芯片数据预处理方法-.pptx

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。;;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。;计算机“读片”机理;数据预处理分析流程：算法（以cDNA芯片为例）;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： ;;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。 ;2.3 提取表达值 由于芯片数据的小样本和大变量的特点，导致数据分布呈偏态、标准差大。对数转换能使上调、下调的基因连续分布在0的周围，更加符合正态分布，同时对数转换使荧光信号强度的标准差减少，利于进一步的数据分析。 cDNA芯片：对双通道数据使用Cy5（红）和Cys3（绿）两种荧光标记分别标记case和control样本的cDNA序列。扫描仪采用两种波长对基因芯片的图像进行扫描，根据每个点的光密度值计算相对应的绝对表达量(intensity)；然后图像分析软件通过芯片的背景噪音以及杂交点的光密度分析，对每个点的intensity校准，利用Cy5/Cy3的值获取case与control组不同基因的表达值ratio（（R/G ratio）；一般选择以2为底的对数转化数据，比如R/G=1，则 log2R/G=0，即认为表达量没有发生变化，当R/G=2 或者，R/G=0.5，则log值为1 或–1，这是可以认为表达量都发生两倍的变化。 以下的数据处理都是对log2R/G的形式进行分析。 ;2.4 归一化 经过背景处理和数据清洗处理后的修正值反映了基因表达的水平。然而在芯片试验中，各个芯片的绝对光密度值是不一样的，在比较各个试验结果之前必需将其归一化（normalization，也称作标准化）。 数据的归一化目的是调整由于基因芯片技术引起的误差，不是调整生物RNA 样本的差异。在同一块芯片上杂交的、由不同荧光分子标记的两个样品间的数据，也需归一化。常用的标准化方法有“看家基因法”、基于总光密度的方法、回归方法、比率统计法等。 比率统计法 此方法用于标准化同一块芯片上杂交的两种样品，并且建立于以下的假设之上：在近似的两个样品中，虽然基因有上调和下调，但一些基本的基因（如管家基因）的表达量是近似相同