遗传与基因表达数据的整合——eQTL的方法及应用
HEREDITAS (Beijing)
2008年9月, 30(9): 1228―1236 ISSN 0253-9772 https://www.sodocs.net/doc/a57620742.html,
技术与方法
收稿日期: 2007?12?17; 修回日期: 2008?03?24
基金项目:国家重点基础研究发展规划(973计划)项目(编号：2007CB109003)资助[Supported by the National Basic Research Program of China
(973 Program) (No. 2007CB109003)]
作者简介:刘刚(1979?), 男, 湖北仙桃人, 硕士, 专业方向：小麦遗传育种。E-mail:llyf923@https://www.sodocs.net/doc/a57620742.html,
通讯作者:彭惠茹(1968?), 女, 内蒙古赤峰人, 博士, 副教授, 硕士生导师, 研究方向：小麦遗传育种。E-mail: penghuiru@https://www.sodocs.net/doc/a57620742.html,
DOI: 10.3724/SP.J.1005.2008.01228
遗传与基因表达数据的整合—— eQTL 的方法及应用
刘刚, 彭惠茹, 倪中福, 秦丹丹, 宋方威, 宋广树, 孙其信
中国农业大学植物遗传育种系, 农业生物技术国家重点实验室, 教育部作物杂种优势研究与利用重点实验室, 北京市作物遗传改良重点实验室, 农业部作物基因组与遗传改良重点实验室, 北京100193
摘要：高通量的基因型分析和芯片技术的发展使人们能够进一步研究哪些遗传差异最终影响基因的表达。通过表达数量性状座位(eQTL)作图方法可对基因表达水平的遗传基础进行解析。与传统的QTL 分析方法一样, eQTL 的主要目标是鉴别表达性状座位所在的染色体区域。但由于表达谱数据成千上万, 而传统的QTL 分析方法最多分析几十个性状, 因此需要考虑这类实验设计的特点以及统计分析方法。本文详细介绍了eQTL 定位过程及其研究方法, 重点从个体选择、基因芯片实验设计、基因表达数据的获得与标准化、作图方法及结果分析等方面进行了综述, 指出了当前eQTL 研究存在的问题和局限性。最后介绍了eQTL 研究在估计基因表达遗传率、挖掘候选基因、构建基因调控网络、理解基因间及基因与环境的互作的应用进展。 关键词：eQTL; 个体选择; 基因芯片实验设计; 作图方法
Integrating genetic and gene expression data: methods and applica-tions of eQTL mapping
LIU Gang, PENG Hui-Ru, NI Zhong-Fu, QIN Dan-Dan, SONG Fang-Wei, SONG Guang-Shu, SUN Qi-Xin
Department of Plant Genetics & Breeding and State Key Laboratory for Agrobiotechnology , Key Laboratory of Crop Heterosis and Utili-
zation (MOE ), Key Laboratory of Crop Genomics and Genetic Improvement (MOA ) and Beijing Key Laboratory of Crop Genetic Im-provement , China Agricultural University , Beijing 100193, China
Abstract: The availability of high-throughput genotyping technologies and microarray assays has allowed researchers to investigate genetic variations that influence levels of gene expression. Expression Quantitative Trait Locus (eQTL) mapping methods have been used to identify the genetic basis of gene expression. Similar to traditional QTL studies, the main goal of eQTL is to identify the genomic locations to which the expression traits are linked. Although microarrays provide the ex-pression data of thousands of transcripts, standard QTL mapping methods, which are able to handle at most tens of traits, cannot be applied directly. As a result, it is necessary to consider the statistical principles involved in the design and analysis of these experiments. In this paper, we reviewed individual selection, experimental design of microarray, normalization of gene expression data, mapping methods, and explaining of results and proposed potential methodological problems for such analyses. Finally, we discussed the applications of this integrative genomic approach to estimate heritability of transcripts, identify candidate genes, construct gene networks, and understand interactions between genes, genes and environments. Keywords: eQTL; individual selection; experimental design of microarray; mapping methods
万方数据
第9期刘刚等: 遗传与基因表达数据的整合——eQTL的方法及应用 1229
20世纪80年代以来, 分子标记技术的飞速发展, 使得性状与DNA序列信息能够联系起来, 结合遗传作图统计方法, 可以在全基因组水平上定位复杂性状的QTL, 为人们认识复杂性状的遗传基础、分离克隆基因和辅助选择育种均提供了很大帮助。但是到目前为止, 用该方法克隆数量性状基因仍然非常困难, 同时也忽略了基因表达水平的差异对性状的影响。而基因芯片技术的诞生, 使得从全基因组水平上进行高通量的基因表达谱分析成为可能, 通过比较两个或多个处理间表达谱的差异获得了大量差异表达基因, 这些差异表达基因涉及了各种代谢途径并最终控制复杂性状的建成。因此, 如何进一步建立性状表型观测值、DNA序列与基因表达谱之间的联系, 整合遗传作图信息和基因表达数据, 对于我们深入认识高等生物许多重要而复杂的性状(如作物的产量、人类的疾病等)的分子机理和调控网络至关重要(图1)[1]。
遗传和表达数据的整合通常有两种策略：一是结合性状QTL定位和亲本间差异表达基因的信息, 筛选定位在QTL区域内控制性状的候选基因[2]; 二是Janson和Nap [3]提出的表达QTL (expression QTL, eQTL) 作图方法, 即将来自分离群体的各基因型的表达数据作为一个数量性状, 利用传统的QTL分析方法进行分析。目前, eQTL作图方法不仅成功地应用到酵母[4,5]、鼠类[6~11]、人[12~13]的相关研究中, 而且应用到了植物, 如拟南芥[14,15]、玉米[6,16]、小麦[17]、大麦[18]等物种的相关研究中, 成为国际上一个新的研究热点。本文主要从个体选择、基因芯片实验设计、基因表达数据的获得与标准化、eQTL作图方法及结果的分析方法等方面对eQTL作图进行了阐述。1 eQTL的研究方法
eQTL定位与传统的QTL(causative QTL, cQTL)[19]一样, 一般经过构建作图群体和遗传连锁图谱(若分子标记连锁图谱未知)、测量数量性状(基因表达谱分析)、QTL作图等步骤, 但由于eQTL定位中的性状为分离群体各基因型的基因表达谱, 所以二者在研究方法和对结果的生物学意义分析上有很多不同, 其具体分析过程见图2, 以下重点介绍eQTL作图与传统QTL在研究方法上的不同之处。
1.1个体选择
传统QTL作图所用的遗传群体一般较大(尤其是在对植物的研究中), 然而, 在eQTL定位中由于基因表达谱分析的成本高昂, 不可能对作图群体的所有个体都进行表达谱的分析, 只能选择部分基因型进行分析, 以降低eQTL研究成本。这样, 就面临一个怎样选择个体才能达到QTL作图的最大效率的问题。
1.1.1 基于性状和标记的选择
Wang 和 Nettleton[20] 提出了基于性状和标记基因型选择的方法, 其目的是使所检测的基因的表达与性状表现相关联的功效达到最大。假设控制某一性状的主效QTL只具有两种基因型, 按该座位的基因型, 把群体中所有个体分为两类, 从每一类中分别选择表型值最大和最小的个体进行eQTL分析。例如, 在包含200个个体的分离群体中, 控制某一性状的主效QTL只有两种基因型(X和O), 把基因型为X的个体分为一类, 从这一类中按该性状表型值, 选择最大值和最小值各10个个体。同样, 把该
图1性状、DNA序列和基因表达信息的整合
Fig.1 The integration of complex traits, sequence polymorphisms and variations of transcript levels 万方数据
1230 HEREDITAS
(Beijing) 2008 第30卷
图2 遗传与基因表达数据的整合路径
Fig. 2 Flow chart of the integrative strategy of genetic and gene expression data
座位基因型为O 的个体分为一类, 从这一类中按该
性状表型值, 选择最大值和最小值各10个个体。这样, 我们就从这200个个体的群体中选择到包含40个个体的亚群体去进行基因表达谱分析。这是一种揭示特定数量性状遗传结构的理想方法, 它不仅可以用来直接检测与目标性状有关的基因, 还能用来阐明导致该性状变异的遗传路径中的主要调控因子。但是这种选择方法也有一定的局限性, 它只适用于DH 和RIL 等异质纯合的群体(任何QTL 座位只可能有两种基因型), 对于利用像F 2这样的群体进行eQTL 作图的研究中, 每一座位存在3种基因型, 该选择方法则不适用[21]。
1.1.2 基于标记基因型遗传差异的选择
Jin 等[22]提出了一种在标记基因型基础上增加亚群体的遗传差异的基因型选择的方法。通过比较作图群体所有个体的标记基因型, 并且采用最小阶矩偏差(Minimum moment aberration, MMA)设计来选择个体进行表达谱分析。这一过程可以对全基因组的标记基因型进行选择, 也可以对某一特定区域的标记基因型进行选择。亚群体的样本容量和相似性测试考虑的标记数决定所要选择的个体。Jin 等给出了计算个体间相似性的公式(1)(δij 指两个体间相
同基因型的标记位点数, P ＝n (n -1)/2指个体配对的总数, n 指所选择的个体数)。为了便于比较不同大小的亚群体的相似值, Jin 等通过公式(2)把K 标准化(M 指K 的最大可能值; R 是K 的最大与最小可能值的差值)。从这两个公式我们可以知道, K 值越小, 则S 值越大, 表明选择个体间的遗传差异越大。
1
1
1
1n n
ij i j i K P
δ?==+=∑∑
(1)
S =(2)
这种基于MMA 标准的选择方法简单易行, 但
是它依赖于无缺失的数据。对于缺失基因型, Jin 等也提出可利用Haldane 作图函数和两侧标记信息添上缺失数据。该选择方法还有另外一个局限性, 它倾向于选择不同等位基因纯合的个体, 所以, 增加遗传差异只能提高检测加性效应的能力, 却很难估计非加性效应[22,23]。 1.1.3 基于实验目的的选择
最好的个体选择标准可能是针对目标座位选择符合实验目的的等位基因组合的个体。在这种情况下, Bueno 等[24]提出基于实验目的的选择方法。例如, 利用一个F 2群体去估计反式eQTL 的显性效应, 则
万方数据
第9期刘刚等: 遗传与基因表达数据的整合——eQTL的方法及应用 1231
选择的亚群体的A、H和B的基因型比例应该为1：2：1, 如果要同时估计加性和显性效应, 则选择的亚群体的A、H和B的基因型最优比例为0.293：0.414：0.293。对于多位点上位性效应的估计则通过选择不同个体配对的基因芯片实验设计, 得到想要的等位基因组合来估计这些遗传效应。
以上的个体选择方法都只注重对eQTL效应的检测, 而忽略了对eQTL位置的检测精度。为提高eQTL位置的检测精度, Leon和Rosa[25]提出了增加亚群体中重组事件的选择标准。模拟实验也表明, 基于重组率的选择标准能充分提高估计QTL位置的精度。Jannink[26]和Xu 等[27]提出了一个更为全面的基于重组率的选择方法, 他们不仅考虑增加亚群体中的重组事件, 也考虑了重组在全基因组中的平均分布。他们的方法能显著提高QTL位置估计的精度, 当遗传图谱的距离较短时尤其如此。
1.2基因表达分析的方法
进行基因表达分析的方法有多种, 如差异显示反转录PCR 技术(Differential display of reverse transcriptional PCR, DDRT-PCR)、代表性差异分析技术(Representational difference analysis, RDA)、抑制消减杂交技术(Suppression subtractive hybridiza-tion, SSH)、基因表达系列分析(Serial analysis of gene expression, SAGE)、限制性显示技术(Restriction Display PCR, RD-PCR)、cDNA-AFLP、实时定量PCR(Quantitative real-time PCR, qRT-PCR), Northern blotting 和基因芯片技术(Microarray)等, 其中, cDNA-AFLP[14]、qRT-PCR[28]和基因芯片技术[4~18]已被应用于eQTL的研究。但基因芯片技术以其高通量、高灵敏度的优点, 成为eQTL研究的主要方法。
1.2.1 基因芯片实验设计
以往利用基因芯片技术进行大规模的基因表达水平的检测, 主要是针对不同基因型、组织、发育阶段、分化阶段、病变、胁迫的表达特性进行综合的分析。而在eQTL的研究中, 将每个基因的表达水平作为数量性状, 利用QTL作图方法来研究基因组和转录组之间的关系。因此eQTL研究除了考虑QTL 分析应注意的问题——群体的遗传结构外, 还要考虑转录谱研究中应注意的问题：什么样的基因芯片平台最适合特定的实验要求？多少张芯片能达到期望的实验效果？什么样的实验设计能更好地实现实验目的？在eQTL的研究中应用较多的是双色荧光芯片, 因为利用它能进行较为灵活的实验设计[29]。基于双色荧光芯片, 一些学者提出了适用于eQTL 研究的基因表达分析的实验设计方法。
Piepho[30]在利用基因芯片技术进行杂种优势机理的研究中, 提出了一种能够有效地估计显性效应的双色荧光芯片实验设计方法, 即将纯合和杂合的两个基因型在同一张芯片上共杂交来估计显性效应。在eQTL的研究中, F2群体存在3种基因型A、H和B, 因此在进行配对共杂交时, 采取A和H, B 和H的配对法更有利于估计显性效应。
Fu和Jansen[29]提出了一种适用于RIL和DH群体来估计eQTL的加性效应的实验设计方法——远缘配对设计(Distant pair design), 是指把全基因组或基因组某一特定区域内遗传差异较大的两种基因型进行配对与芯片杂交。该设计方法的基本原则是尽量使芯片内的两样本的遗传差异比芯片间大, 且在芯片数目一定的情况下, 增加生物学重复要比增加技术重复更有效[23]。
以上两种设计方法都只侧重显性或加性效应的估计, 而我们往往要同时估计加性、显性效应及互作效应。针对这一问题, Bueno等[24]提出了相应的解决方法, 还专门讨论了针对不同实验目的的基因芯片设计的优化方法。
1.2.2 基因表达数据的获得及校正
提取样品的RNA经反转录成荧光素标记的cDNA, 在液相中与基因芯片上的探针杂交, 洗膜后用图像扫描仪捕获芯片上的荧光信号, 由此获得的图像就是基因芯片的原始数据。此后还需用图像分析软件从中提取各点的吸光度值、面积和吸光度比等数据, 并转化成基因表达矩阵。为避免芯片实验中的系统差异引起的芯片间数据比较的困难, 首先需将原始数据进行标准化(Normalization)[31]。常用的是“看家基因”法：预先选择一组表达水平不变的看家基因, 计算出这组基因平均ratio值为1时的标准化系数,然后用其对全部的数据进行标准化[32]。此外,整体平均值法和信号强度依赖法也常用于芯片数据的标准化。原始数据经标准化后, 就可以用于统计分析了。在eQTL研究中, 是将每个基因在分离群体中的表达水平作为一个数量性状(e-trait)来分析。
1.3 eQTL作图方法
在eQTL定位中, 常需要对成千上万个表达性
万方数据
1232 HEREDITAS
(Beijing) 2008第30卷
状同时进行分析, 但是发展多性状QTL定位模型几乎不可能, 因为太多的性状使得模型过于复杂。以下两种eQTL作图策略可以简化模型：(1)转录本为基础的作图方法：独立地分析每一个表达性状(e-trait), 最后获得全部表达性状的eQTL; (2)标记为基础的作图方法：先对每个标记基因型进行分组, 然后检测该标记的不同基因型间表达量的差异, 判断它与eQTL是否连锁, 最后完成对全基因组标记的扫描[33]。前一种方法只需了解传统的单个性状的定位方法即可。单标记回归分析(Single marker re-gression analysis)[6]、区间作图(Interval mapping, IM)[34]、复合区间作图(Composite interval mapping, CIM)[35,36]、多区间作图(Multiple interval mapping, MIM)[37]等方法在这里均适用, 只是需用它们对成百上千个表达性状进行逐一分析。为减少工作量, 实际应用中可以依照一定标准对表达性状进行选择(如前文所述), 最终只对选中的目标性状进行定位。第二种方法的基础是差异基因表达分析的方法, 通常的差异表达分析包含两个样本——对照和处理, 而在表达－标记关联分析中, 需将携带某一标记的一种基因型作为对照与该标记的其他基因型(处理)进行表达谱的多重比较。如F2群体, 有3种基因型, 需进行两两差异表达分析：一种产生于纯合子之间, 另一种产生于纯合子(两个)与杂合子之间。
eQTL定位方法与过去的QTL定位方法的主要不同在于需要同时对大量的“表达性状”(即单个基因的表达水平)进行QTL定位分析。因此不仅要在基因组位置上进行多重测验, 而且在不同性状上也要进行多重测验, 在统计学上就面临着I型错误的概率增高的问题。公认的控制多重比较带来的高假阳性率的方法就是控制假阳性率(False discovery rate, FDR)。目前统计上常用的方法有：(1)利用Bonferroni 方法等对两两t测验的P值进行校正, 将调整后的P 值与FDR比较, 确定是否存在显著差异[38]或用更严格的q值代替P值来控制假阳性率[39]; (2)通过重复排列和重置抽样(Permutation)对P值进行纠正[15,40] ;
(3) 通过eQTL定位中LOD峰值对应的P值来控制基因组位置上的假阳性发生率, 同样可用重置抽样(Permutation)对P值进行纠正[40], 因为这里只考虑一个LOD峰值, 所以当一个转录本定位在两个以上位置时, 该方法会得出错误结论。近几年, 学者们提出了一些更加完善的统计方法来解决eQTL定位中存在的问题, 如经验Bayesian评判法[41]以及分级混合法[42], 对大量表达性状的自动化分析的eQTL策略[43], 将针对转录本的分析和针对标记的分析结合在一起的标记混合模型(Mixture over markers, MOM)方法[44], 以及基于标记基因型、表达量以及标记基因型与表达量互作线性模型的贝叶斯压缩估计方法[45]等等。
1.4 eQTL定位结果分析
定位得到的差异显著e Q T L可以分为顺式eQTL(Cis-acting eQTL)和反式eQTL(Trans-acting eQTL)两种, 顺式eQTL指的是某个基因的eQTL定位到该基因所在的基因组区域, 表明可能是该基因本身的多态性引起的表达水平的差异; 反式eQTL 指eQTL座位的某一基因的多态性导致与该eQTL 座位不在同一基因组区域的基因表达水平的差异[23]。顺式eQTL 能直接提供候选基因的信息, 而反式eQTL的信息不仅能与其他方法结合获得调控网络, 还有利于减少网络的候选节点。另外, 一旦通过定位获得成千上万个eQTL, 人们首先感兴趣的是那些在染色体上成簇分布的区域, 这些区域称为eQTL热点(Hot spots)[46], 确定eQTL热点最简单的方法是直接计算定位的转录本数目。但有些区域可能是“ghost”热点, 应该进行统计学检验, 目前对转录本数目进行检验的方法主要有：根据n个转录本是否定位在热点区域的概率进行泊凇测验, 或对eQTL进行全基因组随机排列, 得到每个区域eQTL 数目的极值分布, 据此计算显著的eQTL热点区域应满足的数目。另外, Kendziorski等[46]通过定位偏好(用LOD值评价)来确定显著的eQTL热点区域。对于eQTL热点候选基因的验证可采用芯片的基因集合丰度分析(Gene set enrichment analysis, GSEA), 对热点区域候选基因进行功能分类, 再将相关生物学功能基因的比例与期望值进行卡方测验, 但一般置信度较低[47]。eQTL热点为我们提供了候选调控基因信息, 根据常用的基因网络分析方法, 可进一步明确候选基因间的交互作用。另外, 考虑到每个基因在网络上的表达变化不同, 贡献大小可能不一致, 参与的途径可能不止一条等问题, 因此, 拓扑分析(Topological analysis of pathway phenotype as-sociation, TAPPA)[48]和影响分析(Impact analysis, IA)[49]等统计分析方法也相继用于构建基因的调控网络。另外, 利用相关分析对基因表达性状QTL和表型性状QTL定位结果进行综合分析, 并结合结构方程模型[50]、系统动态模型[51]、贝叶斯网络模型[52]
万方数据
第9期刘刚等: 遗传与基因表达数据的整合——eQTL的方法及应用 1233
等统计方法, 不仅能挖掘与性状相关的候选基因, 还能系统描述复杂性状形成的分子机理和调控网络。
2 eQTL的应用
虽然eQTL这一研究方法提出才短短几年时间, 但其研究进展迅速。研究者用该方法在估计基因表达遗传率、挖掘候选基因、构建基因调控网络等许多方面开展了大量工作, 使得对复杂性状的分子机理及调控网络的认识更加深入。
2.1估计基因表达遗传率
Cheung等[53]对人的淋巴母细胞进行基因表达谱分析, 结果表明基因的转录水平是可遗传的。利用传统遗传学的广义遗传率公式可估计基因表达的遗传率。Monks等[12]对人的淋巴细胞系中基因表达的研究发现, 31％的差异表达基因是可遗传的, 遗传率均值为34％。酵母的研究表明, 3 546个基因表达的遗传率大于69％[43]。Chesler 等[9]通过对小鼠的研究发现, 有608个基因表达的遗传率超过33％(其中最高可达78％), 平均11％。Vuylsteke等[14]对拟南芥的研究发现, 有792个差异表达基因是可遗传的, 其遗传力最高为93％, 平均为30％。
2.2确定eQTL热点和筛选候选基因
Morley等[13]用Affymetrix芯片对来自于14个法语人类多态性研究中心(CEPH)尤他州家族的成员的免疫B细胞中的3 554个基因进行表达谱的分析, 在第14和20条染色体上检测到两个eQTL热点。
Brem 等[4]采用寡核苷酸微阵列, 鉴定由实验酵母菌株和野生酵母菌株杂交产生的40个单倍体分离后代的基因型, 构建了一个包含 3 312个分子标记的图谱, 覆盖基因组的99％。同时采用包含 6 215个可读框的 cDNA 微阵列, 对亲本和分离后代进行表达谱分析, 进行eQTL定位, 共发现8个eQTL 聚集的区域(eQTL 热点), 分别有7~94个功能相关的基因定位在这些区域。并且结合已有的研究结果推测, 定位在6个eQTL 热点中的部分基因分别被基因CST13、LEU2、MAT、URA3、HAP1、SIR3调控。Yvert 等[5]采用相同的酵母菌株进行杂交, 得到86个单倍体分离后代群体, 并以此为材料, 运用相同的实验和分析方法, 不仅证实了Brem 等[4]的结果, 而且还检测到13个调控1 265个基因表达的eQTL 热点, 许多功能相似的基因定位在同一eQTL上。同时, 他们通过图位克隆和功能鉴定发现, 基因GPA1和AMN1的多态性可能影响了与信息素应答和细胞分裂有关基因的表达水平。
Schadt 等[6]利用寡核苷酸芯片, 对小鼠标准自交系C57BL/6J和DBA/2J的111个F2个体的肝组织进行分析, 检测23 574个基因的表达情况, 并采用区间作图法进行eQTL 定位, 发现在第2、6、7、9、10、16 和17号染色体上存在eQTL热点区域, 并找到了一个与小鼠肥胖有关的候选基因Mup1。Ghazalpour 等[54]根据Schadt等[6]的数据, 鉴定了13个与肥胖相关的基因调控途径, 发现位于第3、6、16、19号染色体上的4个热点区域参与这些途径的调控, 并发现了可能参与这些途径的新基因。Bystrykh等[7]利用来源于DBA/2(D2)和C57BL/6(B6)两个小鼠近交系杂交的30个重组近交系, 分离出造血干细胞, 进行表达谱分析, 在Scp2区间确定了8个可能影响造血干细胞增殖的候选基因。 Chesler 等[9]采用相同的小鼠重组自交系群体的前脑组织, 在第1、2、6、10、11、14和19染色体上检测到7个eQTL 热点。
在植物中, Shi等[16]用一个包含有40个株系的玉米重组近交系群体进行eQTL分析, 在玉米染色体bin1.07、1.12、3.05、8.03和9.04上检测到5个eQTL热点, 并找到102个与细胞壁降解能力有关的候选基因。Jordan等[17]从来源于RL4452和 ‘AC Domain’的小麦DH群体的118个株系中选出41个用Affymetrix芯片进行表达谱分析, 在染色体1D和4B上检测到2个eQTL热点。Potokina等[18]用139个重组近交系的大麦群体对16 000个基因进行eQTL分析, 确定了14个eQTL热点。
2.3构建调控网络
生物体中的基因往往不是单独起作用的, 而是一组调控因子调控一系列基因的表达, 从而形成了网络状的相互作用关系[55]。虽然芯片数据也能提供某一通路中相关基因的信息, 但是不能鉴别不同通路的主调控基因, 也不能预测由于某一系统混乱所导致的结果。eQTL分析则有利于对生物系统基因间互作的更高层次的理解, Janson和Nap[3]首次把eQTL热点与基因调控网络的构建联系起来, eQTL 热点的检测为构建基因调控网络提供了线索。
基于贝叶斯网络分析方法, Zhu等[56]提出了一个结合分离群体的相对表达水平和基因型数据来构建基因调控网络的方法。他们用这种方法对Schadt
万方数据
1234 HEREDITAS
(Beijing) 2008第30卷
等[6]的eQTL结果进行分析, 构建了多个基因调控网络。Schadt等[57]利用相同的小鼠群体进行基因表达与肥胖性状之间的因果关系研究, 构建了与肥胖相关的基因调控网络。Li 等[52]提出了一个结合eQTL 作图、SNP分析和贝叶斯网络分析的计算方法来构建基因调控网络, 得到了66个候选调控网络。
eQTL研究不仅有助于我们估计基因表达水平的遗传率、挖掘候选基因和构建基因调控网络, 而且为我们正确理解基因与基因及基因与环境间的互作提供了条件, 从而使我们能更深入认识生物复杂性状的分子机理和遗传基础。
3 eQTL研究的局限性
由于基因表达谱分析的成本高昂, 一般不会对整个分离群体进行基因表达谱分析, 而只是选择部分个体进行分析。但是, 这种人工抽样可能会导致偏分离, 同时样本容量小使得实际分析的群体并不能代表理论群体, 不利于QTL定位。目前的QTL作图方法只能定位到染色体区域某一置信区间内, 这一区间可能存在很多个基因, 不利于对eQTL定位结果的分析。另外, 基因表达谱分析过程中出现的生物学误差和系统误差都可能限制了eQTL研究方法发挥更大作用。
4结语
eQTL的研究方法首次在全基因组水平上建立了基因组与转录组间较为精确的关系并引入表达性状(expression trait, e-trait)的概念, 扩展了传统的表现型的含义。即利用eQTL作图的方法, 以全新的视角解析基因与性状的关系：综合考虑多种基因变异, 多种表型、多种环境和表观遗传变异, 在生物系统的不同层面之间建立相互联系。目前eQTL研究已经在候选基因的挖掘、基因调控网络的构建等方面取得了较好的进展。我们相信, 在不久的将来, 随着QTL作图方法、基因组学、转录组学、蛋白质组学和代谢组学的不断发展完善, eQTL研究将在整合不同层次信息, 正确理解基因与基因、基因与环境互作以及复杂性状形成的分子机理等方面发挥越来越重要的作用。
参考文献(References):
[1] Li J, Burmeister M. Genetical genomics: combining ge-
netics with gene expression analysis. Hum Mol Genet, 2005, 14(S1): R163?R169.
[2] Yagil C, Hubner N, Monti J, Schulz H, Sapojnikov M,
Luft FC, Ganten D, Yagil Y. Identification of hypertension
related genes through an integrated genomic transcrip-
tomic approach. Circ Res, 2005, 96(6): 617?625.
[3] Jansen RC, Nap JP. Genetical genomics: the added value
from segregation. Trends Genet, 2001, 17(7): 388?391. [4] Brem RB, Yvert G, Clinton R, Kruglyak L. Genetic dis-
section of transcriptional regulation in budding yeast.
Science, 2002, 296(5568): 752?755.
[5] Yvert G, Brem RB, Whittle J, Akey JM, Foss E, Smith EN,
Mackelprang R, Kruglyak L. Trans-acting regulatory variation in Saccharomyces cerevisiae and the role of transcription factors. Nat Genet, 2003, 35(1): 57?64.
[6] Schadt EE, Monks SA, Drake TA, Lusis AJ, Che N, Coli-
nayo V, Ruff TG, Milligan SB, Lamb JR, Cavet Guy, Linsley PS, Mao M, Stoughton RB, Friend SH. Genetics of gene expression surveyed in maize, mouse and man.
Nature, 2003, 422(6929): 297?302.
[7] Bystrykh L, Weersing E, Dontje B, Sutton S, Pletcher MT,
Wiltshire T,Su AI, Vellenga E, Wang J, Manly KF, Lu L,
Chesler EJ, Alberts R, Jansen RC, Williams RW, Cooke MP, Haan G. Uncovering regulatory pathways that affect
hematopoietic stem cell function using ‘genetical genom-
ics’. Nat Genet, 2005, 37(3): 225?232.
[8] Hubner N, AWallace C, Zimdahl H, Petretto E, Schulz H,
Maciver F, Mueller M, Hummel O, Monti J, Zidek V, Musilova A, Kren V, Causton H, Game L, Born G, Schmidt S, Müller A, Cook SA, Kurtz TW, Whittaker J,
Pravenec M, Aitman TJ. Integrated transcriptional profil-
ing and linkage analysis for identification of genes under-
lying disease. Nat Genet, 2005, 37(3): 243?253.
[9] Chesler EJ, Lu L, Shou S, Qu Y, Gu J, Wang J, Hsu HC,
Mountz JD, Baldwin NE, Langston MA, Threadgill DW, Manly KF, Williams RW. Complex trait analysis of gene
expression uncovers polygenic and pleiotropic networks that modulate nervous system function. Nat Genet, 2005,
37(3): 233?242.
[10] Vazquez-Chona FR, Khan AN, Chan CK, Moore AN,
Dash PK, Hernandez MR, Lu L, Chesler EJ, Manly KF, Williams RW,Geisert EE. Genetic networks controlling retinal injury. Mol Vision,2005, 11: 958?970.
[11] Lum PY, Chen Y, Zhu J, Lamb J, Melmed S, Wang S,
Drake TA, Lusis AJ, Schadt EE. Elucidating the murine brain transcriptional network in a segregating mouse population to identify core functional modules for obesity
and diabetes. J Neurochem, 2006, 97(Suppl. 1): 50?62. [12] Monks SA, Leonardson A, Zhu H, Cundiff P, Pietrusiak P,
Edwards S, Phillips JW, Sachs A, Schadt EE. Genetic in-
heritance of gene expression in human cell lines. Am J Hum Genet, 2004, 75(6): 1094?1105.
[13] Morley M, Molony CM, Weber TM, Davlin JL, Ewens KG,
Spielman RS, Cheung VG. Genetic analysis of genome- wide variation in human gene expression. Nature, 2004,
万方数据
第9期刘刚等: 遗传与基因表达数据的整合——eQTL的方法及应用 1235
430(7001): 743?747.
[14] Vuylsteke M, Daele HVD, Vercauteren A, Zabeau M,
Kuiper M. Genetic dissection of transcriptional regulation
by cDNA-AFLP. Plant J, 2006, 45(3): 439?446.
[15] West MAL, Kim K, Kliebenstein DJ, Leeuwen HV,
Michelmore RW, Doerge RW, Clair DAS. Global eQTL
mapping reveals the complex genetic architecture of tran-
script-level variation in Arabidopsis. Genetics, 2007,
175(3): 1441?1450.
[16] Shi C, Uzarowska A, Ouzunova M, Landbeck M, Wenzel
G, Lübberstedt T. Identification of candidate genes asso-
ciated with cell wall digestibility and eQTL (expression
quantitative trait loci) analysis in a Flint × Flint maize re-
combinant inbred line population. BMC Genomics, 2007, 8:
22
[17] Jordan MC, Somers DJ, Banks TW. Identifying regions of
the wheat genome controlling seed development by map-
ping expression quantitative trait loci. Plant Biotechnol J,
2007(5): 442?453.
[18] Potokina E, Druka A, Luo ZW, Wise R, Waugh R, Mike K.
Gene expression quantitative trait locus analysis of 16000
barley genes reveals a complex pattern of genome-wide
transcriptional regulation. Plant J, 2008, 53(1): 90?101. [19] Drake TA, Schadt EE, Lusis AJ. Integrating genetic and
gene expression data: application to cardiovascular and
metabolic traits in mice. Mamm Genome, 2006, 17(6):
466?479.
[20] Wang D, Nettleton D. Identifying genes associated with a
quantitative trait or quantitative trait locus via selective
transcriptional profiling. Biometrics, 2006, 62(2): 504?514.
[21] Nettleton D, Wang D. Selective transcriptional profiling
for trait-based eQTL mapping. Anim Genet, 2006, 37(1):
13?17.
[22] Jin CF, Lan H, Attie AD, Churchill GA, Bulutuglo D,
Yandell BS.Selective phenotyping for increased effi-
ciency in genetic mapping studies. Genetics, 2004, 168(4):
2285?2293.
[23] Rosa GJM, Leon N, Rosa AJM. Review of microarray
experimental design strategies for genetical genomics
studies. Physiol Genomics, 2006, 28 (1): 15?23.
[24] Bueno JSD, Gilmour SG, Rosa GJM. Design of microar-
ray experiments for genetical genomics studies. Genetics,
2006, 174(2): 945?957.
[25] Leon N, Rosa GJM. Optimization of selective phenotyping
for QTL mapping. Plant and Animal Genome XIII Meet-
ings, 2005, 860, 283.
[26] Jannink JL. Selective phenotyping to accurately map
quantitative trait loci. Crop Sci, 2005, 45(3): 901?908. [27] Xu Z, Zou F, Vision TJ. Improving QTL mapping resolu-
tion in experimental crosses by the use of genotypically
selected samples. Genetics, 2005, 170(1): 401?408.
[28] Yamashita S, Wakazono K, Nomoto T, Tsujino Y,
Kuramoto T, Ushijima T. Expression quantitative trait loci
analysis of 13 genes in the rat prostate. Genetics, 2005,
171(3): 1231?1238.
[29] Fu J, Jansen RC. Optimal design and analysis of genetic
studies on gene expression. Genetics, 2006, 172(3): 1993?1999.
[30] Piepho HP. Optimal allocation in designs for assessing
heterosis from cDNA gene expression data. Genetics,
2005, 171(1): 359?364.
[31] LI Yao. Microarray and Functional Genomics. Beijing:
Chemical Industry Press, 2004, 77?100.
李瑶. 基因芯片与功能基因组. 北京：化学工业出版社,
2004, 77?100.
[32] Bilban M, Buehler LK, Head S, Desoye G, Quaranta V.
Normalizing DNA microarray data. Curr Issues Mol Biol,
2002, 4(2): 57?64.
[33] Jia ZY, Xu SZ. Mapping quantitative trait loci for expres-
sion abundance. Genetics, 2007, 176(1): 611?623.
[34] Land ES, Botistein D. Mapping Mendelian factors under-
lying quantitative traits using RFLP linkage maps. Gene-
tics, 1989, 121(1): 185?199.
[35] Zeng ZB. Theoretical basis for separation of multiple
linked gene effects in mapping of quantitative trait loci.
Proc Natl Acad Sci USA, 1993, 90(23): 10972?10976. [36] Zeng ZB. Precision mapping of quantitative trait loci.
Genetics, 1994, 136(4): 1457?1468
[37] Kao CH, Zeng ZB, Teasdale RD. Multiple interval map-
ping for quantitative trait loci. Genetics, 1999, 152(3):
1203?1216.
[38] Dudoit S, Yang YH, Speed TP, Callow MJ. Statistical
methods for identifying differentially expressed genes in
replicated cDNA microarray experiments. Statistica Sinica,
2002,12(1): 111?139.
[39] Storey JD, Tibshirani R. Statistical significance for ge-
nomewide studies. Proc Natl Acad Sci USA, 2003, 100(16):
9440?9445.
[40] Brem RB, Kruglyak L. The landscape of genetic complex-
ity across 5700 gene expression traits in yeast. Proc Natl
Acad Sci USA, 2005, 102(5): 1572?1577.
[41] 1235endziorski CM, Newton MA, Lan H, Gould MN. On
parametric empirical Bayes methods for comparing multi-
ple groups using replicated gene expression profiles. Sta-
tist Med, 2003, 22(24): 3899?3914.
[42] Newton MA, Noueiry A, Sarkar D, Ahlquist P. Detecting
differential gene expression with a semiparametric hier-
archical mixture method. Biostatistics, 2004, 5(2): 155?176.
[43] Carlborg O, Koning DJD, Manly KF, Chesler E, Williams
RW, Haley CS. Methodological aspects of the genetic
dissection of gene expression. Bioinformatics, 2005, 21(10): 2383?2393.
[44] Kendziorski C, Chen M, Yuan M, Lan H, Attie A. Statisti-
cal methods for expression quantitative trait loci (eQTL)
mapping. Biometrics, 2006, 62(1): 19?27.
万方数据
1236 HEREDITAS (Beijing) 2008 第30卷
[45] Hoti F, Sillanp?? MJ. Bayesian mapping of genotype ×
expression interaction in quantitative and qualitative traits. Heredity , 2006, 97(1): 4?18.
[46] Kendziorski C, Wang P. A review of statistical methods
for expression quantitative trait loci mapping. Mamm Ge-nome , 2006, 17(6): 509?517.
[47] Subramanian A, Tamayo P, Mootha VK, Mukherjee S,
Ebert BL, Gillette MA, Paulovich A, Pomerosy SL, Golub TR, Lander ES, Mesirov JP. Gene set enrichment analysis: a knowledge-based approach for interpreting genomewide expression profiles. Proc Natl Acad Sci USA , 2005, 102(43): 15545?15550.
[48] Gao SG, Wang XJ. TAPPA: topological analysis of path-way phenotype association. Bioinformatics , 2007, 23(22): 3100?3102.
[49] Draghici S, Khatri P, Tarca AL, Amin K, Done A,
Voichita C, Georgescu C, Romero R. A systems biology approach for pathway level analysis. Genome Res , 2007, 17(10): 1537?1545.
[50] Tomarken AJ, Waller NG. Structural equation modeling:
strengths, limitations, and misconceptions. Annu Rev Clin Psychol , 2005, 1: 31?65.
[51] Baldwin NE, Chesler EJ, Kirov S, Langston MA, Snoddy
JR, Williams RW, Zhang B. Computational, integrative, and comparative methods for the elucidation of genetic coexpression networks. J Biomed Biotechnol , 2005(2):
172?180.
[52] Li H, Lu L, Manly KF, Chesler EJ, Bao L, Wang J, Zhou
M, Williams RW, Cui Y. Inferring gene transcriptional modulatory relations: a genetical genomics approach. Hum Mol Genet , 2005, 14(9): 1119?1125.
[53] Cheung VG, Conlin LK, Weber TM, Arcaro M, Jen KY,
Morley M, Spielman RS. Natural variation in human gene expression assessed in lymphoblastoid cells. Nat Genet , 2003, 33(3): 422?425.
[54] Ghazalpour A, Doss S, Sheth SS, Drake LAI, Schadt EE,
Lusis AJ, Drake TA. Genomic analysis of metabolic pathway gene expression in mice. Genome Biol , 2005, 6(7): R59.
[55] Wyrick JJ, Young RA. Deciphering gene expression
regulatory networks. Curr Opin Genet Dev , 2002, 12(2): 130?136.
[56] Zhu J, Lum PY, Lamb J, GuhaThakkurta D, Edwards SW,
Thieringer R, Berger JP, Wu MS, Thompson J, Sachs AB, Schadt EE. An integrative genomics approach to the re-construction of gene networks in segregating populations. Cytogenet Genome Res , 2004, 105(24): 363?374.
[57] Schadt EE, Lamb J, Yang X, Zhu J, Edwards S, Gu-haThakkurta D, Sieberts SK, Monks S, Reitman M, Zhang C, Lum PY, Leonardson A, Thieringer R, Metzger JM, Yang L, Castle J, Zhu H, Kash SF, Drake TA, Sachs A, Lusis AJ. An integrative genomics approach to infer causal associations between gene expression and disease. Nat Genet , 2005, 37(7): 710?717.
欢迎订阅2009年《林业科学》
《林业科学》是中国林学会主办、中国科协主管的林业综合性学术期刊, 创刊于1955年。代表中国林业科学研究和林业科技期刊的最高水平。在三届“国家期刊奖”评选中, 两次荣获中国期刊最高奖—— “国家期刊奖”, 一次名列“国家期刊奖提名奖”第一名。目前已被CA 、AJ 、ZR 、JST 、CSCD 等国内外20多个重要检索系统与数据库收录。
主要刊登林业及相关领域的最新科研成果, 及时反映国家林业建设重点和热点, 评述学术动向, 开展学术讨论, 促进国内外学术交流。内容包括森林培育、森林生态、林木遗传育种、森林保护、森林经理、森林与环境、生物多样性保护、野生动植物保护与利用、园林植物与观赏园艺、经济林、水土保持与荒漠化治理、森林工程、木材科学与技术、林产化学加工工程、林业经济、林业可持续发展及林业宏观决策研究等方面。以学术论文、研究报告、综述为主, 还设有学术问题讨论、研究简报、植物新品种与良种、科技动态、新书评介等栏目。读者对象为国内外从事林业及相关领域研究的科技人员、管理人员以及高等院校的师生。本刊接受英文稿件(附中文摘要)。
月刊, 每月25日出版, 大16开, 每期128页。单价：25元, 全年：300元。国内外公开发行。国内统一刊号：CN11-1908/S, 邮发代号82-6; 国际刊号：ISSN1001-7488, 发行代号：BM44。
可以直接向编辑部订阅。
联系地址：北京万寿山后中国林学会《林业科学》编辑部 邮编：100091 电话：(010)62889820 62888579 E-mail ：linykx@https://www.sodocs.net/doc/a57620742.html,
期刊主页：https://www.sodocs.net/doc/a57620742.html, 期刊博客：https://www.sodocs.net/doc/a57620742.html,/linykx
?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ?ˇ
万方数据
遗传与基因表达数据的整合——eQTL的方法及应用
作者：刘刚， 彭惠茹， 倪中福， 秦丹丹， 宋方威， 宋广树， 孙其信， LIU Gang， PENG Hui-Ru， NI Zhong-Fu， QIN Dan-Dan， SONG Fang-Wei， SONG Guang-Shu， SUN Qi-Xin
作者单位：中国农业大学植物遗传育种系,农业生物技术国家重点实验室,教育部作物杂种优势研究与利用重点实验室,北京市作物遗传改良重点实验室,农业部作物基因组与遗传改良重点实验室,北京,100193
刊名：
遗传
英文刊名：HEREDITAS
年，卷(期)：2008，30(9)
引用次数：0次
参考文献(57条)
1.Li J.Burmeister M Genetical genomies:combining genetics with gene expression analysis 2005(z1)
2.Yagil C.Hubner N.Monti J.Schulz H Sapojnikov M Luft FC Ganten D Yagil Y Identification of hypertension related genes through an integrated genomic transcriptomic approach 2005(6)
3.Jansen RC.Nap JP Genetical genomics:the added value from segregation 2001(7)
4.Brem RB.Yvert G.Clinton R.Kmglyak L Genetic dissection of transcriptional regulation in budding yeast 2002(5568)
5.Yvert G.Brem RB.Whittle J.Akey JM Foss E Smith EN Mackelprang R Kruglyak L Trans-acting regulatory variation in Saccharomyces cerevisiae and the role of transcription factors 2003(1)
6.Schadt EE.Monks SA.Drake TA.Lusis AJ Cbe N Colinayo V Ruff TG Milligan SB Lamb JR Caret Guy Linsley PS Mao M Stoughton RB Friend SH Genetics of gene expression surveyed in maize,mouse and man 2003(6929)
7.Bystrykh L.Weersing E.Dontje B.Sutton S Pletcher MT Wiltshire T Su AI Vellenga E Wang J Manly KF Lu L Chesler EJ Aiberts R Jansen RC Williams RW Cooke MP Haan G Uncovering regulatory pathways that affect hematopoietic stem cell function using 'genetical genomics' 2005(3)
8.Hubner N.AWallace C.Zimdahl H.Petretto E Schulz H Maciver F Mueller M Hummel O Monti J Zidek V Musilova A Kren V Causton H Game L Born G Schmidt S M oller A Cook SA Kurtz TW Whittaker J Pravenec M Aitman TJ Integrated
transcriptional profiling and linkage analysis for identification of genes underlying disease 2005(3)
9.Chesler EJ.Lu L.Shou S.Qu Y,Gu J,Wang J,Hsu HC,Mountz JD,Baldwin NE,Langston MA,Threadgill DW,Manly KF.Williams RW Complex trait analysis of gene expression uncovers polygenic and pleiotropic networks that modulate nervous system function 2005(3)
10.Vazquez-Chona FR.Khan AN.Chan CK.Moore AN Dash PK Hernandez MR Lu L Chesler EJ Manly KF Williams RW Geisert EE Genetic networks controlling retinal injury 2005
11.Lum PY.Chen Y.Zhu https://www.sodocs.net/doc/a57620742.html,mb J Melmed S Wang S Drake TA Lusis A J Schadt EE Elucidating the murine brain transcriptional network in a segregating mouse population to identify core functional modules for obesity and diabetes 2006(z1)
12.Monks SA.Leonardson A.Zhu H.Cundiff P Pietrusiak P Edwards S Phillips JW Sachs A Schadt EE Genetic inheritance of gene expression in human cell lines 2004(6)
13.Morley M.Molony CM.Weber TM.Davlin JL Ewens KG Spielman RS Cbeung VG Genetic analysis of genomewide variation in human gene expression 2004(7001)
14.Vuylsteke M.Daele HVD.Vercanteren A.Zabeau M Kuiper M Genetic dissection of transcriptional regulation by cDNA-AFLP 2006(3)
15.West MAL.Kim K.Kliebenstein DJ.Leeuwen HV Michelmore RW Doerge RW Clair DAS Global eQTL mapping reveals the complex genetic architecture of transcript-level variation in Arabidopsis 2007(3)
16.Shi C.Uzarowska A.Ouzunova https://www.sodocs.net/doc/a57620742.html,ndbeck M Wenzel G Lübberstedt T Identification of candidate genes associated with
cell wail digestibility and eQTL (expression quantitative trait loci) analysis in a Flint x Flint maize recombinant inbred line population 2007
17.Jordan MC.Somers DJ.Banks TW Identifying regions of the wheat genome controlling seed development by mapping expression quantitative trait loci 2007(5)
18.Potokina E.Druka A.Luo ZW.Wise R Waugh R Mike K Gene expression quantitative trait locus analysis of 16000 barley
genes reveals a complex pattern of genome-wide transcriptional regulation 2008(1)
19.Drake TA.Schadt EE.Lusis AJ Integrating genetic and gene expression data:application to cardiovascular and metabolic traits in mice 2006(6)
20.Wang https://www.sodocs.net/doc/a57620742.html,tleton D Identifying genes associated with a quantitative trait or quantitative trait locus via selective transcriptional profiling 2006(2)
https://www.sodocs.net/doc/a57620742.html,tleton D.Wang D Selective transcriptional profiling for trait-based eQTL mapping 2006(1)
22.Jin https://www.sodocs.net/doc/a57620742.html,n H.Attie AD.Churchill GA Bulutuglo D Yandell BS Selective phenotyping for increased efficiency in genetic mapping studies 2004(4)
23.Rosa GJM.Leon N.Rosa AIM Review of microarray experimental design strategies for genetical genomics studies 2006(1)
24.Bueno JSD.Gilmour SG.Rosa GJM Design of microarray experiments for genetical genomics studies 2006(2)
25.Leon N.Rosa GJM Optimization of selective phenotyping for QTL mapping 2005
26.Jannink JL Selective pbenotyping to accurately map quantitative trait loci 2005(3)
27.Xu Z.Zou F.Vision TJ Improving QTL mapping resolution in experimental crosses by the use of genotypically selected samples 2005(1)
28.Yamashita S.Wakazono K.Nomoto T.Tsujino Y Kuramoto T Ushiiima T Expression quantitative trait loci analysis of 13 genes in the rat prostate 2005(3)
29.Fu J.Jansen RC Optimal design and analysis of genetic studies on gene expression 2006(3)
30.Piepho HP Optimal allocation in designs for assessing heterosis from cDNA gene expression data 2005(1)
31.李瑶基因芯片与功能基因组 2004
32.Bilban M.Buehler LK.Head S.Desoye G Quaranta V Normalizing DNA microarray data 2002(2)
33.Jia ZY.Xu SZ Mapping quantitative trait loci for expression abundance 2007(1)
https://www.sodocs.net/doc/a57620742.html,nd ES.Botistein D Mapping Mendelian factors underlying quantitative traits using RFLP linkage maps 1989(1)
35.Zeng ZB Theoretical basis for separation of multiple linked gene effects in mapping of quantitative trait loci
1993(23)
36.Zeng ZB Precision mapping of quantitative trait loci 1994(4)
37.Kao CH.Zeng ZB.Teasdaie RD Multiple interval mapping for quantitative trait loci 1999(3)
38.Dudoit S.Yang YH.Speed TP.Callow MJ Statistical methods for identifying differentially expressed genes in replicated cDNA microarray experiments 2002(1)
39.Storey JD.Tibshirani R Statistical significance for genomewide studies 2003(16)
40.Brem RB.Kruglyak L The landscape of genetic complexity across 5700 gene expression traits in yeast 2005(5)
41.Sendziorski CM.Newton https://www.sodocs.net/doc/a57620742.html,n H.Gould MN On parametric empirical Bayes methods for comparing multiple groups using replicated gene expression profiles 2003(24)
42.Newton MA.Noueiry A.Sarkar D.Ahlquist P Detecting differential gene expression with a semiparametric hierarchical mixture method 2004(2)
43.Carlborg O.Koning DJD.Manly KF.Chesler E Williams RW Haley CS Methodological aspects of the genetic dissection of gene expression 2005(10)
44.Kendziorski C.Chen M.Yuan https://www.sodocs.net/doc/a57620742.html,n H Attie A Statistical methods for expression quantitative trait loci (eQTL)mapping 2006(1)
45.Hoti F.Sillanp(a)(a) MJ Bayesian mapping of genotype x expression interaction in quantitative and qualitative traits 2006(1)
46.Kendziorski C.Wang P A review of statistical methods for expression quantitative trait loci mapping 2006(6)
47.Subramanian A.Tamayo P.Mootha VK.Mukherjee S,Ebert BL,Gillette MA,Paulovich A,Pomerosy SL,Golub https://www.sodocs.net/doc/a57620742.html,nder ES,Mesirov JP Gene set enrichment analysis:a knowledge-based approach for interpreting genomewide expression profiles 2005(43) 48.Gao SG.Wang XJ TAPPA:topological analysis of pathway phenotype association 2007(22)
49.Draghici S.Khatri P.Tarca AL.Amin K Done A Voichita C Georgescu C Romero R A systems biology approach for pathway level analysis 2007(10)
50.Tomarken AJ.Waller NG Structural equation modeling:strengths,limitations,and misconceptions 2005
51.Baldwin NE.Chesler EJ.Kiruv https://www.sodocs.net/doc/a57620742.html,ngston MA,Snoddy JR,Williams RW,Zhang B Computational,integrative,and comparative methods for the elucidation of genetic coexpression networks 2005(2)
52.Li H.Lu L.Manly KF.Chesler EJ Bao L Wang J Zhou M Williams RW Cui Y Inferring gene transcriptional modulatory relations:a geneticai genomics approach 2005(9)
53.Cheung VG.Conlin LK.Weber TM.Arcaro M Jen KY Morley M Spielman RS Natural variation in human gene expression assessed in lymphoblastoid cells 2003(3)
54.Ghazalpour A.Doss S.Sheth SS.Drake LAI Schadt EE Lusis AJ Drake TA Genomic analysis of metabolic pathway gene expression in mice 2005(7)
55.Wyrick JJ.Young RA Deciphering gene expression regulatory networks 2002(2)
56.Zhu J.Lum https://www.sodocs.net/doc/a57620742.html,mb J.GuhaThakkurta D Edwards SW Thieringer R Berger JP Wu MS Thompson J Sachs AB Schadt EE An integrative genomics approach to the reconstruction of gene networks in segregating populations 2004(24)
57.Schadt https://www.sodocs.net/doc/a57620742.html,mb J.Yang X.Zhu J Edwards S GuhaThakkurta D Sieberts SK Monks S Reitman M Zhang C Lum PY Leonardson A Thieringer R Metzger JM Yang L Castle J Zhu H Kash SF Drake TA Sachs A Lusis AJ An integrative genomics approach to infer causal associations between gene expression and disease 2005(7)
相似文献(0条)
本文链接：https://www.sodocs.net/doc/a57620742.html,/Periodical_yc200809021.aspx
下载时间：2010年4月19日
全基因组表达谱分析方法(DGE)
全基因组表达谱分析方法（DGE）----基于新一代测序技术的 技术路线 该方法首先从每个mRNA的3’端酶切得到一段21bp的TAG片段（特异性标记该基因）；然后通过高通量测序，得到大量的TAG序列，不同的TAG序列的数量就代表了相应基因的表达量；通过生物信息学分析得到TAG代表的基因、基因表达水平、以及样品间基因表达差异等信息。技术路线如下： 1、样品准备： a) 提供浓度≥300ng/ul、总量≥6ug、OD260/280为1.8~2.2的总RNA样品； 2、样品制备（见图1-1）： a) 类似SAGE技术，通过特异性酶切的方法从每个mRNA的3’末端得到一段21bp 的特异性片段，用来标记该基因，称为TAG； b) 在TAG片段两端连接上用于测序的接头引物； 3、上机测序： a) 通过高通量测序每个样品可以得到至少250万条TAG序列； 4、基本信息分析： a) 对原始数据进行基本处理，得到高质量的TAG序列； b) 通过统计每个TAG序列的数量，得到该TAG标记的基因的表达量； c) 对TAG进行注释，建立TAG和基因的对应关系； d) 基因在正义链和反义链上表达量间的关系； e) 其它统计分析； 5、高级信息分析： a) 基因在样品间差异表达分析； b) 库容量饱和度分析；
c) 其它分析； 测序优势 利用高通量测序进行表达谱研究的优势很明显，具体如下： 1．数字化信号：直接测定每个基因的特异性表达标签序列，通过计数表达标签序列的数目来确定该基因的表达量，大大提高了定量分析的准确度。整体表达差异分布符合正态分布，不会因为不同批次实验引起不必要的误差。 2．可重复性高：不同批次的表达谱度量准确，能够更准确的进行表达差异分析。 3．高灵敏度：对于表达差异不大的基因能够灵敏的检测其表达差异；能够检测出低丰度的表达基因。 4．全基因组分析，高性价比：由于该技术不用事先设计探针，而是直接测序的方式，因此无需了解物种基因信息，可以直接对任何物种进行包括未知基因在内的全基因组表达谱分析，因此性价比很高。 5．高通量测序：已有数据表明，当测序通量达到200万个表达标签时，即可得到样本中接近全部表达基因的表达量数据，而目前每个样本分析可以得到300 万~600万个表达标签。
数据的收集描述与分析
数据的收集、整理与描述——备课人：李发 【问题】统计调查的一般过程是什么？统计调查对我们有什么帮助？统计调查一般包括收集数据、整理数据、描述数据和分析数据等过程；可以帮助我们更好地了解周围世界，对未知的事物作出合理的推断和预测. 一、数据处理的一般程序 二、回顾与思考 Ⅰ、数据的收集 1、收集数据的方法（在收集数据时，为了方便统计，可以用字母表示调查的各种类型。） ①问卷调查法：为了获得某个总体的信息，找出与该信息有关的因素，而编制的一些带有问题的问卷调查。 ②媒体调查法：如利用报纸、电话、电视、网络等媒体进行调查。 ③民意调查法：如投票选举。 ④实地调查法：如现场进行观察、收集和统计数据。 例1、调查下列问题，选择哪种方法比较恰当。 ①班里谁最适合当班长（）②正在播出的某电视节目收视率（） ③本班同学早上的起床时间（）④黄河某段水域的水污染情况（） 2、收集数据的一般步骤： ①明确调查的问题；——谁当班长最合适 ②确定调查对象；——全班同学 ③选择调查方法；——采用民主推荐的调查方法 ④展开调查；——每位同学将自己心目中认为最合适的写在纸上，投入推荐箱 ⑤统计整理调查结果；——由一位同学唱票，另一位同学记票（划正字），第三位同学在旁边监督。 ⑥分析数据的记录结果，作出合理的判断和决策； 3、收集数据的调查方式 （1）全面调查 定义：考察全体对象的调查叫做全面调查。
全面调查的常见方法：①问卷调查法；②访问调查法；③电话调查法； 特点：收集到的数据全面、准确，但花费多、耗时长、而且某些具有破坏性的调查不宜用全面调查；（2）抽样调查 定义：只抽取一部分对象进行调查，然后根据调查数据来推断全体对象的情况，这种方法是抽样调查。 总体：要考察的全体对象叫做总体； 个体：组成总体的每一个考察对象叫做个体； 样本：从总体中抽取的那一部分个体叫做样本。 样本容量：样本中个体的数目叫做样本容量（样本容量没有单位）； 特点：省时省钱，调查对象涉及面广，容易受客观条件的限制，结果往往不如全面调查准确，且样本选取不当，会增大估计总体的误差。 性质：具有代表性与广泛性，即样本的选取要恰当，样本容量越大，越能较好地反映总体的情况。（代表性：总体是由有明显差异的几个部分组成时，每一个部分都应该按照一定的比例抽取到） （3）实际调查中常常采用抽样调查的方法获取数据，抽样调查的要求是什么？ ①总体中每个个体都有相等的机会被抽到；②样本容量要适当. 例2、〔1〕判断下面的调查属于哪一种方式的调查。 ①为了了解七年级（22班）学生的视力情况（全面调查） ②我国第六次人口普查（全面调查） ③为了了解全国农民的收支情况（抽样调查） ④灯泡厂为了掌握一批灯泡的使用寿命情况（抽样调查） 〔2〕下面的调查适合用全面调查方式的是 . ①调查七年级十班学生的视力情况；②调查全国农民的年收入状况； ③调查一批刚出厂的灯泡的寿命；④调查各省市感染禽流感的病例。 〔3〕为了了解某七年级2000名学生的身高，从中抽取500名学生进行测量，对这个问题，下面的说法正确的是〔〕 A、2000名学生是总体 B、每个学生是个体 C、抽取的500名学生是样本 D、样本容量是500〔4〕请指出下列哪些抽查的样本缺少代表性： ①在大学生中调查我国青年的上网情况； ②从具有不同文化层次的市民中，调查市民的法治意识； ③抽查电信部门的家属，了解市民对电信服务的满意程度。 Ⅱ、数据的整理1、表格整理2、划记法
简单的数据收集与整理
---------------------------------------------------------------最新资料推荐------------------------------------------------------ 简单的数据收集与整理 第一课时： 收集数据、认识简单的统计表教学内容： 教材第 2 页的例 1 和练习一的第 1、 2 小题。 教学目标： 1、让学生经历数据的收集、整理、分析和做出判断的过程，体会统计的必要性； 2、认识简单的统计表，能根据统计表回答一些简单的问题； 3、学会与他人合作，积累解决问题的经验，体会数学与生活的密切联系。 教学重点： 学会收集数据，认识简单的统计表。 教学难点： 能根据统计表回答一些简单的问题。 教学过程： 一、创设情境，引入新课师： 同学们，新的学期开始了，学校要给同学们定做校服，有下面 4 种颜色，出示例1 中的四种颜色。 选哪种颜色合适呢？生： 选大多数同学喜欢的颜色。 师： 怎么知道哪种颜色是大多数同学最喜欢的呢？生： 1/ 8
可以在全校的同学们中去调查一下。 生： 全校学生有那么多，怎样调查呢？生： 我觉得可以先在班里进行调查。 生： 还可以现在组内进行调查。 师： 你们真聪明，你们刚才说的调查，其实也就是进行统计。 揭示课题： 统计。 要统计出喜欢每种颜色的学生人数，首先要进行数据的收集过程。 下面我们就一起来调查喜欢每种颜色的学生人数。 二、亲历统计过程，体会收集数据的形式和过程。 1、收集数据。 师： 在这四种颜色中，你最喜欢哪种颜色？为什么？师： 要想知道喜欢哪种颜色的同学最多？我们应该怎样调查呢？生： 自由发言。 师： 我们可以采用举手、起立、画、○ 作记号等很多方式来收集
基因表达谱测序
基因表达谱测序 背景介绍 基因表达谱分析利用HiSeq 2000高通量测序平台对mRNA进行测序，获得10M读长为49nt的原始reads，每一个reads可以对应到相应的转录本，从而研究基因的表达差异情况。与转录组测序相比，基因表达谱分析要求的读长更短，测序通量更小，仅可用于基因表达差异的研究。该方法具有定量准、可重复性高、检测阈值宽、成本低等特点，能很好的替代以往的数字化表达谱分析。 技术路线
生物信息学分析 送样要求 样品要求 1. 所需Total RNA 的量均不少于 20μg/文库，Total RNA 可以保存在DEPC 处理过的水中、75%的乙醇、异丙醇中，具体以什么方式保存请注明。 2. 如提供实验材料为动物组织材料，样品质量需大于2g ； 3. 如提供实验材料为植物样品，样品质量需大于4g ； 4. 如提供实验材料为培养细胞，请提供1×107培养好的细胞； 5. 如提供实验材料为血液样品，请提供≥2ml 的样品。 我们强烈建议在送样的同时客户做好备份，以备后续实验之用。 样品纯度要求 1. OD 260/OD 280在1.8- 2.0之间，RNA 无降解、28S 和18S 核糖体RNA 条带非常亮且清晰（其
大小决定于用于抽提RNA的物种类型），28S的密度大约是18S的2倍；Agilent 2100检测仪分析RNA完整性数据RIN≥8。 2. 无蛋白质、基因组DNA污染，如有污染请去蛋白并进行DNase I处理。 请提供至少一种样品的凝胶电泳或者Agilent 2100检测仪检测图片，并注明其浓度、体积、OD260/OD280、溶剂名称、制备时间、物种来源以及特别备注。最终以我方定量、质检为准。 样品采集 为了保证提取RNA的完整性，确保后续实验的顺利进行，请务必确保样品的新鲜，对于如何确保样品的新鲜针对不同的样品获取材料的方法如下： 1. 动物组织：从活体上迅速的取下组织（切成黄豆粒大小的块状），每切成一个黄豆粒大小的块状立即放入液氮中，重复上述操作，直至足够提取总RNA的量；准备一个50ml的离心管，做相应的标记（样品名称、编号、客户姓名、时间），最好既在管盖上做好标记，也在管壁上做好相应的标记，先放入液氮中预冷2-3min，拿出离心管（离心管的下部分还是保持在液氮中），打开离心管的盖子，将液氮中黄豆粒大小的块状收集进离心管中。 2. 植物组织： （1）如所采集的是果实、麦穗等体积偏大的样品，收集样品请参照1.动物组织取样方法；（2）如采集的是叶片等体积偏小的样品，请尽量采集嫩叶、幼芽等，每采集一片叶片立即放入液氮中，直至足够提取总RNA的量，后续操作请参照动物组织的采集。 （3）如是植物的花，在采集花骨朵的时候请尽量不要采集到花萼、叶片等，每采集一个花骨朵请立即放入液氮中，直至足够提取总RNA的量；后续操作请参照动物组织的采集。3. 如提供实验材料为菌丝体，请取500μl的菌液于1.5ml离心管中，离心去上清，剩余菌丝体放入液氮或干冰中，请提供不少于5管的菌丝体。 样品运输 从液氮中取出准备好的样品，请立即放入干冰中，并用干冰掩埋好样品。请填写完整订单，放入自封袋中与样品一起邮寄。为防止RNA的降解，请确保干冰的量足够运送到目的地。我们强烈建议在寄送RNA样品时将RNA保存在75%的乙醇或异丙醇中。 如是特殊样品，关于送样量和保存问题请与我们联系沟通，以便双方共同协商解决。 提供结果 根据客户需求，提供不同深度的信息分析结果。
第24章 基因表达谱分析的生物信息学方法思考与练习参考答案
第24章 基因表达谱分析的生物信息学方法 思考与练习参考答案 1．据教材表24–3提供的数据信息可以构建一棵决策树，请利用最大信息增益方法写出如何选出根结点中用于分割的特征。 教材表24-3 天气情况与是否去打球的关系数据集 注：该信息表示根据天气情况决定是否出去打球，数据集共包含14个样本，两个类别信息（Yes 、No ），每个样本包含3 个特征信息（Outlook 、Temp 、Windy ）。 解：计算用每一个特征进行分割时所获取的信息增益，取信息增益最大的那个特征作为分割特征，以Outlook 特征为例计算（参照练习图24-1） 练习图24-1 同Outlook 特征进行分割所获得的信息增益 )14 9 log 149145 log 145()(220+-=S H
)5 2 log 5253 log 53()(2211+-=S H 0)4 4 log 44()(212=-=S H )52 log 5253 log 53()(2213+-=S H )(14 5 )(144)(145)(1312111S H S H S H S H ++= infor-gain （Outlook ）=)()(10S H S H - 同理，计算其他两个特征的信息增益，最后从三个值中选取最大的一个对应的特征作为根结点的分割特征。 2．请从https://www.sodocs.net/doc/a57620742.html,/上下载一原始未经标准化的表达谱数据，并对该数据进行如下分析： （1）对数据进行标准化处理。 （2）对数据进行分类分析。 （3）分别对基因和样本进行聚类分析。 （4）选择特征基因。 （答案略）
数据采集方法有哪些
数据采集方法有哪些 数据采集数据采集（DAQ），是指从传感器和其它待测设备等模拟和数字被测单元中自动采集非电量或者电量信号，送到上位机中进行分析，处理。数据采集系统是结合基于计算机或者其他专用测试平台的测量软硬件产品来实现灵活的、用户自定义的测量系统。 数据采集，又称数据获取，是利用一种装置，从系统外部采集数据并输入到系统内部的一个接口。数据采集技术广泛应用在各个领域。比如摄像头，麦克风，都是数据采集工具。被采集数据是已被转换为电讯号的各种物理量，如温度、水位、风速、压力等，可以是模拟量，也可以是数字量。采集一般是采样方式，即隔一定时间（称采样周期）对同一点数据重复采集。采集的数据大多是瞬时值，也可是某段时间内的一个特征值。准确的数据测量是数据采集的基础。数据量测方法有接触式和非接触式，检测元件多种多样。不论哪种方法和元件，均以不影响被测对象状态和测量环境为前提，以保证数据的正确性。数据采集含义很广，包括对面状连续物理量的采集。在计算机辅助制图、测图、设计中，对图形或图像数字化过程也可称为数据采集，此时被采集的是几何量（或包括物理量，如灰度）数据。 在互联网行业快速发展的今天，数据采集已经被广泛应用于互联网及分布式领域，数据采集领域已经发生了重要的变化。首先，分布式控制应用场合中的智能数据采集系统在国内外已经取得了长足的发展。其次，总线兼容型数据采集插件的数量不断增大，与个人计算机兼容的数据采集系统的数量也在增加。国内外各种数据采集机先后问世，将数据采集带入了一个全新的时代。 现在谈论大数据已经没有新意了，形形色色的产品、平台和公司都贴满大数据标签，但大数据却并没有掀起预期飓风，甚至还被冠以“伪命题”污名。 本末倒置，数据采集才是大数据产业的基石。都在说大数据应用、大数据价值挖掘，却不想，没有数据何来应用、价值一说。就好比不开采石油，一味想得到汽油。当然，石油开采并不容易，各行各业包括政府部门的信息化建设都是封闭式进行，海量数据被封在不同
三年级下册数学 数据的收集和整理(一)
第1课时数据的收集和整理（一） 教学目标： 1.体验数据的收集、整理、描述和分析的过程，学会用统计表表示数据整理的结果，体验统计结果在不同分类标准下的多样性。 2.能根据统计表中的数据提出、回答简单的问题，同时能够进行简单的分析。教学重点： 按不同标准分类整理数据，并学会用统计表来表示数据整理的结果。 教学难点： 根据统计的需要，正确地分类收集整理数据。 教学准备：课件 教学过程： 一、情境引入 提问：同学们，记得自己的生日在几月份吗？ ××蛋糕店想做一个市场调查，想在学生生日最多的月份做一个促销活动，你能告诉××蛋糕店的老板，我们学校的学生哪个月出生的人数最多，哪个月出生的人数最少吗？ 指名学生回答，并说出理由。 提问：你们刚才说的只是自己的猜测，怎样才能知道哪个月出生的人数最多，哪个月出生的人数最少呢？ 学生可能回答：调查全校学生的生日。 追问：如果我们现在要把信息反馈给蛋糕店，你觉得调查全校的学生这个方法怎么样？ 学生自由发言。 教师适时小结并揭题。 二、交流共享 1.讨论收集数据方法。 （1）提问：刚才我们确定了要在班级里进行调查，我们班级的人数也不少，要怎样调查呢？你有什么好的方法？ 学生讨论收集数据的方法。
（2）出示统计表，学生分小组调查每个月出生的人数，并把结果记录在表里。 月份1月2月3月……11月12月 人数 提问：可以用什么办法完成这张统计表呢？ 小组统计，教师巡视指导。 2.汇总数据。 （1）汇报交流。 分小组指派代表出示表格，并说说自己小组一共几个人，哪个月出生的人数最多，哪个月出生的人数最少。 提问：仔细观察，你们小组哪个月出生的人数最多、哪个月出生的人数最少和其他小组的一样吗？ 引导思考：刚才我们得到每个小组的统计结果，想一想，可以怎样汇总全班的数据呢？ 学生交流，指名回答：先把每个小组的同一月份的数据相加，再汇总成一张表格，即全班同学的生日月份汇总表。 （2）按月份汇总。 师生共同汇总，教师将最终的汇总结果填入下表中。 月份1月2月3月……11月12月 人数 提问：从这张统计表中，我们可以知道些什么？学生自由发言，说出自己的发现。 追问：我们班哪个月出生的人数最多，哪个月出生的人数最少？ 师：从统计表中你能看出全班共有多少人？怎样计算？ （3）按季度汇总。 提问：一年分成几个季度，你知道是哪几个季度？××蛋糕店还想调查每个季度中，哪个季度出生的人数最多，哪个季度出生的人数最少。如果上面的数据按季度分类，应该怎样设计统计表？ 出示下表： 季度第一季度第二季度第三季度第四季度 人数
大数据技术及应用题库
大数据技术及应用题库 单选题: 1从大量数据中提取知识的过程通常称为（A）。 a. . 数据挖掘 b. . 人工智能 c. . 数据清洗 d. . 数据仓库 2下列论据中，能够支撑“大数据无所不能”的观点的是（A）。 A、互联网金融打破了传统的观念和行为 B、大数据存在泡沫 C、大数据具有非常高的成本 D、个人隐私泄露与信息安全担忧 3数据仓库的最终目的是（D）。 a. . 收集业务需求 b. . 建立数据仓库逻辑模型 c. . 开发数据仓库的应用分析 d. . 为用户和业务部门提供决策支持 4大数据处理技术和传统的数据挖掘技术最大的区别是（A）。
a. . 处理速度快（秒级定律） b. . 算法种类更多 c. . 精度更高 d. . 更加智能化 5大数据的起源是（C）。 a. . 金融 b. . 电信 c. . 互联网 d. . 公共管理 6大数据不是要教机器像人一样思考。相反，它是（A）。 a. . 把数学算法运用到海量的数据上来预测事情发生的可能性 b. . 被视为人工智能的一部 c. . 被视为一种机器学习 d. . 预测与惩罚 7人与人之间沟通信息、传递信息的技术，这指的是（D）。 a. . 感测技术 b. . 微电子技术 c. . 计算机技术 d. . 通信技术
8数据清洗的方法不包括（D）。 a. . 缺失值处理 b. . 噪声数据清除 c. . 一致性检查 d. . 重复数据记录处理 9. 下列关于舍恩伯格对大数据特点的说法中，错误的是（D） A. 数据规模大 B. 数据类型多样 C. 数据处理速度快 D. 数据价值密度高 10规模巨大且复杂，用现有的数据处理工具难以获取、整理、管理以及处理的数据，这指的是（D）。 a. . 富数据 b. . 贫数据 c. . 繁数据 d. . 大数据 11大数据正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的（D）。 a. . 新一代信息技术 b. . 新一代服务业态
16种常用数据分析方法
一、描述统计描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策 树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W 检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数（如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数卩与已知的某一总体均数卩0 （常为理论值或标准值）有无差别； B 配对样本t 检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似； C 两独立样本t 检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。 适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10 以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析用于分析离散变量或定型变量之间是否存在相关。对于二维表，可进行卡 方检验，对于三维表，可作Mentel-Hanszel 分层分析列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。 五、相关分析 研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。 1、单相关：两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量； 2、复相关：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以
数据收集方法
数据收集方法
数据收集的方法 和其他领域的研究一样，当我们选定了相应的研究设计之后，一个重要的问题就是如何能准确有效地收集数据，以客观而全面地反映所要研究的心理行为问题的真实状况。在心理学的研究中，通常收集数据的方法包括观察法、访谈法、问卷法、测验法、语义分析法、内容分析法等等，作为心理学研究的一个领域，学校心理学研究通常也采用这些方法，特别是观察法、访谈法、问卷法、测验法、个案研究等。 一、观察法 观察法是研究者通过感官或一定的仪器设备，有目的、有计划地观察儿童的心理和行为表现，并由此分析儿童心理和行为特征和规律的一种方法。 儿童的心理活动有突出的外显性，通过观察其外部行为，可以了解他的心理特征。因此，观察法是学校心理学研究的最基本、最普遍的一种方法。 (一)观察的类型 由于观察的目的不同，可以将观察法分为不同的类型。 1. 自然观察与实验观察 根据观察的数据是在自然条件下取得的，还是在人为干预条件下获得的，观察法可以分为自然观察和实验观察。所谓自然观察法是指在自然的状态下，对儿童的各种心理和行为表现进行观察，搜集研究资料的一种方法。它能够收集到观察对象在日常生活中的真实、典型、一般的行为表现，但这种方法使观察者比较被动，也难于揭示儿童的许多在自然状态下不易表现出来的心理特点。实验观察法指通过人为地改变和控制一定的条件，有目的地引起被研究者的某些心理和行为表现，以便在最有利的条件下对它们进行观察，收集有关研究资料的一种方法。比如，要研究儿童的助人行为，单靠自然观察显然是很困难的，研究者常会创设一定的情境，观察儿童在这种情境下的助人行为的状况，实际上，实验观察法就是我们常说的实验法。 2. 参与观察与非参与观察
数据的收集和整理
数据收集整理 宁武县实验小学教师马利先 【设计理念】 数学课程标准指出，在教学中应借助日常生活中的例子，让学生经历简单的数据统计过程，对数据的收集、整理、描述和分析过程有所体验，加强与同伴的合作与交流，并对统计结果做出恰当的判断与预测。同时教师要关注学生在活动中的情感需求和交往表现，使学生在知识与技能、过程与方法、情感态度与价值观三个方面获得可持续发展。 【教材分析】 本单元的学习内容，是让学生经历简单的收集、整理和描述、分析数据的过程，为学生进一步学习统计与概率领域的内容打好基础。教材通过创设具体的情境让学生体会到统计的必要性。从生活情境中，让学生自己去收集、整理数据，体验统计的过程。之后在合作整理并制作统计表过程中，体验获得统计结果的成功。 【学情分析】 在学习本单元之前，学生已经积累了一定的认数、计算以及把一些物体简单分类的经验，这些是学习统计知识的重要基础。教学时让学生在动手实践的活动中学会收集和整理数据的基本方法，读懂简单的统计表，并能从信息中提出问题，体会统计和生活的联系。 【教学内容】 <<义务教育课程标准实验教科书数学》（人教版）二年级数学下册教材2—6页。 【教学目标】 1.使学生初步认识简单的统计表，能根据统计表中的数据提出并回答简单的问题，并能够对数据进行简单的分析。 2.使学生经历、体验数据的收集、整理、描述和分析的过程，了解统计的意义，会用简单的方法收集和整理数据。 【教学重点】 认识简单的统计表，并能根据统计表中的数据提出并回答简单的问题，能对数据进行简单的分析。 【教学难点】 理解统计表，能对数据进行简单的分析。 【教具学具】 教具准备：课件，统计图表
基因表达谱芯片的数据分析
基因表达谱芯片的数据分析(2012-03-13 15:25:58)转载▼ 标签：杂谈分类：生物信息 摘要 基因芯片数据分析的目的就是从看似杂乱无序的数据中找出它固有的规律, 本文根据数据分析的目的, 从差异基因表达分析、聚类分析、判别分析以及其它分析等角度对芯片数据分析进行综述, 并对每一种方法的优缺点进行评述, 为正确选用基因芯片数据分析方法提供参考. 关键词: 基因芯片; 数据分析; 差异基因表达; 聚类分析; 判别分析 吴斌, 沈自尹. 基因表达谱芯片的数据分析. 世界华人消化杂志2006;14(1):68-74 https://www.sodocs.net/doc/a57620742.html,/1009-3079/14/68.asp 0 引言 基因芯片数据分析就是对从基因芯片高密度杂交点阵图中提取的杂交点荧光强度信号进行的定量分析, 通过有效数据的筛选和相关基因表达谱的聚类, 最终整合杂交点的生物学信息, 发现基因的表达谱与功能可能存在的联系. 然而每次实验都产生海量数据, 如何解读芯片上成千上万个基因点的杂交信息, 将无机的信息数据与有机的生命活动联系起来, 阐释生命特征和规律以及基因的功能, 是生物信息学研究的重要课题[1]. 基因芯片的数据分析方法从机器学习的角度可分为监督分析和非监督分析, 假如分类还没有形成, 非监督分析和聚类方法是恰当的分析方法; 假如分类已经存在, 则监督分析和判别方法就比非监督分析和聚类方法更有效率。根据研究目的的不同[2,3], 我们对基因芯片数据分析方法分类如下: (1)差异基因表达分析: 基因芯片可用于监测基因在不同组织样品中的表达差异, 例如在正常细胞和肿瘤细胞中; (2)聚类分析: 分析基因或样本之间的相互关系, 使用的统计方法主要是聚类分析; (3)判别分析: 以某些在不同样品中表达差异显著的基因作为模版, 通过判别分析就可建立有效的疾病诊断方法. 1 差异基因表达分析(difference expression, DE) 对于使用参照实验设计进行的重复实验, 可以对2样本的基因表达数据进行差异基因表达分
新苏教版二下数学-《简单数据的收集和整理》教案备课讲稿
新苏教版二下数学-《简单数据的收集和整理》教案
《简单数据的收集和整理》教学设计 教学目标： 1．使学生经历收集整理数据、描述数据和分析数据的过程，初步了解一些收集和整理数据的方法，能用自己的方式描述数据，能根据统计结果提出或回答一些简单问题。 2．使学生经历从现实生活中调查和收集数据的过程，体验统计是解决实际问题的需要，感受数据蕴含的信息，培养初步的数据分析意识。 3．使学生在参与统计活动的过程中，获得一些成功的体验，感受统计活动的学习价值，培养乐于与同学合作的态度，激发对统计活动的兴趣。 教学过程： 一、谈话引入 谈话：同学们知道吗？牙齿是人的重要器官，要重视牙齿的保健。儿童最常见的牙病是龋齿，也就是人们常说的蛀牙。你有蛀牙吗？如果有，有几颗？其他同学呢？ 根据学生的回答，板书：没有、1颗、2颗、2颗以上。 讨论：要了解班级同学的蛀牙情况，可以怎样做？ 启发学生想到：可以分小组在班级里进行调查，并把每人的蛀牙情况记录下来。 揭示课题：简单数据的收集和整理。 【设计说明：从问题出发，引入“怎样了解班级同学的蛀牙情况”的问题，自然引起学生对班级同学蛀牙情况的兴趣，进而主动探寻解决问题的方法，既调动了学生参与学习活动的主动性和积极性，又有利于学生感受统计是解决问题的需要。】 二、自主探索 1．收集数据。
讨论：刚才我们提出了要通过调查了解同学们蛀牙情况的问题，请同学们想一想，如果在小组里调查，可以怎样做？ 明确方法：可以让每人在纸上写下自己蛀牙的颗数，再交给组长。 谈话：下面请大家把自己的蛀牙情况写下来交给组长，再选派一名同学按顺序报出本小组每个同学的蛀牙情况，其他同学记录。 学生按要求活动，教师巡视，并指导。 2．组织反馈。 谈话：你是怎样记录本小组同学的蛀牙情况的？请带着自己记录的结果，到投影仪前向大家介绍。 讲评：他是怎样记录的？你认为像他这样记录可以吗？ 提问：有不同的记录方法吗？ 指名用符号分类记录的同学展示和介绍，并适当讲评。 指名用画“正”字的方法记录的同学展示和介绍，并适当讲评。 在充分展示学生中出现的不同记录方法的同时，注意让每小组都有展示的机会。 【设计说明：组织学生讨论调查的方法，可以帮助学生切实感受通过调查获得数据的方法，激发他们参与调查活动的积极性；由一人报小组里每个同学的蛀牙情况，其他同学记录，可以让每一个学生都有机会参与到记录数据的过程中来，使学生在“游泳”中学会“游泳”，进而对收集并记录数据的过程和方法获得更深刻的体验。】 3．整理并表示数据。 谈话：刚才大家调查了本小组的情况，并想出很多记录数据的方法。（投影呈现各种不同的记录方法）请同学们观察这些记录结果，能从记录的数据中很清楚地看出你们小组同学的蛀牙情况吗？
基因表达谱芯片数据分析及其Bioconductor实现
基因表达谱芯片数据分析及其Bioconductor实现 1.表达谱芯片及其应用 表达谱DNA芯片（DNA microarrays for gene expression profiles）是指将大量DNA片段或寡核昔酸固定在玻璃、硅、塑料等硬质载体上制备成基因芯片，待测样品中的mRNA被提取后，通过逆转录获得cDNA,并在此过程中标记荧光，然后与包含上千个基因的DNA芯片进行杂交反应30min~20h后，将芯片上未发生结合反应的片段洗去，再对玻片进行激光共聚焦扫描，测定芯片上个点的荧光强度，从而推算出待测样品中各种基因的表达水平。用于硏究基因表达的芯片可以有两种：①cDNA芯片；② 寡核昔酸芯片。 cDNA芯片技术及载有较长片段的寡核昔酸芯片采用双色荧光系统：U前常用Cy3—dUTP （绿色）标记对照组mRNA, Cy5—dUTP （红色）标记样品组mRNAUl。用不同波长的荧光扫描芯片，将扫描所得每一点荧光信号值自动输入计?算机并进行信息处理，给出每个点在不同波长下的荧光强度值及其比值（ratio值），同时计算机还给出直观的显色图。在样品中呈高表达的基因其杂交点呈红色，相反，在对照组中高表达的基因其杂交点呈绿色，在两组中表达水平相当的显黄色，这些信号就代表了样品中基因的转录表达情况⑵。 基因芯片因具有高效率，高通量、高精度以及能平行对照研究等特点，被迅速应用于动、植物和人类基因的研究领域，如病原微生物毒力相关基因的。基因表达谱可直接检测mRNA的种类及丰度，可以同时分析上万个基因的表达变化，来揭示基因之间表达变化的相互关系。表达谱芯片可用于研究：①同一个体在同一时间里，不同基因的表达差异。芯片上固定的已知序列的cDNA或寡聚核昔酸最多可以达到30 000多个序列，与人类全基因组基因数相当，所以基因芯片一次反应儿乎就能够分析整个人的基因⑶。②同一个体在不同时间里，相同基因的表达差异。 ③不同个体的相同基因表达上的差异。利用基因芯片可以分析多个样本，同时筛选不同样本（如肿瘤组织、癌前病变和正常组织）之间差异表达的基因，这样可以避免了芯片间的变异造成的误差⑷。张辛燕⑸ 等将512个人癌基因和抑癌基因的cDNA用点样仪点在特制玻片上制成表达谱芯片，对正常人卵巢组织及卵巢癌组织基因表达的差异性进行比较研究，结果发现在卵巢癌组织中下调的基因有23个，上调的基因有15个，初步筛选出了卵巢癌相关基因。Lowe⑹等利用胰腺癌、问充质细胞癌等组织的cDNA制备基因芯片，筛选到胰腺癌细胞中高表达的基因，为医疗诊断、病理研究及新药设计 奠定基础。 2.表达谱芯片的数据处理技术
大数据技术及应用.doc
A:2015 年 8 月 31 日：《促进大数据发展行动纲要》B: 2015 年 12 月 29 日：《“互联网＋”行动的指导意见》C: 2017 年 7 月 8 日：《新一代人工智能发展规划》D: 2017年4月10日：《云计算发展三年行动计划（2017－ 2019 年）》E: 2015 年5 月 8 日：《中国制造2025》 2.【判断题】人工采集效率低、成本高、错误多。自动化采集 靠技术实现，效率高、采集的数据量大。对错 3.【多选题】数据资源向信息、知识、价值转换的流程可以概 括成 5 个环节：（）（）（）（）（）正确答案:[A,B,C,D] A:数据采集B:数据存储C: 数据处理D: 数据分析与挖掘E: 知识应用 4.【判断题】由于数据采集都是在多点进行的，数据存储也从 传统中央磁盘存储变成分布式云存储。云存储的优点是容量大、 费用低。对错
5.【判断题】数据是所表达的对象或事件的信息的载体，记录 了对象的属性特征。对错 6.【多选题】数据采集可以划分为（）和（）。 A: 人工采集B:自动化采集 7.【多选题】大数据有 3 个显著的特征： A:数据规模大B:数据变化快C:数据类型复杂 8.【多选题】大数据时代是（）（）（）（） 4 大技术领域齐 头并进发展的时代，也可称作“大智移云”时代。 A:大数据B:人工智能C: 移动互联网（或物联网） 云计算
9.【判断题】目前大数据存储的另一趋势是向数据中心集中， 以便于大数据的管理、集成和综合分析。对错 10.【多选题】大数据的产生是由于信息技术及应用的不断发 展和进步的几个阶段： A: 从信息系统应用的发展来看，80 年ERP系统用于企业管理，数据规模在MB；B: 90 年度信息技 术用于客户管理，即CRM 系统，数据规模达到GB 级；C: 2000 年互联网时代的Web技术使企业数据达到TB级；D: 近年来，互联网+物联网在企业中应用使数据达到PB级
基因表达谱聚类
基因表达谱聚类分析 [ 文章来源：| 文章作者：| 发布时间：2006-12-21| 字体：[大中小] 学习过程可以采用从全局到局部的策略。采取这种策略时，学习初期可设定较大的交互作用半径R ，随着学习过程的不断推进，逐步减小R ，直至不考虑对邻近单元的影响。邻域的形状可以是正方形或者圆形。 KFM 的聚类结果与K 均值相似，它的优点是自动提取样本数据中的信息，同时也是一种全局的决策方法，能避免陷入局部最小，缺点在于必须实现人为设定类的数目与学习参数，而且学习时间较长。KFM 方法克服了K- 均值聚类的一些缺点：它应用类间的全局关系，能提供大数据集内相似性关系的综合看法，便于研究数据变量值的分布及发现类结构。而且，它具有更稳健更准确的特点，对噪声稳定，一般不依赖于数据分布的形状。 8.4.2.5 其它聚类方法 聚类方法是数据挖掘中的基本方法，数据挖掘的方法很多，在基因表达谱的分析中，除了以上常用方法外，还有一些其它的方法。由于对聚类结果尚没有一种有效的方法进行评价，尤其是对聚类结果的进一步生物学知识发现尚没有新的分析思路和成功应用，因此，科学家们在不断地研究一些新方法。这些方法有不同的原理，能够提取不同数据特征，有可能对具体的数据得到更有意义的结果，发现更多的生物学知识。这里，简单介绍这些方法的原理，更详细的介绍请参看相关文献。 (1)模糊聚类分析方法:这是一种模拟人类的思维方法，通过隶属度函数来反映某一对象属于某一类的程度。基本思路是计算两两基因表达谱之间的相似性程度，构建模糊相似矩阵，利用模糊数学中的传递闭包计算方法得到模糊等价矩阵，选择不同的置信水平从模糊等价矩阵中构建动态聚类图。对于特定的置信水平，可以实现对基因表达谱的分类。该方法的优点是利用了模糊数学中的隶属度概念，能够更好的反映基因表达谱之间的相互关系，而且它是一种全局的优化方法，与向量的顺序无关。 (2)模糊C均值算法:该方法同样将模糊数学中的隶属度概念引入到常用的K 均值聚类方法中。对于K 均值算法，一个基因表达谱所属的类只有一个，因此，它与各类别的关系要么是 1 ，要么是0 ，即属于或不属于某一类。而对于模糊 C 均值法，一个基因表达谱是否属于某一类，是以隶属度来确定第i 个样本属于第j 类的可能性。最终的聚类结果取决于分析的目的，可以根据最大隶属度来确定基因表达谱的分类，即一个基因表达谱只属于一类；但往往是确定隶属度的阈值，只要大于该阈值，就可以将基因表达谱划分为该类，这样的划分结果是一个基因表达谱可以属于多个类，这也是可以被生物学家接受的。模糊 C 均值法与K 均值法的实现过程基本相同，所不同的是对于
大数据技术与应用专业讲课稿
大数据技术与应用专业 建设方案 北京四合天地科技有限公司 2018年6月
目录 1项目背景 (4) 1.1行业背景 (4) 1.2政策导向 (5) 2人才培养方案 (6) 2.1行业人才需求 (6) 2.2大数据岗位设置 (9) 2.2.1Hadoop运维工程师 (9) 2.2.2大数据开发工程师 (9) 2.2.3数据采集工程师 (10) 2.2.4系统开发工程师 (11) 2.3大数据人才基本技能要求 (11) 2.4人才培养目标 (12) 2.5人才培养策略 (12) 3教学现状分析 (13) 3.1教学科研难以保证 (13) 3.2实训环境缺失 (13) 3.3实训内容不足 (13) 4课程体系建设 (14) 4.1培养目标 (14) 4.2课程设置 (14) 5实训室建设 ............................................................................................... 错误!未定义书签。 5.1设计理念..................................................................................................... 错误!未定义书签。 5.1.1以就业为导向...................................................................................... 错误!未定义书签。 5.1.2以能力为本.......................................................................................... 错误!未定义书签。
16种常用的数据分析方法汇总
一、描述统计 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；
C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析 检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析 用于分析离散变量或定型变量之间是否存在相关。
数据的收集与整理教案
《数据的收集与整理》教案1 教学目标 一、知识与技能 经历简单的数据收集和整理过程，了解调查测量等简单的收集数据的方法，能用表格和条形图表示数据整理的结果。 二、过程与方法 通过对数据的简单分析，体会运用数据进行表达交流的作用，感受数据蕴含的信息。三、情感态度和价值观 在与同伴合作进行统计活动的过程中，增强合作意识，形成初步的实践能力。 单元教学重点：借助真实、贴近学生生活实际的情景，激发学生参与统计活动的兴趣。教学重点 学会分类整理数据的方法 教学难点 提高学生收集数据、整理数据和分析数据的能力，培养学生的数据分析观念。教学方法 小组合作 课前准备 课件 课时安排 1 教学过程 一、导入新课 1、学生观察情境图。 2、提出问题： 你能提出什么问题 二、新课学习 1、出示班级学生体检身高情况。 生：全班同学身高增长情况怎么样
师：我改怎样分析，才能看出身高情况 生：先调查一下每个同学的身高增长情况 需要测量出每人现在的身高 查一下去年的身高记录，算出身高增长几厘米 分小组进行调查填表 生交流 2、师：请把全班同学的身高增长情况整理一下吧 增长高度6cm及6cm以下,7、8、9、10及10cm以上人数（人） 3、小组合作绘制统计图。 你有什么发现 三、结论总结 这节课，我们主要学习了整理数据，把数据用统计表进行汇总，然后绘制出统计图。 四、课堂练习 1.将全班同学分成3组，测量本组同学的头围，然后回答问题。 （1）说一说，你打算怎样记录测量结果 （2）涂一涂，填一填。 2.王阿姨的冷饮店8月份第二个星期卖出冷饮情况记录如下：
（1）涂一涂。 （2）从图中你可以知道哪些信息 （3）假如你是王阿姨，打算怎样进货说说你的理由。 3.在全班进行一次“妈妈的属相”小调查。 你发现了什么 4. （1）准备一张长24厘米、宽10厘米的纸和一些硬币，与小组同学一起做搭拱形纸桥的实验。 （2）变化“桥墩”的距离，记录纸桥最多能放硬币的个数。 （3）涂一涂。 （4）观察统计图，你发现了什么与同学交流一下。 五、作业布置 三（1）班进行“我的梦想”调查，调查情况记录如下 六、板书设计 数据的收集与整理