Name: pattern-based search of epigenomic data using genemo
Uploaded: 2017-10-08T13:00:00.000+00:00
Duration: 6 min 38 s
Description: Watch this Scientific Journal Video about Pattern-based Search of Epigenomic Data Using GeNemo at JoVE.com

Questo lavoro è stato supportato da NIH sovvenzioni inclusi DP1HD087990 da NICHD, R01HG008135 da NHGRI. Ringraziamo i membri del laboratorio Zhong per prezioso feedback.
Autore di contributi: X.C. e A.T.Z. aggiornamento GeNemo codificando la nuova interfaccia e funzionalità; A.T.Z. prodotto il video di esempio in-House; A.T.Z., x. c e S.Z. ha scritto il libro.

Nota: il protocollo può essere sospesa in qualsiasi punto.
 1. configurazione di base di formato <ol><li>ottenere un letto, picchi, o BigWig 7 file contenente i dati da immettere nel genoma. Il file deve avere estensione nome &#34; letto &#34;, &#34; broadpeaks &#34; &#34; narrowpeaks &#34;, o &#34; Parruccone &#34; rispettivamente. 
	&#8203; Nota: funzioneranno anche con zip versioni di questi tipi di file.</li>
	<li>Utilizzare un browser internet per andare a genemo.org. Qualsiasi sistema operativo in grado di eseguire più comuni browser di internet dovrebbe essere in grado di utilizzare GeNemo.
	<ol><li>Scegliere quali specie per la ricerca contro usando il menu a discesa. Attualmente specie disponibili includono umani e del mouse.</li>
		<li>Upload file utente utilizzando un url o un upload diretto. Parruccone file funzionano solo con il metodo di caricamento di url. LETTO e picchi formato file lavoro con entrambi i metodi (wiggle file non possono essere caricati come i principali dati fin d'ora).</li>
	</ol></li></ol> 2. Installazione opzionale <ol><li>fornire un indirizzo e-mail nella casella corrispondente al fine di ricevere i risultati di ricerca via e-mail quando viene eseguita la ricerca. 
	&#8203; Nota: durante la ricerca di una grande parte del genoma e/o contro un gran numero di brani (Vedi sotto), è consigliabile che l'utente fornisce il suo e-mail, dal momento che la ricerca potrebbe richiedere molto tempo. Ad esempio, una ricerca di 100 megabase richiede circa 15 s. Un link ai risultati della ricerca sarà inviato all'indirizzo e-mail fornito quando la ricerca è completata. Il link scade in 7 giorni dopo il completamento di una ricerca.</li>
	<li>Fornire un file di Parruccone o il file di visualizzazione wiggle potrebbe essere da un url. Questo file di visualizzazione non influenzerà i risultati; esso verrà mostrato solo accanto ai risultati.</li>
	<li>Specificare un intervallo di ricerca (incluse le posizioni del cromosoma e coppie di basi) nella casella corrispondente.
	<ol><li>Il cromosoma, iniziare la coppia di basi e la lista fine coppia di basi.</li>
		<li>Uso &#39; chrN &#39; per il cromosoma formato, dove &#39; N &#39; è il cromosoma numero/lettera (1, 2, &#8230; X o Y). Per le coppie di basi, basta digitare i numeri.</li>
		<li>Includono spazi tra tutte e tre le voci, o includere i due punti (:) tra il numero di cromosoma e la coppia di prima base, e/o un trattino tra le due coppie di basi. Ad esempio: chr1:1000000-2000000, chr1 1000000 2000000, chr1 1000000-2000000, chr1:1000000 2000000. 
		Nota: I passaggi 2.1-2.3 sono facoltativi.</li>
	</ol></li></ol> <img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/56136/56136fig1.jpg" /> Figura 1 : GeNemo &#39; pagina anteriore di s con le aree necessarie compilato. Un utente ha bisogno di input specie, file di ricerca e intervallo di ricerca e selezionare i brani che desidera cercare contro. Indirizzo di posta elettronica e visualizzare file sono facoltativi. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig1large.jpg" target="_blank"> Clicca qui per visualizzare una versione più grande di questa figura.</a>
 3. selezione dei dati <img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/56136/56136fig2.jpg" /> Figura 2 : finestra di selezione traccia. Questo è cresciuto facendo il &#34; selezione dati &#34; pulsante sulla prima pagina. Qui, gli utenti selezionano le tracce da cercare il file di input contro. Alcune delle tracce sono già selezionate di default. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig2large.jpg" target="_blank"> Clicca qui per visualizzare una versione più grande di questa figura.</a>
<ol><li>Dopo aver cliccato il pulsante di selezione di dati, scegliere quali tipi di tracce per la ricerca contro (vale a dire, da aggiungere alla query). La collezione di track include molti set di dati diversi da laboratori di tutto il mondo.
	<ol><li>Come l'elenco dei brani è abbastanza lunga, gli utenti potrebbero voler utilizzare il pulsante filtro (in alto a sinistra) per facilitare le selezioni di pista. Le tracce possono essere filtrate da esperimento, tessuto, cellula o Lab.</li>
		<li>Ci sono cinque pulsanti sulla parte inferiore consente di eseguire la selezione delle tracce: Seleziona tutto, nessuna selezione, Aggiungi, filtro, Exclude.</li>
		<li>Seleziona tutto &#34; e &#34; selezionare None &#34; sono autoesplicativi.</li>
		<li>La &#34; Aggiungi &#34; pulsante aggiunge tracce attualmente selezionate per la query. Serve come il cancello di logica &#34; o &#34;. Si noti che selezionando i filtri sopra (per esempio, alcuni esperimenti, tessuti, linee cellulari o Labs) non aggiunge automaticamente tracce corrispondenti alla query di ricerca. Gli utenti devono prima selezionare tracce (ad es., cervello, fegato sotto tessuto) e quindi fare clic sul &#34; Aggiungi &#34; per aggiungerli alla query. Quando si seleziona tracce, notare che solo i filtri specificati nella scheda aperta nella finestra del filtro verranno applicati alla query di ricerca. Selezioni in altre schede saranno salvate nella finestra del filtro, ma non applicate alla query di ricerca.</li>
		<li>La &#34; filtro &#34; pulsante mantiene solo i tipi di tracce attualmente selezionato nella finestra di filtro nella query e rimuove tutti gli altri tipi di tracce. Serve come il cancello di logica &#34; AND &#34;. Essenzialmente, &#34; filtro &#34; consente la selezione dell'interazione tra due categorie di tracce (ad es., alcuni tessuti con alcuni laboratori). Si noti che &#34; filtro &#34; non aggiunge i tipi selezionati di tracce per la query se non sono già nella query.</li>
		<li>La &#34; Exclude &#34; pulsante rimuove tutti i tipi di tracce che sono attualmente selezionati nella finestra di filtro della query. Serve come il cancello di logica &#34; non &#34;, in opposizione alla &#34; filtro &#34; funzione. Ancora una volta, &#34; escludere &#34; non aggiunge alcun brano attualmente non è selezionata nella finestra di filtro alla query.</li>
	</ol></li></ol> <img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/56136/56136fig3.jpg" /> Figura 3 : finestra del filtro . Questo è cresciuto facendo il &#34; filtro &#34; pulsante nella finestra di selezione traccia. Qui, gli utenti possono selezionare il numero di tracce allo stesso tempo, con relativa facilità. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig3large.jpg" target="_blank"> Clicca qui per visualizzare una versione più grande di questa figura.</a>
 <img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/56136/56136fig4.jpg" /> Figura 4 : come utilizzare la funzione di filtro. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig4large.jpg" target="_blank"> Clicca qui per visualizzare una versione più grande di questa figura.</a>
<ol start="2"> <li>dopo aver aggiunto i brani desiderati alla query, fare clic il &#34; aggiornamento &#34; pulsante in basso a destra. Ciò è necessario al fine di ospitare due modi per selezionare i dati: selezione tracce dati individuali o filtraggio/esclusione. Il &#34; Reimposta visualizzazione &#34; pulsante Reimposta la query le tracce predefinite relazionate alla regolazione dell'espressione genica in cellule staminali embrionali umane/mouse. 
	Nota: Selezionando tracce da cercare contro &#34; selezione dati &#34; è facoltativo ma consigliato esserecausa le tracce di ricerca predefinite sono probabilmente non adatto per l'utente &#39; esigenze di s.</li>
</ol> 4. Risultati della ricerca e <ol><li>clic la &#34; ricerca &#34; pulsante dopo la selezione di dati. La ricerca potrebbe richiedere qualche tempo.</li>
	<li>Una volta completata la ricerca, gli utenti visualizzeranno varie caselle nella pagina dei risultati. Ogni casella rappresenta una sezione del genoma dove un utente &#39; file di dati di s ha un modello strettamente abbinato con uno o più le tracce che l'utente ha richiesto.
	<ol><li>Se non ci sono nessuna prova visibile, scatole alla ricerca di altri tipi di tracce o rendere la gamma di ricerca più grande con lo stesso file di input. Un modo semplice per fare questo senza rifare tutto è cliccando il &#34; &#9776; &#34; pulsante accanto al logo. Si aprirà una barra laterale che consente all'utente di modificare la ricerca.</li>
		<li>i risultati possono essere esportati come file letto cliccando sul &#34; letto, Scarica il FILE &#34; pulsante nella parte inferiore della pagina dei risultati.</li>
	</ol></li> <li>Fare clic sul pulsante Visualizza in alto a destra di ogni casella per visualizzare i risultati.
	<ol><li>Pannello in the visualizzazione sul destro, più cose vengono visualizzate tra cui i dati, che incorpora il file di input utente, il file di visualizzazione se uno è stato immesso, tracce, di corrispondenza e tracce di alcuni predefinito. Dai risultati, l'utente può confrontare noto ENCODE DataSet sul DataSet fornito per ulteriori indagini. L'utente può anche riferirsi a geni UCSC per vedere il contesto dei risultati della query. Se vengono selezionati i brani da più linee/tessuti cellulari, l'utente può utilizzare tali risultati per guadagnare le comprensioni circa la specificità del tessuto delle somiglianze tra l'oggetto dataset specificato ed ENCODE DataSet.</li>
		<li>Pagina su the risultati, l'utente può trascinare su eventuali tracce di spostare a Monte o a valle del genoma; quando il cursore del mouse è sulle coordinate, l'utente può utilizzare la rotellina del mouse e/o zoom in e out.</li>
	</ol></li></ol> <img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/56136/56136fig5.jpg" /> Figura 5 : pagina dei risultati di. Questa particolare ricerca restituito 363 regioni corrispondenti. Visualizzazione della prima regione corrispondente può essere fatto cliccando il &#34; Visualizza &#34; pulsante in basso a sinistra di ogni casella di area risultante. Sulla parte sinistra della finestra di visualizzazione può essere visto che i due dati (input e selezionata traccia) sono simili a motivo di forza segnale. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig5large.jpg" target="_blank"> si prega di cliccare qui per visualizzare la versione ingrandita di questa figura.</a>

<ol>
	<li>The ENCODE Project Consortium. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+integrated+encyclopedia+of+DNA+elements+in+the+human+genome.">An integrated encyclopedia of DNA elements in the human genome.</a> Nature. 489, 57-74 (2012).</li><li>Barski, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High-Resolution+Profiling+of+Histone+Methylations+in+the+Human+Genome.">High-Resolution Profiling of Histone Methylations in the Human Genome.</a> Cell. 129 (4), 823-837 (2007).</li><li>Meaney, M. J., Ferguson-Smith, A. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Epigenetic+regulation+of+the+neural+transcriptome:+the+meaning+of+the+marks.">Epigenetic regulation of the neural transcriptome: the meaning of the marks.</a> Nature Neuroscience. 13, 1313-1318 (2010).</li><li>Roh, T. -. Y., Cuddapah, S., Cui, K., Zhao, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+genomic+landscape+of+histone+modifications+in+human+T+cells.">The genomic landscape of histone modifications in human T cells.</a> PNAS. 103 (43), 15782-15787 (2006).</li><li>Zhang, Y., Cao, X., Zhong, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GeNemo:+a+search+engine+for+web-based+functional+genomic+data.">GeNemo: a search engine for web-based functional genomic data.</a> Nucleic Acids Res. 44, W122-W127 (2016).</li><li>Fujita, P. A., Rhead, B., Zweig, A. S., Hinrichs, A. S., Karolchik, D., Cline, M. S., Goldman, M., Barber, G. P., Clawson, H., Coelho, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+UCSC+Genome+Browser+database:+update+2011.">The UCSC Genome Browser database: update 2011.</a> Nucleic Acids Res. 39, 876-882 (2011).</li><li>Neph, S., Vierstra, J., Stergachis, A. B., Reynolds, A. P., Haugen, E., Vernot, B., Thurman, R. E., John, S., Sandstrom, R., Johnson, A. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+expansive+human+regulatory+lexicon+encoded+in+transcription+factor+footprints.">An expansive human regulatory lexicon encoded in transcription factor footprints.</a> Nature. 489, 83-90 (2012).</li><li>Sarda, S., Hannenhalli, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Next-generation+sequencing+and+epigenomics+research:+a+hammer+in+search+of+nails.">Next-generation sequencing and epigenomics research: a hammer in search of nails.</a> Genomics Inform. 12 (1), 2-11 (2014).</li><li>Storre, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Silencing+of+the+Meiotic+Genes+SMC1&#946;+and+STAG3+in+Somatic+Cells+by+E2F6.">Silencing of the Meiotic Genes SMC1&#946; and STAG3 in Somatic Cells by E2F6.</a> J Biol Chem. 280, 41380-41386 (2005).</li><li>Liu, B., Shats, I., Angus, S. P., Gatza, M. L., Nevins, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interaction+of+E2F7+Transcription+Factor+with+E2F1+and+C-terminal-binding+Protein+(CtBP)+Provides+a+Mechanism+for+E2F7-dependent+Transcription+Repression.">Interaction of E2F7 Transcription Factor with E2F1 and C-terminal-binding Protein (CtBP) Provides a Mechanism for E2F7-dependent Transcription Repression.</a> J Biol Chem. 288, 24581-24589 (2013).</li></ol>

Gli autori non hanno nessun concorrenti interessi finanziari di divulgare.

Per raggiungere il pieno potenziale del sequenziamento del genoma umano nel fornire nuove intuizioni biologiche8è necessaria una conoscenza approfondita dell'epigenoma. Attualmente ci sono solo modi per cercare online epigenomic DataSet da loro dati Descrizione e titolo (cioè, metadata)1. Questo limita fortemente i tipi di ricerca si può fare con epigenomic dati. Strumenti di ricerca basati su pattern per epigenomic dati sono essenziali per esplorare il rapporto tra epigenomic diversi marchi, che possono portare a nuove intuizioni biologiche. GeNemo, che le ricerche dal contenuto dei dati e non i metadati, è il primo servizio del suo genere per confrontare modelli nei dati di epigenomic da depositari pubblicati ad esempio il database di codificare con un user generated o scaricato dataset5. Questo segna l'inizio della disponibilità di uno strumento di ricerca di epigenomic è ampiamente accessibile ai ricercatori di tutto il mondo solo come strumento di ricerca basato su testo sequenza è diventato ampiamente disponibile nel 1990. Attualmente, non ci sono alternative per gli strumenti di ricerca online basati su pattern per epigenomic dati diversi da GeNemo.
Un esempio potenziale di utilizzo GeNemo è quello di cercare le modifiche dell'istone co-comparenti e altri segni epigenetici con il fattore trascrizionale E2F6 in cellule staminali embrionali umane (un file di esempio E2F6 associazione segnale è disponibile al portale di dati di codifica o https://sysbio.ucsd.edu/public/xcao3/ENCODESample/ENCFF001UBC.Bed). Utilizzando questo file come query di ricerca su tutti i DataSet di ENCODE in H1-hESC, GeNemo mostrerà che segnale di collegamento E2F6 è fortemente arricchito con H3K4me1, H3K4me2, H3K4me3 e H3K27me3, che concorda con i risultati che E2F6 regola alcuni geni tramite le ricerche esistenti metilazione di H3K279. D'altra parte, sembra essere la colocalizzazione di siti di legame di E2F6 e CtBP2, che è noto per interagire con un fattore nella stessa famiglia, E2F710. Questi risultati per l'intero genoma contro un gran numero di segni epigenetici, fattore trascrizionale associazione segnali e altri segnali inclusi nella codifica possono essere abbastanza facilmente ottenuti con GeNemo, in grado di fornire tutti i potenziali bersagli per ulteriori analisi.
Poiché la prima pubblicazione5 del GeNemo come strumento di ricerca di dati basati su web epigenomic, sezione risultati di GeNemo è stata aggiornata per avere un aspetto corrispondente con front page di GeNemo. La vecchia sezione di risultati strettamente mirroring la sezione di risultati UCSC browser genoma e fu in gran parte dipendente dal server remoto UCSC per la visualizzazione. Con la nuova interfaccia, GeNemo è più facile da usare e non è più dipendente dal server di genoma UCSC (anche se i dati sono recuperati ancora in remoto). Questo rende GeNemo più robusta e meno soggetta a problemi a causa di modifiche del codice sul server UCSC. Inoltre, l'interfaccia di polimero nuovo, più veloce di GeNemo offre all'utente più strumenti per visualizzare e analizzare i modelli nei dati.
Fasi critiche includono fornendo il file di input appropriato e tracce di dati per la ricerca contro la selezione. Gli utenti sono fortemente incoraggiati a sperimentare con le varie funzioni di selezione traccia per acquisire familiarità con il processo di selezione e come i diversi comandi possono essere combinate per ottenere il risultato desiderato. In particolare, si noti che la funzione "Add" è necessaria per aggiungere i brani desiderati selezionati per la query, mentre «Filtro» o «Escludere» può essere utilizzati come comandi del cancello di logica "AND" e "O", rispettivamente. Per interessare tutte le selezioni prima di implementare la ricerca è necessaria la funzione di "Aggiornamento". Quando non vengono restituiti, un utente può controllare il file di dati di input, cercare altri brani o aumentare l'intervallo di ricerca. Ogni volta che c'è un errore, ci sarà una finestra popping up definire che cosa è esattamente l'errore. Ci sono alcuni errori di ambigui, però. Ad esempio, quando la finestra dice che 'nessun file è stato caricato', o nessun file è stato caricato, o il file caricato non era di un formato accettabile e, di conseguenza, il programma non era in grado di leggerlo correttamente. Formati di file accettati per l'upload di file includono file di formato per letto e picchi per metodi di caricamento sia e Parruccone per l'upload di collegamento on-line solo. Le versioni con zip di questi formati di file sono anche accettabili.
Attuali limiti di questo approccio includono le funzioni impiegate in GeNemo e algoritmi ancora-per-essere-ottimizzato. GeNemo non può ancora fornire eventuali orientamenti sull'interpretazione di qualsiasi set di dati restituito. Questo compito spetta agli utenti, che richiede notevoli conoscenze e competenze nella biologia del genoma ed epigenome. Inoltre, un'altra limitazione corrente è che gli utenti non possono modificare il livello di sensibilità e rumore delle ricerche. Ci aspettiamo di continuare a migliorare ed espandere la GeNemo il suo modello di ricerca funzionalità e raccolta di set di dati in futuro.

I recenti progressi tecnologici hanno permesso una rapida espansione di epigenomic o depositari di dati di genomica funzionale, che hanno superato lo sviluppo di strumenti analitici pertinenti per estrarre intuizioni biologiche. Un modo importante per analizzare i dati di epigenomic è per la ricerca di dati generati dall'utente contro depositari di dati e soprattutto quelli dai progetti1 Enciclopedia del DNA Elements (codifica) per corrispondenti modelli che potrebbero portare a nuove conoscenze. Per esempio, identificando somiglianze nei modelli di due marchi diversi epigenomic loci definiti attraverso il genoma può indicare un'azione coordinata di diversi attori molecolari sulla conformazione della cromatina e regolazione trascrizionale2 ,3,4.
Motori di ricerca basati su testo convenzionali sono inefficaci a questo proposito perché, a differenza di sequenza di DNA, epigenomic dati esistono principalmente nel formato di intensità o di regioni genomiche funzionali. GeNemo, in piedi per Gene Nemo (come in Finding Nemo), è stato sviluppato per soddisfare questa esigenza non soddisfatta utilizzando ricerche basate su pattern5. L'algoritmo utilizza un processo di Markov Chain Monte Carlo massimizzazione5. Gli utenti prendere i propri dati o un set di dati scaricati da depositari e cerca una matrice di dati online epigenomic per identificare somiglianze nei modelli.
La versione corrente di GeNemo ha un display aggiornato, interfacce più robustamente con la University of California, Santa Cruz (UCSC) genome browser6ed è meno soggetta a problemi causati da modifiche in quest'ultimo. In particolare, mentre la pagina dei risultati di GeNemo utilizzato per essere basato sull'interfaccia del browser genoma UCSC, la versione corrente di GeNemo supporta la propria pagina di risultati e di conseguenza non più negativamente è influenzata dai cambiamenti strutturali al browser del genoma UCSC. GeNemo può utilizzare qualsiasi segnale genomico, compreso il legame alle proteine, modifica dell'istone, all'accessibilità cromatinica, domini topologici e così via, come una query per trovare segmenti colocalized/simili tra set di dati noti da grandi consorzi. Pertanto, è un importante strumento per studiare la relazione tra epigenomic diversi dati di interesse e dati noti generati nei progetti di genomica su larga scala.

<table><tbody><tr><td>GENEMO</td><td>https://www.genemo.org</td><td></td><td>Comparative Epigenome Browser</td></tr></tbody></table>

pattern-based search of epigenomic data using genemo

Confrontato con gli strumenti di ricerca testuale robusto per genomica o RNA dati di sequenziamento, attuali metodologie per ricerche basate su pattern di epigenomic e altri dati di genomici funzionali sono molto limitati. GeNemo è il primo strumento di ricerca online che compie questo obiettivo. Gli utenti loro dati genomici funzionali nel Browser Extensible dati (letto), picchi e Parruccone formati di input e possono cercare i dati in uno dei tre formati. Gli utenti possono specificare quali tipi di set di dati per la ricerca contro, scegliendo tra una varietà di set di dati online, con l'enciclopedia di DNA elementi (ENCODE) che rappresentano diversi epigenomic marchi, siti di legame del fattore trascrizionale e cromatina ipersensibilità o accessibilità in tipi cellulari specifici e fasi di sviluppo o specie (mouse o umani). GeNemo restituisce un elenco di regioni genomiche con corrispondenti modelli per i dati di input, che possono essere visualizzati nel browser come pure scaricati nel formato di file letto. Il GeNemo aggiornato ha migliorato la visualizzazione grafica, ha interfaccia più affidabile e non è più soggetto a errori a causa di modifiche nella Università della California, browser del genoma di Santa Cruz (UCSC). Procedure di risoluzione dei problemi più comuni sono discussi. Come la quantità di dati di genomici funzionale si sta espandendo in modo esponenziale, c'è un bisogno critico per sviluppare e perfezionare nuovi strumenti bioinformatici come GeNemo per l'analisi dei dati e interpretazione.

Mostrato in Figura 5 è una ricerca simulata. La specie umana è stata selezionata, e il corrispondente file di esempio è stato utilizzato come file di dati di input. Inoltre, le tracce predefinite, come si vede nella Figura 3, sono state selezionate. C'erano un totale di 363 corrispondenti regioni, e la prima regione è indicata nella pagina di visualizzazione. Si vede che il modello di intensità da base 17036000 a 17038000 sul cromosoma 1 per il file di input e uno delle tracce selezionate è molto simile.

Watch this Scientific Journal Video about Pattern-based Search of Epigenomic Data Using GeNemo at JoVE.com

Pattern-based Search of Epigenomic Data Using GeNemo

A differenza dei dati di sequenza di DNA, epigenomic dati non sono facilmente soggetti a ricerche basate su testo. Presentato qui sono le procedure per utilizzare una versione aggiornata di GeNemo, uno strumento web-based di bioinformatica, per condurre le ricerche basate su pattern per somiglianze nei dati di epigenomic confronto database online disponibili tra cui Encyclopedia of DNA Elements con dati dell'utente.

Ricerca basata su pattern di Epigenomic dati utilizzando GeNemo

Compared with the robust text-based search tools for genomic or RNA sequencing data, current methodologies for pattern-based searches of epigenomic and ...

pattern-based-search-of-epigenomic-data-using-genemo

Research

JoVE Journal

Bioengineering

5.0K Views.  University of California San Diego. A differenza dei dati di sequenza di DNA, epigenomic dati non sono facilmente soggetti a ricerche basate su testo. Presentato qui sono le procedure per utilizzare una versione aggiornata di GeNemo, uno strumento web-based di bioinformatica, per condurre le ricerche basate su pattern per somiglianze nei dati di epigenomic confronto database online disponibili tra cui Encyclopedia of DNA Elements con dati dell'utente.

Video: Pattern-based Search of Epigenomic Data Using GeNemo

Methyl-binding DNA capture Sequencing for Patient Tissues

Methylation is one of the essential epigenetic modifications to the DNA, which is responsible for the precise regulation of genes required for stable development and differentiation of different tissue types. Dysregulation of this process is often the hallmark of various diseases like cancer. Here, we outline one of the recent sequencing techniques, Methyl-Binding DNA Capture sequencing (MBDCap-seq), used to quantify methylation in various normal and disease tissues for large patient cohorts. We describe a detailed protocol of this affinity enrichment approach along with a bioinformatics pipeline to achieve optimal quantification. This technique has been used to sequence hundreds of patients across various cancer types as a part of the 1,000 methylome project (Cancer Methylome System).

Here we present a protocol to investigate genome wide DNA methylation in large scale clinical patient screening studies using the Methyl-Binding DNA Capture sequencing (MBDCap-seq or MBD-seq) technology and the subsequent bioinformatics analysis pipeline.

Metil-binding cattura sequenziamento del DNA per tessuti del paziente

Methylation is one of the essential epigenetic modifications to the DNA, which is responsible for the precise regulation of genes required for stable ...

Ricerca

Genetica

An Integrated Platform for Genome-wide Mapping of Chromatin States Using High-throughput ChIP-sequencing in Tumor Tissues

Histone modifications constitute a major component of the epigenome and play important regulatory roles in determining the transcriptional status of associated loci. In addition, the presence of specific modifications has been used to determine the position and identity non-coding functional elements such as enhancers. In recent years, chromatin immunoprecipitation followed by next generation sequencing (ChIP-seq) has become a powerful tool in determining the genome-wide profiles of individual histone modifications. However, it has become increasingly clear that the combinatorial patterns of chromatin modifications, referred to as Chromatin States, determine the identity and nature of the associated genomic locus. Therefore, workflows consisting of robust high-throughput (HT) methodologies for profiling a number of histone modification marks, as well as computational analyses pipelines capable of handling myriads of ChIP-Seq profiling datasets, are needed for comprehensive determination of epigenomic states in large number of samples. The HT-ChIP-Seq workflow presented here consists of two modules: 1) an experimental protocol for profiling several histone modifications from small amounts of tumor samples and cell lines in a 96-well format; and 2) a computational data analysis pipeline that combines existing tools to compute both individual mark occupancy and combinatorial chromatin state patterns. Together, these two modules facilitate easy processing of hundreds of ChIP-Seq samples in a fast and efficient manner. The workflow presented here is used to derive chromatin state patterns from 6 histone mark profiles in melanoma tumors and cell lines. Overall, we present a comprehensive ChIP-seq workflow that can be applied to dozens of human tumor samples and cancer cell lines to determine epigenomic aberrations in various malignancies.

Here, we describe an optimized high-throughput ChIP-sequencing protocol and computational analyses pipeline for the determination of genome-wide chromatin state patterns from frozen tumor tissues and cell lines.

Una piattaforma integrata per la mappatura di genoma degli Stati di cromatina usando High-throughput ChIP-sequencing nei tessuti del tumore

Histone modifications constitute a major component of the epigenome and play important regulatory roles in determining the transcriptional status of ...

Ricerca sul cancro

A Fast and Quantitative Method for Post-translational Modification and Variant Enabled Mapping of Peptides to Genomes

Cross-talk between genes, transcripts, and proteins is the key to cellular responses; hence, analysis of molecular levels as distinct entities is slowly being extended to integrative studies to enhance the understanding of molecular dynamics within cells. Current tools for the visualization and integration of proteomics with other omics datasets are inadequate for large-scale studies. Furthermore, they only capture basic sequence identify, discarding post-translational modifications and quantitation. To address these issues, we developed PoGo to map peptides with associated post-translational modifications and quantification to reference genome annotation. In addition, the tool was developed to enable the mapping of peptides identified from customized sequence databases incorporating single amino acid variants. While PoGo is a command line tool, the graphical interface PoGoGUI enables non-bioinformatics researchers to easily map peptides to 25 species supported by Ensembl genome annotation. The generated output borrows file formats from the genomics field and, therefore, visualization is supported in most genome browsers. For large-scale studies, PoGo is supported by TrackHubGenerator to create web-accessible repositories of data mapped to genomes that also enable an easy sharing of proteogenomics data. With little effort, this tool can map millions of peptides to reference genomes within only a few minutes, outperforming other available sequence-identity based tools. This protocol demonstrates the best approaches for proteogenomics mapping through PoGo with publicly available datasets of quantitative and phosphoproteomics, as well as large-scale studies.

Here we present the proteogenomic tool PoGo and protocols for fast, quantitative, post-translational modification and variant enabled mapping of peptides identified through mass spectrometry onto reference genomes. This tool is of use to integrate and visualize proteogenomic and personal proteomic studies interfacing with orthogonal genomics data.

Un metodo veloce e quantitativo per la modificazione post-traduzionale e variante attivato Mapping dei peptidi di genomi

Cross-talk between genes, transcripts, and proteins is the key to cellular responses; hence, analysis of molecular levels as distinct entities is slowly ...

Optimized Analysis of DNA Methylation and Gene Expression from Small, Anatomically-defined Areas of the Brain

Exposure to diet, drugs and early life adversity during sensitive windows of life 1,2 can lead to lasting changes in gene expression that contribute to the display of physiological and behavioural phenotypes. Such environmental programming is likely to increase the susceptibility to metabolic, cardiovascular and mental diseases 3,4.
DNA methylation and histone modifications are considered key processes in the mediation of the gene-environment dialogue and appear also to underlay environmental programming 5. In mammals, DNA methylation typically comprises the covalent addition of a methyl group at the 5-position of cytosine within the context of CpG dinucleotides.
CpG methylation occurs in a highly tissue- and cell-specific manner making it a challenge to study discrete, small regions of the brain where cellular heterogeneity is high and tissue quantity limited. Moreover, because gene expression and methylation are closely linked events, increased value can be gained by comparing both parameters in the same sample.
Here, a step-by-step protocol (Figure 1) for the investigation of epigenetic programming in the brain is presented using the 'maternal separation' paradigm of early life adversity for illustrative purposes. The protocol describes the preparation of micropunches from differentially-aged mouse brains from which DNA and RNA can be simultaneously isolated, thus allowing DNA methylation and gene expression analyses in the same sample.

A streamlined workflow to study DNA methylation and gene expression changes upon early-life stress is shown. Starting from maternal separation of newborn mice and isolation of discrete brain tissues, we represent a protocol to simultaneously isolate DNA and RNA from brain tissue punches for subsequent bisulfite sequencing and RT-PCR analysis.

Ottimizzato Analisi della metilazione del DNA e l&#39;espressione genica da piccole aree anatomicamente definiti del cervello

Exposure to diet, drugs and early life adversity during sensitive windows of life 1,2 can lead to lasting changes in gene expression that contribute to ...

Neuroscienze

Genome-Wide Analysis of DNA Methylation in Gastrointestinal Cancer

DNA methylation is an important epigenetic change that is biologically meaningful and a frequent focus of cancer research. Genome-wide DNA methylation is a useful measure to provide an accurate analysis of the methylation status of gastrointestinal (GI) malignancies. Given the multiple potential translational uses of DNA methylation analysis, practicing clinicians and others new to DNA methylation studies need to be able to understand step by step how these genome-wide analyses are performed. The goal of this protocol is to provide a detailed description of how this method is used for the biomarker identification in GI malignancies. Importantly, we describe three critical steps that are needed to obtain accurate results during genome-wide analysis. Clearly and concisely written, these three methods are often lacking and not noticeable to those new to epigenetic studies. We used 48 samples of a GI malignancy (gastric cancer) to highlight practically how genome-wide DNA methylation analysis can be performed for GI malignancies.

Herein, we describe a procedure for genome-wide analysis of DNA methylation in gastrointestinal cancers. The procedure is of relevance to studies that investigate relationships between methylation patterns of genes and factors contributing to carcinogenesis in gastrointestinal cancers.

Analisi a livello genomico della metilazione del DNA nel cancro gastrointestinale

DNA methylation is an important epigenetic change that is biologically meaningful and a frequent focus of cancer research. Genome-wide DNA methylation is ...

Sample Preparation to Bioinformatics Analysis of DNA Methylation: Association Strategy for Obesity and Related Trait Studies

Obesity is directly connected to lifestyle and has been associated with DNA methylation changes that may cause alterations in the adipogenesis and lipid storage processes contributing to the development of the disease. We demonstrate a complete protocol from selection to epigenetic data analysis of patients with and without obesity. All steps from the protocol were tested and validated in a pilot study. 32 women participated in the study, in which 15 individuals were classified with obesity according to Body Mass Index (BMI) (45.1 &#177; 5.4 kg/m2); and 17 individuals were classified without obesity according to BMI (22.6 &#177; 1.8 kg/m2). In the group with obesity, 564 CpG sites related to fat mass were identified by linear regression analysis. The CpG sites were in the promoter regions. The differential analysis found 470 CpGs hypomethylated and 94 hypermethylated sites in individuals with obesity. The most hypomethylated enriched pathwayswere in the RUNX, WNT signaling, and response to hypoxia. The hypermethylated pathways were related to insulin secretion, glucagon signaling, and Ca2+. We conclude that the protocol effectively identified DNA methylation patterns and trait-related DNA methylation. These patterns could be associated with altered gene expression, affecting adipogenesis and lipid storage. Our results confirmed that an obesogenic lifestyle could promote epigenetic changes in human DNA.

The present study describes the workflow to manage DNA methylation data obtained by microarray technologies. The protocol demonstrates steps from sample preparation to data analysis. All procedures are described in detail, and the video shows the significant steps.

Preparazione del campione all'analisi bioinformatica della metilazione del DNA: strategia di associazione per l'obesità e studi sui tratti correlati

Obesity is directly connected to lifestyle and has been associated with DNA methylation changes that may cause alterations in the adipogenesis and lipid ...

Heuristic Mining of Hierarchical Genotypes and Accessory Genome Loci in Bacterial Populations

Routine and systematic use of bacterial whole-genome sequencing (WGS) is enhancing the accuracy and resolution of epidemiological investigations carried out by Public Health laboratories and regulatory agencies. Large volumes of publicly available WGS data can be used to study pathogenic populations at a large scale. Recently, a freely available computational platform called ProkEvo was published to enable reproducible, automated, and scalable hierarchical-based population genomic analyses using bacterial WGS data. This implementation of ProkEvo demonstrated the importance of combining standard genotypic mapping of populations with mining of accessory genomic content for ecological inference. In particular, the work highlighted here used ProkEvo-derived outputs for population-scaled hierarchical analyses using the R programming language. The main objective was to provide a practical guide for microbiologists, ecologists, and epidemiologists by showing how to: i) use a phylogeny-guided mapping of hierarchical genotypes; ii) assess frequency distributions of genotypes as a proxy for ecological fitness; iii) determine kinship relationships and genetic diversity using specific genotypic classifications; and iv) map lineage differentiating accessory loci. To enhance reproducibility and portability, R markdown files were used to demonstrate the entire analytical approach. The example dataset contained genomic data from 2,365 isolates of the zoonotic foodborne pathogen Salmonella Newport. Phylogeny-anchored mapping of hierarchical genotypes (Serovar -&#62; BAPS1 -&#62; ST -&#62; cgMLST) revealed the population genetic structure, highlighting sequence types (STs) as the keystone differentiating genotype. Across the three most dominant lineages, ST5 and ST118 shared a common ancestor more recently than with the highly clonal ST45 phylotype. ST-based differences were further highlighted by the distribution of accessory antimicrobial resistance (AMR) loci. Lastly, a phylogeny-anchored visualization was used to combine hierarchical genotypes and AMR content to reveal the kinship structure and lineage-specific genomic signatures. Combined, this analytical approach provides some guidelines for conducting heuristic bacterial population genomic analyses using pan-genomic information.

This analytical computational platform provides practical guidance for microbiologists, ecologists, and epidemiologists interested in bacterial population genomics. Specifically, the work presented here demonstrated how to perform: i) phylogeny-guided mapping of hierarchical genotypes; ii) frequency-based analysis of genotypes; iii) kinship and clonality analyses; iv) identification of lineage differentiating accessory loci.

Estrazione euristica di genotipi gerarchici e loci genomici accessori in popolazioni batteriche

Routine and systematic use of bacterial whole-genome sequencing (WGS) is enhancing the accuracy and resolution of epidemiological investigations carried ...

In Vitro Selection of Engineered Transcriptional Repressors for Targeted Epigenetic Silencing

Gene inactivation is instrumental to study gene function and represents a promising strategy for the treatment of a broad range of diseases. Among traditional technologies, RNA interference suffers from partial target abrogation and the requirement for life-long treatments. In contrast, artificial nucleases can impose stable gene inactivation through induction of a DNA double strand break (DSB), but recent studies are questioning the safety of this approach. Targeted epigenetic editing via engineered transcriptional repressors (ETRs) may represent a solution, as a single administration of specific ETR combinations can lead to durable silencing without inducing DNA breaks.
ETRs are proteins containing a programmable DNA-binding domain (DBD) and effectors from naturally occurring transcriptional repressors. Specifically, a combination of three ETRs equipped with the KRAB domain of human ZNF10, the catalytic domain of human DNMT3A and human DNMT3L, was shown to induce heritable repressive epigenetic states on the ETR-target gene. The hit-and-run nature of this platform, the lack of impact on the DNA sequence of the target, and the possibility to revert to the repressive state by DNA demethylation on demand, make epigenetic silencing a game-changing tool. A critical step is the identification of the proper ETRs&#39; position on the target gene to maximize on-target and minimize off-target silencing. Performing this step in the final ex vivo or in vivo preclinical setting can be cumbersome.
Taking the CRISPR/catalytically dead Cas9 system as a paradigmatic DBD for ETRs, this paper describes a protocol consisting of the in vitro screen of guide RNAs (gRNAs) coupled to the triple-ETR combination for efficient on-target silencing, followed by evaluation of the genome-wide specificity profile of top hits. This allows for reduction of the initial repertoire of candidate gRNAs to a short list of promising ones, whose complexity is suitable for their final&#160;evaluation in the therapeutically relevant setting of interest.

In Vitro Selection of Engineered Transcriptional Repressors for Targeted Epigenetic Silencing

Here, we present a protocol for the in vitro selection of engineered transcriptional repressors (ETRs) with high, long-term, stable, on-target silencing efficiency and low genome-wide, off-target activity. This workflow allows for reducing an initial, complex repertoire of candidate ETRs to a short list, suitable for further evaluation in therapeutically relevant settings.

In vitro Selezione di repressori trascrizionali ingegnerizzati per il silenziamento epigenetico mirato

Gene inactivation is instrumental to study gene function and represents a promising strategy for the treatment of a broad range of diseases. Among ...

Bioingegneria

Enhanced Reduced Representation Bisulfite Sequencing for Assessment of DNA Methylation at Base Pair Resolution

DNA methylation pattern mapping is heavily studied in normal and diseased tissues. A variety of methods have been established to interrogate the cytosine methylation patterns in cells. Reduced representation of whole genome bisulfite sequencing was developed to detect quantitative base pair resolution cytosine methylation patterns at GC-rich genomic loci. This is accomplished by combining the use of a restriction enzyme followed by bisulfite conversion. Enhanced Reduced Representation Bisulfite Sequencing (ERRBS) increases the biologically relevant genomic loci covered and has been used to profile cytosine methylation in DNA from human, mouse and other organisms. ERRBS initiates with restriction enzyme digestion of DNA to generate low molecular weight fragments for use in library preparation. These fragments are subjected to standard library construction for next generation sequencing. Bisulfite conversion of unmethylated cytosines prior to the final amplification step allows for quantitative base resolution of cytosine methylation levels in covered genomic loci. The protocol can be completed within four days. Despite low complexity in the first three bases sequenced, ERRBS libraries yield high quality data when using a designated sequencing control lane. Mapping and bioinformatics analysis is then performed and yields data that can be easily integrated with a variety of genome-wide platforms. ERRBS can utilize small input material quantities making it feasible to process human clinical samples and applicable in a range of research applications. The video produced demonstrates critical steps of the ERRBS protocol.

Enhanced Reduced Representation Bisulfite Sequencing is a method for the preparation of sequencing libraries for DNA methylation analysis based on restriction enzyme digestion combined with cytosine bisulfite conversion. This protocol requires 50 ng of starting material and yields base pair resolution data at GC-rich genomic regions.

ENHANCED ridotto Rappresentanza bisolfito sequenziamento per la valutazione della metilazione del DNA in Risoluzione coppia di basi

DNA methylation pattern mapping is heavily studied in normal and diseased tissues. A variety of methods have been established to interrogate the cytosine ...

Biologia

Screening for Functional Non-coding Genetic Variants Using Electrophoretic Mobility Shift Assay (EMSA) and DNA-affinity Precipitation Assay (DAPA)

Population and family-based genetic studies typically result in the identification of genetic variants that are statistically associated with a clinical disease or phenotype. For many diseases and traits, most variants are non-coding, and are thus likely to act by impacting subtle, comparatively hard to predict mechanisms controlling gene expression. Here, we describe a general strategic approach to prioritize non-coding variants, and screen them for their function. This approach involves computational prioritization using functional genomic databases followed by experimental analysis of differential binding of transcription factors (TFs) to risk and non-risk alleles. For both electrophoretic mobility shift assay (EMSA) and DNA affinity precipitation assay (DAPA) analysis of genetic variants, a synthetic DNA oligonucleotide (oligo) is used to identify factors in the nuclear lysate of disease or phenotype-relevant cells. For EMSA, the oligonucleotides with or without bound nuclear factors (often TFs) are analyzed by non-denaturing electrophoresis on a tris-borate-EDTA (TBE) polyacrylamide gel. For DAPA, the oligonucleotides are bound to a magnetic column and the nuclear factors that specifically bind the DNA sequence are eluted and analyzed through mass spectrometry or with a reducing sodium dodecyl sulfate polyacrylamide gel electrophoresis (SDS-PAGE) followed by Western blot analysis. This general approach can be widely used to study the function of non-coding genetic variants associated with any disease, trait, or phenotype.

Screening for Functional Non-coding Genetic Variants Using Electrophoretic Mobility Shift Assay EMSA and DNA-affinity Precipitation Assay DAPA

We present a strategic plan and protocol for identifying non-coding genetic variants affecting transcription factor (TF) DNA binding. A detailed experimental protocol is provided for electrophoretic mobility shift assay (EMSA) and DNA affinity precipitation assay (DAPA) analysis of genotype-dependent TF DNA binding.

Screening per Funzionale non codificante Varianti genetiche Utilizzando Electrophoretic Mobility Shift Assay (EMSA) e DNA-affinità precipitazioni Assay (DAPA)

Population and family-based genetic studies typically result in the identification of genetic variants that are statistically associated with a clinical ...