生物信息硕士答辩--顺反组数据库.pdfVIP

顺反组数据库和数据分析平台的构建 2011级⽣物医学⼯程专业硕⼠孙翰菲毕业答辩 2014年5⽉20 ⽇ 引⾔：转录因⼦与顺反组 ✤ 转录⽔平的调控在真核⽣物基因表达中起重要作⽤。 ✤ 转录⽔平的调控通常受到转录因⼦的影响，⼤部分转录因⼦都是⼀类特异识别某些DNA 序列与之结合的蛋⽩质。 ✤ 在直接调控的情形下，转录因⼦直接在基因的调控区域上结合。⽽在间接调控中，转录因 ⼦不与基因的调控区域直接结合，⽽是⽤来调控另⼀个能结合在该区域的蛋⽩质的表达量。 ✤ 转录因⼦，组蛋⽩修饰，染⾊ 质调控因⼦的结合位点统称为 顺反组（Cistrome ） ! 引⾔：ChIP-seq技术 ✤ ChIP-seq技术是⼀种检测蛋⽩质与DNA 结合位置的技术。它的基本步骤是：
 1）将蛋⽩质与DNA交联在⼀起，将交联 的复合物切断为0.2-1.0kb的染⾊质⼩⽚断
 2 ）利⽤特异的抗体，沉淀交联的复合物
 3 ）将复合体中的DNA分离出来，进⾏纯 化
 4 ）⾼通量测序
 5 ）将测序读段回帖，找到富集区域 ! 引⾔：ChIP-seq技术的难点 ✤ 测序后的⽣物信息学分析 ✤ 公共数据的检索 ✤ 数据重⽤ 选题背景 ✤ 测序费⽤降低，ChIP-seq和DNase-seq数据数量快速增长。 ✤ ⾃从2012年，每年发布的ChIP-seq ，DNase-seq数据都超过5000套，这些已发布的海量数据具有巨⼤的研 究价值，然⽽由于元信息不规范，缺乏整理，给检索和使⽤造成了困难。 ✤ 对于实验⽣物学家，检索和利⽤已有的ChIP-seq和DNase-seq数据门槛较 ⾼。 ✤ 数据处理需要多种⼯具，这些⼯具的安装和配置⽐较繁琐。若使⽤已处理的数据，⼀旦数据处理流程不 同，就没有可⽐性。测序数据体积庞⼤，下载、处理、分析、存储这些数据都费时费⼒。 ✤ ⽬前缺乏将海量ChIP-seq ，DNase-seq数据与分析⼯具整合的⼿段。 ✤ 数据分析平台只能从数据仓库中导⼊原始测序⽂件，研究者想使⽤⼀套公共数据，必须从头分析，⽽不能 使⽤已有的分析结果，数据重⽤性较差。 论⽂研究⽬标 ✤ 收集所有公共域上的ChIP-seq与DNase-seq数据，将元 信息规范化，便于信息检索。 ✤ 对数据进⾏统⼀的处理，分析与质量控制，提⾼了数据 重⽤性，使得海量数据的信息挖掘成为可能。 ✤ 构建数据分析⽹站，使得研究者可以直接在⽹站上对海 量数据进⾏分析与检索。 论⽂研究内容 收集数据 处理数据 构建⽹站 元信息收集系统 流程管理 数据浏览器 样本分组系统 数据处理 转录位点浏览器 数据库系统 质量控制 相似数据检索 数据分析平台 数据收集：挑战 ✤ 2011年以前，⼈⼯收集了5066套 ✤ 2012年，发布了5241套数据 ✤ ⼈⼯收集难以维持，改⽤⾃动化 的⽅式 ! GEO数据库每年发布的ChIP-seq和DNase-seq样本数 数据收集：实现 ✤ ⽹络模块：⽤于下载元信息 ✤ 元信息提取模块：⽤于将隐藏在 描述信息⾥的关键词，⽐如转录 因⼦、细胞的名称，提取出来， 采⽤基于规则的⽅法。