XiaoMi-AI文件搜索系统
World File Search SystemDEGs
研究文章以室内特异性方式的心脏肥大和失败的转录动力学
压力超负荷引起的病理心脏肥大（CH）是心脏的复杂且自适应的重塑，主要涉及心肌大小的增加和心室壁增厚。随着时间的流逝，这些变化会导致心力衰竭（HF）。然而，这两个过程的个体和公共生物学机制仍然鲜为人知。这项研究旨在在四个星期和六个星期的横向主动脉收缩（TAC）分别鉴定与CH和HF相关的关键基因和信号传导途径，并在整个心脏转录组水平上从CH到HF的动态过渡中研究潜在的潜在分子机制。最初，在左心房（LA），左心室（LV）和右心室（RV）中鉴定了CH的总共363、482和264个差异表达的基因（DEG），以及HF的317、305和416摄氏度。这些确定的DEG可以用作不同心脏腔室的两个条件的生物标志物。此外，在所有腔室中都发现了两个公共DEG，弹性蛋白（ELN）和血红蛋白β链链链-Beta链变体（HBB -BS），在LA和LV中，LA和LV中有35个公共DEG，CH和HF中的LV和RV中有15个公共DEG。这些基因的功能富集分析强调了细胞外基质和肌膜在CH和HF中的关键作用。最后，确定了三组轮毂基因，包括赖氨酸氧化酶（LOX）家族，成纤维细胞生长因子（FGF）家族和NADH-偶像性氧化还原酶（NDUF）家族，是从CH到HF的动态变化的必不可少的基因。
原创文章 根据差异表达基因识别肝细胞癌候选药物
摘要：晚期肝细胞癌 (HCC) 患者的预后极差，主要是由于病情进展迅速和有效药物匮乏。全基因组分析允许基于差异表达基因 (DEG) 探索潜在药物。然而，HCC 中的候选药物和 DEG 在很大程度上是未知的。在本研究中，我们使用癌症基因组图谱 (TCGA)、国际癌症基因组联盟 (ICGC)、基因表达综合 (GEO) 和免疫组织化学染色研究了 DEG 和预后。还分析了 DEG 之间的蛋白质-蛋白质相互作用网络，以阐明 12 个枢纽基因并查询在线数据库以寻找潜在的 HCC 治疗药物。我们发现 TCGA 数据集中的 3219 个 DEG 中有 885 个与预后相关。我们阐明了在肿瘤样本中过表达的 12 个枢纽基因，它们与 HCC 患者的总体生存率 (OS) 较差显着相关。这些发现已通过 GEO 和 ICGC 队列得到验证。此外，还使用在线数据库预测了针对 HCC 的有希望的候选药物。总的来说，12 个中心基因的上调与 HCC 患者的预后不良有关，关注它们的表达可能会推动针对 HCC 的治疗努力。
Zoysiagrass（Zoysia Japonica）的转录组分析...
抽象的Zoysia Japonica（Z. Japonica）是一个暖季的多年生草皮，通常在美国东南部生长，因为其投入需求相对较低，并且对干旱，阴影和盐度的一般耐受性。改善冰冻耐受性对于Z.Japonica至关重要，因为它可以扩展北部边界，即该物种能够生长。为了加深我们对Z. Japonica冻结耐受性的分子基础的理解，使用转录组方法来识别涉及冷适应的基因。'Meyer'，冻结耐受品种和“维多利亚”，冻结易感品种受到冷适应和非冷入适应处理，以确定差异表达基因（DEG）的数量。响应冷适应，总共上调了4,609度，在“ Meyer”中下调了3,605度，而在“ Victoria”中，3,758度上调了3,758度，3,516度下调。GO和KEGG富集分析显示了几种不同的途径和生物学过程，包括光合作用，跨膜转运和植物激素信号转导。将这些信息与先前关于蛋白质组学和QTL映射的研究相结合，几个候选基因被确定与不同研究（例如LEA，CIPK，POD，HSF，HSF，HSP，HSP，MPK，MPK，PSII和多个转录因子）的耐寒和冻结耐受性有关。这项研究中鉴定出的候选基因表明，可能成为冻结Z. japonica的未来选择工作的目标。
Suhruth Koneru div>
这项研究正在解决大多数Covid-19疫苗的问题。大多数COVID-19疫苗的问题是，在患者接受疫苗后，他们的心脏病的机会称为心肌炎（心脏炎症）更高。这项研究的目的是通过心肌炎来了解Covid-19对心脏的影响，并创建一种疫苗，该疫苗不仅像Covid-19疫苗一样有效，而且还会像心肌炎的风险更低。有许多不同的方法来创建疫苗，但是，最常见的方法之一是，当病原体被隔离并成长直到失去引起疾病的有效性。然后选择最弱的病原体以放入疫苗中。使用不同的生物信息学工具和数据库来收集，执行生物信息学研究实验，分析和解释结果。使用NCBI和GEO2R生物信息学工具和数据库，我们在数据集GSE235433中发现了30个差异表达的基因（DEGS），其中15个基因被上调，并下调了15个基因。GO和KEGG途径分析表明，上调的DEG主要参与信号转置子。从DEG中，我们与David确定了关键基因。关键DEG主要与3个基因本体学术语有关。
利用循环微生物组特征来预测非小细胞肺癌患者的肿瘤免疫微环境和预后
高和地图 - 低组。与免疫相关DEG的火山图和差分排名图如图6a和B.此外，GO和KEGG富集分析表明，这些与免疫相关的DEG参与体液免疫反应，对细菌，免疫球蛋白复合物，细胞因子活性，抗原加工和表现途径等的防御反应，等等（图6C）。 根据单变量COX回归分析和Kaplan-Meier生存分析，我们进一步鉴定了12个与NSCLC患者OS显着相关的免疫相关DEG（图 6d）。 中，IGKV3D-7和AGTR1是有利因素，而DKK1，SEMA3C，HTR3A，VEGFC，KLRC2，EPGN，NRG2，MPO，KLRC3和IFNE是风险因素（图>6C）。根据单变量COX回归分析和Kaplan-Meier生存分析，我们进一步鉴定了12个与NSCLC患者OS显着相关的免疫相关DEG（图6d）。中，IGKV3D-7和AGTR1是有利因素，而DKK1，SEMA3C，HTR3A，VEGFC，KLRC2，EPGN，NRG2，MPO，KLRC3和IFNE是风险因素（图6d）。
原发性和转移性结直肠癌的系统生物医学揭示潜在的治疗靶点
图 1. 实现治疗遗传目标的荟萃分析流程图。从不同的数据库中提取基因表达数据集。使用 R 编程语言对数据进行分析和可视化。通过分析测试数据集获得 DEG，然后通过验证数据集进行验证。使用 STRING 数据库从 DEG 构建 PPI 网络，使用 R 软件分析网络，使用 Cytoscape 对网络进行可视化，并从 ClueGO Cytoscape 插件和 Enrichr 在线工具获得富集结果。接下来，使用生存分析和表达谱对表达结果进行进一步验证。最后，将我们的结果与其他研究进行比较，并询问已验证 DEG 的分子机制以提出靶向疗法的组合。
原发性和转移性结直肠癌的系统生物医学揭示潜在的治疗靶点
图 1. 实现治疗遗传目标的荟萃分析流程图。从不同的数据库中提取基因表达数据集。使用 R 编程语言对数据进行分析和可视化。通过分析测试数据集获得 DEG，然后通过验证数据集进行验证。使用 STRING 数据库从 DEG 构建 PPI 网络，使用 R 软件分析网络，使用 Cytoscape 对网络进行可视化，并从 ClueGO Cytoscape 插件和 Enrichr 在线工具获得富集结果。接下来，使用生存分析和表达谱对表达结果进行进一步验证。最后，将我们的结果与其他研究进行比较，并询问已验证 DEG 的分子机制以提出靶向疗法的组合。
与疾病发展相关的乳腺癌生物标志物；一项基于计算机的研究
简介：乳腺癌 (BC) 是全球女性死亡的主要原因之一。通过与疾病发展相关的差异表达识别基因有助于我们更好地了解 BC 的分子机制。目的：我们的研究使用计算机模拟分析来识别可能引发 BC 发展的中心基因。材料和方法：在这项横断面计算机模拟研究中，我们在基因表达综合 (GEO) 数据库中确定了 GSE38959 和 GSE45827 为差异表达基因 (DEG)，调整后的 P < 0.05。在这两组中，在病例和正常 BC 样本中表达的 DEG 中均观察到 logFC ≥ 2 和 logFC ≤ -2。然后进行比较，使用 GEO2R 工具检测两个常见的 DEG 数据集。使用京都基因和基因组百科全书 (KEGG) 和基因本体数据库阐明途径。然后使用 Cytoscape 和 Gephi 分析蛋白质-蛋白质相互作用 (PPI)。最后进行 GEPIA 分析以验证目标基因。结果：使用 GEO，鉴定出 322 个常见 DEG 和 65 个中心基因作为 PPI。基于基因本体 (GO) 和 KEGG 通路分析，DEG 在与细胞分裂、染色体、着丝粒区域、微管结合和细胞周期相关的功能方面富集。通过 GEPIA 分析比较正常与肿瘤样本时，CDK1、CCNB1、TOP2A、CXCL12、IGF1 和 KIT 6 个基因的表达具有统计学意义。结论：本研究引入了六个高表达基因（CDK1、CCNB1、TOP2A、CXCL12、IGF1 和 KIT），可作为 BC 发展 (所有基因 P <0.05) 的生物标志物。需要进一步进行全面的体内实验研究来描述它们在 BC 中的作用。
REST靶向人类唐氏综合症大脑和神经细胞中的JAK – Stat和HIF-1信号通路
摘要：唐氏综合症（DS）是最常见的染色体21（HSA21）非整倍性的染色体障碍，其特征是智力障碍和寿命降低。转录阻遏物，阻遏物元件1沉默转录因子（静止）是表观遗传调节剂，是神经元和神经胶质基因表达的关键调节剂。在这项研究中，我们鉴定并研究了靶标基因在人脑组织，大脑器官和神经细胞中的作用。基因表达数据集由人类脑组织，脑组织，NPC，神经元和星形胶质细胞的健康对照和DS样品产生，从基因本体论（GEO）和序列读取存档（SRA）数据库中获取。在所有数据集上进行差异表达分析，以在DS和对照组之间产生差异表达基因（DEG）。靶向的DEG进行了功能本体，途径和网络分析。我们发现，跨多个不同大脑区域，年龄和神经细胞类型的JAK-Stat和HIF-1信号通路富含DS中的REST靶向DEG。我们还鉴定了涉及神经系统发育，细胞分化，脂肪酸代谢和DS脑中炎症的重新定位的DEG。基于发现，我们建议将休息作为关键调节剂，并且是一个有前途的治疗靶标，以调节DS脑中的稳态基因表达。