整合大规模的RNA-seq数据以阐明Drosophila melanogaster中的转录组动态
Sheng Hu Qian1, Meng-Wei Shi1, Dan-Yang Wang1
1Hubei Hongshan Laboratory, College of Biomedicine and Health, Huazhong Agricultural University, Wuhan 430070, China.
Briefings in bioinformatics
|May 26, 2023
概括
MassiveQC是一个新的机器学习工具,用于对大型RNA-seq数据集的质量控制. 它通过考虑读取,对齐和表达质量来改善数据集成,揭示了对基因动态和跨物种保护的见解.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 发展生物学 发展生物学
背景情况:
- 由于数据异质性和对人工因素的敏感性,RNA-seq数据的指数增长在质量控制方面带来了挑战.
- 现有的质量控制方法往往忽略了样本的一致性,并且并不总是对各种数据工件具有稳定性.
研究的目的:
- 开发一种无监督的机器学习方法,MassiveQC,用于大规模高通量RNA测序数据的自动化质量控制和过.
- 为多种组织和发育阶段建立Drosophila的综合性转录组图谱.
- 调查Drosophila中的基因表达动态和进化模式,并探索其作为人类生物学模型的实用性.
主要方法:
- 开发了MassiveQC,这是一个基于无监督机器学习的工具,可以自动下载和过数据.
- 将读取,对齐和表达质量指标纳入机器学习模型.
- 将MassiveQC应用于Drosophila RNA-seq数据,生成从胚胎生成到成年期的28种组织中的转录组图谱.
主要成果:
- MassiveQC展示了用户友好性和适用于多式联运数据的可用性,从自我报告中产生质量切断.
- 描述了多索菲拉基因表达动态,确定具有高表达动态的基因是进化年轻的,晚期的,并参与简单的调节程序.
- 揭示了人类和Drosophila的正属器官之间基因表达的强烈正相关性.
结论:
- MassiveQC为大型RNA-seq数据集的质量控制提供了强大而全面的解决方案,解决了现有方法的局限性.
- 德洛索菲拉转录组图谱为基因表达动态,进化模式和发育过程提供了宝贵的见解.
- 大虫和人类之间保存的基因表达模式突显了大虫作为研究人类发育和疾病的模型系统的潜力.
