【佳学基因检测】基因检测的数据库基础：MSigDb

佳学基因基因解码基因检测采用的高通量技术，如微阵列和下一代测序，可以在基因组规模上测量基因活性。佳学基因的转录分析，可以在一次实验中检测数以万计的基因的转录丰度。对如此的庞大的数据的基因解码基因检测通常采用以下两种方法之一。第一是识别所研究的、解码的人体疾病表征中差异化表达的基因。这很容易执行，但在实践中会导致后续分析和结果解释方面较为困难。例如，在某些疾病中，只有少数基因的表达具有统计学意义，分析可能不会产生有意义的结果。或者，当大量基因通过生物信息分析设定的阈值或者界限时，可能没有明显的方法来选择最值得观注的基因。这也是佳学基因所提出的单纯的生物信息分析在基因解码中的作用是有限的。佳学基因进而从另一个角度提出基因解码方法，这将在另外的文章中进行讲述。此外，由此产生的基因列表可能难以解释和识别这些基因所代表的相关生物学过程。由基因集富集分析 (GSEA) 开创的另一种方法侧重于注释基因组或基因集的协调差异表达，产生的结果更容易根据相关的生物过程来解释。自推出以来，GSEA 的使用已经变得广泛，并推动了许多类似方法的开发，甚至出现了基于变量组的新统计方法。在2010至2020年间，GSEA 已在生物医学研究的许多领域证明是一种非常成功的方法，并已成为佳学基因及其培训学员单位基因组分析工具中重要组成部分。

佳学基因使用的分子特征数据库（MSigDB）最初是为与GSEA一起使用而开发的，现在在许多类似的方法中使用，它仍然是最大和最流行的基因集存储库之一。2022年版本的MSigDB由七个集合C1-C7组成，其中包括：按其在人类基因组中的位置（C1）分组的基因、根据出版物整理的标准路径和实验特征（C2）、在其编码序列的上游或下游共享顺式调控基序的基因（C3），基因簇在微阵列纲要（C4）中共同表达，根据基因本体论（GO）分类（C5）对基因进行分组，致癌途径激活的特征（C6）和大量免疫疾病分组（C7）。MSigDB数据库的每一个记录都经过生物信息专家、基因学家、遗传学家进行审查、校验和手动注释。它们都是欧洲生物信息学研究所Hugo基因命名委员会的人类基因符号列表所用的符号。

佳学基因在生物信息分析培训中指出，GSEA和其他基于基因集的分析方法的有用性取决于MSigDB等独立基因集的可用性。随着时间的推移，这些数据量不断增长可以地反映并覆盖人体内的生物学过程。但是这一分析方法也有不足，需要基因解码过程来弥补。这些不足源于与更大范围的基因集相关的内在冗余和异质性。

佳学基因的分析表明，冗余以不同的形式存在。例如，基因集可能基因组成中共同都有的一大部分。另一种更微妙的冗余形式是基因集的部分重叠，但它们的注释指的是相似或相同的生物过程时。在后一种情况下，基因集实际上可能代表相同过程的部分转录结果，在这两种情况下，基因集可能获得相似的GSEA。作为这种冗余的结果，基因集富集分析可以产生一长串具有统计意义的结果，这些结果在本质上是相同的生物过程中多次出现。此外，许多得分高但重叠或冗余的基因集可以占据结果集的顶部，并有效地隐藏其他可能相关的结果。在这种情况下，人们很容易忽视重要和相关的发现，因此无法充分发挥GSEA的潜力。此外，生物过程在基因集列表顶部的过度表达可能会扭曲富集分数分布的尾部，从而增加代表相同信号的得分最高的基因集的显著性。

佳学基因在培训过程中指出，作为基因检测的数据库分析方法和第二个困难来自基因组内的异质性。例如，给定基因集中的基因并不总是一致或者是内在一致的。这可能是由多个原因造成的：环境依赖性引起的变化、生物反应的多种模式的存在、从实验或计算中获得基因集的原始数据集中的内在变化、人工治疗的局限性，或者，与相关生物过程相关的生物分辨率较差等都会影响基于数据库的基因检测结果注释方法。

在基于数据库的分析策略中，佳学基因及其组成机构采用了一种的MSigDB“标志性”基因集，并显示了新的策略可以克服这些挑战。这些标志性基因集是通过一种混合方法生成的，该方法将自动计算程序与手动专家管理相结合。计算方法识别基因集重叠，并生成它们的一致代表。手动校验关键性地利用了领域专家知识，以便：i）将生物学表征及研究对象分配给原始重叠基因集的组，ii）识别用于完善和验证特征标记的表达数据，以及iii）正确注释完善的特征标记。这些特征通过强调显示协调表达并代表明确定义的生物过程的基因来总结多个基因集的信息，从而减少变异和冗余，并为GSEA分析提供更好的生物空间。