两种RNA seq的基因表达量计算方法: 1. RPKM:http://www.plob.org/2011/10/24/294.html 2. RSEM:这个是TCGAdata中使用的.RSEM据说比RPKM更有优势.anyway,原来还以为TCGA 的data需要重新换算成RPKM,现在不需要了~:)

代码如下 df = pd.read_csv("../kmeans/gene.fpkm.csv",header=None) print df.head() #去掉第一行 tdf = df.drop(index=[0]) #去掉第一列 mdf = tdf.drop([0],axis=1) #获取第一列作为行的名称 rownames=tdf[0] #获取第一行作为列的名称 gene=df.loc[0][1:] #修改原始数据库的行列名 mdf.rename(index=rownames, c

初始数据类似: 蛋白质组数据虽不是严格的正态分布,但目前最常用的检验方法还是T检验(两组比较)和方差分析(多组比较).这个话题值得深究,这里不展开. 主要是求多个蛋白的Pvalue值或FDR,用于差异筛选. Pvalue <- c() type<-factor(c(rep("S01CC",3),rep("S11SC",3),rep("S12CC",3),rep("S12SC",3))) for(i in 1:nro

ceRNA 不同于mRNA, lncRNA, ncRNA 等概念,其指的既不是某一种类型的RNA(比如mRNA, lncRNA), 也不是某一类的RNA(如ncRNA); ceRNA 其实指的是不同种类的RNA之间的调控机制,英文名为 competing endogenous RNA , 翻译成中文叫做 " 竞争性内源RNA "; 在这个概念中有两个关键词,竞争和内源, 内源指的是这个调控机制本来在生物体内就存在,而竞争就是这个调控机制的核心: 对于miRNA, 研究的都很成熟,其通过

长链非编码RNA(lncRNA) 转自:http://blog.sina.com.cn/s/blog_909da11301010bkz.html     长链非编码RNA(lncRNA)是一类转录本长度超过200nt的RNA分子,它们并不编码蛋白,而是以RNA的形式在多种层面上(表观遗传调控.转录调控以及转录后调控等)调控基因的表达水平. lncRNA起初被认为是基因组转录的“噪音”,是RNA聚合酶II转录的副产物,不具有生物学功能.然而,近年来的研究表明,lncRNA参与了X染色体沉默,基因组

RNA-seq中的基因表达量计算和表达差异分析 差异分析的步骤:1)比对:2) read count计算:3) read count的归一化:4)差异表达分析: 背景知识:1)比对:普通比对: BWA,SOAP开大GAP比对:Tophat(Bowtie2):2) Read count(多重比对的问题):丢弃平均分配利用Unique region估计并重新分配表达量计算的本质目标基因表达量相对参照系表达量的数值.参照的本质:( 1)假设样本间参照的信号值应该是相同的:( 2)将样本间参照的观测值校

基因组表达分析:如何选择RNA-seq vs. 芯片 发布日期:2017-03-29 10:00 DNA 芯片(上图左侧)由附着在表面的核酸探针组成.首先,从样品中提取 RNA 并转化为互补 DNA(cDNA),用荧光标签(1)进行标记. 接下来标记的 cDNA 片段与芯片(2)上的核酸杂交. 扫描芯片检测每个斑点的荧光水平,从而得到基因表达水平(3). 在 RNA-seq 中,RNA 也从样品中提取并转化为 cDNA,以备用于测序(A). 接下来对 cDNA 文库进行测序(B),将所得读数与基

在转录组测序(RNA-Seq)中,基因的表达量是我们关注的重点.基因表达量的衡量指标有:RPKM.FPKM.TPM. RPKM:Reads Per Kilobase Million:说实话,这个英文说明真的很费解,其实可以理解为“Reads Per Kilobase Per Million Reads”​,即“每一百万条Reads中,对基因的每1000个Base而言,比对到该1000个base的Reads数”,计算公式. FPKM:Fragments per Kilobase Million,F

RNA -seq RNA-seq目的.用处::可以帮助我们了解,各种比较条件下,所有基因的表达情况的差异. 比如:正常组织和肿瘤组织的之间的差异:检测药物治疗前后,基因表达的差异:检测发育过程中,不同的发育阶段,不同的组织之间的基因表达差异 等 在所有检测的差异类型中,最常用的一种检测就是:检测所有mRNA的表达量的差异. 还可以检测 RNA 的结构上的差异.例如:mRNA的剪接方式的差异,即“可变剪接”:还可以检测“融合基因”,同时还可以检测基因单点突变导致的SNP. 测序方法.步骤:人的细胞

背景:c-MET是肝细胞生长因子的酪氨酸激酶受体.MET 14号外显子编码部分c-MET的胞内跨膜结构域,包括重要的调节原件,比如酪氨酸1003,一个降解c-MET的相关酶的结合位点. 拥有MET 14号外显子跳跃突变的个体,可能出现c-MET活性增强,表达量增强. 目的:拥有MET 14号外显子及其内含子侧翼突变的非小细胞肺癌患者可能对c-Met抑制剂有应答.本文中探索了拥有MET 14号外显子突变的患者的临床特征,病理特征,基因特征. 从NGS数据,蛋白表达,转录本表达层面说明拥有met 1

上周收到一条求助信息:“如何用TCGA数据库分析LINC00152在卵巢癌与正常组织的的表达差异?” 所以以这个题目为记录分析过程如下: 一.下载数据 a)进入网站https://cancergenome.nih.gov/   网页截图如下: b)进入数据下载 Launch Data Portal   ,截图如下: 进入数据下载接口后,有Projects Exploration Analysis Repository 四个栏目,我们数据下载可进入Repository菜单栏,截图如下: 网页分成左

见文章:Benchmark of lncRNA Quantification for RNA-Seq of Cancer Samples Overall, 10-16% of lncRNAs can be detected in the samples, with antisense and lincRNAs the two most abundant categories. lncRNA的两大类要知道. lncRNA的表达特点要知道,组织特异性.低表达性. 其实,如果没做链特异性的RNA-se

转自:http://blog.sciencenet.cn/home.php?mod=space&uid=635619&do=blog&id=884213 //今天看到一篇非常好的讲解RNA-seq的文章,mark一下. 1.基本步骤 RNAseq分析大致分下面几个步骤: ①首先要把测到的序列map到基因组上, ②然后根据map到的区段对细胞构建转录本, ③然后比较几种细胞的转录本并且合并, ④最后衡量差异和可变剪切和其他的分析. 2.mapping 可以使用哈希的方法比对,但是由于

/** * Created by bmk on 16-4-25. * * 用法:在自己的js里面把左侧导航的相关图标和对应的列表项名称如下编写: * 版本更新日至按需添加 * 在js中的RNA.run(//开始加载页面数据和样式)中调用: * 用法:在自己的js里面把左侧导航的相关图标和对应的列表项名称如下编写: * 版本更新日至按需添加 * 在js中的RNA.run(//开始加载页面数据和样式)中调用: * var navData = { url: '/static/css/img/Apps-

------------------------------- Long noncoding RNAs are rarely translated in two human cell lines. (蛋白,多肽) Bánfai B, Jia H, Khatun J, Wood E, Risk B, Gundling WE Jr, Kundaje A, Gunawardena HP, Yu Y, Xie L, Krajewski K, Strahl BD, Chen X, Bickel P, Gi

http://blog.sina.com.cn/s/blog_4c1f21000100utyx.html GO是Gene Ontology的简称,是生物学家为了衡量基因的功能而而发起的一个项目,从分子功能(molecular function).生物学过程(biological process)和细胞定位(cellular component)三个面对基因功能进行全面定义. 基因本体论,用于蛋白的功能分类! Gene Ontology可分为分子功能(Molecular Function),生物过

KS检验统计量的扩展应用 KS(Kolmogorov-Smirnov)检验是比较两个经验分布之间是否存在差异. 我们设X1, X2,-, Xm, Y1, Y2,-, Ym为两个独立随机样本,分别满足假设A1和A2,分布函数分别为F, G.现在我们想知道的是X和Y的概率分布之间是否存在差异,我们建立以下假设 H0:F(t) = G(t),  for every t H1:F(t) ≠ G(t),  for at least one t 接下来我们要计算双边双样本统计量J 首先我们需要获得X,Y样本

讲解很详细:http://blog.genesino.com/2016/10/PCA/ PCA分析一般流程: 中心化(centering, 均值中心化,或者中位数中心化),定标(scale,如果数据没有定标,则原始数据中方差大的变量对主成分的贡献会很大.) 根据前面的描述,原始变量的协方差矩阵表示原始变量自身的方差(协方差矩阵的主对角线位置)和原始变量之间的相关程度(非主对角线位置).如果从这些数据中筛选主成分,则要选择方差大(主对角线值大),且与其它已选变量之间相关性最小的变量(非主对角线值很

文献:Sahraeian S M E, Mohiyuddin M, Sebra R, et al. Gaining comprehensive biological insight into the transcriptome by performing a broad-spectrum RNA-seq analysis[J]. Nature Communications, 2017, 8(1):59. 这是一篇在NC上发表的使用RNAseq工具对比的一篇文献,解读这篇文献对我们使用RNAseq

featuresCounts 软件用于定量,不仅可以支持gene的定量,也支持exon, gene bodies, genomic bins, chromsomal locations的定量: 官网 : http://bioinf.wehi.edu.au/featureCounts/ 只需要输入reads的比对情况,就是BAM 文件,再输入一个你感兴趣的区间的注释(通常是基因或者转录本的注释gtf 文件,就可以了),所以不论是DNA seq 还是RNA seq, 这个软件都是可以定量的. fea