CN106650313B - 一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法 - Google Patents
一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法 Download PDFInfo
- Publication number
- CN106650313B CN106650313B CN201610865814.0A CN201610865814A CN106650313B CN 106650313 B CN106650313 B CN 106650313B CN 201610865814 A CN201610865814 A CN 201610865814A CN 106650313 B CN106650313 B CN 106650313B
- Authority
- CN
- China
- Prior art keywords
- dnase
- dna
- seq
- experimental data
- dna base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 102000016911 Deoxyribonucleases Human genes 0.000 title claims abstract description 35
- 108010053770 Deoxyribonucleases Proteins 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012165 high-throughput sequencing Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 108020004414 DNA Proteins 0.000 claims description 78
- 230000027455 binding Effects 0.000 claims description 57
- 102000004169 proteins and genes Human genes 0.000 claims description 46
- 108090000623 proteins and genes Proteins 0.000 claims description 46
- 102000004190 Enzymes Human genes 0.000 claims description 13
- 108090000790 Enzymes Proteins 0.000 claims description 13
- 238000003776 cleavage reaction Methods 0.000 claims description 10
- 230000007017 scission Effects 0.000 claims description 10
- 102000052510 DNA-Binding Proteins Human genes 0.000 claims description 4
- 101710096438 DNA-binding protein Proteins 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 abstract description 13
- 238000001353 Chip-sequencing Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 101710163270 Nuclease Proteins 0.000 description 6
- 238000002487 chromatin immunoprecipitation Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 4
- 101000995046 Homo sapiens Nuclear transcription factor Y subunit alpha Proteins 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 102000053602 DNA Human genes 0.000 description 1
- 230000004568 DNA-binding Effects 0.000 description 1
- 102100034408 Nuclear transcription factor Y subunit alpha Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 102000023732 binding proteins Human genes 0.000 description 1
- 108091008324 binding proteins Proteins 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001909 effect on DNA Effects 0.000 description 1
- 238000001976 enzyme digestion Methods 0.000 description 1
- 230000009870 specific binding Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6869—Methods for sequencing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Zoology (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Wood Science & Technology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Microbiology (AREA)
- Genetics & Genomics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明属于分子生物信息检测与分析领域，具体涉及一种有效提高DNase高通量测序数据的检测信息准确性的滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法。本发明包括：(1)DNase‑Seq实验数据酶切位点区域DNA碱基获取；(2)DNase‑Seq实验数据DNA碱基倾向性获取；(3)DNA碱基倾向性去除。通过所发明的方法可以精确地滤除DNase高通量测序数据中含有的DNA碱基倾向性偏差，以生成更加准确的DNase‑Seq测序结果，从而为后续更高层次的应用分析提供数据保障。
Description
技术领域
本发明属于分子生物信息检测与分析领域，具体涉及一种有效提高DNase高通量测序数据的检测信息准确性的滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法。
背景技术
目前，DNA蛋白结合位点的检测主要采用染色质免疫共沉淀技术(ChromatinImmunoprecipitation，ChIP)。而将ChIP实验结果与高通量测序技术相结合的ChIP-Seq技术，则能有效地在全基因组范围内检测目的功能蛋白在DNA上的结合位点。ChIP-Seq的原理是：首先通过染色质免疫共沉淀技术(ChIP)利用与目的蛋白特异性结合的酶来富集结合有目的蛋白的DNA片段，并对其进行纯化与文库构建。然后对富集得到的DNA片段进行高通量测序，再将测序获得的数百万条读数序列精确定位到基因组上，从而获得全基因组范围内结合有目的蛋白的DNA区段信息，进而通过各种分析算法得到目的蛋白DNA结合位点。
然而，ChIP-Seq技术也有诸多不足之处，首先是富集目的蛋白的结合酶具有特异性，从而导致某些蛋白因找不到合适的特异结合酶而无法进行检测；其次，一次实验只能检测一种蛋白，耗时耗力，成本高，无法大规模使用；第三，更为重要的是，由于实验获取的与目的蛋白结合的DNA片段较长，测序时只能对其两端进行部分测序，由于测序区域并不是结合位点本身，因此，ChIP-Seq技术对DNA蛋白结合位点的检测分辨率无法达到单碱基。
针对上述问题，近几年产生了一种新的DNA蛋白结合位点检测技术--基于DNase高通测序信息的DNA蛋白结合位点检测技术，即DNase-Seq技术。DNase-Seq的原理是：首先利用DNase核酸剪切酶对DNA进行酶切处理。则没有DNA蛋白结合的DNA区域将被DNase核酸剪切酶随机地切断，而有DNA蛋白结合的DNA区域由于受到结合蛋白的阻碍特异性不被切断。随后，对酶切处理过的DNA片段进行纯化与文库构建，再进行测序，从而获得全基因组范围内DNase核酸剪切酶的酶切信息。在酶切信息中，蛋白结合位点处的酶切信息将特异性减弱，就像在DNA上留下一个个足迹一样，从而可以精确鉴定DNA结合蛋白在DNA分子上的结合位点。
与ChIP-Seq技术相比，DNase-Seq技术的优点非常突出。首先，由于不具有特异性，DNase-Seq可一次性在全基因组范围内同时检测多种DNA蛋白的结合位点；其次，由于一次性检测多种DNA蛋白的结合位点，DNase-Seq大幅提高了检测效率并降低了检测成本，使大规模进行DNA蛋白结合位点检测成为可能；第三，更为重要的是，由于测序起始位置就是酶切位置，DNase-Seq对DNA蛋白结合位点的检测分辨率可达单碱基。
然而，近期发现DNase核酸剪切酶在切割DNA时存在一定的DNA碱基倾向性，这将对DNA蛋白结合位点的识别产生不利的影响。如何去除该倾向性已成为基于DNase-Seq的DNA蛋白结合位点识别的一个关键问题。
发明内容
本发明的目的在于提供一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法。
本发明的目的是这样实现的：
(1)DNase-Seq实验数据酶切位点区域DNA碱基获取
依据DNase-Seq实验数据在基因组中的位置，提取每一个实验数据对应酶切位点附近区域的DNA碱基。本发明选用酶切位点附近6个位点的碱基，即以酶切位点为中心，左右各取3个碱基。
(2)DNase-Seq实验数据DNA碱基倾向性获取
本发明选用酶切位点附近6个位点的碱基，每个碱基有A、C、G、T等4种取值，则6个位点碱基共有4096种碱基组合。通过统计整个DNase-Seq实验数据酶切位点处这4096种碱基组合出现的频次，即可获得DNase-Seq实验数据的DNA碱基倾向性。
(3)DNA碱基倾向性去除
设有m个蛋白结合位点，每个结合位点包含n个碱基，则：第i个结合位点的DNase检测信号为：[Si1,Si2,…,Sin]。其值和为：
考虑DNase的DNA碱基倾向性，则第i个结合位点第j列的DNase检测信号为：Sij＝[(1-w)Pij+wBij]Ri。其中，Pij为第i个结合位点第j列处与DNA结合蛋白的蛋白结构相对应的DNase的固有切割概率，Bij为第i个结合位点第j列处与该处DNA碱基倾向性相对应的DNase的切割概率。Pij是稳定的，可用于DNA蛋白结合位点识别，而Bij是不稳定的，应予以滤除。
具体滤除方法如下：
其中，Sij,Ri可从实验数据中直接得到。Bij则根据前一步骤获取的DNase-Seq实验数据的DNA碱基倾向性得到。w为权值，取值范围为[0,1]之间，需要进一步确定。
对于m个蛋白结合位点，当权值w取不同值时，会得到不同的[Pi1,Pi2,…,Pin]，1≤i≤m。设则当m个[Pi1,Pi2,…,Pin]与[P1,P2,...,Pn]之间的m个相关性值的中位值最大时， 此时的w值为最优值。
本发明的有益效果在于：通过所发明的方法可以精确地滤除DNase高通量测序数据中含有的DNA碱基倾向性偏差，以生成更加准确的DNase-Seq测序结果，从而为后续更高层次的应用分析提供数据保障。
附图说明
图1为DNase-Seq实验数据DNA碱基倾向性直方图。
图2为w权值的评价值变化曲线。
图3为本发明流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
作为DNA蛋白结合位点检测的新技术，DNase-Seq技术具有众多突出的优点。由于不具有特异性，DNase-Seq可一次性在全基因组范围内同时检测多种DNA蛋白的结合位点；由于一次性检测多种DNA蛋白的结合位点，DNase-Seq大幅提高了检测效率并降低了检测成本，使大规模进行DNA蛋白结合位点检测成为可能；由于测序起始位置就是酶切位置，DNase-Seq对DNA蛋白结合位点的检测分辨率可达单碱基。
然而，近期发现DNase核酸剪切酶在切割DNA时存在一定的DNA碱基倾向性，这将对DNA蛋白结合位点的识别产生不利的影响。本发明即是针对该问题提出的一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法。
1、DNase-Seq实验数据酶切位点区域DNA碱基获取
依据DNase-Seq实验数据在基因组中的位置，提取每一个实验数据对应酶切位点附近区域的DNA碱基。本发明选用酶切位点附近6个位点的碱基，即以酶切位点为中心，左右各取3个碱基。
2、DNase-Seq实验数据DNA碱基倾向性获取
本发明选用酶切位点附近6个位点的碱基，每个碱基有A、C、G、T等4种取值，则6个位点碱基共有4096种碱基组合。通过统计整个DNase-Seq实验数据酶切位点处这4096种碱基组合出现的频次，即可获得DNase-Seq实验数据的DNA碱基倾向性。
3、DNA碱基倾向性去除
设有m个蛋白结合位点，每个结合位点包含n个碱基，则：第i个结合位点的DNase检测信号为：[Si1,Si2,…,Sin]。其值和为：
考虑DNase的DNA碱基倾向性，则第i个结合位点第j列的DNase检测信号为： Sij＝[(1-w)Pij+wBij]Ri。其中，Pij为第i个结合位点第j列处与DNA结合蛋白的蛋白结构相对应的DNase的固有切割概率，Bij为第i个结合位点第j列处与该处DNA碱基倾向性相对应的DNase的切割概率。Pij是稳定的，可用于DNA蛋白结合位点识别，而Bij是不稳定的，应予以滤除。
具体滤除方法如下：
其中，Sij,Ri可从实验数据中直接得到。Bij则根据前一步骤获取的DNase-Seq实验数据的DNA碱基倾向性得到。w为权值，取值范围为[0,1]之间，通过下述方法确定：
对于m个蛋白结合位点，当权值w取不同值时，会得到不同的[Pi1,Pi2,…,Pin]，1≤i≤m。设则当m个[Pi1,Pi2,…,Pin]与[P1,P2,...,Pn]之间的m个相关性值的中位值最大时，此时的w值为最优值。
4、实验验证
从UCSC国际生物信息网站下载人类基因组碱基序列数据，以及国际ENCODE计划UW大学测得的人类K562细胞系DNase-Seq测序数据和NFYA转录因子ChIP-Seq测序数据。
根据每个DNase-Seq测序数据酶切位点在人类基因组中的位置，提取附近6个位点的碱基，即以酶切位点为中心，左右各取3个碱基。统计酶切位点处4096种碱基组合出现的频次，获得DNase-Seq实验数据的DNA碱基倾向性。该倾向性的直方图如图1所示(横轴为碱基组合，纵轴为频次)。由图1可见，DNase-Seq实验数据存在明显的DNA碱基倾向性。
根据NFYA转录因子的ChIP-Seq测序数据，识别出953个NFYA蛋白结合位点。每个结合位点包含201个碱基。
利用本发明方法对DNase-Seq实验数据进行DNA碱基倾向性滤除。当w取某一权值时，每个结合位点滤除DNA碱基倾向性的DNase检测信号为[Pi1,Pi2,…,Pin]，1≤i≤953。计算每个结合位点[Pi1,Pi2,…,Pin]与[P1,P2,...,Pn]之间的Pearson相关值，这里n取值为201。选取953个相关值的中位值作为该w值是否优异的评价值。让w值由0到1变化，获得如图2所示的w值的评价值变化曲线(横轴为w值，纵轴评价值)。由图2可见，当w值为0.15时，评价值达到最大并不再增加，此时的w值应为最优值，并进而得到与之对应的滤除DNA碱基倾向性的DNase-Seq检测信息。
作为DNA蛋白结合位点检测的新技术，DNase-Seq技术具有突出优点。由于不具有特异性，DNase-Seq可一次性在全基因组范围内同时检测多种DNA蛋白的结合位点；由于一次性检测多种DNA蛋白的结合位点，DNase-Seq大幅提高了检测效率并降低了检测成本，使大规模进行DNA蛋白结合位点检测成为可能；由于测序起始位置就是酶切位置，DNase-Seq对DNA蛋白结合位点的检测分辨率可达单碱基。然而，DNase核酸剪切酶在切割DNA时存在一定的DNA碱基倾向性，这将对DNA蛋白结合位点的识别产生不利的影响。本发明即是针对该问题提出的一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法。
Claims (1)
1.一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法，其特征在于，包括如下步骤：
(1)DNase-Seq实验数据酶切位点区域DNA碱基获取
依据DNase-Seq实验数据在基因组中的位置，提取每一个实验数据对应酶切位点附近区域的DNA碱基；选用酶切位点附近6个位点的碱基，即以酶切位点为中心，左右各取3个碱基；
(2)DNase-Seq实验数据DNA碱基倾向性获取
选用酶切位点附近6个位点的碱基，每个碱基有A、C、G、T，4种取值，则6个位点碱基共有4096种碱基组合；通过统计整个DNase-Seq实验数据酶切位点处这4096种碱基组合出现的频次，即可获得DNase-Seq实验数据的DNA碱基倾向性；
(3)DNA碱基倾向性去除
设有m个蛋白结合位点，每个结合位点包含n个碱基，则：第i个结合位点的DNase检测信号为：[Si1,Si2,…,Sin]；其值和为：
考虑DNase的DNA碱基倾向性，则第i个结合位点第j列的DNase检测信号为：Sij＝[(1-w)Pij+wBij]Ri；其中，Pij为第i个结合位点第j列处与DNA结合蛋白的蛋白结构相对应的DNase的固有切割概率，Bij为第i个结合位点第j列处与该处DNA碱基倾向性相对应的DNase的切割概率；Pij是稳定的，可用于DNA蛋白结合位点识别，而Bij是不稳定的，应予以滤除；
具体滤除方法如下：
其中，Sij,Ri可从实验数据中直接得到；Bij则根据前一步骤获取的DNase-Seq实验数据的DNA碱基倾向性得到；w为权值，取值范围为[0,1]之间，需要进一步确定；
对于m个蛋白结合位点，当权值w取不同值时，会得到不同的[Pi1,Pi2,…,Pin]，1≤i≤m；设则当m个[Pi1,Pi2,…,Pin]与[P1,P2,…,Pn]之间的m个相关性值的中位值最大时，此时的w值为最优值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610865814.0A CN106650313B (zh) | 2016-09-29 | 2016-09-29 | 一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610865814.0A CN106650313B (zh) | 2016-09-29 | 2016-09-29 | 一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106650313A CN106650313A (zh) | 2017-05-10 |
| CN106650313B true CN106650313B (zh) | 2019-10-18 |
Family
ID=58853980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610865814.0A Active CN106650313B (zh) | 2016-09-29 | 2016-09-29 | 一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106650313B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280326B (zh) * | 2018-01-22 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度递归神经网络的DNase高通量测序数据中DNA碱基倾向性偏差消除方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102120998A (zh) * | 2010-12-15 | 2011-07-13 | 哈尔滨工程大学 | 一种感知细胞中作用转录因子的方法 |
| CN102622534A (zh) * | 2012-04-11 | 2012-08-01 | 哈尔滨工程大学 | 一种用于基因表达检测的dna高通测序数据校正方法 |
| CN103390119A (zh) * | 2013-07-03 | 2013-11-13 | 哈尔滨工程大学 | 一种转录因子结合位点识别方法 |
| CN103810404A (zh) * | 2014-01-13 | 2014-05-21 | 哈尔滨工程大学 | 基于贝叶斯的高通量dna测序数据匹配增强方法 |
| CN104131093A (zh) * | 2014-07-23 | 2014-11-05 | 哈尔滨工程大学 | DNA蛋白结合位点的DNase高通测序检测信号处理方法 |
-
2016
- 2016-09-29 CN CN201610865814.0A patent/CN106650313B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102120998A (zh) * | 2010-12-15 | 2011-07-13 | 哈尔滨工程大学 | 一种感知细胞中作用转录因子的方法 |
| CN102622534A (zh) * | 2012-04-11 | 2012-08-01 | 哈尔滨工程大学 | 一种用于基因表达检测的dna高通测序数据校正方法 |
| CN103390119A (zh) * | 2013-07-03 | 2013-11-13 | 哈尔滨工程大学 | 一种转录因子结合位点识别方法 |
| CN103810404A (zh) * | 2014-01-13 | 2014-05-21 | 哈尔滨工程大学 | 基于贝叶斯的高通量dna测序数据匹配增强方法 |
| CN104131093A (zh) * | 2014-07-23 | 2014-11-05 | 哈尔滨工程大学 | DNA蛋白结合位点的DNase高通测序检测信号处理方法 |
Non-Patent Citations (1)
| Title |
|---|
| Identification method of transcription factor binding sites based on DNase-Seq signal;Peichao Sang等;《IEEE》;20150903;第1665-1669页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106650313A (zh) | 2017-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104164479B (zh) | 杂合基因组处理方法 | |
| CN108763865A (zh) | 一种预测dna蛋白质结合位点的集成学习方法 | |
| CN103390119B (zh) | 一种转录因子结合位点识别方法 | |
| Xu et al. | Base-resolution methylation patterns accurately predict transcription factor bindings in vivo | |
| Curado et al. | Promoter-like epigenetic signatures in exons displaying cell type-specific splicing | |
| Ksouri et al. | Tuning promoter boundaries improves regulatory motif discovery in nonmodel plants: the peach example | |
| Li et al. | CircMarker: a fast and accurate algorithm for circular RNA detection | |
| US20150142334A1 (en) | System, method and computer-accessible medium for genetic base calling and mapping | |
| CN103984879A (zh) | 一种测定待测基因组区域表达水平的方法及系统 | |
| CN106650313B (zh) | 一种滤除DNase高通量测序数据中DNA碱基倾向性偏差的方法 | |
| Wang et al. | An effective approach for identification of in vivo protein-DNA binding sites from paired-end ChIP-Seq data | |
| CN115101128A (zh) | 一种杂交捕获探针脱靶危险性评估的方法 | |
| CN104131093B (zh) | DNA蛋白结合位点的DNase高通测序检测信号处理方法 | |
| Wang et al. | PrAS: Prediction of amidation sites using multiple feature extraction | |
| JP2023156389A (ja) | Ｒｎａの直接配列決定で使用するための方法およびシステム | |
| CN108280326A (zh) | 一种基于深度递归神经网络的DNase高通量测序数据中DNA碱基倾向性偏差消除方法 | |
| CN106778061B (zh) | 一种基于周期三临近特征的外显子预测方法 | |
| Pan et al. | Prediction and motif analysis of 2’-O-methylation using a hybrid deep learning model from RNA primary sequence and nanopore signals | |
| WO2013097149A1 (zh) | 估计基因组重复序列含量的方法和装置 | |
| Babak | Identification of imprinted loci by transcriptome sequencing | |
| WO2013097143A1 (zh) | 估计基因组杂合率的方法和装置 | |
| CN114496070A (zh) | 转录组序列分类方法、装置、电子设备及可读存储介质 | |
| Weile et al. | Use of tiling array data and RNA secondary structure predictions to identify noncoding RNA genes | |
| Biswas et al. | CNCTDiscriminator: coding and noncoding transcript discriminator—an excursion through hypothesis learning and ensemble learning approaches | |
| Hiranuma et al. | CloudControl: Leveraging many public ChIP-seq control experiments to better remove background noise |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |