- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户7627119的专栏
RNA m6A修饰发文套路大揭秘
作为近年来CNS期刊的热点和国自然的热门，RNA的表观遗传学研究受到很高的重视，其中最具代表的是N6-甲基腺嘌呤(N6-methyladenosine，m6A)，即发生在RNA分子腺嘌呤第6位氮原子上发生甲基化修饰 在2年时间内可以达到国自然中标数以及中标金额均增长超过10倍，且可以预期未来其仍然会有进一步增长，这表明了m6A甲基化领域是一个增长迅速、增长势头强的新兴领域。 ? 图3.m6A与肿瘤相关国自然课题学科分类(科学网数据库) RNA 甲基化m6A修饰作为2019年国自然申请中的黑马，2019年m6A RNA甲基化项目共计179项，总金额1.1亿元左右，单项目最高获批金额有 下图清晰展示了RNA m6A修饰在不同学科研究中的获批情况，绝大多数项目都是与医学（健康或疾病） 相关。医学疾病领域，肿瘤仍然是最主要的方向，约77项。 为了方便大家在RNA m6A修饰领域的研究，这里小编特地为大家整理了RNA m6A修饰研究发文套路大揭秘！接下来让我们一起来康康，有了这个宝典，就不愁怎么做RNA m6A研究啦。 ? ? ? ? ?
1.4K10发布于 2020-08-06 - 来自专栏用户7627119的专栏
m6A RNA甲基化修饰特征
前面给大家简单的介绍过RNA甲基化以及RNA m6A修饰发文套路大揭秘，今天我们就来看看，m6A RNA甲基化修饰有哪些典型的特征。 01 m6A的peak在基因的 3’UTR附近有明显富集。 ? PLOS Biology, 2018,16(9):e2006092-. 2、Zhao Y L , Liu Y H , Wu R F , et al.
1.1K30发布于 2020-08-05 - 来自专栏Y大宽
RNA-seq(2)-2:下载数据
文章：AKAP95 regulates splicing through scaffolding RNAs and RNA processing factors. 共下载7个文件，我仿写了个代码，如下： 运行起来速度还是很好，平均5M/S. cd /mnt/f/rna_seq/data for ((i=56;i<=62;i++));do ascp -QT -v term=SRP007560 （这个过程我是反着来的，现在SRA找到合适的数据，然后再下载文章） 具体信息见这里和这里 需要下载的四个数据为SRR316212 -215 同样，代码为 for ((i=2;
1.1K40发布于 2018-09-10 - 来自专栏用户7627119的专栏
常见肿瘤RNA m6A修饰研究的最新发文套路解析
作者针对胃癌，展开RNA m6A修饰研究，从METTL3入手，上下游同时探索，成功探索到了完整的上下游作用机制。 ? 机制上，作者发现p300介导了METTL3在启动子区的H3K27ac修饰诱导了METTL3转录激活，METTL3写入对HDGF基因的m6A修饰，IGF2BP3（reader）直接与HDGF上的m6A位点发生结合 fig2A USCS中METTL3启动子区存在H3K27ac修饰。 ? Fig2B 用C646（C646是靶向p300的组蛋白乙酰化抑制剂）处理不同类型细胞，对应的METTL13的表达水平降低。 作者针对胰腺癌，展开RNA m6A修饰研究，从ALKBH5(eraser)入手，上下游同时探索，成功探索到了上下游作用机制。 PER1的上调导致ATM-CHK2-P53/CDC25C信号通路的重新激活，抑制细胞生长。p53诱导的ALKBH5转录激活在胰腺癌中起着调节m6A修饰的反馈回路作用。
1.6K40发布于 2020-08-05 - 来自专栏单细胞天地
RNA Velocity and Beyond 系列2—Model
"On the Mathematics of RNA Velocity I: Theoretical Analysis." 没看过前文的可以考虑先看前文 RNA Velocity and Beyond 系列1—Introduction Model ? 回忆上文， RNA velocity 的关键在于利用 splicing 这一蕴含时间的动力学过程来刻画，从而在原来的 snapshot 中引入 velocity。 Case 2:β＝γ 和之前的区别大概就只是数值求解上的区别。所以对于 on stage 的解就是 ? 其中t≤ts，如果此时(u0,s0)≡(0,0)可以得到这段时间的解为 ? Inference of RNA velocity 有了上面的模型，那么下一步就是通过数据来拟合这些参数。ts，α，β，γ。
60031发布于 2021-04-16 - 来自专栏生信课程note＋实验知识
RNA-seq下游分析-2
#RSEM定量后直接生成FPKM，无需标准化#RNA-seq下游-1有些混乱，重新整理#与原文存在差异的原因是原文mRNA-seq要对注释gtf文件对进行过滤甲基化区域和polyA尾以及原文用的hg19 ---title: "RNAseq-下游分析-2"output: html_documentdate: "2023-10-26"---R Markdown#RSEM定量后直接生成FPKM，无需标准化#RNA-seq database1[,c(1,2,3,4)]colnames(database2) <- c("BHLHE40-rep1","BHLHE40-rep2","Control-rep1","Control-rep2 "dbplyr")database <- round(as.matrix(database2))condition <- factor(c(rep("treat",2),rep("control",2) png")ggsave("venn2.png")library(ggplot2)#聚类图vsd <- vst(dds2, blind = FALSE)sampleDists <- dist(t(assay
75420编辑于 2023-10-26 - 来自专栏DrugOne
. | 深度学习结合纳米孔直接RNA测序: 全面解析RNA修饰的动态变化与相互调控
该方法显著扩展了已知 RNA 修饰位点的数量，并揭示了 RNA 修饰在剪接调控中的潜在功能。 结果 ORCA 实现多种 RNA 修饰的统一检测 ORCA 能够基于纳米孔直接 RNA 测序信号，在不依赖特定修饰训练数据的情况下，准确检测多种 RNA 修饰，并定量其修饰比例。 图 2｜在模拟与真实数据集上的性能评估。 实现“零样本”检测未知 RNA 修饰 即便在训练阶段未包含某一修饰类型，ORCA 仍能在真实转录组中成功识别该类修饰，显示出极强的泛化能力。 图 3｜对未见修饰类型的零样本预测能力。 绘制转录组尺度的 RNA 修饰全景 ORCA 在单一样本中同时检测到多种 RNA 修饰类型，大量新修饰位点被发现，显著扩展了现有 RNA 修饰数据库。 RNA 修饰串扰与剪接调控密切相关 ORCA 揭示了相邻 RNA 修饰位点之间普遍存在协同或互斥关系，并发现这些修饰组合与 RNA 剪接因子结合显著相关，提示 RNA 修饰在转录本异构体调控中具有重要作用
21210编辑于 2026-01-26 - 来自专栏生信修炼手册
使用CIRCexplorer2识别环状RNA
CIRCexplorer是一款环状RNA预测软件，专门用于预测exonic circRNA，网址如下 https://github.com/YangLab/CIRCexplorer2 环状RNA的识别包含了序列比对和环状 RNA预测两步，该软件目前更新到了v2版本，相比v1版本，用法有较大变化。 ;Assemble用于组装环状RNA的转录本序列；Denovo根据序列组装结果，识别新的环状RNA和分析环状RNA上的可变剪切事件。 针对单端序列的比对，代码如下 CIRCexplorer2 align \ -G hg19.gtf \ -i bowtie1_index \ -j bowtie2_index \ -f RNA_seq.fastq hg19_ref.txt 预测环状RNA的代码如下 CIRCexplorer2 annotate \ -r hg19_ref.txt \ -g hg19.fa \ -b back_spliced_junction.bed
1.4K20发布于 2019-12-19 - 来自专栏Y大宽
1️⃣ 序列获取（2）：RNA序列获取
1 ncRNAdb(noncoding RNA database) 虽不编码蛋白质，但是参与包括染色质结构重建，基因表达层面的转录和翻译调控，亚细胞位置等调控。 主要来自于 1 主要：ncRNAdb -- Noncoding regulatory RNAs database：通过以下方式获取 Search search by organism name, RNA 30,000 sequences; 66,4 MB) Browse Information pages Download Download the sequences in FASTA format 2 哺乳动物RNAdb: mammalian noncoding RNA database 3 fRNAdb: functional RNA database 4 Rfam: database of noncoding RNA families 5 miRBase: microRNA database 可检索公开发表的miRNA序列和注释信息 可获得和下载miRNA的发卡和成熟序列 可下载miRBase中所有序列和注释
1.7K20发布于 2019-01-28 - 来自专栏java学习
面试题2(Java 修饰符问题)
、方法、成员变量和局部变量可以使用的各种修饰符。 Java语言定义了public、protected、private、abstract、和final这6个常用修饰符词外，还定义了4个不太常用的修饰符，下面是对这10个java修饰符的介绍。 2、private 使用对象: 成员。 介绍: 成员只可以在定义它的类中被访问。 3、static 使用对象: 类、方法、变量、初始化函数。 变量不是对象持久状态的一部分，不应该把变量和对象一起串起， 【题目解析】 从前面的介绍不难看出该面试题中，(2) 处是不能通过编译的。 因为public 修饰符 只能用于修饰类、方法和成员变量，并不能修饰局部变量 参考答案(c)
823160发布于 2018-04-18 - 来自专栏学习笔记持续记录中...
Java基础：六、访问权限修饰词 （2）
访问权限控制的等级，从最大权限到最小权限依次为：public、protected、包访问权限(没有关键词)和private 这几个访问权限修饰词在使用时，是置于类中每个成员的定义之前的-无论它是一个域还是一个方法 每个访问权限修饰词仅控制它所修饰的特定定义的访问权 访问权限修饰词 包访问权限 默认访问权限没有任何关键字，但通过是指包访问权限。 类的访问权限 为了控制类某个类的访问权限，修饰词必须出现于关键字class之前。 类既不可以是private的，也不可以是protected。
84320发布于 2020-03-17 - 来自专栏Y大宽
RIsearch2使用方法-预测RNA-RNA互作（sRNA的靶基因）
背景 非编码RNA经常和其它RNAs形成配对（双链）发挥其作用。这些RNA-RNA相互作用都是建立在碱基互补配对的基础上，两个RNA序列之间的高度互补是这种相互作用的强有力预测基础。 RIsearch2是RNA-RNA相互作用预测工具，可以在给定的query和target序列之间形成互补定位。 使用基于suffix arrays的seed-and-extend框架，RIsearch2可以发现RNA-RNA相互作用关系，这种发现可以基于基因组或转录组。 用户定义的seed and extension constraints 使得 RIsearch2 可应用于所有类型的RNA-RNA相互作用预测。 =========== Energy based RNA-RNA interaction predictions ================ Usage: risearch2.x [options
3.4K30发布于 2018-09-30 - 来自专栏智能生信
Nature Communications | 基于注意力机制对RNA修饰位点多标签分类的预测与解释
RNA修饰增加了RNA分子的结构和功能的多样性，因此，精确识别RNA修饰位点对于理解RNA的功能和调控机制至关重要。 转录RNA数据列表 2.2 模型 如图2所示，整个模型由三个部分组成，第一部分将输入转化成embedding，分别采用了三种方法：一维卷积+一维池化，Word2Vec，隐马尔可夫模型。 图2. 表2. 与基线模型性能对比 3.2 模型对十二种RNA修饰位的预测表现 对十二种修饰位都有很好的预测结果，如表3所示。 ? 表3. 由MutiRM方法得到的RNA修饰位点之间的关联性 四、总结 在本文中，作者设计并实现了一种可以预测十二种RNA修饰位点的分类器，并且搭建了一个webServer给研究者使用，同时也研究了RNA修饰位点之间的联系
83621发布于 2021-08-13 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：实验设计（2）
学习目标 了解设置重复对于 RNA-seq 分析的重要性 了解生物重复次数、测序深度和鉴定到的差异表达基因之间的关系 了解如何设计RNA-seq 实验，以避免批次效应 1. 注意事项 了解 RNA 提取和 RNA-seq 文库制备实验过程中的步骤，有助于设计 RNA-seq 实验，但有一些特殊的注意事项需要明确： 重复次数和类型 避免混淆 处理批次效应 2. 对 RNA 质量进行质控。 其他类型的 RNA 分析（内含子保留、small RNA-Seq 等）： 取绝于具体的分析 总之，尽量做生物学重复。 3. 是否同一个人对所有样品进行了 RNA 提取与文库制备？ 是否对所有样品使用了相同的试剂？ 是否在同一地点进行 RNA 提取与文库制备？ 如果任何一个答案是“否”，那么就存在批次效应。 5. 重复次数越多越好（超过 2 个）。 Hicks SC, et al., bioRxiv (2015) 请务必在实验数据中包含批次信息。
49920编辑于 2023-02-27 - 来自专栏Y大宽
RNA-seq(5):序列比对：Hisat2
/rna_seq/data$ hisat2 -h HISAT2 version 2.1.0 by Daehwan Kim (infphilo@gmail.com, www.ccb.jhu.edu/people /f/rna_seq/data/SRR35899${i}.sra_1.fastq.gz -2 /mnt/f/rna_seq/data/SRR35899${i}.sra_2.fastq.gz -S SRR35899 /genome -1 /mnt/f/rna_seq/data/SRR35899${i}.sra_1.fastq.gz -2 /mnt/f/rna_seq/data/SRR35899${i}.sra_2. /mnt/f/rna_seq/data/SRR35899${i}.sra_1.fastq.gz -2 /mnt/f/rna_seq/data/SRR35899${i}.sra_2.fastq.gz -S mnt/f/rna_seq/data/SRR35899${i}.sra_1.fastq.gz -2 /mnt/f/rna_seq/data/SRR35899${i}.sra_2.fastq.gz -S
5.9K22发布于 2018-09-10 - 来自专栏数据科学（冷冻工厂）
RNA-seq 详细教程：实验设计（2）
学习目标了解设置重复对于 RNA-seq 分析的重要性了解生物重复次数、测序深度和鉴定到的差异表达基因之间的关系了解如何设计RNA-seq 实验，以避免批次效应1. 注意事项了解 RNA 提取和 RNA-seq 文库制备实验过程中的步骤，有助于设计 RNA-seq 实验，但有一些特殊的注意事项需要明确：重复次数和类型避免混淆处理批次效应2. 对 RNA 质量进行质控。其他类型的 RNA 分析（内含子保留、small RNA-Seq 等）：取绝于具体的分析总之，尽量做生物学重复。3. 是否同一个人对所有样品进行了 RNA 提取与文库制备？是否对所有样品使用了相同的试剂？是否在同一地点进行 RNA 提取与文库制备？如果任何一个答案是“否”，那么就存在批次效应。5. 重复次数越多越好（超过 2 个）。图片请务必在实验数据中包含批次信息。在分析过程中，如果没有混淆，可以回归出由于批次引起的变异，所以有这些信息，它不会影响结果。图片
65440编辑于 2023-01-29 - 来自专栏生信宝典
Nature Methods | 中山骆观正实验室在RNA修饰方法学领域取得重要进展
近年来，表观转录组学（epitranscriptomics）的提出为该领域注入了新的思想【1,2】。人们发现，真核生物不同种类RNA上存在超过150种化学修饰，其中很大部分继承于古老的共同祖先。 尽管已有多种RNA修饰检测方法可供选择，但是在实际应用中效果往往差强人意。高假阳性率、低分辨率的问题时常困扰研究者。某些情况下，不同研究报道的同一种修饰的位点数甚至能相差2-3个数量级【7】。 文中以两种最受关注的RNA修饰m6A和m5C作为代表，分别验证了该方法在三种典型研究场景中的有效性（图2）。 图1 体外合成RNA文库（IVT RNA）具有与内源转录组相似的表达量，但不含有修饰碱基 图2 使用IVT RNA校准RNA修饰检测的三个应用场景 MeRIP-seq（或m6A-seq）是目前最常用的 Grand Challenge Commentary: RNA epigenetics? Nat. Chem. Biol. 6, 863–865 (2010). 2.
75210编辑于 2022-01-18 - 来自专栏python3
Python修饰符 （一）—— 函数修饰
今天被问到Python函数修饰符，顺手写写。 Python函数修饰符，“@”，与其说是修饰函数倒不如说是引用、调用它修饰的函数。 但是，Python解释器读到函数修饰符“@”的时候，后面步骤会是这样了： 1. 去调用 test函数，test函数的入口参数就是那个叫“func”的函数； 2. test函数被执行，入口参数的（也就是func函数）会被调用（执行）； 换言之，修饰符带的那个函数的入口参数，就是下面的那个整个的函数 函数先定义，再修饰它；反之会编译器不认识； 2. 修饰符“@”后面必须是之前定义的某一个函数； 3. 每个函数可以有多个修饰符。
1.5K21发布于 2020-01-03 - 来自专栏生信技能树
m6A联合单细胞解密RNA甲基化修饰如何影响皮肤形态发生过程
然而，有趣的是，许多高m6A修饰的mRNA在m6A缺失时显著上调，它们编码RNA甲基化、RNA处理和RNA代谢因子。 (图E) 结合核糖体RNA测序数据，看m6A修饰与翻译效率之间的关系：作者发现，m6A修饰水平高的mRNA比m6A修饰水平低的mRNA更容易被翻译(图1F)。这种现象在编码序列中的最为显著。 2.表皮祖细胞中Mettl3基因低或不表达导致毛囊形态发生出现明显缺陷 先来看看Mettl3基因是何方神圣：RNA甲基化修饰过程主要与三类蛋白相关（图A）： writers：甲基化转移酶，主要有METTL3 、METTL14和WTAP Erasers：去甲基化酶，FTO和ALKBH5 Readers：甲基化修饰位点识别酶，YTHDC1以及定位在细胞质中的YTHDF1、YTHDF2、YTHDF3、YTHDC2 m6A修饰富集在mRNA终止密码子附近。大多数细胞的RNA 的m6A修饰主要靠METTL3-METTL14复合物进行添加，而Mettl3 or Mettl14的不表达会使细胞内的m6A修饰大量减少。
1.7K20发布于 2021-02-03 - 来自专栏单细胞天地
RNAvelocity2：使用 Seurat 和 scVelo 估计 RNA 速率
分享是一种态度 此教程展示了使用 scVelo 分析存储在 Seurat 对象中的 RNA 速率值。 如果您在工作中使用 scVelo，请引用下文： Generalizing RNA velocity to transient cell states through dynamical modeling 读取并转换为Seurat对象 ldat <- ReadVelocity(file = "~/Downloads/SCG71.loom") bm <- as.Seurat(x = ldat) bm[["RNA ', 'nFeature_RNA', 'nCount_SCT', 'nFeature_SCT', 'SCT_snn_res.0.8', 'seurat_clusters' ## var: 'features scv.pl.velocity_embedding(adata, basis="umap", color="seurat_clusters", arrow_length=3, arrow_size=2,
2.8K10发布于 2021-09-15
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