Podcasts about gengruppen

Einleitung: Modell-basierte Vorhersagen für molekulare Netzwerke und zelluläre Interaktionen können durch zwei verschiedene Strategien der Systembiologie getroffen werden, die top-down und bottom-up Strategien. Die bottom-up Strategie beginnt bei a priori Wissen über einzelne Grundelemente und fügt diese zu größeren Einheiten wie Signalwegen oder ganzen Systemen zusammen. Top-down Strategien setzen bei Datensätzen eines Systems an und versuchen Netzwerke, Interaktionen oder Komponenten zu identifizieren, die für das Systemverhalten (z.B. Phänotyp) verantwortlich sind. Im Folgenden werden beide Strategien auf unterschiedliche Transkriptionsdaten angewendet und die Ergebnisse visualisiert. Beide Strategien können auf linearen Regressionsmodellen basieren. In dieser Arbeit werden lineare Regressionsmodelle höherer Ordnung mittels eines neuen visuellen Hilfsmittels, des Eruptionsdiagramms, verglichen. Methodik: Eruptionsdiagramme werden durch die Überlagerung zweier Vulkandiagramme erstellt. Beide Vulkandiagramme werden von derselben Datengrundlage generiert, stammen jedoch von zwei verschiedenen Modellen. Jedes Gen wird von einem Pfeil repräsentiert, welcher bei dem Punkt des Vulkandiagramms von Modell 1 startet und bei dem Punkt des Vulkandiagramms aus Modell 2 endet. Im Rahmen der Modellselektion können Eruptionsdiagramme als visuelles Hilfsmittel verwendet werden, um (ir)relevante Kovariaten, Störfaktoren und Effektmodifikation aufzudecken. Ergebnisse: Es werden zwei verschiedene Transkriptionsdatensätze analysiert: ein Maus-Infektionsdatensatz und ein humaner Asthmadatensatz. Für die Analyse des Infektionsdatensatzes werden verschiedene lineare Regressionsmodelle miteinander verglichen. Durch eine rückwärts-gewandte Modellselektionsstrategie wird gezeigt, dass durch die Infektionskovariaten erster Ordnung zusätzliche erklärende Kraft gewonnen wird. Durch das Eruptionsdiagramm werden Effekte zweiter Ordnung aufgedeckt. Ein Modellvergleich identifiziert die Kovariaten dritter Ordnung als Störfaktoren. Das Modell zweiter Ordnung, welches am besten zu den Daten passt, wird für die weiterführende Analyse verwendet. Die Ergebnisse der Interaktionskovariate werden in aggravating und alleviating Effekte unterteilt. Ein Interaktionseffekt ist alleviating (aggravating, neutral), falls der Effekt der kombinierten Kovariaten schwächer (stärker, identisch) als die Summe der individuellen Effekte dieser Kovariaten ist. Bei der bottom-up Analyse des Asthmadatensatzes werden die Daten nicht auf Einzelgenebene sondern auf Gengruppenebene analysiert. Zunächst wird das passende Regressionsmodell mit Hilfe des Eruptionsdiagramms aufgestellt. Der Einfluss der einzelnen Gene auf das globale Testergebnis der Gengruppen wird in diagnostischen Balkendiagrammen genauer untersucht. Eine Signalweganalyse der Gengruppen zeigt neue Biomarker und Signalwege für die Charakterisierung von allergischem und nicht-allergischem Asthma auf. Diskussion: Die Ergebnisse der Transkriptionsanalyse werden durch Anreicherungsanalysen auf ihre funktionelle Relevanz hin untersucht. Die Ergebnisse zeigten unterschiedliche funktionelle Eigenschaften der aggravating und alleviating Gene auf. Die Anreicherungsanalyse des Asthmadatensatzes der Gene, die von Störfaktoren beeinflusst werden und durch Effektmodifikation gekennzeichnet sind, weisen jedoch keine funktionellen Unterschiede auf.

Die Analyse von Genexpressionsdaten, die durch die Microarray-Technologie bereit gestellt werden, ist in den letzten Jahren zu einem interessanten Forschungsfeld der Statistik geworden. Die ersten Verfahren auf diesem Gebiet zielen darauf ab, differentiell exprimierte Gene aus der riesigen Menge aller Gene eines Microarrays heraus zu filtern. Das Resultat einer solchen genweisen Analyse ist eine Liste interessanter Gene. Derartige Listen einzeln ausgewählter Gene sind allerdings schwer in einen biologischen Kontext zu bringen. Überdies hängen sie stark von der verwendeten Analysemethode und vom jeweiligen Datensatz ab, so daß Genlisten verschiedener Arbeitsgruppen meist eine relativ schlechte Übereinstimmung aufweisen. Eine Alternative beziehungsweise Weiterführung der genweisen Herangehensweise bietet die Analyse funktioneller Gengruppen. Diese beinhalten biologisches Vorwissen über das Zusammenspiel von Genen. Somit sind relevante Gengruppen sinnvoller interpretierbar als einzelne relevante Gene. Es werden verschiedene Verfahren für die Untersuchung funktioneller Gengruppen hinsichtlich differentieller Expression vorgestellt und auf methodischer Ebene sowie anhand von realen Datenbeispielen und Simulationsstudien verglichen. Von speziellem Interesse ist hier die Familie von Gengruppen, die durch die Gene Ontology definiert wird. Die hierarchische Struktur dieser Ontologien bedeutet eine zusätzliche Herausforderung für die Analyse, insbesondere für die Adjustierung für multiples Testen. Ein globaler Test auf differentielle Expression in Gengruppen ist das GlobalAncova Verfahren, welches im Rahmen dieser Arbeit weiter entwickelt und als R Paket bereit gestellt wurde. Die Signifikanz von Gengruppen kann dabei durch ein Permutationsmodell sowie über die asymptotische Verteilung der Teststatistik bewertet werden. Wir legen die theoretischen Grundlagen und Aspekte der Programmierung des Verfahrens dar. GlobalAncova eignet sich für die Analyse komplexer Fragestellungen. Hierzu werden einige ausführliche Auswertungen präsentiert, die im Rahmen von Kooperationen mit Medizinern und Biologen durchgeführt wurden.

Untersuchungen strahleninduzierter Änderungen der Proliferation und des Zelltodes stellen Schwerpunkte der radiobiologischen Forschung dar. Aus strahlentherapeutischer Sicht interessieren hier im Besonderen die in Tumoren nach Strahlenexposition zu findenden Genexpressionsänderungen, die assoziiert mit strahleninduzierten Änderungen der Proliferation und des Zelltods auftreten. Detaillierte Kenntnisse der diesen biologischen Prozessen zugrundeliegenden Änderungen auf Genexpressionsebene könnten dazu beitragen, die Effizienz der Strahlentherapie humaner und tierischer Tumoren zu verbessern. So ist eine große Anzahl an für Proliferation und Apoptose kodierenden Genen bekannt. Es sind bisher jedoch nicht alle an der Proliferationskontrolle beteiligten Gene gefunden worden. Ebenso wird postuliert, dass auch andere Formen des Zelltodes als Apoptose auf Genexpressionsebene reguliert werden. Deshalb wurde mithilfe eines Mikroarrays mit 11.835 Genen ein Screening nach differentiell exprimierten Genen an strahlenexponierten A549 Zellen (humanen Lungenkarzinomzellen) vorgenommen. Hierzu wurden die Zellen synchronisiert, in der S-Phase mit 5 Gy bestrahlt und an den Zeitpunkten, die der Ausbildung des G2-Blocks und dem Anstieg mikrokernhaltiger und abnormaler Zellen zeitlich vorausgingen, das Screening durchgeführt. Die geeigneten Zeitpunkte wurden zuvor anhand durchflusszytometrischer Zellzyklusuntersuchungen und der Messung des Zelltodes (MAA-Assay) bestimmt. Die hybridisierten Mikroarrays wurden nach dem Digitalisieren unter Zuhilfenahme einer geeigneten Software interaktiv ausgewertet. Es konnten maximal 987 exprimierte Gene gefunden werden, was 12 % aller Gene des Mikroarrays entsprach. Setzte man die Genexpression der mit 5 Gy bestrahlten Zellen ins Verhältnis zu der Kontrolle, konnten 101 Gene als differentiell exprimiert ermittelt werden. Die Anzahl der herunterregulierten differentiell exprimierten Gene übertraf die Anzahl der hochregulierten differentiell exprimierten Gene zu jedem gemessenen Zeitpunkt immer ca. um den Faktor 4. Des Weiteren wurden die differentiellen Genexpressionen relativ zur Kontrolle der unterschiedlichen Zeitpunkte miteinander verglichen, wobei eine auffällige homogene Herunterregulation der Gene festzustellen war. Nach Einteilung der differentiell exprimierten Gene in funktionelle Gruppen konnten viele Gene, die für den Aufbau des Zytoskeletts kodierten, ermittelt werden. Hierbei standen im Vordergrund vor allem Gene für Tubulinproteine und Aktin. Des Weiteren konnten 8 Gene, die für ribosomale Proteine kodieren, identifiziert werden. Der Anteil bekannter, die Proliferation ("cyclin-dependent kinase inhibitor 1A" (p21, Cip1), "prothymosin, alpha") bzw. die Apoptose ("Caplain" und "TNF receptor-associated factor 1", "Caspase recruitment domain protein 14") regulierender Gene war gering. In Übereinstimmung mit zuvor durchgeführten Untersuchungen in anderen in vitro Modellen konnte eine aktive Herunterregulation bestimmter biologischer Funktionen (z.B. Zytoskelett, Proteinbiosynthese) bei gleichzeitiger Inhibition anderer Funktionen (Proliferation)gezeigt werden ("active silencing"). Da die Aussagen des Mikroarrays nur semiquantitativ sind, müssen die Ergebnisse noch durch ein quantitatives Verfahren (RTQ-PCR) validiert und ergänzt werden. Die vorläufigen Ergebnisse dieser Arbeit geben Hinweise darauf, dass neben den bekannten Zellproliferation und Zelltod kodierenden Genen in einem erheblichen Maß auch andere funktionelle Gengruppen wie z.B. Zytoskelett- und ribosomale Proteine kodierende Gene beteiligt sind und die Zelle im Sinne eines "active silencings" durch Abschalten verschiedener Zellfunktionen ihren eigenen Untergang vorbereitet.