博文

CORESH：基于基因标签的公共基因表达数据集搜索引擎

已有 847 次阅读 2025-5-30 20:31 |个人分类:科普|系统分类:科普集锦

CORESH：基于基因标签的公共基因表达数据集搜索引擎

基因表达综合数据库（GEO）是一个不断增长的公共基因表达数据资源，目前包含来自数十万个实验的数百万个样本。该资源因其加速生物发现的能力而受到研究界的高度重视，利用先前生成的GEO数据集的30,000多项研究证明了这一点。使用GEO的一种特别通用的方法涉及将研究人员自己的数据集中的转录变化与先前发表的实验中的转录变化联系起来。这些比较为研究人员的生物系统提供了假设的基础。在这个框架内，GEO提供了广泛而多样化的实验集合，如基因扰动、药物治疗以及健康和疾病条件下组织和细胞类型的分析。

有两种寻找相关GEO观测数据集的一般方法：基于元数据和基于数据。基于元数据的搜索由GEO本身提供，并通过ReGEO或Gemma等工具进一步改进。然而，这种方法从根本上受到其假设驱动性质的限制。相反，数据驱动的搜索可以使用户无偏见地找到潜在的联系，从而显著提高分析的全面性和实用性。这种方法可以通过首先创建通过差异基因表达分析从GEO数据集计算得出的基因标签集合，然后使用该集合找到与用户提供的基因集显著重叠的标签来实现。例子包括ImmuneSigDB或最近的KnockTF，两者都基于精心策划的GEO数据集，这些数据集覆盖了GEO中160,000个基因表达数据集中的<1%。机器学习的进步正在扩大这一覆盖范围，如RummaGEO。该研究以约30,000个RNA-seq数据集的基因标签为特征。SEEK中实现了一种不同类型的数据驱动数据集搜索，它可以找到多个用户提供的基因显示相关表达模式的数据集。这种方法的主要优点是不需要差异表达分析，并且可以应用于任何基因表达数据集。然而，SEEK扩展性能有限，只有大约5000个数据集。

最近，Sukhov开发了一种工具CORESH（图1，https://alserglab.wustl.edu/coresh），一个网络服务器，用于根据用户提供的基因标签查询公共基因表达数据集。CORESH根据用户提供的基因的共同调控水平，使用主成分分析（PCA）启发的评分对数据集进行排名，该评分可应用于任何基因表达矩阵。目前，CORESH使用GEO数据库中的42,224个小鼠和44,253个人类基因表达数据集，包括微阵列和RNA-seq分析的数据集。进一步的文本挖掘与富集分析相结合，可以识别出在排名靠前的数据集描述中过多的术语，总结出共享的生物条件。单个数据集链接到相应的GEO页面，以获取有关数据集上下文的更多信息，并链接到Phantasus网络应用程序，在那里可以更详细地探索数据集中的基因表达变化。

图1 CORESH工具

参考文献

[1] Sukhov V, Nugmanova A, Vorontsov Y, Mehrotra P, Kleverov M, Ravichandran K, Artyomov M, Sergushichev A. CORESH: a gene signature-based search engine for public gene expression datasets. Nucleic Acids Res. 2025 May 5:gkaf372. doi: 10.1093/nar/gkaf372.

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC