利用knockout和time series基因表达数据改善基因调控网络.pptVIP

利用knockout和time series基因表达数据改善基因调控网络 报告时间：2013-12-27 Plos one | 提纲 基因调控网络简介 实验方法和模型 实验结果与评价 基因调控网络简介 提出 随着大规模基因组测序、基因预测以及注释的完成，生物学研究更加关注动态部分即基因调控网络。基因调控网络结构的改变是细胞分化和肿瘤生成等生物现象的深层原因。 基因调控网络简介 基因表达数据 基因表达数据：基因调控网络中最重要的部分是转录水平的调控。基因表达数据反映的是直接或间接测量得到的基因转录产物 mRNA在细胞中的丰度，这些数据可以用于分析哪些基因的表达发生了改变，基因之间有何相关性，在不同条件下基因的活动是如何受影响的。 基因调控网络简介 数据源 数据获取来源： DREAM（ Dialogue on Reverse Engineering Assessment and Methods ） project, DREAM3 Challenges. 数据类型： knockout、knockdown、 time series trajectories. 基因调控网络简介 Wild type Exp1(-G1) Exp2(-G2) Exp3(-G3) Exp4（-G4) … G1 0.5136 0.0051 0.8299 0.7489 0.1637 … G2 0.2674 0.8789 0.0000 0.1481 0.5456 … G3 0.8326 0.5210 0.1865 0.0001 0.5748 … G4 0.8645 0.8247 0.6485 0.5846 0.0026 ... … … … … knockout基因表达数据 实验方法和模型 1. Gaussian Noise model 2. Ordinary Differential Equation（ODE） 主要思想：结合两个简单模型 实验方法和模型 Gaussian Noise model 基于内容：设steady状态下的基因表达真实值为μ，由于噪声的影响，测量出来的表达值总是与真实值之间存在一定的偏差。在基于噪声的分布服从N~（0，σ^2）的假设下，则测量的基因表达值将服从N~（ μ ，σ^2）。利用这个模型，对于一个实际观察值，比如在基因b被剔除的条件下基因a的表达值，结合假设检验的思想，我们就可以计算出有多大的confidence可以相信b对a存在调控。 实验方法和模型 Gaussian Noise model 如何计算每条潜在边的confidence 对基因a、b，若参数已确定， 则b对a存在调控的confidence为 的值越大，则我们就越有理由相信b对a存在调控关系。最后根据这个值对n*(n-1)/2 条边进行排序。 实验方法和模型 Gaussian Noise model 参数的确定：经过多次迭代确定参数 迭代的步骤： 初始化 = ， 为基因a的wild type的表达值，初始化σ 为样本标准差。 对每个基因b（b！=a），计算 ，设定一个阈值 λ，如果 小于λ ，则将基因b加入集合P。 重新计算 ， σ ,转2. 实验方法和模型 Ordinary Differential Equation（ODE） 常微分方程模型的数学描述： 线性微分方程： 非线性微分方程： 设θ为微分方程的待确定参数集合， 为基因i在t时刻的实际表达值， 是微分方程的预测值，令 则参数的确定变为一个最优化问题。 实验方法和模型 Ordinary Differential Equation（ODE） 实验方法和模型 Ordinary Differential Equation（ODE） 实验方法和模型 Ordinary Differential Equation（ODE） 实验方法和模型 Ordinary Differential Equation（ODE） 实验方法和模型 Ordinary Differential Equation（ODE） 实验结果评价 实验结果评价 AUROC值 实验结果评价 CONTENTS 两种错误 　　　谢　　谢！