Name: a bioinformatics pipeline to accurately and efficiently analyze the microrna transcriptomes in plants
Uploaded: 2020-01-21T12:30:00
Description: Watch this Scientific Journal Video about A Bioinformatics Pipeline to Accurately and Efficiently Analyze the MicroRNA Transcriptomes in Plants at JoVE.com

Ce travail a été soutenu par beijing Academy of Agriculture and Forestry Sciences (KJCX201917, KJCX20180425, et KJCX20180204) à XY et National Natural Science Foundation of China (31621001) à LL.

1. Installation et essais
<ol><li>Télécharger les dépendances requises: Bowtie222 et RNAfold23. Les paquets compilés sont recommandés.<ol>
<li>Téléchargez Bowtie2, un outil de cartographie de lecture, à partir de son site d'origine (<a href="http://bowtie-bio.sourceforge.net/bowtie2/index.shtml" target="_blank">http://bowtie-bio.sourceforge.net/bowtie2/index.shtml</a>).</li>
		<li>Télécharger RNAfold, un outil du paquet de Vienne utilisé pour prédire la struct...

<ol>
	<li>Ghildiyal, M., Zamore, P. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Small+silencing+RNAs:+an+expanding+universe.">Small silencing RNAs: an expanding universe.</a> Nature Reviews Genetics. 10 (2), 94-108 (2009).</li><li>Bartel, D. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MicroRNAs:+target+recognition+and+regulatory+functions.">MicroRNAs: target recognition and regulatory functions.</a> Cell. 136 (2), 215-233 (2009).</li><li>Moran, Y., Agron, M., Praher, D., Technau, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+evolutionary+origin+of+plant+and+animal+microRNAs.">The evolutionary origin of plant and animal microRNAs.</a> Nature Ecology Evolution. 1 (3), 27 (2017).</li><li>Xie, Z., 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=Expression+of+Arabidopsis+MIRNA+genes.">Expression of Arabidopsis MIRNA genes.</a> Plant Physiology. 138 (4), 2145-2154 (2005).</li><li>Zhao, X., Zhang, H., Li, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identification+and+analysis+of+the+proximal+promoters+of+microRNA+genes+in+Arabidopsis.">Identification and analysis of the proximal promoters of microRNA genes in Arabidopsis.</a> Genomics. 101 (3), 187-194 (2013).</li><li>Bologna, N. G., Mateos, J. L., Bresso, E. G., Palatnik, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+loop-to-base+processing+mechanism+underlies+the+biogenesis+of+plant+microRNAs+miR319+and+miR159.">A loop-to-base processing mechanism underlies the biogenesis of plant microRNAs miR319 and miR159.</a> EMBO JOURNAL. 28 (23), 3646-3656 (2009).</li><li>Rogers, K., Chen, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biogenesis,+turnover,+and+mode+of+action+of+plant+microRNAs.">Biogenesis, turnover, and mode of action of plant microRNAs.</a> Plant Cell. 25 (7), 2383-2399 (2013).</li><li>Voinnet, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Origin,+biogenesis,+and+activity+of+plant+microRNAs.">Origin, biogenesis, and activity of plant microRNAs.</a> Cell. 136 (4), 669-687 (2009).</li><li>Iwakawa, H. O., Tomari, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Functions+of+MicroRNAs:+mRNA+Decay+and+Translational+Repression.">The Functions of MicroRNAs: mRNA Decay and Translational Repression.</a> Trends in Cell Biology. 25 (11), 651-665 (2015).</li><li>Lee, R. C., Feinbaum, R. L., Ambros, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+C.+elegans+heterochronic+gene+lin-4+encodes+small+RNAs+with+antisense+complementarity+to+lin-14.">The C. elegans heterochronic gene lin-4 encodes small RNAs with antisense complementarity to lin-14.</a> Cell. 75 (5), 843-854 (1993).</li><li>Wightman, B., Ha, I., Ruvkun, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Posttranscriptional+regulation+of+the+heterochronic+gene+lin-14+by+lin-4+mediates+temporal+pattern+formation+in+C.+elegans.">Posttranscriptional regulation of the heterochronic gene lin-14 by lin-4 mediates temporal pattern formation in C. elegans.</a> Cell. 75 (5), 855-862 (1993).</li><li>Friedlander, M. R., 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=Discovering+microRNAs+from+deep+sequencing+data+using+miRDeep.">Discovering microRNAs from deep sequencing data using miRDeep.</a> Nature Biotechnology. 26 (4), 407-415 (2008).</li><li>Yang, X., Li, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miRDeep-P:+a+computational+tool+for+analyzing+the+microRNA+transcriptome+in+plants.">miRDeep-P: a computational tool for analyzing the microRNA transcriptome in plants.</a> Bioinformatics. 27 (18), 2614-2615 (2011).</li><li>Meyers, B. C., 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=Criteria+for+annotation+of+plant+MicroRNAs.">Criteria for annotation of plant MicroRNAs.</a> Plant Cell. 20 (12), 3186-3190 (2008).</li><li>Yang, X., Zhang, H., Li, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Global+analysis+of+gene-level+microRNA+expression+in+Arabidopsis+using+deep+sequencing+data.">Global analysis of gene-level microRNA expression in Arabidopsis using deep sequencing data.</a> Genomics. 98 (1), 40-46 (2011).</li><li>Kuang, Z., Wang, Y., Li, L., Yang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miRDeep-P2:+accurate+and+fast+analysis+of+the+microRNA+transcriptome+in+plants.">miRDeep-P2: accurate and fast analysis of the microRNA transcriptome in plants.</a> Bioinformatics. , (2018).</li><li>Kozomara, A., Birgaoanu, M., Griffiths-Jones, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miRBase:+from+microRNA+sequences+to+function.">miRBase: from microRNA sequences to function.</a> Nucleic Acids Research. 47 (1), 155-162 (2019).</li><li>Griffiths-Jones, S., Saini, H. K., van Dongen, S., Enright, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miRBase:+tools+for+microRNA+genomics.">miRBase: tools for microRNA genomics.</a> Nucleic Acids Research. 36, 154-158 (2008).</li><li>Axtell, M. J., Meyers, B. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Revisiting+Criteria+for+Plant+MicroRNA+Annotation+in+the+Era+of+Big+Data.">Revisiting Criteria for Plant MicroRNA Annotation in the Era of Big Data.</a> Plant Cell. 30 (2), 272-284 (2018).</li><li>Taylor, R. S., Tarver, J. E., Hiscock, S. J., Donoghue, P. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evolutionary+history+of+plant+microRNAs.">Evolutionary history of plant microRNAs.</a> Trends in Plant Science. 19 (3), 175-182 (2014).</li><li>Kozomara, A., Griffiths-Jones, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miRBase:+annotating+high+confidence+microRNAs+using+deep+sequencing+data.">miRBase: annotating high confidence microRNAs using deep sequencing data.</a> Nucleic Acids Research. 42, 68-73 (2014).</li><li>Langmead, B., Salzberg, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+gapped-read+alignment+with+Bowtie+2.">Fast gapped-read alignment with Bowtie 2.</a> Nature Methods. 9 (4), 357-359 (2012).</li><li>Lorenz, R., 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=ViennaRNA+Package+2.0.">ViennaRNA Package 2.0.</a> Algorithms for Molecular Biology. 6, 26 (2011).</li><li>Langmead, B., Trapnell, C., Pop, M., Salzberg, S. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Ultrafast+and+memory-efficient+alignment+of+short+DNA+sequences+to+the+human+genome.">Ultrafast and memory-efficient alignment of short DNA sequences to the human genome.</a> Genome Biology. 10 (3), 25 (2009).</li><li>An, J., Lai, J., Sajjanhar, A., Lehman, M. L., Nelson, C. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miRPlant:+an+integrated+tool+for+identification+of+plant+miRNA+from+RNA+sequencing+data.">miRPlant: an integrated tool for identification of plant miRNA from RNA sequencing data.</a> BMC Bioinformatics. 15, 275 (2014).</li><li>Lei, J., Sun, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miR-PREFeR:+an+accurate,+fast+and+easy-to-use+plant+miRNA+prediction+tool+using+small+RNA-Seq+data.">miR-PREFeR: an accurate, fast and easy-to-use plant miRNA prediction tool using small RNA-Seq data.</a> Bioinformatics. 30 (19), 2837-2839 (2014).</li><li>Evers, M., Huttner, M., Dueck, A., Meister, G., Engelmann, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=miRA:+adaptable+novel+miRNA+identification+in+plants+using+small+RNA+sequencing+data.">miRA: adaptable novel miRNA identification in plants using small RNA sequencing data.</a> BMC Bioinformatics. 16, 370 (2015).</li><li>Mathelier, A., Carbone, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MIReNA:+finding+microRNAs+with+high+accuracy+and+no+learning+at+genome+scale+and+from+deep+sequencing+data.">MIReNA: finding microRNAs with high accuracy and no learning at genome scale and from deep sequencing data.</a> Bioinformatics. 26 (18), 2226-2234 (2010).</li><li>Zhu, Q. H., 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=A+diverse+set+of+microRNAs+and+microRNA-like+small+RNAs+in+developing+rice+grains.">A diverse set of microRNAs and microRNA-like small RNAs in developing rice grains.</a> Genome Research. 18 (9), 1456-1465 (2008).</li><li>Fahlgren, N., 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=MicroRNA+gene+evolution+in+Arabidopsis+lyrata+and+Arabidopsis+thaliana.">MicroRNA gene evolution in Arabidopsis lyrata and Arabidopsis thaliana.</a> Plant Cell. 22 (4), 1074-1089 (2010).</li><li>Fromm, B., 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=A+Uniform+System+for+the+Annotation+of+Vertebrate+microRNA+Genes+and+the+Evolution+of+the+Human+microRNAome.">A Uniform System for the Annotation of Vertebrate microRNA Genes and the Evolution of the Human microRNAome.</a> Annual Review of Genetics. 49, 213-242 (2015).</li><li>Blevins, T., 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=Identification+of+Pol+IV+and+RDR2-dependent+precursors+of+24+nt+siRNAs+guiding+de+novo+DNA+methylation+in+Arabidopsis.">Identification of Pol IV and RDR2-dependent precursors of 24 nt siRNAs guiding de novo DNA methylation in Arabidopsis.</a> Elife. 4, 09591 (2015).</li><li>Zhai, 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=A+One+Precursor+One+siRNA+Model+for+Pol+IV-Dependent+siRNA+Biogenesis.">A One Precursor One siRNA Model for Pol IV-Dependent siRNA Biogenesis.</a> Cell. 163 (2), 445-455 (2015).</li><li>Werner, S., Wollmann, H., Schneeberger, K., Weigel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Structure+determinants+for+accurate+processing+of+miR172a+in+Arabidopsis+thaliana.">Structure determinants for accurate processing of miR172a in Arabidopsis thaliana.</a> Current Biology. 20 (1), 42-48 (2010).</li><li>Mateos, J. L., Bologna, N. G., Chorostecki, U., Palatnik, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identification+of+microRNA+processing+determinants+by+random+mutagenesis+of+Arabidopsis+MIR172a+precursor.">Identification of microRNA processing determinants by random mutagenesis of Arabidopsis MIR172a precursor.</a> Current Biology. 20 (1), 49-54 (2010).</li><li>Vitsios, D. M., 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=Mirnovo:+genome-free+prediction+of+microRNAs+from+small+RNA+sequencing+data+and+single-cells+using+decision+forests.">Mirnovo: genome-free prediction of microRNAs from small RNA sequencing data and single-cells using decision forests.</a> Nucleic Acids Research. 45 (21), 177 (2017).</li></ol>

Avec l'avènement de NGS, un grand nombre de loci miRNA ont été identifiés à partir d'une quantité sans cesse croissante de données de séquençage de l'ARNde chez diverses espèces29,30. Dans la base de données communautaire centralisée miRBase21, les éléments miRNA déposés ont augmenté de près de 100 fois au cours de la dernière décennie. Cependant, par rapport aux miRNAs chez les animaux, les miARN végétaux ont de nomb...

L'une des découvertes les plus passionnantes des deux dernières décennies en biologie est le rôle proliférant des espèces d'ARNs dans la régulation des diverses fonctions du génome1. En particulier, les miARN constituent une classe importante de 20 à 24 sRNAs dans les eucaryotes, et fonctionnent principalement au niveau post-transcriptionnel en tant que régulateurs génétiques de premier plan tout au long des étapes de développement du cycle de vie ainsi que dans les réponses de stimulus et de stress2,3. Chez les plantes, les miARN proviennent de transcriptions primaires appelées pri-miRNAs, qui sont généralement transcrites par l'ARN polymérase II comme unités de transcription individuelles4,5. Traitées par des machines cellulaires évolutivement conservées (Drosha RNase III chez les animaux, comme dicER chez les plantes), les pri-miRNAs sont excisées dans les précurseurs immédiats de miRNA, les pré-miRNAs, qui contiennent des séquences formant des structures intramoléculaires de boucle de tige6,7. Les pré-miRNAs sont ensuite transformés en intermédiaires à double brin, à savoir les duplex miRNA, constitués du brin fonctionnel, du miRNA mature et du partenaire moins fréquemment fonctionnel,miRNAMD 2,8. Après avoir été chargés dans le complexe de silençage induit par l'ARN (RISC), les miARN matures pouvaient reconnaître leurs cibles d'ARNm en fonction de la complémentarité de la séquence, ce qui a entraîné une fonction réglementaire négative2,8. miRNAs pourrait soit déstabiliser leurs transcriptions cibles ou empêcher la traduction cible, mais l'ancienne manière est dominée dans les plantes8,9.
Depuis la découverte fortuite du premier miRNA dans le nématode Caenorhabditis elegans10,11, beaucoup de recherche a été engagée à l'identification miRNA et son analyse fonctionnelle, en particulier après la disponibilité de la méthode NGS. La large application de la méthode NGS a grandement favorisé l'utilisation d'outils informatiques conçus pour saisir la caractéristique unique des miARN, tels que la structure en boucle de tige des précurseurs et leur accumulation préférentielle de lectures de séquence séquencés sur le miRNA mature et le miRNAMD. En conséquence, les chercheurs ont obtenu un succès remarquable dans l'identification des miARN chez diverses espèces. Basé sur un modèle de probabilité précédemment décrit12,nous avons développé miRDeep-P13, qui a été le premier outil de calcul pour découvrir des miARN végétaux à partir de données NGS. miRDeep-P visait spécifiquement à surmonter les défis du décodage des miARN végétaux avec une longueur de précurseur plus variable et de grandes familles paralogues13,14,15. Après sa sortie, ce programme a été téléchargé des milliers de fois et utilisé pour annoter les transcriptomes miRNA dans plus de 40 espèces végétales16. Propulsé par des outils basés sur NGS comme miRDeep-P, il ya eu une augmentation spectaculaire du nombre de miRNAs enregistrés dans le dépôt de miRNA public miRBase17, où plus de 38.000 articles miRNA sont actuellement hébergés (libération 22.1) par rapport à seulement 500 articles miRNA (libération 2.0) en 200818.
Cependant, deux nouveaux défis ont surgi de l'annotation de miRNA de plante. Tout d'abord, des ratios élevés de faux positifs ont eu un impact important sur la qualité des annotations miRNA végétales16,19 pour les raisons suivantes : 1) un déluge d'ARN endogènes brefs interférants (siRNAs) des bibliothèques ngS sRNA ont été annotés à tort comme miRNAs en raison de l'absence d'un miRNA rigoureux et de critères; 2) pour les espèces sans information a priori miRNA, les faux positifs prédits sur la base des données NGS sont difficiles à éliminer. En utilisant miRBase à titre d'exemple, Taylor et coll.20 ont constaté qu'un tiers des entrées de miRNA des plantes dans le dépôt public21 (libération 21) n'avaient pas de preuves convaincantes à l'appui et même les trois quarts des familles de miRNA végétaux étaient discutables. Deuxièmement, il devient un processus extrêmement long pour prédire les miARN végétaux avec des génomes grands et complexes16. Pour surmonter ces défis, nous avons mis à jour miRDeep-P en ajoutant une nouvelle stratégie de filtrage, en remaniant l'algorithme de notation et en intégrant de nouveaux critères pour l'annotation miRNA végétale, et avons publié la nouvelle version miRDP2. En outre, nous avons testé miRDP2 à l'aide d'ensembles de données NGS sRNA avec des tailles de génome s'agrandit progressivement : Arabidopsis, riz, tomate, maïs et blé. Comparé à cinq autres outils largement utilisés et à son ancienne version, miRDP2 a analysé ces données d'ARNs et analysé les transcriptomes de miRNA plus rapidement avec une précision et une sensibilité améliorées.
Contenu du paquet miRDP2 Le paquet miRDP2 se compose de six scripts Perl documentés qui doivent être exécutés de façon séquentielle par le script bash préparé. Des six scripts, trois (convert_bowtie_to_blast.pl, filter_alignments.pl, et excise_candidate.pl) sont hérités de miRDeep-P. Les autres scripts sont modifiés à partir de la version originale. Les fonctions des six scripts sont décrites dans les éléments suivants :
preprocess_reads.pl filtre les lectures d'entrée, y compris les lectures qui sont trop longues ou trop courtes (lt;19 nt ou 'gt;25 nt), et se lit en corrélation avec les séquences Rfam ncRNA, ainsi que des lectures avec RPM (Reads Per Million) moins de 5. Le script récupère ensuite des lectures corrélées à des séquences matures connues de miRNA. Les fichiers d'entrée sont des lectures originales dans le format FASTA/FASTQ et la sortie bowtie2 de lectures cartographiques vers des séquences miRNA et ncRNA.
La formule de calcul du RPM est la suivante :
<img alt="Equation 1" src="/files/ftp_upload/59864/59864equ01.jpg">
convert_bowtie_to_blast.pl change le format noeud papillon en format BLAST-parsed. Le format blast-parsed est un format tabulaire séparé personnalisé dérivé du format standard NCBI BLASToutput.
filter_alignments.pl filtre les alignements de séquençage profond se lit à un génome. Il filtre les alignements partiels ainsi que les lectures multi-alignées (coupure de fréquence spécifiée par l'utilisateur). L'entrée de base est un fichier en format BLAST-parsed.
excise_candidate.pl élimine les séquences précurseurs potentielles d'une séquence de référence à l'aide de lectures alignées comme lignes directrices. L'entrée de base est un fichier en format BLAST-parsed et un fichier FASTA. La sortie est toutes les séquences précurseurs potentiels en format FASTA.
mod-miRDP.pl a besoin de deux fichiers d'entrée, fichier de signature et fichier de structure, qui est modifié à partir de l'algorithme de base miRDeep-P en modifiant le système de notation avec des paramètres spécifiques à l'usine. Les fichiers d'entrée sont des fichiers de structure précurseur point-bracket et lit le fichier de signature de distribution.
mod-rm_redundant_meet_plant.pl a besoin de trois fichiers d'entrée : chromosome_length, précurseurs et original_prediction générés par mod-miRDP.pl. Il génère deux fichiers de sortie, fichier prévu non redondant et fichier prévu filtré par les critères de miRNA végétale récemment mis à jour. Les détails sur le format du fichier de sortie sont décrits à la section 1.4.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Computer/computing node</td>
			<td>N/A</td>
			<td>N/A</td>
			<td>Perl is required; at least 8 GB RAM and 100 GB storage are recommended</td>
		</tr>
	</tbody>
</table>

a bioinformatics pipeline to accurately and efficiently analyze the microrna transcriptomes in plants

Les microARN (miARN) sont de 20 à 24 nucléotides (nt) endogènes petits ARN (sRNAs) largement existant dans les plantes et les animaux qui jouent un rôle puissant dans la régulation de l'expression des gènes au niveau post-transcriptionnel. Le séquençage des bibliothèques de sRNA par les méthodes de séquençage de la prochaine génération (NGS) a été largement utilisé pour identifier et analyser les transcriptomes de miRNA au cours de la dernière décennie, ce qui a entraîné une augmentation rapide de la découverte de miRNA. Cependant, deux défis majeurs se posent dans l'annotation de miRNA de plante due à la profondeur croissante des bibliothèques séquentielles de sRNA aussi bien que la taille et la complexité des génomes de plante. Tout d'abord, de nombreux autres types d'ARNr, en particulier, les ARN à court interférant (siRNAs) des bibliothèques d'ARNde, sont annotés à tort comme miRNAs par de nombreux outils informatiques. Deuxièmement, il devient un processus extrêmement long pour analyser les transcriptomes miRNA chez les espèces végétales avec des génomes grands et complexes. Pour surmonter ces défis, nous avons récemment mis à niveau miRDeep-P (un outil populaire pour les analyses de transcriptome miRNA) à miRDeep-P2 (miRDP2 pour faire court) en employant une nouvelle stratégie de filtrage, en remaniant l'algorithme de notation et en incorporant miRNA usine nouvellement mis à jour critères d'annotation. Nous avons testé miRDP2 contre des populations d'ARNs séquentielles dans cinq plantes représentatives présentant une complexité génomique croissante, y compris l'arabidopsis, le riz, la tomate, le maïs et le blé. Les résultats indiquent que miRDP2 a traité ces tâches avec une très grande efficacité. En outre, miRDP2 a surpassé les autres outils de prédiction en ce qui concerne la sensibilité et la précision. Pris ensemble, nos résultats démontrent miRDP2 comme un outil rapide et précis pour analyser les transcriptomes miRNA des plantes, donc un outil utile pour aider la communauté à mieux annoter miRNAs dans les plantes.

Le pipeline d'annotation miRNA, miRDP2, décrit ci-dessus est appliqué à 10 bibliothèques publiques de sRNA-seq de 5 espèces végétales dont la longueur du génome a augmenté progressivement, y compris Arabidopsis thaliana, Oryza sativa (riz), Solanum lycopersicum (tomate), Zea mays (maïs) et Triticum aestivum (blé) (Figure 1A). Dans l'ensemble, pour chaque espèce, 2 bibliothèques représentatives de l'ARNM provenant de ...

Watch this Scientific Journal Video about A Bioinformatics Pipeline to Accurately and Efficiently Analyze the MicroRNA Transcriptomes in Plants at JoVE.com

A Bioinformatics Pipeline to Accurately and Efficiently Analyze the MicroRNA Transcriptomes in Plants

Un pipeline bioinformatique, à savoir miRDeep-P2 (miRDP2 pour faire court), avec des critères de miARN végétal mis à jour et un algorithme révisé, pourrait analyser avec précision et efficacité les transcriptomes de microARN chez les plantes, en particulier pour les espèces ayant des génomes complexes et volumineux.

Un pipeline de bioinformatique pour analyser avec précision et efficacité les transcriptomes microARN dans les plantes

MicroRNAs (miRNAs) are 20- to 24-nucleotide (nt) endogenous small RNAs (sRNAs) extensively existing in plants and animals that play potent roles in ...

miRDeep2 peut être utilisé pour identifier avec précision les microARN végétaux qui sont d’importants régulateurs transcriptionnels dans le développement des plantes et qui sont essentiels pour répondre aux défis environnementaux. miRDeep2 nécessite un temps de fonctionnement nettement court et présente une excellente performance à la fois en sensibilité et en précision, en particulier pour prédire le microARN chez les plantes ayant un grand génome. Les faux positifs et le temps de traitement long sont des défis dans l’annotation de microARN de plante.En ajoutant une nouvelle stratégie de fielding, en révisant l’algorithme de notation et en intégrant des critères rigoureux, miRDeep2 peut surmonter ces problèmes. L’annotation microARN à haute confiance est fondamentale pour découvrir le rôle du microARN dans la régulation de diverses fonctions du génome. Des conseils étape par étape peuvent être utiles pour les annotateurs microARN pour la première fois.Pour les chercheurs expérimentés, la méthode est utile pour comprendre les avantages et les avantages de l’utilisation de miRDeep2 par rapport à d’autres outils. Pour installer le paquet miRDeep2, accédez à la page Web miRDeep2 et récupérez les fichiers tarball. Puis extraire tous les contenus du fichier téléchargé dans un dossier et définir le chemin de dossier au chemin.Pour tester le pipeline miRDeep2, téléchargez les données de test et la sortie attendue contenant un fichier de séquençage GSM formaté et un fichier génome Arabidopsis thaliana et déplacez tous les fichiers téléchargés vers l’annuaire de travail actuel. Après avoir extrait les fichiers de tarball compressés, construisez l’index de référence du génome d’Arabidopsis et l’indice de référence de l’ARN non codant. Un dossier sera généré automatiquement dans le user_selected_folder contenant tous les fichiers intermédiaires et les résultats.Le pipeline miRDeep2 peut ensuite être exécuté à l’aide des données d’essai. Pour vérifier les sorties de test, consultez le fichier de sortie délimité par onglet. La sortie finale des microARN prévus contiendra des colonnes qui indiquent l’ID chromosomique, la direction du brin, l’ID de lecture représentatif, l’ID précurseur, l’emplacement du miARN mature, l’emplacement du précurseur, la séquence mature et la séquence précurseur.Vérifiez ensuite le fichier progress_log qui fournit des informations sur les étapes terminées et les fichiers script_log et script_err qui contiennent des sorties de programme et des avertissements. Avant d’exécuter le pipeline, pour s’assurer que les lectures d’entrée sont prétraitées dans le format approprié, retirez les adaptateurs des cinq et trois extrémités principales des lectures de séquençage profond et assurez-vous que tous les identificateurs FAST A sont uniques. Chaque identificateur de séquence doit se terminer par un soulignement x et un entier indiquant le numéro de copie de la séquence exacte qui a été récupérée dans les ensembles de données de séquençage profond.Pour assurer un identificateur EX-RAPIDE unique, inclure un numéro en cours d’exécution dans le ID.To créer un indice de référence, si les séquences génomiques de l’espèce d’intérêt ont été indexées, téléchargez les fichiers d’index Bowtie 2 à partir du site Web d’iGenomes. Ensuite, construisez un indice d’ARN non codant non microARN contenant les principales séquences non codantes de l’ARN fam comprenant l’ARN ribosomal, l’ARN de transfert, le petit ARN nucléaire et le petit ARN nucléolar pour filtrer les séquences bruyantes d’autres fragments d’ARN non codants. Pour utiliser miRDeep2 pour détecter de nouveaux microARN à partir de données de séquençage profond, exécutez le script bash dans le paquet pour démarrer le pipeline d’analyse.Le nombre d’emplacements différents à qui une lecture peut être cartographiée, le numéro d’inadéquation pour l’exécution du nœud papillon 2 et le seuil des lectures par million peuvent être modifiés au besoin. Pour vérifier les sorties miRDeep2, visualisez les données dans les données générées automatiquement output_folder. Dans cette analyse représentative, le pipeline d’annotation de microARN miRDeep2 a été appliqué à 10 bibliothèques publiques de séquence d’ARN de cinq espèces végétales avec une taille de génome graduellement augmentée comme indiqué.Pour chaque espèce, deux petites bibliothèques représentatives d’ARN provenant de tissus différents et leurs séquences du génome index sont traitées sous forme de deux intrants. En utilisant des méthodes antérieures, le traitement du génome pourrait prendre plus de 100 heures ou parfois s’arrêter au milieu de l’analyse en raison de la longueur du génome. miRDeep2, cependant, terminer ces processus de prédiction dans une période de temps nettement plus courte de minutes à heures.Pour les deux petits ARN arabidopsis séquencés utilisés dans ce test, miRDeep2 a obtenu de meilleurs résultats en termes de sensibilité et de précision par rapport à d’autres outils. S’il vous plaît assurez-vous que l’index d’entrée pour le programme est correct. Par exemple, n’utilisez Bowtie qu’avec un index Bowtie et utilisez une grande option d’index pour les grands génomes.Les cibles du microARN qui en résulte peuvent être prédites à l’aide de données de séquençage qui peuvent fournir un aperçu de la fonction microARN. Comme miRDeep2 peut être utilisé pour identifier avec précision et sensibilité la plupart des microARN chez une espèce végétale spécifique, le rôle de la fonction microARN dans son ensemble peut être étudié.

Research

JoVE Journal

Genetics

Peptide-derived Method to Transport Genes and Proteins Across Cellular and Organellar Barriers in Plants

Peptide dérivé Méthode du transport des gènes et des protéines Across cellulaire et obstacles organites dans les plantes

The capacity to introduce exogenous proteins and express (or down-regulate) specific genes in plants provides a powerful tool for fundamental research as ...

Recherche

Génétique

Detection of Copy Number Alterations Using Single Cell Sequencing

Détection de Copy Number Transformations Utilisation unique cellule de séquençage

Detection of genomic changes at single cell resolution is important for characterizing genetic heterogeneity and evolution in normal tissues, cancers, and ...

Systemic Delivery of MicroRNA Using Recombinant Adeno-associated Virus Serotype 9 to Treat Neuromuscular Diseases in Rodents

Délivrance systémique des micro-ARN, à l’aide de Recombinant Adeno-associated Virus sérotype 9 pour traiter des maladies neuromusculaires chez les rongeurs

RNA interference via the endogenous miRNA pathway regulates gene expression by controlling protein synthesis through post-transcriptional gene silencing. ...

An Optogenetic Method to Control and Analyze Gene Expression Patterns in Cell-to-cell Interactions

Une méthode Optogenetic pour contrôler et analyser les profils d’Expression génique dans les Interactions cellule-cellule

Cells should respond properly to temporally changing environments, which are influenced by various factors from surrounding cells. The Notch signaling ...

Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease

Ciblé le séquençage Next-generation et bioinformatique Pipeline afin d’évaluer les déterminants génétiques de la maladie constitutionnelle

Next-generation sequencing (NGS) is quickly revolutionizing how research into the genetic determinants of constitutional disease is performed. The ...

A Rapid and Facile Pipeline for Generating Genomic Point Mutants in C. elegans Using CRISPR/Cas9 Ribonucleoproteins

A Rapid and Facile Pipeline for Generating Genomic Point Mutants in C. elegans Using CRISPR/Cas9 Ribonucleoproteins

Un rapide et Facile de Pipeline pour générer des Mutants de Point génomique dans c. elegans en utilisant CRISPR/Cas9 ribonucléoprotéines

The clustered regularly interspersed palindromic repeats (CRISPR)-CRISPR-associated protein 9 (Cas9) prokaryotic adaptive immune defense system has been ...

Isolation, Characterization and MicroRNA-based Genetic Modification of Human Dental Follicle Stem Cells

Isolement, caractérisation et axée sur les micro-ARN de la Modification génétique des cellules souches humaines follicule dentaire

To date, several stem cell types at different developmental stages are in the focus for the treatment of degenerative diseases. Yet, certain aspects, such ...

Using In Vitro and In-cell SHAPE to Investigate Small Molecule Induced Pre-mRNA Structural Changes

En utilisant en forme in Vitro et dans les cellules d’enquêter sur petites molécules a induit des changements structurels de l’ARN pré-messager

In the process of drug development of RNA-targeting small molecules, elucidating the structural changes upon their interactions with target RNA sequences ...

Characterizing Histone Post-translational Modification Alterations in Yeast Neurodegenerative Proteinopathy Models

Caractériser l’Histone modifications post-traductionnelles levure neurodégénératives Proteinopathy modèles

Neurodegenerative diseases, such as amyotrophic lateral sclerosis (ALS) and Parkinson&#39;s disease (PD), cause the loss of hundreds of thousands of lives ...

Enhanced Yeast One-hybrid Screens To Identify Transcription Factor Binding To Human DNA Sequences

Écrans un hybride levure améliorée afin d’identifier le facteur de Transcription lie à des séquences de l’ADN humain

Identifying the sets of transcription factors (TFs) that regulate each human gene is a daunting task that requires integrating numerous experimental and ...