方法論記事

Rを用いたMiRNA-Seqデータ処理とバイオインフォマティクス解析の検証済みワークフロー

DOI：

10.3791/68760

⸱

2025年10月24日

 ,  ,  ,  ,  , 
1Department of Nephrology, 905th Hospital of PLA Navy, Naval Medical University, 2Department of Nephrology, Naval Medical Center of PLA, Naval Medical University, 3Department of Nephrology, Gongli Hospital of Shanghai Pudong New Area, 4Department of Nephrology, Shanghai Changzheng Hospital, Second Affiliated Hospital of Naval Medical University (Second Military Medical University), 5Department of Cellular Biology and Anatomy, Medical College of Georgia at Augusta University

* These authors contributed equally

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ここでは、Rを用いてmiRNA-Seqデータを解析するプロトコルを提示します。このワークフローにより、研究者はmiRNA制御ネットワークと、さまざまな生物学的および臨床的問題におけるその重要性を探ることができます。この研究は、miRNAバイオインフォマティクスの分野の初心者と経験豊富な研究者の両方にとって実践的なガイドとして機能することを目的としています。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

マイクロRNA(miRNA)は、幅広い生理学的および病理学的プロセスに影響を与える重要な転写後調節因子です。ハイスループットシーケンシング技術の進歩に伴い、miRNA-Seq は miRNA 発現パターンをプロファイリングするための強力なツールとして登場しました。ただし、このようなデータを確実に解釈するには、標準化された再現性のある分析パイプラインが必要です。ここでは、Rを用いたmiRNA-Seqデータ処理とバイオインフォマティクス解析の検証済みワークフローを紹介します。このプロトコルには、生データの前処理、品質管理、アライメント、定量化、正規化、差次発現分析、標的予測、機能強化、調節ネットワーク構築など、すべての重要なステップが含まれています。柔軟性と透明性を考慮して設計されたこのワークフローは、広く採用されている R パッケージを統合し、種固有の注釈とモジュール式のカスタマイズをサポートします。さらに、ユーザーは、キュレーションされたデータベースや Cytoscape などの視覚化ツールを活用して、下流の生物学的解釈を行うようにガイドされます。このプロトコルは、堅牢な統計分析をサポートするだけでなく、miRNA-mRNA 相互作用と疾患メカニズムにおけるそれらの役割についての有意義な洞察を可能にします。これは、miRNAバイオマーカーの発見、疾患モデリング、または統合的なマルチオミクス研究を行う初心者と経験豊富な研究者の両方に特に適しています。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

マイクロRNA(miRNA)は、転写後のステージ1で作用することにより、遺伝子発現に大きな影響を与える短いノンコーディングRNA分子です。これらは通常、標的メッセンジャーRNA(mRNA)の3'非翻訳領域(UTR)の相補配列に結合することによって機能し、mRNAの分解または翻訳抑制を引き起こします1。過去20年間で、miRNAは、細胞増殖、分化、アポトーシス、免疫応答、臓器発生など、さまざまな生物学的プロセスの中心的な調節因子としてますます認識されています2。さらに、miRNA発現の調節不全は、がん、心血管疾患、神経疾患、腎臓病などの多くの疾患の病因に関与しています3。これらの発見は、miRNA が治療標的としてだけでなく、臨床診断における低侵襲バイオマーカーとしてもの可能性を浮き彫りにしています。

次世代シーケンシング (NGS) 技術の出現により、miRNA の研究は新しい時代に突入しました。既知のmiRNAに限定されるマイクロアレイベースの方法とは異なり、miRNAシーケンシング(miRNA-Seq)は、さまざまなサンプルタイプと条件にわたって、既知のmiRNAと新規のmiRNAの両方を包括的でハイスループットかつ偏りのないプロファイリングを可能にします4。miRNA-Seqは、優れた感度、精度、ダイナミックレンジを提供するため、生理学的および病理学的設定におけるmiRNA発現パターンを調査し、調節メカニズムを発見するための好ましい方法となっています5。ただし、miRNA-Seqデータの分析には、短いリード長の処理、アダプター配列の除去、密接に関連するmiRNAファミリーメンバーの区別、リードカウントの高い冗長性の管理など、特定の計算上の課題があります6。これらの特性により、慎重に設計され標準化された分析ワークフローが必要です。

miRNA-Seqデータ解析のためにさまざまなパイプラインやソフトウェアツールが開発されていますが、その多くはグラフィカルユーザーインターフェイスや固定ワークフローに依存しており、柔軟性と再現性が制限されています7。対照的に、Rプログラミング環境は、バイオインフォマティクス分析のための強力でカスタマイズ可能なプラットフォームを提供します8。R は、統計モデリング、データ視覚化、生物学的データベースとの統合のためのパッケージの豊富なエコシステムを提供します。これにより、ユーザーは透過的でスクリプトベースの方法で包括的で再現性のある分析を行うことができます。さらに、R ワークフローのモジュール性により、研究者は生データの前処理から機能解釈まで、特定の実験要件に従って各ステップを調整できます。

このプロトコルでは、miRNA発現データを扱う研究者に再現性とユーザー適応性のあるソリューションを提供することを目的として、完全にRで実装された検証済みの完全なmiRNA-Seq解析ワークフローを提示します。ワークフローは、生のシーケンシングリードの品質管理とアダプタートリミングから始まり、リファレンスゲノムまたは既知のmiRNA配列へのアライメントが続きます。その後のステップには、リードカウントの定量化、正規化、差次発現解析、標的遺伝子予測、機能強化、ネットワークの視覚化が含まれます。このワークフローには、広く使用され、適切に管理されているいくつかの R パッケージが組み込まれており、信頼性と将来のアップデートや拡張機能との互換性の両方が確保されています。

このプロトコルの中核的な強みの 1 つは、差次的な発現結果を超えて、有意義な生物学的解釈を提供できることにあります。検証および予測されたmiRNA-mRNA相互作用のキュレーションされたデータベースを統合することにより、このワークフローにより、ユーザーは生物学的に関連する標的遺伝子を同定できます。次に、これらの標的を遺伝子オントロジーと経路濃縮分析にかけ、影響を受ける生物学的プロセスと分子経路を明らかにすることができます。最後のステップでは、Cytoscape9などの外部ツールを使用してmiRNA-mRNA相互作用ネットワークを視覚化し、規制状況に関する洞察を提供し、機能的に重要な重要な主要なハブmiRNAを特定できます。

この方法は、循環miRNAが診断と予後の有望なバイオマーカーとして機能する腎臓病の研究を含む臨床研究の文脈で成功裏に適用されています10。ただし、ワークフローのモジュール式で柔軟な設計により、疾患モデリング、薬物反応研究、発生生物学、比較ゲノミクスなどの幅広いアプリケーションに適しています。研究者は、種固有のアノテーション、実験条件、またはオミクスデータの追加層に合わせてワークフローを簡単に適応させることができます。

オープンソースのスクリプトベースのソリューションを提供することで、このR中心のパイプラインは、カスタマイズの制限、不透明なグラフィカルインターフェイスへの依存、非モデル生物のサポートの欠如、バージョン管理の欠如による再現性の低さ、下流の統計および機能分析フレームワークとの統合の難しさなど、既存のmiRNA-Seqツールに関連するいくつかの主要な制限に対処します。これにより、データ処理パラメータを完全に制御でき、バージョン管理されたコードを通じて再現性が促進され、バイオインフォマティクス研究の透明性が促進されます。システム生物学やトランスレーショナルメディシンの文脈でmiRNAの重要性が高まるにつれ、信頼性が高く適応性のある分析フレームワークへのアクセスがますます重要になっています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

メモ: ソフトウェアリンクのある材料は、 材料表にリストされています。

1. RNAサンプルと配列ライブラリーを調製する

注:この計算ワークフローの外部でRNA抽出とシーケンスを実行します。miRNAシーケンシングデータを解析する方法は複数あります。このセクションでは、1つの実用的なコンテキストを提供します。

  1. トータルRNAの抽出:低分子RNA単離用に最適化されたキット(miRNA単離キットなど)を使用して、生体サンプルからトータルRNAを抽出します。製造元のプロトコルに注意深く従ってください。分解を最小限に抑えるために、必ずRNaseフリーの消耗品を使用し、サンプルを氷上に保管してください。
  2. RNAの完全性と量を評価する:抽出したRNAを1〜2 μLをバイオアナライザーまたは同等のデバイスで実行します。RNA完全性番号(RIN)をチェックし、信頼性の高いシーケンシングのために7.0≥であることを確認してください。分光光度計または蛍光光度計を使用して濃度を記録します。
  3. 低分子RNAライブラリーの構築:市販の低分子RNA-seqライブラリー調製キットを使用して、1μgのトータルRNAからシーケンシングライブラリーを調製します。キットプロトコルに従って、アダプターをライゲットし、逆転写し、cDNAを増幅します。サイズ選択(18-30 ntインサートなど)でPCR産物を精製し、miRNAフラグメントを濃縮します。
  4. シーケンスライブラリ:ライブラリをハイスループットシーケンシングプラットフォームにロードします。シングルエンドシーケンシングの実行構成を読み取り長~50 bpで設定します。十分な深さを達成するために、各サンプルが約 1,000 万回の生リードを生成するようにします。
  5. シーケンス出力のエクスポート:シーケンス後、機器のデータ出力ソフトウェアを使用して、生データをFASTQファイルとしてエクスポートします。出力ディレクトリにシーケンス読み取りファイルと関連する品質スコア ファイルの両方が含まれていることを確認します。FASTQ ファイルを構造化ディレクトリに格納し、ダウンストリーム解析を行います。

2. 生リードの前処理と品質管理の実行

  1. アダプターシーケンスのトリム
    1. Cutadaptまたはfastpをインストールして設定します。
    2. 次のコマンドを使用して、各 FASTQ ファイルでアダプター トリミングを実行します。
      cutadapt -a XXXX -o trimmed_reads.fastq raw_reads.fastq
      注:「-a」の後のアダプター配列は、特定のsRNAライブラリー調製キットに適用する必要があります。'-o' は、入力ファイルが続く出力ファイル名を定義します。
  2. 読み取り品質の評価
    1. FastQCを使用して品質管理レポートを生成します。
      fastqc trimmed_reads.fastq
    2. 塩基ごとの品質スコア、リード長の分布、およびアダプターの汚染を確認する:Webブラウザで各FASTQファイルに対して生成されたFastQC HTMLレポートを開きます。次のモジュールを段階的に調べます。
      1. 塩基ごとの配列品質:ほとんどの塩基が緑色のゾーン内にあることを確認します(Phredスコア≥30)。シーケンスエラーを示す可能性のある3'末端の品質低下を探します。
      2. リード長分布:分布が予想されるインサートサイズ(たとえば、miRNAの場合は18〜30 nt)に対応していることを確認します。予期しないピークがないことを確認します。
      3. アダプターの内容: アダプター シーケンスが効果的にトリミングされていることを確認します。トリミング後、アダプターの汚染率がゼロに近いことを確認します。
    3. FastQCサマリーレポートを保存し、品質の低い指標を持つサンプルにフラグを立てて、再トリミングするか、さらなる分析から除外します。

3. 読み取りをマッピングし、カウント マトリックスを生成する

  1. 読み取りを参照に揃える
    1. リファレンスゲノムまたは成熟miRNA配列のFASTAファイルをダウンロードします(miRBaseなど)11。例：
      wget ftp://mirbase.org/pub/mirbase/CURRENT/mature.fa
    2. Bowtieを使用して参照ゲノムをインデックス化します。
      1. ターミナルを開き、次のコマンドを実行してインデックスを作成します。
        bowtie-build reference.fa reference_index
      2. reference.fa を実際の FASTA ファイル名に置き換えます。
      3. reference_index をインデックスに必要なプレフィックスに置き換えます。
      4. Bowtie が複数のインデックスファイル (.ebwt など) を生成することを確認します。これらのファイルは、配置に必要であるため、作業ディレクトリに存在することを確認します。
    3. ボウタイを使用して、短い読み取りに適したパラメーターを使用して読み取りを整列させます。例：
      bowtie -v 0 -a --best --strata reference_index trimmed_reads.fastq > aligned_reads.sam
      注: 入力ファイルは trimmed_reads.fastq で、出力ファイルは aligned_reads.sam です。'-v 0' は、読み取り全体で間違いを許容しないことを意味します。「-a -best -strata」は、最適なものよりも多くの不一致がある配置を破棄することを意味します。
  2. miRNA発現の定量化
    1. SAMtools を使用して SAM ファイルを BAM 形式に変換します。
      samtools view -S -b aligned_reads.sam > aligned_reads.bam
      注: 入力ファイル aligned_reads.sam は、最後のコマンドの結果です。出力ファイル aligned_reads.bam は、後続の分析のために準備されます。
      1. SAMtoolsを使用して、アライメントファイルを圧縮および並べ替えます。
        samtools sort aligned_reads.bam -o aligned_reads_sorted.bam
        samtools index aligned_reads_sorted.bam
      2. 最初のコマンドで SAM ファイルが BAM 形式に変換されていることを確認します。
      3. 2 番目のコマンドが BAM ファイルをゲノム座標で並べ替えることを確認します。
      4. 3 番目のコマンドで、ダウンストリーム解析に必要なインデックスファイル (.bai) が生成されていることを確認します。
      5. 定量化に進む前に、ソートされた BAM ファイルとそのインデックスの両方が正常に作成されたことを確認します。
    2. featureCountsまたはHTSeq-countを使用して、miRNAアノテーションGTFを使用してカウントマトリックスを生成します。
      featureCounts -a miRNA.gtf -o counts.txt aligned_reads.bam
      注:featureCountsは、miRNA.gtfに基づいて入力ファイルaligned_reads.bamのリードを定量化し、counts.txt出力します。

4. Rで差次発現解析を行う

  1. 積荷カウントデータ
    1. カウントマトリックスとサンプルメタデータをRにインポートします。
      library(DESeq2)
      countData <- read.csv("counts.csv", row.names=1)
      colData <- read.csv("metadata.csv", row.names=1)
      dds <- DESeqDataSetFromMatrix(countData = countData, colData = colData, design = ~ condition)
      注:カウントデータ(counts.csv)とサンプルグループ(metadata.csv)をDESeq2に提供する必要があります。ここでの 'condition' は、提供されるサンプルのグループを明確にします。個々の要件については、DESeq212 のマニュアルを参照してください。
  2. データの正規化と変換
    1. DESeq2 のデフォルト方法を使用してカウントデータを正規化します。
      dds <- DESeq(dds)
    2. 分散安定化変換を実行します。
      vsd <- vst(dds, blind=FALSE)
    3. PCA を使用してサンプル クラスタリングを視覚化します。
      plotPCA(vsd, intgroup="condition")
  3. 差次的に発現するmiRNAの同定
    1. 差次発現結果を抽出して並べ替えます。
      res <- results(dds)
      resOrdered <- res[order(res$pvalue), ]
      注: 結果ファイル 'res' は、pvalue の値に基づいて並べ替えられます。
      summary(res)
    2. 有意に差次的に発現するmiRNAをフィルター処理します(p値<0.05、|log2FC|>1)。
      sig_miRNA <- subset(res, pvalue < 0.05 & abs(log2FC) > 1)
      注:有意に変化したmiRNAをフィルタリングするための複数の閾値があります。要件 'p 値 < 0.05、|log2FC|> 1' が広く適用されています。しきい値は、個々のデータに対して調整できます。
  4. 式の変更を視覚化する
    1. EnhancedVolcanoパッケージをインストールしてロードします。
    2. 火山プロットを作成します。
      library(EnhancedVolcano)
      EnhancedVolcano(res,
      lab = rownames(res),
      x = 'log2FoldChange',
      y = 'pvalue',
      title = 'Differentially Expressed miRNAs')

5. miRNAの標的遺伝子を予測する

  1. データベースのクエリ
    1. TargetScan、miRDB、miRTarBaseなどのオンラインリソースを使用して、特定のマイクロRNAを検索し、標的遺伝子を取得します。
    2. 信頼性を高めるために、実験的に検証されたターゲットに焦点を当てます。
  2. R での予測の自動化
    1. multiMiRパッケージをロードし、検証済みのターゲットをクエリします。
      library(multiMiR)
      target_results <- get_multimir(mirna = c("hsa-miR-21-5p"), table = "validated")
      注:ここでは、「has-miR-21-5p」を例にとり、検証済みのターゲットを取得します。
    2. 濃縮解析のために固有の標的遺伝子シンボルを抽出します。
      genes <- unique(target_results@data$target_symbol)

6. 機能濃縮分析の実施

  1. GOエンリッチメントの実行
    1. ロード エンリッチメント ツール:
      library(clusterProfiler)
      library(org.Hs.eg.db)
      注:ここでは、一般的な遺伝子識別子の変換に役立つヒトゲノムアノテーションを含むデータベースをロードします。
    2. 生物学的プロセスのGO濃縮分析を実行します。
      ego <- enrichGO(gene = genes,
      OrgDb = org.Hs.eg.db,
      keyType = "SYMBOL",
      ont = "BP",
      pAdjustMethod = "BH",
      pvalueCutoff = 0.05)
      dotplot(ego)
      注:enrichGOの使用については、遺伝子のリストを提供し、ここでそれらが「SYMBOL」として指名されていることを明確にします。パラメータ「ont ="BP"」に対応する生物学的プロセス濃縮を実施しました。複数のテスト補正を実行するため、pAdjustMethod = "BH" を指定します。有意なしきい値の場合は、pvalueCutoff = 0.05 を選択します。dotplot は視覚化された結果を表示します。その他の個別のオプションについては、clusterProfiler13 のマニュアルを参照してください。
  2. KEGG経路濃縮の実行
    1. KEGG エンリッチメントを実行します。
      ekegg <- enrichKEGG(gene = genes, organism = 'hsa')
      dotplot(ekegg)
      注:enrichKEGGの使用については、遺伝子のリストを提供し、生物を人間として明確にします(「has」)。dotplot は視覚化された結果を表示します。その他の個別のオプションについては、clusterProfiler13 のマニュアルを参照してください。

7. miRNA-mRNA相互作用ネットワークの構築と視覚化

  1. ネットワーク視覚化のためのデータのエクスポート
  2. TargetScan、miRDB、またはmiRTarBaseから生成されたターゲットに基づいて、miRNAと標的遺伝子ペアのデータフレームを作成します。
  3. ネットワークテーブルをCSVに書き込みます。
    write.csv(miRNA_target_pairs, "network.csv")
  4. Cytoscape へのインポート
    1. Cytoscape を開き、ネットワーク テーブルをインポートします。
    2. フォース指向または円形レイアウトを使用してネットワークを視覚化します。
    3. トポロジカル特性(度中心性など)を解析して、ハブmiRNAを同定します。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

GSE133530からマイクロRNA発現マトリックスをダウンロードし、直接差次発現解析を行いました。 補足ファイル 1 のデータセットの分析 R スクリプトの例を提供しました。データセットは、4つのPKD1多発性嚢胞腎から、異なるサイズの16の腎嚢胞(最小嚢胞:1〜5 mL未満、n = 10、中程度の嚢胞:10〜25 mL、n = 4、大きな嚢胞:50 mL以上、n = 4)および最小嚢胞組織(MCT、n = 7、1複製を含む)でグローバルmiRNAプロファイリングを実行しました。さらに、単離性腎細胞癌と診断された 3 つの腎摘出検体から悪性腫瘍のない腎皮質組織が得られ、正常対照として機能しました (n = 4)。最も明らかに変化したmiRNAを見つけるために、小、中、大の嚢胞のサンプルと正常な対照組織を比較しました。 図1A が示すように、ADPKDサンプルからのmiRNA発現パターンは、対照サンプルのmiRNA発現パターンとは明らかに異なります。その後、バイオアナライザーツー...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

miRNA-Seqデータの分析には、リードのサイズが小さく冗長であるため、明確な課題があり、厳格な品質管理と前処理が重要になります。ワークフローで最も重要なステップの 1 つは、アダプターのトリミングです。miRNAの長さは約22ヌクレオチドであるため、適切に除去しないと、アダプター配列がリードを支配しやすくなります。正確なトリミングを実行しないと、誤検知リードの位置ずれや膨張が発生する可能性があります。同様に、マッピングの精度を損なう可能性のある低品質のベースを排除するために、アライメントの前に品質フィルタリングを実装する必要があります。マッピングと定量化は、もう一つの重要な段階です。リードがエクソンにまたがることが多い標準的なmRNA-Seqデータとは異なり、miRNAリードはコンパクトであり、既知のmiRNA遺伝子座と完全に一致する必要があります。厳密なパラメータでBowtieを使用すると、特にmiRBaseなどのデータベースから成熟したmiRNA配列にマッピングする場合に、正確なアライメントが保証されます。ゲノムへのアライメントとmiRBaseインデックスのどち...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者らは、競合する利益はないと宣言している。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

私たちは、このプロジェクトを支援している資金提供機関と協力者に感謝します。上海科学技術革新行動計画 (22Y11905500、24142201800)、人民解放軍海軍第 905 病院の制度プロジェクト (2024Q021)、長寧区衛生委員会の青少年研究プロジェクト (2024QN29)、海軍軍医大学の研究プロジェクト (2024QN040)。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
Agilent-021827 ヒトmiRNAマイクロアレイアジレント/ヒトサンプルのマイクロRNAプロファイリングのための市販アレイ
ボウタイジョンズ・ホプキンス大学http://bowtie-bio.sourceforge.net/index.shtmlシーケンシングリードを長いリファレンス配列にアライメントするためのソフトウェアツール
clusterProfiler (R パッケージ)生体伝導体https://bioconductor.org/packages/clusterProfiler/機能濃縮解析とハイスループット生物学的データの可視化用に設計されたRパッケージ。
カットアダプトオープンソースhttps://cutadapt.readthedocs.ioハイスループットシーケンシングリードからアダプター配列、プライマー、ポリAテール、その他の不要なフラグメントを削除するコマンドラインツール。
サイトスケープサイトスケープコンソーシアムhttps://cytoscape.org/複雑な生物学的ネットワークの視覚化と分析のために設計されたオープンソースのソフトウェアプラットフォーム。
DESeq2 (R パッケージ)生体伝導体https://bioconductor.org/packages/DESeq2/カウントデータの遺伝子発現差解析用に設計されたRパッケージ
EnhancedVolcano(Rパッケージ)生体伝導体https://bioconductor.org/packages/EnhancedVolcano/ 出版品質の火山プロットを作成するために設計された R パッケージ。
ファストQCバブラハムバイオインフォマティクスhttps://www.bioinformatics.babraham.ac.uk/projects/fastqc/ハイスループットシーケンシングデータ用のオープンソース品質管理ツール。
featureCounts (機能カウント)サブリード / SourceForgehttp://subread.sourceforge.net/ゲノム特徴にマッピングされたリードをカウントするために使用されるプログラム
HTSeqカウントPython パッケージhttps://htseq.readthedocs.io遺伝子やエクソンなどのゲノム特徴と重複するアライメントされたハイスループットシーケンシングリードの数をカウントするコマンドラインツール。私
イルミナヒトv2マイクロRNA発現ビーズチップイルミナ /ヒトサンプルのマイクロRNAプロファイリングのための市販アレイ
multiMiR(Rパッケージ)生体伝導体https://bioconductor.org/packages/multiMiR/予測および実験的に検証されたマイクロRNA&ndashの最大の統合コレクションを提供するRパッケージ。相互作用を、病気や薬物との関連とともに標的にします。
組織。Hs.eg.db (R パッケージ)生体伝導体https://bioconductor.org/packages/org.Hs.eg.db/ヒト(ホモ・サピエンス)ゲノミクス研究用に設計されたアノテーションパッケージ
R ソフトウェアRプロジェクトhttps://www.r-project.org/統計コンピューティングのためのオープンソースプロジェクト
Rstudio スタジオポジットPBC/統合開発環境は、R と Python の生産性を高めるのに役立ちます
SAMツールオープンソースhttp://www.htslib.org/次世代シーケンシング(NGS)データを操作するためのソフトウェアパッケージ。

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hsu, P. W., et al. miRNAMap: genomic maps of microRNA genes and their target genes in mammalian genomes. Nucleic Acids Res. 34 (Database issue), D135-D139 (2006).
  2. Fragiadaki, M. Lessons from microRNA biology: top key cellular drivers of autosomal dominant polycystic kidney disease. Biochim Biophys Acta Mol Basis Dis. 1868 (5), 166358(2022).
  3. Li, D., Sun, L. MicroRNAs and polycystic kidney disease. Kidney Med. 2 (6), 762-770 (2020).
  4. Akintunde, O., Tucker, T., Carabetta, V. J. The evolution of next-generation sequencing technologies. arXiv. , (2023).
  5. Tam, S., Tsao, M. S., McPherson, J. D. Optimization of miRNA-seq data preprocessing. Brief Bioinform. 16 (6), 950-963 (2015).
  6. Zhou, X., Oshlack, A., Robinson, M. D. miRNA-seq normalization comparisons need improvement. RNA. 19 (6), 733-734 (2013).
  7. Perez-Rodriguez, D., Agis-Balboa, R. C., Lopez-Fernandez, H. MyBrain-Seq: a pipeline for miRNA-seq data analysis in neuropsychiatric disorders. Biomedicines. 11 (4), 1230(2023).
  8. R: a language and environment for statistical computing. R Foundation for Statistical Computing. , R Core Team. (2012).
  9. Shannon, P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Res. 13 (11), 2498-2504 (2003).
  10. Huang, L., et al. Integrated analysis of mRNA-seq and miRNA-seq reveals the potential roles of Egr1, Rxra and Max in kidney stone disease. Urolithiasis. 51 (1), 13(2022).
  11. Kozomara, A., Birgaoanu, M., Griffiths-Jones, S. miRBase: from microRNA sequences to function. Nucleic Acids Res. 47 (D1), D155-D162 (2019).
  12. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15 (12), 550(2014).
  13. Xu, S., et al. Using clusterProfiler to characterize multiomics data. Nat Protoc. 19 (11), 3292-3320 (2024).
  14. Friedländer, M. R., et al. miRDeep2 accurately identifies known and hundreds of novel microRNA genes in seven animal clades. Nucleic Acids Res. 40 (1), 37-52 (2012).
  15. Rueda, A., et al. sRNAtoolbox: an integrated collection of small RNA research tools. Nucleic Acids Res. 43 (W1), W467-W473 (2015).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

MiRNA ExpressionDifferential ExpressionTarget PredictionFunctional EnrichmentRegulatory NetworkR PackagesCytoscape Visualization

関連記事