XiaoMi-AI文件搜索系统
World File Search SystemTWAS
发展中国家科学院跨学科研究资助计划...
申请人必须是 TWAS 研究基金（个人或团体）的先前获得者。 该基金必须包括两名 PI，提交一份联合申请。 一名首席研究员（PI）必须来自最不发达国家（LDC），另一名 PI 来自科学技术落后国家名单中的任何其他国家。 两名 PI 必须在两个不同的国家工作；要么都来自最不发达国家（LDC），要么一个来自最不发达国家，另一个来自科学技术落后国家名单中的其余国家。 申请的首席研究员必须是两名资深研究人员，他们是发展中国家的国民，拥有博士学位并在国际期刊上发表过文章。 该基金必须在科学技术落后国家（STLC）之一的大学或研究机构内运作，并应包括两名首席研究员，提交一份联合申请。
Rahul Pandit - FAST，FNA，FTWAS -IISC Physics
{国家科学人才搜索学者，印度 - 1972 - 77年。{银牌（物理课上的第一个），印度理工学院，新德里 - 1977年。{成员，Phi Kappa Phi。{伊利诺伊大学的埃克森大学，美国伊利诺伊州乌尔巴纳市Urbana -Champaign- 1979年。{成员sigma xi。{印度科学院的副学士（直到35岁，即直到1991年4月）。{印度国家科学学院的年轻科学家勋章 - 1988年。{当选印度科学院的一名会员（法斯） - 1996年1月1日。{科学与工业研究理事会的Shanti Swarup Bhatnagar奖 - 2001年。{大学赠款委员会的Meghnad Saha奖-2004。{当选印度国家科学学院（FNA）的院士 - 2006年1月1日。{Dae Raja Ramanna奖，2007年8月14日，Jawaharlal Nehru高级科学研究中心。{JC Bose科学技术与塞族部的国家会员，印度，2007年8月1日至2023年6月30日。{印度科学研究所的Rustom Choksi教授 - 2009年。{印度科学学院的MSIL主席教授 - 2009年10月 - 2012年。{德里印度理工学院杰出校友奖 - 2010年8月。{美国物理社会的物理审查和物理评论的杰出裁判 - 2012年。{当选世界科学院的院士（FTWAS） - 2015年11月。{Goyal物理科学奖，2017年4月11日。{自2023年7月1日起，印度国家科学主席。{2017年11月至2021年10月的国际纯物理联盟（IUPAP）当选副总裁。{satyendranath bose印度国家科学学院奖章 - 2021年。
TWAS 通过大豆基因表达、结构变异和可变剪接促进基因尺度性状遗传解剖
全基因组关联研究 (GWAS) 可以识别与性状相关的基因座，但识别致病基因可能是一个瓶颈，部分原因是连锁不平衡 (LD) 衰减缓慢。全转录组关联研究 (TWAS) 通过识别基因表达-表型关联或将基因表达数量性状基因座与 GWAS 结果整合来解决这一问题。在这里，我们使用自花授粉大豆 (Glycine max [L.] Merr.) 作为模型来评估 TWAS 在 LD 衰减缓慢的植物物种性状遗传解析中的应用。我们为大豆多样性面板生成了 RNA 测序数据，并识别了 29 286 个大豆基因的遗传表达调控。不同的 TWAS 解决方案受 LD 的影响较小，并且对表达源具有稳健性，可以识别与来自不同组织和发育阶段的性状相关的已知基因。通过 TWAS 鉴定出新的豆荚颜色基因 L2，并通过基因组编辑对其进行了功能验证。通过引入新的外显子比例特征，我们显著提高了由结构变异和可变剪接导致的表达变异的检测。因此，通过我们的 TWAS 方法鉴定出的基因表现出多种多样的因果变异，包括 SNP、插入或缺失、基因融合、拷贝数变异和可变剪接。使用这种方法，我们鉴定出与开花时间相关的基因，包括以前已知的基因和以前未与此特性关联的新基因，从而为 GWAS 的见解提供了补充。总之，这项研究支持将 TWAS 应用于 LD 衰减率较低的物种的候选基因鉴定。
用于研究复杂人类疾病的新型方差分量 TWAS 方法，应用于阿尔茨海默氏痴呆症
转录组关联研究 (TWAS) 已广泛用于整合转录组和遗传数据来研究复杂的人类疾病。在缺少转录组数据的测试数据集中，传统的两阶段 TWAS 方法首先通过创建加权和来估算基因表达，该加权和将 SNP 与其相应的顺式 eQTL 对参考转录组的影响聚合在一起。然后，传统 TWAS 方法采用线性回归模型来评估估算基因表达与测试表型之间的关联，从而假设顺式 eQTL SNP 对测试表型的影响是 eQTL 对参考转录组的估计影响的线性函数。为了提高 TWAS 对这一假设的稳健性，我们提出了一种新颖的方差分量 TWAS 程序 (VC-TWAS)，该程序假设顺式 eQTL SNP 对表型的影响是随机的（方差与相应的参考顺式 eQTL 效应成比例）而不是固定的。 VC-TWAS 适用于连续和二分表型，以及个体层面和汇总层面的 GWAS 数据。使用模拟数据，我们表明 VC-TWAS 比基于两阶段负担检验的传统 TWAS 方法更强大，尤其是当 eQTL 遗传效应对测试表型不再是其 eQTL 遗传效应对参考转录组的线性函数时。我们进一步将 VC-TWAS 应用于个体层面（N = ~3.4K）和汇总层面（N = ~54K）的 GWAS 数据来研究阿尔茨海默病 (AD)。利用个体层面的数据，我们检测到了 13 个显著的风险基因，包括 6 个已知的 GWAS 风险基因，例如 TOMM40，而传统 TWAS 方法却遗漏了这些基因。利用汇总级数据，我们检测到 57 个仅考虑顺式 SNP 的显著风险基因和 71 个同时考虑顺式和反式 SNP 的显著风险基因，这也通过个体级 GWAS 数据验证了我们的发现。我们的 VC-TWAS 方法已在 TIGAR 工具中实现，供公众使用。