个人答辩陈述在线视频

好 请陈阳同学

介绍一下吴佳欣同学的情况

好 吴佳欣

吴佳欣同学是1987年4月份

出生于北京市海淀区

2005年9月份

考入北京交通大学

校级理科实验班

2009年7月份本科毕业

并获得工学学士学位

2009年9月份

又进入到清华大学

自动化系控制科学与工程专业

攻读硕士学位

在2012年9月份硕转博

在李衍达老师的指导下

开展博士学位阶段的学习

在研究生期间

一共是完成了

总学位是48个学分

发表SCI论文五篇

其中第一作者论文是四篇

她今天的学位论文题目是

整合多基因组学数据

识别致病遗传变异

好 那请李梢老师来主持

好 下面请吴佳欣同学

进行博士学位论文答辩

不超过四十分钟

好的

各位老师好

欢迎各位老师在百忙之中

参加我的博士论文答辩

我的博士论文题目是

整合多基因组学数据

识别致病遗传变异

首先我为老师介绍一下

我的研究背景和意义

遗传变异被认为是

影响人类个体差异的

主要因素之一

因此识别人类

遗传疾病的致病变异

是医学遗传学的重要目标

对于人类的遗传疾病

我们的研究对象是最重要的

也是总常见的一类

导致疾病的变异SNP

它是指单个碱基发生置换 插入

删除等事件引起的DNA多态性

nsSNP作为SNP中的一种

它位于编码区

它的发生会改变所编码的蛋白质

因而可能会引起疾病

现阶段研究中发现

参与人类遗传性疾病的变异中

超过一半属于nsSNP

因此在我们的前两个研究中

我们主要围绕着nsSNP展开

传统预测SNP致病性的方法

主要有连锁分析和关联分析

连锁分析的主要缺点

是它需要庞大的家系数据

而且它只适用于单基因疾病

不适用与复杂疾病

它的预测效果比较差

关联分析需要大量正常人

和患者的数据

它不适用于检测罕见变异

而且关联分析

分析出来那些关联变异

很有可能不是真正的致病变异

而是与致病变异相关联的变异

所以它的预测结果

能力也是有限的

进而人们想到

就是利用nsSNP自身的特性

和数据库的特性

然后建立模型

预测改变蛋白质功能的nsSNP

这种问题一般被建模为

一个二值分类问题

首先是利用蛋白质

利用蛋白质的序列信息

或者结构信息

或者注释信息

然后作为特征

然后利用机器学习

或者统计学习算法

然后建立模型

最后预测nsSNP

是否导致蛋白质功能

但是它也有一些缺点

首先不是所有影响

蛋白质功能的nsSNP

一定是致病的

而且并不知道nsSNP

具体导致哪种疾病

随着测序技术的发展

我们可以

全外显子测序技术

可以经济且高效地检测常见变异

罕见变异和新生突变

因而其大规模的被应用在

寻找致病变异 帮助临床诊断

辅助精准医疗上

那么全外显子组测序技术

主要包括这个外显子捕获部分

以及目标区域扩增

和高通量测序部分

本文的研究内容是这样的

本研究涉及现在热点的精准医疗

和全外显子组测序技术

通过整合多种基因组数据

和疾病表型相似数据

研究识别指定疾病的

致病的遗传变异的方法

创建收集全基因组变异

及其功能影响分数的数据库

为理解疾病的遗传基础提供帮助

并促进了疾病的预防 诊治

和个性化治疗

首先我为老师

介绍我的第一个工作

整合多种相似性网络

识别致病遗传变异

我将识别这个未知的nsSNP

与疾病之间的这个关联

建模为一个二值分类问题

首先我建立了

若干个nsSNP的相似性网络

随后我建立了

若干个疾病表型相似性网络

我选定某一个nsSNP相似性网络

和某一个疾病表型相似性网络

在这个时候

我算它的未知的nsSNP

和疾病的关联

与已知关联的nsSNP

已知关联的SNP和疾病的之间的

最大相对关联分数

然后我遍历所有的

nsSNP的网络和疾病的网络

然后可以计算出

若干个最大相对关联分数

然后我利用这些

最大相对关联分数作为特征

最后训练逻辑回归模型

那么可以看出

我所有的算法

主要分为三部分

那么第一部分是

建立nsSNP的相似性网络

第二部分是

建立疾病表型相似性网络

第三部是

计算最大相对关联分数

那么对于nsSNP相似性网络来说

我主要采用

基于蛋白质序列计算的

44个nsSNP特性

那么这个44个nsSNP特性

是由6个物理化学特性

在7个不同的情形下

分别计算出来的

然后最后还计算了

两个保守性分数

然后我们采用了两种分组方式

然后分别计算

nsSNP的相似性网络

第一个是基于不同物理化学

特性的分组

然后还有保守性分数

这样我们一共可以分为7组

最后建立了7个相似性网络

第二种分组方式

是我们基于不同计算的情形分组

然后还以及保守性的分数

这样最后我们算出来了

8个相似性网络

对于疾病表型相似性网络

我们主要采用了两种

第一种是利用于这个

医学主题词汇表

然后提取OMIM数据库中

每个疾病记录的标准词汇

出现的次数

然后综合考虑

每个标准词汇的信息量

计算任意两个疾病表型的相似性

第二个是我们基于

人类表型本体库

提取OMIM数据库的

每个疾病记录中的标准词汇

然后利用自然语言处理算法

计算任意两个疾病

对应的词语集合之间的相似性

然后最终我们得到了

5080个疾病间的表型相似性网络

对于建立预测模型这一部分

首先我们给定一种

nsSNP相似性网络

和一种疾病表型相似性网络

那么未知关联的nsSNP和疾病

与已知关联的nsSNP

和疾病的相对关联强度

定义为SNP之间的相似性

和疾病之间的

相似性的几何平均值

然后这样的话

我们遍历所有已知的

nsSNP和疾病之间的关系

疾病之间的关联

然后我们去计算

最大的相对关联分数

这样在遍历了

nsSNP所有的相似性网络

和所有的疾病表型

相似性网络之后

我们就可以得到

若干个最大相对关联分数

然后进行建模

本文的验证和评估方法是这样的

首先我们采用两种

大规模的10倍交叉验证实验

那么实验1

是验证对遗传基础部分

已知的疾病的预测效果

那么这个实验中的时候

我们选取10%的已知的疾病

和nsSNP的关联

作为阳性测试集

那么实验2是

验证对遗传基础

完全未知的疾病的预测效果

在这种预测效果

这种预测下

我们首先选出百分之十的疾病

作为遗传基础完全未知的疾病

然后我们隐藏所有

跟这些疾病相关的

nsSNP的这些关联

然后我们利用隐藏的这些关联

作为阳性测试集

那么评估方法

我们一共选用了四个

首先第一个就是预测的准确度

还有ROC曲线的面积

然后其次还有两个

第一是平衡误码率

第二个是马修斯相关系数

后面的这两个

主要是针对

在那个样本数量不平衡的时候

然后进行的

然后进行评估的两种方法

那么这四个方法来说

ACC和AUC

还有MCC是越大越好

平衡误码率BER是越小越好

本工作从SwissPort数据库中

从SwissPort数据库中

搜集到了6304个正常的nsSNP

和与390种疾病相关联的

8200个致病nsSNP

然后可以从图中看到

然后实验1的颜色是绿色

它是实验1的结果

然后实验2的结果是黑色

然后那个

就是这个箱线图的结果

是10次随即打乱

nsSNP相似性网络的结果

然后我们也可以看出这个

我们的算法

还有比较好的预测性

第二个是

对于某一种指定的疾病

我们想研究从候选集中

识别与指定的疾病

相关联的致病nsSNP

这样我们一共选

这样我们一共设了三个候选集

第一个后选集是由待验证nsSNP

和正常nsSNP组成的正常候选集

第二个是由待验证的nsSNP

和导致其他疾病的nsSNP

组成的疾病侯选集

那么第三个是

合并上面所有的

组成的合并候选集

然后我们选用了

一个评判标准是MRR

它指的是

就是与这个指定疾病相关连的

所有验证的这个nsSNP

它排序的平均排序比率

也就是说如果一个nsSNP

它排序在很前面的话

它的排序比率就应该很小

然后这样我们算它

对于一个疾病

所有的这些nsSNP的平均值

然后就

所以因此这个MRR值

它是越小越好

然后我们可以看到

这个黑色实线的为实验的结果

然后这个箱线图

也是为随机的结果

那么最后呢

我们要通过这个评判指标

在随即打乱nsSNP一类特征后

进行验证的这个

进行验证之后的这种改变量

然后来评估每一维

nsSNP的特征重要性

那么在第一种分组方式下

我们是基于物理化学特性分组的

我们看出这个物理化学特性

基本上没有起到任何作用

比较起到作用的

基本是都是这个保守性分数

那么再对于第二种分组来说

就是按计算情形分组

我们看到就是除了这个

保守性分数是最后一维

就是这一维之外

然后其次起作用的

还有原始列加权

以及置换之后

发生置换之后的这些改变量

都是会有起作用的

总结

通过整合多种nsSNP相似性网络

和疾病表型相似性网络

本人设计了分类和预测模型

该模型可以预测

与遗传基础部分已知的疾病

和遗传基础完全未知的疾病

相关联的nsSNP

本算法弥补了已有算法

只能预测nsSNP的功能影响程度

而无法预测nsSNP

具体导致哪种疾病的不足

本文章最后发表在

IET systems blology上

下面我给大家介绍

我的第二个工作

集成多种基因组数据

识别外显子组测序中

致病遗传变异

首先介绍一下方法

我们设计的这个算法

叫做SPRING

那么对于SPRING算法

我们的希望

我们输入数据

是我们想研究的疾病

比如说以这个自闭症为例

想研究的疾病

然后以及这个

关于自闭症的

这些患者的测序数据

我们把它作为输入

那么我们最终希望得到的结果

是对我们所有输入的这些数据

进行排序

然后排序之后

我们在利用这个

多检验校正后的q值

对nsSNP导致这个

导致疾病的这种显著性

再进行判断

那么具体的过程是这样的

首先我们收集了

6个度量nsSNP

是否影响蛋白质功能得分数

那么这个六个分数

分别于来自于六个常见的软件

然后其次我们利用

五种基因组数据

计算基因与疾病之间的关联分数

在这一步中

首先对于每一个疾病来说

我们都先收集

与疾病相关的种子基因

那么在这个

如果这个疾病

它的遗传基础部分已知的时候

我们就利用它

这个已知的致病基因

作为种子基因

那么如果这个遗传基础

完全未知的时候这个疾病

那么我们就利用

与这个疾病表型最相似的

10种疾病的致病基因

作为种子基因

我们一共采用了五种基因组数据

分别是基因本体数据库GO数据

然后PPI相互

蛋白质相互作用网络

然后蛋白质序列

蛋白质结构域

和基因通路这五种数据

然后对于每一种数据

我们都计算基因间的功能相似性

计算完了基因功能相似性之后

我们可以利用候选基因

与所有种子基因的

基因功能相似性的和

来定义这个候选基因

与某一种疾病的这种关联分数

这样的话

最终我们可以看出

我们一共对于

对于一个SNP来说

我们一共提取了11维数据

那么前6维数据

主要的依据于nsSNP自身的特性

那么后五位数据

主要依据于nsSNP所在的基因的

和疾病之间的关联

那么对于每一维数据

我们利用这个正常的SNP

或者基因的分数

建立这种经验分布

然后并且计算经验分布中

比候选nsSNP分数

还要极端的概率

作为该数据下候选nsSNP的P值

这样的话

我们一共每一维数据

都得到一个P值

然后我们利用适用于这个

然后利用这个FISHER的方法

进行合并

然后最后进行多经验校正

得到q值

然后利用q值进行排序

那么 首先介绍一下数据

本文一共

本工作一共涉及1436种疾病

然后我们从SwissPort数据库中

收集到了12610个致病的nsSNP

和23403个正常变异

首先我们验证遗传基础部分

已知的疾病

我们一共找到了113种疾病

具有2个以上的已知基因

这样验证的时候

我们每次验证的基因

就是给它抹掉

然后利用剩下的基因

作为种子基因

这样对于每一个我们

要验证的疾病

我们都有三个侯选集

分别是由测试集

和不同的对照集组成的

也就是正常侯选集

致病侯选集

和合并侯选集

然后我们同样用了

三个评判标准

第一个就是它的排序值

具体排序在什么位置

第二个就是相对排序比率

然后第三个是AUC的值

那我们可以看到

在跟这个正常对照组

进行对照的时候

这个然后侯选集的数量

大概是大于1万的数量

然后我们都基本上可以把

致病的nsSNP排在前5名的位置

那么对于这种合并集来说

合并集一般

合并集是最常见的

也就是说人和那个患者中

可能会有一些致病的

一些很多正常的

这样的话对于合并集来说

大概的所有的这些nsSNP

基本上都能排在前50左右

然后由于这个侯选集的

数量非常大

所以我们得到MRR的值和AUC的值

都是比较显著的

第二步我们验证了

遗传基础完全未知的疾病

我们一共涉及到了1436种疾病

我们逐一将它认定为是

这个未知疾病进行验证

然后对于我们每一个验证的疾病

我们同样选了三个测试集

是正常测试集

致病测试集和合并测试集

然后种子基因的选取

是与我们所研究的疾病

最相似的10种疾病的致病基因

然后作为该疾病的种子基因

同样的结果也可以看出

在跟正常对照集相比的时候

我们可以把绝大部分都排在

前几名

然后跟这个合并对照集

相比的时候

也可以都把大部分都排在前50名

第二步然后我验证了

预测不同类型疾病的结果

我们一共找到了

396个常染色体显性疾病

468个常染色体隐性疾病

109个X染色体的疾病

58个复杂疾病

然后48种免疫系统疾病

和263种神经系统疾病

然后我们分别进行预测

然后我们可以看到就是

它的结果会有一些出入

但是大致的

所有这些结果预测效果

还相对来说是比较好的

除了这个免疫系统疾病

因为它比较复杂

可能会光是这种

遗传性的这种影响因素

不会占很大

所以它的效果会相对来说差一些

剩下的这些疾病的效果

还都比较好

下面我们因为一共用了11维数据

所以我们想看看

单独使用每维数据的预测效果

是什么样子的

这样首先我们就是可以看到

这个表是搜集了

所有的一些预测的结果

那么对于这种SNP

对于SNP的

这种功能影响分数来说

我们可以明显的看到

它可以非常清晰区分

这种正常变异和致病变异

但是它无法区分这个致病变异

到底导致哪种疾病

然后对于这种基因组的数据来说

比较起作用的是

这个基因本体数据

和这个蛋白质相互作用数据

其次我们对单独使用

每一种数据的时候预测的结果

我们划出了ROC曲线

我们可以很明显的看到

这个黑线要远高于其他的线

那么这个黑线

就是我们合并之后的这个效果

由于这11维数据之间

都有一些相互关联

所以这样的话

我们评估每维数据删除后

排序值增加的nsSNP的比例

来评价每维特征的这个重要性

那么在这种情况下

就是如果它的改变量

就是增加的这个nsSNP

比例的改变量越大

就证明这维特征是越重要的

我们可以看到对于这个nsSNP的

这个功能预测分数来说

SIFT有最好的效果

然后对于这个基因组的数据来说

是基因这个本体数据

GO的数据和PPI的数据

有最好的效果

下面我们预测了

算法的假阳性率和真阳性率

我们计算在不同阈值下的

假阳性率和真阳性率

我们随机生成了

12个nsSNP的集合

每个集合包括了1万个nsSNP

那么对于这12个集合来说

致病nsSNP的比例

我们控制的分别是

0% 5% 10% 20%一直到100%

然后这个划出来的图在这个上面

然后我们可以看出

就我们选当5%

当含有5%

致病nsSNP侯选集的时候

因为我们认为这个可能会最接近

就是患者的这种情况

我们选取q值为0.01

此时的假阳性率大概是在1.69%

真阳性率是在72.42%

我们可以看到我们很好的可以

控制它的假阳性率

以上所有的验证

都基于数据库的验证

所以从下面的验证之后

我们就希望做一些

真实数据的仿真实验

首先我们从HapMap数据库中

就下载了8个正常人的数据

这8个正常人

分别来自于不同的区域

然后最终nsSNP的数量

大概是在6000到8000不等

这个也就是侯选集的数量

然后我们对于

每一个致病的nsSNP

我们都将这个致病nsSNP

插到这个正常人的数据中

然后我们企图用

我们设计的SPRING算法

恢复我们插入的那个致病nsSNP

这样结果可以看出

大概排到前十

应该对应的是这个颜色

所以我们可以看到我们大概有

70%的这个致病nsSNP

都可以给它排到前十的位置

下面我们验证了

结合实际数据

预测新生突变的效果

我们一共验证了

7个实际外显子测序数据

涉及了自闭症

癫痫性脑病 智力残疾疾病

那么以自闭症为例

我们一共输入的数据是214个

通过测量 对比父母数据

得到的新生突变

然后我们利用OMIM数据库中

收集到的34个导致自闭症的

致病基因作为种子基因

然后我们预测的效果

大概是这样的

这个红色的正好是文章报道的

我们可以将文章报道的

这两个致病的正好排在

第一名和第二名

然后对于这个前20名的

这个侯选nsSNP中

一共有17个是HGMD报道的

导致自闭症的这个nsSNP

下面我们也给了一个

7个这个案例的总结

那么第一个正好就是

刚才的那个案例

那么比如说以第二个案例来说

第二个这个案例

我们一共有154个侯选这个nsSNP

其中报道了有41个

可能是会导致那个自闭症的

我们可以在

我们可以找到了

在前10名中我们可以找到8个

这个致病的变异

然后在前20名中我们可以找到

14个致病变异

然后当q取为0.01的时候

然后我们在一共有26个

被预测出来可能是导致自闭症的

其中有17个是被验证的

然后大概是这样的

然后我们可以看到就是

大部分的数据

预测效果还是比较好的

除了这个数据相对来说

预测效果差一些

是因为这个数据最后给出来的

也不是就是一定是致病的

而是它是说有可能

而且反正这一维数据

而且再加上它的这个

侯选集的个数也比较大

所以说效果会相对差一些

最后结论是这样的

SPRING算法在不要求

患者测序样本数量的前提下

可以准确的预测nsSNP

和指定疾病的潜在关联

可以直接有效的预测

不同遗传方式的疾病

和不同类型疾病的致病变异

可以准确的预测常见 罕见

和致病新生突变

SPRING算法可以直接应用于

各类SNP芯片 全外显子组测序

和全基因组测序结果的

致病变异识别

为理解疾病的致病机理

病情诊断和个性化医疗提供帮助

SPRING算法发表以后

南京医科大学附属医院的

Jing Yang等人

对来自一个患有

左心肌致密化不全的

家庭的父母和儿女

进行全外显子组测序

并利用SPRING算法找到了

发生在MYH7基因上的

一个新的致病变异

然后本文章发表在了Plos Genetics上

最后我为大家介绍

我的第三个工作

就是建立集合全基因组单核苷酸

变异功能性分数的数据库

引言就是

随着全基因组测序技术的

快速发展

人们现在可以快速

较为廉价的检测

全基因组上的变异情况

全基因组测序技术

逐渐成为受欢迎的

研究人类致病变异的方法

越来越多的研究显示

影响人类疾病的变异

不仅仅只落在于编码区

而且也大量存在于非编码区

所以现在迫在眉睫的需要一个

收集全基因组功能变异

功能影响分数的数据库

那么我们这个数据库叫作

dbWGFP

它收集了全基因组85.8亿个

有可能的变异

每一个变异收集了97维信息

其中包括5维基本信息

32维功能性评分

16个保守性分数

以及44个从ENCODE计划中

提取的注释

我们建立了数据库平台

进行下载和搜索

同时提供下载一个

有38维重要分数的

精简版的dbWGFP数据库

我们这个收集这个单核苷酸变异

主要来自于dbSNP

千人基因组计划

和CADD数据库

然后随后我们就对

这种功能性分数进行了分析

首先我们看它的

预测结果的相似性

那么我们通过分析之后

我们会发现

它的结果的相似性

其实并不是很一致

然后所以这样的话

我们下一步就预测了

各维功能性分数的预测性能

我们分别是按着编码区

然后剪切位点和调控区

进行分别预测

然后我们这些

致病数据和正常的数据

对应的数据都是来自于HGMD

和这个1000 Genome Project上面的

然后我们检验了

所有的这些算法的预测结果

我们可以看到

就是对于这个编码区的SNV

这个RadialSVM和LR的算法最好

效果最好

它们之所以最好是因为

它们是所有上面这些

这个算法的这个分数的总和

就所以它们综合考虑了

上面所有的这些分数

所以它们给出来一个总和的分数

这样预测效果最好

然后对于这个剪切位点

SinBAD的效果最好

对于调控区域

这个GWAVA的效果最好

这两种方法之所以效果比较好

是因为它们分别

比如像SinBAD分别对

这个剪切位点的

这个SNV单独进行了建模

这个GWAVA是专门利用

调控区域的特征

然后专门对这个调控区域的

SNV进行了预测

所以他们就是属于专门的软件

所以预测效果是比较好的

所以在使用

不同功能性分数的时候

会存在以下问题

那么第一个问题就是数据缺失

对于数据缺失问题来说

我们可以有以下办法来进行解决

首先我们可以忽略

带有缺失数据的样本

或者我们可以采用一些

可以处理缺失数据的方法

第三个就是我们可以

利用一些方法来估计

这个缺失的取值

这样的话然后将其作为这个

不缺失的数据进行处理

然后除此之外的问题

还有一个重要的问题

就是功能性分数它的结果

会产生冲突

在这种方法来说

最合理的方法是全面考虑

所有的功能性分数

然后利用投票的方式

或者我们就是考虑

这种各个分数的这种预测性能

然后来判断

从而来判断

SNV是否这个影响功能的

最后结论是这样的

dbWGFP是第一个收集了

全基因组所有可能的单核苷酸

变异功能性分数的数据库

它具有广泛的应用范围

可以应用在SNP芯片

全外显子组测序

或全基因组测序的结果处理

为研究人类全基因组遗传变异

提供有价值的参考资源

该文章发表在Database上

最后我的结论和创新是这样的

首先一

针对已有方法只能预测nsSNP

对蛋白质的功能影响

而无法预测nsSNP具体导致

哪种疾病

本人利用多种nsSNP相似性网络

和疾病表型相似性网络

设计的算法可以准确的捕捉

遗传基础部分已知和完全未知的

疾病的潜在致病nsSNP

二 本人设计了一个

统计算法SPRING

可准确地识别不同类型疾病

全外显子组测序数据中的

常见致病变异 罕见致病变异

和致病新生突变

为理解疾病的致病机理

病情诊断和个性化医疗

提供了帮助

三 本人提供了第一个

方便查询和下载使用的

包含全基因组单核苷酸变异

及其功能影响分数的数据库

为研究人类全基因组遗传变异

提供了有价值的参考资源

然后这个是我发表的文献汇总

然后最后是

感谢导师李衍达院士

感谢江瑞副教授

和陈挺教授的帮助

然后感谢我在

就是留学期间

刘晓乐教授的帮助

感谢吴蒙蒙同学

然后感谢

实验室所有的老师和同学

谢谢老师