基于貝葉斯網絡構建的基因表達調控網絡分析.pdf

1、后基因組時代,高通量數(shù)據的產生和分析是生物信息學研究的重要任務。其中,基因調控網絡的研究有助于在分子層面上揭示基因型和表型之間的關系,為疾病的早期診斷和治療、預防和預后提供有效的分析策略和技術支持。本文選擇大腦皮層微陣列基因表達數(shù)據為分析對象,以發(fā)現(xiàn)和預測基因之間的相互關系,特別是基因轉錄調控關系為目的,利用大腦皮層基因表達數(shù)據構建和分析基因調控網絡。具體內容如下：
　　 ⑴處理大腦皮層基因表達數(shù)據,包括2方面工作,即基因芯片數(shù)

2、據的預處理和基因表達數(shù)據的聚類分析。本文利用R語言平臺和Bioconductor項目中的微陣列數(shù)據預處理相關包,提出針對寡核苷酸基因芯片數(shù)據的預處理方法,將探針水平的大腦皮層基因表達數(shù)據轉換成基因表達數(shù)據矩陣,有助于大腦皮層基因表達數(shù)據的進一步分析。大腦皮層基因表達數(shù)據的聚類分析包括對基因表達數(shù)據樣本的聚類分析和對基因變量的聚類分析。在對大腦皮層基因表達數(shù)據樣本的聚類分析中,確定異常樣本的定義和處理方法,去除大腦皮層基因表達數(shù)據中的異常

3、樣本。在對大腦皮層基因的聚類分析中,分析比較各種聚類方法產生的基因聚類效果,確定合適的聚類算法對大腦皮層基因進行聚類分析,確定相似表達功能大腦皮層基因簇。
　　 ⑵基于貝葉斯網絡模型構建基因調控網絡。通過聚類分析篩選出高度相關的大腦皮層基因簇,結合Biolearn軟件進行基因調控網絡的構建。通過選取不同的參數(shù),分析不同評分函數(shù)和網絡搜索策略構建的基因調控網絡結果,確定最終的網絡結構學習參數(shù)。通過貝葉斯網絡結構學習參數(shù)的分析比較,

4、本文選擇基于BDe評分的貪婪爬山算法搜索策略對大腦皮層13個高度相關基因構建基因調控網絡模型并對網絡進行評分,得出評分最高的大腦皮層基因調控網絡模型。
　　 ⑶對基因調控網絡進行結構和功能分析。基因調控網絡作為一個生物學復雜網絡,不僅具有網絡的結構特征,還具有生物學特征。本文利用局部依賴模型(DDN)分析比較大腦皮層不同樣本集下基因調控網絡結構特征,利用基因轉錄的時空特異性,確定差異局部網絡結構中的基因“熱點”。本文還利用已知的