芯片技术的芯片数据分析.docVIP

芯片技术的芯片数据分析： 芯片分析概述 随着基因芯片技术的普及，基因表达数据大量产生，如何充分利用这些数据并从中提取有用的生物学知识，是生物信息学所面临的一个迫切问题。简要来说，生物芯片数据分析流程大体可分成以下几个阶段。 扫描与图像识别 一张芯片完成杂交实验，经扫描仪读取后生成图形文件，经过划格(Griding)、确定杂交点范围(Spot Identifying)、过滤背景噪音(Noise Filtering)等图像识别过程，才能最终得到基因表达的荧光信号强度值，并以列表形式输出。 数据预处理 由于杂交荧光标记效率或检出率不平衡、位置效应等多种因素，原始提取信号需要进行均衡和修正处理后，才能进一步分析。这一步通常需要先进行背景校正(Background Correction)，去除不均匀背景光强影响，然后再进行归一化(Normalization)处理。 一般来说，对于单色DNA芯片而言，这一步相对容易；而双色DNA芯片则需要考虑不同染料(Cy3、Cy5)对于mRNA染色效率的差异。 数据分析 在前一步基础上，需要根据基因表达状况与事先设定的条件，对基因进行分类处理。具体来说，又可分为寻找差异表达基因和寻找共表达基因两种。 所谓差异表达基因(Differen-tially Expressed Genes)，是指在预先设定的不同实验条件下，表达量出现显著差异的基因。而共表达基因(Co-expressed Genes)则是指在不同实验条件下，表达模式或表达量相似的基因。 实践中，在没有先验知识的情况下，一般是通过聚类来寻找这些基因。如果事先已经有了一组明确的训练集，也可以通过分类来寻找与这组基因具有类似表达模式的其他基因。 所谓聚类，也称无监督分类(Un-supervised Classification)，是指在未设定先验类别的情况下，根据表达模式或表达值相似程度，将基因划分为若干组。而分类则是指在给定已经先验标明类别(如肿瘤、健康)训练集前提下，根据表达模式或表达值相似程度，将被检基因或样本归入预先设定的类别中。 为确保实验结果可靠性，实际生物学研究中，经常采用RT-PCR之类低通量表达分析手段，对选择出来的基因进行进一步验证。 值得指出的是，以上给出的只是一个大体流程。实际数据分析过程中，经常需要根据前一步分析结果和实际生物学问题来制定下一阶段分析策略。同时，考虑到基因表达动态性和时间相关性，即使对于同一种细胞类型，不同条件下转录表达情况也会有差异。因此，分析基因表达数据时，必须同时参考具体实验条件的描述，通常称这些描述实验条件的数据为元数据(Meta-data)。典型的元数据包括实验方案、实验材料、图像处理方法和数据归一化方法等信息。 芯片分析软件包简介 芯片分析过程繁复，且涉及到复杂的统计计算，需要综合运用多种数学与计算机工具。为方便生物学家研究，相关研究人员已开发了许多专用芯片分析软件。 【1】Bioconductor Bioconductor是基于统计学软件包R的芯片分析软件包，其主要目的是为生物信息学研究人员提供一组表达数据分析工具。Bioconductor的开发起始于2001年，主要由美国Fred Hutchinson肿瘤研究中心、哈佛医学院以及哈佛公共健康研究院开发。 Bioconductor可支持几乎所有主流芯片数据格式，包括Affymetrix公司的商业化单色寡核苷酸芯片，以及用户自己定制的双色cDNA芯片。Bioconductor通过若干子软件包提供多种主流芯片分析方法，可用于数据预处理、差异表达基因识别以及聚类等常用数据分析。除用于芯片数据分析以外，Bioconductor还可用于SAGE、CGHArray以及SNPArray等其他表达数据分析。 Bioconductor的源代码完全开放，用户可以方便查看以及修改现有算法及其具体实现模块。因此，Bioconductor也广泛用作其他芯片分析工具的后台支持。 【2】dChip dChip(DNA-Chip Analyzer)由哈佛大学生物统计系Cheng Li、Wing Wong等联合开发，是综合性芯片分析软件。dChip运行在Windows平台上，包括以下功能： 1) 针对Affymetrix芯片、基于MBEI(Model-based expression indexes)的数据预处理及归一化； 2) 基于样本比较差异基因识别； 3)主成分分析(Principal Component Analysis，PCA)； 4) 方差分析(Analysis of Variable，ANOVA)； 5) 时间序列(Time Series)分析； 6) 层次聚类(Hierarchical Clusteri