Методическая статья

Верифицированный рабочий процесс обработки данных MiRNA-Seq и биоинформатического анализа с использованием R

DOI:

10.3791/68760

⸱

24 октября 2025 г.

 ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

Здесь мы представляем протокол для анализа данных miRNA-Seq с использованием R. Этот рабочий процесс позволяет исследователям изучать регулируемые микроРНК сети и их значение в различных биологических и клинических вопросах. Данная работа призвана послужить практическим руководством как для начинающих, так и для опытных исследователей в области биоинформатики микроРНК.

Аннотация

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

МикроРНК (микроРНК) являются важнейшими посттранскрипционными регуляторами, влияющими на широкий спектр физиологических и патологических процессов. С развитием технологий высокопроизводительного секвенирования miRNA-Seq превратился в мощный инструмент для профилирования паттернов экспрессии микроРНК. Однако для надежной интерпретации таких данных требуется стандартизированный и воспроизводимый конвейер анализа. В данной статье мы представляем верифицированный рабочий процесс обработки данных miRNA-Seq и биоинформатического анализа с использованием R. Этот протокол включает в себя все основные этапы, включая предварительную обработку исходных данных, контроль качества, выравнивание, количественную оценку, нормализацию, анализ дифференциальной экспрессии, прогнозирование мишени, функциональное обогащение и построение регуляторной сети. Разработанный для обеспечения гибкости и прозрачности, рабочий процесс интегрирует широко распространенные пакеты R и поддерживает аннотации для конкретных видов и модульную настройку. Кроме того, пользователям предлагается провести последующую биологическую интерпретацию с использованием курируемых баз данных и инструментов визуализации, таких как Cytoscape. Этот протокол не только поддерживает надежный статистический анализ, но и позволяет получить значимое представление о взаимодействиях микроРНК и мРНК и их роли в механизмах заболевания. Он особенно хорошо подходит как для начинающих, так и для опытных исследователей, проводящих поиск биомаркеров микроРНК, моделирование заболеваний или интегративные мультиомиксные исследования.

Введение

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

МикроРНК (микроРНК) представляют собой короткие некодирующие молекулы РНК, которые существенно влияют на экспрессию генов, действуя на посттранскрипционной стадии1. Обычно они функционируют путем связывания с комплементарными последовательностями в 3'-нетранслируемых областях (UTR) целевых матричных РНК (мРНК), что приводит к деградации мРНК или репрессии трансляции1. За последние два десятилетия микроРНК все чаще признаются в качестве центральных регуляторов различных биологических процессов, включая пролиферацию клеток, дифференцировку, апоптоз, иммунные реакции и развитие органов2. Кроме того, нарушение регуляции экспрессии микроРНК было вовлечено в патогенез многих заболеваний, таких как рак, сердечно-сосудистые заболевания, неврологические расстройстваи заболевания почек. Эти результаты подчеркивают потенциал микроРНК не только в качестве терапевтических мишеней, но и в качестве минимально инвазивных биомаркеров в клинической диагностике.

С появлением технологий секвенирования нового поколения (NGS) изучение микроРНК вступило в новую эру. В отличие от методов, основанных на микрочипах, которые ограничены известными микроРНК, секвенирование микроРНК (miRNA-Seq) обеспечивает всестороннее, высокопроизводительное и несмещенное профилирование как известных, так и новых микроРНК в различных типах образцов и условиях4. miRNA-Seq обеспечивает превосходную чувствительность, точность и динамический диапазон, что делает его предпочтительным методом для исследования паттернов экспрессии микроРНК и обнаружения регуляторных механизмов в физиологических и патологических условиях5. Тем не менее, анализ данных miRNA-Seq сопряжен с определенными вычислительными проблемами, включая обработку коротких длин чтения, удаление адаптерных последовательностей, различение близкородственных членов семейства микроРНК и управление высокой избыточностью при подсчетепрочтений. Эти характеристики обуславливают необходимость тщательно разработанного и стандартизированного аналитического рабочего процесса.

Несмотря на то, что для анализа данных miRNA-Seq были разработаны различные конвейеры и программные инструменты, многие из них опираются на графические пользовательские интерфейсы или фиксированные рабочие процессы, которые ограничивают гибкость и воспроизводимость7. В отличие от этого, среда программирования R предоставляет мощную и настраиваемую платформудля биоинформатического анализа8. R предлагает богатую экосистему пакетов для статистического моделирования, визуализации данных и интеграции с биологическими базами данных. Это позволяет пользователям выполнять всесторонний и воспроизводимый анализ прозрачным и основанным на сценариях способом. Кроме того, модульный характер рабочих процессов R позволяет исследователям адаптировать каждый шаг в соответствии с конкретными экспериментальными требованиями, от предварительной обработки исходных данных до функциональной интерпретации.

В этом протоколе мы представляем проверенный и полный рабочий процесс анализа miRNA-Seq, полностью реализованный на R, с целью предоставления воспроизводимого и адаптируемого к пользователю решения для исследователей, работающих с данными об экспрессии микроРНК. Рабочий процесс начинается с контроля качества и обрезки адаптером необработанных прочтений секвенирования, за которыми следует выравнивание по референсному геному или известным последовательностям микроРНК. Последующие шаги включают количественную оценку количества прочтений, нормализацию, анализ дифференциальной экспрессии, прогнозирование гена-мишени, функциональное обогащение и визуализацию сети. Рабочий процесс включает в себя несколько широко используемых и хорошо поддерживаемых пакетов R, обеспечивающих надежность и совместимость с будущими обновлениями и расширениями.

Одно из основных преимуществ этого протокола заключается в его способности выходить за рамки результатов дифференциальной экспрессии и обеспечивать осмысленную биологическую интерпретацию. Благодаря интеграции курируемых баз данных проверенных и прогнозируемых взаимодействий микроРНК-мРНК рабочий процесс позволяет пользователям идентифицировать биологически значимые гены-мишени. Затем эти мишени могут быть подвергнуты онтологии генов и анализу обогащения путей, чтобы выявить затронутые биологические процессы и молекулярные пути. На заключительном этапе сети взаимодействия микроРНК и мРНК могут быть визуализированы с помощью внешних инструментов, таких как Cytoscape9, что дает представление о регуляторном ландшафте и выявляет ключевые микроРНК-концентраторы с потенциальной функциональной важностью.

Этот метод был успешно применен в контексте клинических исследований, в том числе в исследованиях заболеваний почек, где циркулирующие микроРНК служат многообещающими биомаркерами для диагностики и прогноза. Тем не менее, модульная и гибкая структура рабочего процесса делает его пригодным для широкого спектра приложений, включая моделирование заболеваний, исследования реакции на лекарства, биологию развития и сравнительную геномику. Исследователи могут легко адаптировать рабочий процесс для адаптации к видоспецифичным аннотациям, экспериментальным условиям или дополнительным слоям омиксных данных.

Предлагая решение с открытым исходным кодом на основе сценариев, этот R-ориентированный конвейер устраняет несколько основных ограничений, связанных с существующими инструментами miRNA-Seq, включая ограниченную настройку, зависимость от непрозрачных графических интерфейсов, отсутствие поддержки немодельных организмов, плохую воспроизводимость из-за отсутствия контроля версий и трудности интеграции с последующими средами статистического и функционального анализа. Он обеспечивает полный контроль над параметрами обработки данных, поощряет воспроизводимость с помощью кода с контролем версий и способствует прозрачности исследований в области биоинформатики. По мере того, как важность микроРНК продолжает расти в контексте системной биологии и трансляционной медицины, доступ к надежной и адаптируемой системе анализа становится все более важным.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

ПРИМЕЧАНИЕ: Материалы со ссылками на программное обеспечение перечислены в Таблице материалов.

1. Подготовка образцов РНК и библиотек последовательностей

ПРИМЕЧАНИЕ: Выполняйте экстракцию и секвенирование РНК вне этого вычислительного процесса. Существует несколько способов анализа данных секвенирования микроРНК. В этом разделе представлен контекст одного из практических вопросов.

  1. Извлечение общей РНК: Извлечение общей РНК из биологических образцов с помощью набора, оптимизированного для выделения малых РНК (например, набор для выделения микроРНК). Тщательно следуйте протоколу производителя. Убедитесь, что вы используете расходные материалы, не содержащие РНКазу, и держите образцы на льду, чтобы свести к минимуму деградацию.
  2. Оцените целостность и количество РНК: Пропустите 1-2 мкл выделенной РНК на биоанализаторе или аналогичном устройстве. Проверьте номер целостности РНК (RIN) и убедитесь, что он ≥ 7.0 для надежного секвенирования. Запишите концентрацию с помощью спектрофотометра или флуориметра.
  3. Создание малых библиотек РНК: Подготовка библиотек секвенирования из 1 г общей РНК с использованием коммерческого набора для подготовки библиотек малых РНК-секвенирования. Следуйте протоколу набора для лигейтинга адаптеров, обратной транскрибации и амплификации кДНК. Очистите продукты ПЦР с выбором размера (например, 18-30 нт вставки) для обогащения фрагментами микроРНК.
  4. Библиотеки последовательностей: загрузите библиотеки на платформу секвенирования с высокой пропускной способностью. Установите конфигурацию прогона для одностороннего секвенирования с длиной чтения ~50.н. Убедитесь, что каждый образец генерирует около 10 миллионов необработанных прочтений для достижения достаточной глубины.
  5. Экспорт выходных данных секвенирования: После секвенирования экспортируйте необработанные данные в виде файлов FASTQ с помощью программного обеспечения для вывода данных прибора. Убедитесь, что выходной каталог содержит как последовательные чтения, так и связанные файлы оценки качества. Храните файлы FASTQ в структурированном каталоге для последующего анализа.

2. Предварительная обработка необработанных прочтений и контроль качества

  1. Последовательности адаптеров обрезки
    1. Установите и настройте Cutadapt или fastp.
    2. Запустите обрезку адаптера для каждого файла FASTQ с помощью следующей команды:
      cutadapt -a XXXX -o trimmed_reads.fastq raw_reads.fastq
      ПРИМЕЧАНИЕ: Последовательность адаптера, следующая за «-a», должна применяться с помощью специального набора для подготовки библиотеки мРНК. '-o' определяет имя выходного файла, за которым следует входной файл.
  2. Оценка качества чтения
    1. Используйте FastQC для создания отчетов о контроле качества:
      fastqc trimmed_reads.fastq
    2. Просмотр оценок качества по базе, распределения длины чтения и загрязнения адаптера: откройте HTML-отчет FastQC, созданный для каждого файла FASTQ в веб-браузере. Рассмотрим следующие модули шаг за шагом:
      1. Качество последовательности для каждого основания: Убедитесь, что большинство оснований находятся в зеленой зоне (оценка по Phred ≥30). Обратите внимание на любое снижение качества на 3'-конце, которое может указывать на ошибки секвенирования.
      2. Распределение длины чтения: Убедитесь, что распределение соответствует ожидаемому размеру вставки (например, 18-30 нт для микроРНК). Убедитесь, что нет неожиданных пиков.
      3. Содержимое адаптера: Убедитесь, что последовательности адаптеров были эффективно обрезаны. Убедитесь, что процент загрязнения адаптера близок к нулю после обрезки.
    3. Сохраните сводный отчет FastQC и пометьте все образцы с метриками низкого качества для повторной обрезки или исключения из дальнейшего анализа.

3. Сопоставление прочтений и генерация матриц подсчета

  1. Выравнивание операций чтения по ссылке
    1. Загрузите файл FASTA с референсным геномом или зрелыми последовательностями микроРНК (например, из miRBase)11. Пример:
      wget ftp://mirbase.org/pub/mirbase/CURRENT/mature.fa
    2. Индексируйте референсный геном с помощью галстука-бабочки.
      1. Откройте терминал и выполните следующую команду для построения индекса:
        bowtie-build reference.fa reference_index
      2. Замените reference.fa на фактическое имя файла FASTA.
      3. Замените reference_index нужным префиксом для индекса.
      4. Убедитесь, что Bowtie создает несколько индексных файлов (например, .ebwt). Убедитесь, что эти файлы присутствуют в рабочем каталоге, так как они необходимы для выравнивания.
    3. Выравнивайте считывания с помощью галстука-бабочки с подходящими параметрами для коротких считываний. Пример:
      bowtie -v 0 -a --best --strata reference_index trimmed_reads.fastq > aligned_reads.sam
      ПРИМЕЧАНИЕ: Входной файл - trimmed_reads.fastq, а выходной файл - aligned_reads.sam. '-v 0' означает, что мы не допускаем ошибок во всем чтении. '-a -best -strata' означает, что мы отбрасываем любое выравнивание, в котором больше несоответствий, чем в лучшем.
  2. Количественная оценка экспрессии микроРНК
    1. Конвертируйте файлы SAM в формат BAM с помощью SAMtools.
      samtools view -S -b aligned_reads.sam > aligned_reads.bam
      ПРИМЕЧАНИЕ: Входной файл aligned_reads.sam является результатом выполнения последней команды. Выходной файл aligned_reads.bam подготовлен для последующего анализа.
      1. Используйте SAMtools для сжатия и сортировки файла выравнивания:
        samtools sort aligned_reads.bam -o aligned_reads_sorted.bam
        samtools index aligned_reads_sorted.bam
      2. Убедитесь, что первая команда преобразует файл SAM в формат BAM.
      3. Убедитесь, что вторая команда сортирует файл BAM по геномным координатам.
      4. Убедитесь, что третья команда генерирует индексный файл (.bai), который необходим для последующего анализа.
      5. Прежде чем приступать к количественной оценке, убедитесь, что отсортированный файл BAM и его индекс успешно созданы.
    2. Используйте featureCounts или HTSeq-count для генерации матрицы подсчета с использованием аннотации микроРНК GTF:
      featureCounts -a miRNA.gtf -o counts.txt aligned_reads.bam
      ПРИМЕЧАНИЕ: featureCounts количественно оценивает количество прочтений во входном файле aligned_reads.bam на основе miRNA.gtf и выводит counts.txt.

4. Выполнение анализа дифференциальной экспрессии в R

  1. Данные о подсчете нагрузки
    1. Импортируйте матрицу счетчиков и метаданные выборки в R:
      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)
      ПРИМЕЧАНИЕ: Данные подсчета (counts.csv) и группы образцов (metadata.csv) должны быть предоставлены в DESeq2. «Условие» здесь уточняет группу предоставленных образцов. Для ознакомления с индивидуальными требованиями обратитесь к Руководству DESeq212.
  2. Нормализация и преобразование данных
    1. Нормализуйте данные счетчика с помощью метода DESeq2 по умолчанию:
      dds <- DESeq(dds)
    2. Выполните преобразование, стабилизирующее дисперсию:
      vsd <- vst(dds, blind=FALSE)
    3. Визуализируйте кластеризацию выборки с помощью PCA:
      plotPCA(vsd, intgroup="condition")
  3. Идентификация дифференциально экспрессируемых микроРНК
    1. Извлечение и сортировка результатов дифференциального выражения:
      res <- results(dds)
      resOrdered <- res[order(res$pvalue), ]
      ПРИМЕЧАНИЕ: Мы переупорядочиваем файл результатов 'res' на основе значения pvalue.
      summary(res)
    2. Фильтр для значительно дифференциально экспрессируемых микроРНК (p-значение < 0,05, |log2FC| > 1).
      sig_miRNA <- subset(res, pvalue < 0.05 & abs(log2FC) > 1)
      ПРИМЕЧАНИЕ: Существует несколько пороговых значений для фильтрации значительно измененных микроРНК. Требования 'p-значение < 0,05, |log2FC| > 1' широко применяются. Пороговые значения могут быть скорректированы для отдельных данных.
  4. Визуализируйте изменения выражения лица
    1. Установите и загрузите пакет EnhancedVolcano.
    2. Создадим график вулкана:
      library(EnhancedVolcano)
      EnhancedVolcano(res,
      lab = rownames(res),
      x = 'log2FoldChange',
      y = 'pvalue',
      title = 'Differentially Expressed miRNAs')

5. Прогнозирование генов-мишеней микроРНК

  1. Запросы к базам данных
    1. Используйте онлайн-ресурсы, такие как TargetScan, miRDB и miRTarBase, для поиска конкретных микроРНК и извлечения целевых генов.
    2. Сосредоточьтесь на экспериментально проверенных целях для большей уверенности.
  2. Автоматизируйте прогнозирование в R
    1. Загрузите пакет multiMiR и запросите проверенные целевые объекты:
      library(multiMiR)
      target_results <- get_multimir(mirna = c("hsa-miR-21-5p"), table = "validated")
      ПРИМЕЧАНИЕ: Здесь мы берем, например, "has-miR-21-5p" и получаем проверенные цели.
    2. Извлечение уникальных символов целевых генов для анализа обогащения:
      genes <- unique(target_results@data$target_symbol)

6. Проведение функционального анализа обогащения

  1. Выполнение обогащения ГО
    1. Инструменты для обогащения нагрузки:
      library(clusterProfiler)
      library(org.Hs.eg.db)
      ПРИМЕЧАНИЕ: Здесь мы загружаем базу данных, содержащую аннотации генома человека, которые полезны для преобразования общих идентификаторов генов.
    2. Выполните анализ обогащения GO для биологических процессов:
      ego <- enrichGO(gene = genes,
      OrgDb = org.Hs.eg.db,
      keyType = "SYMBOL",
      ont = "BP",
      pAdjustMethod = "BH",
      pvalueCutoff = 0.05)
      dotplot(ego)
      ПРИМЕЧАНИЕ: Для использования enrichGO мы предоставляем список генов и уточняем, что они номинированы как «СИМВОЛ» здесь. Проведен биологический процесс обогащения, который соответствует параметру 'ont ="BP"'. Мы выполняем множественную тестовую коррекцию, поэтому обозначаем pAdjustMethod = "BH". Для значимого порога мы выбираем pvalueCutoff = 0.05.dotplot представляет визуализированный результат. Для получения дополнительной информации об индивидуальных параметрах обратитесь к Руководству по clusterProfiler13.
  2. Выполнение обогащения путей KEGG
    1. Запустите обогащение KEGG:
      ekegg <- enrichKEGG(gene = genes, organism = 'hsa')
      dotplot(ekegg)
      ПРИМЕЧАНИЕ: Для использования enrichKEGG мы предоставляем список генов и уточняем организм как человеческий («имеет»). dotplot представляет визуализированный результат. Для получения дополнительной информации об индивидуальных параметрах обратитесь к Руководству по clusterProfiler13.

7. Построение и визуализация сети взаимодействия микроРНК и мРНК

  1. Экспорт данных для визуализации сети
  2. Создайте кадр данных из пар генов miRNA-мишень на основе мишеней, сгенерированных с помощью TargetScan, miRDB или miRTarBase.
  3. Запишите таблицу сети в CSV:
    write.csv(miRNA_target_pairs, "network.csv")
  4. Импорт в Cytoscape
    1. Откройте Cytoscape и импортируйте таблицу сети.
    2. Визуализируйте сеть с помощью направленной силы или круговой компоновки.
    3. Анализ топологических свойств (например, центральности степени) для идентификации микроРНК-концентратора.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Мы загрузили матрицу экспрессии микроРНК из GSE133530 и провели дифференциальный анализ экспрессии напрямую. Мы предоставили пример аналитического скрипта R для набора данных в дополнительном файле 1. В наборе данных было проведено глобальное профилирование микроРНК 16 кист почек разного размера (минимальные кисты: менее 1-5 мл, n = 10; средние кисты: от 10 до 25 мл, n = 4; большие кисты: более 50 мл, n = 4) и минимально кистозные ткани (MCT, n = 7, включая 1 репликацию) ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Анализ данных miRNA-Seq сопряжен с определенными трудностями из-за небольшого размера и избыточности прочтений, что делает критически важным строгий контроль качества и предварительную обработку. Одним из самых важных этапов в рабочем процессе является обрезка адаптеров. Поскольку длина микроРНК составляет примерно 22 нуклеотида, адаптерные последовательности могут легко доминировать при чтении, если их не удалить должным образом. Невыполнение точной обрезки может привести к смещению и р...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы заявляют об отсутствии конкурирующих интересов.

Благодарности

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

Мы выражаем признательность финансирующим организациям и партнерам, поддерживающим этот проект. Шанхайский план действий по научным и технологическим инновациям (22Y11905500, 24142201800), Институциональный проект госпиталя ВМС НОАК No 905 (2024Q021), Молодежный исследовательский проект Комитета здравоохранения района Чаннин (2024QN29) и Исследовательский проект Военно-морского медицинского университета (2024QN040).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Agilent-021827 Микрочип микроРНК человекаAgilent/Коммерческая матрица для профилирования микроРНК образцов человека
Га́лстук-ба́бочкаУниверситет Джонса Хопкинсаhttp://bowtie-bio.sourceforge.net/index.shtmlПрограммный инструмент для выравнивания считываний секвенирования с длинными опорными последовательностями
clusterProfiler (пакет R)Биопроводникhttps://bioconductor.org/packages/clusterProfiler/Пакет R, предназначенный для функционального обогащения, анализа и визуализации высокопроизводительных биологических данных.
КатадаптОткрытый исходный кодhttps://cutadapt.readthedocs.ioСредство командной строки, которое удаляет последовательности адаптеров, праймеры, хвосты поли-А и другие нежелательные фрагменты из операций чтения секвенирования с высокой пропускной способностью.
ЦитоспейпКонсорциум Cytoscapehttps://cytoscape.org/Программная платформа с открытым исходным кодом, предназначенная для визуализации и анализа сложных биологических сетей.
DESeq2 (пакет R)Биопроводникhttps://bioconductor.org/packages/DESeq2/Пакет R, предназначенный для дифференциального анализа экспрессии генов в данных подсчета
EnhancedVolcano (пакет R)Биопроводникhttps://bioconductor.org/packages/EnhancedVolcano/  Пакет R, предназначенный для создания графиков вулканов издательского качества.
Функция FastQCБабрахам Биоинформатикаhttps://www.bioinformatics.babraham.ac.uk/projects/fastqc/Инструмент контроля качества с открытым исходным кодом для данных секвенирования с высокой пропускной способностью.
featureCountsПодчтение / SourceForgehttp://subread.sourceforge.net/Программа, используемая для подсчета прочтений, сопоставленных с геномными особенностями
HTSeq-счетчикПакет Pythonhttps://htseq.readthedocs.ioСредство командной строки, которое подсчитывает, сколько выровненных высокопроизводительных прочтений секвенирования перекрывают геномные признаки, такие как гены или экзоны. Я
Бисер экспрессии микроРНК Illumina Human v2Иллюмина /Коммерческая матрица для профилирования микроРНК образцов человека
multiMiR (пакет R)Биопроводникhttps://bioconductor.org/packages/multiMiR/Пакет R, который предоставляет самую большую интегрированную коллекцию предсказанных и экспериментально проверенных микроРНК– целевые взаимодействия вместе с их ассоциациями с болезнями и лекарствами.
орг. Hs.eg.db (пакет R)Биопроводникhttps://bioconductor.org/packages/org.Hs.eg.db/Пакет аннотаций, предназначенный для исследований геномики человека (Homo sapiens).
Программное обеспечение RПроект Rhttps://www.r-project.org/Проект с открытым исходным кодом для статистических вычислений
СтудияПозировать КПБ/Интегрированная среда разработки помогает повысить производительность при работе с R и Python
SAMtoolsОткрытый исходный кодhttp://www.htslib.org/Программный пакет для работы с данными секвенирования нового поколения (NGS).

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

MiRNA ExpressionDifferential ExpressionTarget PredictionFunctional EnrichmentRegulatory NetworkR PackagesCytoscape Visualization

Похожие статьи