Сибирский государственный медицинский университет, г. Томск

Кафедра медицинскойи биологической кибернетики

Эта работа опубликована в сборнике статей по материалам 71-й итоговой научной студенческой конференции им. Н.И. Пирогова (г. Томск, 14-16 мая 2012 г.), под ред. В. В. Новицкого, Н.В. Рязанцевой. − Томск: Сибирский государственный медицинский университет, 2012. − 335 с. 

Скачать сборник (MS Word, 1 мб)

Скачать программу конференции 

Актуальность. На сегодняшний день, модельные эксперименты по изучению раковых опухолей, зачастую, проводят с использованием клеточных линий. Ключевым факторомявляется наличие мутаций вгеномах раковых клеток, изменяющих профили экспрессии регуляторных генов, что, возможно, отражается начувствительности клеточной линииктерапии. Эксперименты на основе биочиповых технологий позволяют проводить исследования наклеточных линиях сунифицированным влиянием определенных агентов иполучать профили генной экспрессии вответ на их действие. При этом можно изучать возможность координированной экспрессии среди многих тысяч генов, определяя, таким образом, сетевые варианты взаимодействий между ними. Реализация такого подхода требует корректной содержательной интерпретации экспериментального материала, получаемого с применением генных микрочипов. В случае клеточных линий, обработка данных, выдаваемых одним микрочипом, порождает значения экспрессии десятков тысяч генов. Количественный анализ подобных массивов данных составляет предмет самостоятельной области биоинформатики и вычислительной геномики.

Цель. Разработать подход для выявления дифференциально эксспресирующихся генов и изучить взаимосвязи между ними, объясняющие механизм возникновения патологии.

Материал и методы. В нашем исследовании были использованы данные об экспрессии генов двух раковых клеточных линий (устойчивой и чувствительной к действию изучаемого препарата). Воздействие проводилось с применением активного вещества (стимулирующего апоптоз), неактивного (структурного аналога активного) и контроля (DMSO). Данные были получены из общедоступной базы GEO NCBI, источник - платформа Affymetrix U133 Plus 2.0. Предварительно они были нормализованы и стандартизованы по алгоритму MAS5.0, предлагаемому компанией Affymetrix.

В результате проведенной оптимизации была получена матрица размером m×n, где m-обозначает количество проби соответствует гену или части гена (в нашем исследовании m=54676), n-количество проведенных экспериментов с использованием резистивной и чувствительной к действию изучаемого препарата клеточной линии, полученные во временных точках 2, 4, 8, 16, 24 часа после воздействия одним из химических агентов (всегоn=225) В дальнейшем был проведен поиск ключевых генов, экспрессия которых изменилась, а также были сравнены уровни экспрессии двух клеточныхлиний.

Для решения этих задач использовали средустатистического программирования R с применением библиотек пакета Bioconductor. Для проверки статистически значимых отличий экспрессии генов использовали t-критерий Стьюдента. Затем на основе временных изменений все гены были разделены на16 групп по направлению изменения экспрессии в каждый временной интервал. Гены в каждой из шестнадцати групп были кластеризованы пометоду Варда (Wardclusterisation). После этого кластеризованные данные были экспортированы в файл для представления в виде изображений, при этом каждая временная точка соответствовала экспрессии одного гена и располагалась в отдельном слое конечного изображения. Для отображения и изучения дифференциальной экспрессии использовали программу анализа и обработки изображений ImageJ.

Использование слоев позволило применить анимацию для наблюдения за изменением экспрессии генов во времени. При этом дифференциально экспрессирующиеся гены можно было определить по «мерцанию» пикселей изображения (один пиксель изображения соответствует экспрессии одного гена). Для проверки изменений экспрессии обнаруженного таким способом гена, был написан плагин для программы ImageJ, позволяющий выводить в виде графика значения экспрессий гена во всех временных точках с учетом клеточных линий и действующих химических агентов.

Результаты. Предложенный подход позволил из 54340 геноввыделить109генов, показавших дифференциальную экспрессию под действием активного вещества, которые, вероятно, играют роль ключевых в реакции апоптоза.

Выводы. В итоге на первом этапе удалось изучить дифференциальную экспрессию генов в раковых клеточных линиях, выявить возможные группы генов,определяющих инхэнсингиингибирование опухолевого роста.

Следующим этапом данной работы является изучение участия продуктов выявленных генов (РНК, белки) в различных метаболических и сигнальных путях на основе базы данных KEGG.