Gene co-expression analysis for functional classification and gene-disease predictions.
Gene co-expression analysis for functional classification and gene-disease predictions.
复制标题
DOI：
10.1093/bib/bbw139
复制
发表时间：
2018-07-20
影响因子：
9.5
通讯作者：
de Magalhães JP
中科院分区：
文献类型：
--
作者：
van Dam S;Võsa U;van der Graaf A;Franke L;de Magalhães JP
基因共表达网络可用于将未知功能的基因与生物过程相关联，优先考虑候选疾病基因或辨别转录调控程序。随着转录组学和下一代测序的最新进展，从RNA测序数据构建的共表达网络也能够推断非编码基因和剪接变体的功能和疾病关联。虽然基因共表达网络通常不提供有关因果关系的信息，但用于差异共表达分析的新兴方法使得能够鉴定各种表型的调控基因。在这里，我们介绍和指导研究人员通过（差异）共表达分析。我们提供了用于创建和分析从基因表达数据构建的共表达网络的方法和工具的概述，并解释了这些方法和工具如何用于识别在疾病中具有调节作用的基因。此外，我们还讨论了其他数据类型与共表达网络的集成，并提供了共表达分析的未来前景。
Gene co-expression networks can be used to associate genes of unknown function with biological processes, to prioritize candidate disease genes or to discern transcriptional regulatory programmes. With recent advances in transcriptomics and next-generation sequencing, co-expression networks constructed from RNA sequencing data also enable the inference of functions and disease associations for non-coding genes and splice variants. Although gene co-expression networks typically do not provide information about causality, emerging methods for differential co-expression analysis are enabling the identification of regulatory genes underlying various phenotypes. Here, we introduce and guide researchers through a (differential) co-expression analysis. We provide an overview of methods and tools used to create and analyse co-expression networks constructed from gene expression data, and we explain how these can be used to identify genes with a regulatory role in disease. Furthermore, we discuss the integration of other data types with co-expression networks and offer future perspectives of co-expression analysis.
登录
查看更多内容
DOI：
10.1186/1748-7188-8-9
发表时间：
2013-03-23
期刊：
Algorithms for molecular biology : AMB
影响因子：
--
作者：
Bhar A;Haubrock M;Mukhopadhyay A;Maulik U;Bandyopadhyay S;Wingender E
通讯作者：
Wingender E
影响因子：
12.3
作者：
Bacher R;Kendziorski C
通讯作者：
Kendziorski C
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：
3.7
作者：
Anglani R;Creanza TM;Liuzzi VC;Piepoli A;Panza A;Andriulli A;Ancona N
通讯作者：
Ancona N
影响因子：
3.7
作者：
Allen JD;Xie Y;Chen M;Girard L;Xiao G
通讯作者：
Xiao G