Name: Protokół wykorzystania analizy wzbogacenia zestawu genów w celu zidentyfikowania odpowiedniego modelu zwierzęcego do badań translacyjnych (Wideo) | JoVE Journal
Uploaded: 2017-08-16T12:30:00.000+00:00
Duration: 9 min 35 s
Description: Poznaj analizę wzbogacenia zestawu genów (GSEA) do identyfikacji odpowiednich modeli mysich w badaniach translacyjnych. Ta metoda porównuje dane całogenomowe między modelami zwierzęcymi a ludzkimi chorobami.

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

Ta praca została sfinansowana przez Niemiecki Federalny Instytut Oceny Ryzyka (BfR).

<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>

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Modele zwierzęce od dawna są stosowane do badania mechanizmów chorobowych i opracowywania nowych strategii terapeutycznych. Jednak sceptycyzm co do przewidywalności modeli zwierzęcych zaczął się rozprzestrzeniać po niepowodzeniach badań klinicznych12. Co więcej, kontrowersyjne dyskusje na temat odpowiednich strategii analizy i interpretacji danych big omicznych z badań przedklinicznych zostały wywołane przez przeciwstawne wnioski wyciągnięte z tych samych danych po zastosowaniu różnych strategii a...

Modele zwierzęce są powszechnie używane do badania ludzkich chorób, ze względu na ich domniemane podobieństwo do ludzi pod względem genetyki, anatomii i fizjologii. Co więcej, modele zwierzęce często służą jako strażnicy terapii klinicznych i mogą mieć ogromny wpływ na powodzenie badań translacyjnych. Staranny wybór optymalnego modelu zwierzęcego może zmniejszyć liczbę wprowadzających w błąd badań na zwierzętach. Ostatnio kontrowersyjnie dyskutowano o znaczeniu modeli zwierzęcych w badaniach translacyjnych, szczególnie dlatego, że analiza tych samych zestawów danych uzyskanych z ludzkich chorób zapalnych i powiązanych modeli mysich doprowadziła do sprzecznych wniosków 1,2. Dyskusja ta ujawniła podstawowy problem podczas analizy danych omicznych: potrzebne są ustandaryzowane podejścia do systematycznej analizy danych w celu zmniejszenia tendencyjnej selekcji genów i zwiększenia wiarygodności porównań międzygatunkowych 3.
Tradycyjnie, analiza danych transkryptomicznych (i innych danych omicznych) odbywa się na poziomie pojedynczego genu i obejmuje początkowy etap selekcji genów w oparciu o rygorystyczne parametry odcięcia (np. zmiana krotności >2,0, wartość p <0,05). Jednak ustawienie początkowych parametrów odcięcia często jest subiektywne, arbitralne i nieuzasadnione biologicznie, a nawet może prowadzić do przeciwnych wniosków1,2. Co więcej, początkowa selekcja genów na ogół ogranicza analizę do kilku genów o wysokiej i niskiej regulacji, a zatem nie jest wystarczająco czuła, aby objąć większość genów, które były wyrażane w różny sposób w mniejszym stopniu.
Wraz z nadejściem ery genomiki na początku lat 2000 i rosnącą wiedzą o szlakach i kontekstach biologicznych, opracowano alternatywne podejścia statystyczne, które pozwoliły obejść ograniczenia analiz na poziomie pojedynczego genu. Analiza wzbogacenia zestawu genów (GSEA)4, która jest jedną z powszechnie akceptowanych metod analizy danych transkryptomicznych, wykorzystuje a priori zdefiniowane grupy genów (np. szlaki sygnałowe, proksymalne położenie na chromosomie itp.). GSEA najpierw mapuje wszystkie wykryte niefiltrowane geny do zamierzonych zestawów genów (np. szlaków), niezależnie od ich indywidualnej zmiany ekspresji. Podejście to obejmuje zatem również umiarkowanie regulowane geny, które w przeciwnym razie zostałyby utracone w wyniku analiz na poziomie pojedynczego genu. Addytywna zmiana ekspresji w zestawach genów jest następnie wykonywana przy użyciu statystyki sumy bieżącej.
Pomimo szerokiego zastosowania w badaniach medycznych, GSEA i pokrewne podejścia do wzbogacania zbiorów nie są oczywiście brane pod uwagę przy analizie złożonych danych omicznych. W tym miejscu opisujemy protokół porównywania danych omicznych z próbek ludzkich z danymi z modeli mysich w celu zidentyfikowania idealnego modelu do badań translacyjnych. Wykazujemy możliwość zastosowania protokołu w oparciu o zbiór modeli mysich, które są używane do naśladowania ludzkich zaburzeń zapalnych. Jednak ten proces analizy nie ogranicza się do porównań człowieka i myszy i można go dostosować do dalszych pytań badawczych.

<table><tbody><tr><td>Excel</td><td>Microsoft Corporation</td><td></td><td></td></tr></tbody></table>

protokół wykorzystania analizy wzbogacenia zestawu genów w celu zidentyfikowania odpowiedniego modelu zwierzęcego do badań translacyjnych

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

Ostatnie badania, które porównywały transkryptomiczne zestawy danych chorób ludzkich z zestawami danych z modeli mysich przy użyciu tradycyjnych technik porównywania genów z genami, doprowadziły do sprzecznych wniosków dotyczących znaczenia modeli zwierzęcych dla badań translacyjnych. Główną przyczyną rozbieżności między różnymi analizami ekspresji genów jest arbitralne filtrowanie genów o zróżnicowanej ekspresji. Co więcej, porównywanie pojedynczych genów między różnymi gatunkami i platformami jest często ograniczone przez wariancję techniczną, co prowadzi do błędnej interpretacji zgodności / rozbieżności między danymi z modeli ludzkich i zwierzęcych. W związku z tym potrzebne są ustandaryzowane podejścia do systematycznej analizy danych. Aby przezwyciężyć subiektywne filtrowanie genów i nieskuteczne porównania między genami, wykazaliśmy niedawno, że analiza wzbogacenia zestawu genów (GSEA) może potencjalnie uniknąć tych problemów. W związku z tym opracowaliśmy ustandaryzowany protokół korzystania z GSEA, aby odróżnić odpowiednie i nieodpowiednie modele zwierzęce do badań translacyjnych. Protokół ten nie jest odpowiedni do przewidywania, w jaki sposób projektować nowe systemy modelowe a priori, ponieważ wymaga istniejących eksperymentalnych danych omicznych. Protokół opisuje jednak, w jaki sposób interpretować istniejące dane w ustandaryzowany sposób, aby wybrać najbardziej odpowiedni model zwierzęcy, unikając w ten sposób niepotrzebnych eksperymentów na zwierzętach i wprowadzających w błąd badań translacyjnych.

Przedstawiono schemat pracy GSEA oraz zrzuty ekranu przykładowych danych. Rysunek 1 przedstawia plik z danymi ekspresji genów, który zawiera interesujące dane transkrypcyjne. Dla każdego badania wymagany jest opisowy plik fenotypu, który pokazano na Rysunku 2. Adnotowane zestawy genów (np. szlaki metaboliczne) są zdefiniowane w pliku bazy zestawów genów (Rysunek 3). Rysu...

Dostarczamy ustandaryzowany protokół do analizy wzbogacenia zestawu genów danych transkryptomicznych w celu zidentyfikowania idealnego modelu myszy do badań translacyjnych. 
Protokół ten może być używany z danymi z mikromacierzy DNA i sekwencjonowania RNA, a następnie może być rozszerzony na inne dane omiczne, jeśli dane są dostępne.

Protokół wykorzystania analizy wzbogacenia zestawu genów w celu zidentyfikowania odpowiedniego modelu zwierzęcego do badań translacyjnych

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

Ogólnym celem tej procedury jest zidentyfikowanie odpowiedniego modelu zwierzęcego dla translacyjnych pytań badawczych. Metoda ta może pomóc w odpowiedzi na jedno kluczowe pytanie w badaniach translacyjnych: w jaki sposób wybrać odpowiedni model zwierzęcy dla konkretnej choroby ludzkiej, którą chcę zbadać? Główną zaletą tej techniki jest porównywanie danych z całego genomu pomiędzy modelami zwierzęcymi a badaniami nad chorobami ludzi.Dzięki temu podejście to pozwala uniknąć stronniczej interpretacji związanej z porównaniami pojedynczych genów. Chociaż metoda ta dostarcza wiedzy na temat przydatności modeli mysich w badaniach nad chorobami zapalnymi, można ją również zastosować do innych modeli chorób. GSEA pomaga badać regulację polityki w ramach badań nad ekspresją genów.Wyniki dla każdego modelu zwierzęcego i badania choroby stanowią podstawę do dalszych porównań. Rozpocznij tę procedurę od pobrania oprogramowania i danych, a następnie przejdź do obsługi i formatowania danych zgodnie z opisem w protokole tekstowym. Następnie uruchom narzędzie programistyczne GSEA.Kliknij przycisk Load Data po lewej stronie głównego okna. Otworzy się nowa karta służąca do importowania wymaganych plików danych. W nowej karcie wybierz plik z danymi dotyczącymi ekspresji genów oraz plik z fenotypami.W przypadku braku połączenia GSEA z internetem należy również wczytać pobrane pliki bazy sygnatur molekularnych oraz pliki adnotacji mikroarray DNA. Pomyślnie zaimportowane dane pojawią się w sekcji ładowania danych. Kliknij przycisk Run GSEA po lewej stronie głównego okna.Otwarta zostanie nowa karta w celu ustawienia parametrów analizy. Karta jest podzielona na trzy części: pola wymagane, pola podstawowe i pola zaawansowane. W polach wymaganych należy najpierw wybrać zestaw danych ekspresji.Następnie wybierz bazę zestawów genów z podłączonej strony internetowej lub z ręcznie zaimportowanego pliku zestawu genów. Edytuj etykiety fenotypów, aby wybrać grupy próbek, które mają zostać ze sobą porównane. Na przykład grupę chorobową w zestawieniu z grupą kontrolną zdrową.Następnie wybierz opcję collapse dataset to gene symbols równą true, aby przekształcić identyfikatory sond w zbiorze danych ekspresji na oficjalne symbole genów Hugo używane w bazie danych zestawów genów. Wybierz false, jeśli zbiór danych ekspresji zawiera już symbole genów Hugo. Ustaw liczbę permutacji na domyślną wartość 1 000.Zmień typ permutacji na zbiór genów, ponieważ permutacja fenotypowa jest zalecana tylko wtedy, gdy w każdym fenotypie znajduje się więcej niż siedem próbek. Na koniec wybierz platformę mikromacierzy użytą do wygenerowania danych ekspresji genów, albo z połączonej strony internetowej, albo z ręcznie zaimportowanego pliku z adnotacjami chipów DNA. W polach podstawowych edytuj nazwę analizy oraz sekcję zapisu wyników w folderze.Ponadto można zmienić dodatkowe parametry statystyczne. Aby uzyskać więcej szczegółów na temat parametrów i sekcji pól zaawansowanych, należy przejść do przewodnika użytkownika GSEA. Jeśli zastosowane zostaną zewnętrznie obliczone metryki grup dla danych ekspresji genów, należy użyć narzędzia GSEA pre-ranked.Analizę tę przeprowadza się w oparciu o prostą listę genów przypisanych wcześniej do obliczonych wskaźników grupowych, które służą do rankingowania genów. Po wczytaniu alternatywnego pliku z ekspresją genów należy przejść do głównego paska nawigacji i kliknąć Narzędzia, GseaPreranked. W ten sposób otworzy się nowa karta służąca do ustawienia parametrów analizy.Następnie kliknij przycisk Run w prawym dolnym rogu okna. Kliknij zakończoną pomyślnie analizę w sekcji raportu GSEA, aby otworzyć wyniki analizy. Następnie kliknij szczegółowe wyniki wzbogacenia w formacie Excel, aby wyeksportować wyniki analizy do arkusza kalkulacyjnego.Wyeksportuj wyniki oddzielnie dla obu fenotypów. W programie Excel połącz dane z wynikami w jednym pliku arkusza kalkulacyjnego. W celu późniejszego porównania danych o ekspresji genów z kilku badań zachowaj co najmniej nazwę zestawu genów, jego znormalizowany wynik wzbogacenia (normalized enrichment score) oraz wartość FDR.Powtórz analizę wzbogacenia zestawów genów (GSEA) dla drugiego badania oraz dla wszystkich kolejnych badań, które mają zostać ze sobą porównane. Uwzględnij jak najwięcej ludzkich badań klinicznych oraz różnych modeli mysich, aby zidentyfikować optymalny model mysi dla postawionego pytania badawczego w zakresie badań translacyjnych. Aby wyłonić optymalny model zwierzęcy naśladujący sytuację ludzką, porównaj ze sobą wyniki GSEA ze wszystkich badań.Należy wykorzystać wyniki wzbogacenia oraz wartości FDR, aby zaklasyfikować szlaki jako aktywowane, zahamowane lub neutralne. W przypadku porównywania wielu badań zaleca się stosowanie skryptów R. Dla każdego porównania dwóch badań należy policzyć liczbę realizacji dziewięciu możliwych kombinacji regulacji szlaków, zgodnie z tablicą kontyngencji o wymiarach trzy na trzy.Oceń korelację między dwoma badaniami poprzez obliczenie dodatniej wartości predykcyjnej oraz ujemnej wartości predykcyjnej, które z definicji stanowią część ścieżek wykazujących tę samą regulację w obu badaniach. Następnie oszacuj część ścieżek, których korelacja była spodziewana jedynie przypadkowo, reprezentowaną przez ppv chance i npv chance. Na koniec oblicz zysk informacji.Wszystkie obliczenia można wykonać za pomocą programów do arkuszy kalkulacyjnych, jednak zaleca się stosowanie funkcji języka R. Użyj tabeli kontyngencji dla pary badań, aby obliczyć wartość P za pomocą testu chi-kwadrat, na przykład stosując funkcję chi-squared test w programie R lub programy do arkuszy kalkulacyjnych. Przechowuj dane z tabeli kontyngencji w macierzy X. Następnie porównaj wyniki GSEA dla wszystkich kombinacji badań wybranych do analizy.Posortuj wszystkie kombinacje według przyrostu informacji. Do porównania wielu zbiorów danych wykorzystaj macierz i zwizualizuj wyniki za pomocą kolorowej mapy ciepła. Wybierz model zwierzęcy z najwyższym przyrostem informacji.Aby ocenić istotność przyrostu informacji, należy wziąć pod uwagę również test chi-kwadrat. Przedstawiono tutaj macierz korelacji porównań szlaków między badaniami nad ludźmi a badaniami nad myszami. Pokrycie regulacji szlaków jest przedstawione jako przyrost informacji, który można uzyskać z jednego badania, aby przewidzieć efekty w innym badaniu.Kolor niebieski oznacza niską korelację, a czerwony wysoką korelację między danymi. Porównanie zbiorów danych ludzkich i mysich ujawniło podgrupę modeli mysich, które były silnie skorelowane z badaniami prowadzonymi u ludzi. W związku z tym modele mysie te najlepiej nadają się do odwzorowania sytuacji ludzkiej.Z kolei badania siódme, ósme i dziewiąte nie wykazały korelacji z badaniami nad chorobami ludzi. Po opanowaniu techniki tej można ją przeprowadzić w ciągu kilku dni, pod warunkiem prawidłowego wykonania. Czas ten zależy od ilości oraz dostępności danych.Podczas wykonywania tej procedury należy pamiętać, że wiarygodność wyników zależy od jakości i istotności wybranych danych. Po obejrzeniu tego filmu powinni Państwo mieć dobrą wiedzę na temat tego, jak dobrać odpowiedni model zwierzęcy dla konkretnej ludzkiej choroby na podstawie danych transkrypcyjnych.

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

Research

JoVE Journal

Biology

Biologia

Tutaj prezentujemy systematyczne podejście do opracowywania fizjologicznie istotnych, czułych i specyficznych testów in vivo do interpretacji zmienności w ludzkiej patologii. Przejściowa manipulacja genetyczna poprzez mikrowstrzyknięcie WT i zmutowanych ludzkich oligonukleotydów antysensownych mRNA i morfoliny (MO) wykorzystuje podatność rozwijającego się zarodka danio pręgowanego do szybkiego oznaczania mutacji patogennych, zwłaszcza, ale nie wyłącznie, w kontekście zaburzeń rozwojowych...

In vivo (in vivo) Modelowanie chorobliwego genomu ludzkiego przy użyciu Danio rerio

Technologia mikromacierzy umożliwia ilościowe pomiary i profilowanie ekspresji genów transkryptów na poziomie całego genomu. W związku z tym protokół ten zapewnia zoptymalizowaną procedurę techniczną w dwukolorowej, niestandardowej matrycy bydlęcej przy użyciu zarodków bydlęcych dnia 7, aby wykazać wykonalność użycia niewielkiej ilości całkowitego RNA.

Profilowanie transkryptomu zarodków bydlęcych wyprodukowanych in vivo przed implantacją przy użyciu dwukolorowej platformy mikromacierzy

Wzbogacenie środowiska (EE) to środowisko przetrzymywania zwierząt, które służy do ujawniania mechanizmów leżących u podstaw powiązań między stylem życia, stresem i chorobami. Protokół ten opisuje procedurę, która wykorzystuje mysi model nowotworzenia jelita grubego i EE w celu szczegółowego zdefiniowania zmian w różnorodności biologicznej mikrobioty, które mogą mieć wpływ na śmiertelność zwierząt.

Metoda określania wpływu wzbogacania środowiska na bioróżnorodność biomu mikrobiomu jelita grubego w mysim modelu guza jelita grubego

Platforma GeneLab NASA zapewnia nieskrępowany dostęp do cennych danych omicznych z biologicznych eksperymentów kosmicznych. Opisujemy, w jaki sposób typowy eksperyment na myszach jest przeprowadzany w przestrzeni kosmicznej i jak można uzyskać dostęp do danych z takich eksperymentów i je przeanalizować.

Badanie wpływu lotów kosmicznych na fizjologię myszy przy użyciu platformy NASA GeneLab o otwartym dostępie

Tutaj opisujemy protokół i implementację Methyl-Seq, platformy epigenomicznej, wykorzystującej model szczura do identyfikacji zmian epigenetycznych związanych z przewlekłym narażeniem na stres. Wyniki pokazują, że platforma Methyl-Seq u szczurów jest w stanie wykryć różnice w metylacji, które wynikają z ekspozycji na stres u szczurów.

Szczurza platforma sekwencyjna metylu do identyfikacji zmian epigenetycznych związanych z ekspozycją na stres

Rola niedawno odkrytych genów związanych z chorobą w patogenezie zaburzeń neuropsychiatrycznych pozostaje niejasna. Zmodyfikowana technika obustronnej elektroporacji in utero pozwala na transfer genów w dużych populacjach neuronów i badanie przyczynowego wpływu zmian ekspresji genów na zachowania społeczne.

Rurociąg wykorzystujący obustronną elektroporację in utero do badania wpływów genetycznych na zachowanie gryzoni

Protokół przedstawiony tutaj opisuje kompletny potok do analizy danych transkryptomu sekwencjonowania RNA, od surowych odczytów do analizy funkcjonalnej, w tym etapy kontroli jakości i wstępnego przetwarzania do zaawansowanych metod analizy statystycznej.

Wysokoprzepustowa analiza transkryptomu do badania interakcji gospodarz-patogen

Opracowaliśmy międzygatunkowe porównawcze podejście onkogenomiczne, wykorzystując analizy genomiczne i funkcjonalne badania genomowe do identyfikacji i porównania celów terapeutycznych w nowotworach powstających w genetycznie modyfikowanych modelach mysich i odpowiadającym im typie nowotworu ludzkiego.

Profilowanie genetyczne i badania przesiewowe w skali genomu w celu identyfikacji celów terapeutycznych w mysich modelach złośliwego guza osłonki nerwów obwodowych

Obecne prace opisują protokół uruchamiania algorytmu Pathway2Targetes, skryptu R, który przewiduje i priorytetowo nadaje cele terapeutyczne na podstawie profilu szlaków sygnalizacji wewnątrzkomórkowej generowanej przez porównanie próbek przypadków i kontrolnych z eksperymentu sekwencjonowania RNA w masowym składzie.

Wykorzystanie list genów wyrażanych różnicowo ekspresyjnie u człowieka do analizy wzbogacania szlaków w dalszej części i priorytetyzacji celów

Testowanie wrażliwości wizualnej u jaszczurek przy operant paradygmat klimatyzacji, która zatrudnia odtwarzania wideo losowych punktów, kinematograms i generowanych komputerowo bezkręgowców.

Badania wizualne Wrażliwość na prędkość i kierunek ruchu w Jaszczurki

Poznaj analizę wzbogacenia zestawu genów (GSEA) do identyfikacji odpowiednich modeli mysich w badaniach translacyjnych. Ta metoda porównuje dane całogenomowe między modelami zwierzęcymi a ludzkimi chorobami.

Protokół wykorzystania analizy wzbogacenia zestawu genów w celu zidentyfikowania odpowiedniego modelu zwierzęcego do badań translacyjnych (Wideo) | JoVE Journal

Protokół wykorzystania analizy wzbogacenia zestawu genów w celu zidentyfikowania odpowiedniego modelu zwierzęcego do badań translacyjnych

Przeglądaj więcej filmów