前言：中文期刊網精心挑選了系統生物學的定義范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
系統生物學的定義范文1
人造生命取名為“辛西婭”(Synthia),這個美麗動聽的名字,短時間內給公眾帶來的不僅是驚喜,還有爭議和恐慌。有人將這一創舉譽為“生命科學領域決定性的時刻”,文特爾本人也宣稱其改變了生命的定義,甚至有人預測他將因此獲得諾貝爾獎。
其實媒體中廣為使用的“首次合成人工生命”之說,并不準確。文特爾的成功之處,在于用化學試劑合成了人工染色體,并在另一微生物中顯示出生物功能。DNA是決定生物性狀的遺傳密碼,卻不是生命的唯一組成部分。從這個意義上講,文特爾只不過創造了部分生命。這項研究成果最為直接的意義,是人造的支原體可以利用化學合成的染色體生存繁殖,并導致山羊的乳腺炎?！笆状蝿撛焐敝f言之過甚。
事實上,文特爾本人在《科學》雜志上發表的文章題目“首次合成由化學合成基因組控制的細菌”更為客觀、嚴謹?！犊茖W》雜志的相關評論指出,這項研究成果其實并不是首次創造新的生命形式,科學的定義應該是“生命再創造”或“篡改生命”。因為“辛西婭”除了染色組是人工合成外,生命體的其他組分均是來自于已有生命形式。但是無論如何,這項耗資4000萬美元的科技成果,畢竟是人類生命科學發展的一大進步。英國《經濟學人》將此成果與上個世紀原子彈的誕生相提并論,其意圖顯然著眼于科技成果對人類的傷害以及對自然界的破壞。
合成生物學是后基因組時代生命科學研究的新興領域。早在本世紀初,它就已經成為現代生命科學的研究熱點,然而真正進入大眾視野,還是源于“世界首個人造生命”的新聞事件。
借助合成生物學的研究成果,文特爾僅僅使用四瓶化學試劑就合成了人工生命“辛西婭”,一時間給人以合成生物學便是“造物術”的感覺?？茖W家認為,合成生物學可以通過合成生物原件組裝生物系統,創造新的生命形式。有人就此評論,隨著合成生物學的發展,人類可以像組裝電路一樣組裝生命,從此將代替自然扮演“上帝”的角色。
“像組裝電路一樣組裝生命”,只是合成生物學研究思路的形象比喻。合成生物學是建立在基因組學、生物信息學、系統生物學等學科基礎之上的現代生物科學,在它的發展過程中借鑒了電子工程的研究思路。但是,實際上細胞內部基因的表達調控、代謝網絡如同蜘蛛網一樣繁雜精細,往往是牽一發而動全身。功能基因的表達遠不像電路板上晶體管開關那樣簡單,細胞代謝網絡的復雜程度也非電路板可比。正因如此,即便在生命科學高度發達的今天,文特爾將已經精簡的“最小基因組”移植到掏空遺傳物質的支原體體內,實驗進展也不是一帆風順。這也正是人類基因組破譯十年后,其研究成果還不能直接應用于醫療的原因。
從科學的意義上說,人工生命的誕生,標志著合成生物學已經可以簡單地改造生命,人類從讀取基因序列躍升至編碼基因的階段。但合成生物學遠沒有發展到可以任意創造生命的程度。合成生物學的進一步應用還有賴于系統生物學的長足發展?！叭我鈩撛焐奔炔皇悄壳昂铣缮飳W發展程度所能企及的,也不是發展該學科的最終意義?？茖W家真正關心的是如何利用改造的生命體為人類服務。
早在上世紀70年代,生物學家就可以利用“DNA重組技術”將長鏈DNA切割成有功能的基因片段,并把它在模式菌株中表達。如今,無論是原核生物還是真核生物都可以高效地表達異源蛋白,并開始產業化應用。如利用大腸桿菌生產胰島素,利用動物細胞生產疫苗抗體,利用轉基因動物充當生物乳腺反應器。本世紀初,“細胞工廠”的理念逐步深入人心。
合成生物學的應用,正是“細胞工廠”理念的延伸。合成生物學可以通過構建“人工細胞”的方法,解決諸如能源、材料、環保等社會問題。這也正是美國資源部傾資支持文特爾研究人工生命的真正用意。
系統生物學的定義范文2
【關鍵詞】云計算 生物信息學
下一代測序技術的應用產生了大量的測序數據，這對生物學特別是生物信息學在數據的存儲、管理和搜索等方面帶來了新的挑戰。一直以來計算機存儲和處理數據能力的增長速度都快于生物數據的增長速度，但2003年后，由于測序技術的發展使得測序成本大幅度下降，產生了大量的生物數據，計算機的存儲和計算能力逐漸無法滿足大數據的需求。這促進了云計算的運用和發展，它使得用戶可以根據需求租用硬件設備和軟件，避免了對硬件設備的大量資金投入和管理投入。
1 云計算定義
“云”是一個通過虛擬技術把云端計算機或是服務器連接在一起的服務網絡。存儲和分析數據都由“云”端的服務器或是計算機完成。中國云計算專家劉鵬給出如下定義：“云計算是一種商業計算模型，它將計算任務分布在大量計算機構成的資源池上，使用戶能夠按需獲取計算力、存儲空間和信息服務。”
按照資源的共享水平，云計算的服務模式分為三種，基礎架構即服務（Infrastructure as a service）， 平臺即服務（Platform as a service）和軟件即服務（Software as a service）。
IaaS（Infrastructure as a service） Service：基礎架構即服務。它整合了基礎設施如虛擬主機、存儲設備、網絡設備等資源成為一個服務平臺提供給用戶使用。IaaS位于網絡的底層，向用戶提供按需分配、按需付費的計算設備和存儲設備。
PaaS（Platform as a service）提供服務平臺，用戶掌控運作應用程序的環境，可以在平臺上應用，測試和開發軟件。
SaaS（Software as a service）即在服務平臺上提供軟件供用戶使用，用戶只使用軟件，不掌握操作系統、硬件等網絡基礎架構。用戶不必自己安裝軟件，只需要瀏覽器連接到公共的服務平臺即可。供應商會按照用戶的要求安裝所需的軟件，并負責軟件的升級和維護。
云計算的主要優點：
（1）把用戶從安裝和測試軟件的工作中解脫出來。云計算平臺可以按照用戶的需求提供軟件及硬件的服務。用戶不需要考慮網絡下面復雜的硬件架構，僅僅需要關注計算和分析就可以。
（2）按需租用計算資源可以讓用戶支付更少的費用。在云計算平臺上，用戶在最初時可以租用少量的機器，以后隨著需求的增加或減少相應的增加或減少租用的機器。用戶所付的費用就是實際租用機器的費用。
（3）云計算方便研究人員之間的數據共享和分析。不同研究者在本地服務器上安裝的軟件版本可能不同，所以共享數據和軟件很困難。云計算可以使登錄同一個平臺的用戶共享操作系統和所有的軟件數據，保證了軟件的版本同步更新。
2 云計算在生物信息中的應用
我們把云計算在生物信息學中的應用按IaaS， PaaS和SaaS三個方面分別介紹。
2.1 IaaS
用戶租用云計算上的虛擬主機可以自己控制計算、存儲等硬件設備，建立需要的計算環境。并且大量的生物信息學工具可以打包為虛擬鏡像用于租用的云計算的虛擬主機上，可以很方便的進行多種數據分析。如CloVR提供的一個包含預配置和自動的生物信息學流程的虛擬主機，可以運行在本地的計算機上也可以運行在云計算平臺上。這個虛擬機以Ubuntu和BioLinux為基礎，安裝了Grid Engine和Hadoop作為作業調度，Ergatis作為工作流系統，還有很多開源的生物信息學軟件，如BLAST、16S rRNA等。用戶也可以開發自己的軟件運行在虛擬機上。Bioconductor是一個開源的關于R語言的生物信息學庫，提供了一系列的軟件包用于微陣列數據分析。用戶可以下載Bioconductor提供的鏡像安裝到租用的云計算平臺上。
2.2 PaaS
Galaxy Cloudman和Eoulsan可以看做PaaS。Galaxy整合了一系列的簡單易用的工具，提供一個簡易的網頁用來分析數據。Galaxy Cloudman把Galaxy的軟件工具打包成一個鏡像，可以在AWS（Amazon Web Service）上應用。用戶可以將其他安裝在Galaxy平臺上的軟件安裝到自己的云計算平臺上，甚至可以在Galaxy Cloudman上定義插件。通過添加額外的工具，可以擴展默認函數并測試和使用。從這個意義上說，Galaxy Cloudman可以看做PaaS。
Eoulsan整合了很多下一代基因數據分析工具，如BWA，Bowtie，SOAP2，GSNAP，edgeR，和DEdeq于一個框架內，同時，它也支持用戶自己開發的插件用于數據分析。
2.3 SaaS
很多傳統的生物信息學工具如BLAST、UCSC Genome Browser僅僅用一個瀏覽器就可以登錄到服務器使用相應的服務，它們也可以稱為SaaS。這些服務一般由軟件工具的開發者提供，伸縮性很差。我們主要介紹應用于云計算平臺上可以伸縮的生物信息學工具。
短序列（讀段）匹配是指將測序得到短序列匹配到參考基因組上，這是許多測序數據分析的第一步，如SNP識別和基因表達譜分析。CloudBurst，CloudAligner，SEAL和Crossbow都是應用于云計算基于MapReduce的軟件，可以匹配數以百萬計的序列。Schatz用”seed-and-extend”算法開發的CloudBurst可以確定錯誤匹配的數目。CloudBurst模仿了RMAP的算法，但速度提高了30倍。但是CloudBurst不支持fastq文件，并且不能處理重亞硫酸鹽測序和（雙）末端測序產生的數據。CloudAligner彌補了這個缺點，并且比CloudBurst快35%到80%。SEAL整合了BWA，在序列匹配時可以去除重復的序列，這對SNP識別和以后分析很有用。應用MapReduce的Crossbow整合了Bowtie和SOAPsnp，可以在幾個小時內匹配數以十億計的序列。
差異表達分析可以用來尋找不同樣本中表達有明顯差別的基因，而RNA測序（RNA-seq）用來量化樣本中的基因表達水平。Myrna是一個云計算平臺上計算大規模RNA測序的軟件。它整合了序列匹配、歸一化、聚類分析和統計模型，直接輸出不同樣本的基因表達水平和不同表達水平的基因。然而，Myrna 最大的缺陷是不能正確地將短序列匹配到外顯子拼接位點上。但FX彌補了這個缺點。FX用改進的匹配函數分析RNA數據，以RPKM或是BPKM的格式輸出不同基因的表達水平。
3 云計算面臨的問題
云計算提供了強大的計算能力，但云計算自身的特點也使它的發展面臨了一些困難和制約。云計算在生物信息學上的應用尚處于初期階段，盡管已經出現了一定數量的生物信息學工具，但仍有很多的分析無法完成，很多的工具還需升級或者開發。云計算上數據的隱私性和安全性也是用戶需要考慮的方面。特別是一些生物數據涉及到病人的隱私，但很多國家還沒有保護這種數據隱私的法律。云計算服務提供商需要制定一些規則來保護用戶的數據。
4 對應用云計算的建議
對于將要使用云計算的用戶，需要考慮以下三個方面：數據規模、安全隱私和費用。
數據規模及安全隱私：首先要考慮你的數據規模是否超過了本地計算機的處理能力?，F在本地的個人電腦可以處理數千兆的數據，服務器一次可以處理數百G的數據。如果用戶熟悉并行計算的技術，可以處理數TB的數據。但如果你的數據更大并且不精通并行計算，本地計算機和服務器就很難處理了，就可以考慮云計算。用戶如果要向云計算平臺上傳輸數據，需要考慮數據的安全性和隱私性。比如涉及病人的隱私是否會泄露，云計算服務提供商是否可以保證數據的安全等。
費用：云計算的費用一般是按照使用的計算資源的多少和使用時間的長短計算的。使用云計算前應該評估其使用費用。用戶應該考慮所有階段的費用，如數據傳輸、保存、分析等。
目前，云計算和生物信息學都處在快速發展當中，云計算在生物信息學中的應用也越來越廣泛和深入。特別是生物數據的大規模增漲，生物學家必須從大量的數據當中分辨出有用的信息。這就需要強大的存儲能力和計算分析能力，云計算可以很好的解決這個問題。 云計算和生物信息學的結合將極大的促進生物學的發展。
參考文獻
[1]劉鵬主編.云計算（第二版）[M].北京：電子工業出版社，2011（05）.
[2]Schatz MC，CloudBurst：Highly sensitive read mapping with MapReduce，Bioinformatics
25（11）：1363-1369，2009.
[3]Nguyen T，ShiW，Ruden D，CloudAligner：A fast and full-featured mapreduce based tool.for sequence mapping， BMC Res Notes 4：171，2011.
[4]Hong D，Rhie A，Park SS，Lee J，Ju YS，Kim S，Yu SB，Bleazard T，Park HS，Rhee H，Chong H，Yang KS，Lee YS，Kim IH，Lee JS，Kim JI，Seo JS，FX：An RNA-seq analysis tool on the cloud， Bioinformatics 28（5）：721-723，2012.
作者簡介
李淵（1985-），男，河南省延津縣人。碩士研究生學歷?，F為蘇州大學系統生物學研究中心助理實驗師。主要研究方向為實驗技術。
系統生物學的定義范文3
【關鍵詞】 藥用植物；代謝組學；功能基因組學
代謝組學是對生物體內代謝物進行大規模分析的一項技術［1］，它是系統生物學的重要組成部分（如圖1所示），藥用植物代謝組學主要研究外界因素變化對植物所造成的影響，如氣候變化、營養脅迫、生物脅迫，以及基因的突變和重組等引起的微小變化，是物種表型分析最強有力的工具之一。在現代中藥研究中，代謝組學在藥物有效性和安全性、中藥資源和質量控制研究等方面具有重要理論意義和應用價值。另外，在對模式植物突變體文庫或轉基因文庫進行分析之前，代謝組學往往是首先考慮采用的研究方法之一。目前，國外已有成功利用代謝組學技術對擬南芥突變株進行大規?；蚝Y選的例子，這為與重要性狀相關基因功能的闡明和選育可供商業化利用的轉基因作物奠定了基礎。
圖1系統生物學研究的四個層次 略
目前，還有許多經濟作物的全基因組測序計劃尚未完成，由于代謝組學研究并不要求對基因組信息的了解，所以在與這些作物有關的研究領域具有更大的利用價值，這也是其與轉錄組學和蛋白組學研究相比的優勢之一。代謝組學研究涉及與生物技術、分析化學、有機化學、化學計量學和信息學相關的大量知識，Fiehn［2］對代謝組學有關的研究方向進行了分類（見表1）。
1代謝組學研究的技術步驟
代謝組學研究涉及的技術步驟主要包括植物栽培、樣本制備、衍生化、分離純化和數據分析5個方面（見圖2）。
1.1植物栽培
對研究對象進行培育的目的是為了對樣本的穩定性進行控制，相對于微生物和動物而言，植物的人工栽培需要考
表1代謝組學的分類及定義 略
慮更多的問題，如中藥材在不同年齡、不同發育階段、不同部位以及光照、水肥、耕作等環境因素的微小差異都可引起生理狀態的變化，而這些非可控及可控雙重因素的影響很難進行精確的控制，從而影響藥用植物代謝組研究的重復性。為了解決以上問題，推薦使用大容量的培養箱［3］，定時更換培養箱中栽培對象的位置，以及使用無土栽培技術等，Fukusaki E［4］利用無土栽培系統將水和養分直接引入植物根部，并且對供給量進行精確地控制，大大提高了實驗的重復性。
1.2樣本制備
為了獲得穩定的實驗結果，樣本制備需要考慮樣本的生長、取樣的時間和地點、取樣量以及樣本的處理方法等問題，并根據分析對象的分子結構、溶解性、極性等理化性質及其相對含量大小對提取和分離的方法進行選擇，逐一優化試驗方案。Maharjan RP等［5］用6種方法分別對大腸桿菌中代謝產物進行提取，發現用－40℃甲醇進行提取的效果最好?，F階段代謝組學的分析對象主要集中在親水性小分子，尤其是初級代謝產物，氣相色譜質譜聯用(GCMS)和毛細管電泳質譜（CEMS）聯用都是分析親水小分子的重要技術。Fiehn O等［6］使用GCMS對擬南芥葉片中的親水小分子進行了分析，發現酒石酸半縮醛、檸蘋酸、別蘇氨酸、羥基乙酸等15種植物代謝物。
1.3衍生化處理
對目標代謝產物的衍生化處理取決于所使用的分析設備，GCMS系統只適合對揮發性成分進行分析，高效液相色譜法（HPLC）一般則使用紫外或熒光標記的方法對樣本進行衍生處理，Blau K［7］對酯化、?；?、烷基化、硅烷化、硼烷化、環化和離子化等衍生方法進行了詳細的說明。然而離子化抑制常使得質譜分析過程中目標代謝產物的離子化效率降低，這主要是由于分離過程中污染物與目標代謝物難以完全分離開所引起的，優化色譜分離時間可有效緩解離子化抑制，然而在實際操作中不可能對上百種代謝產物的分離時間進行優化，利用非放射性同位素稀釋法進行相對定量可以很好的解決該問題。Han DK等［8］應用同位素編碼的親和標記（ICAT），根據經誘導分化的微粒蛋白及其同位素標記物的峰面積比，對該蛋白的相對含量進行分析。Zhang R等［9］發現同位素標記技術也可用于代謝組學的研究，但是卻存在許多困難。活體的同位素標記方法對于同位素的洗脫是一種非常有潛力的技術，目前關于使用34 s的研究已有報道［10］。
圖2代謝組學研究技術步驟 略
1.4分離和定量
分離是代謝組學研究中的重要步驟，與質譜聯用的色譜和電泳分析技術都是使用紫外或電化學檢測的方法進行定量，其對代謝組數據的分辨率與定量能力都有一定的影響。Tomita M等［11］總結了各種色譜分離法中經常遇到的技術問題，認為毛細管電泳和氣相色譜法由于具有較高的分辨率，已成為代謝組學研究的常規技術手段之一，液相色譜因其適用范圍廣，應用也相當廣泛。
Tanaka N等［12］用高效液相色譜對樣品進行分離，認為使用硅膠基質填充毛細管整體柱的高效液相色譜系統具有用量少、靈敏性高、低壓降高速分離等優勢；同時，Tolstikov V等［13］也使用硅膠填充的毛細管液相色譜方法對聚戊烯醇類異構體進行了有效分離，獲得了很好的分辨率。Tanaka N等［14］發現二維毛細管液相色譜法的分辨率比傳統的高效液相法高10倍。相對于其他色譜方法而言，超臨界流體色譜（SFC）是分離疏水代謝物最具潛力的技術之一，特別適用于分離那些傳統HPLC難以分析的疏水聚合物，Bamba T等［15］通過SFC對聚戊烯醇進行分析，證明其具有較好的分離能力。針對質譜中存在的共洗脫現象，Halket JM等［16］發明了一種適用于GCMS的反褶積系統，對共洗脫的代謝產物進行分離與識別。Aharoni A等［17］使用傅立葉變換離子回旋共振質譜（FTICRMS）對非目標代謝物進行分析，快速掃描植物突變樣品，獲得了一定量的代謝成分。
與分離一樣，定量能力也是代謝組學研究中的重要因素，其取決于各分析系統的線性范圍。傅立葉轉換核磁共振（FTNMR)、傅立葉紅外光譜（FTIR）以及近場紅外光譜法（NIR）等技術由于敏感性低，重復性受共洗脫現象影響較小也被用于檢測中。近年來，FTNMR技術常被用于植物代謝組的指紋圖譜研究 ［18］，但由于NMR分析需要樣品量較大，分析結果易受污染，Griffin J L ［19］發現將統計模式識別與FTNMR相結合可以對代謝物進行全面分析。除FTNMR之外，FTIR通過對有機成分的結構進行常規光譜測定，也可適用于代謝組學的研究，特別是應用于構建代謝組學的指紋圖譜。盡管它不能對代謝物進行全面分析，但對具有特定功能的組分卻有很好的定量效果，對從工業及食品原材料中分離的代謝混合物也可以進行全面分析，目前，已有學者將其成功地應用于擬南芥［20］和番茄［21］代謝產物指紋圖譜的研究中。
1.5數據轉換
為闡明代謝物復雜的線性或非線性關系，需要進行多變量分析，將原始的色譜圖數據轉換為數字化的矩陣數據，通過對色譜峰鑒定和整合從而進行多變量分析。由于環境等因素的干擾，光譜數據需要通過適當的數據加工方法進行校正，包括：①降低噪聲；②校正基線；③提高分辨率；④數據標準化。Jonsson P等 ［22］報道了一種關于GCMS色譜圖數據處理的方法，可以對大量代謝產物樣品進行有效的識別。
2代謝組學中的數據分析方法
2.1主成分分析法（PCA）
主成分分析法，將實測的多個指標用少數幾個潛在的相互獨立的主成分指標線性組合來表示，反映原始測量指標的主要信息。使得分析與評價指標變量時能夠找出主導因素，切斷其他相關因素的干擾，作出更為準確的估量與評價。PCA數據矩陣通常來自于GCMS，LCMS 或CEMS，因此將目標代謝產物作為自變量，而相應的代謝產物含量作為因變量，定義與最大特征值方向一致的特征向量為第一主成分，依此類推，PCA便能通過對幾個主要成分的分析，從代謝組中識別出有效信息。主成分分析有助于簡化分析和多維數據的可視化，但是該方法可能導致一部分有用信息的丟失。
2.2層次聚類分析法（HCA）
層次聚類分析法也常用于代謝組學的研究中，它是將n個樣品分類，計算兩兩之間的距離，構成距離矩陣，合并距離最近的兩類為一新類，計算新類與當前各類的距離。再合并、計算，直至只有一類為止。進行層次聚類前首先要計算相似度（similarity），然后使用最短距離法（Nearest Neighbor）、最長距離法（Furthest Neighbor）、類間平均鏈鎖法（Betweengroups Linkage）或類內平均鏈鎖法（Withingroups Linkage）四種方法計算類與類之間的距離。該方法雖然精確，但計算機數據密集，對大量數據點進行分析時，更適合選用K均值聚類法(KMC)或批次自組織映射圖法(BLSOM)，而HCA適合將數據轉換為主成分后使用。
轉貼于
2.3自組織映射圖法(SOM)
神經網絡中鄰近的各個神經元通過側向交互作用相互競爭，發展成檢測不同信號的特殊檢測器，這就是自組織特征映射的含義。其基本原理是將多維數據輸入為幾何學節點，相似的數據模式聚成節點，相隔較近的節點組成相鄰的類，從而使多維的數據模式聚成二維節點的自組織映射圖。除PCA和HCA外，SOM同樣也可應用于包括基因組和轉錄組等組學研究中 ［23］。最初SOM計算時間長，依靠數據輸入順序決定聚類結果，近年來SOM逐漸發展成為不受數據錄入順序影響的批次自組織映射圖法(BLSOM)。由于BLSOM可以對類進行調整，且有明確的分類標準，優化次序優于其他聚類法，已在基因組學和轉錄組學數據分析中得到廣泛的應用。
2.4其他數據采礦方法
除PCA、HCA和SOM外，很多變量分析方法都可用于植物代謝組學的分析。軟獨立建模分類法(SIMCA)是利用主成分模型對未知樣品進行分類和預測，適合對大量樣本進行分析；近鄰分類法(KNN)和K平均值聚類分析法(KMN)也可用于樣品分類；主成分回歸法(PCR)或偏最小二乘回歸法(PLS)在某些情況下也可使用。然而到目前為止由于還沒有建立一個標準的數據分析方法，代謝組學仍然是一門有待完善的學科。
3代謝組學在藥用植物中的實踐
植物藥材來源于藥用植物體，而藥用植物體的形態建成是其體內一系列生理、生化代謝活動的結果。植物代謝活動分為初生代謝和次生代謝，初生代謝在植物生命過程中始終都在發生，其通過光合作用、檸檬酸循環等途徑，為次生代謝的發生提供能量和一些小分子化合物原料。次生代謝往往發生在植物生命過程中的某一階段，其主要生物合成途徑有莽草酸途徑、多酮途徑和甲瓦龍酸途徑等。植物藥材含有的生物堿、胺類、萜類、黃酮類、醌類、皂苷、強心苷等活性物質的絕大多數屬于次生代謝產物，因此探討次生代謝產物在藥用植物體內的合成積累機制及其影響因素，對于提高活性物質含量、保證藥材質量、穩定臨床療效等具有重要意義。孫視等［24］通過對銀杏葉中黃酮類成分積累規律的研究，提出了選擇具有一定環境壓力的次適宜生態環境解決藥用植物栽培中生長和次生產物積累的矛盾。王昆等［25］以人參葉組織為材料，總結了構建人參葉cDNA文庫過程中存在的一些關鍵問題和應采取的對策，為今后關于人參有效成分如人參皂苷的生物合成途徑及其調控的基礎研究提供技術參考和理論指導。最近，美國加利福尼亞大學伯克利分校的Keasling等［26］采用一系列的轉基因調控方法，通過基因工程酵母合成了青蒿素的前體物質——青蒿酸，其產量超過100 mg/L，為有效降低抗瘧藥物的成本提供了機遇。經過長期的研究積累，人們對代謝途徑的主干部分（為次生代謝提供底物的初生代謝途徑）已經基本了解，例如酚類的莽草酸途徑， 萜類的異戊二烯二磷酸(IPP)途徑等。被子植物中一些相對保守的次生代謝途徑也得到了很好的研究，如黃酮類、木質素的生物合成與調控。然而，對次生代謝最豐富最神奇的部分——特定產物合成與積累的過程，還所知甚少［27］。
4展 望
近年來，代謝組學正日益成為研究的熱點，越來越多的人已加入到代謝組學的研究中。隨著代謝組學積累的數據和信息量的增大，其在藥用植物學各個領域的應用價值也與日俱增。它將不僅能對單個代謝物進行全方面的分析，更能尋找其代謝過程中的關鍵基因、通過代謝指紋分析對藥用植物進行快速分類、進一步研究藥用植物有效成分代謝途徑以及環境因子對植物代謝和品質的影響與調控機制。
然而依據傳統中醫藥學和系統生物學的指導思想，目前急待解決的是中藥種質資源的代謝組學研究和中藥體內作用的代謝組學研究。同時，代謝組學在分析平臺技術、方法學手段和應用策略等方面相對于其他組學技術還需要進一步發展和完善，還需要其他學科的配合和介入。相信隨著更有力的成分分析設備的使用及代謝組數據庫的建立，藥用植物代謝組學將對中醫藥學產生深遠的影響。
【參考文獻】
［1］ WECKWERTH W. Metabolomics in systems biology［J］. Annu Rev Plant Biol，2003，54:669-689.
［2］ FIEHN O. Metabolomics — the link between genotypes and phenotypes［J］. Plant Mol Biol，2002，48:155-171.
［3］ TRETHEWEY R N. Metabolite profiling as an aid to metabolic engineering in plants［J］. Curr Opin Plant Biol，2004，7:196-201.
［4］ FUKUSAKI E，IKEDA T，SUZUMURA D，et al. A facile transformation of arabidopsis thaliana using ceramic supported propagation system［J］. J Biosci Bioeng，2003，96:503-505.
［5］ MAHARJAN R P，FERENCI T. Global metabolite analysis: the influence of extraction methodology on metabolome profiles of Escherichia coli［J］. Anal Biochem，2003，313:145-154.
［6］ FIEHN O，KOPKA J，TRETHEWEY R N，et al. Identification of uncommon plant metabolites based on calculation of elemental compositions using gas chromatography and quadrupole mass spectrometry［J］. Anal Che，2000，72:3573-3580.
［7］ BLAU K，HALKET J M. Handbook of derivatives for chromatography［M］. 2nd ed. John Wiley & Sons，Chichester，1993.
［8］ HAN D K，ENG J，ZHOU H，et al. Quantitative profiling of differentiation induced microsomal proteins using isotopecoded affinity tags and mass spectrometry［J］. Nat Biotechnol，2001，19:9469-9451.
［9］ ZHANG R，SIOMA C S，WANG S，et al. Fractionation of isotopically labeled peptides in quantitative proteomics［J］. Anal Chem，2001，73:5142-5149.
［10］ MOUGOUS J D，LEAVELL M D，SENARATNE R H，et al. Discovery of sulfated metabolites in mycobacteria with a genetic and mass spectrometric approach［J］. Proc Natl Acad Sci USA，2002，99:17037-17042.
［11］ TOMITA M，NISHIOKA T. Forefront of metabolomics research［M］. Tokyo: Springer Verlag Tokyo，2003.
［12］ TANAKA N，KOBAYASHI H，ISHIZUKA N，et al. Monolithic silica columns for highefficiency chromatographic separations［J］. J Chromatogr A，2002，965:35-49.
［13］ BAMBA T，FUKUSAKI E，NAKAZAWA Y，et al. Rapid and highresolution analysis of geometric polyprenol homologues by connected octadecylsilylated monolithic silica columns in highperformance liquid chromatography［J］. J Sep Sci，2004，27:293-296.
［14］ WIENKOOP S，GLINSKI M，TANAKA N，et al. Linking protein fractionation with multidimensional monolithic reversedphase peptide chromatography/mass spectrometry enhances protein identification from complex mixtures even in the presence of abundant proteins［J］. Rapid Commun Mass Spectrom，2004，18:643-650.
［15］ BAMBA T，FUKUSAKI E，NAKAZAWA Y，et al.
Analysis of longchain polyprenols using supercritical fluid chromatography and matrixassisted laser desorption ionization timeofflight mass spectrometry［J］. J Chromatogr A，2003，995:203-207.
［16］ HALKET J M，PRZYBOROWSKA A，STEIN S E，et al. Deconvolution gas chromatography /mass spectrometry of urinary organic acidspotential for pattern recognition and automated identification of metabolic disorders［J］. Rapid Commun Mass Spectrom，1999，13:279-284 .
［17］ AHARONI A，RIC DE VOS C H，VERHOEVEN H A，et al. Nontargeted metabolome analysis by use of Fourier transform ion cyclotron mass spectrometry［J］. Omics，2002，6:217-234.
［18］ OTT K H，ARANIBAR N，SINGH B，et al. Metabolomic classifies pathways affected by bioactive compouds. Artificial neural network classification of NMR spectra of plant extracts［J］. Phytochemistry，2003，62:971-985.
［19］ GRIFFIN J L. Metabonomics: NMR spectroscopy and
pattern recognition analysis of body fluids and tissues for characterisation of xenobiotic toxicity and disease diagnosis［J］. Curr Opin Chem Biol，2003，7:648-654.
［20］ GIDMANA E，GOODACREB R，EMMETTC B，et al.Investigating plantplant interference by metabolic fingerprinting［J］. Phytochemistry，2003，63:705-710.
［21］ JOHNSON H E，BROADHURST D，GOODACRE R，et al. Metabolic
fingerprinting of saltstressed tomatoes［J］. Phytochemistry，2003，62:919-928.
［22］ JONSSON P，GULLBERG J，NORDSTROM A，et al. A strategy for identifying differences in large series of metabolomic samples analyzed by GC/MS［J］. Anal Chem，2004，76:1738-1745.
［23］ HIRAI M Y，YANO M，GOODENOWE D B， et al. Integration of transcriptomics and metabolomics for understanding of global responses to nutritional stresses in Arabidopsis thaliana［J］. Proc Natl Acad Sci USA，2004，101:10205-10210.
［24］ 孫視，劉晚茍，潘福生，等.生態條件對銀杏葉黃酮含量積累的影響［J］.植物資源與環境，1998，7(3):1-7.
［25］ 王昆，王穎，鮑永利，等.人參葉cDNA文庫構建中的問題與對策［J］. 人參研究，2005，17(4):2-4.
系統生物學的定義范文4
“DNA元件百科全書”計劃是繼“人類基因組計劃”后最大的國際合作計劃之一。由美國國家人類基因組研究所(US National Human Genome Research Institute)、Wellcome Trust和歐洲生物信息研究所(European Bioinformatics Institute, EBI)組織，包括全世界11個國家80家科研機構35個小組的研究人員。
一、“DNA元件百科全書”計劃內容
“DNA元件百科全書”計劃主要目標是對人類基因組功能元件進行鑒定和分析，主要包括以下幾個部分：
①運用人類基因組計劃中成熟的方法和手段進行研究；
②(小規模)試點研究；
③開發高通量篩選和檢測技術進行研究。
ENCODE團隊試點計劃目前已經基本完成，主要包括以下三方面的內容：①對編碼的功能DNA進行鑒定和分類；對已存在的幾種方法進行了測試和比較，嚴格分析了人類基因組序列中已被定義的序列。②闡明人類生物學和疾病之間的關系；③對大量鑒定基因特征的方法、技術和手段進行檢測和評估。
ENCODE計劃的研究對象包括：編碼蛋白基因、非編碼蛋白基因、調控區域、染色體結構維持和調節染色體復制動力的DNA元件。 到目前為止，ENCODE計劃主要集中研究了44個靶標，共3000萬個DNA堿基對。負責該計劃數據整合和分析工作的歐洲分子生物學實驗室主任EwanBirney說，“我們的結論揭示了有關DNA功能元件構成的重要原理，為從DNA轉錄到哺乳動物進化的一切過程提供了新的認識?！?/p>
二、“DNA元件百科全書”計劃進展
ENCODE計劃主要分為三個階段進行：①利用目前的技術進行小規模實驗（試點研究階段），研究的重點主要是關于轉錄調節單元，轉錄調節序列，酶切位置，染色體修飾，復制起始原點的確定等方面。②技術開發階段，這階段主要關注沒有被充分研究的功能基因。③實際生產階段，該階段主要將前面兩個階段的研究成果應用到對整個基因組的研究中。
2007年6月，ENCODE團隊相繼在《自然》（Nature）和《基因組研究》（Genome Research）上發表了29篇相關論文，報道了他們4年來努力的成果，即通過建立一個目錄，詳盡地描述1%人類基因組的全部生理功能基礎。該結果高度肯定了鑒定和歸類人類基因組功能元件的工程的成功，并且由于幾項新技術的興起，大量關于功能元件的數據被獲得，這標志著技術發展階段也獲得了成功。
隨著ENCODE計劃初始階段的成功，NHGRI在2007年9月投入了新的資金使ENCODE工程規?；?，擴大到實際生產階段對整個基因組進行研究，并伴隨有中試研究。生產階段中還具備數據整合中心和數據分析中心，數據整合中心用于追蹤、存儲和公布數據，而數據分析中心用于對數據進行綜合分析。ENCODE研究者們獲取的全部數據都會盡快公布到公共數據庫中，項目數據整合中心的數據也是公開的。
目前ENCODE計劃的成果亮點包括：確定了許多之前不為人知的DNA轉錄啟動位點；了傳統觀點的認識，調控區域也有可能位于DNA轉錄啟動位點的下游；確定了組蛋白（histones）變化的特定標記；加深了人們對組蛋白改變協調DNA復制的理解。
三、“DNA元件百科全書”計劃意義
2003年人類基因組計劃的完成僅僅標志著人類向著利用基因信息診斷、治療和預防疾病的目標邁出了重要的第一步。這就好比我們只得到了人體的“使用手冊”，但是如果要將這份手冊用于疾病診斷和治療，我們必須讀懂這份手冊。ENCODE計劃首次系統地研究了所有類型的功能元件的位點和組織方式，對基因組計劃的實際應用具有劃時代的意義，為未來進一步認識整個人類基因組的功能藍圖開辟了道路。
首先ENCODE計劃了傳統的觀點：即我們的基因藍圖(genetic blueprint)作為一群獨立基因(independent genes)，漂浮在“垃圾DNA”(junk DNA)的大海上。事實上，人類基因藍圖的30億個化學“字母”組成了一個極為復雜的網絡，在這個網絡中，基因、調控基序(regulatory elements)和其它DNA序列以一種人們尚未了解的重疊方式相互作用，共同著控制人類的生理活動。美國國家人類基因組研究所主任弗朗西斯?柯林斯(Francis Collins)將這些結果稱之為“這是人類生物學上的一個里程碑”。他表示：“這種令人印象深刻的努力，已揭示出許多激動人心的意外，并為未來探究整個人類基因組功能圖景開辟了道路?！?/p>
其次“DNA元件百科全書”加深了對哺乳動物基因組進化的認識。傳統理論認為，與生理功能相關的重要DNA序列往往位于基因組中的“進化限制”（evolutionaryconstraint）區域，它們在物種進化過程中更容易保存下來。但是，最新的研究表明，大約一半人類基因組中的功能元件在進化過程中，不會受到很大限制?？茖W家認為，哺乳動物缺乏“進化限制”這一點很可能意味著，許多物種的基因組都囊括了大量的包括RNA轉錄副本在內的功能元件，在進化過程中，這些功能元件成了基因“倉庫”。
科學家預言, ENCODE計劃的研究將導致藥物開發方面實質性的突破, 以使人類真正攻克癌癥等頑疾。
總之，ENCODE計劃產生了許多令人驚訝的發現，對于人類自身的生存和發展具有重大的意義，為未來進一步認識整個人類基因組的功能藍圖開辟了道路。ENCODE計劃破解人類疾病和生老病死之謎、解決人類健康問題，對生命科學的研究和生物產業的發展具有非常重要的意義, 它為人類社會帶來的巨大影響是不可估量的?？茖W共同體有必要重新考慮長期以來對于基因和基因組功能的認識，這將對與人類疾病相關的基因序列研究產生重大的影響。
參考文獻：
1．The ENCODE Project Consortium. 2004. The ENCODE (ENCyclopedia Of DNA Elements) Project. Science. 306: 636640.
系統生物學的定義范文5
代謝組學研究的是生物體系受到內在和外在因素刺激產生的內源性代謝變化，可以對那些能描述代謝循環情況的關鍵化合物進行定性和定量分析。近幾年來，代謝組學已經成為生命科學領域一個重要的、有價值的工具，并在不斷創新的分析技術推動下穩步發展。雖然代謝組學本身還存在一些不足，但許多研究者以解決問題為出發點，提出了一些新的研究策略、方法和技術。代謝組學發展呈現出整合一體化，定量化和標準化的趨勢。本文對代謝組學的概況，現在的發展情況和未來的趨勢進行綜述。
【關鍵詞】 代謝組學 研究策略 分析方法 綜述
1 代謝組學的概況
代謝組學(metabonomics)是以組群指標分析為基礎,以高通量檢測和數據處理為手段,以信息建模與系統整合為目標的系統生物學的一個分支，是繼基因組學、轉錄組學、蛋白質組學后系統生物學的另一重要研究領域, 它是研究生物體系受外部刺激所產生的所有代謝產物變化的科學，所關注的是代謝循環中分子量小于1000的小分子代謝物的變化,反映的是外界刺激或遺傳修飾的細胞或組織的代謝應答變化[1]。代謝組學的概念最早來源于代謝輪廓分析 [2]。nicholson研究小組于1999年提出了代謝組學的概念[1],并在疾病診斷、藥物篩選等方面做了大量的卓有成效的工作[3～5]。fiehn等[6]提出了metabolomics的概念,第一次把代謝產物和生物基因的功能聯系起來,之后很多植物化學家開展了植物代謝組學的研究,使得代謝組學得到了極大的充實,同時也形成了當前代謝組學的兩大主流領域: metabolomics和metabonomics。經過不斷發展，fiehn [6,7]、allen [8]、nielsen [9], villasboas[10,11]等確定了代謝組學一些相關層次的定義，已被學術界廣泛接受。第一個層次為靶標分析，目標是定量分析一個靶蛋白的底物和/或產物；第二個層次為代謝輪廓分析，采用針對性的分析技術,對特定代謝過程中的結構或性質相關的預設代謝物系列進行定量測定；第三個層次為代謝指紋/足印，定性并半定量分析細胞外/細胞內全部代謝物；第四個層次為代謝組學，定量分析一個生物系統全部代謝物，但目前還難以實現。
作為應用驅動的新興科學,代謝組學已在藥物毒性和機理研究[12，13]、微生物和植物研究[14]、疾病診斷和動物模型[15，16]、基因功能的闡明[17]等領域獲得了較廣泛地應用。近來,代謝組學又在中藥成分的安全性評價[18]、藥物代謝的分析[19]、毒性基因組學[20]、營養基因組[21]、藥理代謝組學[22～24]、整合藥物代謝和系統毒理學 [25,26]等研究方面取得了新的突破和進展。
完整的代謝組學分析的流程包括樣品的制備、數據的采集和數據的分析及解釋。樣品的制備包括樣品的提取、預處理和化合物的分離。代謝物通常用水或有機溶劑(甲醇、己烷等)提取。分析之前,常先用固相微萃取、固相萃取、親和色譜等方法進行預處理，用氣相色譜、液相色譜、毛細管電泳等方法進行化合物的分離。預處理后,樣品中的代謝產物需要通過合適的方法進行測定。色譜、質譜、磁共振、紅外光譜、庫侖分析、紫外吸收、熒光散射、放射性檢測、光散射等分離分析手段及其組合都在代謝組學的研究中得到應用。其中,核磁共振（nmr）技術特別是氫譜以其對含氫代謝產物的普適性,色譜以其高分離度、高通量，質譜（ms）以其普適性、高靈敏性和特異性而成為最主要的分析工具。代謝組學研究的后期需借助于生物信息學平臺進行數據的分析和解釋[27],解讀數據中蘊藏的生物學意義。最常用的是主成分分析（pca）法和偏最小二乘（pls）法。
但在研究的幾個步驟中，代謝組學還存在一些不足。例如，分析手段存在局限性；全部定量分析難以實現，準確性不足；定性過程復雜。針對這些問題，現在的研究者們在研究策略和方法上做著積極的探索和改進。本文就將綜述近年來在代謝組學研究策略和方法上的最新的研究報道，并結合本實驗室的研究進行展望。
2 研究策略與方法
后基因組時代眾多組學的發展向分析化學提出了更高、更嚴峻的挑戰。對代謝組學，一些關鍵點的把握顯得尤為重要。首先，代謝組學的整體分析平臺的提升是未來代謝組學研究的關鍵環節，這包括：新的復雜樣品預處理技術；靈敏、專一、原位、動態、無損、快速的代謝物組檢測、表征與操縱技術；代謝物組成、結構和功能信息獲取的新型技術和完整的數據采集和成像系統；有效、快速處理代謝組海量復雜數據的新化學信息學方法以及這些技術和方法學的原始性創新、學科間交叉和多維技術聯用基本理論研究等。再者，制定代謝組學標準(包括方法、信息和數據庫)，以及實現代謝組與基因組、轉錄組和蛋白質組等數據的整合，是未來代謝組學研究的一個關鍵問題。針對這些關鍵點，代謝組學的研究策略和方法得到了新的發展。
2.1 整合一體化
由于現有的分析技術都有各自的優缺點[28],單獨使用一種或少數幾種已經很難滿足代謝組學研究的要求。所以整合的策略已經成為一個重要的趨勢，這個整合不僅包括各種技術、方法，還包括不同來源的生物樣品（血液、尿液、糞便等）?？梢詫⒛壳暗恼喜呗詺w納為以下幾個方面。
2.1.1 分析技術的整合 這個整合包括了不同分離技術、不同的數據獲取方式、不同數據分析技術等。這樣可以達到分析平臺優勢互補，使結果更完善、準確。在這方面劉昌孝等[29～31]做了一些液相色譜和質譜聯用技術與化學計量學方法結合，應用于代謝組學的研究工作，并對這方面的發展進行了綜述。chen等[32]也利用了整合的思想，提出了一套完整的潛在代謝標志物從發現到定性再到生理意義說明的方法。他們將指紋譜分析、多變量分析、液相串聯質譜（lcms/ms）、微制備、傅立葉離子回旋共振質譜（fticrms）、氣相質譜（gcms）、數據庫檢索、同位素標記物比對等方法進行了整合，利用整合后的平臺對糖尿病進行代謝組學分析。先用uplcms采集數據，經數據處理后尋找到潛在生物標志物，經過微制備后，再利用fticrms和gcms進行分析，得到精確分子量和氣相保留指數，再結合碎片分析，通過查詢數據庫最終確定標志物的組成及結構。再通過同位素標記物的比對，最終明確此化合物并進行了生理意義的說明。這個方法適用于所有進行代謝組學研究的體系，能使標志物的鑒定更為可靠和令人信服，為潛在標志物的尋找提供了一套標準有效的操作流程。還有人研究了多種離子化方式對代謝組學研究結果的影響[33]，發現單用電噴霧離子源（esi）的負離子模式比正負離子模式相結合少了90%的離子量，結合大氣壓化學電離（apci）后，離子量多了20%，而結合esi、apci、基質輔助激光解析電離（maldi）和多孔硅表面解吸離子化（dios）后，離子量提高了一倍，這在一定程度上代表信息量的增加。此外，親和液相色譜、反相液相色譜和氣相色譜的整合[34，35]、nmr與ms的整合[35]、不同填料色譜柱（如：c8、c18、苯基柱）的整合研究[36]都有報道。對于無商品化和不易得到標準品的物質,lee等[37]在定性分析中使用了絕對淌度和酸解離常數進行輔助解析，這也是整合思想的一個體現。這些研究都表明，整合策略正是現在代謝組學研究策略發展的一個重要方向。
在數據分析技術上，也體現著整合的思想。由于代謝組學分析產生的是信息量豐富的多維數據,因此，需要充分整合化學計量學和多元統計分析方法等技術，對代謝組學數據進行分析說明[38]。目前在代謝組學中運用較多的包括主成分分析、層次聚類分析(hca)、非線性影射(nlm)等非監督分類方法,以及偏最小二乘法判別分析（plsda)、k最近鄰法(knn)、神經網絡(nn)等監督分類方法。每一種方法都有各自特點，通過比較、整合可以得到更完整的結果。
2.1.2 數據的整合 由于樣品分析手段的多樣性，產生了許多不同的代謝組學數據，這需要通過數學統計方法對不同數據加以整合, crockford等[39]在進行毒理學研究時，采用了shy（statistical heterospectroscopy）方法對nmr與ms數據進行了整合，為生物標志物的發現提供了一個系統生物學工具。另外，lcms數據和gcms數據的融合[40]等也有報道。關于數據的另外一個整合是指代謝組學數據與其它一些整體研究數據之間的整合。隨著現代自然科學技術不斷發展，各種基于整體的研究，如蛋白組學、代謝組學、基因組學等不斷出現并相互交叉，通過整合整體研究數據[41～43] ，可以更全面和深刻地闡明生物網絡復雜性，準確理解代謝物與蛋白質、代謝物與基因之間的關系。廖沛球等[44]就在用代謝組學方法對硝酸釹急性生物效應進行研究時，將大鼠血清中一些重要的生化指標及組織切片光鏡圖分析結果與代謝組學數據結合討論。從數據形式上,采用xml通用標記語言的質譜數據可同時適用于蛋白質組和代謝組, 同時,在細胞信號通路等領域有重要作用的系統生物學標記語言sbml也正發展成xml形式[45]；有些研究也采用sysbioom數據記錄平臺,將pedro形式的蛋白質組數據和代謝組數據整合至mageom模式的轉錄組數據中[46]。組學數據整合可以通過代謝網絡支架(scaffold)分析、建模方法或借用有關專業軟件來實現[47]。yang等[48]利用代謝組學與蛋白組學技術，并將兩者相結合來研究dna免疫調節對脂代謝的影響。在毒理分析中，spicker等[49]就用一個分級模型整合了臨床化學數據，基因蛋白表達數據和其他的一些數據。由此看來，對于許多復雜的體系，單一內容的數據已經很難準確反映出體系的性質和變化，這就需要更加重視采用多種數據來共同研究問題、解釋問題。這樣得出的結果更全面、更準確。
2.1.3 研究對象的整合 通過整合代謝組學(integrated metabonomics)方法，同時對機體中不同來源的生物樣品(尿樣、血樣、組織樣等)進行代謝組學分析、數據比較和綜合評價，可以使代謝組學的結果更完整、更準確[50]。nicholson實驗組[51]將血樣、尿樣和肝臟組織樣品分別進行代謝組學研究，將研究結果整合來進行毒理研究，得到了更好的研究結果。saric等[52]進行了糞便代謝組學研究，研究揭示了糞便代謝組群的種類變化與腸胃功能的關系。一些研究者還對大鼠毛發進行代謝組學分析[34]，表明毛發在尋找生物標志物上也有重要作用。
2．2 定量化
從代謝組學的各個層次的定義不難看出，定量是人們追求的一個較高的目標。lee等[53]在研究壬基苯酚毒性作用時，就對比了有目標定量研究（針對雌激素、雄激素、腎上腺皮質激素）和無目標代謝指紋譜分析的結果，他們發現無目標、無準確定量的代謝組學研究結果只揭示毒性作用與作用量有關系。而有了準確定量后，毒性作用還表現出了與作用時間的相關性。代謝組學一直朝著全面定量努力。wang等[54]在代謝組學研究中就十分注重量的概念，在神經管畸形的研究中，他們根據先驗知識鎖定了一碳代謝循環通路，定量了11種物質，同時，也對同一樣品進行代謝指紋譜分析，將定量結果加入到指紋譜結果中進行問題的說明。在糖尿病腎病研究中，整合了磷脂類、脂肪酸類、氨基酸類、核苷類和激素類五大代謝循環輪廓譜，定量了百余種物質，將這些再與指紋譜結合，將使代謝組學的研究更全面，更可信，有可能更清晰地去研究疾病的機理，達到疾病預警，指導并評價治療的目的。
隨著重視程度的增加，許多新的定量策略和方法都被提出并得到實驗驗證。對于定量，內標的使用是一個重要的手段，上文提到的毒性研究實驗就是采用雌二醇d4為內標來定量。另外，bajad等[55]在用lcms/ms分析時，同時使用非同位素內標和同位素內標來實現定量，共定量了141種化合物，其中包含了氨基酸和核苷酸代謝的許多相關物質。可以說，內標的使用不但可以進行數據校準，還可以輔助定量。最近，weljie等[56]提出一種用于nmr進行代謝組學研究的定量方法，叫做靶標輪廓法，他們利用許多種純品的光譜數據建模，從而建立一個數據庫，通過檢索比對來鑒定并定量代謝物，這個方法解決了低濃度物質和重疊區物質的定性定量問題。同位素比率的方法用于代謝組學定量是一種較新的嘗試，huang等[57]在使用二維氣相飛行時間質譜進行分析時，用d6標記的mtbstfa作為衍生化試劑對分析物進行衍生化，再根據同位素比率對分析物進行定量。通過對各種定量新方法的比較，可以看出，使用內標進行定量的方法會有鑒定方便，定量準確的優點，比較適用于那些結構非常清楚，內標物比較易得的物質的定量，而建模型數據庫進行檢索比對的方法的優點是比較簡便，成本較低，但準確性有所欠缺。在實際研究中，應該根據每個研究對象的不同特點進行選擇。
2．3 標準化
由于代謝組學分析技術和操作條件的多樣化，使得大量產生的數據和結果缺乏規范性,這給代謝組學數據的采集、存儲、查詢、比較、共享和整合等帶來諸多不便。這就需要研究者對一整套的過程進行標準化。首先，在生物樣品的收集、滅活和儲存上，大多研究者就已經按照一些標準化程序來做。其次，在樣品的前處理上，alzweiri等[58]系統地比較了乙腈、丙酮、甲醇和乙醇的除血樣中蛋白和尿中的鹽效果，為建立標準化前處理方法提供一些依據。在樣品分析上，內標的使用就在一個更小層次的標準化上起到了一定作用。目前，最主要的標準化還是針對于數據的處理。代謝組數據的標準化也開始嘗試類似轉錄組學和蛋白質組學的方法[59]，具體地規定有關實驗和分析方法的數據格式和必要信息。如bino等[60]提出了miamet的代謝物組學數據模式，涉及實驗設計、樣品收集、處理和分析等各環節；基于miamet，jenkins等[61]提出了更為細致和完整的基于gcms的植物代謝物組學數據標準armet；kell等[62]采用xml標記語言,可將信息標準擴展到包括應用nmr和ms等技術的代謝組學數據中。代謝組數據的標準化工作需要科研、企業及政府機構等多方面力量共同參與。在這方面，倡導者之一的smrs工作組發揮了重要作用[63]，該小組已制訂和了有關代謝組分析方法的標準化報告的詳細草案[64]。
2．4 新的分析方法
2.4.1 樣品預處理 樣品預處理是代謝組學研究中的重要內容[65,66]?；诖x組分析的系統性，整個樣品處理和分析過程應盡可能保留和體現樣品中完整的代謝物組分信息,所以樣品的預處理就顯得尤為重要。許多研究工作也聚焦在了新的預處理方法上。webbrobertson等[67]在尿液預處理時，加入疊氮化鈉，來防止細菌污染；在氣相色譜質譜研究中，相轉移催化技術(ptc)可以使分析物與離子對試劑形成離子對，利用它在有機相中溶解性好的特點，提高衍生化效率[68]。kind等[69]在尿液與處理上，采用尿素酶分解了尿中含量很高的尿素，與不進行此預處理的尿液相比，這種方法使一些被掩蓋的信息表現出來。
2.4.2 樣品分析 現階段，樣品分析和數據采集主要采用nmr和ms兩種方法。其中，nmr技術，特別是新發展的高分辨魔角旋轉、活體磁共振波譜和磁共振成像等技術使nmr成了代謝組學研究領域最主要的分析技術之一[70]；而現代ms技術也以其高靈敏度和專屬性的優勢而在代謝組學研究中備受青睞。一些應用于代謝組學研究的新技術也出現在這些相關領域中。超高效液相色譜/高分辨飛行時間質譜(uplc/tofms)技術及聯機的markerlynx自動化數據處理軟件早已運用到了研究中，為代謝組學研究提供了從樣品分析到數據分析全過程的整體解決方案[71]。fticrms具有超高分辨率和準確度,可以配備大氣壓電離(apci)、納升級電噴霧(nanoesi)和maldi等各種離子源,在代謝組學研究，尤其是未知物確定上發揮了很大的作用[72～74]；在代謝指紋的快速掃描中,直接輸注質譜法的應用日趨廣泛[75,76]；電噴霧解吸電離(desi)的質譜技術(ambient ms)[77～79]基于多孔硅表面的解吸離子化技術(dios)，突出特點是在常壓下能將表面吸附的分析物進行解吸電離，這樣就避免了樣品預處理和基質背景干擾，從而實現ms對復雜樣品進行原位、高通量、非破壞的分析，獲得更直接和全面的樣品信息[80]。wang等[81]自主研發了一套全自動親水色譜柱/反相色譜柱加和轉換的液質聯用體系，從而將極性大的化合物進行了更細致分離，擴大了信息量，有助于全面準確衡量代謝情況。這套體系適合用于任何復雜生物樣本的分析中，能簡單而有效地完成極性范圍很寬的不同物質的分離分析。enke等[82]在飛行時間質譜（tofms）的基礎上發展了一套新分析技術，稱為飛行距離質譜（dofms），它的分辨率可與四極桿和離子阱相媲美，而且還保持了tofms的優點，并提高了信噪比和動態學應用范圍。在氣相研究中，研究者創新地使用了纖維填充毛細管柱[68]，它的耐高溫性能擴展了氣相色譜的使用范圍。
2.4.3 數據分析 數據處理的一些新的方法開發和應用，有力地推動了代謝組學的發展。saude等[83]根據不同代謝物和內標物的不同縱向弛豫率，得到校正因子，對代謝物的定量結果進行校正，大大提高了定量準確率；yang等[84]發展了一種峰校準算法，他們先定義了一系列響應比較強的峰，將保留時間劃分為幾個區間，對各個區間進行校準，并在肝病代謝組學研究中得到應用。oh等[85]開發了一個新的信息處理軟件包，可以在樣品數據中尋找同種代謝物產生的峰，并能消除雜峰（如污染物的峰），他們還用混合標準品和血樣加標驗證了軟件準確性。在以gcms進行植物實驗分類學研究中，splot作為一個能反映出代謝物與分類模型之間的共方差和相關性的工具，被用于鑒別有統計學意義和生理學意義的代謝物[86]。還有svd在線性最小二乘基礎上的使用，能在一定程度上削弱峰重疊對峰指認和定量的影響[87]；mzmine和xcms能對保留時間進行校準[69]。這些方法的目的都是盡量減小分析中產生的誤差，使結果更準確。
3 展望
目前，國內外許多研究者都在進行代謝組學研究，代謝組學應用的范圍和領域也在不斷擴大。但這些研究依然存在了許多問題亟待解決。（1）在代謝全譜分析中缺乏量的概念。在這個問題上，我們通過這幾年對代謝組學進行的研究，也提出了自己的一些策略和思想，首先是將代謝指紋譜與定量進行了結合，稱之為定量代謝指紋譜技術。這個結合包含了兩個層次，一個是數據采集技術上的結合；一個是數據分析技術上的結合。這樣的結合能實現指紋譜與定量優勢互補，將更清晰、更全面、更準確地反映研究對象的代謝情況。（2）雖然代謝組學強調無歧視分析，但對于任何一個體系，都按代謝組學常規步驟按部就班地進行分析，往往最終都沒有得到有用的結果。針對這個問題，我們認為要重視先驗知識的重要性，了解哪些代謝循環、代謝物質最可能與研究體系相關，利用這樣的先驗知識指導代謝組學分離分析條件的優化、潛在生物標志物的鑒定，將大大提高代謝組學研究的效率，并能很好地避免研究重心偏離的情況。（3）生物標志物的尋找單一而片面。特別是對于疾病的研究，以前不太重視代謝、蛋白、基因數據與臨床數據的結合，各個方面的研究者就在自己的研究數據中進行挖掘，以此來尋找標志物，探尋機理。但實踐證明，這樣得出的結果都會有片面性，缺乏說服力。在這個問題上，應該強調代謝組學數據與其它數據的結合，特別是臨床相關數據，以此來發現包含了不同數據內容的復合生物標志物，這也是今后代謝組學發展的一個重要方面，同時，這也為生物代謝或臨床表型多樣性研究[88]提供更可靠的方法和工具。
盡管存在許多的問題，但也看到了在研究策略上整合一體化、標準化、定量化的趨勢，并且看到了在問題導向下的新技術的不斷涌現，這都將推動代謝組學不斷持續發展。相信隨著關注度的提高、人力和物力的不斷投入及應用范圍的不斷擴大，代謝組學必將得到更為穩健的發展。
【參考文獻】
1 nicholson j k, lindon j c, holmes e. xenobiotica, 1999, 29(11): 1181～1189
2 horning m g, murakam i s, horning e c. am. j. clin. nutr., 1971, 24(9): 1086～1096
3 nicholson j k, connelly j, lindon j c, holmes e. nat. rev. drug discov., 2002, 1(2): 153～161
4 brindle j t, antti h, holmes e, tranter g, nicholson j k, bethell h w l, clarke s, schofield p m, mckilligin e, mosedale d e, grainger d j. nat. med., 2002, 8(12): 1439～1444
5 holmes e, antti h. analyst, 2002, 127(12): 1549～1557
6 fiehn o. phytochemistry, 2003, 62(6): 875～886
7 fiehn o. plant mol. biol., 2002, 48(1／2): 155～171
8 allen j, davey h m, broadhurst d, heald j k, rowland j j, oliver s g, kell d b. nat. biotechnol., 2003, 21(6):692～696
9 nielsen j, oliver s. trends biotechnol., 2005, 23(11): 544～546
10 villasboas s g, hojerpedersen j, akesson m, smedsgaard j, nielsen j. yeast, 2005, 22(14): 1155～1169
11 villasboas s g, mas s, akesson m, smedsgaard j, nielsen j. mass spectrom. rev., 2005, 24(5): 613～646
12 lindon j c, keun h c, ebbels t m d, pearce j m t, holmes e, nicholson j k. pharmacogenomics, 2005, 6(7):691～699
13 keun h c. pharmacol. therapeut., 2006, 109(1／2): 92～106
14 rochfort s. j. nat. prod., 2005, 68(12): 1813～1820
15 chen m j, zhao l p, jia w. j. proteome res., 2005, 4(6): 2391～2396
16 gerszten r e, wang t j. nature, 2008, 451: 949～952
17 catchpole g s, beckmann m, enot d p, mondhe m, zywicki b, taylor j, hardy n, smith a, king r d, kell d b, fiehn o, draper j. p. natl. acad. sci. usa, 2005, 102(40): 14458～14462
18 chen m j, su m m, zhao l p, jiang j, liu p, cheng j y, lai y j, liu y m, jia w. j. proteome res., 2006, 5(4): 995～1002
19 idborg h, edlund p o, jacobsson s p. rapid commun. mass spectrom., 2004, 18(9): 944～954
20 castle a l, carver m r, mendrick d l. drug discov. today, 2002, 7(13 ): 728～736
21 muller m, kersten s. nat. rev. genet., 2003, 4(4): 315～322
22 clayton t a, lindon j c, cloarec o, antti h, charuel c, hanton g, provost j p, le net j l, baker d, walley r j, everett j r, nicholson j k. nature, 2006, 440(7087): 1073～1077
23 nebert d w, vesell e s. trends pharmacol. sci., 2006, 27(11): 580～586
24 lindon j c, holmes e, nicholson j k. pharm. res., 2006, 23(6): 1075～1088
25 waters m d, fostel j m. nat. rev. genet., 2004, 5(12): 936～948
26 ekins s. j. pharmacol. toxicol. methods, 2006, 53(1): 38～66
27 lindon j c, holmes e, nicholson j k. anal. chem., 2003, 75(17)384a～391a
28 weckwerth w, morgenthal k. drug discov. today, 2005, 10(22): 1551～1558
29 xie yuesheng（謝躍生）, pan guixiang（潘桂湘）, gao xiumei（高秀梅）, liu changxiao（劉昌孝）. chinese j. anal. chem. (分析化學)，2006，34（11）： 1100～1106
30 li wei（李 偉）, han jianping（韓建平）, gao jun（高 鈞）, liu changxiao（劉昌孝）. chinese j. anal. chem. (分析化學)，2006，35（12）：1798～1800
31 lin yanping（林艷萍），si duanyun（司端運），liu changxiao（劉昌孝）. chinese j. anal. chem. (分析化學)，2007，35（10）：1535～1540
32 chen j, zhao x, fritsche j, yin p, schmittkopplin p, wang w, lu x, haring h u, schleicher e d, lehmann r, xu g w. anal. chem., 2008, 80: 1280～1289
33 nordstrom a, want e, northen t, lehtio j, siuzdak g. anal. chem., 2008, 80: 421～429
34 inagaki s, noda t, min j z. j. chromatogr. a, 2007, 1176: 94～99
35 godejohann m. j. chromatogr. a, 2007, 1156: 87～93
36 bruce s j, jonsson p, antti h, cloarec o, trygg j, marklund s l, moritz t. anal. biochem., 2008, 372: 237～249
37 lee r, ptolemy a s, niewczas l, britzmckibbin p. anal. chem., 2007, 79: 403～415
38 trygg j, holmes e, lundstedt t. j. proteome res., 2007, 6(2): 469～479
39 crockford d j, holmes e, lindon j c, plumb r s, zirah s, bruce s j, rainville p, stumpf c l, nicholson j k. anal. chem., 2006, 78(2): 363～371
40 smilde a k, van der werf m j, bijlsma s, van der werffvander vat b j c, jellema r h. anal. chem., 2005, 77(20): 6729～6736
41 lafaye a, junot c, pereira y, lagniel g, tabet jc, ezan e, labarre j. j. biol. chem., 2005, 280(26): 24723～24730
42 ippolito j e, xu j, jain s j, moulder k, mennerick s, crowley j r, townsend r r, gordon j i. p. natl. acad. sci. usa, 2005, 102(28): 9901～9906
43 morgenthal k, wienkoop s, wolschin f, weckwerth w. methods mol. biol., 2007, 358: 57～75
44 liao peiqiu（廖沛球）， zhang xiaoyu（張曉宇）， wei lai（魏 來）， li weisheng（李偉生）， wu yijie（吳亦潔）， li xiaojing（李曉晶）， ni jiazuan（倪嘉纘）， pei fengkui（裴奉奎）. chinese j. anal. chem. (分析化學)， 2008， 36（4）： 426～432
45 hucka m, finney a, sauro h m, bolouri h, doyle j c, kitano h, arkin a p, bornstein b j, bray d, cornishbowden a, cuellar a a, dronov s, gilles e d, ginkel m, gor v, goryanin i i, hedley w j, hodgman t c, hofmeyr j h, hunter p j, juty n s, kasberger j l, kremling a, kummer u, le novere n, loew l m, lucio d, mendes p, minch e, mjolsness e d, nakayama y, nelson m r, nielsen p f, sakurada t, schaff j c, shapiro b e, shimizu t s, spence h d, stelling j, takahashi k, tomita m, wagner j, wang j. bioinformatics, 2003, 19(4): 524～531
46 xirasagar s, gustafson s, merrick ba, tomer k b, stasiewicz s, chan d d, yost k j, yates j r, sumner s, xiao n q, waters m d. bioinformatics, 2004, 20(13): 2004～2015
47 joyce a r, palsson b o. nat. rev. mol. cell bio., 2006, 7(3): 198～210
48 yang f, yan s k, wang f, he y, guo y j, zhou q, wang y, zhang x y, zhang w d, sun s h. j. proteome res., 2008, 7(6): 741～748
49 spicker j s, brunak s, frederiksen k s, toft h. toxicol. sci., 2008,102(2): 444～454
50 waters n j, holmes e, williams a, waterfield c j, farrant r d, nicholson j k. chem. res. toxicol., 2001, 14(10): 1401～1412
51 waters n j, waterfield cj, farrant r d, holmes e, nicholson j k. j. proteome res., 2006, 5(6): 1448～1459
52 saric j, wang y l, li j, coen m, utzinger j, marchesi j r, keiser j, veselkov k, lindon j c, nicholson j k, holmes e. j. proteome res., 2008, 7(01): 352～360
53 lee s h, woo h m, jung b h, lee j g, kwon o s, pyo h s, choi m h, chung b c. anal. chem., 2007, 79:102～110
54 wang y, zhang h y, liang q l, yang h h, wang y m, liu q f, hu p, zheng x y, song x m, chen g, zhang t, wu j x, luo g a. j. chromatogr. b, 2008, 863(1): 94～100
55 bajad s u, lu w y, kimball e h, yuan j, peterson c, rabinowitz j d. j. chromatogr. a, 2006, 1125: 76～88
56 weljie a m, newton j, mercier p, carlson e, slupsky c m. anal. chem., 2006, 78: 4430～4442
57 huang x d, regnier f e. anal. chem., 2008, 80: 107～114
58 alzweiri m, watson d g, robertson c, sills g j, parkinson j a. talanta, 2008, 74: 1060～1065
59 quackenbush j. nat. biotechnol., 2004, 22(5): 613～614
60 bino r j, hall r d, fiehn o, kopka j, saito k, draper j, nikolau b j, mendes p, roessnertunali u, beale m h, trethewey r n, lange b m, wurtele e s, sumner l w. trends plant sci., 2004, 9(9): 418～425
61 jenkins h, hardy n, beckmann m, draper j, smith a r, taylor j, fiehn o, goodacre r, bino r j, hall r, kopka j, lane g a, lange b m, liu j r, mendes p, nikolau b j, oliver s g, paton n w, rhee s, roessnertunali u, saito k, smedsgaard j, sumner l w, wang t, walsh s, wurtele e s, kell d b. nat. biotechnol., 2004, 22(12): 1601～1606
62 kell d b, brown m, davey h m, dunn w b, spasic i, oliver s g. nat. rev. microbiol., 2005, 3(7): 557～565
63 castle a l, fiehn o, kaddurahdaouk r, lindon j c. brief bioinform., 2006, 7(2): 159～165
64 lindon j c, nicholson j k, holmes e, keun h c, craig a, pearce j t m, bruce s j, hardy n, sansone s a, antti h, jonsson p, daykin c, navarange m, beger r d, verheij e r, amberg a, baunsgaard d, cantor g h, lehmanmckeeman l, earll m, wold s, johansson e, haselden j n, kramer k, thomas c, lindberg j, schuppekoistinen i, wilson i d, reily m d, robertson d g, senn h, krotzky a, kochhar s, powell j, van der ouderaa f, plumb r, schaefer h, spraul m. nat. biotechnol., 2005, 23(7): 833～838
65 brown s a e, simpson a j, simpson m j. environ. toxicol. chem., 2008, 27(4): 828～836
66 lauridsen m, hansen s h, jaroszewski j w, cornett c. anal. chem., 2007, 79(3): 1181～1186
67 webbrobertson b j m, lowrya d f, jarman k h, harbo s j, meng q r, fuciarelli a f, pounds j g, lee k m. j. pharm. biomed. anal., 2005, 39: 830～836
68 kaal e, janssen h g. j. chromatogr. a, 2008, 1184: 43～60
69 kind t, tolstikov v, fiehn oet al. anal. biochem., 2007, 363: 185～195
70 bollard m e, stanley e g, lindon j c, nicholson j k, holmes e. nmr biomed., 2005, 18(3): 143～162
71 yin p y, zhao x j, li q r, wang j s, li j s, xu g w. j. proteome res., 2006, 5(9): 2135～2143
72 dettmer k, aronov p a, hammock b d. mass spectrom. rev., 2007, 26(1): 51～78
73 want e j, cravatt b f, siuzdak g. chem. biochem., 2005, 6(11): 1941～1951
74 brown s c, kruppa g, dasseux j l. mass spectrom. rev., 2005, 24(2): 223～231
75 dunn w b, bailey n j c, johnson h e. analyst, 2005, 130(5): 606～625
76 allen j, davey h m, broadhurst d, heald j k, rowland j j, oliver s g, kell d b. nat. biotechnol., 2003, 21(6):692～696
77 wei j, buriak j m, siuzdak g. nature, 1999, 399(6733): 243～246
78 takats z, wiseman j m, gologan b, cooks r g. science, 2004, 306(5695): 471～473
79 cooks r g, ouyang z, takats z, wiseman j m. science, 2006, 311(5767): 1566～1570
80 wiseman j m, puolitaival s m, takats z, cooks r g, caprioli r m. angew. chem. int. edit, 2005, 44(43 ):7094～7097
81 wang y, wang j s, yao m, zhao x j, fritsche j, schmittkopplin p, cai z w, wan d f, lu x, yang s l, gu j r, haring h u, schleicher e d, lehmann r, xu g w. anal. chem., 2008, 80: 4680～4688
82 enke c g, dobson g s. anal. chem., 2007, 79: 8650～8661
83 saude e j, slupsky c m, sykes b d. metabolomics, 2006, 2(3): 113～123
系統生物學的定義范文6
馬斯洛需求層次理論(Maslow's hierarchy of needs),亦稱“基本需求層次理論”,是行為科學的理論之一,由美國心理學家亞伯拉罕?馬斯洛于1943年在《人類激勵理論》論文中所提出。將需求分為五種,象階梯一樣從低到高,按層次逐級遞升,分別為:生理上的需求,安全上的需求,情感和歸屬的需求,尊重的需求,自我實現的需求。另外兩種需要:求知需要和審美需要。這兩種需要未被列入到他的需求層次排列中,他認為這二者應居于尊重需求與自我實現需求之間。還討論了需要層次理論的價值與應用等。
二、社會學習理論
班杜拉認為是探討個人的認知、行為與環境因素三者及其交互作用對人類行為的影響。按照班杜拉的觀點,以往的學習理論家一般都忽視了社會變量對人類行為的制約作用。他們通常是用物理的方法對動物進行實驗,并以此來建構他們的理論體系,這對于研究生活于社會之中的人的行為來說,似乎不具有科學的說服力。由于人總是生活在一定的社會條件下的,所以班杜拉主張要在自然的社會情境中而不是在實驗室里研究人的行為。
三、舒茨的人際需要理論
社會心理學家舒茨提出人際需要的三維理論,舒茨認為,每一個個體在人際互動過程中,都有三種基本的需要,即包容需要、的支配需要和情感需要。這三種基本的人際需要決定了個體在人際交往中所采用的行為,以及如何描述、解釋和預測他人行為。三種基本需要的形成與個體的早期成長經驗密切相關。包容需要指個體想要與人接觸、交往、隸屬于某個群體。與他人建立并維持一種滿意的相互關系的需要。
四、鏡中我理論
由美國社會學家查爾斯?霍頓?庫利在他的1909年出版的《社會組織》一書中提出。他認為,人的行為很大程度上取決于對自我的認識,而這種認識主要是通過與他人的社會互動形成的,他人對自己的評價、態度等等,是反映自我的一面“鏡子”,個人通過這面“鏡子”認識和把握自己。因此,人的自我是通過與他人的相互作用形成的,這種聯系包括三個方面: 1、關于他人如何“認識”自己的想象; 2、關于別人如何“評價”自己的想象; 3、自己對他人的這些“認識”或“評價”的情感。
五、貝塔朗菲的一般系統論
貝塔朗菲(1901~1972),美籍奧地利生物學家,一般系統論和理論生物學創始人,50年代提出抗體系統論以及生物學和物理學中的系統論,并倡導系統、整體和計算機數學建模方法和把生物看作開放系統研究的概念,奠基了生態系統、器官系統等層次的系統生物學研究。
六、埃里克森人格發展八階段理論
埃里克森(E.H.Erikson,1902)是美國著名精神病醫師,新精神分析派的代表人物。他認為,人的自我意識發展持續一生,他把自我意識的形成和發展過程劃分為八個階段,這八個階段的順序是由遺傳決定的,但是每一階段能否順利度過卻是由環境決定的,所以這個理論可稱為"心理社會"階段理論。每一個階段都是不可忽視的。
埃里克森的人格終生發展論,為不同年齡段的教育提供了理論依據和教育內容,任何年齡段的教育失誤,都會給一個人的終生發展造成障礙。它也告訴每個人你為什么會成為現在這個樣子,你的心理品質哪些是積極的,哪些是消極的,多在哪個年齡段形成的,給你以反思的依據。
1.嬰兒期(0~1.5歲):基本信任和不信任的沖突
2.兒童期(1.5~3歲):自主與害羞和懷疑的沖突
3.學齡初期(3~5歲):主動對內疚的沖突
4.學齡期(6~12歲),勤奮對自卑的沖突
5.青春期(12~18歲):自我同一性和角色混亂的沖突
6.成年早期(18~25歲):親密對孤獨的沖突
7.成年期(25~65歲):生育對自我專注的沖突
8.成熟期(65歲以上):自我調整與絕望期的沖突
埃里克森認為,人格在人的一生中都在不斷地發展。他提出了8個階段,認為每一個人都經歷這8個階段,每一個階段對人格發展都至關重要。
(1)基本信任對不信任
(2)自主性對羞愧和懷疑
(3)主動性對內疚
(4)勤奮對自卑
(5)自我認同感對角色混亂
(6)親密對孤獨
(7)繁衍對停滯
(8)自我整合對失望
七: 九型人格理論
九型人格(Enneagram),又名性格型態學、九種性格。是嬰兒時期人身上的九種氣質,包括活躍程度;規律性;主動性;適應性;感興趣的范圍;反應的強度;心景的素質;分心程度;專注力范圍/持久性。它是一個近年來倍受美國斯坦福等國際著名大學MBA學員推崇并成為現今最熱門的課程之一,近十幾年來已風行歐美學術界及工商界。全球500強企業的管理階層均有研習九型性格,并以此培訓員工,建立團隊,提高執行力。
活躍程度;規律性;主動性;適應性;感興趣的范圍;反應的強度;心景的素質;分心程度;專注力范圍/持久性。
戴維?丹尼爾斯(David Daniels)則發現這九種不同的氣質剛好和九型人格相配。
九型人格不僅僅是一種精妙的性格分析工具,更主要的是為個人修養與自我提升、歷練提供深入的洞察力,與當今其它性格分類法不同,九型性格揭示了人們內在最深層的價值觀和注意力焦點,它不受表面的外在行為的變化所影響。 它可以讓人真正地知己知彼,可以幫助人明白自己的個性,從而完全接納自己的短處、活出自己的長處;可以讓人明白其它不同人的個性類型,從而懂得如何與不同的人交往溝通及融洽相處,與別人建立更真摯、和諧的合作伙伴關系。
八、社會損害理論和社會重建理論
社會損害理論著重討論的是,有時老年人一些正常的情緒反應會被他人視為病兆而作出過分的反應,從而對老人的自我認知帶來損害。例如,因患老年病而健康受損的老人,詢問子女自己是否應該搬過去與其同住。這種詢問就很可能被子女視為老人無能力再作處任何決定的表現,從此凡事處處為老人作決定。這種關心久而久之就會對老人產生一種消極暗示,讓老人覺得自己的確缺乏能力而把一切決定權都交給子女。也就是說,接受消極標志的老人隨后會進入消極和依賴的地位,喪失原先的獨立自主能力?，F實生活中有太多的案例表明,對老年人的過分關心導致老年人認為自己無用的錯誤認知,從而對老年人的身心帶來損害。這一理論對老年社會工作者具有深刻的啟示意義,它至少告訴我們,有些所謂的老人問題大多是被標定的結果,也是老年人自己受消極暗示所產生的連鎖反應,因此,在幫助老年人的過程中,不僅要切實地幫助老人解決實際問題,同時也需要協助老人增強信心和提升能力。
社會重建理論就是意在改變老年人生存的客觀環境以幫助老年人重建自信心。社會重建理論的基本模式是:第一階段:讓老人了解到社會上現存的對老年人之偏見及錯誤觀念。第二階段:改善老年人的客觀環境,通過提倡政府資助的服務來解決老年人的住房、醫療、貧困等問題。第三階段:鼓勵老人的自我計劃、自我決定,增強老人自我解決問題的能力。
九、社會支持網絡
一)發展
社會支持源自鮑爾拜的依附理論,20世紀60年代社會支持網絡開始用于精神病學的臨床治療。20世紀七八十年代,美國社會支持計劃推進了社會支持網絡的應用。
(二)基本假設
人,無法自絕于社會而存在!
人類生存需要與他人共同合作,以及仰賴他人協助。
人類生命發展歷程都會遭遇一些可預期和不可預期的生活事件。
遭遇生活事件時,需要資源以因應問題。資源分為內在與外在兩種。
社會支持網絡為外在資源之一種,可分為有形與無形兩類。
(三)定義
A.一組由個人接觸所構成的關系網,透過這些關系網個人得以維持其認同,并獲得情緒支持、物質援助、服務、訊息、新的社會接觸等。
B.由各種有形的和無形的支持構建起來的支持體系就是社會支持網絡
