Computational approach for constructing a SNP network and inferring phenotypic relationships

วิธีทางการคำนวณเพื่อสร้างโครงข่ายสนิปส์และอนุมานความสัมพันธ์ทางฟีโนไทป์

Name: Apichat Suratanee.

Organization : King Mongkut's Institute of Technology North Bangkok. Department of Mathematics

Email : apichatsu@kmutnb.ac.th

keyword: Phenotype.

LCSH: Disease -- genetics.

Classification :.LCCS: QH450

; Single Nucleotide Polymorphisms.

LCSH: Diseases -- Network analysis.

LCSH: Gene expression.

Abstract: Genetic variation causes changes in phenotypes when expression levels are altered. This sequence changes occurred at the amino acid level influencing the function or properties of a protein. Single-nucleotide polymorphisms (SNPs) represent the most common genetic variation in humans, accounting for more than 90% of all differences between unrelated people. They are used as markers for population divergence studies. Moreover, SNPs can be utilized as markers in some phenotypic studies of complex diseases and pharmacogenomics. In this study, we employed protein-protein interactions information including SNPs information and other curated and experimental information and integrated with disease-gene associations as important information for revealing important phenotypes of protein functions under disease conditions. Although several studies have attempted to identify disease-gene associations, the number of possible disease-gene associations is very small. High-throughput technologies have been established experimentally to identify the association between genes and diseases. However, these techniques are still quite expensive, time consuming, and even difficult to perform. Thus, based on currently available data and knowledge, computational methods have served as alternatives to provide more possible relationships to increase our understanding of disease mechanisms. Here, a new network-based algorithm, namely, Disease-Gene Association (DGA), was developed to calculate the association score of a query gene to a new possible set of diseases. Novel plausible disease-gene pairs were identified and statistically scored by our algorithm using neighboring protein information. The results yielded high performance for disease-gene prediction, with an F-measure of 0.78 and an AUC of 0.86. Promising candidates of phenotypic relationships with selection techniques were presented. Our developed algorithm is simple, efficiently identifies disease–gene associations in the protein-protein interaction network and provides additional knowledge regarding disease-gene associations. This method can be generalized to other association studies to further advance biomedical science

Abstract: การแปรผันทางพันธุกรรม (genetic variation) มีผลต่อการเปลี่ยนแปลงฟีโนไทป์เมื่อการระดับการแสดงออก ของยีนมีการเปลี่ยนแปลง โดยความแปรผันนี้เกิดได้จากความแตกต่างในระดับเบสบนสายนิวคลีโอไทด์ของดีเอ็นเอ และ ส่งผลต่อความแตกต่างของหน้าที่และคุณสมบัติของโปรตีน โดยสนิปส์ (SNP: Single Nucleotide Polymorphisms) ถือเป็นการแปรผันทางพันธุกรรมที่เกิดขึ้นในมนุษย์โดยมีการพบมากกว่า 90% ของการแปรผันทางพันธุกรรมที่แตกต่าง กันในประชากรที่ไม่เกี่ยวข้องกัน สนิปส์สามารถใช้เป็นเครื่องบ่งชี้ในการศึกษาความหลากหลายของประชากร นอกจากนั้นสนิปส์ยังสามารถใช้เป็นเครื่องบ่งชี้ถึงการศึกษาการเปลี่ยนแปลงทางฟีโนไทป์ในโรคที่มีความซับซ้อนและ ในทางเภสัชพันธุศาสตร์ ในการศึกษานี้เราใช้ประโยชน์จากข้อมูลปฏิสัมพันธ์ของโปรตีนประกอบไปด้วยข้อมูลสนิปส์และ ข้อมูลที่ถูกคัดกรองอย่างแม่นยำรวมถึงข้อมูลทางการทดลอง ผนวกกับข้อมูลความสัมพันธ์ระหว่างโรคและยีนเป็นข้อมูล สำคัญเพื่อการค้นหาฟีโนไทป์ที่สำคัญของหน้าที่ของโปรตีนภายใต้สภาวะเกิดโรค แม้ว่าจะมีงานวิจัยจำนวนมากที่พยายาม ศึกษาถึงความสัมพันธ์ระหว่างยีนและโรค แต่จำนวนของความสัมพันธ์ที่เป็นไปได้นั้นยังมีอยู่น้อยมาก และแม้ว่าปัจจุบันมี เทคโนโลยีการศึกษายีนหลายชนิดในเวลาเดียวกัน แต่เทคนิคดังกล่าวยังมีค่าใช้จ่ายสูง กินระยะเวลานาน และปฏิบัติได้ ลำบากในบางการทดลอง ดังนั้นวิธีทางการคำนวณบนพื้นฐานของข้อมูลและความรู้ที่มีอยู่ในปัจจุบันสามารถเป็นอีก ทางเลือกที่จะช่วยหาความสัมพันธ์ระหว่างโรคและยีนเพื่อเพิ่มความเข้าใจถึงกลไกของโรค ขั้นตอนวิธีทางโครงข่ายได้ถูก พัฒนาขึ้นเพื่อคำนวณค่าความสัมพันธ์ระหว่างยีนและกลุ่มของโรคที่เป็นไปได้ กลุ่มของความสัมพันธ์ใหม่จะถูกระบุและ คำนวณค่าความสัมพันธ์ทางสถิติบนพื้นฐานของข้อมูลโปรตีนที่อยู่เคียงข้างกัน ผลจากการทำนายให้ค่าความถูกต้อง Fmeasure เท่ากับ 0.78 และค่า AUC เท่ากับ 0.86 กลุ่มความสัมพันธ์ระหว่างโรคและยีนที่น่าจะเป็นไปได้ถูกนำเสนอด้วยเทคนิคการคัดเลือก ขั้นตอนวิธีที่นำเสนอนี้เรียบง่ายแต่มีประสิทธิภาพในการบ่งชี้ความสัมพันธ์ด้วยข้อมูลทางโครงข่าย และสามารถให้เป็นข้อมูลความสัมพันธ์เพิ่มเติมจากข้อมูลเดิมที่มีอยู่ วิธีการนี้สามารถนำไปประยุกต์ใช้กับการศึกษา ความสัมพันธ์ในรูปแบบอื่นๆในทางวิทยาศาสตร์ชีวการแพทย์ต่อไป

King Mongkut's University of Technology North Bangkok. Central Library

Address: BANGKOK

Email: library@kmutnb.ac.th

Name: King Mongkut's University of Technology North Bangkok

Role: funding agency

Created: 2017

Modified: 2562-05-28

Issued: 2019-05-28

งานวิจัย/Research report

application/pdf

eng

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B16199364.pdf	1.46 MB	15	2022-03-02 15:14:03

ใช้เวลา

-0.964479 วินาที