- 综合排序
- 最热优先
- 最新优先
- 来自专栏作图丫
影响因子8+的单基因分析思路
目前暂无Siglec15在膀胱癌的研究，因此，作者聚焦在Siglec15基因，分析该基因在膀胱癌中与肿瘤微环境的关系及分子分型，文章于2021年1月发表于Theranostics (IF: 8.579) 02 Siglec15在膀胱癌基因组层面的分析 Siglec15的拷贝数缺失和甲基化降低了Siglec15mRNA的表达，因此，Siglec15基因的表观遗传修饰也可能是一种治疗方法。 分析Siglec15、CD8和PD-L1之间的相关性，发现炎症表型的Siglec15表达最低(Fig C)。 Siglec15的表达与CD8表达呈负相关(Fig D)。 06 在内部队列中验证Siglec15 在湘雅队列中再次分析和验证： Siglec15与大多数免疫调节剂呈负相关，Siglec15也与CD8+ T细胞、NK细胞、树突状细胞和巨噬细胞呈负相关(Fig A 小编总结 单基因数据挖掘的思路屡见不鲜，小编以为，本文的亮点之一是将单基因的分析与治疗策略相关联，可以更好落地临床。
1.2K10编辑于 2022-03-29 - 来自专栏菜鸟学数据分析之R语言
基因芯片数据分析
biocLite("affyPLM") > library(affyPLM) > library(CLL) > data("CLLbatch") > Pset <- fitPLM(CLLbatch)#对数据集进行回归计算 左上图为原始图像，右上图为权重图，左下图为残差图，右下角为残差符号图 1 什么是RLE箱线图 相对对数表达（RLE）箱线图可以反映对照组和实验组之间，大部分基因的表达量是否保持一致，RLE定义为一个探针组在某个样品的表达值除以该探针组在所有样品中表达值的中位数后取对数 质量可靠的样品，标准差十分接近，NUSE值接近1，反之偏离1的位置，有种极端情况，大多数芯片有质量问题，但是标准差十分接近，反而会显得没有质量问题，所以这时候，必须结合RLE与NUSE两个图进行可靠分析 RNA降解是影响芯片数据质量的重要因素，RNA是从5端开始降解，理论上5端的荧光强度低于3端的荧光强度，降解曲线的斜率越小，说明降解的越少；反之越多。 affy) > library(RColorBrewer) > library(CLL) > data("CLLbatch") > data.deg <- AffyRNAdeg(CLLbatch)#获取降解数据
1.2K50发布于 2020-08-06 - 来自专栏生物信息云
基因芯片数据挖掘分析表达差异基因
下面和大家分享一下基因芯片数据的预处理方法。 1）分析前需要对数据进行背景信号处理：背景处理即过滤芯片杂交信号中属于非特异性的背景噪音部分。 若未达到M，有两种方法处理，一是以0或者用基因表达谱中的平均值或中值代替，另一个是分析基因表达谱的模式，从中得到相邻数据点之间的关系，据此利用相邻数据点估算得到缺失值（类似于插值）。 对数转换能使上调、下调的基因连续分布在0的周围，更加符合正态分布，同时对数转换使荧光信号强度的标准差减少，利于进一步的数据分析。 5) 差异基因表达分析: 经过预处理，探针水平数据转变为基因表达数据。为了便于应用一些统计和数学术语，基因表达数据仍采用矩阵形式。 ? A.芯片数据的差异分析主要包括三种方法： 1. DESeq2和EdgeR包: 都可用于做基因差异表达分析，主要也是用于RNA-Seq数据，同样也可以处理类似的ChIP-Seq,shRNA以及质谱数据。
3.5K60发布于 2019-08-07 - 来自专栏菜鸟学数据分析之R语言
limma对基因芯片数据基因差异表达分析
CEL 1 0 CLL5.CEL 1 0 CLL6.CEL 1 0 CLL7.CEL 1 0 CLL8.
1.2K40发布于 2020-08-06 数据分析：宏基因组数据的荟萃分析
数据分析：宏基因组数据的荟萃分析介绍宏基因组数据的荟萃分析是一种综合多个独立宏基因组研究结果的方法，目的是揭示不同人群或样本中微生物群落的共同特征和差异。 运行荟萃分析数据分析：宏基因组数据的荟萃分析运行荟萃分析computeANCOMBC获得每个数据集的线性模型结果（lfc和SE统计量用于荟萃分析）lfc可以认为是Standardized Mean Difference 数据分析：宏基因组数据的荟萃分析可视化结果采用森林图展示结果，该结果包含效应值RE的95%置信区间和对应的P值。 ：宏基因组数据的荟萃分析数据分析：宏基因组数据的荟萃分析结果：荟萃分析筛选到21种差异微生物。 总结数据分析：宏基因组数据的荟萃分析
78310编辑于 2024-08-15- 来自专栏生物信息云
基因芯片数据分析（四）：获取差异表达基因
从基因芯片当中提取生物学的信息需要合理的统计学方法。人们已经为优化传统统计学方法在基因芯片方面的应用做出了多年的努力。 然而对于大多数生物学工作者而言，学习和使用一种或者多种统计分析手段并不一定非常容易，这需要付出时间和努力。Bioconductor的很多软件包很好的避免了人们为学习统计分析手段而付出的时间。 使用limma来分析差异表达的基因，主要分几步走： 读取数据 预处理数据 构建实验设计矩阵 使用线性模型估计差异表达的倍数 使用贝叶斯平滑标准差 试用不同的参数来输出差异表达基因结果。 因为前面几篇文章已经介绍了读取数据以及预处理的相关知识，这里我们直接使用Dilution数据来进行示例。 往期文章 基因芯片数据分析（一）：芯片数据初探 基因芯片数据分析（二）：读取芯片数据 基因芯片数据分析（三）：数据质控 数据预处理 library(affydata) data(Dilution)
2.7K32发布于 2019-12-13 - 来自专栏育种数据分析之放飞自我
表型数据和基因型数据--聚类分析
下面看一下利用基因型SNP数据进行PCA计算，以及可视化的分析。 很多软件可以分析PCA，这里介绍一下使用plink软件和R语言，进行PCA分析，并且使用ggplot2绘制2D和3D的PCA图。 可以看到，三个品种在PCA图里面分的比较开，C品种的有两个A和B的点，应该是异常数据。 基因型数据： 共有3个品种A，B，C，共有412个个体。 ，将其转化为0,1,2的形式 2，计算G矩阵 3，计算PCA的特征向量和特征值 4，根据特征值计算解释百分比 5，根据特征向量和品种标签，进行PCA的绘制 绘制代码如下： 首先，使用plink命令，将基因型数据转化为 读取数据 m012 = fread("plink.raw") # 保留FID，IID和基因型数据 g012 = m012[,-c(3:6)] dim(g012) fid = g012$FID iid lty.hide=2,lty.grid = 2) legend("topright",c("A","B","C"),fill=c('red','green',"blue")) 聚类分析思路
2.7K20编辑于 2022-05-19 - 来自专栏生物信息云
基因芯片数据分析（三）：数据质控
基因芯片的数据质量介绍 基因芯片的质量控制有很多种手段，有针对每一个芯片本身的，也有针对组内差异小于组间差异的。 经过PCA分析之后，平行实验所提供的基因芯片数据应该聚扰在一起，而不同设计的实验所提供的基因芯片数据应该分离。这可以帮助我们很快的识别出一组平行实验当中，有哪些数据是可靠的，而哪些数据可以被放弃。 经过gcrma处理数据之后，我们发现，数据中值基本为0，头尾的偏离也都被修正了。反过来说，我们对数据绘制MA plot可以直观化地显示实验数据进入下一步分析比较时的可靠性。 我们使用gcrma(rma的一种扩展)来对数据进行预处理，然后使用affycoretools库当中的plotPCA来进行PCA分析作图。 经过PCA分析之后，平行实验所提供的基因芯片数据应该聚扰在一起，而不同设计的实验所提供的基因芯片数据应该分离。这可以帮助我们很快的识别出一组平行实验当中，有哪些数据是可靠的，而哪些数据可以被放弃。
3.6K31发布于 2019-12-13 - 来自专栏生信菜鸟团
肿瘤基因组测序数据高级分析--肿瘤基因组测序数据分析专栏
简介 大多数肿瘤基因组综述类文章，对于数据分析部分只是介绍了基础分析部分，也就是从原始的 fastq 文件通过质控、比对、GATK流程、Call 变异最后得到 vcf 文件和拷贝数变异的结果就结束了。 主要可以分为以下几点： 显著突变基因 驱动突变基因 突变特征分析 肿瘤微卫星稳定性分析 肿瘤突变负荷TMB 肿瘤新抗原预测 局部显著性拷贝数变异 肿瘤纯度和倍性评估 肿瘤克隆进化分析 这些分析中也用到了很多工具 首先，将多个肿瘤样本的突变数据聚集在一起，然后计算每个基因的分数和 p 值。选择显着性阈值来控制错误发现率 (FDR)，超过此阈值的基因则被报告为显着突变。 最初TMB通过全外显子测序（WES）进行检测表征，其本质上认为基因突变仅限于外显子（编码区）；后来也有很多文章基于特定 Panel 数据评估 TMB，或者基于 ctDNA 数据评估 bTMB等，原理都一样 但是用于分析局部拷贝数变异显著性的软件，常用的就 GISTIC 软件，它是基于一组样品数据（WGS or WES）来分析局部显著拷贝数情况，即可以寻找显著性缺失和扩增的 gene 和区域，并将结果可视化的分析工具
4.8K43发布于 2021-10-12 - 来自专栏生信技能树
基于全基因组的基因家族分析（1）：数据准备
1.基因组下载网站介绍 Sol Genomics Net：茄科基因组网络，里面包括了很多物种的基因组测序结果：番茄，土豆，茄子等。 而且基因组更新最快，搜索了一下发现NCBI番茄基因组和Phytozome番茄基因组为ITAG2.4，而SGN已经是最新版本的ITAG3.2，当然以前的版本也都存在，特别方便。 而Phytozome要下载这些数据居然还要注册，真的有点烦，偷偷告诉你，SGN貌似也要注册（这个大家应该都没有什么问题，就直接跳过）。 而且在后面分析基因家族的时候，会出现家族数量相差比较大，可能有10个左右的差距，新版本的基因会多。 SGN完整版基因组 2.序列相关文件下载 基础文件一般我们下载4个：CDS.fa、Protein.fa、GFF.gff3和Genome.fa # 小编在home目录下新建sra目录，所有数据都放在这个目录里面
4.1K30发布于 2019-05-13 - 来自专栏生信喵实验柴
基因家族分析
直系同源（同颜色）与旁系同源（不同颜色） 一个基因家族，一般存在于多个物种（不同物种中的叫亚家族基因），并且很多基因家族都是转录因子，可以对家族内基因启动子区域进行分析；还能找几个物种，分析同源基因的基因结构 、motif 分析，找到保守的 motif；还可以结合湿实验 QRT-PCR，找出十几个或二十个基因做不同组织的表达量，看哪些基因具有较强的组织特异性表达性。 Motif 是在生物学中是一个基于数据的数学统计模型，典型的是一段 sequence 也可以是一个结构。 在线分析网站：http://meme-suite.org/tools/meme 基因功能结构域 四、基因结构分析 GSDS: Gene Structure Display ：http://gsds.gao-lab.org/ 基因结构分析可视化 五、系统发育树构建 利用 megax 对水稻中整个 Dynamin 基因构建系统发育树。
3.8K30编辑于 2022-10-25 - 来自专栏简说基因
《基因大数据智能生产及分析》笔记
截至 2020 年 8 月 28 日，新型冠状病毒肺炎的爆发给全球带来累计超过 2457 万人感染，超 83 万人死亡。 数据分析 基因数据分析，一般称为生物信息分析，核心工具是软件和数据库。其中，软件主要基于特定的分析需求而实现的完整功能的算法代码包；数据库是为特定功能分析建立的参考数据集。 第三部分 基因大数据价值链分析 六、基因大数据价值链及商业模式分析 (一) 数据生产 以测序为例，基因数据生产流程包括从 DNA/RNA 采样、核酸提取、文库构建、上机测序等环节。 基于特定场景的生物信息软件开发 根据 8 号文件规定，如果软件仅使用通用函数计算，不按照医疗器械管理；如果使用企业特有算法，则作为 II 类医疗器械管理。 (二) 投资机会及风险分析 1.投资机会分析 通过对基因大数据生产及分析价值链及相应企业的投融资分析，基因慧从技术、渠道、场景三方面探讨投资机会。
2K10发布于 2020-11-19 - 来自专栏生信修炼手册
全基因组数据CNV分析简介
除了利用aCGH和snp芯片来检测CNV之外，也可以通过NGS数据来分析CNV, 比如全基因组和全外显子测序。 针对全基因组CNV的检测，还针对开发了一种称之为CNV_seq的测序策略，指的是低深度全基因组测序，只需要5X的测序深度，就可以有效的检测CNV。 本文根据一篇2015年的综述来简单介绍下全基因组CNV分析的策略，文章标题如下 Whole-genome CNV analysis: advances in computational approaches Read-Depth(RD) RD方法利用拷贝数和对应区域测序深度的相关性来进行分析，基本模型是缺失区域的测序深度相对低，而插入区域的测序深度相对高。 综上所述，每种算法各有其优缺点，综合使用多种策略有助于提高检测结果的准确性和敏感性，同时设置对照样本，可以更加有效的分析拷贝数的变化。
4.1K20发布于 2019-12-19 - 来自专栏生物信息云
基因芯片数据分析（二）：读取芯片数据
上一篇文章(基因芯片数据分析（一）：芯片数据初探)中，我们对芯片数据分析进行了一下热身，接下来的文章我们就详细介绍，首先我们介绍分析过程中的第一步，数据的读取。 在microarray的处理中，第一步就是读取数据。无论是自己的保存在本地的数据，还是在线保存的数据，对于不同公司的芯片可以使用不同的软件包读取。 在这里，我们说的在线数据，主要是指保存在GEO (Gene Expression Omnibus) 数据库中的数据，当然GEO的数据可先下载后再读入。 对于Affymetrix Exon/Gene ST Arrays，我们不能使用affy包来读取，我们需要使用oligo或者xps来进行分析。这里介绍oligo包。 在GEO数据库中保存有大量的microarray的原始数据。
5.2K11发布于 2019-12-13 - 来自专栏医学生物信息
基因芯片数据分析（一）：芯片数据初探
关于芯片数据分析，我们之前的文章 基因芯片概述 简单地讲，基因芯片就是一系列微小特征序列的（通常是DNA探针，也可能是蛋白质）的集合，它们可以被用于定性或者定量检查样品内特异分子的成份。 比如说，基因芯片可以检测几十个gene marker在细胞样品中的表达量。现在最常见的是用于整个基因组的表达量分析。 下图为历年来提交至Gene Expression Omnibus数据库的主流芯片厂商的芯片数据统计分布图（数据截止日期为2014年3月1日）。 这里不解释代码的含义，后面我们的教程会讲解，这里只是让大家对基因芯片数据分析有一个初步的认识。 处理Affymetrix的微阵列 ## 安装分析所需要的软件包。 " 数据 ## 以及实验设计。
1.6K11发布于 2020-05-06 - 来自专栏生信技能树
小鼠全基因组数据分析
有点类似于肿瘤外显子的数据分析流程： As additional controls, each of the variants was compared with the FVB/NJ genome in 小鼠WGS数据分析准备工作 一般来说，可以选择最新版小鼠参考基因组(mm10)了，如果你实在有其它需求，也可以自行选择其它版本。 dbsnp $snp \ -O ${sample}_raw.vcf \ 1>${sample}_log.HC done 其实这样的shell脚本是很烂的， 因为这个小鼠全基因组数据太大 9, MT, X, Y] 也就是说我们给的vcf文件里面的染色体是没有chr这个前缀，可是我们给的参考基因组里面却有这个前缀。 GATK的gvcf模式 这里有3只小鼠需要进行基因型比较，所以gvcf模式比较合适，使用 GATK的 Joint Calling ， 过滤参考：https://mp.weixin.qq.com/s/W8Vfv1WmW6M7U0tIcPtlng
2.9K20发布于 2018-08-16 - 来自专栏生物信息云
基因芯片数据分析（一）：芯片数据初探
关于芯片数据分析，我们之前的文章：基因芯片数据挖掘分析表达差异基因中也介绍过芯片的基础知识，这里我们将使用R系统性的讲解芯片的数据分析。 不想用R语言的可以阅读文章：GEO数据库使用教程及在线数据分析工具，因为NCBI的GEO数据库(https://www.ncbi.nlm.nih.gov/geo/)，ArrayExpress数据库(https 从本文开始，我们将系列性讲解基因芯片数据分析，下面简单对基因芯片的知识进行简单的概述，作为前面文章的一个补充。 比如说，基因芯片可以检测几十个gene marker在细胞样品中的表达量。现在最常见的是用于整个基因组的表达量分析。 这里不解释代码的含义，后面我们的教程会讲解，这里只是让大家对基因芯片数据分析有一个初步的认识。 处理Affymetrix的微阵列 ## 安装分析所需要的软件包。
4.3K12发布于 2019-12-17 - 来自专栏作图丫
8+基因集分析-独特的视角还不来学下？
背景介绍 在一些生物信息学分析中，我们常常会基于先验知识预先选定某个基因集结合癌症或免疫进行分析，这样有时候会导致结果并不是很理想。 图1 将具有可用生存数据的 8 个队列 (n = 843) 合并来研究6个MIC的临床结果（图2a）。与A组或B组患者相比，MIC F患者的总生存期最长（图2a）。 9个基因的TLS特征(CD79B、CD1D、CCR6、LAT、SKAP1、CETP、EIF1AY、RBP5和PTGDS)来自于CD8+ CD20+转移性黑色素瘤中特异性上调的基因。 细胞标记（B系、CD8+T细胞和髓系树突状细胞）和9基因TLS标记的表达水平在tSNE图上的分布具有一定的相似性（图3b-e）。 可以看出，与TLS存在相关的9个基因TLSs信号的表达显示了类似的特征，在B lineage细胞和CD8+T细胞中具有较高水平髓系树突状细胞的肿瘤中强烈表达。
57020编辑于 2022-03-29 - 来自专栏优雅R
怎么分析和展示RNAseq基因表达数据中基因的相关性
介绍 TCGA是癌症基因组分析中相当流行的数据库，针对里面数据的挖掘结果、软件工具发表了许多CNS文章，不过现在已经被整合进GDC数据平台了。 TCGA的数据集提供了一个很好的平台，我们既可以分析它衍生新的课题，也可以通过它为自己分析的结果佐证。 今天的分析用的就是TCGA肺腺癌的数据集（TCGA-LUAD），可以点击这里进入UCSC的数据集资源库下载。 RNAseq的结果中包含了数万个基因的表达值，而我们往往感兴趣的只是少数。 构建一个函数来实现展示基因表达量相关性的功能，它主要完成3件事情，根据输入参数提取出进行分析的数据集，将这个数据集作为参数传入corrgram函数，然后将生成的图形输出。 因为RNAseq数据中包含的病人类型不一，所以在分析所有样本后，我增加提取癌症病人的代码，主要是原位瘤和转移瘤。前者在我见过的TCGA数据集肯定有，后面则不一定，所以用if语句控制了下分析流程。
3.2K20发布于 2020-07-03 - 来自专栏小明的数据分析笔记本
跟着PNAS学数据分析：泛基因组（pan-genome）分析核心基因组可变基因组大小
然后把每个基因组单独比对回图基因组，可以判断图基因组中节点是否被覆盖，如果所有基因组都覆盖这个节点，这个节点就是核心基因组的一部分，否则就是可变基因组 这里需要理解一下gfa格式的文件 论文提供了分析流程用到的代码 ，我们用拟南芥的数据试试，拟南芥的论文 Chromosome-level assemblies of multiple Arabidopsis genomes reveal hotspots of rearrangements with altered evolutionary dynamics https://www.nature.com/articles/s41467-020-14779-y 这个论文里就做了核心基因组和可变基因组的分析 /Cvi.fa 00.assembly/Eri.fa \ 00.assembly/Kyo.fa \ 00.assembly/Ler.fa \ 00.assembly/Sha.fa > at.gfa 8m50.144s Ler.gaf -a Ler -o LerCov.tsv -r N python comb_coverage01.py -g Sha.gaf -a Sha -o ShaCov.tsv -r N 合并数据
6.2K31编辑于 2023-12-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号