代谢组学的数据分析技术 摘要：代谢组学是效仿基因组学和蛋白质组学的研究思想，对生物体内所有代谢物进行定量分析，并寻找代谢物与生理病理变化的相对关系的研究方式，是系统生物学的组成部分。其研究对象大都是相对分子质量1000以内的小分子物质。先进分析检测技术结合模式识别和专家系统等计算分析方法是代谢组学研究的基本方法。文章主要综述了将代谢组学中的图谱、数据信息转换为相应的参数所采用的分析方法。 关键词：代谢组学；数据分析方法 代谢组学是以代谢物分析的整体方法来研究功能蛋白如何产生能量和处理体内物质，评价细胞和体液内源性和外源性代谢物浓度及功能关系的新兴学科，是系统生物学的重要组成部分，其相应的研究能反映基因组、转录组和蛋白组受内外环境影响后相互协调作用的最终结果，更接近反映细胞或生物的表型，因此被越来越广泛地应用。而代谢组学的数据分析包括预处理和统计分析方法，多元统计分析方法主要分为两大类：非监督和监督方法，非监督方法包括主成分分析PCA；聚类分析CA等；监督方法包括显著性分析、偏最小二乘法等，本文就是主要综述代谢组学图谱信息转化为参数信息所采用的数据分析方法。 1预处理 数据的预处理过程包括以下：谱图的处理；生成原始的数据矩阵；数据的归一化以及标准化处理过程。针对实验性质、条件以及样品等因素采用不同的预处理方法。在实际应用过程中，预处理可以通过实验系统自带的软件如XCMS软件。进行，因此一般较容易获得所需的数据形式。 2数据分析方法 2.1 主成分分析PCA是多元统计中最常用的一种方法，它是在最大程度上提取原始信息的同时对数据进行降维处理的过程，其目的是将分散的信息集中到几个综合指标即主成分上，有助于简化分析和多维数据的可视化，进而通过主成分来描述机体代谢变化的情况。PCA 的具体过程是通过一种空间转换，形成新的样本集，按照贡献率的大小进行排序，贡献率最大的称为第一主成分，依次类推。经验指出，当累计贡献率大于85％时所提取的主成分就能代表原始数据的绝大多数信息，可停止提取主成分。在代谢组数据处理中，PCA是最早且广泛使用的多变量模式识别方法之一。，具有不损失样品基本信息、对原始数据进行降维处理的同时避免原始数据的共线性问题等优点，但在实际应用过程中，PCA存在着自身的缺点[1]：离群样本点的存在严重影响其生物标志物的寻找；非保守性的代谢组分扰乱正确的分类以及尺度的差异影响小浓度组分的表现等，其他的问题之前也有讨论[2]。针对PCA 的缺陷采用了不同的改进措施，与此同时，为了简化计算，侯咏佳等[3]。提出了一种主成分分析算法的FPGA实现方案，通过Givens算法和CORD IC算法的矢量旋转，用简单的移位和加法操作来实现协方差矩阵的特征分析，只需计算上三角元素，因此计算复杂度小、迭代收敛速度快。 2.2 聚类分析CA是用多元统计技术进行分类的一种方法。其主要原理是：利用同类样本应彼此相似，相类似的样本在多维空间里的彼此距离应较小，而不同类的样本在多维空间里的
一、生物信息分析流程 获得原始测序序列(Sequenced Reads)后，在有相关物种参考序列或参考基因组的情况下，通过如下流程进行生物信息分析： 二、项目结果说明 1 原始序列数据 高通量测序(如illumina HiSeq TM2000/MiSeq等测序平台)测序得到的原始图像数据文件经碱基识别(Base Calling)分析转化为原始测序序列(Sequenced Reads)，我们称之为Raw Data或Raw Reads，结果以FASTQ(简称为fq)文件格式存储，其中包含测序序列(reads)的序列信息以及其对应的测序质量信息。 FASTQ格式文件中每个read由四行描述，如下： @EAS139:136:FC706VJ:2:2104:15343:197393 1:Y:18:ATCACG GCTCTTTGCCCTTCTCGTCGAAAATTGTCTCCTCATTCGAAACTTCTCTGT + @@CFFFDEHHHHFIJJJ@FHGIIIEHIIJBHHHIJJEGIIJJIGHIGHCCF 其中第一行以“@”开头，随后为illumina 测序标识符(Sequence Identifiers)和描述文字(选择性部分)；第二行是碱基序列；第三行以“+”开头，随后为illumina 测序标识符(选择性部分)；第四行是对应序列的测序质量(Cock et al.)。 illumina 测序标识符详细信息如下：
第四行中每个字符对应的ASCII值减去33，即为对应第二行碱基的测序质量值。如果测序错误率用e表示，illumina HiSeq TM2000/MiSeq的碱基质量值用Q phred 表示，则有下列关系： 公式一：Q phred = -10log 10 (e) illumina Casava 1.8版本测序错误率与测序质量值简明对应关系如下： 2 测序数据质量评估 2.1 测序错误率分布检查 每个碱基测序错误率是通过测序Phred数值(Phred score, Q phred )通过公式1转化得到，而Phred 数值是在碱基识别(Base Calling)过程中通过一种预测碱基判别发生错误概率模型计算得到的，对应关系如下表所显示： illumina Casava 1.8版本碱基识别与Phred分值之间的简明对应关系 测序错误率与碱基质量有关，受测序仪本身、测序试剂、样品等多个因素共同影响。对于RNA-seq技术，测序错误率分布具有两个特点： (1)测序错误率会随着测序序列(Sequenced Reads)的长度的增加而升高，这是由于测序过程中化学试剂的消耗而导致的，并且为illumina高通量测序平台都具有的特征(Erlich and Mitra, 2008; Jiang et al.)。 (2)前6个碱基的位置也会发生较高的测序错误率，而这个长度也正好等于在RNA-seq 建库过程中反转录所需要的随机引物的长度。所以推测前6个碱基测序错误率较高的原因为随机引物和RNA模版的不完全结合(Jiang et al.)。测序错误率分布检查用于检测在测序长度范围内，有无异常的碱基位置存在高错误率，比如中间位置的碱基测序错误率显着高于其他位置。一般情况下，每个碱基位置的测序错误率都应该低于0.5%。 图2.1 测序错误率分布图
转录组测序（RNA-seq）技术 转录组是某个物种或者特定细胞类型产生的所有转录本的集合。转录组研究能够从整体水平研究基因功能以及基因结构，揭示特定生物学过程以及疾病发生过程中的分子机理，已广泛应用于基础研究、临床诊断和药物研发等领域。基于Illumina高通量测序平台的转录组测序技术使能够在单核苷酸水平对任意物种的整体转录活动进行检测，在分析转录本的结构和表达水平的同时，还能发现未知转录本和稀有转录本，精确地识别可变剪切位点以及cSNP（编码序列单核苷酸多态性），提供最全面的转录组信息。相对于传统的芯片杂交平台，转录组测序无需预先针对已知序列设计探针，即可对任意物种的整体转录活动进行检测，提供更精确的数字化信号，更高的检测通量以及更广泛的检测范围，是目前深入研究转录组复杂性的强大工具。 技术优势： ?数字化信号：直接测定每个转录本片段序列，单核苷酸分辨率的精确度，同时不存在传统微阵列杂交的荧光模拟信号带来的交叉反应和背景噪音问题。 ?高灵敏度：能够检测到细胞中少至几个拷贝的稀有转录本。 ?任意物种的全基因组分析：无需预先设计特异性探针，因此无需了解物种基因信息，能够直接对任何物种进行转录组分析。同时能够检测未知基因，发现新的转录本，并精确地识别可变剪切位点及cSNP，UTR区域。 ?更广的检测范围：高于6个数量级的动态检测范围，能够同时鉴定和定量稀有转录本和正常转录本。 应用领域：转录本结构研究（基因边界鉴定、可变剪切研究等），转录本变异研究（如基因融合、编码区SNP研究），非编码区域功能研究（Non-coding RNA研究、microRNA前体研究等），基因表达水平研究以及全新转录本发现。 图1 RNA-seq获得的数据能够进行全面的数据挖掘，既能够进行基因结构分析，鉴定UTR、可变剪切位点，也能够发现新的转录本及非编码RNA，比较样本间的表达水平差异
代谢组学在医药领域的应用与进展 一、学习指导 1.学习代谢组学的概念及内涵，掌握代谢组学的研究对象与分析方法。 2.熟悉代谢组学数据分析技术手段 3.了解代谢组学优势特点 4.了解代谢组学在医药领域的应用 5.了解代谢组学发展趋势 二、正文 基因组功能解析是后基因组时代生命科学研究的热点之一，由于基因功能的复杂性和生物系统的完整性，必然要从“整体”层面上来理解构成生物体系的各个模块功能。随着新的测量技术、高通量的分析方法、先进的信息科学和系统科学新理论的发展，加上生物学研究的深入和生物信息的大量积累，使得在系统水平上研究由分子生物学发现的组件所构成的生命体系成为可能[1]。系统生物学家们认为，将生命科学上升为“综合”科学的时机已经成熟，生命科学再次回到整合性研究的新高度，逐步由分子生物学时代进入到系统生物学时代[2]。系统生物学不同以往的实验生物学仅关注个别基因和蛋白质，它要研究所有基因、蛋白质，代谢物等组分间的所有相互关系，通过整合各组成成分的信息，以数学方法建立模型描述系统结构[3,4]。 （一）代谢组学的概念及内涵 代谢组学是继基因组学、转录组学和蛋白质组学之后，系统生物学的重要组成部分，也是目前组学领域研究的热点之一。代谢组学术语在国际上有两个英文名，即metabolomics 和metabonomics。Metabolomics是由德国的植物学家Fiehn等通过对植物代谢物研究提出来的，认为代谢组学（metabolomics）是定性和定量分析单个细胞或单一类型细胞的代谢调控和代谢流中所有低分子量代谢产物，从而监测机体或活细胞中化学变化的一门科学[5]。英国Nicholson研究小组从毒理学角度分析大鼠尿液成份时提出了代谢组学（Metabonomics）的概念，认为代谢组学是通过考察生物体系受扰动或刺激后（如某个特定基因变异或环境变化后），其代谢产物的变化或代谢产物随时间的变化来研究生物体系的代谢途径的一种技术[6]。国内的代谢组学研究小组基本用metabonomics一词来表示“代谢组学”。严格地说，代谢组学所研究的对象应该包括生物系统中所有的代谢产物。但由于实际分析手段的局限性，只对各种代谢路径底物和产物的小分子物质（MW<1Kd）进行测定和分析。 （二）代谢组学优势特点 代谢组学作为系统生物学的一个重要组成部分，代谢组可以更好地反映体系表型生物机体是一个动态的、多因素综合调控的复杂体系，在从基因到性状的生物信息传递链中，机体需通过不断调节自身复杂的代谢网络来维持系统内部以及与外界环境的正常动态平衡[7]。
转录组测序结题报告 1．mRNA纯化： 抽提得到的总RNA首先利用10U的DNaseI（Ambion，美国）在37℃消化1小时；然后利用Micropoly(A)PuristTM mRNA purification kit（Ambion，美国），进行mRNA纯化：把RNA稀释到250μl的体积，按照Kit的操作步骤（Cat.No:
1919）进行；最后得到的mRNA用100μl预热的THE缓冲液洗脱，利用NanoDrop 进行定量。 2．cDNA合成： cDNA合成是在Ng等2005年发表的方法基础上改进而成（文献1，图1）。第一链cDNA合成利用GsuI-oligo dT作为反转录引物，10μg的mRNA作为模板，用1000 单位的Superscript II reverse transcriptase (Invitrogen，美国)在42℃作用1小时完成；随后利用NaIO4（Sigma，美国）氧化mRNA的5’帽子结构，并连接生物素；通过Dynal M280磁珠（Invitrogen，美国）筛选连接了生物素的mRNA/cDNA，并通过碱裂解释放第一链cDNA；然后通过DNA ligase（TaKaRa，日本）在第一链cDNA的5’末端加上接头，然后通过Ex Taq polymerase (TaKaRa，日本)合成第二链cDNA。最后通过GsuI酶切去除polyA和5’端接头。 图1. 全长cDNA合成示意图 3．cDNA测序： 合成的cDNA利用超声仪（Fisher）打断到300-500bp的范围，利用Ampure beads（Agencourt，美国）进行纯化。随后纯化的cDNA利用TruSeq TM DNA XXmple Prep Kit – Set A (illumina，美国)制备文库，并利用TruSeq PE Cluster Kit (illumina，美国)进行扩增。最后在illumina机器上进行测序反应。 测序得到的数据统计见表1. 表1. Solexa测序统计 样品对照 1 2
基因组测序基础知识 ㈠De Novo测序也叫从头测序，是首次对一个物种的基因组进行测序，用生物信息学的分析方法对测序所得序列进行组装，从而获得该物种的基因组序列图谱。 目前国际上通用的基因组De Novo测序方法有三种： 1. 用Illumina Solexa GA IIx 测序仪直接测序； 2. 用Roche GS FLX Titanium直接完成全基因组测序； 3. 用ABI 3730 或Roche GS FLX Titanium测序，搭建骨架，再用Illumina Solexa GA IIx 进行深度测序，完成基因组拼接。 采用De Novo测序有助于研究者了解未知物种的个体全基因组序列、鉴定新基因组中全部的结构和功能元件，并且将这些信息在基因组水平上进行集成和展示、可以预测新的功能基因及进行比较基因组学研究，为后续的相关研究奠定基础。 实验流程： 公司服务内容 1.基本服务：DNA样品检测；测序文库构建；高通量测序；数据基本分析（Base calling，去接头， 去污染）；序列组装达到精细图标准 2.定制服务：基因组注释及功能注释；比较基因组及分子进化分析，数据库搭建；基因组信息展 示平台搭建 1.基因组De Novo测序对DNA样品有什么要求？
(1) 对于细菌真菌，样品来源一定要单一菌落无污染，否则会严重影响测序结果的质量。基因组完整无降解(23 kb以上)， OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；每次样品制备需要10 μg样品，如果需要多次制备样品，则需要样品总量=制备样品次数*10 μg。 (2) 对于植物，样品来源要求是黑暗无菌条件下培养的黄化苗或组培样品，最好为纯合或单倍体。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (3) 对于动物，样品来源应选用肌肉，血等脂肪含量少的部位，同一个体取样，最好为纯合。基因组完整无降解(23 kb以上)，OD值在1.8～2.0 之间；样品浓度大于30 ng/μl；样品总量不小于500 μg，详细要求参见项目合同附件。 (4) 基因组De Novo组装完毕后需要构建BAC或Fosmid文库进行测序验证，用于BAC 或Fosmid文库构建的样品需要保证跟De Novo测序样本同一来源。 2. De Novo有几种测序方式 目前3种测序技术 Roche 454，Solexa和ABI SOLID均有单端测序和双端测序两种方式。在基因组De Novo测序过程中，Roche 454的单端测序读长可以达到400 bp，经常用于基因组骨架的组装，而Solexa和ABI SOLID双端测序可以用于组装scaffolds和填补gap。下面以solexa 为例，对单端测序(Single-read)和双端测序(Paired-end和Mate-pair)进行介绍。Single-read、Paired-end和Mate-pair主要区别在测序文库的构建方法上。 单端测序(Single-read)首先将DNA样本进行片段化处理形成200-500bp的片段，引物序列连接到DNA片段的一端，然后末端加上接头，将片段固定在flow cell上生成DNA簇，上机测序单端读取序列(图1)。 Paired-end方法是指在构建待测DNA文库时在两端的接头上都加上测序引物结合位点，在第一轮测序完成后，去除第一轮测序的模板链，用对读测序模块(Paired-End Module)引导互补链在原位置再生和扩增，以达到第二轮测序所用的模板量，进行第二轮互补链的合成测序(图2)。 图1 Single-read文库构建方法图2 Paired-end文库构建方法
2016-02，37（1）中国烟草科学 Chinese Tobacco Science 89 代谢组学技术在烟草研究中的应用进展 王小莉，付博，赵铭钦*，贺凡，王鹏泽，刘鹏飞 （河南农业大学烟草学院，国家烟草栽培生理生化研究基地，郑州 450002） 摘要：简述了作为研究植物生理生化和基因功能新方法的代谢组学在烟草研究中的主要技术流程及其应用现状，归纳了不同生态环境和不同组织中烟草代谢物差异及产生原因，总结了生物和非生物胁迫及化学诱导处理等条件下的烟草生理生化变化及相关基因功能。最后提出了目前烟草代谢组学研究所面临的问题，并指出与其他组学整合应用是代谢组学在烟草研究领域的发展趋势。 关键词：烟草；代谢组学；胁迫；化学诱导；基因功能 中图分类号：S572.01 文章编号：1007-5119（2016）01-0089-08 DOI：10.13496/j.issn.1007-5119.2016.01.016 Research of Metabolomics in Tobacco WANG Xiaoli, FU Bo, ZHAO Mingqin*, HE Fan, WANG Pengze, LIU Pengfei (College of Tobacco Science, Henan Agricultural University, National Tobacco Physiology and Biochemistry Research Center, Zhengzhou 450002, China) Abstract: Metabolomics has been considered one of the most effective means of investigating physiological and biochemical processes and gene function of plants. Here we review the main process of metabolomics and its application status in tobacco research, the regulation mechanisms of physiological and biochemical reactions when tobacco responds to different environmental, biotic and abiotic stresses, chemically induced processes and genetic modifications. Finally, issues of critical significance to current tobacco metabolomics research are discussed and it is noted that integration with other omics is the trend of metabolomics research in tobacco. Keywords: tobacco; metabolomics; stress; chemical induction; gene function 代谢组学与基因组学、转录组学和蛋白质组学分别从不同层面研究生物体对环境或基因改变的响应，它们都是系统生物学的重要组成部分。植物代谢组学是21世纪初产生的一门新学科，主要通过研究植物的次生代谢物受环境或基因扰动前后差异来研究植物代谢网络和基因功能[1-2]。与微生物和动物相比，植物的独特性在于它拥有复杂的代谢途径，目前发现的次生代谢产物达20万种以上[3]。代谢物差异是植物对基因或环境改变的最终响应[4]，因此，对代谢物进行全面解析，探索相关代谢网络和基因调控机制，是从分子层面深入认识植物生命活动规律的一个重要环节[5-7]。 烟草不仅是重要的经济作物，同时还是一种重要的模式植物，作为生物反应器在研究植物遗传、发育、防御反应和转基因等领域中具有重要意义[8-10]。烟草代谢物非常丰富，目前从烟叶中已鉴定出3000多种[11]，且代谢物理化性质和含量差异较大，给烟草化学及代谢规律研究带来挑战。传统的烟草化学主要集中于研究某一类化学成分或某几种重要物质，如萜类[12]、生物碱类[13]、多酚类等[14]，这很难全面地系统地阐述烟草代谢网络。随着系统生物学的发展，烟草越来越广泛地被用于基因组学、转录组学、蛋白质组学和代谢组学的研究中，例如采用系统生物学的方法找出 基金项目：中国烟草总公司浓香型特色优质烟叶开发（110201101001 TS-01）；上海烟草集团责任有限公司“浓香型特色优质烟叶风格定位研究及样品检测”（szbcw201201150） 作者简介：王小莉（1983-），女，博士研究生，主要从事烟草生理生化研究。E-mail：xiaoliwang325@https://www.doczj.com/doc/e25787432.html, *通信作者，E-mail：zhaomingqin@https://www.doczj.com/doc/e25787432.html, 收稿日期：2015-09-09 修回日期：2015-11-19
RNA-Seq名词解释 1.index 测序的标签，用于测定混合样本，通过每个样本添加的不同标签进行数据区分，鉴别测序样品。 2.碱基质量值 （Quality Score或Q-score）是碱基识别（Base Calling）出错的概率的整数映射。碱基质量值越高 表明碱基识别越可靠，碱基测错的可能性越小。 3.Q30 碱基质量值为Q30代表碱基的精确度在99.9%。 4.FPKM（Fragments Per Kilobase of transcript per Million fragments mapped） 每1百万个map上的reads中map到外显子的每1K个碱基上的fragment个数。计算公式为 公式中，cDNA Fragments 表示比对到某一转录本上的片段数目，即双端Reads数目；Mapped Reads(Millions)表示Mapped Reads总数， 以10为单位；Transcript Length(kb)：转录本长度，以kb个碱基为单位。 5.FC（Fold Change） 即差异表达倍数。 6.FDR（False Discovery Rate） 即错误发现率，定义为在多重假设检验过程中，错误拒绝(拒绝真的原(零)假设)的个数占所有被拒绝 的原假设个数的比例的期望值。通过控制FDR来决定P值的阈值。 7.P值（P-value） 即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P 值，一般以P<0.05 为显著，P<0.01为非常显著，其含义是样本间的差异由抽样误差所致的概率小于0.05或0.01。 8.可变剪接（Alternative splicing）
代谢组学分析系统 1.工作条件： 1.1 电压：220V（±10%）单相，50Hz(±1)。 1.2 环境温度：19-22o C 1.3 相对湿度：<70% * 2.设备用途和基本组成 2.1 仪器用途：所提供仪器为高分辨率，高灵敏度、高通量的分析系统，配以 专业的数据分析处理软件构成代谢组学专用分析系统，从而快速 寻找标记物。 2.2 仪器组成 2.2.1 仪器由超效液相色谱-四极杆/二级碰撞室/飞行时间质谱组成的系统，和 专用代谢组学分析软件以及代谢物分析软件构成，具有先进的中医药代 谢组学研究分析功能。 * 2.2.2 质谱主机要求配置同一厂家生产的液相色谱仪，具有良好的兼容性。 * 2.2.3 具备准确质量测定功能 准确质量测定的内标必须有独立于实测样品的通道进入离子源，内标不得 干扰实际样品的数据结果，并且质量准度<2ppm。 2.2.4 真空系统 要求完全被保护的多级真空系统，具有自动断电保护功能，采用分子涡轮 泵。离子源和质谱间有隔断阀。便于源清洗和日常维护。 * 2.2.5 碰撞室具有两级碰撞功能。分为以下部分： 捕获富集单元：具有离子传输富集、碰撞室两种功能 传输单元：具有离子传输、碰撞室两种功能 * 2.2.6 检测器 检测器由单个微通道板离子计数检测，可检测正负离子和采集MS和 MS/MS的数据, TDC转换速率>4.0 GHz。 * 2.2.7 数据采集和处理系统 工作站用于仪器控制和采集, 1024MB RAM, 200GB硬盘，DVD-ROM，
刻录光盘驱动器，1.44MB 3.5英寸软驱。 软件基于Windows XP 操作系统的应用软件包括集成化的仪器控制、数据处理等软件，代谢组学分析软件以及代谢物分析软件等。 3 仪器的详细技术指标 3.1 液相色谱仪 * 液相色谱仪必须是能够耐超高压（1000bar）的超高效液相色谱仪(UPLC)。3.1.1 可编程二元梯度泵。 溶剂数量：4 流速范围：0.010 - 2mL/min，步进0.001mL/min， 流速精度：< 0.075% RSD，流速准确度：±1%， 泵耐压：0 - 15000psi（1000bar） 梯度设定范围：0 - 100% *系统延迟体积：< 120uL 3.1.2 二极管阵列检测器 波长范围：190-700nm. *测量范围：0.0001～4.0000AUFS *采样速率：40点/秒 流通池：500nl低扩散 3.1.3 自动进样器系统 样品数量：96孔板、384孔板、24x4ml瓶、48x2ml瓶 进样范围：0.1- 50 μL, “针内针”样品探针。 温度范围：4-40摄氏度 3.1.4 在线脱气系统 真空脱气：六通道在线脱气机 3.1.5 柱加热系统 控温范围：室温+5---65摄氏度 3.1.6 专用色谱柱； * 1.7μ, 2.1 mm x 50 mm Column
（内部资料，请勿外传） 动植物转录组 （Transcriptome ） 产品说明书 科技服务体系 动植物研究方向
版本信息： 2011年07月08日
目录 1产品概述 (1) 1.1 什么是转录组测序 (1) 1.2 转录组测序的产品功能 (1) 1.3 转录组测序产品优势 (1) 1.4 转录组测序产品发展史 (1) 1.5 项目执行时间 (3) 1.6 产品交付结果 (3) 2转录组测序研究方法 (4) 2.1 产品策略 (4) 2.2 样品准备 (5) 2.2.1 RNA样品要求 (5) 2.2.2 RNA样品送样标准 (6) 2.2.3 RNA提取的组织用量建议 (6) 2.3 样品运输要求 (7) 2.3.1 样品包装 (7) 2.3.2 样品标识 (8) 2.3.3 样品运输条件 (8) 2.4 文库的构建及测序 (9) 2.4.1 实验流程 (9) 2.4.2 测序及数据处理 (10) 2.5 转录组生物信息学分析 (10) 2.5.1 没有参考序列的转录组De novo (10) 2.5.2 有参考序列的转录组Re-sequencing (18) 2.5.3 参考文献 (24) 3成功案例 (25)
3.1 华大成功案例 (25) 3.2 相关文献解读 (26)
1产品概述 1.1什么是转录组测序？ 转录组测序的研究对象为特定细胞在某一功能状态下所能转录出来的所有RNA的总和，包括mRNA和非编码RNA。转录组测序是指用新一代高通量测序技术对物种或者组织的转录本进行测序并得到相关的转录本信息。 1.2转录组测序的产品功能 1.获得物种或者组织的转录本信息； 2.得到转录本上基因的相关信息，如：基因结构，功能等； 3.发现新的基因； 4.基因结构优化； 5.发现可变剪切； 6.发现基因融合； 7.基因表达差异分析。 1.3转录组测序产品优势 覆盖度高：检测信号是数字信号，几乎覆盖所有转录本； 检测精度高：几十到数十万个拷贝精确计数； 分辨率高：可以检测到单碱基差异，基因家族中相似基因及可变剪切造成的不同转录本的表达； 完成速度快：整个项目周期只需要50个工作日时间； 成本低：基本上每个实验室可以承担相关研究经费。 1.4转录组测序产品发展史 转录组的研究手段大体包括：EST序列构建及研究，芯片研究，运用第二代测序技术研究等。EST是从一个随机选择的cDNA 克隆进行5’端和3’端单一次sanger测序获得的短的cDNA 部分序列,代表一个完整基因的一小部分,在
全基因组重测序数据分析 1. 简介(Introduction) 通过高通量测序识别发现de novo的somatic和germ line 突变，结构变异-SNV，包括重排 突变（deletioin, duplication 以及copy number variation）以及SNP的座位；针对重排突变和SNP的功能性进行综合分析；我们将分析基因功能（包括miRNA），重组率（Recombination）情况，杂合性缺失（LOH）以及进化选择与mutation之间的关系；以及这些关系将怎样使 得在disease（cancer）genome中的mutation产生对应的易感机制和功能。我们将在基因组 学以及比较基因组学，群体遗传学综合层面上深入探索疾病基因组和癌症基因组。 实验设计与样本 （1）Case-Control 对照组设计； （2）家庭成员组设计：父母-子女组（4人、3人组或多人）； 初级数据分析 1．数据量产出：总碱基数量、Total Mapping Reads、Uniquely Mapping Reads统计，测序深度分析。 2．一致性序列组装：与参考基因组序列（Reference genome sequence）的比对分析，利用贝叶斯统计模型检测出每个碱基位点的最大可能性基因型，并组装出该个体基因组的一致序列。3．SNP检测及在基因组中的分布：提取全基因组中所有多态性位点，结合质量值、测序深度、重复性等因素作进一步的过滤筛选，最终得到可信度高的SNP数据集。并根据参考基 因组信息对检测到的变异进行注释。 4．InDel检测及在基因组的分布: 在进行mapping的过程中，进行容gap的比对并检测可信的short InDel。在检测过程中，gap的长度为1~5个碱基。对于每个InDel的检测，至少需 要3个Paired-End序列的支持。 5．Structure Variation检测及在基因组中的分布: 能够检测到的结构变异类型主要有：插入、缺失、复制、倒位、易位等。根据测序个体序列与参考基因组序列比对分析结果，检测全基因组水平的结构变异并对检测到的变异进行注释。
代谢组学是一门对某一生物或细胞所有低分子质量代谢产物（以相对分子质量<1000的有机和无机的代谢物为研究核心区）进行分析的新兴学科。生物样本通过NMR、GC-MS、LC-MS等高通量仪器分析检测后，能产生大量的数据，这些数据具有高维，少样本、高噪声等复杂特征，同时代谢物多且代谢物之间联系密切，因此从复杂的代谢组学数据中确定与所研究的现象有关的代谢物，筛选出候选生物标记物成为代谢物组学研究的热点和难点。 代谢组学分析数据用于统计分析时，数据集通常为一个N ×K 的矩阵（X矩阵），N表示N个样本数，每一行代表一个样品，K表示K个变量，每一列代表一个变量，在代谢组学中变量通常是指代谢物含量。常用的分析方法如图1所示： 数据分析方法 单变量分析 多变量分析差异倍数分析 显著性检验 无监督分析 有监督分析 PLS-DA PCA OPLS-DA 图1 代谢组学常用的数据分析方法 单变量分析 单变量分析方法仅分别分析单个变量，不考虑多个变量的相互作用与内在联系。具有简单性、易应用性和可解释性。但是无法基于整
体数据对所测样品的优劣、差异进行综合评价和分析。 （1）差异倍数分析 差异倍数变化大小（Fold Change，FC）表示实验组与对照组的含量比值，可以快速考察各个代谢物在不同组别之间的含量变化大小。（2）显著性检验 p值即概率，反映某一事件发生的可能性大小，用于区分该变量是否具有统计显著性，通常认为p<0.05具有统计显著性。常用的检验方法有t-test、方差分析（Analysis of Variance，ANOVA），但是由于代谢组学的变量较多，必要时需要进行多重假设检验，对p值进行校正，减少Ⅰ类错误，降低假阳性。 多变量分析 多变量分析方法能同时处理数百或数千个变量，并且能处理变量之间的相互关系。利用变量之间的协方差或相关性，使原始数据在较低维空间上的投影能尽可能地捕获数据中的信息。但是如果存在大量无信息变量可能会妨碍多变量分析的能力，无信息变量的数量越多，减少真阳性数量的效果就越显著。 多变量分析分为无监督分析方法和有监督分析方法。在代谢组学分析中无监督学习有主成分分析（Principal Component Analysis，PCA），只需要数据集X，而有监督分析方法主要是偏小二乘判别分析（Partial Least Squares Discrimination Analysis, PLS-DA）和正交偏小二乘判别分析（Orthogonal Partial Least Squares
植物代谢组学的研究方法及其应用 近年来，随着生命科学研究的发展，尤其是在完成拟南芥(Arabidopsis thaliana) 和水稻(Oryza sativa) 等植物的基因组测序后，植物生物学发生了翻天覆地的变化。人们已经把目光从基因的测序转移到了基因的功能研究。在研究DNA 的基因组学、mRNA 的转录组学及蛋白质的蛋白组学后，接踵而来的是研究代谢物的代谢组学(Hall et al.，2002)。代谢组学的概念来源于代谢组，代谢组是指某一生物或细胞在一特定生理时期内所有的低分子量代谢产物，代谢组学则是对某一生物或细胞在一特定生理时期内所有低分子量代谢产物同时进行定性和定量分析的一门新学科(Goodacre，2004)。它是以组群指标分析为基础，以高通量检测和数据处理为手段，以信息建模与系统整合为目标的系统生物学的一个分支。 代谢物是细胞调控过程的终产物，它们的种类和数量变化被视为生物系统对基因或环境变化的最终响应(Fiehn，2002)。植物内源代谢物对植物的生长发育有重要作用(Pichersky and Gang，2000)。植物中代谢物超过20万种，有维持植物生命活动和生长发育所必需的初生代谢物；还有利用初生代谢物生成的与植物抗病和抗逆关系密切的次生代谢物，所以对植物代谢物进行分析是十分必要的。 但是，由于植物代谢物在时间和空间都具有高度的动态性(stitt and Fernie，2003)。尤其是次生代谢物种类繁多、结构迥异，且产生和分布通常有种属、器官、组织以及生长发育时期的特异性，难于进行分离分析，所以人们一直在寻找更为强大的检测分析工具。在代谢物分析领域，人们已经提出了目标分析、代谢产物指纹分析、代谢产物轮廓分析和代谢表型分析、代谢组学分析等概念。20世纪90年代初，Sauter 等(1991)首先将代谢组分析引入植物系统诊断，此后关于植物代谢组学的研究逐年增多。随着拟南芥等植物的基因组测序完成以及代谢物分析手段的改进和提高，今后几年进入此研究领域的科学家和研究机构将越来越多。 1研究方法 代谢组学分析流程包括样品制备、代谢物成分分析鉴定和数据分析与解释。由于植物中代谢物的种类繁多，而目前可用的成分检测和数据分析方法又多种多样，所以根据研究对象不同，采用的样品制备、分离鉴定手段及数据分析方法各不相同。 1.1样品制备 植物代谢物样品制备分为组织取样、匀浆、抽提、保存和样品预处理等步骤(Weckwerth and Fiehn，2002)。代谢产物通常用水或有机溶剂(如甲醇和己烷等)分别提取，获得水提取物和有机溶剂提取物，从而把非极性的亲脂相和极性相分开。分析之前，通常先用固相微萃取、固相萃取和亲和色谱等方法进行预处理(邱德有和黄璐琦，2004)。然而植物代谢物千差万别，其中很多物质稍受干扰结构就会发生改变，且对其分析鉴定所采用的设备也不同。目前还没有适合所有代谢物的抽提方法，通常只能根据所要分析的代谢物特性及使用的鉴定手段选择合适的提取方法。而抽提时间、温度、溶剂成分和质量及实验者的技巧等诸多因素也将影响样品制备的水平。 1.2成分分析鉴定
◇专论◇ 中国临床药理学与治疗学 中国药理学会主办 CN 3421206/R ,ISSN 100922501 E 2mail :ccpt96@https://www.doczj.com/doc/e25787432.html, 2010May ;15(5):481-489 2010203211收稿 2010204224修回E 2mail :ajiye333@hot https://www.doczj.com/doc/e25787432.html, 代谢组学数据处理方法———主成分分析 阿基业 中国药科大学药代动力学重点实验室&代谢组学研究室,南京210009,江苏 摘要 代谢组学在生命科学领域得到了越来越 广泛的应用并展现出良好的前景。代谢组学分析产生的含有大量变量的数据难以用常规方法进行分析,如何正确分析和解释代谢组学的数据是研究的关键。本文主要介绍了在代谢组学数据分析中占主导地位的主成分分析基本方法,旨在加强代谢组学数据分析的基础知识并规范数据分析的方法。关键词 代谢组学;主成分分析;偏最小二乘投影关联分析;偏最小二乘投影判别分析;正交偏最小二乘投影分析 中图分类号:R969.1文献标识码:A 文章编号:100922501(2010)0520481209代谢组学(metabolomics 或metabonomics )是“后基因组学”时期新兴的一门学科,“代谢组学”一词虽然常以“metabonomics ”或“metabolo 2mics ”出现,但多数学者通常并不对其加以严格区分,绝大多数情况下这两个词被认为包含了等同的意义。根据研究的内容、目的、偏重点和对代谢 组学的认识不同,代谢组学被赋予了不同的英文 名称,如代谢物分析(metabolite p rofiling )、代谢谱分析(metabolic profiling )、代谢指纹谱分析(metabolic fingerp rinting )等;根据分析的目标化合物不同,还可以分为目标化合物分析(targeting analysis )和(无设定目标的)全谱分析(non -tar 2geting analysis )。无论采用了哪种名称和说法,代谢组学的研究对象都是体内“代谢组” (metabo 2lome ,即生物样本、系统、组织或细胞中小分子化合物的总称)。不管采用哪种测定方法,应用代谢 组学技术都可以测定到许多内源性化合物的定性/定量信息。这些信息在输出的谱图上表现为许多信号峰,在色谱质谱图上表现为不同保留时间出现色谱峰,在核磁共振谱图上表现为不同化学位移处的色谱信号。每个信号峰都既包含了检测分子的定性/结构信息,也包含了定量信息。以气相色谱-质谱检测为例,样品中的分子经过数十米长的石英毛细管色谱柱色谱分离后在色谱图上的不同时间出现,输出的总离子流图上的每个色谱峰都包含该物质定性信息(质谱图)和定量信息(峰高或峰面积),图1。对于特定化合物来说,其定性信息就是该化合物的特征谱图和色谱保留时间,是化合物鉴定的基础;其定量信息就是该化合物的色谱响应强度,如峰高、峰面积,是定量比较不同样品或组别之间差异的基础 。 中国药科大学药物代谢动力学重点实验室&代谢组学研究室副研究员, 主要从事药物代谢动力学、代谢组学、代谢性疾病发病机制、与代谢相关的药效或药物毒性的分子机制等方向的研究。 ? 184?
代谢组学小常识 概念： ?代谢组：指一个细胞、组织或器官中所有代谢物的集合, 包含一系列不同类型的小分子（通常分子量<1000）, 比如肽、碳水化合物、脂类、核酸等。 ?代谢组学：通过考察生物体系（细胞、组织或生物体）受刺激或扰动后，其代谢产物的变化或其随时间的变化，来研究生物体系的一门科学。 实验流程：（以液质联用为基础的代谢组学为例） ?样本前处理：在保证小分子代谢物完整的前提下，处理的步骤越简单越好，以保证操作容易重复，也为大批量样本的处理节约时间。 ?数据采集：依据实验目的有所不同。 o非目标代谢组学：选用高分辨质谱仪（TOF，Orbitrap等），有助于检测到尽可能多的化合物，另外高分辨的质核比数据也有助于数据库检索以及化合物的鉴定。 o目标代谢组学：通常使用三重四极其杆质谱，提高检测的灵敏度以及定量的准确性。 ?数据预处理：峰提取，排列，归一化。 o多数质谱商家都提供了配套的预处理软件，例如安捷伦公司的MassHunter，热电的Sieve，沃特世的MarkerLynx以及Progenisis QI。 o同时也有一些基于网络的可以免费获取的软件。建议使用配套的软件，因为不需要额外的数据转换，不需要上传数据，节省时间。 ?数据分析：多元统计分析包括主成份分析（PCA）,偏最小二乘判别分析（PLS-DA），正交偏最小二乘判别分析（OPLS-DA），聚类分析（HCA）等。各个厂商也提供了相应的统计分析软件，比如安捷伦的MPP，热电的Sieve，沃特世的Ezinfor。目前常用的第三方软件是Simca-p，同时也有一些网络的开源软件可以使用。 ?化合物鉴定：数据库检索，标准品对比，二级质谱对比。 代谢组学文章中常见的统计图（一） 主成分分析（PCA） PCA得分图（score plot），用来看样本天然的分组情况，在分析时不加任何分组信息。图中每一个点代表一个样本，样本在空间中所处的位置由其中所含有的代谢物的差异决定。 PCA载荷图（loading plot），用来寻找差异变量。同种的每一个点代表样本中还有的一个代谢物物，距离原点越远的代谢物被认为对样本的分类贡献越大。 偏最小二乘判别分析（PLS-DA） 得分图和载荷图的解释同PCA。区别在于，PLS-DA在分析时提前赋予每个样本分组信息，简单说，就是在分
进化基因组学研究进展 刘超 （山东大学生命科学学院济南250100） 摘要：进化基因组学是利用基因组数据研究差异基因功能、生物系统演化、从 基因在水平探索生物进化的学科。随着近年来基因组数据的不断增加，进化基因组学得到了长足的发展。进化基因组学主要包括从基因组水平理解和诠释生物进 化和新基因分析研究探索两方面的内容。本文介绍了进化基因组学研究的主要内容和较为常用的方法，以及近年来在细菌、酵母、果蝇进化基因组学方面的研究进展。 关键词：进化基因组学系统进化比较基因组学新基因 前言 随着基因测序技术的不断进步以及基因组学的飞速的发展，人们积累了大量的基因组学数据，利用所得的大量的基因组数据与进化生物学相结合，在基因组水平研究生物进化机制，随即产生了进化基因组学(Evolutional Genomics)。 近年来进化基因组学取得了长足的进展，在研究差异基因功能、生物系统演化、从基因在水平探索生物进化的终极方式等方面有重大突破，对人类理解生命现象和过程有重要作用。 1进化基因组学研究内容 研究系统进化学通常包括两个关键步骤：一方面，在不同物种中鉴定同源性特佂，另一方面利用构建系统进化树的方法比较这些特征，进而重新构建这些物种的进化历史[1]。针对这两个关键步骤，传统系统进化学，常采用基于形态学 数据和单个基因研究的同源性状鉴定和重建系统进化树（常包括距离法、最大简约法、概率法）[1]的方法来研究。在目前拥有丰富基因组数据的条件下，我们 可以分析基因组数据，利用进化基因组学研究系统进化。
目前进化基因组学的研究内容主要集中于两个方面：（1）在比较不同生物的基因数据的基础上，从基因组水平理解和诠释生物进化；（2）通过对新基因的分析研究探索基因进化过程的规律两个方面[2]（如图1）。在进行全基因组进化分析方面，进化基因组学主要集中于构建系统进化树、研究基因组进化策略、研究生物功能变化和进化机制、进化和生态功能基因组学[2]、基因注释的等方面；在新基因方面主要分析基因产生机制和新基因固定及其动力学研究。 图1 进化基因组学主要研究内容 目前进化基因组学的研究有力的解决了一些基础性的进化问题，但也出现了一些未来需要急需解决的挑战。例如生物进化的本质和目前重建系统进化树方法 的限制[1]。 2研究进化基因组学的方法 研究进化基因组学的方法主要包括利用基因组数据分析和研究新基因的产 生和演化两种。 2.1利用基因组数据进行系统进化分析 利用基因组数据进行系统进化分析，常有基于基因序列的方法和基于全基因特征的方法。（如图2）