波多野结衣AV高清一区二区三区|日韩精品久久久久网站|99re免费视频国产在线播放|国产手机在线αⅴ片无码观看|

  1. <nobr id="5kd4l"></nobr>

    <dl id="5kd4l"><sup id="5kd4l"></sup></dl>
    <option id="5kd4l"><sup id="5kd4l"></sup></option>
    <div id="5kd4l"></div>
  2. <nobr id="5kd4l"></nobr>

        <div id="5kd4l"><em id="5kd4l"></em></div>
      1. <nobr id="5kd4l"><td id="5kd4l"></td></nobr>
        <nobr id="5kd4l"></nobr>
        <tr id="5kd4l"></tr>
        1. 服務(wù)熱線(xiàn)02152235399

          產(chǎn)品簡(jiǎn)介

          轉錄組測序(RNA-Seq)的研究對象是特定細胞在某一功能狀態(tài)下所能轉錄出來(lái)的所有mRNA的總和。新一代高通量測序技術(shù)能夠全面快速的獲得某一物種特定組織或器官在某一狀態(tài)下的幾乎所有轉錄本序列信息,從而準確地分析基因表達差異、基因結構變異、篩選分子標記(SNPs或SSR)等生命科學(xué)重要問(wèn)題。


          A workflow for RNA-seq

          Ruairi J, Genomics Research, 2018


          我們的優(yōu)勢

          1. 十三年轉錄組測序分析經(jīng)驗,自主研發(fā)了多個(gè)生物學(xué)領(lǐng)域內認可的算法,如差異可變剪接算法ASD、CASH等,檢出率和準確度超過(guò)同類(lèi)軟件;

          2. 不依賴(lài)已有物種信息,可研究非模式物種,針對不同平臺的數據,制定多套流程;

          3. 烈冰自主搭建轉錄組分析云平臺,一鍵實(shí)現數據分析,包括基礎分析和高級數據分析

          4. 整合了眾多學(xué)術(shù)界公認的轉錄組相關(guān)數據庫,從本質(zhì)上提高后期分析的廣度和精度,助力SCI文獻300+,助力研究團隊在Nature發(fā)表全球首例自閉癥猴模型



          (圖片來(lái)源:Liu Z, et al. Nature., 2016)




          樣本要求

          組織樣品:

          1. 動(dòng)物組織≥1g;

          2. 植物組織≥2g;

          3. 細胞樣品≥1×106個(gè);

          4. 全血≥2mL;

          5. 菌體≥106個(gè)或≥30mg。

          RNA樣品:

          1. 樣品需求量: RNA≥10 μg;

          2. 樣品濃度:RNA樣品≥100 ng/μl;

          3. 樣品純度:OD260/OD280在1.8-2.2之間,OD260/OD230≥2,28S/18S≥1,動(dòng)物樣品RIN≥7.0,植物樣品RIN≥6.5,RNA無(wú)明顯降解。

          實(shí)驗流程

          1. 客戶(hù)樣本:保證細胞量在106個(gè)以上,否則則需風(fēng)險建庫;

          2. RNA提?。航?jīng)典試劑盒快速提取法;

          3. RNA質(zhì)控:凝膠電泳質(zhì)控→Nanodrop質(zhì)控→Agilent2200質(zhì)控;

          4. 文庫構建:polyA建庫;

          5. 上機測序:烈冰建議選擇NovaSeq測序平臺,雙端測序,通量大,堿基精度高,且成本低,速度快。推薦數據量:6Gb。

          數據分析流程




          結果示例

          1、原始數據質(zhì)控
          以原始數據為研究對象,采用Fastp軟件對于低質(zhì)量序列,未檢測序列,接頭序列進(jìn)行過(guò)濾,并對于過(guò)濾前后數據的堿基質(zhì)量、GC含量、長(cháng)度分布、接頭留存和Duplication比率等指標進(jìn)行分析。圖1中部分展示了raw data質(zhì)控結果。

          堿基質(zhì)量結果圖

          注:左圖橫坐標代表堿基位點(diǎn),縱坐標代表堿基質(zhì)量值,不同顏色曲線(xiàn)代表不同堿基在每條read上的質(zhì)量值;右圖橫坐標代表堿基位點(diǎn),縱坐標代表堿基含量比值,不同顏色曲線(xiàn)代表不同位點(diǎn)各堿基含量。




          2、RNA基因組比對(RNA Mapping)
          采用Hisat2/Mapsplice/Star/Tophat2等算法進(jìn)行基因組比對,得到基因組比對的bam文件,并基于bam文件進(jìn)行信息統計,得到基因組比對率、reads在基因結構和染色體上的分布結果。圖2部分展示了RNA基因組比對結果。

          reads在基因結構和染色體上的分布情況

          Miao et al., Mol Cell Endocrinol, 2015

          注:左圖為reads在不同基因結構(如外顯子、內含子、基因間區、5’-UTR和3’-UTR)上的分布情況;右圖為reads在染色體上的分布情況,橫坐標表示染色體編號,縱坐標表示百分比,灰色柱子表示每條染色體上堿基數占基因組的比例,綠色柱子表示比對到染色體上reads的堿基數占基因組的比例。




          3、表達量統計(Expression)
          采用HTSeq以及基因組注釋的gff3文件,根據單端或雙端測序類(lèi)型,選擇RPKM或FPKM的標化方式對基因表達量進(jìn)行統計?;诮y計結果,分析得到樣本間相關(guān)性、 RPKM/FPKM密度和豐度等分析結果,反映單個(gè)樣本基因表達水平分布和離散程度,以及不同樣本整體基因表達水平的差異。

          基因表達量分析

          注:左圖為不同樣本RPKM密度圖,橫坐標表示log10(RPKM),縱坐標表示每個(gè)log10(RPKM)值對應的基因數占比;右圖為不同樣本基因表達箱線(xiàn)圖,橫坐標表示不同樣本名稱(chēng),縱坐標表示樣本中每個(gè)基因log10(RPKM)分布情況。



          4、差異基因篩選(Dif Gene Analysis)
          采用DESeq2/DESeq/EBSeq/EdgeR/Limma等算法進(jìn)行差異篩選,得到滿(mǎn)足差異倍數(Fold Change)以及FDR閾值的差異基因,并基于差異篩選結果以及樣本的FPKM或RPKM,進(jìn)行火山圖分析(Volcano Plot)以及聚類(lèi)圖分析(Heatmap)。

          差異基因的火山圖和聚類(lèi)圖

           liu et al., Nature, 2016

           注:左圖為差異基因的火山圖,紅色表示顯著(zhù)差異基因,藍色表示非顯著(zhù)差異基因;右圖為基因表達聚類(lèi)圖,橫坐標為樣品分組,縱坐標為基因,紅色表示高表達,綠色表示低表達。



          5、功能分析(GO Analysis)
          為了明確差異基因的相關(guān)功能,我們往往需要對差異基因進(jìn)行GO富集分析。NovelBio團隊在數據庫上投入了大量時(shí)間和人力,采用NCBI/UNIPROT/SWISSPROT/AMIGO等GO數據庫,對于差異基因進(jìn)行功能分析,從而得到差異基因所顯著(zhù)性富集的功能條目(GO Term)。

          基因功能分析 

          He et al., Cancer Sci, 2017 

          注:該圖從生物學(xué)進(jìn)程(Biological Process, BP)、分子功能(Molecular Function, MF)和細胞組分(Cellular Component, CC)3個(gè)層面展示了差異基因顯著(zhù)富集的前15個(gè)功能條目。橫坐標為-Log2(P-value)/-Log10(P-value),縱坐標為Go-Term條目名稱(chēng)。



          6、信號通路分析(Pathway Analysis)
          通過(guò)對差異基因進(jìn)行Pathway富集分析,尋找不同樣品間差異基因相關(guān)的信號通路,有利于研究者進(jìn)行深入的機制研究。NovelBio團隊整合了一系列生物學(xué)領(lǐng)域內公認的通用數據庫(KEGG、NCBI、EMBL等),深入優(yōu)化所需算法,對差異基因進(jìn)行信號通路分析,從而得到差異基因所顯著(zhù)性富集的信號通路條目。

          Pathway富集性分析

           He et al., Cancer Sci, 2017 

          注:該圖展示了差異基因富集的25條Pathway條目。橫坐標為Pathway條目名稱(chēng),縱坐標為富集度(Enrichment),紅色表示顯著(zhù)性條目,藍色表示非顯著(zhù)性條目。



          7、GO-Tree分析
          采用GO數據庫中GO-term的上下級層級從屬關(guān)系,進(jìn)行GO-Tree繪制,得到顯著(zhù)性差異功能的功能簇以及層級從屬關(guān)系。

          GO Tree Miao et al., Mol Cell Endocrinol, 2015

          注:該圖展示了差異基因顯著(zhù)富集的GO Terms內在從屬關(guān)系。紅色代表上調基因顯著(zhù)富集的功能條目;綠色代表下調基因顯著(zhù)富集的功能條目,黃色代表上調和下調基因都顯著(zhù)富集的功能條目。



          8、Path-Act-Network分析
          采用KEGG數據庫記載的信號通路上下游調控關(guān)系,進(jìn)行Path-Act-Network繪制,得到宏觀(guān)上的顯著(zhù)性信號通路的上下游調控關(guān)系。

          Path-Act-Network Miao et al., Mol Cell Endocrinol, 2015 

          注:該圖展示了差異基因顯著(zhù)富集pathway之間的上下游調控關(guān)系。紅色表示上調基因顯著(zhù)富集的pathway;綠色表示下調基因顯著(zhù)富集的pathway。



          高級數據分析
          1、共表達網(wǎng)絡(luò )分析(Co-Exp-Network Analysis)
          對已知注釋信息進(jìn)行深入的分析挖掘之后,研究者往往希望能夠找到更多的創(chuàng )新點(diǎn)。NovelBio團隊基于GO Analysis和Pathway Analysis得到的顯著(zhù)性條目,以及研究者感興趣條目,以這些條目中基因的表達值為研究目標,進(jìn)行共表達網(wǎng)絡(luò )和K-Core分析,從而得到基因間的相關(guān)性和基因的核心度,再以Co-Expression.txt和K-Core為研究對象,采用Cytoscape進(jìn)行圖形化展示,得到Co-Expression-Network。

          共表達網(wǎng)絡(luò )

           Miao X et al., Scientific reports, 2016 

          注:相同顏色的圓點(diǎn)表示具有相似共表達能力的基因,圓點(diǎn)的大小表示該基因的K-core程度。



          2、基因間相互作用關(guān)系網(wǎng)絡(luò )(Gene-Act-Network Analysis)
          研究中,常常會(huì )發(fā)現差異基因過(guò)多,并且所屬信號通路也很復雜,難以將相關(guān)基因聯(lián)系起來(lái)并找到“核心”基因。NovelBio團隊基于GO Analysis和Pathway Analysis得到的顯著(zhù)性條目,以研究者感興趣的相關(guān)表型基因為研究對象,采用KEGG數據庫基因間關(guān)系注釋?zhuān)瑤椭芯空呃L制Gene-Act-Network,快速定位“核心”基因。

          基因互作網(wǎng)絡(luò )

          Sun L et al,Sci Rep. 2016

          注:紅色圓點(diǎn)表示上調mRNAs,綠色圓點(diǎn)表示下調mRNAs。



          3、韋恩分析
          韋恩圖的典型之處就在于它用一些重疊的部分來(lái)展示集合之間可能存在的關(guān)系。以各分組間的基因為研究對象,采用韋恩作圖分析的方法,可找出各分組間共有或者特有的差異表達基因并進(jìn)行深入分析。

          維恩分析

           Chen et al., BMC Genomics, 2014

           注:該圖表示上調基因(左)和下調基因(下)的韋恩分析圖,數字分別代表處于不同交集內的基因個(gè)數。



          4、趨勢分析
          在趨勢型結果中,研究者常常希望對差異基因隨著(zhù)時(shí)間/邏輯趨勢的不同進(jìn)行分析,而兩兩之間的比較顯然不足以滿(mǎn)足這樣的要求。NovelBio團隊為研究者提供了定制化的趨勢分析流程思路,以各差異分組間的韋恩基因的FPKM值為研究對象,采用STEM算法,進(jìn)行趨勢分析,得到按照樣本邏輯順序所在趨勢。

          趨勢分析

          Chen et al., BMC Genomics, 2014

          注:研究者基于趨勢分析的眾多結果,歸納、整合,最終鎖定了幾類(lèi)變化趨勢類(lèi)型,進(jìn)而更有針對性的開(kāi)展后續工作。該研究中最終歸納出了6種顯著(zhù)性趨勢,研究者選擇了基因個(gè)數最多的兩種趨勢,對這些基因進(jìn)行GO等深入分析。



          5、加權基因共表達網(wǎng)絡(luò )分析(WGCNA)分析
          WGCNA分析是用來(lái)描述不同樣品之間基因關(guān)聯(lián)模式的系統生物學(xué)方法?;诩訖嗟谋磉_相關(guān)性,進(jìn)行層級聚類(lèi)分析,并根據設定標準切分聚類(lèi)結果,獲得不同的基因模塊,采用聚類(lèi)樹(shù)的分枝和不同顏色來(lái)鑒定高度協(xié)同變化的基因集。如果有表型信息,還可以計算基因模塊與表型相關(guān)性,鑒定性狀相關(guān)的模塊,并根據基因集的內連性和基因集與表型之間的關(guān)聯(lián)鑒定候補生物標記基因或治療靶點(diǎn)。

          WGCNA分析 Wan et al., Exp Eye Res. 2018 

          注:左圖表示基因聚類(lèi)和模塊鑒定的對應關(guān)系,高度共表達的基因群在聚類(lèi)中處于相似分枝中;右圖表示模塊和表型相關(guān)性熱圖結果,方框內上面的數字是模塊ME和表型數據相關(guān)性,下面括號內的數字為相關(guān)性的P值。



          文獻示例

          [1] Alteration of tumor suppressor BMP5 in sporadic colorectal cancer: a genomic and transcriptomic profiling based study. Molecular Cancer. 2018 Dec; IF=7.776


          [2] Gefitinib for Epidermal Growth Factor Receptor Activated Osteoarthritis Subpopulation Treatment. EBioMedicine. 2018 Jun ;IF=6.183


          [3] The GARP Complex Is Involved in Intracellular Cholesterol Transport via Targeting NPC2 to Lysosomes. Cell Rep. 2017 Jun; IF=8.032


          [4] Autism-like behaviours and germline transmission in transgenic monkeys overexpressing MeCP2. Nature. 2016 Feb; IF=41.577


          [5] Hu, Y. et al. Interactions of OsMADS1 with floral homeotic genes in rice flower development. Mol. Plant 2015 Sep; IF=8.827


          [6] Wang F, et al. Alternative splicing of the androgen receptor in polycystic ovary syndrome. Proc Natl Acad Sci U S A. 2015 Apr 14;112(15):4743-8. (IF=9.681)



          1. <nobr id="5kd4l"></nobr>

            <dl id="5kd4l"><sup id="5kd4l"></sup></dl>
            <option id="5kd4l"><sup id="5kd4l"></sup></option>
            <div id="5kd4l"></div>
          2. <nobr id="5kd4l"></nobr>

                <div id="5kd4l"><em id="5kd4l"></em></div>
              1. <nobr id="5kd4l"><td id="5kd4l"></td></nobr>
                <nobr id="5kd4l"></nobr>
                <tr id="5kd4l"></tr>