Уважаемые коллеги, доброго времени суток! Мы начинаем обзор изданий в области Генетики. И сегодня хотим представить швейцарское научное издание Genes. Журнал имеет первый квартиль, издается в MDPI Multidisciplinary Digital Publishing Institute, находится в открытом доступе, его SJR за 2019 г. равен 1,564, пятилетний импакт-фактор - 3,822, электронный ISSN - 2073-4425, предметные области - Генетика, Клиническая генетика. Вот так выглядит обложка:
Редактором является Петер Юнг, контактные данные - peter.young@york.ac.uk.
Другие публикационные контакты - genes@mdpi.com, sophie.sun@mdpi.com, marcos.arranz@mdpi.com.
Данное издание охватывает все темы, связанные с генами, генетикой и геномикой, включая, но не ограничиваясь ими:
- ДНК;
- РНК;
- генетический код;
- структура генов;
- экспрессия генов;
- хромосомы;
- рекомбинация и связь;
- генетическое картирование;
- транскрипционное профилирование;
- анализ некодирующих и других РНК;
- клонирование;
- генетически модифицированные организмы;
- генетика человека;
- медицинская генетика;
- генная терапия;
- личная медицина;
- популяционная генетика;
- консервационная генетика;
- филогеномика;
- филогенетика;
- геномные проекты;
- геномика;
- технологии секвенирования;
- биоинформатика.
Пример статьи, название - Temporal Dynamic Methods for Bulk RNA-Seq Time Series Data. Заголовок (Abstract) - Dynamic studies in time course experimental designs and clinical approaches have been widely used by the biomedical community. These applications are particularly relevant in stimuli-response models under environmental conditions, characterization of gradient biological processes in developmental biology, identification of therapeutic effects in clinical trials, disease progressive models, cell-cycle, and circadian periodicity. Despite their feasibility and popularity, sophisticated dynamic methods that are well validated in large-scale comparative studies, in terms of statistical and computational rigor, are less benchmarked, comparing to their static counterparts. To date, a number of novel methods in bulk RNA-Seq data have been developed for the various time-dependent stimuli, circadian rhythms, cell-lineage in differentiation, and disease progression. Here, we comprehensively review a key set of representative dynamic strategies and discuss current issues associated with the detection of dynamically changing genes. We also provide recommendations for future directions for studying non-periodical, periodical time course data, and meta-dynamic datasets.
Keywords: RNA-Seq ; time series ; temporal dynamic methods ; differential expression analyses ; unsupervised clustering ; deep machine learning ; meta dynamics ; disease progression