基因芯片 进展

，研究者可以把符 合标准的生物学通路提供给BioCarta数据库。 BioCarta数据库不会检验这些生物学通路的质量， 因此其中的资源质量参差不齐，并且有许多相互重 复；然而BioCarta数据库数据最巨大，且不同于 KEGG数据库，包含了大量代谢通路之外的生物学 通路，所以也得到广泛的应用。 除以上2个大型生物学通路数据库之外，近年 来还开发了一些通路分析软件和网络平台。目前广 泛应用的通路分析软件是PathwayMiner，同时也是 免费通路分析网络平台(http：Hwww．biorag．org／index． php)，由美国亚利桑那大学癌症中心建立并维护， 其最突出的特点就是信息全面，操作简便。使用者 可以在这个网站中获得单个基凶的序列、功能注释 以及有关它们编码的蛋白结构功能、组织分布等信 息。近几年国内也开发了用于通路分析的网络平台 (http：／／kobas．cbi．pku．edu．cn)，即KOBAS(KO·based annotationsystem)，其基于KEGG数据库建立，由北 京大学生命科学院开发和维护，特点是町直接采用 基因或蛋白质的序列录入基因，并对录入的基因列 表进行注释。 5．3基因调控网络分析 通路分析法是芯片功能分析的有力工具之一。 在生物反应的过程中，发生表达变化的基冈通常存 在于由许多调控因子和通路参与的复杂调控网络 中。生物调控网络十分复杂，现阶段并没有现成的 文献和数据库可供参考。如果把芯片中发生表达变 化的基因放在生物调控网络的水平来看，它们通常 在多个通路中都有分布，而且每个通路一般包含几 个发生表达变化的基因。这就解释了为什么有些通 万方数据 垦堕生塑堕堂三矍塑查!Q!Q堡垒旦蔓塑鲞箜2塑丛』曼i!堂4曼竖：垒世!垫!!：!堂：!!：坠：! 路只有部分基因表达发生变化，而且表达变化的趋 势在整个通路水平上不一定是一致的。 进行生物调控网络的研究需要更多的数据库 及分析工具的支持。比如需要关于基因组调控序列 (启动子和增强子)的信息，现在已经有许多关于转 录因子结合位点(transcriptionfactorbindingsite， TFBS)的数据库可以满足这个要求，如TRANSFAC 及JASPAR。转录调节控制基因表达、调控在不同组 织中的细胞在各种生理条件及外界刺激下的反应。 细胞的转录调节涉及大量转录因子的相互作用，而 且基因组调控序列不只位于启动子，还包括内含子 及许多基因下游序列，所以真正了解真核细胞的基 因调控网络是一项非常艰巨的工作，用基因调控网 络来分析基因芯片数据还需要更多信息及技术的 支持。 6分析结果的检验及生物学意义 基因芯片实验结果必需经过重复实验或结果 验证才能被接受，目前常用的验证方法是荧光实时 逆转录聚合酶链反应(real．timefluorescentquantita． tivepolymerasechainreaction，RT．PCR)田嘲。RT—PCR 技术具有灵敏度高、易操作性、能够快速提供准确 可靠的定量结果等特点，但对于探索基因表达的生 理改变以及验证基因芯片结果而言，目的基因的相 对定量对于大多数实验来说己经足够。 对基因芯片实验所得结果，还必须进行参数法 和非参数法的统计学检验。前者受数据本身的影响 较大，后者无此影响，但是对数据变化不甚敏感。在 得到统计分析结果之后，接下来还要分析生物学意 义，进而创立新的假说。但在统计学分析结果的基 础上进行此项工作甚为困难，因为不仅由于芯片上 所吸附的DNA片段常常是未知基因，即使是已知 基因，其功能也往往尚未完全了解，这就还需要借 助概率相关模型、GenMAPP等方法来探索隐藏在数 据后的生物学意义。 7基因芯片数据分析的应用及前景 目前基因芯片技术及其数据分析已成功应用 于许多领域，但基因芯片技术仍处于发展阶段。随 着该技术的发展和完善，将产生“海量”数据，对于 这些数据快速、合理地分析，发现其中所隐藏的生 物信息，是一项重要而艰巨的工作。随着统计学、生 物信息学、计算机科学等学科的发展与结合，将为 基因芯片数据信息的提取和分析提供新的思路和 方法。随着后基因组时代的到来，如何发展有效的 实验设计及数据分析方法，从这种包含序列结构和 功能信息的数据海洋中筛选与某一特定生命现象 相关的基因及其功能，将成为科学家的重要研究任 务。在后基因组时代科学研究的推动下，基因芯片 技术将会得到更快的发展和更广泛的应用，用一个 基因芯片即可完成一个个体全部基因的检测、疾病 相关基因的筛选并能提供疾病诊断、相关疾病预防 及治疗指导的设想将有望实现。 参考文献 【1】 KratzJRJablonsDM．Genomicprognosticmodelsinearly—stage lungcaneetfJ】．ClinLungCancer,2009，10(3)：151·157． [21AloasoR，DefescheJC，TejedorD。eta1．Geneticdiagnosisoffamil- ialhypercholesterolemiausingaDNA-arraybasedplatform[J]．Ciin Biochem,2009，42(9)：899-903． 【3】HuehnS，MalornyB．DNAmicroarrayformolecularepidemiologyof Salmonella[J]．MethodsMolBi01．2009．55l：249—285． [41ThomassenGO，RoweAD，Lase∞nketa1．Customdesignand analysisofhigh—densityoligonueleotidebacterialtilingmicroarrays 叨．PLoSONE，2009，4(6)：e5943． 【5】ReimersM．Statisticalanalysisofmiemarraydata[J]．AddictBiol， 2005，10(1)：23·35． 【6】CapobiancoE．Aliasingingenefeaturedetectionbyprojectivemeth- ods[J]．JBioinformComputBiol，2009，7(4)：685—700． 【7】BocsT，NeuhauserM．Normalizationforaffyraetrixgenechips[J]． MethodslnfMed，2005，44(3)：414-417． 【8】8 YangYun-feng,ZhuMeng-xia,WuLi—you，eta1．Assessmentofdata processingtoimprovereliabilityofmicroarrayexperimentsusing genomieDNAreference[J]．BMCGenomics，2008，9(Suppl2)：s5． [91 CahanP，RovegnoF，MooneyD，eta1．Meta—analysisofmicroarray results：challenges，opportunities，andrecommendationsforstan— dardization[J]．Gene，2007，401(1—2)：12-18． 【10】SuzukiA。ShibataT，ShimadaY，eta1．IdentificationofSMURF!as apossibletargetfor7q21．3—22．1amplificationdetectedinapancre— aticcancercelllinebyin··housearray··basedcomparativegenomie hybridization[J]．CancerSci，2008，99(5)：986-994． 【11】TaoWen-jing,MallardB．Differentiallyexpressedgenesassociated withStaphylococcusaureusmastitisofCanadianHolsteincows[J]． VetImmunollmmunopathol。2007，120(3-4)：201-211． f12JTowsendKTrevinoV，FaleianiF’eta1．IdentificationofVOR-re— sponsivegenesignaturesinbreastcancercells[J]．Oneology，2006， 71(1·21：11 1-123． 【13】MaZu-heng,PortwoodN，BrodinD，eta1．Effectsofdiazoxideon geneexpressioninratpancreaticisletsarelargelylinkedtoelevated glucoseandpotentiallyservetoenhancebeta-cellsensitivity[J]．Di— abetes，2007，56(4)：1095-1106． 【14]SmythGK,YangYH，SpeedT．StatisticalissuesincDNAmicroar- raydataanalysis[J]．MethodsMolBiol，2003，224：i11-136． 【15】YeungKY，HaynorDR，RuzzoWL．Validatingclusteringforgene expressiondata[J]．Bioinformatics，2001，17(4)：309—318． 【16】ChenXin．Curve-basedclusteringoftimecoursegeneexpression datausingsemorganizing舢惮Ⅲ．JBioinforraComputBiol，2009, 7(4)：645·661． 【17】TritehlerD，ParkhomenkoE，BeyeneJ．Filteringgenesforcluster andnetworkanalysis{j]．BMCBioinformaties，2009，10：193． f】8】BrasamA．Minimuminformationaboutamicroarrayexperiment 万方数据 垦匿生塑匿堂王矍垄查垫!Q堡垒旦箜垫鲞筮!塑!堕』曼也堕d垦磐：△哑!垫!垒!型：!互№：! mIAME)---successes，failures，challenges[J1．ScientificWoddJour- hal．2009．9：420—423． 【19】McCormickMR，SeizerRR，RichmondTA．Methodsinhi【gh-resolu- tion，array—basedcomparativegenomichybridization[J]．Methods MelBiol，2007，381：189—211． 【20】XiongHui·lin，ZhangYa,ChenXue-wen．Data-dependentkernel machinesformicroarraydataclassification册．IEEE，ACMTrans ComputBiolBioinform,2007，")：583—595． 121】XiaoJing，WangXue-feng,XuChen-wu．Goneclusteringanalysisof DNAmieroarraydata【J】．ShengWuYiXueGongChengXueZaZhi， 2008，25(3)：729—733． 【22】HuangDe-sheng，PanWei．Incorporatingbiologicalknowledgeinto distance--basedclusteringanalysisofmicroarraygeneexpressionda·- taIJJ．Bioinformatics，2006，22(10)：1259·1268． 【23】BindeaG，MlecnikB，HacklH，eta1．ClueGO：aCytoscapeplug—in todecipherfunctionallygroupedgeneontologyandpathwayannota- finnnetworks[J】．Bioinformaties。2009，25(8)：1091—1093． 【24】YangJO，CharnyP，LeeB，eta1．GS2PATH：Aweb-basedintegrated analysistoolforfindingfunctionalrelationshipsusinggeneontology ·117· andbiochemicalpathwaydata[J]．Bioinfonnation，2007，2(5)：1蚪 196． 【25】TaziKA，QuiocJJ，Abdel—RazekW，eta1．Proteinarraytechnology toinvestigateeytokineproductionbymonocytesfrompatientswith advancedalcoholiccirrhosis：anexvivopilotstudy[J]．HepatolRos， 2009，39(7)：706-715． 【26】DossMX，WinklerJ，ChenShu_hua，eta1．Globaltranseriptome analysisofmurineembryonicstemcell