利用knockout和time series基因表达数据改善基因调控网络

利用knockout和time series基因表 达数据改善基因调控网络

报告时间：2013-12-27

Plos one | http://doc.guandang.net

提纲

基因调控网络简介 实验方法和模型

实验结果与评价

基因调控网络简介提出随着大规模基因组测序、基因预测以及注释的完成，生 物学研究更加关注动态部分即基因调控网络。基因调控

网络结构的改变是细胞分化和肿瘤生成等生物现象的深层原因。

基因调控网络简介基因表达数据

基因表达数据：基因调控网络中最重要的部分是转录水平的调控。基因表达 数据反映的是直接或间接测量得到的基因转录产物 mRNA在细胞中的丰度， 这些数据可以用于分析哪些基因的表达发生了改变，基因之间有何相关性， 在不同条件下基因的活动是如何受影响的。

基因调控网络简介数据源数据获取来源： DREAM( Dialogue on Reverse Engineering Assessment and Methods ) project, DREAM3 Challenges.

数据类型：knockout、knockdown、 time series trajectories.

基因调控网络简介

Wild type

Exp1(-G1) Exp2(-G2) Exp3(-G3) Exp4(-G4) 0.0051 0.8789 0.5210 0.8247 0.8299 0.0000 0.1865 0.6485 0.7489 0.1481 0.0001 0.5846 0.1637 0.5456 0.5748 0.0026

… … … …

G1 G2 G3 G4

0.5136 0.2674 0.8326 0.8645

...

…

…

…

…

knockout基因表达数据

实验方法和模型主要思想：结合两个简单模型

1.

Gaussian Noise model

2.

Ordinary Differential Equation(ODE)

实验方法和模型Gaussian Noise model

基于内容：设steady状态下的基因表达真实值为μ,由于噪声的影响，测 量出来的表达值总是与真实值之间存在一定的偏差。在基于噪声的分布服 从N~(0,σ^2)的假设下，则测量的基因表达值将服从N~( μ ,

σ^2)。利用这个模型，对于一个实际观察值，比如在基因b被剔除的条件下基因a的表达值，结合假设检验的思想，我们就可以计算出有多大的 confidence可以相信b对a存在调控。

实验方法和模型Gaussian Noise model如何计算每条潜在边的confidence

对基因a、b,若参数已确定， 则b对a存在调控的confidence为

的值越大，则我们就越有理由相信b对a存在调控关系。最后根据 这个值对n*(n-1)/2 条边进行排序。

实验方法和模型Gaussian Noise model参数的确定：经过多次迭代确定参数迭代的步骤： 1.初始化 = , 为基因a的wild type的表达值，初始化σ

为样本标准差。 2.对每个基因b(b!=a),计算 ，设定一个阈值 λ,如果

3.

小于λ ,则将基因b加入集合P。, σ ,转2.

3.重新计算

实验方法和模型Ordinary Differential Equation(ODE)

常微分方程模型的数学描述： 线性微分方程： 非线性微分方程： 设θ为微分方程的待确定参数集合， 值， 是微分方程的预测值，令 为基因i在t时刻的

实际表达

则参数的确定变为一个最优化问题。

实验方法和模型Ordinary Differential Equation(ODE)

实验方法和模型Ordinary Differential Equation(ODE)

实验方法和模型Ordinary Differential Equation(ODE)

实验方法和模型Ordinary Differential Equation(ODE)

实验方法和模型Ordinary Differential Equation(ODE)