芯片数据预处理方法.pptxVIP

基因芯片数据预处理;基因芯片（genechip），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。;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。;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-leveldata）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（rawdata），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（geneexpressiondata）。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。

;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：;2.2数据清洗（datacleaning）

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???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;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的。由此得出一个近似概率密度公式：比率T=R/G（R和G分别是芯片上第K个点的红光和绿光的强度），经过迭代算法处理得到一个平均表达比率及其可信限，用于数据的标准化计算。;;经过预处理，探针水平数据转变为基因表达数据。为了便于应用一些统计和数学术语，基因表达数据仍采用矩阵形式。;FalseDiscoveryRate(FDR)

在基因芯片的实验中，每一个基因/探针，都是一个独立的实验。基因芯片：高通量，1,000个基因/探针。因此，无论怎么比较，总会有一些基因会是统计显著性差异表的——可能是随机产生的。

如何评估表达差异基因预测的有效性？FDR=p-value*No.ofGenes

例：1,000个探针的双通道芯片，以p-value0.01为域值，发现7个上调基因，5个下调基因，分析结果是否具有统计学意义？计算：FDR=0.01*1,000=10(随机)。7个上调基因，5个下调基因10，因此上例计算的结果无统计学意义。

FDR必须远小于发现的差异表达基因数目。

;另一种常用基因芯片——寡核苷酸表达谱芯片的数据预处理：由于探针长度较短（20-25bp），采用匹配/失配探针对方法，即设计一个特异的寡核苷酸（PM匹配）、同时设计一个非特异性的寡核苷酸探针（MM失配），该探针仅仅在中间位置有一个碱基替换。用PM与MM之间的差值作为信号强度，来解决寡核苷酸之间非特异性杂交的噪声影响。一般设计11-20对探针来检测一个转录本。