信号转导Network

加权基因共表达网络构建(Weighted Gene Co-Expression Network Analysis, WGCNA)是一种从高通量数据中挖掘模块(module)信息的算法。在该方法中module被定义为一组具有类似表达谱的基因,如果某些基因在一个生理过程或不同组织中总是具有相类似的表达变化,那么我们有理由认为这些基因在功能上是相关的,可以把他们定义为一个模块(module)。这似乎有点类似于进行聚类分析所得到结果,但不同的是,WGCNA的聚类准则具有生物学意义,而非常规的聚类方法(如利用数据间的几何距离),因此该方法所得出的结果具有更高的可信度。>>了解更多

 

基因共表达网络

基于基因表达量数据,计算各个RNA之间的共表达关系,对共表达关系进行筛选,选取高相关性的关系对绘图,展示各个基因与周边的联系紧密程度。利用共表达关系网络图,可辅助寻找核心基因。>>了解更多

 

WGCNA

加权基因共表达网络构建(Weighted Gene Co-Expression Network Analysis, WGCNA)是一种从高通量数据中挖掘模块(module)信息的算法。在该方法中module被定义为一组具有类似表达谱的基因,如果某些基因在一个生理过程或不同组织中总是具有相类似的表达变化,那么我们有理由认为这些基因在功能上是相关的,可以把他们定义为一个模块(module)。这似乎有点类似于进行聚类分析所得到结果,但不同的是,WGCNA的聚类准则具有生物学意义,而非常规的聚类方法(如利用数据间的几何距离),因此该方法所得出的结果具有更高的可信度。>>了解更多

 

lncRNA分析

利用lncRNA与mRNA芯片数据,计算每一个lncRNA与mRNA的Pearson相关性,利用GO,KEGG数据预测lncRNA的功能,结合lncRNA的位置信息,预测lncRNA的cis功能,结合转录因子数据库,预测lncRNA的trans功能。>>了解更多

 

GSEA分析

利用功能注释或实验的结果构建的基因集,将基因按照在两类样本中的差异表达程度排序,然后检验预先设定的基因集是否在这个排序表的顶端或者底端富集,GSEA方法关注的不是有限几个发生显著改变的差异基因,而是关注这些检测基因的表达在定义的功能分组中是否有共同的表达趋势,是从另一个角度来解读生物学信息,以阐述其中的生物学意义。>>了解更多

ceRNA分析

利用miRNA芯片数据,lncRNA芯片数据,结合miRNA靶基因预测软件,寻找mRNA与lncRNA共同靶向的miRNA,构建ceRNA网络。>>了解更多

 

临床意义分析

利用TCGA数据库,结合客户芯片筛选得到的mRNA/lncRNA/miRNA,分析mRNA/lncRNA/miRNA在TCGA对应癌症数据库中的表达量的高低与病人存活时间的关系,绘制K-M图。>>了解更多