

Sejtek és sejttenyészet

A humán HCC sejtvonalakat, a HepG2, Hep3B és Huh7 a Procell Life Science and Technology Co., Ltd.-től (Wuhan, Kína), az L02 sejteket pedig a Kínai Tudományos Akadémia Shanghai Biokémiai és Sejtbiológiai Intézetétől (Sanghaj) szereztük be. , Kína). A sejteket a Dulbecco's Modified Eagle's Medium -ban (DMEM M & ampC Gene Technology Co., Ltd., Peking, Kína) tenyésztettük, és 10% (v/v) magzati szarvasmarha -szérummal (Gibco Life Technologies, Waltham, MA, USA) kiegészítettük, 100 U /ml penicillint és 100 E/ml sztreptomicint. Mindkét sejtet nedvesített 5% (v/v) CO -ban inkubáltuk2 37 ° C -os inkubátorban.

A sejtek életképességének elemzése

A sejtek életképessége érdekében a sejteket 96 lyukú lemezekre oltottuk 2,5 × 103 sejt / lyuk sűrűségben. Ezután a sejteket különböző koncentrációjú gyógyszerekkel kezeltük. Négy sejtkészletet kezeltünk különböző oldószerekkel kontrollként. Miután a sejteket 72 órán át tenyésztettük, minden lyukhoz 10 μl CCK-8-at (CCK-8 sejtproliferáció és citotoxicitás vizsgálati készlet Bioworld Technology, Nanjing, Kína) adtunk, majd 4 órán át 37 ° C-on inkubáltuk. A sejtek életképességét az abszorbancia 450 nm-en történő detektálásával értékeltük spektrofotométerrel (Bio-Rad, Hercules, CA, USA). A kísérletet háromszor megismételték.

Áramlási citometriai elemzés az apoptózisra

A sejteket különböző gyógyszerekkel kezeltük 15 μM -on 72 órán keresztül. A sejteket centrifugálással gyűjtöttük össze, kétszer mostuk hideg foszfáttal pufferolt sóoldattal (PBS), majd BD FACSCanto II áramlási citometriával (BD Biosciences, Franklin Lakes, NJ, USA) elemeztük az Annexin V-FITC/PI Apoptosis protokollja szerint. Érzékelő készlet (Bioworld Technology). Ezen adatok elemzéséhez a FlowJo szoftvert (10. verzió, FlowJo LLC, Ashland, OR, USA) használtuk.

Western blot elemzés

A fehérje extrakció előtt a sejteket 1 × PBS -sel mossuk a tápközeg eltávolítása érdekében. A sejteket összegyűjtöttük, és BC-200 lízispufferrel (20 mM HEPES puffer, pH 7,9, 200 mM KCl-t, 1 mM EDTA-t, 10 mM β-merkaptoetanolt, 0,2 mM PMSF-et, 0,1% NP-40-et és glicerint tartalmaz) lizáltuk. . A fehérjemintákat 10%-os nátrium-dodecil-szulfát-poliakrilamid gélelektroforézissel választottuk el, és polivinilidén-fluorid membránra vittük át (Millipore, Bedford, MA, USA). Miután 1 órán át szobahőmérsékleten 5% -os zsírmentes tejjel blokkoltuk, a membránokat 4 ° C -on egy éjszakán át próba elsődleges antitestekkel vizsgáltuk. Ezután négyszer 1 × TBS Tween-20 mosás után a membránokat egy megfelelő másodlagos antitesttel inkubáltuk szobahőmérsékleten 1 órán keresztül. Az ebben a vizsgálatban használt elsődleges antitestek a P53 és CDKN1A (Santa Cruz, Dallas, TX, USA), a Caspase3 és a hasított-Capase3 (Abcam, Cambridge, Egyesült Királyság), a GAPDH (Proteintech, Wuhan, Kína), a másodlagos antitestek pedig a kecske. nyúl- és kecske-ellenes egér-ellenanyag. A másodlagos antitesteket a Jackson ImmunoResearch Inc. -től (West Grove, PA, USA) szereztük be. A kötött antitesteket egy fokozott kemilumineszcens készlet segítségével vizualizáltuk (Wanleibio, Dalian, Kína)

RNS extrakció, reverz transzkripció és valós idejű PCR

Az RNAiso Plus -t (Takara, Shiga, Japán) használtuk a teljes RNS kinyerésére, és NanoDrop 2000 spektrofotométerrel (Thermo Fischer Scientific, Waltham, MA, USA) értékeltük az RNS koncentrációját és minőségét. Komplementer DNS -t a RevertAid First Strand cDNS Synthesis Kit (Thermo Fisher Scientific) protokoll szerint állítottunk elő. A gének kimutatására szolgáló primer szekvenciákat az S1 táblázat tartalmazza.

Valós idejű PCR-t hajtottunk végre a CFX96 Touch System (Bio-Rad) rendszeren a THUNDERBIRD SYBR qPCR Mix (Toyobo, Osaka, Japán) segítségével. A gének expresszióját a 2 -ΔΔCt módszer alkalmazásával számítottuk ki, GAPDH referenciagénként.

Statisztikai analízis

Minden adatot Graph Pad Prism szoftverrel elemeztünk (San Diego, CA, USA). PA ≤0,05 értéket statisztikailag szignifikáns tesztként alkalmaztuk.


Nézd meg a videót: A betegek kétharmada a neten kutat, mielőtt orvoshoz megy - (Október 2022).