改进的方式来解释高通量生物数据
日期：2015-07-20 14:27:21
该研究制定了识别从一系列庞大的数据源分子之间关联独特的生物信息学方法。适用于研究，目的是衡量代谢variating条件下的组织，例如遗传，饮食和环境。
反对适用统计分析数据集作为一个整体，所提出的工作流分解的初始数据转换成由已知的分子相互作用确定较小的组电流的方法。统计方法可以被应用到这些基团产生比如果分析已应用于整个数据集更准确的结果。
这种技术已被证明可以改善与脂质代谢的一个例子鼠营养的研究，增加了我们的生化波动的了解15％的基因检测。
代谢物，代谢过程中产生的小分子，以及基因之间确定关联是理解过程在细胞中。然而，揭示了这些关系是一项复杂的任务，整合所关心的各种类型的分子数据时尤其如此。添加到这种复杂性是可供分析，新的实验高通量技术的发展结果如此庞大的数据量。
最初，工作流程分子将被应用到研究前列腺癌，在合作与食品研究所的。以及被应用到东英吉利大学学习黄酮类化合物对健康的益处，这是在各种水果和蔬菜工厂发现的代谢产物。
通过提高我们的能力，以集成来自各种来源的数据，并确定代谢物和基因之间的联系，该工作流将提供在生物过程的细胞代谢和基因表达更详细的诊断。
合着者，Wiktor的Jurkowski，综合基因组学组组长，在TGAC，说：“知识聚集的分子网络可以利用，以提高数据整合和解释。
“我们的方法，整合转录组和代谢组数据将有助于解释由组学技术测量，以扩大我们的流程知识在特定的生物条件下，因此，在解释数据受益生物学信号，创造更好的hypothesises和查明基因和代谢产物参与解开机制的兴趣。
“这是概念证明型的研究，我们目前正在努力改善的相互作用组备用区，少种注释组生成策略。我们正在应用此等分子网络方法在整个诺维奇研究合作项目所产生的数据公园“。
上一篇： 单细胞成像葡萄糖摄取活性
下一篇： 转基因生物与健康的好处有很大的市场潜力
