mirMachine: Ein One-Stop-Shop für pflanzliche miRNA-Annotation
May 1st, 2021
Hier stellen wir eine neue und vollautomatische miRNA-Pipeline vor, mirMachine, die 1) bekannte und neuartige miRNAs genauer identifizieren kann und 2) vollautomatisch und frei verfügbar ist. Benutzer können nun ein kurzes Einreichungsskript ausführen, um die vollautomatische mirMachine-Pipeline auszuführen.
Die computergestützte Identifizierung von Mikro-RNAs liefert hohe falsch positive Vorhersagen. Mit den jüngsten Updates bietet mirMachine eine hohe Sensitivität und Spezifität in bekannten und neuartigen Mikro-RNA-Vorhersagen. MirMachine hat sich in Bezug auf die Empfindlichkeit als den neuesten Mikro-RNA-Algorithmen überlegen erwiesen und mirMachine ist jetzt voll automatisiert und frei verfügbar, so dass jeder es mit Anweisungen verwenden kann.
MirMachine kann die genomweite Verteilung der mutmaßlichen Mikro-RNAs vorhersagen, ohne die Daten spezifisch für Gewebe und Bedingungen einzuschränken. Die Verfügbarkeit der vorläufigen Daten vor dem msRNA-Sequenzierungsexperiment würde den Verifikationsprozess für die wichtigen Mikro-RNA-Gene beschleunigen. Bevor Sie die Maschine einrichten, laden Sie Softwareabhängigkeiten von den jeweiligen Home-Sites über die Links im Textmanuskript herunter und installieren Sie sie.
Alternativ ist eine einfachere und schnellere Möglichkeit, die Softwareabhängigkeiten zu installieren, die Verwendung von conduct mit den im Textmanuskript bereitgestellten Befehlen. Laden Sie die neueste Version der mirMachine-Skripte herunter, das reine Maschineneinreichungsskript von GitHub. Legen Sie dann den Skriptpfad auf der Registerkarte Pfad fest.
Stellen Sie sicher, dass die mirMachine und ihre Abhängigkeiten korrekt heruntergeladen wurden, indem Sie die mirMachine für Testdaten von GitHub ausführen. Überprüfen Sie den Auftragsstatus auf dem Bildschirm anhand des Standardausgabestreams. Sobald der fertige Text angezeigt wird, steuern Sie die Ausgabedateien.
Steuern Sie die Hairpins dot TBL dot out dot TBL Ausgabedateien. Beachten Sie die reife miRNA pre miRNA und die miRNAs Sternsequenzen in der zweiten, dritten und sechsten Spalte. Finden Sie die Position der vorhergesagten miRNAs auf den Chromosomen am Ende jeder Zeile.
Überprüfen Sie dann die Protokolldateien auf die Programmausgaben und Warnungen. Für die homologiebasierte Identifizierung führen Sie die mirMachine mit dem Bash-Skript aus und überprüfen Sie die vorhergesagten mRNAs. Suchen Sie die Ausgabedatei für die reifen miRNAs und prä-miRNA-schnellsten Sequenzen sowie die Ausgabedatei für die Haarnadel-Protokolldatei.
Für die neuartige miRNA-Identifizierung werden die sRNA-seq Fast Q-Dateien in das richtige FASTA-Format vorverarbeitet. Trimmen Sie die Adapter und entfernen Sie Lesevorgänge mit niedriger Qualität, wie sie N enthalten, da die Vorverarbeitung für die sRNA-seq-Lesevorgänge nicht Teil von mirMachine ist. Wählen Sie ein stabiles Trimmwerkzeug und Trimmparameter für die übermittelten Daten.
Konvertieren Sie die FASTQ-Datei in FASTA-Datei als Eingabedatei. Wenn eine Fülltabellendatei bereitgestellt wird, verwenden Sie das mit den mirMachine-Skripten bereitgestellte Änderungsskript, um die Tabellendatei in eine ordnungsgemäße FASTA-Eingabe zu konvertieren. Führen Sie dann die mirMachine mit dem Bash-Skript aus.
Überprüfen Sie die vorhergesagten miRNAs. Suchen Sie die Ausgabedatei für die vorhergesagten mRNAs und prem miRNA FASTA-Sequenzen und die Ausgabedatei für die Haarnadel-Protokolldatei. Setzen Sie die Dash-DB-Option auf eine Blast-Datenbank, um die Gebäudereferenzdatenbank innerhalb der Pipeline zu überspringen.
Setzen Sie die Option Strich M auf die Anzahl der zulässigen Abweichungen und den Strich N auf die Anzahl der Treffer, die nach der Ausrichtung eliminiert werden sollen. Ändern Sie dies basierend auf der Art. Verwenden Sie den Bindestrich long, um die sekundären Strukturen für die verdächtige Liste zu bewerten, und den Bindestrich, um die neuartige miRNA-Vorhersage basierend auf sRNA-seq-Daten zu aktivieren.
Setzen Sie die Option dash L max auf die maximale Länge der S-RNA-seq-Lesevorgänge, die in das Screening einbezogen werden sollen, und die Option dash L min auf die minimale Länge der sRNA-seq-Lesevorgänge, die im Screening enthalten sein sollen. Verwenden Sie die Option Dash RPM, um den Schwellenwert für Lesevorgänge pro Million festzulegen. In der repräsentativen Analyse.
Die Verteilung der mRNA-Familien von den Chromosomen fünf A des IWGSC-Weizens wird dargestellt. Die am höchsten vertretene Gruppe von mRNAs war miR9666 mit 18 identifizierten miRNAs. Leistung der mirMachine bei Arabidopsis thaliana und Weizenarten im Vergleich zur miRDP2.
Vergleiche der Sensitivität und der Nummer zwei der positiven Ergebnisse zeigten, dass mirMachine miRDP2 auf den Arabidopsis-Daten übertraf. Für die Weizendaten lieferte die auf mirMachine Homologie basierende Vorhersage mit Expressionsnachweisen eine bessere Sensitivität als miRDP2. Für beide Genome prognostizierte miRDP2 eine höhere Anzahl von True Positives als sRNAs-seq und homologiebasierte Vorhersagen.
Das Einrichten der erforderlichen Anwendung könnte für den unerfahrenen Benutzer mühsam sein. Das Folgen dieses Video-Tutorials würde helfen. Die Visualisierung des Installationsprozesses wird die nicht computergestützten Forscher ermutigen, in einige grundlegende Berechnungen einzusteigen.
Darüber hinaus wird die Untersuchung der Ausgabedateien im Video den Benutzern definitiv helfen, ihre Ergebnisse zu interpretieren.
View the full transcript and gain access to thousands of scientific videos
Übersicht
Diese Studie stellt mirMachine vor, eine vollständig automatisierte Pipeline, die für die genaue Identifizierung sowohl bekannter als auch neuartiger microRNAs (miRNAs) entwickelt wurde. Sie verbessert frühere Methoden durch eine signifikante Verbesserung der Sensitivität und Spezifität bei miRNA-Vorhersagen und erleichtert den Benutzern den Zugang.
Wichtige Studienkomponenten
Forschungsgebiet
- MicroRNA-Identifizierung
- Bioinformatik
- Computational Biology
Hintergrund
- Der Bedarf an verbesserter Genauigkeit bei der miRNA-Vorhersage.
- Einschränkungen früherer Algorithmen in Bezug auf die Sensitivität.
- Verfügbarkeit von Werkzeugen für breite und gewebespezifische Vorhersagen.
Verwendete Methoden
- Automatisierte Berechnungspipelines
- Genomweite Verteilungsanalyse
- Homologie- und expressionsbasierte Vorhersageansätze
Hauptergebnisse
- MirMachine übertrifft bestehende Algorithmen wie miRDP2.
- Effektive Vorhersage von miRNAs in Modellorganismen wie Arabidopsis thaliana und Weizen.
- Erhöhte Sensitivität bei homologiebasierten Vorhersagen mit Expressionsdaten.
Schlussfolgerungen
- MirMachine bietet ein robustes Werkzeug für die Identifizierung und Analyse von miRNAs.
- Diese Studie unterstreicht die Bedeutung von Berechnungswerkzeugen in der genetischen und molekularbiologischen Forschung.
Häufig gestellte Fragen
Executive Industry Relevance
Accurate microRNA annotation supports target validation in plant-based therapeutic development and agricultural biotechnology. Improved sensitivity and specificity reduce false positives in early discovery, enhancing predictive confidence for lead identification. mirMachine enables scalable, reproducible miRNA discovery across species, facilitating translational biomarker alignment and mechanistic de-risking in preclinical models.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through genome-wide miRNA distribution analysis.
- Operational Value: Reduces mechanistic ambiguity by distinguishing known from novel miRNAs using homology and expression evidence.
- Predictive Value: Supports portfolio triage by improving sensitivity in miRNA prediction over existing algorithms.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows via automated miRNA annotation.
- Operational Value: Ensures assay standardization and reproducibility through fully automated pipeline execution.
- Scalability: Enables reliable compound evaluation by providing quantitative miRNA outputs without tissue-specific limitations.
Translational & Preclinical Research
- Translational Continuity: Connects discovery through preclinical validation by predicting miRNAs in disease-relevant systems like wheat and Arabidopsis.
- Biomarker Alignment: Supports translational biomarker development via identification of miRNA families associated with stress response.
- Risk-Adjusted Advancement: Enhances decision-making by providing high-confidence miRNA predictions for functional validation.
Pipeline & Workflow Integration
Positions mirMachine within the discovery continuum from early target validation to preclinical screening, enabling reproducible miRNA annotation for cross-functional teams.
- Discovery Biology: Supports hypothesis testing and pathway clarification through genome-wide miRNA distribution analysis.
- Screening: Delivers assay readiness and quantitative outputs via automated prediction of known and novel miRNAs.
- Analytics: Provides measurable readouts such as mature miRNA, pre-miRNA, and star sequences for comparative condition analysis.
- Translational Research: Connects to preclinical continuity through species-specific miRNA annotation in model organisms.
- Enterprise Reuse: Functions as a reusable capability across projects due to automation and open availability.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity.
- Operational Value: Standardization, reproducibility, and scalability.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions.
Implementation Considerations
- Requires bioinformatics expertise for setup and interpretation.
- Needs computational infrastructure to run genome-wide analyses.
- Demands standardization of input formats such as FASTA and BLAST databases.
- Requires adaptation of parameters like mismatch thresholds across species.
- Limited by user dependency on external tools for sRNA-seq preprocessing.
