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

Este trabalho foi financiado pelo NIH concede incluindo DP1HD087990 de FORMULADORES, R01HG008135 de tempo. Agradecemos a membros do laboratório Zhong para feedback valioso.
Contribuições do autor: X.C. e A.T.Z. atualizado GeNemo codificando a nova interface e recursos; A.T.Z. produziu o vídeo de amostra in-house; A.T.Z., x. c e S.Z. escreveram o jornal.

Nota: O protocolo pode ser interrompido em qualquer lugar.
 1. configuração básica <ol><li>obter uma cama, picos formato ou BigWig 7 arquivo contendo os dados para ser inserido no genoma. O arquivo deve ter o nome da extensão &#34; cama &#34;, &#34; broadpeaks &#34; &#34; narrowpeaks &#34;, ou &#34; graúdos &#34; respectivamente. 
	&#8203; Nota: zipadas versões desses tipos de arquivos também funcionará.</li>
	<li>Use um navegador de internet para ir para genemo.org. Qualquer sistema operacional capaz de executar mais comuns navegadores de internet deve ser capaz de usar GeNemo.
	<ol><li>Escolher quais espécies para pesquisar contra usando o menu suspenso. Atualmente espécies disponíveis incluem humanos e do rato.</li>
		<li>Upload de arquivo de usuário usando uma url ou um upload direto. Figurão arquivos só trabalho com o método de carregamento de url. CAMA e picos formato arquivos de trabalho com os dois métodos (wiggle arquivos não podem ser enviados como os principais dados a partir de agora).</li>
	</ol></li></ol> 2. Instalação opcional <li>fornecer um endereço de e-mail na caixa correspondente, a fim de receber os resultados da pesquisa por e-mail, quando a pesquisa é feita de <ol>. 
	&#8203; Nota: ao procurar uma grande parte do genoma e/ou contra um grande número de faixas (veja abaixo), é recomendável que o usuário forneça seu e-mail, desde que a pesquisa pode levar um longo tempo. Por exemplo, uma pesquisa de 100 megabase leva cerca de 15 s. Um link para os resultados da pesquisa será enviado para o endereço de e-mail fornecido quando a pesquisa estiver concluída. O link irá expirar em 7 dias após a conclusão de uma pesquisa.</li>
	<li>Fornecer um arquivo de manda-chuva ou o arquivo de exibição do wiggle pode ser de uma url. Este arquivo de exibição não afetará os resultados; Isso só vai ser mostrado ao lado dos resultados.</li>
	<li>Especificar um intervalo de pesquisa (incluindo as posições de cromossomo e pares de base) na caixa correspondente.
	<ol><li>Listam o cromossomo, começar a par de base e finalizar base par.</li>
		<li>Uso &#39; chrN &#39; para o formato do cromossomo, onde &#39; N &#39; é o cromossomo número/letra (1, 2, &#8230; X ou Y). Para os pares de base, basta digitar os números.</li>
		<li>Incluir espaços entre todas as três entradas, ou incluir um dois-pontos (:) entre o número de cromossomos e o par de primeira base, e/ou um hífen entre os dois pares de base. Por exemplo: chr1:1000000-2000000, chr1 1000000 2000000, chr1 1000000-2000000, chr1:1000000 2000000. 
		Nota: Os passos 2.1-2.3 são opcionais.</li>
	</ol></li></ol> <img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/56136/56136fig1.jpg" /> Figura 1 : GeNemo &#39; capa de s com as áreas necessárias preenchidos. Um usuário precisa para entrada da espécie, arquivo de pesquisa e intervalo de pesquisa e selecione faixas que deseje Pesquisar contra. Endereço de e-mail e exibir o arquivo são opcionais. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig1large.jpg" target="_blank"> clique aqui para ver uma versão maior desta figura.</a>
 3. seleção de dados <img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/56136/56136fig2.jpg" /> Figura 2 : janela de seleção de faixa. Esta é criada clicando o &#34; seleção de dados &#34; botão na primeira página. Aqui, os usuários selecionar faixas para pesquisar o arquivo de entrada contra. Algumas das faixas já estão selecionadas por padrão. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig2large.jpg" target="_blank"> clique aqui para ver uma versão maior desta figura.</a>
<ol><li>Após clicar no botão de seleção de dados, escolher quais os tipos de faixas para pesquisar contra (ou seja, adicionar à consulta). A coleção de faixa inclui muitos diferentes conjuntos de dados de laboratórios em todo o mundo.
	<ol><li>Como a lista de faixas é bastante longa, os usuários podem querer usar o botão de filtro (no topo) para facilitar a faixa seleções. Faixas podem ser filtradas pelo experimento, tecido, linha celular e/ou Lab.</li>
		<li>Há cinco botões na parte inferior para ajudar a executar a seleção de faixas: selecionar tudo, selecionar None, Add, filtro, Exclude.</li>
		<li>Selecionar tudo &#34; e &#34; Selecione None &#34; são auto-explicativos.</li>
		<li>o &#34; Add &#34; botão adiciona faixas atualmente selecionadas para a consulta. Serve como a porta lógica &#34; ou &#34;. Observe que selecionar o filtro (s) acima (por exemplo, certas experiências, tecidos, linhas celulares ou laboratórios) não adiciona automaticamente faixas correspondentes para a consulta de pesquisa. Os usuários devem primeiro selecionar faixas (por exemplo, cérebro, fígado sob tecido) e clique no &#34; Add &#34; botão para adicioná-los à consulta. Ao selecionar faixas, note que apenas os filtros especificados na guia aberto na janela do filtro serão aplicados para a consulta de pesquisa. Seleções em outros guias serão salvo na janela de filtro, mas não são aplicadas para a consulta de pesquisa.</li>
		<li>o &#34; filtro &#34; botão retém apenas os tipos de faixas atualmente selecionados na janela de filtro na consulta e remove todos os outros tipos de faixas. Serve como a porta lógica &#34; e &#34;. Essencialmente, &#34; filtro &#34; permite a seleção da interação entre duas categorias de faixas (por exemplo, certos tecidos com determinados laboratórios). Observe que &#34; filtro &#34; não adiciona os tipos selecionados de faixas para a consulta se eles já não estão na consulta.</li>
		<li>o &#34; excluir &#34; botão remove todos os tipos de faixas que são atualmente selecionados na janela do filtro da consulta. Serve como a porta lógica &#34; não &#34;, em oposição ao &#34; filtro &#34; função. Novamente, &#34; excluir &#34; não adiciona qualquer faixas não-seleccionadas no momento na janela do filtro para a consulta.</li>
	</ol></li></ol> <img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/56136/56136fig3.jpg" /> Figura 3 : janela de filtro . Esta é criada clicando o &#34; filtro &#34; botão na janela de seleção de faixa. Aqui, os usuários podem selecionar várias faixas ao mesmo tempo, com relativa facilidade... <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig3large.jpg" target="_blank"> por favor clique aqui para ver uma versão maior desta figura.</a>
 <img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/56136/56136fig4.jpg" /> Figura 4 : como usar a função de filtro. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig4large.jpg" target="_blank"> clique aqui para ver uma versão maior desta figura.</a>
<ol start="2"> <li>depois de adicionar as faixas desejadas para a consulta, clique no &#34; Update &#34; botão no canto inferior direito. Isto é necessário para acomodar duas maneiras de selecionar dados: selecionar faixas de dados individuais ou filtragem/excluindo. O &#34; Reset View &#34; botão redefine a consulta para as faixas padrão relacionadas à regulação da expressão gênica em células-tronco embrionárias humano/rato. 
	Nota: Selecionando faixas a serem pesquisados contra através de &#34; seleção de dados &#34; é opcional, mas recomendado serPorque as faixas de pesquisa padrão são mais prováveis não é adequado para o usuário &#39; necessidades de s.</li>
</ol> 4. Pesquisa e resultados <ol><li>clique o &#34; pesquisa &#34; botão após a seleção de dados. A busca pode levar algum tempo.</li>
	<li>, Uma vez que a pesquisa é concluída, os usuários visualizarão várias caixas na página de resultados. Cada caixa representa uma seção do genoma, onde um usuário &#39; s arquivo de dados tem um estreita correspondência padrão com um ou mais das faixas o usuário tenha consultado.
	<ol><li>Se não houver nenhuma tentativa de caixas visíveis, pesquisando mais tipos de faixas ou aumentar o intervalo de pesquisa com o mesmo arquivo de entrada. Uma maneira fácil de fazer isso sem refazer tudo é clicar o &#34; &#9776; &#34; botão ao lado do logotipo. Isto abrirá uma barra lateral que permite ao usuário modificar a busca.</li>
		<li>Os resultados podem ser exportados como um arquivo de cama clicando sobre o &#34; baixar o arquivo de cama &#34; botão na parte inferior da página de resultados.</li>
	</ol></li> <li>Clique no botão Visualizar no canto superior direito de cada caixa para visualizar os resultados.
	<ol><li>Painel em the visualização em relação ao múltiplo de certo, as coisas são exibidas, incluindo os dados, que incorpora o arquivo de entrada de usuário, o arquivo de exibição se um foi introduzido, correspondência de faixas, e faixas de algum padrão. Partir dos resultados, o usuário pode comparar conhecido ENCODE datasets contra o dataset fornecido para maiores investigações. O usuário também pode se referir a genes UCSC para ver o contexto dos resultados da consulta. Se faixas de múltiplas linhas de célula/tecidos são selecionadas, o usuário poderá usar esses resultados para obter insights sobre a especificidade do tecido das semelhanças entre o determinado conjunto de dados e datasets ENCODE.</li>
		<li>Página sobre os resultados, o usuário pode arrastar qualquer faixas para mover a montante ou a jusante do genoma; quando o cursor do mouse é nas coordenadas, o usuário pode usar a roda do mouse e/ou zoom in e out.</li>
	</ol></li></ol> <img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/56136/56136fig5.jpg" /> Figura 5 : página de resultados. Esta pesquisa particular retornou 363 regiões correspondentes. Exibindo a primeira região correspondente pode ser feito clicando a &#34; SHOW &#34; botão no canto inferior esquerdo de cada caixa de região resultante. Na parte esquerda da janela de exibição pode ser visto que os arquivos de dois dados (faixa de entrada e selecionado) são similares no padrão de força de sinal. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig5large.jpg" target="_blank"> por favor clique aqui para ver uma versão maior desta 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>

Os autores têm sem interesses financeiros concorrentes para divulgar.

Uma compreensão completa da Epigenoma é necessário para alcançar o pleno potencial de sequenciamento do genoma humano em fornecer novos conhecimentos biológicos8. Atualmente, há apenas maneiras de Pesquisar por sua descrição de dados e o título (ou seja, metadados)1, conjuntos de dados on-line epigenomic. Isto limita severamente os tipos de pesquisa que se pode fazer com epigenomic dados. Ferramentas de busca baseada em padrões para epigenomic dados são essenciais para explorar a relação entre epigenomic de diferentes marcas, que podem levar a novos insights biológicos. GeNemo, que busca pelo conteúdo dos dados e metadados não, é o primeiro serviço deste tipo de comparação de padrões de dados epigenomic de depositários publicados, tais como o banco de dados do ENCODE com um gerado pelo usuário ou baixado dataset5. Isto marca o início da disponibilidade de uma ferramenta de pesquisa de epigenomic que é amplamente acessível aos pesquisadores ao redor do mundo apenas como ferramenta de pesquisa de sequência baseada em texto tornou-se amplamente disponível na década de 1990. Atualmente, não existem alternativas para ferramentas de busca on-line baseada em padrões para epigenomic dados que não sejam GeNemo.
Um exemplo de potencial de uso GeNemo é para pesquisar as modificações do histone co aparecendo e outras marcas epigenéticas com o fator transcricional E2F6 em células-tronco embrionárias humanas (ficheiro de exemplo E2F6 do sinal de ligação está disponível no portal de dados ENCODE ou no https://sysbio.UCSD.edu/Public/xcao3/ENCODESample/ENCFF001UBC.Bed). Usando este arquivo como consulta para pesquisar em todos os datasets ENCODE em H1-hESC, GeNemo irá mostrar que o sinal de ligação E2F6 fortemente é enriquecido com H3K4me1, H3K4me2, H3K4me3 e H3K27me3, que concorda com estudos existentes, mostrando que a E2F6 regula alguns genes através metilação de H3K279. Por outro lado, parece ser o colocalization de sítios de ligação E2F6 e CtBP2, que é conhecido por interagir com um fator da mesma família, E2F710. Estes resultados para o genoma inteiro contra um grande número de marcas epigenéticas, sinais de ligação do fator transcricional e outros sinais incluídos no ENCODE podem ser facilmente obtidos com GeNemo, que pode fornecer todos os potenciais alvos para posterior análise.
Desde a primeira publicação5 de GeNemo como uma ferramenta de busca de dados baseado na web epigenomic, a seção de resultados de GeNemo foi atualizada para ter uma aparência correspondente com a primeira página do GeNemo. A antiga seção de resultados estreitamente espelhado seção resultados UCSC navegador do genoma e foi largamente dependente do servidor remoto UCSC para exibição. Com a nova interface, GeNemo é o mais user-friendly e já não depende do servidor de genoma UCSC (apesar de dados ainda são buscados remotamente). Isso faz GeNemo mais robusto e menos suscetível a problemas devido a alterações de código no servidor UCSC. Além disso, a interface de novo, mais rápido polímero de GeNemo dá ao usuário mais ferramentas para visualizar e analisar padrões nos dados.
Passos críticos incluem fornecendo o arquivo de entrada apropriado e selecionando trilhas de dados para pesquisar contra. Os usuários são fortemente encorajados a experimentar com várias funções de seleção de faixa para se familiarizar com o processo de seleção e como diferentes comandos podem ser combinadas para alcançar o resultado pretendido. Em particular, observe que a função "Adicionar" é necessário para adicionar faixas desejadas selecionadas para a consulta, enquanto o "Filtro" ou "Excluir" pode ser usado como comandos de portão de lógica "E" e "Ou", respectivamente. A função de "Atualização" é necessário para afetar todas as seleções antes de implementar a pesquisa. Quando há resultados são retornados, um usuário pode verificar o arquivo de dados de entrada, mais faixas de busca ou aumentar o intervalo de pesquisa. Sempre que há um erro, haverá uma janela aparecendo definindo o que é exatamente o erro. Há alguns erros ambíguos, embora. Por exemplo, quando a janela diz que 'nenhum arquivo foi carregado', ou nenhum arquivo foi carregado, ou o arquivo carregado não era de um formato aceitável e, por conseguinte, o programa não foi capaz de lê-lo corretamente. Formatos de arquivo aceitável para upload de arquivo incluem cama e picos de arquivo de formato para ambos os métodos de carregamento e graúdos para upload link online apenas. As versões zipadas desses formatos de arquivo também são aceitáveis.
Limitações atuais desta abordagem incluem o ainda-para-ser-otimizada algoritmos e funções empregadas em GeNemo. GeNemo ainda não pode fornecer qualquer orientação sobre a interpretação de quaisquer conjuntos de dados retornados. Esta tarefa cabe aos usuários, que requer considerável conhecimento e experiência na biologia do genoma e Epigenoma. Além disso, outra limitação atual é que os usuários não podem alterar o nível de ruído e sensibilidade das buscas. Esperamos continuar a melhorar e expandir a GeNemo em seu padrão de busca recursos e coleção de dataset no futuro.

Avanços tecnológicos recentes permitiram uma expansão rápida de epigenomic ou depositários de dados genômica funcional, que já ultrapassou o desenvolvimento de ferramentas analíticas relevantes para extrair ideias biológicas. Um aspecto importante para analisar os dados de epigenomic é a busca de dados gerados por usuários contra depositários de dados e especialmente os da livre de elementos de DNA (ENCODE)1 projetos para correspondência de padrões que podem levar a novos conhecimentos. Por exemplo, identificar semelhanças nos padrões de duas marcas diferentes epigenomic em loci definidos através do genoma pode indicar uma acção coordenada pelos diferentes jogadores moleculares na conformação da cromatina e Regulamento transcriptional2 ,3,4.
Os motores de busca convencionais baseados em texto são ineficazes neste sentido porque, ao contrário da sequência de DNA, existem predominantemente epigenomic dados no formato de intensidades ou regiões de genômicas funcionais. GeNemo, em pé por Gene Nemo (como em Procurando Nemo), foi desenvolvido para atender a essa necessidade não atendida usando pesquisas baseadas no padrão5. Seu algoritmo utiliza um Markov Chain Monte Carlo maximização processo5. Usuários levar seus próprios dados ou um conjunto de dados baixados depositários e busca uma matriz de dados on-line epigenomic para identificar semelhanças em padrões.
A versão atual do GeNemo tem um display atualizado, interfaces de forma mais enérgica com a Universidade da Califórnia, Santa Cruz (UCSC) genoma navegador6e é menos suscetível a problemas causados por alterações no último. Em particular, enquanto a página de resultados do GeNemo usado para basear-se na interface de navegador UCSC genome, a versão atual do GeNemo suporta sua própria página de resultados e, consequentemente, é já não afectada por mudanças estruturais para o navegador do genoma UCSC. GeNemo pode usar qualquer sinal de genômica, incluindo proteína ligadora, modificação de histona, acessibilidade de cromatina, domínios topológicos e assim por diante, como uma consulta para encontrar segmentos colocalized/semelhante entre conjuntos de dados conhecidos de grandes consórcios. Portanto, é uma ferramenta importante para estudar a relação entre dados de diferentes epigenomic de interesse e dados conhecidos gerados em projetos de grande escala genômica.

<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

Comparado com as ferramentas de busca robusto baseado em texto para genômica ou RNA dados de sequenciamento, metodologias atuais para pesquisas baseada em padrões de epigenomic e outros dados de genômicos funcionais são muito limitadas. GeNemo é a primeira ferramenta de busca on-line que realiza esse objetivo. Usuários seus dados de genômicos funcionais no navegador de dados extensível (cama), picos e graúdos formatos de entrada e podem pesquisar dados em qualquer um dos três formatos. Os usuários podem especificar quais tipos de conjuntos de dados para pesquisar contra, escolhendo entre uma variedade de conjuntos de dados on-line, com o livre de DNA elementos (ENCODE) representando epigenomic diferentes marcas, locais obrigatórios do fator transcricional e cromatina hypersensitivities ou acessibilidades em tipos de células específicas e estádios de desenvolvimento ou espécie (mouse ou humanos). GeNemo retorna uma lista de regiões genômicas com correspondência de padrões para os dados de entrada, que podem ser visualizados no navegador, bem como baixados no formato de arquivo de cama. O GeNemo atualizado melhorou a exibição gráfica, tem interface mais robusto e não é mais propenso a erros devido a mudanças na Universidade da Califórnia, navegador do genoma de Santa Cruz (UCSC). Etapas de solução de problemas para problemas comuns são discutidas. Como a quantidade de dados de genômicas funcionais está expandindo exponencialmente, há uma necessidade crítica para desenvolver e aperfeiçoar as novas ferramentas de bioinformatic como GeNemo para análises de dados e interpretação.

Aqui mostrado na Figura 5 é uma busca de simulado. A espécie humana foi selecionada, e o correspondente arquivo de amostra foi usado como o arquivo de dados de entrada. Além disso, as faixas padrão, como pode ser visto na Figura 3, foram selecionadas. Havia um total de 363 correspondência de regiões, e a primeira região é mostrada na página de exibição. Pode ser visto que o padrão de intensidade de base 17036000 para 17038000 no cromossoma 1 para o arquivo de entrada e uma das faixas selecionadas é muito semelhante.

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

Ao contrário dos dados de sequência de DNA, epigenomic dados não são prontamente submetidos a pesquisas baseadas em texto. Aqui apresentados são os procedimentos para usar uma versão atualizada do GeNemo, uma ferramenta de Bioinformática baseado na web, para realizar pesquisas baseada em padrões para semelhanças em epigenomic dados comparando bancos de dados disponíveis on-line incluindo livre de elementos de DNA com dados do usuário.

Pesquisa baseada em padrões de dados Epigenomic usando 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 visualizações.  University of California San Diego. Ao contrário dos dados de sequência de DNA, epigenomic dados não são prontamente submetidos a pesquisas baseadas em texto. Aqui apresentados são os procedimentos para usar uma versão atualizada do GeNemo, uma ferramenta de Bioinformática baseado na web, para realizar pesquisas baseada em padrões para semelhanças em epigenomic dados comparando bancos de dados disponíveis on-line incluindo livre de elementos de DNA com dados do usuário.

Vídeo: 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.

Sequenciamento de captura de DNA de ligação de metilo em tecidos de pacientes

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

Genética

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.

Uma plataforma integrada para o mapeamento do genoma-larga de Estados da cromatina usando ChIP de alta produtividade-sequenciamento em tecidos de Tumor

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

Pesquisa do câncer

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.

Um método rápido e quantitativo para a modificação pós-traducional e variante habilitado para mapeamento de peptídeos de genomas

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.

Análise otimizado de metilação do DNA e expressão gênica de pequenas áreas anatomicamente definidos do Cérebro

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 ...

Neurociência

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.

Análise genoma-em todo o DNA da metilação de DNA no câncer gastrointestinal

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.

Preparação amostral para análise bioinformática da metilação de DNA: Estratégia de Associação para Obesidade e Estudos de Traços Relacionados

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.

Mineração heurística de genótipos hierárquicos e genoma acessório Loci em populações bacterianas

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 Seleção de Repressores Transcricionais Projetados para Silenciamento Epigenético Direcionado

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

Bioengenharia

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.

Aprimorada Redução Representação Bisulfite Sequencing para a Avaliação de metilação de DNA na resolução de pares de bases

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.

Triagem para Funcional não-codificante variantes genéticas Usando eletroforética Mobilidade Mudança Assay (EMSA) e DNA afinidade Precipitation Assay (DAPA)

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