Name: A Novel bayesiano Cambia punto di Algoritmo per Genome-wide analisi di diversi tipi di dati ChIPseq (Video) | JoVE Journal
Uploaded: 2012-12-10T12:00:00.000+00:00
Duration: 12 min 39 s
Description: Scopri l'algoritmo Bayesian Change Point per l'analisi dei dati ChIP-seq utilizzando modelli di Markov nascosti. Questo metodo identifica con precisione le regioni di arricchimento istonico nel genoma.

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 fondazione premio (MQZ), sovvenzione del NIH ES017166 (MQZ), NSF concedere DMS0906593 (HX).

1. Preparazione dei file di input per l&#39;analisi BCP <ol><li> Allineare il breve legge prodotta da sequenziamento piste (ChIP e le librerie di ingresso) al genoma di riferimento appropriato utilizzando il software di allineamento preferito breve lettura. Le posizioni mappate devono essere convertiti ai 6 i dati del browser colonna estendibili (BED) in formato 13 (UCSC Genome Browser, <a href="http://genome.ucsc.edu/" target="_blank">http://genome.ucsc.edu/</a> ), delimitato da tabulazioni linea mappata per leggere che indica il cromosoma mappata, la posizione di partenza (0-based), posizione finale (semiaperta), leggere il nome, punteggio (opzionale), e la linea. </li></ol> 2a. Diffuse leggere i profili: ChIP preelaborazione Leggere la densità per il rilevamento di isole arricchito nei dati diffuse <ol><li> Estendere il chip e luoghi di input mappata a una lunghezza predeterminata frammento, vale a dire. la dimensione del frammento di mira durante la digestione enzimatica o sonicazione del DNA, solitamente circa 200 bp. Frammento conta sono poi aggregazioneTED nella bidoni adiacenti. Per impostazione predefinita, la dimensione bin è impostata la lunghezza del frammento stimato di 200 bp. </li><li> Ogni eventuale cambiamento punti in un insieme di classi con lo stesso conta di lettura sarà più probabile cadere ai confini più esterni. Pertanto, è improbabile che un punto di cambiamento si verifica a un confine interno tra due bidoni con i conteggi di lettura stessi. Quindi, bidoni gruppo adiacente, con identica legge per scomparto, in un unico blocco, ovvero. bedGraph formato 13. </li></ol> 2b. Profili Leggi puntata: ChIP preelaborazione e file LETTO ingresso per il rilevamento di picchi nei dati puntiformi <ol><li> Aggregato sovrapposizione legge per ChIP filone più e meno si legge a parte. Le densità componente specifica lettura dovrebbe formare un profilo bimodale di picchi positivi e negativi. Scegli coppie più / meno dei picchi più arricchito e utilizzare la distanza tra le loro cime a fronte della stima per la lunghezza del frammento biblioteca. </li><li> Spostare il chip e di ingresso indica la metà del frammento length al centro e ricalcolare la densità di lettura del più spostato e unito e meno filo legge. Questa metodologia di stima della lunghezza del frammento è stata adottata da Zhang et al. 3. Posizioni con identici conta di unione devono essere raggruppati in blocchi, simili al punto 2a.2. </li></ol> 3. Stimare il posteriore significano densità di ciascun blocco utilizzando il nostro ravvicinamento BCMIX <ol><li> La densità di lettura di ogni blocco è modellato come una distribuzione di Poisson, Pois (θ t), con un parametro media dopo un miscuglio di distribuzioni gamma, Γ (α, β), e una probabilità a priori di un punto di cambiamento che avviene in ogni fine blocco di p. condizionata Pois (θ t) su G (α, β) rende efficacemente il modello di un HMM stato infinito. Stimare l&#39;iper-parametri, α, β, e p, con massima verosimiglianza posteriore. </li><li> Esplicitamente calcolare le stime di Bayesogni blocco, θ t, come E (θ t | γ Z). Sostituire il consumo più tradizionale ma il tempo in avanti e indietro i filtri spesso utilizzati in HMM, con l&#39;approssimazione complessità computazionalmente più efficiente delimitata miscela di stimare mezzi posteriori, θ c. I mezzi risultanti posteriori sarà &quot;livellato&quot; in un approssimativo profilo costante a tratti in modo blocchi con identica, θ c, dovrebbero essere ulteriormente bloccato con contorno aggiornato coordinate. </li></ol> 4a. Diffuse Leggi Profili: Post-processo significa posteriori in segmenti di arricchimento Diffuse <ol><li> Utilizzare il numero di ingresso indica per ogni nuovo blocco θ c come il tasso di base, Pois (λ a) e determinare l&#39;arricchimento con un semplice test ipotesi a seconda che la media ChIP posteriore, θ c, supera un certo δ soglia. Il 90 ° &lt;/ Sup&gt;-quantile è il d di default ed è adatta nella maggior parte dei casi. </li><li> Unisci adiacente θ c blocchi che superano l&#39;arricchimento in un&#39;unica regione e la relazione unire le coordinate in formato LETTO semplice. In alternativa, si può segnalare la c θ per ogni blocco in formato bedGraph per preservare i dati ad alta risoluzione delle stime di densità di lettura. </li></ol> 4b. Puntata Leggi Profili: Post-processo significa posteriori in candidati di punta <ol><li> Definire il tasso di base, Pois (λ a), come la media di tutti i conteggi letti (γ 2) e identificare tutti i blocchi che superano la soglia, d. Dal momento che i picchi puntiformi dovrebbero essere sostanzialmente più arricchito, il δ di default è impostato per il 99 °-quantile di Pois (λ a). </li><li> Impostare il blocco con la massima c θ come il vertice di picco candidato e adiacenti blocchi di accompagnamento che condividono una tana simile letturasità (± 1 lettura contare fino a consentire la leggera variazione). Questa regione annesso è definito come un sito candidato vincolante. </li><li> Calcola λ 2 come le conte medie di lettura del sito candidato ChIP legame e test di ipotesi tale contesto ingresso verso l&#39;ipotesi nulla fosse, H 0, è che λ 1 ≥ λ 2 e rifiutare H 0 basato su un p-valore di soglia. Candidati picchi di uscita in formato LETTO. </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>

Nessun conflitto di interessi dichiarati.

Abbiamo deciso di sviluppare un modello per l&#39;analisi dei dati ChIPseq che potrebbe identificare sia le strutture puntiformi e diffuse di dati altrettanto bene. Fino ad ora, le regioni di arricchimento, regioni particolarmente diffuse, che riflettono l&#39;aspettativa presupposto di dimensioni grande isola, sono stati difficili da identificare. Per risolvere questi problemi, abbiamo utilizzato i più recenti progressi nella tecnologia HMM, che possiedono molti vantaggi rispetto ai modelli euristici esistenti e HMM me...

<table border="1"><tbody><tr><td> Nome del reagente </td><td> Azienda </td><td> Numero di catalogo </td><td> Commenti (opzionale) </td></tr><tr><td> Basato su Linux workstation </td><td></td><td></td><td></td></tr></tbody></table>

a novel bayesiano cambia punto di algoritmo per genome-wide analisi di diversi tipi di dati chipseq

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

ChIPseq è una tecnica largamente usata per studiare interazioni proteina-DNA. Leggere i profili di densità vengono generati mediante sequenziamento di prossima legame proteico DNA e allineando il corto legge di un genoma di riferimento. Regioni arricchite sono rivelati come picchi, che spesso differiscono notevolmente per forma, a seconda della proteina bersaglio 1. Per esempio, fattori di trascrizione spesso legano in un sito di e-maniera sequenza-specifica e tendono a produrre picchi puntiformi, mentre modificazioni istoniche sono più diffusi e sono caratterizzati da grandi, isole diffuse di arricchimento 2. Affidabile individuare queste regioni è stato al centro del nostro lavoro. Algoritmi per l&#39;analisi dei dati ChIPseq hanno utilizzato diverse metodologie euristiche, da 3-5 a modelli più rigorosi statistici, ad esempio, modelli nascosti di Markov (HMM) 6-8. Abbiamo cercato una soluzione che ridurre al minimo la necessità di difficile da definire, parametri ad hoc che spessocompromettere la risoluzione e ridurre l&#39;usabilità intuitiva dello strumento. Per quanto riguarda i metodi basati su HMM, abbiamo voluto limitare le procedure di stima dei parametri e semplici classificazioni a stati finiti, che sono spesso utilizzati. Inoltre, convenzionale ChIPseq analisi dei dati comporta categorizzazione del previsto leggere i profili di densità sia come puntiforme o diffusa seguita da successiva applicazione dello strumento appropriato. Abbiamo inoltre diretta a sostituire la necessità di questi due modelli distinti con un unico modello più versatile, che può abilmente affrontare l&#39;intero spettro di tipi di dati. Per raggiungere questi obiettivi, abbiamo prima costruito un quadro statistico che naturalmente modellate ChIPseq strutture di dati utilizzando un progresso all&#39;avanguardia in HMM 9, che utilizza solo le formule esplicite, un&#39;innovazione fondamentale per i suoi vantaggi prestazionali. Modelli poi euristiche più sofisticate, il nostro HMM ospita infiniti stati nascosti attraverso unModello bayesiano. Abbiamo applicato per individuare i punti di cambio ragionevoli di densità leggere, che ha ulteriormente definire segmenti di arricchimento. La nostra analisi ha rivelato come il nostro Cambia bayesiano Point (BCP) algoritmo ha una complessità computazionale ridotto, evidenziato da un tempo di funzionamento e ridotta occupazione di memoria. L&#39;algoritmo di BCP è stata applicata con successo a entrambi di punta puntata e identificazione isola diffusa con precisione robusto e limitati parametri definiti dall&#39;utente. Questo illustrata sia la sua versatilità e facilità di utilizzo. Di conseguenza, riteniamo che possa essere implementato facilmente in un raggio di massima per i tipi di dati e degli utenti finali, in modo che può essere facilmente confrontati e contrapposti, che lo rende un ottimo strumento per l&#39;analisi dei dati ChIPseq che possono aiutare nella collaborazione e conferma tra i gruppi di ricerca. Qui, dimostriamo l&#39;applicazione di BCP per fattore di trascrizione esistente 10,11 e dati epigenetiche 12 a illustrare la sua utilità.

BCP eccelle ad identificare regioni di arricchimento ampio dati di modifica degli istoni. Come punto di riferimento, precedentemente abbiamo confrontato i nostri risultati a quelli di Sicer 3, uno strumento esistente che ha dimostrato ottime prestazioni. Per illustrare al meglio i vantaggi BCP, abbiamo esaminato una modificazione degli istoni che era stato ben studiato per creare una base per valutare i tassi di successo. Con questo in mente, abbiamo poi analizzato H3K36me3, poiché è stato dimostrato di assoc...

Il nostro punto di cambio Bayesiano (BCP) algoritmo si basa su state-of-the-art progressi nella modellizzazione del cambiamento-point tramite Hidden Markov Models e li applica alla cromatina immunoprecipitazione sequenziamento (ChIPseq) analisi dei dati. BCP si comporta bene in entrambi i tipi di dati ampi e puntata, ma si distingue per identificare con precisione robusti, isole riproducibili diffusa di arricchimento degli istoni.

A Novel bayesiano Cambia punto di Algoritmo per Genome-wide analisi di diversi tipi di dati ChIPseq

Il ChIP-seq è una tecnica ampiamente utilizzata per indagare le interazioni proteina-DNA. I profili di densità di lettura vengono generati mediante il sequenziamento di nuova generazione di...

L'obiettivo generale del seguente esperimento è sfruttare la densità delle posizioni di lettura mappate ottenute da dati di sequenziamento dopo immunoprecipitazione della cromatina (ChIP-seq) per stimare la densità media a posteriori delle letture lungo il genoma. Questo viene ottenuto mediante pre-elaborazione. Le letture ChIP-seq mappate vengono convertite in profili di densità suddivisi in blocchi, in cui lo stesso numero di letture cade all'interno di bin non sovrapposti di 200 paia di basi.Qualsiasi bin adiacente con la stessa densità viene unito in un blocco più grande come secondo passaggio; successivamente, le densità medie a posteriori di ciascun blocco vengono calcolate ricorsivamente nel contesto di tutti i blocchi circostanti, utilizzando un modello bayesiano con filtri forward e backward. Il conteggio delle letture per un blocco è modellato con una distribuzione di Poisson con un parametro theta che assume una distribuzione a priori gamma con parametri alpha e beta. Successivamente, le stime della densità media a posteriori di ciascun blocco vengono valutate per significatività in base al fatto che superino o meno il quantile 90° rispetto alla densità di fondo del cont

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

Research

Ricerca

JoVE Journal

Biology

Biologia

Sequenziamento del DNA pool è una strategia rapida ed efficace per individuare le varianti rare associate a fenotipi complessi in coorti di grandi dimensioni. Qui si descrive l'analisi computazionale del pool, sequenziamento di prossima generazione di 32 geni legati al cancro utilizzando il pacchetto software SPLINTER. Questo metodo è scalabile, e applicabile a qualsiasi fenotipo di interesse.

Rilevamento di Rare varianti genomiche da Sequencing pool Uso SPLINTER

Questo video dimostra l'utilità della PCR digitale in un formato chip-in-a-tube per il rilevamento di variazioni di singoli nucleotidi nei campioni di DNA. Una singola reazione di PCR è suddivisa in camere che agiscono come reazioni PCR indipendenti e il rilevamento dei segnali di fluorescenza dai bersagli amplificati nelle camere viene utilizzato per calcolare la frequenza dell'allele variante nel campione.

PCR digitale basata su chip-in-a-tube per la quantificazione di varianti a singolo nucleotide

Questo manoscritto descrive una tecnica per la rilevazione di mutazioni di bassa frequenza in ctDNA, ER-segg. Questo metodo si differenzia per il suo uso unico di correzione degli errori di bi-direzionale, un fondo speciale filtro ed efficiente acquisizione molecolare.

Rilevazione di mutazioni Rare in CtDNA mediante sequenziamento di nuova generazione

Questo protocollo descrive l'uso combinatoria di ChIP-seq, 4sU-seq, totale RNA-seq e profilatura per linee cellulari e cellule primarie del ribosoma. Esso consente di tenere traccia delle modifiche in fattore di trascrizione binding, trascrizione de novo , elaborazione di RNA, fatturato e traduzione nel corso del tempo e la visualizzazione il corso generale degli eventi in cellule attivate e/o cambiare rapidamente.

In tempo reale analisi del fattore di trascrizione associazione, trascrizione, traduzione e fatturato per visualizzare eventi globali durante l'attivazione cellulare

Mirati sequenziamento di nuova generazione è un approccio di tempo e costo-efficiente che sta diventando sempre più popolare in diagnostica clinica e ricerca di malattia. Il protocollo descritto qui presenta il complesso flusso di lavoro richiesto per la sequenza e il processo di bioinformatica utilizzato per identificare varianti genetiche che contribuiscono alla malattia.

Sequenziamento di nuova generazione e bioinformatica Pipeline per valutare fattori determinanti genetici della malattia costituzionale mirati

Sequenziamento di nuova generazione (NGS) è un potente strumento per la caratterizzazione genomica che è limitato per l'alto tasso di errore della piattaforma (~0.5–2.0%). Descriviamo i nostri metodi di sequenziamento di correzione d'errore che ci permettono di ovviare il tasso di errore NGS e rilevare le mutazioni alle frazioni di variante allele rare come 0,0001.

Rilevamento di eventi rari utilizzando la sequenza di RNA e DNA di correzione d'errore

Identificazione di varianti genetiche che contribuiscono alla malattia umana complessa permette di identificare nuovi meccanismi. Qui, dimostriamo un approccio di genotipizzazione multisala di geni candidati o analisi dei percorsi gene che massimizza la copertura a basso costo ed è favorevole agli studi di coorte.

Gene candidato test negli studi clinici di coorte con genotipizzazione multiplex e spettrometria di massa

Qui vi presentiamo lo strumento proteogenomic PoGo e protocolli per la modifica veloce, quantitativa e post-traduzionale e variante attivato mapping dei peptidi identificati mediante spettrometria di massa sul genoma di riferimento. Questo strumento è utile per integrare e visualizzare proteogenomic e studi di proteomica personali interfacciamento con dati di genomica ortogonale.

Un metodo veloce e quantitativo per la modificazione post-traduzionale e variante attivato Mapping dei peptidi di genomi

Il protocollo presenta le procedure generali in laboratorio richieste nei test genetici preimpianto per l'aneuploidia su una piattaforma di sequenziamento di nuova generazione basata su semiconduttori. Qui presentiamo i passaggi dettagliati dell'amplificazione dell'intero genoma, della selezione dei frammenti di DNA, della costruzione della libreria, della preparazione del modello e del flusso di lavoro del sequenziamento con risultati rappresentativi.

Test genetici preimpianto per aneuploidia su una piattaforma di sequenziamento di nuova generazione basata su semiconduttori

Questo studio descrive un protocollo per esplorare gli effetti dell'alterazione del pH sull'espressione dell'oncogene attraverso l'analisi RNA-seq di una linea cellulare duttale pancreatica.

Analisi dell'espressione di oncogeni con alterazioni del pH in una linea cellulare duttale pancreatica

Scopri l'algoritmo Bayesian Change Point per l'analisi dei dati ChIP-seq utilizzando modelli di Markov nascosti. Questo metodo identifica con precisione le regioni di arricchimento istonico nel genoma.

A Novel bayesiano Cambia punto di Algoritmo per Genome-wide analisi di diversi tipi di dati ChIPseq

Esplora altri video