CN112309496A - 一种基于rna表达值和二级结构的相关性融合方法 - Google Patents
一种基于rna表达值和二级结构的相关性融合方法 Download PDFInfo
- Publication number
- CN112309496A CN112309496A CN202011250596.2A CN202011250596A CN112309496A CN 112309496 A CN112309496 A CN 112309496A CN 202011250596 A CN202011250596 A CN 202011250596A CN 112309496 A CN112309496 A CN 112309496A
- Authority
- CN
- China
- Prior art keywords
- correlation
- mrna
- matrix
- secondary structure
- expression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种基于RNA表达值和二级结构的相关性融合方法，旨在识别长非编码RNA和信使RNA之间的潜在相互作用关系：首先，根据差异分析方法，确定差异表达的长非编码RNA和信使RNA；然后，计算差异表达的长非编码RNA和信使RNA在表达值上的相关性，这个相关性的计算是基于表达值的；其次，计算差异表达的长非编码RNA和信使RNA在二级结构上的相关性，并进行标准化处理，这个相关性的计算是基于最小自由能的；最后，将表达值相关性和二级结构相关性进行融合，获得最终的相关性数据；本发明可以对长非编码RNA和信使RNA之间潜在的相互作用关系进行预测。
Description
技术领域
本发明属于RNA相关性计算技术领域，尤其涉及一种基于RNA表达值和二级结构的相关性融合方法。
背景技术
MRNA是指携带遗传信息的核苷酸转录本，占细胞总RNA的2％～5％，种类多，且代谢十分活跃，是半衰期最短的一种RNA，合成后数分钟至数小时即被分解。lncRNA是指长度大于二百个核苷酸的转录本，与mRNA和起他非编码RNA相比，它有着较低的转录水平和表达值，曾被认为是转录噪声。随着测序技术的发展，越来越多的lncRNA被鉴定出来，GENCODE数据库(v22)已注释了14826个lncRNA。众多研究表明，lncRNA参与许多调控过程，lncRNA特征的鉴定有助于在lncRNA水平上了解发病机制。有众多lncRNA相关的数据库，可以对lncRNA的研究提供帮助。GENCODE是最大的基因注释数据库之一，对lncRNA进行了注释。LNCipedia数据库包含了lncRNA的一些基本的转录和结构信息。NONCODE包含了17个物种的lncRNA信息。
MRNA和lncRNA基于表达值的相关性是指两个RNA在表达值上的相互关联程度，这两个RNA有以下三种相互作用关系：正相关、负相关和不相关。如果一个高的mRNA表达值值对应于另一个高的lncRNA表达值，或一个低的mRNA表达值对应另一个低的lncRNA表达值，那么这个mRNA和lncRNA正相关。反之，如果一个高的mRNA表达值对应于另一个低的lncRNA表达值，那么这两个RNA负相关。如果两个RNA间没有关系，即一个mRNA表达值的变化对另一lnRNA表达值没有明显影响，那么这两个RNA不相关。
RNA的平面结构可以进行折叠，形成二级结构，分析RNA的二级结构，有助于对生物的生理和病理过程进行了解。在基因组水平上对RNA的调控关系进行预测，可以揭示RNA的作用机制。大多数现存的计算mRNA和lncRNA之间调控关系的方法，都是基于表达值的，忽略了它们在二级结构上的相互作用关系。近来已有研究证明，mRNA和lncRNA在二级结构上的调控关系可以影响基因的表达。综上，计算mRNA和lncRNA之间的相关性时，需综合考虑它们在表达值和二级结构上的相互作用关系。
发明内容
要解决的技术问题
为了解决现有技术在相关性计算中忽略了二级结构相互作用关系的问题，本发明提供了一种基于RNA表达值和二级结构的相关性融合方法。
技术方案
一种基于RNA表达值和二级结构的相关性融合方法，其特征在于步骤如下：
步骤1：差异分析，对表达数据进行差异分析，确定差异表达的mRNA和lncRNA；
步骤2：表达值相关性分析，计算两种差异表达的RNA在表达值上的相关性；
步骤3：二级结构相关性分析，计算两种差异表达的RNA在二级结构上的相关性；
步骤4：相关性融合，将前两步计算得到的相关性进行融合，获得最终的相关性数据。
所述的步骤1具体如下：
步骤1-1：从样本的全基因组表达数据中提取mRNA表达数据和lncRNA表达数据；
步骤1-2：对mRNA表达数据进行差异分析，获得差异表达的mRNA，其差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01；
步骤1-3：对lncRNA表达数据进行差异分析，获得差异表达的lncRNA，其差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01。
步骤2中对mRNA和lncRNA的表达值相关性进行计算，构建Spearman相关性矩阵，其定义如下：
相关性矩阵C由四个部分组成，CLL表示差异lncRNA之间的相关性矩阵，CML表示差异mRNA和差异lncRNA之间的相关性矩阵，CLM表示差异lncRNA和差异mRNA之间的相关性矩阵，CMM表示差异mRNA之间的相关性矩阵，显然，CLM和CLM T相等，且为我们所需的共表达矩阵，矩阵中第m个mRNA和第l个lncRNA之间的表达值相关性的定义如下：
其中samp_no表示样本数目，di表示m与l之间秩的差异，C(m,l)的取值范围为[-1，1]，绝对值越大，相关性越强，在给定阈值α的情况下，表达值相关性矩阵定义如下：
p表示共表达关系中涉及的mRNA数目，q则表示涉及的lncRNA数目，矩阵CML(α)中，每行和每列都至少有一个数的绝对值大于等于α。
步骤3中对mRNA和lncRNA的二级结构相关性进行计算，具体如下：
步骤3-1：计算差异mRNA和差异lncRNA在二级结构上的相关性，构建二级结构相关性矩阵，矩阵中第m个mRNA和第l个lncRNA之间的二级结构相关性的定义如下：
其中，s表示第m个mRNA的转录本，t表示第l个lncRNA的转录本，u(m)表示第m个mRNA所拥有的转录本个数，v(s)表示第l个lncRNA所拥有的转录本个数，MFEst表示s和t之间的最小自由能，LEN_Ms表示s的长度，LEN_Lt表示t的长度；所述的最小自由能是指使RNA分子保持稳定的二级结构所需要的最小能量；
步骤3-2：对二级结构相关性信息进行标准化处理，使得二级结构相关性和表达值相关性的取值范围处于同一区域，用到的标准化方法是min-max标准化，定义如下：
其中，minEML(α)是矩阵EML(α)的最小值，maxEML(α)是矩阵EML(α)的最大值，E'(m,l)是标准化处理后的第m个mRNA和第l个lncRNA之间的二级结构相关性。
步骤4中所述的相关性融合方法，将前两步获得的表达值相关性矩阵和二级结构相关性矩阵进行融合，得到融合后的相关性矩阵，具体如下：
其中，ACML(α)表示融合后的相关性矩阵，矩阵中每个元素的定义如下：
根据这个融合后的相关性矩阵，以及矩阵中的lncRNA特征和mRNA特征，可以筛选获得最终需要的关键特征。
有益效果
本发明提出的一种基于RNA表达值和最小自由能的相关性融合方法，可以对表达值信息和二级结构信息进行融合，得到潜在的RNA相互作用信息。有助于对生物的生理和病理过程进行了解。
附图说明
图1是本发明提供的基于RNA表达值和二级结构的相关性融合方法流程图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明公开了一种基于RNA表达值和二级结构的相关性融合方法，该方法流程图如图1所示，包括以下步骤：
S1：差异分析，对mRNA和lncRNA进行差异分析，这一过程具体如下：
S1-1：从样本的全基因组表达数据中提取mRNA表达数据和lncRNA表达数据；
S1-2：对mRNA表达数据进行差异分析，获得差异表达的mRNA，其差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01；
S1-3：对lncRNA表达数据进行差异分析，获得差异表达的lncRNA，其差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01。
S2：相关性分析，对mRNA和lncRNA的表达值相关性进行计算，构建Spearman相关性矩阵，其定义如下：
相关性矩阵C由四个部分组成，CLL表示差异lncRNA之间的相关性矩阵，CML表示差异mRNA和差异lncRNA之间的相关性矩阵，CLM表示差异lncRNA和差异mRNA之间的相关性矩阵，CMM表示差异mRNA之间的相关性矩阵，显然，CLM和CLM T相等，且为我们所需的共表达矩阵，矩阵中第m个mRNA和第l个lncRNA之间的表达值相关性的定义如下：
其中samp_no表示样本数目，di表示m与l之间秩的差异，C(m,l)的取值范围为[-1,1](负数表示负相关，正数表示正相关)，绝对值越大，相关性越强，在给定阈值α的情况下，表达值相关性矩阵定义如下：
p表示共表达关系中涉及的mRNA数目，q则表示涉及的lncRNA数目，矩阵CML(α)中，每行和每列都至少有一个数的绝对值大于等于α。
S3：二级结构相关性分析，对mRNA和lncRNA的二级结构相关性进行计算，这一过程具体如下：
S3-1：计算差异mRNA和差异lncRNA在二级结构上的相关性，构建二级结构相关性矩阵，矩阵中第m个mRNA和第l个lncRNA之间的二级结构相关性的定义如下：
这里，s表示第m个mRNA的转录本，t表示第l个lncRNA的转录本，u(m)表示第m个mRNA所拥有的转录本个数，v(s)表示第l个lncRNA所拥有的转录本个数，MFEst表示s和t之间的最小自由能(最小自由能是指使RNA分子保持稳定的二级结构所需要的最小能量)，LEN_Ms表示s的长度，LEN_Lt表示t的长度；
S3-2：对二级结构相关性信息进行标准化处理，使得二级结构相关性和表达值相关性的取值范围处于同一区域，用到的标准化方法是min-max标准化，定义如下：
这里，minEML(α)是矩阵EML(α)的最小值，maxEML(α)是矩阵EML(α)的最大值，E'(m,l)是标准化处理后的第m个mRNA和第l个lncRNA之间的二级结构相关性。
S4：相关性融合，将前两步获得的表达值相关性矩阵和二级结构相关性矩阵进行融合，得到融合后的相关性矩阵，具体如下：
这里，ACML(α)表示融合后的相关性矩阵，矩阵中每个元素的定义如下：
根据这个融合后的相关性矩阵，以及矩阵中的lncRNA特征和mRNA特征，可以筛选获得最终需要的lncRNA特征。
实施例
本发明采用了TCGA数据库的coad数据进行实验，用perl脚本和R程序对其进行分析，获得最终的相关性融合方法，具体如下：
E1：差异分析，对mRNA和lncRNA进行差异分析，这一过程具体如下：
E1-1：用perl脚本从coad的全基因组表达数据中提取mRNA表达数据和lncRNA表达数据，包含19814个mRNA和14826个lncRNA；
E1-2：用R软件的edger包对mRNA表达数据进行差异表达分析，获得差异表达的mRNA，mRNA的差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01，最终获得2414个差异表达的mRNA，其中683个是上调的，1731个是下调的；
E1-3：用R软件的edger包对lncRNA表达数据进行差异表达分析，获得差异表达的lncRNA，lncRNA的差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01，最终获得420个差异表达的lncRNA，其中138个是上调的，282个是下调的。
E2：相关性分析，对mRNA和lncRNA的表达值相关性进行计算，构建Spearman相关性矩阵，当α设置为0.8时，得到了115个mRNA和27个lncRNA组成的共表达网络，当α设置为0.9时，得到了8个mRNA和6个lncRNA组成的共表达网络；
E3：二级结构相关性分析，对mRNA和lncRNA的二级结构相关性进行计算，当α设置为0.9时，有48个相互作用关系，根据最小自由能计算得到48组二级结构相互作用值；
E4：相关性融合，将α为0.9时的48组相互作用的表达值相关性和二级结构相关性进行融合，融合后的相关性中，有11个值和表达值相关性保持一致，另外37个相关性的值发生了变化，证明有潜在的相互作用关系被识别。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于RNA表达值和二级结构的相关性融合方法，其特征在于步骤如下：
步骤1：差异分析，对表达数据进行差异分析，确定差异表达的mRNA和lncRNA；
步骤2：表达值相关性分析，计算两种差异表达的RNA在表达值上的相关性；
步骤3：二级结构相关性分析，计算两种差异表达的RNA在二级结构上的相关性；
步骤4：相关性融合，将前两步计算得到的相关性进行融合，获得最终的相关性数据。
2.根据权利要求1所述的一种基于RNA表达值和二级结构的相关性融合方法，其特征在于步骤1具体如下：
步骤1-1：从样本的全基因组表达数据中提取mRNA表达数据和lncRNA表达数据；
步骤1-2：对mRNA表达数据进行差异分析，获得差异表达的mRNA，其差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01；
步骤1-3：对lncRNA表达数据进行差异分析，获得差异表达的lncRNA，其差异评估标准是logFC的绝对值大于1.5，调整后的p-value小于0.01。
3.根据权利要求1所述的一种基于RNA表达值和二级结构的相关性融合方法，其特征在于步骤2中对mRNA和lncRNA的表达值相关性进行计算，构建Spearman相关性矩阵，其定义如下：
相关性矩阵C由四个部分组成，CLL表示差异lncRNA之间的相关性矩阵，CML表示差异mRNA和差异lncRNA之间的相关性矩阵，CLM表示差异lncRNA和差异mRNA之间的相关性矩阵，CMM表示差异mRNA之间的相关性矩阵，显然，CLM和CLM T相等，且为我们所需的共表达矩阵，矩阵中第m个mRNA和第l个lncRNA之间的表达值相关性的定义如下：
其中samp_no表示样本数目，di表示m与l之间秩的差异，C(m,l)的取值范围为[-1，1]，绝对值越大，相关性越强，在给定阈值α的情况下，表达值相关性矩阵定义如下：
p表示共表达关系中涉及的mRNA数目，q则表示涉及的lncRNA数目，矩阵CML(α)中，每行和每列都至少有一个数的绝对值大于等于α。
4.根据权利要求1所述的一种基于RNA表达值和二级结构的相关性融合方法，其特征在于步骤3中对mRNA和lncRNA的二级结构相关性进行计算，具体如下：
步骤3-1：计算差异mRNA和差异lncRNA在二级结构上的相关性，构建二级结构相关性矩阵，矩阵中第m个mRNA和第l个lncRNA之间的二级结构相关性的定义如下：
其中，s表示第m个mRNA的转录本，t表示第l个lncRNA的转录本，u(m)表示第m个mRNA所拥有的转录本个数，v(s)表示第l个lncRNA所拥有的转录本个数，MFEst表示s和t之间的最小自由能，LEN_Ms表示s的长度，LEN_Lt表示t的长度；所述的最小自由能是指使RNA分子保持稳定的二级结构所需要的最小能量；
步骤3-2：对二级结构相关性信息进行标准化处理，使得二级结构相关性和表达值相关性的取值范围处于同一区域，用到的标准化方法是min-max标准化，定义如下：
其中，minEML(α)是矩阵EML(α)的最小值，maxEML(α)是矩阵EML(α)的最大值，E'(m,l)是标准化处理后的第m个mRNA和第l个lncRNA之间的二级结构相关性。
5.根据权利要求1所述的一种基于RNA表达值和二级结构的相关性融合方法，其特征在于步骤4中所述的相关性融合方法，将前两步获得的表达值相关性矩阵和二级结构相关性矩阵进行融合，得到融合后的相关性矩阵，具体如下：
其中，ACML(α)表示融合后的相关性矩阵，矩阵中每个元素的定义如下：
根据这个融合后的相关性矩阵，以及矩阵中的lncRNA特征和mRNA特征，可以筛选获得最终需要的关键特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011250596.2A CN112309496B (zh) | 2020-11-10 | 2020-11-10 | 一种基于rna表达值和二级结构的相关性融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011250596.2A CN112309496B (zh) | 2020-11-10 | 2020-11-10 | 一种基于rna表达值和二级结构的相关性融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112309496A true CN112309496A (zh) | 2021-02-02 |
| CN112309496B CN112309496B (zh) | 2021-11-23 |
Family
ID=74325761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011250596.2A Active CN112309496B (zh) | 2020-11-10 | 2020-11-10 | 一种基于rna表达值和二级结构的相关性融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112309496B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113539360A (zh) * | 2021-07-21 | 2021-10-22 | 西北工业大学 | 一种基于相关性优化和免疫富集的lncRNA特征识别方法 |
| DE202022101929U1 (de) | 2022-04-09 | 2022-06-02 | Pradipta Bhowmick | Intelligentes System zur Vorhersage der Sekundärstruktur von RNA unter Verwendung von faltbaren neuronalen Netzen und künstlicher Intelligenz |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170124254A1 (en) * | 2013-01-17 | 2017-05-04 | Edico Genome, Corp. | Genomic infrastructure for on-site or cloud-based dna and rna processing and analysis |
| US20190106732A1 (en) * | 2017-10-05 | 2019-04-11 | Iquity, Inc. | Long non-coding rna gene expression signatures in disease diagnosis |
| CN109637588A (zh) * | 2018-12-29 | 2019-04-16 | 北京百迈客生物科技有限公司 | 一种基于全转录组高通量测序构建基因调控网络的方法 |
| CN110415764A (zh) * | 2019-07-25 | 2019-11-05 | 东南大学 | 利用多数据平台发现长链非编码RNA分子标志物运用ceRNA机制的方法及系统和应用 |
| CN110648719A (zh) * | 2019-09-23 | 2020-01-03 | 吉林大学 | 基于能量和概率的局部结构胃癌耐药lncRNA二级结构预测方法 |
| CN111128299A (zh) * | 2019-12-16 | 2020-05-08 | 南京邮电大学 | 一种结直肠癌预后显著相关ceRNA调控网络的构建方法 |
| CN111192637A (zh) * | 2019-12-27 | 2020-05-22 | 上海派森诺生物科技股份有限公司 | 一种lncRNA鉴定和表达定量的分析方法 |
-
2020
- 2020-11-10 CN CN202011250596.2A patent/CN112309496B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170124254A1 (en) * | 2013-01-17 | 2017-05-04 | Edico Genome, Corp. | Genomic infrastructure for on-site or cloud-based dna and rna processing and analysis |
| US20190106732A1 (en) * | 2017-10-05 | 2019-04-11 | Iquity, Inc. | Long non-coding rna gene expression signatures in disease diagnosis |
| CN109637588A (zh) * | 2018-12-29 | 2019-04-16 | 北京百迈客生物科技有限公司 | 一种基于全转录组高通量测序构建基因调控网络的方法 |
| CN110415764A (zh) * | 2019-07-25 | 2019-11-05 | 东南大学 | 利用多数据平台发现长链非编码RNA分子标志物运用ceRNA机制的方法及系统和应用 |
| CN110648719A (zh) * | 2019-09-23 | 2020-01-03 | 吉林大学 | 基于能量和概率的局部结构胃癌耐药lncRNA二级结构预测方法 |
| CN111128299A (zh) * | 2019-12-16 | 2020-05-08 | 南京邮电大学 | 一种结直肠癌预后显著相关ceRNA调控网络的构建方法 |
| CN111192637A (zh) * | 2019-12-27 | 2020-05-22 | 上海派森诺生物科技股份有限公司 | 一种lncRNA鉴定和表达定量的分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| TARUN PANT.ET.: "Genome-wide differential expression profling of lncRNAs and mRNAs associated with early diabetic cardiomyopathy", 《SCIENTIFIC REPORTS》 * |
| XIGUO YUAN.ET.: "CONDEL: Detecting Copy Number Variation and Genotyping Deletion Zygosity from Single Tumor Samples using Sequence Data.", 《IEEE/ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》 * |
| 黄晓宇: "LncRNA和mRNA对仔猪C型产气荚膜梭菌腹泻抗性的调控机制研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113539360A (zh) * | 2021-07-21 | 2021-10-22 | 西北工业大学 | 一种基于相关性优化和免疫富集的lncRNA特征识别方法 |
| DE202022101929U1 (de) | 2022-04-09 | 2022-06-02 | Pradipta Bhowmick | Intelligentes System zur Vorhersage der Sekundärstruktur von RNA unter Verwendung von faltbaren neuronalen Netzen und künstlicher Intelligenz |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112309496B (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Anreiter et al. | New twists in detecting mRNA modification dynamics | |
| Xu et al. | The R-loop is a common chromatin feature of the Arabidopsis genome | |
| Linder et al. | Single-nucleotide-resolution mapping of m6A and m6Am throughout the transcriptome | |
| Gruber et al. | Contrasting properties of gene-specific regulatory, coding, and copy number mutations in Saccharomyces cerevisiae: frequency, effects, and dominance | |
| Barrass et al. | Transcriptome-wide RNA processing kinetics revealed using extremely short 4tU labeling | |
| Leong et al. | A global non-coding RNA system modulates fission yeast protein levels in response to stress | |
| Ding et al. | In vivo genome-wide profiling of RNA secondary structure reveals novel regulatory features | |
| Miller et al. | Dynamic transcriptome analysis measures rates of mRNA synthesis and decay in yeast | |
| CN112309496B (zh) | 一种基于rna表达值和二级结构的相关性融合方法 | |
| Gautam et al. | Identification of extracellular miRNA in archived serum samples by next-generation sequencing from RNA extracted using multiple methods | |
| Lugowski et al. | DRUID: a pipeline for transcriptome-wide measurements of mRNA stability | |
| Yao et al. | A comparison of experimental assays and analytical methods for genome-wide identification of active enhancers | |
| Bader et al. | Negative feedback buffers effects of regulatory variants | |
| Selega et al. | Robust statistical modeling improves sensitivity of high-throughput RNA structure probing experiments | |
| CN114708910B (zh) | 一种利用单细胞测序数据计算池测序中细胞亚群富集分数的方法 | |
| Shao et al. | Identification and characterization of circular RNAs in Ganoderma lucidum | |
| Wiener et al. | Decoupling of degradation from deadenylation reshapes poly (A) tail length in yeast meiosis | |
| Sheikh Hassani et al. | A semi-supervised machine learning framework for microRNA classification | |
| Schmid et al. | Simultaneous measurement of transcriptional and post-transcriptional parameters by 3′ end RNA-Seq | |
| Duan et al. | Evaluation of epitranscriptome-wide N6-methyladenosine differential analysis methods | |
| Jani et al. | Noncoding RNAs: Database and Tools | |
| Cooper et al. | Features of functional human genes | |
| Gu et al. | Analysis of allele specific expression-a survey | |
| CN113539360B (zh) | 一种基于相关性优化和免疫富集的lncRNA特征识别方法 | |
| Yao et al. | GEREA: Prediction of Gene Expression Regulators from Transcriptome Profiling Data to Transition Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |