Computational Analysis of RNAi Screening Data to Identify Host Factors Involved in Viral Infection and to Characterize Protein-Protein Interactions

Apichat Suratanee
2012
Zusammenfassung Die Untersuchung von Genfunktionen in vielen verschiedenen Behandlungsverfahren, Zelllinien und Organismen wurde durch die Technologie der RNA Interferenz (RNAi) ermöglicht, mit der der Phänotyp von Zellen nach Gen-Silencing bestimmter Gene beobachtet werden kann. In der vorliegenden Arbeit beschreibe ich zwei computergestützte Ansätze, die zur Analyse von Bildern zweier unterschiedlicher RNAi Screens entwickelt wurden. Erstens habe ich einen alternativen Ansatz entwickelt um
more » ... t-Faktoren (menschliche Proteine) zu detektieren, die das Viruswachstum sowie die Replikation von Zellen fördern, die mit dem Hepatitis C Virus (HCV) infiziert sind. Verschiedene RNAi Experimente von virusinfizierten Zellen wurden durchgeführt, um diejenigen menschlichen Proteine zu identifizieren, die entscheidend für die virale Infektionseffizienz sind. Trefferlisten aus verschiedenen Laboren haben nur geringeÜbereinstimmung gezeigt. Diese Unstimmigkeiten sind möglicherweise nicht nur auf experimentelle Unterschiede zurückzuführen, sondern auch auf die Tatsache, dass die Möglichkeiten der Datenanalyse nicht vollständig ausgeschöpft wurden. Die ausschließliche Betrachtung der experimentell erzeugten viralen Intensitätswerte ist vermutlich unzureichend. In diesem Projekt beschreibe ich unsere computergestützte Entwicklung als einen neuen alternativen Ansatz, um die Verlässlichkeit der Host-Faktor Identifikation zu verbessern. Unser Ansatz basiert auf der Charakterisierung des Clusterings infizierter Zellen. Die Idee ist, dass Virusinfektion durch Zell-Zell Kontakt verbreitet wird oder zumindest durch die Nachbarschaft von Zellen begünstigt wird. Daher betrachten wir das Clustering HCV infizierter Zellen während der Infektionsverbreitung. Wir haben eine Clustering-Detektionsmethode entwickelt, um Knockdown-Gene zu identifizieren, in denen die Cluster von HCV infizierten Zellen reduziert waren. Die Methode verwendet eine distanzbasierte Punktmuster-Analyse (K -function). Der Ansatz konnte signifikant zwischen Positiv-und Negativ-Kontrollen unterscheiden und fand eine gute Korrelation zwischen dem Clustering-Score und den Intensitätswerten der experimentellen Screens. Im Vergleich zu einer anderen Clustering-Methode (Quadrat-Analyse) ist die K -functionüberlegen. Statistische Normalisierungsmethoden wurden angewendet um Ziel-Proteine aus unserem Cluster-basierten Ansatz und experimentellen RNAi Screens zu identifizieren. Durch Integration von Ergebnissen unserer Analyse, der Analyse von Intensitätswerten und einem sekundaren RNAi Screens, haben VI wir schließlich fünf viel versprechende Host-Faktoren identifiziert, die geeignete Kandidaten für eine medikamentöse Behandlung darstellen.
doi:10.11588/heidok.00013845 fatcat:abgmicfnobdv3plze2lrlqintm