菜鸟团一周文献推荐(No.42)
供稿人:曾健明
一句话评价
全长转录组潜力巨大
文章信息
题目:Realizing the potential of full-length transcriptome sequencing
杂志:Philosophical Transactions B
时间:Published:07 October 2019
链接: https://royalsocietypublishing.org/doi/10.1098/rstb.2019.0097
figure
文章介绍:
供稿人:六六
一句话评价
利用多组学数据重构调控网络
文章信息
题目:Integrative approaches to reconstruct regulatory networks from multi-omics T data: A review of state-of-the-art methods
杂志:Computational Biology and Chemistry
时间:August, 2019
链接:
https://doi.org/10.1016/j.compbiolchem.2019.107120
figure
数据整合策略:
文章介绍:
随着测序技术的发展,生命组学数据和医学数据爆炸式增长,单一组学指标并不能够充分反映疾病或正常的生命发育机制,结合多组学从不同层面揭示调控机制将有助于我们更精确的认识生命过程和疾病病因。这篇综述使用state-of-the-art techniques方法概括了调控网络重构的方法,为挖掘多组学数据(基因组、转录组、蛋白质组等)和其他生物数据背后的意义提供了参考。
供稿人:六六
一句话评价
文章信息
题目:Gene network reconstruction using single cell transcriptomic
data reveals key factors for embryonic stem cell differentiation
杂志:bioRxiv
时间:Dec. 21, 2019
链接: https://www.biorxiv.org/content/10.1101/2019.12.20.884163v1
figure
文章介绍:
基因表达数据被广泛用于推测基因调控网络(Gene regulatory networks, GRNs)。单细胞RNAseq数据包含单个细胞的表达信息,非常有利于调控机制的研究。但是,目前从大量的表达数据中明确转录调控机制仍然面临挑战,而且,重构后的调控网络可能无法捕获主要的调控规则。
这篇文章提出了一个新的方法——TENET:从scRNAseq数据中通过传递熵(transfer entropy, TE) 计算基因间的因果关系,从而构建GRNs。他们的结果发现已知的靶基因具有显著高的TE值,且TE值越高的基因受各种干扰的影响越大。与其他方法相比,他们的结果表明TENET优于其他GRN预测算法。还有一个重要的性能是该方法可以鉴定关键的调控因子。将TENET应用于胚胎干细胞向神经细胞分化过程中的scRNAseq数据,他们发现Nme2是2i条件下特异性干细胞自我更新的关键因子。
对如何通过传递熵计算基因间的因果关系,进而构建调控网络的方法感兴趣的同学可以仔细研究原文。(另外该实验室在招博后,感兴趣的也可联系)
不要忘记投票哈
你可能会需要: