数据分析,芯片实验可对基因的表达进行度量,并最终用数学和统计学的方法找出隐藏在基因表达数据下的生物信息,对基因功能和生物学特性进行推测[1]。基因芯片实验技术日益成熟,由其产生的基因表达数据不断扩大,尤其在近十几年内更以指数形式增长,科学家们越来越重视探索和开发用以分析这些数据的方法和工具。目前已有众多的方法用于大规模的基因表达的数据挖掘,比如统计分析、聚类分析、自组织映射、时间序列分析、神经网络、遗传算法等[2,3]。
本文将对基因芯片试验数据现有的基础分析方法做一个相对综合的概括,并介绍一些新的分析方法。
1 表达数据的获取和标准化
杂交反应后的芯片通过芯片扫描仪,将荧光信号转化成可计算的数字信息。在图像处理之后,有必要对每一个信道的相对荧光强度进行标准化。标记物的差异、荧光标记检测效能的
差异以及样品RNA的原始浓度的差异所带来的系统误差,都将在标准化中得到校正[4]。现有的
大规模的数据分析[3]。
4.3 监督性聚类(supervised clustering) 在许多生物学问题的研究中,常存在一些已知的信息,并可用于指导分类和研究新的数据,此时监督性方法是一个很好的选择。监督性聚类通常从一个示范集的现有信息中进行学习,并定义每一个类的特征,然后用这些定义对新的数据进行分类。监督性聚类的一个最主要的目的就是构建分类器。常用的监督性聚类如支持向量器(support vector machines,SVM)、线性判别式、决策树、和监督性神经网络。
SVM是在基因表达谱聚类中应用较广的机器学习方法[18]。它利用表达数据,根据已知功能的基因来识别具有相似表达谱的未知基因。SVM从一个具有某共同功能的基因集开始,并确定另一个不具有该功能的基因集。将这2个基因集合并为一个示范集,其中具有某功能的基因被标记为正,那些不具该功能的基因被标记为负。利用这个示范集SVM可以根据表达数据,学习区分该功能基因集的成员和非成员。之后,SVM就可以根据新的基因的表达数据对其进行功能分类。将SVM用于示范集,还可以识别那些在示范集中被错误分类的基因,它们通常为离群值。
Fisher线性判别分析(Fisher’s linear discriminant analy2 sis,LDA)将高维数据投影到直线,并在一维空间对数据进行分类的一种方法。LDA将两类间的距离最大化,将类内方差最小化,由此定义Fisher判别标准[18]:
式2:J(w)=|m1-m2|
S21+S22
。
其中m1,m2分别表示2个类的均值;s21,s22分别表示2个类的方差。在信号系统中,Fisher判别标准又可被称为“信噪比”。将J(w)最大化,得到数据的分类。
决策树是数据挖掘的标准工具,由根部开始,通常由2部分组成:位于节点内部的简单分类器以及位于“叶”的类。针对每一个输入向量,节点上的分类器根据某一个价值函数进行判断,决定这个向量的流向,最终对该向量产生一条唯一的路径达到“叶”,即对其分类。这是一个递归的过程,在此过程中,决策树自身进行修正去除那些多余的节点[18]。Brown等[18]将几种监督性聚类方法应用于酵母基因的分类,发现SVM的分类结果优于其他的几种方法。
聚类分析的挑战就是恰当地应用算法提高分类的合理性。但遗憾的是,这里并没有一个单一的最好的标准,因为对“类”本身而言,并没有一个严格的定义。不同的聚类方法要求不同的数据分布特征,如果数据的分布特征正好服从某种聚类方法的要求,那么就可能得到“真实的”分类。对聚类方法的评价只能针对具体的应用进行,并没有哪一种聚类方法在所有的应用中都是最好的[19]。
5 基因调控网络分析
聚类分析可以对基因进行功能聚类,为研究者提供单个基因的功能信息,但是,要了解细胞的过程还应该从整体出发,观察基因之间的相互关系。一个基因的表达受其他基因的影响,而这个基因又会影响其他基因的表达,这种相互影响、相互制约的关系构成了复杂的基因表达调控网络。基因调控网络分析的目的就是要建立调控网络的数学模型,通过数学模型来分析基因之间的相互作用关系。
布尔网络模型(boolean networks)是转录调控网络最简单的一种模型[20]。在布尔网络中的每一个节点代表一个基因,每一个基因的状态用0/1来表示,即“关”或“开”,由一个函数决定。网络各个节点的状态集合为整个系统的状态,系统的动态状态,由各节点的连接输入及函数决定。布尔网络虽然是对基因调控网络的粗糙模拟,但它仍反映了基因调控网络的复杂性,自组织性和冗余性等特点[21]。布尔网络模型简单,便于计算,但是它是一种离散的数学模型,不能很好地反映细胞的实际情况。如布尔网络不能反映各个基因表达的数值差异,不考虑基因作用大小的区别等。
Chen等[22]提出的基因表达线性转录模型是一种微分方程模型。该模型用基因转录率来描述基因及其翻译产物的反馈机制,将基因表达描述为
式3:d x
dt
=M x M=
-V C
L -V
。
其中x=(r,p)T,为mRNA和蛋白质的变量,M为2n×2n的跃迁矩阵,V,C,L,U分别为mRNA降解率、转录常数,翻译常数和蛋白质降解率。该模型假定翻译率与降解率在每一个时点或样品中都是常数,基于基因表达时间序列数据可以构建方程,用线性方程或最小二乘法解得矩阵M。Michiel 等[23]将此模型用于分析枯草杆菌基因表达时间序列数据,并得到了5类基因的调控关系网络。
加权矩阵模型将一个基因的表达值作为其他基因表达值的函数[24]。含有n个基因的转录调控的基因表达状态用n维空间中的向量u(t)表示,u(t)的每一个元素代表一个基因在时刻t的表达水平。以一个加权矩阵W表示基因之间的调控相互作用,W的每一行代表一个基因的所有调控输入。在时刻t 基因j对基因i的净调控输入为j的表达水平(即u j(t))乘以j对i的调控影响程度W ij。基因i的总调控输入r i(t)为:式4:r i(t)=∑
j
W ij u j(t)。
若W ij为正值,则基因j激发基因i的表达,而负值表示基因j j抑制基因i的表达,0表示基因j对基因i没有作用。
6 结 语
这里所讲述的方法并不是分析芯片表达数据所有方法的枚举,而是目前较为常用的几种方法。基因芯片所遇到的挑战并不在于表达芯片实验技术本身,而是发展实验设计方法及数据分析[25,26]。实验中数据标准化的方式,度量相似性的方式以及模型的选择都会对分析结果产生影响。对不同的数据集来说,采用不同的方法可能挖掘到不同的信息,有的方法可能更恰当,而有的则不合适。最终任何数据分析手段都应有生物学的知识为基础,如果一个分析所展示的数据内部信息与我们对该数据系统的理解是一致的,那么很可能其外延推论也是有效的。
与已经发展了几十年的结构基因组学相比,基因表达谱的生物信息学仅处于起步阶段,尽管应用了诸如聚类分析、调控网络模型重建等方法,但仍有许多问题有待进一步研究。尤其对基因调控网络的研究,尽管目前已发展了一些模型,但还不完善,这些问题对理解复杂的生命现象非常重要。在后基因组时代,人们面对的是海量的生物信息数据,并且这种数据的增长速度极其迅速,如何发展有效的生物信息学工具,从这种包含序列结构和功能信息的数据海洋中确定与某一特定生命现象(如生长、发育,肿瘤发生等)相关的基因及其功能,将成为各国科学家的重要研究任务。
参考文献:
[1]Kerr K,Churchill G.Statistical design and the analysis of
gene expression microarrays[J].Genet Res,2001,77:123 [2]Kerr M K,Martin M,Churchill GA.Analysis of variance
for gene expression microarrays[J].J Comp Biol,2000,7: 819
[3]Brown MP,Grundy WN,Lin D,et al.Knowledge based
analysis of microarray gene expression data by using sup2 port,vector machines[J].Proc Natl Acad Sci,2000,97: 262
[4]Bolstad BM,Irizarry RA,Astrand M,et al.A comparison
of normalization methods for high density oligonucleotide array data based on bias and variance[J].Bioinformatics, 2000,19:185
[5]Eisen MB,Spellman P T,Brown PO,et al.Cluster analysis
and display of genome2wide expression patterns[J].Proc Natl Acad Sci,1998,95:14863
[6]伍亚舟,张彦琦,易东,等.基因芯片表达数据的标准化
策略研究[J].第三军医大学学报,2004,26(7):594 [7]Tusher V,Tibshiranir,Chu C.Significance analysis of
microarrays applied to ionizing radiation response[J].
Proc Nat Acad Sci,2001,10:1073
[8]Reiner A,Yekutieli D,Benjamini Y.Identifying differen2
tially expressed genes using false discovery rate control2 ling procedures[J].Bioinformatics,2003,19:368
[9]Yeung KY,Haynor DR,Ruzzo WL.Validating clustering
for gene expression data[J].Bioinformatics,2001,17:309 [10]Eisen MB,Brown PO.DNA arrays for analysis of gene
expression[J].Meth Enzymol,1999,303:179
[11]Eisen M,Spellman PL,Brown PO,et al.Cluster analysis
and display of genomewide expression patterns[J].Proc Natl Acad Sci USA,1998,95:14863
[12]Ross D T,Scherf U,Eisen MB,et al.Systematic variation
in gene expression patterns in human cancer cell lines[J].
Nat G enet,2000,24:227
[13]Tamayo P,Slonim D,Mesirov J,et al.Interpreting pat2
terns of gene expression with self2organizing maps: methods and application to hematopoietic differentiation [J].Proc Nat’l Acad Sci USA,1999,96:2907[14]Morgan BJ T,Ray A P G.Non2uniqueness and inversions
in cluster analysis[J].Appl Stat,1995,44:117
[15]K ohonen T.Self Organizing Maps[M].Springer,Berlin,
1995.1
[16]Tamayo P,Slonim D,mesiroo J,et al.Interpreting pat2
terns of gene expression with self2organizing maps:meth2 ods and application to hematopoietic differentiation[J].
Proc Natl Acad Sci,1999,96:2907
[17]Brown M,Grundy W,Lin D,et al.Support vector ma2
chine classification of microarray gene expression data.
https://www.doczj.com/doc/9314207153.html,/article/brown99support.ht2 ml
[18]D’haeseleer P,Liang S,Somogyi R.G enetic network infer2
ence:from co2expression clustering to reverse engineer2 ing[J].Bioinformatics,2000,16(8):707
[19]Liang S,Fuhrman S,Somogyi R.A general reverse engi2
neering algorithm for inference of genetic network archi2 tectures[J].Pac Symp Biocomput,1998,3:18
[20]Somogyi R,Sniegoski CA.Modeling the complexity of
genetic networks:understanding multigenic and pleiotro2 pic regulation[J].Complexity,1996,1:45
[21]Chen T,He HL,Church GM.Modeling gene expression
with differential equations[G].Pac Symp Biocomput, 1999,4:29
[22]de2Hoon MJ,Imoto S,K obayashi K,et al.Inferring gene
regulatory networks f rom time2ordered gene expression data of Bacillus subtilis using differential equations[G].
Pac Symp Biocomput,2003,8:17
[23]Weaver DC,Workman CT,Stormo G D.Modeling regula2
tory networks with weight matrices[G].Pac Symp Bio2 comput,1999,4:112
[24]Bellenson JL.Expression data and Bioinformatics challen2
ges.In Mark Schena ed.DNA Microaarys2apractical ap2 proach[M].Oxford:Oxford University Press,1999.97 [25]刘同华.基因芯片技术及其在肿瘤研究中的应用[J].重
庆医学,2003,32(9):1266
?综 述?
新的凋亡抑制蛋白Livin的研究及临床意义
李中福综述,王子卫审校
(重庆医科大学附属第一医院普外科 400016)
关键词:凋亡抑制蛋白;Livin;凋亡;肿瘤;治疗
中图分类号:R730.21文献标识码:A文章编号:167128348(2005)1221892204
细胞凋亡是由多种因子介导的细胞主动死亡的过程,对机体或组织维持内环境的稳定和生物体的生长发育、生命周期、衰老死亡都有着重要的作用。凋亡抑制也是肿瘤发生的重要机制,凋亡通路的紊乱、促进凋亡因子的抑制、凋亡抑制因子过表达以及凋亡基因的表达失控都会导致肿瘤的发生、发展。而且,凋亡紊乱还导致肿瘤细胞对化疗药物的抵抗。在肿瘤的治疗过程中如何促进肿瘤细胞凋亡已经引起了人们极大的研究兴趣。近年来,凋亡抑制蛋白引起人们的高度重视,Livin作为一种新发现的凋亡抑制蛋白(IA P)抑制细胞凋亡,与肿瘤的发生、发展及预后相关,将为肿瘤的治疗提供新靶点。
1 凋亡抑制蛋白(IA P)家族
目前发现的IA P家族成员有:Livin、c2IAP1、c2IAP2、N IA P、XIA P、IA P22、Bruce/Apollon、Surivin。IAP家族一个共同的特点:在其蛋白质的氨基端至少有1～3个高度保守的约
生物芯片研究进展 摘要 生物芯片是切采用生物技术制备或应用于生物技术的微处理器是便携式生物化学分析器的核心技术。通过对微加工获得的微米结构作生物化学处理能使成千上万个与生命相关的信息集成在一块厘米见方的芯片上。生物芯片发展的最终目标是将从样品制备、化学反应到检测的整个生化分析过程集成化以获得所谓的微型全分析系统或称缩微芯片实验室。生物芯片技术的出现将会给生命科学、医学、化学、新药开发、生物武器战争、司法鉴定、食品和环境卫生监督等领域带来一场革命。本文主要阐述了生物芯片技术种类和应用方面的近期研究进展。 关键词 生物芯片，疾病诊断，研究运用，基因表达 基因芯片的种类 基因芯片产生的基础则是分子生物学、微电子技术、高分子化学合成技术、激光技术和计算机科学的发展及其有机结合。根据基因芯片制造过程中主要技术的区别，下面主要介绍四类基因芯片。 一、光引导原位合成技术生产寡聚核苷酸微阵列 开发并掌握这一技术的是Affymetrix公司，Affymetrix采用了照相平板印刷技术技术结合光引导原位寡聚核苷酸合成技术制作DNA芯片，生产过程同电子芯片的生产过程十分相似。采用这种技术生产的基因芯片可以达到1×106/cm2的微探针排列密度，能够在一片1厘米多见方的片基上排列几百万个寡聚核苷酸探针。 原位合成法主要为光引导聚合技术（Light-directed synthesis），它不仅可用于寡聚核苷酸的合成，也可用于合成寡肽分子。光引导聚合技术是照相平板印刷技术（photolithography）与传统的核酸、多肽固相合成技术相结合的产物。半导体技术中曾使用照相平板技术法在半导体硅片上制作微型电子线路。固相合成技术是当前多肽、核酸人工合成中普遍使用的方法，技术成熟且已实现自动化。二者的结合为合成高密度核酸探针及短肽列阵提供了一条快捷的途径。 Affymetrix公司已有诊断用基因芯片成品上市，根据用途可以分为三大类，分别为基因表达芯片、基因多态性分析芯片和疾病诊断芯片，基因表达分析芯片和基因多态性分析芯片主要用于研究机构和生物制药公司，可以用来寻找新基因、基因测序、疾病基因研究、基因制药研究、新药筛选等许多领域，Affymetrix公司主要生产通用寡聚核苷酸芯片；疾病诊断芯片则主要用于医学临床诊断，包括各种遗传病和肿瘤等，目前Affymetrix公司生产
生物科学正迅速地演变为一门信息科学。最明显的一个例子就是目前正在进行的HGP （human genome project），最终要搞清人类全部基因组的30亿左右碱基对的序列。除了人的遗传信息以外，还有其它生物尤其是模式生物（model organism）已经或正在被大规模测序，如大肠杆菌、啤酒酵母、秀丽隐杆线虫以及中国和日本科学家攻关的水稻基因组计划。但单纯知晓生物基因组序列一级结构还远远不够，还必须了解其中基因是怎样组织起来的，每个基因的功能是什么，又是怎样随发育调控和微环境因素的影响而在特定的时空域中展开其表达谱的，即我们正由结构基因组时代迈入功能基因组时代。随着这个功能基因组学问题的提出（后基因组时代，蛋白组学）[1]，涌现出许多功能强大的研究方法和研究工具，最突出的就是细胞蛋白质二维凝胶电泳（2-D-gel）（及相应的质谱法测蛋白分子量）和生物芯片（Biochip）技术[2]。 一．什么是基因芯片 生物芯片，简单地说就是在一块指甲大小（1cm3）的有多聚赖氨酸包被的硅片上或其它固相支持物（如玻璃片、硅片、聚丙烯膜、硝酸纤维素膜、尼龙膜等，但需经特殊处理。作原位合成的支持物在聚合反应前要先使其表面衍生出羟基或氨基（视所要固定的分子为核酸或寡肽而定）并与保护基建立共价连接；作点样用的支持物为使其表面带上正电荷以吸附带负电荷的探针分子，通常需包被以氨基硅烷或多聚赖氨酸等）将生物分子探针（寡核苷酸片段或基因片段）以大规模阵列的形式排布，形成可与目的分子（如基因）相互作用，交行反应的固相表面，在激光的顺序激发下标记荧光根据实际反应情况分别呈现不同的荧光发射谱征，CCD相机或激光共聚焦显微镜根据其波长及波幅特征收集信号，作出比较和检测，从而迅速得出所要的信息。生物芯片包括基因芯片、蛋白质芯片、组织芯片。而基因芯片中，最成功的是DNA芯片，即将无数预先设计好的寡核苷酸或cDNA在芯片上做成点阵，与样品中同源核酸分子杂交[3]的芯片。 基因芯片的基本原理同芯片技术中杂交测序（sequencing by hybridization, SBH）。
基因表达谱芯片的数据分析 基因芯片数据分析就是对从基因芯片高密度杂交点阵图中提取的杂交点荧光强度信号进行的定量分析，通过有效数据的筛选和相关基因表达谱的聚类，最终整合杂交点的生物学信息，发现基因的表达谱与功能可能存在的联系。然而每次实验都产生海量数据，如何解读芯片上成千上万个基因点的杂交信息，将无机的信息数据与有机的生命活动联系起来，阐释生命特征和规律以及基因的功能，是生物信息学研究的重要课题[1]。基因芯片的数据分析方法从机器学习的角度可分为监督分析和非监督分析，假如分类还没有形成，非监督分析和聚类方法是恰当的分析方法；假如分类已经存在，则监督分析和判别方法就比非监督分析和聚类方法更有效率。根据研究目的的不同[2,3]，我们对基因芯片数据分析方法分类如下。（1）差异基因表达分析：基因芯片可用于监测基因在不同组织样品中的表达差异，例如在正常细胞和肿瘤细胞中；（2）聚类分析：分析基因或样本之间的相互关系，使用的统计方法主要是聚类分析；（3）判别分析：以某些在不同样品中表达差异显著的基因作为模版，通过判别分析就可建立有效的疾病诊断方法。 1 差异基因表达分析(difference expression, DE) 对于使用参照实验设计进行的重复实验，可以对2样本的基因表达数据进行差异基因表达分析，具体方法包括倍数分析、t检验、方差分析等。 1.1倍数变化(fold change, FC) 倍数分析是最早应用于基因芯片数据分析的方法[4]，该方法是通过对基因芯片的ratio值从大到小排序，ratio 是cy3/cy5的比值，又称R/G值。一般0.5-2.0范围内的基因不存在显著表达差异，该范围之外则认为基因的表达出现显著改变。由于实验条件的不同，此阈值范围会根据可信区间应有所调整[5,6]。处理后得到的信息再根据不同要求以各种形式输出，如柱形图、饼形图、点图等。该方法的优点是需要的芯片少，节约研究成本；缺点是结论过于简单，很难发现更高层次功能的线索；除了有非常显著的倍数变化的基因外，其它变化小的基因的可靠性就值得怀疑了；这种方法对于预实验或实验初筛是可行的[7]。此外倍数取值是任意的，而且可能是不恰当的，例如，假如以2倍为标准筛选差异表达基因，有可能没有1条入选，结果敏感性为0，同样也可能出现很多差异表达基因，结果使人认为倍数筛选法是在盲目的推测[8,9]。 1.2 t检验(t-test) 差异基因表达分析的另一种方法是t检验[10]，当t超过根据可信度选择的标准时，比较
基因芯片的制备及应用摘要基因芯片技术是90年代中期以来快速发展起来的分子生物学高新技术是各学科交叉综合的崭新科学。其原理是采用光导原位合成或显微印刷等方法将大量DNA探针片段有序地固化予支持物的表面然后与已标记的生物样品中DNA分子杂交再对杂交信号进行检测分析就可得出该样品的遗传信息。基因芯片技术目前国内外都取得了较大的进展该技术可用于DNA测序基因表达及基因组图的研究基因诊断新基因的发现药物筛选给药个性化等等所以为二十一世纪生物医药铺平道路将为整个人类社会带来深刻广泛的变革促进人类早日进入生物信息时代。关键词基因芯片微阵列基因诊断药物筛选一、基因芯片的制备基本过程1 DNA方阵的构建选择硅片、玻璃片、瓷片或聚丙烯膜、尼龙膜等支持物并作相应处理然后采用光导化学合成和照相平板印刷技术可在硅片等表面合成寡核苷酸探针或者通过液相化学合成寡核苷酸链探针或PCR技术扩增基因序列再纯化、定量分析由阵列复制器或阵列机及电脑控制的机器人准确、快速地将不同探针样品定量点样于带正电荷的尼龙膜或硅片等相应位置上再由紫外线交联固定后即得到DNA微阵列或芯片。2 样品DNA或mRNA的准备。从血液或活组织中获取的DNA/mRNA样品在标记成为探针以前必须进行扩增提高阅读灵敏度。Mosaic Technologies公司发展了一种固相PCR系统好于传统PCR 技术他们在靶DNA上设计一对双向引物将其排列在丙烯酰胺薄膜上这种方法无交叉污染且省去液相处理的繁锁Lynx Therapeutics公司提出另一个革新的方法即大规模平行固相克隆这个方法可以对一个样品中数以万计的DNA片段同时进行克隆且不必分离和单独处理每个克隆使样品扩增更为有效快速。在PCR扩增过程中必须同时进行样品标记标记方法有荧光标记法、生物素标记法、同位素标记法等。3 分子杂交样品DNA与探针DNA互补杂交要根据探针的类型和长度以及芯片的应用来选择、优化杂交条件。如用于基因表达监测杂交的严格性较低、低温、时间长、盐浓度高若用于突变检测则杂交条件相反。芯片分子杂交的特点是探针固化样品荧光标记一次可以对大量生物样品进行检测分析杂交过程只要30min。美国Nangon公司采用控制电场的方式使分子杂交速度缩到1min甚至几秒钟。德国癌症研究院的Jorg Hoheisel等认为以肽核酸为探针效果更好。4 杂交图谱的检测和分析用激光激发芯片上的样品发射荧光严格配对的杂交分子其热力学稳定性较高荧光强不完全杂交的双键分子热力学稳定性低荧光信号弱不到前者的1/351/52不杂交的无荧光。不同位点信号被激光共焦显微镜或落射荧光显微镜等检测到由计算机软件处理分析得到有关基因图谱。目前如质谱法、化学发光法、光导纤维法等更灵敏、快速有取代荧光法的趋势。二、基因芯片的应用 1 测序基因芯片利用固定探针与样品进行分子杂交产生的杂交图谱而排列出待测样品的序列这种测定方法快速而具有十分诱人的前景。Mark chee等用含135000个核苷酸探针的阵列测定了全长为16.6kb的人线粒体基因组序列准确率达99。Hacia等用含有48000个寡核苷酸的高密度微阵列分析了黑猩猩和人BRCA1 基因序列差异结果发现在外显子11约3.4kb长度范围内的核酸序列同源性在98.2到83.5之间示了二者在进化上的高度相似。2基因表达水平的检测用基因芯片进行的表达水平检测可自动、快速地检测出成千上万个基因的表达情况。Schena等采用拟南芥基因组内共45个基因的cDNA微阵列其中14个为完全序列31个为EST检测该植物的根、叶组织内这些基因的表达水平用不同颜色的荧光素标记逆转录产物后分别与该微阵列杂交经激光共聚焦显微扫描发现该植物根和叶组织中存在26个基因的表达差异而参与叶绿素合成的CAB1基因在叶组织较根组织表达高500倍。Schena 等用人外周血淋巴细胞的cDNA文库构建一个代表1046个基因的cDNA微阵列来检测体外培养的T细胞对热休克反应后不同基因表达的差异发现有5个基因在处理后存在非常明显的高表达11个基因中度表达增加和6个基因表达明显抑制。该结果还用荧光素交换标记对照和处理组及RNA印迹方法证实。在HGP完成之后用于检测在不同生理、病理条件下的人类所有基因表达变化的基因组芯片为期不远了。 3 基因诊断从正常人的基因组中分离出DNA 与DNA芯片杂交就可以得出标准图谱。从病人的基因组中分离出DNA与DNA芯片杂交就可
生物信息学在基因芯片数据功能分析中的应用 2009-4-29 随着人类基因组计划(Human Genome Project)即全部核苷酸测序的即将完成，人类基因组研究的重心逐渐进入后基因组时代(Postgenome Era)，向基因的功能及基因的多样性倾斜。通过对个体在不同生长发育阶段或不同生理状态下大量基因表达的平行分析，研究相应基因在生物体内的功能，阐明不同层次多基因协同作用的机理，进而在人类重大疾病如癌症、心血管疾病的发病机理、诊断治疗、药物开发等方面的研究发挥巨大的作用。它将大大推动人类结构基因组及功能基因组的各项基因组研究计划。生物信息学在基因组学中发挥着重大的作用, 而另一项崭新的技术——基因芯片已经成为大规模探索和提取生物分子信息的强有力手段，将在后基因组研究中发挥突出的作用。基因芯片与生物信息学是相辅相成的，基因芯片技术本身是为了解决如何快速获得庞大遗传信息而发展起来的，可以为生物信息学研究提供必需的数据库，同时基因芯片的数据分析也极大地依赖于生物信息学，因此两者的结合给分子生物学研究提供了一条快捷通道。 本文介绍了几种常用的基因功能分析方法和工具： 一、GO基因本体论分类法 最先出现的芯片数据基因功能分析法是GO分类法。Gene Ontology（GO，即基因本体论）数据库是一个较大的公开的生物分类学网络资源的一部分，它包含38675 个Entrez Gene注释基因中的17348个，并把它们的功能分为三类：分子功能，生物学过程和细胞组分。在每一个分类中，都提供一个描述功能信息的分级结构。这样，GO中每一个分类术语都以一种被称为定向非循环图表（DAGs）的结构组织起来。研究者可以通过GO分类号和各种GO数据库相关分析工具将分类与具体基因联系起来，从而对这个基因的功能进行描述。在芯片的数据分析中，研究者可以找出哪些变化基因属于一个共同的GO功能分支，并用统计学方法检定结果是否具有统计学意义，从而得出变化基因主要参与了哪些生物功能。 EASE（Expressing Analysis Systematic Explorer）是比较早的用于芯片功能分析的网络平台。由美国国立卫生研究院（NIH）的研究人员开发。研究者可以用多种不同的格式将芯片中得到的基因导入EASE 进行分析，EASE会找出这一系列的基因都存在于哪些GO分类中。其最主要特点是提供了一些统计学选项以判断得到的GO分类是否符合统计学标准。EASE 能进行的统计学检验主要包括Fisher 精确概率检验，或是对Fisher精确概率检验进行了修饰的EASE 得分（EASE score）。 由于进行统计学检验的GO分类的数量很多，所以EASE采取了一系列方法对“多重检验”的结果进行校正。这些方法包括弗朗尼校正法（Bonferroni），本杰明假阳性率法（Benjamini falsediscovery rate）和靴带法（bootstraping）。同年出现的基于GO分类的芯片基因功能分析平台还有底特律韦恩大学开发的Onto-Express。2002年，挪威大学和乌普萨拉大学联合推出的Rosetta 系统将GO分类与基因表达数据相联系，引入了“最小决定法则”（minimal decision rules）的概念。它的基本思想是在对多张芯片结果进行聚类分析之后，与表达模式
生物芯片技术研究进展 张智梁 摘要：随着DNA测序技术的发展和几种同时监测大量基因表达的新技术出现，人类基因组DNA序列分析可能很快完成，并由此产生了生物信息学，而DNA芯片技术应运而生。生物芯片主要是指通过微电子、微加工技术在芯片表面构建的微型生物化学分析系统，以实现对细胞、DNA、蛋白质、组织、糖类及其他生物组分进行快速、敏感、高效的处理和分析，是近些年来发展迅速的一项高新技术。生物芯片主要包括基因芯片、蛋白质芯片、组织芯片等。 关键词：生物芯片；研究进展；应用 生物芯片是指通过微电子、微加工技术在芯片表面构建的微型生物化学分析系统，以实现对细胞、DNA、蛋白质、组织、糖类及其他生物组分进行快速、敏感、高效的处理和分析，其实质就是在面积不大的基片(玻片、硅片、聚丙烯酰胺凝胶、尼龙膜等载体)表面上有序地点阵排列一系列已知的识别分子，在一定条件下，使之与被测物质(样品)结合或反应，再以一定的方法(同位素法、化学荧光法、化学发光法、酶标法等)进行显示和分析，最后得出被测物质的化学分子结构等信息。因常用玻片／硅片等材料作为固相支持物，且制备过程模拟计算机芯片的制备技术，所以称之为生物芯片技术。这项技术是由美国旧金山以南的的一个新兴生物公司首先发展起来的。S.P.AForder及其同事于90年代初发明了一种利用光刻技术在固相支持物上光导合成多肽的方法，并在此基础上于l993年设计了一种寡核苷酸生物芯片，直至l996年制造出世界上第一块商业化的DNA芯片。在此期间国际上掀起了一片DNA芯片设计的热潮，出现了多种类型的DNA芯片技术。DNA芯片在产生的短短几年时间内技术不断，现已经显现出在基因诊断、基因表达分析和新基因的发现、蛋白组学方面的应用、基因组文库作图等生物医学领域中的应用价值。 l、生物芯片的分类 目前常见的生物芯片分为3类：第1类为微阵列芯片，包括基因芯片、蛋白芯片、细胞芯片和组织芯片；第2类为微流控芯片(属于主动式芯片)，包括各类样品制备芯片、聚合酶链反应(PCR)芯片、毛细管电泳芯片和色谱芯片等；第3类为以生物芯片为基础的集成化分析系统(也叫“芯片实验室”，是生物芯片技术的最高境界)。“芯片实验室”可以完成如样品制备、试剂输送、生化反应、结果检测、信息处理和传递等一系列复杂工作。这些微型集成化分析系统携带方便，可用于紧急场合、野外操作甚至放在航天器上。 2、生物芯片的应用 2．1基因测序基因芯片利用固定探针与样品进行分子杂交产生的杂交图谱而排列出待测样品的序列，这种测定方法快速，具有十分诱人的前景。芯片技术能辨别单核苷酸多态性(SNPs)，当基因组序列中的单个核苷酸发生突变，就会引起基因组DNA序列变异。Hacia等用含有48000个寡核苷酸的高密度微阵列分析了黑猩猩和人BRCAl基因序列差异，结果发现在外显子11约3．4kb长度范围内的核酸序列同源性为83．5％～98．2％，提示了二者在进化上的高度相似性。Check 等通过运用DNA微集阵列分析研究与早期心血管疾病相关的候选基冈一丁SP基冈家族，结果发现TSP-1和TSP-4基因错义变异与早期冠状动脉疾病相关，它们在m液凝固和动脉修复中起重要作用，而丁SP一2基冈非编码区的突变却在心脏病的发生过程有一定的保护作用。在卵巢癌发展过程中，基因TP53起到临界
基因芯片技术的应用和发展趋势 随着基因芯片技术的日渐成熟, 在功能基因组、疾病基因组、系统生物学等领域中得到了广泛的应用, 已经发表了上万篇研究论文, 每年发表的论文呈现增长的趋势. 芯片制备技术极大地推进了生物芯片的发展, 从实验室手工或机械点制芯片到工业化原位合成制备, 从几百个点的芯片到几百万点的高密度芯片, 生物芯片从一项科学成为一项技术, 被越来越多的研究者广泛运用. 各个实验室不断产生海量的杂交数据, 相同领域的研究者需要比较不同实验平台产生的数据, 作为基于分子杂交原理的高通量技术, 芯片实验的标准化、可信度、重现性和芯片结果是否能作为定量数据等问题成为所有的芯片使用者关心的课题. 迈阿密原则和微阵列质量控制系列研究回答了这两个问题. 迈阿密原则(Minimum Information About a Micro- array Experiment, MIAME, 微阵列实验最小信息量)提出了生物芯片标准化的概念, 该原则的制定使世界各地实验室的芯片实验数据可以为所有的研究者共享. 同 时, 美国国家生物信息学中心(NCBI)和位于英国的欧洲生物信息学研究所(EBI)也建立了GEO ( https://www.doczj.com/doc/9314207153.html,/geo/)和ArryExpress (http:// ;https://www.doczj.com/doc/9314207153.html,/arrayexpress/)公共数据库, 接受和储存全球研究者根据迈阿密原则提交的生物芯片数据, 对某项研究感兴趣的研究人员可以下载到相关课题的芯片原始数据进行分析. 2006年美国FDA联合多个独立实验室进行了MAQC系列实验(micro array quality control, MAQC), 旨在研究目前所使用的芯片平台的质量控制. 该研究的12篇系列文章发表在2006年9月份的Nature Biotechnology 上, 用严格的实验分析了目前主流芯片平台数据质量, 芯片数据和定量PCR结果之间的相关性, 芯片数据均一化方法, 不同芯片平台之间的可重现性. 证明了不同芯片平台产生的数据具有可比性和可重现性, 各种芯片平台之间的系统误差远远小于人为操作和生物学样品之间本身的差异, 肯定了芯片数据的可信性, 打消了以往对芯片数据的种种猜疑, 明确了基于杂交原理的芯片同样可以作为一种定量的手段. 推动了生物芯片技术在分子生物学领域更广泛的应用. 生物信息学和统计学是在处理基因芯片产生的海量数据中必不可少的工具. 随着芯片应用的推进, 芯片数据分析的新理论和新算法不断地被开发出来, 这些方法帮助生物学家从海量的数据里面快速筛选出差异表达的基因. 一次芯片实验获得的是成千上万个基因的表达信息, 任何一种单一的分析方法都很难将所有蕴含在数据中的生物学信息全部提取出来, 从近年来生物信息学研究的趋势来看, 目前研究的重点开始转向芯片数据储存、管理、共享和深度信息挖掘, 旨在从芯片数据中获得更多的生物学解释, 而不再停留在单纯的差异表达基因筛选上。 目前基因芯片的制备向两个主要方向发展. 第一, 高密度化, 具体表现为芯片密度的增加, 目前原位合成的芯片密度已经达到了每平方厘米上千万个探针. 一张芯片上足以分析一个物种的基因组信息. 第二, 微量化, 芯片检测样品的微量化, 目前芯片检测下限已经能达到纳克级总RNA水平, 这为干细胞研究中特别是IPS干细胞对单个细胞的表达谱研究提供了可能. 另一方面, 微量化也体现芯片矩阵面积的微量化, 即在同一个芯片载体上平行的进行多个矩阵的杂交, 大大减少系统和批次可能带来的差异, 同时削减实验费用. 微阵列技术改变了生物学研究的方法, 使得微量样品快速高通量的分析成为可能, 从单个基因的研究迅速扩展到全基因组的系统生物学研究. 微阵列技术帮助生物学研究进入后基因组时代, 研究成果层出不穷。 2001年国家人类基因组南方研究中心韩泽广博士研究小组利用cDNA芯片对肝癌和正常组织中的12393个基因和EST序列进行了表达谱筛查, 其中发现了2253个基因和EST在肝癌中发生了差异表达, 并对这些差异基因的信号通路进行了分析, 发现WNT信号通路在肝癌的发生中出现了表达异常. 2002年中国科学院神经科学研究所张旭博士研究组利用表达谱芯片对大鼠外周神经损伤模型背根神经节的基因表达进行了研
基因芯片数据处理流程与分析介绍 关键词：基因芯片数据处理 当人类基因体定序计划的重要里程碑完成之后，生命科学正式迈入了一个后基因体时代，基因芯片(microarray) 的出现让研究人员得以宏观的视野来探讨分子机转。不过分析是相当复杂的学问，正因为基因芯片成千上万的信息使得分析数据量庞大，更需要应用到生物统计与生物信息相关软件的协助。要取得一完整的数据结果，除了前端的实验设计与操作的无暇外，如何以精确的分析取得可信数据，运筹帷幄于方寸之间，更是画龙点睛的关键。 基因芯片的应用 基因芯片可以同时针对生物体内数以千计的基因进行表现量分析，对于科学研究者而言，不论是细胞的生命周期、生化调控路径、蛋白质交互作用关系等等研究，或是药物研发中对于药物作用目标基因的筛选，到临床的疾病诊断预测，都为基因芯片可以发挥功用的范畴。 基因表现图谱抓取了时间点当下所有的动态基因表现情形，将所有的探针所代表的基因与荧光强度转换成基本数据(raw data) 后，仿如尚未解密前的达文西密码，隐藏的奥秘由丝丝的线索串联绵延，有待专家抽丝剥茧，如剥洋葱般从外而内层层解析出数千数万数据下的隐晦含义。 要获得有意义的分析结果，恐怕不能如泼墨画般洒脱随兴所致。从raw data 取得后，需要一连贯的分析流程(图一)，经过许多统计方法，才能条清理明的将raw data 整理出一初步的分析数据，当处理到取得实验组除以对照组的对数值后(log2 ratio)，大约完成初步的统计工作，可进展到下一步的进阶分析阶段。
图一、整体分析流程。基本上raw data 取得后，将经过从最上到下的一连串分析流程。(1) Rosetta 软件会透过统计的model，给予不同的权重来评估数据的可信度，譬如一些实验操作的误差或是样品制备与处理上的瑕疵等，可已经过Rosetta error model 的修正而提高数据的可信值；(2) 移除重复出现的探针数据；(3) 移除flagged 数据，并以中位数对荧光强度的数据进行标准化(Normalized) 的校正；(4) Pearson correlation coefficient (得到R 值) 目的在比较技术性重复下的相似性，R 值越高表示两芯片结果越近似。当R 值超过0.975，我们才将此次的实验结果视为可信，才继续后面的分析流程；(5) 将技术性重复芯片间的数据进行平均，取得一平均之后的数据；(6) 将实验组除以对照组的荧光表现强度差异数据，取对数值(log2 ratio) 进行计算。 找寻差异表现基因 实验组与对照组比较后的数据，最重要的就是要找出显著的差异表现基因，因为这些正是条件改变后而受到调控的目标基因，透过差异表现基因的加以分析，背后所隐藏的生物意义才能如拨云见日般的被发掘出来。 一般根据以下两种条件来筛选出差异表现基因：(i) 荧光表现强度差异达2 倍变化(fold change 增加2 倍或减少2倍) 的基因。而我们通常会取对数(log2) 来做fold change 数值的转换，所以看的是log2 ≧1 或≦-1 的差异表现基因；(ii) 显著值低于0.05 (p 值< 0.05) 的基因。当这两种条件都符合的情况下所交集出来的基因群，才是显著性高且稳定的差异表现基因。
基因芯片技术的研究进展与前景 摘要 关键词基因芯片，遗传性疾病，基因组计划， 一、基因芯片技术的产生背景 基因芯片技术是伴随着人类基因组计划而出现的一项高新生物技术。2001年6月公布了人类基因组测序工作草图；2002年出发飙了较高精确度和经过详细注解的人类基因组研究结果；2004年10月发表了已填补基因组中许多Gap片段的更精确的人类全基因组序列，标志人类基因组计划的完成和新时代的开始。随着人类基因组计划的开展，也同时进行了模式生物基因组测序工作。动物、植物、细菌及病毒基因组等测序工作都已取得重大进展。 随着各种基因组计划的实施和完成（有的即将完成），一个庞大的基因数据库已经建成。怎样从海量的基因信息中发掘基因功能。如何研究成千上万基因在生命过程中所担负的角色；如何开发利用各种基因组的研究成果，将基因的序列与功能关联起来，认识基因在表达调控、机体分化等方面的生物学意义；解释人类遗传进化、生长发育、分化衰老等许多生命现象的奥秘；深入了解疾病的物质基础及发生、发展过程；开发基因诊断、治疗和基因工程药物并用来预防诊断和治疗人类几千种遗传性疾病……这些都将成为现代生物学面临的最大挑战。这样的背景促使人们研究和开发新的技术手段来解决后基因组时代面临的一系列关键问题。20世纪90年代初，为适应“后基因组时代”的到来，产生了一项新的技术，即以基因芯片为先导的生物芯片技术。 二、基因芯片的概念 基因芯片（又称DNA芯片、DNA微阵列）技术是基于核酸互补杂交原理研制的。该技术指将大量（通常每平方厘米点阵密度高于400 ）探针分子固定于支持物上后与有荧光素等发光物质标记的样品DNA或RNA分子进行杂交，通过检测每个探针分子的杂交信号强度进而获取样品分子的数量和序列信息，从而对基因表达的量及其特性进行分析。通俗地说，就是通过微加工技术，将数以万计、乃至百万计的特定序列的DNA片段（基因探针），有规律地排列固定于2cm2的硅片、玻片等支持物上，构成的一个二维DNA探针阵列，与计算机的电子芯片十分相似，只是在固相基质上古高度集成的不是半导体管，而是成千上万的网格状密集排列的基因探针，所以被称为基因芯片。 三、基因芯片技术的分类 1 根据功能分类：基因表达谱芯片和DNA测序芯片两类。基因表达图谱芯片可以将克隆的成千上万个基因特异的探针或其cDNA片段固定在一块DNA芯片上，对于来源不同的个体、组织、细胞周期、发育阶段、分化阶段、病变、刺激（包括不同诱导、不同治疗手段）下的细胞内mRNA或反转录后产生的cDNA进行检测，从而对这个基因表达的个体特异性、组织特异性、发育阶段特异性、分化阶段特异性、病变特异性、刺激特异性进行综合的分析和判断，迅速将某个或某几个基因与疾病联系起来，极大地加快这些基因功能的确定，同时可进一步研究基因与基因间相互作用的关系，DNA测序芯片则是基于杂交测序发展起来的。其原理是任何线状的单链DNA或RNA序列均可裂解成一系列碱基数固定、错落而重叠的寡核苷酸，如能把原序列所有这些错落重叠的寡核苷酸序列全部检测出来，就可据此重新组建出新序列。 2 根据基因芯片所用基因探针的类型不同，可分为cDNA微阵列和寡核苷酸微阵
基因芯片技术的应用现状及展望 1基因芯片 1.1基本概念和原理 又称DNA 微阵列、DNA 芯片, 通过微加工技术和微电子技术在固体芯片表面构建成的微型生物化学分析系统,能够通过检测 基因的丰度来确定基因的表达模式和表达水平。由于常用硅芯片或玻片作为固相支持物, 并且在制备过程中运用了计算机芯片的制备技术, 所以称为基因芯片技术。基因芯片的工作原理与核酸分子杂交的方法是一致的, 都是运用已知核酸序列作为探针与互补的靶核苷酸序列进行杂交, 然后通过信号检测进行定性和定量分析。与传统的核酸杂交不同的是基因芯片是在一微小的片基如硅片、玻片和塑料片等表面上集成了大量的核酸分子识别探针, 能够在同一时间内平行分析大量的基因, 进行大量信息的筛选与检测, 实现对生物样品快速、并行、高效地进行检测或医学诊断。 1.2研究背景 80 年代初, 科学家提出了固相核酸杂交的设想, Bains等首 先对固相杂交DNA 测序进行了有益的探索; 其后, 俄罗斯、美国及英国的科学家分别报道了用杂交测定核酸序列的方法。1991 年, Affymetrix公司Fodor 等建立了原位光刻合成技术, 为寡核苷酸在片原位合成制作高密度基因芯片奠定了基础, 标志着核酸检测技术已发展到了一个新的阶段。1994年, 俄美科学家共同研制了用于B- 地中海贫血基因突变筛查的基因芯片, 测序的速度提高
了近1 000 倍, 被认为是一种全新的快速测序方法。鉴于基因芯片潜在的巨大商业价值, 90年代中期开始, 国外更多的商业公司加入了芯片开发的行列。1996 年底, Affymetr ix 公司推出可应用的基因芯片和较完整的芯片制造、杂交、扫描及数据分析系统, 其它如GeneralScanningInc、Telechem、Cartesian 等公司亦相继研制出芯片用激光共聚焦扫描仪及分析软件。到目前为止, 芯片技术在基础研究, 尤其是在基因表达方面已得到应用, 而在医学应用方面也已开发出少数基因诊断等相关芯片。但由于芯片和检测系统价格昂贵、专利及许多技术问题还有待解决, 因此目前尚未大规模的应用。在我国, 较早从事基因芯片研究的机构有清华大学、复旦大学、东南大学等。其中, 清华大学处于领先地位, 并得到国家重点支持。其它如东南大学在分子印章法制备高密度基因芯片、复旦大学在硅导电玻璃介质生物芯片制备、西安超群公司在三维立体基因芯片制造等方面也都取得了一定成果。 1.3基因芯片的分型 视分类方法不同可以分为以下几种主要类型： a．无机片基和有机合成物片基的基因芯片 b．原位合成和预先合成然后点样的基因芯片 c．基因表达芯片和DNA测序芯片 另外根据所用探针的类型不同分为cDNA微阵列（或cDNA微阵列芯片）和寡核苷酸阵列（或芯片），根据应用领域不同而制备的专用芯片如毒理学芯片（Toxchip）、病毒检测芯片（如肝炎病
Bioconductor基因芯片数据分析系列（一）：R包中数据的读取 R软件的Bioconductor包是分析芯片数据的神器，今天小编打算推出芯片数据的系列教程。首先讲数据读取，以CLL数据包中的数据为例。 打开R studio。 #安装所需的R包以及CLL包，注意大小写，一般函数都是小写的 source("https://www.doczj.com/doc/9314207153.html,/biocLite.R"); biocLite(“CLL”) 图1.显示已经安装好Bioconductor了，版本为3.4 #打开CLL包 library(CLL)
图2.显示打开CLL成功
图3.右侧栏内可见看到目前载入的程序包 data(CLLbatch) #调用RMA算法对数据预处理 CLLrma<-rma(CLLbatch) #读取处理后所有样品的基因表达值 e<- exprs(CLLrma) #查看数据 e 我们可以看到，CLL数据集中共有24个样品（CLL10.CEL, CLL11.CEL, CLL12.CEL, 等），此数据集的病人分为两组：稳定组和进展组，采用的设计为两组之间的对照试验（Control Test）。从上面的结果可知，Bioconductor具有强大的数据预处理能力和调用能力，仅仅用了6行代码就完成了数据的读取及预处理。
Bioconductor基因芯片数据分析系列（二）：GEO下载数据CEL的读取首先得下载一个数据，读取GEO的CEL文件采用如下命令： 登陆pubmed，找到一个你感兴趣的数据库
在底下栏目下载CEL文件 打开R软件 #安装所需的R包以及CLL包，注意大小写，一般函数都是小写的 source("https://www.doczj.com/doc/9314207153.html,/biocLite.R"); biocLite(“CLL”) >library(affy) >affybatch<- ReadAffy(celfile.path = "GSE36376_RAW") 请注意目录的路径，在window下，反斜杠‘\’要用转义字符“\\”表示。 然后可以使用RMA或者MAS5等方法对数据进行background.correction, normaliztion, pm.correct等等一系列处理。如果你一切用默认参数，则可以使用如下命令： >eset<- rma(affybatch)，or eset<- mas5(affybatch) >exp<- exprs(eset) exp就是数字化的表达谱矩阵了 请注意，rma只使用匹配探针（PM）信号，exp数据已经进行log2处理。mas5综合考虑PM和错配探针（MM）信号，exp数据没有取对数。 下一期就得等到2017年春节期间啦，敬请期待~ 另外一种是直接利用GEO上面的GEO2R按钮里面的R script下载文件： # Version info: R 3.2.3, Biobase 2.30.0, GEOquery 2.40.0, limma 3.26.8 # R scripts generated Mon Dec 26 06:54:42 EST 2016 Server: https://www.doczj.com/doc/9314207153.html, Query: acc=GSE36376&platform=GPL10558&type=txt&groups=&color s=&selection=XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXX&padj=fdr&logtransform=auto&col umns=ID&columns=adj.P.Val&columns=P.Value&columns=F&c
生物技术导论 ——基因芯片技术
基因芯片技术 摘要：基因芯片技术具有无可比拟的高效、快速和多参量特点，使其进行基因研究、法医鉴定、疾病检测和药物筛选等方面远远超过了传统方式方法在不远的将来，用它制作的微缩分析仪将广泛地应用于分子生物学、医学基础研究、临床诊断治疗、新药开发、司法鉴定、食品卫生监督、生物武器战争等领域。 关键字：基因芯片简介、基因芯片的种类、基因芯片技术、基因芯片的应用技术举例及其应用领域 一、基因芯片简介 基因芯片（Gene Chip）通常指DNA芯片，其基本原理是将指大量寡核苷酸分子固定于支持物上，然后与标记的样品进行杂交，通过检测杂交信号的强弱进而判断样品中靶分子的数量，是在90年代中期发展出来的高科技产物。基因芯片大小如指甲盖一般，其基质一般是经过处理后的玻璃片。每个芯片的基面上都可划分出数万至数百万个小区。在指定的小区内，可固定大量具有特定功能、长约20个碱基序列的核酸分子（也叫分子探针）。 二、基因芯片的种类 基因芯片产生的基础则是分子生物学、微电子技术、高分子化学合成技术、激光技术和计算机科学的发展及其有机结合。根据基因芯片制造过程中主要技术的区别，以下是主要的三类基因芯片。 （1）光引导原位合成技术生产寡聚核苷酸微阵列 它采用了照相平板印刷技术技术结合光引导原位寡聚核苷酸合成技术制作DNA芯片，生产过程同电子芯片的生产过程十分相似。采用这种技术生产的基因芯片可以达到1×106/cm2的微探针排列密度，能够在一片1厘米多见方的片基上排列几百万个寡聚核苷酸探针。它不仅可用于寡聚核苷酸的合成，也可用于合成寡肽分子，为合成高密度核酸探针及短肽列阵提供了一条快捷的途径。 （2）微电子芯片 微电子基因芯片，其基质全部以硅、锗与基础的半导体材料，在其上构建25-400个微铂电极位点，各位点可由计算机独立或组合控制。它通过相似微电极的电场变化来使核酸结合，由于引入“电子严谨度”参数使芯片检测通过靶、探针序列特征和使用者要求来控制杂交过程中的严格性。 （3）微量点样技术 使用这种方法生产的芯片上探针不受探针分子大小种类的限制，能够灵活机动地根据使用者的要求制作出符合目的的芯片。由于对检测仪的要求很高，其使用范围受到很大限制
燕京理工学院 Yanching Institute of Technology （2016）届化工与制药专业现代制药技术论 文 题目：现代生物制药技术的研究进展 学院： XXXXXXXXXXXXXXXXXXXXXX 专业： XXXXX 学号： XXXXXXX 姓名： Dream 指导教师：林贝 教研室主任（负责人）：林贝 2015 年 6 月 4 日
现代生物制药技术的研究进展 Dream 化工与材料工程学院化药1204班学号XXXXXXX 指导教室林贝 摘要 本文简述了近年来基因工程在生物制药技术的发展和应用。其中主要从基因操作中大分子的分离、PCR技术、基因芯片、外源基因的表达这4个方面叙述基因工程相关技术的应用和发展,以及基因工程药物的产业化现状与发展趋势。 关键词：生物技术基因工程基因操作技术生物制药 1 基本概念 1.1 生物技术 广义的生物技术是指人类对生物资源(包括动物、植物、微生物)的利用、改造的相关技术。其发展经历了三个不同的阶段——以酿造为代表的传统生物技术，以微生物发酵为代表的近代生物技术，以基因工程、细胞工程、酶工程和蛋白质工程为代表的现代生物技术。 是二十世纪70年代开始异军突起的高技术领域，在医疗、制药、农业、轻工食品及环保业发展迅速。[1]以上的生物技术成果集中应用于医药工业。 1.2 现代生物技术两大核心工程 1.2.1 工程 概念：基因工程是分子遗传学和工程技术结合的产物。是现代生物技术的核心它能按人类需要把遗传物质DNA分子从生物体中分离出来，进行剪切、组合、拼装合成新的DNA分子。再将新的DNA分子植入某种生物细胞中，使遗传信息在新的宿主细胞或个体中得到表达，以达到定向改造或重建新物种的目的。
基因芯片及其最新进展 5 天前仪器信息网 分享： 导读近年，基因芯片技术在疾病易感基因发现、疾病分子水平诊断、基因功能确认、多靶位同步超高通量药物筛选以及病原体检测等医学与生物学领域得到广泛应用。本文对基因芯片及最新进展做了综述。 80年代中期，俄罗斯科学院恩格尔哈得分子生物学研究所和美国阿贡国家实验室(ANL)的科学家们最早在文献中提出了用杂交法测定核酸序列(SBH)新技术的想法。当时用的是多聚寡核酸探针。几乎与此同时英国牛津大学生化系的Sourthern等也取得了在载体固定寡核苷酸及杂交法测序的国际专利。 基因芯片利用微电子、微机械、生物化学、分子生物学、新型材料、计算机和统
计学等多学科的先进技术，实现了在生命科学研究中样品处理、检测和分析过程的连续化、集成化和微型化。 1997年世界上第一全基因组芯片——含有6166个基因的酵母全基因组芯片在斯坦福大学Brown实验室完成，从而使基因芯片技术在世界上迅速得到应用。 基因芯片技术主要包括四个基本要点：芯片方阵的构建、样品的制备、核酸分子反应和信号的检测。1、芯片制备，先将玻璃片或硅片进行表面处理，然后使核酸片段按顺序排列在芯片上。2、样品制备，可将样品进行生物处理，获取其中的DNA、RNA，并且加以标记，以提高检测的灵敏度。3、生物分子反应，芯片上的生物分子之间的反应是芯片检测的关键一步。通过选择合适的反应条件使样品中的核酸分子与芯片上的核酸分子反应处于最佳状况中，减少错配比率。4、芯片信号检测，常用的芯片信号检测方法是将芯片置入芯片扫描仪中，通过扫描以获得有关生物信息。 基因芯片技术发展的最终目标是将从样品制备、杂交反应到信号检测的整个分析过程集成化以获得微型全分析系统(micro total analytical system)或称缩微芯片实验室(laboratory on a chip)。使用缩微芯片实验室，就可以在一个封闭的系统以很短的时间完成从原始样品到获取所需分析结果的全套操作。 近年,基因芯片技术在疾病易感基因发现、疾病分子水平诊断、基因功能确认、多靶位同步超高通量药物筛选以及病原体检测等医学与生物学领域得到广泛应用。
基因芯片技术基本过程 1 DNA方阵的构建 选择硅片、玻璃片、瓷片或聚丙烯膜、尼龙膜等支持物，并作相应处理，然后采用光导化学合成和照相平板印刷技术可在硅片等表面合成寡核苷酸探针;（2）或者通过液相化学合成寡核苷酸链探针，或PCR技术扩增基因序列，再纯化、定量分析，由阵列复制器（arraying and replicating device ARD），或阵列机（arrayer）及电脑控制的机器人，准确、快速地将不同探针样品定量点样于带正电荷的尼龙膜或硅片等相应位置上，再由紫外线交联固定后即得到DNA微阵列或芯片。 2 样品DNA或mRNA的准备。 从血液或活组织中获取的DNA/mRNA样品在标记成为探针以前必须进行扩增提高阅 读灵敏度。Mosaic Technologies公司发展了一种固相PCR系统，好于传统PCR技术，他们在靶DNA上设计一对双向引物，将其排列在丙烯酰胺薄膜上，这种方法无交叉污染且省去液相处理的繁锁；Lynx Therapeutics公司提出另一个革新的方法，即大规模平行固相克隆（massively parallel solid-phase cloning）这个方法可以对一个样品中数以万计的DNA片段同时进行克隆，且不必分离和单独处理每个克隆，使样品扩增更为有效快速。 在PCR扩增过程中，必须同时进行样品标记，标记方法有荧光标记法、生物素标记法、同位素标记法等。 3 分子杂交 样品DNA与探针DNA互补杂交要根据探针的类型和长度以及芯片的应用来选择、优化杂交条件。如用于基因表达监测，杂交的严格性较低、低温、时间长、盐浓度高；若用于突变检测，则杂交条件相反。芯片分子杂交的特点是探针固化，样品荧光标记，一次可以对大量生物样品进行检测分析，杂交过程只要30min。美国Nangon公司采用控制电场的方式，使分子杂交速度缩到1min，甚至几秒钟（6）。德国癌症研究院的Jorg Hoheisel等认为以肽核酸（PNA）为探针效果更好。