利用 GeNemo 模式搜索表数据
October 8th, 2017
与 DNA 序列数据不同, 表数据并不容易受到基于文本的搜索。这里介绍的程序使用升级版本的 GeNemo, 一个基于网络的生物信息学工具, 进行模式搜索的相似性, 表数据比较可用的在线数据库, 包括百科全书的 DNA 元素与用户的数据。
本视频的总体目标是向表观遗传学研究领域的研究人员展示如何使用 GeNemo 程序来获得不同表观遗传标记和不同细胞类型之间的相似区域。我们创建此程序的目标是使研究人员能够将他们的数据单元功能与庞大的已知公共数据库（如 Encode 和 Mousington）进行比较。通过关键字对典型研究进行信息搜索。
在你的细胞边缘是三条 K4 初化或其他特定曲线。虽然这些混乱很有用，但 GeNemo 还可以搜索实际数据中的附加项，而不是数据描述中的相似性。假设你有一种新型的抗 DNA 蛋白，但对它们期望与什么样的表观遗传修饰或细胞计数一无所知或知之甚少。
GeNemo 仍然可以帮助缩小潜在目标的范围。GeNemo 可以读取多种格式的文件，包括数学和希腊语，并将使用不同的模式匹配方法它还将根据它们的相似性分数解决输出区域，并提供数据导出选项。现在，我们将展示如何执行 GeNemo 搜索。
要使用 GeNemo，您需要自己的数据文件和 BED 或 big wig 格式，可以使用常见的生物信息学工具（例如 UCSC 基因组浏览器）从实验原始数据转换而来。首先，转到 GeNemo.org。在主页上，您将看到一个包含规范选项的搜索框。
选择要与数据进行比较的物种。在本教程中，我们将使用智人作为参考物种。然后，选择您自己的文件以上传到 GeNemo。
此文件可以在线托管，也可以托管在本地驱动器上。如果您的数据在线，请将 URL 复制并粘贴到此框中。或单击下面的按钮上传本地数据文件。
在本教程中，我们将使用一个示例文件。有时，搜索可能需要很长时间才能完成。如果您不想等待，可以在此框中提供您的电子邮件地址。
搜索完成后，您将收到一封电子邮件，其中包含指向结果的链接。如果您以 BED 格式提供自己的数据，则还有另一个 URL 可以上传一个大假发文件，仅用于显示目的。您还可以在此框中指定搜索范围。
为了指定搜索范围，您必须指定染色体编号以及碱基对范围。以下两个 inputs 的读取方式相同。染色体 1：1-1000000。或者将标点符号替换为空格，这是 BED 文件格式。
染色体1 1 1000000。现在，单击数据选择按钮以选择要搜索的轨道类型。您可以单击每个数据样本旁边的复选框来搜索它，但还有一个过滤功能。
filter 功能有助于同时选择多个轨道。在这里，您可以选择要从中筛选的类别，以及使用选项卡底部的按钮。前三个按钮是不言自明的。
Filter 会导致所有不属于所选类别的轨道变为未选中状态。有点像 an and gate。另一方面，exclude 会导致所选类别变为未选中状态。
就像一个非门。准备就绪后，单击搜索按钮开始搜索。如果您正在搜索许多轨迹，并且/或未指定较小的搜索范围，则搜索可能需要一段时间。
在结果框中，您将看到基因组的各个部分，其中数据文件和搜索物种在您指定的一个或多个跟踪序列中相似。您可以单击下载 BED 文件以下载包含匹配区域列表的文件。单击每个框中的 show 按钮以可视化匹配的部分。
在显示部分，您将看到自己的数据文件轨道，以及匹配的轨道或轨道。您可以通过滑动顶部带有碱基对标签的条来向上游或下游移动。正如你在这个例子中看到的，这里的山是两条轨迹之间的相似之处。
看完这个视频，你应该对如何使用 GeNemo 获得不同表观遗传标记之间的相似区域有一个很好的了解。GeNemo 搜索结果将包括表观遗传标记物、转录因子发现、DNA 甲基化、色原可及性或各种组织类型的其他类型的信号，这些组织类型在某些基因组位置具有与您感兴趣的数据相似的模式。从那里，您也许能够注意到这种 DNA 结合蛋白是否可能与某些转录因子、某些调节元件相互作用，或者与染色质结构等有关。
您可以进一步注意哪些类型的组织与您的数据集具有最高的相似性，这可能适用于您感兴趣的蛋白质的发育功能。通过执行这种广泛的搜索，GeNemo 可以在相对较短的时间内返回暂定区域、制造商和/或单元格类型。从这些结果中，还可以缩小潜在的感兴趣领域，以得出未来的实验，例如为相关蛋白质选择合适的细胞系，测试与特定转录因子的相互作用，或通过 Co IP、30C、4C、5C 或 HiC 进行表观遗传修饰。
我们希望本教程对您有所帮助，并不断努力改进 GeNemo。为此，我们欢迎任何反馈。
概述
本文介绍了如何使用GeNemo，这是一个基于网络的生物信息学工具，旨在对表观基因组数据进行基于模式的搜索。研究人员可以将他们的数据与广泛的公共数据库进行比较，以识别不同表观遗传标记和细胞类型之间的相似区域。
关键研究组成部分
科学领域
- 表观遗传学
- 生物信息学
- 数据分析
背景
- 使用传统的基于文本的方法搜索表观基因组数据具有挑战性。
- GeNemo允许将用户数据与已知的公共数据库进行比较。
- 该工具支持各种数据格式并提供可视化选项。
- 理解表观遗传修饰对研究基因调控至关重要。
研究目的
- 展示如何利用GeNemo进行表观基因组数据分析。
- 使研究人员能够识别与其数据相关的潜在目标。
- 促进对不同细胞类型之间表观遗传标记相似性的探索。
使用的方法
- 利用GeNemo进行数据比较。
- 以BED或big wig格式输入用户数据。
- 选择物种和数据轨迹进行分析。
- 可视化结果和下载匹配区域的选项。
主要结果
- 识别具有相似表观遗传模式的基因组区域。
- 能够可视化基因组的匹配部分。
- 结果包括各种表观遗传标记和转录因子。
- 基于发现为未来的实验设计提供潜在信息。
结论
- GeNemo是表观遗传学研究人员的宝贵工具。
- 该程序增强了分析和比较表观基因组数据的能力。
- 鼓励反馈以改进GeNemo的功能。
常见问题
Executive Industry Relevance
GeNemo addresses a critical gap in epigenomic data analysis by enabling pattern-based searches across public functional genomic datasets, a capability lacking in traditional text-based tools. This supports target validation and mechanistic de-risking in early discovery by identifying epigenetic signatures associated with disease-relevant cell types and developmental stages. The tool enhances predictive confidence in hypothesis generation for epigenetic modulators and chromatin-associated proteins.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by comparing user epigenomic data against ENCODE datasets to identify shared patterns in histone modifications, transcription factor binding, and chromatin accessibility.
- Operational Value: Supports functional target validation by revealing cell-type-specific epigenetic landscapes that may indicate regulatory mechanisms of DNA-binding proteins.
- Predictive Value: Facilitates portfolio triage by highlighting genomic regions with similar epigenetic marks, helping prioritize targets with stronger mechanistic rationale.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by identifying epigenetic contexts where targets of interest are active, informing assay design.
- Operational Value: Enhances assay standardization and reproducibility by providing quantitative similarity scores and reproducible genomic region outputs.
- Screening Readiness: Enables reliable compound evaluation by defining epigenetically relevant genomic regions for follow-up functional screening.
Translational & Preclinical Research
- Translational Continuity: Connects discovery findings to preclinical validation by identifying epigenetic markers in disease-relevant tissues and developmental stages.
- Biomarker Alignment: Supports translational biomarker development by linking epigenetic patterns to specific cell types and conditions.
- Risk-Adjusted Advancement: Informs decision-making by revealing cross-tissue epigenetic conservation, reducing biological uncertainty in target selection.
Pipeline & Workflow Integration
GeNemo fits within the discovery continuum from hypothesis generation to lead identification, enabling epigenetic data interpretation that informs target selection and assay development.
- Discovery Biology: Supports hypothesis testing and pathway clarification by identifying epigenomic regions with similar patterns to user data across cell types and species.
- Screening: Enhances assay readiness through quantitative outputs and downloadable BED files of matching regions, enabling standardized compound screening in relevant epigenetic contexts.
- Analytics: Provides similarity scores and visualizable genomic tracks that help teams compare epigenetic conditions and prioritize targets.
- Translational Research: Connects to preclinical work by identifying epigenetic signatures in disease-associated tissues, supporting biomarker-aligned target validation.
- Enterprise Reuse: Functions as a reusable bioinformatics capability for epigenomic data interpretation across multiple projects and therapeutic areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity through epigenomic pattern matching.
- Operational Value: Ensures standardization and scalability via consistent input formats (BED, bigWig) and reproducible search parameters.
- Strategic Value: Improves go/no-go decisions by enabling early epigenetic de-risking, reducing late-stage biological failure risk.
- Portfolio Impact: Supports risk-adjusted prioritization by highlighting targets with strong epigenetic rationale across disease-relevant systems.
Implementation Considerations
- Requires expertise in epigenetics and bioinformatics to interpret pattern-matching results and select appropriate reference datasets.
- Needs access to UCSC genome browser-compatible data formats and internet connectivity for querying ENCODE and other hosted tracks.
- Demands cross-team standardization on data formatting and search parameters to ensure reproducibility across projects.
- Requires adaptation considerations when applying results across model systems (e.g., mouse to human) due to epigenetic divergence.
- Limited to pattern similarity detection; does not infer causal relationships or direct protein-DNA interactions without follow-up validation.
