基因表达系列分析技术在动物科学中的研究进展

基因表达系列分析（serialanalysisofgeneexpression,SAGE）是一种快速分析特定组织或细胞内基因表达信息的技术,不但可以比较不同组织细胞在不同时间、空间条件下基因表达的差异,还能发现新基因。近几年来,SAGE技术在动物基因表达研究中的应用取得了飞速发展。就SAGE技术的原理、实验路线、优缺点和改进以及SAGE在动物科学研究中的研究现状及应用前景作一简要介绍。     

基因表达系列性分析技术及其应用

基因表达系列性分析（SAGE）是一种高通量的基因表达模式的研究技术,能够对特定细胞或组织中的大量转录本同时进行定量分析。本综述了SAGE技术的基本原理和实验流程以及近年来SAGE方法上的改进,同时介绍了该技术的一些应用研究实例和Internet上可资利用的SAGE数据库资源。     

基因表达系列分析及其应用

基因表达系列分析（serial analysis of gene expression,SAGE)是一种快速分析基因表达信息的技术,它能够直接读出任何一种类型细胞或组织的基因表达信息,因此是研究基因表达定性和定量的一种有效工具,近年来人们利用此技术对动植物及人类的基因表达信息进行了广泛的研究,本文就SAGE特点,方法及其应用作一简要介绍。     

基因表达的系列分析方法研究进展

基因表达的系列分析（SAGE）是探讨组织或器官在不同条件下基因表达丰度以及差异表达的一种有效方法。本文介绍了SAGE方法的详细机理并且对SAGE方法学的改进进行了综述。     

基因表达系列分析的原理、进展及在肿瘤研究中的应用

基因表达系列分析(SAGE)技术不仅能够全面地分析特定组织或细胞内表达的基因,还可以比较不同组织在不同时间、空间条件下基因表达的差异,从而发现新基因.SAGE技术在肿瘤研究中的应用发展很快.本文综述了SAGE技术的原理、应用及其近年来的发近几年展与演变.     

基因表达系列分析(SAGE)技术在肿瘤研究中的应用

基因表达系列分析(serial analysis of gene expression,SAGE)是一项高效、快捷、低成本的研究生物基因表达水平的方法,广泛用于各种肿瘤的分析研究。SAGE技术对于全面分析肿瘤组织基因表达谱、寻找肿瘤特异性表达新基因、发现肿瘤组织特异标志物和揭示肿瘤发病的分子机制发挥重要的作用。随着“肿瘤基因组解剖工程”(CGAP)的进行,CGAP SAGE可以通过网站分析和展示SAGE数据,并自动的将基因名称和SAGE转录物水平联系起来。因此,这为SAGE技术深入和广泛研究肿瘤提供了方便。     

基因表达系列分析(SAGE)的研究进展

基因表达系列分析方法（SAGE）是一种新的基因表达分析方法,它可同时分析数千种转录子的表达情况.SAGE不仅可以定量分析已知基因,还可分析未知的基因表达情况.SAGE为从分子水平阐明疾病的发病机制找到有效的治疗靶位和诊断标志创造了条件.     

基于多分类支持向量机的基因表达系列分析

基因表达系列分析(Serial analysis of gene expression,SAGE)是一种基因表达数据,反映了细胞内的动态变化。模式识别和可视化方法是分析SAGE数据的基本工具,但是由于缺乏描述数据的统计特性,传统的聚类分析技术不适用于SAGE数据的分析。本文提出了一种基于多分类和支持向量机的SAGE数据的分析法。经过对模拟数据和人类癌症SAGE数据的分析,基于径向基核函数的多分类支持向量机算法"一对一"(one-against-one,OAO)算法提供了比PoissonC和PoissonS更好的分类结果。     

基因表达系列分析技术的新进展

作为新近建立的研究基因表达的有效工具 ,基因表达系列分析 (SAGE)技术能同时对大量的转录物进行定性和定量分析。它不仅可以显示低丰度的转录物 ,提供基因组表达的完整信息 ,而且可以通过不同状态下基因表达图谱的比较 ,深入了解基因表达的时空性和有序性 ,从而寻找和发现新基因。本文介绍了SAGE的工作原理和方法 ,并着重对其最新的应用与研究进展进行了综述。     

Correct identification of genes from serial analysis of gene expression tag sequences

SAGE (serial analysis of gene expression) is a remarkable technique for genome-wide analysis of gene expression. It is crucial to understand the extent to which SAGE can accurately indicate a gene or expressed sequence tag (EST) with a single tag. We analyzed the effect of the size of SAGE tag on gene identification. Our observation indicates that SAGE tags are in general not long enough to achieve the degree of uniqueness of identification originally envisaged. Our observations also indicate that the limitation of using SAGE tag to identify a gene can be overcome by converting SAGE tags into longer 3' EST sequences with the generation of longer cDNA fragments from SAGE tages for gene identification (GLGI) method.     

Extract‐SAGE: An integrated platform for cross­analysis and GA­based selection of SAGE data

Serial analysis of gene expression (SAGE) is a powerful quantification technique for gene expression data. The huge amount of tag data in SAGE libraries of samples is difficult to analyze with current SAGE analysis tools. Data is often not provided in a biologically significant way for cross‐analysis and ‐comparison, thus limiting its application. Hence, an integrated software platform that can perform such a complex task is required. Here, we implement set theory for cross‐analyzing gene expression data among different SAGE libraries of tissue sources; up‐ or down‐regulated tissue‐specific tags can be identified computationally. Extract‐SAGE employs a genetic algorithm (GA) to reduce the number of genes among the SAGE libraries. Its representative tag mining will facilitate the discovery of the candidate genes with discriminating gene expression.     

Identification and prevention of a GC content bias in SAGE libraries

Serial Analysis of Gene Expression (SAGE) is becoming a widely used gene expression profiling method for the study of development, cancer and other human diseases. Investigators using SAGE rely heavily on the quantitative aspect of this method for cataloging gene expression and comparing multiple SAGE libraries. We have developed additional computational and statistical tools to assess the quality and reproducibility of a SAGE library. Using these methods, a critical variable in the SAGE protocol was identified that has the potential to bias the Tag distribution relative to the GC content of the 10 bp SAGE Tag DNA sequence. We also detected this bias in a number of publicly available SAGE libraries. It is important to note that the GC content bias went undetected by quality control procedures in the current SAGE protocol and was only identified with the use of these statistical analyses on as few as 750 SAGE Tags. In addition to keeping any solution of free DiTags on ice, an analysis of the GC content should be performed before sequencing large numbers of SAGE Tags to be confident that SAGE libraries are free from experimental bias.