重建时变结构的基因调控网络的模型和算法及在糖尿病研究中的应用

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61072149
  • 项目类别:
    面上项目
  • 资助金额:
    34.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0124.生物电子学与生物信息处理
  • 结题年份:
    2013
  • 批准年份:
    2010
  • 项目状态:
    已结题
  • 起止时间:
    2011-01-01 至2013-12-31

项目摘要

本项目的研究内容为集成大规模高通量生物数据,利用计算模型在基因、转录因子、及其活性度的三个层次上重建基因、蛋白质和小分子化合物之间的时变及条件依存结构的调控网络。也即,(1)集成时序列microarray等数据,提出时变或条件依存结构的基因调控网络重建模型和算法,并推导出条件或环境与基因调控强度的定量关系。(2)集成时序列microarray、ChIP-chip等数据,提出时变或条件依存结构的转录调控网络重建模型和算法。(3)集成时序列microarray、ChIP-chip、蛋白质相互作用及各种异源生物数据,提出转录因子活性化网络重建模型和算法。并对糖尿病动物模型,由三个层次的基因网络,在系统的角度上研究在糖尿病不同发展阶段中转录因子之间的协作关系,推断与条件或调控过程密切相关的活性网络、信号传导通路及网络生物标记。

结项摘要

该项目的研究内容为集成大规模高通量的数据,重建基因调控网络,发展基因网络的理论模型及高效率计算方法。特别是集成基因表达、蛋白质相互作用等各种异源生物数据,提出转录调控网络重建模型和算法;开发转录调控因子活性化网络模型和算法;提出了网络功能标注的理论和方法;并从糖尿病动物模型上,推断与条件或调控过程密切相关的活性网络和重要调控因子,由此在基因层次上揭示2型糖尿病的重要调控过程和其分子机制。主要研究成果如下。1 开发了利用信息熵理论来推断基因调控网络的新模型和算法(NARROMI),该方法利用分子表达信息可推出了具有直接调控关系的基因或蛋白质相互作用,由此重构生物系统的基因调控网络。2 整合多种异源生物数据,开发调控因子活性化网络模型和算法(APG),并从理论上给出唯一解的条件,多组实验数据都证实了APG的有效性。3 提出了网络功能标注的理论和方法 (NOA),NOA已被包括在系统生物学代表性应用软件系统Cytoscape中,内容也已入选F1000中。4 从糖尿病动物模型,推断与调控过程密切相关的活性网络和重要调控因子,特别是发现调控因子SP1在糖尿病大鼠和正常大鼠的调节作用有很大变化。 进一步分析,我们发现SP1与一些重要基因共表达。我们的生物实验结果也表明,Sp1在正常大鼠中有活性,在糖尿病大鼠中活性消失。通过siRNA干扰SP1活性后,我们发现抑制SP1活性主要通过增加糖原裂解,加强肝细胞释放葡萄糖到血液中。我们还发现BAHD1通过SP1调节GCK表达,同时SP1抑制明显改变胰岛素的作用,包括明显降低胰岛素受体表达。我们的结果,特别是这个调控因子SP1(功能)的发现对于糖尿病的分子机理研究具有重要意义。本项目实施过程中,在国际SCI期刊上发表(标注)论文42篇, 申请计算机软件著作权3件。支持3位博士后及培养4名研究生。此外,本研究的工作在国外媒体有广泛报道,本研究的内容和方法论已被仔细整理,形成一门研究生课程(即,中科院上海生科院 生物信息学研究生课程)。项目组通过积极参与组织相关领域主流国际会议、项目负责人作为大会主席组织五次相关国际学术会议(ISB2012, TBI2012, ISB2013, InCoB2013, CSHA2013),为推动本交叉学科发展,成立了第一个全国性学会组织,中国运筹学会《计算系统生物学分会》(首任理事长)。

项目成果

期刊论文数量(42)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
Community structure detection based on Potts model and network's spectral characterization
基于Potts模型和网络谱表征的群落结构检测
  • DOI:
    10.1209/0295-5075/97/48005
  • 发表时间:
    2012-02-01
  • 期刊:
    EPL
  • 影响因子:
    1.8
  • 作者:
    Li, Hui-Jia;Wang, Yong;Zhang, Xiang-Sun
  • 通讯作者:
    Zhang, Xiang-Sun
Identifying responsive modules by mathematical programming: an application to budding yeast cell cycle.
通过数学编程识别响应模块:在出芽酵母细胞周期中的应用
  • DOI:
    10.1371/journal.pone.0041854
  • 发表时间:
    2012
  • 期刊:
    PloS one
  • 影响因子:
    3.7
  • 作者:
    Wen Z;Liu ZP;Yan Y;Piao G;Liu Z;Wu J;Chen L
  • 通讯作者:
    Chen L
Prediction of S-glutathionylation sites based on protein sequences.
基于蛋白质序列的S-谷胱甘肽化位点预测
  • DOI:
    10.1371/journal.pone.0055512
  • 发表时间:
    2013
  • 期刊:
    PloS one
  • 影响因子:
    3.7
  • 作者:
    Sun C;Shi ZZ;Zhou X;Chen L;Zhao XM
  • 通讯作者:
    Zhao XM
Multi-equilibrium property of metabolic networks: SSI module.
代谢网络的多平衡特性:SSI模块
  • DOI:
    10.1186/1752-0509-5-s1-s15
  • 发表时间:
    2011-06-20
  • 期刊:
    BMC systems biology
  • 影响因子:
    --
  • 作者:
    Lei HB;Zhang JF;Chen L
  • 通讯作者:
    Chen L
NARROMI: a noise and redundancy reduction technique improves accuracy of gene regulatory network inference
NARROMI:噪声和冗余减少技术提高了基因调控网络推理的准确性
  • DOI:
    10.1093/bioinformatics/bts619
  • 发表时间:
    2013-01-01
  • 期刊:
    BIOINFORMATICS
  • 影响因子:
    5.8
  • 作者:
    Zhang, Xiujun;Liu, Keqin;Chen, Luonan
  • 通讯作者:
    Chen, Luonan

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

陈洛南的其他基金

深度脉冲神经网络的混沌反向传播通用算法
  • 批准号:
    T2350003
  • 批准年份:
    2023
  • 资助金额:
    300 万元
  • 项目类别:
    专项基金项目
肺癌“未病"的生物学基础与数学表征研究
  • 批准号:
  • 批准年份:
    2023
  • 资助金额:
    300 万元
  • 项目类别:
肺癌未病"的生物学基础与数学表征研究
  • 批准号:
    T2341007
  • 批准年份:
    2023
  • 资助金额:
    300.00 万元
  • 项目类别:
    专项项目
基于多模态数据的健康临界状态的数学刻画与预警理论
  • 批准号:
    12131020
  • 批准年份:
    2021
  • 资助金额:
    252 万元
  • 项目类别:
    重点项目
数学生物学发展战略研究与学术交流
  • 批准号:
  • 批准年份:
    2020
  • 资助金额:
    10 万元
  • 项目类别:
    专项基金项目
2型糖尿病发生发展过程的临界状态预测理论和生物信息学方法
  • 批准号:
  • 批准年份:
    2019
  • 资助金额:
    297 万元
  • 项目类别:
    重点项目
基于单样本组学数据的生物分子网络构建理论和方法
  • 批准号:
    31771476
  • 批准年份:
    2017
  • 资助金额:
    60.0 万元
  • 项目类别:
    面上项目
肝脏炎癌恶性转化关键节点的动态网络标志物模型及临床应用研究
  • 批准号:
    91529303
  • 批准年份:
    2015
  • 资助金额:
    250.0 万元
  • 项目类别:
    重大研究计划
动脉粥样硬化发生发展过程中关键节点和调控网络的系统生物学研究
  • 批准号:
    91439103
  • 批准年份:
    2014
  • 资助金额:
    170.0 万元
  • 项目类别:
    重大研究计划
复杂疾病早期诊断和预测的数学问题
  • 批准号:
    11326035
  • 批准年份:
    2013
  • 资助金额:
    20.0 万元
  • 项目类别:
    数学天元基金项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码