La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Banche dati e software per l’identificazione di interazioni fra geni

Presentazioni simili


Presentazione sul tema: "Banche dati e software per l’identificazione di interazioni fra geni"— Transcript della presentazione:

1 Banche dati e software per l’identificazione di interazioni fra geni

2 Supponiamo di voler studiare le differenze nell’espressione genica fra due trascrittomi.
Per esempio: cellule trattate con un composto esogeno a confronto con cellule non trattate un tessuto tumorale a confronto con uno sano Composto esogeno realizziamo un esperimento microarray

3 Cos’è un microarray? S3 I microarray sfruttano la prorprietà di ibridazione degli acidi nucleici. Sono infatti costituiti da supporti di vetro della grandezza di un vetrino da microscopio sui quali vengono ancorati centinaia di migliaia di singoli filamenti di DNA. Ciascun gene è analizzato, infatti, grazie ad alcune centinaia di copie monofilamento di una sua regione estremamente specifica, immobilizate sul vetrino a formare uno spot. L’esposizione della superficie del vetrino ad una soluzione contenente l’mRNA dei campioni da confrontare, precedentemente marcato con due differenti sostanze capaci di emettere fluorescenza, consente l’bridazione dei frammenti di mRNA alle sonde in quantità proporzionale alla concentrazione presente nei due campioni. La successiva rivelazione della fluorescenza emessa porta alla quantificazione di questa concentrazione e, quindi, del “fold-change”, cioè della variazione di espressione fra i due campioni ibridizzati.

4 Fasi di un esperimento microarray
Estrazione mRNA Retrotrascrizione e Marcatura Ibridazione Scansione Analisi dei dati

5 Output dell’esperimento: lista di geni differenzialmente espressi
Rank GeneSymbol Accession Number (Transcript) Description Differential expression (Up- or Down-regulation) P-value 1 DUSP1 NM_004417 ref|Homo sapiens dual specificity phosphatase 1 (DUSP1), mRNA 0.0004 2 SRGAP1 BC029919 gb|Homo sapiens SLIT-ROBO Rho GTPase activating protein 1, mRNA 3 HES1 NM_005524 ref|Homo sapiens hairy and enhancer of split 1, (Drosophila) (HES1), mRNA 4 SMAD3 U68019 gb|Homo sapiens mad protein homolog (hMAD-3) mRNA, complete cds 5 RHEBL1 NM_144593 ref|Homo sapiens Ras homolog enriched in brain like 1 (RHEBL1), mRNA 7 FZD10 NM_007197 ref|Homo sapiens frizzled homolog 10 (Drosophila) (FZD10), mRNA 8 RGS16 NM_002928 ref|Homo sapiens regulator of G-protein signaling 16 (RGS16), mRNA 9 GPR56 NM_201525 ref|Homo sapiens G protein-coupled receptor 56 (GPR56), transcript variant 3, mRNA 0.0001 10 ZNF831 NM_178457 ref|Homo sapiens zinc finger protein 831 (ZNF831), mRNA 0.008 11 TFPI NM_ ref|Homo sapiens tissue factor pathway inhibitor (lipoprotein-associated coagulation inhibitor) (TFPI), transcript variant 2, mRNA 0.0075 . . . 600 BTG1 NM_001731 ref|Homo sapiens B-cell translocation gene 1, anti-proliferative (BTG1), mRNA 0.05

6 Obiettivo: ricostruire la rete di interazioni fra geni per comprendere quale sia l’effetto a livello molecolare del fenomeno biologico indagato Esempi di reti di interazione…

7 Ricostruzione delle interazioni
Rank GeneSymbol Accession Number (Transcript) Description Differential expression (Up- or Down-regulation) P-value 1 DUSP1 NM_004417 ref|Homo sapiens dual specificity phosphatase 1 (DUSP1), mRNA 0.0004 2 SRGAP1 BC029919 gb|Homo sapiens SLIT-ROBO Rho GTPase activating protein 1, mRNA 3 HES1 NM_005524 ref|Homo sapiens hairy and enhancer of split 1, (Drosophila) (HES1), mRNA 4 SMAD3 U68019 gb|Homo sapiens mad protein homolog (hMAD-3) mRNA, complete cds 5 RHEBL1 NM_144593 ref|Homo sapiens Ras homolog enriched in brain like 1 (RHEBL1), mRNA 7 FZD10 NM_007197 ref|Homo sapiens frizzled homolog 10 (Drosophila) (FZD10), mRNA 8 RGS16 NM_002928 ref|Homo sapiens regulator of G-protein signaling 16 (RGS16), mRNA 9 GPR56 NM_201525 ref|Homo sapiens G protein-coupled receptor 56 (GPR56), transcript variant 3, mRNA 0.0001 10 ZNF831 NM_178457 ref|Homo sapiens zinc finger protein 831 (ZNF831), mRNA 0.008 11 TFPI NM_ ref|Homo sapiens tissue factor pathway inhibitor (lipoprotein-associated coagulation inhibitor) (TFPI), transcript variant 2, mRNA 0.0075 . . . 600 BTG1 NM_001731 ref|Homo sapiens B-cell translocation gene 1, anti-proliferative (BTG1), mRNA 0.05

8 …ma le interazioni? Vorremmo vedere simultaneamente se e come interagiscono i geni di interesse

9 Per sapere qualcosa in più sulle interazioni fra geni: Banche dati di pathway e ontologie
Kegg - Kegg GenesInfo sui geni e sui trascritti - Kegg PathwayInfo sulle reti di trasduzione del segnale genico (pathway) Gene Ontology Informazioni sulla classificazione ontologica dei geni\prodotti genici

10 KEGG: Kyoto Encyclopedia of Genes and Genomes
Contenuti:

11 Rappresentazione dei dati in KEGG
Entity: una molecola o un gene - identificata, eccetto che per GENE and ENZYME, con 3 lettere + 5 numeri: Binary relation: una relazione fra due entity Network: un grafo formato da un set di entity collegate Pathway: una rete di co-regolazione; un network o un insieme di network

12 Legenda dei simboli

13 Un esempio di Pathway

14 KEGG PATHWAY E’ una collezione di diagrammi o mappe ciascuna corrispondente a una rete di co-regolazione biologica con significato funzionale. Ogni pathway è identificato da: 3 lettere -> specifiche per ciascun organismo 5 numeri -> identificativi della mappa Essi possono essere: Creati e curati manualmente Generati attraverso simulazioni computazionali Ci sono: Pathway di riferimento: generati dall’unione di evidenze sperimentali tratte da organismi differenti Pathway specifici: che raccolgono le informazioni provenienti da un determinato organismo Pathway globali: che collegano più pathway insieme

15 Sezioni di KEGG Pathway
Pathway metabolici Global Map  Metabolism      Carbohydrate   Energy   Lipid   Nucleotide   Amino acid   Other amino acid   Glycan Cofactor/vitamin   Terpenoid/PK   Other secondary metabolite   Xenobiotics      Reaction module   Chemical structure  Genetic Information Processing  Environmental Information Processing  Cellular Processes  Organismal Systems  Human Diseases Drug Development Pathway regolatori

16 KEGG ORGANISMS

17 Nei pathway metabolici le entity sono quasi esclusivamente enzimi
Nei pathway regolatori le entity rappresentano quasi sempre prodotti genici, ma troviamo anche composti chimici, DNA e altre molecole

18 Pathway di riferimento Standard view
generato dall’unione di evidenze sperimentali provenienti da organismi multipli individuato dal prefisso map

19 Pathway di riferimento KEGG ORTHOLOGY (KO) view
I geni assegnati ad un KO group sono evidenziati in viola Da qui ci colleghiamo a KEGG Genes

20 Pathway di riferimento Enzyme (EC) view
I geni assegnati ad un KO group sono evidenziati in viola Solo per pathway metabolici

21 Pathway di riferimento Reaction (RN) view
I geni assegnati ad un KO group sono evidenziati in viola Solo per pathway metabolici

22 Pathway organismo-specifico
generato da informazioni provenienti da un unico organismo o informazioni da KEGG ORTHOLOGY I geni specifici dell’organismo coinvolto nel pathway sono colorati in verde DGENES: draft genomes EGENES: EST genes

23 Pathway specifico per più organismi
Dall’entry point kegg2.html->comparison and combination Inserire i due codici Cliccare su pathway map e selezionare il pathway

24 Pathway organismo-specifico + drug info
I geni coinvolti in malattie sono evidenziati in rosa I geni target di farmaci sono evidenziati in celeste

25 KEGG DRUG Contiene informazioni su:
Farmaci approvati in Giappone, USA ed Europa che riguardano la loro struttura chimica Target dei farmaci ed enzimi che li metabolizzano Storia della trasformazione della struttura chimica delle molecole rappresentate attraverso mappe I farmaci sono identificati con la lettera D + 5 numeri ES: Gleevec D01441 Interrogazione con Gleevec

26 KEGG DRUG

27 Pathway globali – reference pathway

28 Pathway globale – Homo sapiens

29 Pathway globale – Arabidopsis thaliana

30 Homo Sapiens + Arabidopsis Thaliana
Pathway globale Homo Sapiens + Arabidopsis Thaliana

31 Disease Pathway Map sono visti come perturbazioni di processi di regime
Stadi della malattia

32 Vogliamo sapere se ci sono gruppi di geni differenzialmente espressi mappati nei pathway e in quali pathway Pathway-Express

33 Pathway-Express : http://vortex.cs.wayne.edu/projects.htm
Impact Analysis: mappatura dei geni differenzialmente espressi nei pathway molecolari e valutazione della propagazione della perturbazione della trasduzione del segnale genico provocata dalla variazione di espressione genica

34 Pathway-Express : http://vortex.cs.wayne.edu/projects.htm

35 L’Impact Factor è formato da tre contributi:
Numero di geni differenzialmente espressi mappati in un pathway rispetto al numero di geni che formano il pathwaylivello di rappresentatività della lista dei geni DE nel pathway Fold-change dei geni differenzialmente espressi mappatientità della perturbazione del pathway provocata dai geni differenzialmente espressi Posizione dei geni differenzialmente espressi all’interno del pathwayun gene posizionato a monte (p.es. sulla membrana cellulare o su un nodo cui fa capo una sottorete) di una cascata di segnale è “più importante” di un gene posizionato a valle Per comprendere il fenomeno biochimico e di poter formulare queste ipotesi, consultiamo banche dati che sono state create allo scopo di organizzare le informazioni riguardanti queste reti di co-regolazione. La più importante è KEGG che ci consente di poter reperire informazioni su tutti I pathway nei quali sono coinvolti I geni ai quali siamo interessati. Cercare di interpretare un gene differenzialmente espresso alla volta così come consente di fare KEGG, però, significa annullare il grosso vantaggio di parallelizzazione insito nell’esperimento di microarray. Per questo motivo si utilizzano SW di navigazione delle banche dati sulla base della sottomissione della lista di geni DE. Di questo tipo è Pathway explorer, che ci consente di avere una visione a livello di pathway della variazione dell’epressione. Oppure viene sottomessa la lista di geni DE a Pathway Express, che oltre a piazzare I geni di cui ha informazioni nei pathway produce anche un impact factor del gene, che è un parametro che stabilisce l’importanza di quel gene nel pathway considerato a seconda del suo livello di espressione, della sua posizione nel pathway e della rete di dialogo che il gene instaura con gli altri (è una sorta di parametro di centralità). In maniera indiretta fornisce così un livello di importanza dello stesso pathway.

36 GeneOntology

37 Peter Karp (2000) Bioinformatics 16:269
Cos’è un’ontologia? An ontology is a specification of a conceptualization that is designed for reuse across multiple applications and implementations. …a specification of a conceptualization is a written, formal description of a set of concepts and relationships in a domain of interest. Peter Karp (2000) Bioinformatics 16:269 … un insieme di definizioni

38 Cos’è un’ontologia genica?
Ontologia genica: un vocabolario di definizioni, indipendente dall’organismo, da utilizzare per descrivere i geni attraverso i loro prodotti genici (proteine) “trasferimento” delle informazioni funzionali fra organismi differenti a parità di complessità del genoma “trasferimento” delle informazioni funzionali da organismi “meno complessi” ad organismi “più complessi” univocità nella descrizione delle caratteristiche di un gene

39 Gene Ontology http://www.geneontology.org/
Consorzio che si occupa della definizione delle ontologie geniche per la classificazione dei geni attraverso i loro prodotti genici

40

41 Che tipo di informazione è rilevante per descrivere un prodotto genico?
Che cosa codifica il gene? Dove e quando il prodotto agisce? In che cosa è coinvolto? Funzione molecolare Componente cellulare Processo biologico

42 Tre ontologie Funzione molecolare -> definizioni che riguardano la funzione biochimica di un prodotto genico - enzima, lega gli ioni calcio, lega i nucleotidi, etc Processo biologico -> definizioni che riguardano il processo di co-regolazione all’interno del quale il prodotto genico può essere inserito - metabolismo di una molecola, glicolisi, ciclo della cellula, apoptosi Componente cellulare -> definizioni che riguardano il “luogo” della cellula nel quale un determinato prodotto genico può agire - membrana cellulare, reticolo endoplasmatico

43 Componente cellulare Dove agisce un prodotto

44 Componente cellulare

45 Componente cellulare

46 Componente cellulare Enzyme complexes in the component ontology refer to places, not activities.

47 Funzione molecolare Attività o compito del prodotto genico
glucose-6-phosphate isomerase activity

48 insulin receptor activity
Funzione molecolare insulin binding insulin receptor activity 24th Feb Jane Lomax

49 Processo biologico -una serie di eventi a cui prende parte il prodotto
cell division

50 Processo biologico transcription

51 regulation of gluconeogenesis
Processo biologico regulation of gluconeogenesis

52 Processo biologico limb development

53 GO evidence codes I geni sono associati a categorie sulla base di evidenze di diverso tipo These GO phrases, or TERMS are linked to genes by expert curators at genome databses. will talk about in more detail later

54 Statistiche di GeneOntology

55 Com’è organizzata un’ontologia?
Ontologie Ogni ontologia è strutturata in un Grafo Aciclico Diretto (DAG) Ogni livello del grafo costituisce una categoria ontologica o GO term  A ciascun GO term è associata una definizione univoca Categorie ontologiche

56 Struttura di un’ontologia
I GO term sono legati per mezzo di due tipi di relazioni: is-a  part-of 

57 Struttura di un’ontologia
cell membrane chloroplast mitochondrial chloroplast membrane membrane is-a part-of

58 Struttura di un’ontologia
Ogni ontologia non è una lista di termini biologici, ma è strutturata in livelli gerarchici Two arrangements for DNA replication

59 Struttura di un’ontologia
Lo stesso gene può essere annotato in più di un GO term gene A

60 Struttura di un’ontologia
I geni possono essere raggruppati sulla base di livelli gerarchici e percorsi definiti dall’utente sono ammesse le parentele multiple cell membrane chloroplast mitochondrial chloroplast membrane membrane Directed Acyclic Graph (DAG) - multiple parentage allowed

61 Come funziona GeneOntology?
GO è organismo indipendente Alcuni termini, soprattutto quelli ai più bassi livelli di gerarchia e di dettaglio, possono essere specifici per certi organismi photosynthesis Quando però essi vengono collassati insieme ai livelli con più alto ordine gerarchico la dipendenza dall’organismo scompare

62 Anatomia di un GO term unique GO ID id: GO:0006094
name: gluconeogenesis namespace: process def: The formation of glucose from noncarbohydrate precursors, such as pyruvate, amino acids and glycerol. [http://cancerweb.ncl.ac.uk/omd/index.html] exact_synonym: glucose biosynthesis xref_analog: MetaCyc:GLUCONEO-PWY is_a: GO: is_a: GO: term name ontology definition Interrogazione in GO con synonym database ref parentage

63 GO tools GO mette a disposizione strumenti per fare ricerca ottimizzata nella banca dati Altri gruppi hanno creato strumenti con differenti propositi:

64 Analisi tradizionale Gene 1 Apoptosis Cell-cell signaling
Protein phosphorylation Mitosis Gene 2 Growth control Oncogenesis Gene 3 Growth control Mitosis Oncogenesis Protein phosphorylation Gene 4 Nervous system Pregnancy Gene 100 Positive ctrl. of cell prolif Glucose transport Typically, this is the way the analysis would have been done. Taking your differentially regualted genes, you’d analyse them one by one - researching the what is known about that gene, and what processes it is involved in.

65 Analisi tradizionale Ricerca gene by gene
Richiede di fare una ricerca in letteratura time-consuming So this gene by gene approach has the major disadvantage that you have to delve into the literature yourself, which is obviously very time consuming.

66 Se utilizziamo le annotazioni fornite da GO…
…il lavoro è già fatto! But by using GO annotations, this work has already been done for you - someone has already sat down and associated a particular gene with a particular process… GO: : apoptosis

67 Raggruppamento per processo
Mitosis Gene 2 Gene 5 Gene45 Gene 7 Gene 35 Glucose transport Gene 7 Gene 3 Gene 6 Apoptosis Gene 1 Gene 53 Positive ctrl. of cell prolif. Gene 7 Gene 3 Gene 12 Growth Gene 5 Gene 2 Gene 6 So you have the ability to group your differentially regulated genes by process… Come facciamo ad ottenerlo automaticamente e….

68 Over-representation analysis:
….Esiste un modo per associare una significatività statistica a questi raggruppamenti di geni? Over-representation analysis: - Esistono gruppi di geni differenzialmente espressi rappresentati in maniera “sproporzionata” in qualche GO term? - Questa rappresentatività “sproporzionata” è statisticamente significativa rispetto al totale dei geni che vengono annotati in quel GO term? Anche in questo caso I SW di navigazione delle informazioni ontologiche come OntoExpress, ci aiutano a mantenere la visione d’insieme prodotta attraverso l’esperimento. Purtroppo, le informazioni che in questo momento sono disponibili in maniera ordinata nelle banche dati non sono moltissime e ancora tanto si deve fare per l’unificazione delle ridondanze nei codici che identificano I geni. Per questo motivo si deve ricorrere comunque ad un’ispezione manuale della lista dei geni differenzialmente espressi non piazzati e reperire le informazioni che li riguardano

69 Quanto è probabile che gruppi di geni differenzialmente espressi vengano catalogati in un GO term “by chance”? mitosis – 80/100 apoptosis – 40/100 p. ctrl. cell prol. – 30/100 glucose transp. – 20/100 microarray 1000 genes 100 genes differentially regualted The better ones include an statistical measure of how likely your differentially regulated genes fall into that category by chance So why is that necessary So imagine you do a microarray with a 1000 genes, and you find that 100 are differentially regualted And these are the GO processes that those differentially regualted genes fall into - it looks like mitosis is overrepresented…. experiment

70 Se osserviamo il numero di geni distribuiti sull’array e appartenenti alle stesse categorie, possiamo calcolare la probabilità che ci interessa: Process Genes on array # genes expected in occurred random genes mitosis / apoptosis / p. ctrl. cell prol / glucose transp / you can see that 80% of them were involved in mitosis, so the number upregulated is what you’d expect by chance. The category positive regulation of cell proliferation actually contains more differentially regualted genes than you would expect by chance Need a statistical test e.g. Chi-squared to see if this overrepresentation or enrichment of a certain class is statistically significant. Onto-Express

71 GO term significativi nell’ontologia Molecular Function
Onto-Express: GO term significativi nell’ontologia Molecular Function

72 Onto-Express: http://vortex.cs.wayne.edu/projects.htm
Espansione delle ontologie e visualizzazione annidata dei GO term

73 OntoExpress: http://vortex.cs.wayne.edu/projects.htm
Cellular Component Biological Process Molecular Function Anche in questo caso I SW di navigazione delle informazioni ontologiche come OntoExpress, ci aiutano a mantenere la visione d’insieme prodotta attraverso l’esperimento. Purtroppo, le informazioni che in questo momento sono disponibili in maniera ordinata nelle banche dati non sono moltissime e ancora tanto si deve fare per l’unificazione delle ridondanze nei codici che identificano I geni. Per questo motivo si deve ricorrere comunque ad un’ispezione manuale della lista dei geni differenzialmente espressi non piazzati e reperire le informazioni che li riguardano

74 Interpretazione biologica di una lista di geni: data/text mining
Sfruttare le reti di interazioni (gene network) fra bio-entità costruite utilizzando dati di letteratura o info da banche dati eterogenee per comprendere quale sia l’effetto a livello molecolare del fenomeno biologico indagato - Co-occorrenza di bio-entità (geni, proteine, parole chiave, etc) in testi - Individuazione di connessioni fra bio-entità riportate in database di interazioni biologiche (pathway, interazioni fra proteine, interazioni chimiche o fisiche, co-espressione in esperimenti di espressione genica, etc.)

75 Text mining: Individuazione della co-occorrenza di parole in un testo
Ricorrenza in un testo di coppie di elementi bio-entità: coppie di nomi di geni coppia gene/parola chiave “X binds Y”, “X phosphorylates Y”, “X is involved in Y process”, “X is a marker for Y disease”, …

76 Text mining: Individuazione della co-occorrenza in un testo
Ricorrenza in un testo di coppie di elementi linguistici (bio-entità): coppie di nomi di geni coppia gene/parola chiave … ma come si fa? 1S) Individuazione nel testo di informazioni (contenute in titolo, testo e abstract) e metainformazioni (affiliazione, giornale, etc)data retrieving and selection 2S) Analisi grammaticale del testo per individuare i diversi tipi di parole: sostantivi, aggettivi, verbi e nomi propri parsing 3S) Conteggio del il numero di volte in cui ogni parola appare nei testiinformation extraction e indexing 4S) Assegnazione di un punteggio ad ogni testo sulla base della co-occorrenza delle parole cercate (X e Y ) quanto più è alta in un testo tanto più quel testo è attinente alla co-occorrenza considerata e attesta la relazione fra X e Yscoring 5S) Rappresentazione grafica della connessione tramite una rete

77 Text mining: Individuazione della co-occorrenza in un testo
Alcuni algoritmi sono capaci di: rilevare sulla base di un vocabolario il tipo di interconnessione fra le bio-entità considerate “X binds Y”, “X phosphorylates Y”, “X is involved in Y process”, “X is a marker for Y disease”, … dare un peso alla co-occorrenza a seconda della distanza che separa le bio-entità espressa in numero di parole rilevare connessioni indirette: X è connesso a Y, Y è connesso a Z X è connesso a Z ciò può influire sulla valutazione dell’attinenza del documento alla connessione fra le bio-entità

78 Cosa si può fare con il Data mining
Cosa si può fare con il Data mining? Costruire reti di “interazioni eterogenee” Banche dati utili: - MIPS: Munich Information center for Protein Interaction BIND: Biomolecular Interaction Network Databases HPRD: Human Protein Reference Database IntAct: InterAction Reactome STRING:Search Tool for the Retrieval of Interacting Genes/Proteins Letteratura Scientifica

79 Integrazione di informazioni eterogenee

80 Disease Ontology, GeneRIF e FunDO
Esistono gruppi di geni della mia lista che sono coinvolti in malattie? Disease Ontology, GeneRIF e FunDO

81 Disease Ontology - Definizioni univoche e standardizzate di malattie
- Integra MeSH di NCBI

82 Esempi da DO

83 Disease Ontology

84 GeneRIF Database

85 Software basato sul text-mining che associa geni da GeneRIF e malattie da Disease Ontology
MetaMapTransfer FunDO

86 FunDO – Functional Disease Ontology

87 FunDO – Functional Disease Ontology
314 geni differenzialmente espressi In quali malattie sono coinvolti?

88 GNCPro – Gene Network Central PRO

89 GNCPro – Gene Network Central PRO
Sottomissione di 4 geni GNCPro aggiunge 5 geni “vicini” a quelli sottomessi per fornire nuove vie di connessione fra i geni

90 COREMINE Motore di ricerca biomedico
Fornisce set di informazioni ordinate per attinenza con l’oggetto della query Consente di salvare le ricerche effettuate e di creare gruppi di discussione su temi di ricerca

91 COREMINE Input data da 13 differenti categorie
Database messi in relazione per creare l’output

92 COREMINE Altre sorgenti consultabili per arricchire l’output

93 COREMINE

94 …take-home message Ogni banca dati fornisce un “pezzo” di informazione
Ogni strumento di navigazione fornisce una peculiare “view” delle informazioni Non esiste UNA banca dati omnicomprensiva Non esiste UNO strumento capace di collezionare tutte le informazioni frazionate nelle banche dati L’uso di più strumenti consente di collezionare i diversi “pezzi” di informazione La costruzione del “puzzle” è compito di chi interpreta i dati

95 Esercitazione http://131.114.94.135/lezioni/ADO_tecnici
Cercare i seguenti GO term: Per ciascuno di essi: - fare l’anatomia dell’ontologia evidenziando i GO term sulla base degli “is-a” o “part-of” - indicare quanti sono i prodotti genici associati a ciascun GO term a seconda dei termini di cui sono “is-a” o “part-of” - scaricare e salvare la tree view e la graph view ed indicare chi sono i GO term “padri” dei GO term considerati - indicare quali GO term dell’albero visualizzato sono “is-a” o “part-of”


Scaricare ppt "Banche dati e software per l’identificazione di interazioni fra geni"

Presentazioni simili


Annunci Google