【佳學基因檢測】基因檢測的數據庫基礎：MSigDb

佳學基因基因解碼基因檢測采用的高通量技術，如微陣列和下一代測序，可以在基因組規(guī)模上測量基因活性。佳學基因的轉錄分析，可以在一次實驗中檢測數以萬計的基因的轉錄豐度。對如此的龐大的數據的基因解碼基因檢測通常采用以下兩種方法之一。先進是識別所研究的、解碼的人體疾病表征中差異化表達的基因。這很容易執(zhí)行，但在實踐中會導致后續(xù)分析和結果解釋方面較為困難。例如，在某些疾病中，只有少數基因的表達具有統計學意義，分析可能不會產生有意義的結果?；蛘撸敶罅炕蛲ㄟ^生物信息分析設定的閾值或者界限時，可能沒有明顯的方法來選擇賊值得觀注的基因。這也是佳學基因所提出的單純的生物信息分析在基因解碼中的作用是有限的。佳學基因進而從另一個角度提出基因解碼方法，這將在另外的文章中進行講述。此外，由此產生的基因列表可能難以解釋和識別這些基因所代表的相關生物學過程。由基因集富集分析 (GSEA) 開創(chuàng)的另一種方法側重于注釋基因組或基因集的協調差異表達，產生的結果更容易根據相關的生物過程來解釋。自推出以來，GSEA 的使用已經變得廣泛，并推動了許多類似方法的開發(fā)，甚至出現了基于變量組的新統計方法。在2010至2020年間，GSEA 已在生物醫(yī)學研究的許多領域證明是一種非常成功的方法，并已成為佳學基因及其培訓學員單位基因組分析工具中重要組成部分。

佳學基因使用的分子特征數據庫（MSigDB）賊初是為與GSEA一起使用而開發(fā)的，現在在許多類似的方法中使用，它仍然是賊大和賊流行的基因集存儲庫之一。2022年版本的MSigDB由七個集合C1-C7組成，其中包括：按其在人類基因組中的位置（C1）分組的基因、根據出版物整理的標準路徑和實驗特征（C2）、在其編碼序列的上游或下游共享順式調控基序的基因（C3），基因簇在微陣列綱要（C4）中共同表達，根據基因本體論（GO）分類（C5）對基因進行分組，致癌途徑激活的特征（C6）和大量免疫疾病分組（C7）。MSigDB數據庫的每一個記錄都經過生物信息專家、基因學家、遺傳學家進行審查、校驗和手動注釋。它們都是歐洲生物信息學研究所Hugo基因命名委員會的人類基因符號列表所用的符號。

佳學基因在生物信息分析培訓中指出，GSEA和其他基于基因集的分析方法的有用性取決于MSigDB等獨立基因集的可用性。隨著時間的推移，這些數據量不斷增長可以地反映并覆蓋人體內的生物學過程。但是這一分析方法也有不足，需要基因解碼過程來彌補。這些不足源于與更大范圍的基因集相關的內在冗余和異質性。

佳學基因的分析表明，冗余以不同的形式存在。例如，基因集可能基因組成中共同都有的一大部分。另一種更微妙的冗余形式是基因集的部分重疊，但它們的注釋指的是相似或相同的生物過程時。在后一種情況下，基因集實際上可能代表相同過程的部分轉錄結果，在這兩種情況下，基因集可能獲得相似的GSEA。作為這種冗余的結果，基因集富集分析可以產生一長串具有統計意義的結果，這些結果在本質上是相同的生物過程中多次出現。此外，許多得分高但重疊或冗余的基因集可以占據結果集的頂部，并有效地隱藏其他可能相關的結果。在這種情況下，人們很容易忽視重要和相關的發(fā)現，因此無法充分發(fā)揮GSEA的潛力。此外，生物過程在基因集列表頂部的過度表達可能會扭曲富集分數分布的尾部，從而增加代表相同信號的得分賊高的基因集的顯著性。

佳學基因在培訓過程中指出，作為基因檢測的數據庫分析方法和第二個困難來自基因組內的異質性。例如，給定基因集中的基因并不總是一致或者是內在一致的。這可能是由多個原因造成的：環(huán)境依賴性引起的變化、生物反應的多種模式的存在、從實驗或計算中獲得基因集的原始數據集中的內在變化、人工治療的局限性，或者，與相關生物過程相關的生物分辨率較差等都會影響基于數據庫的基因檢測結果注釋方法。

在基于數據庫的分析策略中，佳學基因及其組成機構采用了一種的MSigDB“標志性”基因集，并顯示了新的策略可以克服這些挑戰(zhàn)。這些標志性基因集是通過一種混合方法生成的，該方法將自動計算程序與手動專家管理相結合。計算方法識別基因集重疊，并生成它們的一致代表。手動校驗關鍵性地利用了領域專家知識，以便：i）將生物學表征及研究對象分配給原始重疊基因集的組，ii）識別用于完善和驗證特征標記的表達數據，以及iii）正確注釋完善的特征標記。這些特征通過強調顯示協調表達并代表明確定義的生物過程的基因來總結多個基因集的信息，從而減少變異和冗余，并為GSEA分析提供更好的生物空間。