Diese Arbeit wurde unterstützt von NIH gewährt, einschließlich DP1HD087990 von NICHD, R01HG008135 von NHGRI. Wir danken Mitglieder des Zhong Lab für wertvolles Feedback.
Autor Beiträge: X.C. und A.T.Z. aktualisiert GeNemo durch Codierung neue Benutzeroberfläche und Funktionen; A.T.Z. produziert die hauseigene Beispielvideo; A.T.Z., X.C und S.Z. schrieb die Zeitung.

Hinweis: das Protokoll kann überall angehalten werden.
 1. Grundeinstellung <ol><li>erhalten ein Bett, Spitzen-Format oder BigWig 7 Datei mit den Daten in Genom eingegeben werden. Die Datei sollte der Erweiterungsname haben &#34; Bett &#34;, &#34; Broadpeaks &#34; &#34; Narrowpeaks &#34;, oder &#34; BigWig &#34; bzw.. 
	&#8203; Hinweis: gezippte Versionen dieser Art von Dateien kann auch verwendet werden.</li>
	<li>Verwenden Sie einen Internet-Browser zu genemo.org gehen. Jedes Betriebssystem lauffähig am häufigsten verwendeten Internet-Browser sollte in der Lage, GeNemo zu verwenden.
	<ol><li>Wählen, welche Art, gegen die Verwendung von des Dropdown-Menüs zu suchen. Derzeit verfügbare Arten gehören menschliche und Maus-.</li>
		<li>Upload Benutzerdatei mit einer Url oder einen direkten Upload. BigWig Dateien nur Arbeit mit der Url Upload-Methode. Bett und Gipfeln format Dateien arbeiten mit beiden Methoden (wackeln Dateien können nicht als die wichtigsten Daten ab sofort hochgeladen werden).</li>
	</ol></li></ol> 2. Optionales Setup <ol><li>bieten eine e-Mail-Adresse in das entsprechende Feld, um die Suchergebnisse per e-Mail zu erhalten, wenn die Suche abgeschlossen ist. 
	&#8203; Hinweis: Wenn Sie einen großen Teil des Genoms und/oder gegen eine große Anzahl von Tracks (siehe unten) zu suchen, es wird empfohlen, dass der Benutzer seine/ihre e-Mail gibt, da die Suche sehr lange dauern kann. Eine 100 Megabase Suche dauert beispielsweise ca. 15 s. Ein Link zu den Suchergebnissen wird gesendet an die e-Mail-Adresse zur Verfügung gestellt, wenn die Suche abgeschlossen ist. Der Link ist gültig innerhalb von 7 Tagen nach der Beendigung einer Suche.</li>
	<li>Bieten eine Bigwig Datei oder die Wiggle-Display-Datei möglicherweise von einer Url. Diese Display-Datei wird keinen Einfluss auf die Ergebnisse; Es wird nur neben den Ergebnissen angezeigt werden.</li>
	<li>Geben Sie einen Suchbereich (auch das Chromosom und Basenpaare) in das entsprechende Feld ein.
	<ol><li>Liste das Chromosom, Basenpaare beginnen und enden Basenpaar.</li>
		<li>Verwendung &#39; ChrN &#39; für das Chromosom-Format, wo &#39; N &#39; ist der Chromosom Nummer/Brief (1, 2, &#8230; X oder Y). Für die Basenpaare, geben Sie einfach die Zahlen.</li>
		<li>Leerzeichen zwischen allen drei Einträge oder einen Doppelpunkt (:)) zwischen Chromosomenzahl und das erste Base-paar und/oder einen Bindestrich zwischen die zwei Basenpaare enthalten. Zum Beispiel: Chr1:1000000-2000000, chr1 1000000 2000000, chr1 1000000 2000000, Chr1:1000000 2000000. 
		Hinweis: Die Schritte 2.1-2.3 sind optional.</li>
	</ol></li></ol> <img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/56136/56136fig1.jpg" /> Abbildung 1 : GeNemo &#39; s Titelseite mit den notwendigen Bereichen ausgefüllt. Ein Benutzer muss Eingabe der Arten, Suchdatei und Suchbereich, und wählen Spuren, die, denen er/Sie gegen suchen will. E-Mail-Adresse und Anzeigen der Datei sind optional. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig1large.jpg" target="_blank"> Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
 3. Datenselektion <img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/56136/56136fig2.jpg" /> Abbildung 2 : Track-Auswahl-Fenster. Diese ist erzogen, indem Sie auf die &#34; DATENSELEKTION &#34; Schaltfläche auf der Titelseite. Hier wählen Sie Benutzer Spuren die Eingabedatei gegen suchen. Einige der Titel sind bereits ausgewählt durch Standard. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig2large.jpg" target="_blank"> Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
<ol><li>Nach einem Klick auf die Schaltfläche Daten Auswahl, wählen, welche Arten von Spuren, gegen (d. h. zu der Abfrage hinzufügen) zu suchen. Die Sammlung umfasst viele verschiedene Datensätze aus Labors auf der ganzen Welt.
	<ol><li>Wie die Liste der Titel ziemlich lang ist, sollten Benutzer auf die Schaltfläche "Filter" (an der Oberseite) verwenden, um die Track-Auswahl zu erleichtern. Spuren können gefiltert werden, durch Experiment, Gewebe, Zell-Linie und/oder Lab</li>
		<li>Gibt es fünf Tasten auf der Unterseite zu helfen Titelauswahl ausführen: alles auswählen, wählen Sie keine, Add, Filter, Exclude.</li>
		<li>Wählen Sie alle &#34; und &#34; wählen Sie keine &#34; sind selbsterklärend.</li>
		<li>Die &#34; Add &#34; Schaltfläche fügt derzeit ausgewählten Titel auf die Abfrage. Es dient als Logikgatters &#34; oder &#34;. Beachten Sie, dass die Auswahl der Filter oben (z. B. bestimmte Experimente, Taschentücher, Zell-Linien oder Labs) nicht automatisch entsprechende Spuren der Suchanfrage hinzufügt. Benutzer müssen zuerst wählen Sie Tracks (z.B. Gehirn, Leber unter Gewebe) und klicken Sie dann auf die &#34; Add &#34; Taste, um sie zur Abfrage hinzufügen. Wenn Sie Titel auswählen, beachten Sie, dass nur der angegebenen in der geöffneten Registerkarte "im Fenster" Filter "Filter für die Suchanfrage angewendet werden. Auswahl auf anderen Registerkarten im Filter-Fenster gespeichert, aber nicht auf die Suchanfrage angewendet.</li>
		<li>Die &#34; Filter &#34; Taste behält nur die Arten von Spuren, die derzeit im Filter-Fenster in der Abfrage ausgewählt und alle anderen Arten von Spuren entfernt. Es dient als Logikgatters &#34; und &#34;. Im wesentlichen &#34; Filter &#34; ermöglicht die Auswahl der Interaktion zwischen zwei Kategorien von Spuren (z. B. bestimmte Gewebe mit bestimmten Labs). Beachten Sie, dass &#34; Filter &#34; fügt Sie die ausgewählten Arten von Spuren nicht auf die Abfrage, wenn sie nicht bereits in der Abfrage sind.</li>
		<li>Die &#34; ausschließen &#34; Knopf entfernt alle Arten von Spuren, die derzeit im Filter-Fenster aus der Abfrage ausgewählt werden. Es dient als Logikgatters &#34; nicht &#34;, im Gegensatz zu den &#34; Filter &#34; Funktion. Wieder, &#34; ausschließen &#34; fügt keine Spuren, die derzeit nicht im Filter-Fenster auf die Abfrage ausgewählt.</li>
	</ol></li></ol> <img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/56136/56136fig3.jpg" /> Abbildung 3 : Fenster "Filter" . Diese ist erzogen, indem Sie auf die &#34; FILTER &#34;-Taste auf die Track-Auswahl-Fenster. Hier können Benutzer auswählen, viele Spuren gleichzeitig mit relativer Leichtigkeit. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig3large.jpg" target="_blank"> Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
 <img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/56136/56136fig4.jpg" /> Abbildung 4 : Gewusst wie: verwenden Sie die Filter-Funktion. <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig4large.jpg" target="_blank"> Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
<ol start="2"> <li>nach der Abfrage der gewünschten Tracks hinzufügen, klicken Sie auf das &#34; Update &#34;-Taste auf der rechten unteren Ecke. Dies ist notwendig, um Platz für zwei Möglichkeiten, Daten auszuwählen: Auswahl von einzelnen Daten-Tracks oder Filterung /. Die &#34; Ansicht zurücksetzen &#34; Schaltfläche setzt die Abfrage, die im Zusammenhang mit Ausdruck Genregulation in embryonale Stammzellen Mensch/Maus Standardspuren. 
	Hinweis: Auswahl der Tracks gegen über gesucht werden &#34; Datenselektion &#34; ist optional, aber empfohlen werdenUrsache suchen Standardspuren wahrscheinlich nicht geeignet für den Benutzer sind &#39; Notwendigkeiten.</li>
</ol> 4. Suche und Ergebnisse <ol><li>Klicken Sie auf die &#34; Suche &#34; Taste, nachdem die Datenauswahl. Die Suche kann einige Zeit dauern.</li>
	<li>, Sobald die Suche abgeschlossen ist, wird Benutzern verschiedene Boxen auf der Ergebnisseite angezeigt. Jede Box stellt einen Abschnitt des Genoms dar, wo ein Benutzer &#39; s-Daten-Datei hat eine eng abgestimmte Muster mit einem oder mehreren Tracks der Benutzer abgefragt hat.
	<ol><li>Gibt es keine Boxen sichtbar, versuchen Sie suchen weitere Arten von Spuren oder machen den Suchbereich mit der gleichen input-Datei größer. Eine einfache Möglichkeit, dies zu tun, ohne nochmal alles ist Klick auf den &#34; &#9776; &#34; Schaltfläche neben dem Logo. Dadurch öffnet sich eine Sidebar, die dem Benutzer ermöglicht, die Suche ändern.</li>
		<li>Die Ergebnisse können als Bett-Datei exportiert werden, indem Sie auf das &#34; Bett Datei herunterladen &#34; Taste auf der Unterseite der Seite.</li>
	</ol></li> <li>Visualisieren klicken Sie oben rechts auf jeder Box, die Ergebnisse zu visualisieren.
	<ol><li>In der Visualisierung Panel auf der rechten, mehrere Dinge werden angezeigt, einschließlich der Daten, die die Benutzer Eingabedatei, die Display-Datei, ob ein passender Titel, eingegeben wurde, enthält und einige Standard verfolgt. Aus den Ergebnissen kann der Benutzer bekannten ENCODE Datasets gegen das mitgelieferte Dataset zur weiteren Untersuchung vergleichen. Der Benutzer steht für UCSC Gene um den Kontext der Ergebnisse der Abfrage anzuzeigen. Wenn Tracks aus mehreren Zeilen/Zellgewebe ausgewählt sind, kann der Benutzer solche Ergebnisse Einblicke über die Gewebespezifität der Ähnlichkeiten zwischen bestimmten Dataset und ENCODE Datasets verwenden.</li>
		<li>Auf der Ergebnisseite kann Benutzer auf alle Spuren flussaufwärts oder flussabwärts ziehen des Genoms; wenn der Maus-Cursor auf die Koordinaten der Nutzer kann das Mausrad verwenden und/oder vergrößern und verkleinern.</li>
	</ol></li></ol> <img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/56136/56136fig5.jpg" /> Abbildung 5 : Ergebnis-Seite. Diese bestimmte Suche ergab 363 passende Regionen. Anzeige der ersten passenden Region kann getan werden, indem Sie auf die &#34; SHOW &#34; Taste am linken unteren Rand jedes resultierende Region-Feld. Auf der linken Seite des Anzeigefensters ist ersichtlich, dass die zwei Dateien (Eingabe- und ausgewählten Track) in Signal Stärke Muster. ähneln <a href="//ecsource.jove.com/files/ftp_upload/56136/56136fig5large.jpg" target="_blank"> Klicken Sie bitte hier, um eine größere Version dieser Figur zu betrachten.</a>

<ol>
	<li>The ENCODE Project Consortium. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+integrated+encyclopedia+of+DNA+elements+in+the+human+genome.">An integrated encyclopedia of DNA elements in the human genome.</a> Nature. 489, 57-74 (2012).</li><li>Barski, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High-Resolution+Profiling+of+Histone+Methylations+in+the+Human+Genome.">High-Resolution Profiling of Histone Methylations in the Human Genome.</a> Cell. 129 (4), 823-837 (2007).</li><li>Meaney, M. J., Ferguson-Smith, A. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Epigenetic+regulation+of+the+neural+transcriptome:+the+meaning+of+the+marks.">Epigenetic regulation of the neural transcriptome: the meaning of the marks.</a> Nature Neuroscience. 13, 1313-1318 (2010).</li><li>Roh, T. -. Y., Cuddapah, S., Cui, K., Zhao, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+genomic+landscape+of+histone+modifications+in+human+T+cells.">The genomic landscape of histone modifications in human T cells.</a> PNAS. 103 (43), 15782-15787 (2006).</li><li>Zhang, Y., Cao, X., Zhong, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GeNemo:+a+search+engine+for+web-based+functional+genomic+data.">GeNemo: a search engine for web-based functional genomic data.</a> Nucleic Acids Res. 44, W122-W127 (2016).</li><li>Fujita, P. A., Rhead, B., Zweig, A. S., Hinrichs, A. S., Karolchik, D., Cline, M. S., Goldman, M., Barber, G. P., Clawson, H., Coelho, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+UCSC+Genome+Browser+database:+update+2011.">The UCSC Genome Browser database: update 2011.</a> Nucleic Acids Res. 39, 876-882 (2011).</li><li>Neph, S., Vierstra, J., Stergachis, A. B., Reynolds, A. P., Haugen, E., Vernot, B., Thurman, R. E., John, S., Sandstrom, R., Johnson, A. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+expansive+human+regulatory+lexicon+encoded+in+transcription+factor+footprints.">An expansive human regulatory lexicon encoded in transcription factor footprints.</a> Nature. 489, 83-90 (2012).</li><li>Sarda, S., Hannenhalli, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Next-generation+sequencing+and+epigenomics+research:+a+hammer+in+search+of+nails.">Next-generation sequencing and epigenomics research: a hammer in search of nails.</a> Genomics Inform. 12 (1), 2-11 (2014).</li><li>Storre, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Silencing+of+the+Meiotic+Genes+SMC1&#946;+and+STAG3+in+Somatic+Cells+by+E2F6.">Silencing of the Meiotic Genes SMC1&#946; and STAG3 in Somatic Cells by E2F6.</a> J Biol Chem. 280, 41380-41386 (2005).</li><li>Liu, B., Shats, I., Angus, S. P., Gatza, M. L., Nevins, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Interaction+of+E2F7+Transcription+Factor+with+E2F1+and+C-terminal-binding+Protein+(CtBP)+Provides+a+Mechanism+for+E2F7-dependent+Transcription+Repression.">Interaction of E2F7 Transcription Factor with E2F1 and C-terminal-binding Protein (CtBP) Provides a Mechanism for E2F7-dependent Transcription Repression.</a> J Biol Chem. 288, 24581-24589 (2013).</li></ol>

Die Autoren haben keine finanziellen Interessenkonflikte offenlegen.

Ein gründliches Verständnis der das Epigenom ist erforderlich, um das volle Potenzial der Sequenzierung des menschlichen Genoms bei der Bereitstellung von neuen biologischen Erkenntnisse8zu erreichen. Derzeit gibt es nur Möglichkeiten, Online-epigenomischen-Datasets durch ihre Datenbeschreibung und Titel (z.B. Metadaten)1zu suchen. Dies schränkt die Art der Suche, was man mit epigenomischen Daten machen kann. Pattern-basierte such-Tools für epigenomischen Daten sind unerlässlich für Ausflüge in die Beziehung zwischen verschiedenen epigenomischen Marken, was zu neuen biologischen Erkenntnissen führen kann. GeNemo, die durch den Inhalt der Daten und keine Metadaten sucht, ist der erste seiner Art, Muster in epigenomischen Daten aus veröffentlichten Depots wie z. B. das ENCODE-Datenbank mit User generated zu vergleichen oder Dataset5heruntergeladen. Dies markiert den Beginn der Verfügbarkeit von einer epigenomischen-Suchwerkzeug, die ist leicht zugänglich für Forscher auf der ganzen Welt nur als Text-basierte Sequenz-such-Tool weit verbreitet in den 1990er Jahren wurde. Derzeit gibt es keine Alternativen für Pattern-basierte Online-such-Tools für epigenomischen Daten als GeNemo.
Ein Beispiel der Verwendung von GeNemo ist die Co erscheinenden Histon-Modifikationen und andere epigenetischen Markierungen mit dem transcriptional Faktor E2F6 in humanen embryonalen Stammzellen suchen (eine E2F6 Bindung Signal Beispieldatei ist erhältlich beim ENCODE Datenportal oder im https://sysbio.ucsd.edu/Public/xcao3/ENCODESample/ENCFF001UBC.Bed). Mithilfe dieser Datei als Abfrage gegen alle ENCODE-Datasets in H1-hESC suchen wird GeNemo zeigen, dass E2F6 Bindung Signal stark mit H3K4me1, H3K4me2, H3K4me3 und H3K27me3, die mit vorhandenen Forschung zeigt angereichert ist, dass E2F6 einige Gene über reguliert stimmt Methylierung von H3K279. Auf der anderen Seite, scheint es NS1 von E2F6 und CtBP2 verbindliche Aufstellungsorte, die bekannt ist für die Interaktion mit einem Faktor in der gleichen Familie, E2F710. Diese Ergebnisse für das gesamte Genom gegen eine große Anzahl von epigenetischen Markierungen, transcriptional Faktor Bindung Signale und andere Signale im ENCODE enthalten relativ leicht mit GeNemo, erhalten Sie die alle möglichen Ziele zur weiteren Analyse zur Verfügung stellen können.
Seit der ersten Veröffentlichung5 der GeNemo als eine Web-basierte epigenomischen-Daten-such-Tool wurde der Ergebnisteil der GeNemo aktualisiert, um einen passenden Auftritt mit GeNemos ersten Seite haben. Die alten Ergebnisteil eng der UCSC Genom Browser Ergebnisteil gespiegelt, und war weitgehend abhängig von der UCSC-Remoteserver für die Anzeige. Mit der neuen Schnittstelle ist GeNemo benutzerfreundlicher und nicht mehr abhängig von der UCSC-Genom-Server (obwohl Daten noch aus der Ferne abgerufen werden). Dies macht GeNemo robuster und weniger anfällig für Probleme aufgrund von Änderungen am Code auf dem Server der UCSC. Darüber hinaus gibt die neuen, schnelleren Polymer-Schnittstelle des GeNemo dem Benutzer mehr Werkzeuge zu visualisieren und zu analysieren, Muster in den Daten.
Wichtige Schritte umfassen Bereitstellung der entsprechenden input-Datei und wählen Sie Daten-Tracks zu durchsuchen. Benutzer werden ermutigt zum Experimentieren mit verschiedenen Track Auswahlfunktionen das Auswahlverfahren und wie verschiedene Befehle kennen können kombiniert werden, um das gewünschte Ergebnis zu erzielen. Beachten Sie insbesondere, dass die Funktion "Add" erforderlich ist, fügen Sie die gewünschten Tracks ausgewählt, um die Abfrage während "Filter" oder "Ausschließen" als Logik-Gate-Befehle verwendet werden können "Und" und "Bzw.". Die Funktion "Aktualisieren" ist erforderlich, um die Auswahl zu beeinflussen, vor der Implementierung der Suchergebnis. Wenn keine Ergebnisse zurückgegeben werden, kann ein Benutzer überprüfen Sie die eingegebenen Daten-Datei, suchen mehr Spuren oder erhöhen den Suchbereich ein. Wenn ein Fehler vorliegt, wird ein Fenster definieren, was genau der Fehler auftauchen. Allerdings gibt es einige mehrdeutige Fehler. Beispielsweise wenn das Fenster sagt, dass "keine Datei hochgeladen wurde", entweder keine Datei hochgeladen wurde, oder die hochgeladene Datei wurde nicht von einem akzeptablen Format und, folglich, das Programm konnte nicht richtig gelesen. Akzeptable Dateiformate für Datei-Upload sind Bett und Gipfeln Formatdatei für beide Uploadmethoden und BigWig für Online-Link Upload nur. Die gezippten Versionen dieser Datei-Formate sind ebenfalls zulässig.
Aktuelle Einschränkungen dieses Ansatzes umfassen noch optimierte Algorithmen und Funktionen in GeNemo beschäftigt. GeNemo kann nicht noch Anleitungen zur Auslegung der Datensätze zurückgegeben. Diese Aufgabe obliegt den Nutzern, erfordert erhebliche Kenntnisse und Erfahrungen in der Biologie des Genoms und Epigenom. Darüber hinaus ist ein weiteres Strombegrenzung, dass Benutzer nicht die Empfindlichkeit und Rauschen Ebene der Suchanfragen ändern können. Wir erwarten weiterhin zu verbessern und erweitern seine Muster Suche Fähigkeiten und Dataset-Sammlung in Zukunft GeNemo.

Jüngsten technologischen Fortschritte haben erlaubt, für einen raschen Ausbau der epigenomischen oder funktionelle Genomdaten Depots, die die Entwicklung der relevanten Analysetools, biologische Erkenntnisse zu extrahieren überholt haben. Eine wichtige Methode zur Analyse epigenomischen Daten soll Suchdaten User generated gegen Daten-Depots und insbesondere aus der Enzyklopädie von DNA-Elemente (ENCODE)1 Projekte für übereinstimmende Muster, die zu neuen Erkenntnissen führen könnten. Zum Beispiel kann Ähnlichkeiten in den Mustern der beiden unterschiedlichen epigenomischen Markierungen an definierten Loci über das Genom identifizieren koordiniertes Handeln von verschiedenen molekularen Spielern auf Chromatin Konformation und transcriptional Regelung2 hinweisen ,3,4.
Herkömmlichen Text-basierte Suchmaschinen sind in dieser Hinsicht unwirksam, weil im Gegensatz zu DNA-Sequenz, epigenomischen Daten überwiegend im Format der Intensitäten oder funktionalen genomische Regionen vorhanden. GeNemo, stehend für Gene Nemo (wie findet Nemo), wurde entwickelt, um dieses ungedeckten Bedarfs mit Muster-basierte Suche5. Der Algorithmus nutzt eine Markov Chain Monte Carlo Maximierung Prozess5. Nutzer nehmen ihre eigenen Daten oder ein Dataset heruntergeladen von Depots und Suche eine Reihe von Online-epigenomischen Daten Ähnlichkeiten im Muster zu identifizieren.
Die aktuelle Version des GeNemo hat eine aktualisierte Display, Schnittstellen mit der University of California, Santa Cruz (UCSC) Genom Browser6, robuster und weniger anfällig für Probleme, verursacht durch Veränderungen in der zweiten. Insbesondere während GeNemos Ergebnisseite verwendet, um auf der Browseroberfläche UCSC Genom beruhen, die aktuelle Version des GeNemo unterstützt eine eigene Ergebnisseite und folglich wird nicht mehr beeinträchtigt durch strukturelle Veränderungen an den UCSC-Genom-Browser. GeNemo können alle genomischen Signal, einschließlich Proteinbindung Histon-Modifikation, Chromatin Zugänglichkeit, topologische Domänen und So weiter, als eine Abfrage zum Suchen von colocalized/ähnliche Segmente unter bekannten Datensätze aus großen Konsortien. Daher ist es ein wichtiges Instrument, um die Beziehung zwischen verschiedenen epigenomischen relevante Daten und bekannten im genomischen Großprojekten gewonnenen Daten zu studieren.

<table border="0" cellpadding="0" cellspacing="0" style="border-collapse:
 collapse;width:515pt" width="687">
	<tbody>
		<tr height="21" style="height:15.75pt">
			<td class="xl66" height="21" style="height:15.75pt;width:162pt" width="216">GENEMO</td>
			<td class="xl67" style="width:139pt" width="185">https://www.genemo.org</td>
			<td class="xl66" style="width:89pt" width="119"></td>
			<td class="xl65" style="width:125pt" width="167">Comparative Epigenome Browser</td>
		</tr>
	</tbody>
</table>

pattern-based search of epigenomic data using genemo

Im Vergleich mit den robusten textbasierte Suche Tools für genomische oder RNA Sequenzierung Daten, aktuelle Methoden für die Pattern-basierte Suche von epigenomischen und anderen funktionalen genomischen Daten sind sehr begrenzt. GeNemo ist das erste Online-such-Tool, das dieses Ziel erreicht. Benutzer geben ihre funktionale genomischen Daten im Browser erweiterbare Daten (Bett), Gipfeln und BigWig Formate und können Daten in einem der drei Formate suchen. Benutzer können angeben welche Datensätze zu durchsuchen, Auswahl aus einer Vielzahl von Online-Datasets mit der Enzyklopädie des DNA-Elemente (ENCODE) Vertreter der verschiedenen epigenomischen Marken, transcriptional Faktor Bindungsstellen und chromatin Überempfindlichkeiten oder Erreichbarkeiten in bestimmten Zelltypen und Entwicklungsstadien oder Tierarten (Maus oder Mensch). GeNemo gibt eine Liste der genomischen Regionen mit passenden Muster zu den Eingabedaten, die möglicherweise werden im Browser angezeigt als auch im Bett-Format heruntergeladen. Die aktualisierten GeNemo grafische Darstellung verbessert hat, hat mehr robuste Oberfläche und ist nicht mehr anfällig für Fehler aufgrund von Änderungen in der University of California, Santa Cruz (UCSC) Genom Browser. Schritte zur Problembehandlung für häufig auftretende Probleme werden diskutiert. Wie funktionelle Genomik Datenmenge exponentiell wächst, gibt es eine kritische Notwendigkeit zu entwickeln und zu verfeinern, neue bioinformatische Werkzeuge wie GeNemo für Datenanalyse und Interpretation.

Hier in Abbildung 5 dargestellt ist eine simulierte Suche. Die menschliche Spezies wurde ausgewählt, und die entsprechende Beispieldatei diente als der input-Daten-Datei. Darüber hinaus wurden die Standardspuren, wie in Abbildung 3dargestellt. Gab es insgesamt 363 passende Regionen, und die erste Region zeigt sich in der Display-Seite. Es ist ersichtlich, dass die Intensität Muster aus 17036000, 17038000 auf Chromosom 1 die Eingabedatei und eines der ausgewählten Lieder sehr ähnlich ist.

Watch this Scientific Journal Video about Pattern-based Search of Epigenomic Data Using GeNemo at JoVE.com

Pattern-based Search of Epigenomic Data Using GeNemo

Im Gegensatz zu DNA Reihenfolge Daten epigenomischen Daten nicht ohne weiteres Text-basierte Suche unterliegen. Hier sind die Verfahren, die eine verbesserte Version des GeNemo, eine Web-basierte Bioinformatik-Tool verwenden, um Muster-basierte Suche nach Gemeinsamkeiten im Vergleich zur Verfügung Online-Datenbanken, einschließlich der Enzyklopädie der DNA-Elemente mit epigenomischen-Daten durchzuführen Daten des Benutzers.

Pattern-basierte Suche nach epigenomischen Daten mit GeNemo

Compared with the robust text-based search tools for genomic or RNA sequencing data, current methodologies for pattern-based searches of epigenomic and ...

pattern-based-search-of-epigenomic-data-using-genemo

Universidad de Cartagena UDEC

Research

JoVE Journal

Bioengineering

5.0K Aufrufe.  University of California San Diego. Im Gegensatz zu DNA Reihenfolge Daten epigenomischen Daten nicht ohne weiteres Text-basierte Suche unterliegen. Hier sind die Verfahren, die eine verbesserte Version des GeNemo, eine Web-basierte Bioinformatik-Tool verwenden, um Muster-basierte Suche nach Gemeinsamkeiten im Vergleich zur Verfügung Online-Datenbanken, einschließlich der Enzyklopädie der DNA-Elemente mit epigenomischen-Daten durchzuführen Daten des Benutzers.

Serie: Pattern-based Search of Epigenomic Data Using GeNemo

Fabrication of Micro-tissues using Modules of Collagen Gel Containing Cells

This protocol describes the fabrication of a type of micro-tissues called modules.  The module approach generates uniform, scalable and vascularized tissues.  The modules can be made of collagen as well as other gelable or crosslinkable materials.  They are approximately 2 mm in length and 0.7 mm in diameter upon fabrication but shrink in size with embedded cells or when the modules are coated with endothelial cells.  The modules individually are small enough that the embedded cells are within the diffusion limit of oxygen and other nutrients but modules can be packed together to form larger tissues that are perfusable.  These tissues are modular in construction because different cell types can be embedded in or coated on the modules before they are packed together to form complex tissues.  There are three main steps to making the modules: (1) neutralizing the collagen and embedding cells in it, (2) gelling the collagen in the tube and cutting the modules and (3) coating the modules with endothelial cells.

Creation of micro-tissues using cylindrical collagen gels, called modules, that contain embedded cells and which surface is coated with endothelial cells.

Herstellung von Micro-Gewebe mit Modulen von Collagen Gel enthaltenden Zellen

This protocol describes the fabrication of a type of micro-tissues called modules.  The module approach generates uniform, scalable and vascularized ...

Forschung

Biotechnik

Induction of Adhesion-dependent Signals Using Low-intensity Ultrasound

In multicellular organisms, cell behavior is dictated by interactions with the extracellular matrix. Consequences of matrix-engagement range from regulation of cell migration and proliferation, to secretion and even differentiation. The signals underlying each of these complex processes arise from the molecular interactions of extracellular matrix receptors on the surface of the cell. Integrins are the prototypic receptors and provide a mechanical link between extracellular matrix and the cytoskeleton, as well as initiating some of the adhesion-dependent signaling cascades. However, it is becoming increasingly apparent that additional transmembrane receptors function alongside the integrins to regulate both the integrin itself and signals downstream. The most elegant of these examples is the transmembrane proteoglycan, syndecan-4, which cooperates with &alpha;5&beta;1-integrin during adhesion to fibronectin. In vivo models demonstrate the importance of syndecan-4 signaling, as syndecan-4-knockout mice exhibit healing retardation due to inefficient fibroblast migration1,2. In wild-type animals, migration of fibroblasts toward a wound is triggered by the appearance of fibronectin that leaks from damaged capillaries and is deposited by macrophages in injured tissue. Therefore there is great interest in discovering strategies that enhance fibronectin-dependent signaling and could accelerate repair processes.
The integrin-mediated and syndecan-4-mediated components of fibronectin-dependent signaling can be separated by stimulating cells with recombinant fibronectin fragments. Although integrin engagement is essential for cell adhesion, certain fibronectin-dependent signals are regulated by syndecan-4. Syndecan-4 activates the Rac1 protrusive signal3, causes integrin redistribution1, triggers recruitment of cytoskeletal molecules, such as vinculin, to focal adhesions4, and thereby induces directional migration3. We have looked for alternative strategies for activating such signals and found that low-intensity pulsed ultrasound (LIPUS) can mimic the effects of syndecan-4 engagement5. In this protocol we describe the method by which 30 mW/cm2, 1.5 MHz ultrasound, pulsed at 1 kHz (Fig. 1) can be applied to fibroblasts in culture (Fig. 2) to induce Rac1 activation and focal adhesion formation. Ultrasound stimulation is applied for a maximum of 20 minutes, as this combination of parameters has been found to be most efficacious for acceleration of clinical fracture repair6. The method uses recombinant fibronectin fragments to engage &alpha;5&beta;1-integrin, without engagement of syndecan-4, and requires inhibition of protein synthesis by cycloheximide to block deposition of additional matrix by the fibroblasts., The positive effect of ultrasound on repair mechanisms is well documented7,8, and by understanding the molecular effect of ultrasound in culture we should be able to refine the therapeutic technique to improve clinical outcomes.

This protocol describes the stimulation of cultured fibroblasts with low-intensity pulsed ultrasound, which drives focal adhesion formation and Rac1 activation by mimicking engagement of the transmembrane matrix receptor, syndecan-4. This approach allows investigation of a successful clinical technique at the cellular level, thereby providing opportunities for refinement of the therapy.

Die Induktion von Adhäsions-abhängigen Signale mit geringer Intensität Ultraschall

In multicellular organisms, cell behavior is dictated by interactions with the extracellular matrix. Consequences of matrix-engagement range from ...

Flexural Rigidity Measurements of Biopolymers Using Gliding Assays

Microtubules are cytoskeletal polymers which play a role in cell division, cell mechanics, and intracellular transport. Each of these functions requires microtubules that are stiff and straight enough to span a significant fraction of the cell diameter. As a result, the microtubule persistence length, a measure of stiffness, has been actively studied for the past two decades1. Nonetheless, open questions remain: short microtubules are 10-50 times less stiff than long microtubules2-4, and even long microtubules have measured persistence lengths which vary by an order of magnitude5-9.
	Here, we present a method to measure microtubule persistence length. The method is based on a kinesin-driven microtubule gliding assay10. By combining sparse fluorescent labeling of individual microtubules with single particle tracking of individual fluorophores attached to the microtubule, the gliding trajectories of single microtubules are tracked with nanometer-level precision. The persistence length of the trajectories is the same as the persistence length of the microtubule under the conditions used11. An automated tracking routine is used to create microtubule trajectories from fluorophores attached to individual microtubules, and the persistence length of this trajectory is calculated using routines written in IDL.
	This technique is rapidly implementable, and capable of measuring the persistence length of 100 microtubules in one day of experimentation. The method can be extended to measure persistence length under a variety of conditions, including persistence length as a function of length along microtubules. Moreover, the analysis routines used can be extended to myosin-based acting gliding assays, to measure the persistence length of actin filaments as well.

A method to measure the persistence length or flexural rigidity of biopolymers is described. The method uses a kinesin-driven microtubule gliding assay to experimentally determine the persistence length of individual microtubules and is adaptable to actin-based gliding assays.

Biegesteifigkeit Maße von Biopolymeren mit Gliding Assays

Microtubules are cytoskeletal polymers which  play a role in cell division, cell mechanics, and intracellular transport. Each of these functions requires ...

Production of Large Numbers of Size-controlled Tumor Spheroids Using Microwell Plates

Tumor spheroids are increasingly recognized as an important in vitro model for the behavior of tumor cells in three dimensions. More physiologically relevant than conventional adherent-sheet cultures, they more accurately recapitulate the complexity and interactions present in real tumors. In order to harness this model to better assess tumor biology, or the efficacy of novel therapeutic agents, it is necessary to be able to generate spheroids reproducibly, in a controlled manner and in significant numbers.
The AggreWell system consists of a high-density array of pyramid-shaped microwells, into which a suspension of single cells is centrifuged. The numbers of cells clustering at the bottom of each microwell, and the number and ratio of distinct cell types involved depend only on the properties of the suspension introduced by the experimenter. Thus, we are able to generate tumor spheroids of arbitrary size and composition without needing to modify the underlying platform technology. The hundreds of microwells per square centimeter of culture surface area in turn ensure that extremely high production levels may be attained via a straightforward, nonlabor-intensive process. We therefore expect that this protocol will be broadly useful to researchers in the tumor spheroid field.

We introduce a protocol for the generation of large numbers (thousands to hundreds of thousands) of uniform size- and composition-controlled tumor spheroids, using commercially available microwell plates.

Die Produktion der großen Zahlen von Größe gesteuerte Tumorsphäroide Mit Microwell Platten

Tumor spheroids are increasingly recognized as an important in vitro model for the behavior of tumor cells in three dimensions. More physiologically ...

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

Modern 3D electron microscopy approaches have recently allowed unprecedented insight into the 3D ultrastructural organization of cells and tissues, enabling the visualization of large macromolecular machines, such as adhesion complexes, as well as higher-order structures, such as the cytoskeleton and cellular organelles in their respective cell and tissue context. Given the inherent complexity of cellular volumes, it is essential to first extract the features of interest in order to allow visualization, quantification, and therefore comprehension of their 3D organization. Each data set is defined by distinct characteristics, e.g., signal-to-noise ratio, crispness (sharpness) of the data, heterogeneity of its features, crowdedness of features, presence or absence of characteristic shapes that allow for easy identification, and the percentage of the entire volume that a specific region of interest occupies. All these characteristics need to be considered when deciding on which approach to take for segmentation.
The six different 3D ultrastructural data sets presented were obtained by three different imaging approaches: resin embedded stained electron tomography, focused ion beam- and serial block face- scanning electron microscopy (FIB-SEM, SBF-SEM) of mildly stained and heavily stained samples, respectively. For these data sets, four different segmentation approaches have been applied: (1) fully manual model building followed solely by visualization of the model, (2) manual tracing segmentation of the data followed by surface rendering, (3) semi-automated approaches followed by surface rendering, or (4) automated custom-designed segmentation algorithms followed by surface rendering and quantitative analysis. Depending on the combination of data set characteristics, it was found that typically one of these four categorical approaches outperforms the others, but depending on the exact sequence of criteria, more than one approach may be successful. Based on these data, we propose a triage scheme that categorizes both objective data set characteristics and subjective personal criteria for the analysis of the different data sets.

The bottleneck for cellular 3D electron microscopy is feature extraction (segmentation) in highly complex 3D density maps. We have developed a set of criteria, which provides guidance regarding which segmentation approach (manual, semi-automated, or automated) is best suited for different data types, thus providing a starting point for effective segmentation.

Von Voxel zu Wissen: ein praktischer Leitfaden für die Segmentierung der Elektronenmikroskopie Komplexe 3D-Daten

Modern 3D electron microscopy approaches have recently allowed unprecedented insight into the 3D ultrastructural organization of cells and tissues, ...

Scaled Anatomical Model Creation of Biomedical Tomographic Imaging Data and Associated Labels for Subsequent Sub-surface Laser Engraving (SSLE) of Glass Crystals

Biomedical imaging modalities like computed tomography (CT) and magnetic resonance (MR) provide excellent platforms for collecting three-dimensional data sets of patient or specimen anatomy in clinical or preclinical settings. However, the use of a virtual, on-screen display limits the ability of these tomographic images to fully convey the anatomical information embedded within. One solution is to interface a biomedical imaging data set with 3D printing technology to generate a physical replica. Here we detail a complementary method to visualize tomographic imaging data with a hand-held model: Sub Surface Laser Engraving (SSLE) of crystal glass. SSLE offers several unique benefits including: the facile ability to include anatomical labels, as well as a scale bar; streamlined multipart assembly of complex structures in one medium; high resolution in the X, Y, and Z planes; and semi-transparent shells for visualization of internal anatomical substructures. Here we demonstrate the process of SSLE with CT data sets derived from pre-clinical and clinical sources. This protocol will serve as a powerful and inexpensive new tool with which to visualize complex anatomical structures for scientists and students in a number of educational and research settings.

Scaled Anatomical Model Creation of Biomedical Tomographic Imaging Data and Associated Labels for Subsequent Sub-surface Laser Engraving SSLE of Glass Crystals

A methodology is described herein for representing anatomical imaging data within crystals. We create scaled three-dimensional models of biomedical imaging data for use in Sub-Surface Laser Engraving (SSLE) of crystal glass. This tool offers a useful complement to computational display or three-dimensionally printed models used within clinical or educational settings.

Scaled Anatomisches Modell Creation of Biomedical Imaging tomographische Daten und assoziierten Labels für spätere Teilfläche Laser-Gravur (ssle) von Glaskristall

Biomedical imaging modalities like computed tomography (CT) and magnetic resonance (MR) provide excellent platforms for collecting three-dimensional data ...

Fragility Assessment of Bovine Cortical Bone Using Scratch Tests

Bone is a complex hierarchical material with five distinct levels of organization. Factors like aging and diseases like osteoporosis increase the fragility of bone, making it fracture-prone. Owing to the large socio-economic impact of bone fracture in our society, there is a need for novel ways to assess the mechanical performance of each hierarchical level of bone. Although stiffness and strength can be probed at all scales &#8211; nano-, micro-, meso-, and macroscopic &#8211; fracture assessment has so far been confined to macroscopic testing. This limitation restricts our understanding of bone fracture and constrains the scope of laboratory and clinical studies. In this research, we investigate the fracture resistance of bone from the microscopic to the mesoscopic length scales using micro scratch tests combined with nonlinear fracture mechanics. The tests are performed in the short longitudinal orientation on bovine cortical bone specimens. A meticulous experimental protocol is developed and a large number (102) of tests are conducted to assess the fracture toughness of cortical bone specimens while accounting for the heterogeneity associated with bone microstructure.

This study assesses the fracture toughness of bovine cortical bone at the sub-meso levels using microscopic scratch tests. This is an original, objective, rigorous, and reproducible method proposed to probe fracture toughness below the macroscopic scale. Potential applications are studying changes in bone fragility due to diseases like osteoporosis.

Zerbrechlichkeit Bewertung der bovinen kortikalen Knochen mit Kratztests

Bone is a complex hierarchical material with five distinct levels of organization. Factors like aging and diseases like osteoporosis increase the ...

Databases to Efficiently Manage Medium Sized, Low Velocity, Multidimensional Data in Tissue Engineering

Science relies on increasingly complex data sets for progress, but common data management methods such as spreadsheet programs are inadequate for the growing scale and complexity of this information. While database management systems have the potential to rectify these issues, they are not commonly utilized outside of business and informatics fields. Yet, many research labs already generate "medium sized", low velocity, multi-dimensional data that could greatly benefit from implementing similar systems. In this article, we provide a conceptual overview explaining how databases function and the advantages they provide in tissue engineering applications. Structural fibroblast data from individuals with a lamin A/C mutation was used to illustrate examples within a specific experimental context. Examples include visualizing multidimensional data, linking tables in a relational database structure, mapping a semi-automated data pipeline to convert raw data into structured formats, and explaining the underlying syntax of a query. Outcomes from analyzing the data were used to create plots of various arrangements and significance was demonstrated in cell organization in aligned environments between the positive control of Hutchinson-Gilford progeria, a well-known laminopathy, and all other experimental groups. In comparison to spreadsheets, database methods were enormously time efficient, simple to use once set up, allowed for immediate access of original file locations, and increased data rigor. In response to the National Institutes of Health (NIH) emphasis on experimental rigor, it is likely that many scientific fields will eventually adopt databases as common practice due to their strong capability to effectively organize complex data.

Many researchers generate "medium-sized", low-velocity, and multi-dimensional data, which can be managed more efficiently with databases rather than spreadsheets. Here we provide a conceptual overview of databases including visualizing multi-dimensional data, linking tables in relational database structures, mapping semi-automated data pipelines, and using the database to elucidate data meaning.

Datenbanken zur effizienten Verwaltung von mittelgroßen, niedrigen Geschwindigkeiten und multidimensionalen Daten im Tissue Engineering

Science relies on increasingly complex data sets for progress, but common data management methods such as spreadsheet programs are inadequate for the ...

Simple, Affordable, and Modular Patterning of Cells using DNA

The relative positioning of cells is a key feature of the microenvironment that organizes cell-cell interactions. To study the interactions between cells of the same or different type, micropatterning techniques have proved useful. DNA Programmed Assembly of Cells (DPAC) is a micropatterning technique that targets the adhesion of cells to a substrate or other cells using DNA hybridization. The most basic operations in DPAC begin with decorating cell membranes with lipid-modified oligonucleotides, then flowing them over a substrate that has been patterned with complementary DNA sequences. Cells adhere selectively to the substrate only where they find a complementary DNA sequence. Non-adherent cells are washed away, revealing a pattern of adherent cells. Additional operations include further rounds of cell-substrate or cell-cell adhesion, as well as transferring the patterns formed by DPAC to an embedding hydrogel for long-term culture. Previously, methods for patterning oligonucleotides on surfaces and decorating cells with DNA sequences required specialized equipment and custom DNA synthesis, respectively. We report an updated version of the protocol, utilizing an inexpensive benchtop photolithography setup and commercially available cholesterol modified oligonucleotides (CMOs) deployed using a modular format. CMO-labeled cells adhere with high efficiency to DNA-patterned substrates. This approach can be used to pattern multiple cell types at once with high precision and to create arrays of microtissues embedded within an extracellular matrix. Advantages of this method include its high resolution, ability to embed cells into a three-dimensional microenvironment without disrupting the micropattern, and flexibility in patterning any cell type.

Here we present a protocol to micropattern cells at single-cell resolution using DNA-programmed adhesion. This protocol uses a benchtop photolithography platform to create patterns of DNA oligonucleotides on a glass slide and then labels cell membranes with commercially available complementary oligonucleotides. Hybridization of the oligos results in programmed cell adhesion.

Einfache, erschwingliche und modulare Musterung von Zellen mit DNA

The relative positioning of cells is a key feature of the microenvironment that organizes cell-cell interactions. To study the interactions between cells ...

Modulating Shape of Polyester Based Polymersomes using Osmotic Pressure

Polymersomes are membrane-bound, bilayer vesicles created from amphiphilic block copolymers that can encapsulate both hydrophobic and hydrophilic payloads for drug delivery applications. Despite their promise, polymersomes are limited in application due to their spherical shape, which is not readily taken up by cells, as demonstrated by solid nanoparticle scientists. This article describes a salt-based method for increasing the aspect ratios of spherical poly(ethylene glycol) (PEG)- based polymersomes. This method can elongate polymersomes and ultimately control their final shape by adding sodium chloride in post-formation dialysis. Salt concentration can be varied, as described in this method, based on the hydrophobicity of the block copolymer being used as the base for the polymersome and the target shape. Elongated nanoparticles have the potential to better target the endothelium in larger diameter blood vessels, like veins, where margination is observed. This protocol can expand therapeutic nanoparticle applications by utilizing elongation techniques in tandem with the dual-loading, long-circulating benefits of polymersomes.

Polymersomes are self-assembled polymeric vesicles that are formed in spherical shapes to minimize Gibb's Free Energy. In the case of drug delivery, more elongated structures are beneficial. This protocol establishes methods to create more rod-like polymersomes, with elongated aspect ratios, using salt to induce osmotic pressure and reduce internal vesicle volumes.

Modulierende Form von Polymersomen auf Polyesterbasis mit osmotischem Druck

Polymersomes are membrane-bound, bilayer vesicles created from amphiphilic block copolymers that can encapsulate both hydrophobic and hydrophilic payloads ...