AREM

АРЕМ буде заснований на MACS (моделі, заснованої аналізу для чіп-Seq даних).
Висока пропускна секвенування з'єднаний з хроматину імуно опадів (чип-Seq) широко використовується для характеристики генома обов'язкових шаблонів транскрипційних факторів, кофакторов, хроматину модифікатори, та інших білків ДНК зв'язування. Ключовим кроком в аналізі даних чіп-Seq, щоб відобразити короткий читає з високопродуктивного секвенування з опорним генома і визначити пікові регіони збагачені з короткими читає.
Хоча кілька методів були запропоновані для чіп-Seq аналізу, більшість існуючі методи розглядати тільки зчитує, які можуть бути однозначно поміщені в референсном геномі, і, отже, мають низьку потужність для виявлення піків зна- диться в повторюваних послідовностей. Тут ми вводимо імовірнісний підхід для аналізу даних чіп-Seq, яка використовує всі читає, забезпечуючи по-справжньому генома широкий вид обов'язкових моделей.
Читає моделюються за допомогою суміші моделі, відповідної до збагачені регіони і нульовий геномної тлі. Ми використовуємо максимальну ймовірність оцінити розташування збагачених регіонах, і реалізувати очікування-максимізації (EM) алгоритмі, під назвою АРЕМ, щоб оновити, що вирівнювання ймовірності кожного читати різних геномних місцях.
Для отримання додаткової інформації див нашу газету в RECOMB 2011 або відвідайте наш веб-сайт: http://cbcl.ics.uci.edu/AREM
АРЕМ заснований на популярній MACS пік абонента, як описано нижче:
З поліпшенням методів секвенування, хроматин иммунопреципитации з подальшим високою пропускною послідовності (чип-Seq) стає популярним для вивчення генома взаємодії білок-ДНК. Для вирішення проблеми нестачі потужний метод аналізу чип-Seq, ми представляємо новий алгоритм, названий на основі моделі Аналіз чип-Seq (MACS), для виявлення фактора транскрипції сайти зв'язування.
MACS захоплює вплив складності геному оцінити значимість збагачених ChIP регіонах, і MACS покращує просторову роздільну здатність сайти зв'язування шляхом об'єднання інформації про становище обох секвенування тега і орієнтації. . MACS можуть бути легко використані для чіп-Seq даних поодинці або з контрольним зразком із збільшенням специфічності

Вимоги

• Python