论文部分内容阅读
背景:神经管畸形的发生是由遗传因素与环境因素共同作用产生的。平面细胞极性(planar cell polarity, PCP)途径对脊椎动物神经胚形成非常重要,而PCP基因表达量及产物的不对称分布将影响PCP。该途径中基因的任何突变都可能导致神经管不能闭合,其表型与人类的颅脊柱裂相似。但是,环境因素是否影响以及如何影响PCP途径基因的时空表达到目前为止仍然不清楚。目的:研究维甲酸对胎鼠Vangl1及Vangl2基因表达的时空特征的影响。方法:全反式维甲酸橄榄油混悬液按120 mg/kg在BALB/C小鼠怀孕第9.5天(E9.5)(G1组)或E10.5(G2组)灌胃。两组的对照组(G1c、G2c)在相同时期仅用等量纯橄榄油灌胃。分别取E10.5、E11.5、E13.5、E15.5、E17.5、E19.5胎鼠,Vangl1及Vangl2基因表达量采用逆转录酶PCR(RT-PCR)检测,其时空表达采用全胚胎原位杂交(whole-mount in situ hybridization, WISH)检测。结果:活产NTDs的发生率及颅面部NTDs发生率G1组(100%、25.6%)均高于G2组(78.2%、5.7%),P均< 0.05。正常情况下Vangl1及Vangl2基因在整个神经胚形成过程中都有强表达。而G1组同期对照组比较,从胎鼠的脑到后神经孔Vangl1及Vangl2基因表达显著下调(P均< 0.05)。G2组则不同,二基因表达在全胚胎(从E11.5到E13.5)及神经管脊柱区(从E15.5到E19.5)显著下调并维持低表达水平,但在神经管的颅区(E15.5到E19.5)仅中度下调(P均< 0.05)。结论:结果提示,维甲酸诱导的神经管畸形的发生可能与Vangl1及Vangl2基因转录子下调有关。背景:神经管缺陷(neural tube defects, NTDs)是由环境危险因素与遗传危险因素间复杂的相互作用引起的。其潜在的发病机理仍然不清楚。从遗传和环境角度看,叶酸代谢相关基因都是NTDs的令人关注的候选基因。目前叶酸代谢相关基因间以及基因与环境间交互作用的研究较少,已有的文献间还存在相互矛盾。目的:通过对叶酸代谢相关基因的单核苷酸多态性(single nucleotide polymorphism, SNPs)与多重环境危险因子交互作用的关联分析,寻找NTDs致病基因及环境危险因素。方法:收集NTDs流产胎儿组织标本或者患者血标本(共117例)以及其双亲的血标本(共216例),记录围孕期补充叶酸、妊娠糖尿病、孕期服药史等情况。采用CEQ 8800系统进行多重SNP分析,对所有样本叶酸代谢相关的12个基因共28个SNPs测序。这些基因是:叶酸受体1及2、溶质载体家族19成员1、运钴胺蛋白II、亚甲四氢叶酸脱氢酶1、丝氨酸羟甲基转移酶1、5,10-亚甲基四氢叶酸还原酶、5-甲基四氢叶酸-同型半胱氨酸甲基转移酶、5-甲基四氢叶酸-同型半胱氨酸甲基转移酶还原酶、甜菜碱同型半胱氨酸甲基转移酶、胱硫醚β合酶和内皮一氧化氮合酶3。通过病例-双亲对照研究(case-parent control study)及传递/不平衡检验(transmission/ disequilibrium tests, TDT),分析SNPs与环境危险因子(孕期补充叶酸、妊娠糖尿病和孕期服药史)交互作用对NTDs发病的影响。结果:亚甲基四氢叶酸还原酶(MTHFR)rs1801133与NTDs的关联具有显著性意义(P < 0.05),而且环境风险因子(未补充叶酸、妊娠糖尿病)对NTDs的发生起增效作用;而甜菜碱同型半胱氨酸甲基转移酶(BHMT)rs3733890仅在未补充叶酸层与NTDs存在连锁不平衡(P < 0.05),基因型本身并不能单独导致疾病;而其他基因的SNPs与NTDs的发生没有显著性关联(P均> 0.05)。结论: MTHFR rs1801133是NTDs的危险因子,而BHMT rs3733890不是NTDs独立的危险因子。未来尚需要对更大的样本进行基因与基因、基因与环境交互作用的研究。背景:骨龄评估对内分泌障碍与生长落后等疾病的诊断与治疗、预测成人身高等有重要指导意义。常用的骨龄评估方法中,Greulich-Pyle法具有主观性,而Tanner-Whitehouse(TW3)法操作起来较为复杂。十多年来人们一直在探索自动化骨龄评估(automatic bone age assessment, ABAA),但兴趣区(regions of interest, ROI)分割与边界的识别仍然是目前限制ABAA的富有挑战性的难题。目的:应用两种新的算法即粒子群优化(PSO)及人工神经网络(ANN)以提高自动化骨龄评估的准确性和实用性。方法:建立基于目标的ROI。按照Tanner-Whitehouse (TW3)法将ROI分为RUS(包括尺桡骨及掌指骨)ROI及腕骨ROI。每个兴趣区提取5项特征(包括大小、形态及融合状态)输入人工神经网络(artificial neural networks, ANN)分类器,ANN建立在前馈的多层网络基础上,并以反向传播算法规则训练ANN以分别处理RUS及腕骨特征。约1,046份左手及腕的数字X光片被随机分成两部分,一半用以训练ANN,另一半用以ABAA,而之前全部采用修订的Greulich-Pyle法人工判读骨龄。结果:人工阅读骨龄与ABAA比较,RUS骨龄95%的可信区间是-0.010岁–0.084岁,腕骨骨龄95%的可信区间是-0.055岁–0.015岁。RUS及腕骨自动化骨龄评估结果与Greulich-Pyle法比较均具有很高的一致率(分别为97.9%与96.5%),变异系数相似(3.4与3.7),并且与人工阅读相比均无显著性差异(t=1.563与-1.123,P均> 0.05)。结论:PSO对图像分割与特征的提取更为有效和准确。该ANN经训练后能更全面地处理影像特征信息,准确判断骨龄。基于智能算法的ABAA系统成功地应用于骨龄0–18岁所有病例。