Список инструментов биоинформатики RNA-Seq - List of RNA-Seq bioinformatics tools

РНК-Seq^[1][2][3] это техника^[4] это позволяет транскриптом исследования (см. также Технологии транскриптомики ) на основе секвенирование следующего поколения технологии. Этот метод во многом зависит от биоинформатика инструменты, разработанные для поддержки различных этапов процесса. Здесь перечислены некоторые из основных обычно используемых инструментов и ссылки на некоторые важные веб-ресурсы.

Дизайн

Дизайн - это фундаментальный этап конкретного эксперимента с RNA-Seq. Некоторые важные вопросы, такие как глубина / охват секвенирования или количество биологических или технических реплик, должны быть тщательно рассмотрены. Обзор дизайна.^[5]

• ПРАВИЛЬНЫЙ : PROspective Power Evaluation для RNAseq.
• РНКатор Приложение для Android для расчета оптимальных параметров популярных инструментов и наборов, доступных для проектов по секвенированию ДНК.
• Скотти : веб-инструмент для разработки экспериментов с RNA-Seq для измерения дифференциальной экспрессии генов.
• ssizeRNA Расчет размера выборки для дизайна эксперимента RNA-Seq.

Контроль качества, обрезка, исправление ошибок и предварительная обработка данных

Оценка качества исходных данных ^[6] является первым этапом биоинформатического конвейера RNA-Seq. Часто необходимо фильтровать данные, удаляя последовательности или основы низкого качества (обрезка), адаптеры, загрязнения, чрезмерно представленные последовательности или исправляя ошибки, чтобы гарантировать согласованный конечный результат.

Контроль качества

• AfterQC - Автоматическая фильтрация, обрезка, удаление ошибок и контроль качества для данных fastq.
• dupRadar ^[7] Пакет R, который предоставляет функции для построения графиков и анализа уровней дупликации в зависимости от уровней экспрессии.
• FastQC это инструмент контроля качества для данных последовательности с высокой пропускной способностью (Институт Бабрахама ) и разработан в Ява. Возможен импорт данных из FastQ файлы в формате BAM или SAM. Этот инструмент предоставляет обзор для информации о проблемных областях, сводные графики и таблицы для быстрой оценки данных. Результаты представлены в HTML постоянные отчеты. FastQC можно запустить как отдельное приложение или интегрировать в более крупное конвейерное решение.
• fastqp Простая оценка качества FASTQ с использованием Python.
• Kraken:^[8] Набор инструментов для контроля качества и анализа данных последовательности с высокой пропускной способностью.
• HTSeq .^[9] Скрипт Python htseq-qa принимает файл с последовательными чтениями (необработанными или выровненными) и создает файл PDF с полезными графиками для оценки технического качества выполнения.
• mRIN ^[10] - Оценка целостности мРНК непосредственно из данных RNA-Seq.
• MultiQC ^[11] - Агрегируйте и визуализируйте результаты с помощью множества инструментов (FastQC, HTSeq, RSeQC, Tophat, STAR, другие ..) по всем образцам в единый отчет.
• NGSQC: конвейер межплатформенного анализа качества данных глубокого секвенирования.
• Набор инструментов NGS QC Набор инструментов для контроля качества (QC) данных секвенирования следующего поколения (NGS). Набор инструментов включает в себя удобные автономные инструменты для контроля качества данных о последовательностях, созданных с использованием платформ Illumina и Roche 454, с подробными результатами в виде таблиц и графиков, а также для фильтрации высококачественных данных о последовательностях. Он также включает несколько других инструментов, которые полезны при контроле качества и анализе данных NGS.
• PRINSEQ - это инструмент, который генерирует сводную статистику данных о последовательности и качестве и используется для фильтрации, переформатирования и обрезки данных о последовательности следующего поколения. Он специально разработан для данных 454 / Roche, но также может использоваться для других типов последовательностей.
• QC-Chain представляет собой пакет инструментов контроля качества для данных секвенирования следующего поколения (NGS), состоящий из оценки качества необработанных считываний и скрининга загрязнения de novo, который может идентифицировать все возможные последовательности загрязнения.
• QC3 инструмент контроля качества, разработанный для данных секвенирования ДНК для необработанных данных, выравнивания и вызова вариантов.
• qrqc Быстро сканирует, читает и собирает статистику по базовой и качественной частоте, длине чтения и частым последовательностям. Производит графический вывод статистики для использования в конвейерах контроля качества и дополнительный отчет о качестве HTML. Объекты S4 SequenceSummary позволяют писать определенные тесты и функции на основе собранных данных.
• РНК-SeQC ^[12] это инструмент, который можно использовать для планирования экспериментов, оптимизации процессов и контроля качества перед вычислительным анализом. По сути, обеспечивает три типа контроля качества: подсчет чтения (например, повторные чтения, отображенные чтения и отображенные уникальные чтения, чтения рРНК, аннотированные транскриптом чтения, специфичность цепи), охват (например, средний охват, средний коэффициент вариации, 5 '/ 3 'покрытие, пробелы в охвате, систематическая ошибка GC) и корреляция экспрессии (инструмент обеспечивает оценку уровней экспрессии на основе RPKM). RNA-SeQC реализован на Java и не требует установки, однако может быть запущен с помощью GenePattern веб интерфейс. На входе может быть один или несколько файлов BAM. HTML-отчеты генерируются как выходные.
• RSeQC ^[13] анализирует различные аспекты экспериментов RNA-Seq: качество последовательности, глубину секвенирования, специфичность цепи, смещение GC, распределение считываний по структуре генома и однородность покрытия. Входными данными могут быть файлы SAM, BAM, FASTA, BED или файл размера хромосомы (файл с двумя столбцами, обычный текстовый файл). Визуализацию можно выполнить с помощью браузеров генома, таких как UCSC, IGB и IGV. Однако сценарии R также могут использоваться для визуализации.
• SAMStat ^[14] выявляет проблемы и сообщает несколько статистических данных на разных этапах процесса. Этот инструмент независимо оценивает неотмеченные, плохо и точно отображенные последовательности, чтобы сделать вывод о возможных причинах плохого отображения.
• SolexaQA вычисляет статистику качества последовательности и создает визуальные представления качества данных для данных секвенирования второго поколения. Первоначально разработанный для системы Illumina (исторически известной как «Solexa»), SolexaQA теперь также поддерживает Ion Torrent и данные 454.
• Обрезать изобилие представляет собой сценарий оболочки для автоматизации качества и обрезки адаптеров, а также контроля качества с некоторыми дополнительными функциями для удаления смещенных позиций метилирования для файлов последовательностей RRBS (для направленного, ненаправленного (или парного) секвенирования).

Повышение качества

Улучшение качества RNA-Seq, исправление смещения - сложная тема.^[15][16] Каждый протокол RNA-Seq вносит определенный тип смещения, каждый шаг процесса (например, используемая технология секвенирования) подвержен возникновению какого-либо шума или типа ошибки. Более того, даже исследуемые виды и биологический контекст образцов могут влиять на результаты и вносить некоторую систематическую ошибку. Многие источники систематической ошибки уже сообщались - содержание GC и обогащение PCR,^[17][18] истощение рРНК,^[19] ошибки, возникающие во время секвенирования,^[20] праймирование обратной транскрипции, вызванное случайными гексамерами.^[21]

Были разработаны различные инструменты, чтобы попытаться решить каждую из обнаруженных ошибок.

Обрезка и снятие адаптеров

• BBDuk Сверхбыстрый, многопоточный инструмент для обрезки адаптеров и фильтрации или маскировки загрязнений на основе kmer-сопоставления, позволяющий изменять расстояние до или редактирования, а также вырожденные основания. Также выполняет оптимальную обрезку и фильтрацию по качеству, преобразование формата, создание отчетов о концентрациях загрязняющих веществ, gc-фильтрацию, фильтрацию длины, энтропийную фильтрацию, фильтрацию целомудрия и генерирует текстовые гистограммы для большинства операций. Преобразование между fastq, fasta, sam, scarf, interleaved и 2-file paired, gzip, bzipped, ASCII-33 и ASCII-64. Держит пары вместе. Открытый исходный код, написанный на чистой Java; поддерживает все платформы без перекомпиляции и других зависимостей.
• clean_reads очищает NGS (Sanger, 454, Illumina и solid) читает. Он может обрезать области плохого качества, адаптеры, векторы и регулярные выражения. Он также отфильтровывает чтения, которые не соответствуют минимальным критериям качества, на основе длины последовательности и среднего качества.
• Condetri^[22] - это метод зависимой от содержимого обрезки чтения для данных Illumina с использованием показателей качества каждой базы отдельно. Это не зависит от последовательности покрытия и взаимодействия с пользователем. Основное внимание в реализации уделяется удобству использования и включению обрезки считывания в конвейеры обработки и анализа данных секвенирования следующего поколения. Он может обрабатывать одинарные и парные данные секвенирования произвольной длины.
• вырезать ^[23] удаляет последовательности адаптеров из данных секвенирования следующего поколения (Illumina, SOLiD и 454). Он используется особенно, когда длина считывания секвенатора больше, чем длина секвенированной молекулы, как в случае с микроРНК.
• Deconseq Обнаружение и удаление загрязнений из данных последовательности.
• Эрн-Фильтр ^[24] - это пакет для выравнивания коротких строк, цель которого - предоставить полный набор инструментов для обработки коротких (подобных NGS) операций чтения. ERNE включает ERNE-FILTER (обрезка считывания и фильтрация контаминации), ERNE-MAP (инструмент / алгоритм выравнивания ядра), ERNE-BS5 (выравниватель считывания, обработанный бисульфитом) и ERNE-PMAP / ERNE-PBS5 (распределенные версии выравнивателей).
• FastqMcf Fastq-mcf пытается: обнаруживать и удалять адаптеры и праймеры секвенирования; Обнаружение ограниченного перекоса на концах чтения и клипа; Обнаружение низкого качества в конце чтения и клипа; Обнаружить Ns и удалить с концов; Удалять чтения с флагом CASAVA 'Y' (фильтрация чистоты); Откажитесь от слишком коротких последовательностей после всего вышеперечисленного; Выполняйте синхронизацию нескольких операций чтения при выполнении всего вышеперечисленного.
• FASTX Toolkit - это набор инструментов командной строки для управления чтением в файлах. ФАСТА или же FASTQ формат. Эти команды позволяют предварительно обработать файлы перед сопоставлением с помощью таких инструментов, как Галстук-бабочка. Некоторые из разрешенных задач: преобразование из формата FASTQ в формат FASTA, информация о статистике качества, удаление адаптеров секвенирования, фильтрация и нарезка последовательностей на основе качества или преобразования. ДНК /РНК.
• Flexbar выполняет удаление последовательностей адаптеров, функции обрезки и фильтрации.
• FreClu повышает общую точность выравнивания, выполняя исправление ошибок секвенирования за счет обрезки коротких считываний на основе методологии кластеризации.
• htSeqTools представляет собой пакет Bioconductor, способный выполнять контроль качества, обработку данных и визуализацию. htSeqTools позволяет визуализировать корреляции образцов, удалять артефакты чрезмерного усиления, оценивать эффективность обогащения, корректировать смещение цепочек и визуализировать совпадения.
• NxTrim Подрезка адаптера и процедура создания виртуальной библиотеки для библиотек Illumina Nextera Mate Pair.
• PRINSEQ^[25] генерирует статистику данных вашей последовательности для длины последовательности, содержимого GC, показателей качества, n-образных элементов, сложности, последовательностей тегов, поли-A / T хвостов, отношения шансов. Фильтруйте данные, переформатируйте и обрезайте последовательности.
• Сабля Инструмент демультиплексирования и обрезки штрих-кода для файлов FastQ.
• Коса 3'-концевой адаптер для удаления загрязнений.
• SEECER представляет собой алгоритм исправления ошибок секвенирования для наборов данных RNA-seq. Он принимает необработанные последовательности считывания, созданные платформой секвенирования нового поколения, такой как машины от Illumina или Roche. SEECER удаляет ошибки рассогласования и удаления ошибок из необработанных считываний и значительно улучшает последующий анализ данных. Особенно если данные RNA-Seq используются для создания сборки транскриптома de novo, выполнение SEECER может иметь огромное влияние на качество сборки.
• Серп Инструмент оконной адаптивной обрезки для файлов FASTQ с использованием качества.
• SnoWhite^[26] представляет собой конвейер, предназначенный для гибкой и агрессивной очистки считываемых последовательностей (гДНК или кДНК) перед сборкой. Он принимает и возвращает файлы последовательности в формате fastq или fasta.
• ShortRead это пакет, представленный в R (язык программирования) / БиоКондуктор среды и позволяет вводить, обрабатывать, оценивать качество и выводить данные секвенирования следующего поколения. Этот инструмент позволяет манипулировать данными, например фильтровать решения для удаления операций чтения на основе заранее определенных критериев. ShortRead можно дополнить несколькими пакетами Bioconductor для дальнейшего анализа и визуализации решений (BioStrings, BSgenome, IRanges, и так далее).
• SortMeRNA представляет собой программный инструмент для фильтрации, сопоставления и выбора OTU, считываемых NGS в метатранскриптомических и метагеномных данных. Основной алгоритм основан на приблизительных затравках и позволяет проводить быстрый и чувствительный анализ нуклеотидных последовательностей. Основное применение SortMeRNA - фильтрация рибосомальной РНК из метатранскриптомических данных.
• TagCleaner Инструмент TagCleaner можно использовать для автоматического обнаружения и эффективного удаления последовательностей тегов (например, тегов WTA) из наборов геномных и метагеномных данных. Он легко настраивается и имеет удобный интерфейс.
• Trimmomatic ^[27] выполняет обрезку для платформ Illumina и работает с чтениями FASTQ (одинарными или парными). Вот некоторые из выполняемых задач: отрезать адаптеры, отрезать основания в необязательных положениях в зависимости от пороговых значений качества, отрезать показания до определенной длины, преобразовать оценки качества в Phred-33/64.
• быстро Инструмент, предназначенный для обеспечения быстрой комплексной предварительной обработки файлов FastQ. Этот инструмент разработан на C ++ с поддержкой многопоточности для обеспечения высокой производительности.
• FASTX-Toolkit FASTX-Toolkit - это набор инструментов командной строки для предварительной обработки файлов Short-Reads FASTA / FASTQ.

Обнаружение химерных чтений

Современные технологии секвенирования обычно требуют амплификации образцов ДНК с помощью полимеразной цепной реакции (ПЦР). При амплификации часто образуются химерные элементы (особенно рибосомного происхождения) - последовательности, образованные из двух или более исходных последовательностей, соединенных вместе.

• УЧИМЕ представляет собой алгоритм обнаружения химерных последовательностей.
• Химера представляет собой утилиту обнаружения химерных последовательностей, совместимую с почти полноразмерными последовательностями Сэнгера и более короткими последовательностями 454-FLX (~ 500 п.н.).

Исправление ошибки

Описание ошибок высокопроизводительного секвенирования и их возможное исправление.^[28]

• Акация Корректор ошибок чтения пиросеквенированных ампликонов.
• AllPathsLG исправление ошибки.
• АмпликонШум^[29] AmpliconNoise - это набор программ для удаления шума из 454 секвенированных ПЦР-ампликонов. Он включает в себя два этапа: удаление шума из самого секвенирования и устранение ошибок точек ПЦР. Этот проект также включает алгоритм Perseus для удаления химер.
• BayesHammer. Байесовская кластеризация для исправления ошибок. Этот алгоритм основан на графах Хэмминга и байесовской подкластеризации. Хотя BAYES HAMMER был разработан для секвенирования одной клетки, он также улучшает существующие инструменты исправления ошибок для данных массового секвенирования.
• Благословить^[30] Решение для исправления ошибок на основе фильтра Блюма для высокопроизводительных операций чтения.
• Синий ^[31] Blue - это инструмент для исправления ошибок с коротким чтением, основанный на консенсусе и контексте k-mer.
• парень Корректор ошибок секвенирования, разработанный для коротких чтений Illumina. Он использует нежадный алгоритм со скоростью, сравнимой с реализациями, основанными на жадных методах.
• Denoiser Denoiser разработан для устранения шума в данных пиросеквенирования. Denoiser - это эвристический вариант PyroNoise. Разработчики шумоподавителя сообщают о хорошем согласии с PyroNoise на нескольких тестовых наборах данных.
• Эхо Алгоритм исправления ошибок короткого чтения без ссылок.
• Более легкий. Быстрое и эффективное с точки зрения памяти исправление ошибок секвенирования без счета.
• LSC LSC использует короткие чтения Illumina для исправления ошибок в длинных считываниях.
• Карект Karect: точное исправление ошибок замещения, вставки и удаления для данных секвенирования следующего поколения.
• Узел NoDe: быстрый алгоритм исправления ошибок при пиросеквенировании чтения ампликона.
• PyroTagger PyroTagger: быстрый и точный конвейер для анализа данных пиросеквенции ампликона рРНК.
• Землетрясение - это инструмент для исправления ошибок секвенирования замещения в экспериментах с глубоким охватом считываний секвенирования Illumina.
• Кворум: Исправление ошибок для чтения Illumina.
• Rcorrector. Исправление ошибок чтения Illumina RNA-seq.
• Рептилия - это программное обеспечение, разработанное на C ++ для исправления ошибок секвенирования при коротких операциях чтения с платформ секвенирования нового поколения.
• Seecer Исправление ошибок последовательности для чтения Rna.
• SGA.
• SOAP denovo.
• UNOISE.

Коррекция смещения

• Альпийский ^[32] Моделирование и исправление систематической ошибки последовательности фрагментов для RNA-seq.
• cqn ^[33] - это инструмент нормализации для данных RNA-Seq, реализующий метод условной квантильной нормализации.
• EDASeq ^[34] представляет собой пакет Bioconductor для выполнения нормализации GC-Content для данных RNA-Seq.
• GeneScissors Комплексный подход к обнаружению и исправлению ложного вывода транскриптома из-за RNAseq считывает несовпадение.
• Вглядеться ^[35] представляет собой набор байесовских подходов к выводу скрытых детерминант и их эффектов из профилей экспрессии генов с использованием методов факторного анализа. Приложения PEER: а) выявили групповые эффекты и экспериментальные искажающие факторы, б) увеличили количество результатов экспрессии QTL в три раза, в) позволили сделать вывод о промежуточных клеточных признаках, таких как фактор транскрипции или активация пути.
• RUV ^[36] представляет собой пакет R, который реализует методы удаления нежелательных изменений (RUV), разработанные Risso et al. (2014) для нормализации количества считываний RNA-Seq между образцами.
• сваАнализ суррогатных переменных.
• свасек удаление пакетных эффектов и других нежелательных шумов из данных секвенирования.
• SysCall ^[37] представляет собой классификатор для выявления и исправления систематической ошибки в данных высокопроизводительной последовательности.

Другие задачи / предварительная обработка данных

Дальнейшие задачи, выполняемые перед выравниванием, а именно слияние парного чтения.

• AuPairWise Метод оценки репликации RNA-Seq через коэкспрессию.
• BamHash - это метод на основе контрольной суммы, гарантирующий, что пары чтения в файлах FASTQ точно соответствуют парам чтения, хранящимся в файлах BAM, независимо от порядка чтения. BamHash можно использовать для проверки целостности сохраненных файлов и обнаружения любых несоответствий. Таким образом, BamHash может использоваться, чтобы определить, безопасно ли удалять файлы FASTQ, хранящие необработанные чтения последовательности после выравнивания, без потери данных.
• BBMerge Объединяет парные чтения на основе перекрытия для создания более длинных чтений и гистограмму размера вставки. Быстрый, многопоточный и дает крайне мало ложных срабатываний. Открытый исходный код, написанный на чистой Java; поддерживает все платформы без перекомпиляции и других зависимостей. Распространяется с помощью BBMap.
• Биопрепараты представляют собой набор инструментов биоинформатики, которые можно очень легко и гибко собрать вместе для выполнения как простых, так и сложных задач. Biopieces работают с потоком данных таким образом, что поток данных может быть передан через несколько различных Biopieces, каждая из которых выполняет одну конкретную задачу: изменение или добавление записей в поток данных, создание графиков или загрузка данных в базы данных и веб-сервисы.
• СПРАВИТЬСЯ ^[38] COPE: точный инструмент для считывания концевых пар на основе k-mer для облегчения сборки генома.
• DeconRNASeq представляет собой пакет R для деконволюции гетерогенных тканей на основе данных мРНК-Seq.
• Экран FastQ экраны Формат FASTQ последовательности в набор баз данных, чтобы подтвердить, что последовательности содержат то, что ожидается (например, содержание видов, адаптеры, векторы и т. д.).
• ВСПЫШКА это инструмент предварительной обработки чтения. FLASH объединяет считывания с парного конца, которые накладываются друг на друга, и преобразует их в одиночные длинные чтения.
• IDCheck
• ОРНА и ОРНА Q / K Инструмент для уменьшения избыточности в данных RNA-seq, который снижает требования к вычислительным ресурсам ассемблера.
• PANDASeq.является программой для выравнивания считываний Illumina, необязательно с праймерами для ПЦР, встроенными в последовательность, и восстановления перекрывающейся последовательности.
• ГРУША ^[39] PEAR: быстрое и точное слияние Illumina Paired-End reAd reAd.
• qRNASeq скрипт Инструмент qRNAseq можно использовать для точного удаления дубликатов ПЦР из данных RNA-Seq, если во время подготовки библиотеки использовались Molecular Indexes ™ или другие стохастические метки.
• ШЕРА ^[40] укороченный выравниватель для уменьшения ошибок.
• XORRO Перекрытие для быстрого парного чтения.

Инструменты для выравнивания

После контроля качества первый шаг анализа RNA-Seq включает выравнивание секвенированных считываний с эталонным геномом (если имеется) или с базой данных транскриптомов. Смотрите также Список программного обеспечения для выравнивания последовательностей.

Короткие (несвязанные) элайнеры

Короткие выравниватели способны выравнивать непрерывные чтения (не содержащие пробелов в результате сплайсинга) с эталонным геномом. В основном бывает двух типов: 1) на основе Преобразование Барроуза-Уиллера метод, такой как Bowtie и BWA, и 2) на основе методов Seed-extension, Нидлман-Вунш или же Смит-Уотерман алгоритмы. Первая группа (Bowtie и BWA) во много раз быстрее, однако некоторые инструменты второй группы имеют тенденцию быть более чувствительными, генерируя более правильно выровненные чтения.

• BFAST выравнивает короткие чтения по ссылочным последовательностям и представляет особую чувствительность к ошибкам, SNP, вставкам и удалениям. BFAST работает с Смит-Уотерман алгоритм. Смотрите также seqanwers / BFAST.
• Галстук-бабочка быстрый короткий выравниватель, использующий алгоритм, основанный на Преобразование Барроуза-Уиллера и FM-индекс. Bowtie терпит небольшое количество несовпадений.
• Bowtie2 Bowtie 2 - это инструмент с эффективным использованием памяти для сопоставления считываний секвенирования с длинными контрольными последовательностями. Он особенно рекомендуется для выравнивания считываний от 50 до 100 или 1000 символов и особенно хорош при выравнивании относительно длинных геномов (например, млекопитающих). Bowtie 2 индексирует геном с помощью FM-индекс чтобы сохранить небольшой объем памяти: для человеческого генома объем памяти обычно составляет около 3,2 ГБ. Bowtie 2 поддерживает режимы выравнивания с зазором, локальное и парное выравнивание.
• Элайнер Барроуза-Уиллера (BWA) BWA - это программный пакет для картирования низкодивергентных последовательностей относительно большого контрольного генома, такого как геном человека. Он состоит из трех алгоритмов: BWA-backtrack, BWA-SW и BWA-MEM. Первый алгоритм разработан для чтения последовательностей Illumina со скоростью до 100 бит / с, а два остальных - для более длинных последовательностей - от 70 до 1 Мбит / с. BWA-MEM и BWA-SW имеют схожие функции, такие как поддержка длительного чтения и выравнивание разделения, но BWA-MEM, самая последняя версия, обычно рекомендуется для высококачественных запросов, поскольку она быстрее и точнее. BWA-MEM также имеет лучшую производительность, чем BWA-backtrack для операций чтения Illumina 70–100 бит / с.
• Краткий пакет анализа олигонуклеотидов (SOAP)
• GNUMAP выполняет выравнивание с использованием вероятностного Нидлман-Вунш алгоритм. Этот инструмент может выполнять выравнивание в повторяющихся областях генома без потери информации. Выходные данные программы были разработаны для облегчения визуализации с использованием доступного программного обеспечения.
• Maq сначала выравнивает чтение по ссылочным последовательностям, а затем выполняет этап согласования. На первом этапе выполняет только выравнивание без пропусков и допускает до 3 несовпадений.
• Мозаик Mosaik может выравнивать чтения, содержащие короткие промежутки, используя Алгоритм Смита-Уотермана, идеально подходит для преодоления SNP, вставок и удалений.
• NovoAlign (коммерческий) является коротким элайнером платформы Illumina на основе Нидлман-Вунш алгоритм. Он может работать с данными о бисульфите. Вывод в формате SAM.
• Пермь представляет собой программный пакет, который был разработан для выполнения высокоэффективного выравнивания в масштабе генома для сотен миллионов коротких считываний, произведенных платформами секвенирования ABI SOLiD и Illumina. PerM способен обеспечить полную чувствительность для выравнивания в пределах 4 несовпадений для считываний SOLID 50 бит / с и 9 несовпадений для считываний Illumina 100 бит / с.
• RazerS
• ТЮЛЕНЬ использует Уменьшение карты модель для создания распределенных вычислений на кластерах компьютеров. Seal использует BWA для выравнивания и Пикард Марк для обнаружения и удаления дубликатов чтения.
• Segemehl
• SeqMap
• Креветка использует два метода для выравнивания коротких чтений. Во-первых, q-грамм Метод фильтрации, основанный на множестве начальных значений, определяет области-кандидаты. Во-вторых, эти области подробно исследуются с помощью Смит-Уотерман алгоритм.
• SMALT
• Stampy сочетает в себе чувствительность хеш-таблиц и скорость BWA. Stampy подготовлен к выравниванию считываний, содержащих вариации последовательности, такие как вставки и делеции. Он может считывать до 4500 баз и представляет вывод в формате SAM.
• Подчитать ^[41] выравниватель чтения. Он использует парадигму сопоставления начального числа и голосования для определения местоположения сопоставления считываемого содержимого с помощью его самой большой сопоставимой области. Он автоматически решает, следует ли отображать чтение глобально или локально. Для данных RNA-seq Subread следует использовать с целью анализа экспрессии. Subread также может использоваться для картирования считываний ДНК-seq.
• ZOOM (коммерческий) представляет собой короткий выравниватель платформы Illumina / Solexa 1G. ZOOM использует методологию расширенных интервалов начального числа для построения хеш-таблиц для считываний и допускает несоответствия, вставки и удаления.
• WHAM WHAM - это высокопроизводительный инструмент для выравнивания последовательностей, разработанный в Университете Висконсин-Мэдисон. Он сопоставляет короткие последовательности ДНК (считывания) со всем геномом человека со скоростью более 1500 миллионов считываний со скоростью 60 бит / с в час, что на один-два порядка быстрее, чем у ведущих современных методов.

Сращенные элайнеры

Многие риды охватывают соединения экзон-экзон и не могут быть выровнены напрямую с помощью выравнивателей Short, поэтому были необходимы специальные выравниватели - сплайсированные выравниватели. Некоторые сплайсированные выравниватели используют короткие выравниватели для выравнивания сначала несплайсированных / непрерывных считываний (подход «первый экзон»), а затем следуют другой стратегии для выравнивания остальных, содержащих сплайсированные области - обычно считывания разделяются на более мелкие сегменты и картируются независимо. Смотрите также.^[42][43]

Элайнеры на основе известных стыковочных стыков (выравниватели с указанием аннотаций)

В этом случае обнаружение стыков основано на имеющихся в базах данных данных об известных стыках. Инструменты этого типа не могут идентифицировать новые стыки. Некоторые из этих данных поступают из других методов выражения, например выраженные теги последовательности (СТАНДАРТНОЕ ВОСТОЧНОЕ ВРЕМЯ).

• Erange это инструмент для сопоставления и количественной оценки данных транскриптомов млекопитающих.
• IsoformEx
• MapAL
• OSA
• РНК-МАТЕРИАЛ вычислительный конвейер для выравнивания данных из Прикладные биосистемы НАДЕЖНАЯ система. Предоставляет возможность контроля качества и обрезки прочтений. Выравнивание генома выполняется с использованием mapreads и сплайсинговые соединения идентифицируются на основе библиотеки известных последовательностей экзонных соединений. Этот инструмент позволяет визуализировать выравнивания и подсчет тегов.
• РОМ выполняет выравнивание на основе конвейера, имея возможность манипулировать считыванием с помощью стыковых соединений, используя Bowtie и Blat. Блок-схема начинает выравнивание по геному и базе данных транскриптомов, выполняемых Боути. Следующим шагом является выравнивание неотмеченных последовательностей с эталонным геномом с помощью BLAT. На последнем этапе все выравнивания объединяются, чтобы получить окончательное выравнивание. Входные файлы могут быть в формате FASTA или FASTQ. Вывод представлен в формате RUM и SAM.
• RNASEQR.
• SAMMate
• SpliceSeq
• X-Mate

Элайнеры de novo

Выравниватели De novo Splice позволяют обнаруживать новые соединения Splice без необходимости предварительной аннотированной информации (некоторые из этих инструментов предоставляют аннотацию в качестве дополнительной опции).

• ABMapper
• BBMap Использует короткие kmers для выравнивания считываний непосредственно с геномом (охват интронов для поиска новых изоформ) или транскриптомом. Очень терпимо к ошибкам подстановки и отступов, и очень быстро. Поддерживает вывод всех тегов SAM, необходимых для Cufflinks. Нет ограничений на размер генома или количество склейок за одно чтение. Поддерживает чтение Illumina, 454, Sanger, Ion Torrent, PacBio и Oxford Nanopore, парное или несимметричное. Не использует эвристику поиска сайтов сплайсинга, оптимизированную для одной таксономической ветви, а скорее находит глобальные выравнивания с множеством аффинных преобразований с оптимальной оценкой и, таким образом, идеально подходит для изучения новых организмов без аннотаций и неизвестных мотивов сплайсинга. Открытый исходный код, написанный на чистой Java; поддерживает все платформы без перекомпиляции и других зависимостей.
• ContextMap был разработан для преодоления некоторых ограничений других подходов к картированию, таких как разрешение неоднозначности. Основная идея этого инструмента - рассматривать считывания в контексте экспрессии генов, повышая таким образом точность выравнивания. ContextMap может использоваться как автономная программа и поддерживаться картографами, создающими файл SAM на выходе (например, TopHat или MapSplice). В автономном режиме сопоставляет чтения с геномом, базой данных транскриптомов или обоими.
• CRAC предложить новый способ анализа считываний, который объединяет геномные местоположения и локальное покрытие, и обнаруживать мутации-кандидаты, инделения, сплайсинг или слияния в каждом отдельном чтении. Важно отметить, что CRAC улучшает свои прогностические характеристики, если поставляется, например, с 200 нт для чтения и должны соответствовать будущим потребностям анализа чтения.
• ГСНАП
• GMAP Программа геномного картирования и выравнивания для последовательностей мРНК и EST.
• HISAT HISAT - это быстрая и чувствительная программа выравнивания сплайсинга для картирования считываний последовательностей РНК. Помимо одного глобального FM-индекс который представляет собой целый геном, HISAT использует большой набор небольших FM-индексов, которые в совокупности охватывают весь геном (каждый индекс представляет геномную область размером ~ 64 000 п.н., и ~ 48 000 индексов необходимы для покрытия генома человека). Эти небольшие индексы (называемые локальными индексами) в сочетании с несколькими стратегиями выравнивания обеспечивают эффективное выравнивание считываний РНК-seq, в частности считываний, охватывающих несколько экзонов. Объем памяти HISAT относительно невелик (~ 4,3 ГБ для генома человека). Мы разработали HISAT на основе реализации Bowtie2 для обработки большинства операций с FM-индексом.
• HISAT2 HISAT2 - это быстрая и чувствительная программа для сопоставления считываний секвенирования следующего поколения (как ДНК, так и РНК) с популяцией геномов человека (а также с одним эталонным геномом). На основе расширения BWT для графов [Sirén et al. 2014], мы разработали и реализовали FM-индекс графа (GFM), оригинальный подход и его первую реализацию, насколько нам известно. В дополнение к использованию одного глобального индекса GFM, который представляет популяцию геномов человека, HISAT2 использует большой набор малых индексов GFM, которые в совокупности охватывают весь геном (каждый индекс представляет геномную область размером 56 Кбайт, с 55000 индексами, необходимыми для покрытия человеческого численность населения). Эти небольшие индексы (называемые локальными индексами) в сочетании с несколькими стратегиями выравнивания обеспечивают быстрое и точное выравнивание считываний секвенирования. Эта новая схема индексации называется индексом иерархического графа FM (HGFM).
• HMMSplicer может идентифицировать канонические и неканонические стыковые соединения в коротких чтениях. Во-первых, с помощью Bowtie удаляются несвязанные чтения. После этого оставшиеся чтения по одному делятся пополам, затем каждая часть засевается против генома, и границы экзонов определяются на основе Скрытая марковская модель. Каждому соединению присваивается оценка качества, полезная для выявления ложноположительных результатов.
• MapSplice
• PALMapper
• Проходить ^[44] выравнивает чтение с пробелами и без пробелов, а также бисульфитное секвенирование данные. Включает возможность фильтрации данных перед выравниванием (удалением адаптеров). Пропуск использует Нидлман-Вунш и Смит-Уотерман алгоритмов, и выполняет выравнивание в 3 этапа: сканирование позиций последовательностей семян в геноме, тестирование смежных областей и, наконец, уточнение выравнивания.
• Страсть
• МАКАРОНЫ
• QPALMA прогнозирует стыковые соединения, поддерживаемые машинное обучение алгоритмы. В этом случае обучающий набор представляет собой набор соединенных считываний с информацией о качестве и уже известными выравниваниями.
• RAZER :^[45] считывает выравниватель для SNP и сайтов редактирования РНК.
• SeqSaw
• Мыло Инструмент для ab initio обнаружения в масштабе всего генома сайтов сплайсинга из RNA-Seq, метод, использующий технологии секвенирования нового поколения для секвенирования информационной РНК.
• SpliceMap
• SplitSeek
• SuperSplat был разработан, чтобы найти все типы стыков. The algorithm splits each read in all possible two-chunk combinations in an iterative way, and alignment is tried to each chunck. Output in "Supersplat" format.

De novo splice aligners that also use annotation optionally

• MapNext
• OLego
• ЗВЕЗДА is a tool that employs "sequential maximum mappable seed search in uncompressed suffix arrays followed by seed clustering and stitching procedure", detects canonical, non-canonical splices junctions and chimeric-fusion sequences. It is already adapted to align long reads (third-generation sequencing technologies) and can reach speeds of 45 million paired reads per hour per processor.^[46]
• Subjunc ^[41] is a specialized version of Subread. It uses all mappable regions in an RNA-seq read to discover exons and exon-exon junctions. It uses the donor/receptor signals to find the exact splicing locations. Subjunc yields full alignments for every RNA-seq read including exon-spanning reads, in addition to the discovered exon-exon junctions. Subjunc should be used for the purpose of junction detection and genomic variation detection in RNA-seq data.
• TopHat ^[47] is prepared to find de novo junctions. TopHat aligns reads in two steps. Firstly, unspliced reads are aligned with Bowtie. After, the aligned reads are assembled with Maq resulting islands of sequences. Secondly, the splice junctions are determined based on the initially unmapped reads and the possible canonical donor and acceptor sites within the island sequences.

Other spliced aligners

• G.Mo.R-Se is a method that uses RNA-Seq reads to build de novo gene models.

Evaluation of alignment tools

• AlignerBoost is a generalized software toolkit for boosting Next-Gen sequencing mapping precision using a Bayesian-based mapping quality framework.
• CADBURE Bioinformatics tool for evaluating aligner performance on your RNA-Seq dataset.
• QualiMap : Evaluating next generation sequencing alignment data.
• RNAseqEVAL A collection of tools for evaluating RNA seq mapping.
• Тизер: Individualized benchmarking and optimization of read mapping results for NGS data.

Normalization, quantitative analysis and differential expression

General tools

These tools perform normalization and calculate the abundance of each gene expressed in a sample.^[48] RPKM, FPKM and TPMs^[49] are some of the units employed to quantification of expression.Some software are also designed to study the variability of genetic expression between samples (differential expression). Quantitative and differential studies are largely determined by the quality of reads alignment and accuracy of isoforms reconstruction. Several studies are available comparing differential expression methods.^[50][51][52]

• ABSSeq a new RNA-Seq analysis method based on modelling absolute expression differences.
• ALDEx2 is a tool for comparative analysis of high-throughput sequencing data. ALDEx2 uses compositional data analysis and can be applied to RNAseq, 16S rRNA gene sequencing, metagenomic sequencing, and selective growth experiments.
• Alexa-Seq is a pipeline that makes possible to perform gene expression analysis, transcript specific expression analysis, exon junction expression and quantitative alternative analysis. Allows wide alternative expression visualization, statistics and graphs.
• ARH-seq – identification of differential splicing in RNA-seq data.
• ASC^[53]
• Бальное платье
• BaySeq is a Bioconductor package to identify differential expression using next-generation sequencing data, via empirical Байесовские методы. There is an option of using the "snow" package for parallelisation of computer data processing, recommended when dealing with large data sets.
• GMNB^[54] is a Bayesian method to temporal gene differential expression analysis across different phenotypes or treatment conditions that naturally handles the heterogeneity of sequencing depth in different samples, removing the need for ad-hoc normalization.
• BBSeq
• BitSeq (Bayesian Inference of Transcripts from Sequencing Data) is an application for inferring expression levels of individual transcripts from sequencing (RNA-Seq) data and estimating differential expression (DE) between conditions.
• CEDER Accurate detection of differentially expressed genes by combining significance of exons using RNA-Seq.
• CPTRA The CPTRA package is for analyzing transcriptome sequencing data from different sequencing platforms. It combines advantages of 454, Illumina GAII, or other platforms and can perform sequence tag alignment and annotation, expression quantification tasks.
• Casper is a Bioconductor package to quantify expression at the isoform level. It combines using informative data summaries, flexible estimation of experimental biases and statistical precision considerations which (reportedly) provide substantial reductions in estimation error.
• Cufflinks/Cuffdiff is appropriate to measure global de novo transcript isoform expression. It performs assembly of transcripts, estimation of abundances and determines differential expression (Cuffdiff) and regulation in RNA-Seq samples.^[55]
• DESeq is a Bioconductor package to perform differential gene expression analysis based on negative binomial distribution.
• DEGSeq
• Derfinder Annotation-agnostic differential expression analysis of RNA-seq data at base-pair resolution via the DER Finder approach.
• DEvis is a powerful, integrated solution for the analysis of differential expression data. Using DESeq2 as a framework, DEvis provides a wide variety of tools for data manipulation, visualization, and project management.
• DEXSeq is Bioconductor package that finds differential differential exon usage based on RNA-Seq exon counts between samples. DEXSeq employs negative binomial distribution, provides options to visualization and exploration of the results.
• DEXUS is a Bioconductor package that identifies differentially expressed genes in RNA-Seq data under all possible study designs such as studies without replicates, without sample groups, and with unknown conditions.^[56] In contrast to other methods, DEXUS does not need replicates to detect differentially expressed transcripts, since the replicates (or conditions) are estimated by the EM method for each transcript.
• DGEclust is a Python package for clustering expression data from RNA-seq, CAGE and other NGS assays using a Hierarchical Dirichlet Process Mixture Model. The estimated cluster configurations can be post-processed in order to identify differentially expressed genes and for generating gene- and sample-wise dendrograms and heatmaps.^[57]
• DiffSplice is a method for differential expression detection and visualization, not dependent on gene annotations. This method is supported on identification of alternative splicing modules (ASMs) that diverge in the different isoforms. A non-parametric test is applied to each ASM to identify significant differential transcription with a measured false discovery rate.
• EBSeq is a Bioconductor package for identifying genes and isoforms differentially expressed (DE) across two or more biological conditions in an RNA-seq experiment. It also can be used to identify DE contigs after performing de novo transcriptome assembly. While performing DE analysis on isoforms or contigs, different isoform/contig groups have varying estimation uncertainties. EBSeq models the varying uncertainties using an empirical Bayes model with different priors.
• EdgeR is a R package for analysis of differential expression of data from DNA sequencing methods, like RNA-Seq, SAGE or ChIP-Seq data. edgeR employs statistical methods supported on negative binomial distribution as a model for count variability.
• EdgeRun an R package for sensitive, functionally relevant differential expression discovery using an unconditional exact test.
• EQP The exon quantification pipeline (EQP): a comprehensive approach to the quantification of gene, exon and junction expression from RNA-seq data.
• ESAT The End Sequence Analysis Toolkit (ESAT) is specially designed to be applied for quantification of annotation of specialized RNA-Seq gene libraries that target the 5' or 3' ends of transcripts.
• eXpress performance includes transcript-level RNA-Seq quantification, allele-specific and haplotype analysis and can estimate transcript abundances of the multiple isoforms present in a gene. Although could be coupled directly with aligners (like Bowtie), eXpress can also be used with de novo assemblers and thus is not needed a reference genome to perform alignment. It runs on Linux, Mac and Windows.
• ERANGE performs alignment, normalization and quantification of expressed genes.
• featureCounts an efficient general-purpose read quantifier.
• FDM
• FineSplice Enhanced splice junction detection and estimation from RNA-Seq data.
• GFOLD^[58] Generalized fold change for ranking differentially expressed genes from RNA-seq data.
• globalSeq^[59] Global test for counts: testing for association between RNA-Seq and high-dimensional data.
• GPSeq This is a software tool to analyze RNA-seq data to estimate gene and exon expression, identify differentially expressed genes, and differentially spliced exons.
• IsoDOT – Differential RNA-isoform Expression.
• Limma Limma powers differential expression analyses for RNA-sequencing and microarray studies.
• LPEseq accurately test differential expression with a limited number of replicates.
• Kallisto "Kallisto is a program for quantifying abundances of transcripts from RNA-Seq data, or more generally of target sequences using high-throughput sequencing reads. It is based on the novel idea of pseudoalignment for rapidly determining the compatibility of reads with targets, without the need for alignment. On benchmarks with standard RNA-Seq data, kallisto can quantify 30 million human reads in less than 3 minutes on a Mac desktop computer using only the read sequences and a transcriptome index that itself takes less than 10 minutes to build."
• Коврики Multivariate Analysis of Transcript Splicing (MATS).
• MAPTest provides a general testing framework for differential expression analysis of RNA-Seq time course experiment. Method of the pack is based on latent negative-binomial Gaussian mixture model. The proposed test is optimal in the maximum average power. The test allows not only identification of traditional DE genes but also testing of a variety of composite hypotheses of biological interest.^[60]
• MetaDiff Differential isoform expression analysis using random-effects meta-regression.
• metaseqR is a Bioconductor package that detects differentially expressed genes from RNA-Seq data by combining six statistical algorithms using weights estimated from their performance with simulated data estimated from real data, either public or user-based. In this way, metaseqR optimizes the tradeoff between precision and sensitivity.^[61] In addition, metaseqR creates a detailed and interactive report with a variety of diagnostic and exploration plots and auto-generated text.
• MMSEQ is a pipeline for estimating isoform expression and allelic imbalance in diploid organisms based on RNA-Seq. The pipeline employs tools like Bowtie, TopHat, ArrayExpressHTS and SAMtools. Also, edgeR or DESeq to perform differential expression.
• MultiDE
• Myrna is a pipeline tool that runs in a cloud environment (Elastic MapReduce ) or in a unique computer for estimating differential gene expression in RNA-Seq datasets. Bowtie is employed for short read alignment and R algorithms for interval calculations, normalization, and statistical processing.
• NEUMA is a tool to estimate RNA abundances using length normalization, based on uniquely aligned reads and mRNA isoform models. NEUMA uses known transcriptome data available in databases like RefSeq.
• NOISeq NOISeq is a non-parametric approach for the identification of differentially expressed genes from count data or previously normalized count data. NOISeq empirically models the noise distribution of count changes by contrasting fold-change differences (M) and absolute expression differences (D) for all the features in samples within the same condition.
• NPEBseq is a nonparametric empirical Bayesian-based method for differential expression analysis.
• NSMAP allows inference of isoforms as well estimation of expression levels, without annotated information. The exons are aligned and splice junctions are identified using TopHat. All the possible isoforms are computed by a combination of the detected exons.
• NURD an implementation of a new method to estimate isoform expression from non-uniform RNA-seq data.
• ПАНДОРА An R package for the analysis and result reporting of RNA-Seq data by combining multiple statistical algorithms.
• PennSeq PennSeq: accurate isoform-specific gene expression quantification in RNA-Seq by modeling non-uniform read distribution.
• Кварк Quark enables semi-reference-based compression of RNA-seq data.
• QuasR Quantify and Annotate Short Reads in R.
• RapMap A Rapid, Sensitive and Accurate Tool for Mapping RNA-seq Reads to Transcriptomes.
• RNAeXpress Can be run with Java GUI or command line on Mac, Windows, and Linux. It can be configured to perform read counting, feature detection or GTF comparison on mapped rnaseq data.
• Rcount Rcount: simple and flexible RNA-Seq read counting.
• rDiff is a tool that can detect differential RNA processing (e.g. alternative splicing, polyadenylation or ribosome occupancy).
• RNASeqPower Calculating samples Size estimates for RNA Seq studies. R package version.
• RNA-Skim RNA-Skim: a rapid method for RNA-Seq quantification at transcript-level.
• rSeq rSeq is a set of tools for RNA-Seq data analysis. It consists of programs that deal with many aspects of RNA-Seq data analysis, such as read quality assessment, reference sequence generation, sequence mapping, gene and isoform expressions (RPKMs) estimation, etc.
• RSEM
• rQuant is a web service (Галактика (вычислительная биология) installation) that determines abundances of transcripts per gene locus, based on quadratic programming. rQuant is able to evaluate biases introduced by experimental conditions. A combination of tools is employed: PALMapper (reads alignment), mTiM and mGene (inference of new transcripts).
• Лосось is a software tool for computing transcript abundance from RNA-seq data using either an alignment-free (based directly on the raw reads) or an alignment-based (based on pre-computed alignments) approach. It uses an online stochastic optimization approach to maximize the likelihood of the transcript abundances under the observed data. The software itself is capable of making use of many threads to produce accurate quantification estimates quickly. Это часть Парусник suite of software, and is the successor to the Sailfish tool.
• SAJR is a java-written read counter and R-package for differential splicing analysis. It uses junction reads to estimate exon exclusion and reads mapped within exon to estimate its inclusion. SAJR models it by GLM with quasibinomial distribution and uses log likelihood test to assess significance.
• Скотти Performs power analysis to estimate the number of replicates and depth of sequencing required to call differential expression.
• Тюлень alignment-free algorithm to quantify sequence expression by matching kmers between raw reads and a reference transcriptome. Handles paired reads and alternate isoforms, and uses little memory. Accepts all common read formats, and outputs read counts, coverage, and FPKM values per reference sequence. Open-source, written in pure Java; supports all platforms with no recompilation and no other dependencies. Distributed with BBMap. (Seal - Sequence Expression AnaLyzer - is unrelated to the SEAL distributed short-read aligner.)
• semisup^[62] Semi-supervised mixture model: detecting SNPs with interactive effects on a quantitative trait
• Сыщик is a program for analysis of RNA-Seq experiments for which transcript abundances have been quantified with kallisto.
• SplicingCompass differential splicing detection using RNA-Seq data.
• sSeq The purpose of this R package is to discover the genes that are differentially expressed between two conditions in RNA-seq experiments.
• StringTie is a fast and highly efficient assembler of RNA-Seq alignments into potential transcripts. It uses a novel network flow algorithm as well as an optional de novo assembly step to assemble and quantitate full-length transcripts representing multiple splice variants for each gene locus. It was designed as a successor to Cufflinks (its developers include some of the Cufflinks developers) and has many of the same features, but runs far faster and in far less memory.
• ТИГАР Transcript isoform abundance estimation method with gapped alignment of RNA-Seq data by variational Bayesian inference.
• TimeSeq Detecting Differentially Expressed Genes in Time Course RNA-Seq Data.
• WemIQ is a software tool to quantify isoform expression and exon splicing ratios from RNA-seq data accurately and robustly.

Evaluation of quantification and differential expression

• CompcodeR RNAseq data simulation, differential expression analysis and performance comparison of differential expression methods.
• DEAR-O Differential Expression Analysis based on RNA-seq data – Online.
• ПРАВИЛЬНЫЙ comprehensive power evaluation for differential expression using RNA-seq.
• RNAontheBENCH computational and empirical resources for benchmarking RNAseq quantification and differential expression methods.
• rnaseqcomp Several quantitative and visualized benchmarks for RNA-seq quantification pipelines. Two-condition quantifications for genes, transcripts, junctions or exons by each pipeline with nessasery meta information should be organizd into numeric matrices in order to proceed the evaluation.

Multi-tool solutions

• DEB is a web-interface/pipeline that permits to compare results of significantly expressed genes from different tools. Currently are available three algorithms: edgeR, DESeq and bayseq.
• SARTools A DESeq2- and EdgeR-Based R Pipeline for Comprehensive Differential Analysis of RNA-Seq Data.

Transposable Element expression

• TeXP is a Transposable Element quantification pipeline that deconvolves pervasive transcription from autonomous transcription of LINE-1 elements.^[63]

Workbench (analysis pipeline / integrated solutions)

Commercial solutions

• ActiveSite by Cofactor Genomics
• Avadis NGS (currently Strand NGS)
• BaseSpace by Illumina
• Biowardrobe an integrated platform for analysis of epigenomics and transcriptomics data.
• CLC Genomics Workbench
• DNASTAR
• ERGO
• Genedata
• GeneSpring GX
• Исследователь генов by Nebion (basic version is for free for academic researchers).
• geospiza
• Golden Helix
• Maverix Biomics
• NextGENe
• OmicsOffice
• Partek Flow Comprehensive single cell analysis within an intuitive interface.
• Qlucore. Easy to use for analysis and visualization. One button import of BAM files.

Open (free) source solutions

• ArrayExpressHTS is a BioConductor package that allows preprocessing, quality assessment and estimation of expression of RNA-Seq datasets. It can be run remotely at the European Bioinformatics Institute cloud or locally. The package makes use of several tools: ShortRead (quality control), Bowtie, TopHat or BWA (alignment to a reference genome), SAMtools format, Cufflinks or MMSEQ (expression estimation).
• BioJupies is a web-based platform that provides complete RNA-seq analysis solution from free alignment service to a complete data analysis report delivered as an interactive Jupyter Notebook.
• BioQueue is a web-based queue engine designed preferentially to improve the efficiency and robustness of job execution in bioinformatics research by estimating the system resources required by a certain job. At the same time, BioQueue also aims to promote the accessibility and reproducibility of data analysis in biomedical research. Implemented by Python 2.7, BioQueue can work in both POSIX compatible systems (Linux, Solaris, OS X, etc.) and Windows. Смотрите также.^[64]
• BioWardrobe is an integrated package that for analysis of ChIP-Seq and RNA-Seq datasets using a web-based user-friendly GUI. For RNA-Seq Biowardrobe performs mapping, quality control, RPKM estimation and differential expression analysis between samples (groups of samples). Results of differential expression analysis can be integrated with ChIP-Seq data to build average tag density profiles and heat maps. The package makes use of several tools open source tools including STAR and DESeq. Смотрите также.^[65]
• Chipster is a user-friendly analysis software for high-throughput data. It contains over 350 analysis tools for next generation sequencing (NGS), microarray, proteomics and sequence data. Users can save and share automatic analysis workflows, and visualize data interactively using a built-in genome browser and many other visualizations.
• DEWE (Differential Expression Workflow Executor) is an open source desktop application that provides a user-friendly GUI for easily executing Differential Expression analyses in RNA-Seq data. Currently, DEWE provides two differential expression analysis workflows: HISAT2, StringTie and Ballgown and Bowtie2, StringTie and R libraries (Ballgown and edgeR). It runs in Linux, Windows and Mac OS X.
• easyRNASeq Calculates the coverage of high-throughput short-reads against a genome of reference and summarizes it per feature of interest (e.g. exon, gene, transcript). The data can be normalized as 'RPKM' or by the 'DESeq' or 'edgeR' package.
• ExpressionPlot
• FASTGenomics is an online platform to share single-cell RNA sequencing data and analyses using reproducible workflows. Gene expression data can be shared meeting European data protection standards (GDPR). FASTGenomics enables the user to upload their own data and generate customized and reproducible workflows for the exploration and analysis of gene expression data (Scholz et al. 2018).
• FX FX is a user-Frendly RNA-Seq gene eXpression analysis tool, empowered by the concept of cloud-computing. With FX, you can simply upload your RNA-Seq raw FASTQ data on the cloud, and let the computing infra to do the heavy analysis.
• Галактика: Galaxy is a general purpose workbench platform for computational biology.
• GENE-Counter is a Perl pipeline for RNA-Seq differential gene expression analyses. Gene-counter performs alignments with CASHX, Bowtie, BWA or other SAM output aligner. Differential gene expression is run with three optional packages (NBPSeq, edgeR and DESeq) using negative binomial distribution methods. Results are stored in a MySQL database to make possible additional analyses.
• GenePattern offers integrated solutions to RNA-Seq analysis (Broad Institute ).
• GeneProf Freely accessible, easy to use analysis pipelines for RNA-seq and ChIP-seq experiments.
• GREIN is an interactive web platform for re-processing and re-analyzing GEO RNA-seq data. GREIN is powered by the back-end computational pipeline for uniform processing of RNA-seq data and the large number (>5,800) of already processed data sets. The front-end user friendly interfaces provide a wealth of user-analytics options including sub-setting and downloading processed data, interactive visualization, statistical power analyses, construction of differential gene expression signatures and their comprehensive functional characterization, connectivity analysis with LINCS L1000 data, etc.
• GT-FAR is an RNA seq pipeline that performs RNA-seq QC, alignment, reference free quantification, and splice variant calling. It filters, trims, and sequentially aligns reads to gene models and predicts and validates new splice junctions after which it quantifies expression for each gene, exon, and known/novel splice junction, and Variant Calling.
• MultiExperiment Viewer (MeV) is suitable to perform analysis, data mining and visualization of large-scale genomic data. The MeV modules include a variety of algorithms to execute tasks like Clustering and Classification, T-тест Стьюдента, Gene Set Enrichment Analysis or Significance Analysis. MeV runs on Ява.
• NGSUtils is a suite of software tools for working with next-generation sequencing datasets.
• Rail-RNA Scalable analysis of RNA-seq splicing and coverage.
• РЭП RNA-Seq Analysis Pipeline, a new cloud-based NGS web application.
• RSEQtools "RSEQtools consists of a set of modules that perform common tasks such as calculating gene expression values, generating signal tracks of mapped reads, and segmenting that signal into actively transcribed regions. In addition to the anonymization afforded by this format it also facilitates the decoupling of the alignment of reads from downstream analyses."
• RobiNA provides a user graphical interface to deal with R/BioConductor packages. RobiNA provides a package that automatically installs all required external tools (R/Bioconductor frameworks and Галстук-бабочка ). This tool offers a diversity of quality control methods and the possibility to produce many tables and plots supplying detailed results for differential expression. Furthermore, the results can be visualized and manipulated with MapMan и PageMan. RobiNA runs on Ява version 6.
• RseqFlow is an RNA-Seq analysis pipeline which offers an express implementation of analysis steps for RNA sequencing datasets. It can perform pre and post mapping quality control (QC) for sequencing data, calculate expression levels for uniquely mapped reads, identify differentially expressed genes, and convert file formats for ease of visualization.
• S-MART handles mapped RNA-Seq data, and performs essentially data manipulation (selection/exclusion of reads, clustering and differential expression analysis) and visualization (read information, distribution, comparison with epigenomic ChIP-Seq data). It can be run on any laptop by a person without computer background. A friendly graphical user interface makes easy the operation of the tools.
• Таверна is an open source and domain-independent Workflow Management System – a suite of tools used to design and execute scientific workflows and aid in silico experimentation.
• TCW is a Transcriptome Computational Workbench.
• TRAPLINE a standardized and automated pipeline for RNA sequencing data analysis, evaluation and annotation.
• ViennaNGS A toolbox for building efficient next- generation sequencing analysis pipelines.
• wapRNA This is a free web-based application for the processing of high-throughput RNA-Seq data (wapRNA) from next generation sequencing (NGS) platforms, such as Genome Analyzer of Illumina Inc. (Solexa) and SOLiD of Applied Biosystems (SOLiD). wapRNA provides an integrated tool for RNA sequence, refers to the use of High-throughput sequencing technologies to sequence cDNAs in order to get information about a sample's RNA content.

Alternative splicing analysis

General tools

• Alternative Splicing Analysis Tool Package(ASATP) Alternative splicing analysis tool package (ASATP) includes a series of toolkits to analyze alternative splicing events, which could be used to detect and visualized alternative splicing events, check ORF changes, assess regulations of alternative splicing and do statistical analysis.
• Asprofile is a suite of programs for extracting, quantifying and comparing alternative splicing (AS) events from RNA-seq data.
• AStalavista The AStalavista web server extracts and displays alternative splicing (AS) events from a given genomic annotation of exon-intron gene coordinates. By comparing all given transcripts, AStalavista detects the variations in their splicing structure and identify all AS events (like exon skipping, alternate donor, etc.) by assigning to each of them an AS code.
• CLASS2 accurate and efficient splice variant annotation from RNA-seq reads.
• Cufflinks/Cuffdiff
• DEXseq Inference of differential exon usage in RNA-Seq.
• Diceseq Statistical modeling of isoform splicing dynamics from RNA-seq time series data.
• EBChangepoint An empirical Bayes change-point model for identifying 3′ and 5′ alternative splicing by RNA-Seq.
• Eoulsan A versatile framework dedicated to high throughput sequencing data analysis. Allows automated analysis (mapping, counting and differencial analysis with DESeq2).
• GESS for de novo detection of exon-skipping event sites from raw RNA-seq reads.
• LeafCutter a suite of novel methods that allow identification and quantication of novel and existing alternative splicing events by focusing on intron excisions.
• LEMONS ^[66] A Tool for the Identification of Splice Junctions in Transcriptomes of Organisms Lacking Reference Genomes.
• MAJIQ. Modeling Alternative Junction Inclusion Quantification.
• Коврики Multivariate Analysis of Transcript Splicing (MATS).
• MISO quantifies the expression level of splice variants from RNA-Seq data and is able to recognize differentially regulated exons/isoforms across different samples. MISO uses a probabilistic method (Bayesian inference) to calculate the probability of the reads origin.
• Rail-RNA Scalable analysis of RNA-seq splicing and coverage.
• RPASuite ^[67] RPASuite (RNA Processing Analysis Suite) is a computational pipeline to identify differentially and coherently processed transcripts using RNA-seq data obtained from multiple tissue or cell lines.
• Просьба ответить RSVP is a software package for prediction of alternative isoforms of protein-coding genes, based on both genomic DNA evidence and aligned RNA-seq reads. The method is based on the use of ORF graphs, which are more general than the splice graphs used in traditional transcript assembly.
• SAJR calculates the number of the reads that confirms segment (part of gene between two nearest splice sites) inclusion or exclusion and then model these counts by GLM with quasibinomial distribution to account for biological variability.
• SGSeq A R package to de novo prediction of splicing events.
• SplAdder Identification, quantification and testing of alternative splicing events from RNA-Seq data.
• SpliceGrapher Prediction of novel alternative splicing events from RNA-Seq data. Also includes graphical tools for visualizing splice graphs.^[68][69]
• SpliceJumper a classification-based approach for calling splicing junctions from RNA-seq data.
• SplicePie is a pipeline to analyze non-sequential and multi-step splicing. SplicePie contains three major analysis steps: analyzing the order of splicing per sample, looking for recursive splicing events per sample and summarizing predicted recursive splicing events for all analyzed sample (it is recommended to use more samples for higher reliability). The first two steps are performed individually on each sample and the last step looks at the overlap in all samples. However, the analysis can be run on one sample as well.
• SplicePlot is a tool for visualizing alternative splicing and the effects of splicing quantitative trait loci (sQTLs) from RNA-seq data. It provides a simple command line interface for drawing sashimi plots, hive plots, and structure plots of alternative splicing events from .bam, .gtf, and .vcf files.
• SpliceR An R package for classification of alternative splicing and prediction of coding potential from RNA-seq data.
• SpliceSEQ SpliceViewer is a Java application that allows researchers to investigate alternative mRNA splicing patterns in data from high-throughput mRNA sequencing studies. Sequence reads are mapped to splice graphs that unambiguously quantify the inclusion level of each exon and splice junction. The graphs are then traversed to predict the protein isoforms that are likely to result from the observed exon and splice junction reads. UniProt annotations are mapped to each protein isoform to identify potential functional impacts of alternative splicing.
• SpliceTrap^[70] is a statistical tool for the quantification of exon inclusion ratios from RNA-seq data.
• Splicing Express – a software suite for alternative splicing analysis using next-generation sequencing data.
• SUPPA This tool generates different Alternative Splicing (AS) events and calculates the PSI ("Percentage Spliced In") value for each event exploiting the fast quantification of transcript abundances from multiple samples.
• SwitchSeq identifies extreme changes in splicing (switch events).
• Решетка identification of genuine splice junctions.
• Истинное зрение A Self-training Algorithm for Splice Junction Detection using RNA-seq.
• Vast-tools A toolset for profiling alternative splicing events in RNA-Seq data.

Intron retention analysis

• IRcall / IRclassifier IRcall is a computational tool for IR event detection from RNA-Seq data. IRclassifier is a supervised machine learning-based approach for IR event detection from RNA-Seq data.

Differential isoform/transcript usage

• IsoformSwitchAnalyzeR IsoformSwitchAnalyzeR is an R package that enables statistical identification of isoform switches with predicted functional consequences where the consequences of interest can be chosen from a long list but includes gain/loss of protein domains, signal peptides changes in NMD sensitivity.^[71] IsoformSwitchAnalyzeR is made for post analysis of data from any full length isoform/transcript quantification tool but directly support Cufflinks/Cuffdiff, RSEM Kallisto and Salmon.
• DRIMSeq An R package that utilizes обобщенное линейное моделирование (GLM) to identify isoform switches from estimated isoform count data.^[72]
• BayesDRIMSeq An R package containing a Байесовский implementation of DRIMSeq.^[73]
• Cufflinks/Cuffdiff Full length isoform/transcript quantification and differential analysis tool which amongst other test for changes in usage for isoform belonging to the same primary transcript (sharing a TSS) via a one-sided t-test based on the asymptotic of the Jensen-Shannon metric.^[55]
• rSeqNP An R package that implements a non-parametric approach to test for differential expression and splicing from RNA-Seq data.^[74]
• Isolator Full length isoform/transcript quantification and differential analysis tool which analyses all samples in an experiment in unison using a simple Bayesian hierarchical model. Can identify differential isoform usage by testing for probability of monotonic splicing.^[75]

Fusion genes/chimeras/translocation finders/structural variations

Genome arrangements result of diseases like cancer can produce aberrant genetic modifications like fusions or translocations. Identification of these modifications play important role in carcinogenesis studies.^[76]

• Арриба is an ultrafast fusion detection algorithm based on the STAR^[46] RNA-Seq aligner. It is the winner of the DREAM Challenge^[77] about fusion detection. Arriba can also detect exon duplications, Circular RNAs, and breakpoints in introns and intergenic regions.
• Bellerophontes
• BreakDancer
• BreakFusion
• ChimeraScan
• EBARDenovo
• EricScript
• DEEPEST is a statistical fusion detection algorithm.^[78] DEEPEST can also detect Circular RNAs.
• DeFuse DeFuse is a software package for gene fusion discovery using RNA-Seq data.
• FusionAnalyser FusionAnalyser uses paired reads mapping to different genes (Bridge reads).
• FusionCatcher FusionCatcher searches for novel/known somatic fusion genes, translocations, and chimeras in RNA-seq data (stranded/unstranded paired-end reads from Illumina NGS platforms) from diseased samples.
• FusionHunter identifies fusion transcripts without depending on already known annotations. It uses Bowtie as a first aligner and paired-end reads.
• FusionMap FusionMap is a fusion aligner which aligns reads spanning fusion junctions directly to the genome without prior knowledge of potential fusion regions. It detects and characterizes fusion junctions at base-pair resolution. FusionMap can be applied to detect fusion junctions in both single- and paired-end dataset from either gDNA-Seq or RNA-Seq studies.
• FusionSeq
• JAFFA is based on the idea of comparing a transcriptome against a reference transcriptome rather than a genome-centric approach like other fusion finders.
• MapSplice^[79]
• nFuse
• Oncomine NGS RNA-Seq Gene Expression Browser.
• PRADA
• SOAPFuse detects fusion transcripts from human paired-end RNA-Seq data. It outperforms other five similar tools in both computation and fusion detection performance using both real and simulated data.^[80]
• SOAPfusion
• TopHat-Fusion is based on TopHat version and was developed to handle reads resulting from fusion genes. It does not require previous data about known genes and uses Bowtie to align continuous reads.
• ViralFusionSeq is high-throughput sequencing (HTS) tool for discovering viral integration events and reconstruct fusion transcripts at single-base resolution.
• ViReMa (Viral Recombination Mapper) detects and reports recombination or fusion events in and between virus and host genomes using deep sequencing datasets.^[81]

Copy number variation identification

• CNVseq detects варианты числа копий supported on a statistical model derived from array-comparative genomic hybridization. Sequences alignment are performed by BLAT, calculations are executed by R modules and is fully automated using Perl.

Single cell RNA-Seq

Single cell sequencing. The traditional RNA-Seq methodology is commonly known as "bulk RNA-Seq", in this case RNA is extracted from a group of cells or tissues, not from the individual cell like it happens in single cell methods. Some tools available to bulk RNA-Seq are also applied to single cell analysis, however to face the specificity of this technique new algorithms were developed.

• CEL-Seq^[82] single-cell RNA-Seq by multiplexed linear amplification.
• Drop-Seq ^[83] Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets.
• FISSEQ Single cell transcriptome sequencing на месте, i.e. without dissociating the cells.
• Oscope: a statistical pipeline for identifying oscillatory genes in unsynchronized single cell RNA-seq experiments.
• Подводное плавание^[84] Extracting lineage relationships and modeling dynamic changes associated with multi-lineage cell differentiation.
• scLVM ^[85] scLVM is a modelling framework for single-cell RNA-seq data that can be used to dissect the observed heterogeneity into different sources, thereby allowing for the correction of confounding sources of variation.
• scM&T-Seq Parallel single-cell sequencing.
• Сфинкс^[86] SPHINX is a hybrid binning approach that achieves high binning efficiency by utilizing both 'compositional' and 'similarity' features of the query sequence during the binning process. SPHINX can analyze sequences in metagenomic data sets as rapidly as composition based approaches, but nevertheless has the accuracy and specificity of similarity based algorithms.
• TraCeR^[87] Paired T-cell receptor reconstruction from single-cell RNA-Seq reads.
• VDJPuzzle^[88] T-cell receptor reconstruction from single-cell RNA-Seq reads and link the clonotype with the functional phenotype and transcriptome of individual cells.

Integrated Packages

• Монокль Differential expression and time-series analysis for single-cell RNA-Seq and qPCR experiments.
• SCANPY^[89] Scalable Python-based implementation for preprocessing, visualization, clustering, trajectory inference and differential expression testing.
• SCell integrated analysis of single-cell RNA-seq data.
• Сёра^[90] R package designed for QC, analysis, and exploration of single-cell RNA-seq data.
• Sincell an R/Bioconductor package for statistical assessment of cell-state hierarchies from single-cell RNA-seq.
• SINCERA^[91] A Pipeline for Single-Cell RNA-Seq Profiling Analysis.

Quality Control and Gene Filtering

• Celloline A pipeline for mapping and quality assessment single cell RNA-seq data.
• OEFinder A user interface to identify and visualize ordering effects in single-cell RNA-seq data.
• SinQC A Method and Tool to Control Single-cell RNA-seq Data Quality.

Normalization

• ОСНОВЫ Understanding changes in gene expression at the single-cell level.
• GRM Normalization and noise reduction for single cell RNA-seq experiments.

Dimension Reduction

• ZIFA^[92] Dimensionality reduction for zero-inflated single-cell gene expression analysis.

Differential Expression

• BPSC An R package BPSC for model fitting and differential expression analyses of single-cell RNA-seq.
• МАЧТА a flexible statistical framework for assessing transcriptional changes and characterizing heterogeneity in single-cell RNA sequencing data.
• SCDE Characterizing transcriptional heterogeneity through pathway and gene set overdispersion analysis.

Визуализация

• eXpose

RNA-Seq simulators

These Simulators generate in silico reads and are useful tools to compare and test the efficiency of algorithms developed to handle RNA-Seq data. Moreover, some of them make possible to analyse and model RNA-Seq protocols.

• BEERS Simulator is formatted to mouse or human data, and paired-end reads sequenced on Illumina platform. Beers generates reads starting from a pool of gene models coming from different published annotation origins. Some genes are chosen randomly and afterwards are introduced deliberately errors (like indels, base changes and low quality tails), followed by construction of novel splice junctions.
• compcodeR RNAseq data simulation, differential expression analysis and performance comparison of differential expression methods.
• CuReSim a customized read simulator.
• Flux simulator implements a computer pipeline simulation to mimic a RNA-Seq experiment. All component steps that influence RNA-Seq are taken into account (reverse transcription, fragmentation, adapter ligation, PCR amplification, gel segregation and sequencing) in the simulation. These steps present experimental attributes that can be measured, and the approximate experimental biases are captured. Flux Simulator allows joining each of these steps as modules to analyse different type of protocols.
• PBSIM PacBio reads simulator - toward accurate genome assembly.
• Полиэстер This bioconductor package can be used to simulate RNA-seq reads from differential expression experiments with replicates. The reads can then be aligned and used to perform comparisons of methods for differential expression.
• RandomReads Generates synthetic reads from a genome with an Illumina or PacBio error model. Чтения могут быть парными или непарными, с произвольной длиной и размером вставки, выводом в fasta или fastq, RandomReads имеет широкий выбор опций для скоростей мутаций, с индивидуальными настройками для замены, удаления, вставки, а также N скоростей и распределений длины, аннотирования читает с исходным, неизмененным геномным начальным и конечным местоположением. RandomReads не изменяет уровни экспрессии и, таким образом, не предназначен для моделирования экспериментов с РНК-seq, а для проверки чувствительности и специфичности выравнивателей РНК-seq с интронами de-novo. Включает инструмент для оценки и создания кривых ROC из результирующих файлов sam. Открытый исходный код, написанный на чистой Java; поддерживает все платформы без перекомпиляции и других зависимостей. Распространяется с помощью BBMap.
• Rlsim представляет собой программный пакет для моделирования подготовки библиотеки RNA-seq с оценкой параметров.
• rnaseqbenchmark Тест для конвейеров количественной оценки RNA-seq.
• rnaseqcomp Контрольные показатели для конвейеров количественной оценки RNA-seq.
• Симулятор чтения RSEM RSEM предоставляет пользователям программу «rsem-simulate-reads» для моделирования данных RNA-Seq на основе параметров, полученных из реальных наборов данных.
• RNASeqReadSimulator содержит набор простых скриптов Python, управляемых из командной строки. Он генерирует случайные уровни экспрессии транскриптов (одинарные или парные), в равной степени имитирует чтение с определенным шаблоном позиционного смещения и генерирует случайные ошибки от платформ секвенирования.
• Симулятор последовательности РНК RSS берет файлы выравнивания SAM из данных RNA-Seq и моделирует разбросанные, множественные реплики, дифференциальные, нецепочечные наборы данных RNA-Seq.
• SimSeq Непараметрический подход к моделированию наборов данных последовательностей РНК.
• WGsim Wgsim - это небольшой инструмент для имитации чтения последовательности из эталонного генома. Он может моделировать диплоидные геномы с помощью SNP и полиморфизма вставки / удаления (INDEL), а также моделировать чтение с ошибками секвенирования с равномерной заменой. Это не приводит к ошибкам секвенирования INDEL, но это можно частично компенсировать путем моделирования полиморфизмов INDEL.

Ассемблеры транскриптомов

В транскриптом представляет собой общую популяцию РНК, экспрессируемых в одной клетке или группе клеток, включая некодирующие и кодирующие белок РНК. Существует два типа подходов к сборке транскриптомов. В геномно-ориентированных методах используется ссылка геном (если возможно, законченный и высококачественный геном) в качестве шаблона для выравнивания и сборки считываний в транскрипты. Геномно-независимые методы не требуют эталонного генома и обычно используются, когда геном недоступен. В этом случае чтения собираются прямо в транскрипты.

Ассемблеры, управляемые геномом

• Байесемблер Сборка байесовского транскриптома.
• СИДАН всестороннее открытие изоформ и оценка численности.
• УЧЕБНЫЙ КЛАСС CLASS - это программа для сборки транскриптов из последовательностей РНК, выровненных по геному. CLASS производит набор транскриптов в три этапа. На этапе 1 используется линейное программирование для определения набора экзонов для каждого гена. На этапе 2 строится графическое представление гена путем соединения экзонов (вершин) через интроны (ребра), извлеченных из выравниваний при сплайсинге чтения. На этапе 3 выбирается подмножество транскриптов-кандидатов, закодированных на графике, которые могут объяснить все чтения, с использованием либо экономичного (SET_COVER), либо подхода оптимизации динамического программирования. На этом этапе учитываются ограничения, вытекающие из пар спариваний и сплайсинговых выравниваний, и, необязательно, знания о структуре гена, извлеченные из известных аннотаций или выравниваний последовательностей кДНК.
• Запонки Cufflinks собирает транскрипты, оценивает их количество и тестирует дифференциальную экспрессию и регуляцию в образцах RNA-Seq. Он принимает выровненные RNA-Seq, считывает и собирает выравнивания в скупой набор транскриптов. Затем Cufflinks оценивает относительное количество этих транскриптов, основываясь на том, сколько считываний поддерживает каждый из них, принимая во внимание систематические ошибки в протоколах подготовки библиотеки.
• я считаю iReckon - это алгоритм одновременной реконструкции изоформы и оценки численности. В дополнение к моделированию новых изоформ, множественных отображений чтения и дубликатов чтения, этот метод учитывает возможное присутствие несплайсированных пре-мРНК и удержание интронов. iReckon требует только набор сайтов начала и конца транскрипции, но может использовать известные полные изоформы для повышения чувствительности. Начиная с набора почти всех возможных изоформ, iReckon использует регуляризованный алгоритм EM для определения тех, которые действительно присутствуют в секвенированном образце, вместе с их численностью. iReckon является многопоточным для повышения эффективности на всех этапах, требующих больших затрат времени.
• IsoInfer IsoInfer - это программа C / C ++ для вывода изоформ на основе коротких последовательностей RNA-Seq (односторонних и парных), границы экзона и интрона и информации TSS / PAS.
• ИзоЛассо IsoLasso - это алгоритм для сборки транскриптов и оценки уровней их экспрессии на основе считываний RNA-Seq.
• Резкий поворот FlipFlop реализует быстрый метод обнаружения de novo транскриптов и оценки численности на основе данных RNA-Seq. Он отличается от Cufflinks одновременным выполнением задач идентификации и количественного анализа с использованием метода максимального правдоподобия с выпуклыми штрафами, что приводит к повышению точности / отзыву.
• ГИИРА GIIRA - это метод прогнозирования генов, который идентифицирует потенциальные кодирующие области исключительно на основе картирования считываний из эксперимента RNA-Seq. Он был прежде всего разработан для предсказания прокариотических генов и способен разрешать гены в экспрессируемой области оперона. Однако он также применим к эукариотам и предсказывает структуры интронов экзона, а также альтернативные изоформы.
• MITIE Одновременная идентификация и количественная оценка транскриптов на основе РНК-Seq в нескольких образцах.
• RNAeXpress RNA-eXpress был разработан как удобное решение для извлечения и аннотирования биологически важных транскриптов из данных секвенирования РНК следующего поколения. Этот подход дополняет существующие базы данных аннотаций генов, гарантируя, что все транскрипты, присутствующие в образце, будут рассмотрены для дальнейшего анализа.
• Писание Священное писание - это метод реконструкции транскриптома, основанный исключительно на считывании РНК-Seq и собранном геноме для создания транскриптома ab initio. Статистические методы оценки значимости охвата считыванием также применимы к другим данным секвенирования. В Scripture также есть модули для пикового вызова ChIP-Seq.
• ГОРКА Разреженное линейное моделирование данных RNA-Seq для обнаружения изоформ и оценки численности.
• клубника Программа для быстрой и точной реконструкции транскриптов на основе генома и количественной оценки на основе парных концевых последовательностей РНК.
• StringTie StringTie - это быстрый и высокоэффективный ассемблер выравниваний РНК-Seq в потенциальные транскрипты. Он использует новый алгоритм сетевого потока, а также необязательный этап сборки de novo для сборки и количественного определения полноразмерных транскриптов, представляющих несколько вариантов сплайсинга для каждого локуса гена. Его входные данные могут включать не только выравнивания необработанных считываний, используемых другими ассемблерами транскриптов, но также выравнивания более длинных последовательностей, которые были собраны из этих считываний. Для идентификации дифференциально экспрессируемых генов между экспериментами выходные данные StringTie могут обрабатываться программами Cuffdiff или Ballgown.
• ТрансКомб сборка транскриптома, управляемая геномом, посредством расчесывания стыков в графах сплайсинга.
• Traph Инструмент для идентификации и количественной оценки транскриптов с помощью RNA-Seq.
• Сборка плитки за независимое от аннотации открытие гена.

Геномно-независимый (de novo) сборщики

• Бриджер ^[93] был разработан в Шаньдунском университете и использует технологии, используемые в Cufflinks, для преодоления ограничений существующих сборщиков de novo.
• CLC de novo алгоритм сборки CLC Genomics Workbench.
• KISSPLICE это программное обеспечение, которое позволяет анализировать данные РНК-seq с референсным геномом или без него. Это точный локальный ассемблер транскриптома, который позволяет идентифицировать SNP, инделки и альтернативные события сплайсинга. Он может иметь дело с произвольным количеством биологических состояний и будет определять количество каждого варианта в каждом состоянии.
• Оазисы Ассемблер транскриптомов de novo для очень коротких чтений.
• rnaSPAdes
• Rnnotator автоматизированный конвейер сборки транскриптома de novo из считанных цепочек RNA-Seq.
• SAT-Ассемблер
• SOAPденово-Транс
• Отображение перевода строительных лесов
• Транс-ABySS
• T-IDBA
• Троица метод эффективной и надежной реконструкции транскриптомов de novo по данным RNA-seq. Trinity объединяет три независимых программных модуля: Inchworm, Chrysalis и Butterfly, которые применяются последовательно для обработки больших объемов считываний RNA-seq.
• Бархат
• TransLiG

Инструменты оценки сборки

• Буско предоставляет количественные меры для оценки сборки генома, набора генов и полноты транскриптома, основанные на эволюционно обоснованных ожиданиях содержания генов из почти универсальных однокопийных ортологов, выбранных с помощью инструмента OrthoDB.
• Взорвать DETONATE (DE novo TranscriptOme rNa-seq Assembly с оценкой правды или без нее) состоит из двух пакетов компонентов: RSEM-EVAL и REF-EVAL. Оба пакета в основном предназначены для использования для оценки сборок транскриптомов de novo, хотя REF-EVAL можно использовать для сравнения наборов любых геномных последовательностей.
• rnaQUAST Инструмент оценки качества сборок транскриптомов.
• TransRate Transrate - это программа для анализа качества сборки транскриптомов de-novo. Он подробно исследует вашу сборку и сравнивает ее с экспериментальными данными, такими как чтение последовательности, отчет о показателях качества для контигов и сборок. Это позволяет вам выбирать между ассемблерами и параметрами, отфильтровывать плохие контиги из сборки и помогает решить, когда прекратить попытки улучшить сборку.

Сети коэкспрессии

• GeneNetWeaver это инструмент с открытым исходным кодом для создания тестов in silico и профилирования производительности методов сетевого вывода.
• WGCNA представляет собой пакет R для взвешенного корреляционного сетевого анализа.
• Pigengene представляет собой пакет R, который выводит биологическую информацию из профилей экспрессии генов. Основанный на сети коэкспрессии, он вычисляет собственные гены и эффективно использует их в качестве функций для соответствия деревьям решений и байесовским сетям, которые полезны при диагностике и прогнозировании.^[94]

предсказание и анализ miRNA

• iSRAP ^[95] Инструмент исследования в одно касание для быстрого профилирования данных малых последовательностей РНК.
• SPAR ^[96] small RNA-seq, short total RNA-seq, miRNA-seq, обработка данных одноклеточной малой РНК-seq, анализ, аннотация, визуализация и сравнение с эталоном КОДИРОВАТЬ и наборы данных DASHR.
• miRDeep2
• МИРЕНА
• miRExpress
• miR-PREFeR м
• miRDeep-P Для растений
• miRDeep
• miRPlant
• MiRdup
• ShortStack ^[97] Набор для выравнивания и аннотации, предназначенный для анализа малых РНК в растениях, известный своим вниманием к аннотациям с высокой степенью достоверности

Инструменты визуализации

• ABrowse настраиваемая структура браузера генома нового поколения.
• Артемида Artemis - это бесплатный браузер генома и инструмент аннотации, который позволяет визуализировать характеристики последовательности, данные следующего поколения и результаты анализа в контексте последовательности, а также ее шестикадровый перевод.
• Аполлон Apollo разработан для поддержки географически рассредоточенных исследователей, а работа распределенного сообщества координируется посредством автоматической синхронизации: все изменения в одном клиенте мгновенно передаются всем другим клиентам, что позволяет пользователям видеть обновления аннотаций от соавторов в режиме реального времени во время редактирования. процесс.
• BamView BamView - это бесплатное интерактивное отображение считанных выравниваний в файлах данных BAM. Он был разработан группой патогенов в Институте Сэнгера.
• BrowserGenome:^[98] веб-анализ и визуализация данных RNA-seq.
• Degust Интерактивный веб-инструмент для визуализации данных дифференциальной экспрессии генов.
• DensityMap Perl-инструмент для визуализации плотности признаков вдоль хромосом.
• EagleView EagleView - это программа для просмотра ассемблера генома с богатой информацией с возможностью интеграции данных. EagleView может отображать дюжину различных типов информации, включая базовые характеристики, машинно-зависимые сигналы трассировки и аннотации геномных характеристик.
• Expvip-Web настраиваемая платформа анализа и визуализации данных RNA-seq.
• GBrowse
• Встроенный браузер генома
• Средство просмотра интегративной геномики (IGV)
• GenomeView
• MapView
• Микроскоп комплексный программный пакет анализа генома для тепловых карт экспрессии генов.
• ReadXplorer ReadXplorer - это свободно доступный всесторонний инструмент для исследования и оценки данных NGS. Он извлекает и добавляет количественные и качественные меры к каждому выравниванию, чтобы классифицировать сопоставленные чтения. Затем эта классификация учитывается для различных представлений данных и всех поддерживаемых функций автоматического анализа.
• RNASeqExpressionBrowser представляет собой веб-инструмент, который предоставляет средства для поиска и визуализации данных экспрессии RNA-seq (например, на основе информации о последовательности или аннотаций домена). Он может создавать подробные отчеты для выбранных генов, включая данные об экспрессии и соответствующие аннотации. При необходимости можно легко добавить ссылки на (общедоступные) базы данных. RNASeqExpressionBrowser обеспечивает защиту паролем и тем самым ограничение доступа только для авторизованных пользователей.
• Savant Savant - это браузер генома нового поколения, предназначенный для работы с данными генома последнего поколения.
• Samscope
• SeqMonk
• Планшет ^[99] Т Планшет - это легкий, высокопроизводительный графический просмотрщик для сборок и выравнивания последовательностей нового поколения.
• Tbrowse - браузер транскриптомов HTML5
• TBro браузер транскриптомов для de novo экспериментов по секвенированию РНК.
• Vespa

Инструменты функционального, сетевого и сетевого анализа

• BioCyc Визуализируйте данные последовательности РНК на диаграммах отдельных путей, в диаграммах множественных путей, называемых коллажами путей, и в масштабируемых диаграммах метаболических карт для конкретных организмов. Вычисляет обогащение пути.
• BRANE Clust Биологически связанное улучшение априорной сети для вывода регулирующей сети генов в сочетании с кластеризацией.^[100]
• BRANE Cut Биологически связанное расширение априорной сети с помощью разрезов графиков для вывода регулирующей сети генов.^[101]
• FunRichИнструмент анализа функционального обогащения.
• Гейдж применим независимо от размеров выборки, дизайна эксперимента, аналитических платформ и других типов неоднородности.^[102] Этот пакет Biocondutor также предоставляет функции и данные для анализа путей, GO и набора генов в целом.
• Анализ ассоциации генов для RNA-Seq GSAASeq - это вычислительные методы, которые оценивают дифференциальную экспрессию пути / набора генов между двумя биологическими состояниями на основе данных подсчета последовательностей.
• GeneSCF инструмент функционального обогащения в режиме реального времени с поддержкой множества организмов.^[103]
• GOexpress^[104] Визуализируйте данные микрочипа и RNAseq с помощью аннотаций генной онтологии.
• GOSeq^[105] Анализатор онтологии генов для РНК-seq и других данных с ошибкой длины.
• GSAASEQSP^[106] Набор инструментов для анализа ассоциации генов данных РНК-Seq.
• GSVA^[107] анализ вариаций набора генов для микрочипов и данных RNA-Seq.
• Нагрев * Seq интерактивный веб-инструмент для сравнения экспериментов по высокопроизводительному секвенированию с общедоступными данными.
• Ingenuity Systems (коммерческая) iReport и IPA
• PathwaySeq ^[108] Анализ пути для данных RNA-Seq с использованием подхода на основе баллов.
• лепесток Сетевое моделирование коэкспрессии в R.
• ToPASeq:^[109] пакет R для анализа путей на основе топологии микрочипов и данных RNA-Seq.
• РНК-обогащение Метод тестирования функционального обогащения без отсечки для RNA-seq с улучшенной детектирующей способностью.
• TRAPID^[110] Быстрый анализ данных транскриптома.
• T-REx^[111] Анализ экспрессии RNA-seq.

Дополнительные инструменты аннотации для данных RNA-Seq

• Фрама От данных RNA-seq до аннотированных сборок мРНК.
• HLAminer представляет собой вычислительный метод для идентификации аллелей HLA непосредственно из наборов данных последовательности полного генома, экзома и транскриптома. Прогнозы аллелей HLA производятся путем целенаправленной сборки данных о последовательностях дробовика и сравнения с базой данных эталонных последовательностей аллелей. Этот инструмент разработан в Perl и он доступен как консольный инструмент.
• PasaPASA, аббревиатура от Program to Assemble Spliced ​​Alignments, представляет собой инструмент аннотации эукариотических геномов, который использует сплайсинговые выравнивания экспрессированных последовательностей транскриптов для автоматического моделирования структур генов и поддержания аннотаций структур генов в соответствии с последними доступными данными экспериментальных последовательностей. PASA также определяет и классифицирует все варианты сплайсинга, поддерживаемые выравниванием транскриптов.
• seq2HLA представляет собой инструмент аннотации для получения индивидуального типа и выражения HLA класса I и II с использованием стандартных данных NGS RNA-Seq в fastq формат. Он включает сопоставление считываний RNA-Seq с эталонной базой данных аллелей HLA с использованием галстук-бабочка, определение и сообщение типа HLA, показателя достоверности и локус-специфичного уровня экспрессии. Этот инструмент разработан в Python и р. Он доступен как консольный инструмент или Галактика модуль.

Базы данных RNA-Seq

• ARCHS4 Равномерно обработанные данные последовательности РНК из GEO / SRA (> 300 000 образцов) с поиском по метаданным для поиска подмножеств опубликованных образцов.
• ENA Европейский архив нуклеотидов (ENA) предоставляет исчерпывающую запись мировой информации о нуклеотидном секвенировании, включая необработанные данные секвенирования, информацию о сборке последовательностей и функциональную аннотацию.
• КОДИРОВАТЬ
• запрашиваемый-РНК-seq-база данных Эта система, официально известная как база данных RNA-Seq с возможностью запроса, предназначена для упрощения процесса анализа RNA-seq, предоставляя возможность загружать данные результатов анализа RNA-Seq в базу данных, сохранять их и запрашивать их различными способами. .
• CIRCpedia v2 представляет собой обновленную обширную базу данных, содержащую аннотации circRNA из более чем 180 наборов данных RNA-seq по шести различным видам. Этот атлас позволяет пользователям искать, просматривать и загружать circRNA с характеристиками / особенностями экспрессии в различных типах клеток / тканях, включая образцы болезней. Кроме того, обновленная база данных включает анализ сохранения циркулярных РНК между людьми и мышами.

Связанные с людьми

• РНК-последовательность мозга^[112] База данных транскриптомов RNA-Seq и сплайсинга глии, нейронов и сосудистых клеток коры головного мозга.
• FusionCancer ^[113] база данных генов слияния рака, полученная из данных RNA-seq.
• Hipposeq обширная база данных РНК-seq экспрессии генов в гиппокамп основные нейроны.
• Митранскриптом представляет собой систематизированный список длинных полиаденилированных транскриптов РНК человека, основанный на данных RNA-Seq из более чем 6500 образцов, связанных с различными типами рака и тканей. База данных содержит подробный анализ экспрессии более 91 000 генов, большинство из которых представляют собой не охарактеризованные длинные РНК.
• РНК-Seq Атлас справочная база данных по гену профилирование выражений в нормальной ткани путем секвенирования следующего поколения.
• SRA Архив чтения последовательностей (SRA) хранит необработанные данные о последовательностях из технологий секвенирования «следующего поколения», включая 454, IonTorrent, Illumina, SOLiD, Helicos и Complete Genomics. В дополнение к необработанным данным последовательности, SRA теперь хранит информацию о выравнивании в виде считанных размещений в эталонной последовательности.
• DASHR База данных генов малых РНК человека и зрелых продуктов, полученных из данных последовательности малых РНК.

Базы данных RNA-Seq для отдельных видов

• Aedes-albopictus Aedes albopictus база данных.
• Arabidopsis thaliana TraVa база данных профилей экспрессии генов в Arabidopsis thaliana на основе анализа RNA-seq.
• Ячмень morexGenes- Ячмень База данных RNA-seq.
• Нут База данных транскриптомов нута (CTDB) была разработана с целью предоставления наиболее полной информации о нут транскриптом, наиболее важная часть генома ».
• Chilo супрессалис ChiloDB: база данных геномов и транскриптомов важного насекомого-вредителя риса Chilo супрессалис.
• Плодовая муха FlyAtlas 2 - Drosophila melanogaster База данных RNA-seq.
• Иглокожие EchinoDB - хранилище ортологичных транскриптов из иглокожие.
• Лошади транскриптом (Калифорнийский университет в Дэвисе).
• кишечная палочка Ecomics - нормализованная база данных omics для кишечная палочка.
• Рыбы Phylofish.
• Имбирь Имбирь - база данных транскриптомов имбиря.
• Lygodium japonicum База данных транскриптомов Lygodium japonicum.
• Млекопитающие Транскриптомная база данных млекопитающих.
• Устрицы (Тихий океан) GigaTon: обширная общедоступная база данных, обеспечивающая новый справочный транскриптом в тихоокеанская устрица Crassostrea gigas.
• Мышь и человек PanglaoDB:^[114] База данных экспрессии генов для исследования и мета-анализа данных секвенирования отдельных клеток.
• Мангровые заросли База данных транскриптомов мангровых деревьев.
• Криль (Антарктика) KrillDB: новая база данных транскриптомов для Антарктики Криль.
• Мышь RNASeqMetaDB: база данных и веб-сервер для навигации по общедоступным метаданным мышь Наборы данных RNA-Seq.
• Рубус Rubus GDR RefTrans V1 - GDR Rubus RefTrans объединяет опубликованные наборы данных RNA-Seq и EST для создания эталонного транскриптома (RefTrans) для рубус и обеспечивает предполагаемую функцию гена, идентифицированную по гомологии с известными белками.
• Сорго MOROKOSHI База данных транскриптомов сорго. Клон кДНК полной длины RIKEN и данные RNA-Seq в Сорго двухцветное.
• S. purpuratus S. purpuratus - Транскриптомы развития S. purpuratus
• С. cerevisiae База данных транскриптомов YeastMine.
• Пшеница WheatExp - база данных экспрессии РНК-seq для полиплоидов пшеница.

внешняя ссылка

Вебинары и презентации

• RNASeq-Blog Презентации
• Документация семинара по RNA-Seq (Университет Калифорнии в Дэвисе)
• Принстонская мастерская
• YouTube / RNA-Seq
• Презентации RNA-Seq от GSK, Туринского университета и Университета Бата.

Рекомендации

1. Ван З., Герштейн М., Снайдер М. (январь 2009 г.). «RNA-Seq: революционный инструмент для транскриптомики». Обзоры природы. Генетика. 10 (1): 57–63. Дои:10.1038 / nrg2484. ЧВК  2949280. PMID  19015660.
2. Кукурба К.Р., Монтгомери С.Б. (апрель 2015 г.). «Секвенирование и анализ РНК». Протоколы Колд-Спринг-Харбор. 2015 (11): 951–69. Дои:10.1101 / pdb.top084970. ЧВК  4863231. PMID  25870306.
3. Conesa A, Madrigal P, Tarazona S, Gomez-Cabrero D, Cervera A, McPherson A, Szcześniak MW, Gaffney DJ, Elo LL, Zhang X, Mortazavi A (январь 2016 г.). «Обзор лучших практик анализа данных RNA-seq». Геномная биология. 17 (13): 13. Дои:10.1186 / s13059-016-0881-8. ЧВК  4728800. PMID  26813401.
4. «Секвенирование и анализ РНК» (PDF). Канадские семинары по биоинформатике. 2012.
5. Поплавски А., Биндер Н. (июль 2018 г.). «Возможность расчета размера выборки для исследований RNA-seq». Брифинги по биоинформатике. 19 (4): 713–720. Дои:10.1093 / нагрудник / bbw144. PMID  28100468. S2CID  28848959.
6. Шенг Кью, Викерс К., Чжао С., Ван Дж., Самуэльс Д.К., Куэс О, Шир Й., Го И (июль 2017 г.). «Многопрофильный контроль качества анализа данных секвенирования РНК Illumina». Брифинги по функциональной геномике. 16 (4): 194–204. Дои:10.1093 / bfgp / elw035. ЧВК  5860075. PMID  27687708.
7. Сайольс С., Кляйн Х (2015). "dupRadar: Оценка уровня дублирования в наборах данных RNA-Seq. Пакет R версии 1.1.0".
8. Депутат Дэвиса, ван Донген С., Абреу-Гуджер С., Бартоничек Н., Энрайт А.Дж. (сентябрь 2013 г.). «Kraken: набор инструментов для контроля качества и анализа данных высокопроизводительной последовательности». Методы. 63 (1): 41–9. Дои:10.1016 / j.ymeth.2013.06.027. ЧВК  3991327. PMID  23816787.
9. Андерс С., Пил П. Т., Хубер В. (январь 2015 г.). «HTSeq - среда Python для работы с высокопроизводительными данными секвенирования». Биоинформатика. 31 (2): 166–9. Дои:10.1093 / биоинформатика / btu638. ЧВК  4287950. PMID  25260700.
10. Фэн Х, Чжан Х, Чжан С. (август 2015 г.). «mRIN для прямой оценки полногеномной и ген-специфической целостности мРНК на основе данных крупномасштабного секвенирования РНК». Nature Communications. 6 (7816): 7816. Bibcode:2015 НатКо ... 6.7816F. Дои:10.1038 / ncomms8816. ЧВК  4523900. PMID  26234653.
11. Юэлс П., Магнуссон М., Лундин С., Келлер М. (октябрь 2016 г.). «MultiQC: суммируйте результаты анализа для нескольких инструментов и образцов в одном отчете». Биоинформатика. 32 (19): 3047–8. Дои:10.1093 / биоинформатика / btw354. ЧВК  5039924. PMID  27312411.
12. ДеЛука Д.С., Левин Дж. З., Сиваченко А., Феннелл Т., Назер, доктор медицины, Уильямс С., Райх М., Винклер В., Гетц Г. (июнь 2012 г.). «RNA-SeQC: метрики RNA-seq для контроля качества и оптимизации процесса». Биоинформатика. 28 (11): 1530–2. Дои:10.1093 / биоинформатика / bts196. ЧВК  3356847. PMID  22539670.
13. Ван Л., Ван С., Ли В. (август 2012 г.). «RSeQC: контроль качества экспериментов с RNA-seq». Биоинформатика. 28 (16): 2184–5. Дои:10.1093 / биоинформатика / bts356. PMID  22743226.
14. Лассманн Т., Хаяшизаки Ю., Дауб КО (январь 2011 г.). «SAMStat: мониторинг систематических ошибок в данных секвенирования следующего поколения». Биоинформатика. 27 (1): 130–1. Дои:10.1093 / биоинформатика / btq614. ЧВК  3008642. PMID  21088025.
15. Лахенс Н.Ф., Кавакли И.Х., Чжан Р., Хайер К., Блэк М.Б., Дюк Х., Писарро А., Ким Дж., Иризарри Р., Томас Р.С., Грант Г.Р., Хогенеш Дж.Б. (июнь 2014 г.). «IVT-seq показывает крайнюю предвзятость в секвенировании РНК». Геномная биология. 15 (6): R86. Дои:10.1186 / gb-2014-15-6-r86. ЧВК  4197826. PMID  24981968.
16. Ли С., Чабай П.П., Зумбо П., Сикачек П., Ши В., Ши Л., Фан Дж., Ву П.Й., Ван М., Ван С., Тьерри-Миг Д., Тьерри-Миег Дж., Крейл Д.П., Мейсон CE (сентябрь 2014 г.). «Обнаружение и исправление систематических изменений в данных крупномасштабного секвенирования РНК». Природа Биотехнологии. 32 (9): 888–95. Дои:10.1038 / nbt.3000. ЧВК  4160374. PMID  25150837.
17. Бенджамини Y, Speed ​​TP (май 2012 г.). «Обобщение и исправление смещения содержания ГХ при высокопроизводительном секвенировании». Исследования нуклеиновых кислот. 40 (10): e72. Дои:10.1093 / нар / gks001. ЧВК  3378858. PMID  22323520.
18. Эйрд Д., Росс М.Г., Чен В.С., Даниэльссон М., Феннелл Т., Расс С., Джаффе Д. Б., Нусбаум С., Гнирке А. (2011). «Анализ и минимизация систематической ошибки амплификации ПЦР в библиотеках секвенирования Illumina». Геномная биология. 12 (2): R18. Дои:10.1186 / gb-2011-12-2-r18. ЧВК  3188800. PMID  21338519.
19. Adiconis X, Borges-Rivera D, Satija R, DeLuca DS, Busby MA, Berlin AM, Sivachenko A, Thompson DA, Wysoker A, Fennell T, Gnirke A, Pochet N, Regev A, Levin JZ (июль 2013 г.). «Сравнительный анализ методов секвенирования РНК для деградированных образцов или образцов с низким входом». Методы природы. 10 (7): 623–9. Дои:10.1038 / nmeth.2483. ЧВК  3821180. PMID  23685885.
20. Накамура К., Осима Т., Моримото Т., Икеда С., Йошикава Х., Шива И., Исикава С., Линак М.С., Хираи А., Такахаши Х., Алтаф-Уль-Амин М., Огасавара Н., Каная С. (июль 2011 г.). «Профиль ошибок секвенсоров Illumina для конкретных последовательностей». Исследования нуклеиновых кислот. 39 (13): e90. Дои:10.1093 / nar / gkr344. ЧВК  3141275. PMID  21576222.
21. Хансен К.Д., Бреннер С.Е., Дудуа С (Июль 2010 г.). «Ошибки в секвенировании транскриптома Illumina, вызванные случайным праймированием гексамеров». Исследования нуклеиновых кислот. 38 (12): e131. Дои:10.1093 / nar / gkq224. ЧВК  2896536. PMID  20395217.
22. Смедс Л., Кюнстнер А. (19 октября 2011 г.). «ConDeTri - зависимый от содержимого триммер чтения для данных Illumina». PLOS ONE. 6 (10): e26314. Bibcode:2011PLoSO ... 626314S. Дои:10.1371 / journal.pone.0026314. ЧВК  3198461. PMID  22039460.
23. Мартин, Марсель (2 мая 2011 г.). «Cutadapt удаляет последовательности адаптеров из операций чтения с высокой пропускной способностью». EMBnet.journal. 17 (1): 10. Дои:10.14806 / ej.17.1.200.
24. Prezza, Никола; Дель Фаббро, Кристиан; Вецци, Франческо; Де Паоли, Эмануале; Policriti, Альберто (2012). ERNE-BS5: Выравнивание обработанных BS последовательностей множественными ударами по 5-буквенному алфавиту. Материалы конференции ACM по биоинформатике, компьютерной биологии и биомедицине. 12. С. 12–19. Дои:10.1145/2382936.2382938. ISBN  9781450316705. S2CID  5673753.
25. Шмидер Р., Эдвардс Р. (март 2011 г.). «Контроль качества и предварительная обработка наборов метагеномных данных». Биоинформатика. 27 (6): 863–4. Дои:10.1093 / биоинформатика / btr026. ЧВК  3051327. PMID  21278185.
26. Длугош К.М., Лай З., Бонин А., Йерро Дж., Ризеберг Л.Х. (февраль 2013 г.). «Идентификация аллелей для популяционной геномики на основе транскриптомов в инвазивном растении Centaurea solstitialis». G3. 3 (2): 359–67. Дои:10.1534 / g3.112.003871. ЧВК  3564996. PMID  23390612.
27. Болджер А.М., Лозе М., Усадель Б (август 2014 г.). «Trimmomatic: гибкий триммер для данных последовательности Illumina». Биоинформатика. 30 (15): 2114–20. Дои:10.1093 / биоинформатика / btu170. ЧВК  4103590. PMID  24695404.
28. Лаенеманн Д., Боркхард А., Макарди А.С. (январь 2016 г.). «Устранение шумов в данных глубокого секвенирования ДНК - ошибки высокопроизводительного секвенирования и их исправление». Брифинги по биоинформатике. 17 (1): 154–79. Дои:10.1093 / bib / bbv029. ЧВК  4719071. PMID  26026159.
29. Айва С., Ланзен А., Давенпорт Р.Дж., Тернбо П.Дж. (январь 2011 г.). «Удаление шума из пиросеквенированных ампликонов». BMC Биоинформатика. 12 (38): 38. Дои:10.1186/1471-2105-12-38. ЧВК  3045300. PMID  21276213.
30. Хео Й, Ву XL, Чен Д., Ма Дж., Хву ВМ (май 2014 г.). «БЛЕСС: решение для исправления ошибок на основе фильтра Блума для высокопроизводительных операций секвенирования». Биоинформатика. 30 (10): 1354–62. Дои:10.1093 / биоинформатика / btu030. ЧВК  6365934. PMID  24451628.
31. Гринфилд П., Дуэсинг К., Папаниколау А., Бауэр, округ Колумбия (октябрь 2014 г.). «Синий: исправление ошибок секвенирования с использованием консенсуса и контекста». Биоинформатика. 30 (19): 2723–32. Дои:10.1093 / биоинформатика / btu368. PMID  24919879.
32. Майкл, я люблю; Джон Б. Хогенеш; Рафаэль Иризарри (2015). «Моделирование систематической ошибки последовательности фрагментов РНК-seq снижает систематические ошибки в оценке количества транскриптов». bioRxiv  10.1101/025767.
33. Хансен К.Д., Иризарри Р.А., Ву З. (апрель 2012 г.). «Устранение технической изменчивости в данных последовательности РНК с помощью условной квантильной нормализации». Биостатистика. 13 (2): 204–16. Дои:10.1093 / биостатистика / kxr054. ЧВК  3297825. PMID  22285995.
34. Риссо Д., Шварц К., Шерлок Дж., Дудуа С (Декабрь 2011 г.). «Нормализация GC-содержимого для данных RNA-Seq». BMC Биоинформатика. 12 (1): 480. Дои:10.1186/1471-2105-12-480. ЧВК  3315510. PMID  22177264.
35. Stegle O, Parts L, Piipari M, Winn J, Durbin R (февраль 2012 г.). «Использование вероятностной оценки остатков экспрессии (PEER) для получения повышенной мощности и интерпретируемости анализов экспрессии генов». Протоколы природы. 7 (3): 500–7. Дои:10.1038 / nprot.2011.457. ЧВК  3398141. PMID  22343431.
36. Риссо Д., Нгаи Дж., Скорость TP, Дудуа С (Сентябрь 2014 г.). «Нормализация данных РНК-seq с использованием факторного анализа контрольных генов или образцов». Природа Биотехнологии. 32 (9): 896–902. Дои:10.1038 / nbt.2931. ЧВК  4404308. PMID  25150836.
37. Мичем Ф., Боффелли Д., Дахби Дж., Мартин Д.И., Певица М., Пачтер Л. (ноябрь 2011 г.). «Выявление и исправление систематической ошибки в данных высокопроизводительной последовательности». BMC Биоинформатика. 12 (1): 451. Дои:10.1186/1471-2105-12-451. ЧВК  3295828. PMID  22099972.
38. Лю Б., Юань Дж., Ю С.М., Ли З., Се И, Чен И, Ши И, Чжан Х, Ли И, Лам Т.В., Луо Р. (ноябрь 2012 г.). «COPE: инструмент для точного считывания концевых пар на основе k-mer для облегчения сборки генома». Биоинформатика. 28 (22): 2870–4. Дои:10.1093 / биоинформатика / bts563. PMID  23044551.
39. Чжан Дж., Коберт К., Флури Т., Стаматакис А. (март 2014 г.). «PEAR: быстрое и точное слияние Illumina Paired-End reAd reAd mergeR». Биоинформатика. 30 (5): 614–20. Дои:10.1093 / биоинформатика / btt593. ЧВК  3933873. PMID  24142950.
40. Родриг С., Матерна А.С., Тимберлейк СК, Блэкберн М.К., Мальмстрем Р.Р., Альм Э.Дж., Чисхолм ЮЗ (июль 2010 г.). «Разблокировка короткого секвенирования чтения для метагеномики». PLOS ONE. 5 (7): e11840. Bibcode:2010PLoSO ... 511840R. Дои:10.1371 / journal.pone.0011840. ЧВК  2911387. PMID  20676378.
41. Ляо И., Смит Г.К., Ши В. (май 2013 г.). «Выравниватель Subread: быстрое, точное и масштабируемое отображение чтения по принципу seed-and-voice». Исследования нуклеиновых кислот. 41 (10): e108. Дои:10.1093 / nar / gkt214. ЧВК  3664803. PMID  23558742.
42. Аламанкос ГП, Агирре Э., Эйрас Э. (2014). «Методы изучения сплайсинга из данных высокопроизводительного секвенирования РНК». Сплайсинг пре-мРНК. Методы молекулярной биологии. 1126. С. 357–97. arXiv:1304.5952. Дои:10.1007/978-1-62703-980-2_26. ISBN  978-1-62703-979-6. PMID  24549677. S2CID  18574607.
43. Baruzzo G, Hayer KE, Kim EJ, Di Camillo B, FitzGerald GA, Grant GR (февраль 2017 г.). «Комплексный сравнительный анализ выравнивателей RNA-seq на основе моделирования». Методы природы. 14 (2): 135–139. Дои:10.1038 / nmeth.4106. ЧВК  5792058. PMID  27941783.
44. Campagna D, Telatin A, Forcato C, Vitulo N, Valle G (январь 2013 г.). «PASS-bis: бисульфитный выравниватель, подходящий для анализа целого метилома считываний Illumina и SOLiD». Биоинформатика. 29 (2): 268–70. Дои:10.1093 / биоинформатика / bts675. PMID  23162053.
45. Ан Дж, Сяо Х (декабрь 2015 г.). «РАСЕР: считывает выравниватель для SNP и редактирует сайты РНК». Биоинформатика. 31 (24): 3906–13. Дои:10.1093 / биоинформатика / btv505. ЧВК  4692970. PMID  26323713.
46. Добин А., Дэвис К.А., Шлезингер Ф., Дренкоу Дж., Залески С., Джа С., Батут П., Чейссон М., Джингерас Т.Р. (январь 2013 г.). «STAR: сверхбыстрый универсальный выравниватель RNA-seq». Биоинформатика. 29 (1): 15–21. Дои:10.1093 / биоинформатика / bts635. ЧВК  3530905. PMID  23104886.
47. Трапнелл С., Пахтер Л., Зальцберг С.Л. (май 2009 г.). «TopHat: обнаружение сплайсинговых соединений с помощью RNA-Seq». Биоинформатика. 25 (9): 1105–11. Дои:10.1093 / биоинформатика / btp120. ЧВК  2672628. PMID  19289445.
48. Лиор Пахтер (2011). «Модели для количественной оценки транскриптов из RNA-Seq». arXiv:1104.3889. Bibcode:2011arXiv1104.3889P.
49. Джин Х, Ван Ю.В., Лю З. (март 2017 г.). «Комплексная оценка методов количественной оценки RNA-seq на линейность». BMC Биоинформатика. 18 (Дополнение 4): 117. Дои:10.1186 / s12859-017-1526-у. ЧВК  5374695. PMID  28361706.
50. Квам В.М., Лю П, Си Й (февраль 2012 г.). «Сравнение статистических методов для обнаружения дифференциально экспрессируемых генов из данных RNA-seq». Американский журнал ботаники. 99 (2): 248–56. Дои:10.3732 / ajb.1100340. PMID  22268221.
51. Dillies MA, Rau A, Aubert J, Hennequet-Antier C, Jeanmougin M, Servant N, Keime C, Marot G, Castel D, Estelle J, Guernec G, Jagla B, Jouneau L, Laloë D, Le Gall C, Schaëffer B , Le Crom S, Guedj M, Jaffrézic F (ноябрь 2013 г.). «Комплексная оценка методов нормализации для анализа данных высокопроизводительного секвенирования РНК компании Illumina». Брифинги по биоинформатике. 14 (6): 671–83. Дои:10.1093 / bib / bbs046. PMID  22988256.
52. Эванс К., Хардин Дж., Штобель Д.М. (сентябрь 2018 г.). «Выбор методов нормализации RNA-Seq между образцами с точки зрения их предположений». Брифинги по биоинформатике. 19 (5): 776–792. Дои:10.1093 / bib / bbx008. ЧВК  6171491. PMID  28334202.
53. Wu Z, Jenkins BD, Rynearson TA, Dyhrman ST, Saito MA, Mercier M, Whitney LP (ноябрь 2010 г.). «Эмпирический байесовский анализ транскрипционного профилирования на основе секвенирования без повторов». BMC Биоинформатика. 11: 564. Дои:10.1186/1471-2105-11-564. ЧВК  3098101. PMID  21080965.
54. Хаджирамезанали, Э. и Дадане, С. З. и Фигейредо, П. Д. & Sze, S. & Zhou, Z. & Qian, X. Анализ дифференциальных выражений данных подсчета динамического секвенирования с гамма-цепью Маркова. arXiv:1803.02527
55. Trapnell C, Williams BA, Pertea G, Mortazavi A, Kwan G, van Baren MJ, Salzberg SL, Wold BJ, Pachter L (май 2010 г.). «Сборка и количественная оценка транскриптов с помощью RNA-Seq выявляет неаннотированные транскрипты и переключение изоформ во время дифференцировки клеток». Природа Биотехнологии. 28 (5): 511–5. Дои:10.1038 / nbt.1621. ЧВК  3146043. PMID  20436464.
56. Кламбауэр Г., Унтертинер Т., Хохрайтер С. (ноябрь 2013 г.). «DEXUS: определение дифференциальной экспрессии в исследованиях RNA-Seq с неизвестными условиями». Исследования нуклеиновых кислот. 41 (21): e198. Дои:10.1093 / nar / gkt834. ЧВК  3834838. PMID  24049071.
57. Вавулис Д.В., Франческатто М., Хойтинк П., Гоф Дж. (Февраль 2015 г.). «DGEclust: анализ дифференциальной экспрессии кластеризованных данных подсчета». Геномная биология. 16: 39. Дои:10.1186 / s13059-015-0604-6. ЧВК  4365804. PMID  25853652.
58. Фэн Дж., Мейер К.А., Ван Ц., Лю Дж. С., Ширли Лю Х, Чжан И (ноябрь 2012 г.). «GFOLD: обобщенное кратное изменение для ранжирования дифференциально экспрессируемых генов по данным RNA-seq». Биоинформатика. 28 (21): 2782–8. Дои:10.1093 / биоинформатика / bts515. PMID  22923299.
59. Раушенбергер А., Йонкер М.А., ван де Виль М.А., Менезес RX (март 2016 г.). «Тестирование связи между RNA-Seq и многомерными данными». BMC Биоинформатика. 17 (118): 118. Дои:10.1186 / s12859-016-0961-5. ЧВК  4782413. PMID  26951498.
60. Цао М., Чжоу, В., Брейдт Ф.Дж., коллеги, Г. (сентябрь 2019 г.). «Крупномасштабный множественный вывод максимальной средней мощности на основе данных подсчета времени с применением к анализу RNA-Seq». Биометрия. появиться (1): 9–22. Дои:10.1111 / biom.13144. PMID  31483480.
61. Мулос П., Хатзис П. (февраль 2015 г.). «Систематическая интеграция статистических алгоритмов RNA-Seq для точного определения паттернов дифференциальной экспрессии генов». Исследования нуклеиновых кислот. 43 (4): e25. Дои:10.1093 / нар / gku1273. ЧВК  4344485. PMID  25452340.
62. Раушенбергер А., Менезес RX, ван де Виль MA, ван Шур Н.М., Йонкер М.А. (2018). «Обнаружение SNP с интерактивным воздействием на количественный признак». arXiv:1805.09175 [stat.ME ].
63. Navarro FCP, Hoops J, Bellfy L, Cerveira E, Zhu Q, Zhang C, Lee C, Gerstein M (август 2019). «TeXP: деконволюция эффектов всеобъемлющей и автономной транскрипции мобильных элементов». PLOS вычислительная биология. 15 (8): e1007293. Bibcode:2019PLSCB..15E7293N. Дои:10.1371 / journal.pcbi.1007293. ЧВК  6715295. PMID  31425522.
64. Яо Л., Ван Х, Сон Й, Суй Джи (октябрь 2017 г.). «BioQueue: новая структура конвейера для ускорения биоинформатического анализа». Биоинформатика. 33 (20): 3286–3288. Дои:10.1093 / биоинформатика / btx403. PMID  28633441.
65. Карташов А.В., Барский А. (август 2015). «BioWizard: интегрированная платформа для анализа данных эпигеномики и транскриптомики». Геномная биология. 16 (1): 158. Дои:10.1186 / s13059-015-0720-3. ЧВК  4531538. PMID  26248465.
66. Левин Л., Бар-Яаков Д., Бускила А., Хорев М., Кармель Л., Мишмар Д. (2015). «ЛИМОНЫ - Инструмент для идентификации сплайсинговых соединений в транскриптомах организмов, лишенных эталонных геномов». PLOS ONE. 10 (11): e0143329. Bibcode:2015PLoSO..1043329L. Дои:10.1371/journal.pone.0143329. ЧВК  4659627. PMID  26606265.
67. Pundhir S, Gorodkin J (July 2015). "Differential and coherent processing patterns from small RNAs". Научные отчеты. 5: 12062. Bibcode:2015NatSR...512062P. Дои:10.1038/srep12062. ЧВК  4499813. PMID  26166713.
68. Rogers, Mark F; Thomas, Julie; Reddy, Anireddy SN; Ben-Hur, Asa (2012). "SpliceGrapher: detecting patterns of alternative splicing from RNA-Seq data in the context of gene models and EST data". Геномная биология. 13 (1): R4. Дои:10.1186/gb-2012-13-1-r4. ISSN  1465-6906. ЧВК  3334585. PMID  22293517.
69. Rogers, Mark F.; Boucher, Christina; Ben-Hur, Asa (2013). "SpliceGrapherXT: From Splice Graphs to Transcripts Using RNA-Seq". Proceedings of the International Conference on Bioinformatics, Computational Biology and Biomedical Informatics. BCB'13. New York, NY, USA: ACM: 247:247–247:255. Дои:10.1145/2506583.2506625. ISBN  9781450324342. S2CID  15009112.
70. Wu J, Akerman M, Sun S, McCombie WR, Krainer AR, Zhang MQ (November 2011). "SpliceTrap: a method to quantify alternative splicing under single cellular conditions". Биоинформатика. 27 (21): 3010–6. Дои:10.1093/bioinformatics/btr508. ЧВК  3198574. PMID  21896509.
71. Vitting-Seerup K, Sandelin A (September 2017). "The Landscape of Isoform Switches in Human Cancers". Молекулярные исследования рака. 15 (9): 1206–1220. Дои:10.1158/1541-7786.mcr-16-0459. PMID  28584021.
72. Nowicka M, Robinson MD (6 December 2016). "DRIMSeq: a Dirichlet-multinomial framework for multivariate count outcomes in genomics". F1000 Исследования. 5: 1356. Дои:10.12688/f1000research.8900.2. ЧВК  5200948. PMID  28105305.
73. Papastamoulis P, Rattray M (November 2017). "Bayesian estimation of differential transcript usage from RNA-seq data". Статистические приложения в генетике и молекулярной биологии. 16 (5–6): 367–386. arXiv:1701.03095. Bibcode:2017arXiv170103095P. Дои:10.1515/sagmb-2017-0005. PMID  29091583. S2CID  915799.
74. Shi Y, Chinnaiyan AM, Jiang H (July 2015). "rSeqNP: a non-parametric approach for detecting differential expression and splicing from RNA-Seq data". Биоинформатика. 31 (13): 2222–4. Дои:10.1093/bioinformatics/btv119. ЧВК  4481847. PMID  25717189.
75. Jones, Daniel C.; Kuppusamy, Kavitha T.; Palpant, Nathan J.; Peng, Xinxia; Murry, Charles E.; Ruohola-Baker, Hannele; Ruzzo, Walter L. (20 November 2016). "Isolator: accurate and stable analysis of isoform-level expression in RNA-Seq experiments". bioRxiv  10.1101/088765.
76. Kumar S, Vo AD, Qin F, Li H (February 2016). "Comparative assessment of methods for the fusion transcripts detection from RNA-Seq data". Научные отчеты. 6 (21587): 21597. Bibcode:2016NatSR...621597K. Дои:10.1038/srep21597. ЧВК  4748267. PMID  26862001.
77. "Synapse | Sage Bionetworks".
78. Dehghannasiri R, Freeman DE, Jordanski M, Hsieh GL, Damljanovic A, Lehnert E, Salzman J (July 2019). "Improved detection of gene fusions by applying statistical methods reveals oncogenic RNA cancer drivers". PNAS. 116 (31): 15524–15533. Дои:10.1073/pnas.1900391116. ЧВК  6681709. PMID  31308241.
79. Wang K, Singh D, Zeng Z, Coleman SJ, Huang Y, Savich GL, He X, Mieczkowski P, Grimm SA, Perou CM, MacLeod JN, Chiang DY, Prins JF, Liu J (October 2010). "MapSplice: accurate mapping of RNA-seq reads for splice junction discovery". Исследования нуклеиновых кислот. 38 (18): e178. Дои:10.1093/nar/gkq622. ЧВК  2952873. PMID  20802226.
80. Jia W, Qiu K, He M, Song P, Zhou Q, Zhou F, Yu Y, Zhu D, Nickerson ML, Wan S, Liao X, Zhu X, Peng S, Li Y, Wang J, Guo G (February 2013). "SOAPfuse: an algorithm for identifying fusion transcripts from paired-end RNA-Seq data". Геномная биология. 14 (2): R12. Дои:10.1186/gb-2013-14-2-r12. ЧВК  4054009. PMID  23409703.
81. Routh A, Johnson JE (January 2014). «Обнаружение функциональных геномных мотивов в вирусах с помощью ViReMa - Virus Recombination Mapper - для анализа данных секвенирования следующего поколения». Исследования нуклеиновых кислот. 42 (2): e11. Дои:10.1093 / nar / gkt916. ЧВК  3902915. PMID  24137010.
82. Хашимшони Т., Вагнер Ф, Шер Н., Янаи И. (сентябрь 2012 г.). «CEL-Seq: одноклеточная РНК-Seq путем мультиплексной линейной амплификации». Отчеты по ячейкам. 2 (3): 666–73. Дои:10.1016 / j.celrep.2012.08.003. PMID  22939981.
83. Macosko EZ, Basu A, Satija R, Nemesh J, Shekhar K, Goldman M, Tirosh I, Bialas AR, Kamitaki N, Martersteck EM, Trombetta JJ, Weitz DA, Sanes JR, Shalek AK, Regev A, McCarroll SA (May 2015). "Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets". Клетка. 161 (5): 1202–1214. Дои:10.1016/j.cell.2015.05.002. ЧВК  4481139. PMID  26000488.
84. Marco E, Karp RL, Guo G, Robson P, Hart AH, Trippa L, Yuan GC (December 2014). "Bifurcation analysis of single-cell gene expression data reveals epigenetic landscape". Труды Национальной академии наук Соединенных Штатов Америки. 111 (52): E5643-50. Bibcode:2014PNAS..111E5643M. Дои:10.1073/pnas.1408993111. ЧВК  4284553. PMID  25512504.
85. Buettner F, Natarajan KN, Casale FP, Proserpio V, Scialdone A, Theis FJ, Teichmann SA, Marioni JC, Stegle O (February 2015). "Computational analysis of cell-to-cell heterogeneity in single-cell RNA-sequencing data reveals hidden subpopulations of cells". Природа Биотехнологии. 33 (2): 155–60. Дои:10.1038/nbt.3102. PMID  25599176.
86. Mohammed MH, Ghosh TS, Singh NK, Mande SS (January 2011). "SPHINX--an algorithm for taxonomic binning of metagenomic sequences". Биоинформатика. 27 (1): 22–30. Дои:10.1093/bioinformatics/btq608. PMID  21030462.
87. Stubbington MJ, Lönnberg T, Proserpio V, Clare S, Speak AO, Dougan G, Teichmann SA (April 2016). "T cell fate and clonality inference from single-cell transcriptomes". Методы природы. 13 (4): 329–332. Дои:10.1038/nmeth.3800. ЧВК  4835021. PMID  26950746.
88. Eltahla AA, Rizzetto S, Pirozyan MR, Betz-Stablein BD, Venturi V, Kedzierska K, Lloyd AR, Bull RA, Luciani F (July 2016). "Linking the T cell receptor to the single cell transcriptome in antigen-specific human T cells". Иммунология и клеточная биология. 94 (6): 604–11. Дои:10.1038/icb.2016.16. PMID  26860370. S2CID  25714515.
89. Wolf, F. Alexander; Angerer, Philipp; Theis, Fabian J. (6 February 2018). "SCANPY: large-scale single-cell gene expression data analysis". Геномная биология. 19 (1): 15. Дои:10.1186/s13059-017-1382-0. ЧВК  5802054. PMID  29409532.
90. Батлер, Эндрю; Хоффман, Пол; Smibert, Peter; Papalexi, Efthymia; Satija, Rahul (2 April 2018). "Integrating single-cell transcriptomic data across different conditions, technologies, and species". Природа Биотехнологии. 36 (5): 411–420. Дои:10.1038/nbt.4096. ЧВК  6700744. PMID  29608179.
91. Guo M, Wang H, Potter SS, Whitsett JA, Xu Y (November 2015). "SINCERA: A Pipeline for Single-Cell RNA-Seq Profiling Analysis". PLOS вычислительная биология. 11 (11): e1004575. Bibcode:2015PLSCB..11E4575G. Дои:10.1371/journal.pcbi.1004575. ЧВК  4658017. PMID  26600239.
92. Pierson E, Yau C (November 2015). "ZIFA: Dimensionality reduction for zero-inflated single-cell gene expression analysis". Геномная биология. 16 (241): 241. Дои:10.1186/s13059-015-0805-z. ЧВК  4630968. PMID  26527291.
93. Chang Z, Li G, Liu J, Zhang Y, Ashby C, Liu D, Cramer CL, Huang X (February 2015). "Bridger: a new framework for de novo transcriptome assembly using RNA-seq data". Геномная биология. 16 (1): 30. Дои:10.1186/s13059-015-0596-2. ЧВК  4342890. PMID  25723335.
94. Foroushani A, Agrahari R, Docking R, Chang L, Duns G, Hudoba M, Karsan A, Zare H (March 2017). "Large-scale gene network analysis reveals the significance of extracellular matrix pathway and homeobox genes in acute myeloid leukemia: an introduction to the Pigengene package and its applications". BMC Medical Genomics. 10 (1): 16. Дои:10.1186/s12920-017-0253-6. ЧВК  5353782. PMID  28298217.
95. Quek C, Jung CH, Bellingham SA, Lonie A, Hill AF (2015). "iSRAP - a one-touch research tool for rapid profiling of small RNA-seq data". Journal of Extracellular Vesicles. 4: 29454. Дои:10.3402/jev.v4.29454. ЧВК  4641893. PMID  26561006.
96. Kuksa PP, Amlie-Wolf A, Katanic Ž, Valladares O, Wang LS, Leung YY (July 2018). "SPAR: small RNA-seq portal for analysis of sequencing experiments". Исследования нуклеиновых кислот. 46 (W1): W36–W42. Дои:10.1093/nar/gky330. ЧВК  6030839. PMID  29733404.
97. Johnson NR, Yeoh J, Axtell MJ (2016). "Improved Placement of Multi-Mapping Small RNAs". G3. 6 (7): 2103–2111. Дои:10.1534/g3.116.030452. ЧВК  4938663. PMID  27175019.
98. Schmid-Burgk JL, Hornung V (November 2015). "BrowserGenome.org: web-based RNA-seq data analysis and visualization". Методы природы. 12 (11): 1001. Дои:10.1038/nmeth.3615. PMID  26513548. S2CID  205424303.
99. Milne I, Stephen G, Bayer M, Cock PJ, Pritchard L, Cardle L, Shaw PD, Marshall D (March 2013). "Using Tablet for visual exploration of second-generation sequencing data". Брифинги по биоинформатике. 14 (2): 193–202. Дои:10.1093/bib/bbs012. PMID  22445902.
100. Pirayre A, Couprie C, Duval L, Pesquet JC (2017). "BRANE Clust: Cluster-Assisted Gene Regulatory Network Inference Refinement" (PDF). IEEE / ACM Transactions по вычислительной биологии и биоинформатике (Представлена ​​рукопись). 15 (3): 850–860. Дои:10.1109/TCBB.2017.2688355. PMID  28368827. S2CID  12866368.
101. Pirayre A, Couprie C, Bidard F, Duval L, Pesquet JC (November 2015). "BRANE Cut: biologically-related a priori network enhancement with graph cuts for gene regulatory network inference". BMC Биоинформатика. 16: 368. Дои:10.1186/s12859-015-0754-2. ЧВК  4634801. PMID  26537179.
102. Luo W, Friedman MS, Shedden K, Hankenson KD, Woolf PJ (May 2009). "GAGE: generally applicable gene set enrichment for pathway analysis". BMC Биоинформатика. 10 (161): 161. Дои:10.1186/1471-2105-10-161. ЧВК  2696452. PMID  19473525.
103. Subhash S, Kanduri C (September 2016). "GeneSCF: a real-time based functional enrichment tool with support for multiple organisms". BMC Биоинформатика. 17 (1): 365. Дои:10.1186/s12859-016-1250-z. ЧВК  5020511. PMID  27618934.
104. Rue-Albrecht K (2014). "Visualise microarray and RNAseq data using gene ontology annotations. R package version 1.4.1".
105. Young MD, Wakefield MJ, Smyth GK, Oshlack A (2010). "Gene ontology analysis for RNA-seq: accounting for selection bias". Геномная биология. 11 (2): R14. Дои:10.1186/gb-2010-11-2-r14. ЧВК  2872874. PMID  20132535.
106. Xiong Q, Mukherjee S, Furey TS (September 2014). "GSAASeqSP: a toolset for gene set association analysis of RNA-Seq data". Научные отчеты. 4 (6347): 6347. Bibcode:2014NatSR...4E6347X. Дои:10.1038/srep06347. ЧВК  4161965. PMID  25213199.
107. Hänzelmann S, Castelo R, Guinney J (January 2013). "GSVA: gene set variation analysis for microarray and RNA-seq data". BMC Биоинформатика. 14 (17): 7. Дои:10.1186/1471-2105-14-7. ЧВК  3618321. PMID  23323831.
108. Zhou YH (March 2016). "Pathway analysis for RNA-Seq data using a score-based approach". Биометрия. 72 (1): 165–74. Дои:10.1111/biom.12372. ЧВК  4992401. PMID  26259845.
109. Ihnatova I, Budinska E (October 2015). "ToPASeq: an R package for topology-based pathway analysis of microarray and RNA-Seq data". BMC Биоинформатика. 16 (350): 350. Дои:10.1186/s12859-015-0763-1. ЧВК  4625615. PMID  26514335.
110. Van Bel M, Proost S, Van Neste C, Deforce D, Van de Peer Y, Vandepoele K (December 2013). "TRAPID: an efficient online tool for the functional and comparative analysis of de novo RNA-Seq transcriptomes". Геномная биология. 14 (12): R134. Дои:10.1186/gb-2013-14-12-r134. ЧВК  4053847. PMID  24330842.
111. de Jong A, van der Meulen S, Kuipers OP, Kok J (September 2015). "T-REx: Transcriptome analysis webserver for RNA-seq Expression data". BMC Genomics. 16 (663): 663. Дои:10.1186/s12864-015-1834-4. ЧВК  4558784. PMID  26335208.
112. Zhang Y, Chen K, Sloan SA, Bennett ML, Scholze AR, O'Keeffe S, Phatnani HP, Guarnieri P, Caneda C, Ruderisch N, Deng S, Liddelow SA, Zhang C, Daneman R, Maniatis T, Barres BA, Wu JQ (September 2014). "An RNA-sequencing transcriptome and splicing database of glia, neurons, and vascular cells of the cerebral cortex". Журнал неврологии. 34 (36): 11929–47. Дои:10.1523/JNEUROSCI.1860-14.2014. ЧВК  4152602. PMID  25186741.
113. Wang Y, Wu N, Liu J, Wu Z, Dong D (July 2015). "FusionCancer: a database of cancer fusion genes derived from RNA-seq data". Диагностическая патология. 10 (131): 131. Дои:10.1186/s13000-015-0310-4. ЧВК  4517624. PMID  26215638.
114. Franzén O, Gan LM, Björkegren JL (January 2019). "PanglaoDB: a web server for exploration of mouse and human single-cell RNA sequencing data" (PDF). База данных. 2019. Дои:10.1093/database/baz046. ЧВК  6450036. PMID  30951143.