基于大脑不同区域的阿尔茨海默症基因表达数据分析

提出了采用Tukey双权函数作为FastICA(Fast Independent Component Analysis)方法的非线性函数,对阿尔茨海默症(Alzheimer’s disease,AD)多个脑区域基因表达数据进行显著基因提取,揭示其基因表达调控关系.针对传统聚类方法基于全局聚类且只能将某个基因聚类到某一类的缺陷,改进的FastICA方法能够对基因表达数据进行快速有效的双向聚类,能够满足同一个基因可能参与不同信号传导通路的生物特性.同时考虑到人脑中海马区、内嗅皮质区、颞中回及视觉皮层区均与学习与记忆功能密切相关,将算法对多个脑区域进行基因表达调控综合分析.结果表明,大量炎症反应是AD致病的重要因素之一.

基于炎症反应的阿尔茨海默症功能模块构建

整合阿尔茨海默症患者6个脑区的基因表达数据和蛋白质相互作用数据,较好地避免了基因表达数据高噪声、高变异等不足对构建基因调控网络精度和准确性的影响.考虑到脑部神经炎症是AD发病的重要原因之一,以及钙平衡失调可能是AD几个致病因素联系的纽带,结合蛋白质网络挖掘与AD发病密切相关的基因及炎症和钙离子功能网络,采用最大权重诱导子图(Heinz)算法实现两种高通量数据的结合并提取显著扰动子网,在此基础上利用基于边权的模拟退火算法预测和优化扰动网络,去除网络中较弱的相互作用,添加预测的较强的相互作用,提高网络的精度.实验共提取206个特征基因,并且提取了脑部炎症及钙离子作用机制的功能模块子网.结果证明,使用基于边权的模拟退火算法进一步加强了功能网络的模块性.经生物学分析证明炎症和钙离子机制在AD致病机制中起着很大的作用.这些数据在不同方面为系统地认识基因的复杂调控机制提供了必要的信息.

基于矩阵分解技术的显著基因提取及基因表达数据分析

基因之间存在多种多样的表达调控活动,一般认为这些调控关系隐含在基因表达谱中。因此,可以根据基因表达数据对基因调控状态进行建模,以挖掘具有生物学意义的信息及隐含在其中的基因调控关系。本文分别利用独立成分分析(ICA)和非负矩阵分解(NMF)这两种无监督矩阵分解技术对阿尔茨海默病(AD)基因表达数据进行显著基因提取及基因调控网络的构建,通过生物学分析,探讨了两种不同矩阵分解技术在挖掘潜在致病基因上的作用,通过结合两种方法所提取的显著基因的生物学分析,体现了炎症反应在AD致病机制中的重要作用,为AD早期诊断、致病机制研究及基因生物标志物的探寻提供了有益的方法。