A Pipeline for High-Throughput Concentration Response Modeling of Gene Expression for Toxicogenomics.
A Pipeline for High-Throughput Concentration Response Modeling of Gene Expression for Toxicogenomics.
复制标题
DOI：
10.3389/fgene.2017.00168
复制
发表时间：
2017
影响因子：
3.7
通讯作者：
Wright FA
中科院分区：
文献类型：
--
作者：
House JS;Grimm FA;Jima DD;Zhou YH;Rusyn I;Wright FA
基于细胞的测定是测量基因表达对暴露的反应的有吸引力的选择，但是全转录组RNA测序的成本一直是使用基因表达谱进行体外毒性筛选的障碍。此外，标准RNA测序由于可变的转录物长度和扩增而增加了可变性。靶向探针测序技术，如TempO-Seq，其转录组表示可以从数百个基因到整个转录组变化，可以减少一些变异成分。高通量毒理基因组学数据的分析需要重新关注读取调用算法和简化的剂量反应模型的数据集相对较少的样本。使用来自用不同浓度的化学品处理的诱导多能干细胞衍生的心肌细胞的数据，我们在这里描述并提供用于处理由TempO-Seq生成的表达数据的管道，以对齐读数，清洁和标准化原始计数数据，鉴定差异表达的基因，并计算转录组浓度响应出发点。该方法可扩展到其他形式的浓度-反应基因表达数据，我们讨论了评估易感性和患病细胞状态变化的方法的效用。
Cell-based assays are an attractive option to measure gene expression response to exposure, but the cost of whole-transcriptome RNA sequencing has been a barrier to the use of gene expression profiling for in vitro toxicity screening. In addition, standard RNA sequencing adds variability due to variable transcript length and amplification. Targeted probe-sequencing technologies such as TempO-Seq, with transcriptomic representation that can vary from hundreds of genes to the entire transcriptome, may reduce some components of variation. Analyses of high-throughput toxicogenomics data require renewed attention to read-calling algorithms and simplified dose–response modeling for datasets with relatively few samples. Using data from induced pluripotent stem cell-derived cardiomyocytes treated with chemicals at varying concentrations, we describe here and make available a pipeline for handling expression data generated by TempO-Seq to align reads, clean and normalize raw count data, identify differentially expressed genes, and calculate transcriptomic concentration–response points of departure. The methods are extensible to other forms of concentration–response gene-expression data, and we discuss the utility of the methods for assessing variation in susceptibility and the diseased cellular state.
登录
查看更多内容
影响因子：
4.4
作者：
Ellis SE;Gupta S;Ashar FN;Bader JS;West AB;Arking DE
通讯作者：
Arking DE
DOI：
10.1093/bioinformatics/btu638
发表时间：
2015-01-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Anders S;Pyl PT;Huber W
通讯作者：
Huber W
影响因子：
5.8
作者：
Goodstadt, Leo
通讯作者：
Goodstadt, Leo
影响因子：
56.9
作者：
Campillos, Monica;Kuhn, Michael;Bork, Peer
通讯作者：
Bork, Peer
DOI：
10.1126/science.1262110
发表时间：
2015-05-08
期刊：
Science (New York, N.Y.)
影响因子：
--
作者：
GTEx Consortium
通讯作者：
GTEx Consortium