个人答辩陈述在线视频

各位老师同学

下面就王婷婷的个人情况

做一个简历报告

王婷婷是1985年2月份

出生于河南省沈丘县

2003年考入9月考入

浙江大学生命科学学院

2007年7月份本科毕业后

并获得理学学士学位

2007年9月免试进入

中国科学院微生物研究所攻读

生化分子生物学的专业

2010年7月硕士毕业

并获得理学硕士学位

2010年7月进入

博奥生物股份有限公司工作

担任科研助理的职务

在2012年9月份考入

清华大学自动化系

在谢震老师的指导下

攻读工学博士

在读期间完成总学分20学分

以第一作者发表SCI论文一篇

以第二发明人身份申请专利一项

她今天的学位论文题目是

哺乳动物细胞的多敲低技术

与遗传相互作用网络的研究

下面请李梢老师主持

下面就请王婷婷同学进行

博士学位论文的报告

时间不超过40分钟

各位老师同学大家下午好

非常感谢大家来参与

我的博士论文答辩会

我今天我的博士论文的题目是

哺乳动物细胞的多敲低技术

与遗传相互作用网络的研究

我的指导老师是谢震研究员

我今天的汇报内容分为五个部分

第一部分是介绍

课题的背景和意义

中间三部分是具体的研究工作

最后一部分是总结与展望

首先看一下我论文选题的

背景和研究意义

细胞内的生物网络分为两大类

一类是以蛋白相互作用

为代表的物理网络

一类是以基因相互作用

为代表的遗传网络

遗传相互作用反映

基因或基因产物之间

具有直接或间接的关系

因此为研究蛋白相互作用

提供了有利的线索

遗传相互作用被定义为

双基因突变体的观测表型

偏离两个单突变体

预测的理论表型

根据偏离程度可以分为

正向遗传相互作用和

负向遗传相互作用

对酵母中的遗传相互作用的研究发现

遗传相互作用和蛋白相互作用

具有一定程度的重叠

比如在对于生存所必须的

两条信号通路之间

它们的关键基因之间

常存在着负向遗传相互作用

对于它们的

同一信号通路的上下游

或者蛋白复合体内都

存在着正向遗传相互作用

研究遗传相互作用网络

一般情况下

在实验方法上分为三步

第一步是制备大量的双突变体

第二步是对表型进行观测并量化

第三步是根据量化的表型

预测出理论表型

并计算出遗传相互作用

然后绘制网络

在研究哺乳动物细胞中

遗传相互作用网络时

存在着问题有实验方面的难点

如何制备大量的双基因沉默的

哺乳动物细胞

在计算方面的难点

是如何对表型进行量化

以及如何根据量化的表型来预测

双基因沉默的细胞的理论表型

也就是GI的计算方法

既然我们提到了

哺乳动物细胞中的

双基因沉默的细胞的制备

那我们看一下哺乳动物细胞中

常见的基因干扰技术

RNA干扰技术

RNA干扰是短的双链RNA分子

介导的特异基因沉默现象

这个基因沉默的原理有

与把mRNA完美匹配引起的

mRNA的降解

或者是非完美匹配引起的

翻译阻遏

在哺乳动物细胞中进行

多基因敲低

所谓常用的方法除了常规的

使用多个siRNA进行共转染外

还有这样的几种方法

多个串联的shRNA

表达多个短发夹RNA

有合成microRNA簇

表达多个合成microRNA

单一启动子控制的一个

多个siRNA的前体

串联所形成的长发夹RNA

同一个启动子控制的

类似esiRNA前体

所形成的长发夹RNA

这些共敲低方法存在的

通用问题就是

表达盒的加工和组装

以及如何使这种共敲低的方法

与高通量的实验相适应

由于哺乳动物细胞中

基因共沉默技术的限制

对于哺乳动物细胞

遗传相互作用网络的研究

直到近几年才有一些进展

这是2013年时候发表的

3篇基于基因多敲低技术

研究遗传相互作用网络的文章

它们都是

基于双敲低技术来实现的

然而在真核生物中

普遍存在着基因冗余现象

对于酵母的三突变体的研究发现

仅仅是双突变并不能

引起明显的表型变化

只有三突变体才可以引起

有效的表型变化

因此基于基因多敲低技术

来研究遗传相互作用网络

很有必要

对于酵母的研究发现

遗传相互作用主要富集于

信号通路和蛋白复合体中

因此在我们的研究中选择了

NF-kb基因家族作为研究的重点

NF-kb基因家族

它在多种细胞中广泛存在

参与细胞对环境的响应

以及炎症癌症等疾病的发生过程

对它的研究

相关的研究很丰富

有很多的先验知识可供我们参考

比较适合于将我们所构建的

利用多基因多敲低技术研究的

遗传相互作用网络

与前人的研究相比较

所以整个论文的研究思路

是选择了一个特定的系统

然后对于其中的关键因子

进行双敲低和共敲低

研究它们之间的相互作用

从而发展出一种

基于多敲低技术的研究

遗传相互作用网络的方法

我的整个论文的结构和框架为

以遗传相互作用网络

以研究遗传相互作用网络为核心

首先基于合成miRNA簇

发展出来了一种多敲低技术

然后将这个技术应用于

具体的生物学问题

构建了多敲低文库

最后利用生物信息学的方法

研究了TNF-α信号中的

遗传相互作用网络

最后是对整个论文

做了总结和展望

接着看一下

我的论文的具体工作

这是工作的第一部分

合成miRNA簇的特征鉴定

与多敲低技术

为了使合成miRNA簇的表达可控

我们首先要对其中的

合成miRNA单元的加工进行研究

在天然状态下

miRNA加工要经历两个过程

在细胞核内有Drosha酶加工

形成长度要65nt的Pre-miRNA

Pre-miRNA再运转出核

在细胞之内有Drosha加工

形成长度的19到25nt成熟miRNA

理论上讲Pre-miRNA中

编码合成miRNA的基因替换成

所设计的序列就有可能

加工出所需要的合成miRNA

然而在实验中发现

将同一个siRNA前体

分别装载进入shRNA表达载体

和miRNA表达载体中

它们的加工方式

它们的加工方式很不一致

所以我们是以小鼠的

小鼠中的pri-miR-155

前体骨架为研究对象

来研究合成miRNA的加工模式

我们选择小鼠pri-miR-155

是因为这个序列可以

被截短为较短的序列

它的序列结构特征是

有两侧的非匹配所形成的侧翼序列

中间匹配的茎以及末端环

在设计过程中引入了

非对称GC含量和茎的中间小的凸起

来保证合成miRNA的正确加工

在天然状态下合成miRNA常

合成miRNA的基因经常成簇出现

研究人员很自然的想到

利用这种天然的合成miRNA簇

来表达多个合成miRNA

也在实验室条件下

利用了这种方法

来抑制了HIV病毒的复制

然而通过这种方法存在的问题有

其克隆构建过程

一般情况下是很繁琐的

而且对于每个合成miRNA的

前体的加工表达

情况可能存在着并不一致

当然也可以利用

同一个miRNA前体进行多次串联

但是现在研究常用的方式

之前研究常用的方法就是

同尾酶的连接方式

它的克隆构建的繁琐程度

是以合成miRNA的个数成正相关

将这种结构转染

通过慢病毒载体

整合进入这些细胞的基因组中

发现它存在着不同程度的缺失

因此在本章中所研究的主要问题

包括如何对合成miRNA

单元的加工进行研究

以及如何通过高效的克隆方法

进行合成miRNA簇的组装

对于组装出的

合成miRNA簇的特征进行鉴定

以及最后探索了

重复序列的整合问题

首先来看一下pri-miR-155中

合成miRNA的加工模式

为了研究

pri-miR-155的加工模式

在本研究中一共设计了24种

不同的合成miRNA

然后在它

在HEK293细胞中进行表达

对于它们的加工模式进行研究

经过研究发现

这24种合成miRNA它们的加工

在5’端都具有非常固定的起点

成熟miRNA的来源根据

来源于正义链和反义链的情况

分为这样的三种

其中这种合成miRNA

它主要来源于反义链

这是与我们的设计是一致的

中间这一部分

正义链和反义链的比例是类似的

对于合成miRNA中长度的分布

我们也做了统计研究发现

来源于反义链的合成miRNA的长度

其中有24nt

来源于正义链的合成miRNA长度

其中有22nt

在预实验中我们发现

茎的长度对miRNA

合成miRNA的加工

具有一定的影响

所以在实验中设计了一系列

不同茎长度的合成miRNA

长度分布是从15nt到23nt

从成熟miRNA的数量

和加工精确性

两个方面进行研究

然后发现19nt的

茎长度为19nt时具有最高的

合成miRNA的表达数量

以及最优的加工精确性

所以在后续的实验中都选择了

茎长度为19nt的合成miRNA

为了进一步优化

pri-miR-155加工

我们设计了一系列不同的

我们希望对骨架序列进行改变

在保证pri-miR-155

二级结构不变的情况下

对于它两边的侧翼序列

以及末端环的优化

我们通过这种方式首先选择了

13种不同的侯选序列

通过敲低效率加工 数量

和加工精确性

三个方面进行研究

然而我们的结果表明

只有天然的合成miRNA

具有最优的加工效果

所以在后续研究中

依然选择了天然的合成miRNA骨架

作为表达合成miRNA的工具

接下来是

合成miRNA簇的拼装方法

我们所选择的拼装方法是

Golden-gate组装方法

Golden-gate是一种快速的

DNA分子无痕组装技术

它是由IIs型限制内切酶

所介导的DNA分子的有序组装

在这个实验中

为了实现表达

多个合成miRNA单元的

合成miRNA快速组装

我们将实验方法进行了设计

构建了一种等级拼装的方法

等级拼装的方法分为三步

第一步是

构建单个合成miRNA质粒
质粒

第二步是

构建亚合成miRNA簇质粒

最后可以再通过golden-gate反应

得到最终的合成miRNA

表达多个合成miRNA单元的

合成miRNA簇

通过这种方法可以实现多达18个

合成miRNA单元的快速组装

接下来是

为合成miRNA单元的表达特征

进行研究

首先研究了合成miRNA簇中

可以容纳的miRNA单元的数量

我们发现当随着合成miRNA簇中

合成miRNA单元个数的增加

其中的特定的合成miRNA的

表达量在发生下降

敲低效率也有一定程度的下降

对于合成miRNA簇中不同位置的

合成miRNA的表达

同一合成miRNA簇

与不同位置时候的表达情况

也进行了研究

这是通过miRNA Real time

PCR的方法进行了研究

发现对于表达18个合成

对于含有18个合成miRNA的

合成miRNA簇而言

其中的每个合成miRNA

都可以独立加工出来

它们之间并

它们的表达量上

并不存在明显的位置效应

对于不同长度的合成miRNA簇中

特定合成miRNA的加工精确性

也进行了研究

我们可以通过这种回归分析

这种回归分析发现

合成miRNA簇

对于其中特定的合成miRNA

当它位于不同合成miRNA簇中

它的加工精确性没有明显的变化

通过两两比较也证实了这一特点

这里面是一个具体的合成miRNA

在不同合成miRNA簇的表达情况

我们可以看到

它起始于反义链的位置

起始于反义链的

成熟合成miRNA的比例

差异是很小的

接着我们探索了合成miRNA簇

在哺乳动物细胞中的整合问题

我们采用了三种不同的整合系统

转座酶系统、 CRISPR/Cas9系统

和慢病毒载体系统

通过整合能力和整合效率

两个方面进行测试

发现对于转座酶系统

和CRISPR系统

它都可以整合含有18个

合成miRNA单元的合成miRNA簇

对于慢病毒载体而言

它的对于重复片的容忍性较低

但它在合成miRNA单元

超过6个之后

整个整合效率就会发生显著的

整合能力发生显著的下降

对于转座酶系统

CRISPR系统

当合成miRNA的个数在9个时

具有很好的整合效果

然后我们测试了整合效率

发现转座酶系统是优于

CRISPR/Cas9系统的

在本章的研究工作中

是以合成miRNA簇为研究对象

首先对于其中的

合成miRNA单元的加工

进行了研究

发现其中的

合成miRNA单元的5’端

具有精确的加工

茎长度是以19nt为最优的

整个合成miRNA簇的拼装方法

是以等级Golden-gate组装

拼装方法

它可以快速地实现

多达18个合成miRNA单元的

合成miRNA簇的组装

合成miRNA簇的表达加工

具有自己的特点

它其中的每一个合成miRNA单元

都能够独立加工出来

表达的

它的表达量受数量影响

但是位置效应并不明显

这种带有重复序列的

合成miRNA簇

它的整合

对于不同的整合方法的适应性上

在转座酶系统要优于

CRISPR/Cas9系统要优于

要优于慢病毒载体系统

这里有关慢病毒载体系统的

整合研究

为我们后面构建多敲低文库

奠定了技术基础

该部分工作已经发表在

ACS SyntheticBiology上

接下来我们是将这种

合成miRNA簇的方法用于构建

多基因多敲低文库

在研究遗传相互作用网络时

随着网络中目标基因数量的增加

它们的工作量将会

构建的工作量将会呈指数性上升

构建文库的成本会很高

所以在对酵母的研究中发现

在遗传相互作用网络中

存在着一些功能保守

其连接程度比较高的Hub接点

在绪论中我们也介绍了

我们所选择的

Hub接点是NF-kb基因家族

由于NF-kb基因家族的多功能性

而环境不同

将产生环境特异性的网络

为了进一步明确研究对象

我们在这里选择了

TNF-a信号通路为研究对象

TNF-a信号通路可以介导

三种重要的生理过程

NF-kb和MAPK

所介导的炎症反应

Caspase系列蛋白所介导的凋亡

以及RIPK蛋白参与所引发的坏死

细胞坏死

这三种生理过程中

最终都可以反映到

细胞生长的影响

因此可以通过细胞数量这一表型

得以检验

为了增加我们在研究

我们所研究的目标网络中

正向遗传互相作用的富集性

我们引入了第二个Hub接点

NF-kb家族的调节因子

我们所设计的多敲低文库的结构

是一个5联合成miRNA簇

它是一个慢病毒表达载体

可以表达

把靶向1到5个

不同基因的合成miRNA

根据TNF-a信号通路中

基因的性质不同

我们将

我们将我们的

我们共挑选了27个研究对象

根据这研究对象在那个

TNF-a信号通路中的功能

我们把它分为几个不同的组

然后分别采用了不同的研究策略

对于TNF-a

对于NF-kb基因家族

以它的调节因子

就是我们所选择Hub接点

是我们重点研究的对象

我们分别构建了网络1和2

它的构建方式对于其中的基因

采用完全随机的方式进行敲低

对于NF-kb基因

和NF-kb调节因子之间的关系

以及它们与别的基因

之间的相互关系

我们选择了分组

和组内随机的方式

这里所显示的是

我们构建的四个不同的网络中

基因多敲低组合数

构建多敲低文库的第一步就是

需要筛 针对每个侯选基因筛选得到

可以进行有效敲低的合成miRNA

我们通过细胞学的实验

得到了三组

敲低效率近似的合成miRNA

作为我们构建多敲低文库的

三个生物学重复

在文库的构建方法上采用了

等级Golden-gate拼装的方法

也就是前面所说的方法

针对5联合成miRNA簇

进行了具体的修改

在第二步是为了减少

实验的工作量

我们引入了自动化的工作站

来减少实验的工作量

对于构建出来的质粒文库

进行了质量检验

首先是重复性的检测

对于使用质控质粒检测的

不同批次之间的重复性

发现具有很好的线性

对于同一个网络中的

两个不同的生物学

重复使用回归分析

发现它们具有很好的线性

对于不同网络中的

三个生物学重复中

所覆盖的多敲低组合数进行统计

发现它们的覆盖程度都很高

这里展示的是

我们所构建的质粒文库中

它的组合数

它的测序的深度

以及所含有的

多敲低组合的覆盖度

从这里可以看到

我们所构建的网络中

还是存在着有一定的

组合丢失问题

在本章主要研究了

如何构建多敲低文库

在文库设计上

采用的是5联合成miRNA簇的

慢病毒表达载体

针对研究对象在整个网络中的

重要性不同

采取了不同的设计策略

在构建多敲低文库之前

首先通过细胞学实验

筛选得到了三组

有效的合成miRNA

在文库构建时

采用了等级Golden-gate的

拼装方法

在最后对文库的质量进行了鉴定

发现整个文库构建的

重复性是很高的

但是存在着一定比例的组合丢失

接下来我们已经完成了

多敲低文库的构建

那我们接下来就是要研究

具体的生物学问题

在构建遗传相互作用网络时

一个最重要的问题就是

如果根据单基因沉默的细胞来

预测双基因沉默的表型

比较经典的进行

双基因沉默的

表型的预测有两种模型

一种是加法模型

一种是乘法模型

在加法模型中

会认为每种突变对于表型的贡献

是一个累计效应

两个单突变体相加

就可以得到双突变体的表型

在乘法模型中

认为每种突变对于表型的贡献

是一个成比例的

它们相乘可以得到

双突变体的表型

目前对于这哪种方法最优

并没有定论

一般情况下认为

对于线性的表型会采用加法模型

对于指数型增长的模型

会采用乘法模型

在生物体中普遍存在着

多个基因对于表型的贡献

贡献的实际程度

与理论上的累计程度

不一致的现象

这种现象就是高阶遗传相互作用

这种高阶遗传相互作用

在细胞中是普遍

在真核生活中是普遍存在的

目前对于它们的研究主要集中于

对于数量形状的基因座之间的关系进行研究

在这里我们想探讨的是

如何基于多敲低的细胞文库

来进行研究

本章研究的主要重点是

包括细胞表型的量化

如何预测多基因多敲低

细胞的表型的理论值

以及发现潜在的

高阶遗传相互作用

基于前面所构建的质粒文库

我们完成了细胞文库的构建

采用的是慢病毒载体包装的方法

控制低的MOI

保证每个细胞中转入不超

整合进入不超过一个的敲低组合

由于我们所关注点在于

TNF-α处理下的

那个遗传相互作用

所以我们对于TNF-α处理采取了

设计了不同的时间

在前边已经描述了

使用慢病毒载体

进行合成miRNA簇的整合时

可能存在的序列丢失

所以为了避免这种序列丢失

对于后边测序的影响

我们首先对于全长合成miRNA

进行扩增

然后再对其中的barcode进行测序

这是进行测序的时候

整个序列的结构图

整个的数据分析流程

可以简单概括为先通过FastaQC

对于整个测序的结果

进行质量控制

然后经过一系列的流程

最终对于每个样品中的

质控质粒和共敲低组合的质粒

所代表的Reads数

进行统计分析

接下来看一下

我们细胞文库的构建质量

我们所构建的细胞文库的覆盖度

集中到39%到72%

对于barcode的分布的tenfold的区间

最高是69%

从这里可以看到细胞文库的构建质量

可能性不是很高

所以我们把质粒文库

和细胞文库的

共敲低组合的分布做了一个比较

发现质粒文库和细胞文库

具有很好的重叠

所以接下来我们采用了

相对覆盖度

来确定细胞文库的构建质量

这里是对细胞文库中

每一个质控文库的相对覆盖度

做了一个统计图

发现它的相对覆盖度

在95%以上不同处理之间的

离散程度很小

对于其中的细胞

对于其中的共敲低组合

也进行了统计

除了这个样品外其他的覆盖度

都在90%以上

对于同一个细胞文库中

三个不同的生物学重复

发现它们的共敲低组合

分布是一致

不同处理之间的分布

也是极其相似的

这里展示的是网络4的

第三个生物学重复

处理组

对照组中的0小时和48小时的

回归分析

我们可以看到

它的各种敲低组合之间的

具有很好的线性

接下来是如何对于

我们所要测序的

我们所进行的共敲低组合

进行表型量化

前面所描述了对于TNF-α

处理之后的三种生理过程

都可以反映到细胞数量上来

而在这个过程当中

我们采用的是一个混合库方式

然后这种细胞数量可以通过

它们其中Reads数的相对丰度

来进行体现

由于我们所研究的关注点在于

TNF-α处理下的遗传相互作用

所以这里边直接采用了相对表型

来进行表型的表征

对于每一个敲低组合

所对应的表型的观测值

就等于它的处理组

处理组除以对照组

因为这里面取的是细胞的数量

它是一个线性增长的模式

所以我们是采用的是log

log的方式

然后在使用质控质粒

进行归一化处理

接下来就是如何研究TNF-α

如何得到TNF-α信号通路中的

高阶遗传相互作用

我们采用三种不同的方法

第一种方法就是Foldchange法

Foldchange法主要关注于

只发生最明显的变化的

共敲低组合

我们对于这里举了一个例子

就是网络4中

网络4中第一个重复中

我们把48小时的时候

发生显著变化的

前100位的

显著上升和显著下降的基因

分别挑选出来

分析它们在96小时之后的变化

从这里可以看出

在经过96小时之后

大部分的有半数以上的基因

还是发生了显著的下降

对这些显著下降的基因

我们进行发现分析

它主要是集中于NF-kb基因

NF-kb调节因子

以及MAPK信号通路中

这些都是炎症反应相关的

这也是与前人的发现是一致的

这是第二种方法

是NewHGI方法

它主要的关注点在于发现

新的高阶遗传相互作用

新的高阶遗传相互作用

它的定义方式是在低阶情况下

不存在明显的遗传相互作用

但是在高阶存在着

明显的相互作用

在这里我们所采用的这个

定义的阈值是?）等于1的

通过这种方式我们发现了

146个新的三阶遗传相互作用

它在12个不同的网络中的

分布是这种情况

这里边有一些比较典型的

具有很好的在不同的网络中

具有很好的一致性

这是基于这种方法发现的

四阶和五阶的遗传相互作用

也就随着这个高阶越高

然后发现的

这种高阶的遗传相互作用

相对数量比较少

第三种方法是Background方法

这种Background方法的理念

在于我们可以把所有的多敲低

都转化为有背景的双敲低

比如三敲低实验

可以把它转化为

进行单个基因敲低之后

研究两两之间的相互关系

四敲低可以转化为双敲低之后

然后在研究它们之间

两两之间的相互关系

在这里举了一个NF-kb基因家族

相关网络的例子

首先我们对于NF-kb之间的

五个基因进行了研究

发现它们

构建了它们的双敲低网络

在双敲低网络中我们可以看到

RELA和RELB之间存在着

一个负向的遗传相互作用

这里可以反映它们在蛋白

它们在蛋白水平上可能存在着

一种不可替代的关系

然后是构建三敲低网络

所有的三敲低都可以转化为

单敲低背景下的两两敲低

从这里我们可以看到

在NFKB2基因在被敲掉之后

剩下的四个基因之间存在

两两存在着一种负向的

负向的遗传相互作用

所以我们可以推测

它们之间存在着

一种类似这样的关系

NFKB2在上游

C-REL和NFKB1也存在着一个

蛋白上的不可替代

接着是构建了四敲低网络

四敲低网络是在

可以都转化为

双敲低背景下的两两敲低

这是所构建出来的所有的

双敲低背景下的两两敲低

从这里我们可以看出

C-REL和NFKB1之间存在着

一个正向的作用

可能反应之间

它们会形成一个蛋白的

会反应它们之间存在

一个蛋白复合物的情况

类似形成一个蛋白复合物的情况

从这里我们可以看到

C-REL和NFKB1 NFKB2之间

存在着一个正向的遗传相互作用

推测它们蛋白之间

可能具有类似这样的关系

这里所展示的就是

如果根据遗传相互作用网络

来发现蛋白之间的

相互作用的一个例子

在本章中主要的工作是

建立发现哺乳动物细胞中

高阶遗传相互作用的实验流程

包括制备多敲低细胞文库

并对其中的细胞文库

进行了一整套的数据

建立了一整套的数据分析流程

接着鉴定了细胞文库的构建质量

对其中的表型进行量化

使用不同的三种算法模型

来发现高阶遗传相互作用

本章是一个关于

case-control来发现

高阶遗传相互作用网络的方法

该方法可以用于发现

可以用于研究别的生物学问题

接下来是对整个论文作做的一个总结

我的整个论文综合了

生物实验和生物信息学的方法

分别完成了这些工作

第一部分的工作是

合成miRNA簇的特征鉴定

与多敲低技术

在该部分工作中

对于其中的特征元件进行模块化

使其表达可控并且适合于组装

第二部分工作是

使用合成miRNA簇

来构建多敲低技术

根据多敲低技术的特征建立了

适用于建库的高通量方法

最后将

将基于多敲低技术

构建遗传相互作用网络

将该部分使用生物信息学的方法

研究具体的生物学问题

TNF-α信号通路

通过不同的算法探索

新的高阶遗传相互作用

我的整个论文的创新点

我总结出来有这么三点

第一点是系统的研究了

能够表达18个miRNA的

合成miRNA簇的表达特征

第二点基于DNA分子

快速无痕组装技术建立了

拼装合成miRNA簇的

等级Golden gate组装方法

并建立了多敲低文库的建库方法

第三点建立了

多基因共敲低实验中

遗传相互作用网络的计算方法

使用不同的计算方法

发现TNF-α信号通路中的

潜在的高阶遗传相互作用

然而在

我的所有的论文是

围绕遗传相互作用网络构建为核心

发展了一种多敲低技术

但是在这个过程中

还有许多可以改进和探索的地方

比如我们可以将这种

多敲低技术的理念

用于CRISPR/Cas9技术

来建立多敲除的实验技术

以及在我们的

合成miRNA单元的优化上

可以采用别的方法

来进行一些优化

然后可以降低它的重复序列

这种敲低方法可以用于研究

基因的功能冗余

在进行遗传相互作用网络

构建时候

我们对于侯选的合成miRNA

采用了比较传统的筛选方法

其实可以借助一些高通量筛选

近几年发展的

一些高通量的筛选方法

来减少实验的工作量

在对于多维遗传相互作用网络

和计算方法上

还有一些值得探索的地方

这是我发表文章的情况

主要是针对第一部分的工作

分别发表了一篇文章

和申请了一个专利

在这里非常感谢

我的老师谢震研究员

这四年来是谢老师

在工作上给了我很大的帮助

在很多坚持不下去的时候

都是谢老师在一直鼓励我

接下来要感谢我的课题

我合作课题的一些

我的课题的一些合作同学

沈濂是之前

我们实验室的博士后

他参与了合成miRNA

他和我一起参与了

这种最后的部分的实验设计

以及完成了合成miRNA

有效的合成miRNA筛选工作

谢悦同学参与了这种

合成miRNA簇中合成miRNA的筛选

以及后边的测序工作

曹玉冰同学参与了

后边的细胞学实验

郭玉成同学参与了后边的

高阶遗传相互作用的数据分析

非常感谢他们的参与

如果没有他们的合作

我的论文就不会这么顺利的完成

接下来感谢

感谢实验室中心的

所有的老师和同学

感谢国家自然科学基金

对课题的支持

谢谢大家