技術服務熱線:800-820-5086 | 400-880-5086 登錄 | 注冊 ENGLISH

生信分析



轉錄因子分析及網絡構建
轉錄因子與基因表達調控區域的特異性結合是基因表達的重要調控方式。針對特定轉錄因子的實驗,可對差異基因進行轉錄因子結合位點的motif分析,從而推測差異基因中有哪些基因可能直接受該轉錄因子調節。后結果會用統計學方法進行檢驗,找到調控目標生物性狀,統計學上有顯著差別的轉錄因子。找到差異的轉錄因子及其調控的靶基因,我們可以構建TF-network,從中得出關鍵的轉錄因子及被關鍵轉錄因子轉錄調控的基因,系統的研究轉錄因子與基因的調控關系。

查看詳情

基因相互作用網絡圖
將客戶關注基因進行基于實驗驗證,其他親緣物種數據庫檢索、文獻挖掘等多種信息進行基因互作網絡的構建,利用圖論的方法計算出關鍵核心基因。

查看詳情

共表達網絡圖(Coexpression Network)
根據基因表達信號值的動態變化,計算基因間的共表達關系,得到基因間的表達調控關系及調控方向,從而構建基因的表達調控網絡。利用共表達網絡圖,研究者可通過分析基因調控能力,獲得樣本隨實驗變化的核心調控基因。

查看詳情

加權基因共表達網絡分析(WGCNA)
尋找協同表達的基因模塊(module),并探索基因網絡與關注的表型之間的關聯關系,以及網絡中的核心基因。

查看詳情

microRNA與靶基因網絡圖
將顯著性功能與顯著性Pathway所包含的靶基因取交集后與microRNA構建microRNA靶基因調控網絡,可以在全局的水平上直觀的反應基因之間的相互關系,同時反映了基因調控網絡的穩定性。根據網絡中microRNA的位置函數計算出microRNA在網絡中的關系強度,即microRNA的網絡特征值。特征值高 microRNA處于網絡的樞紐性地位,該microRNA調控能力強,對網絡結構和樣本性狀有重要的調控價值,同時從網絡中也可以得到被 microRNA調控的關鍵靶基因。

查看詳情

microRNA-GO-network
對篩選出的核心靶基因進行GO富集分析,通過靶基因的功能來關聯microRNA與GO之間的關系,從而間接得到microRNA調控靶基因影響的功能。

查看詳情

microRNA-pathway-network
對篩選出的核心靶基因進行pathway富集分析,通過靶基因的功能來關聯microRNA與pathway之間的關系,從而間接得到microRNA調控靶基因影響的通路。

查看詳情

信號通路調控網絡構建(Pathway-Network)
根據所有差異基因同時參與的Pathway之間的相互調控關系構建信號通路調控網絡,從系統的角度研究各個信號通路間的信號傳導和調控過程,在多個顯著性Pathway中發現受實驗影響的核心Pathway,以及實驗影響的信號通路之間的調控機理。

查看詳情

趨勢分析
根據基因在時間點(濃度,(正常,病人,用藥)等)上的變化情況,按照基因的表達趨勢進行相應的聚類,利用超幾何檢驗找到具有顯著性意義的趨勢,并從中挖掘與趨勢變化相關的基因。

查看詳情

lncRNA和mRNA共表達分析
根據基因表達信號值的動態變化,計算基因間的共表達關系,得到基因間的表達調控關系及調控方向,從而構建基因的表達調控網絡。通過研究lncRNA與mRNA的共表達關系,研究者可通過分析lncRNA調控能力,獲得樣本隨實驗變化的核心調控lncRNA。

查看詳情

功能層次網絡構建(GO-Network)
基于GO的層次結構,將所有差異基因同時參與的顯著性GO及其相互從屬關系構建功能網絡,從全局角度,系統地概括功能間相互作用關系及所屬分層關系。

查看詳情

ceRNA調控網絡
建立了一個計算的機制來使circRNA(lncRNA)作為ceRNA來保護mRNA不受miRNA的降解。基于基因的表達值,通過回歸模型分析以及種子序列的匹配的方法,建立microRNA的海綿吸附作用的調控網絡。

查看詳情

基于mRNA表達的GSEA分析
利用不同類型數據庫(功能,通路等)的基因集,將基因集中的基因按照在實驗組與對照組樣本中的差異表達賦予不同的權重,然后檢驗設定的基因集的基因表達變化對某一個基因集(功能或通路等)的影響是否具有顯著性意義。

查看詳情

時間序列的共表達網絡
根據基因表達信號值隨著時間序列的變化,計算基因間的共表達關系,得到基因間的表達調控關系及調控方向,從而構建基因的表達調控網絡。利用此網絡圖,研究者可通過分析基因調控能力,獲得樣本在時間過程中起調控作用的基因。

查看詳情

分子建模預測
采用模式識別與數據挖掘技術有效進行模型的構建,將部分數據拿來做訓練集預測模型,然后部分數據作為測試數據集(獨立樣本)來驗證模型的準確性。目的在于利用實驗數據來篩選出一批靶標基因,并以此構建模型。小樣本數據的建模在于篩選并評判maker的穩定性,便于后期實驗驗證;大樣本數據的建模用于進行早期診斷、疾病預測。

查看詳情

Canonical pathways analysis
通過IPA的Ingenuity® Knowledge Base數據庫,進行Fisher精確檢驗得到具有顯著性意義的pathway。運用客戶特定的實驗結果來計算每個pathway的z-score值預測pathway激活或者抑制。

查看詳情

Diseases and Bio Functions
此分析通過IPA的Ingenuity® Knowledge Base數據庫,進行Fisher精確檢驗得到具有顯著性意義的Diseases和Bio Functions(Bio Functions類似GO),從而可以得到特定實驗數據的生物的趨勢,并且預測基因表達的改變對生物過程的影響,比如說是減少還是增強。

查看詳情

基因的信號通路網絡圖
此分析通過IPA的Ingenuity® Knowledge Base數據庫,基于基因的表達情況和相應的生物學功能,進行信號通路分析,直觀展示基因的表達情況及與其他基因之間的相互作用關系。

查看詳情

上游調控分析
IPA從基因上游調控出發,篩選出基因的上游調控因子,并預測上游調控因子與對應基因的激活與抑制調控情況。

查看詳情

調控機制分析
機制調控網絡是根據轉錄因子抑制或者激活下游基因,進而影響某些生物學功能。通過Consistency Score篩選出關鍵的信號轉導調控機制。

查看詳情



相扑君的逆袭电子游戏 澳客彩票网 山东11选五5开奖最新结果 用电脑怎么做兼职赚钱吗 哪个平台用御彩轩计划软件 甘肃十一选五开奖视频 山西快乐10分开奖结果 AG捕鱼王ApP 重庆时时彩5码个位技巧 时时彩后1稳赚方法 微信麻将群主赌博 安徽11选5走势图 开奖结果走势 爱彩乐 前三组选包胆 技巧 淘宝卖洗衣粉赚钱吗 双色球开奖在哪个频道 北京pk拾彩票改20分钟 大富豪电玩城可提现