芯片数据预处理方法-.pptVIP

基因芯片数据预处理 基因芯片（gene chip），又称DNA微阵列（microarray），是由大量DNA或寡核苷酸探针密集排列所形成的探针阵列，其工作的基本原理是通过碱基互补配对检测生物信息。 实验要求：单通道——一张芯片检验一种状态 ；双通道——差异表达基因的筛选 储存的生物信息：寡核苷酸芯片（常为单通道）、cDNA芯片（常为双通道） 基因芯片制备 样品制备mRNA提取等 杂交反应 信号检测与分析 基因芯片的实验流程（双通道） 单通道/双通道基因芯片实例 杂交完成后，要对基因芯片进行“读片”，即应用激光共聚焦荧光扫描显微镜，对基因芯片表面的每个位点进行检测。 基因芯片数据分析：对从基因芯片高密度杂交点阵图中提取的杂交点荧光信号进行定量分析，通过有效数据筛选和相关基因表达谱聚类，发现基因的表达谱和功能之间的联系。 探针 荧光值 基因 表达值 计算机“读片”机理 cDNA芯片、载有较长片段的寡核苷酸芯片采用双色荧光系统：目前常用 Cy3一dUTP（绿色）标记对照组mRNA，Cy5一dUTP（红色）标记样品组 mRNA 用不同波长的荧光扫描芯片，将扫描所得每一点荧光信号值自动输入计算机并进行信息处理，给出每个点在不同波长下的荧光强度值及其比值，同时计算机还给出直观的显色图。 在样品中呈高表达的基因其杂交点呈红色，相反，在对照组中高表达的基因其杂交点呈绿色，在两组中表达水平相当的显黄色， 这些信号就代表了样品中基因的转录表达情况。 将样品中的DNA/RNA标上荧光标记，则可以定量检验基因的表达水平。 数据预处理分析流程：算法（以cDNA芯片为例） 探针水平数据获得（计算机扫描图像） 数据预处理：背景处理、数据清洗、提取表达值、标准化、汇总 获取基因表达数据：判断差异基因表达 聚类和分析 1 探针水平数据（probe-level data）的获得 提取生物样品的mRNA并反转录成cDNA，同时用荧光素或同位素标记。在液相中与基因芯片上的探针杂交，经洗膜后用图像扫描仪捕获芯片上的荧光或同位素信号，由此获得的图像就是基因芯片的原始数据（raw data），也叫探针水平数据。 获取探针水平的数据是芯片数据处理的第一步，然后需要对其进行预处理（pre-processing），以获得基因表达数据（gene expression data）。基因表达数据是芯片数据处理的基础。 基因芯片探针水平数据处理的R软件包有affy, affyPLM, affycomp, gcrma等。 2 预处理 2.1 背景（background）处理 背景处理即过滤芯片杂交信号中属于非特异性的背景噪音部分。一般以图像处理软件对芯片划格后，每个杂交点周围区域各像素吸光度的平均值作为背景，但此法存在芯片不同区域背景扣减不均匀的缺点。也可利用芯片最低信号强度的点（代表非特异性的样本与探针结合值）或综合整个芯片非杂交点背景所得的平均吸光值做为背景。 背景处理之后，我们可以将芯片数据放入一个矩阵中： 其中，各字母的意义如下： N：条件数； G：基因数目（一般情况下，GN）； 行向量mi=(mi1,mi2,…,miN)表示基因i在N个条件下的表达水平（这里指绝对表达水平，亦即荧光强度值）； 列向量mj=(m1j,m2j,…,mGj)表示在第j个条件下各基因的表达水平（即一张芯片的数据）； 元素mij表示第基因i在第j个条件下（绝对）基因表达数据。m可以是R（红色，Cy5，代表样品组）。也可以是G（绿色，Cy3,代表对照组）。 2.2 数据清洗（data cleaning） 经过背景校正后的芯片数据中可能会产生负值，还有一些单个异常大（或小）的峰（谷）信号（随机噪声）。对于负值和噪声信号，通常的处理方法就是将其去除，常见数据经验型舍弃方法有：标准值或奇异值舍弃法；变异系数法；前景值＜200；前景值-平均数/前景值-中位数＜80%等等。然而，数据的缺失对后续的统计分析（尤其是层式聚类和主成分分析）有致命的影响。Affy公司的芯片分析系统会直接将负值修正为一个固定值。 对数据的删除，通常是删去所在的列向量或行向量。一个比较常用的做法是，事先定义个阈值M。若行（列）向量中的缺失数据量达到阈值M，则删去该向量。若未达到M，有两种方法处理，一是以0或者用基因表达谱中的平均值或中值代替，另一个是分析基因表达谱的模式，从中得到相邻数据点之间的关系，据此利用相邻数据点估算得到缺失值（类似于插值）。填补缺失值（ k临近法）：利用与待补缺基因距离最近的k个临近基因的表达值来预测待填补基因的表达值。根据邻居基因在样本中的加权平均估计缺失值。 2.