Помощь в учёбе, очень быстро...
Работаем вместе до победы

Интегрированный анализ различных типов данных постгеномных исследований для идентификации ключевых путей мультигенных заболеваний

Диссертация: Интегрированный анализ различных типов данных постгеномных исследований для идентификации ключевых путей мультигенных заболеваний
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Системная биология предполагает переход от исследования отдельных генов и белков к анализу структуры и динамики целостных систем, образуемых при взаимодействии различных биомолекул,. Белки редко выполняют свои функции изолированно. Большинство клеточных процессов являются результатом совместного действия множества белков и других молекул, физически ассоциированных в комплексы или задействованных… Читать ещё >

Содержание

  • Список сокращений
  • 1. Обзор литературы
    • 1. 1. Постгеномные технологии
    • 1. 2. Системная биология
    • 1. 3. Базы данных и стандарты описания биологических взаимодействий
    • 1. 4. Функциональный анализ постгеномных данных
  • 2. Материалы и методы
    • 2. 1. Массивы данных
    • 2. 2. Анализ дифференциальной экспрессии
    • 2. 3. Множества генов для классификации
    • 2. 4. Функциональный анализ
    • 2. 5. Анализ сетей
    • 2. 6. Анализ интерактома
    • 2. 6. Интеграция и согласованность списков
  • 3. Результаты и обсуждение
    • 3. 1. Изменения экспрессии генов при псориазе и болезни Крона
    • 3. 2. Функциональное сравнение предикторов для различных фенотипов опухолей грудной железы
    • 3. 3. Сравнение изменений транскриптома и протеома при псориазе
  • 4. Обсуждение
    • 4. 1. Сравнение различных массивов микрочиповых данных
    • 4. 2. Интеграция данных разных постгеномных технологий
    • 4. 3. Алгоритм интегративного анализа
  • Выводы

Интегрированный анализ различных типов данных постгеномных исследований для идентификации ключевых путей мультигенных заболеваний (реферат, курсовая, диплом, контрольная)

В последнее десятилетие успехи молекулярной биологии и генетики сделали возможным широкомасштабное изучение строительных блоков жизни — генов и белков [1]. После этого перед исследователями встала проблема: как использовать полученный каталог молекулярных элементов клетки для решения проблем биологии и медицины. Эта необходимость вызвала развитие новой отрасли вычислительной биологии — системной биологии [2].

Системная биология предполагает переход от исследования отдельных генов и белков к анализу структуры и динамики целостных систем, образуемых при взаимодействии различных биомолекул [3], [4]. Белки редко выполняют свои функции изолированно. Большинство клеточных процессов являются результатом совместного действия множества белков и других молекул, физически ассоциированных в комплексы или задействованных в специфичных регуляторных путях [5]. Разнообразные взаимодействия между молекулами — белок-белковые связи, регуляторные связи факторов транскрипции с промоторами генов, метаболические превращения молекул — составляют сложную глобальную систему. Зная структуру этой системы, можно исследовать ее динамические характеристики при различных условиях. Например, изменения активности или концентрации белков при некотором воздействии на клетку можно использовать для идентификации конкретных молекулярных механизмов, задействованных в реакции системы на это воздействие.

Технологические достижения последних десятилетий в молекулярной биологии дали исследователям возможность проводить широкомасштабные исследования динамики биологических систем. Возник целый ряд так называемых постгеномных методов, позволяющих одномоментно получить информацию практически обо всех компонентах системы на том или ином уровне. В частности, существуют методы высокопроизводительного измерения экспрессии генов [6], концентрации белков или метаболитов [7], генотипирования полиморфизмов и обнаружения мутаций в геноме [8]. Особенно большую популярность приобрел полногеномный анализ экспрессии генов при помощи микрочипов, в силу своей доступности и относительной технической простоты [9]. Объем данных такого рода, полученных для различных организмов и фенотипов, растет огромными темпами [10]. В настоящее время перед исследователями стоит проблема эффективного использования всех этих массивов информации. Трудности состоят как в технологических особенностях применяемых методов (многие из них генерируют данные с большим уровнем шума), так и в их обширности [11]. К примеру, из оценок экспрессии для десятков тысяч генов необходимо извлечь биологически осмысленную информацию, дающую новое знание об исследуемом явлении. Еще одна проблема состоит в трудности сопоставления и интеграции различных типов молекулярных данных.

Анализ постгеномных данных особенно необходим для прояснения молекулярных механизмов мультифакторных заболеваний [12], [13]. Самыми известными примерами таких недугов являются различные злокачественные опухоли, нейродегенеративные заболевания — болезни Альцгеймера и Паркинсона [14], [15], диабет 1 типа. Еще один широкий класс синдромов, относящихся к мультифакторным заболеваниям — аутоиммунные болезни [16]. Эти синдромы связаны с повреждениями органов и тканей собственной иммунной системой человека при отсутствии видимых причин активации иммунных клеток. К ним относятся такие болезни, как ревматоидный артрит, псориаз [17], болезнь Крона, волчанка [18] и десятки других менее распространенных синдромов. Мультифакторные заболевания широко распространены в человеческой популяции и являются одной из главных причин смертности во всем мире. Предполагается, что эти болезни развиваются на основе многочисленных факторов предрасположенности, как генетического характера, так и обусловленных внешней средой. Генетические основы и механизмы мультифакторных заболеваний, несмотря на активные исследования в этой области, изучены пока недостаточно [12]. Предполагается, что комбинированное воздействие многих генетических полиморфизмов с малым эффектом и изменений условий окружающей среды порождает стабильные изменения в нормальном функционировании регуляторных систем клеток [19].

Постгеномные технологии используются для исследования молекулярных механизмов заболеваний, поиска мишеней для терапевтического вмешательства, классификации подтипов заболеваний, которые по-разному реагируют на терапию, поиска биологических маркеров заболеваний [20], [21]. Тем не менее, в изучении и терапии мультифакторных заболеваний остается немало нерешенных вопросов и проблем. Несмотря на значительный прогресс в изучении молекулярной механики этих патологий (в первую очередь — неопластических заболеваний), причины и механизмы нарушений регуляции для большинства из них остаются неизвестными.

Системная биология предлагает необходимые принципы для продуктивного анализа механизмов мультифакторных заболеваний. Любые постгеномные данные (микрочиповые, протеомные данные, данные о геномных перестройках) можно анализировать в контексте глобальной биологической сети, выявляя пути и биологические процессы, задействованные в исследуемых явлениях [22]. Системный подход эффективен для идентификации механизмов тех или иных явлений, поиска причинных факторов, приводящих к наблюдаемому явлению.

В то же время, необходимы как усилия по созданию как можно более полных сетей биологических взаимодействий, так и новые алгоритмы системного анализа постгеномных данных в этих сетей. Особенно важным представляется создание подходов, способных легко интегрировать различные типы постгеномных данных в одной аналитической инфраструктуре, выявляя их сходства и различия на системном уровне.

Настоящая работа посвящена разработке и применению методов идентификации ключевых регуляторных путей, задействованных в мультифакторных заболеваниях, при помощи биологических сетей.

Цель работы:

Разработка и применение подходов для эффективного совместного анализа различных типов постгеномных данных с помощью методов системной биологии. Оценка применимости используемых подходов на различных массивах данных, полученных для разнообразных мультигенных заболеваний.

Задачи:

1. Найти общие и уникальные биологические пути, характерные для псориаза и болезни Крона с помощью анализа данных экспрессии генов;

2. Определить метод, дающий наилучшие результаты для классификации различных подтипов рака грудной железы на основании экспрессионных данных;

3. Реконструировать ключевые пути сигнальной трансдукции, характеризующие патологию псориаза на основании экспрессионных и протеомных данных;

4. Проанализировать набор существующих подходов для интегрированного анализа постгеномных данных.

1. ОБЗОР ЛИТЕРАТУРЫ.

выводы.

1. В результате сравнительного анализа изменений экспрессии генов при псориазе и болезни Крона, найдены гены со значимо измененной экспрессией в обоих исследованных массивов данныхвыделены модули биологических сетей, связывающих эти гены. Найдены общие и уникальные сигнальные пути, участвующие в этих патологиях.

2. Проведено функциональное сравнение множеств информативных генов, отобранных пятью отдельными методами для трех отдельных задач классификации профилей экспрессии в раке грудной железы: классификация статуса эстрогенового рецептора в опухоли (ЕЯ), классификация повышенной чувствительности к химиотерапии (рСЯ) и классификация повышенной чувствительности к химиотерапии в ЕЯ-отрицательных опухолях. Определен метод, дающий наилучшие результаты при классификации различных подтипов рака молочной железы на основании экспрессионных данных. На уровне генов множества объектов для классификации: а) схожи между собой для разных методов отбора в пределах одного классифицируемого фенотипаб) различаются для одного и того же метода отбора при разных фенотипах. На функциональном уровне повторены выводы для уровня генов, а также выявлено, что множества информативных генов для фенотипов ЕЯ и рСЯ функционально схожи и входят в единую подсеть с главным регулятором — рецептором эстрогена.

5. Обнаружен ряд путей сигнальной трансдукции, характеризующих патологию псориаза на основе экспрессионных и протеомных данных. Определен список мембранных рецепторов, которые инициируют важные сигнальные пути (в том числе более 20 рецепторов, ранее не исследовавшихся с связи с псориазом). Выявлено, что число путей, потенциально значимых для активации псориаз-специфического экспрессионного ответа, достаточно велико, что может указывать на причины малой эффективности лекарственной терапии этой болезни.

4. Проведен анализ существующих подходов для интегрированного анализа постгеномных данных. Предложен подход интегративного анализа различных типов постгеномных данных при помощи поиска топологически значимых регуляторов в биологической сети.

Показать весь текст

Список литературы

  1. «Finishing the euchromatic sequence of the human genome,» Nature, vol. 431, no. 7011, pp. 931−945, Oct. 2004.
  2. M. Vidal, «A unifying view of 21st century systems biology.,» FEBS letters, vol. 583, no. 24, pp. 3891−3894, Dec. 2009.
  3. H. Kitano, «Systems Biology: A Brief Overview,» Science, vol. 295, no. 5560, pp. 16 621 664, Mar. 2002.
  4. H. Kitano, «Computational systems biology.,» Nature, vol. 420, no. 6912, pp. 206−210, Nov. 2002.
  5. L. II. Hartwell, J. J. Hopfield, S. Leibler, and A. W. Murray, «From molecular to modular cell biology.,» Nature, vol. 402, no. 6761, pp. C47-C52, Dec. 1999.
  6. N. H. Lee and A. I. Saeed, «Microarrays: an overview,» Methods in Molecular Biology (Clifton, N.J.), vol. 353, pp. 265−300, 2007.
  7. N. M. Verrills, «Clinical proteomics: present and future prospects,» The Clinical Biochemist. Reviews / Australian Association of Clinical Biochemists, vol. 27, no. 2, pp. 99−116, May. 2006.
  8. D. G. Wang et al., «Large-scale identification, mapping, and genotyping of single-nucleotide polymorphisms in the human genome,» Science (New York, N.Y.), vol. 280, no. 5366, pp. 1077−1082, May. 1998.
  9. D. Murphy, «Gene expression studies using microarrays: principles, problems, and prospects.,» Advances in physiology education, vol. 26, no. 1, pp. 256−270, Dec. 2002.
  10. T. Barrett et al., «NCBI GEO: mining tens of millions of expression profiles-database and tools update.,» Nucleic Acids Res, vol. 35, Jan. 2007.
  11. P. Cahan, F. Rovegno, D. Mooney, J. C. Newman, G. St Laurent, and T. A. McCaffrey, «Meta-analysis of microarray results: challenges, opportunities, and recommendations for standardization.,» Gene, vol. 401, no. 1, pp. 12−18, Oct. 2007.
  12. J. N. Hirschhorn and M. J. Daly, «Genome-wide association studies for common diseases and complex traits.,» Nature reviews. Genetics, vol. 6, no. 2, pp. 95−108, Feb. 2005.
  13. W. Cookson, L. Liang, G. Abecasis, M. Moffatt, and M. Lathrop, «Mapping complex disease traits with global gene expression.,» Nature reviews. Genetics, vol. 10, no. 3, pp. 184—194, Mar. 2009.
  14. K. Blennow, M. J. de Leon, and II. Zetterberg, «Alzheimer's disease,» Lancet, vol. 368, no. 9533, pp. 387−403, Jul. 2006.
  15. J. Hardy, P. Lewis, T. Revesz, A. Lees, and C. Paisan-Ruiz, «The genetics of Parkinson’s syndromes: a critical review,» Current Opinion in Genetics & Development, vol. 19, no. 3, pp. 254−265, Jun. 2009.
  16. A. Davidson and B. Diamond, «Autoimmune diseases.,» N Engl J Med, vol. 345, no. 5, pp. 340−350, Aug. 2001.
  17. E. D. O. Roberson and A. M. Bowcock, «Psoriasis genetics: breaking the barrier,» Trends in Genetics: TIG, vol. 26, no. 9, pp. 415−423, Sep. 2010.
  18. A. Rahman and D. A. Isenberg, «Systemic lupus erythematosus,» The New England Journal of Medicine, vol. 358, no. 9, pp. 929−939, Feb. 2008.
  19. W. Bodmer and C. Bonilla, «Common and rare variants in multifactorial susceptibility to common diseases,» Nature Genetics, vol. 40, no. 6, pp. 695−701, Jun. 2008.
  20. Y. Q. Qiu, S. Zhang, X. S. Zhang, and L. Chen, «Detecting disease associated modules and prioritizing active genes based on high throughput data.,» BMC bioinformatics, vol. 11, no. 1, p. 26+, 2010.
  21. M. A. A. Ali and T. Sjoblom, «Molecular pathways in tumor progression: from discovery to functional understanding.,» Molecular bioSystems, vol. 5, no. 9, pp. 902—908, Sep. 2009.
  22. T. Ideker and R. Sharan, «Protein networks in disease.,» Genome research, vol. 18, no. 4, pp. 644−652, Apr. 2008.
  23. M. B. Eisen, P. T. Spellman, P. O. Brown, and D. Botstein, «Cluster analysis and display of genome-wide expression patterns,» Proceedings of the National Academy of Sciences of the United States of America, vol. 95, no. 25, pp. 14 863−14 868, Dec. 1998.
  24. H. W. Ressom, R. S. Varghese, Z. Zhang, J. Xuan, and R. Clarke, «Classification algorithms for phenotype prediction in genomics and proteomics.,» Frontiers in bioscience: a journal and virtual libraiy, vol. 13, pp. 691−708, 2008.
  25. T. Sorlie et al.3 «Gene expression patterns of breast carcinomas distinguish tumor subclasses with clinical implications,» Proceedings of the National Academy of Sciences of the United States of America, vol. 98, no. 19, pp. 10 869−10 874, Sep. 2001.
  26. B. D. Gregory and D. A. Belostotsky, «Whole-genome microarrays: applications and technical issues,» Methods in Molecular Biology (Clifton, N.J.), vol. 553, pp. 39−56, 2009.
  27. J. Wu, L. T. Smith, C. Plass, and T. H. Huang, «ChlP-chip comes of age for genome-wide functional analysis,» Cancer Research, vol. 66, no. 14, pp. 6899−6902, Jul. 2006.
  28. T. LaFramboise, «Single nucleotide polymorphism arrays: a decade of biological, computational and technological advances.,» Nucleic acids research, vol. 37, no. 13, pp. 4181−4193, Jul. 2009.
  29. J. M. Johnson et al., «Genome-wide survey of human alternative pre-mRNA splicing with exon junction microarrays,» Science (New York, N.Y.), vol. 302, no. 5653, pp. 2141−2144, Dec. 2003.
  30. E. Purdom, K. M. Simpson, M. D. Robinson, J. G. Conboy, A. V. Lapuk, and T. P. Speed, «FIRMA: a method for detection of alternative splicing from exon array data,» Bio informatics, vol. 24, no. 15, pp. 1707−1714, Aug. 2008.
  31. H. Wang et al., «Gene structure-based splice variant deconvolution using a microarray platform,» Bioinformatics (Oxford, England), vol. 19, pp. i315−322, 2003.
  32. M. Tyers and M. Mann, «From genomics to proteomics,» Nature, vol. 422, no. 6928, pp. 193−197, Mar. 2003.
  33. R. Aebersold and D. R. Goodlett, «Mass spectrometry in proteomics,» Chemical Reviews, vol. 101, no. 2, pp. 269−295, Feb. 2001.
  34. M. Karas and F. Hillenkamp, «Laser desorption ionization of proteins with molecular masses exceeding 10,000 daltons,» Analytical Chemistiy, vol. 60, no. 20, pp. 2299−2301, Oct. 1988.
  35. J. B. Fenn, M. Mann, C. K. Meng, S. F. Wong, and C. M. Whitehouse, «Electrospray ionization for mass spectrometry of large biomolecules,» Science (New York, N.Y.), vol. 246, no. 4926, pp. 64−71, Oct. 1989.
  36. J. R. Yates, «Mass spectrometry and the age of the proteoine,» Journal of Mass Spectrometry: JMS, vol. 33, no. 1, pp. 1−19, Jan. 1998.
  37. A. Gorg, W. Weiss, and M. J. Dunn, «Current two-dimensional electrophoresis technology for proteomics,» Proteomics, vol. 4, no. 12, pp. 3665−3685, Dec. 2004.
  38. M. Mann and O. N. Jensen, «Proteomic analysis of post-translational modifications,» Nature Biotechnology, vol. 21, no. 3, pp. 255−261, Mar. 2003.
  39. A. W. Dowsey, M. J. Dunn, and G. Yang, «The role of bioinformatics in two-dimensional gel electrophoresis,» Proteomics, vol. 3, no. 8, pp. 1567−1596, Aug. 2003.
  40. S. P. Gygi, B. Rist, S. A. Gerber, F. Turecek, M. H. Gelb, and R. Aebersold, «Quantitative analysis of complex protein mixtures using isotope-coded affinity tags,» Nature Biotechnology, vol. 17, no. 10, pp. 994−999, Oct. 1999.
  41. L. V. Schneider and M. P. Hall, «Stable isotope methods for high-precision proteomics,»
  42. Drug Discovery Today, vol. 10, no. 5, pp. 353−363, Mar. 2005.
  43. R. Matthiesen and A. S. Carvalho, «Methods and algorithms for relative quantitative proteomics by mass spectrometry,» Methods in Molecular Biology (Clifton, N.J.), vol. 593, pp. 187−204, 2010.
  44. L. D. Rogers and L. J. Foster, «Phosphoproteomics—finally fulfilling the promise?,» Molecular bioSysterns, vol. 5, no. 10, pp. 1122−1129, Oct. 2009.
  45. L. A. Liotta et al., «Protein microarrays: meeting analytical challenges for clinical applications,» Cancer Cell, vol. 3, no. 4, pp. 317−325, Apr. 2003.
  46. J. Jacquemier et al., «Protein expression profiling identifies subclasses of breast cancer and predicts prognosis,» Cancer Research, vol. 65, no. 3, pp. 767−779, Feb. 2005.
  47. K. M. Sheehan et al., «Use of reverse phase protein microarrays and reference standard development for molecular network analysis of metastatic ovarian carcinoma,» Molecular & Cellular Proteomics: MCP, vol. 4, no. 4, pp. 346−355, Apr. 2005.
  48. M. L. Metzker, «Sequencing technologies — the next generation,» Nature Reviews Genetics, vol. 11, no. 1, pp. 31—46, Dec. 2009.
  49. C. Trapnell and S. L. Salzberg, «How to map billions of short reads onto genomes.,» Nature biotechnology, vol. 27, no. 5, pp. 455−457, May. 2009.
  50. J. R. Miller, S. Koren, and G. Sutton, «Assembly algorithms for next-generation sequencing data.,» Genomics, vol. 95, no. 6, pp. 315—327, Jun. 2010.
  51. Z. Wang, M. Gerstein, and M. Snyder, «RNA-Seq: a revolutionary tool for transcriptomics,» Nature Reviews Genetics, vol. 10, no. 1, pp. 57−63, Jan. 2009.
  52. J. C. Marioni, C. E. Mason, S. M. Mane, M. Stephens, and Y. Gilad, «RNA-seq: an assessment of technical reproducibility and comparison with gene expression arrays.,» Genome research, vol. 18, no. 9, pp. 1509−1517, Sep. 2008.
  53. P. J. Park, «ChlP-seq: advantages and challenges of a maturing technology,» Nature Reviews Genetics, vol. 10, no. 10, pp. 669−680, Sep. 2009.
  54. B. A. Flusberg et al., «Direct detection of DNA methylation during single-molecule, realtime sequencing,» Nature Methods, vol. 7, no. 6, pp. 461−465, 2010.
  55. P. J. Campbell et al., «Identification of somatically acquired rearrangements in cancer using genome-wide massively parallel paired-end sequencing,» Nat Genet, vol. 40, no. 6, pp. 722 729, Apr. 2008.
  56. J. M. Raser and E. K. O’Shea, «Noise in Gene Expression: Origins, Consequences, and Control,» Science, vol. 309, no. 5743, pp. 2010−2013, Sep. 2005.
  57. Benson, Mikael, Breitling, and Rainer, «Network Theory to Understand Microarray Studies of Complex Diseases,» Current Molecular Medicine, vol. 6, no. 6, pp. 695−701, Sep. 2006.
  58. S. Sundaresh, S. P. Hung, G. W. Hatfield, and P. Baldi, «How noisy and replicable are DNA microarry data 1,» International journal of bioinformatics research and applications, vol. 1, no. 1, pp. 31−50, 2005.
  59. II. van Bakel, C. Nislow, B. J. Blencowe, and T. R. Hughes, «Most «dark matter» transcripts arc associated with known genesPLoS Biology, vol. 8, no. 5, p. el000371, May. 2010.
  60. A. Brazma et al., «Minimum information about a microarray experiment (MIAME)-toward standards for microarray dataNature genetics, vol. 29, no. 4, pp. 365−371, Dec. 2001.
  61. H. Parkinson et al., «ArrayExpress-a public database of microarray experiments and gene expression profiles.,» Nucleic Acids Res, vol. 35, Jan. 2007.
  62. A. Ramasamy, A. Mondry, C. C. Holmes, and D. G. Altman, «Key Issues in Conducting a Meta-Analysis of Gene Expression Microarray Datasets,» PLoS Med, vol. 5, no. 9, p. el 84+, Sep.2008.
  63. O. Larsson and R. Sandberg, «Lack of correct data format and comparability limits future integrative microarray research,» Nature Biotechnology, vol. 24, no. 11, pp. 1322−1323, Nov.2006.
  64. F. Hong, R. Breitling, C. W. McEntee, B. S. Wittner, J. L. Nemhauscr, and J. Chory, «RankProd: a bioconductor package for detecting differentially expressed genes in metaanalysis,» Bioinformatics, vol. 22, no. 22, pp. 2825−2827, Nov. 2006.
  65. P. Warnat, R. Eils, and B. Brors, «Cross-platform analysis of cancer microarray data improves gene expression based classification of phenotypes.,» BMC bioinformatics, vol. 6, no. l, p. 265+, 2005.
  66. M. Benito et al., «Adjustment of systematic microarray data biases,» Bioinformatics (Oxford, England), vol. 20, no. 1, pp. 105−114, Jan. 2004.
  67. E. S. Lander et al., «Initial sequencing and analysis of the human genome,» Nature, vol. 409, no. 6822, pp. 860−921, Feb. 2001.
  68. M. Pertea and S. L. Salzberg, «Between a chicken and a grape: estimating the number of human genes,» Genome Biology, vol. 11, no. 5, p. 206, 2010.
  69. T. Ideker, T. Galitski, and L. Hood, «A NEW APPROACH TO DECODING LIFE: Systems Biology,» Annual Review of Genomics and Human Genetics, vol. 2, no. 1, pp. 343−372, 2001.
  70. T. Ideker et al., «Integrated genomic and proteomic analyses of a systematically perturbed metabolic network.,» Science, vol. 292, no. 5518, pp. 929−934, 2001.
  71. C. H. Yeang, T. Ideker, and T. Jaakkola, «Physical network models.,» Journal of computational biology: a journal of computational molecular cell biology, vol. 11, no. 2, pp. 243−262, 2004.
  72. R. Albert and A. L. Barabasi, «Statistical mechanics of complex networks,» Reviews of Modern Physics, vol. 74, no. 1, pp. 47−97, 2002.
  73. R. Milo, S. Shen-Orr, S. Itzkovitz, N. Kashtan, D. Chklovskii, and U. Alon, «Network motifs: simple building blocks of complex networks.,» Science (New York, N.Y.), vol. 298, no. 5594, pp. 824−827, Oct. 2002.
  74. R. Sharan et al., «Conserved patterns of protein interaction in multiple species.,» Proceedings of the National Academy of Sciences of the United States of America, vol. 102, no. 6, pp. 1974−1979, Feb. 2005.
  75. H. Yu et al., «High-quality binary protein interaction map of the yeast interactome network.,» Science (New York, N.Y.), vol. 322, no. 5898, pp. 104−110, Oct. 2008.
  76. J. F. Rual et al., «Towards a proteome-scale map of the human protein-protein interaction network.,» Nature, vol. 437, no. 7062, pp. 1173−1178, Oct. 2005.
  77. M. Vidal, «Interactome modeling.,» FEBS letters, vol. 579, no. 8, pp. 1834−1838, Mar. 2005.
  78. M. E. Cusick, N. Klitgord, M. Vidal, and D. E. Hill, «Interactome: gateway into systems biology.,» Hitman molecular genetics, vol. 14, Oct. 2005.
  79. C. von Mering et al., «Comparative assessment of large-scale data sets of protein-protein interactions.,» Nature, vol. 417, no. 6887, pp. 399−403, 2002.
  80. P. Braun et al., «An experimentally derived confidence score for binary protein-protein interactions,» Nature Methods, vol. 6, no. 1, pp. 91−97, Jan. 2009.
  81. Y. Chen, S. V. Rajagopala, T. Stellberger, and P. Uetz, «Exhaustive benchmarking of the yeast two-hybrid system,» Nature Methods, vol. 7, no. 9, pp. 667−668- author reply 668, Sep. 2010.
  82. A. Gavin et al., «Functional organization of the yeast proteome by systematic analysis of protein complexes,» Nature, vol. 415, no. 6868, pp. 141−147, Jan. 2002.
  83. M. Tompa et al., «Assessing computational tools for the discovery of transcription factor binding sites,» Nature Biotechnology, vol. 23, no. 1, pp. 137−144, Jan. 2005.
  84. A. Beyer, S. Bandyopadhyay, and T. Ideker, «Integrating physical and genetic maps: from genomes to interaction networks.,» Nature reviews. Genetics, vol. 8, no. 9, pp. 699—710, Sep. 2007.
  85. N. Daraselia, A. Yuryev, S. Egorov, S. Novichkova, A. Nikitin, and I. Mazo, «Extracting human protein interactions from MEDLINE using a full-sentence parser,» Bioinformatics (Oxford, England), vol. 20, no. 5, pp. 604−611, Mar. 2004.
  86. M. E. Cusick et al., «Literature-curated protein interaction datasets,» Nature Methods, vol. 6, no. 1, pp. 39−46, Dec. 2008.
  87. L. Hakes, J. W. Pinney, D. L. Robertson, and S. C. Lovell, «Protein-protein interaction networks and biology—what's the connection?,» Nature Biotechnology, vol. 26, no. 1, pp. 69−72, Jan. 2008.
  88. H. Yu et al., «High-quality binary protein interaction map of the yeast interactome network,» Science (New York, N.Y.), vol. 322, no. 5898, pp. 104−110, Oct. 2008.
  89. A. P. Presson et al., «Integrated weighted gene co-expression network analysis with an application to chronic fatigue syndrome.,» BMC systems biology, vol. 2, p. 95+, Nov. 2008.
  90. H. Jeong, B. Tombor, R. Albert, Z. N. Oltvai, and A. L. Barabasi, «The large-scale organization of metabolic networks.,» Nature, vol. 407, no. 6804, pp. 651−654, Oct. 2000.
  91. R. Albert, «Scale-free networks in cell biology,» Journal of Cell Science, vol. 118, no. 21, pp. 4947.4957, Nov. 2005.
  92. Barabasi and Albert, «Emergence of scaling in random networks,» Science (New York, N.Y.), vol. 286, no. 5439, pp. 509−512, Oct. 1999.
  93. H. Jeong, B. Tombor, R. Albert, Z. N. Oltvai, and A. L. Barabasi, «The large-scale organization of metabolic networks.,» Nature, vol. 407, no. 6804, pp. 651−654, Oct. 2000.
  94. A. L. Barabasi and Z. N. Oltvai, «Network biology: understanding the cell’s functional organization.,» Nature reviews. Genetics, vol. 5, no. 2, pp. 101—113, Feb. 2004.
  95. H. Yu, D. Greenbaum, H. Xin Lu, X. Zhu, and M. Gerstein, «Genomic analysis of essentiality within protein networks.,» Trends Genet, vol. 20, no. 6, pp. 227−231, Jun. 2004.
  96. L. H. Hartwell, J. J. Hopfield, S. Leibler, and A. W. Murray, «From molecular to modular cell biology,» Nature, vol. 402, no. 6761, pp. C47−52, Dec. 1999.
  97. J. D. Han et al., «Evidence for dynamically organized modularity in the yeast protein-protein interaction network.,» Nature, vol. 430, no. 6995, pp. 88−93, Jul. 2004.
  98. M. Oti, B. Snel, M. A. Huynen, and H. G. Brunner, «Predicting disease genes using proteinprotein interactions,» Journal of Medical Genetics, vol. 43, no. 8, pp. 691−698, Aug. 2006.
  99. F. Sams-Dodd, «Target-based drug discovery: is something wrong?,» Drug Discoveiy Today, vol. 10, no. 2, pp. 139−147, Jan. 2005.
  100. H. Kitano, «A robustness-based approach to systems-oriented drug design,» Nature Reviews. Drug Discoveiy, vol. 6, no. 3, pp. 202−210, Mar. 2007.
  101. G. R. Zimmermann, J. Lehar, and C. T. Keith, «Multi-target therapeutics: when the whole is greater than the sum of the parts,» Drug Discoveiy Today, vol. 12, no. 1, pp. 34−42, Jan. 2007.
  102. G. P. Gupta et al., «Mediators of vascular remodelling co-opted for sequential steps in lung metastasis,» Nature, vol. 446, no. 7137, pp. 765−770, Apr. 2007.
  103. Z. Dezso et al., «Identifying disease-specific genes based on their topological significance in protein networks,» BMC Systems Biology, vol. 3, no. 1, p. 36+, 2009.
  104. W. Hwang, A. Zhang, and M. Ramanathan, «Identification of information flow-modulating drug targets: a novel bridging paradigm for drug discovery,» Clinical Pharmacology and
  105. Therapeutics, vol. 84, no. 5, pp. 563−572, Nov. 2008.
  106. A. A. Ptitsyn, M. M. Weil, and D. H. Thamm, «Systems biology approach to identification of biomarkers for metastatic progression in cancer,» BMC Bioinformatics, vol. 9, p. S8, 2008.
  107. H. Y. Chuang, E. Lee, Y. T. Liu, D. Lee, and T. Ideker, «Network-based classification of breast cancer metastasis.,» Molecular systems biology, vol. 3, Oct. 2007.
  108. S. Bureeva, S. Zvereva, V. Romanov, and T. Serebryiskaya, «Manual annotation of protein interactions,» Methods in Molecular Biology (Clifton, N.J.), vol. 563, pp. 75−95, 2009.
  109. H. Ge, A. J. Walhout, and M. Vidal, «Integrating 'omic' information: a bridge between genomics and systems biology.,» Trends in genetics: TIG, vol. 19, no. 10, pp. 551−560, Oct. 2003.
  110. S. Killcoyne, G. W. Carter, J. Smith, and J. Boyle, «Cytoscape: a community-based framework for network modeling.,» Methods in molecular biology (Clifton, N.J.), vol. 563, pp. 219−239, 2009.
  111. C. H. Yeang, H. C. Mak, S. McCuine, C. Workman, T. Jaakkola, and T. Ideker, «Validation and refinement of gene-regulatory pathways on a network of physical interactions.,» Genome biology, vol. 6, no. 7, p. R62+, 2005.
  112. H. Hermjakob et al., «The HUPO PSI’s molecular interaction format-a community standard for the representation of protein interaction data.,» Nature biotechnology, vol. 22, no. 2, pp. 177−183, Feb. 2004.
  113. E. Demir et al., «The BioPAX community standard for pathway data sharing,» Nature Biotechnology, vol. 28, no. 9, pp. 935−942, Sep. 2010.
  114. A. Portela and M. Esteller, «Epigenetic modifications and human disease,» Nature Biotechnology, vol. 28, no. 10, pp. 1057−1068, Oct. 2010.
  115. M. Hucka et al., «The systems biology markup language (SBML): a medium for representation and exchange of biochemical network models,» Bioinformatics, vol. 19, no. 4, pp. 524−531, Mar. 2003.
  116. G. D. Bader, M. P. Cary, and C. Sander, «Pathguide: a pathway resource list,» Nucleic Acids Research, vol. 34, pp. D504−506, Jan. 2006.
  117. S. Mathivanan et al., «An evaluation of human protein-protein interaction data in the public domainBMC Bioinformatics, vol. 7, no. 5, p. S19+, 2006.
  118. L. Salwinski, C. S. Miller, A. J. Smith, F. K. Pettit, J. U. Bowie, and D. Eisenberg, «The Database of Interacting Proteins: 2004 update,» Nucl. Acids Res., vol. 32, no. 1, pp. D449−451, Jan. 2004.
  119. B. Aranda et al., «The IntAct molecular interaction database in 2010,» Nucl. Acids Res., vol. 38, pp. gkp878−531, Oct. 2009.
  120. A. Ceol et al., «MINT, the molecular interaction database: 2009 update.,» Nucleic acids research, vol. 38, pp. D532−539, Jan. 2010.
  121. B. J. Breitkreutz et al., «The BioGRID Interaction Database: 2008 update.,» Nucleic acids research, vol. 36, Jan. 2008.
  122. S. Peri et al., «Development of human protein reference database as an initial platform for approaching systems biology in humans.,» Genome research, vol. 13, no. 10, pp. 2363−2371, Oct. 2003.
  123. G. D. Bader, D. Betel, and C. W. Hogue, «BIND: the Biomolecular Interaction Network Database.,» Nucleic acids research, vol. 31, no. 1, pp. 248−250, Jan. 2003.
  124. G. O. Consortium, «The Gene Ontology (GO) project in 2006,» Nucl. Acids Res., vol. 34, no. 1, pp. D322—326, Jan. 2006.
  125. M. Kanehisa and S. Goto, «KEGG: kyoto encyclopedia of genes and genomes,» Nucleic Acids Research, vol. 28, no. 1, pp. 27−30, Jan. 2000.
  126. D. Croft et al., «Reactome: a database of reactions, pathways and biological processes,» Nucleic Acids Research, vol. 39, pp. D691−697, Jan. 2011.
  127. H. Mi, N. Guo, A. Kejariwal, and P. D. Thomas, «PANTHER version 6: protein sequence and function evolution data with expanded representation of biological pathways,» Nucleic
  128. Acids Research, vol. 35, pp. D247−252, Jan. 2007.
  129. A. R. Pico, T. Kelder, M. P. van Iersel, K. Hanspers, B. R. Conklin, and C. Evelo, «WikiPathways: pathway editing for the people,» PLoS Biology, vol. 6, no. 7, p. el84, Jul. 2008.
  130. D. Soh, D. Dong, Y. Guo, and L. Wong, «Consistency, comprehensiveness, and compatibility of pathway databases,» BMC Bioinformatics, vol. 11, no. 1, p. 449, Sep. 2010.
  131. K. Xia, D. Dong, and J. J. Han, «IntNetDB vl.0: an integrated protein-protein interaction network database generated by a probabilistic model,» BMC Bioinformatics, vol. 7, p. 508, 2006.
  132. B. Turner et al., «iRefWeb: interactive analysis of consolidated protein interaction data and their supporting evidence,» Database: The Journal of Biological Databases and Cnration, vol. 2010, p. baq023, 2010.
  133. P. Khatri and S. Draghici, «Ontological analysis of gene expression data: current tools, limitations, and open problems,» Bioinformatics (Oxford, England), vol. 21, no. 18, pp. 35 873 595, Sep. 2005.
  134. S. Draghici et al., «A systems biology approach for pathway level analysis,» Genome Research, vol. 17, no. 10, pp. 1537−1545, Oct. 2007.
  135. D. W. Huang, B. T. Sherman, and R. A. Lempicki, «Bioinformatics enrichment tools: paths toward the comprehensive functional analysis of large gene lists,» Nucl. Acids Res., vol. 37, no. l, pp. 1−13, Jan. 2009.
  136. X. Wang, E. Dalkic, M. Wu, and C. Chan, «Gene module level analysis: identification to networks and dynamics.,» Current opinion in biotechnology, vol. 19, no. 5, pp. 482—491, Oct. 2008.
  137. S. E. Baranzini et al., «Pathway and network-based analysis of genome-wide association studies in multiple sclerosis,» Hum. Mol. Genet., vol. 18, no. 11, pp. 2078−2090, Jun. 2009.
  138. A. Keller et al., «A novel algorithm for detecting differentially regulated paths based on gene set enrichment analysis.,» Bioinformatics (Oxford, England), vol. 25, no. 21, pp. 2787—2794, Nov. 2009.
  139. H. Hu, «An Efficient Method to Identify Conditionally Activated Transcription Factors and their Corresponding Signal Transduction Pathway Segments,» Bioinformatics and Biology Insights, vol. 3, pp. 179−187,2009.
  140. Z. Tu, L. Wang, M. N. Arbeitman, T. Chen, and F. Sun, «An integrative approach for causal gene identification and gene regulatory pathway inference.,» Bioinformatics, vol. 22, no. 14, pp. e489−496, Jul. 2006.
  141. L. Shi et al., «The MicroArray Quality Control (MAQC)-II study of common practices for the development and validation of microarray-based predictive models,» Nature Biotechnology, Jul. 2010.
  142. J. Stec et al., «Comparison of the predictive accuiacy of DNA array-based multigene classifiers across cDNA arrays and Affymetrix GeneChips,» The Journal of Molecular Diagnostics: JMD, vol. 7, no. 3, pp. 357−367, Aug. 2005.
  143. C. J. Miller, simpleaffy: Very simple high level analysis of Affymetrix data.
  144. E. Piruzian et al., «Integrated network analysis of transcriptomic and proteomic data inpsoriasis,» BMC Systems Biology, vol. 4, no. 1, p. 41+, 2010.
  145. U. K. Laemmli, «Cleavage of structural proteins during the assembly of the head of bacteriophage T4 «Nature, vol. 227, no. 5259, pp. 680−685, Aug. 1970.
  146. B. L. Welch, «The Generalization of «Student's' Problem when Several Different Population Variances are Involved,» Biometrika, vol. 34, no. 1, pp. 28−35, 1947.
  147. Y. Benjamini and Y. Hochberg, «Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing,» Journal of the Royal Statistical Society. Series B, Methodological, vol. 57, no. 1, pp. 289−300, 1995.
  148. V. Pihur, S. Datta, and S. Datta, «RankAggreg, an R package for weighted rank aggregation,» BMC Bioinformatics, vol. 10, no. 1, p. 62+, 2009.
  149. R. D. C. Team, R: A Language and Environment for Statistical Computing. Vienna, Austria:, 2010.
  150. R. Gentleman et al., «Bioconductor: open software development for computational biology and bioinformatics,» Genome Biology, vol. 5, no. 10, p. R80+, 2004.
  151. T. Byrt, J. Bishop, and J. B. Carlin, «Bias, prevalence and kappa.,» Journal of clinical epidemiology, vol. 46, no. 5, pp. 423429, May. 1993.
  152. A. M. Bowcock and J. G. Krueger, «Getting under the skin: the immunogenetics of psoriasis,» Nature Reviews Immunology, vol. 5, no. 9, pp. 699—711, Sep. 2005.
  153. Y. Liu, J. G. Krueger, and A. M. Bowcock, «Psoriasis: genetic associations and immune system changes,» Genes and Immunity.
  154. M. D. Srivastava and M. N. Kulaylat, «Gene expression profiles of late colonic Crohn’s disease,» Journal of Medicine, vol. 35, no. 1, pp. 233−255, 2004.
  155. F. Andre et al., «HER2 expression and efficacy of preoperative paclitaxel/FAC chemotherapy in breast cancer,» Breast Cancer Research and Treatment, vol. 108, no. 2, pp. 183−190, Mar. 2008.
  156. P. Madsen et al., «Molecular cloning, occurrence, and expression of a novel partially secreted protein «psoriasin» that is highly up-regulated in psoriatic skin,» The Journal of Investigative Dermatology, vol. 97, no. 4, pp. 701−712, Oct. 1991.
  157. H. Vorum et al., «Expression and divalent cation binding properties of the novel chemotactic inflammatory protein psoriasin,» Electrophoresis, vol. 17, no. 11, pp. 1787−1796, Nov. 1996.
  158. A. Takeda et al., «Overexpression of serpin squamous cell carcinoma antigens in psoriatic skin,» The Journal of Investigative Dermatology, vol. 118, no. 1, pp. 147−154, Jan. 2002.
  159. P. Madsen et al., «Cloning, expression, and chromosome mapping of human galectin-7,» The Journal of Biological Chemistry, vol. 270, no. 11, pp. 5823−5829, Mar. 1995.
  160. S. Ghavami et al., «S100A8/A9 at low concentration promotes tumor cell growth via RAGE ligation and MAP kinase-dependent pathway.,» Journal of leukocyte biology, vol. 83, no. 6, pp. 1484−1492, Jun. 2008.
  161. D. Tsuruta, «NF-kappaB links keratinocytes and lymphocytes in the pathogenesis of psoriasis,» Recent Patents on Inflammation & Allergy Drug Discoveiy, vol. 3, no. 1, pp. 4048, 2009.
  162. S. Sano, K. S. Chan, and J. DiGiovanni, «Impact of Stat3 activation upon skin biology: a dichotomy of its role between homeostasis and diseases,» Journal of Dermatological Science, vol. 50, no. 1, pp. 1−14, Apr. 2008.
  163. K. Ghoreschi, U. Mrowietz, and M. Rocken, «A molecule solves psoriasis? Systemic therapies for psoriasis inducing interleukin 4 and Th2 responses,» Journal of Molecular
  164. Medicine (Berlin, Germany), vol. 81, no. 8, pp. 471−480, Aug. 2003.
  165. A. Gandarillas and F. M. Watt, «c-Myc promotes differentiation of human epidermal stem cells,» Genes & Development, vol. 11, no. 21, pp. 2869−2882, Nov. 1997.
  166. I. Arnold and F. M. Watt, «c-Myc activation in transgenic mouse epidermis results in mobilization of stem cells and differentiation of their progeny,» Current Biology: CB, vol. 11, no. 8, pp. 558−568, Apr. 2001.
  167. F. Santilli, N. Vazzana, L. G. Bucciarelli, and G. Davi, «Soluble forms of RAGE in human diseases: clinical and therapeutical implications,» Current Medicinal Chemistiy, vol. 16, no. 8, pp. 940−952, 2009.
  168. Y. Yao et al., «Type I Interferon: Potential Therapeutic Target for Psoriasis?,» PLoS ONE, vol. 3, no. 7, p. e2737+, Jul. 2008.
  169. R. Kelly, R. A. Marsden, and D. Bevan, «Exacerbation of psoriasis with GM-CSF therapy,» The British Journal of Dermatology, vol. 128, no. 4, pp. 468−469, Apr. 1993.
  170. J. Gu et al., «A 588-gene microarray analysis of the peripheral blood mononuclear cells of spondyloarthropathy patients,» Rheumatology (Oxford, England), vol. 41, no. 7, pp. 759−766, Jul. 2002.
  171. J. Reischl, S. Schwenke, J. M. Beekman, U. Mrowietz, S. Sturzebecher, and J. F. Heubach, «Increased expression of Wnt5a in psoriatic plaques,» The Journal of Investigative Dermatology, vol. 127, no. 1, pp. 163−169, Jan. 2007.
  172. T. Shiina, K. Hosomichi, H. Inoko, and J. K. Kulski, «The HLA genomic loci map: expression, interaction, diversity and disease,» Journal of Human Genetics, vol. 54, no. 1, pp. 15−39, Jan. 2009.
  173. K. Asadullah et al., «IL-10 is a key cytokine in psoriasis. Proof of principle by IL-10 therapy: a new therapeutic approach,» The Journal of Clinical Investigation, vol. 101, no. 4, pp. 783 794, Feb. 1998.
  174. J. C. Cancino-Diaz et al., «Interleukin-13 receptor in psoriatic keratinocytes: overexpression of the mRNA and underexpression of the protein,» The Journal of Investigative Dermatology, vol. 119, no. 5, pp. 1114−1120, Nov. 2002.
  175. A. Pietrzak et al., «Genes and structure of selected cytokines involved in pathogenesis of psoriasis,» Folia Histochemica Et Cytohiologica / Polish Academy of Sciences, Polish Histochemical and Cytochemical Society, vol. 46, no. 1, pp. 11−21, 2008.
  176. R. Martin, «Interleukin 4 treatment of psoriasis: are pleiotropic cytokines suitable therapies for autoimmune diseases?,» Trends in Pharmacological Sciences, vol. 24, no. 12, pp. 613 616, Dec. 2003.
  177. D. Foell et al., «Expression of the pro-inflammatory protein S100A12 (EN-RAGE) in rheumatoid and psoriatic arthritis,» Rheumatology (Oxford, England), vol. 42, no. 11, pp. 1383−1389, Nov. 2003.
  178. R. Horuk, «BX471: a CCR1 antagonist with anti-inflammatory activity in man,» Mini Reviews in Medicinal Chemistry, vol. 5, no. 9, pp. 791−804, Sep. 2005.
  179. M. de Groot et al., «Expression of the chemokine receptor CCR5 in psoriasis and results of a randomized placebo controlled trial with a CCR5 inhibitor,» Archives of Dermatological Research, vol. 299, no. 7, pp. 305−313, Sep. 2007.
  180. C. N. Ellis and G. G. Krueger, «Treatment of chronic plaque psoriasis by selective targeting of memory effector T lymphocytes,» The New England Journal of Medicine, vol. 345, no. 4, pp. 248−255, Jul. 2001.
  181. M. A. De Rie, I. Cairo, R. A. Van Lier, and J. D. Bos, «Expression of the T-cell activation antigens CD27 and CD28 in normal and psoriatic skin,» Clinical and Experimental Dermatology, vol. 21, no. 2, pp. 104−111, Mar. 1996.
  182. E. Prens, K. t Hooft-Benne, B. Tank, J. Van Damme, T. van Joost, and R. Benner, «Adhesion molecules and IL-1 costimulate T lymphocytes in the autologous MECLR in psoriasis,» Archives of Dermatological Research, vol. 288, no. 2, pp. 68−73, Feb. 1996.
  183. R. Debets et al., «The IL-1 system in psoriatic skin: IL-1 antagonist sphere of influence in lesional psoriatic epidermis,» Journal of Immunology (Baltimore, Md.: 1950), vol. 158, no. 6, pp. 2955−2963, Mar. 1997.
  184. B. S. Schulz et al., «Increased expression of epidermal IL-8 receptor in psoriasis. Down-regulation by FK-506 in vitro,» Journal of Immunology (Baltimore, Md.: 1950), vol. 151, no. 8, pp. 4399−4406, Oct. 1993.
  185. E. Guttman-Yassky et al., «Blockade of CDlla by efalizumab in psoriasis patients induces a unique state of T-cell hyporesponsiveness,» The Journal of Investigative Dermatology, vol. 128, no. 5, pp. 1182−1191, May. 2008.
  186. F. Sjogren, O. Ljunghusen, A. Baas, B. I. Coble, and O. Stendahl, «Expression and function of beta 2 integrin CD 1 IB/CD 18 on leukocytes from patients with psoriasis,» Acta Dermato-Venereologica, vol. 79, no. 2, pp. 105−110, Mar. 1999.
  187. J. L. Curry et al., «Innate immune-related receptors in normal and psoriatic skin,» Archives of Pathology & Laboratory Medicine, vol. 127, no. 2, pp. 178−186, Feb. 2003.
  188. A. M. Patterson et al., «Differential expression of syndecans and glypicans in chronically inflamed synovium,» Annals of the Rheumatic Diseases, vol. 67, no. 5, pp. 592−601, May. 2008.
  189. H. Wakita and M. Takigawa, «E-selectin and vascular cell adhesion molecule-1 are critical for initial trafficking of helper-inducer/memory T cells in psoriatic plaques,» Archives of Dermatology, vol. 130, no. 4, pp. 457−463, Apr. 1994.
  190. A. Chu, K. Hong, E. L. Berg, and R. O. Ehrhardt, «Tissue specificity of E- and P-selectin ligands in Thl-mediated chronic inflammation,» Journal of Immunology (Baltimore, Md.: 1950), vol. 163, no. 9, pp. 5086−5093, Nov. 1999.
  191. N. R. Seung et al., «Comparison of expression of heat-shock protein 60, Toll-like receptors 2 and 4, and T-cell receptor gammadelta in plaque and guttate psoriasis,» Journal of Cutaneous Pathology, vol. 34, no. 12, pp. 903−911, Dec. 2007.
  192. C. Zhao et al., «Identification of novel functional differences in monocyte subsets using proteomic and transcriptomic methods.,» Journal of proteome research, vol. 8, no. 8, pp. 4028−4038, Aug. 2009.
  193. M. L. Gatza et al., «A pathway-based classification of human breast cancer,» Proceedings of the National Academy of Sciences of the United States of America, vol. 107, no. 15, pp. 69 946 999, Apr. 2010.
  194. C. J. Hack, «Integrated transcriptome and proteome data: the challenges ahead.,» Briefings in functional genomics & proteomics, vol. 3, no. 3, pp. 212—219, Nov. 2004.
  195. K. Steiling et al., «Comparison of proteomic and transcriptomic profiles in the bronchial airway epithelium of current and never smokers.,» PloS one, vol. 4, no. 4, 2009.
  196. В. Cox, T. Kislinger, and A. Emili, «Integrating gene and protein expression data: pattern analysis and profile mining.,» Methods (San Diego, Calif), vol. 35, no. 3, pp. 303−314, Mar. 2005.
  197. Y. R. Chen et al., «Quantitative proteomic and genomic profiling reveals metastasis-related protein expression patterns in gastric cancer cells.,» Journal of proteome research, vol. 5, no. 10, pp. 2727−2742, Oct. 2006.
  198. Y. Nikolsky, T. Nikolskaya, and A. Bugrim, «Biological networks and analysis ofexperimental data in drug discovery.,» Drug discoveiy today, vol. 10, no. 9, pp. 653−662, 2005.
  199. A. L. Hopkins, «Network pharmacology: the next paradigm in drug discovery,» Nature Chemical Biology, vol. 4, no. 11, pp. 682−690, Nov. 2008.
  200. R. J. Lipshutz, S. P. Fodor, T. R. Gingeras, and D. J. Lockhart, «High density syntheticoligonucleotide arrays.,» Nat Genet, vol. 21, no. 1, pp. 20−24, Jan. 1999.
  201. K. Kuhn et al., «A novel, high-performance random array platform for quantitative geneexpression profiling,» Genome Research, vol. 14, no. 11, pp. 2347−2356, Nov. 2004.
  202. K. L. Gunderson et al., «Decoding randomly ordered DNA arrays,» Genome Research, vol.14, no. 5, pp. 870−877, May. 2004.
  203. B. M. Bolstad, R. A. Irizarry, M. Astrand, and T. P. Speed, «A comparison of normalization methods for high density oligonucleotide array data based on variance and bias,» Bioinformatics, vol. 19, no. 2, pp. 185−193, Jan. 2003.
  204. R. A. Irizarry, B. M. Bolstad, F. Collin, L. M. Cope, B. Hobbs, and T. P. Speed, «Summaries of Affymetrix GeneChip probe level data.,» Nucl. Acids Res., vol. 31, no. 4, p. el5+, Feb. 2003.
  205. Z. Wu, R. A. Irizarry, R. Gentleman, F. Martinez-Murillo, and F. Spencer, «A Model-Based Background Adjustment for Oligonucleotide Expression Arrays,» Journal of the American Statistical Association, vol. 99, no. 468, p. 909+.
  206. J. J. Chen, S. J. Wang, C. A. Tsai, and C. J. Lin, «Selection of differentially expressed genes in microarray data analysis,» The Pharmacogenomics Journal.
  207. V. G. Tusher, R. Tibshirani, and G. Chu, «Significance analysis of microarrays applied to the ionizing radiation response,» Proceedings of the National Academy of Sciences of the United States of America, vol. 98, no. 9, pp. 5116−5121, Apr. 2001.
  208. G. K. Smyth, «Linear models and empirical bayes methods for assessing differential expression in microarray experiments.,» Statistical applications in genetics and molecidar biology, vol. 3, no. 1, 2004.
  209. J. D. Storey and R. Tibshirani, «Statistical significance for genomewide studies,» Proceedings of the National Academy of Sciences of the United States of America, vol. 100, no. 16, pp. 9440−9445, Aug. 2003.
  210. Y. Pawitan, S. Michiels, S. Koscielny, A. Gusnanto, and A. Ploner, «False discovery rate, sensitivity and sample size for microarray studies «Bioinformatics, vol. 21, no. 13, pp. 3017— 3024, Jul. 2005.
  211. A. Ben-Hur, C. S. Ong, S. Sonnenburg, B. Scholkopf, and G. Ratsch, «Support vector machines and kernels for computational biology,» PLoS Computational Biology, vol. 4, no. 10, p. el000173, Oct. 2008.
  212. S. Ma and J. Huang, «Penalized feature selection and classification in bioinformatics,» Briefings in Bioinformatics, vol. 9, no. 5, pp. 392−403, Sep. 2008.
  213. P. Anand et al., «Cancer is a preventable disease that requires major lifestyle changes,» Pharmaceutical Research, vol. 25, no. 9, pp. 2097−2116, Sep. 2008.
  214. N. Petrucelli, M. B. Daly, and G. L. Feldman, «Hereditary breast and ovarian cancer due to mutations in BRCA1 and BRCA2,» Genetics in Medicine: Official Journal of the American College of Medical Genetics, vol. 12, no. 5, pp. 245−259, May. 2010.
  215. P. A. Futreal et al., «A census of human cancer genes,» Nature Reviews. Cancer, vol. 4, no. 3, pp. 177−183, Mar. 2004.
  216. D. Hanahan and R. A. Weinberg, «The hallmarks of cancer,» Cell, vol. 100, no. 1, pp. 57−70, Jan. 2000.
  217. M. P. Little and G. Li, «Stochastic modelling of colon cancer: is there a role for genomic instability?,» Carcinogenesis, vol. 28, no. 2, pp. 479−487, Feb. 2007.
  218. T. Sjoblom et al., «The consensus coding sequences of human breast and colorectal cancers,» Science (New York, N.Y.), vol. 314, no. 5797, pp. 268−274, Oct. 2006.
  219. A. Davidson and B. Diamond, «Autoimmune diseases,» The New England Journal of Medicine, vol. 345, no. 5, pp. 340−350, Aug. 2001.
  220. B. J. Nickoloff and F. O. Nestle, «Recent insights into the immunopathogenesis of psoriasis provide new therapeutic opportunities.,» J Clin Invest, vol. 113, no. 12, pp. 1664−1675, Jun. 2004.
  221. C. H. Smith and J. N. Barker, «Psoriasis and its management.,» BMJ, vol. 333, no. 7564, pp. 380−384, Aug. 2006.
  222. J. T. Elder et al., «Molecular dissection of psoriasis: integrating genetics and biology,» The Journal of Investigative Dermatology, vol. 130, no. 5, pp. 1213−1226, May. 2010.
  223. L. Samuelsson et al., «A genome-wide search for genes predisposing to familial psoriasis by using a stratification approach,» Human Genetics, vol. 105, no. 6, pp. 523−529, Dec. 1999.
  224. A. M. Bowcock and W. O. C. M. Cookson, «The genetics of psoriasis, psoriatic arthritis and atopic dermatitis,» Human Molecular Genetics, vol. 13, pp. R43−55, Apr. 2004.
  225. R. L. Smith, R. B. Warren, C. E. Griffiths, and J. Worthington, «Genetic susceptibility to psoriasis: an emerging picture,» Genome Medicine, vol. 1, no. 7, p. 72, 2009.
  226. R. P. Nair et al., «Genome-wide scan reveals association of psoriasis with IL-23 and NF-kappaB pathways,» Nature Genetics, vol. 41, no. 2, pp. 199−204, Feb. 2009.
  227. E. Dika, F. Bardazzi, R. Balestri, and H. I. Maibach, «Environmental factors and psoriasis.,» CurrProhl Dermatol, vol. 35, pp. 118−135, 2007.
  228. M. A. Lowes, A. M. Bowcock, and J. G. Krueger, «Pathogenesis and therapy of psoriasis,» Nature, vol. 445, no. 7130, pp. 866−873, Feb. 2007.
  229. I. Kryczek et al., «Induction of IL-17+ T cell trafficking and development by IFN-gamma: mechanism and pathological relevance in psoriasis,» Journal of Immunology (Baltimore, Md.: 1950), vol. 181, no. 7, pp. 4733−4741, Oct. 2008.
  230. W. Lew, A. M. Bowcock, and J. G. Krueger, «Psoriasis vulgaris: cutaneous lymphoid tissue supports T-cell activation and «Type 1» inflammatory gene expression,» Trends in Immunology, vol. 25, no. 6, pp. 295−305, Jun. 2004.
  231. X. Zhou et al., «Novel mechanisms of T-cell and dendiitic cell activation revealed by profiling of psoriasis on the 63,100-element oligonucleotide array.,» Physiol Genomics, vol. 13, no. 1, pp. 69−78, Mar. 2003.
  232. E. A. Ahvawi, E. Krulig, and K. B. Gordon, «Long-term efficacy of biologies in the treatment of psoriasis: what do we really know?,» Dermatologic Therapy, vol. 22, no. 5, pp. 431−440, Oct. 2009.
  233. W. Strober, I. Fuss, and P. Mannon, «The fundamental basis of inflammatory bowel disease.,» J Clin Invest, vol. 117, no. 3, pp. 514−521, Mar. 2007.
  234. T. Kucharzik et al., «Recent understanding of IBD pathogenesis: implications for future therapies.,» Inflamm Bowel Dis, vol. 12, no. 11, pp. 1068−1083, Nov. 2006.
  235. I. Peluso, F. Pallone, and G. Montelcone, «Interleukin-12 and Thl immune response in Crohn’s disease: pathogenetic relevance and therapeutic implication.,» World J Gastroenterol, vol. 12, no. 35, pp. 5606−5610, Sep. 2006.
  236. S. Danese and C. Fiocchi, «Etiopathogenesis of inflammatory bowel diseases,» World Journal of Gastroenterology: WJG, vol. 12, no. 30, pp. 4807−4812, Aug. 2006.
  237. A. P. Cuthbert et al., «The contribution of NOD2 gene mutations to the risk and site of disease in inflammatory bowel disease,» Gastroenterology, vol. 122, no. 4, pp. 867−874, Apr. 2002.
  238. T. Watanabe, A. Kitani, P. J. Murray, and W. Strober, «NOD2 is a negative regulator of Tolllike receptor 2-mediated T helper type 1 responses,» Nature Immunology, vol. 5, no. 8, pp. 800−808, Aug. 2004.
  239. J. H. Cho and C. T. Weaver, «The genetics of inflammatory bowel disease,» Gastroenterology, vol. 133, no. 4, pp. 1327−1339, Oct. 2007.
  240. J. M. Torpy, C. Lynm, and R. M. Glass, «JAMA patient page. Crohn disease.,» JAMA: the journal of the American Medical Association, vol. 299, no. 14, Apr. 2008.
Заполнить форму текущей работой

Пора сдавать?