Поиск на основе Epigenomic данных, с помощью GeNemo
8 октября 2017 г.
В отличие от данных последовательности ДНК epigenomic данные не подвергаются легко текстовый поиск. Здесь представлены процедуры для использования обновленной версии GeNemo, биоинформатики, веб-инструмент, для проведения на основе шаблонов поиска для сходства в epigenomic данных, сравнение доступных онлайн баз данных, включая Энциклопедия элементов ДНК с данные пользователя.
Общая цель этого видео – показать исследователям в области эпигенетических исследований, как использовать программу GeNemo для получения областей сходства между различными эпигенетическими метками и разными типами клеток. Наша цель при создании этой программы заключалась в том, чтобы позволить исследователям сравнивать функции своих ячеек данных с обширными известными общедоступными базами данных, такими как Encode и Mousington. Информационный поиск с типовым исследованием по ключевым словам.
На грани твоих клеток находятся три К4 праймизации или другие специфические кривые. Хотя эти беспорядки полезны, GeNemo также может искать добавления в фактических данных, а не сходства в описании данных. Предположим, что у вас есть новый белок, борющийся с ДНК, у которого нет или мало априорных знаний о том, к каким эпигенетическим модификациям или количеству клеток он ожидает относиться.
GeNemo все еще может помочь сузить круг потенциальных целей. GeNemo может читать файлы в различных форматах, включая математический и греческий, и будет использовать различные методы сопоставления шаблонов. А теперь мы покажем, как выполнить поиск с помощью GeNemo.
Чтобы использовать GeNemo, вам понадобится собственный файл данных и BED, или формат большого парика, который можно преобразовать из экспериментальных необработанных данных с помощью обычных инструментов биоинформатики, таких как браузер генома UCSC. Для начала перейдите в GeNemo.org. На главной странице вы увидите поисковую строку с вариантами спецификации.
Выберите, с какими видами сравнивать данные. В этом уроке мы будем использовать homosapiens в качестве эталонного вида. Затем выберите свой собственный файл для загрузки в GeNemo.
Этот файл может быть размещен в Интернете или на локальном диске. Скопируйте и вставьте URL-адрес в это поле, если ваши данные находятся в сети. Или нажмите кнопку ниже, чтобы загрузить файл с локальными данными.
Для этого урока мы будем использовать образец файла. Иногда поиск может занять много времени. Если вы не хотите ждать, вы можете указать свой адрес электронной почты в этом поле.
А когда поиск будет завершен, вы получите письмо со ссылкой на результаты. Если вы предоставляете свои собственные данные в формате BED, есть еще один URL-адрес для загрузки большого файла парика просто для демонстрации. В этом поле также можно указать диапазон поиска.
Для того, чтобы указать диапазон поиска, необходимо указать номер хромосомы, а также диапазон пар оснований. Следующие два входных параметра будут прочитаны одинаково. Хромосома 1:1-1000000. Или путем замены знаков препинания пробелами, что и является форматом файла BED.
Хромосома1 1 1 1000000. Теперь нажмите кнопку выбора данных, чтобы выбрать типы треков для поиска. Вы можете установить флажки рядом с каждым образцом данных для поиска по нему, но также есть функция фильтра.
Функция фильтра полезна для выбора нескольких треков одновременно. Здесь вы можете выбрать, из какой категории фильтровать, а также использовать кнопки в нижней части вкладки. Первые три кнопки говорят сами за себя.
Фильтр позволяет снять флажок со всех треков, не принадлежащих к выбранным категориям. Что-то вроде ворот и ворот. С другой стороны, исключение приводит к тому, что выбранные категории становятся неотмеченными.
Как не ворота. Когда вы будете готовы, нажмите кнопку поиска, чтобы начать поиск. Если вы ищете много треков или не указали меньший диапазон поиска, поиск может занять некоторое время.
В окне результатов вы увидите различные разделы генома, в которых файл данных и искомый вид похожи в одной или нескольких указанных вами последовательностях треков. Вы можете нажать кнопку «Загрузить файл BED», чтобы загрузить файл, содержащий список соответствующих регионов. Нажмите кнопку «Показать» в каждом поле, чтобы визуализировать раздел соответствия.
В разделе отображения вы увидите свой собственный трек файлов данных, а также соответствующий трек или треки. Вы можете перемещаться вверх или вниз по течению, перемещая полосу вверху с метками пар оснований. Как вы можете видеть на этом примере, гора здесь является сходством между двумя трассами.
После просмотра этого видео у вас должно сложиться хорошее представление о том, как получить области сходства между различными эпигенетическими маркерами с помощью GeNemo. Результаты поиска GeNemo будут включать эпигенетические маркеры, поиск факторов транскрипции, метилирование ДНК, доступность хромогенов или другие типы сигналов в различных типах тканей, которые имеют схожие паттерны в определенных геномных местах. Исходя из этого, вы можете определить, может ли этот ДНК-связывающий белок взаимодействовать с каким-либо транскрипционным фактором, некоторыми регуляторными элементами или иметь какое-то отношение к структуре хроматина и так далее.
Вы также можете отметить, какие типы тканей имеют наибольшее сходство с вашим набором данных, которые могут применять функцию развития интересующего вас белка. Выполняя такой широкий поиск, GeNemo может вернуть предварительные области, производителей и/или типы клеток за относительно короткий промежуток времени. На основе этих результатов также можно было бы сузить круг потенциальных областей интереса для проведения будущих экспериментов, таких как выбор подходящей клеточной линии для рассматриваемого белка, тестирование взаимодействий со специфическими транскрипционными факторами или эпигенетическая модификация с помощью Co IP, 30C, 4C, 5C или HiC.
Мы надеемся, что этот урок был полезен, и постоянно работаем над улучшением GeNemo. В связи с этим мы будем рады любым отзывам.
Обзор
Эта статья представляет собой руководство по использованию GeNemo, веб-инструмента биоинформатики, предназначенного для поиска по образцам в эпигеномных данных. Исследователи могут сравнивать свои данные с обширными общедоступными базами данных, чтобы определить области сходства между различными эпигенетическими метками и типами клеток.
Основные компоненты исследования
Область науки
- Эпигенетика
- Биоинформатика
- Анализ данных
Предпосылки
- Эпигеномные данные сложно искать с помощью традиционных текстовый-ориентированных методов.
- GeNemo позволяет сравнивать данные пользователей с известными общедоступными базами данных.
- Инструмент поддерживает различные форматы данных и предоставляет варианты визуализации.
- Понимание эпигенетических модификаций важно для изучения регуляции генов.
Цель исследования
- Продемонстрировать, как использовать GeNemo для анализа эпигеномных данных.
- Позволить исследователям определить потенциальные цели, связанные с их данными.
- Способствовать исследованию сходства в эпигенетических маркерах в различных типах клеток.
Используемые методы
- Использование GeNemo для сравнения данных.
- Ввод данных пользователя в формате BED или big wig.
- Выбор видов и треков данных для анализа.
- Визуализация результатов и возможность скачивания совпадающих областей.
Основные результаты
- Определение геномных областей с аналогичными эпигенетическими образцами.
- Возможность визуализации совпадающих участков генома.
- Результаты включают различные эпигенетические маркеры и факторы транскрипции.
- Потенциал для информирования будущих экспериментальных дизайнов на основе полученных данных.
Выводы
- GeNemo является ценным инструментом для исследователей в области эпигенетики.
- Программа повышает способность анализировать и сравнивать эпигеномные данные.
- Приветствуется обратная связь для улучшения функциональности GeNemo.
Часто задаваемые вопросы
Executive Industry Relevance
GeNemo addresses a critical gap in epigenomic data analysis by enabling pattern-based searches across public functional genomic datasets, a capability lacking in traditional text-based tools. This supports target validation and mechanistic de-risking in early discovery by identifying epigenetic signatures associated with disease-relevant cell types and developmental stages. The tool enhances predictive confidence in hypothesis generation for epigenetic modulators and chromatin-associated proteins.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by comparing user epigenomic data against ENCODE datasets to identify shared patterns in histone modifications, transcription factor binding, and chromatin accessibility.
- Operational Value: Supports functional target validation by revealing cell-type-specific epigenetic landscapes that may indicate regulatory mechanisms of DNA-binding proteins.
- Predictive Value: Facilitates portfolio triage by highlighting genomic regions with similar epigenetic marks, helping prioritize targets with stronger mechanistic rationale.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by identifying epigenetic contexts where targets of interest are active, informing assay design.
- Operational Value: Enhances assay standardization and reproducibility by providing quantitative similarity scores and reproducible genomic region outputs.
- Screening Readiness: Enables reliable compound evaluation by defining epigenetically relevant genomic regions for follow-up functional screening.
Translational & Preclinical Research
- Translational Continuity: Connects discovery findings to preclinical validation by identifying epigenetic markers in disease-relevant tissues and developmental stages.
- Biomarker Alignment: Supports translational biomarker development by linking epigenetic patterns to specific cell types and conditions.
- Risk-Adjusted Advancement: Informs decision-making by revealing cross-tissue epigenetic conservation, reducing biological uncertainty in target selection.
Pipeline & Workflow Integration
GeNemo fits within the discovery continuum from hypothesis generation to lead identification, enabling epigenetic data interpretation that informs target selection and assay development.
- Discovery Biology: Supports hypothesis testing and pathway clarification by identifying epigenomic regions with similar patterns to user data across cell types and species.
- Screening: Enhances assay readiness through quantitative outputs and downloadable BED files of matching regions, enabling standardized compound screening in relevant epigenetic contexts.
- Analytics: Provides similarity scores and visualizable genomic tracks that help teams compare epigenetic conditions and prioritize targets.
- Translational Research: Connects to preclinical work by identifying epigenetic signatures in disease-associated tissues, supporting biomarker-aligned target validation.
- Enterprise Reuse: Functions as a reusable bioinformatics capability for epigenomic data interpretation across multiple projects and therapeutic areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing mechanistic ambiguity through epigenomic pattern matching.
- Operational Value: Ensures standardization and scalability via consistent input formats (BED, bigWig) and reproducible search parameters.
- Strategic Value: Improves go/no-go decisions by enabling early epigenetic de-risking, reducing late-stage biological failure risk.
- Portfolio Impact: Supports risk-adjusted prioritization by highlighting targets with strong epigenetic rationale across disease-relevant systems.
Implementation Considerations
- Requires expertise in epigenetics and bioinformatics to interpret pattern-matching results and select appropriate reference datasets.
- Needs access to UCSC genome browser-compatible data formats and internet connectivity for querying ENCODE and other hosted tracks.
- Demands cross-team standardization on data formatting and search parameters to ensure reproducibility across projects.
- Requires adaptation considerations when applying results across model systems (e.g., mouse to human) due to epigenetic divergence.
- Limited to pattern similarity detection; does not infer causal relationships or direct protein-DNA interactions without follow-up validation.
