基因表达谱微阵列分析在肿瘤分型中应用<%=id%>

    基因潮2001年8月22日报道:美国科学院院刊《PNAS》近日发表旅美中国学者，德州大学休斯顿分校熊墨淼（Momiao Xiong）等有关基于表达谱基因芯片数据分析用于肿瘤分型的论文，该论文提出的递归区分法（Recursive Partioning）和组合分析方法可能对肿瘤基因组信息学研究和芯片技术产业化运作有着积极意义。

    基因组学及DNA微列或芯片技术的发展为疾病的分子诊断提供了广阔的前景。对于人类头号杀手的癌症，其早期准确的诊断尤为重要。传统的癌组织的鉴别分类是建立在组织学及形态学基础上的，其准确性常受不断改变的组织病理特征的影响。DNA微列或芯片，作为分子诊断的主要手段，对成千上万的基因在不同组织的表达进行跟踪监测，不仅帮助癌组织的鉴别分类，也为研究癌症生物学提供强大的科学依据，成为当代医学及生物学研究及生物技术发展的重要方向。随着其试验技术及仪器的不断改进和基因组数据的急剧增长，现代DNA微列或芯片技术产生的各种基因表达数据，规模庞大，内容复杂。如何有效地分析利用这些数据成为生物信息学中一挑战性课题。

    在该研究中熊等提出用递归区分法（Recursive Partioning）方法分析DNA微列或芯片技术产生的基因表达数据，并运用于癌组织的鉴别分型(Zhang等，2001)。这种分析法最早应用于健康学的研究方面(Zhang &Singer,1999)，是以分类树为基础，预测类别。聚类树则是通过递归区分法过程建立的，也就是依据某选定的预测者是否高于某选定的临界值，将研究对象逐次细分完成分类。选择正确的预测者及与其相应的临界值，即可将癌组织样品与正常组织样品准确区分开来。

    与目前常规使用的DNA微列数据的分析方法--聚类法相比较，递归区分法法具有“学习能力”。所谓的“学习能力”，就是当你将已经确知的基因表达与正常或癌组织关系的信息，作为“练习曲(Training data)”交给这种数学分析法时，该法可还照着这个练习曲演练，并引伸出一个新的数学模式来，更好应用于该类癌组织的分类鉴别中。因为具有了这种学习能力，递归区分法法可济取以往的研究成果，在前人的基础上进行工作，从而优于常规的聚类法。

    类似的具有这种“学习能力”的DNA微列数据的分析方法还包括Golub等(1999)提出的改进区分判别法（Derived discriminant decision rule），Brow 等(2000)提出的支持向量器（Support vector machine）方法，Xiong 等(2000)运用的Fisher线性判别式等。和以上这些方法比较，递归区分法更有利于处理大规模的数据，同时进行两种以上的组织分类，其精确度也更高(Zhang 等，2001)。临床实践要求DNA微列技术及数据的分析处理能够程式化并低成本。常规DNA微列实验中，成千上万的基因被分析，被研究，但如果能从中找到少数几种“全能”的基因，并通过这几种基因就可准确有效地分类鉴别癌组织，则最为理想。这一方面，递归区分法也有所作为。通过其“学习能力”，递归区分法可从众基因中，确定出需要多少，需要那些全能基因来鉴别某癌组织样品。例如，在分析来自22个正常组织及40个直肠癌组织样品的2000个基因中，该法鉴定出三个基因。只用这三个基因，就可将所有癌组织样品从正常组织样品中区分开来，准确率达98%。被鉴定的这三个基因其实都与癌症有关。因此在研究大量基因的表达中，可利用递归区分法（Recursive partitioning〕或类似方法，将研究范围集中到几个“全能”基因上，再进行更深层次的研究，这样更有效，经济，快速，成为这类研究上的一条捷径。

    DNA 微列或芯片数据的生物信息学研究日新月异，新方法，新理论不断涌现，本文最后将网站http://linkage.rockefeller.edu/wli/microarray/_blank推荐给读者，以便从中查阅更多文献，掌握研究动态。

设为首页 | 加入收藏 | 广告服务 | 友情链接 | 版权申明