Решение задач классификации и кластеризации данных по экспрессии генов на основе их функциональных взаимодействий

• Автор: Бессарабова, Марина Олеговна
• Шифр специальности: 03.02.07, 03.01.09
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Москва
• Количество страниц: 152 с. : ил.

ОГЛАВЛЕНИЕ
ОГЛАВЛЕНИЕ

СПИСОК СОКРАЩЕНИЙ

ОСНОВНЫЕ ПОНЯТИЯ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ

1Л. “Опйсз” исследования

1Л Л. Общее определение и типы “опйсз” исследований

1Л.2. ДНК-микрочипы

1Л .3. Обработка экспрессионных данных

1Л .4. Дескрипторы, как результат “опйсз” исследований

1Л .5. Общий принцип создания экспрессионных классификаторов
1.2. Функциональный анализ
1.2Л. Биологическая сеть
1.2.2. Методы анализа биологической сети
1.2.3. Анализ обогащения
1.2.4. Сравнение высокопроизводительных данных
1.2.5. Функциональный анализ информативных генов классификаторов
1.2.6. Функциональные дескрипторы
1.2.7. Выделение подтипов раковых заболеваний на основании экспрессионных данных
ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ
2.1. Данные для анализа
2.2. Анализ топологии биологической сети
2.3. Функциональны анализ обогащения
2.4. Анализ предков и потомков вершин биологической сети
2.5. Связанность белков в пределах исследуемого множества (интра-связанность) и связанность белков между изучаемым множеством и остальным интерактомом (интер-связанность)
2.6. Непосредственно связанные сети и усредненный кратчайший путь.
2.7. Расстояние в сети между двумя множествами
2.8. Подсчет значимости пересечений наборов информативных генов классификаторов и их объединенных множеств
2.9. Каппа статистика
2.10. Сравнение иерархических деревьев
2.11. Выделение бимодальных генов
2.12. Нормализация по бимодальности
2.13. Поиск групп коэкспрессирующихся бимодальных генов
ГЛАВА 3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
3.1. Функциональный анализ информативных генов классификаторов..
3.1.1. Описание данных
3.1.2. Наборы информативных генов для разных признаков отличаются по белковому функциональному профилю
3.1.3. Топологические параметры наборов информативных генов классификаторов зависят от признака
3.1.4. Транскрипционная регуляция информативных генов классификаторов и регуляция, осуществляемая самими информативными генами, отражают биологическую основу' соответствующих признаков
3.1.5. Способность наборов информативных генов и их объединенных
множеств формировать непосредственно связанные сети
3.1.6. Анализ обогащения по функциональным онтологиям наборов информативных генов и их объединенных множеств
3.1.7. Анализ функциональных закономерностей для информативных генов признаков Н, I, L и М
3.1.8. Сходство наборов информативных генов
3.1.9. Корреляция между сходством наборов информативных генов и качеством предсказания классификаторов
3.1.10. Обсуждение
3.2. Явление бимодальности экспрессионного профиля генов
3.2.1. Феномен бимодальности экспрессионного профиля генов и идентификация бимодальных генов
3.2.2. Бимодальность экспрессионного профиля гена функционально обусловлена
3.2.3. Нормализация экспрессии для бимодальных генов
3.2.4. Группы коэкспрессирующихся генов как функциональные модули
3.2.5. Группы коэкспрессирующихся генов как потенциальные дескрипторы для кластеризации образцов рака молочной железы
3.2.6. Обсуждение
ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ

генами, РНК, эндогенными метаболитами и ксенобиотиками. На данный момент эти молекулярные объекты для человека- и модельных организмов хорошо изучены, информация о них стандартизирована' и представлена во многих базах данных. Ситуация с ребрами несколько другая. Белки; гены, РНК и химические соединения связаны различными типами взаимодействий, и уровень согласованности между источниками информации о взаимодействиях, экспериментальными методами идентификации и организацией информации в базах данных значительно ниже по сравнению с молекулярными объектами.
Существует несколько типов взаимодействий, каждый из которых изучается своей областью с определенной целью. Так, большое число самых важных взаимодействий между метаболитами, реакции преобразования эндогенного субстрата в продукт, катализируемые ферментами, были исследованы уже сравнительно давно в рамках классических биохимических экспериментов и организованы в виде карт метаболических путей в таких базах данных как BRENDA [Barthelmes и др., 2007], EMP/MPW [Selkov и др., 1998] и, позднее, KEGG [Kanehisa и др., 2008]. Созданы эти базы данных были для собрания биохимических знаний с целью их практического применения в таких областях, как, например, стехиометрическое моделирование. Сигнальные взаимодействия изучались генетиками, молекулярными биологами и системными биологами в большей степени в последние десятилетия. К сигнальным взаимодействиям могут быть отнесены такие взаимодействия как: белок-белок, белок-ДНК, белок-РНК, белок-химическое соединение. Существует большое число методов, как массовых, так и индивидуальных, определения белок-белковых взаимодействий. К одному из наиболее распространенных методов массового скрининга различных белков организма относится анализ