بخش 1: علائم ژنتیکی متمایز مناطق قشری و زیر قشری مرتبط با حافظه انسان

تماس: Audrey Hu Whatsapp/hp: 0086 13880143964 ایمیل:audrey.hu@wecistanche.com

پین کوانگ تان، 1 اگور آنایف، 2 و پو جانگ هسیه3

1 موسسه بهداشت N.1، دانشگاه ملی سنگاپور، سنگاپور، سنگاپور 117456،

2 گروه روانشناسی، دانشگاه فنی نانیانگ، سنگاپور، سنگاپور 639798،

3 گروه روانشناسی، دانشگاه ملی تایوان، شهر تایپه، تایوان 10617

لطفا برای قسمت 2 اینجا را کلیک کنید

خلاصه

علیرغم کشف انواع ژنی مرتبط باحافظهعملکرد، درک اساس ژنتیکی حافظه انسان بالغ همچنان یک چالش است. در اینجا، ما یک چارچوب بدون نظارت ابداع کردیم که بر همبستگی های فضایی بین داده های رونویسی انسان و نقشه های تصویربرداری عصبی عملکردی برای کشف امضاهای ژنتیکی متکی است.حافظهدر کورتیکال و زیر قشری از نظر عملکردی تعریف شده استحافظهمناطق نتایج با ادبیات حیوانی تأیید شد و نشان داد که چارچوب ما در شناسایی فرآیندها و ژن‌های مرتبط با حافظه در مقایسه با عملکرد شناختی کنترل بسیار مؤثر است. ژن‌هایی که ترجیحاً در مناطق حافظه قشری بیان می‌شوند با فرآیندهای مرتبط با حافظه مانند تنظیم ایمنی و اپی ژنتیکی مرتبط هستند. ژن های بیان شده در مناطق حافظه زیر قشری با نوروژنز و تمایز سلول های گلیال مرتبط هستند. ژن های بیان شده در هر دو ناحیه حافظه قشری و زیر قشری در تنظیم رونویسی، شکل پذیری سیناپسی و سیگنال دهی گیرنده گلوتامات نقش دارند. علاوه بر این، ژن‌های مرتبط با حافظه متمایز مانند PRKCD و CDK5 به ترتیب به مناطق قشری و زیر قشری مرتبط هستند. بنابراین، مناطق حافظه قشری و زیر قشری علائم ژنتیکی مشخصی را نشان می‌دهند که به طور بالقوه تفاوت‌های عملکردی در سلامت و بیماری را منعکس می‌کنند و نامزدهای ژنی را برای تحقیقات تجربی آینده معرفی می‌کنند.

کلمات کلیدی: شناخت قشری؛ ژنتیکی؛ انسان؛ حافظه؛ تصویربرداری عصبی

سیستانچ می تواند حافظه را بهبود بخشد

بیانیه اهمیت جنبه های آناتومیک و عملکردی انسانحافظهبه خوبی مشخص می شود، اما مکانیسم های بیولوژیکی آن به خوبی شناخته شده نیست. در اینجا، برای کشف امضاهای ژنتیکی مرتبط با انسانحافظهتابع، ما همبستگی های فضایی بین بیان ژن در مقیاس میکرو و نقشه های تصویربرداری عصبی در مقیاس کلان را برای استخراج تجزیه و تحلیل کردیم.حافظه- فرآیندهای بیولوژیکی و ژن‌ها را به شیوه‌ای بدون نظارت مرتبط می‌کند. ما دریافتیم که امضاهای ژنی حافظه قشری و زیر قشری تا حد زیادی متمایز هستند و باحافظه. ما کمتر مشخصه را شناسایی کردیمحافظهژن های مرتبط نیز. علاوه بر این، چارچوب ما اثربخشی و دقت را در شناسایی امضاهای ژن مربوط به نشان دادحافظهدر مقابل عملکرد دیگری به عنوان یک کنترل. به طور کلی، کار ما یک رویکرد انسان محور برای درک ژنتیک شناخت ارائه می دهد و نامزدهای ژنی بالقوه را برای تحقیقات تجربی آینده شناسایی می کند.

مقدمه

حافظهعملکرد برای زندگی روزمره بسیار مهم است، از محاسبات ذهنی گرفته تا برنامه ریزی بلندمدت. انسانحافظهعملکرد از نظر ارتباط عصبی مرتبط با رفتار و اختلالات روانی به خوبی مشخص می شود. بینش حاصل از fMRI و مطالعات ضایعه منجر به درک قشر و زیر قشری شدحافظهمناطق به عنوان مناطق عملکردی متمایز، تحت چتر گسترده عملکرد حافظه قرار می گیرند (LaBar and Cabeza, 2006؛ Squire and Wixted, 2011). با این حال، علیرغم این واقعیت که توانایی حافظه بسیار ارثی است، با عوامل خطر ژنتیکی برای اختلالات حافظه، امضای ژنتیکی زیربنای حافظه انسان به خوبی شناخته نشده است (Papassotiropoulos و de Quervain, 2011؛ ​​Kandel et al., 2014; Freudenberg-Hua et al. ، 2018). دانش ما از ژن‌های حافظه انسانی تا حد زیادی بر اساس تنوع بین فردی در ژنوم‌ها [به عنوان مثال، مطالعات انجمن گسترده ژنوم (GWAS)] و پویایی زمانی کوتاه‌مدت عملکرد حافظه است (برتو و همکاران، 2017). با این حال، علاقه در حال ظهور به استفاده از بعد فضایی بیان ژن برای شناسایی پروفایل‌های ژنتیکی شبکه‌های عملکردی، با ادغام رونوشت‌های مغز انسان و نقشه‌های تصویربرداری عصبی وجود دارد (Yarkoni et al., 2011; Hawrylycz et al., 2012; Ritchie et al., 2018). چنین رویکردهایی بر اساس الگوهای بیان فضایی ممکن است به پاسخ به یک سوال کلیدی کمک کند: آیا ژن‌هایی مرتبط با مناطق حافظه عمومی در مغز انسان بالغ وجود دارد؟ این ممکن است بینش بی‌سابقه‌ای در مورد فرآیندهای بیولوژیکی و ژن‌های مرتبط با حافظه انسان ارائه دهد و نامزدهای بالقوه‌ای را برای تحقیقات تجربی بیشتر پیشنهاد کند.

برای شناسایی چنین ژن های انسان بالغ مرتبط با عمومیحافظه، ما بر یک روش همبستگی فضایی تکیه می کنیم (فاکس و همکاران، 2014). این روش ژن‌های مرتبط با شناخت را شناسایی می‌کند که همبستگی فضایی بالایی بین بیان ژن آن و یک نقشه تصویربرداری عصبی دارند که نشان‌دهنده ارتباط هر ناحیه برایحافظه(شکل 1A,B). این رویکرد فرض می‌کند که ژن‌های درگیر درحافظهباید به شدت در نواحی مغز که به حافظه مرتبط هستند، بیان شود. به عنوان مثال، این رابطه در مورد ژن مرتبط با پاداش DRD2 در مناطق پردازش پاداش مشاهده شد (Mengod و همکاران، 1992؛ پاپاتا و همکاران، 2002؛ Schott و همکاران، 2008). برای بیان ژنتیکی و نقشه های عملکردی، ما از رونوشت اطلس مغز انسان آلن (AHBA) و نقشه تصویربرداری عصبی "حافظه" نوروسنتز استفاده کردیم.

سپس شناسایی کردیمحافظهپروفایل های ژنتیکی مرتبط به شیوه ای بدون نظارت با تجزیه و تحلیل غنی سازی مجموعه ژن (GSEA؛ شکل 1C). به دلیل ماهیت همبستگی تحلیل همبستگی فضایی، ما از پایگاه‌های اطلاعاتی دانش بیولوژیکی (یعنی تجزیه و تحلیل غنی‌سازی با کتابخانه هستی‌شناسی ژن) استفاده کردیم تا شناسایی فرآیندهای بیولوژیکی و ژن‌های مرتبط با حافظه را راهنمایی کنیم. برای شناسایی ژن‌های مرتبط با حافظه اختصاصی قشر و زیرقشر، تفاوت‌های بین ژن مربوطه آنها را مقایسه کردیم.

این کار توسط دانشکده پزشکی فارغ التحصیل Duke-NUS و برنامه محقق جوان یوشان NTU-108V0202 پشتیبانی شد.

قدردانی: ما از Nilofer Husain و Wu Jinlu برای بازخوردشان در مورد نسخه های اولیه این دست نوشته تشکر می کنیم. داده ها توسط موسسه آلن برای علوم مغز و مخزن نوروسنتز ارائه شده است.

مکاتبات باید به پین ​​کوانگ تان در پروفایل ها ارسال شود (شکل 1D). همانطور که ژن هایی هستند که به طور کلی دخیل هستندحافظهدر سراسر مناطق قشری و زیر قشری (Gallo et al., 2018)، ما همچنین همپوشانی بین پروفایل های ژنتیکی قشر زیر قشری را مشخص کردیم (شکل 1D). علاوه بر این، برای شناسایی ژن‌های کاندید، ژن‌های برتر{3}} را شناسایی کردیم که احتمالاً باحافظهبا تجزیه و تحلیل لبه پیشرو (LEA؛ شکل 1E). سپس نتایج خود را با تأیید اینکه پروفایل‌های ژنتیکی با ادبیات تجربی تأیید می‌کنند تأیید کردیم. در نهایت، ما ارزیابی کردیم که آیا رویکرد ما موثر و دقیق است (شکل 1F،G).

به دلیل دخالت مشترک و انتقادی آنها به طور کلیحافظه، ما هر دو ناحیه قشر و زیر قشر درگیر را تجزیه و تحلیل کردیمحافظه. شایان ذکر است، مطالعات قبلی بر روی شبکه‌های عملکردی عمدتاً بر روی آنالیزهای قشر یا زیر قشر به دلیل پروفایل‌های بیان متفاوت متمرکز بودند. این ممکن است به دلیل تفاوت های مشخص در ترکیب عصبی، تعداد لایه ها و اتصال باشد (O'Leary and Koester, 1993; Yushkevich et al., 2009; Modha and Singh, 2010; Kim et al., 2015). در سطح ژنتیکی، این تفاوت‌ها با الگوهای متمایز شدت و تنوع بیان ژن منعکس می‌شوند (Hawrylycz و همکاران، 2012؛ ریچیاردی و همکاران، 2015؛ فاکس و همکاران، 2014). بنابراین، ما همبستگی های فضایی آنها را به طور جداگانه تجزیه و تحلیل کردیم، زیرا ترکیب هر دو در تجزیه و تحلیل همبستگی فضایی به جای تفاوت های معنی دار بین منطقه ای در بیان ژنتیکی، تفاوت های ناخالص قشر زیر قشری در شدت بیان را نشان می دهد.

علیرغم مشارکت مشترک به طور کلیحافظه، ما فرآیندهای بیولوژیکی و ژن‌های مرتبط با حافظه را تا حد زیادی در نواحی قشر و زیر قشری پیدا کردیم. فرآیندهای قشری شامل تنظیم ایمنی و اپی ژنتیکی بود. فرآیندهای زیر قشری شامل نوروژنز و تمایز سلول های گلیال بود. ژن های مشترک در نواحی قشر زیر قشری در تنظیم رونویسی، شکل پذیری سیناپسی و سیگنال دهی گیرنده گلوتامات نقش دارند. ما نشان می‌دهیم که رویکرد ما تعداد بیشتری از ژن‌های حافظه را در تحلیل حافظه نسبت به آنچه تصادفی انتظار می‌رفت، و ژن‌های حافظه بیشتری را نسبت به ژن‌های عملکرد حرکتی شناسایی کرد. این نتایج درک بهتری از ژنتیک مرتبط با حافظه انسان ارائه می‌کند و ژن‌های کاندید را برای تحقیقات تجربی آینده معرفی می‌کند.

مواد و روش ها

رونوشت AHBA

رونوشت AHBA از نمونه‌برداری ریزآرایه mRNA نرمال‌شده از 3702 محل نمونه‌گیری ترکیبی در شش مغز اهداکننده ایجاد شد (Hawrylycz et al., 2012؛ N 6 نیمکره چپ، N 2 نیمکره راست؛ شکل 1A؛ رجوع کنید به Extended DataFig. }} برای مثال تجسم یک ژن). اهداکنندگان سه مرد سفیدپوست، دو مرد آفریقایی-آمریکایی و یک زن اسپانیایی تبار بودند. سن اهداکننده بین 24 تا 57 سال بود، میانگین سن اهداکننده 42.5 سال (SD 11.2 سال) بود، داده‌های هر شش اهداکننده به صورت افقی در یک فایل csv. با یک پروب در هر ردیف ادغام شدند. برای جزئیات بیشتر در مورد مجموعه داده ها و روش های جمع آوری داده ها، به http://help.brain-map.org/display/ مغز انسان/مستندات مراجعه کنید.

شکل 1. مروری بر چارچوب کشف امضای ژنتیکی. A، نقشه های تصویربرداری عصبی AHBA و Neurosynth و پیش پردازش و ادغام آنها در یک فضای الگوی تصویربرداری عصبی مشترک. ب، محاسبه شباهت فضایی بین نقشه ها

به طور جداگانه برای مناطق قشری و زیر قشری، و برایحافظهو توابع حرکتی، به دست آوردن یک لیست ژن رتبه بندی شده L در هر تجزیه و تحلیل (شامل ژن ها و مقدار میانگین r). C، خصوصیات عملکردی هر L با مجموعه‌های ژنی معنی‌دار بیولوژیکی با تجزیه و تحلیل از پیش رتبه‌بندی شده GSEA (خطوط نقطه‌گذاری که L و مجموعه‌های ژنی را به هم متصل می‌کنند، نشان‌دهنده خوشه‌بندی ژن‌ها در مجموعه‌های ژنی غنی‌شده)، به‌دست آوردن امتیاز مثبت و منفی مجموعه‌های ژن S و S. D، ارزیابی تفاوت ها و همپوشانی بین قشر و زیر قشریحافظهژن ها E، شناسایی ژن‌های کاندید مرتبط با عملکرد شناختی و ناحیه مغز، به عنوان زیرمجموعه ژن‌هایی که امتیاز غنی‌سازی مجموعه‌های ژنی غنی‌شده قابل‌توجهی را که با استفاده از تجزیه و تحلیل از پیش رتبه‌بندی شده GSEA یافت می‌شوند، عملیاتی شد. این دو لیست ژن کاندید، CL و CL، حاوی ژن های بسیار مثبت و منفی از S و S، به ترتیب تولید کرد. F، بررسی ادبیات هر CL که ژن های مرتبط با هدف یا عملکرد شناختی کنترل را تعیین می کند. G، ارزیابی اعتبار و دقت چارچوب با هر یک از هشت CL. برای تجسم بیان ژن GRB14 در AHBA، Extended DataFigure 1-1برای تجسم نقشه‌های Neurosynth به Extended DataFigure 1-2و برای مناطق قشر و زیر قشری مورد استفاده در Extended DataFigure 1-3 تحلیل همبستگی فضایی

نقشه تداعی حافظه نوروسنتز

نقشه‌های ارتباطی «حافظه» و «موتور» Neurosynth [Mon-treal Neurologic Institute 152 (MNI152) فضای، FDR آستانه‌ای 0.01] به عنوان داده تصویربرداری عصبی برایحافظهو توابع حرکتی (شکل 1A؛ برای تجسم نوروسنتز به داده های توسعه یافته مراجعه کنید. 1-2حافظهو نقشه های موتوری). این کارکردهای شناختی از آنجایی انتخاب شدند که تا حد زیادی از نظر عملکردی و تشریحی متمایز بودند و از تعداد مشابهی از مطالعات ساخته شده بودند (حافظه 2744، Nmotor 2565). Neurosynth ارتباط هر وکسل را با عبارات جستجوی مشخص شده توسط کاربر (مثلاً حافظه) بر اساس پایگاه داده مطالعات تصویربرداری عصبی تعیین می کند. در مثال نقشه حافظه، به هر وکسل امتیاز az اختصاص داده می شود که نشان دهنده ارتباط ترجیحی آن وکسل با حافظه، به جای توابع دیگر است. به عنوان مثال، نمره z مثبت بزرگ در هیپوکامپ به این معنی است که مطالعاتی که چکیده آنها شامل کلمه حافظه است، بیشتر احتمال دارد درگیری هیپوکامپ را گزارش کنند تا مطالعاتی که این کلمه را شامل نمی شود.حافظه(یارکونی و همکاران، 2011). نمرات z منفی نشان دهنده همبستگی بالاتر با سایر عبارات جستجوی غیرمرتبط با حافظه است و بنابراین از تجزیه و تحلیل ما حذف شدند. برای حوزه‌های عملکرد شناختی گسترده، عبارت‌های منفرد تولید نقشه‌هایی را امکان‌پذیر می‌کنند که به خوبی فرآیند شناختی هدف را به خوبی تقریب می‌کنند (Yarkoni et al., 2011). بنابراین، ما از حافظه و موتور به عنوان عبارات جستجوی خود برای استخراج نقشه های تداعی حافظه و حرکت استفاده کردیم. توجه داشته باشید که در مثال حافظه، این رویکرد منجر به گنجاندن طیف وسیعی از عملکردهای فرعی، مانند حافظه کاری و حافظه بلند مدت شد. این امکان تعریف گسترده‌تر و جامع‌تری از حافظه و عملکرد حرکتی را برای شناسایی بعدی امضاهای ژنتیکی آنها فراهم کرد. در تولید چنین نقشه‌هایی، ممکن است کانون‌های شناسایی‌شده توسط فرآیند استخراج مختصات خودکار Neurosynth به دلیل قالب‌های داده‌های مختلف مجلات و سایت‌های تصویربرداری عصبی آنلاین نادرست باشند. با این حال، در مقایسه با استاندارد طلایی کانون‌های فعال‌سازی دستی در پایگاه داده سیستم‌های مدیریت سطح (SumsDB)، مختصات استخراج شده به‌طور خودکار حساسیت (84 درصد) و ویژگی (97 درصد؛ Yarkoni et al., 2011) را نشان می‌دهند. به این ترتیب، حافظه و نقشه های تصویربرداری عصبی حرکتی مورد استفاده، تقریب منطقی از مناطق درگیر در حافظه عمومی و عملکرد حرکتی هستند.

پیش پردازش رونوشت

اطلس Brodmann اصلاح شده توسط AHBA مورد استفاده قرار گرفت و هیپوکامپ به عنوان یک ناحیه زیر قشری به جای یک ناحیه قشر مغز مطابق با قراردادهای تصویربرداری عصبی انسان برچسب گذاری شد (Hawrylycz et al., 2012; Ji et al., 2019؛ فهرست نواحی قشری و زیر قشری در داده های توسعه یافته شکل 1-3). در پیش پردازش، کاوشگرها ابتدا با بسته Rean-notator مشروح شدند. ما کاوشگرهایی را که 50 درصد نمونه‌های آنها بیش از سطح بیان پس‌زمینه بود، حذف کردیم. برای هر ژن، کاوشگری با بالاترین امتیاز پایداری دیفرانسیل، یعنی با کمترین تنوع فضایی در بین اهداکنندگان انتخاب شد. داده‌های AHBA برای هر اهداکننده نرمال شد (z امتیاز). نواحی کورتیکال و زیر قشری به طور جداگانه نرمال سازی شدند. این کار برای توضیح تفاوت‌های فردی و کورتیکو-زیر قشری در بیان ژن انجام شد (Hawrylycz و همکاران، 2011). این یک ماتریس 15625 ژن توسط-1285 نمونه مغز برای قشر چپ، و ماتریس 15،625-در-497 به ترتیب برای زیرقشر چپ برگرداند. این به طور میانگین 214 نمونه قشر چپ چپ (محدوده: 175-259) و 83 نمونه زیر قشری چپ برای هر اهداکننده (محدوده: 59-115) را نشان داد. در مرحله بعدی زیر، این بیشتر به مناطق مغز مورد علاقه در ثبت نام مشترک محدود شد. با استفاده از اطلس مغزی متفاوت از AHBA، ممکن است حاشیه نویسی مجدد ما از مناطق به عنوان نواحی قشری یا زیر قشری نادرست باشد و ممکن است بر تجزیه و تحلیل قشر و زیر قشر تأثیر بگذارد. با این حال، از آنجایی که ما برچسب‌های هستی‌شناختی AHBA را حفظ کردیم و به سادگی هیپوکامپ را به‌عنوان زیرقشر بازنویسی کردیم، این مرحله معقول است.

ثبت مشترک نقشه حافظه AHBA و Neurosynth

برای اجازه دادن به مقایسه شباهت فضایی بین تصویربرداری عصبی و نقشه‌های AHBA با وضوح‌های مختلف، هر دو نقشه به طور مشترک در یک فضای مغز کلیشه‌ای سه بعدی مشترک ثبت شدند (فاکس و همکاران، 2014). این کار با استفاده از مختصات MNI ارائه شده توسط AHBA برای نشان دادن نقاط نمونه برداری رونوشت در فضای قالب MNI152 انجام شد. این همچنین فضایی بود که توسط نقشه نوروسنت استفاده می شد. نقشه نوروسنت به عنوان ماسکی برای نقشه AHBA استفاده شد، به طوری که تنها مناطق همپوشانی در تحلیل همبستگی گنجانده شدند (فاکس و همکاران، 2014). با توجه به در دسترس بودن محدود نیمکره های نمونه برداری شده (شش نیمکره چپ و دو نیمکره راست)، ما فقط از نیمکره های چپ استفاده کردیم که به نواحی قشری و زیر قشری تفکیک شده بودند. در مراحل بعدی، آنالیزهای قشر و زیر قشری جدا نگهداری شدند. علاوه بر ارائه بینشی به مکانیسم‌های ژنتیکی قشری و زیرقشری جداگانه، این امر همچنین از سردرگمی‌های پروفایل‌های رونویسی متفاوت آنها جلوگیری کرد (ریچیاردی و همکاران، 2015). سپس با هموارسازی AHBA با یک کره شعاع 6 میلی متری، هموارسازی هر دو نقشه را مطابقت دادیم. در پایان این مرحله به طور میانگین 93 باقی مانده استحافظه(محدوده: 72-107)

و 65 نقطه داده قشر حرکتی (محدوده: 55-76) و به طور متوسط ​​40حافظه(محدوده: 25-71) و 43 نقطه داده زیر قشری حرکتی (محدوده: 24 تا 69) برای هر فرد. ممکن است که ثبت همزمان نقشه‌های AHBA و Neurosynth تحت تأثیر خطاهای معرفی شده در طول تبدیل مختصات MRI به MNI توسط AHBA قرار گیرد. با این حال، موسسه آلن MRI را به مختصات MNI تبدیل کرد

با استفاده از روش‌های استاندارد برای مغزهای incranio و excretion (چهار مغز اهداکننده در حالت جمجمه‌ای تصویربرداری شدند)، و ما با بازرسی بصری نقشه‌های حاصل از ثبت همزمان معقول اطمینان حاصل کردیم.

تحلیل همبستگی فضایی داده‌های AHBA و Neurosynth

برای به دست آوردن مقادیر همبستگی فضایی برای هر ژن، ما به ابزاری تکیه کردیم که AHBA فضایی و نقشه های تصویربرداری عصبی را به هم مرتبط می کند (Yarkoni et al., 2011; Fox et al., 2014). هر نقطه داده مورد استفاده در همبستگی، یک نقطه در فضا، با مقدار شدت بیان ژن نرمال شده و یک نقشه تصویربرداری عصبی z امتیاز است. برای یک ژن مرتبط باحافظهما انتظار شباهت فضایی بالایی بین هر دو نقشه AHBA و Neurosynth را داریم، به عنوان مثال، الگوی بیان ژن بالا در مناطق بسیار مرتبط با حافظه و بالعکس. این در یک مقدار همبستگی متوسط ​​بالا برای آن ژن منعکس می شود. ما تجزیه و تحلیل فضایی را به طور جداگانه برای مناطق قشری و زیر قشری اعمال کردیم (شکل 1B). تجزیه و تحلیل اثرات تصادفی تقریبی برای توضیح تنوع بیان ژن فردی و مقابله با نمونه برداری پراکنده قشر در نقشه های AHBA استفاده شد. شیب رگرسیون اهداکننده و رهگیری به صورت جداگانه مدل‌سازی شدند. ما متعاقباً مقدار میانگین همبستگی هر ژن (میانگین در بین شش اهداکننده) را به دست آوردیم که آمار مورد نظر بود. از این مرحله، ما چهار لیست L از 15625 ژن را به دست آوردیمحافظهو عملکرد حرکتی، و مناطق قشری و زیر قشری مربوطه.

شناسایی فرآیندهای بیولوژیکی حافظه قشری و زیر قشری

ما از یک ابزار تجزیه و تحلیل مجموعه ژنی (GSEA Pre-ranked, GenePattern module, version 6.{2}}.5) برای شناسایی مجموعه‌هایی از ژن‌های مرتبط با عملکردهای بیولوژیکی رایج استفاده کردیم (شکل 1C). چهار لیست ژن L با میانگین مقدار همبستگی (آمار رتبه بندی استفاده شده در این مورد) رتبه بندی شدند و به GSEA Pre-ranked منتقل شدند. ما هر فهرست L را با GSEA از پیش رتبه‌بندی شده با پارامترهای پیش‌فرض، از جمله امتیازدهی وزنی با استفاده از کتابخانه فرآیند زیستی هستی‌شناسی ژن (c5.bp.v6.0.symbols.gmt) تجزیه و تحلیل کردیم. GSEA از پیش رتبه‌بندی شده به طور جداگانه در بالا و پایین هر فهرست L برای ژن‌هایی که با هر ژن مجموعه‌ای در پایگاه داده همپوشانی دارند، نگاه می‌کند (Mootha et al., 2003; Subramanian et al., 2005). این همپوشانی یا غنی‌سازی مجموعه ژنی با امتیازدهی وزنی بر اساس میانگین همبستگی (r-value) ارزیابی شد. این یک امتیاز غنی‌سازی نرمال، یک مقدار p قابل توجه و یک مقدار FDR q (در تمام مجموعه‌های ژنی آزمایش‌شده) را برمی‌گرداند.

برای هر مجموعه ژن غنی شده از ژن‌های با همبستگی مثبت و منفی در هر فهرست L، مجموعه‌های جداگانه S و S از مجموعه‌های ژنی با غنی‌سازی مثبت و منفی را به‌دست آوردیم. برای تجزیه و تحلیل های بعدی، ما فقط از تمام مجموعه های ژنی با FDR q {{0}}.05 استفاده کردیم. توجه داشته باشید که آنالیز قشر حرکتی (–) (ژن‌های مرتبط منفی از آنالیز قشر حرکتی) هیچ مجموعه ژنی با FDR 0.05 نداشت، و بنابراین در آنالیزهای بعدی، یعنی فرآیندهای بیولوژیکی یا ژن‌های کاندید به عنوان خروجی استفاده نشد. بنابراین، این به طور موثر به معنای هشت مجموعه S و هفت S قابل استفاده برای مراحل بعدی است. برای این تجزیه و تحلیل و مراحل بعدی، ژن هایی که در 1 مجموعه ژن به طور قابل توجهی غنی شده یافت می شوند، نامیده می شوند.حافظهژن‌ها، بر خلاف ژن‌های حافظه برتر-10 که در زیر شناسایی شده‌اند.

تجسم مجموعه های ژنی غنی شده قابل توجه

برای شناسایی مضامین بیولوژیکی کلی در مجموعه‌های ژنی. مجموعه‌های ژنی را بر اساس ژن‌هایی که به اشتراک می‌گذارند در شبکه‌هایی گروه‌بندی کردیم (شکل 1C). برای هر جفت از مجموعه‌های S و S، مجموعه‌های ژنی آن‌ها را در نرم‌افزار تجسم شبکه Cytoscape وارد کردیم و مجموعه‌های ژن را با FDR q 0 وارد کردیم.05. سپس از برنامه Enrichment Map برای ساخت شبکه های مجموعه ژنی استفاده کردیم و آنها را با پسوند Wordcloud برای تفسیر بعدی حاشیه نویسی کردیم (Cline et al., 2007; Merico et al., 2010; Oesper et al., 2011. ). این کار با استفاده از تنظیمات پیش‌فرض انجام شد، به جز آستانه ارزش سفارشی FDR q 0.05 (یعنی FDR 0.05). این مرحله چهار نقشه غنی‌سازی مشروح را برای فهرست L هر عملکرد شناختی و برای هر یک از مناطق قشری و زیر قشری بازگرداند.

حاشیه نویسی عملکردی ژن های همپوشانی

ما از مجموعه ToppGene (با کتابخانه فرآیند بیولوژیکی هستی شناسی ژن) برای خوشه بندی عملکردی استفاده کردیم.حافظهژن هایی (شناسایی شده در تجزیه و تحلیل GSEA) که (1) قشر خاص، (2) زیر قشر خاص، (3) و مشترک بین هر دو هستند (شکل 1D؛ چن و همکاران، 2{5}}09). از خروجی، مجموعه‌های ژنی فرآیند بیولوژیکی را به‌عنوان مجموعه‌هایی که FDR 0.05 را برآورده می‌کردند، آستانه‌ای تعیین کردیم. این سه لیست از مجموعه های ژنی را نشان داد، یکی برای هر نوع ژن بالا.

شناسایی ژن های کاندید مرتبط با حافظه قشری و زیر قشری

برای شناسایی ژن‌های{0}} که به احتمال زیاد مرتبط با عملکرد شناختی هستند، ژن‌هایی را شناسایی کردیم که اغلب در مجموعه‌های ژنی با LEA ظاهر می‌شوند (شکل 1E؛ Mootha et al., 2003؛ Subramanian et al. همکاران، 2005). برای تجزیه و تحلیل هر عملکرد شناختی در مناطق قشری و زیر قشری، مجموعه‌های ژن مربوطه را با FDR q 0.05 (برنامه دسکتاپ javaGSEA) وارد می‌کنیم. سپس LEA ژن‌هایی را شناسایی کرد که اغلب در میان ژن‌های زیرمجموعه لبه پیشرو در سراسر مجموعه‌های ژنی در S یا S ظاهر می‌شوند (سوبرامانیان و همکاران، 2005؛ فلمینگ و میلر، 2016). ما ژن ها را بر اساس تعداد مجموعه های ژنی پیشرو که غنی می کنند رتبه بندی کردیم. در صورت تساوی در تعداد مجموعه‌های ژن، آنها را با میانگین مقدار همبستگی فضایی رتبه‌بندی می‌کنیم. ژن‌های برتر{10} که بیشتر در مجموعه‌های ژنی با غنی‌سازی مثبت و منفی ظاهر می‌شوند، به‌عنوان فهرست ژن کاندید CL تعیین شدند. خروجی ها شامل لیست های انجمن شناخت ژن هفت نامزد CL از 10 ژن برای همه S و S بود.