MétaCan
Menu
Retour à la cohorte
Enregistrement W1556607074 · doi:10.1002/0471142905.hg1112s73

High‐Throughput Multiplex Sequencing of miRNA

2012· article· en· W1556607074 sur OpenAlexfundno aff
François Vigneault, Dmitry Ter‐Ovanesyan, Shahar Alon, Seda Eminaga, Danos C. Christodoulou, Jonathan G. Seidman, Eli Eisenberg, George M. Church

Notice bibliographique

RevueCurrent Protocols in Human Genetics · 2012
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicroRNA in disease regulation
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of General Medical SciencesNational Human Genome Research InstituteNational Heart, Lung, and Blood InstituteRagon Institute of MGH, MIT and HarvardCanadian Institutes of Health ResearchNational Institutes of Health
Mots-clésMultiplexmicroRNAIllumina dye sequencingDNA sequencingComputational biologyHumMultiplexingAdapter (computing)BiologyDeep sequencingComputer scienceGeneticsGeneGenomeTelecommunicationsComputer hardware

Résumé

récupéré en direct d'OpenAlex

Next-generation sequencing offers many advantages over other methods of microRNA (miRNA) expression profiling, such as sample throughput and the capability to discover novel miRNAs. As the sequencing depth of current sequencing platforms exceeds what is necessary to quantify miRNAs, multiplexing several samples in one sequencing run offers a significant cost advantage. Although previous studies have achieved this goal by adding bar codes to miRNA libraries at the ligation step, this was recently shown to introduce significant bias into the miRNA expression data. This bias can be avoided, however, by bar coding the miRNA libraries at the PCR step instead. Here, we describe a user-friendly PCR bar-coding method of preparing multiplexed microRNA libraries for Illumina-based sequencing. The method also prevents the production of adapter dimers and can be completed in one day.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,754

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,067
Tête enseignante GPT0,371
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations49
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent Protocols in Human GeneticsMême sujetMicroRNA in disease regulationTravaux en français237 207