تحليل التعبير الجيني

الموسوعة الحرة
تُظهر الخرائط الحرارية لقيم التعبير الجيني كيف أثرت الظروف التجريبية على إنتاج (تعبير) الحمض النووي الريبوزي الرسول (mRNA) لمجموعة من الجينات. يشير اللون الأخضر إلى انخفاض التعبير. وقد وضع تحليل التجميع مجموعة من الجينات ذات التعبير المنخفض في الزاوية العلوية اليسرى.

في مجال البيولوجيا الجزيئية ، يُعرف تحليل التعبير الجيني بقياس نشاط ( تعبير ) آلاف الجينات في آنٍ واحد، بهدف تكوين صورة شاملة لوظائف الخلية. ويمكن لهذه التحليلات، على سبيل المثال، التمييز بين الخلايا التي تنقسم بنشاط، أو توضيح كيفية استجابة الخلايا لعلاج معين. وتقيس العديد من التجارب من هذا النوع الجينوم بأكمله في وقت واحد، أي كل جين موجود في خلية معينة.

يمكن استخدام العديد من تقنيات علم النسخ الجيني لتوليد البيانات اللازمة للتحليل. تقيس المصفوفات الدقيقة للحمض النووي [ 1 ] النشاط النسبي للجينات المستهدفة التي تم تحديدها مسبقًا. توفر التقنيات القائمة على التسلسل، مثل تسلسل الحمض النووي الريبوزي (RNA-Seq )، معلومات حول تسلسلات الجينات بالإضافة إلى مستوى تعبيرها.

خلفية

يُعدّ تحليل التعبير الجيني خطوة منطقية تالية لتسلسل الجينوم : فالتسلسل يُخبرنا بما يُمكن للخلية فعله، بينما يُخبرنا تحليل التعبير الجيني بما تفعله فعليًا في لحظة معينة. تحتوي الجينات على تعليمات إنتاج الحمض النووي الريبوزي الرسول ( mRNA )، ولكن في أي لحظة، تُنتج كل خلية mRNA من جزء فقط من الجينات التي تحملها. إذا استُخدم جين ما لإنتاج mRNA، يُعتبر "مُفعّلاً"، وإلا "غير مُفعّل". تُحدد عوامل عديدة حالة الجين، مثل وقت اليوم، وما إذا كانت الخلية تنقسم بنشاط، وبيئتها المحلية، والإشارات الكيميائية من الخلايا الأخرى. على سبيل المثال، تُفعّل خلايا الجلد وخلايا الكبد والخلايا العصبية جينات مختلفة نوعًا ما (تُعبّر عنها)، وهذا في الغالب ما يُميزها. لذلك، يُتيح تحليل التعبير الجيني استنتاج نوع الخلية وحالتها وبيئتها، وما إلى ذلك.

غالبًا ما تتضمن تجارب تحليل التعبير الجيني قياس الكمية النسبية للرنا المرسال (mRNA) المُعبَّر عنه في حالتين تجريبيتين أو أكثر. ويعود ذلك إلى أن تغير مستويات تسلسل محدد من الرنا المرسال يشير إلى تغير الحاجة إلى البروتين المُشفَّر بواسطة هذا الرنا، مما قد يدل على استجابة توازنية أو حالة مرضية. على سبيل المثال، تشير المستويات المرتفعة من الرنا المرسال المُشفِّر لإنزيم نازع هيدروجين الكحول إلى أن الخلايا أو الأنسجة قيد الدراسة تستجيب لزيادة مستويات الإيثانول في بيئتها. وبالمثل، إذا عبَّرت خلايا سرطان الثدي عن مستويات أعلى من الرنا المرسال المرتبط بمستقبل غشائي معين مقارنةً بالخلايا الطبيعية، فقد يكون لهذا المستقبل دور في سرطان الثدي. وقد يساهم دواء يتداخل مع هذا المستقبل في الوقاية من سرطان الثدي أو علاجه. عند تطوير دواء، يمكن إجراء تجارب تحليل التعبير الجيني للمساعدة في تقييم سمية الدواء، ربما من خلال البحث عن تغيرات في مستويات التعبير عن جينات السيتوكروم P450 ، والتي قد تكون مؤشرًا حيويًا لعملية استقلاب الدواء . [ 2 ] قد يصبح تحليل التعبير الجيني اختبارًا تشخيصيًا مهمًا. [ 3 ] [ 4 ]

مقارنة بعلم البروتينات

يحتوي الجينوم البشري على ما يقارب 20,000 جين تعمل بتناغم لإنتاج حوالي مليون بروتين مختلف. ويعود ذلك إلى التضفير البديل ، بالإضافة إلى أن الخلايا تُجري تغييرات مهمة على البروتينات من خلال التعديلات اللاحقة للترجمة بعد بنائها، لذا يُعدّ الجين الواحد أساسًا للعديد من النسخ المحتملة لبروتين معين. على أي حال، يمكن لتجربة واحدة باستخدام مطياف الكتلة تحديد حوالي 2,000 بروتين [ 5 ] ، أي ما يعادل 0.2% من إجمالي البروتينات. في حين أن معرفة البروتينات التي تُنتجها الخلية بدقة ( علم البروتينات ) أكثر أهمية من معرفة كمية الحمض النووي الريبوزي الرسول (mRNA) المُنتَج من كل جين، فإن تحليل التعبير الجيني يُقدّم الصورة الأشمل الممكنة في تجربة واحدة. مع ذلك، فإن منهجية علم البروتينات في تحسّن مستمر. ففي أنواع أخرى، مثل الخميرة، يُمكن تحديد أكثر من 4,000 بروتين في غضون ساعة واحدة فقط. [ 6 ]

يُستخدم في توليد الفرضيات واختبارها

أحيانًا، يكون لدى العالم فكرة مسبقة عما يحدث، أي فرضية ، فيُجري تجربة تحليل التعبير الجيني بهدف دحض هذه الفرضية. بعبارة أخرى، يُقدم العالم تنبؤًا محددًا حول مستويات التعبير الجيني، قد يتبين لاحقًا أنه خاطئ.

في أغلب الأحيان، يُجرى تحليل التعبير الجيني قبل توفر معلومات كافية حول كيفية تفاعل الجينات مع الظروف التجريبية، ما يُتيح إمكانية اختبار فرضية ما. فبدون فرضية، لا يوجد ما يُمكن دحضه، لكن تحليل التعبير الجيني يُمكن أن يُساعد في تحديد فرضية مُرشحة للتجارب المستقبلية. تتخذ معظم تجارب تحليل التعبير الجيني المبكرة، والعديد من التجارب الحالية، هذا الشكل [ 7 ] المعروف باكتشاف الفئات. يتضمن أحد الأساليب الشائعة لاكتشاف الفئات تجميع الجينات أو العينات المتشابهة معًا باستخدام إحدى طرق التجميع العديدة الموجودة، مثل التجميع التقليدي k-means أو التجميع الهرمي ، أو طريقة MCL الأحدث . [ 8 ] إلى جانب اختيار خوارزمية التجميع، يتعين على المستخدم عادةً اختيار مقياس تقارب مناسب (المسافة أو التشابه) بين عناصر البيانات. [ 9 ] يُمثل الشكل أعلاه ناتج تجميع ثنائي الأبعاد، حيث تم تنظيم العينات المتشابهة (الصفوف، أعلاه) ومجسات الجينات المتشابهة (الأعمدة) بحيث تكون متقاربة. إن أبسط شكل لاكتشاف الفئات هو سرد جميع الجينات التي تغيرت بأكثر من مقدار معين بين حالتين تجريبيتين.

يُعدّ التنبؤ بالفئات أصعب من اكتشافها، ولكنه يُتيح الإجابة عن أسئلة ذات أهمية سريرية مباشرة، مثل: ما احتمال استجابة هذا المريض لهذا الدواء في ضوء هذه الحالة؟ ويتطلب ذلك أمثلة عديدة لحالات استجابت وأخرى لم تستجب، بالإضافة إلى تقنيات التحقق المتبادل للتمييز بينها.

القيود

بشكل عام، تُركز دراسات تحليل التعبير الجيني على الجينات التي أظهرت اختلافات ذات دلالة إحصائية في ظل ظروف تجريبية متغيرة. وعادةً ما يُمثل هذا جزءًا صغيرًا من الجينوم لعدة أسباب. أولًا، تُعبر الخلايا والأنسجة المختلفة عن مجموعة فرعية من الجينات كنتيجة مباشرة لتخصصها الخلوي ، مما يؤدي إلى تعطيل العديد من الجينات. ثانيًا، تُشفّر العديد من الجينات بروتينات ضرورية للبقاء على قيد الحياة بكميات محددة للغاية، لذا لا تتغير مستويات العديد من الجينات. ثالثًا، تستخدم الخلايا آليات أخرى عديدة لتنظيم البروتينات بالإضافة إلى تغيير كمية الحمض النووي الريبوزي الرسول (mRNA )، لذا قد تبقى هذه الجينات مُعبرة باستمرار حتى مع ارتفاع وانخفاض تركيزات البروتين. رابعًا، تُقيد القيود المالية تجارب تحليل التعبير الجيني بعدد قليل من الملاحظات لنفس الجين في ظل ظروف متطابقة، مما يُقلل من القوة الإحصائية للتجربة، ويجعل من المستحيل عليها تحديد التغيرات المهمة ولكن الدقيقة. أخيرًا، يتطلب الأمر جهدًا كبيرًا لمناقشة الأهمية البيولوجية لكل جين مُنظم، لذا غالبًا ما يقتصر العلماء على مناقشة مجموعة فرعية. تُؤتمت تقنيات تحليل المصفوفات الدقيقة الحديثة بعض جوانب ربط الأهمية البيولوجية بنتائج تحليل التعبير الجيني، لكن هذه المشكلة لا تزال بالغة الصعوبة.

يحدّ قصر قوائم الجينات المنشورة من تجارب تحليل التعبير الجيني من مدى توافق نتائج التجارب التي أُجريت في مختبرات مختلفة. لذا، فإنّ وضع نتائج تحليل التعبير الجيني في قاعدة بيانات متاحة للعموم لشرائح الحمض النووي الدقيقة يُمكّن الباحثين من تقييم أنماط التعبير الجيني خارج نطاق النتائج المنشورة، وربما تحديد أوجه التشابه مع نتائج أبحاثهم.

التحقق من صحة قياسات الإنتاجية العالية

تستغل كل من مصفوفات الحمض النووي الدقيقة وتقنية تفاعل البوليميراز المتسلسل الكمي (qPCR) الارتباط التفضيلي أو " التزاوج القاعدي " لتسلسلات الأحماض النووية المتكاملة ، وكلاهما يُستخدم في تحليل التعبير الجيني، غالبًا بشكل متسلسل. ورغم أن مصفوفات الحمض النووي الدقيقة عالية الإنتاجية تفتقر إلى الدقة الكمية لتقنية qPCR، إلا أن قياس التعبير الجيني لبضع عشرات من الجينات باستخدام qPCR يستغرق نفس الوقت تقريبًا الذي يستغرقه قياس جينوم كامل باستخدام مصفوفات الحمض النووي الدقيقة. لذا، غالبًا ما يكون من المنطقي إجراء تجارب تحليل شبه كمي باستخدام مصفوفات الحمض النووي الدقيقة لتحديد الجينات المرشحة، ثم إجراء qPCR على بعض أهم هذه الجينات المرشحة للتحقق من صحة نتائج المصفوفات. كما أن تجارب أخرى، مثل تحليل لطخة ويسترن لبعض منتجات البروتين للجينات ذات التعبير التفاضلي، تجعل الاستنتاجات المستندة إلى نمط التعبير أكثر إقناعًا، نظرًا لأن مستويات الحمض النووي الريبوزي الرسول (mRNA) لا ترتبط بالضرورة بكمية البروتين المُعبَّر عنه.

التحليل الإحصائي

أصبح تحليل بيانات المصفوفات الدقيقة مجالًا خصبًا للبحث المكثف. [ 10 ] إن مجرد القول بأن مجموعة من الجينات قد تم تنظيمها بمقدار الضعف على الأقل، وهو ما كان شائعًا في السابق، يفتقر إلى أساس إحصائي متين. فمع وجود خمس نسخ أو أقل في كل مجموعة، وهو أمر شائع في المصفوفات الدقيقة، يمكن لملاحظة شاذة واحدة أن تُحدث فرقًا ظاهريًا أكبر من الضعف. إضافةً إلى ذلك، فإن تحديد معيار الضعف بشكل تعسفي ليس سليمًا من الناحية البيولوجية، لأنه يستبعد من الدراسة العديد من الجينات ذات الأهمية البيولوجية الواضحة.

بدلاً من تحديد الجينات ذات التعبير التفاضلي باستخدام عتبة تغيير الطي، يمكن استخدام مجموعة متنوعة من الاختبارات الإحصائية أو الاختبارات الشاملة مثل تحليل التباين (ANOVA) ، والتي تأخذ جميعها في الاعتبار كلاً من تغيير الطي والتباين لإنشاء قيمة p ، وهي تقدير لمدى تكرار ملاحظة البيانات بالصدفة فقط. يُعد تطبيق قيم p على المصفوفات الدقيقة أمرًا معقدًا نظرًا للعدد الكبير من المقارنات المتعددة (الجينات) المعنية. على سبيل المثال، يُعتقد عادةً أن قيمة p البالغة 0.05 تشير إلى دلالة إحصائية، لأنها تُقدّر احتمالية 5% لملاحظة البيانات بالصدفة. ولكن مع وجود 10000 جين على مصفوفة دقيقة، سيتم تحديد 500 جين على أنها ذات دلالة إحصائية عند p < 0.05 حتى لو لم يكن هناك فرق بين المجموعات التجريبية. يتمثل أحد الحلول الواضحة في اعتبار الجينات التي تستوفي معيار قيمة p أكثر صرامة ذات دلالة إحصائية فقط، على سبيل المثال، يمكن إجراء تصحيح بونفيروني على قيم p، أو استخدام حساب معدل الاكتشاف الخاطئ لتعديل قيم p بما يتناسب مع عدد الاختبارات المتوازية المعنية. لسوء الحظ، قد تُقلل هذه الأساليب عدد الجينات المهمة إلى الصفر، حتى عندما تكون الجينات مُعبَّرة بشكلٍ تفاضلي. تهدف الإحصاءات الحالية، مثل منتجات Rank، إلى تحقيق توازن بين الاكتشاف الخاطئ للجينات نتيجةً للتغيرات العشوائية وعدم اكتشاف الجينات المُعبَّرة بشكلٍ تفاضلي. تشمل الطرق الشائعة الاستخدام تحليل أهمية المصفوفات الدقيقة (SAM) [ 11 ] ، وتتوفر مجموعة واسعة من الطرق من Bioconductor ، بالإضافة إلى العديد من حزم التحليل من شركات المعلوماتية الحيوية .

يؤدي اختيار اختبار مختلف عادةً إلى تحديد قائمة مختلفة من الجينات المهمة [ 12 ] ، إذ يعمل كل اختبار وفق مجموعة محددة من الافتراضات، ويركز بشكل مختلف على خصائص معينة في البيانات. تبدأ العديد من الاختبارات بافتراض التوزيع الطبيعي للبيانات، لأنه يبدو نقطة انطلاق منطقية، وغالبًا ما ينتج عنه نتائج تبدو أكثر دلالة. تأخذ بعض الاختبارات في الاعتبار التوزيع المشترك لجميع ملاحظات الجينات لتقدير التباين العام في القياسات [ 13 ] ، بينما تنظر اختبارات أخرى إلى كل جين على حدة. تتضمن العديد من تقنيات تحليل المصفوفات الدقيقة الحديثة أساليب إعادة التوزيع (الإحصاء) ، أو التعلم الآلي ، أو محاكاة مونت كارلو [ 14 ] .

مع ازدياد عدد القياسات المتكررة في تجربة المصفوفات الدقيقة، تُعطي الأساليب الإحصائية المختلفة نتائج متقاربة بشكل متزايد، إلا أن عدم التوافق بين هذه الأساليب يُقلل من موثوقية نتائج المصفوفات. يقدم مشروع MAQC [ 15 ] توصيات لإرشاد الباحثين في اختيار أساليب أكثر توحيدًا (مثل استخدام قيمة p ونسبة التغير معًا لاختيار الجينات المُعبَّر عنها تفاضليًا) لضمان توافق أفضل بين التجارب التي تُجرى في مختبرات مختلفة.

يختلف تحليل مجموعات الجينات عن تحليل التعبير الجيني الفردي المتغير، إذ يركز نوع آخر من التحليل على التعبير التفاضلي أو اضطراب مجموعات جينية محددة مسبقًا. [ 16 ] [ 17 ] وقد أظهر تحليل مجموعات الجينات العديد من المزايا الرئيسية مقارنةً بتحليل التعبير التفاضلي للجينات الفردية. [ 16 ] [ 17 ] مجموعات الجينات هي مجموعات من الجينات ذات صلة وظيفية وفقًا للمعرفة الحالية. ولذلك، يُعتبر تحليل مجموعات الجينات منهجًا تحليليًا قائمًا على المعرفة. [ 16 ] تشمل مجموعات الجينات المستخدمة بشكل شائع تلك المشتقة من مسارات KEGG ، ومصطلحات علم الجينات ، ومجموعات الجينات التي تشترك في بعض التعليقات الوظيفية الأخرى، مثل منظمات النسخ المشتركة وما إلى ذلك. تشمل طرق تحليل مجموعات الجينات التمثيلية تحليل إثراء مجموعة الجينات (GSEA)، [ 16 ] الذي يقدر أهمية مجموعات الجينات بناءً على تبديل تسميات العينة، وإثراء مجموعة الجينات القابلة للتطبيق بشكل عام (GAGE)، [ 17 ] الذي يختبر أهمية مجموعات الجينات بناءً على تبديل تسميات الجينات أو التوزيع البارامتري.

شرح الجينات

بينما قد تُحدد الإحصائيات أي منتجات الجينات تتغير في ظل الظروف التجريبية، فإن الفهم البيولوجي لتحليل التعبير الجيني يعتمد على معرفة البروتين الذي يُنتجه كل منتج جيني ووظيفته. يوفر توصيف الجينات معلومات وظيفية وغيرها، مثل موقع كل جين داخل كروموسوم معين. بعض التوصيفات الوظيفية أكثر موثوقية من غيرها، وبعضها الآخر غير موجود. تتغير قواعد بيانات توصيف الجينات بانتظام، وتشير قواعد البيانات المختلفة إلى البروتين نفسه بأسماء مختلفة، مما يعكس فهمًا متطورًا لوظيفة البروتين. يساعد استخدام تسمية جينية موحدة في معالجة جانب التسمية من المشكلة، لكن التطابق الدقيق بين النسخ والجينات [ 18 ] [ 19 ] يبقى أمرًا بالغ الأهمية.

تصنيف الجينات المنظمة

بعد تحديد مجموعة من الجينات المنظمة، تتمثل الخطوة التالية في تحليل التعبير الجيني في البحث عن أنماط ضمن هذه المجموعة. هل تؤدي البروتينات المُصنّعة من هذه الجينات وظائف متشابهة؟ هل هي متشابهة كيميائيًا؟ هل تتواجد في أجزاء متشابهة من الخلية؟ يوفر تحليل علم وظائف الجينات طريقة معيارية لتحديد هذه العلاقات. يبدأ علم وظائف الجينات بفئات واسعة جدًا، مثل "العمليات الأيضية"، ثم يُقسّمها إلى فئات أصغر، مثل "عمليات أيض الكربوهيدرات"، وأخيرًا إلى فئات أكثر تحديدًا مثل " فسفرة الإينوزيتول ومشتقاته".

للجينات خصائص أخرى إلى جانب وظيفتها البيولوجية وخواصها الكيميائية وموقعها الخلوي. يمكن تكوين مجموعات من الجينات بناءً على قربها من جينات أخرى، وارتباطها بمرض معين، وعلاقتها بالأدوية أو السموم. تُعد قاعدة بيانات التوقيعات الجزيئية [ 20 ] وقاعدة بيانات علم السموم المقارن [ 21 ] مثالين على الموارد المتاحة لتصنيف الجينات بطرق متعددة.

إيجاد أنماط بين الجينات المنظمة

مخطط شبكة الجينات Ingenuity [ 22 ] الذي يُجمّع الجينات ديناميكيًا وفقًا لعلاقاتها المعروفة. يشير اللون الأخضر إلى انخفاض التعبير الجيني، بينما يشير اللون الأحمر إلى ارتفاعه. وقد أُضيفت الجينات غير المنظمة (باللون الأبيض) إلى الخوارزمية لتحسين الترابط.

تُصنَّف الجينات المنظمة وفقًا لطبيعتها ووظائفها، وقد تظهر علاقات مهمة بينها. [ 23 ] على سبيل المثال، قد نجد دليلًا على أن جينًا معينًا يُنتج بروتينًا يُنتج بدوره إنزيمًا يُنشِّط بروتينًا آخر لتفعيل جين ثانٍ في قائمتنا. قد يكون هذا الجين الثاني عامل نسخ يُنظِّم جينًا آخر في قائمتنا. بملاحظة هذه الروابط، قد نبدأ بالاشتباه في أنها تمثل أكثر بكثير من مجرد ارتباطات عشوائية في النتائج، وأن وجودها جميعًا في قائمتنا يعود إلى عملية بيولوجية كامنة. من ناحية أخرى، قد نجد، عند اختيار الجينات عشوائيًا، العديد منها يبدو أنها تشترك في سمات معينة. في هذا السياق، نحتاج إلى إجراءات إحصائية دقيقة لاختبار ما إذا كانت السمات البيولوجية الناشئة ذات دلالة إحصائية أم لا. وهنا يأتي دور تحليل مجموعات الجينات [ 16 ] [ 17 ] .

علاقات السبب والنتيجة

تُقدّم الإحصاءات البسيطة نسبيًا تقديراتٍ لما إذا كانت الارتباطات بين الجينات في القوائم أكبر مما يُتوقع عشوائيًا. هذه الإحصاءات مثيرة للاهتمام، حتى وإن كانت تُمثّل تبسيطًا مُفرطًا لما يحدث فعليًا. إليك مثالًا: لنفترض وجود 10,000 جين في تجربة، 50 منها فقط (0.5%) تلعب دورًا معروفًا في إنتاج الكوليسترول . تُحدّد التجربة 200 جين مُنظّم. من بينها، 40 جينًا (20%) مُدرجة أيضًا في قائمة جينات الكوليسترول. بناءً على الانتشار الإجمالي لجينات الكوليسترول (0.5%)، يُتوقع وجود جين كوليسترول واحد في المتوسط ​​لكل 200 جين مُنظّم، أي 0.005 × 200. هذا التوقع هو متوسط، لذا يُتوقع رؤية أكثر من جين واحد في بعض الأحيان. السؤال هو: كم مرة سنرى 40 جينًا بدلًا من جين واحد بالصدفة البحتة؟

وفقًا للتوزيع الهندسي الفائق ، يُتوقع إجراء حوالي 10^57 محاولة (10 متبوعة بـ 56 صفرًا) قبل اختيار 39 جينًا أو أكثر من جينات الكوليسترول من بين 10000 جين، وذلك بسحب 200 جين عشوائيًا. وبغض النظر عن مدى ضآلة احتمال حدوث ذلك صدفةً، يُمكن الاستنتاج أن قائمة الجينات المنظمة غنية [ 24 ] بالجينات ذات الارتباط المعروف بالكوليسترول.

قد يُفترض أيضًا أن العلاج التجريبي يُنظّم الكوليسترول، لأنه يبدو أنه يُنظّم بشكل انتقائي الجينات المرتبطة به. مع أن هذا قد يكون صحيحًا، إلا أن هناك عدة أسباب تجعل من اعتبار هذا استنتاجًا قاطعًا بناءً على الإثراء وحده بمثابة قفزة غير مبررة في التوقع. إحدى المشكلات التي ذُكرت سابقًا تتعلق بملاحظة أن تنظيم الجينات قد لا يكون له تأثير مباشر على تنظيم البروتينات: فحتى لو لم تكن البروتينات التي تُشفّرها هذه الجينات تقوم بأي شيء سوى إنتاج الكوليسترول، فإن إظهار أن الحمض النووي الريبوزي الرسول (mRNA) الخاص بها قد تغيّر لا يُخبرنا مباشرةً بما يحدث على مستوى البروتين. من المحتمل جدًا أن تظل كمية هذه البروتينات المرتبطة بالكوليسترول ثابتة في ظل الظروف التجريبية. ثانيًا، حتى لو تغيّرت مستويات البروتين، فربما يكون هناك دائمًا ما يكفي منها لإنتاج الكوليسترول بأقصى سرعة ممكنة، أي أن بروتينًا آخر، ليس ضمن قائمتنا، هو الخطوة المحددة لمعدل إنتاج الكوليسترول. أخيرًا، عادةً ما تؤدي البروتينات أدوارًا متعددة، لذا قد لا يتم تنظيم هذه الجينات بسبب ارتباطها المشترك بإنتاج الكوليسترول، بل بسبب دور مشترك في عملية مستقلة تمامًا.

مع الأخذ في الاعتبار التحذيرات السابقة، فإنه في حين أن ملفات تعريف الجينات لا تثبت في حد ذاتها العلاقات السببية بين العلاجات والتأثيرات البيولوجية، إلا أنها تقدم رؤى بيولوجية فريدة يصعب الوصول إليها في كثير من الأحيان بطرق أخرى.

استخدام الأنماط للعثور على الجينات المنظمة

كما ذُكر سابقًا، يُمكن تحديد الجينات ذات التنظيم الملحوظ أولًا، ثم استخلاص الأنماط بمقارنة قائمة الجينات المهمة بمجموعات من الجينات المعروفة بارتباطها ببعض الخصائص. كما يُمكن حل المشكلة بترتيب عكسي. إليك مثال بسيط: لنفترض وجود 40 جينًا مرتبطًا بعملية معروفة، كالاستعداد للإصابة بداء السكري. عند النظر إلى مجموعتين من أنماط التعبير الجيني، إحداهما لفئران تتغذى على نظام غذائي غني بالكربوهيدرات والأخرى لفئران تتغذى على نظام غذائي منخفض الكربوهيدرات، نلاحظ أن جميع جينات السكري الأربعين تُعبَّر عنها بمستوى أعلى في المجموعة الغنية بالكربوهيدرات مقارنةً بالمجموعة منخفضة الكربوهيدرات. بغض النظر عما إذا كان أي من هذه الجينات سيُدرج ضمن قائمة الجينات المتغيرة بشكل ملحوظ، فإن ملاحظة ارتفاع مستوى التعبير عن جميع الجينات الأربعين دون انخفاضه يبدو غير مرجح أن يكون نتيجة محض صدفة: إذ يُتوقع أن يحدث ظهور 40 صورة متتالية على عملة معدنية عادلة مرة واحدة تقريبًا من بين تريليون محاولة.

بالنسبة لنوع معين من الخلايا، تُشكل مجموعة الجينات التي يتميز نمط تعبيرها المُجتمع بخصائص فريدة لحالة معينة، البصمة الجينية لهذه الحالة. ومن الناحية المثالية، يُمكن استخدام البصمة الجينية لاختيار مجموعة من المرضى في مرحلة محددة من المرض بدقة تُسهل اختيار العلاجات. [ 25 ] [ 26 ] يستفيد تحليل إثراء مجموعات الجينات (GSEA) [ 16 ] والأساليب المشابهة [ 17 ] من هذا المنطق، ولكنه يستخدم إحصاءات أكثر تطورًا، لأن الجينات المُكونة للعمليات الحقيقية تُظهر سلوكًا أكثر تعقيدًا من مجرد التحرك لأعلى أو لأسفل كمجموعة، ومقدار تحرك الجينات لأعلى أو لأسفل له دلالة، وليس الاتجاه فقط. على أي حال، تقيس هذه الإحصاءات مدى اختلاف سلوك مجموعة صغيرة من الجينات مقارنةً بالجينات غير الموجودة في تلك المجموعة.

تستخدم GSEA إحصائية من نوع كولموغوروف-سميرنوف لتحديد ما إذا كانت أي مجموعات جينية محددة مسبقًا قد أظهرت سلوكًا غير معتاد في ملف تعريف التعبير الجيني الحالي. يؤدي هذا إلى تحدٍّ يتمثل في اختبار فرضيات متعددة، ولكن توجد طرق معقولة للتغلب عليه. [ 27 ]

الاستنتاجات

يُوفّر تحليل التعبير الجيني معلومات جديدة حول وظائف الجينات في ظل ظروف مختلفة. وبشكل عام، تُنتج تقنية المصفوفات الدقيقة بيانات تعبير جيني موثوقة. [ 28 ] ومن هذه المعلومات، يُمكن استنباط فرضيات جديدة حول علم الأحياء أو اختبار الفرضيات القائمة. مع ذلك، غالبًا ما يؤدي حجم هذه التجارب وتعقيدها إلى تعدد التفسيرات المحتملة. وفي كثير من الحالات، يتطلب تحليل نتائج تحليل التعبير الجيني جهدًا أكبر بكثير من إجراء التجارب الأولية.

يستخدم معظم الباحثين أساليب إحصائية متعددة وتحليلات استكشافية للبيانات قبل نشر نتائج تحليل التعبير الجيني، بالتنسيق مع متخصص في المعلوماتية الحيوية أو خبير آخر في مصفوفات الحمض النووي الدقيقة ، وتسلسل الحمض النووي الريبوزي ، وتسلسل الخلايا المفردة . ويلعب التصميم التجريبي الجيد، والتكرار البيولوجي الكافي، وتجارب المتابعة أدوارًا رئيسية في نجاح تجارب تحليل التعبير الجيني.

انظر أيضاً

مراجع

  1. ↑ "صحيفة حقائق المصفوفات الدقيقة" . مؤرشفة من الأصل في 9 أبريل 2002. تم الاطلاع عليها في 28 ديسمبر 2007 .
  2. ↑ سوتر إل، بابيس إل إي، ويلدون إي بي (2004). "علم السموم الجيني في علم السموم التنبؤي في تطوير الأدوية" . الكيمياء الحيوية . 11 (2): 161-171 . doi : 10.1016/j.chembiol.2004.02.003 . PMID 15123278 . 
  3. ↑ ماجيك ز، رادولوفيتش س، برانكوفيتش-ماجيك م (2007). "مصفوفات الحمض النووي التكميلي: تحديد البصمات الجينية وتطبيقها في الممارسة السريرية". مجلة BUON . 12 (ملحق 1): S39–44. PMID 17935276 . 
  4. ↑ تشيونغ ، أ.ن. (2007). "الأهداف الجزيئية في سرطانات الجهاز التناسلي الأنثوي". علم الأمراض . 39 (1): 26-45 . doi : 10.1080/00313020601153273 . PMID 17365821. S2CID 40896577 .  
  5. ↑ ميرزا ​​إس بي، أوليفييه إم (2007). " طرق ومناهج للوصف الشامل والقياس الكمي للبروتينات الخلوية باستخدام مطياف الكتلة" . علم وظائف الأعضاء وعلم الجينوم . 33 (1): 3-11 . doi : 10.1152/physiolgenomics.00292.2007 . PMC 2771641. PMID 18162499 .  
  6. ↑ هيبرت إيه إس، ريتشاردز إيه إل، وآخرون (2014). "بروتيوم الخميرة في ساعة واحدة" . علم البروتينات الخلوية الجزيئية . 13 (1): 339-347 . doi : 10.1074/mcp.M113.034769 . PMC 3879625. PMID 24143002 .   
  7. ↑ تشين جيه جيه (2007). "الجوانب الرئيسية لتحليل بيانات التعبير الجيني باستخدام المصفوفات الدقيقة" . علم الصيدلة الجينية . 8 (5): 473-482 . doi : 10.2217/14622416.8.5.473 . PMID 17465711 . 
  8. ^ فان دونجن، ستيجن (2000). تجميع الرسم البياني عن طريق محاكاة التدفق . جامعة أوترخت.
  9. ↑ جاسكوفياك، بابلو أ؛ كامبيلو، ريكاردو جيه جي بي؛ كوستا، إيفان جي (24 يناير 2014). "حول اختيار المسافات المناسبة لتجميع بيانات التعبير الجيني" . بي إم سي بيوانفورماتيكس . 15 (ملحق 2): S2. doi : 10.1186/1471-2105-15-S2-S2 . PMC 4072854. PMID 24564555 .  
  10. ↑ فاردانابهوتي إس، بلاكيمور إس جيه، كلارك إس إم، غوش إس، ستيفنز آر جيه، راجاغوبالان دي (2006). "مقارنة بين الاختبارات الإحصائية للكشف عن التعبير التفاضلي باستخدام مصفوفات أوليغونوكليوتيدات Affymetrix الدقيقة". OMICS . 10 (4): 555–66 . doi : 10.1089/omi.2006.10.555 . PMID 17233564 . 
  11. ↑ "تحليل أهمية المصفوفات الدقيقة" . مؤرشف من الأصل بتاريخ 20 يناير 2008. تم الاطلاع عليه بتاريخ 27 ديسمبر 2007 .
  12. ↑ ياوك سي إل، بيرندت إم إل (2007). "مراجعة الأدبيات التي تبحث في العلاقة بين تقنيات المصفوفات الدقيقة للحمض النووي" . علم الوراثة البيئية والجزيئية . 48 (5): 380-394 . Bibcode : 2007EnvMM..48..380Y . doi : 10.1002/em.20290 . PMC 2682332. PMID 17370338 .  
  13. ↑ بريتلينغ ر (2006). "تفسير المصفوفات الدقيقة البيولوجية: قواعد العمل" (ملف PDF) . بيوشيم. بيوفيز. أكتا . 1759 (7): 319-27 . doi : 10.1016/j.bbaexp.2006.06.003 . PMID 16904203. S2CID 1857997 .  
  14. ↑ درامينسكي م، رادا-إغليسياس أ، إنروث س، واديليوس س، كوروناكي ج، كوموروفسكي ج (2008). "اختيار الميزات باستخدام مونت كارلو للتصنيف الخاضع للإشراف" . المعلوماتية الحيوية . 24 (1): 110-117 . doi : 10.1093/bioinformatics/btm486 . PMID 18048398 . 
  15. ↑ د. ليمينغ شي، المركز الوطني لأبحاث علم السموم. "مشروع مراقبة جودة المصفوفات الدقيقة (MAQC)" . إدارة الغذاء والدواء الأمريكية . تم الاطلاع عليه بتاريخ 26-12-2007 .
  16. 1 2 3 4 5 6 سوبرامانيان أ، تامايو ب، موثا ف ك، موخرجي س، إيبرت ب ل، جيليت م أ، باولوڤيتش أ، بوميروي س ل، غولوب ت ر، لاندر إ س، ميسيروف ج ب (2005). "تحليل إثراء مجموعة الجينات: منهج قائم على المعرفة لتفسير بيانات التعبير الجيني على مستوى الجينوم" . وقائع الأكاديمية الوطنية للعلوم في الولايات المتحدة الأمريكية . 102 (43): 15545-50 . doi : 10.1073/pnas.0506580102 . PMC 1239896. PMID 16199517 .  
  17. 1 2 3 4 5 لو و، فريدمان م، شيدن ك، هانكنسون ك د، وولف ج ب (2009). "GAGE: إثراء مجموعات الجينات القابل للتطبيق بشكل عام لتحليل المسارات" . BMC Bioinformatics . 10 : 161. doi : 10.1186/1471-2105-10-161 . PMC 2696452. PMID 19473525 .  
  18. ↑ داي م، وانغ ب، بويد أ.د، وآخرون (2005). "تطور تعريفات الجينات/النسخ يُغير بشكل كبير تفسير بيانات GeneChip" . مجلة أبحاث الأحماض النووية . 33 (20): e175. doi : 10.1093/nar/gni179 . PMC 1283542. PMID 16284200 .   
  19. ↑ ألبرتس ر، تيربسترا ب، هاردونك م، وآخرون (2007). "بروتوكول تحقق لتسلسلات المجسات في مصفوفات جينوم أفيمتريكس يكشف عن دقة عالية للمجسات في الدراسات التي تُجرى على الفئران والبشر والجرذان" . بي إم سي بيوانفورماتيكس . 8 : 132. doi : 10.1186/1471-2105-8-132 . PMC 1865557. PMID 17448222 .   
  20. ↑ "GSEA – MSigDB" . تم الاسترجاع في 2008-01-03 .
  21. ↑ "CTD: قاعدة بيانات علم السموم المقارن" . تم الاطلاع عليه بتاريخ 2008-01-03 .
  22. ↑ "أنظمة الإبداع" . تم الاطلاع عليه بتاريخ 27-12-2007 .
  23. ↑ أليكسييف أو إم، ريتشاردسون آر تي، أليكسييف أو، أوراند إم جي (2009). "تحليل أنماط التعبير الجيني في خلايا هيلا استجابةً لفرط التعبير أو استنزاف NASP بوساطة siRNA" . بيولوجيا التكاثر والغدد الصماء . 7 : 45. doi : 10.1186/1477-7827-7-45 . PMC 2686705. PMID 19439102 .  
  24. ↑ كورتيس آر كيه، أوريسيك إم، فيدال-بويغ إيه (2005). "مسارات تحليل بيانات المصفوفات الدقيقة". تريندز بيوتكنولوجي . 23 (8): 429-35 . doi : 10.1016/j.tibtech.2005.05.011 . PMID 15950303 . 
  25. ↑ موك إس، فان ت فير إل جيه، روتجرز إي جيه، بيكارت-جيبهارت إم جيه، كاردوسو إف (2007). "تخصيص العلاج باستخدام مامابرينت: من التطوير إلى تجربة مايند أكت". علم جينوم السرطان والبروتيوميات . 4 (3): 147-155 . PMID 17878518 . 
  26. ↑ كورسيلو إس إم، روتي جي، روس كيه إن، تشاو كيه تي، جالينسكي آي، دي أنجيلو دي جيه، ستون آر إم، كونغ إيه إل، غولوب تي آر، ستيغماير كيه (يونيو 2009). "تحديد مُعدِّلات AML1-ETO بواسطة علم الجينوم الكيميائي" . مجلة الدم . 113 (24): 6193-205 . doi : 10.1182/blood-2008-07-166090 . PMC 2699238. PMID 19377049 .  
  27. ↑ "GSEA" . تم الاسترجاع في 2008-01-09 .
  28. ↑ كوزين ج (2006). "علم الجينوم. بيانات المصفوفات الدقيقة مُعاد إنتاجها، لكن بعض المخاوف لا تزال قائمة". مجلة ساينس . 313 (5793): 1559. doi : 10.1126/science.313.5793.1559a . PMID 16973852. S2CID 58528299 .