cDNA microarray를 이용한 유전자 군집 네트워크 추론

Abstract

cDNA microarray는 대량으로 유전자 발현의 변동을 탐색, 분석 할 수 있는 도구 로서 생물학 실험에서 널리 쓰여지고 있다. 이러한 microarray 실험에서 유전자 발현에 영향을 주는 인자들의 조절작용은 공통으로 조절 받는 유전자들이 유사한 발현 양상을 보이게 할 것으로 생각된다. 이러한 가정을 바탕으로, 유전자들을 몇 개의 군집들로 군집화 하는 microarray 분석 방법이 쓰이고 있다. 하지만 기존의 nonoverlapping 군집화 방법들은 한 유전자의 발현에 다양한 조절이 관여하고 있음을 무시하고 가장 강한 조절에 의해서만 유전자 군집을 결정짓게 된다. 이에, 이런 문제점을 해결하고 보다 실제 생물학적 특성에 근접한 새로운 군집화 이론으로 군집들간의 네트워크를 형성해 보았다. 쥐의 배아줄기세포의 신경분화를 일정시간 간격으로 관찰한 시간 간격 별 microarray 실험을 통해 대량의 유전자들의 발현정보들을 얻었다. 이러한 데이터들을 군집화 알고리즘을 적용해 171개의 overlapping 군집들을 얻었으며 많은 군집들이 서로 연결되어 있음을 찾을 수 있었다. 이러한 결과에서 같은 생물학적 작용에 연관된 유전자들은 같은 군집에 모여있지는 않았다. 하지만 그들은 유전자 네트워크 상에서 서로 가까운 위치에 퍼져 있음이 관찰되었다. 이러한 결과는 이 군집화 알고리즘이 군집간의 관계를 파악할 수 있음을 보여주며, 이를 이용하여 생명 시스템 전체를 추론하는데 이용할 수 있을 것이라 기대된다.; cDNA Microarray experiments has become a widely used tool for gene expression pattern analysis. In time-series microarray experiments, a set of genes regulated by common perturbations is considered to show similar expression patterns. Under this hypothesis, clustering of genes is a widely used approach that groups all the genes into several clusters. However, because previously non-overlapping clustering methods are likely to ignore the possibility of multiple regulations on the same gene, every gene is incorporated in the cluster according to the strongest regulation. To identify the overlapping cluster, ‘refining and enriching clustering’ algorithm was taken. It can be applied to one of the versatile systems, mouse embryonic stem (ES) cells after induction of neural differentiation. Using these cells, gene expression assays were performed on 10K cDNA microarray chips. From the gene expression data, 171 coherent clusters were obtained and regulatory relationships between the gene clusters were found by the overlapping cluster network. Coherent clusters show more improvement than K-means clusters and SOM clusters. In the gene cluster network, not all of genes associated common biological processing was included in the same cluster, but they are dispersed in neighboring clusters of their network. In conclusion, improvement of the proposed scheme was demonstrated and it is enable to identify the relations between clusters and allows inferring the comprehensive biological system with the subsequent analysis of the cluster network.