易基因|m6A RNA甲基化研究的数据挖掘思路:干货系列
大家好,这里是专注表观组学十余年,领跑多组学科研服务的易基因。
关于m6A甲基化研究思路
(1)整体把握m6A甲基化图谱特征:m6A peak数量变化、m6A修饰基因数量变化、单个基因m6A peak数量分析、m6A peak在基因元件上的分布、m6A peak的motif分析、m6A peak修饰基因的功能分析
(2)筛选具体差异m6A peak和基因:差异m6A peak鉴定、非时序数据的分析策略、时序数据的分析策略、差异m6A修饰基因的功能分析、差异m6A修饰基因的PPI分析、候选基因的m6A修饰可视化展示
(3)m6A甲基化组学&转录组学关联分析:Meta genes整体关联、DMG-DEG对应关联、m6A修饰目标基因的筛选策略
(4)进一步验证或后期试验
PS:m6A、m1A、m7G等IP测序法的数据挖掘思路类似
一、m6A甲基化图谱分析
(1)m6A peak数量、m6A修饰基因数量的比较
- m6A peak数量能反应样本整体的甲基化水平。
- 但峰数量差异不大并不能说明样本间甲基化图谱没有差异。
![](https://pic4.zhimg.com/80/v2-62846ec10e76fe841ae10cf3a3c127af_1440w.webp)
肌肉发育不同阶段m6A总数和修饰的基因总数的变化
![](https://pic3.zhimg.com/80/v2-a1e68b0a41600b26e28c7e676524627e_1440w.webp)
不同组中检测到的m6A peak总数和m6A修饰基因总数的重叠分析
(2)基因上m6A peak平均数量分析
![](https://pic2.zhimg.com/80/v2-6de8466de20a61f5bc2432e6f3a5b63d_1440w.webp)
基因的m6A peak数量分布与差异比较
(3)m6A peak在各基因元件上的分布
- 不同基因组元件(5’UTR、CDS和3’UTR)的m6A甲基化水平分布规律不同。
- 特别是在不同物种中,基因元件的甲基化水平可能自身的特点。
![](https://pic4.zhimg.com/80/v2-59c62f31a7c81035d772936be1650927_1440w.webp)
一般主要分布在CDS区和3‘UTR区
(4) m6A peak的motif分析
跟物种有关:
动物和酵母主要是RRACH(R = G or A;H = A,C, or U)
拟南芥和番茄主要是UGUAYY(Y = A, G, U, or C)
![](https://pic1.zhimg.com/80/v2-1a153fb72306b4d6f232019dc0c8c0ac_1440w.webp)
鸡脂肪组织
![](https://pic2.zhimg.com/80/v2-6d5a01fe6af41ed4676a0f576ccf18f5_1440w.webp)
番茄果实
(5)m6A修饰基因的鉴定和功能分析
![](https://pic4.zhimg.com/80/v2-5b3a029a80e113879ac07cf19b7f6877_1440w.webp)
m6A修饰基因占所有基因的比例
![](https://pic3.zhimg.com/80/v2-fed37c735ad4940007e4332902c725ae_1440w.webp)
m6A修饰基因的组间重叠分析
![](https://pic3.zhimg.com/80/v2-2b254f13d4f3ad194eeb98972b805f9a_1440w.webp)
m6A修饰基因的功能分析
二、差异m6A peak分析
(1)非时间序列数据:
![](https://pic4.zhimg.com/80/v2-c931c4fbed2224df7380d2e46849528b_1440w.webp)
(2)时间序列数据:
![](https://pic1.zhimg.com/80/v2-0d6552e9b0e858fbb3c1e78e2ed21980_1440w.webp)
![](https://pic3.zhimg.com/80/v2-d7d92dbb85565a4778ded49c93f829c6_1440w.webp)
(3)差异m6A peak关联基因的PPI分析
![](https://pic4.zhimg.com/80/v2-b60509c8c49b5956586ff339a4479767_1440w.webp)
(4)感兴趣基因的差异m6A peak展示
![](https://pic1.zhimg.com/80/v2-9c936bb568a8297e623e48d57394b764_1440w.webp)
![](https://pic4.zhimg.com/80/v2-82d7f55da7739640625a69c6b33b40eb_1440w.webp)
三、组学关联分析:m6A甲基化组学&转录组学
(1)Meta genes整体关联
- 同一样本/组别内,所有基因的表达水平与对应基因的m6A富集程度、m6A peak数量进行关联。
- 组间的m6A peak变化趋势也可以关联。
![](https://pic1.zhimg.com/80/v2-3dba46041f6cad87d5521e7c1cf2716c_1440w.webp)
转录水平 vs. peak富集程度
![](https://pic3.zhimg.com/80/v2-3d9719707c5e73d1b232ad644d167276_1440w.webp)
转录水平 vs. peak数量变化
![](https://pic1.zhimg.com/80/v2-8cd8a49b719f1897ff0d0dcd6afec5e8_1440w.webp)
转录水平倍数变化 vs. peak倍数变化
(2)DMG-DEG对应关联:筛选m6A修饰的关键目的基因
- 功能相关
- 差异显著
![](https://pic3.zhimg.com/80/v2-098004b9d43ee5e00d9ea91fb5cabfe2_1440w.webp)
重叠分析
![](https://pic4.zhimg.com/80/v2-f1538cab31daf57ba24409551f60f91b_1440w.webp)
四、进一步验证或后期试验
- 简单验证
- 全局m6A甲基化干扰实验(非靶向),验证m6A甲基化书否真的影响目标基因表达和细胞功能
- 靶向目标基因的甲基化/去甲基化实验,检测某区域m6A修饰是否真的影响目标基因的表达
- 研究目标基因的m6A甲基化如何影响目标基因表达
- m6A修饰目标基因的表达回复实验
- 研究特定m6A Readers通过结合目标基因RNA而影响目标基因的蛋白表达
关于m6A RNA甲基化研究进一步验证或后期试验的下游实验设计详细内容,敬请关注下期推送!
关于易基因RNA m6A甲基化测序(MeRIP-seq)技术
易基因MeRIP-seq技术利用m6A特异性抗体富集发生m6A修饰的RNA片段(包括mRNA、lncRNA等rRNA去除所有RNA),结合高通量测序,可以对RNA上的m6A修饰进行定位与定量,总RNA起始量可降低至10μg,最低仅需1μg总RNA。广泛应用于组织发育、干细胞自我更新和分化、热休克或DNA损伤应答、癌症发生与发展、药物应答等研究领域;可应用于动物、植物、细胞及组织的m6A检测。
大样本量m6A-QTL性状关联分析,传统MeRIP单个样品价格高,通常难以承担。易基因开发建立MeRIP-seq2技术,显著提成IP平行性,实现不同样本间相对定量,降低检测成本。
易基因提供适用于不同科研需求的MeRIP技术:
- m6A甲基化-常量mRNA 甲基化测序(MeRIP-seq)
- m6A甲基化-常量mRNA +lncRNA甲基化测序(lnc-MeRIP-seq)
- m6A甲基化-微量mRNA +lncRNA甲基化测序(Micro-lnc-MeRIP-seq)
- 高通量m6A甲基化-常量mRNA甲基化测序(MeRIP-seq2)
技术优势:
- 起始量低:样本起始量可降低至10-20μg,最低仅需1μg总RNA;
- 转录组范围内:可以同时检测mRNA和lncRNA;
- 样本要求:可用于动物、植物、细胞及组织的m6A检测;
- 重复性高:IP富集重复性高,最大化降低抗体富集偏差;
- 应用范围广:广泛应用于组织发育、干细胞自我更新和分化、热休克或DNA损伤应答、癌症的发生与发展、药物应答等研究领域。
研究方向:
m6A甲基化目前主要运用在分子机制的理论性研究
- 疾病发生发展:肿瘤、代谢疾病(如肥胖/糖尿病)、神经和精神疾病(如阿尔兹海默症/抑郁症)、炎症…
- 发育和分化:早期胚胎发育、个体/组织/器官生长发育、干细胞分化与命运决定、衰老
环境暴露与响应:污染、抗逆、生活方式
易基因科技提供全面的RNA甲基化研究整体解决方案,技术详情了解请致电易基因
相关阅读:
干货分享:DNA甲基化研究的测序数据挖掘思路
独家分享:高通量测序后的下游实验验证方法——DNA甲基化篇
干货:m6A RNA甲基化MeRIP-seq测序分析实验全流程解析
项目文章 | 90天见刊,易基因m6A RNA甲基化(MeRIP)+转录组组学
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击