Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

RNA-seq03:21

RNA-seq

10.4K
RNA sequencing, or RNA-Seq, is a high-throughput sequencing technology used to study the transcriptome of a cell. Transcriptomics helps to interpret the functional elements of a genome and identify the molecular constituents of an organism. Additionally, it also helps in understanding the development of an organism and the occurrence of diseases. 
Before the discovery of RNA-seq, microarray-based methods and Sanger sequencing were used for transcriptome analysis. However, while...
10.4K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Bayesian Multinomial Logistic Normal Models through Marginally Latent Matrix-T Processes.

Journal of machine learning research : JMLR·2026
Same author

Scale reliant mixed effects models enhance microbiome data analysis.

Microbiome·2026
Same author

Uptake and timing of risk-reducing gynecologic surgery among individuals with Lynch syndrome identified via population screening.

Familial cancer·2026
Same author

Incorporating Scale Uncertainty into Differential Expression Analyses Using ALDEx2.

Current protocols·2026
Same author

PCR bias impacts microbiome ecological analyses.

PLoS computational biology·2026
Same author

Machine learning reveals sequence and methylation determinants of SaCas9-PAM interactions in bacteria.

Nucleic acids research·2026
Same journal

Correction to 'SyMetrics: an integrated machine learning model for evaluating the pathogenicity of synonymous variants in the human genome'.

NAR genomics and bioinformatics·2026
Same journal

asms: finding allele-specific methylation in human genomes without phasing.

NAR genomics and bioinformatics·2026
Same journal

An epigenetic clock for chronological age estimation in East Asian populations.

NAR genomics and bioinformatics·2026
Same journal

The role of ATF4 in neurons under mitochondrial stress.

NAR genomics and bioinformatics·2026
Same journal

Distinct repeat architecture landscapes in the proteomes of protozoan parasites.

NAR genomics and bioinformatics·2026
Same journal

Long non-coding RNA triplex-dependent regulation of melanoma gene networks.

NAR genomics and bioinformatics·2026
Ver todos los artículos relacionados

Video Experimental Relacionado

Updated: Sep 10, 2025

Identification of Alternative Splicing and Polyadenylation in RNA-seq Data
08:35

Identification of Alternative Splicing and Polyadenylation in RNA-seq Data

Published on: June 24, 2021

5.8K

Simulación de escala explícita para el análisis de datos de recuento de secuencias de ARN con ALDEx2

Gregory B Gloor1, Michelle Pistner Nixon2, Justin D Silverman3,4,5

  • 1Department of Biochemistry, University of Western Ontario, London ON, N6A 5C1, Canada.

NAR genomics and bioinformatics
|August 21, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Los modelos a escala mejoran el análisis transcriptómico al tener en cuenta el tamaño del sistema biológico, reduciendo los errores en los datos de secuenciación de alto rendimiento (HTS). Esto mejora la precisión y la reproducibilidad en los análisis de abundancia diferencial.

Más Videos Relacionados

Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress
05:22

Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress

Published on: July 29, 2022

3.6K
Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2
10:10

Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2

Published on: September 18, 2021

38.5K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Identification of Alternative Splicing and Polyadenylation in RNA-seq Data
08:35

Identification of Alternative Splicing and Polyadenylation in RNA-seq Data

Published on: June 24, 2021

5.8K
Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress
05:22

Analyzing Multifactorial RNA-Seq Experiments with DiCoExpress

Published on: July 29, 2022

3.6K
Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2
10:10

Three Differential Expression Analysis Methods for RNA Sequencing: limma, EdgeR, DESeq2

Published on: September 18, 2021

38.5K

Área de la Ciencia:

  • La bioinformática
  • Biología computacional
  • La genómica

Sus antecedentes:

  • Los estudios de secuenciación de alto rendimiento (HTS) se enfrentan a variaciones técnicas que afectan a la profundidad de secuenciación.
  • Los métodos de normalización tradicionales en el análisis HTS hacen suposiciones sobre la escala del sistema biológico, lo que potencialmente conduce a errores.
  • Los errores en los supuestos de normalización pueden aumentar las tasas de falsos positivos y falsos negativos en los análisis de abundancia diferencial.

Objetivo del estudio:

  • Introducir y demostrar la aplicación de modelos a escala en el análisis transcriptómico.
  • Mostrar cómo los modelos a escala mitigan los errores causados por los supuestos de normalización en los datos HTS.
  • Mejorar la transparencia y la reproducibilidad en el análisis de datos transcriptómicos.

Principales métodos:

  • Integración de modelos a escala en el paquete ALDEx2 R.
  • Aplicación de modelos a escala a los estudios de casos transcriptómicos, incluida la metatranscriptómica.
  • Utilizando genes de mantenimiento conocidos para construir modelos a escala para conjuntos de datos complejos.

Principales resultados:

  • Los modelos a escala reducen las tasas de falsos positivos y falsos negativos en comparación con las normalizaciones tradicionales en los datos transcriptómicos.
  • Los modelos a escala mejoran la transparencia y la reproducibilidad de los análisis de datos HTS.
  • Los modelos a escala abordan efectivamente la desconexión entre la significación práctica y la estadística, reemplazando los enfoques de doble corte.

Conclusiones:

  • Los modelos a escala ofrecen un enfoque más robusto para analizar los datos de HTS, particularmente en transcriptómica.
  • La incorporación de la escala en el análisis mitiga la variación técnica y mejora la interpretación biológica.
  • Este trabajo proporciona una guía práctica para aplicar modelos a escala a conjuntos de datos transcriptómicos para obtener resultados más confiables.