BY
Bing Yang
Author with expertise in Regulation of RNA Processing and Function
Achievements
Open Access Advocate
Cited Author
Key Stats
Upvotes received:
0
Publications:
8
(75% Open Access)
Cited by:
809
h-index:
18
/
i10-index:
23
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Relationship of Lipid Rafts to Transient Confinement Zones Detected by Single Particle Tracking

Christian Dietrich et al.Jan 1, 2002
+2
T
B
C
We examined the physical and chemical characteristics of transient confinement zones (TCZs) that are detected in single particle trajectories of molecules moving within the membrane of C3H 10T1/2 murine fibroblasts and their relationship to "rafts." We studied the lateral movement of different membrane molecules thought to partition to varying degrees into or out of the putative lipid domains known as rafts. We found that lipid analogs spend significantly less time in TCZs compared with Thy-1, a glycosylphosphatidylinositol-anchored protein, and GM1, a glycosphingolipid. For Thy-1, we found that zone abundance was markedly reduced by cholesterol extraction, suggesting that a major source of the observed temporary confinement is related to the presence of raft domains. More detailed analysis of particle trajectories reveals that zones can be revisited even tens of seconds after the original escape and that diffusion within the zones is reduced by a factor of ∼2, consistent with the zone being a cholesterol-rich liquid-ordered phase. Surprisingly, transient confinement was not strongly temperature dependent. Overall, our data demonstrate that there are raft-related domains present in certain regions of the plasma membrane of C3H cells, which can persist for tens of seconds.
0
Paper
Citation416
0
Save
0

Majorbio Cloud: A one‐stop, comprehensive bioinformatic platform for multiomics analyses

Yi Ren et al.Mar 16, 2022
+38
C
Y
Y
iMetaVolume 1, Issue 2 e12 COMMENTARYOpen Access Majorbio Cloud: A one-stop, comprehensive bioinformatic platform for multiomics analyses Yi Ren, Corresponding Author Yi Ren upforpunkin@gmail.com Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, China Correspondence Yi Ren, Shanghai Majorbio Bio-pharm Technology Co., Ltd., 201318 Shanghai, China. Email: upforpunkin@gmail.comSearch for more papers by this authorGuo Yu, Guo Yu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorCaiping Shi, Caiping Shi Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorLinmeng Liu, Linmeng Liu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorQuan Guo, Quan Guo Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorChang Han, Chang Han orcid.org/0000-0002-6282-1256 Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorDan Zhang, Dan Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorLei Zhang, Lei Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorBinxu Liu, Binxu Liu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHao Gao, Hao Gao Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJing Zeng, Jing Zeng Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYong Zhou, Yong Zhou Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYuhan Qiu, Yuhan Qiu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJian Wei, Jian Wei Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYanchun Luo, Yanchun Luo Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorFengjuan Zhu, Fengjuan Zhu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorXiaojie Li, Xiaojie Li Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorQin Wu, Qin Wu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorBing Li, Bing Li Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorWenyao Fu, Wenyao Fu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYanli Tong, Yanli Tong Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJie Meng, Jie Meng Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYahong Fang, Yahong Fang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJie Dong, Jie Dong Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYitong Feng, Yitong Feng Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorShichang Xie, Shichang Xie Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorQianqian Yang, Qianqian Yang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHui Yang, Hui Yang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYan Wang, Yan Wang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJunbiao Zhang, Junbiao Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHaidong Gu, Haidong Gu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHongdong Xuan, Hongdong Xuan Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorGuanqing Zou, Guanqing Zou Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorChun Luo, Chun Luo Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorLong Huang, Long Huang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorBing Yang, Bing Yang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYachen Dong, Yachen Dong Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJianhua Zhao, Jianhua Zhao Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJichen Han, Jichen Han Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorXianglin Zhang, Xianglin Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHuasheng Huang, Huasheng Huang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this author Yi Ren, Corresponding Author Yi Ren upforpunkin@gmail.com Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, China Correspondence Yi Ren, Shanghai Majorbio Bio-pharm Technology Co., Ltd., 201318 Shanghai, China. Email: upforpunkin@gmail.comSearch for more papers by this authorGuo Yu, Guo Yu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorCaiping Shi, Caiping Shi Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorLinmeng Liu, Linmeng Liu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorQuan Guo, Quan Guo Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorChang Han, Chang Han orcid.org/0000-0002-6282-1256 Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorDan Zhang, Dan Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorLei Zhang, Lei Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorBinxu Liu, Binxu Liu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHao Gao, Hao Gao Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJing Zeng, Jing Zeng Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYong Zhou, Yong Zhou Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYuhan Qiu, Yuhan Qiu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJian Wei, Jian Wei Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYanchun Luo, Yanchun Luo Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorFengjuan Zhu, Fengjuan Zhu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorXiaojie Li, Xiaojie Li Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorQin Wu, Qin Wu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorBing Li, Bing Li Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorWenyao Fu, Wenyao Fu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYanli Tong, Yanli Tong Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJie Meng, Jie Meng Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYahong Fang, Yahong Fang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJie Dong, Jie Dong Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYitong Feng, Yitong Feng Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorShichang Xie, Shichang Xie Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorQianqian Yang, Qianqian Yang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHui Yang, Hui Yang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYan Wang, Yan Wang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJunbiao Zhang, Junbiao Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHaidong Gu, Haidong Gu Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHongdong Xuan, Hongdong Xuan Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorGuanqing Zou, Guanqing Zou Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorChun Luo, Chun Luo Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorLong Huang, Long Huang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorBing Yang, Bing Yang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorYachen Dong, Yachen Dong Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJianhua Zhao, Jianhua Zhao Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorJichen Han, Jichen Han Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorXianglin Zhang, Xianglin Zhang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this authorHuasheng Huang, Huasheng Huang Shanghai Majorbio Bio-pharm Technology Co., Ltd., Shanghai, ChinaSearch for more papers by this author First published: 16 March 2022 https://doi.org/10.1002/imt2.12Citations: 1 Yi Ren, Chang Han, Caiping Shi, Dan Zhang, Linmeng Liu, Guo Yu, Quan Guo, and Lei Zhang contributed equally to this study. AboutSectionsPDF ToolsRequest permissionExport citationAdd to favoritesTrack citation ShareShare Give accessShare full text accessShare full-text accessPlease review our Terms and Conditions of Use and check box below to share full-text version of article.I have read and accept the Wiley Online Library Terms and Conditions of UseShareable LinkUse the link below to share a full-text version of this article with your friends and colleagues. Learn more.Copy URL Share a linkShare onFacebookTwitterLinked InRedditWechat Abstract The platform consists of three modules, which are pre-configured bioinformatic pipelines, cloud toolsets, and online omics' courses. The pre-configured bioinformatic pipelines not only combine analytic tools for metagenomics, genomes, transcriptome, proteomics and metabolomics, but also provide users with powerful and convenient interactive analysis reports, which allow them to analyze and mine data independently. As a useful supplement to the bioinformatics pipelines, a wide range of cloud toolsets can further meet the needs of users for daily biological data processing, statistics, and visualization. The rich online courses of multi-omics also provide a state-of-art platform to researchers in interactive communication and knowledge sharing. The rapid developments of high-throughput sequencing technology in the last decade allowed the emergence of multiomics analyses. Analytic platforms for high-throughput omics data, such as MG-RAST [1], IMG/M [2], Qiita [3], BIGSdb [4], TRAPR [5], imageGP [6], and MetOrigin [7], have also emerged. Most of these platforms are designed for data from a single type of omics, especially metagenomics and transcriptomics. Also, many platforms are designed to be specialties for special problems instead of generalists that offer comprehensive solutions. For example, Metascape [8] is designed to only provide functional annotations of genes as well as function enrichment analysis, BioNumerics [9] and Ridom SeqSphere+ [10] perform multilocus sequence typing, while CARD [11] provides only antimicrobial resistance annotations. However, considering the complex structural system of living organisms, single omics analysis is insufficient in demonstrating the phenotype of organisms [12-14]. Thus, it is urgent to integrate multiple omics data together to facilitate life science researchers to identify new organisms, gene functions, metabolic, and regulatory networks. Here we present the overall framework and each individual module of the Majorbio Cloud platform (https://cloud.majorbio.com/), which is a one-stop, online analytic platform for high-throughput omics data. The platform consists of three modules, which are preconfigured bioinformatic pipelines, cloud toolsets, and online omics' courses. The preconfigured bioinformatic pipelines not only combine analytic tools for metagenomics, genomes, transcriptome, proteomics, and metabolomics but also provide users with powerful and convenient interactive analysis reports, which allow them to analyze and mine data independently. As a useful supplement to the bioinformatics pipelines, a wide range of cloud toolsets can further meet the needs of users for daily biological data processing, statistics, and visualization. The rich online courses of multiomics also provide a state-of-the-art platform for researchers in interactive communication and knowledge sharing. The Majorbio Cloud platform was released on October 26, 2016, and ever since has been used by 70,000+ researchers from 3562 institutes. It demonstrates that a one-stop, comprehensive online platform can facilitate the use of multiomics data in all fields of biological analysis. CONVENIENT WORKFLOWS We provide a visual web interface for each workflow to facilitate users to modify program parameters and customize the analysis process. Besides, Majorbio Cloud uses a self-developed distributed task management system to implement the execution and monitoring of each workflow. In large-scale computing clusters, the distributed task management system can accomplish the delivery of computing tasks, tracking of running state, and management of computing resources at the same time. At present, the Majorbio Cloud includes 18 bioinformatics workflows, such as microbiome, genome, transcriptome, proteome, and metabolome (see Figure 1 for details). Figure 1Open in figure viewerPowerPoint Tree map of omics workflows We also provide comprehensive documentation and video tutorials for each cloud workflow to help users easily implement omics data analysis in a one-stop manner. By reviewing the latest literatures and reviews, combined with our own experience in using various algorithms, Majorbio Cloud has built a flexible and variable omics analysis workflow for various applications. For each analysis module in the workflow, we provide a variety of algorithms, software, and databases, which users can choose independently according to the sampling background of sequencing data and their own preferences. Below we list two commonly used workflows, reference-genome-based eukaryotic transcriptomics and metagenomics, as examples. The tools used in reference-genome-based eukaryotic transcriptomics and metagenomics workflows are listed in Table S1. The eukaryotic transcriptome analysis workflow (Figure 2A) is composed of five steps: data preprocessing, gene expression analysis, gene set analysis, gene structure analysis, and advanced analysis. In addition to conventional basic analysis, we also provide targeted analysis modules according to different research interests of users. For example, we provide a batch effect processing module to remove batch effects caused by RNA extraction, library preparation, RNA sequencing, and so forth. For disease and tumor research, single nucleotide olymorphisms calling, alternative splicing, and gene fusion analysis modules are supplied; we also offer time-series expression trend analysis and time-series differential expression analysis if the sequencing data are related to different development stages or different time points; moreover, WGCNA [15], MEGENA [16], competing endogenous RNA analysis modules are designed for the joint data mining of multiomics data. Figure 2Open in figure viewerPowerPoint Examples of analysis workflows for Majorbio Cloud. (A) The eukaryotic transcriptome analysis workflow. The workflow contains five modules, fastq files run through processing, expression analysis, gene set analysis, gene structure analysis, and advance analysis. (B) The metagenome analysis workflow. The workflow is composed of six modules, fastq files and samples info run through processing, assembly and prediction, gene set and annotation, taxonomic and functional analysis, environmental factors analysis, association analysis, correlation, and model predictive analysis The metagenome analysis workflow (Figure 2B) is composed of six steps: data preprocessing, assembly, gene prediction, gene set construction annotation, analysis of Taxon and Function, association analysis of environmental factors, and correlation and model predictive analysis. In addition to some general analyses, advanced modules are provided to different users. MetaPhlAn [17] method is provided for taxon annotation of the human-derived specimen. For researchers who focus on the disease model, a series of methods, such as random forest model, receiver operating characteristic curve, and somatotype are provided to construct a disease diagnosis model. For research containing complex metadata information, variance inflation factor analysis is provided to remove redundant factors, while variance partitioning analysis enables researchers to figure out the impact of each type of factor on the microecological environment. Besides, function prediction analyses including virulence, secretion system, pathogen–host interaction are of avail for users interested in bacterial toxin and drug resistance mechanisms. INTERACTIVE ANALYSIS REPORT Majorbio Cloud integrates data storage technologies (e.g., MongoDB, Ceph, MySQL) and D3 visualization technology in the framework that enables the analysis results generated by workflow into an interactive analysis report via a web browser in real-time. With the support of an interactive analysis report, users can reprocess the result to realize the deep mining of omics data. The interactive analysis report allows users to mine their omics data visually with parameters selection, gene screening, gene sets creation, tables filtering, uploading local files for association analysis, image modification, and analysis records management. Take gene set analysis as an example, many genes were detected by next-generation sequencing for its high-throughput capacity in omics research. Researchers were often required to mine genes related to the phenotype of the research target according to the information of gene expression, gene function, expression difference, or research background. For instance, users can arrange and combine different conditions, such as p value, adjusted p value, fold change (FC), log2FC threshold, genes with significant differences between groups, and upregulation or downregulation of expression in the differential expression analysis module to generate a gene set. The created gene set can be used for further screening in other modules, and users can also directly enter the gene set analysis module for multidimensional data mining and data visualization analysis, such as Venn analysis [18], cluster analysis, functional analysis, correlation analysis and enrichment analysis of COG/GO/KEGG [19]/DO/REACTOME [20], and so forth. ASSEMBLAGE OF BIOINFORMATIC ANALYSIS TOOLS Currently, more than 300 analysis tools were integrated on Majorbio Cloud. These tools cover the classic software and methods in omics data analysis, including but not limited to sequence quality control, alignment, assembly, quantification, normalization, transformation, differential expression, dimensionality reduction, classification, clustering, variants, annotation, visualization, simulation, and imputation (Table S2). Majorbio analysis tools support multiple formats of data as inputs (e.g., fq, txt, csv, bam). A friendly graphical user interface is developed to help users manipulate data easily. Either file uploaded from users or output by bioinformatic pipelines is allowed as inputs for tools. Then, personalized data analyses could be carried out by setting the analysis parameters simply and quickly. All the result files can be downloaded, and moreover, graphical outputs can be downloaded as either portable document format or scalable vector graphics files for publication purposes. Besides, tutorials in the form of documents or videos are prepared for each tool. Therefore, Majorbio bioinformatic analysis tools provide users with a useful supplement to workflow and interactive reporting, which makes personalized data mining more flexible and efficient. USER-FRIENDLY INTERACTIVE CHARTING AND VISUALIZATION SANGER-CHARTS Majorbio Cloud uses the self-developed interactive charting and visualization Sanger-Charts. Sanger-Charts provides a wealth of chart types and display examples (Figure 3). In addition to conventional charts in the field of data statistics and analysis, it also has customized designs for the characteristics of many types, formats, and large data sets in the life sciences field. The flexible parameter configuration of Sanger-Charts supports multiple combinations of graphic elements and interactive real-time chart presentation. Sanger-Charts also has a self-adaptive charting function and modification record saving function. Sanger-Charts, a highlighted part of Majorbio Cloud, has been widely used and recognized by users. Figure 3Open in figure viewerPowerPoint Example of Sanger-Charts ONLINE OMICS COURSES Majorbio Cloud builds a well-established omics knowledge sharing and interactive communication platform for users. Cloud Classroom regularly releases live training of omics courses to help users systematically learn omics-related knowledge concepts and analysis methods. Cloud Library brings together the latest and most cutting-edge research trends in the field of omics. At present, experts and scholars from universities, scientific research institutes, and technical engineers of Majorbio have shared 3795 learning videos on the Majorbio Cloud, involving research progress, experimental techniques, technical principles, code practice, and so forth. Online classrooms (http://edu.majorbio.com/) have been serving more than 60,000 users and accumulatively playing more than one million times. USERS AND PUBLICATIONS Focusing on providing omics bioinformatic analysis services, since October 2016, the services content of the platform has been upgraded and iterated over 100 times. There are already more than 70,000 scientific research users, involving over 3000 well-known universities and institutes, who have totally completed more than 300,000 omics research standardized data analysis and data mining tasks. In the past 4 years, over 1200 journal articles cited Majorbio Cloud in their methods. ACKNOWLEDGMENTS The authors acknowledge Dr. Zhemin Zhou and Dr. Yong-Xin Liu for their advice on this manuscript. CONFLICTS OF INTEREST The platform described in this manuscript is related to an authorized patent CN201810796979.6. Quan Guo, Guo Yu, Yi Ren, Lei Zhang, Yong Zhou, Xianglin Zhang, and Huasheng Huang are inventors of the patent. Huasheng Huang and Xianglin Zhang are cofounders of Majorbio. The other authors are employees of Majorbio. AUTHOR CONTRIBUTIONS Yi Ren conceived the platform and idea. ChangHan, Dan Zhang, Guo Yu, Linmeng Liu, and Caiping Shi wrote the manuscript. Chang Han was responsible for editing and revising the manuscript. All authors contributed to the development of Majorbio Cloud. Open Research DATA AVAILABILITY STATEMENT Supporting Information tables include tools list of reference-genome-based eukaryotic transcriptome analysis and metagenome analysis workflow, which are available online. Supporting Information Filename Description imt212-sup-0001-TableS.xlsx20.4 KB Supporting information. imt212-sup-0002-SupMat.docx135.8 KB Supporting information. Please note: The publisher is not responsible for the content or functionality of any supporting information supplied by the authors. Any queries (other than missing content) should be directed to the corresponding author for the article. REFERENCES 1Keegan, Kevin P., Elizabeth M. Glass, and Folker Meyer. 2016. “ MG-RAST, a Metagenomics Service for Analysis of Microbial Community Structure and Function.” In Microbial Environmental Genomics (MEG), edited by Francis Martin and Stephane Uroz, 207– 33. New York: Springer. https://doi.org/10.1007/978-1-4939-3369-3_13CrossrefGoogle Scholar 2Chen, I-Min A., Ken Chu, Krishnaveni Palaniappan, Anna Ratner, Jinghua Huang, Marcel Huntemann, Patrick Hajek, et al. 2020. “The IMG/M Data Management and Analysis System v.6.0: New Tools and Advanced Capabilities.” Nucleic Acids Research 49: D751– 63. https://doi.org/10.1093/nar/gkaa939CrossrefWeb of Science®Google Scholar 3Gonzalez, Antonio, Jose A. Navas-Molina, Tomasz Kosciolek, Daniel McDonald, Yoshiki Vázquez-Baeza, Gail Ackermann, Jeff DeReus, et al. 2018. “Qiita: Rapid, Web-Enabled Microbiome Meta-Analysis.” Nature Methods 15: 796– 8. https://doi.org/10.1038/s41592-018-0141-9CrossrefCASPubMedWeb of Science®Google Scholar 4Jolley, Keith A., James E. Bray, and Martin C. J. Maiden. 2018. “Open-Access Bacterial Population Genomics: BIGSdb Software, the PubMLST.org Website and their Applications.” Wellcome Open Research 3: 124. https://doi.org/10.12688/wellcomeopenres.14826.1CrossrefPubMedGoogle Scholar 5Lim, Jae Hyun, Soo Youn Lee, and Ju Han Kim. 2017. “TRAPR: R Package for Statistical Analysis and Visualization of RNA-Seq Data.” Genomics Informatics 15: 51– 3. https://doi.org/10.5808/GI.2017.15.1.51CrossrefPubMedGoogle Scholar 6Chen, Tong, Yong-Xin Liu, and Luqi Huang. 2022. “ImageGP: An Easy-to-Use Data Visualization Web Server for Scientific Researchers.” iMeta 1: e5. https://doi.org/10.1002/imt2.5Wiley Online LibraryGoogle Scholar 7Yu, Gang, Cuifang Xu, Danni Zhang, Feng Ju, and Yan Ni. 2022. “MetOrigin: Discriminating the Origins of Microbial Metabolites for Integrative Analysis of the Gut Microbiome and Metabolome.” iMeta 1: e10. https://doi.org/10.1002/imt2.10Wiley Online LibraryGoogle Scholar 8Zhou, Yingyao, Bin Zhou, Lars Pache, Max Chang, Alireza Hadj Khodabakhshi, Olga Tanaseichuk, Christopher Benner, et al. 2019. “Metascape Provides a Biologist-Oriented Resource for the Analysis of Systems-Level Datasets.” Nature Communications 10: 1523. https://doi.org/10.1038/s41467-019-09234-6CrossrefPubMedWeb of Science®Google Scholar 9Blanc, Dominique S., Bárbara Magalhães, Isabelle Koenig, Laurence Senn, and Bruno Grandbastien. 2020. “Comparison of Whole Genome (wg-) and Core Genome (cg-) MLST (BioNumerics™) Versus SNP Variant Calling for Epidemiological Investigation of Pseudomonas aeruginosa.” Frontiers in Microbiology 11: 1729. https://doi.org/10.3389/fmicb.2020.01729CrossrefPubMedWeb of Science®Google Scholar 10Neumann, Bernd, Karola Prior, Jennifer K. Bender, Dag Harmsen, Ingo Klare, Stephan Fuchs, Astrid Bethe, et al. 2019. “A Core Genome Multilocus Sequence Typing Scheme for Enterococcus faecalis.” Journal of Clinical Microbiology 57: e01686-01618. https://doi.org/10.1128/JCM.01686-18CrossrefWeb of Science®Google Scholar 11Alcock, Brian P., Amogelang R. Raphenya, Tammy T. Y. Lau, Kara K. Tsang, Mégane Bouchard, Arman Edalatmand, William Huynh, et al. 2020. “CARD 2020: Antibiotic Resistome Surveillance with the Comprehensive Antibiotic Resistance Database.” Nucleic Acids Research 48: D517– 25. https://doi.org/10.1093/nar/gkz935CASPubMedWeb of Science®Google Scholar 12Sun, Yan V., and Yi-Juan Hu. 2016. “Integrative Analysis of Multi-Omics Data for Discovery and Functional Studies of Complex Human Diseases.” Advances in Genetics 93: 147– 90. https://doi.org/10.1016/bs.adgen.2015.11.004CrossrefCASPubMedWeb of Science®Google Scholar 13Subramanian, Indhupriya, Srikant Verma, Shiva Kumar, Abhay Jere, and Krishanpal Anamika. 2020. “Multi-Omics Data Integration, Interpretation, and Its Application.” Bioinformatics and Biology Insights 14: 1177932219899051. https://doi.org/10.1177/1177932219899051CrossrefWeb of Science®Google Scholar 14Sha, Qian, Jinxiu Lyu, Meng Zhao, Haijuan Li, Mengzhe Guo, and Qiang Sun. 2020. “Multi-Omics Analysis of Diabetic Nephropathy Reveals Potential New Mechanisms and Drug Targets.” Frontiers in Genetics 11: 616435. https://doi.org/10.3389/fgene.2020.616435CrossrefCASPubMedWeb of Science®Google Scholar 15Langfelder, Peter, and Steve Horvath. 2008. “WGCNA: An R Package for Weighted Correlation Network Analysis.” BMC Bioinformatics 9: 559. https://doi.org/10.1186/1471-2105-9-559CrossrefCASPubMedWeb of Science®Google Scholar 16Song, Won-Min, and Bin Zhang. 2015. “Multiscale Embedded Gene Co-expression Network Analysis.” PLoS Computational Biology 11: e1004574. https://doi.org/10.1371/journal.pcbi.1004574CrossrefPubMedWeb of Science®Google Scholar 17Truong, Duy Tin, Eric A. Franzosa, Timothy L. Tickle, Matthias Scholz, George Weingart, Edoardo Pasolli, Adrian Tett, et al. 2015. “MetaPhlAn2 for Enhanced Metagenomic Taxonomic Profiling.” Nature Methods 12: 902– 3. https://doi.org/10.1038/nmeth.3589CrossrefCASPubMedWeb of Science®Google Scholar 18Chen, Tong, Haiyan Zhang, Yu Liu, Yong-Xin Liu, and Luqi Huang. 2021. “EVenn: Easy to Create Repeatable and Editable Venn Diagrams and Venn Networks Online.” Journal of Genetics and Genomics 48: 863– 6. https://doi.org/10.1016/j.jgg.2021.07.007CrossrefPubMedWeb of Science®Google Scholar 19Kanehisa, Minoru, Yoko Sato, and Kanae Morishima. 2016. “BlastKOALA and GhostKOALA: KEGG Tools for Functional Characterization of Genome and Metagenome Sequences.” Journal of Molecular Biology 428: 726– 31. https://doi.org/10.1016/j.jmb.2015.11.006CrossrefCASPubMedWeb of Science®Google Scholar 20Jassal, Bijay, Lisa Matthews, Guilherme Viteri, Chuqiao Gong, Pascual Lorente, Antonio Fabregat, Konstantinos Sidiropoulos, et al. 2020. “The Reactome Pathway Knowledgebase.” Nucleic Acids Research 48: D498– 503. https://doi.org/10.1093/nar/gkz1031CASPubMedWeb of Science®Google Scholar Citing Literature Volume1, Issue2June 2022e12 FiguresReferencesRelatedInformation
38

Perturb-tracing enables high-content screening of multiscale 3D genome regulators

Yubao Cheng et al.Feb 1, 2023
+8
Z
T
Y
Three-dimensional (3D) genome organization becomes altered during development, aging, and disease1-23, but the factors regulating chromatin topology are incompletely understood and currently no technology can efficiently screen for new regulators of multiscale chromatin organization. Here, we developed an image-based high-content screening platform (Perturb-tracing) that combines pooled CRISPR screen, a new cellular barcode readout method (BARC-FISH), and chromatin tracing. We performed a loss-of-function screen in human cells, and visualized alterations to their genome organization from 13,000 imaging target-perturbation combinations, alongside perturbation-paired barcode readout in the same single cells. Using 1.4 million 3D positions along chromosome traces, we discovered tens of new regulators of chromatin folding at different length scales, ranging from chromatin domains and compartments to chromosome territory. A subset of the regulators exhibited 3D genome effects associated with loop-extrusion and A-B compartmentalization mechanisms, while others were largely unrelated to these known 3D genome mechanisms. We found that the ATP-dependent helicase CHD7, the loss of which causes the congenital neural crest syndrome CHARGE24 and a chromatin remodeler previously shown to promote local chromatin openness25-27, counter-intuitively compacts chromatin over long range in different genomic contexts and cell backgrounds including neural crest cells, and globally represses gene expression. The DNA compaction effect of CHD7 is independent of its chromatin remodeling activity and does not require other protein partners. Finally, we identified new regulators of nuclear architectures and found a functional link between chromatin compaction and nuclear shape. Altogether, our method enables scalable, high-content identification of chromatin and nuclear topology regulators that will stimulate new insights into the 3D genome functions, such as global gene and nuclear regulation, in health and disease.
38
Citation5
0
Save
0

Regulated nuclear accumulation of a histone methyltransferase times the onset of heterochromatin formation inC. elegansembryos

Beste Mutlu et al.May 18, 2018
+8
B
H
B
ONE SENTENCE SUMMARY MET-2/SETDB1 and interactors (LIN-65/ATF7IP and ARLE-14/ARL14EP) initiate heterochromatin formation during embryogenesis. ABSTRACT Heterochromatin formation during early embryogenesis is timed precisely, but it has been elusive how this process is regulated. Here we report the discovery of a histone methyltransferase complex whose nuclear accumulation determines the onset of heterochromatin formation in C. elegans embryos. We find that the inception of heterochromatin generation coincides with the nuclear accumulation of the methyltransferase MET-2 (SETDB). The absence of MET-2 results in delayed and disturbed heterochromatin formation, whereas accelerated nuclear localization of the methyltransferase leads to precocious heterochromatin. We identify two factors that bind to and function with MET-2: LIN-65, which resembles ATF7IP, localizes MET-2 into nuclear hubs, and ARLE-14, orthologous to ARL14EP, promotes stable association of MET-2 with chromatin. These data reveal that nuclear accumulation of MET-2 in conjunction with LIN-65 and ARLE-14 regulates timing of heterochromatin domains during embryogenesis.
0
Citation2
0
Save
2

The developmentally-timed decay of an essential microRNA family is seed sequence-dependent

Bridget Donnelly et al.Nov 20, 2021
+5
L
C
B
Abstract MicroRNA (miRNA) abundance is tightly controlled by regulation of biogenesis and decay. Here we show that the mir-35 miRNA family undergoes selective decay at the transition from embryonic to larval development in C. elegans . The seed sequence of the miRNA is necessary and largely sufficient for this regulation. Sequences outside the seed (3’ end) regulate mir-35 abundance in the embryo but are not necessary for sharp decay at the transition to larval development. Enzymatic modifications of the miRNA 3’ end are neither prevalent nor correlated with changes in decay, suggesting that miRNA 3’ end display is not a core feature of this mechanism and further supporting a seed-driven decay model. Our findings demonstrate that seed sequence-specific decay can selectively and coherently regulate all redundant members of a miRNA seed family, a class of mechanism that has great biological and therapeutic potential for dynamic regulation of a miRNA family’s target repertoire.
4

The catalytic activity of microRNA Argonautes plays a modest role in microRNA star strand cleavage inC. elegans

Kasuen Kotagama et al.Jan 20, 2023
+3
B
A
K
Abstract Many Argonaute proteins can cleave RNA (“slicing”) as part of the microRNA-induced silencing complex (miRISC), even though miRNA-mediated target repression is generally independent of target cleavage. Here we use C. elegans to examine the role of miRNA-guided slicing in organismal development. We find that unwinding and decay of the miRNA star strand is weakly defective in the absence of slicing, with the largest effect observed in embryos. Argonaute-Like Gene 2 (ALG-2) is more dependent on slicing for unwinding than ALG-1. The miRNAs that displayed the greatest (albeit very minor) dependence on slicing for unwinding tend to form stable duplexes with their star strand, and in some cases, lowering duplex stability alleviates dependence on slicing. While a few miRNA guide strands are reduced in slicing mutants, the basis of this is unclear since changes were not dependent on EBAX-1, a factor in the Target-Directed miRNA Degradation (TDMD) pathway. Gene expression and gross phenotype were wild type in slicing mutants, indicating that 1) slicing is not required for target regulation and 2) the weak unwinding defect does not significantly reduce the pool of functional miRISC. Thus, in contrast to previous work, miRISC slicing in C. elegans is dispensable in standard laboratory conditions.
0

Multiplexed imaging of nucleome architectures in single cells of mammalian tissue

Miao Liu et al.Dec 22, 2019
+5
B
Y
M
The three-dimensional architecture of the genome affects genomic functions. Multiple genome architectures at different length scales, including chromatin loops, domains, compartments, and regions associated with nuclear lamina and nucleoli, have been discovered. However, how these structures are arranged in the same cell and how they are correlated with each other in different cell types in mammalian tissue are largely unknown. Here, we developed Multiplexed Imaging of Nucleome Architectures that measures multiscale chromatin folding, copy numbers of numerous RNA species, and associations of numerous genomic regions with nuclear lamina, nucleoli and surface of chromosomes in the same, single cells. We applied this method in mouse fetal liver, and identified de novo cell-type-specific chromatin architectures associated with gene expression, as well as chromatin organization principles independent of cell type. Polymer simulation showed that both intra-chromosomal phase-separating interactions and extra-chromosomal interactions are necessary to establish the observed organization. Our experiments and modeling provide a multiscale and multi-faceted picture of chromatin folding and nucleome architectures in mammalian tissue and illustrate physical principles for maintaining chromatin organization.
0

The Hippo pathway origin and its oncogenic alteration in evolution

Yuxuan Chen et al.Nov 11, 2019
+5
R
G
Y
The Hippo pathway is a central regulator of organ size and a key tumor suppressor via coordinating cell proliferation and death. Initially discovered in Drosophila, the Hippo pathway has been implicated as an evolutionarily conserved pathway in mammals; however, how this pathway was evolved to be functional from its origin is still largely unknown. In this study, we traced the Hippo pathway in premetazoan species, characterized the intrinsic functions of its ancestor components, and unveiled the evolutionary history of this key signaling pathway from its unicellular origin. In addition, we elucidated the paralogous gene history for the mammalian Hippo pathway components and characterized their cancer-derived somatic mutations from an evolutionary perspective. Taken together, our findings not only traced the conserved function of the Hippo pathway to its unicellular ancestor components, but also provided novel evolutionary insights into the Hippo pathway organization and oncogenic alteration.