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

Comparing Copy Number Variations and SNPs02:26

Comparing Copy Number Variations and SNPs

17.9K
Sequencing of the human genome has opened up several best-kept secrets of the genome. Scientists have identified thousands of genome variations that exist within a population. These variations can be a single nucleotide or a larger chromosomal variation.
Copy number variations or CNVs are the structural variations that cover more than 1kb of DNA sequence. The single nucleotide polymorphism (SNP), on the other hand, is a single nucleotide change or a point mutation that is found in more than 1%...
17.9K
Wilcoxon Signed-Ranks Test for Median of Single Population01:14

Wilcoxon Signed-Ranks Test for Median of Single Population

220
The Wilcoxon signed-rank test for the median of a single population is a nonparametric test used to evaluate whether the median of a population differs from a specified value. Unlike parametric tests, it does not require data to follow a normal distribution, making it suitable for non-normal or small samples. The test begins by calculating the difference (d) between each observation and the hypothesized median. The absolute values of these differences are ranked in ascending order, with ties...
220

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Integrated physiological, transcriptomic and metabolomic analyses shed light on the complex mechanisms underlying low temperature resistance in kiwifruit (Actinidia arguta).

Plant physiology and biochemistry : PPB·2026
Same author

The T2T genome assembly of Ziziphus jujuba 'Huizao' and pan-genome analyses provide insights into fruit texture diversity in jujube.

Molecular horticulture·2026
Same author

Identification of Anti-Inflammatory and Analgesic Mechanisms of Naru-3 Wei Pill Using Animal Models, UHPLC-QE-MS, and Integrated Network Pharmacology.

Mediators of inflammation·2026
Same author

Case report: Unilateral optic atrophy and intracranial hypertension in anti-NF155 nodopathy: a case managed with sequential efgartigimod and rituximab.

Frontiers in immunology·2026
Same author

Influence of foreleg microstructure and nanomechanical behavior on torsional performance in the transient landing impact of the Chinese stag beetle, Dorcus hopei Saunders.

Acta biomaterialia·2026
Same author

Revealing the microbial diversity and functional annotation during postharvest storage of sweet cherry using metagenomics.

Food research international (Ottawa, Ont.)·2026

Video Experimental Relacionado

Updated: Sep 8, 2025

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

38.4K

kmmDE: un método no paramétrico para el análisis de la expresión diferencial de los datos de secuencia de ARN en el

Kangchen Liu, Jing Xu, Haoran Ma

    IEEE transactions on computational biology and bioinformatics
    |September 5, 2025
    PubMed
    Resumen

    Introducimos kmmDE, un nuevo método no paramétrico para analizar los datos de RNA-Seq en el tiempo. Identifica con precisión los genes expresados diferencialmente, incluso con réplicas limitadas o inexistentes, mejorando la comprensión de la dinámica del transcriptoma.

    Más Videos Relacionados

    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

    Videos de Experimentos Relacionados

    Last Updated: Sep 8, 2025

    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

    38.4K
    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

    Área de la Ciencia:

    • La genómica
    • La bioinformática
    • Biología computacional

    Sus antecedentes:

    • La identificación precisa de genes expresados diferencialmente (DEG) en los datos de RNA-Seq es crucial para comprender la dinámica de los procesos biológicos.
    • Los métodos existentes a menudo se basan en suposiciones de distribución específicas, lo que limita su efectividad en conjuntos de datos que carecen de réplicas o con series temporales cortas.

    Objetivo del estudio:

    • Desarrollar un método robusto y no paramétrico para el análisis de la expresión génica diferencial en los datos de ARN-Seq.
    • Superar las limitaciones de los métodos existentes, especialmente en escenarios con réplicas biológicas limitadas o inexistentes y experimentos de series temporales cortas.

    Principales métodos:

    • Se propone kmmDE, un método no paramétrico que utiliza la discrepancia media máxima (MMD).
    • Utiliza funciones de núcleo para mapear datos en un espacio de características de alta dimensión para la comparación de la distribución a través de incrustaciones medias.
    • Evalúa la expresión diferencial sin asumir distribuciones de datos específicas.

    Principales resultados:

    • kmmDE demostró un mejor rendimiento en conjuntos de datos simulados en comparación con seis métodos populares, con y sin réplicas.
    • El análisis de los datos del curso de tiempo de la resistencia al frío de la uva mediante ARN-Seq identificó genes biológicamente relevantes.
    • El análisis de enriquecimiento del conjunto de genes validó la relevancia biológica de los genes identificados por kmmDE.

    Conclusiones:

    • kmmDE ofrece una herramienta potente y independiente de la distribución para el análisis de la expresión diferencial de los datos de RNA-Seq en el curso del tiempo.
    • Particularmente beneficioso para conjuntos de datos con réplicas limitadas o series temporales cortas.
    • Proporciona un recurso valioso para los investigadores que estudian patrones dinámicos de expresión génica.