基因的上下游分析是做生物醫學研究必要的分析之一,但需要整合各種調控數據庫以及多樣本基因表達數據,某些研究人員可能無從下手!
您只需要提供感興趣的基因(或者miRNA,TF)名稱,云生信整合全世界權威公共數據庫所有樣本數據,從眾多基因上下游的分析結果中,挑選出與疾病最相關的結果。結果作為實驗的理論支持,大大降低實驗的假陽性!
 
基因的上下游分析分析內容:
 
1. 轉錄因子調控靶基因分析(TF-target);
2. microRNA調控靶基因分析(miRNA-Target);
3. 蛋白質與蛋白質相互作用分析(PPI);
4. 其他,例如TF-miRNA、TF-lncRNA、lncRNA-mRNA、miRNA-lncRNA等。
 
云生信整合的全世界權威公共數據庫所有樣本數據:
 
1. 各個物種的轉錄調控數據庫(TRANSFAC、JASPAR、TRED、PAZAR、AGRIS、RegulateDB、CHIPBASE等);
2. 各種miRNA調控靶基因的算法工具(miRBase、miRWalk、TargetScan、miRanda、PicTar、PITA等);
3. 蛋白互作數據庫(如HPRD、STRING、DIP、BioGRID、MINT等);
4. TCGA數據庫的RNA-seq、small-RNA-seq等;
5. GEO數據庫的基因芯片、miRNAx芯片等。
 
圖片可直接使用:
 
云生信團隊的分析過程依托于云生信分析平臺(www.bioclouservice.com ),獲得的分析圖片完全達到SCI論文的水平要求,可以直接使用。

 
分析耗時及報價:
 
基因的每種調控分析為1500元,與疾病關聯的精確分析為2000元。多個基因或多種調控同時分析還有大優惠!

結直腸癌相關的miR-***的上游和下游調控關系分析樣例

分析目的:
通過對結直腸癌公共芯片數據的分析,獲得與結直腸癌相關的mir-***調控的上游、下游基因。
分析過程:

1. 公共芯片數據的選擇下載。

本分析使用的數據下載自GEO(GSE4****)[1],樣本來自1992年至2004年期間在MSK腫瘤中心接受診治的結直腸癌患者,包括1**例結直腸癌樣本,與5*例正常結直腸組織對照。芯片平臺使用的是Affymetrix HG-U133A ,能夠檢測超過*****個人基因的轉錄表達水平。

2. 差異表達基因分析

我們使用R軟件包Limma[2]中的經驗貝葉斯模型識別1**例結直腸癌與5*例正常結直腸組織之間的差異表達基因,以logFC絕對值大于或者等于0.585(相當于1.5倍的平均表達水平改變)和adj.P.Val 小于0.05為基因顯著差異表達的閾值。adj.P.Val是Benjamini & Hochberg方法[3]進行多重檢驗校正的結果。我們一共發現了522個顯著上調基因和653個顯著下調基因。

3. miRNA靶基因關系分析

使用miRecord數據庫[4]的實驗驗證數據,以及miRecord數據庫的預測數據。其中,miRecord預測工具我們使用了miranda[5],mirtarget2[6],pita[7],rnahybrid[8],targetscan[9]這5中預測方法進行分析,然后選擇預測結果出現4次及以上的關系對作為 miRNA調控靶基因關系對。最后,我們將這些預測得到的靶基因與結直腸癌差異表達基因進行交集分析,得到了miRNA調控的差異表達基因信息。
miRecord Validated Targets數據庫中,經過實驗驗證的miR-***調控靶基因只有一個結果,即 MTA1基因。miRecord Predicted Targets數據庫中,選擇大于等于4次的關系對,最終得到了2214個靶基因。
將實驗驗證結果+預測結果共計2215個靶基因與522個顯著上調基因和653個顯著下調基因取交集后,分別得到了49個上調靶基因和58個下調靶基因。如圖1所示。

圖1 miR-***的靶基因與差異表達基因的venn圖
 

4. TF調控miRNA分析

我們使用CHIPbase[10]數據預測分析調控miR-***的轉錄因子(TF)信息,然后從中篩選出屬于差異表達基因的TF。
利用CHIPbase數據庫我們得到,調控miR-***的轉錄因子共有**個,其中屬于結直腸癌差異表達基因的共有2個,即MYC,CEBPB。

5. 構建整合網絡圖。

結合miR-***的上游和下游分析結果,使用cytoscape[11]軟件做圖,結果如圖2所示。
 

圖2 整合網絡圖。菱形代表轉錄因子(TF);六邊形代表miRNA;橢圓代表靶基因。紅色代表差異上調基因,綠色代表差異下調基因。

bb娱乐平台注册: 結論

通過以上的分析,我們能夠得到與疾?。ń嶂背Π┫喙氐牟鉅轂澩锘蛄斜?,miR-***調控的靶基因以及被調控的轉錄因子,并從中獲得與結直腸癌相關的miR-***的上游和下游關系。 我們可以從中獲得重要的轉錄因子,并挑選合適的靶基因。

參考文獻

注册彩金送娱乐平台 www.abvjr.icu 1.Sheffer, M., et al., Association of survival and disease progression with chromosomal instability: a genomic exploration of colorectal cancer. Proceedings of the National Academy of Sciences of the United States of America, 2009. 106(17): p. 7131-6.
2.Smyth, G.K., Limma: linear models for microarray data, in Bioinformatics and Computational Biology Solutions Using {R} and Bioconductor, R.G.a.V.C.a.S.D.a.R.I.a.W. Huber, Editor. 2005, Springer: New York. p. 397--420.
3.Benjamini, Y.H., Yosef Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society, Series B, 1995. 57(1): p. 289-300.
4.Xiao, F., et al., miRecords: an integrated resource for microRNA-target interactions. Nucleic acids research, 2009. 37(Database issue): p. D105-10.
5.John, B., et al., Human MicroRNA targets. PLoS biology, 2004. 2(11): p. e363.
6.Wang, X., miRDB: a microRNA target prediction and functional annotation database with a wiki interface. RNA, 2008. 14(6): p. 1012-7.
7.Kertesz, M., et al., The role of site accessibility in microRNA target recognition. Nature genetics, 2007. 39(10): p. 1278-84.
8.Kruger, J. and M. Rehmsmeier, RNAhybrid: microRNA target prediction easy, fast and flexible. Nucleic Acids Res, 2006. 34(Web Server issue): p. W451-4.
9.Agarwal, V., et al., Predicting effective microRNA target sites in mammalian mRNAs. Elife, 2015. 4.
10.Yang, J.H., et al., ChIPBase: a database for decoding the transcriptional regulation of long non-coding RNA and microRNA genes from ChIP-Seq data. Nucleic Acids Res, 2013. 41(Database issue): p. D177-87.
11.Smoot, M.E., et al., Cytoscape 2.8: new features for data integration and network visualization. Bioinformatics, 2011. 27(3): p. 431-432.

基因的上下游分析

基因的上下游分析是做生物醫學研究必要的分析之一,但需要整合各種調控數據庫以及多樣本基因表達數據,某些研究人員可能無從下手! 您只需要提供感興趣的基因(或者miRNA,TF)


聯系我們

注册彩金送娱乐平台

掃描二維碼分享到微信