homyrouz.ru — Банкетный зал Хоми Роуз

миРнет

Поддержка различных входных данных и статистики : miRNet принимает список miRNAs, miR-SNP, генов, транскрипции факторы, малые молекулы, нкРНК, заболевания, эпигенетические модиферы, любые из их комбинаций или таблица данных из микрочипа, RNAseq или Эксперименты RT-qPCR. miRNet поддерживает дифференциальный анализ с использованием limma, методы edgeR и HTqPCR; анализ обогащения с использованием стандарта гипергеометрические тесты и несмещенная случайная выборка. Комплексная функциональная аннотация : miRNet объединяет данные из 14 различных базы данных микроРНК — TarBase, miRTarBase, miRecords, miRanda (только S mansoni ), миР2Болезнь, ГМДД, ФеномиР, СМ2миР, ФармакомиР, ЭпимиР, звездаБаза, ТрансмиР, ВОСХИЩАЕМСЯ и ТАМ 2. 0. В настоящее время поддерживает Человек, мышь, Крыса, Крупный рогатый скот, свинья, Курица, рыба зебра, плодовая муха, C. elegans и С. мансони . Изучение ксено-миРНК и их потенциальных целей : miRNet в настоящее время поддерживает шесть хостов. (Человек, мышь, Курица, Плодовая муха и С. Элеганс ) с ксено-миРНК, о которых сообщалось более чем у 50 видов. Он содержит более 400 экспериментально обнаруженных ксено-миРНК. дополнен 1000 предсказанными компьютерами переносимыми миРНК. Прогнозируются их потенциальные генные мишени используя два алгоритма — Миранда и ТарПмиР. Создание сетей взаимодействия miRNA-мишень : miRNet предоставляет широкий спектр возможностей, позволяющих исследователям строить сети взаимодействия miRNA-мишень на разных уровнях достоверности. Полученную сеть можно далее оптимизированы с использованием различных алгоритмов для улучшения визуализации и понимания. Алгоритм сети включает Силовой Атлас, Фрухтерман-Рейнгольд, Графопт, Большой график, Случайный, Уменьшить перекрытие, Двусторонний/трехсторонний, Концентрический круг и Магистральный алгоритм. Высокопроизводительная сетевая визуальная аналитика : miRNet позволяет пользователям легко создавать сети, ориентированные на микроРНК, состоящие из различные интересующие молекулы или фенотипы: гены, болезни, маленькие молекулы, SNP (влияющие на микроРНК или сайты их связывания), нкРНК (днРНК, нкРНК, циркРНК или пейдоген), эпигенетические модификаторы и факторы транскрипции. Система поддерживает масштабирование, пакетное выделение, наведение и щелчок, перетаскивание, анализ обогащения и т. д., чтобы пользователи могли интуитивно исследовать микроРНК, мишени и функции.

miRNet 2.

0: сетевая визуальная аналитика для функционального анализа микроРНК и системной биологии

1. Орфанидес Г., Рейнберг Д.. Единая теория экспрессии генов. Клетка. 2002 г.; 108:439–451. [PubMed] [Google Scholar]

2. Херранц Х., Коэн С.М.. МикроРНК и регуляторные сети генов: управление воздействием шума в биологических системах. Гены Дев. 2010 г.; 24:1339–1344. [Бесплатная статья PMC] [PubMed] [Google Scholar]

3. Арора С., Рана Р., Чабра А., Джайсвал А., Рани В.. Взаимодействие миРНК-транскрипционных факторов: комбинаторная регуляция экспрессии генов. Мол. Жене. ГЕНОМикс: MGG. 2013; 288:77–87. [PubMed] [Google Scholar]

4. Брэкен С.П., Скотт Х.С., Гудолл Г.Дж.. Перспектива сетевой биологии функции и дисфункции микроРНК при раке. Нац. Преподобный Жене. 2016; 17: 719–732. [PubMed] [Google Scholar]

5. Чжан Х.М., Куанг С., Сюн С., Гао Т., Лю С., Го А.Ю.. Фактор транскрипции и корегуляторные петли микроРНК: важные регуляторные мотивы в биологических процессах и заболеваниях.

Краткий. Биоинформ. 2015 г.; 16:45–58. [PubMed] [Академия Google]

6. Барабаси А.Л., Гульбахче Н., Лоскальцо Дж.. Сетевая медицина: сетевой подход к болезням человека. Нац. Преподобный Жене. 2011 г.; 12:56–68. [Бесплатная статья PMC] [PubMed] [Google Scholar]

7. Макнейл Л.Т., Уолхаут А.Дж.. Регуляторные сети генов и роль надежности и стохастичности в контроле экспрессии генов. Геном Res. 2011 г.; 21: 645–657. [Бесплатная статья PMC] [PubMed] [Google Scholar]

8. Барабаси А.Л., Олтвай З.Н.. Сетевая биология: понимание функциональной организации клетки. Нац. Преподобный Жене. 2004 г.; 5:101–113. [PubMed] [Академия Google]

9. Фан Ю., Сикленка К., Арора С.К., Рибейро П., Кимминс С., Ся Дж.. miRNet — анализ взаимодействий miRNA-мишень и функциональных ассоциаций с помощью сетевого визуального анализа. Нуклеиновые Кислоты Res. 2016; 44:W135–W141. [Бесплатная статья PMC] [PubMed] [Google Scholar]

10. Фан Ю., Ся Дж.. miRNet-Функциональный анализ и визуальное исследование взаимодействий miRNA-Target в сетевом контексте. Методы Мол. биол. 2018; 1819: 215–233. [PubMed] [Google Scholar]

11. Лай Х., Волькенхауэр О., Вера Дж.. Понимание регуляторных сетей генов, опосредованных микроРНК, посредством математического моделирования. Нуклеиновые Кислоты Res. 2016; 44:6019–6035. [Бесплатная статья PMC] [PubMed] [Google Scholar]

12. Анастасиаду Э., Джейкоб Л.С., Слэк Ф.Дж.. Сети некодирующих РНК при раке. Нац. Преподобный Рак. 2018; 18:5–18. [Бесплатная статья PMC] [PubMed] [Google Scholar]

13. Джин С., Цзэн С., Фанг Дж., Лин Дж., Чан С.Ю., Эрзурум С.К., Ченг Ф.. Сетевой подход к выявлению сопутствующих заболеваний, опосредованных микроРНК, и потенциальных патобиологических последствий. NPJ Сист. биол. Прил. 2019; 5:41. [Бесплатная статья PMC] [PubMed] [Google Scholar]

14. Детасис С., Грассо М., Дель Весково В., Денти М.А.. микроРНК делают вызов в персонализированной медицине рака. Передний. Сотовый Дев. биол. 2017; 5:86. [Бесплатная статья PMC] [PubMed] [Google Scholar]

15. Фельманн Т., Сахай С., Келлер А., Бакес С.. Обзор баз данных, предсказывающих эффекты SNP в генах микроРНК или сайтах связывания микроРНК. Краткий. Биоинформ. 2019; 20:1011–1020. [PubMed] [Google Scholar]

16. Лай Х., Эберхардт М., Шмитц У., Вера Дж.. Основанное на системной биологии исследование взаимодействующих микроРНК в качестве монотерапии или адъювантной терапии рака. Нуклеиновые Кислоты Res. 2019; 47:7753–7766. [Бесплатная статья PMC] [PubMed] [Google Scholar]

17. Пальмиери В., Бакес К., Людвиг Н., Фельманн Т., Керн Ф., Миз Э., Келлер А.. IMOTA: интерактивный мультиомный атлас тканей для анализа взаимодействий микроРНК человека с мишенью. Нуклеиновые Кислоты Res. 2018; 46: Д770–Д775. [Бесплатная статья PMC] [PubMed] [Google Scholar]

18. Бетель Д., Коппал А., Агиус П., Сандер С., Лесли С.. Всестороннее моделирование мишеней микроРНК предсказывает функциональные неконсервативные и неканонические сайты. Геном биол. 2010 г.; 11:R90. [Бесплатная статья PMC] [PubMed] [Google Scholar]

19. Хой А.М., Ланди Р.Дж., Ивенс А., Кинтана Дж.Ф., Науш Н., Форстер Т., Джонс Ф., Кабатерейн Н.Б., Данн Д.В., Мутапи Ф. и др… МикроРНК паразитарного происхождения в сыворотке хозяина как новые биомаркеры гельминтоза. PLoS Негл. Троп. Дис. 2014; 8:e2701. [Бесплатная статья PMC] [PubMed] [Google Scholar]

20. Каллен Б.Р. МикроРНК как медиаторы уклонения вирусов от иммунной системы. Нац. Иммунол. 2013; 14:205–210. [Бесплатная статья PMC] [PubMed] [Google Scholar]

21. Фан Ю., Хабиб М., Ся Дж.. Xeno-miRNet: комплексная база данных и аналитическая платформа для изучения ксено-миРНК и их потенциальных целей. Пир Дж. 2018; 6:е5650. [Бесплатная статья PMC] [PubMed] [Google Scholar]

22. Уильямс С.Л., Сика Дж.С., Киллен Р.Т., Балис У.Г.. Растущая потребность в микросервисах в биоинформатике. Дж. Патол. Информатика. 2016; 7:45. [Бесплатная статья PMC] [PubMed] [Google Scholar]

23. Сюй Т., Су Н., Лю Л., Чжан Дж., Ван Х., Чжан В., Гуй Дж., Ю К., Ли Дж., Ле Т.Д.. miRBaseConverter: пакет R/Bioconductor для преобразования и получения информации об имени miRNA, присоединении, последовательности и семействе в различных версиях miRBase. Биоинформатика BMC. 2018; 19:514. [Бесплатная статья PMC] [PubMed] [Google Scholar]

24. Козомара А., Биргаоану М., Гриффитс-Джонс С.. miRBase: от последовательностей микроРНК к функционированию. Нуклеиновые Кислоты Res. 2019; 47: Д155–Д162. [Бесплатная статья PMC] [PubMed] [Google Scholar]

25. Хуан Х.Ю., Линь Ю.К., Ли Дж., Хуан К.Ю., Шреста С., Хун Х.К., Тан Ю., Чен Ю.Г., Джин С.Н., Ю Ю. и др… miRTarBase 2020: обновления экспериментально подтвержденной базы данных о взаимодействии микроРНК с мишенью. Нуклеиновые Кислоты Res. 2020; 48: Д148–Д154. [Бесплатная статья PMC] [PubMed] [Google Scholar]

26. Карагкуни Д., Параскевопулу М.Д., Чацопулос С., Влахос И.С., Тацоглу С., Канеллос И., Пападимитриу Д., Кавакиотис И., Маниу С., Скуфос Г. и др… DIANA-TarBase v8: десятилетняя коллекция экспериментально подтвержденных взаимодействий микроРНК и генов. Нуклеиновые Кислоты Res. 2018; 46:D239–D245. [Бесплатная статья PMC] [PubMed] [Google Scholar]

27. Хуан З. , Ши Дж., Гао Ю., Цуй С., Чжан С., Ли Дж., Чжоу Ю., Цуй Ц.. HMDD v3.0: база данных экспериментально подтвержденных ассоциаций человеческих микроРНК и заболеваний. Нуклеиновые Кислоты Res. 2019; 47:D1013–D1017. [Бесплатная статья PMC] [PubMed] [Google Scholar]

28. Го З., Маки М., Дин Р., Ян Ю., Чжан Б., Сюн Л.. Полногеномное исследование тканеспецифических регуляторных сетей микроРНК и факторов транскрипции в 12 тканях. науч. 2014 г.; 4:5150. [Бесплатная статья PMC] [PubMed] [Google Scholar]

29. Мативанан С., Симпсон Р.Дж.. ExoCarta: сборник экзосомальных белков и РНК. Протеомика. 2009 г.; 9: 4997–5000. [PubMed] [Google Scholar]

30. Тонг З., Цуй Ц., Ван Дж., Чжоу Ю.. TransmiR v2.0: обновленная база данных регуляции факторов транскрипции и микроРНК. Нуклеиновые Кислоты Res. 2019; 47:D253–D258. [Бесплатная статья PMC] [PubMed] [Google Scholar]

31. ЭНКОД Консорциум Проект ENCODE (ENCyclopedia Of DNA Elements). Science (Нью-Йорк, штат Нью-Йорк). 2004 г.; 306: 636–640. [PubMed] [Google Scholar]

32. Форнес О., Кастро-Мондрагон Дж.А., Хан А., Ван дер Ли Р., Чжан С., Ричмонд П.А., Моди Б.П., Корреард С., Георге М., Баранасич Д. и др… JASPAR 2020: обновление базы данных открытого доступа профилей связывания факторов транскрипции. Нуклеиновые Кислоты Res. 2020; 48: Д87–Д92. [Бесплатная статья PMC] [PubMed] [Google Scholar]

33. Лахманн А., Сюй Х., Кришнан Дж., Бергер С.И., Мазлум А.Р., Мааян А.. ChEA: регуляция фактора транскрипции, полученная в результате интеграции экспериментов ChIP-X по всему геному. Биоинформатика. 2010 г.; 26:2438–2444. [Бесплатная статья PMC] [PubMed] [Google Scholar]

34. Оук Н., Гош Р., Хуан К.Л., Уилер Д.А., Дин Л., Плон С.Е.. Структура для аннотации вариантов микроРНК и определения приоритетов с использованием наборов данных о популяции человека и заболеваниях. Гум. Мутат. 2019; 40:73–89. [Бесплатная статья PMC] [PubMed] [Google Scholar]

35. Бхаттачарья А., Зибарт Дж.Д., Цуй Ю.. База данных PolymiRTS 3. 0: связывание полиморфизмов микроРНК и их сайтов-мишеней с заболеваниями человека и биологическими путями. Нуклеиновые Кислоты Res. 2014; 42:D86–D91. [Бесплатная статья PMC] [PubMed] [Google Scholar]

36. Кумар С., Амброзини Г., Бухер П.. SNP2TFBS — база данных регуляторных SNP, влияющих на прогнозируемую аффинность сайтов связывания факторов транскрипции. Нуклеиновые Кислоты Res. 2017; 45: Д139–Д144. [Бесплатная статья PMC] [PubMed] [Google Scholar]

37. Ли Дж.Х., Лю С., Чжоу Х., Цюй Л.Х., Ян Дж.Х.. starBase v2.0: расшифровка сетей взаимодействия миРНК-кРНК, миРНК-нкРНК и белок-РНК на основе крупномасштабных данных CLIP-Seq. Нуклеиновые Кислоты Res. 2014; 42:D92–D97. [Бесплатная статья PMC] [PubMed] [Google Scholar]

38. Близард Т., Лэмб Дж. А., Гриффитс-Джонс С.. Систематическая ошибка в анализе функционального обогащения микроРНК. Биоинформатика. 2015 г.; 31: 1592–1598. [Бесплатная статья PMC] [PubMed] [Google Scholar]

39. Годар П., Ван Эйл Дж.. Анализ путей из списков микроРНК: распространенные ловушки и альтернативная стратегия. Нуклеиновые Кислоты Res. 2015 г.; 43:3490–3497. [Бесплатная статья PMC] [PubMed] [Google Scholar]

40. Ли Дж., Хань С., Ван Ю., Чжан С., Чжао Ю., Фан Р., Цуй Ц., Чжоу Ю.. TAM 2.0: инструмент для анализа набора микроРНК. Нуклеиновые Кислоты Res. 2018; 46:W180–W185. [Бесплатная статья PMC] [PubMed] [Google Scholar]

41. Чатрия Б., Мукерджи М., Рэй С., Саркар П., Чаттерджи С., Натх Д., Дас К., Госвами С.. Сравнение специфических для опухоли и сыворотки изменений микроРНК, анализирующих их роль в аденокарциноме протоков поджелудочной железы: метаанализ. БМК Рак. 2019; 19:1175. [Бесплатная статья PMC] [PubMed] [Google Scholar]

42. Патхак Г.А., Чжоу З., Зильцер Т.К., Барбер Р.К., Филлипс Н.Р.. Двухэтапный байесовский GWAS 9576 человек идентифицировал области SNP, которые являются мишенями микроРНК, обратно экспрессируемых при болезни Альцгеймера и раке. Деменция Альцгеймера. 2020; 16:162–177. [PubMed] [Google Scholar]

43. Пачи П., Коломбо Т., Фарина Л.. Компьютерный анализ идентифицирует сеть взаимодействия губок между длинными некодирующими РНК и информационными РНК при раке молочной железы человека. BMC Сист. биол. 2014; 8:83. [Бесплатная статья PMC] [PubMed] [Google Scholar]

44. Шклярчик Д., Моррис Дж.Х., Кук Х., Кун М., Видер С., Симонович М., Сантос А., Дончева Н.Т., Рот А., Борк П. и др… База данных STRING в 2017 году: широкодоступные сети межбелковых ассоциаций с контролируемым качеством. Нуклеиновые Кислоты Res. 2017; 45:D362–D368. [Бесплатная статья PMC] [PubMed] [Google Scholar]

45. Брейер К., Форушани А.К., Лэрд М.Р., Чен С., Срибная А., Ло Р., Винсор Г.Л., Хэнкок Р.Е., Бринкман Ф.С., Линн Д.Дж.. InnateDB: системная биология врожденного иммунитета и не только — последние обновления и постоянное курирование. Нуклеиновые Кислоты Res. 2013; 41:D1228–D1233. [Бесплатная статья PMC] [PubMed] [Google Scholar]

46. Роллан Т., Тасан М., Шарлото Б., Певзнер С.Дж., Чжун К., Сахни Н., Йи С., Лемменс И., Фонтанильо К., Моска Р. и др… Карта интерактомной сети человека в масштабе протеома. Клетка. 2014; 159: 1212–1226. [Бесплатная статья PMC] [PubMed] [Google Scholar]

47. Джон Дж.П., Тирунавуккарасу П., Исидзука К., Парех П., Сава А.. Подход in-silico для открытия регуляции микроРНК-TF интерактома DISC1, опосредующего миграцию нейронов. NPJ Сист. биол. Прил. 2019; 5:17. [Бесплатная статья PMC] [PubMed] [Google Scholar]

48. Роден С., Гайяр Дж., Канория С., Ренни В., Бариш С., Ченг Дж., Пан В., Лю Дж., Коцапас С., Дин Ю. и др… Новые детерминанты первичного процессинга микроРНК млекопитающих, обнаруженные путем систематической оценки транскриптов, содержащих шпильки, и генетической изменчивости человека. Геном Res. 2017; 27:374–384. [Бесплатная статья PMC] [PubMed] [Google Scholar]

49. Райан Б.М., Роблес А.И., Харрис К.С.. Генетическая изменчивость в сетях микроРНК: значение для исследования рака. Нац. Преподобный Рак. 2010 г.; 10:389–402. [Бесплатная статья PMC] [PubMed] [Google Scholar]

50. Ахмедов М., Кедайгле А., Чонг Р.Э., Монтеманни Р., Бертони Ф., Френкель Э., Кви И.. PCSF: R-пакет для сетевой интерпретации данных с высокой пропускной способностью. PLoS-компьютер. биол. 2017; 13:e1005694. [Бесплатная статья PMC] [PubMed] [Google Scholar]

51. Павлопулос Г.А., Контоу П.И., Павлопулу А., Буюкос С., Марку Э., Багос П.Г.. Двудольные графы в системной биологии и медицине: обзор методов и приложений. ГигаНаука. 2018; 7:giy014. [Бесплатная статья PMC] [PubMed] [Google Scholar]

52. Брандес У., Пич К.. Более гибкая радиальная компоновка. J. Алгоритмы графов Appl. 2011 г.; 15:157–173. [Google Scholar]

53. Нокай А., Ортманн М., Брандес Ю.Дж.. Распутывая комки шерсти многоцентровых, маленьких онлайн-сетей социальных сетей. J. Алгоритмы графов Appl. 2015 г.; 19: 595–618. [Google Scholar]

54. Нуцциелло Н., Вилардо Л., Пелучки П., Консильо А., Лиуни С., Трояно М., Лигуори М.. Изучение роли ко-регуляторных сетей микроРНК и факторов транскрипции в патогенезе рассеянного склероза. Междунар. Дж. Мол. науч. 2018; 19:3652. [Бесплатная статья PMC] [PubMed] [Google Scholar]

55. Шеннон П., Маркиэль А., Озиер О.