miRNA研究策略与应用:从基础到服务

需积分: 9 1 下载量 42 浏览量 更新于2024-07-26 1 收藏 3.36MB PDF 举报
“miRNA策略与研究,涵盖miRNA的发现历程、研究方法、以及miRNA在生物信息学中的应用,由广州RiboBio Co., Ltd提供,重点讨论了miRNA的作用机制、表达特性以及与siRNA的差异。” miRNA,全称为microRNA,是一种非编码RNA分子,长约20-24个核苷酸。自从1993年Lin-4被首次发现以来,miRNA已成为生物学研究的热点领域。miRNA的发现者Ambros教授曾访问过广州RiboBio公司,对miRNA产品和服务表示了兴趣。 miRNA的生成涉及到一系列复杂的生物化学过程。首先,它们以初级前体pri-miRNA的形式在细胞核内由Drosha酶处理,随后形成前体pre-miRNA,进一步由Dicer酶切割成成熟的miRNA。这些成熟的miRNA分子会结合到miRNA诱导沉默复合体(miRISC),并参与基因表达调控。 miRNA的作用机制主要包括翻译抑制和mRNA降解。当miRNA与靶基因mRNA序列不完全匹配时,它可以通过阻止翻译起始、阻断翻译延伸或诱导新生肽链降解来抑制基因表达。如果miRNA与靶基因完全互补,它可以像siRNA一样直接引导mRNA的切割,或促进mRNA的去poly(A)尾,导致mRNA稳定性下降并最终被降解。此外,miRNA还能介导DNA甲基化,从而在转录水平上抑制靶基因表达。 miRNA的表达具有明显的时空特异性,不同组织和发育阶段会有不同的miRNA表达模式。这种特性使得miRNA成为研究各种疾病,如癌症、神经退行性疾病和心血管病等的重要标记物。 与siRNA相比,miRNA有几个显著区别:miRNA基因存在于多种物种基因组中,而siRNA没有特定的基因;miRNA的成熟过程涉及Drosha,而siRNA则不需此步骤;miRNA有初级前体和前体形式,siRNA则没有;miRNA可以与靶mRNA不完全或完全互补,而siRNA要求完全互补,且单碱基的差异会显著影响其干扰效果;最后,miRNA既可以抑制翻译也可以促进mRNA降解,而siRNA主要作用是降解靶mRNA。 在实际研究中,广州RiboBio公司提供了针对miRNA的全面研究策略和相关产品服务,包括miRNA的检测、功能验证、靶基因预测等,以支持科研人员深入理解miRNA在生命活动和疾病发生中的作用。

解释这段代码for (i in cancer_types){ admat<-read.csv(str_c(dir,"\tcga_data\",i,"\admat.csv"),check.names=F) positive_rna<-read.csv(str_c(dir,"\tcga_data\",i,"\positive_normalized_rna.csv"),row.names = 1, check.names = F) negative_rna<-read.csv(str_c(dir,"\tcga_data\",i,"\negative_normalized_rna.csv"),row.names = 1, check.names = F) positive_mi<-read.csv(str_c(dir,"\tcga_data\",i,"\positive_normalized_mi.csv"),row.names = 1, check.names = F) negative_mi<-read.csv(str_c(dir,"\tcga_data\",i,"\negative_normalized_mi.csv"),row.names = 1, check.names = F) normal_rna<-read.csv(str_c(dir,"\tcga_data\",i,"\normal_normalized_rna.csv"),row.names = 1, check.names = F) normal_mi<-read.csv(str_c(dir,"\tcga_data\",i,"\normal_normalized_mi.csv"),row.names = 1, check.names = F) positive_delta<-cal_delta_pcc(admat,normal_rna,normal_mi,positive_rna,positive_mi) negative_delta<-cal_delta_pcc(admat,normal_rna,normal_mi,negative_rna,negative_mi) wilcox<-delta_wilcox_test(positive_delta,negative_delta,wilcox_pval) write.csv(wilcox,str_c(dir,"\tcga_data\",i,"\wilcox.csv"),quote=F,row.names=F) row.names(wilcox)<-str_c(wilcox[,1],"",wilcox[,2]) positive_delta<-na.omit(positive_delta) row.names(positive_delta)<-str_c(positive_delta[,1],"",positive_delta[,2]) negative_delta<-na.omit(negative_delta) row.names(negative_delta)<-str_c(negative_delta[,1],"_",negative_delta[,2]) positive_delta<-positive_delta[row.names(positive_delta)%in%row.names(wilcox),] negative_delta<-negative_delta[row.names(negative_delta)%in%row.names(wilcox),] negative_delta<-negative_delta ml_input<-merge(positive_delta,negative_delta,by="row.names") ml_input<-ml_input write.csv(ml_input,str_c(dir,"\tcga_data\",i,"\ml_input.csv"),quote=F,row.names=F) }

2023-07-12 上传

请解释一下这段代码for (i in cancer_types){ admat<-read.csv(str_c(dir,"\\tcga_data\\",i,"\\admat.csv"),check.names=F) positive_rna<-read.csv(str_c(dir,"\\tcga_data\\",i,"\\positive_normalized_rna.csv"),row.names = 1, check.names = F) negative_rna<-read.csv(str_c(dir,"\\tcga_data\\",i,"\\negative_normalized_rna.csv"),row.names = 1, check.names = F) positive_mi<-read.csv(str_c(dir,"\\tcga_data\\",i,"\\positive_normalized_mi.csv"),row.names = 1, check.names = F) negative_mi<-read.csv(str_c(dir,"\\tcga_data\\",i,"\\negative_normalized_mi.csv"),row.names = 1, check.names = F) normal_rna<-read.csv(str_c(dir,"\\tcga_data\\",i,"\\normal_normalized_rna.csv"),row.names = 1, check.names = F) normal_mi<-read.csv(str_c(dir,"\\tcga_data\\",i,"\\normal_normalized_mi.csv"),row.names = 1, check.names = F) positive_delta<-cal_delta_pcc(admat,normal_rna,normal_mi,positive_rna,positive_mi)#"自定义cal_delta_pcc"函数计算正样本和负样本的delta值,并把数据装入positive_delta中 negative_delta<-cal_delta_pcc(admat,normal_rna,normal_mi,negative_rna,negative_mi) wilcox<-delta_wilcox_test(positive_delta,negative_delta,wilcox_pval)#自定义delta_wilcox_test函数计算结果 write.csv(wilcox,str_c(dir,"\\tcga_data\\",i,"\\wilcox.csv"),quote=F,row.names=F) row.names(wilcox)<-str_c(wilcox[,1],"_",wilcox[,2]) positive_delta<-na.omit(positive_delta) row.names(positive_delta)<-str_c(positive_delta[,1],"_",positive_delta[,2]) negative_delta<-na.omit(negative_delta) row.names(negative_delta)<-str_c(negative_delta[,1],"_",negative_delta[,2]) positive_delta<-positive_delta[row.names(positive_delta)%in%row.names(wilcox),] negative_delta<-negative_delta[row.names(negative_delta)%in%row.names(wilcox),] negative_delta<-negative_delta[,3:ncol(negative_delta)] ml_input<-merge(positive_delta,negative_delta,by="row.names") ml_input<-ml_input[,-1] write.csv(ml_input,str_c(dir,"\\tcga_data\\",i,"\\ml_input.csv"),quote=F,row.names=F) }

2023-07-12 上传