A high-resolution C. elegans essential gene network based on phenotypic profiling of a complex tissue.
A high-resolution C. elegans essential gene network based on phenotypic profiling of a complex tissue.
复制标题
DOI：
10.1016/j.cell.2011.03.037
复制
发表时间：
2011-04-29
期刊：
影响因子：
64.5
通讯作者：
Oegema K
中科院分区：
文献类型：
--
作者：
Green RA;Kao HL;Audhya A;Arur S;Mayers JR;Fridolfsson HN;Schulman M;Schloissnig S;Niessen S;Laband K;Wang S;Starr DA;Hyman AA;Schedl T;Desai A;Piano F;Gunsalus KC;Oegema K
基因图谱的高含量筛选通常仅限于单细胞。在这里，我们探索了另一种方法-通过分析基因敲除对多细胞生物体中复杂组织结构的影响来分析基因功能。我们通过成像性腺结构和评分94个表型特征来描述554个必需的线虫基因。为了为网络构建的评估方法提供参考，将基因手动划分为102个表型类别，预测未表征基因在不同细胞过程中的功能。以这种分类为基准，我们开发了一种健壮的计算方法，用于从高含量简档中构建基因网络，该方法基于网络上下文相关的衡量标准，该衡量标准对基因之间的链接的重要性进行了排名。我们的分析表明，复杂组织中的多参数图谱产生的功能图谱的分辨率类似于单细胞真核生物中基于遗传相互作用的图谱-精确定位大分子复合体的亚单位和在常见细胞过程中发挥功能的组件。
High-content screening for gene profiling has generally been limited to single cells. Here, we explore an alternative approach—profiling gene function by analyzing effects of gene knockdowns on the architecture of a complex tissue in a multicellular organism. We profile 554 essential C. elegans genes by imaging gonad architecture and scoring 94 phenotypic features. To generate a reference for evaluating methods for network construction, genes were manually partitioned into 102 phenotypic classes, predicting functions for uncharacterized genes across diverse cellular processes. Using this classification as a benchmark, we developed a robust computational method for constructing gene networks from high-content profiles based on a network context-dependent measure that ranks the significance of links between genes. Our analysis reveals that multi-parametric profiling in a complex tissue yields functional maps with a resolution similar to genetic interaction-based profiling in unicellular eukaryotes—pinpointing subunits of macromolecular complexes and components functioning in common cellular processes.
登录
查看更多内容
DOI：
10.1083/jcb.201004118
发表时间：
2010-10-04
期刊：
The Journal of cell biology
影响因子：
--
作者：
Fridolfsson HN;Starr DA
通讯作者：
Starr DA
影响因子：
48
作者：
Collins, Sean R.;Weissman, Jonathan S.;Krogan, Nevan J.
通讯作者：
Krogan, Nevan J.
影响因子：
3
作者：
Bader, GD;Hogue, CW
通讯作者：
Hogue, CW
影响因子：
64.8
作者：
Collins, Sean R.;Miller, Kyle M.;Krogan, Nevan J.
通讯作者：
Krogan, Nevan J.
影响因子：
48
作者：
Breslow, David K.;Cameron, Dale M.;Weissman, Jonathan S.
通讯作者：
Weissman, Jonathan S.