Gene function prediction from synthetic lethality networks via ranking on demand.

MOTIVATION: Synthetic lethal interactions represent pairs of genes whose individual mutations are not lethal, while the double mutation of both genes does incur lethality. Several studies have shown a correlation between functional similarity of genes and their distances in networks based on synthetic lethal interactions. However, there is a lack of algorithms for predicting gene function from synthetic lethality interaction networks. RESULTS: In this article, we present a novel technique called kernelROD for gene function prediction from synthetic lethal interaction networks based on kernel machines. We apply our novel algorithm to Gene Ontology functional annotation prediction in yeast. Our experiments show that our method leads to improved gene function prediction compared with state-of-the-art competitors and that combining genetic and congruence networks leads to a further improvement in prediction accuracy.

高山松的群体历史及其适应性进化研究

物种形成一直以来是进化生物学的一个中心议题。因为杂交能够快速创造出新的遗传变异和提高基因组重组率，加速物种形成和适应性进化，所以杂交物种形成是其重要的组成部分。但是直到最近几年，人们才逐渐意识到同倍体杂种形成的重要性和普遍性。此外，人工杂交种群结果证实了杂种的适应性起源于亲本基因的超亲分离现象，这些基因之间通过加和效应或上位效应相互连锁，并在杂种后代中逐渐固定，因此，探讨维持这种适应机制的杂种的连锁不平衡模式就显得尤为重要。到目前为止，关于自然杂种的核苷酸多态性和连锁不平衡结构的报道非常稀见，对杂种的进化历史知之更少。高山松能生长于亲本种不能正常繁殖生长的青藏高原上，这种极端环境为杂种的适应性进化和与亲本的生态隔离造就了绝佳的条件，其生态和生殖的稳定性极大地方便了我们研究植物物种形成和适应性进化的遗传机理，对高山松开展的生态学、遗传学的系列分析已使高山松成为同倍体杂种形成的经典范例。 该论文通过随机挑选7个核基因位点对5个高山松群体、3个油松群体和3个云南松群体的164个大配子体单倍体基因组进行了核苷酸多态性分析。研究发现：所有基因座位的单倍型组成和基因谱系的拓扑结构都支持高山松的多次杂交起源。高山松的平均核苷酸多态性与油松相当，θW达到0.0107;比云南松高出一倍;高于已报道的裸子植物类群遗传变异水平。高山松如此高的遗传多态性与其杂交特性和有效群体大有关。我们运用分子钟和共祖模拟分析，推测出高山松的有效群体为7.32 x 105。等位基因共祖时间模拟分析发现，杂交过程早于青藏高原的隆升，也即是说，在杂种稳定成种以前，两个亲本种之间存在广泛的渐渗杂交。此外，高山松杂种的群体间分化严重，并且在不同的群体中，我们找到了多个偏离中性的基因座位。由此说明，高山松复杂的进化历史和适应的策略区域化。 在显著偏离中性的基因座位上，选取群体历史清晰的高山松群体，对其全基因序列多态性和连锁不平衡结构进行了深入调查，以期找到选择作用位点或区域。Ara-like和Dhn1两个基因在高山松与亲本之间都没有发现固定变异。在高山松中，Ara-like基因和Dhn1基因核苷酸多态性式样和连锁不平衡结构存在明显差异，这说明在两个基因上选择作用的程度和方向不尽相同。 我们对Dhn1基因的多态性分布、LD结构和中性偏离水平进行了分析，结果表明，该基因可能在PdNX和PdLZ群体中受到平衡选择的作用。从Dhn1基因谱系结构可以看出有两种来源的等位基因造成这种平衡多态性，一种属于祖先类型，另一种是从云南松继承衍生而来。这两种等位基因之间的分化很大，极有可能造成编码蛋白的亚功能化。事实上，Dhn1编码的脱水蛋白在植物对环境的抗逆过程中发挥着重要作用。由此我们推测高山松在高海拔极端环境中的适应性进化与Dhn1基因的平衡作用有关。 对Ara-like和Dhn1基因进行HKA检测，结果表明，与Dhn1基因相比，在Ara-like基因上，双维管束亚属与单维管束亚属之间存在显著分化，沉默突变位点的分化Ksil达到了0.1392，远远高于平均水平0.0508;在双维管束亚属共发现了43个固定突变位点，其中有6个能导致氨基酸突变，它们有可能导致了Ara-like基因功能的分化。结合裸子植物近缘物种间共享多态性的普遍性，我们推测Ara-like基因可能在单维管束亚属中的进化速率加快，暗示其在单维管束亚属中的适应性进化。 最后，基因内连锁不平衡分析结果显示，随机筛选的基因座位之间不存在连锁不平衡。高山松平均的基因内LD程度非常低，仅有18%的信息位点之间显著连锁。平均基因内LD在油松和高山松中的衰减速率很快，尤其在杂种中下降最快，在不到200bp以内就降到0.1以下。 LD的结果印证了高山松的有效群体大和多次起源特性。另外，我们也怀疑杂交物种形成过程中染色体组的重组和重排频繁发生，也是造成自然杂种现有群体的LD水平低的一个主要原因。 通过LD衰减曲线估计高山松的平均单位重组率,比亲本油松高17倍，比云南松高45倍。这个结果表明，杂种共适应的基因间要维持超亲分离，需要强烈的自然选择压力，才能保持它们之间的连锁不平衡。

A robust Bayesian two-sample test for detecting intervals of differential gene expression in microarray time series.

Understanding the regulatory mechanisms that are responsible for an organism's response to environmental change is an important issue in molecular biology. A first and important step towards this goal is to detect genes whose expression levels are affected by altered external conditions. A range of methods to test for differential gene expression, both in static as well as in time-course experiments, have been proposed. While these tests answer the question whether a gene is differentially expressed, they do not explicitly address the question when a gene is differentially expressed, although this information may provide insights into the course and causal structure of regulatory programs. In this article, we propose a two-sample test for identifying intervals of differential gene expression in microarray time series. Our approach is based on Gaussian process regression, can deal with arbitrary numbers of replicates, and is robust with respect to outliers. We apply our algorithm to study the response of Arabidopsis thaliana genes to an infection by a fungal pathogen using a microarray time series dataset covering 30,336 gene probes at 24 observed time points. In classification experiments, our test compares favorably with existing methods and provides additional insights into time-dependent differential expression.