Real Time PCR: the Use of Reference Genes and Essential Rules Required to Obtain Normalisation Data Reliable to Quantitative Gene Expression
Notice bibliographique
Résumé
Quantitative Real-time Polymerase Chain Reaction (qPCR) is an important tool for molecular biology and biotechnology research, widely used to determine the expression levels of mRNA. Two main methods to performing qPCR are largely used: The absolute quantification, in which the mRNA levels are determined by using a standard curve and the relative method, which is based on the use of reference genes. Reference genes are widely expressed in cells of animal and plant tissues and their expression pattern are theoretically unchanged within several situations, which makes them an excellent choice to normalize mRNA quantification data in relative qPCR studies. However, several reports are increasingly showing that the use of only one reference gene in relative qPCR studies should be avoided, because in the real world their expression levels can significantly change from tissue to tissue. Several softwares, such as geNorm, BestKeeper and NormFinder, have been developed to perform data normalisation, and these programs may assist in choosing the most stable reference genes. The aim of this review was to describe the current normalisation strategies used in qPCR assay, as well as to establish essential rules to perform reliable mRNA quantification. Finally, this review show some innovations in the advances on qPCR.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,020 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».