| Инд. авторы: | Колмыков С.К., Евшин И.С., Колпаков Ф.А. |
| Заглавие: | Анализ NGS данных по регуляции транскрипции |
| Библ. ссылка: | Колмыков С.К., Евшин И.С., Колпаков Ф.А. Анализ NGS данных по регуляции транскрипции // Распределенные информационно-вычислительные ресурсы. Цифровые двойники и большие данные (DICR-2019): Труды XVII Международной конференции (Новосибирск, 03.12-06.12.2019) / Под ред. О.Л. Жижимова, А.В. Юрченко. - 2019. - Новосибирск: ИВТ СО РАН. - С.107-112. - ISBN: 978-5-905569-14-2. - http://elib.ict.nsc.ru/jspui/bitstream/ICT/4694/21/DICR-2019-V3_p107-112.pdf |
| Внешние системы: | DOI: 10.25743/ICT.2019.80.67.016; РИНЦ: 41579981; |
| Реферат: | rus: База данных GTRD (http://gtrd.biouml.org) содержит более 30000 единообразно обработанных NGS экспериментов по регуляции транскрипции (СhIP-seq, ChIP-exo, DNase-seq, ATAC-seq, MNase-seq и FAIRE-seq). Для обработки этих типов данных были разработаны сценарии для системы управления распределенными вычислениями eGrid и платформы BioUML. eng: The GTRD database (http://gtrd.biouml.org) contains over 30,000 uniformly processed NGS experiments on transcriptional regulation (ChIP-seq, ChIP-exo, DNase-seq, ATAC-seq, MNase-seq and FAIRE-seq). To process these types of data, pipelines have been developed for the eGrid distributed computing management system and the BioUML platform. |
| Ключевые слова: | DNase-seq; ChIP-exo; ChIP-seq; FAIRE-seq; регуляция транскрипции; NGS; BioUML; GTRD; ATAC-seq; |
| Издано: | 2019 |
| Физ. характеристика: | с.107-112 |
| Ссылка: | http://elib.ict.nsc.ru/jspui/bitstream/ICT/4694/21/DICR-2019-V3_p107-112.pdf |
| Конференция: | Название: XVII Международная конференция «Распределенные информационно-вычислительные ресурсы: Цифровые двойники и большие данные» Аббревиатура: DICR-2019 Город: Новосибирск Страна: Россия Даты проведения: 2019-12-03 - 2019-12-06 Ссылка: http://conf.ict.nsc.ru/dicr2019 |
| Цитирование: | [1] Yevshin I. et al. GTRD: a database on gene transcription regulation—2019 update //Nucleic acids re-search. – 2018. – Т. 47. – №. D1. – С. D100-D105. [2] Kolpakov F. et al. BioUML: an integrated environment for systems biology and collaborative analysis of biomedical data //Nucleic acids research. – 2019. – Т. 47. – №. W1. – С. W225-W233. [3] ENCODE Project Consortium et al. An integrated encyclopedia of DNA elements in the human genome //Nature. – 2012. – Т. 489. – №. 7414. – С. 57. [4] Andrews S. FastQC: a quality control tool for high throughput sequence data. http://www.bioinformatics.babraham.ac.uk/projects/fastqc (Дата обращения 10.11.19) [5] Bolger A. M., Lohse M., Usadel B. Trimmomatic: a flexible trimmer for Illumina sequence data // Bioin-formatics. – 2014. – Т. 30. – №. 15. – С. 2114-2120. [6] Langmead B., Salzberg S. L. Fast gapped-read alignment with Bowtie 2 // Nature methods. – 2012. – Т. 9. – №. 4. – С. 357. [7] Broad Institute. Picard Toolkit: Java command line tools for manipulating high-throughput sequencing (HTS) data and formats such as SAM/BAM/CRAM and VCF. https://github.com/broadinstitute/picard. (Дата обращения 10.11.19) [8] Thomas R. et al. Features that define the best ChIP-seq peak calling algorithms //Briefings in bioinfor-matics. – 2017. – Т. 18. – №. 3. – С. 441-450 [9] Zhang Y. et al. Model-based analysis of ChIP-Seq (MACS) // Genome biology. – 2008. – Т. 9. – №. 9. – С. R137. [10] Guo Y., Mahony S., Gifford D. K. High resolution genome wide binding event finding and motif dis-covery reveals transcription factor spatial binding constraints //PLoS computational biology. – 2012. – Т. 8. – №. 8. – С. e1002638. [11] Narlikar L., Jothi R. ChIP-Seq data analysis: identification of Protein–DNA binding sites with SISSRs peak-finder //Next Generation Microarray Bioinformatics. – Humana Press, 2012. – С. 305-322. [12] Zhang X. et al. PICS: probabilistic inference for ChIP‐seq //Biometrics. – 2011. – Т. 67. – №. 1. – С. 151-163. [13] Landt S. G. et al. ChIP-seq guidelines and practices of the ENCODE and modENCODE consortia // Genome research. – 2012. – Т. 22. – №. 9. – С. 1813-1831. [14] Chung D., Zhang Q., Keles S. MOSAiCS-HMM: A model-based approach for detecting regions of histone modifications from ChIP-seq data //Statistical Analysis of Next Generation Sequencing Data. – Springer, Cham, 2014. – С. 277-295. [15] Chen K. et al. DANPOS: dynamic analysis of nucleosome position and occupancy by sequencing //Genome research. – 2013. – Т. 23. – №. 2. – С. 341-351. [16] Rynes E. et al. Hotspot2: Program for identifying genomic regions with statistically significant "hotspots," or enrichments, of cleavage activity in DNase-seq experiments. https://github.com/Altius/hotspot2 (Дата обращения 10.11.19). [17] Genrich: a peak-caller for genomic enrichment assays. https://github.com/jsh58/Genrich (Дата обращения 10.11.19). [18] Piper J. et al. Wellington: a novel method for the accurate identification of digital genomic footprints from DNase-seq data // Nucleic acids research. – 2013. – Т. 41. – №. 21. – С. e201-e201. [19] Kolmykov S. K. et al. Population size estimation for quality control of ChIP-Seq datasets //PloS one. – 2019. – Т. 14. – №. 8. |
