AREM

AREM jest oparty na komputerach Mac (Model analizy opartej na CHIP-seq danych).
Sekwencjonowanie wysokiej przepustowości w połączeniu z chromatyny immunoterapii atmosferyczne (ChIP-Sekw) jest szeroko stosowany w charakteryzowaniu genome-wide wzorców wiązania czynników transkrypcyjnych, kofaktorów, modyfikatory chromatyny i inne białka wiążące DNA. Kluczowym krokiem w analizie danych CHIP-Sek jest mapowanie krótkie odczyty z wysokiej sekwencjonowania genomu odniesienia do regionów szczytowych i zidentyfikować wzbogacone krótkie czyta.
Mimo, że wiele metod, które zostały zaproponowane do analizy wióra Seq większość dawniej metodami już istniejącej tylko za brzmi, że może być umieszczony w genomie odniesienia, a zatem mają małą moc wykrywania pików LO pokonywanej ciągu powtarzalnych sekwencji. Poniżej przedstawiamy probabilistyczny podejściu do analizy danych CHIP-Sek, który wykorzystuje wszystko czyta, zapewniając prawdziwie genomu widok wzorców obowiązujących.
Odsłon są modelowane przy użyciu modelu mieszanki odpowiadające k wzbogacone regiony i genomowego null tło. Używamy maksymalnego prawdopodobieństwa oszacować rozmieszczenie wzbogaconych regionach i wdrożenie maksymalizacji wartości oczekiwanej (EM), zwanego algorytmem AREM, zaktualizować prawdopodobieństwa wyrównania każdej przeczytać w różnych miejscach genomu.
Aby uzyskać dodatkowe informacje, zobacz nasz papier RECOMB 2011 lub odwiedzić naszą stronę internetową: http://cbcl.ics.uci.edu/AREM
AREM opiera się na popularnych MACS szczytowej wywołującego, jak opisano poniżej:
Z poprawą technik sekwencjonowania, a następnie immunoprecypitację chromatyny wysokiej sekwencjonowania (CHIP-SEQ) jest coraz bardziej popularne studiować całego genomu oddziaływań białko-DNA. Aby rozwiązać problem braku potężnej metody analizy CHIP-Sek, prezentujemy nowy algorytm o nazwie Analiza modelowych CHIP-Seq (MAC), czynnik transkrypcji do identyfikacji miejsc wiązania.
MACS oddaje złożoność genomu wpływ na ocenę znaczenia wzbogaconych regionach Chip, jak i Mac poprawia rozdzielczość przestrzenną miejsca wiązania poprzez łączenie informacji zarówno położenia znacznika sekwencjonowania i orientacji. . MACS może być łatwo wykorzystane do danych CHIP-seq samodzielnie lub z próby kontrolnej ze wzrostem określoności

Wymagania :

• Python