技术服务热线:800-820-5086 | 400-880-5086 登录 | 注册 ENGLISH

生信分析



转录因子分析及网络构建
转录因子与基因表达调控区域的特异性结合是基因表达的重要调控方式。针对特定转录因子的实验,可对差异基因进行转录因子结合位点的motif分析,从而推测差异基因中有哪些基因可能直接受该转录因子调节。后结果会用统计学方法进行检验,找到调控目标生物性状,统计学上有显著差别的转录因子。找到差异的转录因子及其调控的靶基因,我们可以构建TF-network,从中得出关键的转录因子及被关键转录因子转录调控的基因,系统的研究转录因子与基因的调控关系。

查看详情

基因相互作用网络图
将客户关注基因进行基于实验验证,其他亲缘物种数据库检索、文献挖掘等多种信息进行基因互作网络的构建,利用图论的方法计算出关键核心基因。

查看详情

共表达网络图(Coexpression Network)
根据基因表达信号值的动态变化,计算基因间的共表达关系,得到基因间的表达调控关系及调控方向,从而构建基因的表达调控网络。利用共表达网络图,研究者可通过分析基因调控能力,获得样本随实验变化的核心调控基因。

查看详情

加权基因共表达网络分析(WGCNA)
寻找协同表达的基因模块(module),并探索基因网络与关注的表型之间的关联关系,以及网络中的核心基因。

查看详情

microRNA与靶基因网络图
将显著性功能与显著性Pathway所包含的靶基因取交集后与microRNA构建microRNA靶基因调控网络,可以在全局的水平上直观的反应基因之间的相互关系,同时反映了基因调控网络的稳定性。根据网络中microRNA的位置函数计算出microRNA在网络中的关系强度,即microRNA的网络特征值。特征值高 microRNA处于网络的枢纽性地位,该microRNA调控能力强,对网络结构和样本性状有重要的调控价值,同时从网络中也可以得到被 microRNA调控的关键靶基因。

查看详情

microRNA-GO-network
对筛选出的核心靶基因进行GO富集分析,通过靶基因的功能来关联microRNA与GO之间的关系,从而间接得到microRNA调控靶基因影响的功能。

查看详情

microRNA-pathway-network
对筛选出的核心靶基因进行pathway富集分析,通过靶基因的功能来关联microRNA与pathway之间的关系,从而间接得到microRNA调控靶基因影响的通路。

查看详情

信号通路调控网络构建(Pathway-Network)
根据所有差异基因同时参与的Pathway之间的相互调控关系构建信号通路调控网络,从系统的角度研究各个信号通路间的信号传导和调控过程,在多个显著性Pathway中发现受实验影响的核心Pathway,以及实验影响的信号通路之间的调控机理。

查看详情

趋势分析
根据基因在时间点(浓度,(正常,病人,用药)等)上的变化情况,按照基因的表达趋势进行相应的聚类,利用超几何检验找到具有显著性意义的趋势,并从中挖掘与趋势变化相关的基因。

查看详情

lncRNA和mRNA共表达分析
根据基因表达信号值的动态变化,计算基因间的共表达关系,得到基因间的表达调控关系及调控方向,从而构建基因的表达调控网络。通过研究lncRNA与mRNA的共表达关系,研究者可通过分析lncRNA调控能力,获得样本随实验变化的核心调控lncRNA。

查看详情

功能层次网络构建(GO-Network)
基于GO的层次结构,将所有差异基因同时参与的显著性GO及其相互从属关系构建功能网络,从全局角度,系统地概括功能间相互作用关系及所属分层关系。

查看详情

ceRNA调控网络
建立了一个计算的机制来使circRNA(lncRNA)作为ceRNA来保护mRNA不受miRNA的降解。基于基因的表达值,通过回归模型分析以及种子序列的匹配的方法,建立microRNA的海绵吸附作用的调控网络。

查看详情

基于mRNA表达的GSEA分析
利用不同类型数据库(功能,通路等)的基因集,将基因集中的基因按照在实验组与对照组样本中的差异表达赋予不同的权重,然后检验设定的基因集的基因表达变化对某一个基因集(功能或通路等)的影响是否具有显著性意义。

查看详情

时间序列的共表达网络
根据基因表达信号值随着时间序列的变化,计算基因间的共表达关系,得到基因间的表达调控关系及调控方向,从而构建基因的表达调控网络。利用此网络图,研究者可通过分析基因调控能力,获得样本在时间过程中起调控作用的基因。

查看详情

分子建模预测
采用模式识别与数据挖掘技术有效进行模型的构建,将部分数据拿来做训练集预测模型,然后部分数据作为测试数据集(独立样本)来验证模型的准确性。目的在于利用实验数据来筛选出一批靶标基因,并以此构建模型。小样本数据的建模在于筛选并评判maker的稳定性,便于后期实验验证;大样本数据的建模用于进行早期诊断、疾病预测。

查看详情

Canonical pathways analysis
通过IPA的Ingenuity® Knowledge Base数据库,进行Fisher精确检验得到具有显著性意义的pathway。运用客户特定的实验结果来计算每个pathway的z-score值预测pathway激活或者抑制。

查看详情

Diseases and Bio Functions
此分析通过IPA的Ingenuity® Knowledge Base数据库,进行Fisher精确检验得到具有显著性意义的Diseases和Bio Functions(Bio Functions类似GO),从而可以得到特定实验数据的生物的趋势,并且预测基因表达的改变对生物过程的影响,比如说是减少还是增强。

查看详情

基因的信号通路网络图
此分析通过IPA的Ingenuity® Knowledge Base数据库,基于基因的表达情况和相应的生物学功能,进行信号通路分析,直观展示基因的表达情况及与其他基因之间的相互作用关系。

查看详情

上游调控分析
IPA从基因上游调控出发,筛选出基因的上游调控因子,并预测上游调控因子与对应基因的激活与抑制调控情况。

查看详情

调控机制分析
机制调控网络是根据转录因子抑制或者激活下游基因,进而影响某些生物学功能。通过Consistency Score筛选出关键的信号转导调控机制。

查看详情