基于融合信息的共调控基因挖掘研究.pptVIP

* 美国国立生物技术信息中心 * 图中每个点代表一个基因，m组表达谱数据共得到m个共表达网络，这里展示三个共表达网络示例 * 三个本体网络 * 利用CODENSE算法求取网络中的频繁稠密点集，即为基因的共调控团，这样得到的共调控团就保证团内两两基因不仅具有高表达相关性，而且也都高功能相关. * （2）的说明：也就是说，原网络中的边转换为二阶图中的顶点，共同属于多个原网络集合的边即二阶图中的顶点相连，就是我们构建的二阶图。 * 摘要图中稠密的子图在原图集中不一定是频繁出现的，但原图集中频繁稠密的子图在摘要图中一定是稠密的，因此需要提炼稠密的摘要图 * 摘要图中稠密的子图在原图集中不一定是频繁出现的，但原图集中频繁稠密的子图在摘要图中一定是稠密的，因此需要提炼稠密的摘要图 * 摘要图中稠密的子图在原图集中不一定是频繁出现的，但原图集中频繁稠密的子图在摘要图中一定是稠密的，因此需要提炼稠密的摘要图 * 当频繁度为0.4，稠密度为0.7时，采用两种数据得到的结果类被同一调控因子调控的比例最高，达到75%。 * 横坐标代表 纵坐标代表 绿色线表示的。。方法比蓝色线表示的。。方法更好 * 本文中融合了表达谱与本体两种数据，实际中生物数据种类繁多且庞大，可进一步深入研究。 共调控网络中的功能模块多种多样,却对于划分结果的评价方法较为缺乏，需要更深入研究模块间的结构。 * 系统设计与实现 系统实现技术：Java+JSP+Servlet 系统功能： 用户可以从GEO网站下载表达谱与基因注释信息，上传一个或多个文件。 服务器接收到文件后，提示用户选择一种相似性算法来计算表达谱的相似性，并生成摘要图与支持向量。 生成“综合共调控网络”后，返回网络个数，支持向量个数，提示用户输入最小网络个数，频繁度与稠密度阈值，提交后计算出频繁稠密点集的文件，供用户下载使用。 系统设计与实现 文件上传成功 G:点集包含的最小点数 E:边的最低频繁度 生成的聚类文件 实验结果与分析 SLP1 YJL213W YNL320W COG5 YOR338W YBR287W MNT4 YJL171C SPG5 YLR413W QDR2 YOL019W PSR2 YBR016W RGS2 ERO1 PLB3 RAD16 DED1 FYV6 SAM50 CAB1 RMI1 YPR114W GPI18 YDR262W SCM3 HMF1 AAC3 MPT5 共调控基因挖掘结果： 数据源：NCBI有关酿酒酵母的10套数据。 在yeastract上对比得出的调控百分比： 实验结果与分析 实验结果与分析 SCSM方法与本体数据结合得到的共调控基因组更精简，被调控比例高。 内容安排: 研究背景、目的及意义 主要研究内容 表达谱相似性度量 本体相似性度量 融合网络挖掘共调控基因 结论 结论 成果 提出基于子空间的表达谱相似性度量方法，验证相似性对聚类结果的影响。 提出基于语义分化距离的基因本体相似性度量方法，结合表达谱数据构造综合共调控网络集合，解决了共调控基因挖掘中数据源单一的问题 。 构建了网络系统，方便研究人员交流。 不足 本文数据源不够丰富，需要进一步深入研究。 共调控基因组的评价方法较少，需要进一步扩展。 视频 谢谢！ 请老师提出宝贵意见！ * * 通过分析和发现基因间的共调控关系,人们将更加清楚准确地理解调控通路的调控机理，揭示基因的功能与基因活动的动态过程，并将推动新药的研制和新分子药物靶标的发现 研究基因调控网络的重要性越来越突出, 将对医药、卫生、食品、农业等产业产生巨大的影响,甚至引发新的产业革命 用一个简单的基因调控网络的示意图来说明上述三者之间的关系 有颜色的圆圈代表转录因子，不同的颜色代表不同的转录调控因子，圆角矩形代表目标基因，其颜色代表被调控的转录因子 调控因子调控基因的表达，使得基因具有不同的功能，本文就从表达数据与功能数据着手，研究基因之间的调控关系 * 国际国内已经有很多学者对这方面的问题进行了研究 * * * * 本文中采用一种树的搜索策略来对样本子空间进行全局搜索，这是建立树的核心算法 * 因为表达水平在样本空间上的相关性表现为一种偏移关系，采用Trie树可以很方便地对这种关系进行搜索 * 计算出基因集合D中所有基因的对齐后缀后，接下来将所有的后缀插入到树中 * 将左图中的基因集合D所有的对齐后缀长度大于等于3的对象全部插入树中，再建立索引后就生成右图中的这样一颗树 * l/s：模式相关的样本长度 分母：表达数据在搜索出的子空间上表达水平的差异程度除以它们各自的方差，平方后除以l 反正切：使最后的相似性值在0到1之间 * l/s：模式相关的样本长度 分母：