AREM

AREM är en baserad på MACS (Modellbaserad analys för Chip-Seq data).
Hög kapacitet sekvensering kopplad till kromatin immun nederbörd (Chip-Seq) används ofta i att karakterisera genomet hela bindningsmönster transkriptionsfaktorer, kofaktorer, kromatin modifierings och andra DNA-bindande proteiner. Ett viktigt steg i Chip-Seq dataanalys är att kartlägga kort läser från hög genomströmning sekvensering till en referens genomet och identifiera topp regioner berikade med kort läser.
Fastän flera metoder har föreslagits för ChIP-Seq analys, de flesta befint- liga metoder endast överväga läser som unikt kan placeras i referens genomet, och därför ha låg effekt för detektering toppar lo- lats inom upprepade sekvenser. Här presenterar vi en sannolikhets ansats för Chip-Seq dataanalys som utnyttjar alla läser, vilket ger en verkligt genomet bred syn på bindande mönster.
Läser modelleras med hjälp av en blandning modell som motsvarar K anrikade regioner och en null genomisk bakgrund. Vi använder maximal sannolikhet för att uppskatta placeringen av anrikade regionerna, och genomföra en förväntan-maximering (EM) al- gorithm, kallad AREM, att uppdatera inriktningssannolikheterna för varje läsa olika iska platser.
För ytterligare information, se vår papper i RECOMB 2011 eller besök vår hemsida: http://cbcl.ics.uci.edu/AREM
AREM är baserad på den populära MACS topp ringer, som beskrivs nedan:
Med förbättrad sekvenseringstekniker, kromatin immunoprecipitation följt av hög genomströmning sekvensering (chip-Seq) blir populärt att studera genomet hela protein-DNA-interaktioner. För att åtgärda bristen på kraftfulla Chip-Seq analysmetod, presenterar vi en ny algoritm, som heter Modellbaserad analys av Chip-Seq (Mac), för att identifiera avskrift faktor bindningsställen.
MACS fångar påverkan av genomet komplexitet för att utvärdera betydelsen av berikade CHIP regioner och MACS förbättrar rumsliga upplösningen av bindningsställen genom att kombinera information av både sekvense tag position och orientering. . MACS kan lätt användas för spån-Seq uppgifter ensam eller med kontrollprov med ökningen av specificitet

Krav :

• Python