Name: a virtual machine platform for non-computer professionals for using deep learning to classify biological sequences of metagenomic data
Uploaded: 2021-09-25T14:00:00
Description: Watch this Scientific Journal Video about A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data at JoVE.com

Denne undersøkelsen ble økonomisk støttet av National Natural Science Foundation of China (81925026, 82002201, 81800746, 82102508).

1. Installasjonen av den virtuelle maskinen
<ol><li>Last ned filen for den virtuelle maskinen fra (https://github.com/zhenchengfang/DL-VM).</li>
	<li>Last ned VirtualBox-programvaren fra https://www.virtualbox.org.</li>
	<li>Dekomprimer ".7z" -filen ved hjelp av relatert programvare, for eksempel "7-Zip", "WinRAR" eller "WinZip".</li>
	<li>Installer VirtualBox-programvaren ved å klikke neste knapp i hvert trinn.</li>
	<li>Åpne VirtualBox-programvaren og klikk på Ny-knappen for å op...

<ol>
	<li>Liang, Q., Bible, P. W., Liu, Y., Zou, B., Wei, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=DeepMicrobes:+taxonomic+classification+for+metagenomics+with+deep+learning.">DeepMicrobes: taxonomic classification for metagenomics with deep learning.</a> NAR Genomics and Bioinformatics. 2 (1), (2020).</li><li>Ren, 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=VirFinder:+a+novel+k+-mer+based+tool+for+identifying+viral+sequences+from+assembled+metagenomic+data.">VirFinder: a novel k -mer based tool for identifying viral sequences from assembled metagenomic data.</a> Microbiome. 5 (1), 69 (2017).</li><li>Fang, 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=PPR-Meta:+a+tool+for+identifying+phages+and+plasmids+from+metagenomic+fragments+using+deep+learning.">PPR-Meta: a tool for identifying phages and plasmids from metagenomic fragments using deep learning.</a> GigaScience. 8 (6), (2019).</li><li>Ren, 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=Identifying+viruses+from+metagenomic+data+using+deep+learning.">Identifying viruses from metagenomic data using deep learning.</a> Quantitative Biology. 8 (1), 64-77 (2020).</li><li>Zhou, F., Xu, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=cBar:+a+computer+program+to+distinguish+plasmid-derived+from+chromosome-derived+sequence+fragments+in+metagenomics+data.">cBar: a computer program to distinguish plasmid-derived from chromosome-derived sequence fragments in metagenomics data.</a> Bioinformatics. 26 (16), 2051-2052 (2010).</li><li>Krawczyk, P. S., Lipinski, L., Dziembowski, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PlasFlow:+predicting+plasmid+sequences+in+metagenomic+data+using+genome+signatures.">PlasFlow: predicting plasmid sequences in metagenomic data using genome signatures.</a> Nucleic Acids Research. 46 (6), (2018).</li><li>Pellow, D., Mizrahi, I., Shamir, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PlasClass+improves+plasmid+sequence+classification.">PlasClass improves plasmid sequence classification.</a> PLOS Computational Biology. 16 (4), (2020).</li><li>Arango-Argoty, G., 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=DeepARG:+a+deep+learning+approach+for+predicting+antibiotic+resistance+genes+from+metagenomic+data.">DeepARG: a deep learning approach for predicting antibiotic resistance genes from metagenomic data.</a> Microbiome. 6 (1), 1-15 (2018).</li><li>Zheng, D., Pang, G., Liu, B., Chen, L., Yang, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Learning+transferable+deep+convolutional+neural+networks+for+the+classification+of+bacterial+virulence+factors.">Learning transferable deep convolutional neural networks for the classification of bacterial virulence factors.</a> Bioinformatics. 36 (12), 3693-3702 (2020).</li><li>LeCun, Y., Bengio, Y., Hinton, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Deep+learning.">Deep learning.</a> Nature. 521 (7553), 436-444 (2015).</li><li>Fang, Z., Zhou, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=VirionFinder:+Identification+of+Complete+and+Partial+Prokaryote+Virus+Virion+Protein+From+Virome+Data+Using+the+Sequence+and+Biochemical+Properties+of+Amino+Acids.">VirionFinder: Identification of Complete and Partial Prokaryote Virus Virion Protein From Virome Data Using the Sequence and Biochemical Properties of Amino Acids.</a> Frontiers in Microbiology. 12, 615711 (2021).</li><li>Fang, Z., Zhou, H. <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+the+conjugative+and+mobilizable+plasmid+fragments+in+the+plasmidome+using+sequence+signatures.">Identification of the conjugative and mobilizable plasmid fragments in the plasmidome using sequence signatures.</a> Microbial Genomics. 6 (11), (2020).</li><li>Richter, D. C., Ott, F., Auch, A. F., Schmid, R., Huson, D. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MetaSim-a+sequencing+simulator+for+genomics+and+metagenomics.">MetaSim-a sequencing simulator for genomics and metagenomics.</a> PLoS One. 3 (10), 3373 (2008).</li><li>Zhang, 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=Prediction+of+virus-host+infectious+association+by+supervised+learning+methods.">Prediction of virus-host infectious association by supervised learning methods.</a> BMC Bioinformatics. 18 (3), 143-154 (2017).</li></ol>

Denne opplæringen gir en oversikt for biologer og algoritmedesign nybegynnere om hvordan man konstruerer et brukervennlig rammeverk for dyp læring for biologisk sekvensklassifisering i metagenomiske data. Denne opplæringen tar sikte på å gi intuitiv forståelse av dyp læring og adressere utfordringen som nybegynnere ofte har problemer med å installere den dype læringspakken og skrive koden for algoritmen. For noen enkle klassifiseringsoppgaver kan brukere bruke rammeverket til å utføre klassifiseringsoppgavene....

Den metagenomiske sekvenseringsteknikken omgår belastningsisolasjonsprosessen og sekvenserer direkte det totale DNA-et i en miljøprøve. Dermed inneholder metagenomiske data DNA fra forskjellige organismer, og de fleste biologiske sekvenser er fra nye organismer som ikke er til stede i den nåværende databasen. I henhold til ulike forskningsformål må biologer klassifisere disse sekvensene fra forskjellige perspektiver, for eksempel taksonomisk klassifisering1, virusbakterieklassifisering2,3,4, kromosom-plasmidklassifisering3,5,6,7og genfunksjonsmerknad (for eksempel genklassifisering av antibiotikaresistens8 og virulensfaktorklassifisering9 ). Fordi metagenomiske data inneholder et stort antall nye arter og gener, er ab initio-algoritmer, som ikke er avhengige av kjente databaser for sekvensklassifisering (inkludert DNA-klassifisering og proteinklassifisering), en viktig tilnærming i metagenomisk dataanalyse. Imidlertid krever utformingen av slike algoritmer profesjonell matematikkkunnskap og programmeringsferdigheter; Derfor har mange biologer og algoritmedesign nybegynnere problemer med å konstruere en klassifiseringsalgoritme som passer deres egne behov.
Med utviklingen av kunstig intelligens har dyplæringsalgoritmer blitt mye brukt innen bioinformatikk for å fullføre oppgaver som sekvensklassifisering i metagenomisk analyse. For å hjelpe nybegynnere med å forstå dype læringsalgoritmer, beskriver vi algoritmen på en lettfattelig måte nedenfor.
En oversikt over en dyplæringsteknikk vises i figur 1. Kjerneteknologien til en dyp læringsalgoritme er et kunstig nevralt nettverk, som er inspirert av strukturen i den menneskelige hjerne. Fra et matematisk synspunkt kan et kunstig nevralt nettverk betraktes som en kompleks funksjon. Hvert objekt (for eksempel en DNA-sekvens, et bilde eller en video) digitaliseres først. Det digitaliserte objektet importeres deretter til funksjonen. Oppgaven til det kunstige nevrale nettverket er å gi riktig respons i henhold til inngangsdataene. Hvis for eksempel et kunstig nevralt nettverk er konstruert for å utføre en klassifiseringsoppgave i to klasser, skal nettverket gi en sannsynlighetspoengsum på mellom 0 og 1 for hvert objekt. Det nevrale nettverket bør gi det positive objektet en høyere poengsum (for eksempel en poengsum høyere enn 0,5) samtidig som det negative objektet får en lavere poengsum. For å oppnå dette målet er et kunstig nevralt nettverk konstruert med opplærings- og testprosessene. Under disse prosessene lastes data fra den kjente databasen ned og deretter deles inn i et opplæringssett og testsett. Hvert objekt digitaliseres på riktig måte og gis en etikett ("1" for positive objekter og "0" for negative objekter). I treningsprosessen legges de digitaliserte dataene i treningssettet inn i nevralnettverket. Det kunstige nevrale nettverket konstruerer en tapsfunksjon som representerer ulikheten mellom utdataresultatet til inndataobjektet og den tilsvarende etiketten til objektet. Hvis for eksempel etiketten for inndataobjektet er "1" mens utdataresultatet er "0,1", vil tapsfunksjonen være høy. og hvis etiketten til inndataobjektet er "0" mens utdataresultatet er "0,1", vil tapsfunksjonen være lav. Det kunstige nevrale nettverket bruker en spesifikk iterativ algoritme som justerer parametrene til nevralnettverket for å minimere tapsfunksjonen. Treningsprosessen avsluttes når tapsfunksjonen ikke kan reduseres ytterligere. Til slutt brukes dataene i testsettet til å teste det faste nevrale nettverket, og nevralnettverkets evne til å beregne de riktige etikettene for de nye objektene evalueres. Flere prinsipper for dyplæringsalgoritmer finnes i gjennomgangen i LeCun et al. 10.
Selv om de matematiske prinsippene for dyplæringsalgoritmer kan være komplekse, har mange svært pakkede dyplæringspakker nylig blitt utviklet, og programmerere kan direkte konstruere et enkelt kunstig nevralt nettverk med noen få kodelinjer.
For å hjelpe biologer og algoritmedesign nybegynnere med å komme i gang med å bruke dyp læring raskere, gir denne opplæringen en retningslinje for å konstruere et brukervennlig rammeverk for dyp læring for sekvensklassifisering. Dette rammeverket bruker den "en-hot" kodingsformen som den matematiske modellen for å digitalisere de biologiske sekvensene og bruker et konvolusjons nevralt nettverk for å utføre klassifiseringsoppgaven (se tilleggsmaterialet). Det eneste brukerne trenger å gjøre før de bruker denne retningslinjen, er å forberede fire sekvensfiler i "fasta" -format. Den første filen inneholder alle sekvenser av den positive klassen for treningsprosessen (referert til "p_train.fasta"); den andre filen inneholder alle sekvenser av den negative klassen for treningsprosessen (referert til "n_train.fasta"); den tredje filen inneholder alle sekvenser av den positive klassen for testprosessen (referert til "p_test.fasta"); og den siste filen inneholder alle sekvenser av den negative klassen for testprosessen (referert til "n_test.fasta"). Oversikten over flytskjemaet for denne opplæringen er gitt i figur 2, og flere detaljer vil bli nevnt nedenfor.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>PC or server</td>
			<td>NA</td>
			<td>NA</td>
			<td>Suggested memory: &#62;6GB</td>
		</tr>
		<tr>
			<td>VirtualBox software</td>
			<td>NA</td>
			<td>NA</td>
			<td>Link: https://www.virtualbox.org</td>
		</tr>
	</tbody>
</table>

a virtual machine platform for non-computer professionals for using deep learning to classify biological sequences of metagenomic data

En rekke biologiske sekvensklassifiseringsoppgaver, som artsklassifisering, genfunksjonsklassifisering og virusvertsklassifisering, forventes prosesser i mange metagenomiske dataanalyser. Siden metagenomiske data inneholder et stort antall nye arter og gener, er det nødvendig med høypresterende klassifikasjonsalgoritmer i mange studier. Biologer møter ofte utfordringer med å finne egnede sekvensklassifiserings- og merknadsverktøy for en bestemt oppgave og er ofte ikke i stand til å konstruere en tilsvarende algoritme på egen hånd på grunn av mangel på nødvendig matematisk og beregningsmessig kunnskap. Dyplæringsteknikker har nylig blitt et populært tema og viser sterke fordeler i mange klassifikasjonsoppgaver. Til dags dato er mange svært pakkede dyplæringspakker, som gjør det mulig for biologer å konstruere dype læringsrammer i henhold til egne behov uten inngående kunnskap om algoritmedetaljene. I denne opplæringen gir vi en retningslinje for å konstruere et brukervennlig rammeverk for dyp læring for sekvensklassifisering uten behov for tilstrekkelig matematisk kunnskap eller programmeringsferdigheter. All koden er optimalisert i en virtuell maskin slik at brukere kan kjøre koden direkte ved hjelp av sine egne data.

I vårt tidligere arbeid utviklet vi en rekke sekvensklassifiseringsverktøy for metagenomiske data ved hjelp av en tilnærming som ligner på denne opplæringen3,11,12. Som et eksempel deponerte vi sekvensfilene til delsettet av treningssett og testsett fra vårt forrige arbeid3,11 i den virtuelle maskinen.
Fang &Zhou11</sup...

Watch this Scientific Journal Video about A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data at JoVE.com

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

Denne opplæringen beskriver en enkel metode for å konstruere en dyp læringsalgoritme for å utføre 2-klasse sekvensklassifisering av metagenomiske data.

En virtuell maskinplattform for ikke-datamaskin fagfolk for bruk av dyp læring for å klassifisere biologiske sekvenser av metagenomiske data

A variety of biological sequence classification tasks, such as species classification, gene function classification and viral host classification, are ...

En rekke biologiske sekvensklassifiserings oppgaver, for eksempel artsklassifisering, genfunksjonsklassifisering og trådvertsklassifisering, er forventede prosesser i mange metagenomiske dataanalyser. Siden metagenomiske data inneholder et stort antall Novo-arter og gener, er det nødvendig med høytytende klassifikasjonsorganismer i mange studier. Biologer møter ofte utfordringer med å finne egnede sekvensklassifiserings- og notasjonsverktøy for en bestemt oppgave og er ofte ikke i stand til å konstruere en tilsvarende organisme på egen hånd på grunn av mangel på nødvendig matematisk og beregningskunnskap.Dyplæringsteknikker har nylig blitt et populært tema og viser sterk fordel i mange klassifikasjonsoppgaver. Til dags dato er det utviklet mange svært pakkede dyplæringspakker, som gjør det mulig for biologer å konstruere dype læringsrammer, i henhold til egne behov uten inngående kunnskap om organismedetaljene. I denne opplæringen gir vi en retningslinje for å konstruere et brukervennlig rammeverk for dyp læring for sekvensklassifisering uten behov for tilstrekkelig matematisk kunnskap eller programmeringsferdigheter.Følgende video viser hvordan du bruker den virtuelle maskinen til å utføre biologisk sekvensklassifisering. Brukere må laste ned den virtuelle maskinfilen fra opplæringens hjemmeside, og deretter laste ned VirtualBox-programvaren. Den virtuelle maskinen komprimeres som en sytti-fil.Den sytti filen kan enkelt dekomprimeres ved hjelp av en gjeldende komprimeringsprogramvare, for eksempel WinRar, Winzip og 7-Zip. Vi dekomprimerte den virtuelle maskinen ved hjelp av 7-Zip. Dekompresjonen kan ta litt tid.Vent litt. Etter dekomprimering må brukere installere VirtualBox-programvaren. Opprett en mappe for å installere VirtualBox.Opprett en VirtualBox-installasjonspakke. Velg mappen som er opprettet av deg selv. Installer deretter VirutalBox-programvaren ved å klikke på neste knapp i hvert trinn.Installasjonen kan ta litt tid. Åpne VirtualBox-programvaren. Opprett en ny knapp for å opprette en virtuell maskin.Skriv inn navnet på den virtuelle maskinen som er angitt av deg selv i navnerammen. Velg Linux som operativsystem i typerammen. Velg Ubuntu i versjonsrammen, og klikk neste knapp.Hvis det er mulig, tildel en større mengde minne til den virtuelle maskinen. Sannmer bruken av et eksisterende valg av harddiskfil. Velg den virtuelle maskinfilen som er lastet ned fra opplæringens hjemmeside.Og klikk deretter på opprett-knappen. Klikk på en startknapp for å åpne den virtuelle maskinen. Det kan ta litt tid å starte opp den virtuelle maskinen.Vent litt før neste trinn. Deretter må brukerne opprette delt mappe i både fysiske verter og virtuelle maskiner for å utveksle filer. I den fysiske verten oppretter du en delt mappe med navnet delt vert, og på skrivebordet på den virtuelle maskinen oppretter du en delt mappe med navnet Delt VM.In den manuelle linjen på den virtuelle maskinen, klikker enheter, delte mapper, innstillinger for delte mapper etter hvert.Klikk knappen øverst til høyre. Velg den delte mappen i den fysiske verten som er opprettet av deg selv. Velg alternativet for automatisk montering.Klikk OK . Start deretter den virtuelle maskinen på nytt. Det kan ta litt tid å starte den virtuelle maskinen på nytt.Vent litt før neste trinn. Klikk på høyre klikk på skrivebordet på den virtuelle maskinen og åpne terminalen. Skriv inn følgende kommando i terminalen.Sudo, mellomromstasten, montere, mellomromstasten, linje T, mellomromstasten, vboxsf, mellomromstasten, delt vert, mellomromstasten, prikk skråstrek, skrivebord, skråstrek, delt VM.Når du blir bedt om et passord, skriv inn en og trykk på enter-tasten. Kopier alle fire sekvensfilene i raskere format for opplærings- og testprosessen til den delte vertsmappen til den fysiske verten. På denne måten vil alle filene også forekomme i den delte VM-mappen på den virtuelle maskinen.Kopier deretter filene i den delte VM-mappen til den dype læringsmappen til den virtuelle maskinen. Klikk høyreklikk og åpne terminalen, og skriv inn følgende kommando for å utføre den ene hurtigtasten. Dot slash, en hot koding, spesifiser filene for trening og testing.Og angi sekvenstypen. Skriv deretter inn følgende kommando for å starte trendprosessen. Python romnøkkel, tog prikk P Y.Da vil trending prosessen begynne.Denne prosessen kan ta noen timer eller noen dager, avhengig av størrelsen på datasettet. Når prosessen er ferdig, er det prediktive resultatet av testdataene til stede i den prediktive DOT CSV-filen. I vårt tidligere arbeid utviklet vi en rekke sekvensklassifiseringsverktøy for metagenomiske data, ved hjelp av en tilnærming som ligner på denne opplæringen.For eksempel utviklet vi et verktøy som tar sikte på å identifisere de komplette og delvise prokaryote virusvirionproteinene fra kjøredata. Og et verktøy som tar sikte på å identifisere phage DNA-fragmenter fra bakterielle kromosom-DNA-fragmenter i metogenomiske data. Ytelsen til verktøyene ved hjelp av skriptet til denne opplæringen vises i figuren a og b.Til slutt gir denne opplæringen en oversikt for biologer og organismer som designer nybegynnere om hvordan man konstruerer et brukervennlig rammeverk for dyp læring for biologisk sekvensklassifisering i metogenomiske data. Denne opplæringen tar sikte på å gi intuitiv forståelse av dyp læring og adressere utfordringen som nybegynnere ofte har problemer med å starte den dype læringspakken og skrive koden for organismen. For noen enkle klassifikasjonsoppgaver kan brukerne bruke rammeverket vårt til å utføre klassifiseringsoppgaven.

Research

JoVE Journal

Genetics

A Robotic Platform for High-throughput Protoplast Isolation and Transformation

En robot plattform for High-throughput Protoplast Isolering og Transformation

Over the last decade there has been a resurgence in the use of plant protoplasts that range from model species to crop species, for analysis of signal ...

Perturbations of Circulating miRNAs in Irritable Bowel Syndrome Detected Using a Multiplexed High-throughput Gene Expression Platform

Forstyrrelser av sirkulerende mirnas i Irritabel tarm syndrom oppdages ved hjelp av en multiplekset Høy throughput Gene Expression Platform

The gene expression platform assay allows for robust and highly reproducible quantification of the expression of up to 800 transcripts (mRNA or miRNAs) in ...

Metagenomic Analysis of Silage

Metagenomic Analyse av Silo

Metagenomics is defined as the direct analysis of deoxyribonucleic acid (DNA) purified from environmental samples and enables taxonomic identification of ...

Using a GFP-tagged TMEM184A Construct for Confirmation of Heparin Receptor Identity

Ved hjelp av en GFP-merket TMEM184A Construct for bekreftelse av Heparin Receptor Identity

When novel proteins are identified through affinity-based isolation and bioinformatics analysis, they are often largely uncharacterized. Antibodies ...

Protocols for C-Brick DNA Standard Assembly Using Cpf1

Protokoller for C-Brick DNA Standard Assembly Bruke Cpf1

CRISPR-associated protein Cpf1 cleaves double-stranded DNA under the guidance of CRISPR RNA (crRNA), generating sticky ends. Because of this ...

Robust DNA Isolation and High-throughput Sequencing Library Construction for Herbarium Specimens

Robust DNA isolasjon og høy gjennomstrømming sekvensering biblioteket konstruksjon for Herbarium prøver

Herbaria are an invaluable source of plant material that can be used in a variety of biological studies. The use of herbarium specimens is associated with ...

CRISPR/Cas9-mediated Targeted Integration In Vivo Using a Homology-mediated End Joining-based Strategy

CRISPR/Cas9-mediated Targeted Integration In Vivo Using a Homology-mediated End Joining-based Strategy

CRISPR/Cas9-mediert målrettet integrering i Vivo med en homologi-mediert slutten begynte-basert strategi

As a promising genome editing platform, the CRISPR/Cas9 system has great potential for efficient genetic manipulation, especially for targeted integration ...

Informatic Analysis of Sequence Data from Batch Yeast 2-Hybrid Screens

Informatic analyse av sekvens Data fra satsvis gjær 2-Hybrid-skjermer

We have adapted the yeast 2-hybrid assay to simultaneously uncover dozens of transient and static protein interactions within a single screen utilizing ...

High-throughput Identification of Gene Regulatory Sequences Using Next-generation Sequencing of Circular Chromosome Conformation Capture (4C-seq)

High-throughput Identification of Gene Regulatory Sequences Using Next-generation Sequencing of Circular Chromosome Conformation Capture 4C-seq

Høy gjennomstrømming identifikasjon av regulatoriske gensekvenser med neste generasjons sekvensering av runde kromosom konformasjon fange (4C-seq)

The identification of regulatory elements for a given target gene poses a significant technical challenge owing to the variability in the positioning and ...

A Deep-sequencing-assisted, Spontaneous Suppressor Screen in the Fission Yeast Schizosaccharomyces pombe

A Deep-sequencing-assisted, Spontaneous Suppressor Screen in the Fission Yeast Schizosaccharomyces pombe

En dyp-sekvensering-assistert, spontane Suppressor skjerm i fisjon gjær Schizosaccharomyces pombe

A genetic screen for mutant alleles that suppress phenotypic defects caused by a mutation is a powerful approach to identify genes that belong to closely ...