- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信喵实验柴
基因表达调控概述
目前基因表达和调控已经是两个方向研究的，基因表达主要研究 mRNA 表达的差异，而调控则更加复杂，研究影响 mRNA表达差异的各种其他因素。 二、基因表达调控发展历史 其实在很早之前，研究人员就开始研究基因表达调控了。只不过受限于当时技术条件，无法完整的获取一次转录的全景图。下面我们简单介绍一些基因表达调控的历史。 2、后来有了 EST 测序的方法，EST 全称是 expressed sequence tags 表达序列标签，是指从不同组织来源的 cDNA 序列，通过对一个随机选择的 cDNA 克隆进行单次测序来获得 三、为什么要做基因表达调控研究？ 要想了解为什么要研究基因表达调控研究，首先要了解 DNA 研究与 RNA 研究的不同。 ，有些研究只与基因表达调控相关。
85910编辑于 2022-10-25 - 来自专栏ATYUN订阅号
利用机器学习了解基因调控
鉴于最近遗传学的显着进步，我们很容易认为21世纪的科学家已经利用机器学习掌握了一种清晰、快速的方法来进行基因组序列扫描，并找出数千个基因中哪些可以表达而哪些不能表达。 基因表达是基因内编码的信息产生关键产物（例如蛋白质）的过程。但是，随着开发出新算法来分析更多数据，它们也变得更加复杂且难以解释。生物学家Justin B. 这种错位意味着生物学家发现很难解释基因调控是如何发生的。现在他们开发的新方法，可以弥合计算工具与生物学家的想法之间的鸿沟。 利用这些数据，生物学家可以制作出人工神经网络，以预测哪些分子在称为基因调控的过程中控制特定基因。 ? 细胞并不需要所有蛋白质。相反，它们依靠复杂的分子机制根据需要打开或关闭产生蛋白质的基因。 Kinney说：了解基因调控的原理通常是开发针对疾病的分子疗法的前提。以上这些努力强调了如何优化现代工业AI技术以用于生命科学。
1.2K20发布于 2020-01-02 - 来自专栏全栈程序员必看
基因调控网络 (Gene Regulatory Network) 01
本文为入门级的基因调控网络文章，主要介绍一些基本概念及常见的GRN模型。 概念：基因调控网络 (Gene Regulatory Network, GRN)，简称调控网络，指细胞内或一个基因组内基因和基因之间的相互作用关系形成的网络，特指基因调控 (gene regulation 2、线性模型 线性模型是一种连续的GRN模型。 4、微分方程模型 微分方程模型假设一个基因为一个变量，由n个基因组成的网络可以由如下n维微分方程表示： dxi(t)/dt=fi(x1,x2,…,xn)，xi(t)是第i个基因的表达水平，n表示网络中的基因数 雷耀山,史定华,王翼飞.基因调控网络的生物信息学研究[J].自然杂志,2004(01):7-12.
2.8K20编辑于 2022-09-07 - 来自专栏生物信息学、python、R、linux
GENIE3||基因调控网络推断
GENIE3是一种从基因表达数据推断基因调控网络的方法。它训练预测数据集中每个基因表达的随机森林模型，并将转录因子（TF）的表达用作输入。 然后使用不同的模型来得出TF的权重，测量它们各自的相关性以预测每个靶基因的表达。GENIE3的输出是一张带有调节基因，靶基因及权重的表格，它表示TF（输入基因）在预测目标中的权重。 GENIE3利用回归树从表达数据推断基因调控网络（以加权邻接矩阵的形式）。 weightMat[1:5,1:5] ? 选择候选调节因子 regulators <- c("Gene2", "Gene4", "Gene7") weightMat <- GENIE3(exprMatr, regulators=regulators
3K20发布于 2020-12-02 - 来自专栏医学数据库百科
多基因转录因子调控网络预测
我们之前做转录因子调控预测的时候，通常都是基于单一基因来做的，随着测序技术的成熟，我们在做完组学数据分析的时候，经常可以得到很多的基因。如果我们要寻找这么多基因共同转录因子的话，要怎么办呢？ 另外还整合了Enrichr数据库内基因之间的转录因子共发生分析。利用以上数据库分析的结果，我们可以建立一个多基因转录因子调控网络。 数据输入 CHEA3数据库数据输入很简单。 这个数据库只需要输入基因名即可。由于数据库的目标是建立调控网络，所以输入基因名要大于1个基因的。 另外，这个数据库只能输入 基因名; 对于其他比如 ENSID；ENTREZID等都是不支持的。 整体转录因子调控网络 整体调控网络是以网格的形式展示所有输入基因的相互作用。这个数据结果是基于RNA-seq数据的共表达分析得到的。我们可以通过网络图选择不同数据的结果。 如果大家有自己的组学数据，在得到目标基因集合(差异表达基因或者富集的某个通路的基因)。想要知道这些基因共同受到那些转录因子调控。这个数据库倒是一个很好的选择。
2K20发布于 2021-07-05 - 来自专栏Java架构师必看
基因调控网络 (Gene Regulatory Network) 01
今天说一说基因调控网络 (Gene Regulatory Network) 01,希望能够帮助大家进步!!! 本文为入门级的基因调控网络文章，主要介绍一些基本概念及常见的GRN模型。 概念：基因调控网络 (Gene Regulatory Network, GRN)，简称调控网络，指细胞内或一个基因组内基因和基因之间的相互作用关系形成的网络，特指基因调控 (gene regulation 2、线性模型 线性模型是一种连续的GRN模型。 4、微分方程模型 微分方程模型假设一个基因为一个变量，由n个基因组成的网络可以由如下n维微分方程表示： dxi(t)/dt=fi(x1,x2,…,xn)，xi(t)是第i个基因的表达水平，n表示网络中的基因数 雷耀山,史定华,王翼飞.基因调控网络的生物信息学研究[J].自然杂志,2004(01):7-12.
88530编辑于 2022-01-11 - 来自专栏医学数据库百科
融合基因调控预测可视化网站
转录因子调控：转录因子注释使用的是TRRUST2数据库。 miRNA调控: 作者使用TargetScan (release 7.2)来对基因的是否收到miRNA调控进行注释。作为经常使用的miRNA靶标预测的数据库，结果还是挺准确的。 ? 02 数据库使用 关于数据库的使用，我们在Search里面，通过搜索两个融合基因的基因名就可以获得相关的结果。这个数据库支持多种输入方式。 ? 例如我们输入TMPRSS2-ERG。 在DNA水平，我们看到转录因子对于基因的调控情况。 ? 在mRNA水平，可以看到miRNA对于mRNA的调控情况. ? 蛋白方面，可以看到蛋白的特征。 ? 另外，这个数据库主要还是来预测融合基因基因调控的变化，对于其基因特征的变化，可以通过FusionGDB来进行查看，而且这个数据库也提供了数据库的连接。 ?
98140发布于 2020-06-01 - 来自专栏DrugOne
MultiVelo推断动态解耦的基因调控
作者提出了MultiVelo，一种从单细胞多组数据集推断基因表达及表观基因组调控的计算方法。 MultiVelo使用概率潜变量模型估计基因调控的转换时间和速率参数，提供表观基因组和转录组变化之间时间关系的定量总结。 2 结果 2.1.MultiVelo区分了胚胎小鼠大脑中两种基因表达调控模型 作者首先将MultiVelo应用于胚胎小鼠大脑（E18）的10X Multiome数据。 图1：MultiVelo揭示了两种不同的基因调控机制。 MultiVelo将提供对一系列生物学环境中基因表达的表观基因组调控的见解，包括正常的细胞分化，重编程和疾病。
99730编辑于 2022-01-13 - 来自专栏生命科学
miRNA 在基因调控中的作用 | MedChemExpress
“micro”“mi”是微小的意思，顾名思义，miRNA 就是小的非编码 RNA，长度约 23 个核苷酸 (nt)，它在转录后的基因调控中发挥关键作用，包括疾病的发生、细胞分化与组织发育，细胞凋亡等等。 (Ago 是 miRNA 的得力助手和保镖，miRNA 调控靶蛋白需要通过 Ago 实现，Ago 还保护了 miRNA 不被降解。 )，降低了癌症的侵袭性、化疗抗性和放射抗性 (极少数情况下，也可能作为一个原癌基因)。 Aurintricarboxylic acid P2X1Rs 和 P2X3Rs 变构拮抗剂，能够调节 miRNA 功能。 Pseudoprotodioscin 一种呋喃葡糖苷，抑制 SREBP1/2 和 microRNA 33a/b 水平，降低胆固醇和甘油三酯合成相关的基因表达。
96310编辑于 2023-03-03 - 来自专栏生信修炼手册
文献解读|环状RNA调控父本基因的表达
这类环状RNA存在于细胞核内，可以与U1 snRNP这种RNA结合，正向调控父本基因的转录过程。 1. 发现它们位于细胞和中，考虑到这些环状RNA和RNA II型聚合酶的结合，作者认为它们具有调控转录的功能。 2. 环状RNA功能验证 通过设计siRNA，敲低circEIF3J和 circPAIP2的表达，发现父本基因对应的表达量也随之降低，结果如下所示 ? 3. ，从而增强父本基因的表达，发挥出一个正向的调控功能，模型如下所示 ? 本文不仅发现和定义了一种新的环状RNA, 即同时包含了exon和intron的ElciRNAs, 还对其功能进行了探索，发现了其调控父本基因表达的生理机制。
69910发布于 2019-12-19 - 来自专栏DrugOne
从单细胞基因表达数据推断细胞特异性基因调控网络
基因调控网络（GRN）可以被视为细胞的另一个特征，有助于发现每个细胞的独特性。然而，目前仍然缺少重建细胞特异性GRN的方法。 01简介 基因调控网络（GRN）表示的是基因在生物过程中如何相互调控。从基因表达数据推断GRN是一个具有挑战性的问题。单细胞基因表达数据已被用于推断GRN，其中每个细胞作为一个样本。 为了避免二值化过程中发生的信息丢失，从而更好地适应单细胞基因表达数据的分布，作者在CeSpGRN中使用高斯Copula图模型（GCGM）；（2）KELLER需要每个样本的时间信息，并使用每个样本的一维时间信息构建内核 在图2中，作者可视化了模拟时间为0.50的细胞i到模拟时间为0.54的细胞j的边的变化。结果发现CeSpGRN可以正确检测到大部分变化的边。 、PPARD、PPARG、SNAI1、SNAI3、SP3、SPIB、TCF3，失去相互作用的基因是：FOSB、MYEF2、TCFL5、NFATC2、NFATC1、UHRF1、JUN。
1.1K20编辑于 2022-04-19 - 来自专栏生物信息学、python、R、linux
SCENIC||单细胞基因调控网络推断与聚类
SCENIC主要用于基因调控网络的重建和细胞状态的鉴定。 （a）使用GENIE3或GRNBoost推断转录因子与候选靶基因之间的共表达模块。 RcisTarget可识别那些调节子的结合基序在目标基因中显着富集的模块。并创建仅具有直接target的调节单元。AUCell对每个细胞中每个调节单元的活性进行评分，从而产生活性矩阵。 每个细胞标记了最活跃的基因调节网络的颜色。（e）此数据集上不同聚类方法的准确性。 原文：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5937676/ SCENIC在R中实现基于三个R包： 1.GENIE3：推断基因共表达网络 2.RcisTarget ：用于分析转录因子结合motif 3.AUCell：用于鉴定scRNA-seq数据中具有活性基因集（基因网络）的细胞 SCENIC的安装参考：安装 （未完待续）
1.9K30发布于 2020-10-10 - 来自专栏生信菜鸟团
MACS3—探索基因组调控的钥匙
、转录调控和表观遗传学研究等领域。 这些峰值区域通常对应于蛋白质（如转录因子）与DNA的结合位置，对于理解基因表达调控机制极为重要。 可以是具体数字，如 `1.0e+9` 或 `1000000000`，或者使用简写，如 'hs' 代表人类（2,913,022,398），'mm' 代表小鼠（2,652,783,500），'ce' 代表秀丽隐杆线虫 g hs -n H3K27ac-Comb -B -q 0.01 \ --outdir /home/data/t020559/chip_seq/macs3_out 1>test_H3K27ac.log 2> Pileup 是指在基因组的某一特定位置或区域，多个读取叠加在一起的现象，描述了在某个特定的基因组位置，有多少测序读取覆盖了这个位置。
2.5K10编辑于 2024-05-30 - 来自专栏生信数据挖掘
ARACNE算法从表达谱数据中推断基因调控网络
最近比较火热的viper实现单细胞蛋白活性推断，也是基于ARACNE算法构建的调控网络。 Bioinformatics杂志，具体信息可以查询（https://github.com/califano-lab/ARACNe-AP）一．程序输入 程序输入主要包括表达谱矩阵与转录因子列表，表达谱矩阵按照列为基因名字 java -jar -Xmx5G ARACNe-AP/dist/aracne.jar -o ARACNe --consolidate --threads 60三、程序输出 输出结果包括三列，第一列为调控因子 ，第二列为靶基因，第三列为MI值，第四列为Pvalue值。 四、结果应用 ARACNE-AP计算的结果文件可以用于viper R包aracne2regulon函数进行调用。
2.4K10编辑于 2023-12-24 - 来自专栏分析工具
基因调控网络(gene regulatory network-GRN)分析基础概念
2. 转录因子（Transcription Factor, TF）转录因子是一类能够结合到特定DNA序列（通常在基因启动子或增强子区域）的蛋白质。 这些因子通过激活或抑制RNA聚合酶的结合和启动，从而调控基因的转录过程。作用：● 基因调控：转录因子通过结合到特定的DNA序列，促进或抑制基因的转录，这直接影响了基因的表达水平。 2、明确TFs，进一步需要去区分共表达网络中的分子哪些是TFs，只要知道哪些是转录因子了，就能够区分上游分子和下游分子。 基因调控网络的应用场景：1、探索特殊的细胞类型和状态的调控网络，比如怎么维持不同细胞亚群的“身份”；2、探索细胞的随着时间连续的变化，在这种连续变化的过程中，转录因子调控网络会发生什么变化；3、探索在不同的情况下 2、上游500bp和下游100bp (500bpUp100Dw)这个区域涵盖了TSS上游500bp到TSS下游100bp的总共600bp的区域。
1.8K11编辑于 2024-08-21 - 来自专栏DrugOne
. | 深度学习建模基因调控网络
解耦非线性运算和基因相互作用是DeepSEM同时实现更稳健和可解释的隐含表示的关键。接下来，配备逆GRN层的解码器函数将隐含表示转换回基因表达值，这使整个框架成为自动编码器(图 2)。 图2 DeepSEM 的神经网络架构 DeepSEM的VAE包含四个模块：编码器、GRN层、逆GRN层和解码器。编码器和解码器都是以一个基因为输入的MLP，编码器和解码器的权重在不同基因之间共享。 为了进一步探索DeepSEM识别的GRN的生物学意义，作者还检查了DeepSEM预测的基因调控与从细胞类型特异性表观遗传数据推断的基因调控之间的一致性。 因此，作者假设，如果一个TF在给定的细胞类型中调控基因，它应该更有可能与有低CG甲基化和相应细胞类型中靶基因侧翼区域的开放染色质的TF motifs相关联。 为了寻找支持标记基因调控的表观遗传证据，作者使用scATAC-seq峰和差异甲基化区域(DMR)作为每个细胞类型特异性基因的潜在调控元件，然后对于每个基因，计算其预测的调节因子的比例。
3.4K10发布于 2021-09-17 - 来自专栏百味科研芝士
LncTarD: lncRNA-靶基因调控机制分析神器重磅来袭！
虽然lncRNA与疾病的关联已受到广泛关注，但目前缺乏数据库预测lncRNA介导的靶基因调控机制、关键下游靶基因以及与疾病相关的lncRNA的重要生物学功能。那么，今天的神器就是为了解决这些问题的！ 高级检索面板提供了多个选项，可以通过组合不同的关键词，来查询感兴趣的与疾病相关的功能性lncRNA-target调控，包括疾病，功能，药物，lncRNA，靶基因和调控机制。 ? 三、浏览器检索功能 点击“Browser”，在左上方选择具体疾病，药物，lncRNA，靶基因和调控机制。 ? 例如要浏览与肺癌相关的lncRNA-taget，点击“ DiseaseCategory”（下图中的步骤1），然后选择“癌症”和相应的癌症类型“肺癌”（下图中步骤2、3）。 网络的可视化更加直观地显示疾病中lncRNA-taget的调控网，包括lncRNA,调控靶基因的机制，靶基因，其影响的生物学功能和相关药物。 ? 当然也可以以水平或垂直的网络图进行展示。 ?
2K20发布于 2019-12-17 - 来自专栏医学数据库百科
基因组变异对于 ceRNA 调控影响的数据库
这个研究思路，相对来说已经很成熟了，如果要在这个方面研究的话，其实再加一些变化可能更好一些，毕竟成熟的思路就代表创新性少一些，而如果要加变化的话，由于 ceRNA 调控的原始还是序列的结合，所以最直接能加的还是看基因组变异对于 ceRNA 调控的影响。 所以这次给大家推荐一个基因组变异对于ceRNA调控影响的数据库：LnCeVar （http://www.bio-bigdata.net/LnCeVar） ? 作者通过以上方式构建好ceRNA调控网络之后，进一步的来了解基因组变异（SNP, 突变以及拷贝数）对于 ceRNA 调控网络的影响。 而是使用了一些测序的数据（千人基因组，TCGA，Cosmic），这样让结果更加的准确一些。 2 数据库使用 对于数据库的使用，如果我们有目标基因的话，那就直接检索就行了。
77220发布于 2020-07-27 - 来自专栏生物信息学、python、R、linux
预测差异表达基因集的转录调控子的工具-Lisa
image.png 刘小乐老师课题组发布了一个用于预测差异表达或共表达基因集的转录调控子的工具Lisa 文章为：《Lisa: inferring transcriptional regulators 和染色质调控因子（chromatin regulatory， CRs）。 Lisa主要是利用来自人和小鼠的DNase-seq与H3K27ac和 ChIP-seq的数据，来确定导致差异表达的基因集的转录因子和调控因子。 使用Lisa，唯一需要的是任何生物学过程中的差异基因列表。 然后，利用最全面的DNase和ChIP-seq数据库（CistromeDB）的来发现关键的转录因子和染色质调控因子。
2.3K20发布于 2020-04-01 - 来自专栏生信菜鸟团
12分的Nature子刊叫教你如何研究基因调控
与重排相关联的断裂点有可能会改变细胞对邻近基因的调控，像是通过破坏特定的调控原件或转位一个顺势调控原件。 这里作者研究的SVs代表基因组重排事件，每个事件涉及两个不同基因组区域的断裂点融合。而且，作者仅关注在不产生基因融合事件或拷贝数变异的情况下，SVs对基因调控的影响。 举个例子，比如某一SV的断裂点出现在基因的上/下游，参与了一顺势调控原件的重排从而影响基因的调控 二、文章思路 前期准备 ? 后续分析 ? 像是TERT、MYC、MDM2、CDK4、ERBB2、CD27、IGF2等肿瘤驱动基因，他们的表达量与基因周围区域的SV断裂点数量有很显著的正性关系 此外，包括PTEN、STK11、KEAP1、TP53 同时还发现基因上游的SV可以影响到基因上游的增强子以及基因的甲基化模式，由此对基因的表达量起到调控作用。
1.7K10发布于 2020-10-23
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