* به چه کسی مکاتبات رسیدگی می شود. پست الکترونیکی: آندری. ptitsyn@colostate. edu گروه میکروبیولوژی ، ایمونولوژی و آسیب شناسی ، کالج دامپزشکی و علوم زیست پزشکی ، دانشگاه ایالتی کلرادو ، فورت کالینز ، کلرادو ، ایالات متحده آمریکا ⨯

آزمایشگاه سلولهای بنیادی وابسته ، واحد تحقیقات تغذیه بالینی ، مرکز تحقیقات زیست پزشکی پنینگتون ، سیستم دانشگاه ایالتی لوئیزیانا ، باتون روژ ، لوئیزیانا ، ایالات متحده آمریکا

وابستگی های آزمایشگاه سلولهای بنیادی ، واحد تحقیقات تغذیه بالینی ، مرکز تحقیقات زیست پزشکی پنینگتون ، سیستم دانشگاه ایالتی لوئیزیانا ، باتون روژ ، لوئیزیانا ، ایالات متحده آمریکا ، مرکز اصلی زیست شناسی سلولی ، واحد تحقیقات تغذیه بالینی ، مرکز تحقیقات زیست پزشکی پنینگتون ، سیستم دانشگاه ایالتی لوئیزیانا ،باتون روژ ، لوئیزیانا ، ایالات متحده آمریکا

پردازش سیگنال دیجیتال نوسانات پایه شبانه روزی را در اکثر ژنهای پستانداران نشان می دهد

• آندری A Ptitsyn ،
• سانجی زونونیک ،
• جفری م گیمبل

• منتشر شده: 15 ژوئن 2007
• https://doi. org/10. 1371/joual. pcbi. 0030120

ارقام

خلاصه

در پستانداران ، تناوب شبانه روزی برای بیان ژن در هیپوتالاموس و چندین بافت محیطی شرح داده شده است. پذیرفته شده است که 10 ٪ -15 ٪ از کل ژن ها در یک ریتم روزانه نوسان می کنند ، که توسط یک ساعت مولکولی ذاتی تنظیم می شود. تجزیه و تحلیل آماری تناوبی با اندازه کوچک مجموعه داده ها و سطح بالای سر و صدای تصادفی محدود است. در اینجا ، ما یک روش جدید با استفاده از الگوریتم های پردازش سیگنال دیجیتال به طور جداگانه برای هر گروه از ژن های نوسان در همان مرحله پیشنهاد می کنیم. همراه با آزمایشات آماری برای تناوب ، این روش نوسانات پایه شبانه روزی را در تقریباً 100 ٪ از کل ژنهای بیان شده مشخص می کند. در نتیجه ، نوسان شبانه روزی در بیان ژن باید در هر مطالعه مربوط به مسیرهای بیولوژیکی ارزیابی شود. تغییرات در بیان ژن ناشی از جهش یا تنظیم عوامل محیطی (مانند محرکهای عکسبرداری یا تغذیه) باید در زمینه تغییرات در دامنه و مرحله نوسانات ژنتیکی در نظر گرفته شود.

خلاصه نویسنده

مطالعات قبلی گزارش داده اند که~15 ٪ از ژنهای بیان شده الگوی بیان شبانه روزی را در ارتباط با یک عملکرد خاص نشان می دهند. مجموعه ای از مطالعات تجربی و محاسباتی بیان ژن در بافتهای مختلف موش ، ما را به نتیجه گیری متفاوتی سوق داده است. با استفاده از یک استراتژی تجزیه و تحلیل جدید و تعدادی از الگوریتم های جایگزین ، تقریباً 100 ٪ از کل ژن ها نوسان پایه را مشخص می کنیم. در حالی که فاز و دامنه نوسان بین بافتهای مختلف متفاوت است ، نوسان شبانه روزی یک خاصیت اساسی هر ژن است. تجزیه و تحلیل مجدد داده های قبلاً منتشر شده همچنین تعداد بیشتری از ژنهای نوسان کننده را از آنچه قبلاً گزارش شده بود نشان می دهد. این نشان می دهد که نوسان شبانه روزی یک ویژگی جهانی از همه ژن های پستانداران است ، اگرچه فاز و دامنه نوسان خاص است و با عملکرد ژن همراه است. ما فرض می کنیم که چرخه تنفسی متابولیک سلول الگوی نوسان بیان ژن را هدایت می کند. این یافته ها حاکی از آن است که مسیرهای بیولوژیکی باید به عنوان سیستم پویا ژنهایی که با هماهنگی با یکدیگر نوسان می کنند در نظر گرفته شوند.

استناد: Ptitsyn AA ، Zvonic S ، Gimble JM (2007) پردازش سیگنال دیجیتال نوسانات پایه شبانه روزی را در اکثر ژنهای پستانداران نشان می دهد. PLOS Comput Biol 3 (6): E120. https://doi. org/10. 1371/joual. pcbi. 0030120

سردبیر: روی کیشونی ، دانشگاه هاروارد ، ایالات متحده آمریکا

دریافت: 14 نوامبر 2006 ؛پذیرفته شده: 14 مه 2007 ؛منتشر شده: 15 ژوئن 2007

کپی رایت: © 2007 Ptitsyn و همکاران. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

بودجه: نویسندگان بودجه خاصی برای این مطالعه دریافت نکردند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

مخفف: K-S ، Kolmogorov-Smiov

معرفی

الگوهای دوره ای در رفتار ، فیزیولوژی و بیان ژن تقریباً همه ارگانیسم ها از سیانوباکتریها تا انسان گسترده است. شایع ترین الگوی نوسان کننده ، ریتم شبانه روزی یا تقریباً روزانه است. معمولاً پذیرفته می شود که حداکثر 15 ٪ از کل ژنهای پستانداران از این ریتم ناشی از محرکهای عکسبرداری ناشی از دوره های متناوب نور و تاریک روز پیروی می کنند. ساعت مولکولی رانده شده توسط حلقه های بازخورد تنظیم کننده رونویسی مثبت و منفی به طور گسترده مورد مطالعه قرار گرفته است [1]. ساعت شبانه روزی مرکزی در هسته فوق العاده در مغز واقع شده است [2] ، اما ساعتهای مولکولی فعال ، که احتمالاً با فعالیت با واسطه هسته سوپراکیاس هماهنگ شده اند ، در بافتهای محیطی نیز گزارش شده است. بسیاری از محققان نشان داده اند که تجزیه و تحلیل ریتم های شبانه روزی برای درک کامل فیزیولوژی و آسیب شناسی در پستانداران و گونه های دیگر مهم است [3،4]. ایده تعدد و تنوع نوسان سازهای بیولوژیکی در یک سلول زنده در آثار بسیار اولیه سلکوف قهرمان شده است [5،6]. استحکام یک سیستم با نوسان سازهای متعدد نیز در مدلهای نظری نشان داده شده است [7]. یافته های اخیر ما نشان می دهد که برجستگی و تأثیر فرآیندهای نوسان در بافتهای زنده ممکن است هنوز دست کم گرفته شود.

تجزیه و تحلیل داده های بیان ژن سری زمانی برای الگوهای دوره ای یک چالش مهم را نشان می دهد. تعداد نقاط زمانی در چنین مطالعاتی با قیمت مناسب ریزآرایه ها محدود است. ریزآرایها ، که به طور گسترده در تجزیه و تحلیل بیان ژن مورد استفاده قرار می گیرند ، امکان مشاهده همزمان هزاران ژن را فراهم می کند. با این حال ، شدت بیان ریزآرایه از هر ژن خاص ممکن است درجه بالایی از تنوع تصادفی داشته باشد و به دلایل تکنولوژیکی همیشه قابل اعتماد نیست. تجزیه و تحلیل دقیق تر qRT-PCR می تواند برای اعتبارسنجی برآورد بیان ریزآرایه انجام شود ، اما فقط برای تعداد کمی از ژن های انتخاب شده. در یک مطالعه شبانه روزی معمولی ، نمونه های بیولوژیکی هر 2-4 ساعت گرفته می شود ، و مدت زمان مطالعه شامل بیش از دو دوره کامل (48 ساعت) است. بنابراین ، مشخصات حاصل برای هر ژن با نرخ نمونه برداری بسیار کم مشخص می شود. همراه با سطح بالایی از سر و صدای تصادفی ، این امر باعث می شود که استفاده از تست های تناوبی استاندارد به دلیل قدرت آماری کافی دشوار باشد. تعدادی از رویکردهای الگوریتمی اخیراً برای شناسایی ژن های بیان شده دوره ای در بین هزاران پروفایل سری زمانی استفاده شده است [8،9]. با این حال ، هر یک از این روش ها فقط یک پروفایل بیان ژن را در یک زمان در نظر می گیرند و فاقد قدرت آماری برای شناسایی مؤلفه شبانه روزی در بیش از درصد کمی از ژن ها هستند. ما این مشکل را در انتشارات قبلی خود تشخیص دادیم و تصدیق کردیم [10،11]. در اینجا ، ما یک رویکرد متفاوت برای تجزیه و تحلیل تناوبی در پروفایل بیان ژن ریزآرایه ارائه می دهیم که تخمین جایگزین و احتمالاً واقع بینانه تر از مقیاس نوسان در یک بافت زنده را ارائه می دهد.

مواد و روش ها

هر پروفایل بیان ژن با تحول نمره z پردازش می شود ، که مقیاس تنوع بین ژن ها و مراکز را در هر پروفایل در صفر برابر می کند. ما با طبقه بندی فاز شروع می کنیم ، و هر ژن را بر اساس همبستگی حداکثر به یک منحنی کاسین ایده آل اختصاص می دهیم:

هر پروفایل بیان ژن با یک سری منحنی های کسین تولید شده با تغییر فاز T برابر با فاصله بین نقاط جمع آوری نمونه (4 ساعت برای اکثر مجموعه داده ها) ارتباط دارد. مرحله t_حداکثرکه بالاترین همبستگی را تولید می کند ، محتمل ترین مرحله برای ژن X در نظر گرفته می شود. این روش نسبت به واگذاری فاز بر اساس موقعیت قله ها برتر است زیرا تمام نقاط داده موجود در این سری را در نظر می گیرد. الگویی از روندهای متناوب بالا و پایین ، که با این روش تشخیص داده می شود ، در مقایسه با موقعیت یک قله ، به خصوص در سری زمانی کوتاه پر سر و صدا ، قوی تر است ، جایی که یک عدم اطمینان واحد از دو قله ارتفاع مشابه ممکن است منجر به 4 ساعت شوداختلاف فازما قبل از تجزیه و تحلیل تناوبی ، تکالیف فاز را برای کلیه پروفایل های بیان انجام می دهیم. مرحله موقت اختصاصی به این معنی نیست که مشخصات بیان دوره ای است. برای هر پروفایل x ، همبستگی با تاخیر شبانه روزی (r_c) محاسبه می شود:

همه پروفایل ها ابتدا به صورت فاز طبقه بندی می شوند و سپس با نزولی ترتیب همبستگی با تاخیر شبانه روزی_cبشرمطالعات قبلی [10] نشان می دهد که مقادیر همبستگی با تاخیر شبانه روزی ، در صورت مرتب سازی ، یک خط صاف و بدون جدایی آشکار بین کسری نوسان و غیر فعال تشکیل می دهد. از این نقطه به بعد در تجزیه و تحلیل ما ، هر گروه از ژن های همان فاز به طور جداگانه از گروه های دیگر مورد مطالعه قرار می گیرد. با پیوند دادن با هم تمام پروفایل های یک فاز یکسان با دامنه مساوی از تنوع (دامنه) به منظور نزولی همبستگی شبانه روزی r_c، ما یک جریان مداوم C ایجاد می کنیم_phاندازه گیریجریان دارای سیگنال (یعنی فرکانس شبانه روزی) است که در یک انتها مشخص است و در انتهای مخالف به نویز تصادفی بدتر می شود. شکل 1 فرآیند شرح داده شده در بالا را با ترسیم داده های واقعی حاصل از کبد موش بیان می کند [11]. در این تنظیم ، مشکل شناسایی ژنهای نوسان شبانه روزی می تواند به عنوان پیدا کردن نقطه ای در پیوستار که در آن فرکانس شبانه روزی در زیر تشخیص در سطح اطمینان P = 0. 05 بدتر می شود ، فرموله شود. برای حل این مشکل ، ما الگوریتم هایی را که معمولاً در پردازش سیگنال دیجیتال استفاده می شود ، اعمال می کنیم. این مجموعه از الگوریتم ها و رویکردها به طور گسترده ای در زمینه های مختلف الکترونیک ، آکوستیک و پزشکی کاربرد دارد. بازنمایی دیجیتال سیگنال های آنالوگ امکان معرفی فیلترهای قدرتمند را فراهم می کند و نسبت سیگنال به نویز را افزایش می دهد. از آنجا که ما بر روی داده های ریزآرایی که قبلاً به یک فرم دیجیتالی تبدیل شده اند ، کار می کنیم ، این امر باعث می شود که سازگاری الگوریتم های پردازش سیگنال دیجیتال که برای سایر برنامه های مهندسی سریع و مؤثر ایجاد شده است.

اسلاید پاورپوینت تصویر بزرگتر بی پروا تصویر اصلی شکل 1. تجزیه و تحلیل فرکانس شبانه روزی در گروههای جداگانه طبقه بندی شده بر اساس فاز

نقشه گرمایش (A) تمام 22،689 ژن را ارائه می دهد ، که در چهار گروه همان فاز از هم جدا شده اند. در هر گروه فاز ، تمام پروفایل های بیان ژن به ترتیب نزولی احتمال تناوب طبقه بندی می شوند (که می تواند با یک مقدار آزمایش تناوبی یا در این حالت با همبستگی با تغییر در یک دوره شبانه روزی تخمین زده شود ؛ به متن S1 مراجعه کنید). همبستگی شبانه روزی با توجه به شدت خاکستری در حاشیه سمت راست نشان داده می شود (سیاه مربوط به همبستگی 100 ٪ ، سفید و بدون همبستگی بین دو دوره شبانه روزی در هر پروفایل است). هر گروه از پروفایل های همان فاز را می توان به طور جداگانه در نظر گرفت (ب). فقط بخش کوچکی از ژن ها از آزمون تناوب استاندارد عبور می کنند (بالاتر از علامت کنه قرمز در P = 0. 05 ، تخمین زده شده توسط آزمون Pt). با این حال ، الگوی دو منطقه قرمز و دو سبز (بیان بالا و کاهش یافته ، به همین ترتیب) فراتر از برش است. الگوی دوره ای در بسیاری از پروفایل های بیان که آزمایش را شکست خورده اند نیز آشکار است. چند نمونه از چنین پروفایل (C) از بالا ، بالاتر از برش P-Value و از پایین کلاس همان فاز پروفایل گرفته شده است. این پروفایل ها ، گرچه کامل نیستند ، اما هنوز یک الگوی دو چمن آشکار بیش از 2 روز از مشاهده را نشان می دهند.

هر پیوستار همان فاز با فیلتر فرکانس کم عبور درمان می شود و هموار سازی چند جمله ای اعمال می شود. ما هر کسری فاز را به طور جداگانه تجزیه و تحلیل می کنیم تا نقطه ای که در آن سیگنال شبانه روزی رو به زوال است ، فراتر از قطع اهمیت P = 0. 05 باشد. یک پنجره w ، با پوشش چند دوره شبانه روزی جریان ، با استفاده از تبدیل گسسته فوریه (DFT) به دامنه فرکانس تبدیل می شود. پریودگرام حاصل i_wبا یک پریودوگرام از یک پنجره به طور تصادفی مجاز W مقایسه می شود_rبا استفاده از خوب بودن Kolmogorov-Smiov (K-S) تست مناسب. ما تست را تکرار می کنیم ، شروع پنجره W را از ابتدا (یعنی ژنهای نوسان کننده به وضوح) به سمت انتها تغییر می دهیم (بیشتر پروفایل های پر سر و صدا). این قاب هر بار با تعداد نقاط زمانی تغییر می کند و یک پروفایل کامل بیان ژن را ایجاد می کند. یک بار نقطه ای که من در آن_wتفاوت قابل توجهی با یک دوره نویسی تصادفی I ندارد_wrشناسایی شده است ، این به عنوان "قطع" تعیین شده است. ما تمام پروفایل های بیان ژن را در بالای این نقطه به عنوان سیگنال شبانه روزی شمارش می کنیم. نمای کلی شماتیک الگوریتم تجزیه و تحلیل تناوبی در پیوستار فاز در شکل S1 آورده شده است. با جمع بندی نتایج حاصل از هر گروه فاز ، تعداد کل ژنهای نوسان شبانه روزی را تخمین می زنیم. طول پنجره W پارامتر است که سطح دقت را تعریف می کند که در آن می توان نقطه وخامت سیگنال را تشخیص داد. اگر به حداقل (تعداد نقاط زمانی در یک پروفایل بیان جداگانه) تنظیم شود ، این روش نتایج مشابهی با رویکرد سنتی که توسط Ptitsyn و همکاران شرح داده شده است ، تولید می کند.[10 12]. با این حال ، تعداد ژنهای بیان شده دوره ای نشان داده شده توسط پنجره حداقل طول ممکن است به دلیل بهبود فیلترهای دیجیتال نسبت سیگنال به نویز متفاوت باشد. افزایش طول پنجره W شامل نقاط زمانی بیشتر است و بنابراین قدرت آزمایشات آماری را برای تناوب افزایش می دهد ، اما از طرف دیگر دقت را کاهش می دهد که در آن می توان نقطه وخامت سیگنال را در آن قرار داد. با استفاده از یک W نسبتاً کوچک برابر با چهار پروفایل بیان واحد ، یک سازش معقول بین قدرت (معادل یک سری زمانی چهار بار لنگه) و ویژگی (به علاوه یا منهای چهار ژن از هزاران نفر از هزاران نمایش داده شده در ریزآرایی) ارائه می دهد.

نتایج

ما داده های ریزآرایه را از آزمایش های زمانی ریزآرایه که از منابع مستقل ناشی می شود ، تجزیه و تحلیل کرده ایم و الگوهای نوسان با تناوب شبانه روزی از نظر آماری معنی دار را در حدود 99 ٪ از کل ژنهای موجود در مجموعه داده پیدا کرده ایم (جدول 1). به عنوان جایگزینی برای تست K-S ، ما همچنین از آزمون G-T -test و همبستگی Fisher در همان پنجره W کشویی در امتداد زنجیره فاز استفاده کرده ایم. این روشها اعداد مطابق با آزمون K-S را گزارش می کنند. اعداد دقیق به دلیل این واقعیت که الگوریتم های مختلف از خواص مختلف نوسان بهره برداری می کنند ، کمی متفاوت هستند (برای معیارهای تعدادی از تست های تناوبی به [12] مراجعه کنید). فیلترهای دیجیتال توانایی شناسایی الگوی نوسان را بهبود می بخشند ، اما اثر کمی در رابطه با آزمایشات فردی متفاوت است. به طور کلی در مطالعه ما ، تعداد ژنهای نوسان کننده گزارش شده 100 ٪ از کل ژن ها بیش از یک آزمایش برای هر فیلتر دیجیتال خاص است. به همین ترتیب ، هر آزمایش خاص تقریباً 100 ٪ ژن های نوسان کننده را با استفاده از بیش از یک فیلتر متفاوت گزارش می کند. تأثیر فیلتر محور موقعیتی به طور قابل ملاحظه ای با دو نفر دیگر که در جدول 1 نشان داده شده است متفاوت است) ، به جای صاف کردن نقاط زمانی مجاور. در واقع ، از چشم انسان در حال مشاهده نقشه گرما در شکل 1 تقلید می کند ، جایی که تمام پروفایل های بیان در بالای یکدیگر جمع می شوند ، در حالی که سایر فیلترها از چشم انسان در آن تقلید می کنند و سعی می کند جریان منحنی ها را در شکل 2 دنبال کند. در یک جریان مداوم از نقاط زمانی همان فاز (پیوستار فاز) بیش از یک چالش دارد: نه تنها می تواند تغییرات تصادفی نوسانات پایه را مبهم کند ، بلکه پروفایل های پر سر و صدا نیز می توانند طبقه بندی شوند و در کلاس فاز اشتباه قرار بگیرند. ترتیب که در آن پروفایل های منفرد به هم پیوسته اند ، بسته به تخمین اولیه احتمال نوسان با همبستگی یا مقدار p از یکی از تست های تناوبی [12] در نتیجه ، هنگامی که تناوب در یک پنجره کشویی که یک عدد را پوشش می دهد ، می تواند کمی متفاوت باشد. از پروفایل های بیان ژن تک ، برخی از پنجره ها ممکن است حاوی ترکیبی از دوره های دوره ای اما فاز طبقه بندی شده-و همچنین از نظر تصادفی متفاوت باشند.

اسلاید پاورپوینت تصویر بزرگتر بی پروا تصویر اصلی تصویر اصلی

میز 1.

اسلاید پاورپوینت تصویر بزرگتر بی پروا تصویر اصلی تصویر اصلی

شکل 2. پردازش مداوم فاز توسط فیلترهای دیجیتال

هماهنگی پروفایل های منفرد به منظور نزولی احتمال نوسان (همانند شکل 1) در هر گروه همان فاز منجر به جریان اندازه گیری (پیوستار فاز) می شود. هر یک از چهار مرحله مداوم کبد موش با پروفایل های آشکارا شبانه روزی شروع می شود و هر دو تپه متوالی با یک ژن مطابقت دارند. سیگنال نوسان به سمت انتهای هر پیوستار فاز بدتر می شود. در اینجا ، هر طرح فقط 100 امتیاز اول و 100 بار را نشان می دهد. داده های خام (A) حاوی سر و صدای بیشتری حتی در بیشترین پروفایل های دوره ای (نیمی از سمت چپ هر طرح) و وخامت آشکار سیگنال شبانه روزی در انتها (نیمه های راست) را نشان می دهد. پس از استفاده از فیلترهای دیجیتال (B) ، همان قسمت از پیوستار تقریباً عاری از سر و صدا به نظر می رسد و برخی از تناوب شبانه روزی حتی در بین حداقل ژنهای دوره ای قابل ردیابی است. مشاهده دوم با استفاده از انواع آزمایشات آماری برای تناوب تأیید می شود. این شکل حاوی تصاویر داده های واقعی است که به صورت متناسب قرار می گیرند.

تعداد ژنهای نوسان شبانه روزی که گزارش می دهیم بسیار بیش از 10 ٪ -15 ٪ مورد انتظار است ، اما مطابق با الگوی قابل مشاهده در نقشه نقشه گرما از کل مجموعه داده های گروه بندی شده بر اساس فاز است. همچنین با مطالعات شبیه سازی قبلاً گزارش شده است [10] که به عدم وجود یک بخش غیر فعال کننده قابل شناسایی ژن ها در داده های ما اشاره دارد. ما معتقدیم که منبع اختلاف از فرض بصری ، اما بی اساس است که در فرمولاسیون فرضیه تهی اعمال شده برای آزمایش پروفایل بیان ژن برای تناوب حاصل می شود. طبیعی است که تصور کنیم که پروفایل های بیان ژن که یک آزمایش آماری برای تناوب را انجام نمی دهند ، دوره ای نیستند (یعنی ، به صورت پایدار بیان می شود). با این حال ، دلایل دیگری برای عدم موفقیت این آزمایش وجود دارد: سری زمانی که در یک آزمایش میکروآری یا RT-PCR به دست آمده ، خیلی کوتاه است ، نمونه برداری در سطح خیلی کم ، و یا شامل درجه بالایی از تنوع تصادفی است. بنابراین ، عدم گذراندن یک آزمایش برای تناوب ، لزوماً دلالت بر مشخصات بیان خط پایدار ندارد. این به سادگی می تواند یک الگوی نوسان کننده مانع از سر و صدا را منعکس کند. استفاده از RT-PCR به عنوان یک استاندارد برای اعتبار سنجی نشان دهنده پیشرفت نیست ، زیرا تعداد نقاط بالاتر از آزمایش ریزآرایی نیست. در واقع ، تعداد کم نقاط زمانی و در نتیجه میزان نمونه برداری پایین مشکل اصلی شناسایی تناوب در پروفایل بیان ژن است. در نتیجه ، تمام الگوریتم ها برای تجزیه و تحلیل تناوبی در هنگام استفاده از یک ژن در یک زمان در یک نقطه ضعف قرار دارند. اگرچه رویکرد مداوم فاز ما مشکل میزان نمونه برداری پایین را از بین نمی برد ، اما با گروه بندی ژنهای نوسان در همان فاز ، قدرت آماری را افزایش می دهد و به همان دامنه مقیاس می یابد. این ژن ها همچنین از نظر احتمال الگوی نوسان خود مشابه هستند زیرا در پنجره W در کنار یکدیگر هستند ، که با همبستگی شبانه روزی رتبه بندی می شوند. به عنوان یک گروه ، این ژن ها تعداد کافی از نقاط زمانی را برای شناسایی الگوی نوسان شبانه روزی با اعتماد به نفس فراهم می کنند. تبدیل پروفایل های تک ژن به یک جریان مداوم طولانی امکان استفاده از پردازش سیگنال دیجیتال را برای کاهش نویز و تقویت سیگنال فراهم می کند.

بحث~این مفهوم که بیشتر ، اگر نه همه ، ژنهای موجود در یک سلول زنده نوسان در بیان لزوماً تعجب آور نیست. قبلاً گزارش شده است که بیش از 60 ٪ از کل ژن های موجود در Saccharomyces cerevisae در ریتم اولترادی با یک دوره از

300 دقیقه [13]. در یک کار قبلی ، Klevecz و همکاران.[14] همچنین یک الگوی نوسان گسترده ژنوم با قله های بیان همزمان با مراحل تنفسی ، زودرس یا اواخر کاهش دهنده چرخه متابولیک نشان داده است. این مطالعات از تکنیک های مختلف تجربی استفاده کرده و دوره های مختلف نوسان و همچنین سایر جزئیات را بدست می آورند. با این حال ، هر دو برجستگی الگوهای ریتمیک تولید شده توسط مهمترین مکانیسم های سلولی را نشان می دهند و بر روی هر ژن فعال تأثیر می گذارد. این ریتم فرض می شود که یک نوسان ساز ابتدایی برای ارگانیسم های مدرن باشد ، در حالی که ریتم های دیگر را می توان با دوام زدن به دست آورد. تجزیه و تحلیل مجدد داده ها با رویکرد فاز- continuum ما نوسانات را در 100 ٪ ژن ها نشان می دهد ، که یافته ها را تأیید می کند و زمینه دیگری را برای نظریه ارائه شده توسط نویسندگان فراهم می کند. مطالعات بسیار اولیه توسط سلکوف [5،6] خاطرنشان کرده است که متابولیسم سلولی اساسی یک نوسان ساز طبیعی به خودی خود است. مطالعات وی بر نقش نوسان در محفظه زمانی عملکرد متابولیک در سیانوباکتریها تأکید کرد. تنظیم شبانه روزی ژنهای مسئول متابولیسم انرژی اساسی در موش ها توسط پاندا و همکاران گزارش شده است.[15] ، اگرچه به طور کلی به بیان ژن برون یابی نمی شود. اعتبار سنجی RT-PCR تجربی ما از جدول زمانی ریزآرایه انتخاب شده همچنین الگوهای دوره ای را در ژنهای درگیر در تنظیم فسفوریلاسیون اکسیداتیو ، مانند PGC1α ، LPL ، PDK4 و بسیاری دیگر تأیید کرد [10،11]. اگر ژنهایی که منبع اصلی نوسان انرژی را تنظیم می کنند ، این امر باید نوسان را بر تعداد زیادی از ژن های دیگر تحمیل کند ، اگر نه با تنظیم مستقیم رونویسی ، پس فقط با تغییر تعادل انرژی. این در تضاد با تعداد نسبتاً کمی (فقط چند ده تا چند صد) ژن شبانه روزی است که در مطالعات دیگر گزارش شده است [15،16]. از طرف دیگر ، اگر محفظه زمانی برای فسفوریلاسیون اکسیداتیو در مخمر مهم باشد و چنین تأثیر گسترده ای را در الگوی بیان اکثریت مطلق ژنهای دیگر ایجاد کند ، منطقی است که همان اصل سازمان دهنده در یوکاریوتهای بالاتر ، موش ها و موش ها عمل کند. انسان شامل ، متابولیسم آنها نیز به فسفوریلاسیون اکسیداتیو وابسته است. متأسفانه ، با نرخ نمونه برداری در دسترس (یک نقطه زمانی در 4 ساعت) و دوره های طولانی تر نمی توانیم بیانیه تعیین کننده ای را در مورد نوسانات بیان ژن در پستانداران بیان کنیم ، همانطور که بر اساس نوسان تنفسی در مخمر نتیجه گیری شده است. با این اوصاف،