Name: 유전자를 사용 하 여 프로토콜 변환 연구에 대 한 적절 한 동물 모델을 식별 하기 위해 농축 분석 설정 (동영상) | JoVE Journal
Uploaded: 2017-08-16T12:30:00.000+00:00
Duration: 9 min 35 s
Description: 배우세요 GSEA를 사용하여 전사체 데이터를 분석하고 적절한 마우스 모델을 식별하는 방법을. 이 프로토콜은 번역 연구에서 질병 연구를 위한 최적의 동물 모델 선택을 돕습니다.

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

이 작품은 위험 평가 (BfR)에 대 한 독일 연방 연구소에 의해 융자 되었다.

<ol><li>Seok, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genomic+responses+in+mouse+models+poorly+mimic+human+inflammatory+diseases%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Genomic responses in mouse models poorly mimic human inflammatory diseases.</a> Proc Natl Acad Sci U S A. 110 (9), 3507-3512 (2013).</li>
<li>Takao, K., Miyakawa, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genomic+responses+in+mouse+models+greatly+mimic+human+inflammatory+diseases%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Genomic responses in mouse models greatly mimic human inflammatory diseases.</a> Proc Natl Acad Sci U S A. 112 (4), 1167-1172 (2015).</li>
<li>Weidner, C., Steinfath, M., Opitz, E., Oelgeschläger, M., Schönfelder, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Defining+the+optimal+animal+model+for+translational+research+using+gene+set+enrichment+analysis%5BTitle%5D)+AND+%22EMBO+Mol+Med%22%5BJournal%5D)">Defining the optimal animal model for translational research using gene set enrichment analysis.</a> EMBO Mol Med. 8 (8), 831-838 (2016).</li>
<li>Subramanian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gene+set+enrichment+analysis%3A+a+knowledge-based+approach+for+interpreting+genome-wide+expression+profiles%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles.</a> Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).</li>
<li>Kanehisa, M., Sato, Y., Kawashima, M., Furumichi, M., Tanabe, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((KEGG+as+a+reference+resource+for+gene+and+protein+annotation%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">KEGG as a reference resource for gene and protein annotation.</a> Nucleic Acids Res. 44 (D1), D457-D462 (2016).</li>
<li>Kanehisa, M., Goto, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((KEGG%3A+kyoto+encyclopedia+of+genes+and+genomes%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">KEGG: kyoto encyclopedia of genes and genomes.</a> Nucleic Acids Res. 28 (1), 27-30 (2000).</li>
<li>Fabregat, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Reactome+pathway+Knowledgebase%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The Reactome pathway Knowledgebase.</a> Nucleic Acids Res. 44 (D1), D481-D487 (2016).</li>
<li>Croft, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Reactome+pathway+knowledgebase%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The Reactome pathway knowledgebase.</a> Nucleic Acids Res. 42 (Database issue), D472-D477 (2014).</li>
<li>Nishimura, D. <a target="_blank" href="http://online.liebertpub.com/doi/abs/10.1089/152791601750294344">BioCarta.</a> Biotech Software & Internet Report. 2 (3), 117-120 (2001).</li>
<li>Edgar, R., Domrachev, M., Lash, A. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gene+Expression+Omnibus%3A+NCBI+gene+expression+and+hybridization+array+data+repository%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Gene Expression Omnibus: NCBI gene expression and hybridization array data repository.</a> Nucleic Acids Res. 30 (1), 207-210 (2002).</li>
<li>Kolesnikov, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ArrayExpress+update--simplifying+data+submissions%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">ArrayExpress update--simplifying data submissions.</a> Nucleic Acids Res. 43 (Database issue), D1113-D1116 (2015).</li>
<li>Cohen, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sepsis%3A+a+roadmap+for+future+research%5BTitle%5D)+AND+%22Lancet+Infect+Dis%22%5BJournal%5D)">Sepsis: a roadmap for future research.</a> Lancet Infect Dis. 15 (5), 581-614 (2015).</li>
<li>Spinelli, L., Carpentier, S., Montanana Sanchis, F., Dalod, M., Vu Manh, T. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BubbleGUM%3A+automatic+extraction+of+phenotype+molecular+signatures+and+comprehensive+visualization+of+multiple+Gene+Set+Enrichment+Analyses%5BTitle%5D)+AND+%22BMC+Genomics%22%5BJournal%5D)">BubbleGUM: automatic extraction of phenotype molecular signatures and comprehensive visualization of multiple Gene Set Enrichment Analyses.</a> BMC Genomics. 16 (1), 814(2015).</li>
</ol>

저자 들은 아무 경쟁 금융 관심사 선언 합니다.

동물 모델을가지고 오랫동안 질병 메커니즘의 조사와 새로운 치료 전략의 개발에 대 한 적용 되었습니다. 그러나, 회의론 동물 모델의 predictivity에 관한 임상 시험12의 실패 다음 확산 시작 했다. 또한, 적절 한 전략을 분석 하 고 전 임상 시험에서 큰 omics 데이터 해석에 대 한 논란이 토론 다른 데이터 분석 전략1 적용 한 후 같은 데이터에서 도출 하는 반대 결론에 의해 제기 되었다 ,2. 따라서, 체계적으로 주어진된 인간의 질병에 대 한 최적의 동물 모델을 정의 하는 복잡 한 omics 데이터의 분석에 대 한 더 강력한 생물 정보학 기법에 대 한 수요가 있다. 최고의 사용 가능한 모델 적용 변환 연구 향상 뿐만 아니라 동물 실험 하지 인간의 상황을 연관 수 있습니다 피 함으로써 동물 복지에 기여 하는 더.
제시 프...

동물 모델 널리 유전학, 해부학 및 생리학 인 간에 게 그들의 가정된 유사 때문에 인간의 질병을 연구 하는 데 사용 됩니다. 또한, 동물 모델 자주 임상 치료에 문지기로 봉사 하 고 변환 연구의 성공에 큰 영향을 미칠 수 있습니다. 최적의 동물 모델의 신중한 선택은 잘못 된 동물 연구의 수를 줄일 수 있습니다. 최근, 변환 연구를 위한 동물 모델의 관련성 논쟁 논의 되었습니다, 특히 때문에 모순 된 결론 주도 인간의 염증 성 질환과 관련 된 마우스 모델에서 얻은 동일한 데이터 집합을 분석 1,2. 이 토론 omics 데이터를 분석 하는 동안 근본적인 문제를 계시 했다: 체계적인 데이터 분석에 대 한 표준화 된 접근 interspecies 비교 3의 안정성을 향상 하 고 한쪽으로 치우친된 유전자 선택을 줄이기 위해 필요 하다.
전통적으로, transcriptomics 데이터 (및 기타 omics 데이터)의 분석 단일 유전자 수준에서 수행 되 고 엄격한 차단 매개 변수 기반 유전자 선택의 초기 단계를 포함 한다 (예를들면, 배 변경 &#62; 2.0, p 값 &#60; 0.05). 그러나, 초기 절단 매개 변수 설정을 종종 주관적, 임의적이 고 생물학 정당화 이며 반대 결론1,2으로 이어질 수 있다. 또한, 초기 유전자 선택은 일반적으로 몇 가지 매우 업 및 downregulated 유전자 분석을 제한 하 고 충분히 차동에 표현 된 유전자의 대다수를 포함 하는 구분 하지 않습니다 따라서.
2000 년대 초반에 게놈의 상승 및 생물 학적 경로 및 컨텍스트 증가 지식, 다른 통계 접근은 단일 유전자 수준 분석의 한계를 우회할 수 개발 되었다. 농축 분석 (GSEA)4, transcriptomics 데이터의 분석을 위해 광범위 하 게 허용된 방법 중 하나를 설정 하는 유전자, 유전자 (예를 들어, 경로, 염색체 등 인접 위치 신호.)의 한 선험적 정의 된 그룹을 사용. GSEA 처음 식에 그들의 개인적인 변화에 관계 없이 (예를 들어, 경로), 대상된 유전자 세트를 모든 검색된 필터링 되지 않은 유전자를 매핑합니다. 이 방법은 따라서 또한 알맞게 조절된 유전자를 그렇지 않으면 단일 유전자 수준 분석을 포함 한다. 유전자 집합 내의 식에 첨가제 변화 이후에 실행 합계 통계를 사용 하 여 수행 됩니다.
의료 연구에 있는 그것의 광범위 한 사용에 불구 하 고 GSEA 및 관련된 설정된 농축 접근은 하지 self-evidently 고려 복잡 한 omics 데이터의 분석에 대 한. 여기, 우리가 마우스 모델에서 인간의 샘플에서 omics 데이터 변환 연구에 대 한 이상적인 모델을 식별 비교 하기 위한 프로토콜을 설명 합니다. 우리 인간의 염증 성 질환을 흉내 낸에 사용 되는 마우스 모델의 컬렉션을 기반 프로토콜의 적용을 보여 줍니다. 그러나,이 분석 파이프라인 인간 마우스 비교를 제한 하지 않습니다 이며 더 amendable 연구 질문.

<table><tbody><tr><td>엑셀</td><td>: Microsoft Corporation</td><td></td><td></td></tr></tbody></table>

유전자를 사용 하 여 프로토콜 변환 연구에 대 한 적절 한 동물 모델을 식별 하기 위해 농축 분석 설정

A Protocol for Using Gene Set Enrichment Analysis to Identify the Appropriate Animal Model for Translational Research

Transcriptomic 전통적인 유전자-유전자 비교 기술을 사용 하 여 마우스 모델에서 데이터 집합으로 인간의 질병의 데이터 집합을 비교 하는 최근 연구 결과 대 한 동물 모델의 관련성에 관한 모순 된 결론에 변환 연구입니다. 다른 유전자 표정 분석 사이의 불일치에 대 한 주요 이유는 차동 표현한 유전자의 임의 필터링입니다. 또한, 다른 종과 자주 플랫폼 사이의 단일 유전자의 비교는 인간과 동물 모델에서 데이터 간의 콘/부조화의 오해로 이어지는 기술 차이 의해 제한 됩니다. 따라서, 체계적인 데이터 분석에 대 한 표준화 된 접근법이 필요 합니다. 극복 하기 위해 주관적인 유전자 필터링 및 효과 없는 유전자-유전자 비교, 우리는 최근 유전자 세트 농축 분석 (GSEA) 이러한 문제를 방지 하려면 가능성이 있다 시연. 따라서, 우리는 GSEA 변환 연구에 대 한 적절 하 고 부적 절 한 동물 모델을 구분 하기 위해 사용에 대 한 표준화 된 프로토콜을 개발 했다. 이 프로토콜은 기존 실험 omics 데이터 필요-선험적 새로운 모델 시스템을 설계 하는 방법을 예측할 적당 하다. 그러나, 프로토콜 표준화 된 방식으로 가장 적합 한 동물 모델, 따라서 불필요 한 동물 실험을 피하 하 고 오해의 소지가 변환 연구를 선택 하기 위해 기존 데이터를 해석 하는 방법을 설명 합니다.

GSEA 워크플로 및 모범적인 데이터의 screenshots는 설명 했다. 그림 1 는 transcriptomic 데이터를 포함 하는 유전자 표현 데이터 파일을 보여 줍니다. 모든 연구 설명 형 파일은 필요를 그림 2에 표시 됩니다. 주석이 달린된 유전자 집합 (예를 들어, 경로) 유전자 데이터베이스 설정된 파일 (그림 3)에서 정의 됩니다. 그림 4 는 GSEA 소프트웨어 도구의 사용에 대 한 단계별 프로토콜. 모범적인 결과 보고서는 그림 5에서 주어진 다. 자세한 GSEA 농축 결과 그림 6에 요약 되어 있습니다. 다른 유전자 표현 연...

우리는 유전자 세트 농축 분석 transcriptomic 데이터를 변환 연구를 위한 이상적인 마우스 모델의 사용에 대 한 표준화 된 프로토콜을 제공 합니다. 이 프로토콜 DNA microarray 및 RNA 시퀀싱 데이터와 함께 사용할 수 있습니다 그리고 더 확장 될 수 있습니다 다른 omics 데이터에 데이터를 사용할 수 있는 경우.

Recent studies that compared transcriptomic datasets of human diseases with datasets from mouse models using traditional gene-to-gene comparison ...

이 절차의 전반적인 목표는 중개 연구 질문에 적합한 동물 모델을 식별하는 것입니다. 이 방법은 중개 연구의 한 가지 핵심 질문에 답하는 데 도움이 될 수 있으며, 즉, 조사하고자 하는 특정 인간 질병에 적합한 동물 모델을 어떻게 선택할 수 있습니까? 이 기술의 주요 장점은 동물 모델과 인간 질병 연구 간에 전체 게놈 데이터를 비교한다는 것입니다.따라서 이 접근법은 단일 유전자 비교와 관련된 편향된 해석을 피할 수 있습니다. 이 방법은 염증성 질환에 대한 마우스 모델의 적합성에 대한 통찰력을 제공하지만 다른 질병 모델에도 적용할 수 있습니다. GSEA는 유전자 발현 연구에 대한 정책 규정을 조사하는 데 도움을 줍니다.모든 동물 모델 및 질병 연구의 결과는 추가 비교를 위한 기초가 됩니다. 소프트웨어 및 데이터 다운로드로 이 절차를 시작한 다음 텍스트 프로토콜에 설명된 대로 데이터 처리 및 포맷을 수행합니다. 그런 다음 GSEA 소프트웨어 도구를 엽니다.메인 창의 왼쪽에 있는 데이터 로드 버튼을 클릭합니다. 필요한 데이터 파일을 가져오기 위한 새 탭이 열립니다. 새 탭에서 유전자 발현 데이터 파일과 표현형 파일을 찾습니다.GSEA가 인터넷에 연결할 수 없는 경우 다운로드한 분자 서명 데이터베이스 파일과 DNA 칩 주석 파일도 로드합니다. 성공적으로 가져온 데이터가 데이터 로드 섹션에 나타납니다. 메인 창의 왼쪽에 있는 Run GSEA 버튼을 클릭합니다.분석에 대한 매개변수를 설정하기 위해 새 탭이 열립니다. 탭은 필수 필드, 기본 필드 및 고급 필드의 세 부분으로 세분화됩니다. 필수 필드에서 먼저 표현식 데이터 세트를 선택합니다.그런 다음 연결된 웹 사이트 또는 수동으로 가져온 유전자 세트 파일에서 유전자 세트 데이터베이스를 선택합니다. 표현형 레이블을 편집하여 서로 비교해야 하는 샘플 그룹을 선택합니다. 예를 들어, 질병 그룹 대 건강한 대조군이 있습니다.다음으로, 발현 데이터 세트의 프로브 식별자를 유전자 세트 데이터베이스에서 사용되는 공식 Hugo 유전자 기호로 변환하기 위해 데이터 세트를 유전자 기호와 동일하게 축소를 선택합니다. 발현 데이터 세트에 이미 Hugo 유전자 기호가 포함되어 있는 경우 false를 선택합니다. 순열 수를 기본 설정인 1, 000으로 설정합니다.phenotype permutation은 모든 표현형에 7개 이상의 샘플이 있는 경우에만 권장되므로 permutation type을 gene set으로 변경합니다. 마지막으로, 연결된 웹 사이트 또는 수동으로 가져온 DNA 칩 주석 파일에서 유전자 발현 데이터를 생성하는 데 사용되는 칩 플랫폼을 선택합니다. 기본 필드에서 분석 이름과 이 폴더 섹션의 저장 결과를 편집합니다.또한 추가 통계 매개변수를 변경할 수 있습니다. 매개 변수 및 고급 필드 섹션에 대한 자세한 내용은 GSEA 사용자 가이드를 참조하세요. 유전자 발현 데이터에 대해 외부에서 계산된 그룹 메트릭이 적용되는 경우 GSEA 사전 순위 도구를 사용합니다.이 분석은 유전자 순위를 매기는 데 사용되는 미리 계산된 그룹 메트릭에 미리 할당된 간단한 유전자 목록을 기반으로 수행됩니다. 대체 유전자 발현 파일을로드 한 후 기본 탐색 모음으로 이동하여 Tools, GseaPreranked를 클릭하십시오. 마찬가지로, 해석에 대한 매개변수를 설정할 수 있는 새 탭이 열립니다.그런 다음 창 오른쪽 하단에 있는 실행 버튼을 클릭합니다. GSEA 보고서 섹션에서 성공한 분석을 클릭하여 분석 결과를 엽니다. 그런 다음 Excel 형식의 자세한 보강 결과를 클릭하여 분석 결과를 스프레드시트로 내보냅니다.두 표현형에 대한 결과를 개별적으로 내보냅니다. Excel에서 결과 데이터를 하나의 스프레드시트 파일에 조인합니다. 여러 연구의 유전자 발현 데이터를 나중에 비교하려면 최소한 유전자 세트의 이름, 정규화된 농축 점수 및 FDR 값을 유지하십시오.두 번째 연구와 서로 비교하기 위한 모든 추가 연구에 대해 유전자 세트 농축 분석을 반복합니다. 중개 연구 질문에 대한 최적의 마우스 모델을 식별하기 위해 가능한 한 많은 인간 임상 연구와 다양한 마우스 모델을 포함합니다. 인간의 상황을 모방하기 위한 최적의 동물 모델을 식별하려면 모든 연구의 GSEA 결과를 서로 비교합니다.농축 점수와 FDR 값을 사용하여 경로를 활성화, 억제 또는 둘 다 아님으로 분류합니다. 많은 연구를 비교하려면 R 스크립트를 사용하는 것이 좋습니다. 두 연구의 각 비교에 대해, 3 x 3 분할표에 표시된 대로 경로 조절의 9가지 가능한 조합의 실현 횟수를 세십시오.긍정적 예측치(positive predictive value)와 부정적 예측값(negative predictive value)을 계산하여 두 연구 간의 상관관계를 평가합니다. 또한 ppv 확률 및 npv 확률로 표시되는 우연에 의해 상관 관계가 있을 것으로 예상되는 경로 부분을 추정합니다. 그런 다음 정보의 이득을 계산합니다.모든 계산은 스프레드시트 프로그램을 사용하여 수행할 수 있지만 R 함수를 사용하는 것이 좋습니다. 예를 들어 R 함수, 카이 제곱 검정 또는 스프레드시트 프로그램을 사용하여 카이 제곱 검정으로 P 값을 계산하려면 한 쌍의 스터디에 대한 분할표를 사용합니다. 분할표의 데이터를 행렬 X에 저장합니다.다음으로, 분석을 위해 선택한 모든 스터디 조합에 대한 GSEA 결과를 비교합니다.정보의 이득을 기준으로 모든 조합을 정렬합니다. 많은 데이터 세트를 비교하려면 행렬을 사용하고 색상이 지정된 히트 맵을 사용하여 결과를 시각화합니다. 정보 이득이 가장 높은 동물 모델을 선택합니다.정보 획득의 중요성을 평가하려면 카이 제곱 테스트도 고려하십시오. 인간과 생쥐 연구 간의 경로 비교에 대한 상관 관계 매트릭스가 여기에 설명되어 있습니다. 경로 조절의 중복은 한 연구에서 다른 연구의 효과를 예측하기 위해 얻을 수 있는 정보의 이득으로 표시됩니다.파란색은 낮은 상관 관계를 의미하고 빨간색은 데이터 간의 높은 상관 관계를 의미합니다. 인간과 쥐 데이터 세트를 비교한 결과, 인간 연구와 상관관계가 높은 쥐 모델의 하위 그룹이 나타났습니다. 따라서 이러한 마우스 모델은 인간의 상황을 모방하는 데 가장 적합합니다.반면, 7, 8, 9번째 연구는 인간 질병 연구와 상관관계가 없는 것으로 나타났다. 일단 숙달되면 이 기술을 제대로 수행하면 며칠 안에 완료할 수 있습니다. 데이터의 양과 데이터 가용성에 따라 다릅니다.이 절차를 시도하는 동안 결과의 유효성은 선택한 데이터의 품질과 관련성에 따라 달라진다는 점을 기억하는 것이 중요합니다. 이 비디오를 시청한 후에는 전사체 데이터를 기반으로 특정 인간 질병에 적합한 동물 모델을 선택하는 방법을 잘 이해하게 될 것입니다.

a-protocol-for-using-gene-set-enrichment-analysis-to-identify

Research

연구

JoVE Journal

Biology

생물학

여기, 우리는 개발을위한 체계적인 접근 방법을 제시 생리 학적 관련성이 민감하고...

Danio rerio를 사용하여 병적 인 인간 게놈의 생체 모델링에

이 프로토콜에서 zebrafish 태아, 애벌레, 전체 transcriptome 분석에 대 한 접근을 제공 하거나 셀을 정렬 합니다. 우리는 RNA의 격리, RNASeq 데이터의 통로 분석 및 유전자 표정 변화의 qRT-PCR 기반 유효성 검사를 포함합니다.

샘플 준비 및 제 브라에서 RNASeq 기반 유전자 표현 데이터의 분석

NASA GeneLab 플랫폼 생물 spaceflight 실험에서 소중한 omics 데이터를 자유롭게 액세스를 제공합니다. 어떻게 일반적인 마우스 실험 공간에서 실시 하 고 같은 실험에서 데이터를 액세스 하 고 분석할 수 있습니다 어떻게 설명 합니다.

오픈 액세스 NASA GeneLab 플랫폼을 사용 하 여 마우스 생리학에 Spaceflight의 효과 탐험

여기, 우리 프로토콜 및 관련 만성 스트레스에 노출 된 후 변경 내용을 확인을 쥐 모델을 사용 하 여 메 틸 Seq, epigenomic 플랫폼의 구현을 설명 합니다. 결과 쥐 메 틸-Seq 플랫폼은 쥐에서 스트레스 노출에서 발생 하는 메 틸 화 차이 감지 수를 보여 줍니다.

쥐 메 틸-Seq 플랫폼 관련 스트레스에 노출 된 후 변경 내용을 확인 하

여기에 제시된 프로토콜은 고급 통계 분석 접근법에 품질 관리 및 전처리 단계를 포함하여 원시 읽기에서 기능 분석에 RNA-시퀀싱 전사 데이터를 분석하는 완전한 파이프라인을 설명합니다.

호스트-병원체 상호 작용을 조사하기 위한 고처리량 전사 분석

우리는 유전자 조작 마우스 모델에서 발생하는 종양과 해당 인간 종양 유형에서 발생하는 종양의 치료 표적을 식별하고 비교하기 위해 게놈 분석 및 기능적 게놈 스크리닝을 활용하는 종간 비교 종양유전체학 접근 방식을 개발했습니다.

악성 말초 신경초 종양의 마우스 모델에서 치료 표적을 식별하기 위한 유전자 프로파일링 및 게놈 규모 드롭아웃 스크리닝

현재 작업은 벌크 RNA 시퀀싱 실험에서 사례와 대조군 샘플을 비교하여 생성된 세포 내 신호 전달 경로의 프로필을 기반으로 치료 표적을 예측하고 우선 순위를 지정하는 R 스크립트인 Pathway2Targets 알고리즘을 실행하기 위한 프로토콜을 설명합니다.

인간 차등적으로 발현된 유전자 목록을 사용하여 다운스트림 경로 농축 분석 및 표적 우선 순위 지정 수행

임의의 점 kinematograms과 컴퓨터 - 생성 무척추 동물의 비디오 재생을 고용 op​​erant 조절 패러다임을 사용하는 도마뱀의 시각적 감도를 테스트.

도마뱀의 운동의 속도와 방향에 시각 민감도 테스트

컴퓨터에서 생성된 모델로 재키 용이를 사용하여 자극합니다.

컴퓨터가 만든 동물 모델 자극

이 절차를 빠르게 쉽게 마우스 배아 섬유아 세포 (MEFs) 또는 기타 기본 세포에 가장 적합한 electroporation 조건을 식별하는 유전자 Pulser MXcell의 electroporation 시스템을 사용하는 방법을 보여줍니다. 문제 해결을위한 고려 사항도 관련 비디오 설명합니다.

고효율 기본 셀을 Transfect하는 진 Pulser Electroporation MXcell의 시스템을 사용하여

배우세요 GSEA를 사용하여 전사체 데이터를 분석하고 적절한 마우스 모델을 식별하는 방법을. 이 프로토콜은 번역 연구에서 질병 연구를 위한 최적의 동물 모델 선택을 돕습니다.

유전자를 사용 하 여 프로토콜 변환 연구에 대 한 적절 한 동물 모델을 식별 하기 위해 농축 분석 설정

더 많은 동영상 탐색