MétaCan
Menu
Retour à la cohorte
Enregistrement W2413969874 · doi:10.3389/fpls.2016.00811

Identification and Validation of Reference Genes for RT-qPCR Analysis in Non-Heading Chinese Cabbage Flowers

2016· article· en· W2413969874 sur OpenAlexfundno aff
Cheng Wang, Hong-Mi Cui, Tianhong Huang, Tongkun Liu, Xilin Hou, Ying Li

Notice bibliographique

RevueFrontiers in Plant Science · 2016
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMolecular Biology Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesSpecialized Research Fund for the Doctoral Program of Higher Education of ChinaNational Key Research and Development Program of ChinaNatural Science Foundation of Jiangsu ProvinceUniversity of TorontoGovernment of Jiangsu ProvinceMinistry of Science and Technology of the People's Republic of ChinaMinistry of Education of the People's Republic of ChinaNational Natural Science Foundation of China
Mots-clésReference genesBiologyGeneGene expressionPhosphoenolpyruvate carboxylaseMessenger RNARibosomal proteinGlyceraldehyde 3-phosphate dehydrogenaseComplementary DNARNAGeneticsMolecular biologyComputational biologyRibosome

Résumé

récupéré en direct d'OpenAlex

Quantification of mRNA transcript levels analysis is increasingly important in furthering our insight into complex metabolic pathways and signaling networks which underlie physiological and developmental processes. Quantitative reverse transcription-PCR (RT-qPCR) has been used as the main analysis technique to quantify mRNA transcript levels as well as validate high-throughput data due to its high sensitivity, accuracy and specificity in various fields of biological research (Bustin 2002; Artico et al. 2010). However, the accuracy of RT-qPCR is easily affected by various factors, such as the quality of mRNA samples, enzymatic efficiency in cDNA synthesis, the efficiency of amplification and the differences in transcriptional activity between the tissues or cells analyzed (Pfaffl 2001; Derveaux et al. 2010). To avoid bias in RT-qPCR analysis, reliable internal controls, termed reference genes that are steadily expressed in different experimental condition, are essential for normalization. Some of the commonly used reference genes in plants, such as beta-tubulin-4 (TUB4), polyubiquitin (UBQ), glyceraldehyde-3-phosphate dehydrogenase (GAPDH), 18S ribosomal RNA (18S rRNA), actin 7 (ACT7), DNAJ-like protein (DNAJ), and alpha tubulin-5 (TUA5), mostly involving in basic cellular processes, such as intermediary metabolism and protein translation and thus, have been widely adopted for gene expression analyses in different plant species (Die et al. 2010; Kozera and Rapacz 2013; Wei et al. 2013; Xiao et al. 2014; Delporte et al. 2015). In addition, some new reference genes including F-box protein (F-box), acyl carrier proteins (ACP), phosphoenolpyruvate carboxylase-related kinase 1 (PEPKR1), hypothetical proteins of unknown function (UNK1), SAND family protein (SAND), and TAP42-interacting protein of 41 kDa (TIP41), were identified and found to express stably (Libault et al. 2008; Chang et al. 2012; Nakashima et al. 2013). However, no single reference gene can always keep its stability under variable conditions (Kim et al. 2003; Argyropoulos et al. 2006; Fu et al. 2013; Niu et al. 2015). A systematic validation of the expression stability of candidate reference genes in each experimental system should be carried out before using these reference genes for normalization data in gene expression analysis. Meanwhile, several statistical algorithms, such as geNorm (Vandesompele et al. 2002), NormFinder (Andersen et al. 2004) and

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut 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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,005
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0040,003
Bibliométrie0,0040,004
Études des sciences et des technologies0,0020,002
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,005

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 Opus0,008
Tête enseignante GPT0,273
Écart entre enseignants0,265 · 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 source (Gemma direct ou Codex distillé), 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
GenreMéthodes

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

En bref

Citations42
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Plant ScienceMême sujetMolecular Biology Techniques and ApplicationsTravaux en français237 207