Феномы: Genome, habitat and phenome — a summary overview.

Автор: alexxlab · Опубликовано 05.03.1981 · Обновлено 04.11.2021

Содержание

Звездное небо — 2020: главные космические феномены | Культура и стиль жизни в Германии и Европе | DW

Но сначала менее приятная новость: из Германии не удастся увидеть два солнечных затмения грядущего года: кольцеобразное 21 июня и полное 14 декабря. На территории России можно будет наблюдать солнечное затмение 21 июня, но лишь в южных широтах. И из четырех лунных затмений на территории Германии и России можно будет одновременно наблюдать только одно — полутеневое 10 января. Зато оно будет хорошо видно даже невооруженным глазом — Луна на 92 процента уйдет в полутень Земли.

Приятная новость заключается в том, что 2020 год богат на разные другие зрелищные астрономические события. Кроме того, он будет високосным, к радости определенной группы именинников.

Видимость планет

На протяжении всего года с Земли можно будет любоваться другими планетами Солнечной системы.

Весной на небе вечерней звездой воссияет Венера. Самая яркая после Солнца и Луны звезда на земном небосводе будет видна в ясную погоду даже днем.

В конце апреля Венера достигнет своего максимального великолепия и уйдет с вечерней сцены в конце мая, но уже в конце июня воссияет с новой силой на утреннем небосводе. Пика своей новой ослепительности Венера достигнет 10 июля и до конца года останется утренней звездой.

Луна, Венера, Марс и Спика

Марс можно будет наблюдать в начале года по утрам, а с июня — во вторую половину ночи. Особенно заметна Красная планета будет осенью: 14 октября Марс достигнет противостояния с Солнцем в созвездии Рыб и всю ночь будет виден на небосводе. Уже в первую неделю октября Марс максимально сблизится с Землей — разделять нас будут всего 62 миллиона километров. Четвертую от Солнца планету трудно будет не разглядеть в созвездии Рыб, по своей яркости Марс превзойдет даже Юпитер и будет сиять в вечернем небе до конца года.

Юпитер и Сатурн выйдут на небосклон весной. Сначала наблюдать их можно будет по утрам, а к июлю пребывание двух гигантов на небе растянется уже на всю ночь. В созвездии Стрельца они устроят гонку: в течение года более быстрый Юпитер догонит своего окольцованного соседа. 21 декабря планеты настолько сблизятся друг с другом, что создадут впечатление одной звезды. Встреча Юпитера и Сатурн называется большим соединением. Поскольку Юпитер совершает виток вокруг Солнца за двенадцать лет, а Сатурн за тридцать, видимое с Земли «объятие» двух гигантов происходит раз в двадцать лет.

Неуловимый Меркурий будет виден всего лишь несколько дней в году. Самая маленькая планета Солнечной системы достигает лишь небольших угловых расстояний от Солнца и обычно находится на дневном небе. В начале февраля и в конце мая есть шанс увидеть Меркурий на небе вечером, а конце июля и в середине ноября — на рассвете.

Путеводные звезды и метеоритные дожди

Путеводными звездами зимой 2020 года станут небесный охотник Орион и самая яркая звезда земного небосвода, ослепительный бело-голубой Сириус из созвездия Большого Пса. Почти в зените будет мерцать желтоватая Капелла в созвездии Возничего. Дополнят красоту зимнего ночного неба Альдебаран в созвездии Тельца и звездные скопления Гиады и Плеяды.

Весной на небосводе засияют созвездия Льва, Девы и Волопаса. Главные и самые яркие звезды этих созвездий — Регулус, Спика и Арктур — образуют весенний путеводный треугольник. Летний треугольник составят голубоватая Вега, Денеб и Альтаир — главные звезды созвездий Лиры, Лебедя и Орла. А осенью на ночном небе засияет Пегас, в правом верхнему углу которого начинается созвездие Андромеды с его одноименной галактической Туманностью, воспринимаемой с Земли как небольшое мутное облачко.

Метеоритный поток Персеиды

Любителям загадывать желание при виде падающей звезды следует запастись свободным временем в августе и ноябре 2020 года. До ста падающих звезд в час можно насчитать, наблюдая за метеорным потоком, который ежегодно появляется со стороны созвездия Персей. На этот раз Персеиды проявят наибольшую активность между 9 и 13 августа. В середине ноября ожидается пик метеорного потока Леониды.

Календарные факты

В начале 2020 года Солнце будет находиться в созвездии Стрельца.

Утром 5 января Земля пройдет со скоростью 30 километров в секунду через свой перигелий, то есть максимально приблизится к Солнцу. В перигелии расстояние от Земли до Солнца составляет 147,09 миллиона километров, что на 2,5 миллиона километра меньше, чем среднее.

Астрономические весна, лето, осень и зима начнутся в 2020 году соответственно 20 марта, 20 июня, 22 сентября и 21 декабря. Летнее время, несмотря на дискуссии о его отмене в Германии, сохранится и в 2020 году. Начнется летнее время 29 марта, а обратно часы будут переведены 25 октября. Пасха в Германии в 2020 году выпадает на 12 апреля, соответственно апогей карнавала — с 20 по 26 февраля.

Согласно григорианскому календарю 2020 год является високосным с 366 днями: февраль насчитывает 29 вместо 28 дней. По китайскому календарю, который насчитывает уже 4717 лет, это будет 37-й год 79-го цикла, начнется он 25 января и будет Годом Крысы. Исламский 1442 год начнется на закате 19 августа, то есть первым днем нового года будет 20 августа.

Аналогично еврейский 5781 год начнется с переходом с 18 на 19 сентября.

Смотрите также:

»Кровавая луна»: самое длительное лунное затмение XXI века
103 минуты
В XXI веке ожидается 225 лунных затмений, 85 из них будут полными. Однако затмение в ночь на 28 июля 2018 года останется самым длительным в этом столетии. Оно началось в 22.30 и завершилось в 0.13 мск, то есть длилось около 103 минут. Таким его увидели в швейцарских Альпах.
»Кровавая луна»: самое длительное лунное затмение XXI века
В десятках стран мира
За космическим феноменом следили жители десятков стран мира. Это запоминающееся явление можно было наблюдать — частично или полностью — в Европе, Азии, Африке, Австралии и Южной Америке. Лунное затмение — настоящий подарок для романтиков, таких как запечатленная на этом фото пара из Бразилии.
»Кровавая луна»: самое длительное лунное затмение XXI века
Почему «кровавая Луна»?
Во время затмения Луна, оказавшись полностью в тени Земли, окрасилась в багряно-красный цвет. Этот визуальный эффект связан с тем, что атмосфера нашей планеты пропускает солнечные лучи красно-оранжевой части спектра, отражая остальные. Поэтому, проходя по касательной к земной поверхности, Луны достигали лучи именно такого цвета. По этой же причине восход и закат окрашиваются в красный оттенок.
»Кровавая луна»: самое длительное лунное затмение XXI века
Не всем повезло с погодой
Самой большой неудачей в этот вечер могла стать непогода. Например, в Германии не повезло многим жителям таких федеральных земель, как Бранденбург, Саксония-Анхальт, Саксония и Тюрингия. Они увидели на вечернем небе лишь облака и тучи вместо лунного затмения. Облачно было и в Тель-Авиве (на фото), хотя Луну все же можно было разглядеть.
»Кровавая луна»: самое длительное лунное затмение XXI века
В центре Берлина
Над столицей Германии тоже было местами облачно. Но в самом центре Берлина покрасневший спутник Земли был отчетливо виден над Бранденбургскими воротами.
»Кровавая луна»: самое длительное лунное затмение XXI века
Над Хофкирхе в Дрездене
В Дрездене полюбоваться лунным затмением можно было, например, с такого ракурса. На фото — одна из статуй итальянского скульптора Лоренцо Матиелли на крыше известной церкви Хофкирхе.
»Кровавая луна»: самое длительное лунное затмение XXI века
Над Замком Гогенцоллерн
А вот так этой ночью багряно-красный диск висел над замком Гогенцоллерн в Хехингене на юге Германии. Этот замок считается родовым гнездом одноименной швабской династии, ее представители в XV-XVI веках стали правителями Бранденбурга и Пруссии, а в 1871 году заняли трон германских кайзеров.
»Кровавая луна»: самое длительное лунное затмение XXI века
Через 105 лет
Следующего столь продолжительного затмения Луны придется ждать очень долго. Оно произойдет лишь через 105 лет — в 2123 году. Тогда это космическое явление продлится около 106 минут.

Автор: Илья Коваль

AMD феномы

AMD феномы
Негізгі ақпарат

Іске қосылды	19 қараша, 2007 ж
Сатылатын	AMD
Жобалаған	AMD
Жалпы өндірушілер (лер)
Өнімділік
Макс. Орталық Есептеуіш Бөлім сағат жылдамдығы	1,8 ГГц — 2,6 ГГц
HyperTransport жылдамдық	1,6 ГГц-тен 2,0 ГГц-ке дейін
Сәулет және классификация
Мин. ерекшелік мөлшері	65 нм
Микроархитектура	K10
Нұсқаулық жиынтығы	MMX, SSE, SSE2, SSE3, SSE4a, x86-64, 3D! Енді!
Физикалық сипаттамалары
Өзектер
Розеткалар (лар)
Тарих
Алдыңғы	Athlon 64 X2
Ізбасар	Феном II Атлон II

Құбылыс болып табылады 64 бит AMD негізделген жұмыс үстелінің процессоры K10 микроархитектура,

[1] кейде AMD отбасылық 10 сағат деп атайды (10 он алтылық, яғни 16 ондық сандарда 16), кейде қате деп аталады «K10h».

Үш ядролы нұсқалар (кодпен аталды Толиман) Phenom 8000 сериясына және төрт ядроларға жатады (кодпен аталды) Агена) AMD Phenom X4 9000 сериясына. Отбасындағы алғашқы процессор 2007 жылы шыққан.

Фон

AMD төрт ядролы феномдарды бірінші «шынайы» төрт ядролы дизайн деп санайды, өйткені бұл процессорлар монолитті көп ядролы дизайн (бір кремнийдегі барлық ядролар), Intel сияқты емес 2-негізгі Төрт қатар, олар а көп чипті модуль (MCM) дизайны. Процессорлар қосулы AM2 + ұяшығы платформа.

[2]

Phenom-дің алғашқы нұсқасы шыққанға дейін кемшілік анықталды аудармаға арналған буфер (TLB) сирек жағдайларда жүйені құрсаулауға әкелуі мүмкін; Дейін құбылыс процессорлары қадам басу Бұл қате «B2» және «BA» әсер етеді. BIOS және бағдарламалық жасақтаманың шешімі TLB-ді өшіреді және әдетте кем дегенде 10% өнімділікке айыппұл төлейді.^[3] Бұл айыппұл шығарылымға дейінгі Phenom алдын-ала қарау кезінде ескерілмеген, сондықтан клиенттерге жеткізілген алғашқы Phenoms өнімділігі алдын ала қарау эталондарынан аз болуы мүмкін. «B3» қадамдық Phenom процессорлары 2008 жылы 27 наурызда TLB қатесіз және «xx50» модель нөмірлерімен шығарылды.

[4]

AMD еншілес компаниясы патчты шығарды Linux ядросы,^[5] қол жетімді және лас биттерді бағдарламалық жасақтама эмуляциясы арқылы осы қатені жою. Бұл әдіс алдыңғы уақыттық шешімдерге қарағанда өнімділіктің аз жоғалуын тудырады. Бағдарлама 2007 жылдың желтоқсанында «минималды функционалды тестілеуден» өтті деп айтылды.^[6]^[7]

AMD 2007 және 2008 жылдары Phenom процессорының бірнеше моделін шығарды және жаңартылды Феном II 2008 жылдың соңында.^[8]^[9]^[10]^[11]

Ерекшеліктер

CPU кестесінің мүмкіндіктері

Модельдік атау әдістемесі

Phenom процессорларының модельдік нөмірлері келесіден өзгертілді PR өзінен бұрын қолданылған жүйе AMD Athlon 64 процессор отбасы. Phenom моделін нөмірлеу схемасы, кейінірек шығарылған Athlon X2 процессорлары үшін төрт таңбалы модель нөмірі болып табылады, оның бірінші цифры отбасылық индикатор болып табылады. ^[12] Энергия үнемдеу өнімдері «е» суффиксімен аяқталады (мысалы, «Phenom 9350e»). Кейбір Sempron процессорлары LE префиксін қолданады (мысалы, «Sempron LE-1200»)

Серия нөмірі ^[13]
Процессор сериясы	Отбасылық индикатор
Phenom X4 төрт ядролы (Агена)	X4 9ххх
Phenom X3 үш ядролы (Толиман)	X3 8ххх
Athlon екі ядролы (Кума)	X2 7xxx / 6xxx
Атлон бір ядролы (Лима)	1
Семпрон бір ядролы (Спарта)	1

Өзектер

Phenom X4

Агена (65 нм SOI)

Төрт AMD K10 ядролар
L1 кэш: 64 КБ + 64 КБ^[14] (деректер + нұсқаулық) бір ядроға
L2 кэш: 512 КБ бір жылдамдыққа
L3 кэш: 2 МБ барлық ядролар арасында бөлінді
Жад контроллері: ажыратылымы жоқ қос арналы DDR2-1066 МГц
MMX, Кеңейтілген 3D! Енді!, SSE, SSE2, SSE3, SSE4a, AMD64, Салқын, NX бит, AMD-V
AM2 + ұяшығы, HyperTransport 1600-ден 2000 МГц-ге дейін
Қуатты тұтыну (TDP): 65, 95, 125 және 140 Ватт
Бірінші шығарылым
- 19 қараша, 2007 (B2 қадам)
- 27 наурыз, 2008 (B3 қадам)
Сағат жылдамдығы: 1800-ден 2600 МГц-ке дейін
Үлгілері: Phenom X4 9100e-ден 9950-ге дейін

Phenom X3

Толиман (65 нм SOI) AMD Phenom X3 8650 2,3 ГГц

Үш AMD K10 Агенадан жиналған ядролардың микросхемасы бір ядросы бар^[15]
L1 кэш: 64 КБ деректер және 64 КБ нұсқаулық бір ядроға арналған кэш
L2 кэш: 512 КБ бір жылдамдыққа
L3 кэш: 2 МБ барлық ядролар арасында бөлінеді
Жад контроллері: ажыратылымы жоқ қос арналы DDR2-1066 МГц
MMX, Кеңейтілген 3D! Енді!, SSE, SSE2, SSE3, SSE4a, AMD64, Салқын, NX бит, AMD-V
AM2 + ұяшығы, HyperTransport 1600-ден 1800 МГц-ке дейін
Қуатты тұтыну (TDP): 65 және 95 Вт
Бірінші шығарылым
- 27 наурыз, 2008 (B2 қадам)
- 23 сәуір, 2008 (B3 қадам)
Сағат жылдамдығы: 2100-ден 2500 МГц-ке дейін
Үлгілері: Phenom X3 8250e-ден 8850-ге дейін

Сондай-ақ қараңыз

Әдебиеттер тізімі

Сыртқы сілтемелер

Wikimedia Commons-та бұқаралық ақпарат құралдары бар AMD феномы.

Социально-психологические феномены

В психологии к социально-психологическим феноменам принято относить все те изменения в поведении человека, которые происходят под воздействием других людей — даже при одном их присутствии. Как правило, к разряду социально-психологических феноменов относят лишь многократно проверенные экспериментально закономерности, а не просто наблюдения и догадки. Социально-психологический феномен должен обладать некоторой устойчивостью: он характерен для людей разного возраста, социального статуса, разных социальных, в том числе этнических, групп.

Принято считать, что социально-психологические феномены стали изучаться после того, как в начале двадцатого века психолог Норманн Триплет, прогуливаясь в парке, заметил, что велосипедисты едут быстрее, если в парке есть люди (это объясняется тем, что велосипедисты были озабочены мнением окружающих о своих физических кондициях). Это положило начало серии экспериментов, в которых испытуемые занимались разными делами то наедине с собой, то в присутствии наблюдателей. Так родился вывод о том, что с механической, физически тяжелой работой человек справляется лучше, если на него смотрят, а с той, что требует творческих и интеллектуальных затрат, — без свидетелей.

На сегодняшний день выявлено огромное количество социально-психологических феноменов (разной степени полезности). Примеры:

— конформность,

— социальная фасилитация,

— социальная ингибиция,

— социальное давление,

— диффузия ответственности,

— групповая поляризация,

— эмоциональное заражение,

— социальная леность,

— ослабленное самосознание.

Аутгрупповой фаворитизм: Стратегия межгруппового поведения, основанная на тенденции благоприятствовать чужой группе (аутгруппе) в ущерб собственной (ингруппе). Противоположен ингрупповому фаворитизму.
Власть: Одно из ключевых понятий политической психологии, отражает ресурс влияния одних людей над другими. Имеется большое количество определений власти. Самое общее, данное Б. Расселом, гласит: «Власть — достижение намеченного эффекта».
Групповая идентификация: Отождествление себя с обобщенным образом члена какой-либо социальной группы или общности, за счет которого происходит принятие, часто некритическое, ее целей и ценностей.
Групповое мышление: Стиль мышления людей, которые полностью идентифицируют себя с конкретной социальной группой. При этом создается ситуация, когда единомыслие становится большей ценностью, чем следование логике и рациональному выбору решений.
Деиндивидуализация: Социально-психологический феномен — утрата индивидами самосознания и самобытности; возникает в групповых ситуациях, которые гарантируют анонимность и не концентрируют внимание на отдельном человеке.
Ингрупповой фаворитизм: Стремление каким-либо образом благоприятствовать членам собственной группы в противовес членам другой группы.
Коллективное мышление: Социально-психологический феномен: должным образом замотивированная социальная группа и при определенной организации ее работы способна на интеллектуальные прорывы, которые не может обеспечить индивидуальное мышление.
Культурный шок: Состояние социальной изоляции, тревоги и депрессии, развивающееся при внезапном изменении среды обитания (попадание в условия чуждой культуры или возвращение к своей после длительного перерыва) или вынужденной необходимости приспосабливаться к различным традициям и устоям общества. Состояние часто встречается среди иммигрантов, но может развиваться и при радикальных изменениях общества.
Сдвиг риска: Понятие социальной психологии, обозначающее более высокий уровень рискованности действий, на которые решается группа, в сравнении с действиями отдельных ее членов, выступающих автономно.
Социальная ингибиция: Социально-психологический феномен, заключающийся в снижении производительности деятельности, ее скорости и качества, когда она совершается в присутствии других людей.
Социальная фасилитация: Социально-психологический феномен, заключающийся в повышении производительности деятельности, ее скорости и качества, когда она совершается или просто в присутствии других людей, или в ситуации соревнования.
Социальное доказательство: Признание истинности или ложности того или иного суждения без опоры на собственный аппарат критического мышления, но с учетом общественного мнения.
Теорема Томаса: Социально-психологический феномен, заключающийся в том, что если человек определяет ситуацию как реальную, то ситуация станет реальной по своим последствиям.
Физиогномическая редукция: Феномен социального восприятия, основанный на существовании в каждой культуре специфических эталонов для восприятия и оценки внешности другого человека, позволяющих интерпретировать его как определенный тип личности.
Хоторнский эксперимент: Феномен социальной психологии. Проведенный специалистами Гарвардского университета (Э. Мэйо и др.) эксперимент на предприятии Вестерн электрик в Хоторне показал, что рост производительности труда может быть связан с установлением нормального общения между работниками.
Эффект Рингельмана: Феномен социальной психологии, состоящий в том, что по мере увеличения численности группы индивидуальный вклад в коллективную работу уменьшается.
Эффект наглядности: Особенность принятия решения, характеризующаяся переоценкой вероятности события в том случае, если человек уже имел с ним дело и может вспомнить из своего опыта соответствующие примеры, особенно при их яркой эмоциональной окрашенности.

См. также

Социальная психология

RSS [email protected]

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:

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.
Удаление старой краски. После нагрева краска пузырится и легко отстает от поверхности. Но использование скребка не исключается. (Только на свежем воздухе)
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.
Изгиб, формовка пластмассовых деталей. Правильно подобрав температуру и время нагрева, легко изгибается почти любая пластмасса.
Пайка пластмассовых изделий. Изготовить заплату и герметично запаять, главное, чтобы типы пластмассы были схожи. Сюда же относится и ремонт пластиковых автомобильных бамперов.
Снятие, приклейка автомобильной шумовиброизоляции.
Термодувка поможет оттаять примерзшие колодки авто, быстро оттаять стекла, удалить запотевание.
Реставрация пластмассовых деталей, (удаление царапин). Если прогреть поцарапанную пластмассовую деталь, она приобретет первоначальный глянец.
Сварка и резка линолеума. (Требуется специальная насадка)
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.
Прогрев чипов видеокарт, материнских плат, сотовых телефонов. Немного тренировок и мне удалось восстановить несколько видеокарт и устранить артефакты.
Усадка термоусадочных трубок. Усадка ПЭТ ленты (лены из пластиковых бутылок).
Выравнивание небольших вмятин на автомобиле. (Требуется опыт).
Укладка, снятие рулонной гидроизоляции (типа рубероида).
Сгибать, разгибать, сваривать трубы ПНД.
Приклеивание декоративной мебельной кромки.
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.
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).
Расклеивание, демонтаж деталей. Например, резиновый клей размягчается при нагреве и разъединить детали значительно легче.
Если необходимо склеить большие поверхности термоклеем, а клеевой пистолет не справляется — термовоздуходувку в помощь.
Размораживание замерзших водопроводных, канализационных труб, замков и механизмов.
Обработка деревянных изделий и ламината воском или парафином. (Вощение обуви)
Развинчивание неразвинчиваемого. После прогрева пары «Болт-Гайка» и резкого охлаждения (водой, льдом), развернутся значительно легче.
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).
С его помощью можно растянуть обувь.
Удалить загрязнения с металлических, керамических поверхностей. Их можно просто отжечь феном.
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.
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.
Также сделать горячие бутерброды, расплавить сыр. Использовать для карамелизации поверхностей блюда.
Если пристыковать его к большой кастрюле с крышкой, чтобы в ней воздух гонялся по кругу, получится аэрогриль. На даче, например, почему нет? (Чистая теория).
С его помощью возможно испечь безе, приготовить попкорн, обжарить кофе, даже поджарить шашлык (мясо только быстро сохнет).
Для рыбаков может быть полезен, в плавлении свинца, изготовление разного вида грузил и мормышек.
Если аккуратно нагреть битумные брызги на лакокрасочном покрытии автомобиля или дисках, битум будет легко удалить.
Использовать в химической лаборатории, для ускорения прохождения химических реакций.
Обеззараживать клетки домашних животных, кроликов, птицы, хомячков, попугаев, пчелиные ульи и т.д.
Стерилизация. Вполне возможно стерилизовать стеклянные банки перед заготовками на зиму, также и стерилизуются инструменты.
Обработать деревянные детали от насекомых, плесени и грибка.
С помощью промышленного фена удобно удалить рекламные наклейки, ценники, этикетки.
Обработка края синтетических тканей от осыпания, так же запайка концов обрезанной веревки.
Поможет в борьбе с клопами, прогреваются возможные места обитания (швы в диванах кроватях и.т.д.
Распечатать пчелиные соты при помощи строительного фена.
Выдуть пыль из компьютера на самой низкой температуре, максимальном потоке и узкой насадке. (Рекомендую делать только на открытом воздухе).
Изготовление декоративных свечей.
Снятие старых обоев с бетонных стен.
Если необходимо использовать двухсторонний скотч, прогрейте места приклейки и сам скотч феном, скотч будет держать намного крепче.
Существуют специальные насадки для резки материалов, типа пенопласта.
Нанесение эффекта старения на разные материалы и изделия.
Изготовление декоративной штукатурки типа «Венецианская штукатурка». (С эффектом растрескивания).
Термопистолет выручит в формовке древесины, проявления древесного узора и структуры. Старение дерева (браширование).
В большей степени заменяет многие функции газовой горелки и паяльной лампы. (Только более безопасен).
Фен технический поможет в настройке терморегуляторов.
Сварка синтетических пленок из однородного материала.
Быстрая сушка обуви.
Размягчение густых смазочных материалов. Нанесение смазки на лыжи.
Даже сможете прикурить, если нет огня под рукой. (Не советую, вредно это — курить)
Помог строительный фен быстро разморозить холодильник.
Профессиональный фен поможет в ремонте садового шланга.
Откалить сталистую проволоку.
Приклейка тонировочной пленки на автомобиль.
Поможет в реставрации ванны (нанесение жидкого акрила).
Фен технический выручит в экстренной сушке носков.
Использовать в удалении сорняков, выросших между тротуарных плиток.
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.
Да просто согреться или согреть ноги ребенку после зимней прогулки. (Только, пожалуйста, без фанатизма).
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.
Вернуть блеск, старой мебели (Прогреть поверхность и пропитать её пчелиным воском).
Часто будет необходим в ремонте автомобиля. Установка подшипников, сайлентблоков.
Чтобы не сломать пластиковые защелки, фиксаторы. Прогрейте их и они разщелкнутся легче и безопаснее.
За ламинировать и разламинировать документы.
Натянуть натяжной потолок с помощью обычного термофена.
Нагревать посадочные места до, нужной температуры, во время установки подшипников.
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+

Феномены в Санкт-Петербурге 2021, афиша и билеты | 29 ноября 2021 — 16 декабря 2021

ФЕНОМЕНЫ

Режиссёр-постановщик — А. Синотов
Художник-постановщик — В. Майоров
Хореограф — И. Ляховская
Музыкальное оформление — А. Синотов
Художник по свету — В. Емельяненко

Роли исполняют: А.Федорцов, А.Носков, О.Базилевич, А.Васильев, С.Сафронов|А.Гульнев, А.Аверков|С.Куницкий, М.Семёнова|Н. Тарыничева

Действие этой доброй и смешной комедии происходит в Москве накануне Олимпиады. Город замер в ожидании важного спортивного события… Тем временем по приглашению научного журнала в столицу приезжают трое «феноменов» — людей с экстраординарными способностями. Один из них видит сквозь стены, другой передвигает предметы силой взгляда, а третий читает чужие мысли! Конечно, вскоре выясняется, что двое из них — не совсем уж такие уникумы… Но важнее другое. Ведь в нашем мире способность бескорыстно любить другого человека — это куда больший дар, чем умение взглядом перемещать по столу спички…

Как и во всех пьеса Григория Горина, в комедии «Феномены» есть и тонкий юмор, и удивительная простота, и глубокое понимание сложной природы человека. Спектакль поставлен замечательным комедийным режиссером Александром Синотовым, а главные роли в нем исполняют блистательные актеры, любимцы публики.

Продолжительность: 3 часа. Спектакль «Феномены» идёт с одним антрактом.

Фото и видео

Организатор мероприятия:	СПб ГБУК «Театр Эстрады имени Аркадия Райкина»
ИНН/ОГРН:	7841409683/-
Юридический адрес:	191186, Санкт-Петербург, реки Мойки наб., д. 40

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

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

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

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

CAS Статья Google ученый

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

Жернакова А., Ван Димен К. и Вейменга К. Выявление общего патогенеза на основе общей генетики иммунных заболеваний. Nat. Преподобный Жене. 10 , 43–55 (2009). В этом обзоре подчеркивается общее влияние генетических вариантов на аутоиммунные заболевания.

CAS Статья Google ученый

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).

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

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

CAS Статья Google ученый

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

Hindorff, L.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

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

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

Stearns, F. W. Сто лет плейотропии: ретроспектива. Генетика 186 , 767–773 (2010).

CAS PubMed PubMed Central Статья Google ученый

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

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

CAS Статья Google ученый

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

CAS Статья Google ученый

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

Пендерграсс, С. 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

Hebbring, S.J. Проблемы, преимущества и будущее исследований ассоциаций в масштабе всего феномена. Иммунология 141 , 157–165 (2014).

CAS PubMed PubMed Central Статья Google ученый

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

Артикул CAS Google ученый

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

CAS PubMed PubMed Central Статья Google ученый

Veyrieras, J. 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

Пай, А.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

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

CAS PubMed PubMed Central Статья Google ученый

Дегнер, Дж.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

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

CAS Статья Google ученый

Wu, L. et al. Вариации и генетический контроль обилия белка у людей. Природа 499 , 79–82 (2013).

CAS PubMed PubMed Central Статья Google ученый

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

Nicolae, D. 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

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

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

CAS PubMed PubMed Central Статья Google ученый

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

CAS Статья Google ученый

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

CAS Статья Google ученый

Буш, У. С. и Мур, Дж.H. Глава 11: полногеномные ассоциации исследований. PLoS Comput. Биол. 8 , e1002822 (2012).

CAS PubMed PubMed Central Статья Google ученый

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

Артикул Google ученый

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

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

CAS Статья Google ученый

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

CAS Статья Google ученый

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

CAS Статья Google ученый

Banda, Y. et al. Характеристика расы / этнической принадлежности и генетического происхождения для 100 000 субъектов в когорте генетических эпидемиологических исследований здоровья и старения взрослых (GERA). Генетика 200 , 1285–1295 (2015).

PubMed PubMed Central Статья Google ученый

Квале, М.N. et al. 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

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

McCarty, C. et al. 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

Ричи, М.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

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

PubMed PubMed Central Статья Google ученый

Ричи, М.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

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

Turner, S. 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

Кулло, И.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

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

Артикул Google ученый

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 взаимодействий генов окружающей среды в контексте болезней человека.

CAS PubMed PubMed Central Статья Google ученый

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

Артикул Google ученый

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

CAS Статья Google ученый

Денни, Дж.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

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).

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

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

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

CAS Статья Google ученый

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

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

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

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

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

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

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

PubMed PubMed Central Статья Google ученый

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

Пирс, Б. Л. и Ахсан, Х. Сканирование плейотропии 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

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

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

Артикул Google ученый

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

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

Кэрролл, Р. Дж., Бастараче, 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

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

Matise, T.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

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

PubMed PubMed Central Статья Google ученый

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

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

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

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

CAS Статья Google ученый

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

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

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

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

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

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

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

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

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

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

Артикул Google ученый

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

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

Eriksson, N. et al. 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

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

CAS PubMed PubMed Central Статья Google ученый

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

CAS Статья Google ученый

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

CAS Статья Google ученый

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

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

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

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. Hum. Genet. 133 , 95–109 (2014).

Артикул Google ученый

101

Namjou, B. et al. Исследование ассоциации по всему феномену (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, E.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. Э., 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

Wiley, L. K., Shah, A., Xu, H. & Bush, W. S. Коды употребления табака в МКБ-9 являются эффективными идентификаторами 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 электронных медицинских записях. J. Am. Med. Сообщить. Доц. 20 , e334 – e340 (2013).

PubMed PubMed Central Статья Google ученый

117

Peissig, P.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

Yu, S. et al. 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 недостающих 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 — 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 выявлению, 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 лечения взрослых III). Заключительный отчет. 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 дорожного 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

Патель, К., Чен, Р., Кодама, К., Иоаннидис, Дж. И Батт, А. Систематическая идентификация эффектов взаимодействия между ассоциациями генома и окружающей среды при сахарном диабете 2 типа. Hum. Genet. 132 , 495–508 (2013).

CAS PubMed PubMed Central Статья Google ученый

142

Патель, К. Дж. И Манрай, А. К. Разработка глобусов корреляции экспосомов 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. Cell 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. Заражение открытого форума. 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. Изучите информационные бюллетени, советы по вопросам сообщества и этики, а также обсуждения в фокус-группах, которые 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. Hum. 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 BioNLP 2011 Workshop [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. Hum. 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, Ю., 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 Precision Medicine (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

Hudson, K. L. & Collins, F.С. Введение общего правила в 21 век. N. Engl. J. Med. 373 , 2293–2296 (2015).

PubMed PubMed Central Статья 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 состоит 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, недавняя работа показывает, что феномены животных становятся популярными и в зоотехнике, например, [9,10,11,12], и это отражено в общественных инициативах, таких как Инициатива сельскохозяйственных геномов и феномов Министерства сельского хозяйства США AG2PI (https: // www.ag2pi.org/).

Новшество в высокопроизводительном фенотипировании популяций сельскохозяйственных животных происходит с двух сторон: (1) можно определять и измерять 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. В этой заметке основное внимание 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 признаки 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 множеством признаков могут использоваться для получения племенной ценности для 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 у видов 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 в индивидуальные поведенческие данные (w и y). b Существующие данные по геномике и феноменам можно интегрировать с поведенческими фенотипами. c Классические модели геномной оценки сосредоточены на анализе нескольких признаков 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 множества 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.

Эффективность корма

Эффективность корма в значительной степени определяет затраты на эксплуатацию 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.

Новый взгляд на традиционные фенотипы

Сенсорная технология позволяет измерять новые фенотипы, но также нарушает 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 может быть точно измерен с помощью трехмерного изображения [17], или признаки конформации могут быть измерены по изображениям [26].Эти устройства 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 оказаться 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 и надежная идентификация животных — не решенная проблема. 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 разведению 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 разные, 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 интенсивности 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 автоэнкодеры (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

Еще один 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 обеспечить 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 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 из кода Дж. Вандерпласа (https://scikit-learn.org/stable/auto_examples/manifold/plot_compare_methods.html)

Наказание относится к установке ограничений на переменные, чтобы избежать коллинеарности и проблем с переобучением 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 заключается 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 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], этот термин изначально был 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 снижена, а неоднородность условий окружающей среды может возрасти. Однако систематическая ошибка может быть гораздо более серьезной опасностью, чем ошибка, поскольку 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 реальных или поддельных изображениях 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, допускающая свободный выгул или, по крайней мере, перемещение 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, Хаусдорфа, Евклида 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 феномене, 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) намного 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 взаимосвязи 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, основная 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 себе, что будущие схемы селекции с помощью феноменов смогут моделировать ожидаемые сложные фенотипы в диапазоне потенциальных условий окружающей среды для каждого целевого генотипа.

Инициатива «Сельскохозяйственный геном — феном» (AG2PI)

Закон о сельском хозяйстве 2018 года предписывает NIFA создать новую конкурсную программу 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, занимающихся выращиванием сельскохозяйственных культур и животных. заложит основу для расширения знаний о геномах и важных феноменах. в сельскохозяйственный сектор США.

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

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

Изучение сельскохозяйственных культур и животных в производственных условиях для достижения устойчивого и безопасного сельскохозяйственного производства;
Обеспечить заполнение существующих пробелов в существующих знаниях о генетике и феномене сельскохозяйственных культур и животных;
Идентифицировать и развить функциональное понимание соответствующих генов животных и агрономически значимых генов сельскохозяйственных культур, которые имеют важное значение для сельскохозяйственного сектора США;
Обеспечить будущее генетическое улучшение сельскохозяйственных культур и животных, важных для сельскохозяйственного сектора США;
Изучить значимость разнообразной зародышевой плазмы как источника уникальных генов, которые могут иметь важное значение в будущем;
Улучшение генетики для снижения экономического воздействия патогенов на сельскохозяйственные культуры и животных, имеющих важное значение для сельскохозяйственного сектора США; и
Распространение результатов среди соответствующих аудиторий.

Партнерства

Тип программы:

Грантовая программа

Ресурсы

Внешние ресурсы

Связанная информация

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 и окружающей среды, 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 основных 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 в 2015 году профинансировал Координационную сеть исследований генома и фенома животных (AG2P RCN, https://ag2p.net). 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 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 изучения 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 были посвящены недавнему прогрессу в увязке фенотипической пластичности с изменениями на уровне генома, эпигенома и протеома, одновременно 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, согласно которой 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 приводящие к фенотипическим изменениям, 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 феноменами 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 митонуклеарными несогласованностями. Greimann et al. (2020) объединяют клеточные, физиологические и поведенческие подходы для количественной оценки вариаций митохондриальной функции в разнообразном наборе диких линий P. antipodarum , демонстрируя использование этой модели для анализа фенотипических вариаций, возникающих 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) восстанавливаются в каждом слое между разными участками и островами.

В другом месте этого тома 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 анадромной 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 иллюстрируют, 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 представленной здесь работе 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 окислительный энергетический метаболизм, 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 применили Camoco для кукурузы ( Zea mays ), продемонстрировав, что этот подход можно обобщить для любых видов с соответствующими данными по экспрессии генов, даже для тех, у которых 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, имеют ли такие виды, как пурпурный морской еж, Strongylocentrotus purpuratus , достаточные генетические вариации, чтобы дать адаптивные явления, которые могут выживать и расти в условиях закисления океана, которые могут быть связаны с глобальным изменением климата. Гаррет и др. (2020) вырастили личинок S. purpuratus в статических и переменных уровнях умеренного и экстремального pH, затем измерили 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 наблюдали Гарретт 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 молекулярной биологии, омике и системном / сетевом анализе 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 в общих чертах ключевые аспекты выделения, культивирования и проведения механистических экспериментов с клетками морских млекопитающих в условиях, имитирующих in vivo состояний.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 немодельных организмов на уровне генома и организма.

Подтверждая необходимость исследования 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 демонстрируя 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 нокаутов 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.В результате 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-феном.Основными темами дискуссии были постоянная 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.

Направления будущего

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 данных, обработка и хранение. 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 учесть 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 спикеры симпозиума «Наведение мостов от генома к феному» 2020 года.Слева направо: Курт Гаст, Дон Майклес, Дэвид Дурика, Алекс Мауро, Джонатон Ли, Мелисса Песпени, Роб Шефер, Карен Бернетт, Джастин Хэвирд, Кэмерон Галамбор, Скотт Сантос, Кэт Миллиган-Майхр, 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-1927470) 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

Бернетт

кг

Дурика

Майклес

Стиллман

Schmidt

CJ.

2020

Рекомендации по продвижению исследований генома к феномену немодельных организмов

Интегр Комп Биол

60 (DOI: 10.1093 / icb / icaa059).

Карнейро

Lyko

2020

Быстрая эпигенетическая адаптация животных и ее роль в инвазивности

Integr Comp Biol

(DOI: 10.1093 / icb / icaa023).

Garrett

Бреннан

Steinhart

Пеллетье

Песпени

MH.

Предстоящий 2020 год.

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

Интегр Комп Биол

Грейманн

Палата

Woodell

Хеннесси

Клайн

Морено

Петерс

Montooth

Нейман

Шарбро

Дж.

2020

Фенотипические вариации митохондриальной функции в популяциях новозеландских улиток

Integr Comp Biol

(DOI: 10.1093 / icb / icaa066).

Порыв

Luo

2020

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

Integr Comp Biol

(DOI: 10.1093 / icb / icaa064).

Хоффман

Зейтц

KWS

Гарвард

Weese

Сантос

SR.

Предстоящий 2020 год.

Фенотипическая сопоставимость, обусловленная генотипической изменчивостью среди физически структурированных микробных консорциумов

Интегр Комп Биол

Айверсон

Nix

Abebe

Havird

JC.

Предстоящий 2020 год.

Температурные реакции в биологических показателях различаются на разных уровнях организации

Интегр Комп Биол

Киршман

Хаджинова

Ирландия

Миллиган-Майре

К.

Предстоящий 2020 год.

Воздействие кишечного патогена на ранних этапах жизни влияет на развитие органов трехиглой колюшки, выращенной в стерильных условиях

Интегр Комп Биол

Лам

Шестигранник

кН

Торрес-Веларде

Vazquez-Medina

JP.

Предстоящий 2020 год.

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

Интегр Комп Биол

Ли

Дж

Кюльц

Д.

2020

Протеомика осморегуляторных реакций жабр трехиглой колюшки

Integr Comp Biol

(DOI: 10.1093 / icb / icaa042).

Мауро

Галамбор

СК.

2020

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

Интегр Комп Биол

Майклес

Бернетт

кг

Дурика

Джойс

Маккарти

Шмидт

Стиллман

JH.

2016

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

Интегр Комп Биол

1183

—

Шефер

Каллен

Дж

Манфреди

Дж

McCue

ME.

Предстоящий 2020 год.

Функциональные контексты сетей коэкспрессии жировой и ягодичной мышечной ткани у домашних лошадей

Интегр Комп Биол

Шефер

Михно

J-M

Джефферс

Дж

Hoekenga

Дилкес

Бакстер

Майерс

CL.

2018

Интеграция сетей коэкспрессии с GWAS для определения приоритета причинных генов кукурузы

Plant Cell

2922

—

Швенк

Падилья

Баккен

Полный

RJ.

2009

Грандиозные вызовы биологии организмов

Интегр Комп Биол

—

Вестерман

Bowman

SEJ

Дэвидсон

Дэвис

Ларсон

Сэнфорд

К.

2020

Развертывание больших данных для взлома генотипа до кода фенотипа

Integr Comp Biol

(DOI: 10.1093 / icb / icaa055).

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

Обзор

‹Open Phenome Project — MIT Media Lab

Целью этого проекта является создание цифровой библиотеки с открытым исходным кодом с наборами открытых данных, которые перекрестно связывают фенотипический ответ растений (вкус, питание и т. Д.) С переменными окружающей среды, биологическими переменными, генетическими переменными и ресурсами, необходимыми для выращивания (исходные данные ). В то время как растения могут быть изменены генетически для получения различных или более желательных признаков, растения с одинаковой генетикой могут естественным образом различаться по цвету, размеру, скорости роста текстуры, урожайности, вкусу и плотности питательных веществ в зависимости от условий окружающей среды, в которых они выращиваются.

Каждый конкретный набор условий можно рассматривать как «климатический рецепт», который дает уникальные фенотипические результаты. По мере того как пользователи экспериментируют с новыми рецептами климата, их входные данные и фенотипические результаты будут записываться и храниться на цифровой платформе с открытым исходным кодом, чтобы их можно было мгновенно совместно использовать, заимствовать, масштабировать и улучшать по всему миру.

Phenome Health запускается в продажу

Сиэтл, 7 октября 2021 г. / PRNewswire / — Лерой Худ, М.D., доктор философии, генеральный директор-основатель Phenome Health, старший вице-президент и руководитель службы безопасности Providence St. Joseph Health, а также директор по стратегии и профессор Института системной биологии публично объявили о создании проекта Phenome Health and Beyond the Human Genome. (BHG).

Phenome Health — это некоммерческая организация, созданная для продвижения научного и основанного на данных подхода к оптимизации здоровья мозга и тела людей. В рамках проекта BHG будут проанализированы данные о продольном феномене, чтобы создать возможности, выходящие за рамки тех, которые возникают в отдельном геноме.Феномен человека включает в себя все продольные измерения на людях, за исключением геномных данных. Этот проект будет анализировать геномы и феномены одного миллиона человек в США за десять лет, чтобы оптимизировать здоровье человека.

«Мы осуществим самый масштабный сдвиг парадигмы в истории здравоохранения — от сосредоточения внимания на болезнях к сосредоточению внимания на здоровье и профилактике — с целью значительного улучшения показателей здоровья, снижения затрат на здравоохранение», — сказал генеральный директор Phenome Health Ли Худ, доктор медицинских наук., Кандидат наук.

Ральф Снайдерман, доктор медицины, почетный канцлер Университета Дьюка, добавил: «Система здравоохранения начинает трансформацию с ее ориентации на лечение существующих заболеваний на улучшение здоровья, профилактику заболеваний и увеличение продолжительности жизни. Проект BHG будет иметь решающее значение для развития инфраструктуры, знания и инструменты, которые позволят осуществить следующую трансформацию в здравоохранении ».

Начальник отдела кадров и стратегических партнерств Phenome Health Роберт Ли Килпатрик, доктор философии, подчеркивает, что «широкий спектр партнерских отношений может быть налажен между филантропами и фондами, а также технологическими компаниями, находящимися на переднем крае машинного обучения и разработки лекарств.«

Мишель Энн Уильямс, доктор наук, декан факультета Гарвардского университета T.H. Школа общественного здравоохранения Чана заявляет: «Этот проект обещает охватить разнообразие населения США и уделять приоритетное внимание интеграции и справедливости в нашей системе здравоохранения. Применение научных знаний о благополучии и профилактике к здоровью недостаточно представленных групп населения находится в авангарде этой инициативы. »

Это важный научный проект с важными социальными целями по улучшению здоровья всех людей в Америке.Этот новый взгляд на здравоохранение должен быть прогнозирующим, профилактическим, персонализированным и основанным на участии (медицина P4). Четвертый P, совместный для пациентов и врачей, является самой большой проблемой из всех. Такой подход поможет противостоять основным вызовам современного здравоохранения — качеству, стоимости, старению населения и стремительно развивающимся хроническим заболеваниям.

Этот подход обеспечивает новые мощные решения для каждой из четырех основных проблем современного здравоохранения — качества, стоимости, старения населения и стремительного роста хронических заболеваний.Джордж Черч, доктор философии, профессор генетики в Гарвардской медицинской школе, пришел к выводу, что «Учитывая экспоненциальное повышение стоимости и качества чтения наших геномов, пришло время применить эти знания в медицинской практике и запустить проект по проверке преимуществ. более миллионов пациенто-лет «.

Для получения дополнительной информации посетите наш веб-сайт www.phenomehealth.org.

Контактное лицо:
Роберт Ли Килпатрик, доктор философии,
Phenome Health
C: +1 831 239 1402
W: +1 831 464 8738
[электронная почта защищена]

Медиа
Тони Руссо Ph.Д.,
ООО «Руссо Партнерс»
[адрес электронной почты]
(212) 845 4251

ИСТОЧНИК Phenome Health

Ссылки по теме

http://www.phenomehealth.org

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 помощью SomaLogic SOMAscan, по 10,6 млн вмененных генетических вариантов в 3301 выборке.

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% 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 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 457, / 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 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 121, / 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% 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% 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 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 208, / 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 1875, / 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% 22 карцинома% 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) / исследования / ega
Рак, Центральная нервная система 77, / 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 / прямой кишки 168, / 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 182, / 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% 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% 22kidney% 22% 20OR% 20% 22renal% 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 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% 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 140, / 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% 22leukemia% 22% 20OR% 20% 22leukemia% 22% 20OR% 20% 22lymphoma% 22% 29AND% 28% 22lung% 22% 29) / исследования / ega
Рак, лимфатическая система 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% 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% 22 карцинома% 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 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% 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, Окуляр 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% 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 83, / 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% 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% 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% 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 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 73, / 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% 22 карцинома% 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% 22stomach% 22% 20OR% 20% 22gastric% 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% 20ИЛИ% 20% 22 желудочный% 22% 29) / исследования / напр.
Рак, матка 14, / 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 176, / 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% 22 коронарный% 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% 20ИЛИ% 20% 22холестерин% 22% 20ИЛИ% 20% 22 ожирение% 22) / исследования / ega
Сердечно-сосудистая система, Гипертония 27, / 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 183, / 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 30, / 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 54, / 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 49, / 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 84, / 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 14, / 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 34, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28metagenom% 2A% 20OR% 20microbiom% 2A% 29% 20AND% 20NOT% 20% 28Аутоиммунный% 20OR% 20Ревматоидный% 20OR% 20артрит% 20OR% 20склероз% 20OR% 20% 28Анкилозирующий% 20AND% 20спондилит% 29% 20OR% 20анемия% 20OR% 20Пернициозный% 20OR% 20астма% 20OR% 20OR% 20OR% 20ИЛИ воспалительный процесс 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% 20 шизофрения% 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% 28O лейкемия 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% 2А% 29) / исследования / ega
Другое, без классификации 1643, / 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 НЕТ% 20% 28 Сердечно-сосудистые% 20 ИЛИ 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% 20Influpous% 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 1717, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 2A% 29% 20AND% 20NOT% 20% 28Autoimmune% 20OR% 20 Ревматоид% 20OR% 20артрит% 20OR% 20склероз% 20OR% 20% 28 Анкилозирующий% 20AND% 20спондилит% 29% 20OR% 20анемия% 20OR% 20Пернициозный% 20OR% 20астма% 20OR% 20lupus% 20OR% 20 Воспалительный% 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% 20сердце% 20OR% 20гипертония% 20OR% 20гиперхол% 2A% 20OR% 20холестерин% 20OR% 20 ожирение% 20OR% 20диабет 20OR% 20 инсулин% 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% 20neurodegenerative% 20OR% 20parkinson% 20OR% 20alzheimer% 20OR% 20huntington% 20OR% 20sclerosis% 20OR% 20bipolar% 20OR% 20Schizophrenia% 20OR% 20OR% 20 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% 20 ожирение% 20OR% 20 диабет% 20OR% 20 инсулин% 20OR% 20Ischaem% 2A% 20OR% 20Ischem% 2A% 2 0OR% 20Дислипидемия% 20OR% 20CHD% 29% 20AND% 20NOT% 20% 28Infectious% 20OR% 20hypersens% 2A% 20OR% 20hepatitis% 20OR% 20retrovirus% 20OR% 20HIV% 20OR% 20AIDS% 20OR% 20tuberculosis% 20OR% 20malaria% 20AND% 20NOT% 20% 28neuro% 2A% 20OR% 20 neurodegenerative% 20OR% 20parkinson% 20OR% 20alzheimer% 20OR% 20huntington% 20OR% 20sclerosis% 20OR% 20bipolar% 20OR% 20schizophrenia% 20OR% 20autism% 29% 20AND% 20 28алкоголь% 2А% 20ИЛИ% 20кокаин% 2А% 29) / исследования / напр.

 Категория, количество подкатегорий, URL
Epigenetics, AB SOLiD 2, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22метилирование% 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% 22метилирование% 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_SNPymetrix6 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
Эпигенетика, эпигенетика 318, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22methylation% 22% 20OR% 20% 22epigenetics% 22) & q1 = (% 22метилирование% 22% 20ИЛИ% 20% 22эпигенетика% 22) / исследования / напр.
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 294, / 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_SNPymetrix6 22% 20OR% 20% 22Affymetrix% 20snp% 206.0% 22% 20OR% 20% 22ffyemtrix% 206,0% 22% 29) / Studies / ega
Секвенирование экзома, Agilent Genotyping Array 125, / 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 1126, / 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 417, / 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 38, / 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 916, / 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% 20OR 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 = (% 22gaws% 22% 20OR% 20% 22gwas% 22% 20OR% 20% 22genome% 20wide% 22% 20OR% 20% 22gaws% 22) / Studies / ega
GWAS, Illumina Genome Analyzer II 2, / 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% 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 / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 Genomewide% 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 487, / 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% 22phenotype% 22% 29AND% 28% 22Illumina% 20Genome% 20Analyzer% 22% 29) & q1 = (% 28% 22genotype% 22% 20OR% 20% 22genotyping% 22% 20OR% 20% 22phenotype% 22% 29AND % 28% 22Иллюмина% 20Геном% 20Анализатор% 22% 29) / исследования / ega
Генотипирование, Illumina HiSeq 2000 33, / 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% 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
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 453, / 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% 22 повторное секвенирование% 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% 20OFFYV2% 20% 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% 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 25, / 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 % 22пересеквенирование% 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% 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% 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 106, / 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 646, / 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 786, / 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 одной клетки, Agilent Genotyping Array 3, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 28% 22 single-cell% 22% 29AND% 28 % 22Agilent% 22% 29) & q1 = (% 28% 22 single-cell% 22% 29AND% 28% 22 Agilent% 22% 29) / Studies / ega
Секвенирование одной клетки, 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 16, / 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 264, / 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 281, / 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 266, / 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 26, / 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 939, / 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-% 20Твердый% 22% 20ИЛИ% 20% 22Агилентный% 22% 20ИЛИ% 20% 22Аффимтрикс% 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 1070, / 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, анализатор 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 311, / 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 864, / 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 1012, / 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
Кейс, Кейс 235, / search / ({! Присоединяйтесь к% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22case% 22% 20OR% 20% 22Disased% 22) & q1 = (% 22случай% 22% 20ИЛИ% 20% 22болезненный% 22) / исследования / ega
Когорта, когорта 452, / search / ({! Join% 20from% 3Ddataset_studies% 20to% 3Did% 20v% 3D $ q1})% 20OR% 20 (% 22cohort% 22) & q1 = (% 22cohort% 22) / Studies / ega
Control, Control 367, / 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 57, / 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

Феномы: Genome, habitat and phenome — a summary overview.

Звездное небо — 2020: главные космические феномены | Культура и стиль жизни в Германии и Европе | DW

»Кровавая луна»: самое длительное лунное затмение XXI века

103 минуты

»Кровавая луна»: самое длительное лунное затмение XXI века

В десятках стран мира

»Кровавая луна»: самое длительное лунное затмение XXI века

Почему «кровавая Луна»?

»Кровавая луна»: самое длительное лунное затмение XXI века

Не всем повезло с погодой

»Кровавая луна»: самое длительное лунное затмение XXI века

В центре Берлина

»Кровавая луна»: самое длительное лунное затмение XXI века

Над Хофкирхе в Дрездене

»Кровавая луна»: самое длительное лунное затмение XXI века

Над Замком Гогенцоллерн

»Кровавая луна»: самое длительное лунное затмение XXI века

Через 105 лет

AMD феномы

Фон

Ерекшеліктер

Модельдік атау әдістемесі

Өзектер

Phenom X4

Phenom X3

Сондай-ақ қараңыз

Әдебиеттер тізімі

Сыртқы сілтемелер

Социально-психологические феномены

См. также

Фен строительный (термофен): 64 способа применения

Фен строительный (термофен, термопистолет): 69 способов применения

Выбор

О возможностях применения строительного фена, даже самых неординарных:

Есть несколько правил использования термофена.

Был рад помочь определиться с выбором.

Феномены в Санкт-Петербурге 2021, афиша и билеты | 29 ноября 2021 — 16 декабря 2021

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

Феномы: современные рубежи в животноводстве | Genetics Selection Evolution

Стандартные и новые (повторно) посещенные признаки

Поведение на индивидуальном и групповом уровнях

Выбросы газа

Эффективность корма

Новый взгляд на традиционные фенотипы

Прослеживаемость и идентификация

Высокая размерность

Путь вперед

Инициатива «Сельскохозяйственный геном — феном» (AG2PI)

Связанная информация

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

Сводка

Введение к симпозиуму «Наведение мостов»

Темы симпозиума

Направления будущего

Благодарности

Финансирование

Список литературы

‹Open Phenome Project — MIT Media Lab

Phenome Health запускается в продажу

Ссылки по теме

EGA Европейский архив генома-фенома

Последние исследования

Последние исследования

Последние исследования

Последние исследования

Последние исследования

Читайте также:

Тест сандры бем пройти онлайн: Полоролевой опросник тест Сандры Бем на определение психологического пола

Виды самооценок: Виды самооценки: повышенная, низкая, адекватная

Похвала для девушки: ТОП-50 примеров — как сделать комплимент девушке о ее красоте своими словами

Добавить комментарий Отменить ответ

Рубрики