Desde Biotechvana nos es grato ofrecer a nuestros usuarios servicios avanzados de análisis de datos transcriptómicos y epigenómicos, orientados a la caracterización integral de la expresión génica y la regulación epigenética en organismos modelo, no modelo y muestras complejas.
En el ámbito de la Transcriptómica, ofrecemos distintas modalidades de análisis adaptadas a las necesidades experimentales de cada proyecto, entre ellas:
- Bulk RNA-seq (mRNA / long RNA): cuantificación global de genes y transcritos.
- Small RNA / microRNA-seq: identificación y cuantificación de pequeños RNAs reguladores y sus posibles dianas.
- Single-cell RNA-seq: análisis de la expresión génica a nivel de célula individual, con clustering y anotación de tipos celulares.
- Spatial transcriptomics: estudio de la expresión génica manteniendo la información espacial dentro del tejido.
En el ámbito de la Epigenómica, nuestros servicios están orientados al estudio de las modificaciones epigenéticas que regulan la expresión génica:
- Methylseq/MeDIPseq: detección y cuantificación de niveles de metilación a lo largo del genoma, identificando regiones diferencialmente metiladas.
Cada proyecto se aborda de forma personalizada, adaptando el flujo de trabajo a las particularidades del diseño experimental.
Este análisis permite la cuantificación global de la expresión génica y de transcritos a partir de poblaciones celulares o tejidos completos. Es una aproximación robusta para identificar genes diferencialmente expresados, caracterizar perfiles transcriptómicos entre condiciones y apoyar estudios funcionales y comparativos.
- Análisis de calidad de las lecturas de secuenciación (sff, fastq, sam, fasta, etc.).
- Preprocesado de lecturas, incluido demultiplexado y eliminación de secuencias de baja calidad, restos de primers/adaptadores y artefactos.
- Curado de lecturas cuando sea apropiado.
- Indexación de la referencia.
- Mapeo de librerías fastq procesadas sobre el genoma / transcriptoma de referencia.
- Inferencia de métricas sobre el rendimiento de mapeo.
- Creación de junction libraries.
- Ensamblaje de transcriptomas y reporte de genes y / o isoformas.
- Normalización.
- Test de expresión diferencial entre genes, exones, isoformas, promotores entre muestras.
- Análisis de enriquecimiento diferencial de categorías de ontología genética (GO-seq).
- Análisis de enriquecimiento diferencial de rutas metabólicas.
- Integración e interrogación de datos.
- Redes de interacción proteina-proteina y otras.
- Análisis de correlación.
- Otros análisis estadísticos.
Este enfoque está orientado a la identificación y cuantificación de pequeños RNAs reguladores, incluyendo microRNAs y otros RNAs no codificantes. El análisis permite estudiar mecanismos de regulación post-transcripcional, así como explorar posibles interacciones entre microRNAs y sus genes diana.
- Análisis de calidad de las lecturas de secuenciación (sff, fastq, sam, fasta, etc.).
- Preprocesado de lecturas, incluido demultiplexado y eliminación de secuencias de baja calidad, restos de primers/adaptadores y artefactos.
- Curado de lecturas cuando sea apropiado.
- Mapeo de librerías fastq procesadas sobre el genoma / transcriptoma de referencia.
- Inferencia de métricas sobre el rendimiento de mapeo.
- Establecimiento de polaridad y tamaño de los sRNA.
- Determinación de loci y genes diana.
- Determinación de las características de los loci y genes diana: regiones intergénicas o exón.
- Normalización dentro y entre muestras.
- Análisis de expresión diferencial de sRNAs.
- Caracterización y análisis funcional de loci y genes diana.
- Análisis de enriquecimiento diferencial de categorías de ontología genética (GO-seq) de los genes loci y de los genes diana.
- Análisis de enriquecimiento diferencial de rutas metabólicas de los genes loci y de los genes diana.
- Identificación de sRNAs en fase.
- Identificación y predicción de estructura secundaria.
- Predicción de genes diana.
- Integración de datos y análisis funcional de loci.
- Caracterización de polimorfismos de miRNA.
- Análisis de correlación.
- Otros análisis estadísticos.
El análisis de transcriptómica a nivel de célula individual permite caracterizar la heterogeneidad celular dentro de tejidos o poblaciones complejas. Este enfoque facilita la identificación de tipos y estados celulares, el estudio de trayectorias celulares y la comparación de perfiles de expresión entre condiciones.
- Análisis de calidad de las lecturas de secuenciación (sff, fastq, sam, fasta, etc.).
- Preprocesado de lecturas, incluido demultiplexado y eliminación de secuencias de baja calidad, restos de primers/adaptadores y artefactos.
- Curado de lecturas cuando sea apropiado.
- Indexación de la referencia.
- Alineamiento o pseudoalineamiento y cuantificación UMI.
- Inferencia de métricas sobre el rendimiento de mapeo.
- Filtrado de células de baja calidad, artefactos y genes expresados en un bajo número de células.
- Normalización.
- Selección de genes altamente variables y reducción de dimensionalidad.
- Integración y corrección de batch entre muestras/condiciones
- Algoritmo de clustering para agrupar células.
- Anotación de tipo celular.
- Detección de genes marcadores de cluster/tipo celular.
- Análisis de expresión diferencial entre poblaciones celulares, condiciones o estados.
- Análisis de comunicación célula-célula.
- Inferencia de trayectorias y pseudotiempo.
- RNA velocity.
- Análisis de enriquecimiento funcional.
La transcriptómica espacial permite analizar la expresión génica conservando la información espacial dentro del tejido. Este enfoque proporciona una visión integrada de la organización tisular, la distribución de tipos celulares y los patrones de expresión asociados al contexto espacial.
- Análisis de calidad de las lecturas de secuenciación (sff, fastq, sam, fasta, etc.).
- Preprocesado de lecturas, incluido demultiplexado y eliminación de secuencias de baja calidad, restos de primers/adaptadores y artefactos.
- Curado de lecturas cuando sea apropiado.
- Alineamiento de lecturas sobre transcriptoma de referencia.
- Detección del tejido en las imágenes histológicas.
- Cuantificación de las lecturas.
- Análisis de calidad y filtrado de spots de baja calidad y genes expresados en bajo número de spots.
- Normalización.
- Selección de genes altamente variables y reducción de dimensionalidad.
- Agrupamiento de spots en tejido.
- Detección de genes marcadores de cluster/tipo celular.
- Deconvolución utilizando un dataset de scRNA-seq o snRNA-seq como referencia.
- Selección de genes espacialmente variables.
- Detección de dominios espaciales.
- Análisis de expresión diferencial entre poblaciones celulares, condiciones o estados.
- Análisis de enriquecimiento funcional.
- Análisis de comunicación célula-célula.
Estos análisis están orientados al estudio de la metilación del ADN como mecanismo clave de regulación epigenética. Permiten identificar y comparar regiones diferencialmente metiladas a lo largo del genoma, apoyando estudios sobre regulación génica, desarrollo, adaptación y enfermedad.
- Análisis de calidad de las lecturas de secuenciación (sff, fastq, sam, fasta, etc.).
- Preprocesado de lecturas, incluido demultiplexado y eliminación de secuencias de baja calidad, restos de primers/adaptadores y artefactos.
- Curado de lecturas cuando sea apropiado.
- Reconstrucción de referencia de metilación.
- Mapeo de librerías fastq procesadas sobre el genoma de referencia.
- Inferencia de métricas sobre el rendimiento de mapeo.
- Testeo de metilación diferencial de regiones genómicas entre muestras.
- Anotación de elementos reguladores y genes (islas CpG, promotores, intrones, exones etc) que contengan o sobrelapen con las regiones diferencialmente metiladas.
- Análisis de enriquecimiento diferencial de categorías de ontología genética (GO-seq).
- Análisis de enriquecimiento diferencial de rutas metabólicas.
- Integración e interrogación de datos.
- Redes de interacción proteina-proteina y otras.
- Análisis de correlación.
- Otros análisis estadísticos.