AREM

Arem е базиран на MACS (модел, базиран анализ за чип Послед данни).
Висока пропускателна секвениране свързан с хроматин имуно утаяване (чип Seq) е широко използван в характеризиращи целия геном свързващи модели на транскрипционни фактори, кофактори, хроматин модификатори и други ДНК свързващ протеини. Една от основните стъпки в чип Послед анализ на данните е да картографира кратко чете от висока пропускателна секвениране на референтен геном и какви пикови райони, обогатени с къса чете.
Въпреки че няколко метода са били предложени за чип Послед анализ, повечето предишни методи за някои съществуващи само смятат, гласи, че може да бъде еднозначно поставя в референтната геном, и поради това имат ниска мощност за откриване върхове LO-къса отсечка в рамките на повторни последователности. Тук ние се въведе вероятностен подход за чип Послед анализ на данни, която използва всички гласи, предлагайки една наистина целия геном оглед на обвързващи модели.
Прочитания са моделирани с помощта на смес модел съответно до К уголемени региони и нулев геномна фон. Ние използваме максимално вероятността да изчислите местоположението на обогатени региони, и да приложи очакване-максимизиране (EM) Ал gorithm, наречена Arem, да се актуализира на изравняване на вероятностите за всяка четат на различни геномни места.
За допълнителна информация, вижте нашата хартия в RECOMB 2011 или посетете нашия сайт: http://cbcl.ics.uci.edu/AREM
Arem е базиран на популярния MACS пик повикващия, както е описано по-долу:
С подобряването на секвениране техники, хроматин имунопреципитационен последвано от висока пропускателна секвениране (чип Послед) става все по-популярно да учат генома-широк протеин-ДНК взаимодействия. За да се справи с липсата на ефективен метод на анализ чип Послед, ние представяме един роман алгоритъм, наречен Model-базирани Анализ на чип Послед (MACS), за идентифициране фактор препис свързващи места.
MACS улавя влиянието на генома комплексност, за да се оцени значимостта на обогатени чип региони и MACS подобрява пространствената разделителна способност на сайтове за свързване чрез комбиниране на информацията и на двете позиции секвениране маркер и ориентация. . MACS може лесно да се използва за чип-Seq данни самостоятелно или с контролна проба с увеличаването на специфичност

<> силни Изисквания :

• Python