mulea:使用多个本体学和经验错误发现率进行丰富分析的R包

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 传统的基因组丰富分析通常使用有限的本体学,并未考虑相互依赖性,导致不准确的p值.
• 现有的工具在本体学支持和处理相互连接的生物数据方面缺乏灵活性.

研究的目的:

• 介绍mulea,一个R包,用于全面的过度代表和功能丰富分析.
• 通过对相互连接的数据实施渐进的实证错误发现率 (eFDR) 来解决传统方法的局限性.
• 提供灵活多功能工具,支持各种各样的实体学和用户定义的数据集.

主要方法:

• 开发了mulea作为一个R包,使用渐进的经验错误发现率 (eFDR) 方法.
• 综合支持各种各样的本体学,包括基因本体学,途径,调控元素,基因组位置和蛋白质域.
• 为27个模型生物提供了预定义的基因组,并促进了用户定义的本体学的整合 (例如,MSigDB,Enrichr).

主要成果:

• mulea准确地识别了多样化和相互连接的生物数据集中的重要术语.
• 该软件包支持广泛的实体学 (22种来自16个数据库的类型) 和27种模型生物的基因组.
• mulea为量身定制的丰富分析提供了灵活性,例如识别丰富的转录调节器或蛋白质域.

结论:

• mulea为功能丰富分析提供了强大而灵活的工具包,克服了传统方法的局限性.
• 渐进式eFDR方法和广泛的本体学支持提高了丰富研究的准确性和适用性.
• mulea 便于在多个模型生物体中探索各种生物学问题.