Name: A Novel Bayesian Change-Punkt Algorithmus für genomweite Analyse Diverse ChIPseq Datentypen (Video) | JoVE Journal
Uploaded: 2012-12-10T12:00:00.000+00:00
Duration: 12 min 39 s
Description: Erfahren Sie, wie der Bayesian Change-Point-Algorithmus ChIP-seq-Daten mit Hidden-Markov-Modellen analysiert. Diese Methode identifiziert präzise Regionen mit Histon-Anreicherung für genomweite Epigenomik-Studien.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Starr Foundation Award (MQZ), NIH ES017166 (MQZ), NSF DMS0906593 (HX).

Ein. Vorbereiten Input Files für BCP Analysis <ol><li> Richten Sie den kurzen liest aus Sequenzierung läuft (ChIP und Input-Bibliotheken) der entsprechenden Referenz-Genoms unter Verwendung der bevorzugten kurzen read Alignment-Software produziert. Die abgebildeten Orte sollten an die 6-Säule Browser erweiterbare Daten (BED) Format 13 (UCSC Genom-Browser, umgewandelt werden <a href="http://genome.ucsc.edu/" target="_blank">http://genome.ucsc.edu/</a> ), eine Tab-getrennte Zeile pro mapped lesen, die den abgebildeten Chromosom, Startposition (0-basiert), Endlage (half-open), lesen Sie Name, Punktzahl (optional) und Strang. </li></ol> 2a. Diffuse Lesen Profile: Vorverarbeitung ChIP Lesen Dichten für die Erkennung von Enriched Inseln im Diffuse Daten <ol><li> Erweitern ChIP und Eingang zugeordneten Standorten zu einer vorbestimmten Fragment Länge, dh. das Fragment Größe während Enzymverdau oder Beschallung der DNA gezielt, in der Regel rund 200 bp. Fragment zählt, sind dann Aggregationted in benachbarten Fächern. Standardmäßig ist bin Größe der geschätzten Fragment Länge von 200 bp eingestellt. </li><li> Jede mögliche Änderung-Punkten in einem Satz von Behältern mit gleichen gelesen wird höchstwahrscheinlich Zählungen fallen an den äußersten Grenzen. Dementsprechend ist es unwahrscheinlich, dass eine Änderung Punkt wird bei einer internen Grenze zwischen zwei Behältern mit gleichem Lese Zählungen auftreten. So liest Gruppe benachbarten Behältern, mit identischen pro Bin, in einem einzigen Block, dh. bedGraph Format 13. </li></ol> 2b. Punctata Lesen Profile: Vorverarbeitung ChIP und Input BED Dateien zur Erkennung von Peaks in punctata Daten <ol><li> Aggregate überlappenden liest für Plus-und Minus-Strang ChIP separat liest. Der Strang spezifischen lesen Dichten sollten bilden eine bimodale Profil von plus und minus Gipfel. Wählen plus / minus Paare der meisten bereichert Gipfeln und verwenden Sie den Abstand zwischen ihren Gipfeln als Schätzung für die Bibliothek-Fragment-Längen. </li><li> Verschieben Sie den Chip und Eingabe liest die Hälfte des Fragments lenge zum Zentrum und Neuberechnung der Lesedichte der verschobenen und fusionierte Plus-und Minus-Strang liest. Diese Methodik zur Schätzung der Fragmentlänge wurde von Zhang, et al. 3 angenommen. Positionen mit identischen merge Counts sollten in Blöcken, ähnlich 2a.2 Schritt zusammengefasst werden. </li></ol> 3. Schätzen Sie die Posterior Mittelwert Lesen Dichte von jedem Block mit unseren BCMIX Approximation <ol><li> Der gelesene Dichte jeder Block als eine Poisson-Verteilung modelliert, Pois (θ t), mit einer mittleren Parameter nach einer Mischung von Gamma-Verteilungen, Γ (α, β), und eine frühere Wahrscheinlichkeit einer Änderung in jedem beliebigen Punkt Blockgrenze von p. Conditioning Pois (θ t) auf G (α, β) effektiv macht das Modell eine unendliche Zustand HMM. Schätzen Sie die hyper-Parameter α, β und p, mit maximalen posterior Wahrscheinlichkeit. </li><li> Explizit berechnen die Bayes Schätzungen fürjeder Block, θ t, wie E (θ t | γ Z). Ersetzen Sie das traditionelle, aber zeitaufwendig vorwärts und rückwärts Filter oft in HMMs verwendet, mit der rechnerisch effizient Bounded Complexity Mischung Annäherung an hinteren Mittel abzuschätzen, θ c. Die daraus resultierenden hinteren Mittel wird &quot;geglättet&quot; in eine ungefähre stückweise konstanten Profil, so Blöcken mit identischen, θ c, weitere sollten blockiert werden zusammen mit aktualisierte Begrenzung koordiniert sein. </li></ol> 4a. Diffuse Lesen Profile: Post-Prozess Posterior Mittel in Segmente Diffuse Enrichment <ol><li> Verwenden Sie die Anzahl der Eingangs-Lesevorgänge pro jeder neuen θ c Block als Hintergrund Rate, Pois (λ a) und bestimmen die Anreicherung mit Hilfe eines einfachen Hypothesentest, ob die ChIP posterior Mittelwert, θ c, überschreitet bestimmte Schwelle δ basiert. Die 90 th &lt;/ Sup&gt;-Quantil ist die Standardeinstellung d und ist in den meisten Fällen angemessen. </li><li> Merge angrenzenden θ c Blöcke, die die Anreicherung überschreiten in einer einzigen Region und Bericht zusammenführen Koordinaten in einfachen BED Format. Alternativ kann man die berichten θ c für jeden Block in bedGraph Format, um die hochauflösenden Daten der gelesenen Dichte Schätzungen bewahren. </li></ol> 4b. Punctata Lesen Profile: Post-Prozess Posterior Mittel in Peak-Kandidaten <ol><li> Definieren Sie die Basalrate, Pois (λ a), wie der Durchschnitt aller Lese zählt (γ 2) und identifizieren Sie alle Blöcke, die die Schwelle, d überschreiten. Da punktförmige Gipfel erwartet werden mehr deutlich angereichert ist, wird die Standard-δ der 99 th-Quantil der Pois (λ a) gesetzt. </li><li> Setzen Sie den Block mit der maximalen θ c als Kandidat pike und grenzen an flankierenden Blöcke, die eine ähnliche read Den Aktiensity (± 1 gelesen zählen für leichte Variation zu ermöglichen). Diese angrenzendem Region wird als ein Kandidat Bindungsstelle definiert. </li><li> Berechnen λ 2 als die durchschnittliche Lese zählt in der ChIP Kandidaten Bindungsstelle und Hypothesentest dies gegenüber der Eingangsleistung Hintergrund waren die Nullhypothese, H 0, ist, dass λ 1 ≥ λ 2 und lehnen H 0 auf einem p-Wert Schwellenwert. Output Kandidaten Gipfel BED Format. </li></ol>

<ol><li>Park, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ChIP-seq%3A+advantages+and+challenges+of+a+maturing+technology%5BTitle%5D)+AND+%22Nat.+Rev.+Genet%22%5BJournal%5D)">ChIP-seq: advantages and challenges of a maturing technology.</a> Nat. Rev. Genet. 10, 669-680 (2009).</li>
<li>Barski, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High-resolution+profiling+of+histone+methylations+in+the+human+genome%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">High-resolution profiling of histone methylations in the human genome.</a> Cell. 129, 823-837 (2007).</li>
<li>Zhang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Model-based+Analysis+of+ChIP-Seq+%28MACS%29%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">Model-based Analysis of ChIP-Seq (MACS).</a> Genome Biol. 9, R137(2008).</li>
<li>Zang, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+clustering+approach+for+identification+of+enriched+domains+from+histone+modification+ChIP-Seq+data%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">A clustering approach for identification of enriched domains from histone modification ChIP-Seq data.</a> Bioinformatics. 25, 1952-1958 (2009).</li>
<li>Jothi, R., Cuddapah, S., Barski, A., Cui, K., Zhao, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome-wide+identification+of+in+vivo+protein-DNA+binding+sites+from+ChIP-Seq+data%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Genome-wide identification of in vivo protein-DNA binding sites from ChIP-Seq data.</a> Nucleic Acids Res. 36, 5221-5231 (2008).</li>
<li>Qin, Z. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((HPeak%3A+an+HMM-based+algorithm+for+defining+read-enriched+regions+in+ChIP-Seq+data%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">HPeak: an HMM-based algorithm for defining read-enriched regions in ChIP-Seq data.</a> BMC Bioinformatics. 11, 369(2010).</li>
<li>Song, Q., Smith, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+dispersed+epigenomic+domains+from+ChIP-Seq+data%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Identifying dispersed epigenomic domains from ChIP-Seq data.</a> Bioinformatics. 27, 870-871 (2011).</li>
<li>Spyrou, C., Stark, R., Lynch, A. G., Tavaré, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BayesPeak%3A+Bayesian+analysis+of+ChIP-seq+data%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">BayesPeak: Bayesian analysis of ChIP-seq data.</a> BMC Bioinformatics. 10, 299(2009).</li>
<li>Lai, T., Xing, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simple+Bayesian+approach+to+multiple+change-points%5BTitle%5D)+AND+%22Statistica+Sinica%22%5BJournal%5D)">A simple Bayesian approach to multiple change-points.</a> Statistica Sinica. , (2011).</li>
<li>Robertson, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome-wide+profiles+of+STAT1+DNA+association+using+chromatin+immunoprecipitation+and+massively+parallel+sequencing%5BTitle%5D)+AND+%22Nat.+Methods%22%5BJournal%5D)">Genome-wide profiles of STAT1 DNA association using chromatin immunoprecipitation and massively parallel sequencing.</a> Nat. Methods. 4, 651-657 (2007).</li>
<li>Stitzel, M. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+epigenomic+analysis+of+primary+human+pancreatic+islets+provides+insights+into+type+2+diabetes+susceptibility+loci%5BTitle%5D)+AND+%22Cell+Metab%22%5BJournal%5D)">Global epigenomic analysis of primary human pancreatic islets provides insights into type 2 diabetes susceptibility loci.</a> Cell Metab. 12, 443-455 (2010).</li>
<li>Bernstein, B. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+NIH+Roadmap+Epigenomics+Mapping+Consortium%5BTitle%5D)+AND+%22Nat.+Biotechnol%22%5BJournal%5D)">The NIH Roadmap Epigenomics Mapping Consortium.</a> Nat. Biotechnol. 28, 1045-1048 (2010).</li>
<li>Karolchik, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+UCSC+Table+Browser+data+retrieval+tool%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The UCSC Table Browser data retrieval tool.</a> Nucleic Acids Res. 32, 493-496 (2004).</li>
<li>Matys, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TRANSFAC%3A+transcriptional+regulation%2C+from+patterns+to+profiles%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">TRANSFAC: transcriptional regulation, from patterns to profiles.</a> Nucleic Acids Res. 31, 374-378 (2003).</li>
<li>Portales-Casamar, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((JASPAR+2010%3A+the+greatly+expanded+open-access+database+of+transcription+factor+binding+profiles%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">JASPAR 2010: the greatly expanded open-access database of transcription factor binding profiles.</a> Nucleic Acids Res. 38, D105-D110 (2010).</li>
</ol>

Keine Interessenskonflikte erklärt.

Wir wollten ein Modell zur Analyse ChIPseq Daten, die sowohl punktförmige und diffuse Datenstrukturen identifizieren konnte ebenso gut entwickeln. Bis jetzt haben Regionen der Bereicherung, vor allem diffuse Regionen, die die vorausgesetzte Erwartung große Insel groß nachzudenken, war schwer zu identifizieren. Um diese Probleme anzugehen, nutzten wir die jüngsten Fortschritte in der HMM-Technologie, die viele Vorteile gegenüber bestehenden heuristische Modelle und weniger innovative HMMs besitzen. <p class="jove_con...

<table border="1"><tbody><tr><td> Name des Reagenzes </td><td> Firma </td><td> Katalog-Nummer </td><td> Kommentare (optional) </td></tr><tr><td> Linux-basierte Workstation </td><td></td><td></td><td></td></tr></tbody></table>

a novel bayesian change-punkt algorithmus für genomweite analyse diverse chipseq datentypen

A Novel Bayesian Change-point Algorithm for Genome-wide Analysis of Diverse ChIPseq Data Types

ChIPseq ist eine weit verbreitete Technik zur Untersuchung von Protein-DNA-Wechselwirkungen. Lesedichte Profile werden unter Verwendung der nächsten Sequenzierung von Protein-gebundener DNA und Ausrichten des kurzen liest einem Bezugsgenom erzeugt. Angereicherte Regionen als Peaks, die oft drastisch unterscheiden in der Form, in Abhängigkeit von dem Zielprotein 1 offenbart. Zum Beispiel Transkriptionsfaktoren binden oft in einem Standort-und sequenzspezifische Weise und neigen kann punktförmige Spitzen zu produzieren, während Histonmodifikationen weiter verbreitet sind und durch breite, diffuse Inseln Anreicherung 2 gekennzeichnet. Zuverlässig Abgrenzung dieser Regionen lag der Schwerpunkt unserer Arbeit. Algorithmen zur Analyse ChIPseq Daten wurden verschiedene Methoden, von Heuristiken 3-5 bis strengeren statistischen Modelle, wie zB Hidden Markov Modellen (HMMs) 6-8 eingesetzt. Wir suchten eine Lösung, die die Notwendigkeit für schwierig zu definieren, Ad-hoc-Parameter, die oft minimiertKompromisse Auflösung und verringern die intuitive Bedienbarkeit des Werkzeugs. Mit Bezug auf HMM-basierten Methoden, wollten wir Parameterschätzung Verfahren und einfache, endlichen Klassifikationen, die oft verwendet werden beschneiden. Darüber hinaus beinhaltet konventionelle ChIPseq Datenanalyse Kategorisierung der erwarteten Lesedichte Profile entweder als punktförmige oder diffuse durch nachfolgende Anwendung des geeigneten Werkzeug gefolgt. Wir weiter das Ziel, die Notwendigkeit für diese zwei unterschiedlichen Modelle mit einem einzigen, vielseitiger Modell, das kompetent adressieren kann das gesamte Spektrum von Datentypen zu ersetzen. Um diese Ziele zu erreichen, haben wir zunächst eine statistische Rahmen konstruiert, dass natürlich modelliert ChIPseq Datenstrukturen mit einer Schneidkante Fortschritt in HMMs 9, die nur explizite nutzt Formeln-eine Innovation entscheidend für die Performance-Vorteile. Komplexere dann heuristische Modelle beherbergt unsere HMM unendliche versteckten Zustände durch eineBayes-Modell. Wir wandten sie identifizieren vernünftigen Änderung Punkte zu lesen Dichte, die weiter zu definieren Segmente Bereicherung. Unsere Analyse ergab, wie unsere Bayesian ändern Point (BCP)-Algorithmus eine reduzierte Komplexität-nachgewiesen durch eine verkürzte Laufzeit und Speicherbedarf hatte. Die BCP-Algorithmus wurde erfolgreich sowohl punktförmige Spitze und diffuse Insel Identifikation mit robusten Genauigkeit und begrenzte benutzerdefinierten Parametern aufgebracht. Diese illustrierte sowohl ihre Vielseitigkeit und einfache Handhabung. Daher glauben wir, dass es leicht in weiten Bereichen von Datentypen und Endanwender in einer Weise, die einfach verglichen und gegenübergestellt umgesetzt werden, so dass es ein großes Werkzeug für ChIPseq Datenanalyse, die in Zusammenarbeit und Bestätigung zwischen Forschergruppen unterstützen können. Hier zeigen wir die Anwendung der BCP bestehende Transkriptionsfaktor 10,11 und epigenetische Daten 12 seiner Nützlichkeit zu illustrieren.

BCP zeichnet zu identifizieren Regionen breite Anreicherung in Histonmodifikation Daten. Als Bezugspunkt, wir vorher unsere Ergebnisse mit denen von SICER 3, ein vorhandenes Werkzeug, das starke Leistung gezeigt hat verglichen. Um am besten veranschaulichen BCP die Vorteile, untersuchten wir eine Histon-Modifikation, die gut studiert hatte, um eine Grundlage für die Beurteilung der Erfolgsquoten zu etablieren. In diesem Sinne haben wir dann analysiert H3K36me3, da es sich gezeigt hat, stark assoziieren mit ak...

Unsere Bayesian ändern Point (BCP)-Algorithmus baut auf state-of-the-art Fortschritte in der Modellierung change-Punkten über Hidden-Markov-Modelle und wendet sie auf Chromatinimmunpräzipitation Sequenzierung (ChIPseq) Datenanalyse. BCP funktioniert gut sowohl breit und punktförmige Datentypen, sondern zeichnet sich durch genaue Identifizierung robust, reproduzierbar Inseln diffuse Histon Bereicherung.

A Novel Bayesian Change-Punkt Algorithmus für genomweite Analyse Diverse ChIPseq Datentypen

ChIP-seq ist eine weit verbreitete Technik zur Untersuchung von Protein-DNA-Interaktionen. Read-Dichteprofile werden mittels Next-Generation-Sequencing von ... generiert.

Das übergeordnete Ziel des folgenden Experiments besteht darin, die Dichte der zugeordneten Lesepositionen aus Chromatin-Immunpräzipitationssequenzierungsdaten zu nutzen, um die posteriore mittlere Lese-Dichte über das gesamte Genom zu schätzen. Dies wird durch eine Vorverarbeitung erreicht, bei der die zugeordneten ChIP-seq-Lesungen in blockierte Dichteprofile umgewandelt werden, wobei die gleiche Anzahl an Lesungen innerhalb von 200 Basenpaar umfassenden, sich nicht überlappenden Fenstern liegt.Im zweiten Schritt werden benachbarte Bins mit gleicher Dichte zu einem größeren Block zusammengefasst; anschließend werden die posterioren mittleren Dichten jedes Blocks rekursiv im Kontext aller umgebenden Blöcke mithilfe eines Bayes-Modells mit Vorwärts- und Rückwärtsfiltern berechnet. Dabei wird die Read-Anzahl für einen Block mit einer Poisson-Verteilung modelliert, deren Theta-Parameter eine Gamma-A-priori-Verteilung mit Alpha- und Beta-Parametern annimmt. Danach werden die posterioren Schätzungen der mittleren Dichte jedes Blocks daraufhin überprüft, ob sie bezüglich der Eingabekontroll-Hintergrunddichte das 90. Quantil überschreiten, um die endgültigen angereicherten Genomsegmente zu ermitteln. Die erhaltenen Ergebnisse veranschaulichen den Fortschritt von rohen sequenzierten Reads über die Schätzungen der posterioren mittleren Read-Dichten hin zu angereicherten Inseln in ChIP-seq-Daten während der BCP-Analyse.Außerdem zeigen die Ergebnisse, dass BCP ein konkurrierendes Werkzeug namens cer übertrifft. Der Hauptvorteil dieser Technik gegenüber bestehenden Methoden wie CER liegt darin, dass BCP die neuesten Fortschritte bei versteckten Markov-Modellen nutzt und somit die Feinheiten der ChIP-seq-Datenanalyse besser charakterisiert als frühere heuristische Methoden. Diese Methode kann bei zentralen Fragestellungen im Bereich der Epigenomik helfen, beispielsweise bei der Aufklärung der Rolle von Histonmodifikationen durch die Beschreibung ihrer genomweiten Anreicherungsmuster.Obwohl diese sorgfältige Methode Einblicke in die Analyse von ChIP-seq-Daten ermöglichen kann, lässt sich der grundlegende Ansatz ebenso auf die Analyse anderer Next-Generation-Sequenzierungsdaten anwenden, beispielsweise auf die Identifizierung differentiell methylierter Regionen in Bis-Sufi-Sequenzierungsdaten, neuartiger Transkriptionsorte in RNA-Seq, Kopienzahlvariationen oder zahlreiche Mikroarray-Tiling-Datensätze. Eine visuelle Demonstration dieser Methode ist entscheidend für das klare Verständnis der Methodik und ihrer Vorteile. Die theoretischen Vorteile liegen im Software-System verborgen.Alle hier gezeigten Verfahrensschritte wurden in einem einzigen ausführbaren Programm innerhalb des BCP-Softwarepakets zusammengefasst, das in diesem Video zum Download verfügbar ist. Die vom Programm ausgeführten Schritte werden beschrieben, um die Software auszuführen. Drei Parameter sind erforderlich.Eine Datei mit eindeutig zugeordneten Reads aus einer Chip-Probe und eine ähnliche Datei für Input-Kontroll-Reads sowie ein Ausgabedateiname, um Eingabedateien für die BCP-Analyse vorzubereiten. Ordnen Sie zunächst die kurzen Reads, die aus Sequenzierläufen stammen, mithilfe der bevorzugten Software für die Alignment-Kurzread-Abbildung dem entsprechenden Referenzgenom zu. Die zugeordneten Positionen sollten in das sechsspaltige, browsererweiterbare Datenformat (BED) umgewandelt werden, wobei jede tabulatorgetrennte Zeile einen zugeordneten Read angibt, einschließlich der zugeordneten Chromosom-Startposition, Endposition, des Read-Namens, des Scores und des Strangs.Verlängern Sie die Chip- und Eingabekartenpositionen auf eine vorbestimmte Fragmentlänge. Zum Beispiel die Fragmentgröße, die während des enzymatischen Verdauens oder der Sonifikation der DNA angestrebt wird, üblicherweise etwa 200 Basenpaare. Anschließend werden die Fragmentanzahlen in benachbarten Bins zusammengefasst.Standardmäßig ist die Bin-Größe auf die geschätzte Fragmentlänge von 200 Basenpaaren eingestellt. Jede mögliche Änderungsstelle in einer Gruppe von Bins mit identischen Lesezahlen liegt höchstwahrscheinlich an den äußersten Grenzen. Demzufolge ist es unwahrscheinlich, dass eine Änderungsstelle an einer inneren Grenze zwischen zwei Bins mit denselben Lesezahlen auftritt.Daher gruppieren Sie benachbarte Bins mit identischen Reads pro Bin zu einem einzigen Block zusammen. Nachdem die Eingabedateien vorbereitet wurden, rufen Sie die BCP-Schätzung auf, indem Sie einfach den am unteren Bildschirmrand angezeigten Befehl eingeben. Die Read-Dichte jedes Blocks wird als Poisson-Verteilung mit einem Mittelparameter Theta modelliert, der einer Mischung aus Gamma-Verteilungen mit Alpha- und Beta-Parametern sowie einer A-priori-Wahrscheinlichkeit für das Auftreten eines Change Points in einem beliebigen Block folgt.Die Begrenzung von P, die jeden Block auf diese Weise bedingt, führt effektiv zu einem unendlichen Zustand versteckten Markov-Modell oder HMM. Die Hyperparameter Alpha, Beta und P werden mittels maximaler a-posteriori-Wahrscheinlichkeit geschätzt. Die Bayes-Schätzungen werden für jeden Block Theta_T explizit als Erwartungswert von Theta_T gegeben Y_T berechnet; die traditionelleren, aber zeitaufwändigen Vorwärts- und Rückwärtsfilter, die häufig in HMS verwendet werden, werden durch die rechentechnisch effizientere beschränkte Mischungsapproximation mit begrenzter Komplexität zur Schätzung der a-posteriori-Mittelwerte Theta_Dach_T ersetzt. Die resultierenden a-posteriori-Mittelwerte werden zu einem näherungsweisen stückweise konstanten Profil geglättet, sodass Blöcke mit identischem Theta_Dach_T weiter zusammengefasst werden sollten, wobei die Grenzkoordinaten aktualisiert werden.BCP verwendet die Anzahl der Eingabe-Lesevorgänge pro Block als Hintergrundrate und bestimmt die Anreicherung. Mithilfe eines einfachen Hypothesentests wird geprüft, ob die mittlere Dichte der Chip-Position für einen Block einen bestimmten Signifikanzschwellenwert überschreitet. Das 90. Perzentil ist der Standardschwellenwert und in den meisten Fällen geeignet.BCP fusioniert anschließend benachbarte Blöcke der posterioren mittleren Dichte, die die Anreicherung überschreiten, zu einer einzigen Region zusammen und meldet die fusionierten Koordinaten im Browser. Das erweiterbare Datenformat BCP eignet sich hervorragend zur Identifizierung von Regionen mit breiter Anreicherung in Daten zu Histonmodifikationen. Hier werden BCP-Ergebnisse mit denen von cser verglichen, einem bestehenden Werkzeug, das in früheren Arbeiten dieses Labors eine starke Leistung gezeigt hat. Untersuchungen zur H-drei-K-36-Trimethylierung zeigten eine Tendenz zu deutlich größeren Inselgrößen bei BCP im Vergleich zu cer.Größere Inseln entsprechen eher der herkömmlichen Erwartung breiter, diffuser Anreicherungen der H3K36-Trimethylierung. Größere Inseln allein deuten jedoch nicht auf Genauigkeit hin. Daher wurde die bekannte Assoziation von H3K36-Trimethylierungsinseln mit aktiv transkribierten Genabschnitten sowie deren gegenseitige Ausschließlichkeit gegenüber H3K27-Trimethylierungsinseln genutzt, um die Leistung von BCP und CER im Vergleich zu CER zu bewerten. BCP rief größere, zusammenhängende Inseln auf, die Genabschnitte besser erfassen, ohne dabei eine erhöhte Überlappung mit H3K27-Trimethylierungsinseln in Kauf zu nehmen.BCP bewahrt die hohe Überschneidung aktiver Gene durch H3K36-Trimethylierungs-Inseln aufrecht, wobei die Grenzen eng an die Genkörper angepasst sind, ohne den Grad falsch positiver Überschneidungen mit intergenischen Bereichen oder Genen mit unterdrückter Transkription oder dem reprimierenden H3K27-Trimethylierungs-Markierung zu erhöhen. Bei der Bewertung der Reproduzierbarkeit der BCP-Insel-Aufrufe in zwei replikativen Datensätzen zeigte sich, dass BCP im Gegensatz zu dem konkurrierenden Algorithmus Cser nicht stark von der Tiefe der Read-Abdeckung abhängt. Weitere Belege für die Robustheit und Reproduzierbarkeit von BCP liefern die Untersuchung zusätzlicher, unterschiedlicher Regionen, die konsistente Inselgrenzen trotz verringerter Abdeckungstiefe aufzeigen. Um die Vielseitigkeit von BCP vollständig zu demonstrieren, wurde ein breites Spektrum an Daten zu Histonenmodifikationen herangezogen, darunter die punktförmigen Markierungen H3K27-Acetylierung, H3K9-Acetylierung und H3K4-Trimethylierung sowie die diffusen Markierungen H3K9-Trimethylierung, zusätzlich zu H3K27-Trimethylierung und H3K36-Trimethylierung. Diese Datensätze wurden mit den Standardparameter-Einstellungen sowohl für BCP als auch für Cser analysiert.Im Zentrum befindet sich die Anreicherung von H3K36-Trimethylierung am PXDN-Gen, die aktive Transkription markiert. Erwartungsgemäß am Transkriptionsstartpunkt liegen die zusätzlichen punktförmigen Aktivmarkierungen H3K27-Acetylierung, H3K9-Acetylierung und H3K4-Trimethylierung. Direkt downstream von PXDN befindet sich ein reprimierter intergener Bereich, markiert durch Anreicherung von H3K27-Trimethylierung. Auf der gegenüberliegenden Flanke liegt ein durch H3K27-TRIMETHYLYRIERUNG reprimiertes Gen. Ein weiteres Stück weiter außen. Unser stillgelegtes Chromatin, gekennzeichnet durch das Vorhandensein einer Anreicherung der H3K9-Trimethylierung, scheint die Stilllegung von SN TG zwei und MYT ein L anzudeuten, möglicherweise in einer weniger flüchtigen Weise als die H3K27-Trimethylierungs-Repression. Dieser Bereich umfasst den Großteil der bei ChIPseek bei histonellen Modifikationen beobachteten Phänomene. Er veranschaulicht, wie die dynamische Natur von BCP sowohl punktförmige Acetylierungen als auch H3K4-Trimethylierungsmarkierungen erkennen kann, während gleichzeitig große zusammenhängende Inseln der H3K27-Trimethylierungs- und H3K9-Trimethylierungs-Repression sowie die H3K36-Trimethylierung aktiver Transkription unterschieden werden.Dieser Algorithmus kann je nach Anzahl der Reads und den Ergebnissen der Genomzeichen ungefähr 30 Minuten dauern. Im Gegensatz zu vielen anderen Methoden ist keine nennenswerte Optimierung nach diesem Verfahren erforderlich. Mithilfe von BBCP können zahlreiche verschiedene Zielproteine der Chromatin-Immunpräzipitation untersucht werden, einschließlich verschiedener weiterer Histonmodifikationen sowie DNA-bindender Transkriptionsfaktoren, um zusätzliche Fragen zu epigenomischen Mechanismen und der Genregulation zu beantworten.Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie BCP verwendet wird, um Regionen zu identifizieren, die in der ChIP-seq-Datenanalyse für diffuse Histonmarkierungen zugänglich sind.

a-novel-bayesian-change-point-algorithm-for-genome-wide-analysis

Research

Forschung

JoVE Journal

Biology

Biologie

Pooled DNA-Sequenzierung ist eine schnelle und kostengünstige Strategie, um seltene Varianten mit komplexen Phänotypen assoziiert in großen Kohorten zu erkennen. Hier beschreiben wir die computergestützte Analyse von gepoolten, Next-Generation-Sequenzierung von 32 Krebs-Genen unter Verwendung des SPLINTER Software-Paket. Diese Methode ist skalierbar und für jeden interessierenden Phänotyp.

Nachweis seltener Varianten von Genomic Pooled-Sequenzierung mit SPLINTER

Dieses Video demonstriert die Nützlichkeit der digitalen PCR in einem Chip-in-a-Tube-Format für den Nachweis von Einzelnukleotidvariationen in DNA-Proben. Eine einzelne PCR-Reaktion wird in Kammern aufgeteilt, die als unabhängige PCR-Reaktionen fungieren, und die Detektion von Fluoreszenzsignalen von den amplifizierten Zielen in den Kammern wird verwendet, um die Häufigkeit des varianten Allels in der Probe zu berechnen.

Chip-in-a-Tube-basierte digitale PCR zur Quantifizierung von Einzelnukleotidvarianten

Dieses Manuskript beschreibt ein Verfahren zum Nachweis von Mutationen von niedriger Frequenz in CtDNA, ER-seq. Diese Methode unterscheidet sich durch seine einzigartige Verwendung von zwei Richtungen Fehlerkorrektur, einen speziellen Hintergrund Filter und effiziente molekulare Aneignung.

Nachweis von seltenen Mutationen im CtDNA mit Next Generation Sequencing

Dieses Protokoll beschreibt die kombinatorische Verwendung von ChIP-Seq, 4sU-Seq, total RNA-Seq und Ribosom profiling für Zelllinien und Primärzellen. Nachverfolgen von Änderungen im Transkriptionsfaktor verbindlich, de Novo Transkription, RNS-Verarbeitung, Umsatz und Übersetzung im Laufe der Zeit und zeigt den gesamten Verlauf der Ereignisse in aktivierten und/oder sich rasch verändernden Zellen ermöglicht.

Echtzeit-Analyse des Transkriptionsfaktors verbindlich, Transkription, Übersetzung und Umsatz, globale Ereignisse während der zellulären Aktivierung anzuzeigen

Gezielte Sequenzierung der nächsten Generation ist eine Zeit- und kosteneffiziente Ansatz, der in der Erforschung von Krankheiten und der klinischen Diagnostik immer beliebter wird. Das hier beschriebene Protokoll stellt die komplexen Workflow für die Sequenzierung erforderlich und der Bioinformatik-Prozess verwendet, um Genvarianten identifizieren, die zur Krankheit beitragen.

Gezielte Sequenzierung der nächsten Generation und Bioinformatik-Pipeline, um genetische Determinanten der konstitutionelle Krankheit zu bewerten

Next Generation Sequencing (NGS) ist ein leistungsfähiges Werkzeug für die genomische Charakterisierung, die durch die hohe Fehlerquote der Plattform (~0.5–2.0%) begrenzt ist. Wir beschreiben unsere Methoden zur Sequenzierung Fehler korrigiert, mit denen wir umgehen die NGS Fehlerquote und erkennen Mutationen bei Variante Allel Brüche so selten wie 0,0001.

Seltenes Ereigniserkennung mit Fehler korrigiert DNA und RNA Sequenzierung

Identifizierung von Genvarianten, die einen Beitrag zur komplexen menschlichen Krankheit ermöglicht neuartige Mechanismen zu identifizieren. Hier zeigen wir einen Multiplex-Genotypisierung Ansatz Kandidatengene oder Weg Genanalyse, die maximiert die Reichweite bei niedrigen Kosten und Kohorte-Studien zugänglich ist.

Kandidaten-Gen Tests in klinischen Kohortenstudien mit gemultiplexten Genotypisierung und Massenspektrometrie

Hier stellen wir Ihnen das Proteogenomic-Tool PoGo und Protokolle für den schnellen, quantitativen, Post-translationale Modifikation und Variante aktiviert Zuordnung von Peptiden durch Massenspektrometrie auf Referenz Genomen identifiziert. Dieses Tool ist von nutzen, zu integrieren und Proteogenomic und persönliche Proteomik-Studien mit orthogonalen Genomik Daten zu visualisieren.

Eine schnelle und Quantitative Methode für Post-translationale Modifikation und Variante aktiviert Mapping von Peptiden mit Genomen

Das Protokoll stellt die gesamten Laborverfahren dar, die für Präimplantations-Gentests auf Aneuploidie auf einer halbleiterbasierten Next-Generation-Sequenzierungsplattform erforderlich sind. Hier präsentieren wir die detaillierten Schritte der Amplifikation des gesamten Genoms, der DNA-Fragmentauswahl, des Bibliotheksaufbaus, der Template-Vorbereitung und des Sequenzierungs-Arbeitsablaufs mit repräsentativen Ergebnissen.

Präimplantations-Gentests für Aneuploidie auf einer halbleiterbasierten Next-Generation-Sequenzierungsplattform

Diese Studie beschreibt ein Protokoll zur Untersuchung der Auswirkungen eines veränderten pH-Werts auf die Onkogenexpression mittels RNA-seq-Analyse einer duktalen Pankreaszelllinie.

Onkogen-Expressionsanalyse mit Veränderungen des pH-Werts in einer duktalen Pankreaszelllinie

Erfahren Sie, wie der Bayesian Change-Point-Algorithmus ChIP-seq-Daten mit Hidden-Markov-Modellen analysiert. Diese Methode identifiziert präzise Regionen mit Histon-Anreicherung für genomweite Epigenomik-Studien.

A Novel Bayesian Change-Punkt Algorithmus für genomweite Analyse Diverse ChIPseq Datentypen

Weitere Videos entdecken