AREM

AREM is een gebaseerd op MACS (Model Based Analyse voor ChIP-Seq data).
High-throughput sequencing gekoppeld met chromatine immuno- precipitatie (ChIP-Seq) wordt veel gebruikt bij het karakteriseren van genoombrede bindingspatronen van transcriptiefactoren, cofactoren, chromatine modifiers, en andere DNA-bindende eiwitten. Een belangrijke stap in ChIP-Seq data-analyse in kaart kort leest van high-throughput sequentiebepaling van een referentie genoom en identificeren piekgebieden verrijkt met korte leest.
Hoewel verschillende methoden zijn voorgesteld voor ChIP-Seq-analyse, de meeste be- staande methoden alleen naar leest die uniek kan worden geplaatst in de referentie-genoom, en hebben dus een laag stroomverbruik voor het opsporen van pieken Lo- ven binnen repeat sequenties. Hier introduceren we een probabilistische aanpak voor ChIP-Seq data-analyse die al gebruik maakt leest, het verstrekken van een echt genoom-brede mening van binding patronen.
Leest worden gemodelleerd met behulp van een mengsel model overeenkomt met verrijkte regio's en een null genomische achtergrond K. We gebruiken maximum likelihood schatting van de locaties van de verrijkte gebieden en voert een verwachting-maximalisatie (EM) algoritme, genaamd AREM, voor actualisering van de uitlijning waarschijnlijkheid van elk gelezen op verschillende genome locaties.
Voor meer informatie, zie onze papieren in RECOMB 2011 of bezoek onze website: http://cbcl.ics.uci.edu/AREM
AREM is gebaseerd op het populaire MACS piek beller, zoals hieronder beschreven:
Met de verbetering van sequencing technieken, chromatine immunoprecipitatie gevolgd door high throughput sequencing (ChIP-Seq) wordt steeds populairder om genoom-brede eiwit-DNA interacties te bestuderen. Om het gebrek aan krachtige ChIP-Seq analysemethode pakken presenteren we een nieuwe algoritme genoemd Model-gebaseerde analyse van ChIP-Seq (MACS), voor het identificeren van transcriptie factor bindingsplaatsen.
MACS vangt de invloed complexiteit genoom om het belang van ChIP verrijkte gebieden te evalueren, en MACS verbetert de ruimtelijke resolutie van bindingsplaatsen met het combineren van de gegevens van zowel sequentie tag positie en oriëntatie. . MACS kan eenvoudig worden gebruikt voor ChIP-Seq data alleen of met een controle monster met de toename van de specificiteit

Eisen

• Python