Análisis de expresión de genesuna nueva forma de entender el comportamiento genómico

  1. Lagares Rodríguez, José Antonio
Revista:
MoleQla: revista de Ciencias de la Universidad Pablo de Olavide

ISSN: 2173-0903

Año de publicación: 2013

Número: 9

Páginas: 85-87

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: MoleQla: revista de Ciencias de la Universidad Pablo de Olavide

Resumen

A lo largo de estas últimas décadas se ha llevado a una gran revolución dentro del mundo de la Biología. Gracias a los distintos avances de las nuevas tecnologías y la creación de nuevas ramas de estudio, cada vez más se analiza el código genético de los seres vivos. Proyectos globales, tales como la secuenciación de genomas de distintos organismos, han supuesto una generación de información biológica abismal. Esta información, a través de ramas interdisciplinares como la Bioinformática es posible la extracción de conocimiento. De toda esta masa de conocimiento extraído, es cada vez más frecuente que investigadores de todo el mundo se centren en el análisis de expresión de los genes. En este artículo, se presenta superficialmente cómo es posible extraer conocimiento y distintas herramientas y técnicas existentes que son usadas para tal fin.

Referencias bibliográficas

  • F. Martín Sánchez, G. López Campos, and N. Ibarrola de Andrés. Impacto de la bioinformática en las ciencias biomédicas. Servicios de Salud: ¿estrategias o tecnologías? Madrid: Editorial Médica Panamericana, 1999.
  • J. Pevsner. Bioinformatics and Functional Genomics. Wiley-Liss, 2003.
  • Hecker M, Lambeck S, Toepfer S, van Someren E, Guthke R: Gene regulatory network inference: Dataintegration in dynamic models {A review. Biosystems 2009, 96:86.
  • J. Pevsner. Bioinformatics and Functional Genomics. Wiley-Liss, 2003.
  • Poyatos JF: The balance of weak and strong interactions in genetic networks. PloS One 2011, 6(2):e14598, [http://www.pubmedcentral.nih.gov/articler ender.fcgi?artid=3037365n&tool=pmcentr ezn
  • &rendertype=abstract].Grupo NIMML (http://www.igece.org/Immunology/ImmArr ay/) Febrero 2013.
  • G. Piatetsky-Shapiro, T. Khabaza, and S. Ramaswamy. Capturing best practice for microarray gene expression data analysis. pages 407–415, 2003.
  • A. Ben-Dor, R. Shamir, and Z. Yakhini. Clustering gene expression patterns. Journal of Computational Biology, 6(3- 4):281–297, 1999.
  • J. Harigan. Direct clustering of a data matrix. Journal of the American Statistical Association, 67(337):123–129, 1972
Fuente de los datos: Dialnet