אררו הוא מבוסס על MACS (דגם ניתוח מבוסס על נתונים שבב Seq).
רצף תפוקה גבוהה מצמידים את המשקעים חיסוניים הכרומטין (שבב Seq) נמצא בשימוש נרחב באפיון הגנום דפוסים מחייבים של גורמי שעתוק, קו-פקטורים, מכפילי הכרומטין, וחלבוני DNA מחייב אחרים. צעד מפתח בניתוח נתונים שבב Seq הוא למפות קצר קורא מרצף תפוקה גבוהה להגנום התייחסות ולזהות אזורי שיא מועשרים קצרים קורא.
למרות כמה שיטות הוצעו לניתוח שבב Seq, רוב שיטות isting לשעבר רק לשקול קורא שיכול להיות ממוקם באופן ייחודי בגנום ההתייחסות, ולכן יש להם כוח נמוך לאיתור פסגות ומקס cated בתוך רצפים חוזרים. כאן אנחנו מציגים התקרבות הסתברותי לניתוח נתונים שבב Seq אשר מנצלת כל קוראת, המספק תצוגה באמת הגנום של דפוסים מחייבים.
קורא הם מודל באמצעות מודל תערובת המתאים ל- K אזורים מועשר ורקע הגנומי null. אנו משתמשים בסבירות המרבית להעריך את מיקומם של האזורים מועשרים, וליישם ציפייה-מיצוי (EM) אל gorithm, נקרא אררו, כדי לעדכן את הסתברויות היישור של כל לקרוא למקומות שונים הגנומי.
לקבלת מידע נוסף, ראו נייר שלנו בRECOMB 2011 או לבקר באתר האינטרנט שלנו: http://cbcl.ics.uci.edu/AREM
אררו מבוסס על המתקשר הפופולרי שיא MACS, כמפורט להלן:
עם השיפור של טכניקות רצף, immunoprecipitation הכרומטין אחרי רצף תפוקה גבוה (שבב Seq) הוא מקבל פופולרי ללמוד אינטראקציות החלבון-דנ"א הגנום. כדי לטפל בחוסר שיטת ניתוח שבב Seq החזק, אנו מציגים אלגוריתם רומן, בשם ניתוח של שבב Seq (MACS) המבוסס על דגם, לזיהוי גורם תמליל אתרי קישור.
MACS לוכד את ההשפעה של מורכבות הגנום להעריך את המשמעות של אזורי שבב מועשרים, וMACS משפר את הרזולוציה מרחבית של אתרי קישור דרך שילוב המידע משתי עמדת תג רצף וכיוון. . MACS יכול לשמש בקלות לנתונים שבב Seq לבד, או עם מדגם שליטה עם הגידול של סגוליות
דרישות :
- > פייתון
תגובות לא נמצא