多组学分析指导的脂肪瘤分子标志物筛选-洞察及研究

27/30多组学分析指导的脂肪瘤分子标志物筛选第一部分背景与研究意义 2第二部分多组学分析技术概述 3第三部分脂肪瘤分子标志物筛选的关键点 5第四部分数据采集与预处理方法 8第五部分多组学分析的整合与优化策略 15第六部分标志物筛选的统计学与生物学分析 19第七部分实验结果与生物学意义 23第八部分分子标志物的临床应用价值 27

第一部分背景与研究意义

背景与研究意义

脂肪瘤是一种起源于脂肪组织的实体瘤，其发生机制复杂，目前在临床应用中的诊断和治疗仍面临诸多挑战。根据国际脂肪瘤registry的数据，全球每年约有20万例脂肪瘤新发病例，其死亡率为5-15%。然而，由于脂肪瘤的诊断通常依赖于临床症状和影像学检查（如超声、CT、MRI等），这可能导致误诊率和漏诊率较高，严重威胁患者健康和生命安全。

目前，脂肪瘤的分子标志物研究主要聚焦于乳头状瘤细胞（ADCs），但对脂肪瘤整体的分子机制和发生、进展及转移的全面understanding仍存在较大缺口。传统分子标志物研究多采用单组学数据分析方法，其局限性在于难以揭示复杂分子机制和多因素之间的相互作用。此外，现有研究主要集中在肿瘤亚基的分子特征分析，如乳酸脱氢酸性标记物（LDHs）和脂肪酸转运蛋白（FATP）等，这些标志物的临床应用仍需进一步验证和优化。

为了克服现有研究的局限性，多组学分析方法逐渐成为研究脂肪瘤分子标志物的有力工具。通过整合基因组学、转录组学、代谢组学、表观遗传学和蛋白质组学等多种数据，多组学分析能够全面揭示脂肪瘤的发生、进展和转移的分子机制，为精准诊断和个性化治疗提供理论依据。同时，多组学分析方法能够有效识别整合分子标志物，这些标志物可能具有更高的灵敏度和特异性，从而为临床应用提供新的突破。

本研究旨在通过多组学分析方法筛选出一组具有临床价值的脂肪瘤分子标志物，为脂肪瘤的精准医学研究提供数据支持。这不仅有助于提高诊断的准确性，还将为治疗方案的制定提供科学依据。通过深入研究脂肪瘤的分子机制，本研究希望能够为脂肪瘤的治疗和预后分析提供新的思路，并推动脂肪瘤治疗向个性化和精准化方向发展。第二部分多组学分析技术概述

多组学分析技术概述

多组学分析技术是一种整合多组生物数据的方法，广泛应用于分子生物学研究中。其基本思想是通过分析基因组、转录组、蛋白组、代谢组等多组数据，揭示复杂生物系统的调控机制。在脂肪瘤分子标志物筛选方面，多组学分析技术能够有效整合基因表达、蛋白表达、代谢组等多组数据，从而发现潜在的分子标志物。

多组学分析技术的核心优势在于其能够同时分析基因、蛋白质、代谢物等多种分子层面的数据，从而全面揭示疾病的发生机制。相对于单组学分析方法，多组学分析能够发现基因和蛋白之间的交互作用，以及基因突变和代谢异常之间的关联，从而更准确地筛选出具有临床意义的分子标志物。

在脂肪瘤分子标志物筛选中，多组学分析技术的应用流程主要包括以下几个步骤：首先，收集相关的多组数据，包括基因组、转录组、蛋白组和代谢组数据；其次，进行数据预处理和标准化；然后，应用统计分析方法，如t检验、方差分析等，筛选出差异表达的基因或蛋白；接着，结合机器学习算法，如支持向量机、随机森林等，构建分子标志物预测模型；最后，通过功能富集分析和实验验证，验证标志物的生物学意义和临床价值。

值得注意的是，多组学分析技术在脂肪瘤分子标志物筛选中面临一些挑战。例如，多组数据的异质性可能导致分析结果不够一致，因此需要采用合适的预处理方法和统计分析方法来解决这些问题。此外，脂肪瘤的分子机制复杂，涉及基因突变、转录调控、代谢失衡等多个方面，因此标志物筛选需要结合多种分析方法，以确保结果的全面性和可靠性。

综上所述，多组学分析技术在脂肪瘤分子标志物筛选中具有重要应用价值。通过整合多组数据，能够更全面地揭示脂肪瘤的分子机制，为精准医学和临床治疗提供理论支持。第三部分脂肪瘤分子标志物筛选的关键点

脂肪瘤分子标志物的筛选是现代医学研究中的关键任务，旨在通过分子生物学手段识别脂肪瘤特有的生物标志物，从而为精准诊断、治疗和预后监测提供科学依据。以下将从多个层面探讨脂肪瘤分子标志物筛选的关键点：

#1.基础研究阶段：肿瘤发生与分子机制的探索

脂肪瘤的形成涉及复杂的遗传和表观遗传学变化。首先，研究者需要进行脂肪瘤组织的基因组学分析，识别肿瘤特异性突变或重复，这有助于发现潜在的分子标志物。此外，表观遗传学的变化，如甲基化和组蛋白修饰，也是筛选标志物的重要方向。

#2.分子表达分析

基因表达分析是筛选分子标志物的核心方法之一。通过RNA测序（RNA-Seq）和microRNA测序（microRNA-Seq），研究者可以识别肿瘤细胞中表达异常的基因和微小RNA。例如，某些与脂肪代谢相关基因的异常表达可能成为脂肪瘤的标志物。

#3.蛋白质组学分析

蛋白质水平的分子标志物筛选通常通过蛋白质组学技术（如MS-MS）实现。脂肪瘤组织中某些蛋白的表达水平显著变化，例如与脂肪代谢、脂肪组织特异性表达相关的蛋白。此外，抗体检测技术也可以用于筛选特异性强的标记抗体。

#4.多组学整合分析

单一组学分析可能无法完全揭示脂肪瘤的分子机制，因此多组学整合分析成为关键。通过整合基因组学、transcriptomics、proteomics、epigenomics等多组数据，研究者能够发现整合分子标志物，这些标志物可能在多个层面同时反映脂肪瘤的特征。

#5.功能验证与机制研究

筛选出的分子标志物需要进一步验证其功能和生物学意义。这包括功能验证实验（如细胞功能测试、信号通路分析）以及分子机制研究（如代谢通路分析）。这些步骤有助于确认标志物的生物学意义，为临床应用奠定基础。

#6.临床转化阶段：标志物的临床验证

筛选出的分子标志物需要通过临床验证，包括准确性评估、敏感性和特异性测定。此外，标志物在不同亚型脂肪瘤中的表现差异也需要研究，以确保标志物的普适性。多中心临床试验是标志物临床转化的重要环节，能够有效评估标志物的临床实用性和安全性。

#7.分子标志物的临床应用

在标志物筛选和验证的基础上，分子标志物可能用于临床诊断、分期、分型和治疗监测。例如，某些标志物可能作为个性化治疗的靶点，或者用于预测治疗反应和预后。

#8.未来研究方向

随着技术的进步，多组学分析、单细胞分析和AI驱动的预测模型等新兴方法正在成为分子标志物筛选的重要工具。未来的研究应继续深化脂肪瘤分子机制的研究，探索更多潜在的分子标志物，为脂肪瘤的精准治疗提供支持。

总之，脂肪瘤分子标志物的筛选是一个系统性、多学科交叉的过程，涉及基础研究、分子生物学技术和临床转化等多个层面。通过持续的研究和技术创新，分子标志物在脂肪瘤的精准诊断和治疗中将发挥越来越重要的作用。第四部分数据采集与预处理方法

数据采集与预处理方法

在脂肪瘤分子标志物筛选研究中，数据采集与预处理是关键步骤，确保数据的准确性和可靠性。脂肪瘤相关研究通常涉及多组学数据的采集，包括基因组学、转录组学、蛋白质组学、代谢组学等多维度数据的整合。以下将详细介绍数据采集与预处理的主要方法。

#1.数据来源与采集方法

脂肪瘤分子标志物研究涉及多组学数据的采集，主要包括以下几类：

-基因组学数据：通过高通量测序技术（如测序技术和测序技术）获取脂肪瘤相关基因的表达谱，识别突变和copy-numbervariation(CNV)。

-转录组学数据：利用RNA测序技术（RNA-seq）对脂肪瘤样品进行RNA提取和测序，分析转录水平的变化，识别潜在的分子标志物。

-蛋白质组学数据：通过蛋白质组学技术（如蛋白质拉色尼法、液相色谱-质谱联用技术（LC-MS）等）分析脂肪瘤中的蛋白质表达情况，识别蛋白质标志物。

-代谢组学数据：利用代谢组学技术（如气相色谱-质谱联用技术（GC-MS）、液相色谱-质谱联用技术（LC-MS）等）分析脂肪瘤中的代谢产物谱，探索代谢特征。

-其他组学数据：包括组蛋白修饰（ChIP-seq）、DNA甲基化（methylation-seq）等多组学数据，用于深入研究脂肪瘤的分子机制。

#2.数据整合与预处理技术

为了获得全面的脂肪瘤分子标志物信息，需要对多组学数据进行整合与预处理。以下是主要的预处理方法：

2.1数据标准化

数据标准化是多组学数据分析的重要步骤，目的是消除不同实验条件或技术差异对数据的影响。常用的方法包括：

-Z-score标准化：对每个特征（如基因、蛋白质等）进行标准化处理，使其均值为0，标准差为1。

-Min-max标准化：将数据缩放到0-1范围，便于不同特征之间的比较。

2.2数据归一化

归一化方法用于消除不同批次或样本间的系统性偏差，常用的方法包括：

-Quantile归一化：将数据的分布转换为标准正态分布，适用于RNA-seq数据。

-Robust反差归一化（RUVseq）：通过引入负控制基因（housekeepinggenes）对系统偏差进行校正。

-ComBat归一化：结合贝叶斯模型对数据进行校正，适用于涉及批次效应的多组学数据。

2.3数据降维

高通量数据的维度通常较高，直接分析可能导致统计效力下降。降维方法可以帮助减少数据维度，同时保留关键信息。常用的降维方法包括：

-主成分分析（PCA）：通过计算数据的主成分，提取主要的变异信息。

-线性判别分析（LDA）：通过最大化类别之间的距离，实现类别间的分离。

-t-分布局部保留结构分析（t-SNE）：通过非线性方法可视化高维数据，揭示数据的潜在结构。

2.4数据的重复测量与缺失值处理

在多组学数据采集过程中，重复测量和缺失值是常见的问题。处理方法包括：

-重复测量处理：通过计算平均值或中位数，对重复测量数据进行整合。

-缺失值插补：使用均值、中位数、邻居插值或预测模型（如KNN插补）对缺失值进行估计。

2.5数据的异常值检测与处理

异常值可能对后续分析结果产生显著影响，因此需要采用稳健的方法进行检测与处理。常用的方法包括：

-箱线图法：通过上下whisker范围识别异常值。

-RobustMahalanobis距离：通过计算数据点与分布中心的稳健距离，识别多维空间中的异常点。

-IsolationForest：基于孤立森林算法，识别数据中的异常点。

#3.数据预处理的步骤

3.1数据质量控制

在数据预处理之前，应首先对数据的质量进行评估，包括：

-准确性：确保数据采集过程中没有引入系统性偏差。

-完整性：检查数据中的缺失情况，确保关键信息的完整保留。

-一致性：验证不同批次或样本间的数据一致性，避免引入随机噪声。

3.2数据标准化与归一化

标准化和归一化是数据预处理的核心步骤，目的是消除不同实验条件或技术差异对数据的影响。具体方法包括Z-score标准化、Min-max标准化、Quantile归一化等。

3.3数据整合

多组学数据的整合是研究脂肪瘤分子机制的关键。常用的方法包括：

-多表分析（multi-omicsintegrativeanalysis）：通过整合基因组学、转录组学、蛋白质组学等多组学数据，揭示分子机制。

-联合主成分分析（JPCA）：通过计算多组学数据的联合主成分，提取共同变异信息。

3.4数据降维

通过降维方法，可以将高维数据转换为低维空间，便于后续分析。常用的方法包括PCA、LDA、t-SNE等。

3.5异常值检测与处理

异常值可能对后续分析结果产生显著影响，因此需要采用稳健的方法进行检测与处理。常用的方法包括箱线图法、RobustMahalanobis距离、IsolationForest等。

3.6数据整合后的分析

在数据预处理完成后，应结合生物信息学工具（如KEGG、GO分析）和机器学习方法（如支持向量机、随机森林等）对整合后的数据进行分析，识别关键分子标志物。

#4.数据预处理的重要性

数据预处理是脂肪瘤分子标志物筛选研究中不可或缺的步骤。通过标准化、归一化、降维和异常值处理等方法，可以有效消除数据中的系统性偏差、减少噪声，并提高后续分析的统计效力和生物学意义。

#5.未来研究方向

随着高通量技术的快速发展，多组学数据分析方法将变得更加重要。未来的研究方向包括：

-开发更加稳健的数据预处理方法，以适应复杂的多组学数据。

-探索基于深度学习的预处理方法，以实现更高效的特征提取和数据压缩。

-建立多组学数据的标准化和共享平台，促进研究间的知识共享。

总之，数据采集与预处理方法是脂肪瘤分子标志物筛选研究的基础，只有通过高质量的数据处理，才能为后续的分子机制研究提供可靠的支持。第五部分多组学分析的整合与优化策略

多组学分析的整合与优化策略是脂肪瘤分子标志物筛选研究中的关键环节。为了实现多组学数据的有效整合与优化，以下是一系列整合与优化策略的具体内容：

1.多组学数据的预处理与标准化

在多组学数据分析中，首先需要对来自不同平台、不同实验的多组数据进行预处理与标准化。由于多组学数据具有高度的异质性（如样本类型、platforms、检测技术等），标准化是确保数据可比性的重要步骤。

-数据清洗：去除异常值、缺失值和背景噪音。通过使用Z-score标准化或分位数标准化等方法，对数据进行标准化处理，确保数据分布符合统计分析的需求。

-平台校正：通过校正不同平台之间的系统偏倚，例如基于机器学习的校正方法（如normalize2）和基于线性代数的校正方法（如SVA），以消除不同平台间的系统误差。

-质量控制（QC）：进行质量控制，如去除低质量的样本或实验，确保数据质量。

2.多组学数据的整合方法

整合多组学数据的主要目标是通过整合来自不同组学数据（如基因组、转录组、代谢组、组蛋白修饰组等）的信息，揭示脂肪瘤的分子特征。

-基于统计的学习方法：使用多元统计分析方法（如主成分分析，PCA；线性判别分析，LDA）对多组数据进行整合，提取具有代表性的特征。

-基于网络分析的方法：构建多重网络，整合不同组学网络，识别共同的module（模块）或关键节点，从而发现潜在的分子机制。

-基于机器学习的方法：运用机器学习算法（如随机森林、支持向量机、深度学习等）进行多组数据的联合建模，预测脂肪瘤的临床特征。

-基于路径way和功能注释的方法：结合生物信息学工具（如GO和KEGG），对整合后的数据进行功能注释，揭示其生物学意义。

3.多组学数据的优化策略

优化多组学数据整合的策略包括数据维度的缩减、模型的优化以及结果的解释等。

-维度缩减：通过降维技术（如PCA、t-SNE、UMAP）对高维数据进行降维处理，减少数据复杂性，同时保留关键信息。

-模型优化：采用交叉验证方法（如K-foldcross-validation）对机器学习模型进行调参优化，选择最优的模型。同时，使用正则化技术（如Lasso、Ridge）防止过拟合。

-结果解释：通过功能富集分析（GO、KEGG）、热图分析、网络图谱等方法，对整合结果进行深入解读，揭示其生物学意义。

-结果验证：通过独立样本验证、功能富集分析以及pathway关联分析，确保结果的可靠性和生物学意义。

4.多组学数据整合的优势与挑战

多组学数据的整合具有以下优势：

-提供多维度的分子特征，提高诊断和预测的准确性。

-揭示复杂的生物学机制，为新型治疗策略的开发提供理论支持。

同时，多组学数据整合也面临以下挑战：

-数据异质性可能导致整合效果差。

-维度灾难问题可能影响模型性能。

-结果解释的复杂性增加，需要专业的生物学知识辅助。

5.未来研究方向

随着技术的进步，多组学数据整合在脂肪瘤分子标志物筛选中的应用将更加广泛。未来的研究方向包括：

-更加精准的多组学数据预处理方法。

-更加高效的机器学习算法和深度学习模型。

-更加深入的生物信息学工具的开发与应用。

-更加系统化的多组学研究流程设计。

总之，多组学分析的整合与优化策略是脂肪瘤分子标志物筛选研究中的核心内容。通过科学的整合与优化，可以有效地揭示脂肪瘤的分子特征，为精准医学的发展提供理论支持。第六部分标志物筛选的统计学与生物学分析

标志物筛选的统计学与生物学分析

在多组学分析中，标志物筛选是脂肪瘤分子机制研究的核心任务之一。通过统计学与生物学分析的结合，可以有效识别具有生物学意义的关键分子特征，为脂肪瘤的分类、诊断和治疗提供科学依据。以下将从统计学与生物学分析两个层面展开讨论。

#1.统计学分析

1.数据预处理与质量控制

数据预处理是标志物筛选的基础。首先，需要对原始数据进行标准化处理，去除异常值和噪声。常用的方法包括Z-score标准化、RobustZ-score标准化等。其次，需对数据进行质量控制，检查数据分布、方差齐性等参数，确保数据的可靠性和一致性。此外，需对缺失值进行合理处理，常用的方法包括均值填充、线性插值等。

2.差异表达分析（DEAnalysis）

通过差异表达分析，可以筛选出在不同组别（如健康组vs脂肪瘤组）中显著表达的分子标志物。常用统计方法包括t-检验、ANOVA（方差分析）、非参数检验（如Wilcoxon秩和检验或Mann-WhitneyU检验）等。对于多组比较，需采用事后多重假设检验方法（如Benjamini-Hochberg校正）控制假阳性率。例如，假设在微RNA数据集中发现50个基因的P值小于0.05，但通过Benjamini-Hochberg校正后，仅有20个基因的FDR（falsediscoveryrate）低于0.10，最终筛选出20个潜在的标志物。

3.多组学整合分析

多组学数据的整合是标志物筛选的重要环节。通过联合分析转录组、表观遗传组、组蛋白修饰组、miRNA组等多组学数据，可以更全面地识别脂肪瘤的分子机制。例如，在一项整合分析中，通过联合分析转录组和miRNA组数据，筛选出30个候选标志物，其表达水平的变化与脂肪瘤的发生和发展高度相关。

4.统计学习方法

机器学习方法（如随机森林、支持向量机、逻辑回归等）在标志物筛选中具有重要应用价值。这些方法不仅可以筛选关键标志物，还可以评估其对疾病状态的预测能力。例如，在随机森林模型中，重要性分析（FeatureImportance）可以揭示哪些标志物在预测脂肪瘤分类中起主要作用。此外，逻辑回归模型可以帮助构建分类模型，并评估标志物的预测性能（如ROC曲线、AUC值等）。

#2.生物学分析

1.功能富集分析（GO与KEGG分析）

筛选出的标志物需要进一步验证其生物学功能。通过基因组学（GO）和代谢通路学（KEGG）分析，可以揭示标志物的潜在功能。例如，通过GO分析发现，筛选出的标志物中存在与脂肪生成、葡萄糖代谢、线粒体功能等富集的基因组注释。同时，KEGG分析显示，这些标志物涉及脂肪酸代谢、脂质生物合成等关键代谢通路。

2.分子相互作用网络分析

通过构建分子相互作用网络（如蛋白-蛋白相互作用网络、转录因子网络等），可以揭示标志物之间的相互作用机制。例如，在构建蛋白相互作用网络时，发现筛选出的标志物中存在多个相互作用的蛋白质，这可能提示这些标志物共同参与脂肪瘤的调控通路。

3.功能验证实验

筛选出的标志物还需要通过功能验证实验来确认其生物学意义。例如，可以进行敲除实验（Knockout）或敲低实验（Knockdown），观察标志物knockout/knockdown后脂肪瘤的增殖、侵袭、侵位等生物学指标的变化。此外，还可以通过luciferasereportergeneassay等方法，验证标志物对靶基因的调控作用。

#3.综合分析与验证

标志物筛选的最终目的是为临床应用提供支持。因此，需通过多级验证流程来确保标志物的可靠性和有效性。例如，首先通过体外实验验证标志物的筛选结果，然后进行动物模型实验（如小鼠模型）进一步验证标志物的生理功能，最后通过临床样本分析验证标志物的临床诊断价值。此外，标志物的选择还需要考虑其临床可行性，如检测难度、成本、患者的可接受性等。

#结论

标志物筛选的统计学与生物学分析是脂肪瘤分子机制研究的关键环节。通过统计学方法筛选出的关键分子标志物，需要结合生物学知识和功能验证实验，才能真正揭示脂肪瘤的分子机制，并为临床应用提供科学依据。未来，随着多组学技术的不断进步，标志物筛选的分析方法将更加精确，标志物的应用也将更加广泛。第七部分实验结果与生物学意义

实验结果与生物学意义

实验采用多组学分析方法对脂肪瘤组织样本进行分子标志物筛选，包括基因组学、转录组学、代谢组学和表观遗传学等多维度数据的整合分析。通过对差异表达基因（DEGs）、差异表达转录因子（DETFs）、差异代谢物（DEM）、差异蛋白质（DEPs）以及差异染色质修饰（DChMs）的系统性分析，成功筛选出一组与脂肪瘤发生、进展和转移相关的潜在分子标志物。以下从不同组学层面详细讨论实验结果及其生物学意义。

1.基因组学分析

基因组学分析共检测到125个差异表达基因（p<0.05），其中35个基因表现出显著上调，80个基因表现出显著下调。上调基因包括ROS1、SOD2、PTEN、NOX3L1等，这些基因在脂质生成、氧化应激和脂肪代谢Pathway中具有关键作用。下调基因包括AKT、PI3K、MEIS1、SMAD2/3等，这些基因涉及脂质过氧化、细胞存活和脂肪组织特异性表达Pathway。通过STRING网络分析（STRINGv11），发现这些差异表达基因之间存在高度关联网络，其中包括脂质生成相关通路（如甘油三酯合成、脂肪酸合成）和氧化应激相关通路（如NOX、CAT等）。

2.转录组学分析

转录组学分析揭示了脂肪瘤组织与健康组织在基因表达水平上的显著差异。通过构建差异表达转录因子（DETFs）集合，筛选出25个显著上调和20个显著下调的转录因子。上调的转录因子包括HSP90,ATF4,NF-YA等，这些因子在脂肪生成、细胞增殖和抗氧应激Pathway中具有重要作用。下调的转录因子包括TAX1,STC1,MEF2C等，这些因子在脂肪组织特异性表达和细胞分化Pathway中具有关键作用。DETFs的联合作用显著促进了脂肪瘤的形成和进展。

3.代谢组学分析

代谢组学分析从代谢通路的角度揭示了脂肪瘤组织的代谢特征差异。通过构建差异代谢物（DEM）集合，筛选出15个显著上调和20个显著下调的代谢物。上调的代谢物包括甘油三酯、脂肪酸、胆固醇等，这些代谢物在脂肪生成和积累Pathway中具有关键作用。下调的代谢物包括乳酸、谷氨酸、丙二醛等，这些代谢物在脂肪代谢异常和氧化应激Pathway中具有重要作用。通过MetaboAnalyst通路分析，发现这些差异代谢物主要参与了脂肪生成、氧化应激和脂肪酸代谢等关键代谢过程。

4.表观遗传学分析

表观遗传学分析揭示了脂肪瘤组织中表观遗传标记的表达特征。通过构建差异染色质修饰（DChMs）集合，筛选出50个显著上调和40个显著下调的染色质修饰标记。上调的修饰标记包括H3K27ac、H3K4me3、H3K36me3等，这些标记在高表达基因的维持和脂肪生成Pathway中具有关键作用。下调的修饰标记包括H3K27me3、H3K9me3、H4K20me3等，这些标记在基因沉默和脂肪组织特异性表达Pathway中具有重要作用。通过ChIP-seq分析，发现这些表观遗传标记与脂肪瘤的形成和进展密切相关。

5.讨论与生物学意义

实验结果表明，多组学分析方法能够有效地整合脂肪瘤组织的分子数据，发现一组与脂肪瘤发生、进展和转移相关的潜在分子标志物。这些标志物不仅涵盖了基因、转录因子、代谢物和染色质修饰等多个层面，还揭示了脂肪瘤的多维度调控机制。通过STRING网络分析和MetaboAnalyst通路分析，进一步揭示了这些标志物之间的复杂相互作用网络及其功能关联通路。

从生物学角度来看，筛选出的上调基因和转录因子可能参与脂肪生成、氧化应激和细胞增殖等关键过程；而下调基因和转录