信号通路重建研究

# 信号通路重建研究 ## 1. 材料与方法概述 本部分将详细介绍研究中使用的数据集和算法。首先探讨高内涵筛选（HCS）以及为网络整合准备这些数据所采用的统计方法，接着讨论使用的基因组和蛋白质组数据，然后聚焦于构建功能基因网络（FGN）的算法，最后描述从获得的FGN中提取信号通路的算法。 ## 2. 高内涵筛选数据 高内涵筛选数据的工作流程包含多个步骤。首先，通过湿实验方法用特定的双链RNA（dsRNA）处理细胞，以抑制所研究基因的功能。然后对这些细胞进行成像，并使用自动化计算方法将细胞从背景中分割出来。分割后的细胞被分类并标记为以下五组：正常（N）、长点状肌动蛋白（LPA）、细胞周期停滞（CCA）、Rho家族RNA干扰（Rho1）和泪滴状（T）。最后，提取一些特定表型的统计特性作为图像描述符。下面详细介绍这个流程。 ### 2.1 细胞培养与图像采集 使用dsRNA可以靶向并抑制特定基因及其后续蛋白质产物的活性。通过基于图像的方法，可以系统地研究单个基因在细胞形态调节中的作用。这里使用Kc167细胞，将其置于含有dsRNA的环境中，靶向384孔板中所有已知的果蝇蛋白激酶和磷酸酶（详细方案见相关文献）。经过五天的孵育期后，固定细胞并用试剂染色，以便可视化核DNA（蓝色）、聚合的F - 肌动蛋白（绿色）和α - 微管蛋白（红色）。使用Evotec旋转盘共聚焦显微镜以自动化方式为每个孔的三个通道（蓝色、绿色和红色）各采集十六张图像。 ### 2.2 细胞图像分割 为了分析所有细胞的形态，首先需要划定每个单个细胞的边界。我们采用两步分割程序，首先从DNA通道中提取细胞核，然后从F - 肌动蛋白和α - 微管蛋白通道中提取细胞体。首先使用基于梯度向量场（GVF）的方法检测细胞核的中心，然后以这些信息作为种子点，使用标记控制的分水岭算法对细胞核进行完全分割。这些步骤足以获得细胞核和细胞体的详细形状和边界信息，如图1（a）和（b）所示。 ### 2.3 从分割的细胞图像中提取特征 细胞表型的识别本质上是一个分类任务，依赖于合适且丰富的描述性图像特征集。这是一个标准问题，对于大多数模式识别问题至关重要。在本研究中，我们按照相关文献，使用属于五个不同图像类别的211个形态特征来捕捉几何和外观属性。所选特征包括总共85个小波特征、10个几何区域特征、48个Zernike矩、14个Haralick纹理特征和总共54个形状描述符特征。 特征选择程序对于去除数据集的噪声并以最具信息性的方式描述它是必要的。由于数据集和表