🏴نقشه راه برای انالیز دیتاهای NGS
📂 Next Generation Data Analysis Pipeline
#NGS #RNA_seq
🔎 عضویت در کانال آزمایشگاه بیوانفورماتیک پارس سیلیکو 👇
https://telegram.me/joinchat/BAf7RjvM0GlPgHBuk_JBEQ
📂 Next Generation Data Analysis Pipeline
#NGS #RNA_seq
🔎 عضویت در کانال آزمایشگاه بیوانفورماتیک پارس سیلیکو 👇
https://telegram.me/joinchat/BAf7RjvM0GlPgHBuk_JBEQ
Media is too big
VIEW IN TELEGRAM
🎥 Tutorial – RNA-seq analysis of human breast cancer data
⏳ Duration: 14 min
💾 Size: 22 MB
✨ #RNA_seq #cancer
🌐 www.DrugDesign.ir
آزمایشگاه پارس سیلیکو
⏳ Duration: 14 min
💾 Size: 22 MB
✨ #RNA_seq #cancer
🌐 www.DrugDesign.ir
آزمایشگاه پارس سیلیکو
📄معرفی مقاله
✍️نرمال سازی یک گام مهم و اثرگذار در فرایند آنالیز داده های توالی یابی RNA است. گرچه روش های زیادی برای نرمال سازی شمار خوانش ها(read) وجود دارد، اما چالش انتخاب یک روش بهینه هنوز وجود دارد زیرا فاکتورهای گوناگونی در تنوع شمار خوانش ها دخیل هستند که می توانند حساسیت و اختصاصیت نهایی را تحت تاثیر قرار دهند. برای دستیابی به بهترین روش نرمال سازی، مقایسه ی عملکرد و نواقص یک مجموعه از راهکارهای نرمال سازی بر اساس ویژگی های مجموعه داده های مختلف، یک امر حیاتی است. از این رو محققان دانشگاه لوئیس ویل تصمیم گرفتند عملکرد روش های رایج موجود (DESeq, TMM-edgeR, FPKM-CuffDiff, TC, Med UQ and FQ) و دو روش جدید (Med-pgQ2 and UQ-pgQ2) را مورد ارزیابی قرار دهند.
نتایج این مطالعه در قالب مقاله ای در مجله PLOS ONE منتشر شده است.
📝 A comparison of per sample global scaling and per gene normalization methods for differential expression analysis of RNA-seq data
💾 PLOS ONE (2017)
💡 doi.org/10.1371/journal.pone.0176185
⏳Published online: May 1, 2017
✨ #RNA_seq
🌐 www.ParsSilico.com
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
✍️نرمال سازی یک گام مهم و اثرگذار در فرایند آنالیز داده های توالی یابی RNA است. گرچه روش های زیادی برای نرمال سازی شمار خوانش ها(read) وجود دارد، اما چالش انتخاب یک روش بهینه هنوز وجود دارد زیرا فاکتورهای گوناگونی در تنوع شمار خوانش ها دخیل هستند که می توانند حساسیت و اختصاصیت نهایی را تحت تاثیر قرار دهند. برای دستیابی به بهترین روش نرمال سازی، مقایسه ی عملکرد و نواقص یک مجموعه از راهکارهای نرمال سازی بر اساس ویژگی های مجموعه داده های مختلف، یک امر حیاتی است. از این رو محققان دانشگاه لوئیس ویل تصمیم گرفتند عملکرد روش های رایج موجود (DESeq, TMM-edgeR, FPKM-CuffDiff, TC, Med UQ and FQ) و دو روش جدید (Med-pgQ2 and UQ-pgQ2) را مورد ارزیابی قرار دهند.
نتایج این مطالعه در قالب مقاله ای در مجله PLOS ONE منتشر شده است.
📝 A comparison of per sample global scaling and per gene normalization methods for differential expression analysis of RNA-seq data
💾 PLOS ONE (2017)
💡 doi.org/10.1371/journal.pone.0176185
⏳Published online: May 1, 2017
✨ #RNA_seq
🌐 www.ParsSilico.com
🔔آزمایشگاه پارس سیلیکو
@practicalbioinformatics▫️
journals.plos.org
A comparison of per sample global scaling and per gene normalization methods for differential expression analysis of RNA-seq data
Normalization is an essential step with considerable impact on high-throughput RNA sequencing (RNA-seq) data analysis. Although there are numerous methods for read count normalization, it remains a challenge to choose an optimal method due to multiple factors…