网络基序：生物网络的最小研究单位

 网络基序(network motif),是从生物网络中分解得到的最小研究单位,是构成生物网络的“砖块”,是系统生物学中最简单的研究对象。网络基序存在于各种生物网络中,具有信息处理的功能,通过理论和实验分析发现网络基序有重要的动力学功能。本文总结了网络基序的类型和功能研究方面的工作,包括转录网络中的基序(自我调节或者是反馈(负反馈(NAR)和正反馈(PAR)),正反馈环(FFL),单输入基序(SIM),多级输入基序(MIMs),链式调节子基序(Regulator Chain Motifs),多组分环基序(Multi-component Loop),桥基序和砖基序(Bridge and Brick motif)),信号转导网络中的基序和神经基序(神经元连接的样式),以及发掘和分析基序的数据库和工具。总结了基序的电路视角、进化以及对基序的反对意见,在应用方面,网络基序可能对合成生物学有重要的作用,最后对基序的研究工作提出了建议。网络基序可能是系统生物学的生物网络分析的初级形式,它为模块的分析和合成生物学提供了理论和实验的范本,网络基序需要用更多的网络,更多的在体实验分析,它的进一步发展可能会给生物网络理论带来重大的定则(principle)发现。     

Hierarchically Clustered HMM for Protein Sequence Motif Extraction with Variable Length

Protein sequence motifs extraction is an important field of bioinformatics since its relevance to the structural analysis. Two major problems are related to this field：（1） searching the motifs within the same protein family; and（2） assuming a window size for the motifs search. This work proposes the Hierarchically Clustered Hidden Markov Model（HC-HMM） approach, which represents the behavior and structure of proteins in terms of a Hidden Markov Model chain and hierarchically clusters each chain by minimizing distance between two given chains＇ structure and behavior. It is well known that HMM can be utilized for clustering, however, methods for clustering on Hidden Markov Models themselves are rarely studied. In this paper, we developed a hierarchical clustering based algorithm for HMMs to discover protein sequence motifs that transcend family boundaries with no assumption on the length of the motif. This paper carefully examines the effectiveness of this approach for motif extraction on 2593 proteins that share no more than 25% sequence identity. Many interesting motifs are generated.Three example motifs generated by the HC-HMM approach are analyzed and visualized with their tertiary structure.We believe the proposed method provides a unique protein sequence motif extraction strategy. The related data mining fields using Hidden Markova Model may also benefit from this clustering on HMM themselves approach.     

三类基因振子和它们的基本动力学

蛋白质作为基因调控过程的产物,它的丰度的周期变化处在重要细胞过程的心脏.把基因振子分为3类:松弛型基因振子、规则型基因振子和随机型基因振子.我们分析了它们的基本动力学,显示出它们有不同的动力学性质.例如,松弛振子展示出跳跃动力行为,规则振子展示出规则的极限环,而随机振子展示出连贯共振.这种分类对系统地研究基因振子和它们的群体行为将起着重要的作用.     

Complex networks theory for analyzing metabolic networks

The completion of the Human Genome Project started the post-genomic era. The hot topic of biologi- cal research is now shifting from the study of single genes or proteins to whole genome analyses. All kinds of “omics” technologies such as genomics, tran…     

一种改进的多元回归估计基因调控网络的方法

针对用多元回归分析估计基因调控网络时遇到的计算量过大的问题,提出了先用线性模型构建基因类间的调控网络,再用多元回归模型构建基因间调控网络的改进方案,利用类间网络提供的参考信息可以大大减少多元回归分析的计算量.将该方案应用到人类基因调控网络的估计中,并通过现有文献验证了部分调控关系,从而初步证明了该方法的有效性.     

miRNA作用通路研究

后基因组时代的分子生物学研究需要从整体的角度,系统地阐述基因参与的生物调控过程,已有的通过构建基因调控网络的方式所做的系统生物学研究主要关注于蛋白编码基因之间的相互作用。随着近年来非编码RNA（noncoding RNA）,特别是miRNA研究的深入,显示生物体内存在着广泛的基因转录后调控。本论文通过建立综合蛋白质编码基因与miRNA基因相互作用关系的基因调控网络,分析了人类基因组中涉及miRNA的三类作用模式：（1）宿主基因与内含子miRNA共同作用于另一个蛋白编码基因。（2）miRNA簇中的不同miRNA分别作用于存在着相互作用的两个蛋白编码基因。（3）由两个宿主基因与其各自的内含子miRNA形成双向负调控回路。本研究的结果为进一步认识人类miRNA基因的功能特性提供了重要参考,研究所预测的数据为实验验证提供了依据。     

基于生物信息学构建前列腺癌单细胞层面lncRNA-miRNA-mRNA调控网络

利用生物信息学筛选差异表达基因(Differentially Expressed Genes, DEGs),构建前列腺癌(Prostate Cancer, PCa)单细胞层面lncRNA-miRNA-mRNA调控网络,在分子水平上研究前列腺癌的发生发展过程及预后指标。首先从基因表达综合数据库(GEO)和癌症基因组图谱(TCGA)数据库分别下载单细胞RNA测序数据GSE157703和转录组测序数据TCGA-PRAD,通过R语言筛选差异表达信使RNA(DEmRNA)和差异表达长非编码RNA(DElncRNA),利用相关软件预测并构建lncRNA-miRNA-mRNA调控网络;然后使用R语言进行基因本体论(Gene Ontology, GO)和京都基因与基因百科全书(Kyoto Encyclopedia of Genes and Genomes, KEGG)分析,运用STRING数据库、Cytoscape软件建立蛋白相互作用网络,同时对单细胞RNA测序数据进行质控、降维、聚类和分群,构建单细胞层面的lncRNA-miRNA-mRNA调控网络;最后进行生存分析,通过人类蛋白质图谱进行验证。结果...     

人IDE基因启动子生物信息学分析

对人IDE基因启动子进行生物信息学分析以获得人IDE基因启动子、CpG岛及转录因子结合位点特征.从UCSC基因组数据库成功获得人IDE基因5’调控区2 000 bp序列.Promoter 2.0、FPROM、NNPP预测人IDE基因分别有3个、2个、6个启动子.Relative profile score threshold选择80%、85%、90%、95%、100%时,JASPAR预测该序列存在5170、1771、454、87和5个可能的转录因子结合位点.Relative profile score threshold选择80%,搜索到6个潜在的TCF7L2转录因子结合位点.采用进化足迹法,LAGAN预测方法获得位于人和小鼠同源IDE基因启动子保守区域相同位置的转录因子结合位点为14个,包含转录因子SPI-1、cap、c-FOS、FREAC-3、c-ETS、Cdxa、HSF2等.发现一个CpG岛,位于1 303～1 705 bp 之间,大小为403 bp.人IDE基因启动子、CpG岛及转录因子结合位点的生物学信息学分析,为下一步基因表达调控实验奠定了基础.     

基于Web Service技术的MotifSampler集成设计

针对MotifSampler生物信息处理程序需要高性能计算机运算及特定系统平台问题,设计实现了基于Web Service技术的分布式处理系统。采用JAVA、JSP、SOAP、XML等技术及三层网络框架实现了MotifSampler程序的运算及数据解析服务。经过测试及实际应用证明该系统实现了高效的跨平台服务,并能提供给远程用户准确的基序分析结果及数据解析结果。     

预测新的生物胺受体配基结合位点

生物胺受体被认为是一类重要的药物靶标,用生物信息学手段寻找它的配基结合位点并分析其功能,对于药物设计具有重要的指导意义.从整体上结合可变性、疏水性和保守性构建了受体的2D螺旋横切面模型,预测出其可能的配基结合区Ⅰ、Ⅱ,其中TM3、TM4以及TM7在配基结合中起关键作用,E-Ⅱ环也参与了配基结合这一过程,这是对以往普遍认为只有TM参与配基结合的延伸.从局部上寻找了生物胺受体及其子受体的基序,提出了家族可变亚家族保守基序(motif)概念,即家族可变区中找到的亚家族保守的基序.最后结合整体与局部分析结果分析了各基序的功能,预测了行使配基结合功能的基序及其相应位点,结果证明与突变实验结果有很好的吻合度.     

酵母耐高温分子机制的研究进展

耐高温是酵母在工业生产中的重要特性之一.近年来,人们对耐高温酵母的应用研究日益重视并取得较大的进展,但其耐高温分子机制尚未明确.目前的研究结果表明,酵母耐高温机制涉及代谢网络调控、信号转导途径及多基因/蛋白共同作用等方面.本文从代谢途径、基因表达、酶活特性和蛋白质相互作用等4个方面综述当前酵母耐高温分子机制的研究进展,...     

基于网络方法的疾病基因预测算法分析

目的 分析基于各类生物网络的复杂疾病致病基因预测算法,总结其优势及不足之处,提出改进思路及未来的研究方向。方法 深入分析当前基于网络的疾病基因预测算法原理,包括不同生物网络的构建、算法原理的基本假设、3个代表性算法及基于其发展出的最新方法。结果与结论 分析发现当前算法存在的3个不足并指出解决此不足的2种思路。     

Network Visualization in Cell Biology

Many of the processes known to take place in biological cells are analyzed in the form of different types of network.The complexity of these networks increases along with our knowledge of these processes,making their analysis more difficult.Network visualization is a powerful analysis method that will have to be developed further to deal with this complexity.This survey provides a brief overview of network visualization in general,followed by an in-depth discussion of its application to three network types specific to cell biology,namely gene regulatory,protein interaction,and metabolic networks.Finally,we discuss the difficulty of visually integrating these network types and trying to compare networks of cells that belong to different organisms.     

基因调控网络研究进展

基因调控网络是一种连续而复杂多变的动态网络系统,是细胞内各种信号因子之间相互作用关系的整体表现.近些年来,很多物种全基因组测序的完成、高通量实验技术的发展以及高性能分子生物学工具的应用,使得构建一个复杂和相对完整的基因调控网络成为可能,从而使绘制整个活细胞内各种基因表达的调控网络成为当前研究的热点.作为系统生物学的核心领域,构建和分析基因调控网络将有利于我们更系统地剖析细胞的功能,更深刻地洞见生命的本质.综述关于基因调控网络研究的基本原理和方法,为今后进行更深入的研究和探讨打下良好的基础.     

用于基因调节网络建模的概率布尔型基因网络结构分析

基于Iyla Shumlevieh提出的概率布尔型网络(PBN)模型，讨论了概率布尔型网络PBN的结构分析问题．依据PBN网络模型中任意两基因之间量化了的相互影响，对基因调节网络图进行分割，得到各自独立的子网络．同时，依据一定规则找到对网络的稳定性起决定作用的关键基因，通过对关键基因的状态分析，并扩展到整个网络，最终确定PBN的状态．     

时滞基因调控网络的双稳定性和局部分岔

研究了含三个节点和两个反馈环的时滞基因调控网络的双稳定性和局部分岔.确定了该网络的正平衡点的个数.通过分析对应的特征方程,建立了网络双稳定性和Hopf分岔的存在性条件.研究结果显示,网络中正反馈环的存在会促使网络出现双稳定状态,而当网络有负反馈环且时滞达到某一临界值时,网络将产生Hopf分岔.数值仿真验证了理论结果的正确性.     

由基因调控网络数据分析揭示振荡斑图的功能结构

自然和社会系统的许多实际问题都可以用复杂网络动力学来描述,特别是生物网络和社会网络的应用最为广泛.人们已经积累了各种网络行为的大量数据,如何提出合理的物理思想和有效的数学方法来分析这些数据、从中提取有用的信息;从这些信息出发,理解在许多实际过程中由复杂的网络拓扑结构产生的简单动力学关系,并辨识支持各种网络动力学行为的自组织结构,是一个重要的课题.本文综述了其中一种研究方法.以生物学基因调控网络(Gene Regulatory Network,GRN)为研究对象,提出了一种功能权重(Functional Weight,FW)计算方法.通过FW方法定量计算在GRN的振荡动力学中不同调控作用(称为作用边)的重要性.进一步研究发现在各种GRN中这种FW的分布普遍极不均匀,绝大部分作用边具有很小权重(弱作用边),只有少数边具有大的权重(强作用边).而这些强作用边构成的子网络比原网络简单得不可比拟,但它们揭示了网络节点之间的相互作用关系并控制着整个网络的动力学行为.由这些强作用边构成的网络,我们可以辨识GRN的功能骨架和振荡核心子网络.振荡核心起到网络振荡源的作用,而振荡骨架则成为网络中信号传播的主要路径.FW方法可以广泛应用到不同尺寸、不同调控规则(AND,OR等形式)和不同动力学行为(周期振荡、混沌动力学和暂态过程)的GRNs,并且由FW分析出发我们可以对GRN动力学进行有效调控.