АНАЛІЗ СУЧАСНОГО СТАНУ МЕТОДІВ ФОРМУВАННЯ ПІДМНОЖИН ЗНАЧУЩИХ ТА ВЗАЄМНО ЕКСПРЕСОВАНИХ ДАНИХ ЕКСПРЕСІЇ ГЕНІВ
DOI:
https://doi.org/10.32782/mathematical-modelling/2024-7-2-2Ключові слова:
експресія генів, система діагностики, генна онтологія, ентропія Шеннона, статистичні критеріїАнотація
У статті здійснено детальний аналіз сучасних підходів до формування підмножин значущих і взаємно експресованих профілів експресії генів, отриманих за допомогою технологій ДНК-мікрочипів та секвенування молекул РНК. Це є важливим аспектом, оскільки високовимірні матриці експресії генів, які створюються в ході таких досліджень, вимагають ефективної обробки для виділення генів, які мають критичне значення для розуміння стану біологічних систем. Сучасні методи кластерного і бікластерного аналізу дають змогу зменшити кількість генів для подальшого дослідження, що є важливим для підвищення точності діагностики та аналізу біологічних процесів. Крім того, використання генної онтології (GO) дає змогу структуровано описати функціональні ролі генів у різних біологічних процесах, молекулярних функціях та клітинних компонентах, що сприяє підвищенню якості обробки даних і дає змогу зосередитися на ключових генах, які відіграють важливу роль у патологічних процесах. У роботі також розглянуто різні етапи передобробки даних, включно з видаленням неекспресованих генів, визначенням диференційно експресованих генів за допомогою інструментів, таких як DESeq2 та EdgeR, і застосуванням мета-аналізу для інтеграції результатів різних досліджень. GO-аналіз дає змогу ефективно знаходити збагачені GO терміни, які пов’язані з функціонально значущими генами, та інтерпретувати отримані результати за допомогою візуалізацій у вигляді графів і схем. Однак важливим викликом залишається стандартизація результатів та їх узгодження між різними дослідницькими групами, що є необхідним для інтеграції даних у єдину діагностичну систему. У статті наголошується на важливості подальшого вдосконалення підходів до аналізу експресії генів та інтеграції даних, що дасть змогу підвищити ефективність досліджень у галузі діагностики захворювань та персоналізованої медицини.
Посилання
Green H. RNA Processing. Cold Spring Harbor Perspectives in Biology. 2017. Vol. 9 (5). Art. no. a032425.
Wang Z., Gerstein M., Snyder M. RNA-Seq: A revolutionary tool for transcriptomics. Nature Reviews Genetics. 2019. Vol. 10 (1). P. 57–63.
Bolstad B.M., Irizarry R.A., Astrand M., Speed T.P. A Comparison of Normalization Methods for High-Density Oligonucleotide Array Data Based on Variance and Bias. Bioinformatics. 2023. Vol. 19. P. 185–193.
Qin S., Tang X., Chen Y. et al. mRNA-based therapeutics: powerful and versatile tools to combat diseases. Signal Trans. and Targeted Therapy. 2022. Vol. 7 (1). Art. no. 166.
Ashburner M., Ball C.A., Blake J.A., et al. Gene ontology: tool for the unification of biology. The Gene Ontology Consortium. Nature Genetics. 2000. Vol. 25 (1). P. 25–29.
Gruber T.R. A Translation Approach to Portable Ontology Specifications. Knowledge Acquisition. 1993. Vol. 5 (2). P. 199–220.
The Gene Ontology Consortium. The Gene Ontology resource: enriching a GOld mine. Nucleic Acids Research. 2021. Vol. 49 (D1). P. D325–D334.
Huntley R.P., Sawford T., et al. Understanding how and why the Gene Ontology and its annotations evolve: the GO within UniProt. GigaScience. 2015. Vol. 4 (1). Art. no. 4.
Love M.I., Huber W., Anders S. Moderated estimation of fold change and dispersion for RNAseq data with DESeq2. Genome Biology. 2014. Vol. 15. Art. No. 550.
Chen Y., Chen L., Lun A.T.L., et al. EDGER 4.0: powerful differential analysis of sequencing data with expanded functionality and improved support for small counts and larger datasets. bioRxiv. 2024.
Pandey D., Perumal P.O. Improved meta-analysis pipeline ameliorates distinctive gene regulators of diabetic vasculopathy in human endothelial cell (hECs) RNA-Seq data. PLoS ONE. 2023. Vol. 18 (11). Art. no. e0293939.
Suzi A., James B., Seth C., et al. The Gene Ontology knowledgebase in 2023. Genetics. 2023. Vol. 224(1). Art. no. iyad031.
Shin M.G., Pico A.R. Using published pathway figures in enrichment analysis and machine learning. BMC Genomics. 2023. Vol. 24. Art. no. 713.
Babichev S., Korobchynskyi M., Rudenko M., Batenko H. Applying biclustering technique and gene ontology analysis for gene expression data processing. CEUR Workshop Proceedings. 2024. Vol. 3675. P. 14–28.
Ouma W.Z., Pogacar K., Grotewold E. Topological and statistical analyses of gene regulatory networks reveal unifying yet quantitatively different emergent properties. PLoS Computational Biology. 2018. Vol. 14 (4). Art. no. e1006098.
Bioconductor: Open source software for Bioinformatics. 2024. July, 29. URL: https://www.bioconductor.org.
The Cancer Genome Atlas Program (TCGA). National Cancer Institution. Center for Cancer Genomics. 2024. July, 27. URL: https://www.cancer.gov/ccg/research/genome-sequencing/tcga.
Babichev S., Škvor J. Technique of Gene Expression Profiles Extraction Based on the Complex Use of Clustering and Classification Methods. Diagnostics. 2020. Vol. 10 (8). Art. no. 584.
Liakh I., Babichev S., Durnyak B., Gado I. Formation of Subsets of Co-expressed Gene Expression Profiles Based on Joint Use of Fuzzy Inference System, Statistical Criteria and Shannon Entropy. Lecture Notes on Data Engineering and Communications Technologies. 2023. Vol. 149. P. 25–41.
Hou J., Aerts J., den Hamer B., et al. Gene expression-based classification of non-small cell lung carcinomas and survival prediction. PLoS ONE. 2010. Vol. 5. Art. no. e10312.
Yasinska-Damri L., Babichev S., Spivakovsky A., Lemeshchuk O. Formation and Analysis of Gene Expression Data Based on the Joint Use of Data Mining and Machine Learning Techniques. CEUR Workshop Proceedings. 2023. Vol. 3373. P. 87–98.
