An Analytical Process Using Pooled DNA on SNP Array Data for Screening Susceptibility Genes of Type 2 Diabetes

การวิเคราะห์ข้อมมูล Pooled DNA จาก SNP ไมโครอาเรย์ เพื่อหาปัจจัยเสี่ยง ทางพัธูกรรมของเบาหวานชนิดที่ 2 ในคนไทย

Name: Tanapom Ueungwetwanit

keyword: DNA pooling

; discrimination score

Abstract: Diabetes is a major public health problem around the world. Prevalence of this disease has reached about 150 million cases globally, and it is expected to hit 300 million by the year 2025. Diabetes is a multifactor disease that is polygenetic and depends on environmental factors. Type 2 diabetes (T2DM), accounting for 90-95% of all cases diagnosed worldwide, can be associated with serious complications such as heart disease, stroke, high blood pressure, blindness, chronic kidney disease and premature death. Type 2 diabetes arises from the complex interplay of various pathophysiologic mechanisms involving insulin resistance and relative insulin insufficiency. Through its adverse impact on insulin action, obesity is a major risk factor for the disease. By combining the strength of DNA pooling to genotype large number of individuals and the strength of microarray to genotype large number of SNPs by allelotyping, pooled DNA on single nucleotide polymorphism (SNP) microarray analysis is an emergent technique to study gene-disease association. Although this technique is acceptable to use in study of genetic association test, a standard method of analysis has not yet been developed. The aims of this study are to investigate a suitable analysis of pooled DNA and identify susceptibility genes in type 2 diabetes for Thais. Microarray data preprocessing is performed prior to statistical analysis in order to account for technical variability. Two normalization methods were investigated, Cyclic Loess and Quantile, before identifying susceptible genes of Type 2 Diabetes. The probe data set is filtered by discrimination score and range of estimate allele frequency to remove unreliable probe intensities. The results show that both normalizations can minimize signal intensity variation; however, there is no significant difference in identifying significant S1\TPs. The probe data set that uses only perfect match intensity is preferred. The mismatch probe intensities are used to exclude unreliable SNPs in the step of filtering. The amounts of associated SNPs to non-obese T2DM and obese T2DM are 92 and 177 SNPs respectively at p-value of 0.003 as well as the number of nominated SNPs to nonobese T2DM and obese T2DM for further validation contain 16 SNPs from 13 genes, and 8 SNPs from 6 genes, respectively.

Abstract: โรคเบาหวานเป็นโรคที่เป็นปัญหาทางสาธารณสุขที่สำคัญหนึ่งของโลก จากอัตราผู้ป่วยเบาวหวาน 150 ล้านคนทั่วโลก และคาดว่าจะถึง 300 ล้านคนในปี ค.ศ. 2025 โรคเบาหวานเกิดได้จากหลายปัจจัย ทั้งทางด้านพะนธุกรรม และสภาพแวดล้อม โดยเบาหวานชนิดที่พบกันมาก ได้แก่ เบาหวานชนิดที่ 2 ซึ่งพบถึง 90-95 เปอร์เซน ของอัตราผู้ป่วยเบาหวานทั่วโลก นอกจากนี้โรคเบาหวานสัมพันธ์กับการเกิด ภาวะแทรกซ้อน รวมทั้งโรคที่เสี่ยงต่อการเสียชีวิตอื่นๆ เช่น โรคหัวใจ โรคหลอดเลือดสมอง ความดัน โลหิตสูง ตาบอด ไตอักเสบเรื้อรัง และการตายของทารกแรกเกิด เป็นต้น โรคเบาหวานชนิดที่ 2 เกิดจากการทำงานของตับอ่อนที่ลดลง ร่วมกับภาวะดื้ออินซุลิน ซึ่งมัปัจจัยทางพันธุกรรมเป้นตัวกำหนด อีกทั้งปัจจัยทางสภาวะแวดล้อม เช่น ภาวะอ้วน ก็เป็นปัจจัยเสี่ยงสำคัญต่อการดำเนินของโรค จึงทำให้ โรคเบาหวานมียีนก่อโรค (causative gene) ที่เกี่ยวข้องเป็นจำนวนมาก การศึกษาปัจจุบันจึงได้ พัฒนาเทคนิค DNA pooling ซึ่งสามารถหาจีโนไทน์ของกลุ่มตัวอย่าง แทนการหาจีโนไทน์ในแต่ละคน รวมกับเทคนิค SNP ไมโครอาเรย์(microarray) ที่สามารถศึกษา SNP จำนวนมากได้ใน การศึกษา แต่ละครั้ง แม้ว่าวิธีการนี้ จะได้รับการยอมรับ และมีการนำมาใช้อย่างแพร่หลาย แต่อย่างไรก็ตาม ยังไม่มีมาตรฐานในการวิเคาระห์ข้อมูล ซึ่งนำสู่จุดประสงคืในการศึกษาคือหาวิธีที่ เหมาะสมในการวิเคราะห์ข้อมูล และหาปัจจัยเสี่ยงทางพันธุกรรมของเบาหวานชนิดที่ 2 ในคนไทย โดยข้อมูลไมโครอาเรย์จะต้องมีการเตรียมข้อมูลที่เหมาะสมก่อนที่จะนำไปวิเคราะห์ โดยใน การศึกษานี้ ได้เลือวิธีนอร์มอลไลซ์เซชั่น (Normalization) มาสองวิธีซึ่งได้แก่ Cyclic Loess และQuantile ซึ่งจากการศึกษาพบว่าทั้งสองวิธีสามารถลดความแปรปรวนของข้อมูลได้ และไม่มีความแตกต่างอย่างมีนัยสำคัญของกลุ่ม SNP ที่ได้ในการวิเคาระห์ หลังจากข้อมูลผ่านการ นอร์มอลไลซ์เซชั่นแล้วนั้น ค่าความเข้มจะถูกแปลงมาอยู่ในรูปของความถี่อัลลีน (relative allele frequency, RAS) ซึ่งวืเคราะห์หา SNP ที่ทีค่าความถี่อัลลีนที่แตกต่างกันอย่างมีนัยสำคัญโดยใช้ t-test นอกจากนี้ข้อมูลควรผ่านตัวคัดกรองเพื่อลดความผิดพลาดจาก SNP ที่มีค่าความเข้มที่เกิดจาการจับ อย่างไม่เฉพาะเจาะจงออกจากการศึกษา โดยใช้ค่า discrimination score และช่วงความถี่ของอัลลีน ที่เหมาะสม (RAS ranges) และการสึกษาลักษณะของข้อมูลที่นำมาใช้นั้น พบว่าการใช้เฉพาะค่า ความเข้มที่เกิดจากการจับกันอบ่างถูกต้องมาคิดเท่านั้น (perfect match intensity) จะเหมาะสมกว่า จากวิธีนี้จะได้จำนวน SNP ตัวอย่างของกลุ่มเบหวานในผู้ป่วยน้ำหนักปกติ 92 และ เบาวหวานใน คนอ้วน 177 SNPs ที่ p-value 0.003 ซึ่งได้เสนอรายชื่อ SNP ที่จะได้นำไปศึกษาเพื่อยืนยันผลใน เบาหวานทั้งสองกลุ่มนี้ไว้ 16 และ 8 SNPs ตามลำดับ โดยSNP จะมีบาง SNPs ที่พบในยีนส เดียวกัน ดังนั้นจะได้ยันที่คาดว่าเดี่ยวข้องกับโรคเบาหวานทั้งสองกลุ่มนี้ 13 และ 6 ยีนตามลำดับ

King Mongkut's University of Technology Thonburi. KMUTT Library.

Address: BANGKOK

Email: info.lib@mail.kmutt.ac.th

Name: Jonathan H. Chan

Role: Advisor

Created: 2007

Modified: 2012-02-07

Issued: 2009-11-05

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: BIF39

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Bioinformatics

Grantor: King Mongkut's University of Technology Thonburi

©copyrights King Mongkut's University of Technology Thonburi

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	BIF39ab.pdf	79.76 KB	96	2025-09-19 18:30:22
2	BIF39.pdf	1.95 MB	117	2025-10-21 09:06:35

ใช้เวลา

0.033562 วินาที