MDL算法用于時(shí)間梯度設(shè)計(jì)試驗(yàn)豬骨骼肌基因調(diào)控網(wǎng)絡(luò)分析上的研究.pdf

1、本試驗(yàn)基于生長(zhǎng)肥育豬飼喂高含n-3多不飽和脂肪酸的亞麻籽日糧0，30，60,90d后，采取豬背最長(zhǎng)肌樣品進(jìn)行表達(dá)譜芯片數(shù)據(jù)分析。根據(jù)試驗(yàn)設(shè)計(jì)背景采用適合時(shí)間梯度因素和營(yíng)養(yǎng)素影響情況下的數(shù)據(jù)處理算法，旨在進(jìn)一步研究(1)n-3PUFA調(diào)控下骨骼肌基因表達(dá)變化，構(gòu)建差異基因表達(dá)調(diào)控網(wǎng)絡(luò)；(2)骨骼肌內(nèi)脂肪和肌肉形成與分化相關(guān)機(jī)制。(3)同時(shí)基于時(shí)間梯度和營(yíng)養(yǎng)素影響下表達(dá)改變不顯著的研究背景，建立特異性的前期分析框架。
　　 試驗(yàn)樣品

2、采集為每組隨機(jī)取三頭豬的背最長(zhǎng)肌肉樣做為3個(gè)生物學(xué)重復(fù)進(jìn)行表達(dá)譜芯片試驗(yàn)，每個(gè)重復(fù)一張芯片，共計(jì)12張芯片。主要研究結(jié)果如下：
　　 (1)采用EDGE、ANOVA和SlopeMiner3種算法對(duì)4組模擬基因芯片數(shù)據(jù)進(jìn)行篩選，目的是為了選取其中最好的篩選方法運(yùn)用在真實(shí)芯片數(shù)據(jù)上。其中經(jīng)EDGE篩選的FDR值均低于ANOVA和SlopeMiner2種算法，并且FNR值也與ANOVA處于同一水平遠(yuǎn)低于SlopeMiner算法。說(shuō)明E

3、DGE適合處理時(shí)間梯度影響下的表達(dá)譜芯片數(shù)據(jù)，其結(jié)果真實(shí)可靠。例如采用“Q＜0.01”的模擬數(shù)據(jù)模型時(shí)，EDGE篩選的FDR值和FNR值分別為0.0066和0.1048，經(jīng)ANOVA篩選的FDR值和FNR值分別為0.0150和0.1012，經(jīng)SlopeMiner篩選的FDR值和FNR值分別為0.9672和0.1795。因此針對(duì)本試驗(yàn)真實(shí)的基因芯片數(shù)據(jù)擬用EDGE篩選的差異基因結(jié)果進(jìn)行網(wǎng)絡(luò)構(gòu)建分析。
　　 (2)根據(jù)EDGE篩選出

4、的差異基因，通過(guò)基因功能注釋分別選取52個(gè)與脂肪生成和代謝相關(guān)的基因，75個(gè)與肌肉形成和分化相關(guān)的基因進(jìn)行基因調(diào)控網(wǎng)絡(luò)的分析。同時(shí)基于時(shí)間梯度效應(yīng)影響的營(yíng)養(yǎng)素調(diào)控作用的背景，成功構(gòu)建適合本試驗(yàn)設(shè)計(jì)的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和最小長(zhǎng)度原理網(wǎng)絡(luò)算法。對(duì)不同的網(wǎng)絡(luò)結(jié)果進(jìn)行比較分析，經(jīng)公共數(shù)據(jù)庫(kù)(KEGG)查詢重點(diǎn)基因的分子調(diào)控通路。
　　 (3)通過(guò)網(wǎng)絡(luò)圖譜中基因分子功能和通路的查詢，發(fā)現(xiàn)脂肪調(diào)控網(wǎng)絡(luò)中LEF1、FBXW11、PPP2R1A這3

5、個(gè)基因在已知的數(shù)據(jù)庫(kù)中存在于一個(gè)相同的調(diào)控通路“hsa04310”中，即“Wnt信號(hào)通路”，說(shuō)明“Wnt信號(hào)通路”很可能在脂肪形成及調(diào)控方面起到了重要的作用。同時(shí)LEF1對(duì)WNT3可能存在轉(zhuǎn)錄因子方面的調(diào)控，而他們也存在于Wnt信號(hào)通路上，所以進(jìn)一步驗(yàn)證了Wnt信號(hào)通路在脂肪形成和代謝上可能存在的重要作用。肌肉調(diào)控網(wǎng)絡(luò)中發(fā)現(xiàn)EGF和MEF2C存在相同的調(diào)控通路“hsa04010”，即“MAPK信號(hào)通路”，說(shuō)明MAPK信號(hào)通路很可能在肌肉

6、的形成和分化上存在的重要作用。其中FOXC1對(duì)EGF可能存在轉(zhuǎn)錄因子方面的調(diào)控作用，MEF2A不僅對(duì)MEF2C可能有轉(zhuǎn)錄因子方面的調(diào)控，還可能存在蛋白之間的相互作用。
　　 本研究通過(guò)上述試驗(yàn)得到如下結(jié)論：
　　 (1)EDGE較ANOVA和SlopeMiner算法能夠更加準(zhǔn)確地篩選出時(shí)間梯度影響下基因芯片數(shù)據(jù)中差異基因，適合本試驗(yàn)設(shè)計(jì)的獨(dú)特性，更加真實(shí)的體現(xiàn)出生物學(xué)的變化。
　　 (2)MDL算法網(wǎng)絡(luò)模型較動(dòng)態(tài)