Method Article

R을 사용한 MiRNA-Seq 데이터 처리 및 생물정보학 분석을 위한 검증된 워크플로

DOI:

10.3791/68760

⸱

October 24th, 2025

 ,  ,  ,  ,  , 
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

In This Article

Summary

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

여기에서는 R을 사용하여 miRNA-Seq 데이터를 분석하는 프로토콜을 제시합니다. 이 워크플로를 통해 연구자는 miRNA 조절 네트워크와 다양한 생물학적 및 임상 질문에서 miRNA의 중요성을 탐색할 수 있습니다. 이 연구는 miRNA 생물정보학 분야의 초보자와 숙련된 연구자 모두를 위한 실용적인 가이드 역할을 하고자 합니다.

Abstract

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

MicroRNA(miRNA)는 광범위한 생리학적 및 병리학적 과정에 영향을 미치는 중요한 전사 후 조절자입니다. 고처리량 시퀀싱 기술의 발전으로 miRNA-Seq은 miRNA 발현 패턴을 프로파일링하기 위한 강력한 도구로 부상했습니다. 그러나 이러한 데이터를 안정적으로 해석하려면 표준화되고 재현 가능한 분석 파이프라인이 필요합니다. 여기에서는 R을 사용한 miRNA-Seq 데이터 처리 및 생물정보학 분석을 위한 검증된 워크플로를 제시합니다. 이 프로토콜에는 원시 데이터 전처리, 품질 관리, 정렬, 정량화, 정규화, 차등 발현 분석, 표적 예측, 기능 강화 및 규제 네트워크 구축을 포함한 모든 필수 단계가 포함됩니다. 유연성과 투명성을 위해 설계된 이 워크플로는 널리 채택된 R 패키지를 통합하고 종별 주석 및 모듈식 사용자 정의를 지원합니다. 또한 사용자는 선별된 데이터베이스와 Cytoscape와 같은 시각화 도구를 활용하여 다운스트림 생물학적 해석을 수행하도록 안내됩니다. 이 프로토콜은 강력한 통계 분석을 지원할 뿐만 아니라 miRNA-mRNA 상호 작용과 질병 메커니즘에서의 역할에 대한 의미 있는 통찰력을 제공합니다. 특히 miRNA 바이오마커 발견, 질병 모델링 또는 통합 다중 오믹스 연구를 수행하는 초보자와 숙련된 연구자 모두에게 적합합니다.

Introduction

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

MicroRNA(miRNA)는 전사 후1단계에서 작용하여 유전자 발현에 상당한 영향을 미치는 짧은 비암호화 RNA 분자입니다. 이들은 일반적으로 표적 메신저 RNA(mRNA)의 3' 비번역 영역(UTR)에 있는 상보적 서열에 결합하여 mRNA 분해 또는 번역 억제를 유발함으로써 기능합니다1. 지난 20년 동안 miRNA는 세포 증식, 분화, 세포사멸, 면역 반응 및 장기 발달을 포함한 다양한 생물학적 과정의 중심 조절자로 점점 더 인식되고 있습니다2. 더욱이, miRNA 발현의 조절 장애는 암, 심혈관 질환, 신경 장애 및 신장 질환과 같은 수많은 질병의 발병기전과 관련이 있습니다3. 이러한 발견은 치료 표적일 뿐만 아니라 임상 진단에서 최소 침습 바이오마커로서도 miRNA의 잠재력을 강조합니다.

차세대 염기서열 분석(NGS) 기술의 출현으로 miRNA 연구는 새로운 시대로 접어들었습니다. 알려진 miRNA로 제한되는 마이크로어레이 기반 방법과 달리 miRNA 시퀀싱(miRNA-Seq)은 다양한 샘플 유형 및 조건에 걸쳐 알려진 miRNA와 새로운 miRNA 모두에 대한 포괄적이고 높은 처리량이며 편향되지 않은 프로파일링을 가능하게 합니다4. miRNA-Seq는 뛰어난 감도, 정확도 및 동적 범위를 제공하므로 생리학적 및 병리학적 환경에서 miRNA 발현 패턴을 조사하고 조절 메커니즘을 발견하는 데 선호되는 방법입니다5. 그러나 miRNA-Seq 데이터의 분석은 짧은 판독 길이 처리, 어댑터 서열 제거, 밀접하게 관련된 miRNA 계열 구성원 구별, 판독 횟수의 높은 중복성 관리 등 특정 계산 문제를 제시합니다6. 이러한 특성으로 인해 신중하게 설계되고 표준화된 분석 워크플로가 필요합니다.

miRNA-Seq 데이터 분석을 위해 다양한 파이프라인과 소프트웨어 도구가 개발되었지만 그 중 다수는 유연성과 재현성을 제한하는 그래픽 사용자 인터페이스 또는 고정된 워크플로우에 의존합니다7. 대조적으로, R 프로그래밍 환경은 생물정보학 분석을 위한 강력하고 사용자 정의 가능한 플랫폼을 제공합니다8. R은 통계 모델링, 데이터 시각화 및 생물학적 데이터베이스와의 통합을 위한 풍부한 패키지 에코시스템을 제공합니다. 이를 통해 사용자는 투명하고 스크립트 기반 방식으로 포괄적이고 재현 가능한 분석을 수행할 수 있습니다. 또한 R 워크플로의 모듈식 특성을 통해 연구자는 원시 데이터 전처리부터 기능 해석에 이르기까지 특정 실험 요구 사항에 따라 각 단계를 맞춤화할 수 있습니다.

이 프로토콜에서는 miRNA 발현 데이터로 작업하는 연구자에게 재현 가능하고 사용자 적응 가능한 솔루션을 제공하는 것을 목표로 완전히 R로 구현된 검증되고 완전한 miRNA-Seq 분석 워크플로를 제시합니다. 워크플로우는 원시 시퀀싱 판독의 품질 관리 및 어댑터 트리밍으로 시작하여 참조 게놈 또는 알려진 miRNA 서열에 대한 정렬이 이어집니다. 후속 단계에는 판독 횟수의 정량화, 정규화, 차등 발현 분석, 표적 유전자 예측, 기능 강화 및 네트워크 시각화가 포함됩니다. 워크플로에는 널리 사용되고 잘 관리되는 여러 R 패키지가 포함되어 있어 향후 업데이트 및 확장과의 안정성과 호환성을 모두 보장합니다.

이 프로토콜의 핵심 강점 중 하나는 차등 발현 결과를 넘어 의미 있는 생물학적 해석을 제공하는 능력에 있습니다. 검증되고 예측된 miRNA-mRNA 상호 작용의 선별된 데이터베이스를 통합함으로써 사용자는 생물학적으로 관련된 표적 유전자를 식별할 수 있습니다. 그런 다음 이러한 표적을 유전자 온톨로지 및 경로 농축 분석을 통해 영향을 받는 생물학적 과정과 분자 경로를 밝힐 수 있습니다. 마지막 단계에서 miRNA-mRNA 상호 작용 네트워크는 Cytoscape9와 같은 외부 도구를 사용하여 시각화되어 규제 환경에 대한 통찰력을 제공하고 잠재적인 기능적 중요성을 지닌 주요 허브 miRNA를 식별할 수 있습니다.

이 방법은 순환 miRNA가 진단 및 예후를 위한 유망한 바이오마커 역할을 하는 신장 질환에 대한 연구를 포함한 임상 연구 맥락에서 성공적으로 적용되었습니다10. 그러나 워크플로우의 모듈식 및 유연한 설계로 인해 질병 모델링, 약물 반응 연구, 발달 생물학 및 비교 유전체학을 포함한 광범위한 응용 분야에 적합합니다. 연구자들은 종별 주석, 실험 조건 또는 추가 오믹스 데이터 계층을 수용하도록 워크플로를 쉽게 조정할 수 있습니다.

오픈 소스 스크립트 기반 솔루션을 제공함으로써 이 R 중심 파이프라인은 제한된 사용자 정의, 불투명한 그래픽 인터페이스에 대한 의존도, 비모델 유기체에 대한 지원 부족, 버전 관리 부재로 인한 재현성 저하, 다운스트림 통계 및 기능 분석 프레임워크와의 통합의 어려움 등 기존 miRNA-Seq 도구와 관련된 몇 가지 주요 제한 사항을 해결합니다. 이를 통해 데이터 처리 매개변수를 완벽하게 제어할 수 있고, 버전 제어 코드를 통해 재현성을 장려하며, 생물정보학 연구의 투명성을 촉진할 수 있습니다. 시스템 생물학 및 중개 의학의 맥락에서 miRNA의 중요성이 계속 증가함에 따라 신뢰할 수 있고 적응 가능한 분석 프레임워크에 대한 접근이 점점 더 중요해지고 있습니다.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

참고: 소프트웨어 링크가 있는 재료는 재료 표에 나열되어 있습니다.

1. RNA 샘플 및 서열 라이브러리 준비

참고: 이 계산 워크플로 외부에서 RNA 추출 및 시퀀싱을 수행합니다. miRNA 시퀀싱 데이터를 분석하는 방법은 여러 가지가 있습니다. 이 섹션에서는 하나의 실용적인 맥락을 제공합니다.

  1. 총 RNA 추출: 작은 RNA 분리에 최적화된 키트(예: miRNA 분리 키트)를 사용하여 생물학적 샘플에서 총 RNA를 추출합니다. 제조업체의 프로토콜을 주의 깊게 따르십시오. RNase가 없는 소모품을 사용하고 분해를 최소화하기 위해 샘플을 얼음 위에 보관하십시오.
  2. RNA 무결성 및 양 평가: 추출된 RNA 1-2 μL를 Bioanalyzer 또는 동등한 장치에서 실행합니다. 신뢰할 수 있는 시퀀싱을 위해 RNA 무결성 번호(RIN)를 확인하고 ≥ 7.0인지 확인하십시오. 분광 광도계 또는 형광계를 사용하여 농도를 기록합니다.
  3. 소형 RNA 라이브러리 구성: 상용 소형 RNA-seq 라이브러리 준비 키트를 사용하여 총 RNA 1μg에서 시퀀싱 라이브러리를 준비합니다. 키트 프로토콜에 따라 어댑터를 연결하고, 역전사하고, cDNA를 증폭합니다. 크기 선택(예: 18-30nt 삽입물)으로 PCR 산물을 정제하여 miRNA 단편을 풍부하게 합니다.
  4. 서열 라이브러리: 라이브러리를 처리량이 높은 시퀀싱 플랫폼에 로드합니다. 읽기 길이가 ~50bp인 단일 종단 시퀀싱에 대한 실행 구성을 설정합니다. 충분한 깊이를 달성하기 위해 각 샘플이 약 1,000만 개의 원시 판독을 생성하는지 확인합니다.
  5. 시퀀싱 출력 내보내기: 시퀀싱 후 기기의 데이터 출력 소프트웨어를 사용하여 원시 데이터를 FASTQ 파일로 내보냅니다. 출력 디렉토리에 시퀀스 읽기 및 관련 품질 점수 파일이 모두 포함되어 있는지 확인합니다. 다운스트림 분석을 위해 FASTQ 파일을 구조화된 디렉터리에 저장합니다.

2. 원시 판독을 전처리하고 품질 관리를 수행합니다.

  1. 어댑터 시퀀스 트림
    1. Cutadapt 또는 fastp를 설치하고 구성합니다.
    2. 다음 명령을 사용하여 각 FASTQ 파일에서 어댑터 트리밍을 실행합니다.
      cutadapt -a XXXX -o trimmed_reads.fastq raw_reads.fastq
      참고: '-a' 뒤에 오는 어댑터 서열은 특정 sRNA 라이브러리 준비 키트에 적용되어야 합니다. '-o'는 입력 파일 뒤에 오는 출력 파일 이름을 정의합니다.
  2. 읽기 품질 평가
    1. FastQC를 사용하여 품질 관리 보고서를 생성합니다.
      fastqc trimmed_reads.fastq
    2. 베이스별 품질 점수, 판독 길이 분포 및 어댑터 오염 검토: 웹 브라우저에서 각 FASTQ 파일에 대해 생성된 FastQC HTML 보고서를 엽니다. 다음 모듈을 단계별로 검토합니다.
      1. 염기별 염기별 염기서열 품질: 대부분의 염기가 녹색 영역 내에 있는지 확인합니다(Phred 점수 ≥30). 시퀀싱 오류를 나타낼 수 있는 3' 말단의 품질 저하를 찾습니다.
      2. 판독 길이 분포: 분포가 예상 삽입물 크기(예: miRNA의 경우 18-30nt)와 일치하는지 확인합니다. 예기치 않은 피크가 없는지 확인합니다.
      3. 어댑터 콘텐츠: 어댑터 시퀀스가 효과적으로 트리밍되었는지 확인합니다. 트리밍 후 어댑터 오염률이 0에 가까운지 확인합니다.
    3. FastQC 요약 보고서를 저장하고 품질 지표가 낮은 샘플에 플래그를 지정하여 다시 트리밍하거나 추가 분석에서 제외합니다.

3. 읽기 매핑 및 카운트 행렬 생성

  1. 참조에 읽기 정렬
    1. 참조 게놈 또는 성숙한 miRNA 서열의 FASTA 파일을 다운로드합니다(예: miRBase에서)11. 본보기:
      wget ftp://mirbase.org/pub/mirbase/CURRENT/mature.fa
    2. Bowtie를 사용하여 참조 게놈을 색인화합니다.
      1. 터미널을 열고 다음 명령을 실행하여 인덱스를 빌드합니다.
        bowtie-build reference.fa reference_index
      2. reference.fa를 실제 FASTA 파일 이름으로 바꿉니다.
      3. reference_index 인덱스에 대해 원하는 접두사로 바꿉니다.
      4. Bowtie가 여러 인덱스 파일(예: .ebwt)을 생성하는지 확인합니다. 이러한 파일은 정렬에 필요하므로 작업 디렉토리에 있는지 확인합니다.
    3. Bowtie를 사용하여 짧은 읽기에 적합한 매개변수와 읽기를 정렬합니다. 본보기:
      bowtie -v 0 -a --best --strata reference_index trimmed_reads.fastq > aligned_reads.sam
      참고: 입력 파일은 trimmed_reads.fastq이고 출력 파일은 aligned_reads.sam입니다. '-v 0'은 전체 읽기에서 실수를 허용하지 않음을 의미합니다. '-a -best -strata'는 최고보다 불일치가 더 많은 정렬을 버리는 것을 의미합니다.
  2. miRNA 발현 정량화
    1. SAMtools를 사용하여 SAM 파일을 BAM 형식으로 변환합니다.
      samtools view -S -b aligned_reads.sam > aligned_reads.bam
      참고: 입력 파일 aligned_reads.sam은 마지막 명령의 결과입니다. 출력 파일 aligned_reads.bam은 후속 분석을 위해 준비됩니다.
      1. SAMtools를 사용하여 정렬 파일을 압축하고 정렬합니다.
        samtools sort aligned_reads.bam -o aligned_reads_sorted.bam
        samtools index aligned_reads_sorted.bam
      2. 첫 번째 명령이 SAM 파일을 BAM 형식으로 변환하는지 확인합니다.
      3. 두 번째 명령이 게놈 좌표를 기준으로 BAM 파일을 정렬하는지 확인합니다.
      4. 세 번째 명령이 다운스트림 분석에 필요한 인덱스 파일(.bai)을 생성하는지 확인합니다.
      5. 정량화를 진행하기 전에 정렬된 BAM 파일과 해당 인덱스가 모두 성공적으로 생성되었는지 확인합니다.
    2. featureCounts 또는 HTSeq-count를 사용하여 miRNA 주석 GTF를 사용하여 카운트 매트릭스를 생성합니다.
      featureCounts -a miRNA.gtf -o counts.txt aligned_reads.bam
      참고: featureCounts는 miRNA.gtf를 기반으로 입력 파일 aligned_reads.bam의 읽기를 정량화하고 counts.txt 출력합니다.

4. R에서 차등 발현 분석 수행

  1. 로드 카운트 데이터
    1. 개수 행렬 및 샘플 메타데이터를 R로 가져옵니다.
      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)
      참고: 카운트 데이터(counts.csv) 및 샘플 그룹(metadata.csv)을 DESeq2에 제공해야 합니다. 여기서 '조건'은 제공된 샘플 그룹을 명확히 합니다. 개별 요구 사항은 DESeq212 매뉴얼을 참조하십시오.
  2. 데이터 정규화 및 변환
    1. DESeq2의 기본 메서드를 사용하여 개수 데이터를 정규화합니다.
      dds <- DESeq(dds)
    2. 분산 안정화 변환을 수행합니다.
      vsd <- vst(dds, blind=FALSE)
    3. PCA를 사용하여 샘플 클러스터링을 시각화합니다.
      plotPCA(vsd, intgroup="condition")
  3. 차등적으로 발현된 miRNA 식별
    1. 차등 발현 결과 추출 및 정렬:
      res <- results(dds)
      resOrdered <- res[order(res$pvalue), ]
      참고: pvalue 값을 기준으로 결과 파일 'res'를 재정렬합니다.
      summary(res)
    2. 유의하게 차등적으로 발현된 miRNA에 대한 필터(p-값 < 0.05, |log2FC| > 1).
      sig_miRNA <- subset(res, pvalue < 0.05 & abs(log2FC) > 1)
      참고: 크게 변경된 miRNA를 필터링하기 위한 여러 임계값이 있습니다. 요구 사항 'p-value < 0.05, |log2FC| > 1'이 널리 적용됩니다. 임계값은 개별 데이터에 대해 조정할 수 있습니다.
  4. 표현식 변경 시각화
    1. EnhancedVolcano 패키지를 설치하고 로드합니다.
    2. 화산 플롯을 만듭니다.
      library(EnhancedVolcano)
      EnhancedVolcano(res,
      lab = rownames(res),
      x = 'log2FoldChange',
      y = 'pvalue',
      title = 'Differentially Expressed miRNAs')

5. miRNA의 표적 유전자 예측

  1. 데이터베이스 쿼리
    1. TargetScan, miRDB 및 miRTarBase와 같은 온라인 리소스를 사용하여 특정 microRNA를 검색하고 표적 유전자를 검색합니다.
    2. 더 큰 신뢰도를 위해 실험적으로 검증된 목표에 집중하십시오.
  2. R에서 예측 자동화
    1. multiMiR 패키지를 로드하고 검증된 대상을 쿼리합니다.
      library(multiMiR)
      target_results <- get_multimir(mirna = c("hsa-miR-21-5p"), table = "validated")
      참고: 여기서는 "has-miR-21-5p"를 예로 들어 검증된 표적을 얻습니다.
    2. 농축 분석을 위한 고유한 표적 유전자 기호 추출:
      genes <- unique(target_results@data$target_symbol)

6. 기능 농축 분석 수행

  1. GO 강화 수행
    1. 로드 강화 도구:
      library(clusterProfiler)
      library(org.Hs.eg.db)
      참고: 여기에서는 공통 유전자 식별자를 변환하는 데 유용한 인간 게놈 주석이 포함된 데이터베이스를 로드합니다.
    2. 생물학적 공정에 대한 GO 농축 분석 실행:
      ego <- enrichGO(gene = genes,
      OrgDb = org.Hs.eg.db,
      keyType = "SYMBOL",
      ont = "BP",
      pAdjustMethod = "BH",
      pvalueCutoff = 0.05)
      dotplot(ego)
      참고: enrichGO의 사용을 위해 유전자 목록을 제공하고 여기에서 'SYMBOL'로 지명되었음을 명확히 합니다. 우리는 매개변수 'ont ="BP" '에 해당하는 생물학적 과정 농축을 수행했습니다. 다중 테스트 수정을 수행하므로 pAdjustMethod = "BH"를 지정합니다. 유의한 임계값의 경우 pvalueCutoff = 0.05를 선택합니다. dotplot은 시각화된 결과를 표시합니다. 더 많은 개별 옵션은 clusterProfiler13의 매뉴얼을 참조하십시오.
  2. KEGG 경로 농축 수행
    1. KEGG 강화 실행:
      ekegg <- enrichKEGG(gene = genes, organism = 'hsa')
      dotplot(ekegg)
      참고: enrichKEGG의 사용을 위해 유전자 목록을 제공하고 유기체를 인간("has")으로 명확히 합니다. dotplot은 시각화된 결과를 표시합니다. 더 많은 개별 옵션은 clusterProfiler13의 매뉴얼을 참조하십시오.

7. miRNA - mRNA 상호 작용 네트워크 구성 및 시각화

  1. 네트워크 시각화를 위한 데이터 내보내기
  2. TargetScan, miRDB 또는 miRTarBase에서 생성된 표적을 기반으로 miRNA-표적 유전자 쌍의 데이터 프레임을 생성합니다.
  3. 네트워크 테이블을 CSV에 씁니다.
    write.csv(miRNA_target_pairs, "network.csv")
  4. Cytoscape로 가져오기
    1. Cytoscape를 열고 네트워크 테이블을 가져옵니다.
    2. 힘 방향 또는 원형 레이아웃을 사용하여 네트워크를 시각화합니다.
    3. 토폴로지 특성(예: 차수 중심성)을 분석하여 허브 miRNA를 식별합니다.

Access restricted. Please log in or start a trial to view this content.

Results

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

GSE133530에서 microRNA 발현 매트릭스를 다운로드하여 직접 차등 발현 분석을 수행했습니다. 보충 파일 1의 데이터 세트에 대한 예제 분석 R 스크립트를 제공했습니다. 데이터 세트는 크기가 다른 16개의 신장 낭종(최소 낭종: 1-5mL 미만, n = 10, 중간 낭종: 10-25mL 사이, n = 4, 큰 낭종: 50mL 이상, n = 4) 및 최소 낭성 조직(MCT, n = 7, 1회 복제 포함) 4개의 PKD1 다낭성 신장에서. 또한, 고립된 신세포암으로 진단된 3개의 신장절제술 표본에서 악성 종양이 없는 신장 피질 조직을 얻었고 정상 대조군(n = 4)으로 사용되었습니다. 가장 명백하게 변화된 miRNA를 찾기 위해 소형, 중형 및 대형 낭종의 샘플과 정상 대조군 조직을 비교했습니다. 그림 1A 에서 볼 수 있듯이, ADPKD 샘플로부터의 miRNA 발현 패턴은 대조군 ...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

miRNA-Seq 데이터 분석은 판독의 작은 크기와 중복성으로 인해 뚜렷한 문제를 안고 엄격한 품질 관리 및 전처리가 중요합니다. 워크플로에서 가장 중요한 단계 중 하나는 어댑터 트리밍입니다. miRNA의 길이는 약 22개의 뉴클레오티드이기 때문에 어댑터 서열은 적절하게 제거되지 않으면 쉽게 판독을 지배할 수 있습니다. 정확한 트리밍을 수행하지 않으면 오탐 판독값이 정렬되지 않고 팽창될 수 있습니다. 마찬가지로, 매핑 정확도를 손상시킬 수 있는 낮은 품질의 베이스를 제거하기 위해 정렬 전에 품질 필터링을 구현해야 합니다. 매핑과 정량화는 또 다른 필수 단계를 나타냅니다. 판독이 종종 엑손에 걸쳐 있는 표준 mRNA-Seq 데이터와 달리 miRNA 판독은 콤팩트하며 알려진 miRNA 유전자좌에 완벽하게 정렬되어야 합니다. 엄격한 매개변수와 함께 Bowtie를 사용하면 특히 miRBase와 같은 데이터베이스에서 성숙한 miRNA 서열에 매핑할 때 정확한 정렬이 보장됩니다....

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

저자는 경쟁 이해관계가 없음을 선언합니다.

Acknowledgements

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

우리는 이 프로젝트를 지원하는 자금 지원 기관과 협력자에게 감사를 표합니다. 상하이 과학 기술 혁신 실행 계획(22Y11905500, 24142201800), PLA 해군 제905호 병원 기관 프로젝트(2024Q021), 창닝구 보건위원회 청소년 연구 프로젝트(2024QN29) 및 해군 의과대학 연구 프로젝트(2024QN040).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Agilent-021827 인간 miRNA 마이크로어레이애질런트/인간 샘플의 마이크로RNA 프로파일링을 위한 상용 어레이
나비넥타이존스 홉킨스 대학교http://bowtie-bio.sourceforge.net/index.shtml시퀀싱 판독을 긴 참조 서열에 정렬하기 위한 소프트웨어 도구
clusterProfiler(R 패키지)생체전도체https://bioconductor.org/packages/clusterProfiler/고처리량 생물학적 데이터의 기능 강화 분석 및 시각화를 위해 설계된 R 패키지입니다.
컷어댑트오픈 소스https://cutadapt.readthedocs.io처리량이 높은 시퀀싱 판독에서 어댑터 서열, 프라이머, 폴리-A 테일 및 기타 원치 않는 단편을 제거하는 명령줄 도구입니다.
사이토스케이프사이토스케이프 컨소시엄https://cytoscape.org/복잡한 생물학적 네트워크의 시각화 및 분석을 위해 설계된 오픈 소스 소프트웨어 플랫폼입니다.
DESeq2(R 패키지)생체전도체https://bioconductor.org/packages/DESeq2/카운트 데이터의 차등 유전자 발현 분석을 위해 설계된 R 패키지
EnhancedVolcano(R 패키지)생체전도체https://bioconductor.org/packages/EnhancedVolcano/  출판 품질의 화산 플롯을 생성하도록 설계된 R 패키지입니다.
패스트QC바브라함 생물정보학https://www.bioinformatics.babraham.ac.uk/projects/fastqc/처리량이 많은 시퀀싱 데이터를 위한 오픈 소스 품질 관리 도구입니다.
featureCounts (기능 개수)서브리드 / SourceForgehttp://subread.sourceforge.net/게놈 특징에 매핑된 판독값을 계산하는 데 사용되는 프로그램
HTSeq 수Python 패키지https://htseq.readthedocs.io정렬된 고처리량 시퀀싱 판독 값이 유전자 또는 엑손과 같은 게놈 특징과 겹치는 수를 계산하는 명령줄 도구입니다. 나는
Illumina Human v2 MicroRNA 발현 비드칩일루미나 /인간 샘플의 마이크로RNA 프로파일링을 위한 상용 어레이
multiMiR(R 패키지)생체전도체https://bioconductor.org/packages/multiMiR/예측되고 실험적으로 검증된 microRNA&ndash의 가장 큰 통합 컬렉션을 제공하는 R 패키지; 질병 및 약물과의 연관성과 함께 상호 작용을 표적으로 삼습니다.
조직. Hs.eg.db(R 패키지)생체전도체https://bioconductor.org/packages/org.Hs.eg.db/인간(호모 사피엔스) 유전체학 연구를 위해 설계된 주석 패키지입니다.
R 소프트웨어R 프로젝트https://www.r-project.org/통계 컴퓨팅을 위한 오픈 소스 프로젝트
Rstudio (리스튜디오)포지트 PBC/통합 개발 환경은 R 및 Python의 생산성을 높이는 데 도움이 됩니다.
샘툴오픈 소스http://www.htslib.org/차세대 염기서열 분석(NGS) 데이터를 조작하기 위한 소프트웨어 패키지입니다.

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

MiRNA SeqMiRNA ExpressionData ProcessingBioinformatics AnalysisDifferential ExpressionTarget PredictionFunctional EnrichmentRegulatory NetworkR PackagesCytoscape Visualization

Related Articles