《生物信息学：导论与方法》–本体论、分子通路鉴定–听课笔记（十九）

第九章  本体论、分子通路鉴定

9.4 分子通路鉴定

• You have got a set of genes or proteins from your experiments.
• How can you find out which pathways the proteins belong to?
• How can you find out which were the most significant pathways?
• 为了后续的计算方便，把KEGG数据库分解之后，存到本地。
• 将KO(KEGG Orthology)中的条目的信息，包括ID，对应的pathway等全部用python parse出来，然后用mysql存入本地数据库。类似爬虫？
• 同时将KEGG数据库里相关的基因的序列和ID也存到本地数据库。
• 有了这样的本地数据库，给一个新的基因，就可以用计算机把他们对应到已知基因上。
• Mapping an input gene to pathway(s):

1. ID mapping: Genbank GI; Entrez Gene ID; Ensembl Gene ID; UniProtKB AC
2. ID mapping找不到几个通路，可以用Sequence similarity mapping: newly discovered genes; genes in a poorly annotated species, 这种方法基于的假设是同源基因在不同的物种里会参与类似的通路。

• Sequencing Mapping就是每一个输入的序列和KEGG里的基因做一个blast的比较。为了避免假阳性的出现，定义了rank，如rank<=5, 即为blast结果的前5个基因中至少有一个要有通路的注释。
• Evaluation of pathway annotation by sequence similarity: precision = TP/(TP+FP) ; coverage=TP/N (所有得到的基因中有多少有正确的注释) 。 precision和coverage之间是有tradeoff的，权衡。
• Which pathways are significant?
• Most frequent pathways, 覆盖的基因越多，但是有一些分子通路很大，即使是完全随机产生的一组基因，没有任何生物学意义，也会使大的通路覆盖的基因较多。
• 有时候实验做的不好，可能一组基因都是噪音。
• 期望软件有一定的方法能把噪音和有意义的通路分开：Most enriched pathways.
• 
• 所有基因组有N个基因落在M个通路里，你的实验里有n个基因落在m个通路里。
• When we take n genes from all N background genes, what is the probability of getting m genes from a specific pathway of size M just by chance? Null hypothesis
• If this happens just by chance, then this pathway is not special for your experiment.
• p-value: the probability that the data have occured have occurred by chance assuming that the null hypothesis is true. p-valu的含义就是如果零假设是真的，完全是随机地看到n个基因中有落在m个通路里的概率是多大？如果概率非常小，那么这组基因可能与这个通路有关联。这样就reject了零假设。
• p-value越小，犯错误的概率越小。常用的值为0.01,0.05。
• 不同的问题，不同的零假设，不同的数据特征所用的统计方法是很不一样的，它假设的概率模型也很不一样。
• 
• Multiple testing correction after hypergeometric test: 多假设检验的矫正，只要做了多次的statistical test，就要做多假设矫正。
• FDR矫正，矫正的是false discovery rate：E{FP/(TP+FP)}  much less conservative
• KOBAS web server
• KOBAS 2.0也集成了疾病相关的数据库。
• KOBAS也有本地版本，可以在linux系统下运行。
• 

9.5 应用：药物成瘾共同分子通路的鉴定

• Which genes are related to addiction? 不同的成瘾有没有共同的分子通路？
• 首先需要知道哪些基因和成瘾有关，然后他们团队的一个成员看了1000多篇文献。。。oh my god
• 将与成瘾相关的基因都总结出来，第一类通过遗传策略；第二类通过分子生物学的策略，比如基因的差异表达等。
• 通过两大策略找到的基因只有4个overlap，的确复杂疾病遗传和分子生化领域的人经常掐架，为啥我找到了，你没找到。。。
• Genetic and molecular biological technologies often detect different parts of the same pathways/networks. 两类实验策略虽然找到的基因上交叉很少，但是更多地落在同样的代谢通路和同样的蛋白相互作用网络上，经常一个方法找到的同一个通路的不同基因。
• 所以结果就是基因上没有overlap，但是分子通路上有很强的overlap。
• Collection of meta-data enables detailed analysis
• 生物信息学中，数据库存储data的同时也要存储meta-data，即要记录下每个基因是用什么方法和什么实验技术找到的。
• reference: Genes and (Common) Pathways Underlying Drug Addiction  这项研究成果在国际上引起了很大的反响。因为发现了两个从未被报道过与成瘾有关的通路，而通路上各个基因被世界各地的人们用不同的方法发现过。
• To facilitate communication and computation:

1. store data in database whenever possible
2. define an ontology for the data
3. collect meta-data together with data

• To discover higher level patterns in a set of genes or gene products

1. identify the most significant pathways and functional categories
2. perform statistical analysis such in KOBAS

9.6 数据库系统简介

• 数据库是数据的集合。
• Database management system(DBMS), 是由一个互相关联的数据集合和一组用以访问这些数据的程序组成。
• DBMS提供高效、可靠、方便、安全的多用户存储和访问大量持续存在的数据。
• 数据库结构的基础是数据模型。
• 数据模型是一个描述数据、数据联系、数据语义、以及一致性约束的概念工具的集合。
• 数据模型包括以下四类：

1. Relational model，关系模型，使用最广泛
2. Entity-relationship model，实体-联系模型
3. Object-based data model，基于对象数据模型
4. Semistructured data model，半结构化模型

• Key，键，关系模型中的一个重要概念。键可以是每行值都唯一的列，也可以是每行组合值都唯一的一组列。
• 利用键可以查找特定的行，建立索引提高查找效率，以及关联数据库中不同的表。
• 数据参照完整性，reference integrity. 拒绝执行导致完整性被破坏的操作。
• 数据库系统提供一种数据定义语言用于定义数据库模式，Data-Definition Language DDL；和一种数据操纵语言用于表达数据库的查询和更新，Data-Manipulation Language，DML。
• SQL提供了一个丰富的DDL语言，通过它可以定义表、完整性约束、断言等。
• SQL查询语言是非过程化的，以几个表为输入，总是仅返回一个表。
• 开源数据库软件: MySQL、SQLite、PostgreSQL
• 推荐了一门Coursera课程：Introduction to Databases
• 每次看到熟悉的学过的内容，就很亲切啊。。。。

今天的文章《生物信息学：导论与方法》–本体论、分子通路鉴定–听课笔记（十九）分享到此就结束了，感谢您的阅读。