Феномы: Феном — это… Что такое Феном?

Процессор AMD Phenom II X6 1055T

Всем доброго времени суток!
Предлагаю на Ваш суд мини обзор о покупке б/у процессора на Aliexpress для обновления компьютера на сокете AM3.

Есть у меня старенький комп на вполне себе хорошей материнке M4A785TD-V EVO и все вроде бы ничего, но вот процессор AMD Athlon II X3 425, его уже откровенно мало для сегодняшних задач, даже youtube 1080-60fps не вытягивает.
Сначала хотел менять все желез полностью и переползать на Xeon либо на Razen, но потом посмотрел цены :(, решил, а почему бы не попробовать обойтись полумерой и просто заменить процессор и подождать пока подешевеет LGA2011-3 сокет на ddr4 памяти.
Посмотрел наш вторичный рынок, цены мягко говоря не радуют, решил поискать на Ali.
И тут уже доступно все чего душа желает. Хочешь 2-х ядерный Phenom или 1 ядерный Sempron за 5$, а можно и предтоповый для моей материнки AMD Phenom II X6 1090T, но уже за 70$ 🙂
В итоге остановил свой выбор на 1055T как на некой золотой середине. В продаже есть две версии этого процессора, первая с TDP 125 Ватт стоит 30-35$, вторая TDP 95 и цена до 46$. Благодаря распродаже 11.11 и купончикам смог купить 95 ваттную версию всего лишь за 36$ что на мой взгляд довольно выгодно.

Процессор приехал в простом пакете, внутри большой слой пупырки под которой прятался бокс с самим процессором.

Со стороны крышки есть небольшие следы использования и остатки термопасты, но это как бы и нормально б/у все-таки.

А вот со стороны ножек все практически (если присмотреться есть небольшой изгиб крайних ноже с одного угла) ровно и красиво. Больше всего за ноги переживал, зная нашу почту.

В сокет процессор буквально упал без каких-либо воздействий с моей стороны, даже изгиб ножек не помешал.

Для начала кулер решил не менять. Взгромоздил поверх фенома боксовый кулер от моего старичка атлона предварительно смазав процессор так горячо любимой на муське КПТ-8 🙂
Запустилось все автоматом, только при загрузке биос сообщил что процессор был заменен и попросил зайти подтвердить изменения.


CPU-Z подтвердил, что таки да, процессор тот что и обещали и TDP у него даже меньше чем было заявлено продавцом, заодно можно сравнить с моим старичком.

Тут же в CPU-Z можно сразу и первый тест провести в сравнении со старичком. В Single режиме разницы особой нет, частота у ядер фенома выше всего лишь на 100 МГц. Правда если у фенома нагружено не больше трех ядер, то он может для них включить режим буста и разогнать до 3.3 ГГц, но даже в таком режиме разница в частоте составит всего 600 МГц на ядро. А вот в мульти ядерном режиме все хорошо, прирост производительности более 50%.

С температурой тоже все более-менее нормально. Процессор довольно холодный так что даже на куске, алюминия, который называется боксовым кулером температура держится на приемлемом уровне.

Когда выбирал процессор смотрел описания из сети, люди легко разгоняют этот камень до 3,5-3,8 ГГц на нормальном кулере, а некоторые при хорошем кулере выходили на частоту в 4ГГц.
Сначала думал подождать с разгоном до покупки нормального кулера, но когда увидел температуры решил, что чутка стоит попробовать хуже то не будет. В биосе материнки есть режим разгона для ленивых называется это безобразие OverClocking Profile и позволяет разогнать процессор и память на 10% простым включением этой функции. Вот именно с этого режима и решил попробовать разгон предварительно отключив режим буста.

В итоге частота получилась 3093 МГц или другими словами 3.1 ГГц на ядро при этом температура поднялась до 71 градуса под нагрузкой. На мой взгляд такая температура это еще не предел для работы, но уже горячевато и мой кулер явно начинает проигрывать, поэтому дальше разгонять пока что не пробовал.

Кстати у процессора заблокирован множитель (пожалуй, это его самый большой минус) так что гнать можно только по шине одновременно занижая множители памяти, HT и частоты северного моста, но при таком варианте разгона как у меня сейчас вместе с процессором разогналось и все остальное что тоже немножко добавило быстродействия.
Что и подтверждает результат теста CINEBENCH прогнал и старый проц, и новый до и после разгона. Старичок набирал 361 попугай, новый до разгона получил 886 и 966 попугаев после разгона.

Интересная особенность на 10-ке не свойства системы, не диспетчер задач не понимают правильно частоту разогнанного проца и показывают, что максималка так и осталась 2.8 ГГц, а текущая и того ниже. Хотя CPU-Z все показывает правильно частота проца 3ГГц, кстати на семерке все определялось правильно.

Когда в прошлый раз я писал обзор на видяху многие мне в комментариях написали, что 50 fps для нее это мало и все дело в проце, поэтому решил заодно проверить как оно теперь. После обновления проца fps подрос и даже вырос, при тех же настройках графики средний fps 100 с редкими просадками до 70, максимум 130 в снайперском режиме, а старые 50 кадров превратились в 60 кадров для 1% всего замеренного объема.

Небольшой вывод: В целом я покупкой доволен, есть очень ощутимый прирост в работе всего компьютера и особенно браузера и программ обработки фото/видео, ну и конечно игры, куда же без них. Железо конечно все равно придется менять, но теперь надеюсь досидеть на этом компе еще годик и дождаться падения цена на 2011v3 🙂 Вот разве что куплю новый универсальный кулер и таки подразгоню старичка до 3.5 ГГц в будущем.

Заранее приношу свои извинения за орфографию и грамматику текста, все допущенные ошибки сделаны не специально, а только по незнанию и в связи с несовершенством программ автоматической проверки текстов.

Наркотик фен – что это такое?

«Фен нюхать» – что это такое на нарко-сленге? «Под феном» – это как? Многие родственники зависимых впервые слышат это непонятное сочетание слов. Нюхательный наркотик фен в виде порошка – что это за вещество? Какой наркотик называют феном? Насколько он опасен, какие последствия употребления фена через нос?

Довольно много вопросов встает, когда возникают подозрения в зависимости близкого человека. В статье расскажем: розовый порошок, который нюхают – что это за наркотик? Какой вред оказывает наркотическое средство фен на организм человека? Как распознать наркомана, употребляющего фен? Далее вы найдете подробное описание наркотика и его влияние на организм человека.

• Не можете
  уговорить
  на лечение

  ?

• Поможем с мотивацией на лечение. Как правило близким людям сложно уговорить или заставить зависимого лечиться. Мировыми специалистами разработаны ЭФФЕКТИВНЫЕ схемы мотивации, пользуясь которыми, можно привести зависимого к решению обратиться за помощью.
  8 (800) 333-20-07

Что такое «фен» в наркологии?

Сегодня все больше набирают обороты современные психотропные синтетические наркотики. Самым распространенным видом из них является «фен» (разг. «амфивитамин», жаргон «фенчик», скорость, спиды). Какое полное название нюхательного наркотика? По сути фен – это амфетамин, наркотик амфетаминового ряда, который оказывает мощное воздействие на нервную систему. В наши дни купить наркотические вещества не так сложно, как кажется.

Синтетические наркотики имеют вполне доступную стоимость, за что и получили довольно широкое распространение в нашей стране. Они дарят заряд позитива и бодрости, однако всегда нужно помнить, что у наркомании есть и вторая сторона медали – стойкая психологическая и физическая зависимость.

Из-за регулярного употребления фена в виде порошка у зависимого возникают отклонения в психике, снижается уровень интеллекта, возникает ряд негативных последствий для организма. Если вы задаетесь вопросом: что за наркотик фен, значит скорее всего вы или ваш близкий попала в беду. Советуем вам как можно скорее обратиться за лечением наркозависимости в наш Центр Здоровой Молодежи.

Как выглядит наркотик фен?

Какого цвета бывает фен: красный, синий, желтый? Как правило, наркотик фен в виде порошка имеет розовый цвет. Поэтому отличить дорожку фена от других наркотических веществ довольно легко. Как действует розовый фен? Принцип действия наркотика схож с выбросом адреналина. Так как вещество является психотропным, оно стимулирует центральную нервную систему.

Из чего делают наркотик фен?

Из чего состоит фен? Это наркотик на основе фенамина. Ингредиенты и рецепт наркотика фен довольно просто назвать, в большинстве своем это производные амфетамина (фенилэтиламина). Любой наркоман знает, как его сделать, так как состав наркотика фен довольно прост. Из чего делают наркотический порошок? Состав фена: азот, углерод, водород. Однако это в том случае, если эйфоретик изготовлен в лабораторных условиях. Чаще всего его создают в кустарных условиях из таких компонентов как красный фосфор, содержащийся на спичечных коробках, эфедрин (содержится в аптечных наркотиках), йод, соляная кислота, бензин. В зависимости от того, как именно изготавливают наркотик, меняется и его действие на организм.

Хотите узнать о стоимости услуг?

8 (800) 333-20-07 — позвоните нашему специалисту

Что такое фенамин?

Это психотропное вещество, которое также называют амфетамином. Оно имеет действие, схожее с кокаином, и является аналогом эфедрина. Во время войны (ВОВ) многим солдатам противника для сохранения и увеличения сил и энергии давали амфетамины, что стало причиной зависимости большинства из них и повлекло за собой распространение наркотика. Сегодня, так как амфетамин и фен – одно и тоже, наркотическое вещество запрещено повсеместно, так как препарат вызывает сильнейшую зависимость.

Как употребляют фен?

Как можно употреблять фен? Его курят или нюхают? Выпускается наркотик чаще всего в виде порошка, однако возможно найти его и в таблетках, а также в виде раствора для внутривенного введения. В зависимости от введения в организм различается и то, как принимают фен. Как его правильно употреблять: нюхать или колоть в вену, решает зависимый. Чаще всего, начиная нюхать порошок, рано или поздно эффект ослабевает, и человек начинает употреблять наркотик внутривенно, что ведет к довольно скорой его гибели.

Какой эффект и последствия от фена?

Некоторых людей интересует вопрос: как «прет» и сколько действует фен (время действия)? Наркотик сохраняет эйфорический эффект довольно длительное время. Даже небольшая доза порошка способна дать тот самый наркотический «кайф» на сутки или даже двое. Все признаки употребления фена возникают из-за повышения уровня норадреналина, а также гормона дофамин. Через сколько начинает действовать фен? Как правило, через 30-40 минут возникает подъем сил и настроения, которое является наркотическим опьянением. Что значит «под феном»? Какой «приход» от фена? Есть ли зависимость от фена?

Эффект наркотика

«Приход» – это первая стадия опьянения. Как ведет себя человек под феном? После употребления фена у него возникает прилив сил и энергии, повышение настроения, веселье. Человек становится более общительным, раскрепощенным, бесстрашным. Он не чувствует желания поспать или голода, может вести активный образ жизни сутками, не чувствуя усталости. Зависимый чувствует, что может свернуть горы, он вынослив, силен, талантлив, чувствует, как повышаются его умственные способности. Именно благодаря такому эффекту порошок и вызывает зависимость практически с первого употребления. Человек снова и снова хочет испытывать этот эффект.

На второй стадии у человека возникает слабость, эффект от наркотика начинает спадать и на смену веселью приходит апатия. Вскоре человек становится агрессивным, нервным, раздражительным. Единственная мысль в его голове: «намутить фена» (купить и употребить новую дозу).

Третья стадия – наркотическая ломка. Без очередной дозы у наркомана начинается «отходняк», который выражается в резком ухудшении состояния здоровья, головных болях, плохим самочувствием, сонливостью, слабостью во всем теле. Зависимый не может есть, так как его тошнит от еды. Часто возникает паранойя и психические расстройства. Абстинентный синдром вполне может привести к суициду без своевременного оказания наркологической помощи. Если вы видите, что у вашего близкого возникли побочные эффекты и последствия от употребления фена, звоните в наш центр, мы поможем не только в стационарных условиях, но и на дому круглосуточно и анонимно.

Признаки наркомана, употребляющего фен

Как определить наркомана, употребляющего фен? После употребления наркотика признаки и последствия у каждого человека довольно индивидуальные. Все зависит от организма зависимого, его здоровья и особенностей. Наркотик стимулирует ЦНС, происходит реакция, сравнимая со стрессом. Что происходит от фена?

Распространенные симптомы употребления: 

• расширение зрачков;
• учащение сердцебиения;
• ускорение пульса;
• ускоренная реакция;
• несвязная речь;
• постоянное движение;
• нарушение координации движений;
• подергивания мышц;
• спазмы;
• тремор конечностей;
• сбивчивая быстрая речь.

Именно по таким признакам можно распознать воздействие фена на организм. Как только вы увидели у близкого эти симптомы и заподозрили, что он «подсел на фен», не стоит откладывать, обратитесь в Центр Здоровой Молодежи за помощью, пока не стало слишком поздно. Если вовремя не начать лечение зависимости, в организме и мозге человека произойдут необратимые изменения.

Длительная зависимость приводит к привыканию, как правило, уже через 2-3 недели наступает толерантность, человек уже не чувствует былой эйфории от наркотика. Чтобы ее вернуть, он увеличивает дозу и частоту употребления, что чаще всего приводит к передозировке или к переходу на внутривенные инъекции.

Зависимость от наркотика в большей степени психологическая. Человек жаждет вновь и вновь испытать действие наркотического вещества. Поэтому медикаментозно лечить наркомана бессмысленно, необходима комплексная психосоциальная реабилитация в наркологическом центре.

Как действует наркотик фен на человека?

Действие и влияние фена на организм человека всегда пагубное. Чем так вреден и опасен фен? Как фен влияет на организм человека? Наркотик приводит к возникновению и развитию необратимых изменений в психике человека, нарушает работу всех органов и систем организма, разрушает нейроны головного мозга.

Последствия и побочные эффекты употребления наркотика фен:

1. Повышается давление и нагрузка на сосуды. Из-за резких скачков АД нарушается кровообращение и функционирование сердечно-сосудистой системы. Возникают тромбы, которые часто приводят к инфаркту.
2. Нарушается работа почек, так как они пытаются очистить организм от токсинов.
3. Ухудшение работы ЖКТ. Пищеварительная система сильно страдает, так как у человека нет аппетита, нередко возникает анорексия на фоне наркомании.
4. Нарушение в дыхательной системе снижает уровень кислорода в крови, что приводит к гипоксии.
5. Деградация клеток мозга и разрушение связей между нейронами. Нарушение мышления, проблемы с памятью, психические отклонения, галлюцинации, психозы, депрессия.

При всем этом человек чувствует себя бодрым и здоровым. Именно это мнимое ощущение и убивает зависимого день за днем. Помочь наркоману могут только близкие, обратившись за лечением в наш реабилитационный центр ЦЗМ. Мы сможем вылечить наркоманию при помощи современным методов и опыта квалифицированных специалистов.

Видео о лечении наркомании и алкоголизма в ЦЗМ

Лучшие процессоры на сокете AM3

До выхода новых процессоров Ryzen от AMD сокеты AM3 и AM3+ были очень популярными среди пользователей, особенно благодаря возможности установки процессоров для сокета AM3 в материнские платы с сокетом AM3+. Если вы до сих пор используете такой процессор и хотите немного обновить свой компьютер, но у вас недостаточно средств для покупки нового процессора AMD Ryzen, можно купить какой-нибудь из топовых процессоров для сокета AM3. Сейчас они стоят уже не так дорого, как раньше.

В этой статье мы собрали перечень лучших процессоров для сокета AM3, которые вы ещё можете найти на рынке и установить в свой компьютер без замены материнской платы.

Содержание статьи:

Лучшие процессоры для сокета AM3

1. AMD Phenom II X6 1100T

 

Это лучший процессор для сокета AM3, разработанный на основе архитектуры Thuban с использованием техпроцесса 45 нм. Базовая частота — 3,3 ГГц, но, благодаря технологии Turbo Core (аналог Turbo Boost от Intel), процессор может в автоматическом режиме повышать частоту до 3,7 ГГц, на 400 МГц больше базовой. Также это на 100 МГц выше по сравнению с четырёхъядерными флагманами Phenom II X4.

Процессор имеет 6 Мб кэша L3 и у каждого ядра по 512 Кб кэша L2. Таким образом, общая величина кэша процессора — 9 Мб. Кроме того, процессор поддерживает возможность разгона. Можно отключить Turbo Core и увеличить значение множителя со стандартного 16,5 до 18,5, в этом случае процессор всегда будет работать на частоте 3,7 ГГц. Характеристики:

• Сокет: AM3.
• Количество ядер: 6.
• Техпроцесс: 45 нм.
• Частота: 3,3 ГГц.
• Множитель: 16,5.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 125 Вт.
• Дополнительные возможности: AMD-V, Turbo Core.

2. AMD Phenom II X6 1090T

Этот процессор для сокета AM3 почти ничем не отличается от предыдущего варианта, кроме частоты. Базовая частота процессора ниже на 100 МГц и составляет 3,2 ГГц. Его можно считать аналогом Intel Core i7-930 и Intel Core i7-860. Тем не менее, в режиме Turbo Core процессор может разогнаться ещё на 500 МГц и работать уже на частоте 3,7 ГГц. Характеристики:

• Сокет: AM3.
• Количество ядер: 6.
• Техпроцесс: 45 нм.
• Частота: 3,2 ГГц.
• Множитель: 16.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 125 Вт.
• Дополнительные возможности: AMD-V, Turbo Core.

3. AMD Phenom II X6 1055T

Процессор AMD Phenom II X6 1055T имеет ещё более низкую частоту — 2,8 ГГц, в режиме Turbo Core может работать на частоте до 3,3 ГГц. Как и другие процессоры в этом списке, его можно установить как в сокет AM3, так и в AM2. Поддерживается оперативная память DDR2 и DDR3. Максимальный объём поддерживаемой оперативной памяти для всех шестиядерных процессоров этой линейки составляет 32 Гб. Характеристики:

• Сокет: AM3.
• Количество ядер: 6.
• Техпроцесс: 45 нм.
• Частота: 2,8 ГГц.
• Множитель: 14.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 95 Вт.
• Дополнительные возможности: AMD-V, Turbo Core.

4. AMD Phenom II X4 980 Black Edition

Это топовый процессор линейки четырёхъядерных процессоров Phenom от AMD. Разработан на базе архитектуры Thuban. Основным его отличием от шестиядерных процессоров, кроме количества ядер, является отсутствие поддержки Turbo Core. Однако вы всё ещё можете его разогнать до 4,1 ГГц, увеличив значение множителя.

Общий объём кэша на 1 Мб меньше из-за уменьшения количества ядер. Процессор поддерживает как DDR2, так и DDR3, но максимальный объём поддерживаемой оперативной памяти всего 16 Гб. Характеристики:

• Сокет: AM3.
• Количество ядер: 4.
• Техпроцесс: 45 нм.
• Частота: 3,7 ГГц.
• Множитель: 18.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 125 Вт.
• Дополнительные возможности: AMD-V.

5. AMD Phenom II X4 975 Black Edition

 

AMD Phenom II X4 975 практически ничем не отличается от предыдущего варианта за исключением снижения базовой тактовой частоты до 3,6 ГГц. Характеристики:

• Сокет: AM3.
• Количество ядер: 4.
• Техпроцесс: 45 нм.
• Частота: 3,6 ГГц.
• Множитель: 18.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 125 Вт.
• Дополнительные возможности: AMD-V.

6. AMD Phenom II X4 970 Black Edition

 

Еще один четырёхъядерный процессор на базе архитектуры Thuban от AMD с архитектурой ядра Deneb. Отличается от других моделей только частотой. Характеристики:

• Сокет: AM3.
• Количество ядер: 4.
• Техпроцесс: 45 нм.
• Частота: 3,5 ГГц.
• Множитель: 18.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 125 Вт.
• Дополнительные возможности: AMD-V, свободный множитель.

7. AMD Phenom II X4 965 Black Edition

Это один из самых привлекательных процессоров для сокета AM3 в плане соотношения цены и качества. Вы получаете почти топовый четырёхъядерный процессор с частотой 3,4 ГГц и разблокированным множителем, поэтому можете спокойно его разогнать ещё на 400-500 МГц, получить частоту 4 ГГц. И всё это за не очень большую цену. Характеристики:

• Сокет: AM3.
• Количество ядер: 4.
• Техпроцесс: 45 нм.
• Частота: 3,4 ГГц.
• Множитель: 17.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 125 Вт.
• Дополнительные возможности: AMD-V, свободный множитель.

8. AMD Phenom II X4 955 Black Edition

Процессор работает на частоте 3,2 ГГц, его можно считать аналогом Intel Core 2 Quad Q9550. Раньше он мог бы стать отличным выбором, но сейчас стоит практически столько же, сколько и AMD Phenom II X4 965. А если будет стоять вопрос о выборе между этими двумя процессорами, то лучше взять второй. Характеристики:

• Сокет: AM3.
• Количество ядер: 4.
• Техпроцесс: 45 нм.
• Частота: 3,2 ГГц.
• Множитель: 16.
• Величина кэша L3: 6 Мб.
• Тепловыделение: эквивалент 95 Вт.
• Дополнительные возможности: AMD-V.

Выводы

В этой статье мы рассмотрели лучшие процессоры для сокета AM3, которые вы всё ещё можете купить. Возможно, некоторых из них уже нет новых или придётся заказывать на eBay или ещё где-то, но что-то ещё в продаже можно найти. А какой процессор выбрали бы вы? Напишите в комментариях!

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

2.4. Феномены восприятия

Феномены восприятия лучше всего описаны представителями научной школы гештальтпсихологии. Основными принципами объединения восприятий являются:

1. Принцип фигуры и фона: то, что имеет для нас смысл, воспринимается как фигура на некотором менее структурированном фоне. Это относится к зрению, слуху, обонянию. Вся картина восприятия перестраивается, как только какой-либо элемент фона становится в свою очередь значимым. Психологически грамотно организованное общение «врач-пациент» построено на сложных взаимоотношениях фигуры и фона. В восприятии врача фигурой может стать информация, которую пациент упоминает вскользь или вообще не упоминает. В этом случае врач может с помощью специальным образом организованного расспроса направлять рассказ пациента так, чтобы выделить фигуру из фона.

2. Принцип заполнения пробелов: фрагментарное изображение сводится к простой фигуре с полным контуром. Например, когда врач наблюдает 2 – 3 признака определенной болезни, но для полной диагностической картины не хватает еще нескольких признаков, врач их додумывает, «выспрашивает» у пациента.

3. Принцип объединения (группировки) элементов: элементы объединяются по признаку близости, сходства, непрерывности (воображаемой), симметрии. Во врачебной практике принцип объединения в группы лежащих рядом симптомов и установление на основе этого диагноза болезни иногда может приводить к постановке неверного диагноза.

2.5. Развитие восприятия в онтогенезе

Восприятие не является врожденной характеристикой. Новорожденный ребенок не в состоянии воспринимать окружающий его мир в виде целостной предметной картины. Способность предметного восприятия у ребенка появляется значительно позже. О первоначальном выделении ребенком предметов из окружающего мира и их предметном восприятии можно судить по разглядыванию ребенком этих предметов, когда он не просто на них смотрит, а рассматривает, как бы ощупывая их взором.

Признаки предметного восприятия у ребенка начинают проявляться в раннем младенческом возрасте (два-четыре месяца), когда начинают формироваться действия с предметами. К шести-семи месяцам у ребенка отмечается возрастание случаев фиксации взора на предмете, которым он оперирует. В дальнейшем восприятие продолжает развиваться, и этот процесс продолжается вплоть до старшего школьного возраста.

При переходе от преддошкольного к дошкольному возрасту под влиянием игровой и конструктивной деятельности у детей складываются сложные виды зрительного анализа и синтеза, включая способность мысленно расчленять воспринимаемый объект на части в зрительном поле, исследуя каждую из этих частей в отдельности и затем объединяя их в одно целое.

В процессе обучения ребенка в школе активно происходит развитие восприятия, которое в этот период проходит несколько этапов. Первый этап связан со становлением адекватного образа предмета в процессе манипуляции этим предметом. На следующем этапе дети знакомятся с пространственными свойствами предметов при помощи движений рук и глаз. На следующих, более высоких ступенях психического развития дети приобретают способность быстро и без каких-либо внешних движений узнавать определенные свойства воспринимаемых объектов, отличать их на основе этих свойств друг от друга. При этом в процессе восприятия уже не принимают участия какие-либо действия или движения.

Вопросы для самоконтроля:

1. Определите понятие восприятия. Какова физиологическая основа восприятия?

2. Перечислите классификации восприятия.

3. Раскройте свойства восприятия.

4.Дайте характеристику феноменам восприятия. Как они

проявляются в практической деятельности врача?

5. Как развивается восприятие в ходе онтогенеза?

человеческие возможности без границ на «России 1»

Способности, не поддающиеся научному объяснению, люди, для которых нет пределов возможностей и не существует никаких законов физики, в том числе гравитации. Управлять собственным давлением, рисовать с натуры сразу двумя руками и считать быстрее компьютера — все это и не только умеют участники программы «Удивительные люди». В ближайшее воскресенье на телеканале «Россия 1» — очередной выпуск.

— Начинаем испытание, время пошло!

Никакого волшебства — только знание физики и терпение. Саксофон, валторна и скрипка парят в воздухе. Одно неверное движение может стоить победы. Поиск равновесия может занять до нескольких часов.

Испытываем способности участников за кулисами. Два портрета одновременно обеими руками — еще и на скорость.

— У меня уже челюсть устала улыбаться!

Валерий Гришанин — самоучка, рисовать начал совсем недавно. В прошлом баскетболист, он понял: его призвание — художник.

— Я правша. Когда я рисую, я сразу пишу одной рукой, правой, а левой наперед задаю какие-то действия.

Таланты и умения, которые не поддаются научному объяснению.

— Мы играем с давлением, а с давлением шутки плохи.

Джовхар Гаджиев удивляет тем, что может управлять своим давлением. Цифры на тонометре — как при инсульте, — но он абсолютно здоров.

«Давление я могу повышать, наверное, пока не вырублюсь», — говорит он.

«Если это все делать под контролем и тренироваться, это все безопасно. Но просто так с этим шутить я не советую», — говорит врач лечебной физкультуры и спортивной медицины Сергей Кораблев.

Феномены нашего времени покорят зрителей. В новом сезоне — битвы между настоящими супергероями. Звездная гостья проекта Ольга Шелест говорит, что не устает удивляться.

«Шоу абсолютно мотивирует людей искать в себе какие-то скрытые потенциалы, скрытые таланты, уникальности. Может быть, даже, не научиться чему-то, а понять, что в тебе есть какой-то дар», — говорит она.

Они преодолевают законы гравитации, считают быстрее компьютера, делают то, что не могут другие. Чтобы узнать силу своих способностей, нужно их испытать. И это возможно только здесь — в шоу «Удивительные люди». Новый сезон и новые таланты: участники доказывают, что человеческие возможности безграничны.

Фен строительный (термофен): 64 способа применения

Фен строительный (термофен, термопистолет): 69 способов применения

Долго не мог собраться купить строительный фен, все время думал, что можно и без этого инструмента обойтись, вроде бы, не очень и нужен. Но обстоятельства ремонта подтолкнули к этой покупке. О чем, надо сказать, я не жалею. Строительный фен, как оказалось, очень нужный инструмент в домашнем хозяйстве, пользуюсь им часто и плодотворно. В статье я решил собрать варианты  применения для термофена. Хочу попросить и вас, кто будет читать эту статью, дополнить и указать области применения, которых нет в списке.

Чаще всего его называют строительный фен, я считаю, это название не правильным, так как он используется далеко не в строительной сфере. Есть альтернативные названия: технический фен, профессиональный фен, промышленный фен, термофен, термопистолет, и даже термодувка и термовоздуходувка. Русский синоним — сушилка.

Похожая статья: «88 способов применения шуруповерта или дрели.»

Выбор

Выбор давался не легко, сначала я для себя определил, что инструмент должен быть максимально надежным и функциональным. Про надежность все понятно, а функциональность для меня заключалась в возможности регулировать как температуру потока воздуха, так и его силу. Эти параметры были для меня определяющими. Было несколько кандидатов на покупку. Самый дешёвый я отмел из-за малоизвестной фирмы (побоялся, что не смогу найти запчасти, если что). Другие мне показались неоправданно дорогими, с почти тем же функционалом. Остановил свой выбор на фене (Не буду называть марку). Диапазон температур: 50-650 Гр. C. Сравнил цены, термофен купить в интернет магазине оказалось на тысячу дешевле. Выбор был ясен, заказал и забрал самовывозом. Пользуюсь, уже несколько лет, выбором рад, никаких замечаний, нареканий нет.

Фен с похожими характеристиками. 

О возможностях применения строительного фена, даже самых неординарных:

1. Приклейка виниловой пленки (автовинила). Причем, это меня и подтолкнуло к покупке фена, приклеивал не на автомобиль, а на кухонные фасады. В процессе ремонта потребовалась смена дизайна. Надо сказать, все прошло замечательно, особо не напрягаясь, один фасад за вечер после работы приклеивался легко. Много расписывать не буду (нужно отдельную статью написать) в общем, все довольны.
2. Удаление старой краски. После нагрева краска пузырится и легко отстает от поверхности. Но использование скребка не исключается. (Только на свежем воздухе)
3. Сушка покрашенных поверхностей. Удобно, если вы покрасили небольшой участок или деталь, можно его высушить за несколько минут и нанести второй слой. Например, мне нужно было подобрать цвет, (как известно после высыхания цвет меняется в ту или иную сторону) быстро подсушив краску, провести несколько корректировок цвета, значительно экономит время.
4. Изгиб, формовка пластмассовых деталей. Правильно подобрав температуру и время нагрева, легко изгибается почти любая пластмасса.
5. Пайка пластмассовых изделий. Изготовить заплату и герметично запаять, главное, чтобы типы пластмассы были схожи. Сюда же относится и ремонт пластиковых автомобильных бамперов.
6. Снятие, приклейка автомобильной шумовиброизоляции.
7. Термодувка поможет оттаять примерзшие колодки авто, быстро оттаять стекла, удалить запотевание.
8. Реставрация пластмассовых деталей, (удаление царапин). Если прогреть поцарапанную пластмассовую деталь, она приобретет первоначальный глянец.
9. Сварка и резка линолеума. (Требуется специальная насадка)
10. Пайка и отпайка радиодеталей, даже самых маленьких (если вы не профессиональный ремонтник радиоаппаратуры, то покупать специальный паяльный фен нет необходимости). Пришлось изготовить специальную насадку, чтобы уменьшить диаметр струи воздуха. Кусок оцинковки, плоскогубцы, ножницы по металлу, руки, полчаса времени и конус готов. Из неудобств — только вес фена, держать тяжеловато, но возможно и закрепить. В остальном, греет также как и паяльный фен.
11. Прогрев чипов видеокарт, материнских плат, сотовых телефонов. Немного тренировок и мне удалось восстановить несколько видеокарт и устранить артефакты.
12. Усадка термоусадочных трубок. Усадка ПЭТ ленты (лены из пластиковых бутылок).
13. Выравнивание небольших вмятин на автомобиле. (Требуется опыт).
14. Укладка, снятие рулонной гидроизоляции (типа рубероида).
15. Сгибать, разгибать, сваривать трубы ПНД.
16. Приклеивание декоративной мебельной кромки.
17. Пайка, лужение металлических деталей. Удалось припаять латунный штуцер к латунной пробке. Долго думал, где и как заказать эту деталь у токаря, в итоге справился сам минут за 40.
18. Сушка клея. Если склеить деталь и прогреть её, то она приклеится значительно быстрее. Читал, что эпоксидная смола при прогреве твердеет за 1 час вместо 24 часов. (Сам не еще не пробовал).
19. Расклеивание, демонтаж деталей. Например, резиновый клей размягчается при нагреве и разъединить детали значительно легче.
20. Если необходимо склеить большие поверхности термоклеем, а клеевой пистолет не справляется — термовоздуходувку в помощь.
21. Размораживание замерзших водопроводных, канализационных труб, замков и механизмов.
22. Обработка деревянных изделий и ламината воском или парафином. (Вощение обуви)
23. Развинчивание неразвинчиваемого. После прогрева пары «Болт-Гайка» и резкого охлаждения (водой, льдом),  развернутся значительно легче.
24. Мой фен способен дуть с температурой 50 гр. С. Его вполне возможно использовать для сушки и укладки волос. Быстрая сушка маникюра, педикюра. (Не все модели).
25. С его помощью можно растянуть обувь.
26. Удалить загрязнения с металлических, керамических поверхностей. Их можно просто отжечь феном.
27. Розжиг мангала, печки. При максимальной температуре легко загорается бумага, даже сырая, она быстро сохнет и загорается, далее потоком воздуха все раздувается, как в кузнечном горне. Древесный уголь в мангале разгорается моментально, не нужно никаких жидкостей для розжига и вееров.
28. Разогрев пищи, в условиях ремонта бывает разогреть просто негде. Например, рис разогревается за минуту, стоит подуть прямо себе в тарелку на минимальных оборотах, чтобы не раздуло пищу по всем углам. Не хуже, чем в микроволновой печи и никаких излучений. Один раз жарил сосиски, получилось не хуже, чем на костре.
29. Также сделать горячие бутерброды, расплавить сыр. Использовать для карамелизации поверхностей блюда.
30. Если пристыковать его к большой кастрюле с крышкой, чтобы в ней воздух гонялся по кругу, получится аэрогриль. На даче, например, почему нет? (Чистая теория).
31. С его помощью возможно испечь безе, приготовить попкорн, обжарить кофе, даже поджарить шашлык (мясо только быстро сохнет).
32. Для рыбаков может быть полезен, в плавлении свинца, изготовление разного вида грузил и мормышек.
33. Если аккуратно нагреть битумные брызги на лакокрасочном покрытии автомобиля или дисках, битум будет легко удалить.
34. Использовать в химической лаборатории, для ускорения прохождения химических реакций.
35. Обеззараживать клетки домашних животных, кроликов, птицы, хомячков, попугаев, пчелиные ульи и т.д.
36. Стерилизация. Вполне возможно стерилизовать стеклянные банки перед заготовками на зиму, также и стерилизуются инструменты.
37. Обработать деревянные детали от насекомых, плесени и грибка.
38. С помощью промышленного фена удобно удалить рекламные наклейки, ценники, этикетки.
39. Обработка края синтетических тканей от осыпания, так же запайка концов обрезанной веревки.
40. Поможет в борьбе с клопами, прогреваются возможные места обитания (швы в диванах кроватях и.т.д.
41. Распечатать пчелиные соты при помощи строительного фена.
42. Выдуть пыль из компьютера на самой низкой температуре, максимальном потоке и узкой насадке. (Рекомендую делать только на открытом воздухе).
43. Изготовление декоративных свечей.
44. Снятие старых обоев с бетонных стен.
45. Если необходимо использовать двухсторонний скотч, прогрейте места приклейки и сам скотч феном, скотч будет держать намного крепче.
46. Существуют специальные насадки для резки материалов, типа пенопласта.
47. Нанесение эффекта старения на разные материалы и изделия.
48. Изготовление декоративной штукатурки типа «Венецианская штукатурка». (С эффектом растрескивания).
49. Термопистолет выручит в формовке древесины, проявления древесного узора и структуры. Старение дерева (браширование).
50. В большей степени заменяет многие функции газовой горелки и паяльной лампы. (Только более безопасен).
51. Фен технический поможет в настройке терморегуляторов.
52. Сварка синтетических пленок из однородного материала.
53. Быстрая сушка обуви.
54. Размягчение густых смазочных материалов. Нанесение смазки на лыжи.
55. Даже сможете прикурить, если нет огня под рукой. (Не советую, вредно это — курить)
56. Помог строительный фен быстро разморозить холодильник.
57. Профессиональный фен поможет в ремонте садового шланга.
58. Откалить сталистую проволоку.
59. Приклейка тонировочной пленки на автомобиль.
60. Поможет в реставрации ванны (нанесение жидкого акрила).
61. Фен технический выручит в экстренной сушке носков.
62. Использовать в удалении сорняков, выросших между тротуарных плиток.
63. С помощью термофена можно завести двигатель после сильных морозов. Согреть впускной коллектор, прогреть двигатель. В особо сложных случаях, прогреть свечи, подуть внутрь цилиндров. Хотя, есть более продвинутые способы подогрева двигателя.
64. Да просто согреться или согреть ноги ребенку после зимней прогулки. (Только, пожалуйста, без фанатизма).
65. Если взять простой телефонный провод, накрутить его на карандаш (виток к витку), закрепить концы скотчем. Затем прогреть его феном,  дать остыть, то у вас получится замечательный витой шнур, как для телефонной трубки. Возможно получится закрутить шнур например от зарядки телефона, диаметр выбирается любой. Возможно, такую операцию можно проделать и с другими проводами.
66. Вернуть блеск, старой мебели (Прогреть поверхность и пропитать её пчелиным воском).
67. Часто будет необходим в ремонте автомобиля. Установка подшипников, сайлентблоков.
68. Чтобы не сломать пластиковые защелки, фиксаторы.  Прогрейте их и они разщелкнутся легче и безопаснее.
69. За ламинировать и разламинировать документы.
70. Натянуть натяжной потолок с помощью обычного термофена.
71. Нагревать посадочные места до, нужной температуры, во время установки подшипников.
72. Использовать фен, как дополнительный аргумент, для убеждения оппонента в споре. (Не стоит, уголовно наказуемо).

Подскажите, что еще забыл?

Большой выбор фенов, насадок и запчастей к ним.

Если воспользуетесь кэшбэком можно вернуть до 18% от стоимости.

Недостаток

Есть один существенный недостаток, для всего этого нужен источник питания 220V. Не каждый может дотянуть удлинитель, например до автомобиля. Конечно, существуют модели на аккумуляторах, но это на любителя. Знаю по опыту с шуруповертом, когда он нужен, часто бывает разряжен.

Если вы не нашли в этом списке ничего интересного и полезного для вас — не покупайте строительный фен, он вам не нужен и будет валяться мертвым грузом. Если знаете другие способы применения, напишите в комментариях, я дополню список.

Есть несколько правил использования термофена.

• Не работать вблизи с легковоспламеняющимися жидкостями и деталями.
• Не стоит ронять горячий фен, нагревательный элемент становится очень хрупкий.
• Не закрывать поток воздуха для того, чтобы избежать перегрева нагревательного элемента и плавления корпуса.
• После работы с феном на больших температурах не стоит сразу выключать фен, так как нагревательный элемент еще очень горячий, а потока воздуха для охлаждения уже нет. Перед выключением нужно, на некоторое время, снизить рабочую температуру до 50 градусов.

В общем, рекомендуем.

Есть похожая статья: «88 способов применении шуруповерта или дрели.»

 Недорогой фен можно купить тут с бесплатной доставкой.

При копировании статьи или части статьи, ссылка обязательна.

Был рад помочь определиться с выбором.

архивные записи register for this site последние сообщения войти видео  рекомендуем  потеряный пароль комментировать отменить ответ мнение мнений

https://youtu.be/bRRyUg3-a14

Статья: «Способы применения строительного фена«.

Google+

Бесплатный сыр – разблокируем ядра процессорам AMD.

В статье речь пойдет о возможности включения третьего и четвертого ядер у процессоров AMD, а так же будут приведены практические результаты такого действия – то есть тесты. Ведь очень заманчиво за сто долларов получить платформу с процессором на уровне топового.

По поводу принципиальных отличий компаний Intel и AMD есть отдельная статья, но одно из главных следствий «бедности» AMD – это РАЦИОНАЛЬНОЕ использование площади кристалла.

AMD гораздо раньше Intel, да еще и на старом техпроцессе, таки умудрилась создать первый четырехъядерный процессор на одном кристалле (свои квады Интел делала спайкой двух двухъядерников).

Так вот – процессор то сделан, но брак все равно присутствует время от времени даже у богатой интел (свежая новость – Intel выпустила партию бракованных чипсетов). Вот и у AMD, допустим, есть подозрения что одно ядро не работает. Его просто блокируют и вы покупаете какой нибудь трех или даже двухъядерный процессор AMD Phenom II 560 X2 Socket AM3 3.3GHz 7MB 80W box или Athlon II X3 445. Но физически – он ЧЕТЫРЕХЪЯДЕРНЫЙ !

Как разблокировать/включить ядра процессоров AMD?

Дальше все просто – на рынке полно материнских плат, поддерживающих функцию разблокирования залоченых ядер. Все что нужно сделать – поставить соответствующую галочку в биос.

Сохраняем изменения и перезагружаемся – если все проходит гладко, то первый шаг пройдет. Но только ПЕРВЫЙ.

Не забывайте, что ядра Атлонам и Феномам блокируют не спроста и они могут быть сбойные. Далее следует ОБЯЗАТЕЛЬНО протестировать на стабильность ВСЕ ядра процессора, например так, как описано в статье.

ПРАКТИКА

Был взят процессор Athlon II X3 425  и при помощи опции копеечной материнской платы AsRock – Bios Unlock CPU Core, включено четвертое ядро.

Так процессор выглядел ДО разблокирования:

Как видите – утилита CPU-Z определяет, что у процессора три активных ядра и у каждого по полмегабайта кэша L2.

Теперь включаем четвертое ядро…

Ждало разочарование. Первый же тест выявил неработоспособность включенного ядра. Оно было, функционировало, но под нагрузкой сбоило. Присмотревшись к картинке вы так же увидите артефакты изображения рабочего стола. Но примечательно другое – процессор Athlon II X3 превратился не в четырехъядерный атлон, а в Phenom II X4 !!!

На скриншоте совершенно ясно видно по показаниям утилиты, что включилось не только ядро, но и лишние 6Мб кэша третьего уровня L3.

Я решил не опускать руки и идти до конца. Методом проб и ошибок было выявлено, что ФИЗИЧЕСКИ сбойное заблокированное ядро является вторым по счету. А что если кэш L3 вполне работоспособный? Для проверки этого утверждения процессор снова был разблокирован, но из менеджера приложений второе ядро было отключено.

Проходим тест…

Тест отработал безукоризненно. А заодно мы еще и выяснили практическую пользу большого кэша. В тесте 3D Mark 2006 его наличие при прочих равных условиях кое где добавило +10%. Это конечно не лишнее ядро, но все равно прирост. Умные производители материнской платы даже специально для таких случаев предусматривают попутное отключение сбойных ядер .

То есть сначала мы принудительно разблокируем все, что можно разблокировать, а потом блокируем то, что неработоспособно )))))))))))))))

Есть еще ложечка дегтя во всем этом. Даже не смотря на то, что кэш и ядра не активны,  такие процессоры все равно имеют крупный размер кристалла и ощутимо греются. Учитывайте это.

КАКИЕ ПРОЦЕССОРЫ ПОДХОДЯТ ДЛЯ РАЗБЛОКИРОВАНИЯ?

Подходят трехъядерные Атлоны и двух-трех-ядерные Феномы Athlon-II-X3 и Phenom-II-X2-3. Так же ходит слух, что некоторые четырехъядерные модели разблокируются в шестиядерные, но такого опыта пока нет. Ищите тогда Феномы на ядре Thuban и вполне возможно посчастливится.

ВЫВОД
Вообще в данном случае мне не повезло, ведь мог попасться 100% рабочий экземпляр. В таком случае я из процессора стоимостью  65$ получил бы четырехъядерный Phenom II X4 стоимостью 150$. Согласитесь – эта лотерея того стоит. А особенно радует то, что делать это умеют даже копеечные материнские платы.

Phenome — обзор | Темы ScienceDirect

Европейский архив генома-феномена

EGA — это база данных всех типов «экспериментов с последовательностями и генотипами, в том числе исследований случай-контроля, популяций и семей, проводимых в Европейском институте биоинформатики» [21]. Согласно веб-сайту EGA: «EGA будет служить постоянным архивом, в котором будут архивироваться несколько уровней данных, включая необработанные данные (которые, например, могут быть повторно проанализированы в будущем другими алгоритмами), а также запросы генотипа. предоставлено подателями.”

Отправители данных через EGA сохраняют контроль над последующим использованием наборов данных через DAC, расположенные в исходном исследовании или консорциуме. На сегодняшний день на сайте EGA указано 212 ЦАП. Эти ЦАП выполняют ряд аналогичных задач. Во-первых, они выясняют, соответствуют ли предлагаемые исследовательские цели первоначальной цели сбора данных. Например, офис комитета по доступу к данным (DACO) ICGC должен «проверять соответствие проектов пользователей целям и политике ICGC, включая, помимо прочего, политику, касающуюся цели и актуальности исследования, защита участников и безопасность данных участников.«Поступая таким образом, DAC обычно воздерживаются от проверки научного качества предложений и вместо этого сосредотачиваются на согласованности предложений с исходными формами согласия или одобрениями этических норм [22]. Согласно критериям оценки Комитета по доступу к данным консорциума Wellcome Trust Case Control Consortium (CDAC), «CDAC НЕ пытается проводить экспертную оценку научного качества предложений. Тем не менее, он запрашивает краткое изложение исследования, которое необходимо провести, чтобы судить, подпадает ли оно под рамки согласий.«DAC не проводят этическую оценку предлагаемых проектов, кроме обеспечения согласованности форм согласия. Скорее, эта задача остается обязанностью комитетов по этике [23]. Однако в случаях, когда цели исследования кажутся сложными с этической и юридической точек зрения, некоторые DAC рассматривают возможность проведения дальнейших оценок. Например, CDAC «…Другие считают, что ответственность за это несет организация, использующая данные. ICGC сообщает, например, что «… [Международный комитет по доступу к данным (IDAC)] всегда считал, что сам DACO не является комитетом по этике и не должен оценивать формы согласия пользователей или протоколы исследований. По сути, IDAC и DACO полагаются на местные этические процессы пользователей данных, не навязывая им еще один уровень требований этической проверки »[22].

Во-вторых, базы данных с контролируемым доступом доступны только квалифицированным или добросовестным исследователям.Таким образом, DAC несут ответственность за проверку соответствия требованиям потенциальных пользователей. Тем не менее критерии для квалифицированного исследователя формулируются редко. DAC определяют право на участие в основном на основе предоставленной пользователем информации об их принадлежности и научных достижениях в данной области, возможно, в качестве доказательства стажа работы и опыта. Например, для проекта «Геном Нидерландов» (GoNL) квалифицированный исследователь называется «старшим исследователем, который работает или законно связан с академическим, некоммерческим или государственным учреждением и имеет опыт работы в этой области» [24].

Третья обязанность DAC — надзор за использованием данных. DAC часто используют юридически обязывающий инструмент, часто называемый соглашением о доступе к данным , подписываемым между DAC и домашним учреждением пользователя. Соглашения о доступе к данным включают множество условий, которых должны придерживаться пользователи данных. В соглашении о доступе к данным GoNL, например, уточняются условия доступа к данным, включая вопросы, связанные с публикацией, владением данными, возвратом данных, правами интеллектуальной собственности, удалением данных, одобрением этических норм, конфиденциальностью и коммерциализацией [24].Соответствующие политики публикации также проиллюстрированы либо в соглашениях о доступе к данным, либо в отдельном документе. В них излагаются положения, касающиеся использования данных, такие как признание производителей данных и спонсоров в итоговых публикациях. Кроме того, DAC могут оставлять за собой право проверять действия пользователей данных. Аудит гарантирует, что пользователи данных соблюдают условия использования: «DACO ICGC оставляет за собой право проверять документы по безопасности ИТ пользователей, если того требуют обстоятельства» [22].

Имеется ограниченная информация для оценки опыта членов и построения перечисленных DAC, особенно в небольших или отдельных исследованиях.С другой стороны, консорциумы часто имеют двухуровневую оценку доступа. Об этом свидетельствует структура проекта UK10K, посредством которого два органа контролируют запросы на доступ к данным: комитет управления (МК), состоящий из представителей каждой когорты и группы заболеваний; и Комитет по доступу к данным Wellcome Trust. В то время как MC оценивает достоверность запроса и согласованность запросов данных с учетом ограничений использования, Wellcome Trust DAC обеспечивает окончательное одобрение запросов доступа [25].В других консорциумах руководящий комитет может предложить консультации по вопросам научной значимости, пригодности или осуществимости до оценки DAC или предоставить более широкие наблюдения на политическом уровне в спорных случаях. Например, члены проекта MalariaGEN с соответствующими знаниями были назначены в IDAC для облегчения проверки доступа к данным на уровне консорциума. Кроме того, «[для] дополнения IDAC… более широкая консультативная группа, включающая партнерские учреждения, органы этической экспертизы и финансирующие агентства [может] получать регулярные отчеты об использовании опубликованных данных и может быть предложена для рассмотрения вопросов политики от время от времени IDAC »[26].Аналогичным образом, опыт ICGC показал, что IDAC функционирует как независимый надзорный комитет, который контролирует деятельность DACO, а также консультирует по сложным запросам доступа [27].

Раскрытие человеческих взаимоотношений геном-фен с использованием исследований ассоциаций в масштабе всего феномена

1

Sturtevant, A.J. Линейное расположение шести сцепленных с полом факторов в Drosophila , как показано их способом ассоциации. J. Exp. Zool. 14 , 59 (1913).

Артикул Google ученый

2

Гоф С. и Симмондс М. Дж. Область HLA и аутоиммунное заболевание: ассоциации и механизмы действия. Curr. Геном. 8 , 453–465 (2007).

CAS Статья Google ученый

3

Ueda, H. et al. Ассоциация Т-клеточного регуляторного гена CTLA4 с предрасположенностью к аутоиммунным заболеваниям. Природа 423 , 506–511 (2003).

CAS Статья Google ученый

4

Criswell, L.A. et al. Анализ семей в коллекции консорциума генетики множественных аутоиммунных заболеваний (MADGC): аллель PTPN22 620W ассоциирован с множественными аутоиммунными фенотипами. г. J. Hum. Genet. 76 , 561–571 (2005).

CAS PubMed PubMed Central Статья Google ученый

5

Жернакова, А., ван Димен, К. и Вейменга, С. Обнаружение общего патогенеза на основе общей генетики связанных с иммунитетом заболеваний. Nat. Преподобный Жене. 10 , 43–55 (2009). В этом обзоре подчеркивается общее влияние генетических вариантов на аутоиммунные заболевания.

CAS Статья Google ученый

6

Инициатива по генетике диабета Института Броуда Гарварда и Массачусетского технологического института, Лундского университета и институтов биомедицинских исследований Novartis et al.Полногеномный ассоциативный анализ определяет локусы диабета 2 типа и уровни триглицеридов. Наука 316 , 1331–1336 (2007).

7

McPherson, R. et al. Распространенный аллель на хромосоме 9, связанный с ишемической болезнью сердца. Наука 316 , 1488–1491 (2007).

CAS PubMed PubMed Central Статья Google ученый

8

Helgadottir, A. et al.Распространенный вариант хромосомы 9p21 влияет на риск инфаркта миокарда. Наука 316 , 1491–1493 (2007).

CAS Статья Google ученый

9

Samani, N.J. et al. Общегеномный ассоциативный анализ ишемической болезни сердца. N. Engl. J. Med. 357 , 443–453 (2007).

CAS PubMed PubMed Central Статья Google ученый

10

Хиндорф, Л.A. et al. Возможные этиологические и функциональные последствия полногеномных ассоциативных локусов для болезней и признаков человека. Proc. Natl Acad. Sci. США 106 , 9362–9367 (2009). Это первая исчерпывающая характеристика вариантов, идентифицированных GWAS, из литературы.

CAS Статья Google ученый

11

Sivakumaran, S. et al. Обильная плейотропия при сложных заболеваниях и признаках человека. г. J. Hum. Genet. 89 , 607–618 (2011).

CAS PubMed PubMed Central Статья Google ученый

12

Соловьев, Н., Котсапас, К., Ли, П. Х., Перселл, С. М., Смоллер, Дж. У. Плейотропия в сложных чертах: проблемы и стратегии. Nat. Преподобный Жене. 14 , 483–495 (2013).

CAS PubMed PubMed Central Статья Google ученый

13

Стернс, Ф.В. Сто лет плейотропии: ретроспектива. Генетика 186 , 767–773 (2010).

CAS PubMed PubMed Central Статья Google ученый

14

Вагнер, Г. П. и Чжан, Дж. Плейотропная структура карты генотип-фенотип: эволюционируемость сложных организмов. Nat. Преподобный Жене. 12 , 204–213 (2011). Это отличный обзор плейотропии.

CAS Статья Google ученый

15

Тайлер А. Л., Кроуфорд Д. К. и Пендерграсс С. А. Обнаружение и характеристика плейотропии. открытие, прогресс и обещание. Краткое. Биоинформ. 17 , 13–22 (2016).

CAS Статья Google ученый

16

Растегар-Мохарад, М., Йе, З., Колесар, Дж. М., Хеббринг, С.Дж. И Лин, С. М. Возможности репозиционирования лекарств из исследований ассоциации в масштабе всего феномена. Nat. Biotechnol. 33 , 342–345 (2015).

CAS Статья Google ученый

17

Коллинз, Ф. С. и Вармус, Х. А. Новая инициатива в области точной медицины. N. Engl. J. Med. 372 , 793–795 (2015).

CAS PubMed PubMed Central Статья Google ученый

18

Pendergrass, S.А. и Ричи, М. Исследования ассоциаций в масштабе всего фенома: использование всеобъемлющих фенотипических и генотипических данных для открытия. Curr. Genet. Med. Отчет 3 , 92–100 (2015).

CAS PubMed PubMed Central Статья Google ученый

19

Хеббринг, С. Дж. Проблемы, преимущества и будущее исследований ассоциаций в масштабе всего феномена. Иммунология 141 , 157–165 (2014).

CAS PubMed PubMed Central Статья Google ученый

20

Pendergrass, S.A. et al. Исследования ассоциаций в масштабе всего феномена: понимание сложности для открытия. Хум. Hered. 3–4 , 111–123 (2015).

Артикул CAS Google ученый

21

Stranger, B.E. et al. Паттерны цис-регуляторных вариаций в различных популяциях человека. PLoS Genet. 8 , e1002639 (2012).

CAS PubMed PubMed Central Статья Google ученый

22

Вейриерас, Дж.B. et al. Картирование экспрессионных QTL с высоким разрешением дает представление о регуляции генов человека. PLoS Genet. 4 , e1000214 (2008).

PubMed PubMed Central Статья CAS Google ученый

23

Pai, A.A. et al. Вклад локусов количественных признаков распада РНК в межиндивидуальную изменчивость в уровнях стабильной экспрессии генов. PLoS Genet. 8 , e1003000 (2012).

CAS PubMed PubMed Central Статья Google ученый

24

Gaffney, D. J. et al. Контроль расположения нуклеосом в геноме человека. PLoS Genet. 8 , e1003036 (2012).

CAS PubMed PubMed Central Статья Google ученый

25

Degner, J. F. et al. QTL чувствительности к ДНКазе I являются основным детерминантом вариабельности экспрессии у человека. Природа 482 , 390–394 (2012).

CAS PubMed PubMed Central Статья Google ученый

26

Battle, A. et al. Влияние регуляторных изменений от РНК к белку. Наука 347 , 664–667 (2015). Это систематическое исследование способов, которыми генетические варианты влияют на экспрессию транскриптов и белков.

CAS Статья Google ученый

27

Ву, Л.и другие. Вариации и генетический контроль обилия белка у людей. Природа 499 , 79–82 (2013).

CAS PubMed PubMed Central Статья Google ученый

28

Hause, R. et al. Идентификация и проверка генетических вариантов, влияющих на уровень транскрипционного фактора и клеточного сигнального белка. г. J. Hum. Genet. 95 , 194–208 (2014).

CAS PubMed PubMed Central Статья Google ученый

29

Николае Д.L. et al. Связанные с характеристикой SNP с большей вероятностью будут eQTL: аннотацией для улучшения обнаружения из GWAS. PLoS Genet. 6 , e1000888 (2010).

PubMed PubMed Central Статья CAS Google ученый

30

Cookson, W., Liang, L., Abecasis, G., Moffatt, M. & Lathrop, M. Картирование сложных признаков болезни с глобальной экспрессией генов. Nat. Преподобный Жене. 10 , 184–194 (2009).

CAS PubMed PubMed Central Статья Google ученый

31

Venter, J. C. et al. Последовательность генома человека. Наука 291 , 1304–1351 (2001).

CAS PubMed PubMed Central Статья Google ученый

32

Lander, E. S. et al. Начальная последовательность и анализ человеческого генома. Nature 409 , 860–921 (2001).

CAS Статья Google ученый

33

Ландер, Э.С. Первоначальное влияние секвенирования генома человека. Природа 470 , 187–197 (2011).

CAS Статья Google ученый

34

Буш, У. С. и Мур, Дж. Х. Глава 11: исследования ассоциаций в масштабе всего генома. PLoS Comput. Биол. 8 , e1002822 (2012).

CAS PubMed PubMed Central Статья Google ученый

35

Витте, Дж. С. Исследования ассоциаций всего генома и не только. Annu. Rev. Publ. Здравоохранение 31 , 9–20 (2010).

Артикул Google ученый

36

Альтшулер Д., Дейли М. Дж. И Ландер Э. С. Генетическое картирование болезней человека. Наука 322 , 881–888 (2008).

CAS PubMed PubMed Central Статья Google ученый

37

Welter, D. et al. Каталог NHGRI GWAS, кураторский ресурс ассоциаций SNP-признаков. Nucleic Acids Res. 42 , D1001 – D1006 (2014).

CAS Статья Google ученый

38

Дженсен, П. Б., Дженсен, Л. Дж. И Брунак, С. Разработка электронных медицинских карт: к лучшим приложениям для исследований и клинической помощи. Nat. Преподобный Жене. 13 , 395–405 (2012).

CAS Статья Google ученый

39

Кохан И.С. Использование электронных медицинских карт для открытия в геномике болезней. Nat. Преподобный Жене. 12 , 417–428 (2011). Этот обзор представляет собой отличный обзор существующих и потенциальных применений EHR в контексте геномики.

CAS Статья Google ученый

40

Банда, Ю.и другие. Характеристика расы / этнической принадлежности и генетического происхождения для 100000 субъектов в когорте генетических эпидемиологических исследований здоровья и старения взрослых (GERA). Генетика 200 , 1285–1295 (2015).

PubMed PubMed Central Статья Google ученый

41

Квале, М. Н. и др. Информатика генотипирования и контроль качества для 100 000 субъектов в когорте генетических эпидемиологических исследований здоровья и старения взрослых (GERA). Генетика 200 , 1051–1060 (2015).

PubMed PubMed Central Статья CAS Google ученый

42

Газиано, Дж. М. и др. Программа «Миллион ветеранов»: мегабиобанк для изучения генетического влияния на здоровье и болезни. J. Clin. Эпидемиол. 70 , 214–223 (2016).

Артикул Google ученый

43

Маккарти, К.и другие. Сеть eMERGE: консорциум биорепозиториев, связанных с данными электронных медицинских карт, для проведения геномных исследований. BMC Medical Genomics 4 , 13 (2011).

PubMed PubMed Central Статья Google ученый

44

Ritchie, M. D. et al. Анализ сердечной проводимости по геному и феномену позволяет выявить маркеры риска аритмии. Тираж 127 , 1377–1385 (2013).

CAS PubMed PubMed Central Статья Google ученый

45

Denny, J. C. et al. Идентификация геномных предикторов атриовентрикулярной проводимости. Тираж 122 , 2016–2021 (2010).

PubMed PubMed Central Статья Google ученый

46

Ritchie, M. D. et al. Исследование сети электронных медицинских карт и геномики (eMERGE) катаракты: несколько новых потенциальных локусов восприимчивости. Мол. Vis. 20 , 1281–1295 (2014).

PubMed PubMed Central Google ученый

47

McDavid, A. et al. Повышение эффективности исследований генетических ассоциаций за счет использования серебряных стандартных случаев, полученных из электронных медицинских карт. PLoS ONE 8 , e63481 (2013).

CAS PubMed PubMed Central Статья Google ученый

48

Тернер, С.D. et al. Мультилокусный анализ, основанный на знаниях, выявляет взаимодействия генов и генов, влияющие на уровень холестерина ЛПВП в двух независимых биобанках, связанных с ЭМИ. PLoS ONE 6 , e19586 (2011).

CAS PubMed PubMed Central Статья Google ученый

49

Kullo, I.J. et al. Использование информатики для генетических исследований: использование электронной медицинской карты для проведения полногеномного ассоциативного исследования заболеваний периферических артерий. J. Am. Med. Сообщить. Доц. 17 , 568–574 (2010).

PubMed PubMed Central Статья Google ученый

50

Kho, A. N. et al. Использование различных систем электронных медицинских карт для выявления генетического риска диабета 2 типа в рамках общегеномного исследования ассоциации. J. Am. Med. Сообщить. Доц. 19 , 212–218 (2012).

Артикул Google ученый

51

Обер, К.И Верчелли, Д. Взаимодействие генов и окружающей среды при заболеваниях человека: неприятность или возможность? Trends Genet. 27 , 107–115 (2011). Это превосходный обзор роли взаимодействия генов с окружающей средой в контексте болезней человека.

CAS PubMed PubMed Central Статья Google ученый

52

Джонс, Р., Пембри, М., Голдинг, Дж. И Херрик, Д. Поиск ассоциаций генотип / фенотип и сканирование феномена. Paediatr. Perinatal Epidemiol. 19 , 264–275 (2005).

Артикул Google ученый

53

Фреймер, Н. и Сабатти, К. Проект человеческого феномена. Nat. Genet. 34 , 15–21 (2003).

CAS Статья Google ученый

54

Denny, J. C. et al. PheWAS: демонстрация возможности сканирования всего феномена для выявления ассоциаций генов и болезней. Биоинформатика 26 , 1205–1210 (2010). Это первая опубликованная PheWAS, выполненная в биорепозитории, связанном с EHR.

CAS PubMed PubMed Central Статья Google ученый

55

Международный консорциум по генетике рассеянного склероза и соавт. Аллели риска рассеянного склероза, выявленные в ходе полногеномного исследования. N. Engl. J. Med. 357 , 851–862 (2007).

56

Де Ягер, П. Л. и др. Мета-анализ сканирования генома и репликации идентифицирует CD6, IRF8 и TNFRSF1A как новые локусы восприимчивости к рассеянному склерозу. Nat. Genet. 41 , 776–782 (2009).

CAS PubMed PubMed Central Статья Google ученый

57

Консорциум WTCCC. Полногеномное ассоциативное исследование 14 000 случаев семи распространенных заболеваний и 3000 общих контрольных заболеваний. Природа 447 , 661–678 (2007).

58

Gudbjartsson, D. F. et al. Варианты, предполагающие риск фибрилляции предсердий на хромосоме 4q25. Природа 448 , 353–357 (2007).

CAS Статья Google ученый

59

Gudbjartsson, D. F. et al. Вариант последовательности ZFHX3 на 16q22 ассоциируется с фибрилляцией предсердий и ишемическим инсультом. Nat. Genet. 41 , 876–878 (2009).

CAS PubMed PubMed Central Статья Google ученый

60

Raychaudhuri, S. et al. Общие варианты CD40 и других локусов создают риск ревматоидного артрита. Nat. Genet. 40 , 1216–1223 (2008).

CAS PubMed PubMed Central Статья Google ученый

61

Denny, J. C. et al. Систематическое сравнение исследования ассоциации по всему феномену данных электронных медицинских карт и данных исследования ассоциации по всему геному. Nat. Biotechnol. 31 , 1102–1111 (2013).

CAS PubMed PubMed Central Статья Google ученый

62

Cheng, I. et al. Плейотропные эффекты вариантов генетического риска для других видов рака на риск колоректального рака: консорциумы PAGE, GECCO и CCFR. Кишечник 63 , 800–807 (2014).

CAS Статья Google ученый

63

Парк, С.L. et al. Плейотропные ассоциации вариантов риска, выявленных для других видов рака, с риском рака легких: консорциумы PAGE и TRICL. J. Natl Cancer Inst. 106 , dju061 (2014).

PubMed PubMed Central Статья CAS Google ученый

64

Setiawan, V. W. et al. Кросс-рак плейотропный анализ рака эндометрия: консорциумы PAGE и E2C2. Канцерогенез 35 , 2068–2073 (2014).

CAS PubMed PubMed Central Статья Google ученый

65

Park, S. L. et al. Связь вариантов восприимчивости к раку с риском множественных первичных онкологических заболеваний: популяционная архитектура с использованием исследования геномики и эпидемиологии. Cancer Epidemiol. Биомаркеры Пред. 23 , 2568–2578 (2014).

PubMed PubMed Central Статья Google ученый

66

Коджарник, Дж.M. et al. Плейотропные и специфичные для пола эффекты рака GWAS SNP на риск меланомы в исследовании Population Architecture Using Genomics and Epidemiology (PAGE). PLoS ONE 10 , e0120491 (2015).

PubMed PubMed Central Статья CAS Google ученый

67

Pierce, B. L. и Ahsan, H. Плейотропное сканирование по всему геному идентифицирует область HNF1A как новый локус восприимчивости к раку поджелудочной железы. Cancer Res. 71 , 4352–4358 (2011).

CAS PubMed PubMed Central Статья Google ученый

68

Campa, D. et al. Плейотропное сканирование по всему геному не выявляет новой предрасположенности к эстроген-отрицательному раку груди. PLoS ONE 9 , e85955 (2014).

PubMed PubMed Central Статья CAS Google ученый

69

Панайоту, О.A. et al. Плейотропное сканирование по всему геному для выявления риска рака простаты. евро. Урол. 67 , 649–657 (2015).

Артикул Google ученый

70

Cotsapas, C. et al. Широкое распространение генетических эффектов при аутоиммунных заболеваниях. PLoS Genet. 7 , e1002254 (2011). Это исследование подчеркивает общую сложную архитектуру генетических факторов, влияющих на аутоиммунные заболевания.

CAS PubMed PubMed Central Статья Google ученый

71

Pendergrass, S.A. et al. Использование исследований ассоциации в масштабе всего феномена (PheWAS) для изучения новых взаимосвязей генотип-фенотип и открытия плейотропии. Genet. Эпидемиол. 35 , 410–422 (2011).

PubMed PubMed Central Статья Google ученый

72

Кэрролл, Р. Дж., Бастарач, Л. и Денни, Дж. К. Р. PheWAS: инструменты анализа данных и построения графиков для исследований ассоциаций в масштабе всего феномена в среде R. Биоинформатика 30 , 2375–2376 (2014).

CAS PubMed PubMed Central Статья Google ученый

73

Millard, L.A.C. et al. MR-PheWAS: приоритизация гипотез среди потенциальных причинных эффектов индекса массы тела на многие исходы с использованием менделевской рандомизации. Sci. Отчет 5 , 16645 (2015).

CAS PubMed PubMed Central Статья Google ученый

74

Матизе Т.C. et al. Следующая СТРАНИЦА в понимании сложных черт: дизайн для анализа популяционной архитектуры с использованием исследования генетики и эпидемиологии (СТРАНИЦА). г. J. Epidemiol. 174 , 849–859 (2011).

PubMed PubMed Central Статья Google ученый

75

Zeggini, E. & Ioannidis, J. P. Мета-анализ в исследованиях общегеномных ассоциаций. Фармакогеномика 10 , 191–201 (2009).

PubMed PubMed Central Статья Google ученый

76

Evangelou, E. & Ioannidis, J. P. A. Методы метаанализа для полногеномных ассоциаций и других исследований. Nat. Преподобный Жене. 14 , 379–389 (2013).

CAS Статья Google ученый

77

Репликация и метаанализ генетики диабета (ДИАГРАММА) Consortium et al.Полногеномный метаанализ транс-предков дает представление о генетической архитектуре восприимчивости к диабету 2 типа. Nat. Genet. 46 , 234–244 (2014).

78

Dumitrescu, L. et al. Генетические детерминанты липидных признаков в различных популяциях из исследования Population Architecture с использованием геномики и эпидемиологии (PAGE). PLoS Genet. 7 , e1002138 (2011).

CAS PubMed PubMed Central Статья Google ученый

79

Катиресан, С.и другие. Общие варианты в 30 локусах способствуют полигенной дислипидемии. Nat. Genet. 41 , 56–65 (2009).

CAS Статья Google ученый

80

Холл М.А. и др. Обнаружение плейотропии посредством исследования эпидемиологических данных по всему феномену (PheWAS) в рамках исследования «Архитектура окружающей среды для генов, связанных с окружающей средой» (EAGLE). PLoS Genet. 10 , e1004678 (2014).

PubMed PubMed Central Статья Google ученый

81

Mitchell, S. et al. Изучение взаимосвязи между митохондриальной генетической изменчивостью и сердечно-сосудистыми характеристиками для разработки основы для исследований ассоциации митохондриального феномена. BioData Мин. 7 , 6 (2014).

PubMed PubMed Central Статья CAS Google ученый

82

Pendergrass, S., Дудек, С., Кроуфорд, Д. и Ричи, М. Визуальная интеграция и изучение результатов высокопроизводительного феноменального исследования ассоциации (PheWAS) с использованием PheWAS-View. BioData Мин. 5 , 5 (2014).

Артикул Google ученый

83

Xing, E.P. et al. GWAS в коробке: статистическая и визуальная аналитика структурированных ассоциаций через GenAMap. PLoS ONE 9 , e97524 (2014).

PubMed PubMed Central Статья CAS Google ученый

84

Мур, К.Б., Уоллес, Дж. Р., Фрейз, А. Т., Пендерграсс, С. А. и Ричи, М. Д. BioBin: инструменты биоинформатики для автоматизации объединения редких вариантов с использованием общедоступных биологических знаний. BMC Med Genomics 6 , S6 (2013).

PubMed PubMed Central Google ученый

85

Kraja, A. T. et al. Плейотропные гены метаболического синдрома и воспаления. Мол. Genet. Метаб. 112 , 317–338 (2014).

CAS PubMed PubMed Central Статья Google ученый

86

Pendergrass, S.A. et al. Исследование ассоциации по всему феномену (PheWAS) для обнаружения плейотропии в популяционной архитектуре с использованием сети геномики и эпидемиологии (PAGE). PLoS Genet. 9 , e1003087 (2013). Это исследование является первым эпидемиологически обоснованным исследованием PheWAS.

CAS PubMed PubMed Central Статья Google ученый

87

Думитреску, Л.и другие. К общему феномену каталогу клинических черт человека, на которые влияет генетическое происхождение. BioData Мин. 8 , 35 (2015).

PubMed PubMed Central Статья CAS Google ученый

88

Rosenberg, N.A. et al. Полногеномные исследования ассоциаций в различных популяциях. Nat. Преподобный Жене. 11 , 356–366 (2010).

CAS PubMed PubMed Central Статья Google ученый

89

Яффе, С.Планирование Инициативы точной медицины США продолжается. Ланцет 385 , 2448–2449 (2015).

Артикул Google ученый

90

Flohil, S.C. et al. Распространенность актинического кератоза и его факторы риска среди населения в целом: Роттердамское исследование. J. Invest. Дерматол. 133 , 1971–1978 (2013).

CAS Статья Google ученый

91

Хан, Дж.и другие. Полногеномное ассоциативное исследование выявляет новые аллели, связанные с цветом волос и пигментацией кожи. PLoS Genet. 4 , e1000074 (2008).

PubMed PubMed Central Статья CAS Google ученый

92

Эрикссон, Н. и др. Веб-исследования, проводимые участниками, позволяют выявить новые генетические ассоциации общих черт. PLoS Genet. 6 , e1000993 (2010). В этом исследовании изучается потенциал коммерческих интернет-опросов для участников исследования.

PubMed PubMed Central Статья CAS Google ученый

93

Zhang, M. et al. Полногеномные исследования ассоциации выявили несколько новых локусов, связанных с признаками пигментации и риском рака кожи у американцев европейского происхождения. Хум. Мол. Genet. 22 , 2948–2959 (2013).

CAS PubMed PubMed Central Статья Google ученый

94

Джейкобс, Л.C. et al. IRF4 , MC1R и TYR гены являются факторами риска развития актинического кератоза независимо от цвета кожи. Хум. Мол. Genet. 24 , 3296–3303 (2015).

CAS Статья Google ученый

95

Купер, Г. М. и Шендур, Дж. Иглы в стопках игл: поиск причинно-следственных вариантов заболевания в большом количестве геномных данных. Nat. Преподобный Жене. 12 , 628–640 (2011).

CAS Статья Google ученый

96

Namjou, B. et al. Исследование GWAS по тесту функции печени с участием участников сети eMERGE. PLoS ONE 10 , e0138677 (2015).

PubMed PubMed Central Статья CAS Google ученый

97

Denny, J. C. et al. Варианты, близкие к FOXE1, связаны с гипотиреозом и другими заболеваниями щитовидной железы: использование электронных медицинских карт для исследований на уровне генома и феномена. г. J. Hum. Genet. 89 , 529–542 (2011).

CAS PubMed PubMed Central Статья Google ученый

98

Hebbring, S.J. et al. Подход PheWAS к изучению HLA-DRB1 * 1501. Genes Immun. 14 , 187–191 (2013).

CAS PubMed PubMed Central Статья Google ученый

99

Кронин Р.M. et al. Исследования ассоциации по всему феномену, демонстрирующие плейотропию генетических вариантов в пределах FTO с поправкой на индекс массы тела и без нее. Фронт. Genet. 5 , 250 (2014).

PubMed PubMed Central Статья CAS Google ученый

100

Shameer, K. et al. Исследование ассоциации генома и феномена для выявления генетических вариантов, влияющих на количество и объем тромбоцитов, а также их плейотропные эффекты. Хум. Genet. 133 , 95–109 (2014).

Артикул Google ученый

101

Namjou, B. et al. Исследование ассоциации по всему феному (PheWAS) в педиатрических когортах, связанных с EMR, генетически связывает PLCL1 с развитием речи, а IL5-IL13 с эозинофильным эзофагитом. Фронт. Genet. 5 , 401 (2014).

PubMed PubMed Central Статья CAS Google ученый

102

Е. З.и другие. Исследования ассоциации по всему феному (PheWAS) для функциональных вариантов. евро. J. Hum. Genet. 23 , 523–529 (2015).

CAS Статья Google ученый

103

Liao, K. P. et al. Ассоциации аутоантител, аллелей аутоиммунного риска и клинических диагнозов из электронных медицинских карт в случаях ревматоидного артрита и контрольных лиц, не связанных с ревматоидным артритом. Arthritis Rheum. 65 , 571–581 (2013).

CAS PubMed PubMed Central Статья Google ученый

104

Neuraz, A. et al. Исследования ассоциаций по всему феномену по количественному признаку: применение к активности фермента TPMT и тиопуриновой терапии в фармакогеномике. PLoS Comput. Биол. 9 , e1003405 (2013).

PubMed PubMed Central Статья CAS Google ученый

105

Бойд, А.D. et al. Метрики и инструменты для последовательного выявления когорт и финансового анализа после перехода на МКБ-10-CM. J. Am. Med. Сообщить. Доц. 22 , 730–737 (2015).

PubMed PubMed Central Google ученый

106

Турер, Р. В., Зуковский, Т. Д., Кози, Х. Дж. И Розенблум, С. Т. Переходы в МКБ-10-CM в учреждениях первичной медико-санитарной помощи: оценка надежности GEM и схемы возмещения расходов. Дж.Являюсь. Med. Сообщить. Доц. 22 , 417–425 (2015).

Артикул Google ученый

107

Hebbring, S.J. et al. Применение клинических текстовых данных для исследований ассоциаций в масштабе всего феномена (PheWASs). Биоинформатика 31 , 1981–1987 (2015).

CAS PubMed PubMed Central Статья Google ученый

108

Родос, Э.Т., Лаффель, Л. М. Б., Гонсалес, Т. В. и Людвиг, Д. С. Точность административного кодирования диабета 2 типа у детей, подростков и молодых людей. Уход за диабетом 30 , 141–143 (2007).

Артикул Google ученый

109

Richesson, R. L. et al. Сравнение определений фенотипа сахарного диабета. J. Am. Med. Сообщить. Доц. 20 , e319 – e326 (2013).

PubMed PubMed Central Статья Google ученый

110

Ричи, М.D. et al. Надежное воспроизведение ассоциаций генотип-фенотип по множеству заболеваний в электронной медицинской карте. г. J. Hum. Genet. 86 , 560–572 (2010). Это исследование демонстрирует, что фенотипы, определенные кодами биллинга в EHR, могут воспроизводить известные ассоциации генотип-фенотип, предполагая, что EHR в целом можно использовать для геномного открытия.

CAS PubMed PubMed Central Статья Google ученый

111

Думитреску, Л., Диггинс, К. Е., Гудло, Р. и Кроуфорд, Д. С. Тестирование популяционных ассоциаций количественных признаков на релевантность клинических результатов в биорепозитории, связанном с электронными медицинскими картами: LPA и инфаркт миокарда у афроамериканцев. Pac. Symp. Биокомпьют. 21 , 96–107 (2016).

PubMed PubMed Central Google ученый

112

Морияма, И. М., Лой, Р. М. и Робб-Смит, А.H. T. История статистической классификации болезней и причин смерти [онлайн] (CDC — Национальный центр статистики здравоохранения, 2011 г.).

Google ученый

113

Вили, Л. К., Шах, А., Сюй, Х. и Буш, В. С. Коды употребления табака в МКБ-9 являются эффективными индикаторами статуса курения. J. Am. Med. Сообщить. Доц. 20 , 652–658 (2013).

PubMed PubMed Central Статья Google ученый

114

Этьенс, М.и другие. Использование ЭМИ-биорепозитория для выявления генетических предикторов токсичности ингибитора кальциневрина у реципиентов трансплантата сердца. Pac. Symp. Биокомпьют 2014 , 253–264 (2014).

Google ученый

115

Рестрепо, Н. А., Фарбер-Эгер, Э., Гудло, Р., Хейнс, Дж. Л. и Кроуфорд, Д. С. Извлечение первичной открытоугольной глаукомы из электронных медицинских карт для изучения генетических ассоциаций. PLoS ONE 10 , e0127817 (2015).

PubMed PubMed Central Статья CAS Google ученый

116

Дэвис, М. Ф. Шрирам, С., Буш, В. С., Денни, Дж. К. и Хейнс, Дж. Л. Автоматическое извлечение клинических признаков рассеянного склероза в электронные медицинские записи. J. Am. Med. Сообщить. Доц. 20 , e334 – e340 (2013 г.).

PubMed PubMed Central Статья Google ученый

117

Пейссиг, П.и другие. Построение зависимости доза-реакция аторвастатина с использованием данных большого популяционного биобанка ДНК. Bas. Clin. Pharmacol. Toxicol. 100 , 286–288 (2007).

CAS Статья Google ученый

118

Уорнер, Дж. Л., Денни, Дж. К., Креда, Д. А. и Альтеровиц, Г. Видение леса сквозь деревья: раскрытие феноменальной сложности с помощью интерактивной сетевой визуализации. Дж.Являюсь. Med. Сообщить. Доц. 22 , 324–329 (2015).

Артикул Google ученый

119

Ю.С. и др. На пути к высокопроизводительному фенотипированию: беспристрастное автоматическое извлечение признаков и выбор из источников знаний. J. Am. Med. Сообщить. Доц. 22 , 993–1000 (2015).

PubMed PubMed Central Статья Google ученый

120

Ласко, Т.А., Денни, Дж. К. и Леви, М. А. Выявление компьютерного фенотипа с использованием неконтролируемого обучения признакам на шумных, разреженных и нерегулярных клинических данных. PLoS ONE 8 , e66341 (2013).

CAS PubMed PubMed Central Статья Google ученый

121

Deans, A. R. et al. Пробираемся сквозь фенотипы. PLoS Biol. 13 , e1002033 (2015).

PubMed PubMed Central Статья CAS Google ученый

122

Беннет, С.N. et al. Гармонизация фенотипов и сотрудничество в области перекрестных исследований в консорциумах GWAS: опыт ЖЕНЕВЫ. Genet. Эпидемиол. 35 , 159–173 (2011).

PubMed PubMed Central Статья Google ученый

123

Дуарон, Д., Райна, П., Ферретти, В., Л’Эро, Ф. и Фортье, И. Содействие совместным исследованиям: внедрение платформы, поддерживающей гармонизацию и объединение данных. Nor. Эпидемиол. 21 , 221–224 (2012).

Google ученый

124

Уэллс, Б. Дж., Чагин, К. М., Новацки, А. С. и Каттан, М. В. Стратегии обработки отсутствующих данных в данных, полученных из электронных медицинских карт. EGEMS (Вашингтон, округ Колумбия) 1 , 1035 (2013).

Google ученый

125

Avery, C. L. et al. Стратегия, основанная на феномене, определяет локусы на APOC1, BRAP и PLCG1, связанные с доменами фенотипа метаболического синдрома. PLoS Genet. 7 , e1002322 (2011).

CAS PubMed PubMed Central Статья Google ученый

126

Пломин, Р., Хаворт, К. М. А. и Дэвис, О. С. П. Общие расстройства — это количественные признаки. Nat. Преподобный Жене. 10 , 872–878 (2009).

CAS Статья Google ученый

127

Вуд, А. Р.и другие. Определение роли общих вариаций в геномной и биологической архитектуре взрослого человека. Nat. Genet. 46 , 1173–1186 (2014).

CAS PubMed PubMed Central Статья Google ученый

128

Locke, A. E. et al. Генетические исследования индекса массы тела позволяют по-новому взглянуть на биологию ожирения. Природа 518 , 197–206 (2015).

CAS PubMed PubMed Central Статья Google ученый

129

Муталагу, А.и другие. Строгий алгоритм для обнаружения и очистки неточных данных о росте взрослого в системах EHR. Заявл. Clin. Сообщить. 5 , 118–126 (2014).

CAS PubMed PubMed Central Статья Google ученый

130

Уэллс, К., Фарбер-Эгер, Э. и Кроуфорд, Д. Извлечение эхокардиографических данных из электронной медицинской карты — это быстрый и эффективный метод исследования структуры и функции сердца. J. Clin. Биоинформа. 4 , 12 (2014).

PubMed PubMed Central Статья Google ученый

131

Группа экспертов Национальной образовательной программы по холестерину (NCEP) по обнаружению, оценке и лечению высокого уровня холестерина в крови у взрослых (Группа лечения взрослых III). Третий отчет Группы экспертов Национальной образовательной программы по холестерину (NCEP) по обнаружению, оценке и лечению высокого уровня холестерина в крови у взрослых (Группа III по лечению взрослых). Тираж 106 , 3143–3421 (2002).

132

Узунер, О., Гольдштейн, И., Луо, Ю. и Кохане, И. Определение статуса курения пациента по выписке из медицинских карт. J. Am. Med. Сообщить. Доц. 15 , 14–24 (2008).

PubMed PubMed Central Статья Google ученый

133

Кравец, Н. и Паркер, Дж. Д. Связь Третьего национального обследования состояния здоровья и питания с данными о качестве воздуха. Vital Health Stat 2 149 , 1–16, (2008).

Google ученый

134

Паркер, Дж. Д., Кравец, Н., Нахман, К. и Сапкота, А. Связь национальных обследований состояния здоровья и питания за 1999–2008 гг. С индикаторами движения из Национальной сети планирования автомобильных дорог. Natl Health Stat. Отчет 45 , 1–16 (2012).

Google ученый

135

Маккарти, К.и другие. Валидация показателей PhenX в исследовательском проекте персонализированной медицины для использования в исследованиях генов / окружающей среды. BMC Medical Genomics 7 , 3 (2014).

PubMed PubMed Central Статья Google ученый

136

Strobush, L. et al. Диетическое потребление в рамках исследовательского проекта персонализированной медицины: ресурс для изучения взаимодействия генов и диеты. Nutr. J. 10 , 13 (2011).

PubMed PubMed Central Статья Google ученый

137

Рот, К., Форакер, Р., Пейн, П. и Эмби, П. Детерминанты ожирения на уровне сообществ: использование возможностей электронных медицинских карт для ретроспективного анализа данных. BMC Med. Сообщить. Decis. Мак. 14 , 36 (2014).

PubMed PubMed Central Статья Google ученый

138

Шварц, Б.S. et al. Индекс массы тела, а также физическая и социальная среда у детей и подростков с использованием электронных медицинских карт. г. J. Prev. Med. 41 , e17 – e28 (2011).

Артикул Google ученый

139

Холл М.А. и др. Исследование экологической ассоциации (EWAS) диабета 2 типа в Биобанке исследовательского проекта персонализированной медицины Marshfield. Pac. Symp. Биокомпьют. 2014 , 200–211 (2014).

Google ученый

140

Patel, C.J., Bhattacharya, J. & Butte, A.J. Исследование экологической ассоциации (EWAS) по сахарному диабету 2 типа. PLoS ONE 5 , e10746 (2010).

PubMed PubMed Central Статья CAS Google ученый

141

Patel, C., Chen, R., Kodama, K., Ioannidis, J. & Butte, A. Систематическая идентификация эффектов взаимодействия между ассоциациями генома и окружающей среды при сахарном диабете 2 типа. Хум. Genet. 132 , 495–508 (2013).

CAS PubMed PubMed Central Статья Google ученый

142

Патель, К. Дж. И Манрай, А. К. Разработка глобусов корреляции экспозомов для картирования ассоциаций в масштабах всей окружающей среды. Pac. Symp. Биокомпьют 2015 , 231–242 (2015).

Google ученый

143

Чен Р.и другие. Персональное профилирование омиков выявляет динамические молекулярные и медицинские фенотипы. Ячейка 148 , 1293–1307 (2012).

CAS PubMed PubMed Central Статья Google ученый

144

Singh, A. et al. Включение временных данных EHR в прогностические модели для стратификации риска ухудшения функции почек. J. Biomed. Сообщить. 53 , 220–228 (2015).

Артикул Google ученый

145

Ситлани, К.M. et al. Обобщенные оценочные уравнения для полногеномных ассоциативных исследований с использованием данных продольного фенотипа. Stat. Med. 34 , 118–130 (2015).

Артикул Google ученый

146

Мур, К. Б. и др. Исследование ассоциации по всему феному, связывающее лабораторные параметры перед лечением с генетическими вариантами человека в протоколах групп клинических исследований СПИДа. Open Forum Infect. Дис. 2 , офу113 (2015).

Артикул CAS Google ученый

147

Xu, H. et al. MedEx: система извлечения информации о лекарствах для клинических повествований. J. Am. Med. Сообщить. Доц. 17 , 19–24 (2010).

CAS PubMed PubMed Central Статья Google ученый

148

Sohn, S. et al. MedXN: инструмент для извлечения и нормализации лекарств с открытым исходным кодом для клинического текста. J. Am. Med. Сообщить. Доц. 21 , 858–865 (2014).

PubMed PubMed Central Статья Google ученый

149

Нельсон, С. Дж., Зенг, К., Килборн, Дж., Пауэлл, Т. и Мур, Р. Нормализованные названия клинических препаратов: RxNorm в 6 лет. J. Am. Med. Сообщить. Доц. 18 , 441–448 (2011).

PubMed PubMed Central Статья Google ученый

150

Маккарти К.А., Гарбер, А., Ризер, Дж. К., Фост, Н. С., Консультативная группа сообщества по проекту исследования персонализированной медицины и Консультативный совет по этике и безопасности. Информационные бюллетени для изучения, консультативные советы по вопросам сообщества и этики, а также обсуждения в фокус-группах обеспечивают постоянную обратную связь для большого биобанка. г. J. Med. Genet. 155 , 737–741 (2011).

Артикул Google ученый

151

Хайден, Э. К. Информированное согласие: расторгнутый контракт. Природа 486 , 312–314 (2012).

Артикул CAS Google ученый

152

Эмануэль Э. Дж. Реформа правил клинических исследований, наконец. N. Engl. J. Med. 373 , 2296–2299 (2015).

Артикул Google ученый

153

Hazin, R. et al. Этические, правовые и социальные последствия включения геномной информации в электронные медицинские карты. Genet. Med. 15 , 810–816 (2013).

PubMed PubMed Central Статья Google ученый

154

Малин Б., Лукидес Г., Бенитес К. и Клейтон Э. Идентифицируемость в биобанках: модели, меры и стратегии смягчения последствий. Хум. Genet. 130 , 383–392 (2011).

CAS PubMed PubMed Central Статья Google ученый

155

Гымрек, М., Макгуайр, А. Л., Голан, Д., Гальперин, Э. и Эрлих, Ю. Идентификация личных геномов по фамилии. Наука 339 , 321–324.

156

Jarvik, G.P. et al. Возвращение результатов генома участникам исследования: пол, потолок и выбор между ними. г. J. Hum. Genet. 94 , 818–826 (2014).

CAS PubMed PubMed Central Статья Google ученый

157

Фуллертон, С.M. et al. Возвращение результатов индивидуальных исследований из общегеномных ассоциативных исследований: опыт сети электронных медицинских записей и геномики (eMERGE). Genet. Med. 14 , 424–431 (2012).

PubMed PubMed Central Статья Google ученый

158

Алипанах, Н., Ким, Х. и Оно-Мачадо, Л. Создание онтологии фентотипов для существующих исследований GWAS. AMIA Jt Summit. Пер.Sci. Proc. 2013 , 4–8 (2013).

PubMed PubMed Central Google ученый

159

Hsu, C.-N. и другие. Картирование фенотипа обучения для интеграции больших генетических данных. Труды семинара BioNLP 2011 [онлайн], (2011).

Google ученый

160

Kohler, S. et al. Проект «Онтология фенотипа человека»: связь молекулярной биологии и болезней посредством фенотипических данных. Nucleic Acids Res. 42 , D966 – D974 (2014).

Артикул CAS Google ученый

161

Groza, T. et al. Онтология фенотипа человека: семантическое объединение общих и редких заболеваний. г. J. Hum. Genet. 97 , 111–124 (2015).

CAS PubMed PubMed Central Статья Google ученый

162

Почтальон, М.D. et al. База данных генотипов и фенотипов NCBI dbGaP. Nat. Genet. 39 , 1181–1186 (2007).

CAS PubMed PubMed Central Статья Google ученый

163

Tryka, K. A. et al. База данных генотипов и фенотипов NCBI: dbGaP. Nucleic Acids Res. 42 , D975 – D979 (2014).

CAS Статья Google ученый

164

Гамильтон, К.M. et al. PhenX Toolki: извлеките максимум из ваших мер. г. J. Epidemiol. 174 , 253–260 (2011).

PubMed PubMed Central Статья Google ученый

165

Pan, H. et al. Использование показателей PhenX для выявления возможностей для перекрестного анализа. Хум. Мутат. 33 , 849–857 (2012).

PubMed PubMed Central Статья Google ученый

166

О’Рейли, П.F. et al. MultiPhen: совместная модель множественных фенотипов может увеличить количество открытий в GWAS. PLoS ONE 7 , e34861 (2012).

CAS PubMed PubMed Central Статья Google ученый

167

Феррейра М.А. и Перселл С.М. Многомерный тест ассоциации. Биоинформатика 25 , 132–133 (2009).

CAS Статья Google ученый

168

Стивенс, М.Единая структура для анализа ассоциации с несколькими родственными фенотипами. PLoS ONE 8 , e65245 (2013).

CAS PubMed PubMed Central Статья Google ученый

169

Клей, Л., Лука, Д., Девлин, Б. и Родер, К. Плейотропия и основные компоненты наследуемости объединяются, чтобы повысить эффективность анализа ассоциаций. Genet. Эпидемиол. 32 , 9–19 (2008).

Артикул Google ученый

170

van der Sluis, S., Posthuma, D. & Dolan, C. V. TATES: эффективный многомерный анализ генотипа-фенотипа для полногеномных ассоциативных исследований. PLoS Genet. 9 , e1003235 (2013).

CAS PubMed PubMed Central Статья Google ученый

171

Galesloot, T.E., van Steen, K., Kiemeney, L.A.L.M., Janss, L.L. и Vermeulen, S.H.A. Сравнение методов многомерной ассоциации по всему геному. PLoS ONE 9 , e95923 (2014).

PubMed PubMed Central Статья CAS Google ученый

172

Лю, Дж., Пей, Й., Крис, Дж. И Дэн, Х. У. Анализ двумерных ассоциаций для смеси непрерывных и бинарных признаков с использованием расширенных обобщенных оценочных уравнений. Genet. Эпидемиол. 33 , 217–227 (2009).

PubMed PubMed Central Статья Google ученый

173

Рабочая группа Инициативы по прецизионной медицине (PMI).Когортная программа инициативы по прецизионной медицине — создание исследовательской базы для медицины 21 века. Национальные институты здравоохранения [онлайн], (2015).

174

Райли, В. Т., Нильсен, В. Дж., Манолио, Т. А., Масис, Д. Р. и Лауэр, М. Новости Национального института здравоохранения: потенциальный вклад поведенческих и социальных наук в инициативу точной медицины. Пер. Behav. Med. 5 , 243–246 (2015).

PubMed PubMed Central Статья Google ученый

175

Коллинз Р.Что делает UK Biobank особенным? Ланцет 379 , 1173–1174 (2012).

Артикул Google ученый

176

Crawford, D. C. et al. НЕПРЕРЫВНЫЙ прогресс в геномике — первые семь лет. Фронт. Genet. 5 , 184 (2014).

PubMed PubMed Central Статья CAS Google ученый

177

Хадсон, К. Л. и Коллинз, Ф.С. Введение общего правила в 21 век. N. Engl. J. Med. 373 , 2293–2296 (2015).

PubMed PubMed Central Статья Google ученый

Проект «Человеческий феномен» | Nature Genetics

1

Митчелл, П. Великобритания запускает амбициозный проект банка тканей / данных. Nat. Biotechnol. 20 , 529 (2002).

CAS Статья Google ученый

2

Сиванен, А.C. Доступ к генетической изменчивости: генотипирование однонуклеотидных полиморфизмов. Nat. Преподобный Жене. 2 , 930–942 (2001).

CAS Статья Google ученый

3

Кузен, Дж. HapMap запущен с обещаниями в 100 миллионов долларов. Наука 298 , 941–942 (2002).

CAS Статья Google ученый

4

Патил Н. и др.Блоки ограниченного разнообразия гаплотипов, выявленные сканированием с высоким разрешением хромосомы 21 человека. Science 294 , 1719–1723 (2001)

CAS Статья Google ученый

5

Daly, M. et al. Структура гаплотипов высокого разрешения в геноме человека. Nat. Genet. 29 , 229–232 (2001)

CAS Статья Google ученый

6

Манер, М.& Кэри, М. Что такое геномы, генотипы и фенотипы? А что насчет феноменов? J. Theor. Биол. 186 , 55–63 (1997).

CAS Статья Google ученый

7

Golding, J. et al. ALSPAC — Продольное исследование родителей и детей компании Avon I. Методология исследования. Paediatr. Перинат. Эпидемиол. 15 , 74–87 (2001).

CAS Статья Google ученый

8

Кардно, А.G. et al. Двойное исследование генетических взаимосвязей между психотическими симптомами. г. J. Psychiatr. 159 , 539–545 (2002).

Артикул Google ученый

9

Фейен, М., Герритсен, Дж. И Постма, Д.С. Генетика аллергических заболеваний. руб. Med. Бык. 56 , 894–907 (2000).

CAS Статья Google ученый

10

Язданбахш, М., Кремснер, П. и ван Ри, Р. Аллергия, паразиты и гигиеническая гипотеза. Наука 296 , 490–494 (2002).

CAS Статья Google ученый

11

Келси, Дж. Ф. и Немерофф, К. Б. Селективные ингибиторы обратного захвата серотонина. в Комплексный учебник психиатрии 7-е изд. (ред. Садок, Б.Дж. и Садок, В.А.) 2432–2435 (Липпинкотт Уильямс и Уильямс, Филадельфия, 2000).

Google ученый

12

Голуб Т. и другие. Молекулярная классификация рака: открытие классов и прогнозирование классов с помощью мониторинга экспрессии генов. Наука 286 , 531–537 (1999).

CAS Статья Google ученый

13

Ramaswamy, S. et al. Мультиклассовая диагностика рака с использованием сигнатур экспрессии опухолевых генов. Proc. Natl.Акад. Sci. 98 , 15149–15154 (2001).

CAS Статья Google ученый

14

Brazma, A. et al. Минимум информации об эксперименте с микрочипами (MIAME) — прямые стандарты для данных с микрочипов. Nat. Genet. 29 , 365–371 (2001).

CAS Статья Google ученый

15

Paigen, K. & Eppig, J.T. Проект мышиного феномена. Млекопитающее. Геном 11 , 715–717 (2000)

CAS Статья Google ученый

16

Peters, L.L. et al. Крупномасштабный высокопроизводительный скрининг на коагуляцию и гематологические фенотипы у мышей. Physiol. Геномика 11 , 185–193 (2002).

CAS Статья Google ученый

17

Джейкоб, Х.Дж. и Квитек, А.E. Генетика крыс: привязка физиологии и фармакологии к геному. Nat. Преподобный Жене. 3 , 33–42 (2002).

CAS Статья Google ученый

18

Mazziotta, J. et al. Вероятностный атлас и справочная система для человеческого мозга: Международный консорциум по картированию мозга (ICBM). Philos. Пер. R. Soc. Лондон. B Biol. Sci. 356 , 1293–1322 (2001).

CAS Статья Google ученый

19

Рантакаллио, П.Группы риска у младенцев с низкой массой тела при рождении и перинатальной смертности. Acta Paed. Сканд. Доп. 193 , 1–71 (1969).

Google ученый

20

Ярвелин, М-Р. и другие. Экологические и индивидуальные предикторы массы тела при рождении в когорте рожденных в Северной Финляндии за 1986 год. Paediatr. Перинат. Эпидемиол. 11 , 298–312 (1997).

Артикул Google ученый

21

Пелтонен, Л., Палоти А. и Ланге К. Использование популяционных изолятов для картирования сложных признаков. Nat. Преподобный Жене. 1 , 182–190 (2000).

CAS Статья Google ученый

22

Алмаси, Л., Дайер, Т. и Бланжеро, Дж. Двумерный количественный анализ сцепления признаков: плейотропия по сравнению с сопутствующими связями. Genet. Эпидемиол. 14 , 953–958 (1997).

CAS Статья Google ученый

23

Кауфман, Л.& Rousseeuw, P.J. Поиск групп в данных . (Уайли, Нью-Йорк, 1990).

Забронировать Google ученый

24

Breiman, L. et al. Деревья классификации и регрессии . (Чепмен и Холл, Нью-Йорк, 1984).

Google ученый

25

Breiman, L. Случайные леса, случайные объекты . (Технический отчет 567; Статистический факультет Калифорнийского университета, Беркли; 1999).

Google ученый

26

Вапник, В. Природа статистической теории обучения . (Спрингер, Нью-Йорк, 1995).

Забронировать Google ученый

27

Silverman, B.W. Оценка плотности для статистики и анализа данных . (Чепмен и Холл, Нью-Йорк, 1986).

Забронировать Google ученый

28

Мардиа, К.В., Кент, Дж. И Бибби, Дж. М. Многовариантный анализ . (Академик, Лондон, 1979).

29

Бенджамини Ю. и Хохберг Ю. Контроль уровня ложного обнаружения: практичный и эффективный подход к множественному тестированию. J. R. Stat. Soc. Б. 57 , 289–300 (1995).

Google ученый

30

Barron, A., Rissanen, J. & Yu, B. Принцип минимальной длины описания в кодировании и моделировании. IEEE Trans. Сообщить. Теория. 44 , 2743–2760 (1998).

Артикул Google ученый

Феномы: современные рубежи в животноводстве | Genetics Selection Evolution

За последние два десятилетия технологии генотипирования и секвенирования опередили самые оптимистичные прогнозы, что позволяет применять геномный отбор в масштабах отрасли. Сегодня геномика — это зрелая технология, но, к сожалению, импульс может угасать.Увеличение плотности маркеров следует закону убывающей отдачи, если не идентифицированы причинные мутации. Моделирование и эмпирические результаты показали, что с помощью данных секвенирования генома вместо данных генотипирования с высокой плотностью данных можно ожидать лишь незначительного повышения точности генетического предсказания [1, 2]. Это небольшое преимущество, вероятно, исчезнет, ​​когда будут учтены дополнительные затраты на компьютерное хранилище и мощность, которые требуются для анализа последовательностей по сравнению с массивами генотипирования.

Заглядывая в будущее, мы утверждаем, что некоторые из наиболее революционных с научной точки зрения и актуальных для отрасли проблем связаны с «феноменом», а не с «геномикой», как было сказано в предвкушении слов Майка Коффи на встрече ICAR 2011 года: «В эпоху генотип, фенотип — король ».Феномика, которая определяется как «получение многомерных фенотипических данных в масштабе всего организма» [3], процветает благодаря развитию всех видов электронных устройств и доступности Интернета. В настоящее время датчики могут недорого записывать изображения, видео, звуки или множество параметров окружающей среды, что делает возможным крупномасштабное непрерывное фенотипирование. Улучшения в этой обширной области происходят с головокружительной скоростью.

Однако в концепции «феномена» есть некоторые оговорки [4].Хотя геном, то есть последовательность ДНК, конечен и в принципе может быть полностью охарактеризован, феномен не является закрытым, полностью определенным объектом и никогда не будет. Можно вообразить бесконечное количество фенотипов: просто рассмотрите все математические комбинации измеряемых признаков, которые можно определить. Более того, фенотипические измерения могут включать одновременно несколько индивидуумов, как и во многих характеристиках благосостояния и поведения. Следовательно, феномен всегда будет подмножеством бесконечного числа возможных измерений, которые могут охватывать несколько человек.Разница со «стандартным» сеттингом разведения заключается в том, что в новой парадигме и геном, и феномен являются многомерными переменными. Кроме того, в то время как данные генома относительно однородны, измерения феномена могут быть весьма неоднородными и зависеть от времени. Примером может служить состав микробиоты, который меняется от рождения к взрослой стадии и может меняться в зависимости от состояния здоровья. В этом смысле важно понимать, что феноменальные проблемы «больших данных» возникают из-за неоднородности и быстрого изменения данных во времени, а не из-за их размера.

По сравнению с селекцией растений или генетикой человека [3], феномене животных уделялось несколько меньше внимания. Это удивительно, поскольку новые технологии позволяют оценивать новые фенотипы, пользующиеся большим спросом в обществе, например, фенотипы, связанные с благополучием животных, сопротивляемостью, заболеваемостью или эффективностью использования ресурсов [5,6,7,8]. К счастью, недавние исследования показывают, что феномены животных становятся популярными и в зоотехнике, например, [9,10,11,12], и это отражено в общественных инициативах, таких как Инициатива USDA «Сельскохозяйственные геномы в феномы» AG2PI (https: // www.ag2pi.org/).

Новшество в высокопроизводительном фенотипировании популяций сельскохозяйственных животных происходит с двух сторон: (1) можно определить и измерить новые черты, которые невозможно было зарегистрировать раньше, и (2) классические черты теперь можно наблюдать почти непрерывно. и неинвазивным способом на большом количестве животных в нормальных производственных условиях. Однако мы можем ожидать, что наборы данных будут частично неполными, зашумленными и частично избыточными, особенно когда признаки записываются на постоянной основе.

Целью этого экспертного заключения является стимулирование обсуждения и дальнейших исследований в этой области. Для этого мы кратко напомним некоторые из наиболее важных черт, которые могут быть зафиксированы с помощью современных технологий, а затем обсудим будущие потребности с точки зрения методов и алгоритмов, а также возможное долгосрочное влияние феноменов на селекцию. Основное внимание в этой заметке уделяется использованию датчиков для сбора данных о самих животных, но обратите внимание, что датчики могут и используются для регистрации всех видов переменных окружающей среды (климат, воздействие патогенов и т. Д.)), которые также имеют большое значение для управления животными и их разведения.

Стандартные и новые (повторно) посещенные признаки

Поведение на индивидуальном и групповом уровнях

Поведение и социальные взаимодействия между животными могут сильно влиять на производственные и продуктивные фенотипы и являются основным компонентом благополучия животных. Учитывая сложность измерения поведения до «феноменальной эры», при генетических оценках влияние поведения на производственные черты либо игнорировалось, либо учитывалось косвенно, например.g., используя модели социально-генетических эффектов [13]. Однако отбор для модификации поведения возможен, поскольку некоторые виды поведения, особенно связанные с агрессией, частично передаются по наследству [14]. Понимание и изменение генетических факторов, вызывающих драку между парами животных, важно не только для отбора, но и для целей управления, поскольку группы могут формироваться на основе генетического состава животных, которые, как ожидается, будут меньше сражаться друг с другом. В результате должно повыситься благосостояние и производительность.

Сегодня поведенческие черты можно измерить с помощью носимых датчиков и методов компьютерного зрения [15,16,17]. Показатели поведения могут влиять на отдельных особей, но часто затрагивают пары или большие группы животных. Если поведение измеряется на индивидуальном уровне, модели прямых генетических эффектов с множественными признаками могут использоваться для получения племенной ценности интересующего поведения вместе с признаками продуктивности и благосостояния [18]. Менее изученным вариантом является моделирование поведения на диадическом уровне (т.е., в отдельных парах). Этот тип данных использовался для параметризации моделей социальных генетических эффектов [19], но он также может быть проанализирован как матрица отклика в количественном генетическом исследовании, чтобы определить, например, какие генетические факторы влияют на нападающего на товарища по группе. Этот тип анализа еще не проводился, но диадические поведенческие данные собираются по видам домашнего скота и используются для построения социальных сетей [20]. Типичным поведением взаимодействия является агрессия (например, атаки после микширования), когда мы различаем индивидуальную меру и групповую или диадическую меру.Например, общее количество времени, которое каждое животное проводит в боях, представляет собой наблюдение на индивидуальном уровне. Но когда количество времени, потраченного на борьбу, аннотируется для каждой пары животных в социальной группе, создается диадический набор фенотипических данных. Этот тип наборов данных позволяет разрабатывать конкретные новые стратегии моделирования (рис. 1).

Рис. 1

Новые поведенческие данные в эпоху феноменов и потребность в новых моделях. a Поведенческое фенотипирование для социальных взаимодействий приводит к матрице диадических взаимодействий, Zs, которая может быть свернута до индивидуальных поведенческих данных (w и y). b Существующие данные о геномике и феномене могут быть объединены с поведенческими фенотипами. c Классические модели геномной оценки сосредоточены на многостороннем анализе индивидуального поведения или на моделях социальных генетических эффектов, где матрица взаимодействия используется в качестве предиктора существующих фенотипов. d В новых моделях анализ нескольких признаков должен включать полные поведенческие матрицы, чтобы можно было предсказать диадические взаимодействия на основе данных rker

Выбросы газа

Возможен генетический отбор для снижения выбросов парниковых газов, при условии, что признак передается по наследству и генетически коррелирует с другими признаками, такими как молочная продуктивность и остаточное потребление корма [21].Традиционные методы измерения, которые включают камеры дыхания и анализ элементов-индикаторов, нелегко масштабировать для применения в высокопроизводительном фенотипировании. Однако недавно разработанная технология спектроскопии для «анализа дыхания» может применяться в больших масштабах для измерения выбросов метана. Эта технология может быть включена в устройства на ферме, такие как киоски для кормления или доильные роботы, и использоваться для измерения мгновенных выбросов метана тысячами животных, когда они добровольно приближаются к измерительным станциям несколько раз в день [22].

Как и другие данные фенотипирования, описанные в этой статье, включение высокопроизводительных показателей выбросов в генетические оценки потребует интеграции разнородных источников данных. В этом случае неоднородность будет возникать не только из-за различных измерительных устройств, но также из-за различных схем и мер отбора проб. Для некоторых людей будут доступны тщательно обработанные и очищенные данные, такие как расчетные общие выбросы в день, вместе с необработанными мгновенными измерениями выбросов для других животных.

Кормовая эффективность

Кормовая эффективность в значительной степени определяет эксплуатационные расходы фермы и уже много лет измеряется на фермах в ограниченном масштабе. Как и в случае с поведением, точное и массовое измерение эффективности корма стало возможным только благодаря сенсорной технологии с помощью устройств автоматической регистрации корма [23]. Неотъемлемой характеристикой данных о потреблении корма и поведении при кормлении, полученных с помощью автоматических кормушек, является их неполнота и неоднородность [24]. Поскольку для записи и предварительной обработки данных о потреблении корма используются разные устройства, измеренные характеристики могут немного отличаться.Иногда из-за неисправности данные могут частично отсутствовать, например, еда записывается, но к ней не прикрепляются идентификационные данные (ID) животного, или регистрируется посещение животного, но потребление корма явно измеряется неправильно или не измеряется вообще. Эти особенности процесса записи данных необходимо учитывать в конвейерах анализа, включая обработку необработанных данных, очистку и условное исчисление.

Что касается моделирования данных, существуют возможности для извлечения дополнительной информации и новых признаков из данных автоматической станции кормления.Последовательность посещений кормушек, время между посещениями и совместное присутствие животных в кормушках с несколькими пространствами можно проанализировать, чтобы выявить взаимодействия между животными. Кроме того, характеристики еды, извлеченные из автоматических кормушек, использовались для параметризации моделей социальных генетических эффектов [25]. Сочетание автоматической подачи данных с алгоритмами компьютерного зрения, вероятно, прольет дополнительный свет на эти проблемы.

Возвращение к традиционным фенотипам

Сенсорная технология позволяет измерять новые фенотипы, но также меняет способ регистрации «стандартных» признаков, таких как вес или экстерьер.Что касается веса и физического состояния, традиционные методы обычно требуют перемещения животных и являются трудоемкими; по этой причине в каждом производственном цикле можно принимать только ограниченное количество мер. С появлением феноменов эти традиционные фенотипы можно собирать автоматически на постоянной основе на огромном количестве животных без необходимости их беспокоить. Например, вес можно точно измерить с помощью трехмерного изображения [17], или признаки конформации можно измерить по изображениям [26].Эти устройства для точного животноводства работают в нормальных условиях выращивания товарных животных, а не только для элитных животных на базовых фермах. Вместе с этими мерами экологические записи с аналогичным временным и пространственным разрешением могут быть получены с метеостанций или с устройств контроля окружающей среды в коровнике.

Тем не менее, включение автоматически измеряемых показателей физического состояния или прибавки в весе в существующие геномные оценки сопряжено с уникальными проблемами. Потоки данных непрерывно измеряемой живой массы миллионов животных необходимо будет обобщить и очистить, прежде чем вводить их в существующие генетические оценки.Очистка данных путем обнаружения выбросов перед подгонкой кривых роста к отдельным записям может быть неэффективной в эпоху феномена; вместо этого для кривых роста можно использовать надежные методы анализа данных, такие как нелинейная квантильная регрессия, с использованием всех доступных точек данных, но избегая эффекта внешних наблюдений. Наконец, наличие полных кривых роста каждого животного позволит оценить новые черты этих традиционных фенотипов.

Прослеживаемость и идентификация

Данные об окружающей среде, собранные датчиками, позволяют изучать взаимодействия генотипов с окружающей средой с более высоким разрешением, чем это было возможно до сих пор, и включать записи производственных хозяйств в оценку элитных животных.Однако для такого использования данные должны быть каким-то образом связаны: фенотипические записи производственных животных должны быть связаны с родительскими генотипами, а также с данными об окружающей среде и продуктивности. В симметрии непрерывная индивидуальная идентификация на протяжении всего производственного цикла откроет возможность фиксировать множество новых черт. Таким образом, возрастет потребность в идентификации и отслеживании животных, а также в синхронизации потоков данных в реальном времени.

В настоящее время индивидуальная идентификация достигается с помощью компьютерного зрения маркированных или немаркированных животных или с помощью носимых устройств радиочастотной идентификации (RFID), которые остаются с каждым животным на протяжении их продуктивной жизни.Алгоритмы компьютерного зрения для идентификации животных используют различные методы, такие как естественное изменение внешнего вида (экстерьера, цвета шерсти и т. Д.) Всего животного, визуальная маркировка или метки, которые постоянно или временно прикрепляются к животным [27,28,29] . В идеале алгоритм компьютерного зрения будет работать с использованием изображений панорамных видов пространства с животными (загона или сарая), снятых с помощью камер, установленных на потолке или высоких стенах, которые включают изображения нескольких животных в одной рамке.

Автоматическая надежная идентификация животных не является решенной проблемой. Среди задач, которые необходимо решить, можно выделить: (1) улучшение существующих алгоритмов компьютерного зрения для идентификации и отслеживания животных с использованием камер вида сверху в нормальных производственных условиях, (2) интеграция и синхронизация нескольких потоков данных (например, журналов обнаружения RFID с видеопотоками с более чем одной видеокамеры) и (3) установление идентификации животного или учет неопределенного идентификатора. Например, что делать, если алгоритм идентификации животного выдает два вероятных идентификатора с примерно одинаковой вероятностью для одного изображения животного? Следует ли рассматривать идентификатор как отсутствующие данные? Или следует распространить неопределенность на генетическую оценку животных с помощью методов, аналогичных тем, которые предложены для решения проблемы неопределенного отцовства [30,31,32]? К этим вопросам мы вернемся, когда такие потоки данных станут обычным явлением.

Высокая размерность

В конце концов, феноменологические технологии предоставляют данные высокой размерности, которые необходимо обрабатывать и учитывать при принятии решений по селекции и управлению. В этом контексте актуальны два основных связанных статистических вопроса: уменьшение размерности и наложение штрафов. Уменьшение размерности заключается в получении новых «синтетических» переменных, которые представляют собой комбинации исходных размеров. Обычное оправдание уменьшения размерности состоит в том, что на самом деле актуальны только несколько измерений, а размерность искусственно завышена.Наказание относится к установке ограничений на параметры решения в прогнозной модели.

На практике для визуализации в основном используются методы уменьшения размеров. Новые переменные в уменьшенном размерном пространстве выводятся для максимально точного сохранения исходного шаблона данных. В анализе главных компонентов (PCA) новые переменные представляют собой линейные комбинации исходных фенотипов, которые объясняют максимально возможную дисперсию, с дополнительным ограничением ортогональности между ними.PCA вместе с многомерным масштабированием (MDS), возможно, являются наиболее широко используемыми инструментами уменьшения размерности, но существуют интересные и менее известные варианты, которые могут быть хорошей альтернативой. Некоторые из них обеспечивают нелинейные приближения, в отличие от линейного PCA. «Автоэнкодер» (AE) — одна из таких нелинейных альтернатив [33]. Автоэнкодеры — это алгоритмы «глубокого обучения» (DL), то есть они основаны на нескольких слоях нейронов, расположенных друг над другом (рис. 2). Однако, в отличие от типичной сети DL, где выход и вход различны, вход и выход в AE одинаковы.Таким образом, это неконтролируемые методы, поскольку они в основном являются методами уменьшения размерности. Если никаких ограничений не установлено, оптимальным решением AE является единичный вектор, а восстановленный выходной сигнал идентичен входному. Затем необходимо установить некоторые ограничения, то есть штрафы, для оптимизации сети AE. В конкретном случае одного слоя и линейной функции активации было показано, что AE и PCA дают в основном одно и то же решение [34].

Рис. 2

Изображение автоэнкодера.Автоэнкодеры (AE) — это глубокие нейронные сети, в которых вход и выход одинаковы (в данном случае значения яркости многоканальных пикселей из изображений домашнего скота). Они состоят из кодировщика, который кодирует ввод в скрытом пространстве малой размерности, и декодера, который преобразует ввод обратно в регуляризованную версию. Вариационные автокодеры (VAE) генерируют функцию вероятности вместо точечного скрытого пространства. Затем случайные числа рисуются и преобразуются декодером в смоделированные изображения. Приложения AE и VAE к феноменам еще предстоит изучить, но их можно использовать для обучения без учителя и вменения.Фигурка коровы взята с www.dreamstime.com

Другой интересный алгоритм уменьшения размерности — это t-распределенное стохастическое вложение соседей (t-SNE, van der Maaten и Hinton [35]). Цель t-SNE — найти низкоразмерное представление, в котором одинаковые точки данных в исходном пространстве показаны вместе, а удаленные выборки показаны далеко друг от друга. Наиболее важное различие между PCA и t-SNE состоит в том, что первый является проекцией на пространство более низкой размерности, а второй — стратегией представления.Кроме того, по своей конструкции PCA нацелен на максимальное увеличение расстояний, когда образцы отображаются в низкоразмерном пространстве. MDS — это обобщенный подход для PCA, который, как и t-SNE, предназначен для сохранения расстояний между выборками. Однако t-SNE предлагает ряд преимуществ перед MDS; в частности, это снижает склонность образцов к кластеризации, которая вызвана большим количеством измерений и приводит к увеличению разрешения. Кажется, что ни t-SNE, ни автоэнкодеры не популярны в феномене животных, но это методы, которые стоит изучить, поскольку они предлагают дополнительную информацию к стандартным линейным методам.На рис. 3 показано, как разные алгоритмы могут обеспечивать совершенно разные представления в низкоразмерном пространстве.

Рис. 3

Сравнение методов уменьшения размеров PCA и t-SNE с использованием трехмерной S-образной формы на левой панели. Обратите внимание, что PCA — это проекция, которая направлена ​​на поддержание максимальной дисперсии, тогда как t-SNE сохраняет локальное сходство в низкоразмерном пространстве. Например, проекция PCA явно сохраняет исходную S-образную форму, в которой третье измерение потеряно.Напротив, график, созданный с помощью t-SNE, лучше отображает локальные относительные расстояния, где первое измерение воспроизводит контур формы, а второе измерение — относительное положение в этой части контура. В результате использования разных целей получаются очень разные картинки. Последствия для феномена еще предстоит изучить. Постройте график с использованием scikit [53], немного измененного на основе кода Дж. Вандерпласа (https://scikit-learn.org/stable/auto_examples/manifold/plot_compare_methods.html)

Наказание относится к установке ограничений на переменные во избежание коллинеарности и проблем переобучения когда количество переменных велико.Как хорошо известно, штрафные санкции необходимы, чтобы избежать метода «обучения» невоспроизводимому шуму, т.е. одного из «проклятий размерности» [36]. Было предложено два основных типа регуляризации: L1 и L2. L1 состоит в установке ограничения на сумму абсолютных значений решений, тогда как L2 относится к сумме квадратов решений [37]. Такие концепции, как априорная информация в байесовской системе, эквивалентны штрафам. Хотя в байесовской литературе было предложено множество методов с разными названиями, большинство из них можно объединить, осознав, что они просто различаются по выбранному априорному методу [38].Кроме того, в технологиях глубокого обучения разработаны особые дополнительные стратегии регуляризации. Один из них называется «выпадение», который заключается в случайном удалении «нейронов» из внутренних слоев, чтобы заставить систему использовать меньше параметров. Несмотря на свое четкое определение, отсев можно интерпретировать с байесовской точки зрения и, таким образом, рассматривать в рамках обычных рамок пенализации [39]. Другой подход, используемый в некоторых моделях DL, — это прямое наказание L1 или L2 на весах нейронов, т.е.е. добавляется ограничение на сумму абсолютного или квадратного значения весов.

Сложность, неоднородность и особенно размер данных заметно возрастут в эпоху феноменов, что отразится на подходах к моделированию. Иногда ошибочно полагают, что влияние априорного значения исчезает с большими наборами данных, но это не так, поскольку априор всегда будет влиять на решение, независимо от количества данных [38]. Таким образом, стоит изучить влияние альтернативных стратегий регуляризации, поскольку мы не можем ожидать, что одна стратегия будет оптимальной — с точки зрения прогнозируемой производительности — во всех случаях.

Как только что упоминалось, термин «проклятие размерности» стал популярным в статистике и, в более широком смысле, в селекции, означая, что «неоправданное» увеличение сложности модели приводит к плохим прогнозным характеристикам [37]. Термин «без необходимости» можно прочитать как «без наказания». Согласно Донохо [36], термин был первоначально введен, чтобы отразить невозможность перечисления всех возможных моделей по мере роста числа переменных. Однако высокая размерность — это «благо» для многих целей, и этот аспект менее широко признан в нашей области.Одна из причин заключается в том, что наличие множества сильно коррелированных переменных помогает сгладить шум. Еще одно, более важное преимущество состоит в том, что увеличение числа переменных обычно приводит к моделям со штрафными санкциями с улучшенными прогностическими характеристиками [40]. Наконец, увеличение размерности позволяет лучше понять биологию.

Путь вперед

Как ни странно, одним из первых препятствий, которые необходимо будет решить для повседневного сбора данных, является доступ к широкополосному Интернету. Даже в США до 40% сельских хозяйств не имеют надежного доступа к широкополосной связи [9].Помимо вопросов инфраструктуры, здесь мы хотим сосредоточиться на методологических вопросах.

Методы контроля качества и визуализации должны быть первым шагом в конвейере феноменов. Поскольку фенотипирование становится крупномасштабной задачей, надежность может быть поставлена ​​под угрозу, а неоднородность условий окружающей среды может возрасти. Однако систематическая ошибка может быть гораздо более серьезной опасностью, чем ошибка, потому что данные о феномене не будут собираться случайным образом. Вероятно, особое внимание будет уделено элитным хозяйствам или селекционным ядрам, а определенные фенотипы будут собираться преимущественно на конкретных фермах.Мы также можем ожидать различий в точности данных от элитных хозяйств по сравнению с данными от коммерческих хозяйств, которые необходимо будет учитывать с помощью надлежащего моделирования.

В результате данные о явлениях также будут сильно несбалансированными: вид и количество доступных данных будут сильно различаться для разных людей, даже если датчики широко распространены и собирают информацию регулярно. Маловероятно, что идентичные фенотипы регистрируются на разных фермах или в разные периоды, будь то учет молока или измерения поведения.Это может быть серьезным препятствием, поскольку потребует либо удаления выборок, либо вменения пропущенных значений. Нам необходимо разработать эффективные и точные инструменты вменения или использовать методы, работающие напрямую с отсутствующими данными. В этом аспекте измерения феномена растений часто можно более систематически сравнивать и измерять в более крупном масштабе, чем в животноводстве.

Учитывая, что отсутствие данных неизбежно, потребуется вменение. Это обширная область, и существует множество подходов в зависимости от конкретной проблемы, например.г., [41, 42]. Однако следует отметить, что большинство методов вменения предполагают, что отсутствующие данные являются случайными, а это условие вряд ли будет выполнено, как обсуждалось выше. Еще одна проблема с данными феномена — их неоднородность, и поэтому невозможно дать общее правило вменения. В дополнение к стандартным методам вменения [42] существуют альтернативные подходы, основанные на глубоком обучении, которые, насколько нам известно, не использовались в этой области и могут быть многообещающими. Например, автоэнкодеры могут использоваться для заполнения «дыр» в данных, в частности тех, которые имеют пространственный узор, такой как изображение и видео.Стандартный вывод автокодировщиков — это регуляризованное представление исходного ввода. Это достигается с помощью «кодировщика», который преобразует данные в «скрытое пространство», и «декодера», который принимает координаты скрытого пространства и выводит регуляризованное изображение. Вместо перекодирования входных данных в координаты скрытого пространства вариационные автокодеры (VAE) генерируют вероятностную функцию для описания наблюдения в скрытом пространстве. В результате могут быть созданы реалистичные точки данных. Например, VAE использовались для увеличения разрешения изображений или для восстановления поврежденных изображений, проблема, которая концептуально идентична вменению.Аналогичным образом, состязательные сети поколений (GAN) — это алгоритмы DL, которые могут воспроизводить многомерные переменные. До сих пор GAN в основном использовался для генерации изображений, например, для генерации изображений с очень высоким разрешением из неполных изображений или изображений с низким разрешением или даже видео [43, 44]. На рисунке 4 представлена ​​схема GAN для «рисования», то есть завершения недостающих частей изображения. По сравнению с VAE, GAN намного более гибкие, но их труднее и медленнее обучать. Они также требуют больших объемов данных.Применение концепций GAN и VAE к вменению в феноменах является многообещающей областью исследований, учитывая их гибкость и отсутствие допущений о распределении. Однако следует соблюдать осторожность, поскольку эти методы были протестированы в основном с данными изображений, а производительность в других сценариях не была изучена.

Рис. 4

Представление генерирующей состязательной сети (GAN). Этот GAN направлен на заполнение дыр в изображении («рисование», т. Е. Вменение). Сеть генератора имитирует новое изображение из входного изображения коровы, у которой нет передних ног.Дискриминатор обучается на изображениях, которые являются истинными или поддельными, и узнает, как выглядит настоящая корова. Генератор распознает, является ли сгенерированное изображение истинным или поддельным, результат передается генератору, чтобы он мог улучшить качество выходного изображения. Каждый из прямоугольников в генераторе и дискриминаторе представляет группу нейронных слоев, как на рис. 3, форма приблизительно пропорциональна его размеру. Фигурка коровы взята с www.dreamstime.com

. Однако даже при наличии полных данных разумного размера в текущей методологии и программном обеспечении есть важные пробелы, которые следует заполнить.Предстоит разработать огромный набор аналитических инструментов. Необходима автоматическая индивидуальная идентификация с учетом свободного выгула или, по крайней мере, передвижения животных, содержащихся в группах, в условиях изоляции. Это может быть выполнено, например, с помощью непрерывной видеозаписи и отслеживания. Алгоритмы, которые автоматически извлекают фенотипы из изображений, видео, звуковых записей, являются очень активной областью исследований. Стандартные метрики (например, Хаусдорф, Евклидов и т. Д.) Для измерения сходства между изображениями должны быть адаптированы для домашнего скота, а новые метрики для видео должны быть внедрены, поскольку они необходимы для сравнения поведения животных.Автоматические меры конформации [26] должны быть улучшены, чтобы их можно было проводить in vivo с минимальным вмешательством человека. Еще одна проблема — включить всю эту информацию в прогнозы генома.

Не все виды и селекционные программы получат одинаковую пользу от феномена. Например, отрасль аквакультуры очень развита в технологическом плане, и многие измерения трудно получить вручную. Здесь использование феноменальных технологий распространено гораздо шире, чем у других видов. Мелкие жвачные животные в экстенсивном земледелии могут представлять собой противоположную крайность.Тем не менее, сенсорная технология может обеспечить точное отслеживание животных и дистанционное измерение физиологических и экологических переменных на открытом воздухе, что может повысить продуктивность и здоровье именно в традиционных условиях сельского хозяйства с низким уровнем затрат. В целом те производственные системы, в которых внедряются точное земледелие и точное управление животноводством, будут лучше оснащены для сбора соответствующих данных о феноменах, и в этих случаях ограничение будет касаться хранения и передачи данных, а также маркировки данных и индивидуальной идентификации.

Хотя интерпретируемость модели является проблемой [45, 46], опыт показывает, что открытие «черного ящика» не требуется для точного прогнозирования [40]. Тем не менее, данные о феномене определенно осветят биологическую основу фенотипов и дополнят данные о генотипах. Как генетики, мы часто находимся в поисках причинных полиморфизмов ДНК. Однако сосредоточение внимания на этом поиске может часто препятствовать обнаружению негенетических факторов, которые оказывают более сильное влияние на фенотипическое выражение, чем причинные мутации.Это наблюдалось, например, в исследованиях локусов экспрессии количественных признаков (QTL) [47]. Мы утверждаем, что крупномасштабное фенотипирование важно само по себе, независимо от того, доступны ли данные о геноме или нет. В этом контексте становится актуальным моделирование структурными уравнениями [48], а также обучение без учителя. Влиятельные пионеры DL, такие как Ян Лекун, фактически утверждали, что будущее искусственного интеллекта лежит в обучении без учителя (https://www.youtube.com/watch?v=Ount2Y4qxQo&t=1072s, конференция NIPS, 2016).Это связано с тем, что немаркированные данные (не подходящие для контролируемого обучения) гораздо более многочисленны, чем маркированные данные, и, что более важно, потому, что неконтролируемое обучение более точно похоже на то, как на самом деле работает человеческий мозг. Поскольку данные о феномене собираются на протяжении многих лет в рамках одних и тех же или аналогичных схем разведения, используя методы обучения без учителя, мы получим бесценные знания о влиянии отбора на весь организм. Например, обучение без учителя может выявить неожиданные отношения между чертами или между чертами и переменными окружающей среды.Мы могли бы, например, узнать, как можно преодолеть некоторые барьеры отбора или как динамически оптимизировать экономические веса.

Феномика — горячая и многообещающая область, но она не лишена рисков и не может считаться панацеей. Как Cole et al. [12] предупреждают нас: «у этих новых подходов есть свои проблемы, от предвзятости до интерпретируемости, и существует соблазн переоценить результаты». Одна серьезная проблема заключается в том, что, в отличие от генотипов, данные о феномене не могут быть легко перенесены или сопоставимы между фермами.Часто измерительная техника является частной собственностью, и несколько систем, например, для измерения выбросов метана, сосуществуют. Алгоритмы преобразования необработанных данных датчиков в значимые измерения, а сами датчики быстро меняются со временем, что затрудняет анализ данных в долгосрочном плане. Стандарты и алгоритмы с открытым исходным кодом в сенсорной индустрии необходимы, чтобы полностью раскрыть потенциал феноменов. Способом содействия разработке новых алгоритмов в этой области является распространение соответствующих наборов данных среди исследовательского сообщества и организация мероприятий (хакатоны, конкурсы и специальные выпуски журналов) по анализу таких наборов данных.Это успешно делается в области автономных транспортных средств, компьютерного зрения [49] и во многих других областях (например, https://www.kaggle.com/competitions).

Возможно, главная революция произойдёт из-за изменения схем разведения животных, чтобы явно разрешить феномены больших измерений. Для начала, нужны ли нам новые определения племенных ценностей? Взаимодействие генотип × среда (G × E) может быть здесь вдохновляющей концепцией. По сути, включение в модель взаимодействий G × E эквивалентно предоставлению функции для племенной ценности вместо единственного значения, нормы реакции.В эпоху феномена традиционные ценности точечного разведения могут быть заменены генеративными функциями высокой размерности. На данный момент неясно, как это будет достигнуто. Естественный подход — использовать данные феномена для интеграции механистических биологических моделей в генетическую оценку. Примерами являются модели роста растений на растениях, такие как разработанные Totir et al. [50, 51]. В более общем плане мы предполагаем, что геномные оценки на основе феноменов, вероятно, будут представлять собой комбинацию стандартных статистических методов с инструментами генеративного машинного обучения и моделирования.В недавней работе de los Campos et al. [52] применили крупномасштабное моделирование, обусловленное генотипом и переменными окружающей среды, для прогнозирования будущих результатов, но вместо точечного прогноза было получено полное распределение по неопределенным будущим климатическим условиям. Мы можем представить, что будущие схемы селекции с помощью феноменов смогут моделировать ожидаемые сложные фенотипы в диапазоне потенциальных условий окружающей среды для каждого целевого генотипа.

Наведение мостов от генома к феному: молекулы, методы и модели — введение в симпозиум | Интегративная и сравнительная биология

Сводка

Как стабильные генотипы взаимодействуют с окружающей их средой, чтобы генерировать фенотипические вариации, на которые могут воздействовать эволюционные и экологические силы, является центральным направлением исследований во многих научных дисциплинах, представленных в SICB.Симпозиум «Наведение мостов» собрал вместе ученых, использующих различные организмы, методы и уровни биологической организации для изучения новых свойств геномов. Семинары, связанные с Симпозиумом, были нацелены на выявление передовых рубежей и основных препятствий для исследований в этой области, а также на рекомендации будущих направлений, которые могут ускорить темпы прогресса. Статьи, включенные в этот том симпозиума, обращают внимание на силу использования сравнительных подходов на немодельных организмах для изучения многих аспектов взаимодействия генотипа с окружающей средой, которые приводят к изменчивости фенотипа.Эти материалы и заключительный технический документ также иллюстрируют потребность в новых концептуальных рамках, которые могут объединять и объединять данные и выводы из широкого диапазона исследовательских систем, используемых биологами-компаративистами и интегративными биологами для решения вопросов от генома к феномену.

Введение к симпозиуму «Наведение мостов»

Как геномы дают начало целым организмам с множеством сложных фенотипов и как эти процессы связаны с функциями и производительностью организма в ответ на экологические и эволюционные силы — это одна из самых серьезных проблем, сформулированных научным сообществом (Schwenk et al.2009) и признан Национальным научным фондом (NSF). В последние несколько лет быстрое развитие технологий секвенирования генома и транскриптома, редактирования генов, эпигеномики, протеомики и метаболомики сделало возможным и доступным переход от изучения отдельных генов и их функционального значения на нескольких модельных организмах к более сложным. понимание того, как сотовые сети поддерживают целостность видовой идентичности немодельных организмов, учитывая при этом пластичность в ответ на изменение окружающей среды.

Признавая, что доступность этих технологических ресурсов будет широко влиять на изучение организмов, NSF профинансировал Координационную сеть исследований генома и фенома животных (AG2P RCN, https://ag2p.net) в 2015 году. При поддержке AG2P RCN и финансирование симпозиума NSF, мы организовали общественный симпозиум под названием «Использование возможностей транскриптомики ракообразных для решения серьезных проблем биологии организма» на Ежегодном собрании Общества интегративной и сравнительной биологии (SICB) в 2016 году.Рецензируемые статьи, основанные на приглашенных презентациях, были опубликованы в журнале Integrative and Comparative Biology (Vol. 56) в 2016 году вместе с официальным документом, основанным на семинаре симпозиума 2016 года (Mykles et al., 2016). В этом техническом документе подчеркивается необходимость стандартизации и снижения барьеров для крупномасштабного анализа транскриптомных данных, чтобы ученые из многих дисциплин и исследовательских сред могли разработать консенсусные подходы в качестве «отправной точки» для связи геномного с фенотипическим разнообразием.

В последующие 4 года произошел взрывной рост разнообразия моделей, методов и вычислительных средств, используемых для исследования процессов, ведущих от генотипа к фенотипу людей, видов или биологических сообществ. Тем не менее, остаются главные вопросы: как мы можем понять функциональный контекст таких «больших» данных в интактном организме и как они влияют на фенотип ?; а также какие методы и подходы оказались наиболее успешными в преодолении разрыва от генома к феномену?

Общественный симпозиум SICB 2020 года «Наведение мостов от генома к феному: молекулы, методы и модели» собрал вместе ученых, применяющих различные подходы для решения этих вопросов во многих различных биологических системах.Приглашенные доклады и дополнительные устные и стендовые доклады симпозиума углубились в недавний прогресс, связывающий пластичность фенотипа с изменениями на уровне генома, эпигенома и протеома, при этом исследуя границы между изменчивостью и видообразованием. Цель этого сборника статей с Симпозиума — осветить некоторые из новых подходов, моделей и методологических проблем, с которыми в настоящее время сталкиваются исследователи, пытаясь объединить и получить предсказательную силу из различных типов наборов данных (геномных, транскриптомных, эпигенетических, протеомных, метаболомных). ), чтобы понять структуру, с помощью которой феномен возникает из геномов индивидов, видов, консорциумов и сообществ.Как отражено в широком спектре тем и семинаров, рассмотренных в этом итоговом сборнике симпозиума, участники стремились оценить сильные и слабые стороны существующих подходов, выявить общие препятствия, мешающие прогрессу, и ресурсы, необходимые для преодоления этих препятствий.

Темы симпозиума

Несмотря на то, что они пришли из многих дисциплин с широким спектром вопросов и исследовательских подходов, исследователи смогли определить общие исследовательские темы, которые были сформулированы на организационном семинаре перед симпозиумом.Текущие исследования от генома к феномену обычно основываются на классической, хорошо изученной структуре количественной генетики: генетическая изменчивость (G), изменчивость окружающей среды (E) и их взаимодействие (G × E) порождают фенотипы. Само взаимодействие G × E чувствительно к онтологии (развитие, старение, диапауза, линька) и может зависеть от пространственных и временных вариаций, приводя к фенотипам, которые могут быть стабильными или пластичными и на которые можно воздействовать естественным отбором.

Кроме того, фенотипическая изменчивость может возникать не только в результате изменчивости в одном генетическом локусе, но может быть изменена эпигенетической модификацией.В этом томе Симпозиума Карнейро и Лико (2020) делают обзор понятых в настоящее время эпигенетических механизмов, которые модулируют экспрессию генов у животных, и того, как результирующая фенотипическая пластичность может способствовать множественной быстрой адаптации к изменяющейся среде. Чтобы свести к минимуму влияние генетических полиморфизмов на управление фенотипическими изменениями, эти исследователи используют модельный организм — мраморных раков, способ партеногенетического размножения которых приводит к генетически однородным моноклональным популяциям.Несмотря на отсутствие генетической изменчивости, этот вид очень инвазивен во многих различных экологических нишах. Карнейро и Лико (2020) предоставляют доказательства связи эпигенетических механизмов, таких как паттерны метилирования ДНК, с адаптивностью и, следовательно, инвазивностью этого организма. Этот вклад демонстрирует способность модельных организмов раскрывать механизмы, управляющие феноменом от генома к феномену, при одновременном распознавании конкретных ловушек при проведении и интерпретации данных эпигенома.

Фенотипическая изменчивость, возникающая из одного генетического локуса, также может быть обусловлена ​​изменчивостью в других генетических локусах (эпистаз).В случае митонуклеарного эпистаза могут возникать разные фенотипы, когда один и тот же ядерный геном помещается против разных митохондриальных генотипов. Окружающая среда может дополнительно модифицировать митонуклеарный эпистаз (взаимодействия G × G × E). Оценка того, как митонуклеарный эпистаз способствует фенотипу организма и, следовательно, приспособленности в естественных популяциях, осложняется влиянием полового размножения. В своем вкладе в этот том Greimann et al. (2020) использовали отличительные особенности новозеландской пресноводной улитки Potamopyrgus antipodarum , чтобы отделить влияние полового размножения от наследования митохондриального генома на митохондриальную и физиологическую функцию в естественных половых и бесполых популяциях улиток.Озера, населенные P. antipodarum , охватывают широкий диапазон экологических градиентов, со значительной межозерной генетической структурой и митонуклеарным дисбалансом. Greimann et al. (2020) объединяют клеточные, физиологические и поведенческие подходы для количественной оценки изменчивости митохондриальной функции в разнообразном наборе диких линий P. antipodarum , демонстрируя использование этой модели для анализа фенотипической изменчивости, возникающей из сложных взаимоотношений между митонуклеарными вариациями и производительностью. , пластичность и приспособленность в природных популяциях.Их работа демонстрирует важность учета вариаций митохондриального генома вместе с ядерным геномом при построении предсказательных связей с фенотипом и для тщательного рассмотрения фенотипических результатов по целому ряду биологических шкал.

Фенотипические вариации могут также возникать в результате воздействия G × G × E нескольких видов, живущих как эндосимбионты, консорциумы или сообщества; такие отношения могут стимулировать адаптацию к местным условиям, эволюционные инновации и диверсификацию.Например, компоненты микробиома, их организация и взаимодействия могут иметь глубокое влияние на появление фенотипа хозяина и его пластичность к изменениям окружающей среды. В этом томе симпозиума Hoffman et al. (2020) исследовали конкретные консорциумы, присутствующие в фенотипически различимых слоях апельсиновой корки, эндемичных для определенных местообитаний гавайской анхиалиновой экосистемы. Они обнаружили, что различные микробные консорциумы (т.е., фенотипы) восстанавливается в каждом слое между разными участками и островами.

В другом месте в этом томе Kirschman et al. (2020) показывают, что видовой состав микробной кишечной флоры и генетический фон хозяина могут иметь сильное влияние на физиологию хозяина и развитие нормального фенотипа в раннем периоде жизни позвоночного хозяина. Эти исследователи проверили гипотезу о том, что микробная колонизация и генетический фон хозяина будут влиять на выживаемость, экспрессию иммунных генов, рост и развитие в двух популяциях трехиглой колюшки ( Gasterosteus aculeatus ), одной проходной и одной пресноводной.Их результаты свидетельствуют о том, что нарушение микробной флоры в сочетании с воздействием патогенов в раннем возрасте может изменить развитие хозяина. Генетический фон хозяина также может играть роль, приводя к идиосинкразическим эффектам на фенотип. Эти два примера показывают, что эмерджентные фенотипы, вероятно, развиваются из структуры множества сосуществующих генотипов, взаимодействующих между собой и со своей средой с течением времени.

Многие текущие исследования строятся на центральной структуре G × E, чтобы включить другие молекулярные и физиологические данные / данные о развитии, чтобы придать больше предсказательной силы связи между геномом и феноменом.В этом томе симпозиума Ли и Кюльтц (2020) утверждают, что протеомы представляют собой важные звенья, которые определяют, как геномы взаимодействуют с окружающей средой, тем самым вызывая фенотипическую изменчивость, на которую может воздействовать естественный отбор. В работе, представленной здесь, авторы выделяют и идентифицируют влияние солености по сравнению с общей реакцией на стресс у трехиглой колюшки G. aculeatus путем мониторинга профилей протеомной реакции жабр животных, содержащихся в мезокосмах в контролируемых условиях с соответствующими контролями. .Их результаты демонстрируют, что G. aculeatus реагирует на изменения солености, регулируя механизмы осморегуляции, такие как синтез совместимого осмолита, трансэпителиальный перенос ионов и метаболизм окислительной энергии, механизмы, которые отличаются от кратковременных общих стрессовых реакций. Кроме того, Ли и Кюльтц (2020) устанавливают соленость как ключевой фактор, вызывающий регуляцию многочисленных белков, и пути путей Киотской энциклопедии генов и геномов с установленными функциями в протеостазе, иммунитете и ремоделировании тканей.Их результаты устанавливают потенциальную прогностическую силу протеомики при мониторинге фенотипической изменчивости.

Большинство, если не все, исследования, представленные на симпозиуме, требовали, чтобы исследователи разработали или внедрили программные инструменты и вычислительные методы для объединения больших и сложных наборов данных на разных уровнях биологической организации. Хотя каждый набор данных отражает отдельный уровень биологической сложности, такой как геном, эпигеном, транскриптом или протеом, исследователи структурировали вычислительные подходы к анализу данных, чтобы воспроизводимо связать эти слои в сети, которые отслеживают фенотипические изменения и тем самым раскрывают механизмы, которые могут лежать в основе этих изменений.Приведя примеры усилий по разработке новых и более совершенных вычислительных подходов к сетевому анализу, Schaefer et al. (2020) демонстрируют применение нового бесплатного программного пакета с открытым исходным кодом Camoco (совместный анализ молекулярных компонентов) для интеграции общегеномных исследований ассоциации с информацией о сетях коэкспрессии генов у домашней лошади. Schaefer et al. (2018) ранее реализовали Camoco в кукурузе ( Zea mays ), продемонстрировав, что этот подход можно обобщить на любые виды с соответствующими данными по экспрессии генов, даже если нет других данных о функциях генов.В их рукописи, включенной в настоящий том, Schaefer et al. (2020) приводят доводы в пользу постоянной необходимости разработки программных инструментов, которые можно использовать повторно для решения многих вопросов биологических исследований, которые могут давать воспроизводимые результаты и могут быть доступны пользователям по запросу.

Garrett et al. (2020) изучают интерактивные эффекты G × E на фенотип и их эволюционный потенциал, используя объединенное секвенирование геномной ДНК для поиска сдвигов в частотах аллелей в ответ на возмущение окружающей среды.Эти исследователи спрашивают, есть ли у таких видов, как пурпурный морской еж, Strongylocentrotus purpuratus , достаточные генетические вариации для создания адаптивных феноменов, которые могут выживать и расти в условиях закисления океана, которые могут быть связаны с глобальным изменением климата. Гарретт и др. (2020) выращивали личинок S. purpuratus в статических и переменных уровнях умеренного и экстремального pH, затем измеряли выживаемость, рост и сдвиги частоты аллелей по всему геному. Они обнаружили последовательные, направленные сдвиги в частотах аллелей по всему геному, а также различные закономерности и компромиссы в выживаемости и росте в экспериментальных режимах подкисления.Эти результаты предполагают, что популяций S. purpuratus обладают генетической изменчивостью для устойчивости популяции в условиях экстремального pH.

Учитывая сложность высокоинтегрированных систем организма, неудивительно, что компромиссы, подобные тем, которые наблюдались Гарреттом и др. (2020), появляются в исследованиях от генома к феномену на разных уровнях биологической организации и суб-дисциплин, включая физиологию, экологию и эволюцию. В своем вкладе в эту книгу симпозиума Мауро и Галамбор (2020) представляют широкий обзор концептуальных рамок, используемых для изучения и понимания механистической основы компромиссов, и того, как эти компромиссы в конечном итоге сдерживают адаптивные эволюционные изменения.Они утверждают, что наше понимание генетической основы признаков зависит от окружающей среды (экологии) и от отбора в ответ на изменение окружающей среды (эволюция). Достижения в области молекулярной биологии, омики и системного / сетевого анализа делают возможным создание и экспериментальную оценку таких карт от генома к феномену до приспособленности в биологических системах.

Отмечая нехватку молекулярных инструментов для тестирования генетической основы многих физиологических адаптаций, особенно у морских организмов, Lam et al.(2020) предполагают, что клеточное моделирование с использованием первичных клеток предлагает мощную систему для выявления и подтверждения функционального значения генетических изменений в организмах, у которых трансгенез невозможен, таких как морские млекопитающие, находящиеся под федеральной защитой. Исследователи рассматривают, как генетические манипуляции продвинули механистические исследования у других нетрадиционных видов млекопитающих, и обрисовывают ключевые соображения для выделения, культивирования и проведения механистических экспериментов с клетками морских млекопитающих в условиях, имитирующих in vivo состояния .Лам и др. (2020) предполагают, что первичная культура ткани может быть важным инструментом для проведения функциональных исследований, чтобы обеспечить недостающее звено между пониманием физиологических адаптаций у немодельных организмов на уровне генома и организма.

Поддерживая необходимость изучения воздействия окружающей среды на функциональную адаптацию на разных уровнях биологической организации, Iverson et al. (2020) представляют метаанализ реакции тепловых характеристик по нескольким шкалам, включая активность ферментов, дыхание изолированных митохондрий и скорость метаболизма всего животного.Температурные реакции сильно различались на разных уровнях биологической организации, иногда показывая совершенно противоположные закономерности между уровнями для одних и тех же диапазонов температур. Детали различных исследований, включая изученные таксоны, ферменты и ткани, как правило, не влияли на различия в тепловых ответах между биологическими уровнями. Авторы предполагают, что физиологические реакции могут различаться на разных уровнях из-за разного давления отбора или различных эффектов биохимических законов. В любом случае, эти результаты еще больше подчеркивают сложность отношений G × E: окружающая среда может по-разному влиять даже на похожие фенотипы.

Наконец, Gust et al. (2020) демонстрируют подход к преодолению разрыва между геномом и феном, основанный на пути неблагоприятных исходов (АОП), который широко принят и используется токсикологами. В своем примере исследователи стремились определить механизмы, лежащие в основе токсикологических фенотипов летаргии и потери веса в ответ на воздействие нитроароматических боеприпасов, таких как 2,4,6-тринитротолуол (TNT). Gust et al. (2020) проверили гипотезу о том, что ингибирование передачи сигналов рецептора, активируемого пролифератором пероксисом (PPAR) α при воздействии TNT, было молекулярным инициирующим сигнальным путем, который влиял на липидные метаболические процессы, тем самым влияя на системные энергетические бюджеты, что в конечном итоге приводило к потере веса тела.Результаты серии исследований транскриптомных, протеомных, липидомных, in vitro, ядерных сигналов PPARα, и нокаута PPARα в конечном итоге подтвердили эту гипотезу. Учитывая, что антагонизм PPARα представляет собой критическую реакцию в АОП, был проведен филогенетический анализ, который показал, что родство аминокислот PPARα обычно отслеживало родство видов, обеспечивая контекст для экстраполяции этого отношения генома к феномену между видами. Gust et al. (2020) предполагают, что такая всеобъемлющая исследовательская структура, основанная на принципах АОП, может оказаться полезной для оценки факторов фенотипической изменчивости в других биологических науках.

Совсем недавно грандиозная проблема связывания генотипа с фенотипом — это всего лишь один вопрос, который решается в рамках спонсируемой NSF инициативы Reintegrating Biology (https://reintegratingbiology.org/) — попытки полностью понять биологические системы и реализовать их потенциал. . В 2019 году была проведена серия виртуальных ратушей, предварительных встреч и семинаров для вовлечения более широкого биологического сообщества в выявление новых исследовательских вопросов, которые можно было бы решить, комбинируя подходы и точки зрения из разных субдисциплин биологии, а также для определения ключевых проблемы, научные пробелы, физическая инфраструктура и подготовка кадров, которые необходимы для ответа на эти вопросы.Как следствие одной такой встречи в декабре 2019 года в Остине, Техас, Вестерман и др. (2020) представляют свое видение проблем и решений для использования больших данных для решения вопросов от генома к феномену. Среди их рекомендаций — инициативы по установлению минимальных передовых практик для экспериментального проектирования и сбора данных, разработки инструментов и обмена ими, по разработке и поддержанию общих репозиториев данных, по содействию обучению в области науки о данных и по финансированию исследований, которые одновременно решают как базовые, так и прикладные вопросы. как изменение климата и сохранение природных ресурсов.

Цикл симпозиумов «Наведение мостов» завершается официальным документом, написанным в соавторстве с организаторами симпозиума (Burnett et al. 2020) с участием более 40 ученых, которые участвовали в семинаре в последний день заседания SICB. В обсуждениях в небольших группах участники оценили прогресс текущей работы, определили некоторые из наиболее многообещающих подходов и моделей, представленных или обсужденных на всех сессиях симпозиума, затем выделили передовые рубежи, а также ключевые препятствия для этого исследования и сформулировали ресурсы, которые будут иметь жизненно важное значение для продвижения прогресса в выяснении феномена генома-феномена.Основными темами дискуссии были сохраняющаяся потребность в комплексной теоретической основе для проведения исследований от генома к феномену и более сильные сети для выявления междисциплинарных сотрудников и инструментов для подхода к таким крупномасштабным теоретическим концепциям.

Будущие направления

Симпозиум «Наведение мостов» собрал вместе ученых из различных биологических дисциплин, каждый из которых рассматривал вопросы генотипа и фенотипа с особой точки зрения и каждый использовал исследуемые организмы и методы, уникально подходящие для решения этого рабочего вопроса.Неформальные и формальные обсуждения на семинарах выявили общее признание научной силы, вытекающей из такого широкого диапазона сравнительных подходов. Участники также признали общие препятствия на пути их исследований — например, доступ к определенным «омиксным» методам и инструментам, анализ, обработка и хранение данных. Тем не менее, участники чаще всего призывали к усилению акцента на разработке концептуальных и интегративных рамок для понимания принципов, лежащих в основе возникновения фенотипической изменчивости, с прицелом на то, чтобы иметь возможность учитывать наблюдения из широкого спектра систем сравнительного исследования, используемых в настоящее время.В будущем ученым и финансирующим агентствам следует уделять первоочередное внимание развитию совместных междисциплинарных рабочих групп, направленных на теорию и тестирование простых «строительных блоков» для возникновения фенотипических вариаций. Крупные междисциплинарные конференции, такие как SICB, предоставят таким командам особенно хорошую площадку для встреч и разработки новых структур, которые могут служить мостом от геномов к феноменам.

Рис. 1

Организаторы и докладчики симпозиума «Наведение мостов от генома к феному» 2020 года.Слева направо: Курт Густ, Дон Майклес, Дэвид Дурика, Алекс Мауро, Джонатон Ли, Мелисса Песпени, Роб Шефер, Карен Бернетт, Джастин Хэвирд, Кэмерон Галамбор, Скотт Сантос, Кэт Миллиган-Майхре, Джоэл Шарбро. Не на фото: Дэн Хан, Дитмар Кюльц, Джонатон Стилман.

Рис. 1

Организаторы и спикеры симпозиума «Наведение мостов от генома к феному» 2020 года. Слева направо: Курт Густ, Дон Майклес, Дэвид Дурика, Алекс Мауро, Джонатон Ли, Мелисса Песпени, Роб Шефер, Карен Бернетт, Джастин Хэвирд, Кэмерон Галамбор, Скотт Сантос, Кэт Миллиган-Майхре, Джоэл Шарбро.Не на фото: Дэн Хан, Дитмар Кюльц, Джонатон Стилман.

Благодарности

Авторы благодарят приглашенных докладчиков (рис. 1), а также докладчиков в дополнительных устных и стендовых презентациях за их участие в симпозиуме и семинарах по наведению мостов. Авторы также выражают искреннюю признательность сотруднику программы Сьюзан Уильямс и персоналу Burk and Associates за их помощь в организации симпозиума.

Финансирование

Эта работа была поддержана Национальным научным фондом (Премия симпозиума IOS-10) и Сетью координации исследований генома животных и фенома (Премия IOS-1456942).Мы с благодарностью признаем поддержку Общества интегративной и сравнительной биологии, отделов сравнительной физиологии и биохимии SICB, сравнительной эндокринологии, эволюционной биологии развития, экоиммунологии и экологии болезней, экологии и эволюции, зоологии беспозвоночных, филогенетики и сравнительной биологии, а также Общество ракообразных и Американское общество микроскопии.

Из симпозиума «Наведение мостов от генома к феному: молекулы, методы и модели», представленного на ежегодном собрании Общества интегративной и сравнительной биологии 3–7 января 2020 г. в Остине, штат Техас.

Список литературы

Burnett

кг

,

Дурика

DS

,

Майклес

DL

,

Стиллман

JH

,

Schmidt

CJ.

2020

.

Рекомендации по продвижению исследований генома к феномену немодельных организмов

.

Интегр Комп Биол

60 (DOI: 10.1093 / icb / icaa059).

Карнейро

VC

,

Lyko

F.

2020

.

Быстрая эпигенетическая адаптация животных и ее роль в инвазивности

.

Интегр Комп Биол

60

(DOI: 10.1093 / icb / icaa023).

Garrett

AD

,

Бреннан

RS

,

Steinhart

AL

,

Пеллетье

AM

,

Песпени

MH.

Предстоящий 2020 год.

Влияние статического, переменного и экстремального pH на генетические и фенотипические реакции личинок пурпурного морского ежа

.

Интегр Комп Биол

60

.

Грейманн

ES

,

отделение

SF

,

Woodell

JD

,

Хеннесси

S

,

Клайн

MR

,

Морено

JA

,

Петерс

М

,

Монзуб

KL

,

Нейман

М

,

Шарбро

Дж.

2020

.

Фенотипические вариации функции митохондрий в популяциях новозеландских улиток

.

Integr Comp Biol

60

(DOI: 10.1093 / icb / icaa066).

Порыв

К

,

Ji

Q

,

Luo

X.

2020

.

Пример концепции пути неблагоприятного исхода (АОП), позволяющей открывать геном-феномен в токсикологии

.

Integr Comp Biol

60

(DOI: 10.1093 / icb / icaa064).

Хоффман

SK

,

Seitz

KWS

,

Гарвард

JC

,

Weese

DA

,

Сантос

SR.

Предстоящий 2020 год.

Фенотипическая сопоставимость, обусловленная генотипической изменчивостью среди физически структурированных микробных консорциумов

.

Интегр Комп Биол

60

.

Айверсон

E

,

Nix

R

,

Abebe

A

,

Havird

JC.

Предстоящий 2020 год.

Температурные реакции в биологических показателях различаются на разных уровнях организации

.

Интегр Комп Биол

60

.

Киршман

LJ

,

Хаджинова

А

,

Ирландия

K

,

Миллиган-Майре

К.

Предстоящий 2020 год.

Воздействие кишечного патогена в раннем возрасте влияет на развитие органов трехиглой колюшки, выращенной в стерильных условиях

.

Интегр Комп Биол

60

.

Лам

EK

,

Шестигранник

кН

,

Торрес-Веларде

JM

,

Vazquez-Medina

JP.

Предстоящий 2020 год.

Первичная культура тканей обеспечивает систему для функциональных исследований генома-феномена морских млекопитающих

.

Интегр Комп Биол

60

.

Ли

Дж

,

Кюльц

Д.

2020

.

Протеомика осморегуляторных реакций жабр трехиглой колюшки

.

Интегр Комп Биол

60

(DOI: 10.1093 / icb / icaa042).

Мауро

AA

,

Галамбор

СК.

2020

.

Компромиссы, плейотропия и общие молекулярные пути: как генетическая и физиологическая интеграция может ограничивать адаптацию

.

Интегр Комп Биол

60

.

Майклес

DL

,

Бернетт

кг

,

Дурика

DS

,

Джойс

BL

,

Маккарти

FM

,

Шмидт

CJ

,

Стиллман

JH.

2016

.

Ресурсы и рекомендации по использованию транскриптомики для решения серьезных проблем сравнительной биологии

.

Интегр Комп Биол

56

:

1183

—

91

.

Шефер

RJ

,

Каллен

Дж

,

Манфреди

Дж

,

McCue

ME.

Предстоящий 2020 год.

Функциональные контексты сетей коэкспрессии жировой и ягодичной мышечной ткани у домашней лошади

.

Интегр Комп Биол

60

.

Шефер

RJ

,

Михно

J-M

,

Джефферс

Дж

,

Hoekenga

O

,

Дилкес

Б

,

Бакстер

I

,

Майерс

CL.

2018

.

Интеграция сетей коэкспрессии с GWAS для определения приоритета причинных генов кукурузы

.

Plant Cell

30

:

2922

—

42

.

Швенк

К

,

Падилья

DK

,

Баккен

GS

,

Полный

RJ.

2009

.

Грандиозные вызовы биологии организма

.

Интегр Комп Биол

49

:

7

—

14

.

Вестерман

E

,

Bowman

SEJ

,

Дэвидсон

B

,

Дэвис

MC

,

Ларсон

ER

,

Сэнфорд

К.

2020

.

Развертывание больших данных для взлома генотипа до кода фенотипа

.

Integr Comp Biol

60

(DOI: 10.1093 / icb / icaa055).

© Автор (ы) 2020.Опубликовано Oxford University Press от имени Общества интегративной и сравнительной биологии. Все права защищены. За разрешениями обращайтесь по электронной почте: [email protected].

Инициатива «Сельскохозяйственный геном — феном» (AG2PI)

Закон о сельском хозяйстве 2018 года предписывает NIFA создать новую программу конкурсных грантов для поддержки совместных исследований геномов и феноменов сельскохозяйственных культур и животных, важных для сельскохозяйственного сектора США.Конгресс США выделил 1 миллион долларов в 2020 финансовом году на эти усилия.

Национальный институт продовольствия и сельского хозяйства Инициатива «От генома к феному» (AG2PI) сосредоточена на совместном научном взаимодействии, которое направлено на развитие сообщества исследователей как сельскохозяйственных культур, так и животных , которое заложит основу для расширения знаний о геномах и важных феноменах в сельскохозяйственный сектор США.

Приложения, предлагающие сотрудничество между U.S. поощряются исследователи сельскохозяйственных культур и животных . Программа предполагает финансирование одного предложения в 2020 финансовом году.

Предложения, представленные в AG2PI, должны быть всесторонне направлены на:

1. Изучение сельскохозяйственных культур и животных в производственных условиях для достижения устойчивого и безопасного сельскохозяйственного производства;
2. Обеспечить заполнение существующих пробелов в существующих знаниях о генетике и феномене сельскохозяйственных культур и животных;
3. Идентифицировать и развить функциональное понимание соответствующих генов животных и генов сельскохозяйственных культур, имеющих важное значение для сельскохозяйственного сектора США;
4. Обеспечить будущее генетическое улучшение сельскохозяйственных культур и животных, важных для сельскохозяйственного сектора США;
5. Изучить значимость разнообразной зародышевой плазмы как источника уникальных генов, которые могут иметь важное значение в будущем;
6. Улучшение генетики для снижения экономического воздействия патогенов на сельскохозяйственные культуры и животных, имеющих важное значение для сельскохозяйственного сектора США; и
7. Распространить результаты среди соответствующей аудитории.

Партнерства

Тип программы:

Грантовая программа

Ресурсы

Внешние ресурсы

Связанная информация

EGA Европейский архив генома-фенома

Европейский архив генома-феномена (EGA) — это служба для постоянного архивирования и обмена всеми типами идентифицируемых персонально генетических и фенотипических данных, полученных в результате биомедицинских исследовательских проектов.

Последние исследования

Интегративная молекулярная характеристика саркоматоидного и рабдоидного почечно-клеточного рака.- 05.02.2021

Ингибиторы иммунных контрольных точек, нацеленные на путь PD-1, изменили методы лечения многих запущенных злокачественных новообразований, включая светлоклеточный почечно-клеточный рак (ccRCC), но их движущие силы значительно улучшились.

Исследование 1/5

Опубликовано в:

Последние исследования

Multi-omics подчеркивает, что белок плазмы ABO является причинным фактором риска COVID-19.- 19 февраля 2021 г.

Человеческие pQTL с использованием образцов плазмы UK INTERVAL (Cambridge CEU). Картирование pQTL 3283 белковых аналитов, проанализированных с использованием SomaLogic SOMAscan, по 10,6 млн вмененных генетических вариантов в 3301 выборке.

Исследование 2/5

Опубликовано в:

Последние исследования

Коллапс населения в тропических лесах Конго с 400 г. н.э. требует переоценки экспансии банту.- 12 февраля 2021 г.

На языках банту говорят около 310 миллионов африканцев, однако генетическая история населения, говорящего на банту, остается в значительной степени неизученной. Мы сгенерировали геномные данные для 1318 человек из России.

Исследование 3/5

Опубликовано в:

Последние исследования

Обнаружение метилирования цитозина по всему геному путем секвенирования отдельной молекулы в реальном времени.- 01.02.2021

5-метилцитозин (5mC) является важным типом эпигенетической модификации. В этом исследовании мы улучшили обнаружение 5mC с помощью секвенирования SMRT путем комплексного анализа кинетических сигналов фрагмента ДНК.

Исследование 4/5

Опубликовано в:

Последние исследования

Секвенирование нанопор из жидкой биопсии: анализ вариаций числа копий внеклеточной ДНК пациентов с раком легкого.- 12 февраля 2021 г.

В эпоху «точной онкологии» характеристика генетических особенностей опухоли является ключевым шагом в ведении больных раком. Подходы жидкостной биопсии, такие как анализ бесклеточной ДНК.

Исследование 5/5

Опубликовано в:

 Категория, количество подкатегорий, URL
Рак, Надпочечник 6, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR % 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22 карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22онко% 22% 20OR% 20 % 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 надпочечников% 22% 20OR% 20% 22 супраренал% 22% 29) & q1 = ( % 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20 % 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22adrenal % 22% 20ИЛИ% 20% 22 супраренал% 22% 29) / исследования / напр.
Рак, Кровь 446, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22 карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 кровь% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22миелома% 22% 20OR% 20% 22миелоид% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 кровь% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22миелома% 22% 20ИЛИ% 20% 22миелоид% 22% 29) / исследования / напр.
Рак, Кость 113, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22bone% 22% 20OR% 20% 22остеосаркома% 22% 20OR% 20% 22фибросаркома% 22% 20OR% 20% 22хондросаркома% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественный% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22bone% 22% 20OR% 20% 22остеосаркома% 22% 20OR% 20% 22фибросаркома% 22% 20OR% 20% 22хондросаркома% 22% 29) / исследования / ega
Рак, Мозг 78, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 мозга% 22% 20OR% 20% 22бластома% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 злокачественная опухоль% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22brain% 22% 20ИЛИ% 20% 22бластома% 22% 29) / исследования / ega
Рак, Грудь 206, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 груди% 22% 20OR% 20% 22mammary% 22% 20OR% 20% 22nipple% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22грудь% 22% 20OR% 20% 22mammary% 22% 20OR% 20% 22nipple% 22% 29) / Studies / ega
Рак, Рак 1830, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22 карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22онко% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22лимфома% 22) & q1 = (% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22лимфома% 22) / исследования / ega
Рак, Центральная нервная система 74, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22глиома% 22% 20OR% 20% 22астроцитома% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22глиома% 22% 20ИЛИ% 20% 22астроцитома% 22% 29) / исследования / ega
Рак толстой и прямой кишки 167, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22colon% 22% 20OR% 20% 22 Colorectal% 22% 20OR% 20% 22Покрышка% 22% 29) & q1 = (% 28% 22Рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22colon% 22% 20OR% 20% 22Colorectal% 22% 20OR% 20% 22Bowel% 22% 29) / Studies / ega
Рак, эпителиальный / кожа 179, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 Эпителиальный% 22% 20OR% 20% 22 Кожа% 22% 20OR% 20% 22 меланома% 22% 20OR% 20% 22кожный% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественные% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22 лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22Эпителиальный% 22% 20OR% 20% 22Skin% 22% 20OR% 20% 22меланома% 22% 20OR% 20% 22кожный% 22% 29) / исследования / ega
Рак, Почки 66, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22 карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22почечная% 22% 20OR% 20% 22почечная% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 злокачественная опухоль% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22kidney% 22% 20ИЛИ% 20% 22почечников% 22% 29) / исследования / напр.
Рак, Печень 76, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22liver% 22% 20OR% 20% 22hepato% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 злокачественная опухоль% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22liver% 22% 20OR% 20% 22hepato% 22% 29) / исследования / ega
Рак, Легкое 136, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22lung% 22% 29) & q1 = (% 28% 22cancer% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22lung% 22% 29) / исследования / ega
Рак, лимфатическая система 109, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR % 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22 карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22онко% 22% 20OR% 20 % 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22лимфома% 22% 29) & q1 = (% 28% 22Cancer% 22% 20OR % 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20 % 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22lymphoma% 22% 29) / исследования / эга
Рак, мезотелий 12, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28mesotheli% 2A% 29) & q1 = (% 28% 22cancer% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 злокачественная опухоль% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22онко% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28mesotheli% 2A% 29) / Studies / ega
Рак, Глаз 5, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22ocular% 22% 20OR% 20% 22eye% 22% 20OR% 20OR% 20% 22glaucoma% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22ocular% 22% 20OR% 20% 22eye% 22% 20OR% 20% 22 глаукома% 22% 29) / исследования / ega
Рак, яичник 81, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22% 22% 20OR% 20% 22% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 злокачественная опухоль% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22ovary% 22% 20ИЛИ% 20% 22варианец% 22% 29) / исследования / напр.
Рак, поджелудочная железа 55, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22панкреатическая% 22% 20OR% 20% 22 поджелудочная железа% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 злокачественная опухоль% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22pancreatic% 22% 20ИЛИ% 20% 22 поджелудочной железы% 22% 29) / исследования / напр.
Рак, паращитовидная железа 2, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22 карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 Паратироид% 22% 29) & q1 = (% 28% 22Cancer% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22Parathyroid% 22% 29) / исследования / ega
Рак, простата 71, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22prostate% 22% 29) & q1 = (% 28% 22cancer% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22prostate% 22% 29) / исследования / ega
Рак, Желудок 32, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 желудка% 22% 20OR% 20% 22 желудка% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 злокачественная опухоль% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22stomach% 22% 20OR% 20% 22gastric% 22% 29) / исследования / напр.
Рак, матка 13, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22cancer% 22% 20OR% 20% 22tumour% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22 метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22глиома% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лейкемия% 22% 20OR% 20% 22лимфома% 22% 29AND% 28% 22 эндометриоид% 22% 20OR% 20% 22материал% 22% 20OR% 20% 22материн% 22% 29) & q1 = (% 28% 22 рак% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 опухоль% 22% 20OR% 20% 22 новообразование% 22% 20OR% 20% 22 злокачественное% 22% 20OR% 20% 22карцинома% 22% 20OR% 20% 22метастаза% 22% 20OR% 20% 22onco% 22% 20OR% 20% 22glioma% 22% 20OR% 20% 22leukeemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29ИЛИ% 28% 22 эндометрия% 22% 20ИЛИ% 20% 22% матки 22% 20ИЛИ% 20% 22% матки 22% 29) / исследования / ega
Сердечно-сосудистые, Сердечно-сосудистые 175, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Cardiovascular% 22% 20OR% 20% 22cardia% 22% 20OR% 20% 22 коронарный% 22% 20OR% 20% 22сердце% 20атака% 22% 20OR% 20% 22гипертония% 22% 20OR% 20гиперхол% 2A% 20OR% 20% 22 холестерин% 22% 20OR% 20% 22 ожирение% 22% 20OR% 20% 22 диабет% 22% 20OR% 20% 22инсулин% 22% 20OR% 20% 22CHD% 22) & q1 = (% 22 Cardiovascular% 22% 20OR% 20% 22cardia% 22% 20OR% 20% 22коронарный% 22% 20OR% 20% 22heart% 20attack% 22% 20OR% 20% 22гипертония% 22% 20OR% 20гиперхол% 2A% 20OR% 20% 22 холестерин% 22% 20OR% 20% 22% ожирение 22% 20OR% 20% 22 диабет 22% 20OR% 20% 22 инсулин% 22% 20OR% 20% 22CHD% 22) / исследования / ega
Сердечно-сосудистая, коронарная 32, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22coronary% 22% 20OR% 20% 22heart% 20attack% 22% 20OR% 20% 22CHD% 22) & q1 = (% 22coronary% 22% 20OR% 20% 22heart% 20attack% 22% 20OR% 20% 22CHD% 22) / Studies / ega
Сердечно-сосудистая система, диабет 81, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22diabetes% 22% 20OR% 20% 22insulin% 22) & q1 = (% 22диабет% 22% 20ИЛИ% 20% 22инсулин% 22) / исследования / ega
Сердечно-сосудистая система, Гиперхолестеринемия 49, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22hyperchol% 22% 20OR% 20% 22cholesterol% 22% 20OR% 20% 22 ожирение% 22) & q1 = (% 22гиперхол% 22% 20OR% 20% 22холестерин% 22% 20OR% 20% 22 ожирение% 22) / Studies / ega
Сердечно-сосудистая система, Гипертония 26, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22гипертония% 22) & q1 = (% 22гипертония% 22) / Studies / ega
Сердечно-сосудистые, Другое 2, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Cardiovascular% 22% 20OR% 20% 22cardia% 22% 20AND% 20NOT% 20% 28% 22Коронарный% 22% 20ИЛИ% 20% 22Сердец% 20ИЛИ атака% 22% 20ИЛИ% 20% 22гипертония% 22% 20ИЛИ% 20гиперхол% 2А% 20ИЛИ% 20% 22холестерин% 22% 20ИЛИ% 20% 22% ожирение% 22% 20ИЛИ% 20% 22диабет% 22% 20OR% 20% 22 инсулин% 22% 20OR% 20% 22CHD% 22% 29) & q1 = (% 22 Сердечно-сосудистые% 22% 20OR% 20% 22 Cardia% 22% 20AND% 20NOT% 20% 28% 22 коронарные% 22% 20ИЛИ% 20% 22ИЛИСЕРДЦЕ% 20атак% 22% 20ИЛИ% 20% 22Гипертония% 22% 20ИЛИ 20ИЛИГиперхол% 2А% 20ИЛИ% 20% 22Холестерин% 22% 20ИЛИ% 20% 22 ожирение% 22% 20ИЛИ% 20% 22 диабет 22% 20OR% 20% 22 инсулин% 22% 20OR% 20% 22CHD% 22% 29) / Studies / ega
Инфекционный, СПИД 9, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22retrovirus% 22% 20OR% 20% 22HIV% 22% 20OR% 20% 22AIDS% 22) & q1 = (% 22retrovirus% 22% 20OR% 20% 22HIV% 22% 20OR% 20% 22AIDS% 22) / Studies / ega
Инфекционный, гепатит 19, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22hepatitis% 22) & q1 = (% 22hepatitis% 22) / Studies / ega
Инфекционные, Инфекционные 53, / search / ({! Присоединяйтесь к% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Infectious% 22% 20OR% 20% 22hepatitis% 22% 20OR% 20% 22ретровирус% 22% 20OR% 20% 22HIV% 22% 20OR% 20% 22AIDS% 22% 20OR% 20% 22tuberculosis% 22% 20OR% 20% 22malaria% 22) & q1 = (% 22Infectious% 22% 20OR% 20% 22hepatitis% 22% 20OR% 20% 22ретровирус% 22% 20OR% 20% 22HIV% 22% 20OR% 20% 22AIDS% 22% 20OR% 20% 22tuberculosis% 22% 20OR% 20% 22malaria% 22) / Studies / ega
Инфекционная, малярия 14, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22malaria% 22) & q1 = (% 22malaria% 22) / Studies / ega
Инфекционный, туберкулез 6, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22tuberculosis% 22) & q1 = (% 22tuberculosis% 22) / Studies / ega
Инфекционный, Другой 7, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Infectious% 22% 20AND% 20NOT% 20% 28% 22hepatitis% 22% 20OR% 20% 22ретровирус% 22% 20OR% 20% 22HIV% 22% 20OR% 20% 22AIDS% 22% 20OR% 20% 22tuberculosis% 22% 20OR% 20% 22malaria% 22% 29) & q1 = (% 22Infectious% 22% 20AND% 20NOT% 20% 28% 22hepatitis% 22% 20OR% 20% 22retrovirus% 22% 20OR% 20% 22HIV% 22% 20OR% 20% 22AIDS% 22% 20OR% 20% 22tuberculosis% 22% 20OR% 20% 22malaria% 22% 29) / учеба / эга
Воспалительный, анкилозирующий спондилит 7, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Ankylosing% 22% 20OR% 20% 22спондилит% 22) & q1 = ( % 22 Анкилозирующий% 22% 20ИЛИ% 20% 22спондилит% 22) / исследования / напр.
Воспалительная, астма 8, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22asthma% 22) & q1 = (% 22asthma% 22) / Studies / ega
Воспалительный, Воспалительный 181, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Inflamailed% 22% 20OR% 20% 22Autoimmune% 22% 20OR% 20% 22 Ревматоид% 22% 20OR% 20% 22артрит% 22% 20OR% 20% 22склероз% 22% 20OR% 20% 22Анкилозирующий% 22% 20OR% 20% 22спондилит% 22% 20OR% 20% 22анемия% 22% 20OR% 20% 22Pernicious% 22% 20OR% 20% 22lupus% 22% 20OR% 20% 22 псориаз% 22% 20OR% 20% 22 астма% 22) & q1 = (% 22 Воспалительный% 22% 20OR% 20% 22 Аутоиммунный% 22% 20OR% 20% 22 Ревматоидный% 22% 20 ИЛИ 20% 22лупус% 22% 20ИЛИ% 20% 22псориаз% 22% 20ИЛИ% 20% 22астма% 22) / исследования / ega
Воспалительный, рассеянный склероз 29, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22sclerosis% 22) & q1 = (% 22sclerosis% 22) / Studies / эга
Воспалительная пагубная анемия 13, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22anemia% 22% 20OR% 20% 22Pernicious% 22) & q1 = ( % 22анемия% 22% 20ИЛИ% 20% 22Вредно% 22) / исследования / ega
Воспалительный, псориаз 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22psoriasis% 22) & q1 = (% 22psoriasis% 22) / Studies / ega
Воспалительный ревматоидный артрит 23, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Rheumatoid% 22% 20OR% 20% 22arthritis% 22) & q1 = ( % 22Ревматоид% 22% 20ИЛИ% 20% 22артрит% 22) / исследования / ega
Воспалительная системная красная волчанка 8, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22lupus% 22) & q1 = (% 22lupus% 22) / исследования / ega
Воспалительное, Другое 30, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Autoimmune% 22% 20AND% 20NOT% 20% 28% 22Rheumatoid% 22% 20 ИЛИ 21% 22% 20OR% 20% 22склероз% 22% 20OR% 20% 22 Анкилозирующий% 22% 20OR% 20% 22спондилит% 22% 20OR% 20% 22анемия% 22% 20OR% 20% 22Пернициоз% 22% 20OR% 20% 22lupus% 22% 20OR% 20% 22псориаз% 22% 20OR% 20% 22астма% 22% 29) / Studies / ega
Неврологические, поведенческие расстройства 51, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22bipolar% 22% 20OR% 20% 22schizophrenia% 22% 20OR% 20 % 22 аутизм% 22% 20OR% 20% 22 аутизм% 22) & q1 = (% 22 биполярный% 22% 20OR% 20% 22 шизофрения% 22% 20OR% 20% 22 аутизм% 22% 20OR% 20% 22 аутизм% 22) / исследования / ega
Неврология, злоупотребление наркотиками 14, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22alcohol% 22% 20OR% 20% 22cocaine% 22% 20OR% 20 % 22drug% 20abuse% 22% 20OR% 20% 22heroine% 22% 20OR% 20% 22marijuana% 22) & q1 = (% 22alcohol% 22% 20OR% 20% 22cocaine% 22% 20OR% 20% 22drug% 20abuse% 22% 20OR % 20% 22 героин% 22% 20ИЛИ% 20% 22 марихуана% 22) / исследования / ega
Неврологический, нейродегенеративный 48, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22neurodegenerative% 22% 20OR% 20% 22parkinson% 22% 20OR% 20% 22alzheimer% 22% 20OR% 20% 22huntington% 22% 20OR% 20% 22sclerosis% 22) & q1 = (% 22neurodegenerative% 22% 20OR% 20% 22parkinson% 22% 20OR% 20% 22alzheimer% 22% 20OR% 20% 22huntington% 22% 20ИЛИ% 20% 22склероз% 22) / исследования / ega
Неврологический, Неврологический 82, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22neuro% 2A% 22% 20OR% 20% 22parkinson% 22% 20OR% 20% 22alzheimer% 22% 20OR% 20% 22huntington% 22% 20OR% 20% 22склероз% 22% 20OR% 20% 22bipolar% 22% 20OR% 20% 22schizophrenia% 22) & q1 = (% 22neuro% 2A% 22% 20OR% 20% 22parkinson% 22% 20OR% 20% 22alzheimer% 22% 20OR% 20% 22huntington% 22% 20OR% 20% 22склероз% 22% 20OR% 20% 22bipolar% 22% 20OR% 20% 22schizophrenia% 22) / исследования / ega
Неврологические, Другое 13, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22neuro% 2A% 22NOT% 28% 22neurodegenerative% 22% 20OR% 20% 22parkinson% 22% 20OR% 20% 22alzheimer% 22% 20OR% 20% 22huntington% 22% 20OR% 20% 22склероз% 22% 20OR% 20% 22bipolar% 22% 20OR% 20% 22schizophrenia% 22% 20OR% 20% 22alcohol% 22% 20OR% 20% 22cocaine% 22% 20OR% 20% 22drug% 20abuse% 22% 20OR% 20% 22heroine% 22% 20OR% 20% 22marijuana% 22% 29) & q1 = (% 22neuro% 2A% 22NOT% 28% 22 нейродегенеративный% 22% 20OR% 20% 22parkinson% 22% 20OR% 20% 22alzheimer% 22% 20OR% 20% 22huntington% 22% 20OR% 20% 22sclerosis% 22% 20OR% 20% 22bipolar% 22% 20OR% 20% 22schizophrenia% 22% 20OR% 20% 22alcohol% 22% 20OR% 20% 22cocaine% 22% 20OR% 20% 22drug% 20abuse% 22% 20OR% 20% 22heroine% 22% 20OR% 20% 22marijuana% 22% 29) / Studies / ega
Другое, Mendelian 8, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (mendel% 2A) & q1 = (mendel% 2A) / Studies / ega
Другое, Microbiome 32, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28metagenom% 2A% 20OR% 20microbiom% 2A% 29% 20AND% 20NOT% 20% 28 Аутоиммунный% 20ИЛИ% 20Ревматоидный% 20ИЛИ% 20артрит% 20ИЛИ% 20склероз% 20ИЛИ% 20% 28Анкилозирующий% 20ИЛИ% 20спондилит% 29% 20ИЛИ% 20анемия% 20ИЛИ% 20Пернициозный% 20ИЛИ% 20астма% 20ИЛИ% 20ИЛИ воспалительный% 20ИЛИ% 20 20hypersens% 2A% 20OR% 20псориаз% 20OR% 20crohn% 29% 20AND% 20NOT% 20% 28 рак% 20OR% 20 опухоль% 20OR% 20 опухоль% 2A% 20OR% 20 новообразование% 20OR% 20 злокачественное% 20OR% 20 карцинома% 20OR% 20 метастазы% 2A 20 ИЛИ 29% 20AND% 20NOT% 20% 28Cardiovascular% 20OR% 20coronary% 20OR% 20heart% 20OR% 20hypertension% 20OR% 20hyperchol% 2A% 20OR% 20cholesterol% 20OR% 20 ожирение% 20OR% 20diabetes% 20OR% 20insulin% 20OR% 20Ischaem% 2A 20OR% 20Ischem% 2A% 20OR% 20Дислипидемия% 20OR% 20CHD% 29% 20AND% 20NOT% 20% 28Infectious% 20OR% 20hypersens% 2A% 20OR% 20hepatitis% 20OR% 20retrovirus% 20 ИЛИ 20 биполярный% 20OR% 20шизофрения% 20OR% 20 аутизм% 29% 20AND% 20NOT% 20% 28mendel% 2A% 29% 20AND% 20NOT% 20% 28alcohol% 2A% 20OR% 20cocain% 2A% 29) & q1 = (% 28metagenom% 2A% 20 ИЛИ 20asthma% 20OR% 20lupus% 20OR% 20 Воспалительный% 20OR% 20hypersens% 2A% 20OR% 20psoriasis% 20OR% 20crohn% 29% 20AND% 20NOT% 20% 28cancer% 20OR% 20Tumour% 20OR% 20Tumor% 2A% 20OR% 20ORneoplasm% 20 злокачественных% 20OR% 20карцинома% 20OR% 20 метастаз% 2A% 20OR% 20onco% 2A% 20OR% 20лимфома% 20OR% 20 лейкемия% 20OR% 20 лейкемия% 20OR% 20 меланома% 20OR% 20 глиома% 29% 20AND% 20NOT% 20% 28ORleukaemia 20 кровь% 20OR% 20 лейкемия% 20OR% 20myelo% 2A% 29% 20AND% 20NOT% 20% 28 Cardiovascular% 20OR% 20coronary% 20OR% 20heart% 20OR% 20hypertension% 20OR% 20hyper хол% 2A% 20OR% 20холестерин% 20OR% 20 ожирение% 20OR% 20 диабет% 20OR% 20 инсулин% 20OR% 20Ischaem% 2A% 20OR% 20Ischem% 2A% 20OR% 20Дислипидемия% 20OR% 20CHD% 29% 20AND% 20NOT% 20% 28 Инфекция 20 ИЛИ 20 ИЛИ 20кокаин% 2A% 29) / исследования / ega
Другое, не классифицировано 1604, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 2A% 29% 20AND% 20NOT% 20% 28Autoimmune% 20 ИЛИ 20 ИЛИ 2A% 20OR% 20лимфома% 20OR% 20 лейкемия% 20OR% 20 лейкемия% 20OR% 20 меланома% 20OR% 20 глиома% 29% 20AND% 20NOT% 20% 28 лейкемия% 20OR% 20 кровь% 20OR% 20 лейкемия% 20OR% 20myelo% 2A% 20% 20 20NOT% 20% 28Cardiovascular% 20OR% 20coronary% 20OR% 20heart% 20OR% 20hypertension% 20OR% 20hyperchol% 2A% 20OR% 20cholesterol% 20OR% 20 ожирение% 20OR% 20диабет% 20OR% 20insulin% 20OR% 20Ischaem% 2Aschem% 20OR% 2A% 20OR% 20Дислипидемия% 20OR% 20CHD% 29% 20AND% 20NOT% 20% 28Infectious% 20OR% 20hypersens% 2A% 20OR% 20hepatitis% 20OR% 20retrovirus% 20OR% 20HIV% 20OR% 20AIDS% 20 ИЛИ 20аутизм% 29% 20AND% 20NOT% 20% 28mendel% 2A% 29% 20AND% 20NOT% 20% 28alcohol% 2A% 20OR% 20cocain% 2A% 29% 20AND% 20NOT% 20% 28metagenom% 2A% 20OR% 20microbiom% 2A% 29) & q1 = (% 28% 2A% 29% 20AND% 20NOT% 20% 28 Аутоиммунный% 20OR% 20 Ревматоидный% 20OR% 20артрит% 20OR% 20склероз% 20OR% 20% 28 Анкилозирующий% 20AND% 20спондилит% 29% 20OR% 20анемия% 20OR% 20Pernicious% 20OR% 20asthma% 20OR% 20lupus% 20OR% 20 Воспалительный% 20OR% 20hypersens% 2A% 20OR% 20psoriasis% 20OR% 20crohn% 29% 20AND% 20NOT% 20% 28cancer% 20OR% 20tumour% 20OR% 20tumor% 2A% 20 новообразование% 20OR% 20 злокачественное% 20OR% 20карцинома% 20OR% 20 метастазы% 2A% 20OR% 20onco% 2A% 20OR% 20лимфома% 20OR% 20 лейкемия% 20OR% 20 лейкемия% 20OR% 20 меланома% 20OR% 20глиома% 29% 20AND% 20NOT 28 лейкемия% 20OR% 20 кровь% 20OR% 20 лейкемия% 20OR% 20myelo% 2A% 29% 20AND% 20NOT% 20% 28Cardiovascular% 20OR% 20coronary% 20OR% 20heart% 20OR% 20hypertension% 20OR% 20hype rchol% 2A% 20OR% 20холестерин% 20OR% 20 ожирение% 20OR% 20диабет% 20OR% 20 инсулин% 20OR% 20Ischaem% 2A% 20OR% 20Ischem% 2A% 20OR% 20Дислипидемия% 20OR% 20CHD% 29% 20AND% 20NOT% 20% 28 Инфекция 20 ИЛИ 20 ИЛИ 20кокаин% 2A% 29% 20AND% 20NOT% 20% 28metagenom% 2A% 20OR% 20microbiom% 2A% 29) / исследования / ega
Other, Other 1675, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 2A% 29% 20AND% 20NOT% 20% 28Autoimmune% 20OR% 20Ревматоид% 20OR% 20артрит% 20OR% 20склероз% 20OR% 20% 28Анкилозирующий% 20AND% 20спондилит% 29% 20OR% 20анемия% 20OR% 20Пернициозный% 20OR% 20астма% 20OR% 20lupus% 20OR% 20Воспалительный% 20OR% 20OR% 20OR% 20OR% гиперсенсор 20 ИЛИ 20 лейкемия% 20OR% 20 лейкемия% 20OR% 20 меланома% 20OR% 20 глиома% 29% 20AND% 20NOT% 20% 28 лейкемия% 20OR% 20 кровь% 20OR% 20 лейкемия% 20OR% 20myelo% 2A% 29% 20AND% 20NOT% 20% 28OR Сердечно-сосудистые% 20 коронарный% 20OR% 20сердец% 20OR% 20гипертония% 20OR% 20гиперхол% 2A% 20OR% 20холестерин% 20OR% 20 ожирение% 20OR% 20диабет 20OR% 20инсулин% 20OR% 20Ischaem% 2A% 20OR% 20Ischemmia% 2A% 20OR% 20Dyslipide 20CHD% 29% 20AND% 20NOT% 20% 28Infectious% 20OR% 20hypersens% 2A% 20OR% 20hepatitis% 20OR% 20retrovirus% 20OR% 20HIV% 20OR% 20AIDS% 20OR% 20tuberculosi s% 20OR% 20malaria% 29% 20AND% 20NOT% 20% 28neuro% 2A% 20OR% 20 neurodegenerative% 20OR% 20parkinson% 20OR% 20alzheimer% 20OR% 20huntington% 20OR% 20sclerosis% 20OR% 20bipolar% 20OR% 20Schizophrenia% 20OR% 29% 20AND% 20NOT% 20% 28alcohol% 2A% 20OR% 20cocain% 2A% 29) & q1 = (% 28% 2A% 29% 20AND% 20NOT% 20% 28Autoimmune% 20OR% 20Rheumatoid% 20OR% 20arthritis% 20OR% 20sclerosis% 20 ИЛИ 20% 28 рак% 20OR% 20 опухоль% 20OR% 20 опухоль% 20OR% 20 новообразование% 20OR% 20 злокачественное% 20OR% 20 карцинома% 20OR% 20 метастазы% 20OR% 20onco% 2A% 20OR% 20лимфома% 20OR% 20 лейкемия% 20OR% 20OR лейкемия% 20 20 ИЛИ 20OR% 20гиперхол% 2A% 20OR% 20холестерин% 20OR% 20Ожирение% 20OR% 20диабет% 20OR% 20инсулин% 20OR% 20Ischaem% 2A% 20OR% 20Ischem% 2A% 2 0OR%20Dyslipidemia%20OR%20CHD%29%20AND%20NOT%20%28Infectious%20OR%20hypersens%2A%20OR%20hepatitis%20OR%20retrovirus%20OR%20HIV%20OR%20AIDS%20OR%20tuberculosis%20OR%20malaria%29%20AND%20NOT%20%28neuro%2A%20OR%20neurodegenerative%20OR%20parkinson%20OR%20alzheimer%20OR%20huntington%20OR%20sclerosis%20OR%20bipolar%20OR%20schizophrenia%20OR%20autism%29%20AND%20NOT%20%28alcohol%2A%20OR%20cocain%2A%29)/studies/ega
 

 Category,Subcategory	Count,URL
Epigenetics,AB SOLiD	2, /search/({!join%20from%3Ddataset_studies%20to%3Did%20v%3D$q1})%20OR%20(%28%22methylation%22%20OR%20%22epigenetics%22%29AND%28%22AB%20SOLiD%22%20OR%20%22ABI_SOLID%22%20OR%20%22Life%20Tech%20-%20Solid%22%29)&q1=(%28%22methylation%22%20OR%20%22epigenetics%22%29AND%28%22AB%20SOLiD%22%20OR%20%22ABI_SOLID%22%20OR%20%22Life%20Tech%20-%20Solid%22%29)/studies/ega
Epigenetics,Affimetrix GW Human SNP Array	1, /search/({!join%20from%3Ddataset_studies%20to%3Did%20v%3D$q1})%20OR%20(%28%22methylation%22%20OR%20%22epigenetics%22%29AND%28%22Affyemtrix%206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) & q1 = (% 28% 22methylation% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20_SNPyPP6.34% 22% 20OR% 20_ 22Affymetrix6 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) / Studies / ega
Эпигенетика, Agilent Genotyping Array 6, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22 Agilent% 22% 29) & q1 = (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22 Agilent% 22% 29) / исследования / ega
Epigenetics, Epigenetics 308, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22methylation% 22% 20OR% 20% 22epigenetics% 22) & q1 = (% 22метилирование% 22% 20OR% 20% 22epigenetics% 22) / Studies / ega
Epigenetics, Illumina Genome Analyzer II 19, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22 % 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) & q1 = (% 28% 22methylation% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) / исследования / эга
Epigenetics, Illumina HiSeq 2000 59, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / исследования / ega
Epigenetics, Illumina Human Omni BeadChips 2, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22 % 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22 % 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 29) & q1 = (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 29) / исследования / ega
Epigenetics, Illumina MiSeq 6, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND % 28% 22Illumina% 20MiSeq% 22% 29) & q1 = (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) / исследования / ega
Эпигенетика, Другое 284, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28% 22метилирование% 22% 20OR% 20% 22epigenetics% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133.0% 20plus% 202 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Genompleics% % 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
Секвенирование экзома, 454 GS FLX 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22 % 29AND% 28% 22454% 20GS% 20FLX% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22454% 20GS% 20FLX% 22% 29) / исследования / эга
Секвенирование экзома, AB SOLiD 8, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22AB% 20SOLID% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20 % 22% 29AND% 28% 22AB% 20SOLID% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29) / Studies / ega
Секвенирование экзома, Affimetrix GW Human SNP Array 3, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing % 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20_SNPyPP6.34% 22% 20OR% 20_ 22Affymetrix6 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) / Studies / ega
Секвенирование экзома, Agilent Genotyping Array 121, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22 % 29AND% 28% 22Agilent% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Agilent% 22% 29) / Studies / ega
Секвенирование экзома, Полная геномика 2, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Complete% 20Genomics% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Complete% 20Genomics% 22% 29) / Studies / ega
Секвенирование экзома, Секвенирование экзома 1098, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22) & q1 = (exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22) / Studies / ega
Секвенирование экзома, Illumina Genome Analyzer II 53, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) / исследования / ega
Секвенирование экзома, Illumina HiScan 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumina% 20HiScan% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumina% 20HiScan% 22% 29) / исследования / ega
Секвенирование экзома, Illumina HiSeq 2000 412, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22 % 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / исследования / эга
Секвенирование экзома, Illumina Human Omni BeadChips 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22 % 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 29) / исследования / ega
Секвенирование экзома, Illumina MiSeq 35, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) / исследования / ega
Секвенирование экзома, Другое 894, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND % 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScmetan% 22% 20OR% 20% 22Affyrix % 20500K% 22% 20ИЛИ% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28exome% 2A% 20OR% 20% 22Exome% 20Sequencing% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133.0% 20plus% 202 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Genompleics% % 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
GWAS, Affimetrix GW Human SNP Array 10, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 для всего генома% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20 % 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) & q1 = (% 28% 22 для всего генома% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR % 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snpem% 206.0% 22% 22% 206,0% 22% 29) / исследования / ega
GWAS, Agilent Genotyping Array 9, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 Genotyping Array% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Agilent% 22% 29) & q1 = (% 28% 22genomewide% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22 Agilent% 22% 29) / Studies / ega
GWAS, GWAS 431, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22genome-wide% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22) & q1 = (% 22genomewide% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22) / Studies / ega
GWAS, Illumina Genome Analyzer II 2, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 для всего генома% 22% 20OR% 20% 22gwas % 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumina% 20 Genome% 20Analyzer% 22% 29) & q1 = (% 28% 22genome% 22% 20OR% 20 % 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) / Studies / ega
GWAS, Illumina HiSeq 2000 34, / search / ({! Присоединиться к% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 для всего генома% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28% 22genome% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / Studies / ega
GWAS, Illumina Human Omni BeadChips 6, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 для всего генома% 22% 20OR% 20% 22gwas % 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22 % 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 29) & q1 = (% 28% 22genome% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610- Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 29) / исследования / ega
GWAS, Illumina MiSeq 4, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 для всего генома% 22% 20OR% 20% 22gwas% 22 % 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) & q1 = (% 28% 22genomewide% 22% 20OR% 20% 22gwas% 22 % 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) / Studies / ega
GWAS, Other 397, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genomewide% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28% 22genomewide% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202,0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR2vrix 20% 22A % 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete% 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20 -% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
Генотипирование, 454 GS FLX 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22454% 20GS% 20FLX% 22% 29) & q1 = (% 28% 22генотип% 22% 20OR% 20% 22генотипирование% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22454% 20GS% 20FLX% 22% 29) / Studies / ega
Генотипирование, Affimetrix GW Human SNP Array 8, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) & q1 = (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22phenotype% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide4.3% 22% 20OR% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) / Studies / ega
Генотипирование, Agilent Genotyping Array 9, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22 Agilent% 22% 29) & q1 = (% 28% 22 генотип% 22% 20OR% 20% 22 генотипирование% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22 Agilent% 22% 29) / учеба / эга
Генотипирование, полная геномика 2, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR % 20% 22 фенотип% 22% 29AND% 28% 22 Завершено% 20 Геномика% 22% 29) & q1 = (% 28% 22генотип% 22% 20OR% 20% 22генотипирование% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22 Завершено % 20 Геномика% 22% 29) / Studies / ega
Генотипирование, Генотипирование 476, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22 фенотип% 22) & q1 = (% 22 генотип% 22% 20OR% 20% 22 генотипирование% 22% 20OR% 20% 22 фенотип% 22) / Studies / ega
Генотипирование, Illumina Genome Analyzer II 4, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22 % 20OR% 20% 22 фенотип% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) & q1 = (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22phenotype% 22% 29AND % 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) / Studies / ega
Генотипирование, Illumina HiSeq 2000 32, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28% 22генотип% 22% 20OR% 20% 22генотипирование% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / исследования / ega
Генотипирование, Illumina Human Omni BeadChips 3, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22 % 20OR% 20% 22 фенотип% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22 % 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 29) & q1 = (% 28% 22генотип% 22% 20OR% 20% 22 генотипирование% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22IlluminaOR% 20ImmunoBead% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 29) / исследования / ega
Генотипирование, Illumina MiSeq 7, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR % 20% 22 фенотип% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) & q1 = (% 28% 22генотип% 22% 20OR% 20% 22генотипирование% 22% 20OR% 20% 22 фенотип% 22% 29AND% 28% 22Illumina % 20MiSeq% 22% 29) / исследования / ega
Генотипирование, Другое 443, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22 фенотип% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28% 22генотип% 22% 20OR% 20% 22генотипирование% 22% 20OR% 20% 22 фенотип% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20 20Genome% 20U133% 20plus% 202,0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GG % 20OR% 20% 22Complete% 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20ИЛИ% 20% 22Аффемтрикс% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
Повторное секвенирование, 454 GS FLX 4, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22повторение% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22454% 20GS% 20FLX% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22пересеквенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22454% 20GS% 20FLX% 22% 29) / Studies / ega
Повторное секвенирование, AB SOLiD 3, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20 % 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22AB% 20SOLiD% 22 % 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29) / Studies / ega
Резеквенирование, Affimetrix GW Human SNP Array 14, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22пересеквенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22 % 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 29) / Studies / ega
Ресеквенирование, Affymetrix GeneChip Human Mapping 4, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20 % 20% 22повторение% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Affymetrix% 20500K % 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133_U133plus2-% 22% 20ORF% 20% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22 вариант% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 29) / Studies / ega
Ресеквенирование, Agilent Genotyping Array 22, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22повторение% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Agilent% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22 вариант% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Agilent% 22% 29) / Studies / ega
Повторное секвенирование, полная геномика 6, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20 % 22повторение% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Complete% 20 Genomics% 22 % 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22 вариант% 22 % 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Complete% 20 Genomics% 22% 29) / Studies / ega
Повторное секвенирование, Illumina Genome Analyzer II 17, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20 % 20% 22пересеквенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumina% 20 Genome % 20Analyzer% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20 % 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) / Studies / ega
Повторное секвенирование, Illumina HiSeq 2000 67, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22пересеквенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / Studies / ega
Повторное секвенирование, Illumina Human Omni BeadChips 10, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20 % 20% 22повторение% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumin% 20OmniExpress % 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22 % 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 29) / исследования / ega
Повторное секвенирование, Illumina MiSeq 102, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20 % 22пересеквенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumina% 20MiSeq% 22 % 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22 вариант% 22 % 20% 20OR% 20% 20% 22array% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) / Studies / ega
Повторное секвенирование, Другое 632, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22resequencing% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22вариант% 22% 20% 20OR% 20% 20% 22array% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affy 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete% 20Genomics% 22% 20OR% 20% 22AB % 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
Повторное секвенирование, повторное секвенирование 769, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22пересеквенирование% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22) & q1 = (% 22 повторное секвенирование% 22% 20% 20OR% 20% 20% 22resequencing% 22% 20% 20OR% 20% 20% 22amplicon% 22% 20% 20OR% 20% 20% 22variant% 22% 20% 20OR% 20% 20% 22array% 22) / Studies / ega
Секвенирование отдельных клеток, анализатор генома Illumina Genome Analyzer II 5, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 single-cell% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) & q1 = (% 28% 22 single-cell% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) / Studies / ega
Секвенирование одной клетки, Illumina HiSeq 2000 23, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 single-cell% 22% 29AND% 28 % 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28% 22 single-cell% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / исследования / ega
Секвенирование одной клетки, Illumina MiSeq 12, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 single-cell% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) & q1 = (% 28% 22 single-cell% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) / исследования / ega
Одноклеточное секвенирование, другое 255, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 single-cell% 22% 29AND% 20NOT% 28 % 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K % 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28% 22 single-cell% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202,0% 22% 20OR% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete% 20Genomics% % 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
Секвенирование одной клетки, секвенирование одной клетки 269, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22 single-cell% 22) & q1 = (% 22 одноклеточный% 22) / исследования / ega
Транскриптом, AB SOLiD 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22 % 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29) & q1 = (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20sequencing% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29) / Studies / ega
Транскриптом, Agilent Genotyping Array 16, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Agilent% 22% 29) & q1 = (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Agilent% 22% 29) / Studies / ega
Транскриптом, Illumina Genome Analyzer II 22, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq % 22% 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) & q1 = (% 28% 22transcriptome% 22% 20OR% 20 % 22RNA-seq% 22% 20OR% 20% 22rna% 20sequencing% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) / Studies / ega
Транскриптом, Illumina HiSeq 2000 256, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20sequencing% 22% 20OR% 20% 22RNA-секвенирование% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / Studies / ega
Транскриптом, Illumina Human Omni BeadChips 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq % 22% 20OR% 20% 22rna% 20 секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22 % 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 29) & q1 = (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22RNA% 20sequencing% 22% 20OR% 20% 22RNA-секвенирование% 22% 29AND% 28% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22HumanMethylation450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20ORni% 20% 22Illumina% 20Human% 20 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Илюмин% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 29) / исследования / ega
Транскриптом, Illumina MiSeq 24, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22 % 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) & q1 = (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq % 22% 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) / Studies / ega
Транскриптом, Другое 899, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20секвенирование% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20sequencing% 22% 20OR% 20% 22rna-секвенирование% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202,0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133U133U3plus2- %_ 22% 20OR% % 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete% 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech % 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
Транскриптом, Транскриптом 1028, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20sequencing% 22% 20OR% 20% 22rna-секвенирование% 22) & q1 = (% 22transcriptome% 22% 20OR% 20% 22RNA-seq% 22% 20OR% 20% 22rna% 20sequencing% 22% 20OR% 20% 22rНК-секвенирование% 22) / Studies / ega
Секвенирование всего генома, AB SOLiD 4, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole % 20genome% 20sequencing% 22% 29AND% 28% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 29 ) / Studies / ega
Секвенирование всего генома, Affimetrix GW Human SNP Array 1, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20% 22 весь% 20геном% 20 секвенирование% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.3% 20OR% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) / Studies / ega
Секвенирование всего генома, Agilent Genotyping Array 14, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22Agilent% 22% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22Agilent% 22% 29) / исследования / ega
Секвенирование всего генома, полная геномика 16, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole % 20genome% 20sequencing% 22% 29AND% 28% 22Complete% 20Genomics% 22% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22 Complete% 20 Genomics % 22% 29) / исследования / ega
Секвенирование всего генома, Illumina Genome Analyzer II 29, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20 % 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28 % 22Illumina% 20Genome% 20Analyzer% 22% 29) / исследования / ega
Секвенирование всего генома, Illumina HiSeq 2000 308, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22Illumina% 20HiSeq% 202000% 22% 29) / исследования / ega
Секвенирование всего генома, Illumina MiSeq 39, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole % 20genome% 20sequencing% 22% 29AND% 28% 22Illumina% 20MiSeq% 22% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 28% 22Illumina% 20MiSeq % 22% 29) / исследования / ega
Секвенирование всего генома, Другое 841, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20Hi 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20Genome% 20U133% 20plus% 202.0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FLX% 22% 20OR% 20% 22Complete % 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20OR% 20% 22Affyemtrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNPOR6.34% 20% 20% 22Affymetrix_SNP6% 22% 20OR% 20% 22Affymetrix% 20snp% 206,0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 22% 20OR% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201,2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20 % 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202.5M% 22% 20% 29) & q1 = (% 28% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22% 29AND% 20NOT% 28% 22Illumina% 20HiSeq% 202000% 22% 20OR% 20% 22Illumina% 20Genome% 20Analyzer% 22% 20OR% 20% 22Illumina% 20MiSeq% 22% 20OR% 20% 22Illumina% 20HiScan% 22% 20OR% 20% 22Affymetrix% 20500K% 22% 20OR% 20% 22Affymetrix% 20GeneChip% 20Human% 20GeneChip% 20 20U133% 20plus% 202,0% 22% 20OR% 20% 22Affymetrix_250K% 28Nsp% 29% 22% 20OR% 20% 22Affymetrix_U133plus2-% 22% 20OR% 20% 22Affymetrix_U133v2% 22% 20OR% 20% 22454% 20GS% 20FL % 20% 22Complete% 20Genomics% 22% 20OR% 20% 22AB% 20SOLiD% 22% 20OR% 20% 22ABI_SOLID% 22% 20OR% 20% 22Life% 20Tech% 20-% 20Solid% 22% 20OR% 20% 22Agilent% 22% 20ИЛИ% 20% 22Аффемтрикс% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix% 206.0% 22% 20OR% 20% 22Affymetrix% 206.0% 20-% 20CHIAMO% 22% 20OR% 20% 22Affymetrix_GenomeWide_SNP6.34% 22% 20OR% 20% 22Affymetrix_ 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206.0% 22% 20OR% 20% 22Illumin% 20OmniExpress% 20v1.0% 22% 20OR% 20% 22Метилирование человека 450k% 20Bead% 20Chip% 22% 20OR% 20% 22% 20Illumina% 20Human% 20660K% 20Quad% 20BeadChips% 22% 20OR% 20% 22Illumina% 20HumanOmni% 22% 20OR% 20% 22Illumina% 20ImmunoBeadChip% 22% 20OR% 20% 22Illumina% 20HumanHap% 20% 22Illumina% 20Human-Ref-8% 22% 20OR% 20% 22Illumina% 20HumanHT12% 22% 20OR% 20% 22Illumina% 20610-Quad% 22% 20OR% 20% 22Illumina% 20610K% 22% 20OR% 20% 22Illumina% 20300% 22% 20OR% 20% 22Illumina% 20300K% 22% 20OR% 20% 22Illumina% 2015K% 22% 20OR% 20% 22Illumina% 201.2M% 22% 20OR% 20% 22Illumina% 20650Y% 22% 20OR% 20% 22Illumina% 20CNV370% 22% 20OR% 20% 22Illumina% 20CytoSNP-12% 22% 20OR% 20% 22Illumina_670k% 22% 20OR% 20% 22Illumina% 202,5 ​​млн% 22% 20% 29) / исследования / ega
Секвенирование всего генома, Секвенирование всего генома 988, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22) & q1 = (% 22whole% 20genome% 22% 20OR% 20% 22whole% 20genome% 20sequencing% 22) / Studies / ega
 

 Категория, количество подкатегорий, URL
Случай, Случай 229, / search / ({! Присоединиться к% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22case% 22% 20OR% 20% 22diseased% 22) & q1 = (% 22случай% 22% 20ИЛИ% 20% 22болезнен% 22) / исследования / ega
Когорта, когорта 442, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22cohort% 22) & q1 = (% 22cohort% 22) / Studies / ega
Control, Control 358, / search / ({! Присоединиться к% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22control% 22) & q1 = (% 22control% 22) / Studies / ega
Семья, Семья 127, / search / ({! Присоединяйтесь к% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22family% 22% 20OR% 20% 22pedigree% 22% 20OR% 20% 22 генеалогия% 22) & q1 = (% 22 семья% 22% 20OR% 20% 22 родословная% 22% 20OR% 20% 22 генеалогия% 22) / Studies / ega
Продольный, продольный 56, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22Longitudinal% 22) & q1 = (% 22Longitudinal% 22) / Studies / ega
Близнецы, Близнецы 14, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22twins% 22) & q1 = (% 22twins% 22) / Studies / ega
 

.