PACeR: a bioinformatic pipeline for the analysis of chimeric RNA-seq data
Notice bibliographique
Résumé
ABSTRACT MicroRNAs (miRNAs) are small non-coding RNAs that function in post-transcriptional gene regulation through imperfect base pairing with mRNA targets which results in inhibition of translation and often destabilization of bound transcripts. Sequence-based algorithms historically used to predict miRNA targets face inherent challenges in reliably reflecting in vivo interactions. Recent strategies have directly profiled miRNA-target interactions by cross-linking and ligation of miRNAs to their targets within the RNA-induced silencing complex (RISC), followed by high throughput sequencing of the chimeric RNAs. Despite the strength of these direct chimeric miRNA:target profiling approaches, standardized pipelines for analyzing the resulting chimeric RNA sequencing data are not readily available. Here we present PACeR, a robust bioinformatic p ipeline for the a nalysis of c himeric R NA sequencing data. PACeR consists of two parts, each of which are optimized for the distinctive characteristics of chimeric RNA sequencing reads: first, read processing and alignment and second, peak calling and motif analysis. We apply PACeR to chimeric RNA sequencing data generated in our lab as well as a published benchmark dataset. PACeR has minimal computational power requirements and contains extensive annotation to broaden accessibility for processing chimeric RNA sequencing data and enable insights to be gained about the targets of small non-coding RNAs in regulating diverse biological systems.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,010 |
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 ».