外显子组测序技术述评

外显子组测序主要包括3个步骤:目标序列的富集、DNA测序、生物信息学分析。笔者介绍了外显子组测序技术及其在遗传研究中的应用,分析了该技术的优势和不足,并对其应用前景进行了展望。与转录组和全基因组测序技术相比,外显子组测序在编码基因获取方面具有高效、准确、低成本的特点; 与全基因组关联分析技术(Genome-wide association analysis, GWAS)相比,能有效检测基因组中编码基因的稀有变异,但还不能检测到基因组水平上较大的结构性变异以及内含子区域的信息。目前,外显子组测序技术在人类单基因控制的遗传疾病和多基因控制的复杂疾病的分子机理研究中,能准确找到孟德尔遗传疾病致病基因; 在动植物上能成功检测到目标编码区的核苷酸变化。随着模式木本植物全基因组测序的完成,利用该技术可以加快对木本植物性别、林木抗逆性及生长等重要性状基因的定位,应用前景广阔。     

精神分裂症相关基因的预测——基于大规模数据的整合分析

精神分裂症(Schizophrenia)是一种遗传性复杂、多基因相关的疾病,对其相关基因的研究一直都是疾病基因研究的热点和前沿,也是遗传学领域的难题.随着目前各种组学数据(Omics Data)的产生,全基因组关联研究(GWAS)中和精神分裂症相关的单核苷酸多态位点(SNP)越来越多的公布于学界,整合这些大规模数据并利用生物信息学模型预测精神分裂症相关基因能为进一步翔实探究致病或相关基因提供基因库的富集和优选.本文首先运用已被证明预测表现优秀的随机森林模型(Random Forests)预测精神分裂症的相关基因,然后用全基因组关联研究得到的相关基因的SNP位点进行验证及进一步筛选候选基因.结果随机森林预测模型得到33个精神分裂症候选基因,其中10个基因具有58个SNP位点是精神分裂症GWAS中的显著性SNP位点,因而这10个基因为优选的精神分裂症候选基因,文献查询结果表明这10个优选相关基因与精神分裂症有密切联系.     

典型细菌和酵母基因组中基因间关联的研究

以表示基因表达水平的密码子适应性指数(CAI)以及基因的长度两个指标作为描述基因特征的重要参量，以枯草杆菌、大肠杆菌和酵母三种生物的全基因组作为研究对象，运用信息论的方法，研究了基因组内基因之间的关联特征．发现对于大肠杆菌和枯草杆菌基因组来说，基因之间存在着较强的短程关联，枯草杆菌基因组在表达水平方面还出现了强度较弱的中、长程关联，而且全基因组基因间关联要强于正链或负链上基因之间的关联，基因在表达水平方面的关联要强于在长度方面的关联，并对这些现象进行了相应的解释。     

基于布谷鸟优化算法的全基因组关联分析

利用贝叶斯网络描述单核苷酸多态性(SNP)与疾病之间的关系,以SNP与疾病之间的贝叶斯评分作为评价SNP与疾病关联度的目标函数,在全基因数据中通过布谷鸟优化算法对SNP与疾病之间的关联进行启发式搜索来寻找致病SNP;通过布谷鸟算法寻找致病SNP可以在保留SNP与疾病相关信息的同时,又能在全基因组数据中高效准确地找出致病SNP。实验结果表明:与已有方法相比,本文基于布谷鸟优化算法的全基因组关联分析方法具有更好的检测SNP与疾病之间关联的能力。     

全基因组关联分析的研究现状及对数据科学的挑战

全基因组关联分析(GWAS),是通过考察全基因组范围DNA变异的单核苷酸多态性(SNP),挖掘影响复杂疾病等的表型性状(如疾病、癌症、身高等)的SNP的计算方法,以期为疾病/表型的分子生物发现、生物机理分析、分子靶向药物研究、疾病早期风险预测和个性化治疗等提供科学依据.目前的方法多以统计学、机器学习和深度学习、智能优化等等及其它们的组合为基础,并已取得可喜成绩,但仍有许多无法复现的关联的例子,正如Ioannidis 2005年在国际知名刊物PLoS Medicine上发表、至今已被引用6 600多次的论文中所说"大部分的研究发现是错的".文章认为,这是因为其核心问题仍未解决,尤其是到底要从数据中挖掘出什么和统计重要性在什么情况下具有科学重要性,以及科学重要性是否可以科学定义等,这些都是GWAS对数据科学的严峻挑战.     

全基因组关联研究中整合分析统计方法的比较（英文）

全基因组关联研究(GWAS)已经发现许多与复杂的人类特征以及疾病有关的遗传变异.由于伦理和隐私问题,个体水平的基因型和表现型数据往往不容易被获取.相比之下,GWAS汇总统计正变得广泛可用.由于整合分析结合了多个GWAS,可以大幅增加样本量,从而增加检测到遗传变异的统计功效.因而,许多GWAS整合分析的统计方法被提了出来.随着GWAS整合分析统计方法的增加,研究人员需要一些有用的指导为实际数据的分析应用选择合适的统计方法.该文评估了GWAS中一些现有的整合分析方法的性能,使用了全面的模拟研究来比较这些方法的效能,并指出了每种方法的优缺点.     

利用GWAS深入研究阿尔茨海默症和其他疾病

全基因组关联分析(GWAS)是研究基因和疾病的新的热门工具.通过对足够多的人进行仔细查看,研究者能够检测出一些遗传关联,尽管这些遗传关联影响微弱,但可以为更深入的理解指明出路.最近进入热点排行榜的是阿尔茨海默症,代表论文是#7和#8,不知道是不是巧合,排在这两篇文章之前的#6论文是一篇关于GWAS研究的综述.     

全基因组测序技术研究及其在木本植物中的应用

基因组序列是开展遗传研究重要的信息基础,随着测序技术飞速发展至第3代长片段测序方法,测序读长历经从几十到数万个碱基的提升,对进一步提升基因组组装的完整度以及准确性提供了极大的裨益。现已完成了大量植物种全基因组测序工作,其中木本植物有40多个,还有更多树种的全基因组测序正在进行之中。针对各类测序技术的基因组组装及后续分析,研究人员也开发了大量的生物信息学工具。笔者从测序技术、基因组装技术和全基因组测序生物信息学分析等方面,罗列了目前已完成全基因组测序的木本植物,介绍了全基因组测序技术的发展与应用,以及适用于第3代数据基因组组装的生物学分析软件,为林木基因组研究者提供一定的借鉴。     

药食同源作物苦荞分子生物学研究进展

苦荞作为一种药食同源作物,具有极高的经济效益和研究价值.随着现代高通量测序技术的发展,为苦荞分子生物学研究提供了方便和快捷的途径.从分子标记和遗传多样性、组学和功能基因等方面对苦荞分子生物学研究进行了综述.研究认为,苦荞分子生物学研究虽然取得了一定进展,但仍需加强对关键性状和活性成分的全基因组关联分析和调控机制等方面的研究,进而为苦荞生长发育和代谢调控提供科学依据.     

一种分析全基因组上位性的新方法

传统基于单位点的全基因组关联研究存在重复性低、难以解释性等缺陷,而采用基于机器学习的上位性分析中面临计算复杂度高、预测准确度不足等问题.本文提出一种分析全基因组上位性的新方法,该方法采用二阶段框架的上位性分析方法,它包含特征过滤阶段以及上位性组合优化阶段,在特征过滤阶段提出了多准则融合策略,从多个不同角度评价遗传变异位点,以保证易感的弱效位点能被保留,然后采用多准测排序融合策略剔除与疾病状态关联程度低的遗传变异,进一步在上位性组合优化阶段采用贪婪算法启发式地搜索组合空间,以降低时间复杂度,最后采用支持向量机作为上位性评价模型.实验中采用不同的连锁不平衡参数与经典算法SNPruler与ACO的性能进行对比,实验结果表明:本文方法能有效保留弱效位点,一定程度上提高了疾病预测的正确度.