映射成千上万个基因之间的相互作用对于理解人类发展和疾病至关重要。由布朗大学的Leon Cooper和John Sedivy领导的研究小组，与意大利博洛尼亚大学和以色列特拉维夫大学的同行合作，开发了一种灵敏而可靠的基因相互作用分析工具。该工具基于对著名癌蛋白c-Myc的创新实验，旨在识别可能用于癌症治疗的靶基因。

布朗大学的最新研究表明，与传统的线性模型相比，基于相关性的统计方法在映射复杂基因相互作用及微小靶基因方面更为可靠。这项研究意义重大，因为它提供了一种有前景的工具，能够追踪人类基因的相互关系，从而为理解和治疗癌症及其他疾病奠定基础。研究结果已发表在《美国国家科学院院报》网络版上。

布朗大学大脑及神经系统医学研究机构主任、物理学与神经系统科学教授Leon Cooper表示：“基因之间的影响错综复杂，我们需要一个基因关联图或基因关系网络。我们在本研究中找到了更有效的构建方法。”

研究小组由来自布朗大学、博洛尼亚大学和特拉维夫大学的生物、物理、统计和计算机科学领域的科学家组成，他们致力于解答一个问题：当致命癌蛋白被激活时，基因活动会产生怎样的连锁反应。

致命癌蛋白c-Myc可引发细胞繁殖，若其产生不受控制，会导致乳腺癌、直肠癌等多种癌症。在美国，每年有70,000人死于c-Myc相关癌症。一旦c-Myc被激活，成千上万的其他基因会表达蛋白质或激活其他基因，形成复杂的网络。为了研究这种网络关系，布朗大学的研究人员设计了一项巧妙的实验。

作为长期研究c-Myc的专家和布朗大学基因组学与蛋白组学中心主任，John Sedivy培育了缺乏c-Myc基因的老鼠细胞。这些细胞经过改造，可产生受激素他莫昔芬（tamoxifen）调控的c-Myc蛋白。实验组细胞经他莫昔芬处理后，分别在1小时、2小时、4小时、8小时和16小时收集；对照组细胞未经处理，在相同时间点收集。对基因活动分析发现，c-Myc基因网络中有1191种潜在参与者。Gastone Castellani（大脑及神经系统医学研究机构副教授、博洛尼亚大学教授）领导的统计小组测试了两种建模方法：马尔可夫线性模型（一种常用于运动统计和语言研究的传统工具）和基于网络理论的相互关系方法（用于解释电力网络和神经网络等复杂系统）。

将两种统计方法应用于实验数据后，研究小组发现相互关系方法更为有效：它能灵敏地捕捉到他莫昔芬处理后基因网络的变化，在c-Myc激活后，130个基因发生显著改变。该方法同样可靠，因为当研究人员重新选择数据时间点后，网络变化消失。相比之下，线性马尔可夫模型构建的基因网络对他莫昔芬作用不敏感，即使改变时间点，网络也无明显变化。Sedivy指出，网络理论在分析酵母等简单物种的基因组时已提供丰富信息，现在它可应用于更复杂的系统——人类。时间序列实验、统计学和网络理论的结合是一个全新的概念，无疑是研究基因表达的重要新方法。

研究小组成员还包括布朗大学的Brenda O’Connell和Nicola Neretti，博洛尼亚大学的Daniel Remondini，以及任职于布朗大学和特拉维夫大学的Nathan Intrator。该研究得到了美国国家卫生研究院、意大利教育大学研究部、大脑及神经系统医学研究机构以及布朗大学研究机构副总裁办公室的资助。