- 综合排序
- 最热优先
- 最新优先
- 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。 library(GENIE3) exprMatr <- matrix(sample(1:10, 100, replace=TRUE), nrow=20) rownames(exprMatr) <- paste 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] ? inst/doc/GENIE3.html
3K20发布于 2020-12-02 - 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。 3、1995 年有人提出了基因表达的连续分析技术(Serial Analysis of Gene Expression,SAGE)，能同时对上千个转录物进行研究。 SAGE 技术的主要依据有两个。 ，有些研究只与基因表达调控相关。 ，DNA 测序需要非常大的数据量，成本较高，例如人基因组有超过 3G 大小，测序数据量最少要 30G，而对整个转录组进行测序，也只需要 6G 数据足够，如果只测序目标基因，成本就更低了。
85910编辑于 2022-10-25 - 来自专栏生信菜鸟团
MACS3—探索基因组调控的钥匙
数据分析中不可或缺的工具，因其具有以下特性，被广泛应用于基因组学、转录调控和表观遗传学研究等领域。 ，进而识别基因组中的显著富集区域，也就是所谓的“峰值”。 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。 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。 MACS3 会计算每个基因组位置上的 pileup 值，并使用统计模型来评估这些值是否显著高于背景水平（即对照组的测序数据或基于局部序列复杂度的预期水平）。
2.5K10编辑于 2024-05-30 - 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 相关模型：加权矩阵模型 3、马尔可夫模型 马尔可夫链是一种随机过程，适用于分析时间序列的基因表达数据。 7、随机方程模型 …… 构建GRN模型时可参考的一些经验：GRN是稀疏的，也就是并不是所有基因之间都有相互作用关系 [3]；基因调控网络的大多数变量是连续的，粗糙的离散化会丢失信息，精细的离散化参数太多 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？ 这次介绍的ChEA3(https://amp.pharm.mssm.edu/chea3/)就是一个预测多基因转录因子调控网络的数据库。 ? 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。 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 相关模型：加权矩阵模型 3、马尔可夫模型 马尔可夫链是一种随机过程，适用于分析时间序列的基因表达数据。 构建GRN模型时可参考的一些经验：GRN是稀疏的，也就是并不是所有基因之间都有相互作用关系 [3]；基因调控网络的大多数变量是连续的，粗糙的离散化会丢失信息，精细的离散化参数太多，最好直接用连续变量 [ 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
对于融合基因的功能的话，FusionGDB数据库主要是来分析发生融合基因之后，对于其本身功能的变化，但是对于融合基因的调控，这个数据库就没有多大的注释，所以就有了 FGviewer (https://ccsmweb.uth.edu 融合基因相关调控的注释 这个数据库对于融合基因从DNA水平、mRNA水平再到蛋白水平的功能都进行了注释，其中功能的注释使用的也是其他的数据库来进行预测的。 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。 ? 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。 图1：MultiVelo揭示了两种不同的基因调控机制。 潜伏时间预测是根细胞单独使用RNA的速率分析未能捕获毛干分化方向（图3B）。与小鼠大脑相比，作者在该数据集中观察到更多的仅诱导基因和更少的Model2基因（图3C). 图3：MultiVelo量化小鼠皮肤中的表观基因组启动。 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。 研究中的常客，let-7 是个抑癌因子 (通过下调 MYC、HMGA2、BLIMP1 或者 RAS 家族成员，抑制肿瘤的发展)，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 研究发现，沉默 miR-210-3p 可以显著抑制临床前模型中前列腺癌细胞的骨转移，miR-210-3p 通过靶向 NF-κB 信号通路的负调控因子 TNIP1 和 SOCS1 促进 EMT (间充质转化 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。 而CeSpGRN不需要单个细胞的已知时间信息，并且使用细胞的高维基因表达谱构建内核；（3）由于KELLER使用细胞的时间信息设计内核，因此无法区分处于相同发育时间但类型不同的细胞。 每个数据集有1000个细胞和20个基因。 图3 BoolODE模型模拟数据的测试实验 为评估推断细胞特异性GRN的准确性，作者在模拟数据集上测试了CeSpGRN和基线方法。 、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 外显子分析课前准备---单细胞数据3UTR长度与基因表达调控
3 ' UTR长度由3 '端切割位点(CS)决定.mRNA丰度和mRNA长度是两个很大程度上独立的基因调控轴，它们共同决定了蛋白质合成的数量和空间组织。 最近，3 ' UTR已成为亚细胞质定位翻译和mRNA依赖的共翻译蛋白复合物组装的重要调节因子。APA最初被认为是一种基因表达调控模式，其中3'UTR异构体比例的改变会导致整体基因表达的变化。 基因和3'UTR表达定量原始scRNAseq数据中开发基因和3'UTR异构体定量的计算pipeline。 scUTRquant和scUTRboot提供了从scRNA-seq数据进行3'UTR分析的工作流程基因表达数据 + 3'UTR异构体计数将基因分为单UTR基因和多UTR基因在所有被归类为多UTR基因的基因中 基因表达和3'UTR长度是基因调控的两个独立轴核糖体蛋白的减少引起广泛的APA改变大多数APA变化影响较短的3'UTR异构体这种基因组上的分析代码和转录组的风格差的真的多代码示例在GitHub - Mayrlab
70510编辑于 2024-09-11- 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 二、程序分析主要分为3个步骤：1.计算 相互信息（MI）阈值 java -jar -Xmx5G ARACNe-AP/dist/aracne.jar -e TCGA-STAD.txt -o ARACNe dist/aracne.jar -e TCGA-STAD.txt-o ARACNe --tfs human_tf.txt --pvalue 1E-8 --seed $i --threads 64 ;done3. ，第二列为靶基因，第三列为MI值，第四列为Pvalue值。
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
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。 例如，在免疫细胞中，不同的转录因子调控着不同类型免疫细胞的发育和功能。● 响应信号：许多转录因子是信号通路的末端效应器，它们响应细胞外或细胞内信号，调控基因表达以适应环境变化。3. 3、明确转录因子结合位点，如果只知道转录因子和非转录因子的话那两者未必会存在结合调控，因此就必须知道在靶基因上游位置里面存在结合位点，这些结合位点里就存在一个/多个串联的motif，当得到了转录因子和motif 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 3. 物种特异性：● 不同的物种有各自特异性的 motif 和转录因子，因此文件根据物种进行了分类。
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
图3 在EPR方面的GRN预测性能总结 使用表观遗传数据验证GRN DNA甲基化和染色质开放性会影响转录因子与顺式调控元件的结合，从而影响下游靶基因的表达。 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。 特别是，将调控关系与基因表达联系起来已被证明能够有效地克服单细胞和批量测序实验中的dropout和其他技术问题。
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 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。 3 数据库总结 基本上数据库提供的信息就是这些。这个数据库也提供了下载作用数据的链接，如果需要可以去下载。
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
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