医学数据挖掘第三章3功能分析

基因表达数据的获得与分析徐娟Email：生物信息教研室分子学馆106办公室基因芯片数据的基础分析思路预处理差异表达基因筛选聚类与分类功能注释和富集分析根据疾病风险基因识别疾病风险通路利用各种技术（基因表达谱、RNAseq、质谱、大规模突变、全基因组关联分析等）识别疾病风险基因注释这些基因到通路中识别疾病风险通路分析这些通路与疾病的相关性丙酮酸激酶丙酮酸2-磷酸甘油酸磷酸烯醇式丙酮酸烯醇化酶葡萄糖6-磷酸葡萄糖6-磷酸果糖1,6-双磷酸果糖3-磷酸甘油醛1,3-二磷酸甘油酸3-二磷酸甘油酸葡萄糖代谢通路泛素化去磷酸化抑制激活磷酸化绑定/相关节点间的各种关系通过这些详细的互作关系，我们能够更清晰的了解通路！Detail：通路数据库其它通路数据库：biocartawikipathwaysReactomeBioCycGeneDBERGOKEGG数据库介绍Kyoto

Encyclopedia

of

Genes

and

Genomes1995年5月，日本的教育、科学、体育和文化部携手建立了

KEGG数据库。由日本京都大学生物信息学中心的Kanehisa实验室开发KEGG是系统地分析基因功能、链接基因组信息和功能信息的数据库,旨在揭示生命现象的遗传与化学蓝图。数据库的维护人员不定期的根据最近出版的一些学术论文和生物学实验得到的数据对该数据库进行更新，经过了17年的发展，数据库的规模不断的扩大，其应用价值也得到了世界范围内的认可。与其他数据库相比，KEGG的一个显著特点就是具有强大的图形功能，它利用图形而不是繁缛的文字来介绍众多的代谢途径以及各途径之间的关系。KEGG主页KEGG分析工具KEGG

PATHWAY可以看到KEGG

收录的所有代谢途径信息通路类别KEGG

pathway

分类MetabolismGenetic

Information

ProcessingEnvironmental

Information

ProcessingCellular

ProcessesOrganismal

SystemsHuman

DiseasesCancersImmune

System

DiseasesNeurodegenerative

DiseasesCardiovascular

DiseasesMetabolic

DiseasesInfectious

Diseases心血管疾病（Cardiovascular

Diseases

）肥厚性心肌病(HCM)hypertrophiccardiomyopathy致心律失常性右心室心肌症(ARVC)Arrhythmogenic

rightventricularcardiomyopathy扩张性心肌症(DCM)Dilated

cardiomyopathy病毒性心肌炎Viral

myocarditis糖尿病（Type

II

diabetes

mellitus

）结肠直肠癌（Colorectal

cancer）案例1：查看单个疾病风险基因注释到哪些通路神经胶质瘤（Glioma）风险基因（NCBI-GeneID

：1956），该基因编码表皮生长因子受体（EGFR）进入KEGG搜索界面选择Searchagainst为：hsa选择Primary

ID

类型为：NCBI-GeneID输入EGFR基因（如格式：1956

red）点击Exec案例2：查看多个疾病风险基因注释到哪些通路（适用于复杂疾病）从通过差异表达分析获得动脉硬化（artherosclerosis）风险基因集合：共234个基因进入KEGG搜索界面选择Searchagainst为：hsa选择Primary

ID

类型为：NCBI-GeneID输入差异表达基因，格式：19

red368

red点击Exec234个动脉硬化相关基因凝血相关功能数据库：Gene

Ontology

(GO)GO语义的分类分子功能(Molecular

Function)描述在个体分子生物学上的活性，如催化活性或结合活性。生物学过程(Biological

Process)由分子功能有序地组成的，具有多个步骤的一个过程，如细胞周期。细胞组件(Cellular

Component)指基因产物位于何种细胞器或基因产物组中(如糙面内质网，核糖体，蛋白酶体等)，即基因产物在什么地方起作用term:

gluconeogenesisid:

GO:0006094definition:

The

formation

of

glucose

from

noncarbohydrateprecursors,

such

as

pyruvate,

amino

acids

and

glycerol.

Source:MetaCyc:GLUCONEO-PWYOntology：Biological

ProcessSynonymsexact:

glucose

biosynthesisexact:

glucose

biosynthetic

processWhat’s

in

a

GO

term?案例3：查看单个疾病风险基因注释到哪些功能神经胶质瘤（Glioma）风险基因（NCBI-GeneID

：1956），该基因编码表皮生长因子受体（EGFR）进入GO界面输入EGFR基因（格式:EGFR

）选择gene

or

protein

name点击Go!案例4：查看多个疾病风险基因注释到哪些功能从通过差异表达分析获得动脉硬化（artherosclerosis）风险基因集合：共234个基因进入GO搜索界面在Enter

your

query文本框中输入查询基因输入差异表达基因，格式：ABCA1ABCC6Search

type

选择Genes

or

proteinsSearch

fields选择：symbol点击Exec最多查询50个基因基因芯片数据的基础分析思路预处理差异表达基因筛选聚类与分类功能注释和富集分析基因集功能富集分析的原因一组基因直接注释的结果是得到大量的功能结点。这些功能具有概念上的交叠现象，不利于进一步的精细分析，所以研究人员希望对得到的功能结点加以过滤和筛选，以便获得更有意义的功能信息。富集分析方法通常是分析一组基因在某个功能结点上是否过出现(over-presentation)。由单个基因的注释分析发展到大基因集合的成组分析。

由于分析的结论是基于一组相关的基因，而不是根据单个基因，所以富集分析方法增加了研究的可靠性，同时也能够识别出与生物现象最相关的生物过程。案例5：利用DAVID工具进行动脉硬化风险通路识别从GAD数据库收集动脉硬化（artherosclerosis）风险基因集合：共234个基因将234个基因输入到DAVID系统利用EASE检验计算每个通路的富集显著性（P-value）EASE

Score,

a

modifiedFisher

Exact

P-ValueFisher

Exact

P-Value

=

0.008EASE

Score=

0.06

EASE分值更加严格！疾病风险基因数人类基因In

Pathway3-140Not

InPathway29729960DAVID

Tools步骤1：进入DAVID网站，选择Functional

AnnotationDAVID地址：步骤2：输入234个动脉硬化基因集合选择基因ID类型为ENTREZ_GENE_ID集合类型为G