当前课程知识点:2016年清华大学研究生学位论文答辩(一) > 第三周 自动化系——王婷婷 > 个人答辩陈述 > 个人答辩陈述
返回《2016年清华大学研究生学位论文答辩(一)》慕课在线视频课程列表
返回《2016年清华大学研究生学位论文答辩(一)》慕课在线视频列表
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
-个人答辩陈述
--个人答辩陈述
-问题及答辩结果
--问题及答辩结果
-个人答辩陈述
--Video
-问题及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩及陈述
-问题及答辩结果
--问题及答辩结果
-个人答辩及陈述
--个人答辩及陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩及陈述
--个人答辩陈述
-问题及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问题及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--Video
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--Video
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--Video
-问题回答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video