湖南艾佳生物科技股份有限公司
联系电话 : 400-823-5811
公司传真 : 0731-88915822
  • 企业简介
    艾佳生物成立于2011年,致力于打造基础研究-应用开发-成果转化产业链,为生物医学研究、疾病预防、诊断与治疗提供创新的产品、服务与应用解决方案。
  • 公司文化
    我们努力建设“共识、共创、共享、共赢”的企业文化,企业平台化、员工创客化,实现员工、顾客、合作者、股东等利益相关方共同满意。
  • 新闻动态
    艾佳生物打造干细胞技术平台和基因编辑技术平台
  • 公司荣誉
    自公司成立以来,我们通过不断引进高层次创新人才,坚持自主持续创新以获得核心竞争优势,同时获得了政府各级部门的关心与支持。
  • 联系我们
    电话:400-823-5811传真:0731-88915822地址:湖南博士后创业园
  • 抗体
    通过整合美国ABZOOM抗体品牌,我们拥有1万多种高品质抗体,包括2000多种磷酸化、甲基化、乙酰化等位点特异性抗体,1000多种单克隆抗体,600多种免疫组化抗体。
  • 组织芯片
    组织芯片在生物医学基础研究和药物开发领域具有重要的应用价值。艾佳生物目前拥有300多种组织芯片产品。
  • ELISA试剂盒
    我们代理销售美国ImmunoWay公司约3000种高品质ELISA试剂盒,其中包括2000多种Cell-based ELISA试剂盒。
  • 蛋白研究试剂
    针对抗体的免疫检测应用,艾佳生物开发了一系列高性价比的免疫学实验辅助产品,使您的实验更具效率。
  • 生物资源库
    AuraCell细胞库拥有经STR和支原体鉴定的细胞株达200余种;AuraHist组织标本库拥有数量逾10万,涵盖所有人常见肿瘤组织及所有人正常组织。
  • 病理诊断
    病理诊断是医学界公认最可信赖、重复性最强、准确性最高的诊断手段。我们拥有200余种CFDA认证病理诊断抗体及配套产品。
  • 诊断原料
    我们计划开发生产约300种疾病生物标志物单克隆抗体及标准蛋白原料,突破国内免疫诊断原料瓶颈,覆盖心血管疾病、肿瘤、肾病等重大疾病。
  • 艾佳学院
    艾佳学院致力于打造转化医学科研生态圈,建立基础研究-应用开发-成果转化产业链,推动科研成果向疾病预防、诊断与治疗应用转化。
  • 特色平台
    我们建设了健康数据云计算、病理学、干细胞、基因编辑、线虫、斑马鱼等特色技术平台,致力于为转化医学科研提供整体解决方案。
  • 研究案例
  • 艾佳文献
    佛系器官捐赠者——内源性逆转录病毒灭活小猪诞生!
  • 合作客户
    自公司成立以来,我们与国内外知名机构建立了合作关系,并已向国内外100多个医院、大学、研究所、生物制药企业、健康产品企业等提供产品与服务。
  • 下载中心
    公司尊崇“踏实、拼搏、责任”的企业精神,并以诚信、共赢、开创经营理念,创造良好的企业环境,以全新的管理模式,完善的技术,周到的服务,卓越的品质为生存根本,我们始终坚持“用户至上 用...
  • 组学检测
    系统生物学的主要技术平台为基因组学、转录组学、蛋白质组学、代谢组学、相互作用组学和表型组学等。
  • 实验技术
    我们建立了体外细胞模型与体内动物模型构建、基因功能验证与机制研究等在内的完整的转化医学实验技术平台。
  • 生物信息
    生信分析的重点主要在基因组学和蛋白质组学,从核酸和蛋白质序列出发,分析序列中表达的结构功能的生物信息。
  • 科研设计
    艾佳针对客户的研究方向及科研需求,组建专业咨询团队,根据最新研究前沿,为客户制定可持续的科研方向及详细执行方案。
  • 学术编辑
    艾佳生物拥有一批经验丰富的编辑团队,同时和国内外知名企业包括英国CAM公司,学者协同高效合作。艾佳生物为有需要科研工作者提供高品质的文章编辑服务,包括学术论文翻译、英文论文润色、标...
  • 科研培训
    根据客户的研究领域或需要,提供基础医学、临床医学、药物筛选与评价、生物信息等相关的学术交流及课题设计、实验实施、实验进度跟踪与管理、实验结果整理与分析、报告总结等一条龙服务。
   
选择类型
传真:0731-88915822
产品订购:order@auragene.com 服务咨询:service@auragene.com 技术支持:
tech@auragene.com
 
公司地址: 长沙高新技术开发区火炬城M0栋南七楼
我们的工作时间
周一至周五:8:30-17:30  

表达谱芯片

日期: 2018-03-23
浏览次数: 14

一.表达谱芯片分析方案

表达谱芯片是从转录组层面通过碱基配对杂交来研究基因的表达模式以及基因表达量的大小。除了常见的聚类分析,我们通过差异基因筛选,分别研究差异基因在功能和信号转导通路层面的显著性水平,找到实验过程中最关键的功能和信号转导通路群体。将同时出现在显著性功能和信号转导通路中的差异基因之间的调控关系整理成网络,找出信号转导节点的核心调控基因。再通过共表达的手段来发现差异基因的内部联系规律,增加研究的创新性。

基因芯片数据分析--表达谱芯片

 

1、随机方差模型(RVM)或limma算法能够在芯片实验每组样本重复样本数量较少的情况下,更有效提高了特征筛选的准确性,大大降低假阳性率。

2、将NCBI、Swissport/Uniport/AmiGo等数据库整合去冗余,把筛选出来的差异基因进行显著性功能分析,运用elim算法考虑GO的层次结构,将特异性GO的信息进行弱化,更加合理地得到GO的显著性水平。

3、将KEGG、Biocarta、Reactome等数据库整合去冗余,把筛选出来的差异基因进行显著性信号转导通路分析,基于超几何分布的Fish精确检测来进行Pathway的显著性分析。

4、将显著性Pathway之间的调控关系整理成数据库,通过构建信号通路调控网络,从宏观层面描述Pathway之间的信号传递关系,在多个Pathway中发现受实验影响的核心Pathway,以及实验影响的信号通路之间的调控机理。

5、以显著性GO和显著性Pathway所包含的差异基因为研究对象,构建基因间的相互作用关系网络,从而得到差异基因构成的信号转导流程以及差异基因中起到中枢核心调控基因。

6、从芯片实测表达值层面进行共表达分析,通过比较两个网络的网络结构及基因的共表达能力,从中得到表达能力发生巨大变化的基因,从而反映样本在实验处理后的真实变化,共表达分析反应差异基因内部的联系规律,大大增加研究的创新性。


二.表达谱芯片数据深入分析

表达谱芯片是从转录组层面通过碱基配对杂交来研究基因的表达模式以及基因表达量的大小。除了常见的聚类分析,我们通过差异基因筛选,分别研究差异基因在功能和信号转导通路层面显著性水平,找到实验过程中最关键的功能和信号转导通路群体。将同时出现在显著性功能和信道转导通路中的差异基因之间的调控关系整理成网络,找出信号转导节点的核心调控基因。再通过共表达的手段来发现差异基因的内部联系规律,增加研究的创新性。

聚类分析

针对多芯片结果进行芯片间及差异表达基因间的双向聚类,同时对新基因的功能进行预测,目的是对不同的样本进行分类,并对差异基因进行相似性分析。聚类方法包括:层次聚类、K-means聚类及SOM等。

主成分分析

主成分分析(PCA)在大规模基因表达数据的分析工作中,由于组织样本例数远远小于所观察基因个数,如果直接采用前述聚类分析可能产生较大误差,故需要对聚类算法进行改进。

基因功能分析注释(GO分析)

对差异基因进行相应的生物学功能分析,采用GO(Gene Ontology)数据库中的功能聚类注释结果,并根据统计检验方法(P-value)筛选显著显异的分类。最后针对客户的需求进行结果的输出。

Pathway分析

建立信号通路和生物功能网络,将差异基因与信号通路进行比较、整合,找出基因间的相互关系,进行通路动态仿真。并根据统计检验方法(P-valuv)筛选显著显异的代谢通路,以期对致病基因构建模拟疾病状态的通路网络,对目的基因进行分析,以期发现目的基因与疾病之间在生物学通路或生化途径上的关联。

基因富集分析(GSEA)

基因富集分析是用统计学的方法分析多类功能基因蔟(gene set)是否在不同的生物样本组中存在差异。透过芯片实验数据的分析,寻找不同样品的差异基因可能的生物学功能,为后期实验提供参考。

转录因子(TF)分析

利用相关的转录因子(TF)数据库,采用pwmatch算法对每个转录因子分析其在差异基因中的分布情况,利用chi-square test等统计方法寻找有差异的转录因子。目的在于找到调控目标生物性状,统计学生有显著差别的转录因子。

共表达网络分析

对差异基因进行Co-expression基因调控网络的构建。采用贝叶斯方法,通过对表达数据进行机器学习,来构建差异基因间的动态网络。这是一种数据驱动的网络构建,可以发现一些新的调控关系。

蛋白相互作用(Network)分析

通过整合PubMed text mining、同源预测、基因neighbor、蛋白-蛋白相互作用、基因融合等数据,建立一个all differentially expressed genes in a single plot的调控网络。这是一种已有知识驱动的网络构建。目的在于对前人的研究结果合本实验的生物信息进行关联分析,以期找到一些新的基因共表达的线索,发现新的规律。

疾病的分型

主要是针对复杂的疾病,利用芯片数据对这些疾病的子类型进行区分,识别传统诊断手段无法辨别但对预后具有重要意义的亚型。

预测模型的构建

利用Bayesian network,PAM及SWM等机器学习语言对芯片结果进行预测模型的构建,将部分芯片数据拿来做预测模型,然后部分芯片数据作为测试数据集(独立样本)来验证模型的准确性。目的在于利用实验数据来筛选出一批靶标基因,并以此构建模型,以进行早期诊断、疾病预测和预后分析。

标志物预测分析(Prediction analysis for microarray)

多年以来,为了提高肿瘤或其他疾病的早期预测、鉴别诊断、疗效观察以及预后判断,人们从肿瘤细胞的化学特性、细胞病理、免疫反应和基因表达产物等诸多角度,试图寻找特异性强、灵敏度高的分子标志物。但受技术手段所限,寻找分析标志物的手段繁琐棘手,而且准确率一直不理想。我们使用Prediction analysis for microarray(PAM)分析工具,可以最终对芯片数据进行处理,筛选出最小数目的分析标志物。相对于传统方法,PAM方法筛选出的分子标志物准确性高、可靠性强。

 


上一篇:miRNA芯片下一篇:无

Copyright ©2018 Auragene Biotech All Rights Reserved. 粤ICP备09063742号-1

犀牛云提供企业云服务
分享到:
服務熱線
全国统一服务热线
400-823-5811
服务咨询
service@auragene.com
产品订购
order@auragene.com
400-823-5811
微信二維碼
扫一扫
手机云网站
X
3

SKYPE 设置

4

阿里旺旺设置

2

MSN设置

5

电话号码管理

  • 400-823-5811
6

二维码管理

8

邮箱管理

展开
回到顶部