1. 단백체 및 수식화 단백체의 이종 데이터 통합 분석을 위한 데이터 분석 파이프라인 a. PTMOmics pipeline은 글로벌 단백체 데이터에서 수식화 정보 도출을 위한 것으로 단백체 실험 후 확인된 단백질 목록에 대해 Metascape (https://metascape.org)를 이용하는 Gene list analysis의 결과물인 Enriched Ontology(EO) cluster를 Cytoscape (https://cytoscape.org)에서 읽은 GONetwork에 포함된 단백질 목록 (***.CSV 파일)을 입력값으로 합니다. b. PTMSpectralSearch는 수식화(인산화)펩타이드 ID를 위한 것으로 탄뎀질량분석후 얻어진 raw 파일을 mzML이나 MS2로 컨버팅 후 사용가능합니다. 2. 입력 데이터 a. PTMOmics pipeline: CSV 파일 b. PTMSpectralSearch: RAW데이터에서 변환된 탄뎀질량스펙트럼의 MS2파일  3. 출력 데이터 a. PTMOmics pipeline: protein list (xlsx) b. PTMSpectralSearch:, peptide list (xlsx), ID peptide tandem mass spectrum image   4. 설치 및 사용 방법: 매뉴얼   5. Citation 방법: The data analysis was performed using a PTMOmics pipeline. 6. 대표이미지

1. 분석 도구의 목적 : a. 미생물 메타유전체 데이터 자동화 분석, 유전체 자동화 분석 b. 대규모 메타유전체, 유전체 비교분석을 위한 효율적이고 정확하고 자동화된 파이프라인 2. 입력 데이터 : paired end short read metagenome data, short or long read genome sequencing data, assembled genome data3. 출력 데이터 : Image, fasta, tsv4. 설치 및 사용 방법 : - KBDS 에서 사용5. 레퍼런스 및 출판된 논문 정보 : - 추가예정6. Citation 방법 : - 추가예정 7. 추가설명 : 한글 매뉴얼 위치입니다. https://github.com/aababc1/Microbiome_analysis_pipeline/tree/main https://cloud.kbds.re.kr/sg/slfDvlpAnlTool/8. 대표이미지 :

[활용분야] 1. 질병 연관 유전자 및 마커 탐색 2. 육종의 형질 (표현형) 연관 유전자 및 마커 탐색 3. 집단 유전학적 분석 4. 바이러스 및 병원성 미생물의 기원 및 변이 경향성 분석 [입력 데이터] 1) 유전형 데이터: WGS (Whole genome sequencing), WES (Whole Exom Seq), RNAseq, SNPchip, 변이정보(.VCF) 2) 표현형 데이터 - 질병 유무 + 메타정보 - 육종의 형질 정보 (크기, 성장속도, 색, 수량성 등) - 집단 유전학적 분석 - 샘플별 메타정보 - 바이러스 및 병원성 미생물의 기원 및 변이 경향성 분석 - 샘플별 메타정보 [분석 방법 및 내용] 1. 개체별 단일염기 변이 탐색 2. 고품질 변이 선별, 집단분석을 통해 집단의 유전적 특성 확인 3. 유전형과 표현형 사이의 연관 분석 수행 (GWAS, Feature selection, Heterozygosity) 4. 머신러닝 모델 구축 및 유전형 기반의 표현형 예측 수행 5. 질병 및 육종 마커 발굴 및 활용 [변이체 분석 프로세스] [분석 사례] 1. 변이체 및 유용 펩타이드 분석사례: - 약리효과를 보이는 왕지네의 유전체 서열 완성 - 유전자의 발현 양상 및 항염성 유용 펩타이드 연구, 기능성 화장품 개발에 활용 - 변이 정보 이용, 왕지네 원산지 판별 마커 개발 [왕지네 연구를 통한 화장품 소재 개발] 2. 변이체 및 표현형 예측 모델 분석사례: - 밤알 크기 관련 21개 SNP 마커 발굴 - 밤알 크기 예측을 위한 기계학습 모델 구축 - PLS 알고리즘에서 70%의 예측 정확도 도출 [AI 기술을 적용한 표현형 예측 사례] [관련 논문] 1. NOH, Eun Soo, et al. Genotyping of Haliotis discus hannai and machine learning models to predict the heat resistant phenotype based on genotype. Frontiers in Genetics, 2023, 14: 1151427. 2. YU, Go-Eun, et al. Machine learning, transcriptome, and genotyping chip analyses provide insights into SNP markers identifying flower color in Platycodon grandiflorus. Scientific Reports, 2021, 11.1: 8019. 3. KANG, Min-Jeong, et al. Identification of transcriptome-wide, nut weight-associated SNPs in Castanea crenata. Scientific reports, 2019, 9.1: 13161. ※ 분석서비스 게시물에 대한 자세한 내용이나 비용, 추가 문의 사항은 당사 홈페이지 (https://insilicogen.com/) 및 이메일 (info@insilicogen.com)을 이용해 주십시오.

AI기반의 바이오 연구 협업 파트너 추천 알고리즘 개발에 관심있으신 분들을 환영합니다. 아직은 브레인스토밍 중입니다. 다양한 경험을 가진 연구자들과 네트워크를 가지고 싶습니다.