Name: Un gasoducto de bioinformática para analizar de forma precisa y eficiente los transcriptomes de microRNA en las plantas (Video) | JoVE Journal
Uploaded: 2020-01-21T12:30:00.000+00:00
Duration: 6 min 34 s
Description: Aprende a usar miRDeep-P2 para analizar transcriptomas de microRNA en plantas con alta precisión y eficiencia. Esta herramienta bioinformática reduce los falsos positivos y acelera el procesamiento de genomas complejos.

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

Este trabajo ha sido apoyado por beijing Academy of Agriculture and Forestry Sciences (KJCX201917, KJCX20180425 y KJCX20180204) a XY y National Natural Science Foundation of China (31621001) a LL.

1. Instalación y pruebas
<ol><li>Descargue las dependencias requeridas: Bowtie222 y RNAfold23. Se recomiendan los paquetes compilados.<ol>
<li>Descarga Bowtie2, una herramienta de mapeo de lectura, desde su sitio de origen (<a href="http://bowtie-bio.sourceforge.net/bowtie2/index.shtml" target="_blank">http://bowtie-bio.sourceforge.net/bowtie2/index.shtml</a>).</li>
		<li>Descargar RNAfold, una herramienta del paquete de Viena utilizada para predecir la estructura secundaria del ARN, desde <a href="http://www.tbi.univie.ac.at/~ivo/RNA/" target="_blank">http://www.tbi.univie.ac.at/~ivo/RNA/</a>.</li>
		<li>Antes de instalar miRDP2, asegúrese de que estas dos dependencias están correctamente instaladas y personalice el archivo de entorno bash (por ejemplo, .bashrc) para establecer una ruta de acceso correcta para estas dos dependencias. NOTA: Otras herramientas de mapeo como Bowtie24 también son adecuadas para miRDP2; Bowtie o Bowtie2 se pueden utilizar después de la versión 1.1.3.</li>
	</ol></li>
	<li>Para descargar el paquete miRDP2, vaya a <a href="https://sourceforge.net/projects/mirdp2/files/latest_version/" target="_blank">https://sourceforge.net/projects/mirdp2/files/latest_version/</a> y obtenga los archivos tarball.</li>
	<li>Antes de instalar miRDP2, asegúrese de que Perl está en PATH. Para instalar miRDP2, extraiga todo el contenido del archivo tarball descargado en una carpeta (líneas de comandos como en 1.4.2) y, a continuación, establezca la ruta de la carpeta en PATH. NOTA: Se recomienda un ordenador o nodo informático con al menos 8 GB de RAM y 100 GB de almacenamiento para ejecutar miRDP2.</li>
	<li>Pruebe la canalización MiRDP2.<ol>
<li>Para comprobar si miRDP2 se ha instalado correctamente, utilice los datos de prueba y la salida esperada que se encuentra en <a href="https://sourceforge.net/projects/mirdp2/files/TestData/" target="_blank">https://sourceforge.net/projects/mirdp2/files/TestData/</a>. Los datos de prueba contienen un archivo de secuenciación GSM con formato y un archivo de genoma de Arabidopsis thaliana.</li>
		<li>Mueva todos los archivos descargados al directorio de trabajo actual: mv miRDP2-v*.tar.gz TestData.tar.gz ncRNA_rfam.tar.gz <user_selected_folder> cd <user_selected_folder>
</li>
		<li>Extraiga los archivos de tarball comprimidos: tar –xvzf miRDP2-v*.tar.gz tar –xvzf TestData.tar.gz tar –xvzf ncRNA_rfam.tar.gz
</li>
		<li>Construir el índice de referencia del genoma de Arabidopsis: bowtie2-build -f ./TestData/TAIR10_genome.fa ./TestData/TAIR10_genome
</li>
		<li>Cree el índice de referencia ncRNA: bowtie2-build -f ./ncRNA_rfam.fa ./1.1.3/script/index/rfam_index
</li>
		<li>Ejecute la canalización miRDP2: bash ./1.1.3/miRDP2-v1.1.3_pipeline.bash –g ./TestData/TAIR10_genome.fa -i ./ TestData/TAIR 10_genome –f ./TestData/GSM2094927.fa –o . NOTA: Los comandos de Linux utilizados están en negrita y cursiva, con opciones de línea de comandos en cursiva. *indica la versión de miRDP2 (la versión actual es 1.1.3). El comando bowtie2-build debe tardar aproximadamente 10 minutos, y la canalización miRDP2 debe terminar en cuestión de minutos</li>
	</ol></li>
	<li>Compruebe las salidas de prueba.<ol>
<li>Tenga en cuenta que una carpeta denominada 'GSM2094927-15-0-10' se genera automáticamente en <user_selected_folder>, que contiene todos los archivos y resultados intermedios.</li>
		<li>Compruebe que el archivo de salida delimitado por tabulaciones GSM2094927-15-0-10_filter_P_prediction, la salida final de los miRNAs pronosticados, contiene columnas que indican el identificador del cromosoma, la dirección del hilo, las lecturas representativas id, precursor id, ubicación madura del miRNA, precursor ubicación, secuencia madura y secuencia precursora. Tenga en cuenta el archivo de cama adicional derivado de este archivo para facilitar el análisis posterior.</li>
		<li>Compruebe el archivo "progress_log", que proporciona información sobre los pasos terminados, y los archivos "script_log" y "script_err", que contienen la salida del programa y las advertencias. NOTA: Actualmente, hemos probado miRDP2 en dos plataformas Linux, incluyendo CentOS versión 6.5 en un servidor de clúster, y Cygwin 2.6.0 en el sistema PC Windows, y miRDP2 debe funcionar en sistemas similares que admitan Perl.</li>
	</ol></li>
</ol>2. Identificación de nuevos miRNAs
<ol><li>Antes de ejecutar la canalización, asegúrese de que las lecturas de entrada se preprocesan en el formato adecuado. NOTA: La nueva versión 1.1.3 de miRDP2 puede aceptar archivos de formato FASTQ originales como entradas, aunque el proceso de formateo de lecturas se lleva a cabo como en versiones anteriores.<ol>
<li>En primer lugar, retire los adaptadores de los extremos de 5' y 3' de las lecturas de secuenciación profunda (si están presentes).</li>
		<li>En segundo lugar, analice las lecturas de secuenciación profunda en formato FASTA.</li>
		<li>En tercer lugar, quite la redundancia tal que las lecturas con la secuencia idéntica se representen con una entrada FASTA única y única.</li>
		<li>Por último, asegúrese de que todos los identificadores FASTA son únicos. Cada identificador de secuencia debe terminar con un '_x' y un entero, que indica el número de copia de la secuencia exacta que se recuperó en los conjuntos de datos de secuenciación profunda. Una manera de garantizar un identificador FASTA único es incluir un número en ejecución en el identificador. Para obtener referencia, consulte el archivo GSM2094927.fa en los datos de prueba (<a href="https://sourceforge.net/projects/mirdp2/files/TestData/" target="_blank">https://sourceforge.net/projects/mirdp2/files/TestData/</a>).</li>
		<li>Consulte los siguientes ejemplos de lecturas con formato correcto: >read0_x29909 TTTGGGATTGAAGGGAGCTCTA >read1_x36974 TTCCACAGCTTCTTGAACTG >read2_x32635 TTCCACAGCTTCTTGAACTT</li>
	</ol>
</li>
	<li>Cree índices de referencia.<ol>
<li>Para la referencia del genoma, para ahorrar tiempo, descargue los archivos de índice Bowtie2 desde el sitio web de iGenomes (<a href="https://support.illumina.com/sequencing/sequencing_software/igenome.html" target="_blank">https://support.illumina.com/sequencing/sequencing_software/igenome.html</a>) si se han indexado las secuencias del genoma de la especie de interés. De lo contrario, los usuarios indexan secuencias de referencia y mantienen el archivo de índice durante un tiempo hasta que el proyecto haya terminado, ya que es posible que sea necesario volver a indizar la secuencia del genoma. Los detalles sobre cómo indexar una referencia del genoma se incluyen en el manual bowtie2 (<a href="http://bowtie-bio.sourceforge.net/bowtie2/manual.shtml" target="_blank">http://bowtie-bio.sourceforge.net/bowtie2/manual.shtml</a>).</li>
		<li>También se necesita otro índice ncRNA no miRNA para filtrar las secuencias ruidosos de otros fragmentos de ARN que no codifican. El archivo es una colección de secuencias ncRNA principales de Rfam, incluyendo rRNA, tRNA, snRNA y snoRNA. Para crear este índice, consulte la parte 1.4, ya que el índice debe colocarse y nombrarse correctamente, es decir, <miRDP2_version>/script/index/rfam_index.</li>
	</ol>
</li>
	<li>Ejecute miRDP2.<ol>
<li>Para utilizar miRDP2 para detectar nuevos miRNAs a partir de datos de secuenciación profunda, ejecute el script bash en el paquete para iniciar la canalización de análisis (se puede encontrar un ejemplo en el paso 1.4): <path_to_miRDP2_folder>/miRDP2-v*.*_pipeline.bash –g <genome_file> -i <path_to_index/index_prefix> -f <seq_file > -o <output_folder> donde * indica la versión del script bash de canalización. Hay tres parámetros que se pueden modificar: 1) el número de ubicaciones diferentes a las que se podría asignar una lectura, 2) el número de discordancia para ejecutar bowtie2 y 3) el umbral de RPM (lecturas por millón). Modifique estas opciones mediante las opciones –L, -M y –R, respectivamente. Una explicación detallada se encuentra en la sección 3.1.</li>
	</ol>
</li>
	<li>Compruebe las salidas miRDP2.<ol>
<li>Tenga en cuenta que la carpeta de salida se generará automáticamente en <output_folder> y se denominará '<seq_file_name>-15-0-10'; los últimos 3 números indican los valores (predeterminado en este caso) para los parámetros 1, 2 y 3, respectivamente. El archivo <seq_file_name>_filter_P_prediction contiene información de los miRNAs finales predichos que satisfacen los criterios de anotación de miRNA de planta recién actualizados. Los detalles sobre el formato del archivo de salida se describen en la parte 1.4.</li>
	</ol>
</li>
</ol>3. Modificaciones y precaución usando miRDP2
<ol><li>Parámetros que se pueden modificar<ol>
<li>Utilice la opción '-L' para establecer el límite de cuántas ubicaciones podría asignarse una lectura (parámetro 1). La asignación de lectura a demasiados sitios posiblemente están asociadas con secuencias de repetición y no es probable que los miRNAs. El valor predeterminado es 15. Para especies específicas, si hay familias de miRNA con muchos miembros, el primer parámetro puede aumentarse manualmente para adaptarse al paisaje del genoma.</li>
		<li>Utilice la opción '-M' para establecer las discrepancias permitidas para bowtie (parámetro 2). El valor predeterminado es 0.</li>
		<li>Utilice la opción '-R' para establecer el umbral para las lecturas potencialmente correspondientes a los miRNAs maduros (parámetro 3). Para reducir el consumo de tiempo y los falsos positivos, filtre las lecturas por RPM. Sólo las lecturas que superen un determinado umbral de RPM pueden representar secuencias maduras de miRNAs en lugar de ruido de fondo, y se conservarían para un análisis posterior. El valor predeterminado es 10 RPM.</li>
		<li>Tenga en cuenta que cambiar estos parámetros puede afectar potencialmente al rendimiento y al consumo de tiempo. En general, un aumento de los parámetros 1 y 2 y una disminución del parámetro 3 generarían un resultado menos estricto y un tiempo de ejecución más largo y viceversa.</li>
	</ol>
</li>
	<li>Redundancia y miRNA*<ol>
<li>Tenga en cuenta que los miRNAs de salida de miRDP2 pueden diferir de los miRNAs conocidos. Encontramos que esto se debe principalmente a una de dos razones: heterogeneidad de los miRNAs maduros o la abundancia relativa de miRNA y miRNA*. Encontramos que esto no afecta a la selección de longitud óptima de los precursores y el perfilado de genes miRNA conocidos.</li>
	</ol>
</li>
</ol>

<ol><li>Ghildiyal, M., Zamore, P. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Small+silencing+RNAs%3A+an+expanding+universe%5BTitle%5D)+AND+%22Nature+Reviews+Genetics%22%5BJournal%5D)">Small silencing RNAs: an expanding universe.</a> Nature Reviews Genetics. 10 (2), 94-108 (2009).</li>
<li>Bartel, D. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MicroRNAs%3A+target+recognition+and+regulatory+functions%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">MicroRNAs: target recognition and regulatory functions.</a> Cell. 136 (2), 215-233 (2009).</li>
<li>Moran, Y., Agron, M., Praher, D., Technau, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+evolutionary+origin+of+plant+and+animal+microRNAs%5BTitle%5D)+AND+%22Nature+Ecology+Evolution%22%5BJournal%5D)">The evolutionary origin of plant and animal microRNAs.</a> Nature Ecology Evolution. 1 (3), 27(2017).</li>
<li>Xie, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Expression+of+Arabidopsis+MIRNA+genes%5BTitle%5D)+AND+%22Plant+Physiology%22%5BJournal%5D)">Expression of Arabidopsis MIRNA genes.</a> Plant Physiology. 138 (4), 2145-2154 (2005).</li>
<li>Zhao, X., Zhang, H., Li, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+and+analysis+of+the+proximal+promoters+of+microRNA+genes+in+Arabidopsis%5BTitle%5D)+AND+%22Genomics%22%5BJournal%5D)">Identification and analysis of the proximal promoters of microRNA genes in Arabidopsis.</a> Genomics. 101 (3), 187-194 (2013).</li>
<li>Bologna, N. G., Mateos, J. L., Bresso, E. G., Palatnik, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+loop-to-base+processing+mechanism+underlies+the+biogenesis+of+plant+microRNAs+miR319+and+miR159%5BTitle%5D)+AND+%22EMBO+JOURNAL%22%5BJournal%5D)">A loop-to-base processing mechanism underlies the biogenesis of plant microRNAs miR319 and miR159.</a> EMBO JOURNAL. 28 (23), 3646-3656 (2009).</li>
<li>Rogers, K., Chen, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biogenesis%2C+turnover%2C+and+mode+of+action+of+plant+microRNAs%5BTitle%5D)+AND+%22Plant+Cell%22%5BJournal%5D)">Biogenesis, turnover, and mode of action of plant microRNAs.</a> Plant Cell. 25 (7), 2383-2399 (2013).</li>
<li>Voinnet, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Origin%2C+biogenesis%2C+and+activity+of+plant+microRNAs%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Origin, biogenesis, and activity of plant microRNAs.</a> Cell. 136 (4), 669-687 (2009).</li>
<li>Iwakawa, H. O., Tomari, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Functions+of+MicroRNAs%3A+mRNA+Decay+and+Translational+Repression%5BTitle%5D)+AND+%22Trends+in+Cell+Biology%22%5BJournal%5D)">The Functions of MicroRNAs: mRNA Decay and Translational Repression.</a> Trends in Cell Biology. 25 (11), 651-665 (2015).</li>
<li>Lee, R. C., Feinbaum, R. L., Ambros, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+C.+elegans+heterochronic+gene+lin-4+encodes+small+RNAs+with+antisense+complementarity+to+lin-14%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">The C. elegans heterochronic gene lin-4 encodes small RNAs with antisense complementarity to lin-14.</a> Cell. 75 (5), 843-854 (1993).</li>
<li>Wightman, B., Ha, I., Ruvkun, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Posttranscriptional+regulation+of+the+heterochronic+gene+lin-14+by+lin-4+mediates+temporal+pattern+formation+in+C.+elegans%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Posttranscriptional regulation of the heterochronic gene lin-14 by lin-4 mediates temporal pattern formation in C. elegans.</a> Cell. 75 (5), 855-862 (1993).</li>
<li>Friedlander, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Discovering+microRNAs+from+deep+sequencing+data+using+miRDeep%5BTitle%5D)+AND+%22Nature+Biotechnology%22%5BJournal%5D)">Discovering microRNAs from deep sequencing data using miRDeep.</a> Nature Biotechnology. 26 (4), 407-415 (2008).</li>
<li>Yang, X., Li, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miRDeep-P%3A+a+computational+tool+for+analyzing+the+microRNA+transcriptome+in+plants%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">miRDeep-P: a computational tool for analyzing the microRNA transcriptome in plants.</a> Bioinformatics. 27 (18), 2614-2615 (2011).</li>
<li>Meyers, B. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Criteria+for+annotation+of+plant+MicroRNAs%5BTitle%5D)+AND+%22Plant+Cell%22%5BJournal%5D)">Criteria for annotation of plant MicroRNAs.</a> Plant Cell. 20 (12), 3186-3190 (2008).</li>
<li>Yang, X., Zhang, H., Li, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+analysis+of+gene-level+microRNA+expression+in+Arabidopsis+using+deep+sequencing+data%5BTitle%5D)+AND+%22Genomics%22%5BJournal%5D)">Global analysis of gene-level microRNA expression in Arabidopsis using deep sequencing data.</a> Genomics. 98 (1), 40-46 (2011).</li>
<li>Kuang, Z., Wang, Y., Li, L., Yang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miRDeep-P2%3A+accurate+and+fast+analysis+of+the+microRNA+transcriptome+in+plants%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">miRDeep-P2: accurate and fast analysis of the microRNA transcriptome in plants.</a> Bioinformatics. , (2018).</li>
<li>Kozomara, A., Birgaoanu, M., Griffiths-Jones, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miRBase%3A+from+microRNA+sequences+to+function%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">miRBase: from microRNA sequences to function.</a> Nucleic Acids Research. 47 (1), 155-162 (2019).</li>
<li>Griffiths-Jones, S., Saini, H. K., van Dongen, S., Enright, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miRBase%3A+tools+for+microRNA+genomics%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">miRBase: tools for microRNA genomics.</a> Nucleic Acids Research. 36, Database issue 154-158 (2008).</li>
<li>Axtell, M. J., Meyers, B. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revisiting+Criteria+for+Plant+MicroRNA+Annotation+in+the+Era+of+Big+Data%5BTitle%5D)+AND+%22Plant+Cell%22%5BJournal%5D)">Revisiting Criteria for Plant MicroRNA Annotation in the Era of Big Data.</a> Plant Cell. 30 (2), 272-284 (2018).</li>
<li>Taylor, R. S., Tarver, J. E., Hiscock, S. J., Donoghue, P. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evolutionary+history+of+plant+microRNAs%5BTitle%5D)+AND+%22Trends+in+Plant+Science%22%5BJournal%5D)">Evolutionary history of plant microRNAs.</a> Trends in Plant Science. 19 (3), 175-182 (2014).</li>
<li>Kozomara, A., Griffiths-Jones, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miRBase%3A+annotating+high+confidence+microRNAs+using+deep+sequencing+data%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">miRBase: annotating high confidence microRNAs using deep sequencing data.</a> Nucleic Acids Research. 42, Database issue 68-73 (2014).</li>
<li>Langmead, B., Salzberg, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+gapped-read+alignment+with+Bowtie+2%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Fast gapped-read alignment with Bowtie 2.</a> Nature Methods. 9 (4), 357-359 (2012).</li>
<li>Lorenz, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ViennaRNA+Package+2.0%5BTitle%5D)+AND+%22Algorithms+for+Molecular+Biology%22%5BJournal%5D)">ViennaRNA Package 2.0.</a> Algorithms for Molecular Biology. 6, 26(2011).</li>
<li>Langmead, B., Trapnell, C., Pop, M., Salzberg, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ultrafast+and+memory-efficient+alignment+of+short+DNA+sequences+to+the+human+genome%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">Ultrafast and memory-efficient alignment of short DNA sequences to the human genome.</a> Genome Biology. 10 (3), 25(2009).</li>
<li>An, J., Lai, J., Sajjanhar, A., Lehman, M. L., Nelson, C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miRPlant%3A+an+integrated+tool+for+identification+of+plant+miRNA+from+RNA+sequencing+data%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">miRPlant: an integrated tool for identification of plant miRNA from RNA sequencing data.</a> BMC Bioinformatics. 15, 275(2014).</li>
<li>Lei, J., Sun, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miR-PREFeR%3A+an+accurate%2C+fast+and+easy-to-use+plant+miRNA+prediction+tool+using+small+RNA-Seq+data%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">miR-PREFeR: an accurate, fast and easy-to-use plant miRNA prediction tool using small RNA-Seq data.</a> Bioinformatics. 30 (19), 2837-2839 (2014).</li>
<li>Evers, M., Huttner, M., Dueck, A., Meister, G., Engelmann, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((miRA%3A+adaptable+novel+miRNA+identification+in+plants+using+small+RNA+sequencing+data%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">miRA: adaptable novel miRNA identification in plants using small RNA sequencing data.</a> BMC Bioinformatics. 16, 370(2015).</li>
<li>Mathelier, A., Carbone, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MIReNA%3A+finding+microRNAs+with+high+accuracy+and+no+learning+at+genome+scale+and+from+deep+sequencing+data%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">MIReNA: finding microRNAs with high accuracy and no learning at genome scale and from deep sequencing data.</a> Bioinformatics. 26 (18), 2226-2234 (2010).</li>
<li>Zhu, Q. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+diverse+set+of+microRNAs+and+microRNA-like+small+RNAs+in+developing+rice+grains%5BTitle%5D)+AND+%22Genome+Research%22%5BJournal%5D)">A diverse set of microRNAs and microRNA-like small RNAs in developing rice grains.</a> Genome Research. 18 (9), 1456-1465 (2008).</li>
<li>Fahlgren, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MicroRNA+gene+evolution+in+Arabidopsis+lyrata+and+Arabidopsis+thaliana%5BTitle%5D)+AND+%22Plant+Cell%22%5BJournal%5D)">MicroRNA gene evolution in Arabidopsis lyrata and Arabidopsis thaliana.</a> Plant Cell. 22 (4), 1074-1089 (2010).</li>
<li>Fromm, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Uniform+System+for+the+Annotation+of+Vertebrate+microRNA+Genes+and+the+Evolution+of+the+Human+microRNAome%5BTitle%5D)+AND+%22Annual+Review+of+Genetics%22%5BJournal%5D)">A Uniform System for the Annotation of Vertebrate microRNA Genes and the Evolution of the Human microRNAome.</a> Annual Review of Genetics. 49, 213-242 (2015).</li>
<li>Blevins, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+Pol+IV+and+RDR2-dependent+precursors+of+24+nt+siRNAs+guiding+de+novo+DNA+methylation+in+Arabidopsis%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">Identification of Pol IV and RDR2-dependent precursors of 24 nt siRNAs guiding de novo DNA methylation in Arabidopsis.</a> Elife. 4, 09591(2015).</li>
<li>Zhai, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+One+Precursor+One+siRNA+Model+for+Pol+IV-Dependent+siRNA+Biogenesis%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">A One Precursor One siRNA Model for Pol IV-Dependent siRNA Biogenesis.</a> Cell. 163 (2), 445-455 (2015).</li>
<li>Werner, S., Wollmann, H., Schneeberger, K., Weigel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Structure+determinants+for+accurate+processing+of+miR172a+in+Arabidopsis+thaliana%5BTitle%5D)+AND+%22Current+Biology%22%5BJournal%5D)">Structure determinants for accurate processing of miR172a in Arabidopsis thaliana.</a> Current Biology. 20 (1), 42-48 (2010).</li>
<li>Mateos, J. L., Bologna, N. G., Chorostecki, U., Palatnik, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+microRNA+processing+determinants+by+random+mutagenesis+of+Arabidopsis+MIR172a+precursor%5BTitle%5D)+AND+%22Current+Biology%22%5BJournal%5D)">Identification of microRNA processing determinants by random mutagenesis of Arabidopsis MIR172a precursor.</a> Current Biology. 20 (1), 49-54 (2010).</li>
<li>Vitsios, D. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mirnovo%3A+genome-free+prediction+of+microRNAs+from+small+RNA+sequencing+data+and+single-cells+using+decision+forests%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">Mirnovo: genome-free prediction of microRNAs from small RNA sequencing data and single-cells using decision forests.</a> Nucleic Acids Research. 45 (21), 177(2017).</li>
</ol>

Los autores no tienen nada que revelar.

Con la llegada de NGS, se ha identificado un gran número de loci de miRNA a partir de una cantidad cada vez mayor de datos de secuenciación de ARNS en diversas especies29,30. En la base de datos de la comunidad centralizada miRBase21, los elementos de miRNA depositados han aumentado casi 100 veces en la última década. Sin embargo, en comparación con los miRNAs en animales, los miRNAs vegetales tienen muchas características únicas que hacen...

Uno de los descubrimientos más emocionantes de las últimas dos décadas en biología es el papel proliferante de las especies de ARNS en la regulación de diversas funciones del genoma1. En particular, los miRNAs constituyen una clase importante de ARN de 20 a 24 nt en eucariotas, y funcionan principalmente a nivel post-transcripcional como reguladores genéticos prominentes a lo largo de las etapas de desarrollo del ciclo de vida, así como en respuestas de estímulo y estrés2,3. En las plantas, los miRNAs surgen de transcripciones primarias llamadas pri-miRNAs, que generalmente son transcritas por ARN polimerasa II como unidades de transcripción individuales4,5. Procesados por maquinaria celular evolutivamente conservada (Drosha RNase III en animales, como DICER en plantas), los pri-miRNAs se extirpan en los precursores inmediatos del miRNA, pre-miRNAs, que contienen secuencias que forman estructuras de bucle de tallo intramolecular6,7. Los pre-miRNA se procesan en intermedios de doble cadena, a saber, dúplex de miRNA, que consisten en la hebra funcional, miRNA maduro y el socio menos frecuentemente funcional, miRNA*2,8. Después de cargarlos en el complejo de silenciamiento inducido por ARN (RISC), los miRNAs maduros podrían reconocer sus objetivos de ARNm en función de la complementariedad de la secuencia, lo que dio lugar a una función reguladora negativa2,8. los miRNAs podrían desestabilizar sus transcripciones objetivo o impedir la traducción de objetivos, pero la forma anterior está dominada en las plantas8,9.
Desde el descubrimiento fortuito del primer miRNA en el nematodo Caenorhabditis elegans10,11, se ha investigado mucho con la identificación de miRNA y su análisis funcional, especialmente después de la disponibilidad del método NGS. La amplia aplicación del método NGS ha promovido en gran medida la utilización de herramientas computacionales que fueron diseñadas para capturar la característica única de los miRNAs, como la estructura de bucle de vástago de precursores y su acumulación preferencial de lecturas de secuencia en miRNA maduro y miRNA*. Como resultado, los investigadores han logrado un éxito notable en la identificación de miRNAs en diversas especies. Basándonos en un modelo de probabilidad12descrito anteriormente, desarrollamos miRDeep-P13, que fue la primera herramienta computacional para descubrir miRNAs de plantas a partir de datos NGS. miRDeep-P estaba específicamente dirigido a la conquista de los desafíos de la decodificación de miRNAs vegetales con longitud precursora más variable y grandes familias paralocitas13,14,15. Después de su lanzamiento, este programa ha sido descargado miles de veces y utilizado para anotar transcriptomes de miRNA en más de 40 especies de plantas16. Propulsado por herramientas basadas en NGS como miRDeep-P, se ha producido un aumento espectacular en el número de miRNAs registrados en el repositorio público miRNAmiRBase 17,donde actualmente se alojan más de 38.000 elementos de miRNA (versión 22.1) en comparación con sólo 500 elementos de miRNA (versión 2.0) en 200818.
Sin embargo, han surgido dos nuevos desafíos a partir de la anotación del miRNA vegetal. En primer lugar, las altas proporciones de falsos positivos han afectado en gran medida la calidad de las anotaciones de miRNA vegetal16,19 por las siguientes razones: 1) un diluvio de ARN (ARN) de interferencia corta endógena (SIRNAs) de las bibliotecas de ARNS de NGS fueron erróneamente anotados como miRNAs debido a la falta de un criterio de anotación de miRNA estricto; 2) para las especies sin información de miRNA a priori, los falsos positivos previstos sobre la base de los datos de NGS son difíciles de eliminar. Utilizando miRBase como ejemplo, Taylor yotros 20 encontraron que un tercio de las entradas de miRNA de plantas en el repositorio público21 (versión 21) carecían de pruebas de apoyo convincentes e incluso tres cuartas partes de las familias de miRNA de plantas eran cuestionables. En segundo lugar, se convierte en un proceso extremadamente lento para predecir miRNAs vegetales con genomas grandes y complejos16. Para superar estos desafíos, actualizamos miRDeep-P agregando una nueva estrategia de filtrado, revisando el algoritmo de puntuación e integrando nuevos criterios para la anotación de miRNA de planta, y lanzamos la nueva versión miRDP2. Además, probamos miRDP2 utilizando conjuntos de datos de ARN NGS con tamaños de genoma sin aumento gradual: Arabidopsis, arroz, tomate, maíz y trigo. En comparación con otras cinco herramientas ampliamente utilizadas y su versión antigua, miRDP2 analizó estos datos de ARNS y analizó los transcriptomas de miRNA más rápido con una precisión y sensibilidad mejoradas.
Contenido del paquete miRDP2 El paquete miRDP2 consta de seis scripts Perl documentados que el script bash preparado debe ejecutar secuencialmente. De los seis scripts, tres (convert_bowtie_to_blast.pl, filter_alignments.ply excise_candidate.pl) se heredan de miRDeep-P. Los otros scripts se modifican de la versión original. Las funciones de los seis scripts se describen a continuación:
preprocess_reads.pl filtra las lecturas de entrada, incluidas las lecturas demasiado largas o demasiado cortas (&lt;19 nt o &gt;25 nt), y lee correlacionadas con secuencias de Rfam ncRNA, así como lecturas con RPM (lecturas por millón) inferiores a 5. A continuación, el script recupera las lecturas correlacionadas con secuencias maduras de miRNA conocidas. Los archivos de entrada son lecturas originales en formato FASTA/FASTQ y salida bowtie2 de asignaciones de lecturas a secuencias miRNA y ncRNA.
La fórmula para calcular RPM es la siguiente:
<img alt="Equation 1" src="/files/ftp_upload/59864/59864equ01.jpg">
convert_bowtie_to_blast.pl cambia el formato bowtie al formato BLAST-parsed. El formato analizado por BLAST es un formato separado por tabular personalizado derivado del formato NCBI BLASToutput estándar.
filter_alignments.pl filtra las alineaciones de las lecturas de secuenciación profunda a un genoma. Filtra las alineaciones parciales, así como las lecturas multialineadas (corte de frecuencia especificado por el usuario). La entrada básica es un archivo en formato BLAST-parsed.
excise_candidate.pl elimina las posibles secuencias precursoras de una secuencia de referencia utilizando lecturas alineadas como directrices. La entrada básica es un archivo en formato BLAST-parsed y un archivo FASTA. La salida es todas las secuencias precursoras potenciales en formato FASTA.
mod-miRDP.pl necesita dos archivos de entrada, archivo de firma y archivo de estructura, que se modifica desde el algoritmo de miRDeep-P principal cambiando el sistema de puntuación con parámetros específicos de la planta. Los archivos de entrada son un archivo de estructura precursor de corchete de punto y lee el archivo de firma de distribución.
mod-rm_redundant_meet_plant.pl necesita tres archivos de entrada: chromosome_length, precursores y original_prediction generados por mod-miRDP.pl. Genera dos archivos de salida, el archivo predicho no redundante y el archivo predicho filtrado por los criterios de miRNA de planta recién actualizados. Los detalles sobre el formato del archivo de salida se describen en la sección 1.4.

<table><tbody><tr><td>Se</td><td></td><td>requiere Perl; se recomiendan al menos 8 GB de RAM y 100 GB de almacenamiento.</td><td></td></tr></tbody></table>

un gasoducto de bioinformática para analizar de forma precisa y eficiente los transcriptomes de microrna en las plantas

A Bioinformatics Pipeline to Accurately and Efficiently Analyze the MicroRNA Transcriptomes in Plants

Los MicroRNAs (miRNAs) son pequeños ARN endógenos (sARN) de 20 a 24 nucleótidos (nt) que existen ampliamente en plantas y animales que desempeñan un papel potente en la regulación de la expresión génica a nivel post-transcripción. La secuenciación de bibliotecas de ARNS mediante métodos de secuenciación de próxima generación (NGS) se ha empleado ampliamente para identificar y analizar transcriptomías de miRNA en la última década, lo que ha dado lugar a un rápido aumento del descubrimiento de miRNA. Sin embargo, surgen dos grandes desafíos en la anotación de miRNA vegetal debido a la creciente profundidad de las bibliotecas de ARNS secuenciados, así como al tamaño y la complejidad de los genomas de las plantas. En primer lugar, muchos otros tipos de ARN, en particular, ARN de interferencia corta (siRNAs) de bibliotecas de SRNA, son erróneamente anotados como miRNAs por muchas herramientas computacionales. En segundo lugar, se convierte en un proceso extremadamente lento para analizar transcriptomes de miRNA en especies vegetales con genomas grandes y complejos. Para superar estos desafíos, recientemente actualizamos miRDeep-P (una herramienta popular para los análisis de transcriptoma de miRNA) a miRDeep-P2 (miRDP2 para abreviar) empleando una nueva estrategia de filtrado, revisando el algoritmo de puntuación e incorporando miRNA de planta recién actualizado criterios de anotación. Probamos miRDP2 contra poblaciones de ARNS secuenciados en cinco plantas representativas con creciente complejidad genómica, incluyendo Arabidopsis, arroz, tomate, maíz y trigo. Los resultados indican que miRDP2 procesó estas tareas con muy alta eficiencia. Además, miRDP2 superó a otras herramientas de predicción con respecto a la sensibilidad y precisión. En conjunto, nuestros resultados demuestran miRDP2 como una herramienta rápida y precisa para analizar los transcriptomes de miRNA de plantas, por lo tanto, una herramienta útil para ayudar a la comunidad a anotar mejor los miRNAs en las plantas.

El oleoducto de anotación miRNA, miRDP2, descrito en el presente documento se aplica a 10 bibliotecas públicas de SRNA-seq de 5 especies de plantas con aumento gradual de la longitud del genoma, incluyendo Arabidopsis thaliana, Oryza sativa (arroz), Solanum lycopersicum (tomate), Zea mays (maíz) y Triticum aestivum (trigo)(Figura 1A). En general, para cada especie, 2 bibliotecas de ARNs representativos de diferentes tejidos (colap...

Una canalización bioinformática, a saber, miRDeep-P2 (miRDP2 para abreviar), con criterios de miRNA de plantas actualizados y un algoritmo revisado, podría analizar con precisión y eficiencia transcriptometrías de microARN en plantas, especialmente para especies con genomas complejos y grandes.

Un gasoducto de bioinformática para analizar de forma precisa y eficiente los transcriptomes de microRNA en las plantas

MicroRNAs (miRNAs) are 20- to 24-nucleotide (nt) endogenous small RNAs (sRNAs) extensively existing in plants and animals that play potent roles in ...

miRDeep2 se puede utilizar para identificar con precisión los microARN de las plantas que son reguladores transcripcionales importantes en el desarrollo de plantas y son cruciales para responder a los desafíos ambientales. miRDeep2 requiere un tiempo de funcionamiento notablemente corto y exhibe un excelente rendimiento tanto en sensibilidad como en precisión, especialmente para predecir microARN en plantas con un genoma grande. Los falsos positivos y el largo tiempo de procesamiento son desafíos en la anotación de microARN de la planta.Al agregar una nueva estrategia de campo, revisar el algoritmo de puntuación e integrar criterios estrictos, miRDeep2 puede superar estos problemas. La anotación de microARN de alta confianza es fundamental para descubrir el papel del microARN en la regulación de la función diversa del genoma. La guía paso a paso puede ser útil para los anotadores de microARN por primera vez.Para investigadores experimentados, el método es útil para comprender las ventajas y los beneficios de usar miRDeep2 sobre otras herramientas. Para instalar el paquete miRDeep2, vaya a la página web miRDeep2 y busque los archivos tarball. A continuación, extraiga todo el contenido del archivo descargado en una carpeta y establezca la ruta de la carpeta en path.Para probar la canalización miRDeep2, descargue los datos de prueba y la salida esperada que contiene un archivo de secuenciación GSM formateado y un archivo genoma de Arabidopsis thaliana y mueva todos los archivos descargados al directorio de trabajo actual. Después de extraer los archivos tarball comprimidos, cree el índice de referencia del genoma de Arabidopsis y el índice de referencia de ARN no codificante. Se generará automáticamente una carpeta en el user_selected_folder que contiene todos los archivos y resultados intermedios.A continuación, la canalización miRDeep2 se puede ejecutar con los datos de prueba. Para comprobar las salidas de prueba, vea el archivo de salida delimitado por tabulaciones. La salida final de los microARN previstos contendrá columnas que indican el ID de cromosoma, la dirección de la hebra, las lecturas representativas ID, el ID de precursor, la ubicación del miRNA maduro, la ubicación del precursor, la secuencia madura y la secuencia del precursor.A continuación, compruebe el archivo de progress_log que proporciona información sobre los pasos terminados y los archivos de script_log y script_err que contienen salidas y advertencias del programa. Antes de ejecutar la canalización, para asegurarse de que las lecturas de entrada se procesan previamente en el formato adecuado, quite los adaptadores de los cinco y tres extremos principales de las lecturas de secuenciación profunda y asegúrese de que todos los identificadores FAST A son únicos. Cada identificador de secuencia debe terminar con un carácter de subrayado x y un entero que indica el número de copia de la secuencia exacta que se recuperó en los conjuntos de datos de secuenciación profunda.Para garantizar un identificador único de FAST A, incluya un número de ejecución en el ID.To construir un índice de referencia, si se han indexado las secuencias del genoma de las especies de interés, descargue los archivos de índice de Bowtie 2 desde el sitio web de iGenomes. A continuación, cree un índice de ARN no codificante sin microARN que contenga las principales secuencias de no codificación de la fam de ARN, incluyendo ARN ribosomal, ARN de transferencia, ARN nuclear pequeño y ARN nucleolar pequeño para filtrar secuencias ruidosas de otros fragmentos de ARN no codificante. Para usar miRDeep2 para detectar nuevos microRNAs a partir de datos de secuenciación profunda, ejecute el script bash en el paquete para iniciar la canalización de análisis.El número de ubicaciones diferentes a las que se podría asignar una lectura, el número de discordancia para ejecutar Bowtie 2 y el umbral de las lecturas por millón se pueden modificar según sea necesario. Para comprobar las salidas miRDeep2, vea los datos en el output_folder generado automáticamente. En este análisis representativo, la canalización de anotación de microARN miRDeep2 se aplicó a 10 bibliotecas públicas de secuencias de ARNs de cinco especies de plantas con un tamaño del genoma aumentado gradualmente como se indica.Para cada especie, dos pequeñas bibliotecas representativas de ARN de diferentes tejidos y sus secuencias del genoma del índice se procesan como dos entradas. Utilizando métodos anteriores, el procesamiento del genoma podría tardar más de 100 horas o a veces se detendría en medio del análisis debido a la longitud del genoma. miRDeep2, sin embargo, terminar estos procesos de predicción en un período de tiempo notablemente más corto de minutos a horas.Para los dos ARN pequeños de Arabidopsis secuenciados utilizados en esta prueba, miRDeep2 tuvo un mejor desempeño tanto en sensibilidad como en precisión en comparación con otras herramientas. Asegúrese de que el índice de entrada del programa es correcto. Por ejemplo, utilice Bowtie solo con un índice Bowtie y utilice una opción de índice grande para genomas grandes.Los objetivos del microARN resultante se pueden predecir utilizando datos de secuenciación que pueden proporcionar información sobre la función de microARN. Como miRDeep2 se puede utilizar para identificar con precisión y sensibilidad la mayoría del microARN en una especie de planta específica, se puede estudiar el papel de la función del microARN en su conjunto.

a-bioinformatics-pipeline-to-accurately-efficiently-analyze-microrna

Research

Investigación

JoVE Journal

Genetics

Genética

En este video, demostramos el northern blot, una técnica de hibridación para detectar y cuantificar microRNAs (miRNAs) a partir de ARN total extraído de tejido vegetal.

Northern Blot para detectar y cuantificar microARN específicos en el extracto de ARN total de tejido vegetal

Los análisis de RNA-Seq son cada vez más importantes para identificar los fundamentos moleculares de los rasgos adaptativos en organismos no modelo. Aquí, se describe un protocolo para identificar genes expresados diferencialmente entre mosquitos Aedes albopictus en diapausa y no diapausa, desde la cría de mosquitos, hasta la secuenciación de ARN y análisis bioinformáticos de datos de RNA-Seq.

Un Experimental y Protocolo Bioinformática para análisis de ARN-ss de fotoperiódica diapausa en el Mosquito Tigre Asiático, Aedes albopictus

MicroRNAs circulantes han surgido recientemente como biomarcadores prometedores y novedosos para varios tipos de cáncer y otras enfermedades. El objetivo de este artículo es discutir tres plataformas basados ​​en sondas diferentes en tiempo real PCR y métodos que están disponibles para cuantificar y determinar la abundancia de microRNAs en circulación.

PCR en tiempo real basada en sondeos Enfoques para la medición cuantitativa de microRNAs

Este protocolo describe un método fácil para extraer y fraccionar transcripciones de tejidos vegetales sobre la base del número de ribosomas unidos. Permite una estimación global de la actividad de traducción y la determinación del estado de traducción de ARNm específicos.

Un método fácil para la planta de perfiles de polisomas

Este informe describe un método rápido y confiable para la validación de blancos del mRNA de miRNAs celular. Los usos del método biotinilado sintético basado en la LNA de ácido nucleico bloqueado miRNA imita para capturar objetivo mRNA. Posteriormente, se emplean bolas magnéticas recubiertas de estreptavidina para telecine blanco mRNA para la cuantificación por reacción en cadena de polimerasa qPCR.

Desplegable base de biotina de ensayo a validar mRNA miRNAs objetivos de celular

Aquí se describe un método para evaluar la expresión pulmonar de miRNAs que se predicen para regular genes inflamatorios utilizando ratones expuestos al ozono o aire filtrado en las diferentes etapas del ciclo estral.

MicroARN pulmón perfilado a través de la el ciclo estral en ratones expuestos al ozono

Aquí, describimos una estrategia paso a paso para aislar pequeños ARN, enriquecer para microARN y preparar muestras para la secuenciación de alto rendimiento. A continuación, describimos cómo procesar lecturas de secuencia y alinearlas con microRNAs, utilizando herramientas de código abierto.

Una tubería completa para aislar y secuenciar microRNAs, y analizarlos mediante herramientas de código abierto

Presentamos un protocolo detallado para el sistema de silenciamiento de microARN (VbMS) basado en el virus de la papa X (PVX) para caracterizar funcionalmente los microARN endógenos (miRNAs) en la papa. Las moléculas de imitación objetivo (TM) de miRNA de interés se integran en el vector PVX y se expresan transitoriamente en la papa para silenciar la familia objetivo de miRNA o miRNA.

Silenciamiento de microARN a base de X del virus de la papa (VbMS) en la papa.

Este método demuestra el uso de la técnica de hibridación del norte para detectar miRNAs a partir del extracto total de ARN.

Análisis de manchas de ARN para la detección y cuantificación de microARN de plantas

Aquí, presentamos una nueva y totalmente automatizada tubería de miARN, mirMachine que 1) puede identificar miARN conocidos y novedosos con mayor precisión y 2) está totalmente automatizada y disponible gratuitamente. Los usuarios ahora pueden ejecutar un breve script de envío para ejecutar la canalización mirMachine totalmente automatizada.

mirMachine: Una ventanilla única para la anotación de miARN de plantas

Aprende a usar miRDeep-P2 para analizar transcriptomas de microRNA en plantas con alta precisión y eficiencia. Esta herramienta bioinformática reduce los falsos positivos y acelera el procesamiento de genomas complejos.

Un gasoducto de bioinformática para analizar de forma precisa y eficiente los transcriptomes de microRNA en las plantas

Explorar más videos