Artykuł metodologiczny

Eksploracja danych i analiza integracyjna biomarkera raka piersi przy użyciu wielu publicznie dostępnych baz danych

DOI:

10.3791/59238

⸱

17 maja 2019

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Thyroid and Breast Surgery, First Affiliated Hospital of Shantou University Medical College, 2Department of Medical Oncology, Cancer Hospital of Shantou University Medical College, 3Shantou University Medical College

W tym artykule

Podsumowanie

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

Tutaj prezentujemy protokół do badania biomarkera i predyktora przeżycia raka piersi na podstawie kompleksowej analizy zbiorczych zestawów danych klinicznych pochodzących z różnych publicznie dostępnych baz danych, wykorzystując strategię ekspresji, korelacji i analizy przeżycia krok po kroku.

Streszczenie

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

W ostatnich latach, powstające bazy danych były projektowane tak, aby obniżać bariery w dostępie do skomplikowanych zestawów danych genomicznych raka, ułatwiając tym samym badaczom analizowanie i interpretację genów, próbek i danych klinicznych dotyczących różnych typów raka. W niniejszym artykule opisujemy praktyczną procedurę operacyjną, biorąc za przykład ID1 (Inhibitor białek wiążących DNA 1), w celu scharakteryzowania wzorców ekspresji biomarkerów i predyktorów przeżycia raka piersi w oparciu o zbiorcze zestawy danych klinicznych pochodzące z dostępnych online baz danych, w tym ONCOMINE, bcGenExMiner v4.0 (Breast cancer gene-expression miner v4.0), GOBO (Gene expression-based Outcome for Breast cancer Online), HPA (atlas białek ludzkich) i ploter Kaplana-Meiera. Analizę rozpoczęto od zbadania wzorca ekspresji interesującego genu (np. ID1) w próbkach nowotworowych w porównaniu z normalnymi próbkami. Następnie przeprowadzono analizę korelacji między ID1 a charakterystyką kliniczno-patologiczną w raku piersi. Następnie profile ekspresji ID1 zostały stratyfikowane według różnych podgrup. Na koniec przeanalizowano związek między ekspresją ID1 a wynikiem przeżycia. Procedura operacyjna upraszcza koncepcję integracji wielowymiarowych typów danych na poziomie genów z różnych baz danych i testowania hipotez dotyczących nawrotu i kontekstu genomowego zdarzeń zmiany genów w raku piersi. Metoda ta może poprawić wiarygodność i reprezentatywność wniosków, a tym samym przedstawić perspektywę informacyjną na interesujący nas gen.

Wprowadzenie

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

Rak piersi jest niejednorodną chorobą o zróżnicowanym rokowaniu i strategiach leczenia w różnych podtypach molekularnych, w której patogeneza i rozwój są prawdopodobnie związane z różnymi mechanizmami molekularnymi1,2,3. Jednak zidentyfikowanie celu terapeutycznego zwykle zajmuje lata, a nawet dekady, od pierwszego odkrycia w badaniach podstawowych do zastosowania klinicznego4. Zastosowanie technologii sekwencjonowania wysokoprzepustowego w genomie nowotworów znacznie posunęło naprzód proces poszukiwania cennych biomarkerów lub celów terapeutycznych 5.

Przytłaczająca ilość danych genomicznych nowotworów generowanych przez platformy genomiki nowotworów na dużą skalę, takie jak ICGC (International Cancer Genome Consortium) i TCGA (The Cancer Genome Atlas), stanowi wielkie wyzwanie dla badaczy do eksploracji, integracji i analizy danych, szczególnie dla użytkowników nieposiadających intensywnego szkolenia w zakresie informatyki i obliczeń6,7,8,9,10. W ostatnich latach nowe bazy danych (np. ONCOMINE, bcGenExMiner v4.0, ploter Kaplana-Meiera itp.) zostały zaprojektowane i opracowane w celu obniżenia poprzeczki w podejściu do skomplikowanych zestawów danych genomowych raka, ułatwiając w ten sposób badaczom analizę i interpretację genów, próbek i danych klinicznych w różnych typach raka11. Celem tego protokołu jest opisanie strategii badawczej, która integruje się z wieloma poziomami informacji o genach z serii baz danych o otwartym dostępie, które zostały szeroko uznane przez wielu badaczy, w celu zidentyfikowania potencjalnych biomarkerów i czynników prognostycznych raka piersi.

Baza danych ONCOMINE to internetowa platforma do eksploracji danych z informacjami o mikromacierzach nowotworowych i została zaprojektowana w celu ułatwienia odkrywania nowych biomarkerów i celów terapeutycznych11. Obecnie w tej bazie danych znajduje się ponad 48 milionów pomiarów ekspresji genów z 65 zestawów danych dotyczących ekspresji genów11,12. bcGenExMiner v4.0 (bezpłatne narzędzie dla instytucji non-profit), zwane również Rak Piersi Gene-Expression Miner, to przyjazna dla użytkownika aplikacja internetowa zawierająca wyniki mikromacierzy DNA 3 414 wyleczonych pacjentów z rakiem piersi i 1 209 doświadczyło pejoratywnego zdarzenia13. Został zaprojektowany w celu poprawy wydajności analizy prognostycznej genów za pomocą oprogramowania i pakietów statystycznych R.

GOBO to wielofunkcyjne, przyjazne dla użytkownika narzędzie online z informacjami o mikromacierzach (np. Affymetrix U133A) z 51-próbkowego zestawu komórek raka piersi i zestawu danych o guzie piersi z 1881 próbek, który pozwala na szeroki wachlarz analiz14. W bazie danych GOBO dostępnych jest wiele aplikacji, które obejmują szybką analizę profili ekspresji genów w różnych podtypach molekularnych guzów piersi i linii komórkowych, badania przesiewowe pod kątem genów o koekspresji w celu stworzenia potencjalnych metagenów oraz analizę korelacji między wynikami a poziomami ekspresji genów pojedynczych genów, zestawów genów lub sygnatur genów w zestawie danych raka piersi15.

Atlas Białek Ludzkich to ogólnodostępny program przeznaczony dla naukowców do badania ludzkiego proteomu, który już przyczynił się do powstania dużej liczby publikacji w dziedzinie biologii i chorób człowieka. Atlas Białek Ludzkich jest uznawany za europejskie źródło informacji dla społeczności nauk przyrodniczych16,17.

Ploter Kaplana Meiera to narzędzie online integrujące ekspresję genów i dane kliniczne jednocześnie, które pozwala ocenić efekt prognostyczny 54 675 genów na podstawie 10 461 próbek raka, w tym 1 065 pacjentów z rakiem żołądka, 2 437 płuc, 1 816 jajników i 5 143 pacjentów z rakiem piersi ze średnim czasem obserwacji 33/49/40/69 miesięcy18. Informacje na temat ekspresji genów, przeżycia wolnego od nawrotu (RFS) i przeżycia całkowitego (OS) można pobrać z tej bazy danych19,20.

Tutaj opisujemy praktyczną procedurę działania polegającą na wykorzystaniu wielu publicznie dostępnych baz danych do porównania, analizy i wizualizacji wzorców zmian w ekspresji interesującego genu w wielu badaniach nad rakiem, w celu podsumowania profili ekspresji, wartości prognostycznych i potencjalnych funkcji biologicznych w raku piersi. Na przykład ostatnie badania wykazały onkogenne właściwości białek ID w nowotworach i były związane z cechami złośliwymi, w tym transformacją komórkową, nieśmiertelnością, zwiększoną proliferacją i przerzutami21,22,23. Jednak każdy członek rodziny ID odgrywa odrębną rolę w różnych typach guzów litych, a ich rola w raku piersi pozostaje niejasna24. W poprzednich badaniach, analizowanych za pomocą tej metody, stwierdziliśmy, że ID1 był znaczącym wskaźnikiem prognostycznym w raku piersi25. W związku z tym protokół weźmie ID1 jako przykład, aby wprowadzić metody eksploracji danych.

Analiza zaczyna się od sprawdzenia wzorca ekspresji interesującego genu w próbkach nowotworowych w porównaniu z normalnymi próbkami w ONCOMINE. Następnie przeprowadzono korelację ekspresji genów będących przedmiotem zainteresowania w raku piersi przy użyciu bc-GenExMiner v4.0, GOBO i ONCOMINE. Następnie profile ekspresji ID1 zostały stratyfikowane według różnych podgrup przy użyciu powyższych trzech baz danych. Na koniec związek między ekspresją ID1 a przeżyciem przeanalizowano przy użyciu bc-GenExMiner v4.0, ludzkiego atlasu białek i plotera Kaplana-Meiera. Procedura operacji została pokazana jako schemat blokowy w Rysunek 1.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

1. Analiza wzorca wyrażeń

  1. Przejdź do interfejsu internetowego ONCOMINE26.
  2. Uzyskaj względne poziomy ekspresji genu ID1 w różnych typach nowotworów złośliwych, wpisując ID1 w polu wyszukiwania.
  3. Wybierz opcję Typ analizy z menu Filtry główne. Następnie wybierz Rak a analiza normalna, Rak piersi a analiza normalna.
  4. Wybierz Widok podsumowania genów z menu INNE WIDOKI. Ustaw próg wartości P na 0,01. Pobierz figures.
    UWAGA: Próg zmiany krotności wynosi 2, jak opisano w poprzednim badaniu27.

2. Analiza korelacji wyrażeń

  1. Przejdź do interfejsu internetowego bc-GenExMiner v4.028.
  2. Wybierz KORELACJA z menu ANALIZA, naciśnij przycisk WYCZERPUJĄCE. Wpisz ID1 w polu wyszukiwania. Naciśnij przycisk Wyślij i przycisk Rozpocznij analizę.
    UWAGA: Ustawienie domyślne pokazuje analizę korelacji ekspresji wszystkich pacjentów, która może być dokładniejsza w różnych podtypach raka piersi po naciśnięciu filtra podtypu Cząsteczka.

3. Analiza podgrup

  1. Analiza podgrup w bc-GenExMiner v4.0
    1. Przejdź do interfejsu internetowego bc-GenExMiner v4.028.
    2. Z menu ANALIZA wybierz WYRAŻENIE, naciśnij przycisk WYCZERPUJĄCE. Wpisz ID1 w polu wyszukiwania i naciśnij przycisk Wyślij oraz przycisk Rozpocznij analizę.
    3. Kliknij miniatury Stan węzłowy (LN) i Stan nachylenia Scarff Bloom & Richardson (SBR), aby wyświetlić pełne obrazy. Na obrazach SBR naciśnij poniższy przycisk, aby wyświetlić wartości P figur. Pobierz dane liczbowe.
  2. Analiza podgrup w Gene Expression-based Outcome for Breast Cancer Online (GOBO)
    1. Przejdź do interfejsu internetowego GOBO14.
    2. Wpisz Gen symbol zainteresowania ID1 na ekranie, prześlij zestaw genów.
    3. Ustaw zakres wyszukiwania Zdefiniuj identyfikatory genu/sondy na Symbol genu. Ustaw wszystko w wyborze guza. Wybierz Stan węzła i Stopień stratyfikowany w parametrach wielu zmiennych. Inne elementy pozostają domyślne. Wyślij zapytanie i pobierz dane liczbowe.

4. Analiza przetrwania

  1. Analiza przeżycia w bc-GenExMiner v4.0
    1. Przejdź do interfejsu internetowego bc-GenExMiner v4.028.
    2. Wybierz PROGNOSTYCZNE z menu ANALIZA, naciśnij przycisk WYCZERPUJĄCE. Wpisz ID1 w polu wyszukiwania i naciśnij przycisk Wyślij oraz przycisk Rozpocznij analizę.
    3. W wyczerpującej analizie prognostycznej wybierz Nm, ERm, MR w kryteriach populacji i zdarzenia, a następnie naciśnij przycisk Prześlij, aby uzyskać więcej informacji. Naciśnij miniatury krzywych Kaplana-Meiera, aby wyeksportować pełne wykresy.
      UWAGA: N (+, -, m): stan węzłowy (+: dodatni, -: ujemny, m: mieszany); ER (+, -, m): status receptora estrogenowego (+: dodatni, -: ujemny, m: mieszany); MR: nawrót przerzutów
  2. Analiza przeżywalności w Atlasie Białek Ludzkich (HPA)
    1. Przejdź do interfejsu internetowego Atlasu białek ludzkich29.
    2. Wpisz ID1 w polu wyszukiwania i kliknij przycisk Szukaj. Wybierz podatlas patologii.
      UWAGA: Poziomy ekspresji mRNA w 17 typach raka są pokazane w sekcji Przegląd ekspresji RNA. Każdą etykietę tkanki nowotworowej na wykresie pudełkowym można kliknąć, aby uzyskać dostęp do szczegółowej strony zawierającej dane analizy przeżycia i poziomy ekspresji RNA.
    3. Kliknij etykietę Rak piersi, a następnie stronę szczegółową, aby wyświetlić interaktywny wykres punktowy przeżycia i analizę przeżycia. Pobierz dane liczbowe.
  3. Analiza przeżycia w Przetrwanie plotera Kaplana-Meiera
    1. Przejdź do interfejsu internetowego plotera Kaplana-Meiera30. Kliknij Uruchom ploter KM dla raka piersi w strefie chipa genu mRNA.
    2. Wpisz ID1 w pasku wyszukiwania i wybierz zieloną pozycję w menu kandydata.
    3. Wybierz RFS jako typ przetrwania, a Inne elementy pozostają domyślne. Kliknij Narysuj wykres Kaplana-Meiera i pobierz rysunki.
      UWAGA: Ustawienia typów przeżycia, typów odcięcia i progu kontynuacji, a także opcje zestawu sondy można zmienić w razie potrzeby. Analizę prognostyczną, w tym ER, PR, HER-2, węzły chłonne, stopień, status Tp53 i podtypy molekularne, można uzyskać, zmieniając ustawienie w polu Ogranicz analizę do podtypów1. Podobnie, ograniczenie filtra leczenia można ustawić w polu Ogranicz analizę do wybranych kohort.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Reprezentatywny wynik eksploracji danych i integracyjnej analizy biomarkera raka piersi został przeprowadzony przy użyciu ID1, jednego z inhibitorów członków rodziny wiążących DNA, które zostały zgłoszone w poprzednim badaniu 25.

Jak wykazano w Rysunek 2, różnice w ekspresji mRNA ID1 między guzem a normalnymi tkankami w wielu typach raka zostały przeanalizowane przy użyciu ba...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Kompleksowa analiza publicznych baz danych może wskazać podstawową funkcję genu będącego przedmiotem zainteresowania i ujawnić potencjalny związek między tym genem a parametrami kliniczno-patologicznymi w określonym nowotworze27,31. Eksploracja i analiza w oparciu o jedną bazę danych może zapewniać ograniczone lub odizolowane perspektywy ze względu na potencjalny błąd systematyczny związany z selekcją lub w pewnym stopniu prawdopodobnie ze względu na różnorodność...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia

Podziękowania

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

Ta praca była częściowo wspierana przez Fundację Nauk Przyrodniczych prowincji Guangdong w Chinach (nr 2018A030313562), Projekt Reformy Nauczania Klinicznej Bazy Nauczania w Guangdong (nr 2016JDB092), Narodową Fundację Nauk Przyrodniczych Chin (81600358) oraz Młodzieżowy Projekt Innowacyjnych Talentów Szkół Wyższych i Uniwersytetów w prowincji Guangdong w Chinach (NR 2017KQNCX073)

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Komputer osobisty lub urządzenie komputerowe z przeglądarką internetową z włączoną obsługą Javascript
Microsoft051690762553Obsługujemy i testujemy następujące przeglądarki: Google Chrome, Firefox 3.0 i nowsze, Safari oraz Internet Explorer 9.0 i nowsze
Adobe Flash PlayerAdobe Systems Inc.Można go bezpłatnie pobrać z http://get.adobe.com/flashplayer/.Ta wtyczka do przeglądarki jest wymagana do wizualizacji sieci na karcie analizy network
.
Chrome BroswerGoogle Inc.Można go bezpłatnie pobrać ze strony https://www.google.cn/chrome/Jest to niezbędne do przeglądania plików PDF, w tym raportów patologicznych i wielu
plików do pobrania.
Java Runtime EnvironmentOracleMożna go pobrać ze strony http://www.java.com/getjava/.
Office 365 ProPlus dla kadry naukowejMicrosoft2003BFFD8117EA68Jest to niezbędne do przeglądania raportów patologicznych oraz do przeglądania wielu plików do pobrania
.
Vectr OnlineVectr Labs Inc.Można z niego swobodnie korzystać od https://vectr.com/newJest to niezbędne do wizualizacji i edycji wielu
plików i zdjęć do pobrania.
, Corporation

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. van 't Veer, L. J., et al. Gene expression profiling predicts clinical outcome of breast cancer. Nature. 415 (6871), 530-536 (2002).
  2. Loi, S., et al. Definition of clinically distinct molecular subtypes in estrogen receptor-positive breast carcinomas through genomic grade. Journal of Clinical Oncology. 25 (10), 1239-1246 (2007).
  3. Cancer Genome Atlas, N. Comprehensive molecular portraits of human breast tumours. Nature. 490 (7418), 61-70 (2012).
  4. Emerson, J. W., Dolled-Filhart, M., Harris, L., Rimm, D. L., Tuck, D. P. Quantitative assessment of tissue biomarkers and construction of a model to predict outcome in breast cancer using multiple imputation. Cancer Informatics. 7, 29-40 (2009).
  5. Yu, H., et al. Integrative genomic and transcriptomic analysis for pinpointing recurrent alterations of plant homeodomain genes and their clinical significance in breast cancer. Oncotarget. 8 (8), 13099-13115 (2017).
  6. He, W., et al. TCGA datasetbased construction and integrated analysis of aberrantly expressed long noncoding RNA mediated competing endogenous RNA network in gastric cancer. Oncology Reports. , (2018).
  7. Liu, J., et al. An Integrated TCGA Pan-Cancer Clinical Data Resource to Drive High-Quality Survival Outcome Analytics. Cell. 173 (2), e411 400-416 (2018).
  8. Esgueva, R., et al. Next-generation prostate cancer biobanking: toward a processing protocol amenable for the International Cancer Genome Consortium. Diagnostic Molecular Pathology. 21 (2), 61-68 (2012).
  9. Joly, Y., Dove, E. S., Knoppers, B. M., Bobrow, M., Chalmers, D. Data sharing in the post-genomic world: the experience of the International Cancer Genome Consortium (ICGC) Data Access Compliance Office (DACO). PLoS Computational Biology. 8 (7), e1002549(2012).
  10. Zhang, J., et al. International Cancer Genome Consortium Data Portal--a one-stop shop for cancer genomics data. Database (Oxford). 2011, bar026 (2011).
  11. Rhodes, D. R., et al. ONCOMINE: a cancer microarray database and integrated data-mining platform. Neoplasia. 6 (1), 1-6 (2004).
  12. Rhodes, D. R., et al. Oncomine 3.0: genes, pathways, and networks in a collection of 18,000 cancer gene expression profiles. Neoplasia. 9 (2), 166-180 (2007).
  13. Jezequel, P., et al. bc-GenExMiner: an easy-to-use online platform for gene prognostic analyses in breast cancer. Breast Cancer Research and Treatment. 131 (3), 765-775 (2012).
  14. , Available from: http://co.bmc.lu.se/gobo/gsa.plb (2018).
  15. Ringner, M., Fredlund, E., Hakkinen, J., Borg, A., Staaf, J. GOBO: gene expression-based outcome for breast cancer online. PLoS One. 6 (3), e17911(2011).
  16. Ponten, F., Jirstrom, K., Uhlen, M. The Human Protein Atlas--a tool for pathology. Journal of Pathology. 216 (4), 387-393 (2008).
  17. Ponten, F., Schwenk, J. M., Asplund, A., Edqvist, P. H. The Human Protein Atlas as a proteomic resource for biomarker discovery. Journal of Internal Medicine. 270 (5), 428-446 (2011).
  18. Gyorffy, B., et al. An online survival analysis tool to rapidly assess the effect of 22,277 genes on breast cancer prognosis using microarray data of 1,809 patients. Breast Cancer Research and Treatment. 123 (3), 725-731 (2010).
  19. Stevinson, C., Lawlor, D. A. Searching multiple databases for systematic reviews: added value or diminishing returns? Complementary Therapies in Medicine. 12 (4), 228-232 (2004).
  20. Yin, J., et al. Integrating multiple genome annotation databases improves the interpretation of microarray gene expression data. BMC Genomics. 11, 50(2010).
  21. Patel, D., Morton, D. J., Carey, J., Havrda, M. C., Chaudhary, J. Inhibitor of differentiation 4 (ID4): From development to cancer. Biochimica et Biophysica Acta. 1855 (1), 92-103 (2015).
  22. Kamalian, L., et al. Increased expression of Id family proteins in small cell lung cancer and its prognostic significance. Clinical Cancer Research. 14 (8), 2318-2325 (2008).
  23. Cruz-Rodriguez, N., et al. High expression of ID family and IGJ genes signature as predictor of low induction treatment response and worst survival in adult Hispanic patients with B-acute lymphoblastic leukemia. Journal of Experimental and Clinical Cancer Research. 35, 64(2016).
  24. Yang, H. Y., et al. Expression and prognostic value of Id protein family in human breast carcinoma. Oncology Reports. 23 (2), 321-328 (2010).
  25. Zhou, X. L., et al. Prognostic values of the inhibitor of DNAbinding family members in breast cancer. Oncology Reports. 40 (4), 1897-1906 (2018).
  26. , Available from: https://www.oncomine.org (2018).
  27. Lin, H. Y., Zeng, L., iang, Y. K., Wei, X. L., Chen, C. F. GATA3 and TRPS1 are distinct biomarkers and prognostic factors in breast cancer: database mining for GATA family members in malignancies. Oncotarget. 8 (21), 34750-34761 (2017).
  28. , Available from: http://bcgenex.centregauducheau.fr/BCGEM/GEM-requete.php (2018).
  29. , Available from: https://www.proteinatlas.org (2018).
  30. , Available from: http://kmplot.com/analysis (2018).
  31. Zhu, Y. F., Dong, M. Expression of TUSC3 and its prognostic significance in colorectal cancer. Pathology-Research and Practice. 214 (9), 1497-1503 (2018).
  32. Nelson, J. C., et al. Validation sampling can reduce bias in health care database studies: an illustration using influenza vaccination effectiveness. Journal of Clinical Epidemiology. 66 (8 Suppl), S110-S121 (2013).
  33. Haibe-Kains, B., Desmedt, C., Sotiriou, C., Bontempi, G. A comparative study of survival models for breast cancer prognostication based on microarray data: does a single gene beat them all? Bioinformatics. 24 (19), 2200-2208 (2008).
  34. Yang, C., et al. Understanding genetic toxicity through data mining: the process of building knowledge by integrating multiple genetic toxicity databases. Toxicology Mechanisms and Methods. 18 (2-3), 277-295 (2008).
  35. Cannata, N., Merelli, E., Altman, R. B. Time to organize the bioinformatics resourceome. PLoS Computational Biology. 1 (7), e76(2005).
  36. Wren, J. D., Bateman, A. Databases, data tombs and dust in the wind. Bioinformatics. 24 (19), 2127-2128 (2008).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Biomarker raka piersipubliczne bazy danychONCOMINEbcGenExMinerGOBOHuman Protein AtlasKaplan Meier Plotteranaliza prze ywalno ci

Powiązane artykuły