转录组是指一个活细胞在特定状态下所能转录出来的所有RNA的总和，包括编码RNA和非编码RNA。 转录组测序技术主要是针对转录产物mRNA进行高通量测序，无需了解物种基因组信息，能够对任意物种进行转录组分析，可全面快速的获得某一物种特定组织或器官在某一状态下的完整表达信息，是基因功能及结构研究的基础。目前已广泛应用于生物学基础研究、临床诊断及药物研发等多个领域。
主要研究方向
1. 转录本结构研究：UTR区识别、可变剪切预测、分子标记开发等；
2. 基因转录水平研究：基因表达定量、基因功能注释、不同样本间差异表达基因分析等；
3. 全新转录区域研究：检测新基因，完善物种基因组功能注释；
4. 遗传进化分析：构建系统进化树、进化选择模式分析。
中康博技术优势
● 精确性高：精确到单核苷酸水平，可区分高度同源的RNA的分子，鉴定剪切变异体和RNA多态性。
● 高度开放性：无需预先了解信息，可研究任意物种已知和未知的转录本序列及定量信息。
● 灵敏度高：可在超过6个数量级范围内实现准确的序列检测和定量分析。
● 检测范围广：自主研发的基因组数据分析方法和算法，提供多种遗传疾病及肿瘤方向的高级分析
● 高通量的数据：采用长读长对读测序及更高的测序深度，提高了对重复序列和同源序列的辨识能力，有效提高可绘制转录组的比例和组装可信度，获得更多长无误的重叠群contigs。
● 均匀覆盖度：采用随机降解转录本和随机反转录的策略制备测序文库，有利于获得更为均匀的读取分布，提高了测序效率。
● 获取更丰富的转录信息：更高的测序深度和更均匀的覆盖度，帮助研究者发现和区分低丰度的转录本、高相似性的转录本、可变剪切及单个核酸多态性。
推荐测序模式
mRNA测序实验流程
mRNA测序分析流程
mRNA测序样品要求
● 样品纯度：OD260/280为1.8-2.2，完整无降解
● 样品浓度：Total RNA：≥2 μg , 浓度≥100ng/μl
● 适用范围：真核生物（有、无参考基因组皆可）
mRNA测序项目实验流程：
mRNA测序项目分析流程：
mRNA测序样品要求
● 样品纯度：OD260/280为1.8-2.2，完整无降解
● 样品浓度：Total RNA：≥2 μg , 浓度≥100ng/μl
● 适用范围：真核生物（有、无参考基因组皆可）
● 样品纯度：OD260/280为1.8-2.2，完整无降解
● 样品浓度：Total RNA：≥2 μg , 浓度≥100ng/μl
● 适用范围：真核生物（有、无参考基因组皆可）
数据分析
1、数据预处理、拼接和注释：即根据接头以及测序质量对原始数据进行一定程度的过滤，然后将预处理后reads进行拼接，得到拼接结果，接着将拼接得到的Unigene与数据库进行比对。
2、差异基因筛选：分别将每个样本的reads进行reference mapping ,从而得到每个样本在每个UniGenes中的一个reads覆盖度，然后应用FPKM标准化公式对富集片段的数量进行归一化，得到每个样品每个基因的FPKM值，并进行差异统计学检验，筛选出差异基因。
3、基础分析：包括热点图、散点图、火山图、PCA图等等
4、深入分析
4.1 功能富集分析——GO Enrichment Analysis
基于GO数据库筛选出代表目标基因群显著的、准确的、靶向的基因功能的方法就称为GO Enrichment Analysis。其方法将以上得到的交集基因基于GO数据库进行基因功能注释，得到基因参与的所有功能，而后利用Fisher 精确检验和多重比较检验计算每个功能的显著性水平（P-value）和误判率（FDR）。从而筛选出基因所体现的显著性功能，显著性筛选的标准：P value<0.05 。结果展示如下：
4.2 通路富集分析——Pathway Enrichment Analysis
KEGG(Kyoto Encyclopedia of Genes and Genomes)全称是京都基因与基因组大百科全书，是系统分析基因(及其编码产物)间关系、基因功能、基因组信息的数据库，它有助于研究者把基因及表达信息作为一个整体网络进行研究。结果展示如下：
4.3 通路网络图——Pathway Network
根据KEGG数据库中的Pathway间的相互作用关系，构建差异基因参加的Pathway之间的作用网络，确定显著性Pathway主要的分布（比如免疫、肿瘤等等）利用图论的方法分析确定网络中的核心Pathway群及其所属的靶基因。结果展示如下：
4.4 全局信号转导网络——Globe Signal Transduction Network
利用数据库中KEGG、BIND、HPRD等信号传递通路，以及基因、蛋白质、化合物之间的作用关系，构建目标基因群中，基因与基因产物间的信号传递网络，通过信号转导网络得到基因间的相互作用关系，信号转导网络通过图论分析方法可以得到网络的核心调节基因，反映样本在全局层面的基因调节机制。结果样式如下：
1、数据预处理、拼接和注释：即根据接头以及测序质量对原始数据进行一定程度的过滤，然后将预处理后reads进行拼接，得到拼接结果，接着将拼接得到的Unigene与数据库进行比对。
2、差异基因筛选：分别将每个样本的reads进行reference mapping ,从而得到每个样本在每个UniGenes中的一个reads覆盖度，然后应用FPKM标准化公式对富集片段的数量进行归一化，得到每个样品每个基因的FPKM值，并进行差异统计学检验，筛选出差异基因。
3、基础分析：包括热点图、散点图、火山图、PCA图等等
4、深入分析
4.1 功能富集分析——GO Enrichment Analysis
基于GO数据库筛选出代表目标基因群显著的、准确的、靶向的基因功能的方法就称为GO Enrichment Analysis。其方法将以上得到的交集基因基于GO数据库进行基因功能注释，得到基因参与的所有功能，而后利用Fisher 精确检验和多重比较检验计算每个功能的显著性水平（P-value）和误判率（FDR）。从而筛选出基因所体现的显著性功能，显著性筛选的标准：P value<0.05 。结果展示如下：
4.2 通路富集分析——Pathway Enrichment Analysis
KEGG(Kyoto Encyclopedia of Genes and Genomes)全称是京都基因与基因组大百科全书，是系统分析基因(及其编码产物)间关系、基因功能、基因组信息的数据库，它有助于研究者把基因及表达信息作为一个整体网络进行研究。结果展示如下：
4.3 通路网络图——Pathway Network
根据KEGG数据库中的Pathway间的相互作用关系，构建差异基因参加的Pathway之间的作用网络，确定显著性Pathway主要的分布（比如免疫、肿瘤等等）利用图论的方法分析确定网络中的核心Pathway群及其所属的靶基因。结果展示如下：
4.4 全局信号转导网络——Globe Signal Transduction Network
利用数据库中KEGG、BIND、HPRD等信号传递通路，以及基因、蛋白质、化合物之间的作用关系，构建目标基因群中，基因与基因产物间的信号传递网络，通过信号转导网络得到基因间的相互作用关系，信号转导网络通过图论分析方法可以得到网络的核心调节基因，反映样本在全局层面的基因调节机制。结果样式如下：
