基因表达谱芯片的数据分析
基因表达谱芯片的数据分析(2012-03-13 15:25:58)转载▼
标签：杂谈分类：生物信息
摘要
基因芯片数据分析的目的就是从看似杂乱无序的数据中找出它固有的规律, 本文根据数据分析的目的, 从差异基因表达分析、聚类分析、判别分析以及其它分析等角度对芯片数据分析进行综述, 并对每一种方法的优缺点进行评述, 为正确选用基因芯片数据分析方法提供参考.
关键词: 基因芯片; 数据分析; 差异基因表达; 聚类分析; 判别分析
吴斌, 沈自尹. 基因表达谱芯片的数据分析. 世界华人消化杂志2006;14(1):68-74
https://www.360docs.net/doc/2f13911717.html,/1009-3079/14/68.asp
0 引言
基因芯片数据分析就是对从基因芯片高密度杂交点阵图中提取的杂交点荧光强度信号进行的定量分析, 通过有效数据的筛选和相关基因表达谱的聚类, 最终整合杂交点的生物学信息, 发现基因的表达谱与功能可能存在的联系. 然而每次实验都产生海量数据, 如何解读芯片上成千上万个基因点的杂交信息, 将无机的信息数据与有机的生命活动联系起来, 阐释生命特征和规律以及基因的功能, 是生物信息学研究的重要课题[1]. 基因芯片的数据分析方法从机器学习的角度可分为监督分析和非监督分析, 假如分类还没有形成, 非监督分析和聚类方法是恰当的分析方法; 假如分类已经存在, 则监督分析和判别方法就比非监督分析和聚类方法更有效率。根据研究目的的不同[2,3], 我们对基因芯片数据分析方法分类如下: (1)差异基因表达分析: 基因芯片可用于监测基因在不同组织样品中的表达差异, 例如在正常细胞和肿瘤细胞中; (2)聚类分析: 分析基因或样本之间的相互关系, 使用的统计方法主要是聚类分析;
(3)判别分析: 以某些在不同样品中表达差异显著的基因作为模版, 通过判别分析就可建立有效的疾病诊断方法.
1 差异基因表达分析(difference expression, DE)
对于使用参照实验设计进行的重复实验, 可以对2样本的基因表达数据进行差异基因表达分
析, 具体方法包括倍数分析、t检验、方差分析等.
1.1 倍数变化(fold change, FC) 倍数分析是最早应用于基因芯片数据分析的方法[4], 该方法是通过对基因芯片的ratio值从大到小排序, ratio是cy3/cy5的比值, 又称R/G值. 一般0.5-
2.0范围内的基因不存在显著表达差异, 该范围之外则认为基因的表达出现显著改变. 由于实验条件的不同, 此阈值范围会根据可信区间应有所调整[5,6]. 处理后得到的信息再根据不同要求以各种形式输出, 如柱形图、饼形图、点图等. 该方法的优点是需要的芯片少, 节约研究成本; 缺点是结论过于简单, 很难发现更高层次功能的线索; 除了有非常显著的倍数变化的基因外, 其它变化小的基因的可靠性就值得怀疑了; 这种方法对于预实验或实验初筛是可行的[7]. 此外倍数取值是任意的, 而且可能是不恰当的, 例如, 假如以2倍为标准筛选差异表达基因, 有可能没有1条入选, 结果敏感性为0, 同样也可能出现很多差异表达基因, 结果使人认为倍数筛选法是在盲目的推测[8,9].
1.2 t检验(t-test) 差异基因表达分析的另一种方法是t检验[10], 当t超过根据可信度选择的标准时, 比较的两样本被认为存在着差异. 但是t检验常常受到样本量的限制, 由于基因芯片成本昂贵, 重复实验又很费时, 小样本的基因芯片实验是很常见的, 但是小样本导致了不可信的变异估计. 为了克服这种缺点, 研究者提出了调节性t检验(regularized t-test), 它是根据在基因表达水平和变异之间存在着相互关系, 相似的基因表达水平有着相似的变异这个经验, 应用贝叶斯条件概率(贝叶斯定理)统计方法, 通过检测同一张芯片临近的其它基因表达水平, 可以对任何基因的变异程度估计进行弥补. 这种方法对于基因表达的标准差估计优于简单的t-test和固定倍数分析法[11].
1.3 方差分析(analysis of variance, ANOVA) 方差分析(ANOVA)又称变异数分析或F检验, 其目的是推断两组或多组资料的总体均数是否相同, 检验两个或多个样本均数的差异是否有统计学意义, 方差分析可用于差异基因表达研究[12]. 方差分析需要参照实验设计, 参照样本常用多种细胞的mRNA混合而成, 由于所有的细胞同时表达的基因众多, 结果低表达基因在样本混合后就被稀释而减少了参照样本的代表性, 因此, 增加参照样本的细胞不会提高参照样本的代表性[13].
方差分析能计算出哪些基因有统计差异, 但它没有对那些组之间有统计差异进行区分, 比如用单因素方差分析对A、B、C、D 4组进行分析, 对于某一个基因, 方差分析能够分析出A 组与B、C、D组之间有差异, 但是B、C、D之间无统计学意义. 这就需要使用均值间的两两比较(post-hoc comparisons)检验, 该检验是对经方差分析后的基因进行下一水平更细节的分析[14]. 即t-检验只能用于检验两样本中均值是否存在显著性差异, 而两两比较技术考虑了多于2样本间均数的比较.
上述所有的参数分析方法必须平衡假阳性、假阴性错误[15,16], 控制假阳性率有4种方法: (1)邦弗朗尼(Bonferroni)方法, 计算公式: Corrected P-value ＝P-value×n(number of genes in test), 如果纠正P值仍小于错误率(如0.05), 则该基因将属于有表达差异的基因. (2)Bonferroni Step-down(Holm)法, 这种校正方法与邦弗朗尼很相似, 但没有前者严格. 主要思想如下: 每个基因的P值从低到高排序, Corrected P-value＝P-value×n(n-1/n-2……), 如果纠正P值仍小于错误率(如0.05), 则该基因将属于有表达差异的基因. (3)Westafall&Young参数法, 前面2种方法都是单独对P值进行纠正, 本方法通过同时对所有基因进行排序, 充分利用基因间的独立性进行P值纠正. 每个基因的P值是按原始资料的排序进行计算; 将资料划分为人工组和对照组而产生新的数据. 采用新数据计算所有基因的P值, 新P值再与以前的P值进行比较, 上述过程重复很多次, 最后计算出纠正P值. 如果纠正P值仍小于错误率(如0.05), 则该基因将属于有表达差异的基因. (4)Benjamini& Hochberg假阳性率法, 该方法是4种方法中最不严谨的方法, 因此可能产生很多的假阳性和假阴性, 其方法如下: 首先对每一个基因的P值由小到大排序, 最大的P值保持不变, 其它基因按下列公式计算P值, Corrected P-value ＝P
value×(n/n-1)以此类推, 若P<0.05则为有差异基因.
上述前3种方法可概括为误差率判断族(family-wise error rate, FWER), 它的特点是允许很少的假阳性基因发生, 而假阳性率(false discovery rate, FDR)是允许一定率的假阳性基因发生. 总之, 假阳性率(FDR)在差异表达与控制假阳性率之间提供了一个好的平衡统计, Bonferroni 是最严格的方法, 也是最保守的假阳性估计方法. Westfall & Young参数法是以基因的共同调节进行计算, 因此它的计算是很慢的, 对假阳性率的估计也是很保守的[17,18].
1.4 非参数分析(nonparametric analysis) 由于微阵列数据存在＂噪声＂干扰而且不满足正态分布假设, 因此使用t-检验和回归模型进行筛选的方法可能有风险. 非参数检验并不要求数据满足特殊分布的假设, 所以使用非参数方法对变量进行筛选虽然粗放, 但还是可行的[19]. 目前用于基因表达谱数据分析的非参数方法除了传统的非参数t-检验(nonparametric t-test)、Wilcoxon秩和检验(Wilcoxon rank sun test)等外[20], 一些新的非参数方法也应用于基因表达谱数据的分析中, 如经验贝叶斯法(empirical Bayes method)[21]、芯片显著性分析(significance analysis of microarray, SAM)[22]、混合模型法(the mixture model method, MMM)[23]等. 参数法的缺点是分析数据有假设检验, 比如改变样本中的变异可明显影响分析结果, 对同样数据的转换(如对数), 对其分析结果也有明显的影响. 非参数方法对于这种情况的发生更有效, 但是它对表达数据分析的敏感性不如参数方法.
1.5 回归分析(regression analysis) 目前使用的一些简单的参数分析方法是通过数据转换(如对数)来达到正态分布为假设前提的, 或者是估计的经验分布, 然而这二种方法对基因表达数据可能都是不合理的, 非参数方法忽视了数据的分布, 而参数方法又会误判数据的分布[24,25]. 基因表达谱的回归分析是可以处理多个基因变量间线性依存关系的统计方法, 于是研究者们提出了使用回归分析基因表达谱数据, 如Li et al[26]使用互变量(Cox)回归方法分析基因表达谱数据, 用于患者的生存率预判; Huang et al[27]将线性回归方法应用于肿瘤的分类研究中.
2 聚类分析(clustering analysis)
组聚类分析的目的在于辨别在某些特性上相似的事物, 并按这些特性将样本划分成若干类(群), 使同类事物具有高度同质性, 而不同类事物则有高度异质性. 聚类分析是通过建立各种不同的数学模型, 它把基于相似数据特征的变量或样本组合在一起. 归为一个簇的基因在功能上可能相似或关联, 从而找到未知基因的功能信息或已知基因的未知功能. 但是由于使用数据转换、归一化等因素, 导致对聚类分析结果的影响较大; 此外, 聚类只是为了寻求类, 不管所聚的类别是否有意义[28].
2.1 分层聚类法(hierarchical clustering, HCL) 分层聚类是将n个样品各作为一类, 计算n个样品两两之间的距离, 构成距离矩阵, 合并距离最近的两类为一新类, 计算新类与当前各类的距离[29]. 再合并、计算, 直至只有一类为止. 分层聚类是第一个被应用于基因表达谱数据分析的聚类方法[30], 由于结果的可视化和基因间关系的明确表现, 广泛地应用于基因表达谱的肿瘤亚型分类和幸存率研究中[31,32].
2.2 K-均值聚类(K-means clustering, KMC) K-均值聚类是先选择初始凝聚点, 根据欧氏距离系数, 将每个样品归类, 各类的重心代替初始凝聚点, 根据欧氏距离将每个样品不断地归类, 直至分类达到稳定. K-均值算法是采用误差平方和为准则函数的动态聚类方法, 其计算快速, 适合于大规模的数据计算[33]. 如D'ambrosio et al[34]为了理解肥大细胞增生的分子机制和寻找其鉴定的分子标记, 选取肥大细胞增生症患者和正常人的骨髓的单核细胞进行基因芯片实验, 应用K-均值聚类和分层聚类得到同一类的10个基因, 进一步分析鉴定出3个基因属于该疾病的候选标记基因. 但是K-均值聚类也有不足之处, 它对初始凝聚点比较敏感, 如
果初始凝聚点没有选择好就可能集合在标准功能值的局域极小值上. 而另一个问题在于它是完全无结构的方法, 聚类的结果是无组织的[35].
2.3 自组织映射图网络(self-organizing map clustering, SOM) 神经网络中邻近的各个神经元通过侧向交互作用彼此相互竞争, 自适应地发展成检测不同信号的特殊检测器, 这就是自组织特征映射的含义. 其基本原理是将多维数据输入成几何学节点, 相似的数据模式聚成节点, 相隔较近的节点组成相邻的类, 从而使多维的数据模式聚成2维节点的自组织映射图. 自组织映射图允许对类进行调整, 属于监督类聚类[36]. 自组织映射图分类标准明确; 优化的次序好于其它聚类法, 在基因表达谱的数据分析中得到广泛的应用. 如Covell et al[37]认为多种肿瘤可能具有共同的基因表达谱, 他们选取了14种肿瘤和正常对照组织进行基因表达谱研究, 结果自组织图能完全将肿瘤和正常组织区分出来, 自组织图对各种肿瘤的分辨率达到80%的准确性, 其中对白血病、中枢神经系统肿瘤、黑色素瘤、子宫癌、淋巴瘤有很好的判别作用, 对直肠癌、乳腺癌、肺癌的判别差.
2.4 双向聚类(two-way clustering, TWC) 基因表达谱常采用单向聚类法(one-way clustering), 即要么以整个样本中特性相似的基因进聚类, 或者以基因表达相似的样本进行聚类. 对样本和基因同时进行聚类就是双向聚类法(two-way clustering)[38], 目前基因表达谱的数据分析常用的双向聚类有基因剃须(gene shaving, GS)和格子模型(plaid models). 基因剃须是通过基因的共同表达值或表达量来鉴定基因的亚类, 基因表达谱分析方法常用监督进行聚类, 没有考虑一个基因可能属于多个类. 基因剃须对基因或样本进行分类既可以是监督的, 也可以是非监督的. 基因剃须近年逐渐被应用于基因表达谱的分析中, 如Hastie et al[39]使用基因剃须方法分析了B细胞淋巴瘤患者的基因表达谱, 鉴定了一小类可用于生存率预判的基因. 作者认为基因剃须方法是一种潜在有用的基因表达谱数据分析方法. Jiang et al[40]使用了2种基因剃须方法筛选肺腺癌的标志基因, 通过和正常组织的基因表达谱比较, 分别筛选到13条和10条, 其中5条是共同的. 格子模型的目的是分析基因芯片数据可解释的生物结构, 即基因或样本的亚类. 各类之间可以进一步聚类, 从而获得稳定的、有意义的分层结构[41,42]. 目前应用格子模型进行基因表达数据分析的实例还不多.
2.5 混合聚类法所谓混合聚类就是先非监督(unsupervised)聚类再监督(supervised)聚类. 其优点是可以整合多种聚类方法的优点, 目前混合聚类受到越来越多研究者的关注, 如由于基因芯片数据的复杂性和多维性, 为利于基因表达谱数据的处理, 有必要对复杂多维的原始数据进行简化处理, 为了解决这个问题, Wang et al[43]提出了双水平分析, 即首先使用自组织图减少原始数据的多维性, 然后进行了K-均值和分层聚类以建立样本判别的基因表达模型. Herrero et al[44]还论述如何将自组织图和分层聚类组合成一个优秀的工具用于基因表达谱的数据分析.
3 判别分析(discriminant analysis)
判别分析能够依据样本的某些特性, 以判别样本所属类型. 与聚类分析不同的是, 判别分析是用某种方法将研究对象分成若干类的前提下, 建立判别函数, 用以判定未知对象属于已知分类中的哪一类. 基因判别分析(有监督学习)是在已有数据的基础上建立分类器, 并利用所建立的分类器对未知样品的功能或状态进行预测[45,46]. 目前使用的判别分析方法主要有: 支持向量机、决策树、贝叶斯分类、神经网络法等.
3.1 费希尔判别分析(fisher discriminant analysis, FDA) 费希尔判别分析是以线形函数为准则进行判别[47], Cho et al[48]应用费希尔判别方法分析肿瘤患者的基因表达谱资料以判别肿瘤的分型. 如Dangond et al[49]将费希尔判别方法应用于计算肌萎缩侧索硬化病的基因表达谱研究中.
3.2 贝叶氏网络(bayesian networks) 也被称为因果网络(causal networks), 是描述数据变量之
间依赖关系的一种图形模式, 是一种用来进行推理的模型. 贝叶斯网络为人们提供了一种方便的框架结构来表示因果关系, 这使得不确定性推理在逻辑上更为清晰、更好理解[50]. 如Imoto et al[51]结合贝叶斯网络和生物学知识进行基因表达谱数据的基因网络分析, 并以酿酒酵母的基因表达谱数据为例进行了论证. Kim et al[52]将贝叶斯网络法应用于时间系列的基因表达谱数据的基因网络分析等.
3.3 支持向量机(support vector machines, SVMs) 支持向量机是数据挖掘中的一个新方法. 支持向量机能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题, 它通过训练一种＂分类器＂来辨识与已知的共调控基因表达类型相似的新基因[53-55]. 例如Williams et al[56]为了鉴定出肾母细胞瘤复发的基因表达谱模型, 研究了27例肾母细胞瘤患者的肿瘤组织, 其中13例2 a内复发, 对复发和未复发的肿瘤组织进行基因芯片实验, 并应用支持向量机对基因表达谱数据进行分析, 结果发现了一小类可能用于肿瘤预诊的基因.
3.4 决策树(decision trees) 决策树是一种常用于预测模型的算法, 它通过将大量数据有目的的分类, 从中找到一些有价值的, 潜在的信息. 它的主要优点是描述简单, 分类速度快, 特别适合大规模的数据处理[57]. Dettling et al[58]比较了不同决策树算法对基因表达谱分析的影响. Middendorf et al[59]应用决策树方法研究了简单生物的基因调节机制.
3.5 人工神经网络法(artificial neural network, ANN) ANN是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型. 在这一模型中, 大量的节点(或称＂神经元＂, 或＂单元＂)之间相互联接构成网络, 即＂神经网络＂, 以达到处理信息的目的. 其优势是运行分析时无需在心目中有任何特定模型, 而且, 神经网络可以发现交互作用效果(如年龄和性别的组合效果)[60]. O'Neill et al[61]将神经网络法应用于淋巴瘤基因表达谱数据的分析, 该方法对淋巴瘤预后和诊断都具有较好的判别作用. Sawa et al[62]对酵母属基因表达谱数据进行了欧氏距离、相关系数、相互信息和基于神经网络的聚类分析, 发现基于神经网络的聚类结果较前3种方法更为合理.
4 其他分析
4.1 主成分分析(principal component analysis, PCA) 在大规模基因表达数据的分析工作中, 由于组织样本例数远远小于所观察基因个数, 如果直接采用前述聚类分析可能产生较大误差, 故需要对聚类算法进行改进. 目前已经提出很多改进的聚类方法, 其中较为流行的方法是应用主成分分析方法对数据进行分析[63,64]. 主成分分析的目的是要对多变量数据矩阵进行最佳综合简化. 使用的方法是寻找这些变量的线性组合－称之为主成分, 使这些主成分间不相关. 为了能用尽量少的主成分个数去反映原始变量间提供的变异信息, 要求各主成分的方差从大到小排列, 第一主成分最能反映数据间的差异. 主成分分析通过合并原来的维数得到更少的维数来表示对象, 同时要求新的维数必须尽可能地反映原有维数所反映的信息, 它有较少的信息丢失. 主成分分析有助于简化分析和多维数据的可视化[65]. 如Crescenzi et al[66]应用主成分分析对60个肿瘤细胞株的基因表达谱数据进行分析, 结果发现肿瘤分型相关的基因有1 375个, 主成分分析得到细胞运动等5个独立的成份. 主成分分析是把原来多个变量化为少数几个综合指标的一种统计分析方法. 从数学角度来看, 这是一种降维处理技术. 而且使这些较少的综合指标既能尽量多地反映原来较多指标所反映的信息, 同时它们之间又是彼此独立的. 但是使用该方法可能导致一部分有用信息的丢失. 为此, Yeung et al[67]采用两个真实数据集和三个模拟数据集作为实验材料, 对采用主成分分析方法所得出的聚类结果作了评估. 他们发现, 进行主成分处理后的聚类质量没有明显提高, 甚至有所降低. 基于以上研究结果, 他们不主张使用PCA方法进行聚类分析.
4.2 基因网络分析(gene network analysis) 基因表达分析包括3个层次[68], 首先是单基因水平, 即比较对照组与实验组的每个基因是否存在表达差异, 这主要指差异基因表达分析; 其
次是多基因水平, 如按照基因的共同功能、相互作用、共同表达等进行的聚类分析; 最后是系统水平, 即以基因网络形式解释和理解生命现象. 在生物体系中, 基因从来不是单独起作用的, 它们相互作用呈网络状, 因此从网络的观点分析基因表达谱数据必然会导致对生物系统的更高层次的理解, 目前研究者们已经开始了这方面的研究. 正如前述的各种聚类方法, 假如几个基因被聚类在同一组, 它们有可能是共同表达的基因或者是有同样的信号通径, 深入分析这些基因的增强子可能发现它们共同的调节元件, 从而揭示生物系统更高层次的网络[69]. 另外应用目前已知全序列的模式生物(如酵母、结核分枝杆菌), 人们已研制出加载有他们全基因的芯片, 通过比较不同条件下(突变、基因撬出或设计时间系列)表达谱的变化, 再使用贝叶斯网络法等进行系统分析, 可揭示基因功能和调控网络[70]. 此外还可从代谢等角度研究, 比如从新陈代谢分析基因表达的网络关系等.
总之, 基因芯片数据分析的方法众多, 随着研究的进展不断地有新的数学方法应用于芯片的数据分析中步研究
5 参考文献
1 Reimers M. Statistical analysis of microarray data. Addict Biol 2005; 10: 23-35
2 Hackl H, Cabo FS, Sturn A, Wolkenhauer O, Trajanoski Z. Analysis of DNA microarray data. Curr Top Med Chem
2004; 4: 1357-1370
3 Leung YF, Cavalieri D. Fundamentals of cDNA microarray data analysis. Trends Genet 2003; 19: 649-659
4 Gerhold D, Lu M, Xu J, Austin C, Caskey CT, Rushmore T. Monitoring expression of genes involved in drug metabolism
and toxicology using DNA microarrays. PhysiolGenomics 2001; 5: 161-170
5 Mutch DM, Berger A, Mansourian R, Rytz A, Roberts MA. The limit fold change model: a practical approach for selecting differentially expressed genes from microarray data. BMC Bioinformatics 2002; 3: 17
6 Yang IV, Chen E, Hasseman JP, Liang W, Frank BC, Wang S, Sharov V, Saeed AI, White J, Li J, Lee NH, Yeatman TJ, Quackenbush J. Within the fold: assessing differential expression measures and reproducibility in microarray assays. Genome Biol 2002; 3: research0062
7 Black MA, Doerge RW. Calculation of the minimum number of replicate spots required for detection of significant gene expression fold change in microarray experiments. Bioinformatics 2002; 18: 1609-1616
8 Cui X, Churchill GA. Statistical tests for differential expression in cDNA microarray experiments. Genome Biol
2003; 4: 210
9 Raraty MG, Murphy JA, Mcloughlin E, Smith D, Criddle D, Sutton R. Mechanisms of acinar cell injury in acute pancreatitis. Scand J Surg 2005; 94: 89-96
10 Baldi P, Long AD. A Bayesian framework for the analysis of microarray expression data: regularized t-test and statistical inferences of gene changes. Bioinformatics 2001; 17: 509-519 11 Long AD, Mangalam HJ, Chan BY, Tolleri L, Hatfield GW, Baldi P. Improved statistical inference from DNA microarray data using analysis of variance and a Bayesian statistical framework. Analysis of global gene expression in Escherichia coli K12. J BiolChem 2001; 276: 19937-19944
12 Pavlidis P. Using ANOVA for gene selection from microarray studies of the nervous system.
Methods 2003; 31: 282-289
13 Hatfield GW, Hung SP, Baldi P. Differential analysis of DNA microarray gene expression data. MolMicrobiol
2003; 47: 871-877
14 Pan KH, Lih CJ, Cohen SN. Analysis of DNA microarrays using algorithms that employ rule-based expert knowledge.ProcNatlAcadSciUSA 2002; 99: 2118-2123
15 Aubert J, Bar-Hen A, Daudin J, Robin S. Correction: Determination of the differentially expressed genes in microarray experiments using local FDR. BMC Bioinformatics 2005; 6: 42
16 Pawitan Y, Murthy KR, Michiels S, Ploner A. Bias in the estimation of false discovery rate in microarray studies. Bioinformatics 2005; 21: 3865-3872
17 Pawitan Y, Michiels S, Koscielny S, Gusnanto A, Ploner A. False discovery rate, sensitivity and sample size for microarray studies. Bioinformatics 2005; 21: 3017-3024
18 Grant GR, Liu J, Stoeckert CJ Jr. A practical false discovery rate approach to identifying patterns of differential expression in microarray data.Bioinformatics 2005; 21: 2684-2690
19 Zhao Y, Pan W. Modified nonparametric approaches to detecting differentially expressed genes in replicated microarray experiments. Bioinformatics 2003; 19: 1046-1054
20 Troyanskaya OG, Garber ME, Brown PO, Botstein D, Altman RB. Nonparametric methods for identifying differentially expressed genes in microarray data. Bioinformatics 2002; 18: 1454-1461
21 Efron B, Tibshirani R. Empirical bayes methods and false discovery rates for microarrays. Genet Epidemiol
2002; 23: 70-86
22 Tusher VG, Tibshirani R, Chu G. Significance analysis of microarrays applied to the ionizing radiation response.
ProcNatlAcadSciUSA 2001; 98: 5116-5121
23 Pan W, Lin J, Le CT. A mixture model approach to detecting differentially expressed genes with microarray data. FunctIntegrGenomics 2003; 3: 117-124
24 Strimmer K. Modeling gene expression measurement error: a quasi-likelihood approach. BMC Bioinformatics
2003; 4: 10
25 Segal MR, Dahlquist KD, Conklin BR. Regression approaches for microarray data analysis. J ComputBiol
2003; 10: 961-980
26 Li H, Gui J. Partial Cox regression analysis for high-dimensional microarray gene expression data. Bioinformatics
2004; 20: I208-I215
27 Huang X, Pan W. Linear regression and two-class classification with gene expression data. Bioinformatics 2003; 19: 2072-2078
28 Azuaje F. Clustering-based approaches to discovering and visualising microarray data patterns. Brief Bioinform
2003; 4: 31-42
29 Guess MJ, Wilson SB. Introduction to hierarchical clustering. J ClinNeurophysiol 2002; 19: 144-151
30 Levenstien MA, Yang Y, Ott J. Statistical significance for hierarchical clustering in genetic
association and microarray expression studies. BMC Bioinformatics 2003; 4: 62
31 Bertucci F, Salas S, Eysteries S, Nasser V, Finetti P, Ginestier C, Charafe-Jauffret E, Loriod B, Bachelart L, Montfort J, Victorero G, Viret F, Ollendorff V, Fert V, Giovaninni M, Delpero JR, Nguyen C, Viens P, Monges G, Birnbaum D, Houlgatte R. Gene expression profiling of colon cancer by DNA microarrays and correlation with histoclinical parameters. Oncogene 2004; 23: 1377-1391
32 Sorlie T, Perou CM, Tibshirani R, Aas T, Geisler S, Johnsen H, Hastie T, Eisen MB, van de Rijn M, Jeffrey SS, Thorsen T, Quist H, Matese JC, Brown PO, Botstein D, EysteinLonning P, Borresen-Dale AL. Gene expression patterns of breast carcinomas distinguish tumor subclasses with clinical implications. ProcNatlAcadSci USA 2001; 98: 10869-10874
33 Sherlock G. Analysis of large-scale gene expression data. Brief Bioinform 2001; 2: 350-362
34 D'ambrosio C, Akin C, Wu Y, Magnusson MK, Metcalfe DD. Gene expression analysis in mastocytosis reveals a highly consistent profile with candidate molecular markers. J Allergy ClinImmunol 2003; 112: 1162-1170
35 Steinley D. Local optima in K-means clustering: what you don't know may hurt you. PsycholMethods 2003; 8: 294-304
36 Toronen P, Kolehmainen M, Wong G, Castren E. Analysis of gene expression data using self-organizing maps. FEBS Lett 1999; 451: 142-146
37 Covell DG, Wallqvist A, Rabow AA, Thanki N. Molecular classification of cancer: unsupervised self-organizing map analysis of gene expression microarray data. Mol Cancer Ther 2003; 2: 317-332
38 Getz G, Levine E, Domany E. Coupled two-way clustering analysis of gene microarray data. ProcNatlAcadSci USA
2000; 97: 12079-12084
39 Hastie T, Tibshirani R, Eisen MB, Alizadeh A, Levy R, Staudt L, Chan WC, Botstein D, Brown P. 'Gene shaving' as a method for identifying distinct sets of genes with similar expression patterns. Genome Biol 2000; 1: RESEARCH0003
40 Jiang H, Deng Y, Chen HS, Tao L, Sha Q, Chen J, Tsai CJ, Zhang S. Joint analysis of two microarray gene-expression data sets to select lung adenocarcinoma marker genes. BMC Bioinformatics 2004; 5: 81 rats. Dig Dis Sci 1995; 40: 2162-2169
41 Lazzeroni L, Owen A. Plaid models for gene expression data. StatisticaSinica 2002; 12: 61-86
42 Plaid models, for microarrays and DNA expression Available from: URL: http://www-stat. stanford. edu/~owen/plaid
43 Wang J, Delabie J, Aasheim H, Smeland E, Myklebost O. Clustering of the SOM easily reveals distinct gene expression patterns: results of a reanalysis of lymphoma study. BMC Bioinformatics 2002; 3: 36
44 Herrero J, Dopazo J. Combining hierarchical clustering and self-organizing maps for exploratory analysis of gene expression patterns. J Proteome Res 2002; 1: 467-470
45 Tsai CA, Lee TC, Ho IC, Yang UC, Chen CH, Chen JJ. Multi-class clustering and prediction in the analysis of microarray data. Math Biosci 2005; 193: 79-100
46 Brock A, Huang S, Ingber DE. Identification of a distinct class of cytoskeleton-associated mRNAs using microarray technology. BMC Cell Biol 2003; 4: 6
47 Billings SA, Lee KL. Nonlinear fisher discriminant analysis using a minimum squared error cost function and the
orthogonal least squares algorithm. Neural Netw 2002; 15: 263-270
48 Cho JH, Lee D, Park JH, Lee IB. Gene selection and classification from microarray data using kernel machine. FEBS Lett 2004; 571: 93-98
49 Dangond F, Hwang D, Camelo S, Pasinelli P, Frosch MP, Stephanopoulos G,Stephanopoulos G, Brown RH Jr, Gullans SR. Molecular signature of late-stage human ALS revealed by expression profiling of postmortem spinal cord gray matter. PhysiolGenomics 2004;16: 229-239
50 Friedman N, Linial M, Nachman I, Pe'er D. Using Bayesian networks to analyze expression data. J ComputBiol 2000; 7: 601-620
51 Imoto S, Higuchi T, Goto T, Tashiro K, Kuhara S, Miyano S. Combining microarrays and biological knowledge for estimating gene networks via bayesian networks. J BioinformComputBiol 2004; 2: 77-98
52 Kim SY, Imoto S, Miyano S. Inferring gene networks from time series microarray data using dynamic Bayesian networks. Brief Bioinform 2003; 4: 228-235
53 Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, Haussler D. Support vector machine classification and validation of cancer tissue samples using microarray expression data. Bioinformatics 2000; 16: 906-914
54 Buerstatte CR, Behar KL, Novotny EJ, Lai JC. Brain regional development of the activity of alpha-ketoglutarate dehydrogenase complex in the rat. Brain Res Dev Brain Res 2000; 125: 139-145
55 Liu Y. Active learning with support vector machine applied to gene expression data for cancer classification. J ChemInfComputSci 2004; 44: 1936-1941
56 Williams RD, Hing SN, Greer BT, Whiteford CC, Wei JS, Natrajan R, Kelsey A, Rogers S, Campbell C, Pritchard-Jones K, Khan J. Prognostic classification of relapsing favorable histology Wilms tumor using cDNA microarray expression profiling and support vector machines. Genes Chromosomes Cancer 2004; 41: 65-79
57 Podgorelec V, Kokol P, Stiglic B, Rozman I. Decision trees: an overview and their use in medicine. J Med Syst 2002; 26: 445-463
58 Dettling M, Buhlmann P. Boosting for tumor classification with gene expression data. Bioinformatics 2003; 19: 1061-1069
59 Middendorf M, Kundaje A, Wiggins C, Freund Y, Leslie C. Predicting genetic regulatory response using classification. Bioinformatics 2004; 20 Suppl 1: I232-I240
60 Agatonovic-Kustrin S, Beresford R. Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research. J Pharm Biomed Anal 2000; 22: 717-727
61 O'Neill MC, Song L. Neural network analysis of lymphoma microarray data: prognosis and diagnosis near-perfect. BMC Bioinformatics 2003; 4: 13
62 Sawa T, Ohno-Machado L. A neural network-based similarity index for clustering DNA microarray https://www.360docs.net/doc/2f13911717.html,putBiolMed 2003; 33: 1-15
63 Wang A, Gehan EA. Gene selection for microarray data analysis using principal component analysis. Stat Med 2005; 24: 2069-2087
64 Sharov AA, Dudekula DB, Ko MS. A web-based tool for principal component and significance analysis of microarray data. Bioinformatics 2005; 21: 2548-2549
65 Liu A, Zhang Y, Gehan E, Clarke R. Block principal component analysis with application to gene microarray data classification. Stat Med 2002; 21: 3465-3474
66 Crescenzi M, Giuliani A. The main biological determinants of tumor line taxonomy elucidated by a principal component analysis of microarray data. FEBS Lett 2001; 507: 114-118 67 Yeung KY, Ruzzo WL. Principal component analysis for clustering gene expression data. Bioinformatics
2001; 17: 763-774
68 Slonim DK. From patterns to pathways: gene expression data analysis comes of age. Nat Genet 2002; 32 Suppl: 502-508
69 Hudson ME, Quail PH. Identification of promoter motifs involved in the network of phytochrome A-regulated gene expression by combined analysis of genomic sequence and microarray data. Plant Physiol 2003; 133: 1605-1616
70 Gutierrez-Rios RM, Rosenblueth DA, Loza JA, Huerta AM, Glasner JD, Blattner FR, Collado-Vides J. Regulatory network of Escherichia coli: consistency between literature knowledge and microarray profiles. Genome Res 2003; 13: 2435-2443
全基因组表达谱分析方法(DGE)
全基因组表达谱分析方法（DGE）----基于新一代测序技术的 技术路线 该方法首先从每个mRNA的3’端酶切得到一段21bp的TAG片段（特异性标记该基因）；然后通过高通量测序，得到大量的TAG序列，不同的TAG序列的数量就代表了相应基因的表达量；通过生物信息学分析得到TAG代表的基因、基因表达水平、以及样品间基因表达差异等信息。技术路线如下： 1、样品准备： a) 提供浓度≥300ng/ul、总量≥6ug、OD260/280为1.8~2.2的总RNA样品； 2、样品制备（见图1-1）： a) 类似SAGE技术，通过特异性酶切的方法从每个mRNA的3’末端得到一段21bp 的特异性片段，用来标记该基因，称为TAG； b) 在TAG片段两端连接上用于测序的接头引物； 3、上机测序： a) 通过高通量测序每个样品可以得到至少250万条TAG序列； 4、基本信息分析： a) 对原始数据进行基本处理，得到高质量的TAG序列； b) 通过统计每个TAG序列的数量，得到该TAG标记的基因的表达量； c) 对TAG进行注释，建立TAG和基因的对应关系； d) 基因在正义链和反义链上表达量间的关系； e) 其它统计分析； 5、高级信息分析： a) 基因在样品间差异表达分析； b) 库容量饱和度分析；
c) 其它分析； 测序优势 利用高通量测序进行表达谱研究的优势很明显，具体如下： 1．数字化信号：直接测定每个基因的特异性表达标签序列，通过计数表达标签序列的数目来确定该基因的表达量，大大提高了定量分析的准确度。整体表达差异分布符合正态分布，不会因为不同批次实验引起不必要的误差。 2．可重复性高：不同批次的表达谱度量准确，能够更准确的进行表达差异分析。 3．高灵敏度：对于表达差异不大的基因能够灵敏的检测其表达差异；能够检测出低丰度的表达基因。 4．全基因组分析，高性价比：由于该技术不用事先设计探针，而是直接测序的方式，因此无需了解物种基因信息，可以直接对任何物种进行包括未知基因在内的全基因组表达谱分析，因此性价比很高。 5．高通量测序：已有数据表明，当测序通量达到200万个表达标签时，即可得到样本中接近全部表达基因的表达量数据，而目前每个样本分析可以得到300 万~600万个表达标签。
基因表达谱测序
基因表达谱测序 背景介绍 基因表达谱分析利用HiSeq 2000高通量测序平台对mRNA进行测序，获得10M读长为49nt的原始reads，每一个reads可以对应到相应的转录本，从而研究基因的表达差异情况。与转录组测序相比，基因表达谱分析要求的读长更短，测序通量更小，仅可用于基因表达差异的研究。该方法具有定量准、可重复性高、检测阈值宽、成本低等特点，能很好的替代以往的数字化表达谱分析。 技术路线
生物信息学分析 送样要求 样品要求 1. 所需Total RNA 的量均不少于 20μg/文库，Total RNA 可以保存在DEPC 处理过的水中、75%的乙醇、异丙醇中，具体以什么方式保存请注明。 2. 如提供实验材料为动物组织材料，样品质量需大于2g ； 3. 如提供实验材料为植物样品，样品质量需大于4g ； 4. 如提供实验材料为培养细胞，请提供1×107培养好的细胞； 5. 如提供实验材料为血液样品，请提供≥2ml 的样品。 我们强烈建议在送样的同时客户做好备份，以备后续实验之用。 样品纯度要求 1. OD 260/OD 280在1.8- 2.0之间，RNA 无降解、28S 和18S 核糖体RNA 条带非常亮且清晰（其
大小决定于用于抽提RNA的物种类型），28S的密度大约是18S的2倍；Agilent 2100检测仪分析RNA完整性数据RIN≥8。 2. 无蛋白质、基因组DNA污染，如有污染请去蛋白并进行DNase I处理。 请提供至少一种样品的凝胶电泳或者Agilent 2100检测仪检测图片，并注明其浓度、体积、OD260/OD280、溶剂名称、制备时间、物种来源以及特别备注。最终以我方定量、质检为准。 样品采集 为了保证提取RNA的完整性，确保后续实验的顺利进行，请务必确保样品的新鲜，对于如何确保样品的新鲜针对不同的样品获取材料的方法如下： 1. 动物组织：从活体上迅速的取下组织（切成黄豆粒大小的块状），每切成一个黄豆粒大小的块状立即放入液氮中，重复上述操作，直至足够提取总RNA的量；准备一个50ml的离心管，做相应的标记（样品名称、编号、客户姓名、时间），最好既在管盖上做好标记，也在管壁上做好相应的标记，先放入液氮中预冷2-3min，拿出离心管（离心管的下部分还是保持在液氮中），打开离心管的盖子，将液氮中黄豆粒大小的块状收集进离心管中。 2. 植物组织： （1）如所采集的是果实、麦穗等体积偏大的样品，收集样品请参照1.动物组织取样方法；（2）如采集的是叶片等体积偏小的样品，请尽量采集嫩叶、幼芽等，每采集一片叶片立即放入液氮中，直至足够提取总RNA的量，后续操作请参照动物组织的采集。 （3）如是植物的花，在采集花骨朵的时候请尽量不要采集到花萼、叶片等，每采集一个花骨朵请立即放入液氮中，直至足够提取总RNA的量；后续操作请参照动物组织的采集。3. 如提供实验材料为菌丝体，请取500μl的菌液于1.5ml离心管中，离心去上清，剩余菌丝体放入液氮或干冰中，请提供不少于5管的菌丝体。 样品运输 从液氮中取出准备好的样品，请立即放入干冰中，并用干冰掩埋好样品。请填写完整订单，放入自封袋中与样品一起邮寄。为防止RNA的降解，请确保干冰的量足够运送到目的地。我们强烈建议在寄送RNA样品时将RNA保存在75%的乙醇或异丙醇中。 如是特殊样品，关于送样量和保存问题请与我们联系沟通，以便双方共同协商解决。 提供结果 根据客户需求，提供不同深度的信息分析结果。
(完整版)小鼠表达谱芯片及服务
小鼠表达谱芯片及服务 热点推荐 芯片名称：Agilent SurePrint G3 Mouse Gene Expression 8x60K HOT！ 芯片介绍：安捷伦基于G3平台最新设计的小鼠表达谱芯片。涵盖39,430 条Entrez Gene RNAs 外，及16,251条lincRNA。除了检测蛋白编码RNA表达量变化，还能检测非编码lincRNA 的表达量变化。探针设计参照的数据库为：RefSeq Build 37；Ensembl Release 55；Unigene Build 176；GenBank (April 2009)；RIKEN 3。lincRNA探针是Agilent和John Rinn 实验室（麻省理工学院-哈佛大学Broad研究所）共同设计的。 Agilent 小鼠表达谱芯片服务 芯片名称：Agilent SurePrint G3 Mouse Gene Expression 8x60K NEW！ 芯片介绍：安捷伦基于G3平台最新设计的小鼠表达谱芯片。涵盖39,430 条Entrez Gene RNAs 外，及16,251条lincRNA。除了检测蛋白编码RNA表达量变化，还能检测非编码lincRNA 的表达量变化。探针设计参照的数据库为：RefSeq Build 37；Ensembl Release 55；Unigene Build 176；GenBank (April 2009)；RIKEN 3。lincRNA探针是Agilent和John Rinn 实验室（麻省理工学院-哈佛大学Broad研究所）共同设计的。 芯片推荐：Agilent Whole Mouse Genome Oligo Microarray（4×44K） 芯片介绍：Agilent小鼠全基因组表达谱芯片，真正代表小鼠基因组中所有已知基因及其产生的转录本，代表了超过41,174 个小鼠基因和转录本。设计该产品所用的序列信息源于UCSC、NIA、RefSeq、Ensembl、Unigene和RIKEN等数据库，而且绝大多数探针经过Agilent专利的实验验证程序的检验和优化。 Affymetrix 小鼠表达谱芯片服务 芯片名称：GeneChip Mouse Genome 430 2.0 Array 详细介绍：涵盖了39,000个转录本，代表34,000个的小鼠基因。序列信息基于GeneBank、dbEST、RefSeq，The sequence clusters 在UniGene database (Build 107, June 2002)创建，并通过了Whitehead Institute for Genome Research (MGSC, April 2002)小鼠基因组进行了分析比较。 芯片推荐：Affymetrix GeneChip HT MG-430 PM Array Plate 芯片介绍：该款芯片信息与Affymetrix 小鼠基因组430 2.0芯片相同。涵盖了39,000个转录本，代表34,000个的小鼠基因。序列信息基于GeneBank、dbEST、RefSeq，The sequence clusters 在UniGene database (Build 107, June 2002)创建，并通过了Whitehead Institute for Genome Research (MGSC, April 2002)小鼠基因组进行了分析比较。 Phalanx小鼠表达谱芯片及服务 芯片名称：Phalanx MOA V5 Mouse OneArray? 芯片介绍：源自台湾工业研究院专利生产技术，依据美国食品药品管理局（FDA）制定的生物芯片质量评估标准MAQC计划规范，总探针数27,294个，基因探针数26,423个，参考数据库：RefSeq release 42；Ensemble release 59。 Illumina小鼠表达谱芯片服务 芯片推荐：Illumina Mouse WG-6 expression beadchips
基因芯片的数据分析
基因表达谱芯片的数据分析 基因芯片数据分析就是对从基因芯片高密度杂交点阵图中提取的杂交点荧光强度信号进行的定量分析，通过有效数据的筛选和相关基因表达谱的聚类，最终整合杂交点的生物学信息，发现基因的表达谱与功能可能存在的联系。然而每次实验都产生海量数据，如何解读芯片上成千上万个基因点的杂交信息，将无机的信息数据与有机的生命活动联系起来，阐释生命特征和规律以及基因的功能，是生物信息学研究的重要课题[1]。基因芯片的数据分析方法从机器学习的角度可分为监督分析和非监督分析，假如分类还没有形成，非监督分析和聚类方法是恰当的分析方法；假如分类已经存在，则监督分析和判别方法就比非监督分析和聚类方法更有效率。根据研究目的的不同[2,3]，我们对基因芯片数据分析方法分类如下。（1）差异基因表达分析：基因芯片可用于监测基因在不同组织样品中的表达差异，例如在正常细胞和肿瘤细胞中；（2）聚类分析：分析基因或样本之间的相互关系，使用的统计方法主要是聚类分析；（3）判别分析：以某些在不同样品中表达差异显著的基因作为模版，通过判别分析就可建立有效的疾病诊断方法。 1 差异基因表达分析(difference expression, DE) 对于使用参照实验设计进行的重复实验，可以对2样本的基因表达数据进行差异基因表达分析，具体方法包括倍数分析、t检验、方差分析等。 1.1倍数变化(fold change, FC) 倍数分析是最早应用于基因芯片数据分析的方法[4]，该方法是通过对基因芯片的ratio值从大到小排序，ratio 是cy3/cy5的比值，又称R/G值。一般0.5-2.0范围内的基因不存在显著表达差异，该范围之外则认为基因的表达出现显著改变。由于实验条件的不同，此阈值范围会根据可信区间应有所调整[5,6]。处理后得到的信息再根据不同要求以各种形式输出，如柱形图、饼形图、点图等。该方法的优点是需要的芯片少，节约研究成本；缺点是结论过于简单，很难发现更高层次功能的线索；除了有非常显著的倍数变化的基因外，其它变化小的基因的可靠性就值得怀疑了；这种方法对于预实验或实验初筛是可行的[7]。此外倍数取值是任意的，而且可能是不恰当的，例如，假如以2倍为标准筛选差异表达基因，有可能没有1条入选，结果敏感性为0，同样也可能出现很多差异表达基因，结果使人认为倍数筛选法是在盲目的推测[8,9]。 1.2 t检验(t-test) 差异基因表达分析的另一种方法是t检验[10]，当t超过根据可信度选择的标准时，比较
基因表达谱芯片的数据分析
基因表达谱芯片的数据分析(2012-03-13 15:25:58)转载▼ 标签：杂谈分类：生物信息 摘要 基因芯片数据分析的目的就是从看似杂乱无序的数据中找出它固有的规律, 本文根据数据分析的目的, 从差异基因表达分析、聚类分析、判别分析以及其它分析等角度对芯片数据分析进行综述, 并对每一种方法的优缺点进行评述, 为正确选用基因芯片数据分析方法提供参考. 关键词: 基因芯片; 数据分析; 差异基因表达; 聚类分析; 判别分析 吴斌, 沈自尹. 基因表达谱芯片的数据分析. 世界华人消化杂志2006;14(1):68-74 https://www.360docs.net/doc/2f13911717.html,/1009-3079/14/68.asp 0 引言 基因芯片数据分析就是对从基因芯片高密度杂交点阵图中提取的杂交点荧光强度信号进行的定量分析, 通过有效数据的筛选和相关基因表达谱的聚类, 最终整合杂交点的生物学信息, 发现基因的表达谱与功能可能存在的联系. 然而每次实验都产生海量数据, 如何解读芯片上成千上万个基因点的杂交信息, 将无机的信息数据与有机的生命活动联系起来, 阐释生命特征和规律以及基因的功能, 是生物信息学研究的重要课题[1]. 基因芯片的数据分析方法从机器学习的角度可分为监督分析和非监督分析, 假如分类还没有形成, 非监督分析和聚类方法是恰当的分析方法; 假如分类已经存在, 则监督分析和判别方法就比非监督分析和聚类方法更有效率。根据研究目的的不同[2,3], 我们对基因芯片数据分析方法分类如下: (1)差异基因表达分析: 基因芯片可用于监测基因在不同组织样品中的表达差异, 例如在正常细胞和肿瘤细胞中; (2)聚类分析: 分析基因或样本之间的相互关系, 使用的统计方法主要是聚类分析; (3)判别分析: 以某些在不同样品中表达差异显著的基因作为模版, 通过判别分析就可建立有效的疾病诊断方法. 1 差异基因表达分析(difference expression, DE) 对于使用参照实验设计进行的重复实验, 可以对2样本的基因表达数据进行差异基因表达分
基因芯片数据功能分析
生物信息学在基因芯片数据功能分析中的应用 2009-4-29 随着人类基因组计划(Human Genome Project)即全部核苷酸测序的即将完成，人类基因组研究的重心逐渐进入后基因组时代(Postgenome Era)，向基因的功能及基因的多样性倾斜。通过对个体在不同生长发育阶段或不同生理状态下大量基因表达的平行分析，研究相应基因在生物体内的功能，阐明不同层次多基因协同作用的机理，进而在人类重大疾病如癌症、心血管疾病的发病机理、诊断治疗、药物开发等方面的研究发挥巨大的作用。它将大大推动人类结构基因组及功能基因组的各项基因组研究计划。生物信息学在基因组学中发挥着重大的作用, 而另一项崭新的技术——基因芯片已经成为大规模探索和提取生物分子信息的强有力手段，将在后基因组研究中发挥突出的作用。基因芯片与生物信息学是相辅相成的，基因芯片技术本身是为了解决如何快速获得庞大遗传信息而发展起来的，可以为生物信息学研究提供必需的数据库，同时基因芯片的数据分析也极大地依赖于生物信息学，因此两者的结合给分子生物学研究提供了一条快捷通道。 本文介绍了几种常用的基因功能分析方法和工具： 一、GO基因本体论分类法 最先出现的芯片数据基因功能分析法是GO分类法。Gene Ontology（GO，即基因本体论）数据库是一个较大的公开的生物分类学网络资源的一部分，它包含38675 个Entrez Gene注释基因中的17348个，并把它们的功能分为三类：分子功能，生物学过程和细胞组分。在每一个分类中，都提供一个描述功能信息的分级结构。这样，GO中每一个分类术语都以一种被称为定向非循环图表（DAGs）的结构组织起来。研究者可以通过GO分类号和各种GO数据库相关分析工具将分类与具体基因联系起来，从而对这个基因的功能进行描述。在芯片的数据分析中，研究者可以找出哪些变化基因属于一个共同的GO功能分支，并用统计学方法检定结果是否具有统计学意义，从而得出变化基因主要参与了哪些生物功能。 EASE（Expressing Analysis Systematic Explorer）是比较早的用于芯片功能分析的网络平台。由美国国立卫生研究院（NIH）的研究人员开发。研究者可以用多种不同的格式将芯片中得到的基因导入EASE 进行分析，EASE会找出这一系列的基因都存在于哪些GO分类中。其最主要特点是提供了一些统计学选项以判断得到的GO分类是否符合统计学标准。EASE 能进行的统计学检验主要包括Fisher 精确概率检验，或是对Fisher精确概率检验进行了修饰的EASE 得分（EASE score）。 由于进行统计学检验的GO分类的数量很多，所以EASE采取了一系列方法对“多重检验”的结果进行校正。这些方法包括弗朗尼校正法（Bonferroni），本杰明假阳性率法（Benjamini falsediscovery rate）和靴带法（bootstraping）。同年出现的基于GO分类的芯片基因功能分析平台还有底特律韦恩大学开发的Onto-Express。2002年，挪威大学和乌普萨拉大学联合推出的Rosetta 系统将GO分类与基因表达数据相联系，引入了“最小决定法则”（minimal decision rules）的概念。它的基本思想是在对多张芯片结果进行聚类分析之后，与表达模式
1表达谱芯片
康成生物全基因组表达谱芯片技术服务 康成生物为您提供全基因组表达谱芯片技术服务，您只需要提供保存完好的组织或细胞标本，康成的芯片技术服务人员就可为您完成全部实验操作, 并提供完整的实验报告。根据您的需要您可选择不同厂家提供的全基因组表达谱芯片，包括Phalanx , Agilent和NimbleGen。 Phala nx 全基因组表达谱芯片 华联生物科技开发的标准规格的高密度基因组芯片(Phalanx Whole Genome Microarray)在开发过程中透过台湾工业技术研究院与英国 Sanger Institute等国外权威研究机构合作，从设计到生产再到实验的各个步骤中均执行严格标准，采用创新技术，广泛吸收现有芯片的优点，使得其生产的高密度基因组芯片获得了优异的国际品质。康成生物为您提供华联生物高密度基因组芯片及全程技术服务。 Phalanx Slide TM专利片基处理技术 华联生物的高密度基因组芯片，探针设计采用台湾工业技术研究院特有探针设计软件平台( Integrated Massive Probes Optimal Recognition Tool ，IMPORT )。在芯片的制作过程中，华联生物应用表面化学专利技术( PhalanxSlide TM Technology )对片基表面进行处理，使得片基与寡核苷酸探针的亲和活力更高，背景噪音更低，点阵的均一性更强。 高速的PhalanxArray探针布放技术 华联生物在点样过程中，采用非接触式基因探针布放技术，并以方阵基因探针高速布放技术(PhalanxArray Technology)之优势，大量生产。PhalanxArray 同时使用196个排列整齐的PhalanxJets，在一张芯片上布放39，200个均一的探针。PhalanxArray能够布放多达1，000，000张高 密度芯片，布放效率和产量是目前市场上一般芯片布放系统的100倍。 先进的PhalanxJet TM专利点样技术 华联生物开发出独特的PhalanxJet TM系统，结合其先进的非接触式基因探针布放技术和专利的片基处理技术，保证了探针布放的高重复性。尤其重要 的是，PhalanxJet TM系统可以最大限度的避免探针布放中可能的探针交叉污染。每个单独的PhalanxJet TM包含200个独立的点样针，分别对应不同 的探针，在布放时彼此独立，不会相互干扰。 严谨的检测探针和控制探针设计 华联生物的的高密度基因组芯片，寡核苷酸探针均经过严格筛选，能特异性检测数据库中的基因，灵敏度高，特异性强。人类基因组表达谱芯片，探针 信息主要基于数据库UniGene V.175版，同时整合了各大重要数据库信息。小鼠基因组表达谱芯片，探针信息基于数据库MEEBO (Mouse Exonic Evidence Based Oligonucleotide) 。 华联生物的高密度基因组芯片，实验控制探针设计严谨，包括GAM，OGAM，CGAMs，IHCs，ITQC，ETQC等等，并且还采用了多家公司已经设计好的芯片检测探针，如SpotReport Oligo Array 验证系统，Stratagene 的Alien Oligo Array 验证系统，以及Ambion 公司的ArrayControl Sense Oligo Spots系统等等，从而全面检测样品质量，杂交反应效果，标记反应效果等。使得芯片质量与实验效果得到双重保障。 生物芯片质量评估标准MAQC规范 依据美国食品药物管理局(FDA)与国际上主要生物芯片企业协商制定的生物芯片质量评估标准MAQC计划规范，华联全基因组表达谱芯片各项指标，
基因芯片数据处理流程与分析介绍
基因芯片数据处理流程与分析介绍 关键词：基因芯片数据处理 当人类基因体定序计划的重要里程碑完成之后，生命科学正式迈入了一个后基因体时代，基因芯片(microarray) 的出现让研究人员得以宏观的视野来探讨分子机转。不过分析是相当复杂的学问，正因为基因芯片成千上万的信息使得分析数据量庞大，更需要应用到生物统计与生物信息相关软件的协助。要取得一完整的数据结果，除了前端的实验设计与操作的无暇外，如何以精确的分析取得可信数据，运筹帷幄于方寸之间，更是画龙点睛的关键。 基因芯片的应用 基因芯片可以同时针对生物体内数以千计的基因进行表现量分析，对于科学研究者而言，不论是细胞的生命周期、生化调控路径、蛋白质交互作用关系等等研究，或是药物研发中对于药物作用目标基因的筛选，到临床的疾病诊断预测，都为基因芯片可以发挥功用的范畴。 基因表现图谱抓取了时间点当下所有的动态基因表现情形，将所有的探针所代表的基因与荧光强度转换成基本数据(raw data) 后，仿如尚未解密前的达文西密码，隐藏的奥秘由丝丝的线索串联绵延，有待专家抽丝剥茧，如剥洋葱般从外而内层层解析出数千数万数据下的隐晦含义。 要获得有意义的分析结果，恐怕不能如泼墨画般洒脱随兴所致。从raw data 取得后，需要一连贯的分析流程(图一)，经过许多统计方法，才能条清理明的将raw data 整理出一初步的分析数据，当处理到取得实验组除以对照组的对数值后(log2 ratio)，大约完成初步的统计工作，可进展到下一步的进阶分析阶段。
图一、整体分析流程。基本上raw data 取得后，将经过从最上到下的一连串分析流程。(1) Rosetta 软件会透过统计的model，给予不同的权重来评估数据的可信度，譬如一些实验操作的误差或是样品制备与处理上的瑕疵等，可已经过Rosetta error model 的修正而提高数据的可信值；(2) 移除重复出现的探针数据；(3) 移除flagged 数据，并以中位数对荧光强度的数据进行标准化(Normalized) 的校正；(4) Pearson correlation coefficient (得到R 值) 目的在比较技术性重复下的相似性，R 值越高表示两芯片结果越近似。当R 值超过0.975，我们才将此次的实验结果视为可信，才继续后面的分析流程；(5) 将技术性重复芯片间的数据进行平均，取得一平均之后的数据；(6) 将实验组除以对照组的荧光表现强度差异数据，取对数值(log2 ratio) 进行计算。 找寻差异表现基因 实验组与对照组比较后的数据，最重要的就是要找出显著的差异表现基因，因为这些正是条件改变后而受到调控的目标基因，透过差异表现基因的加以分析，背后所隐藏的生物意义才能如拨云见日般的被发掘出来。 一般根据以下两种条件来筛选出差异表现基因：(i) 荧光表现强度差异达2 倍变化(fold change 增加2 倍或减少2倍) 的基因。而我们通常会取对数(log2) 来做fold change 数值的转换，所以看的是log2 ≧1 或≦-1 的差异表现基因；(ii) 显著值低于0.05 (p 值< 0.05) 的基因。当这两种条件都符合的情况下所交集出来的基因群，才是显著性高且稳定的差异表现基因。
基因表达谱芯片数据分析及其Bioconductor实现
基因表达谱芯片数据分析及其Bioconductor实现 1.表达谱芯片及其应用 表达谱DNA芯片（DNA microarrays for gene expression profiles）是指将大量DNA片段或寡核昔酸固定在玻璃、硅、塑料等硬质载体上制备成基因芯片，待测样品中的mRNA被提取后，通过逆转录获得cDNA,并在此过程中标记荧光，然后与包含上千个基因的DNA芯片进行杂交反应30min~20h后，将芯片上未发生结合反应的片段洗去，再对玻片进行激光共聚焦扫描，测定芯片上个点的荧光强度，从而推算出待测样品中各种基因的表达水平。用于硏究基因表达的芯片可以有两种：①cDNA芯片；② 寡核昔酸芯片。 cDNA芯片技术及载有较长片段的寡核昔酸芯片采用双色荧光系统：U前常用Cy3—dUTP （绿色）标记对照组mRNA, Cy5—dUTP （红色）标记样品组mRNAUl。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（ratio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⑵。 基因芯片因具有高效率，高通量、高精度以及能平行对照研究等特点，被迅速应用于动、植物和人类基因的研究领域，如病原微生物毒力相关基因的。基因表达谱可直接检测mRNA的种类及丰度，可以同时分析上万个基因的表达变化，来揭示基因之间表达变化的相互关系。表达谱芯片可用于研究：①同一个体在同一时间里，不同基因的表达差异。芯片上固定的已知序列的cDNA或寡聚核昔酸最多可以达到30 000多个序列，与人类全基因组基因数相当，所以基因芯片一次反应儿乎就能够分析整个人的基因⑶。②同一个体在不同时间里，相同基因的表达差异。 ③不同个体的相同基因表达上的差异。利用基因芯片可以分析多个样本，同时筛选不同样本（如肿瘤组织、癌前病变和正常组织）之间差异表达的基因，这样可以避免了芯片间的变异造成的误差⑷。张辛燕⑸ 等将512个人癌基因和抑癌基因的cDNA用点样仪点在特制玻片上制成表达谱芯片，对正常人卵巢组织及卵巢癌组织基因表达的差异性进行比较研究，结果发现在卵巢癌组织中下调的基因有23个，上调的基因有15个，初步筛选出了卵巢癌相关基因。Lowe⑹等利用胰腺癌、问充质细胞癌等组织的cDNA制备基因芯片，筛选到胰腺癌细胞中高表达的基因，为医疗诊断、病理研究及新药设计 奠定基础。 2.表达谱芯片的数据处理技术
基因表达谱聚类
基因表达谱聚类分析 [ 文章来源：| 文章作者：| 发布时间：2006-12-21| 字体：[大中小] 学习过程可以采用从全局到局部的策略。采取这种策略时，学习初期可设定较大的交互作用半径R ，随着学习过程的不断推进，逐步减小R ，直至不考虑对邻近单元的影响。邻域的形状可以是正方形或者圆形。 KFM 的聚类结果与K 均值相似，它的优点是自动提取样本数据中的信息，同时也是一种全局的决策方法，能避免陷入局部最小，缺点在于必须实现人为设定类的数目与学习参数，而且学习时间较长。KFM 方法克服了K- 均值聚类的一些缺点：它应用类间的全局关系，能提供大数据集内相似性关系的综合看法，便于研究数据变量值的分布及发现类结构。而且，它具有更稳健更准确的特点，对噪声稳定，一般不依赖于数据分布的形状。 8.4.2.5 其它聚类方法 聚类方法是数据挖掘中的基本方法，数据挖掘的方法很多，在基因表达谱的分析中，除了以上常用方法外，还有一些其它的方法。由于对聚类结果尚没有一种有效的方法进行评价，尤其是对聚类结果的进一步生物学知识发现尚没有新的分析思路和成功应用，因此，科学家们在不断地研究一些新方法。这些方法有不同的原理，能够提取不同数据特征，有可能对具体的数据得到更有意义的结果，发现更多的生物学知识。这里，简单介绍这些方法的原理，更详细的介绍请参看相关文献。 (1)模糊聚类分析方法:这是一种模拟人类的思维方法，通过隶属度函数来反映某一对象属于某一类的程度。基本思路是计算两两基因表达谱之间的相似性程度，构建模糊相似矩阵，利用模糊数学中的传递闭包计算方法得到模糊等价矩阵，选择不同的置信水平从模糊等价矩阵中构建动态聚类图。对于特定的置信水平，可以实现对基因表达谱的分类。该方法的优点是利用了模糊数学中的隶属度概念，能够更好的反映基因表达谱之间的相互关系，而且它是一种全局的优化方法，与向量的顺序无关。 (2)模糊C均值算法:该方法同样将模糊数学中的隶属度概念引入到常用的K 均值聚类方法中。对于K 均值算法，一个基因表达谱所属的类只有一个，因此，它与各类别的关系要么是 1 ，要么是0 ，即属于或不属于某一类。而对于模糊 C 均值法，一个基因表达谱是否属于某一类，是以隶属度来确定第i 个样本属于第j 类的可能性。最终的聚类结果取决于分析的目的，可以根据最大隶属度来确定基因表达谱的分类，即一个基因表达谱只属于一类；但往往是确定隶属度的阈值，只要大于该阈值，就可以将基因表达谱划分为该类，这样的划分结果是一个基因表达谱可以属于多个类，这也是可以被生物学家接受的。模糊 C 均值法与K 均值法的实现过程基本相同，所不同的是对于
Bioconductor基因芯片数据分析系列(一)：数据的读取
Bioconductor基因芯片数据分析系列（一）：R包中数据的读取 R软件的Bioconductor包是分析芯片数据的神器，今天小编打算推出芯片数据的系列教程。首先讲数据读取，以CLL数据包中的数据为例。 打开R studio。 #安装所需的R包以及CLL包，注意大小写，一般函数都是小写的 source("https://www.360docs.net/doc/2f13911717.html,/biocLite.R"); biocLite(“CLL”) 图1.显示已经安装好Bioconductor了，版本为3.4 #打开CLL包 library(CLL)
图2.显示打开CLL成功
图3.右侧栏内可见看到目前载入的程序包 data(CLLbatch) #调用RMA算法对数据预处理 CLLrma<-rma(CLLbatch) #读取处理后所有样品的基因表达值 e<- exprs(CLLrma) #查看数据 e 我们可以看到，CLL数据集中共有24个样品（CLL10.CEL, CLL11.CEL, CLL12.CEL, 等），此数据集的病人分为两组：稳定组和进展组，采用的设计为两组之间的对照试验（Control Test）。从上面的结果可知，Bioconductor具有强大的数据预处理能力和调用能力，仅仅用了6行代码就完成了数据的读取及预处理。
Bioconductor基因芯片数据分析系列（二）：GEO下载数据CEL的读取首先得下载一个数据，读取GEO的CEL文件采用如下命令： 登陆pubmed，找到一个你感兴趣的数据库
在底下栏目下载CEL文件 打开R软件 #安装所需的R包以及CLL包，注意大小写，一般函数都是小写的 source("https://www.360docs.net/doc/2f13911717.html,/biocLite.R"); biocLite(“CLL”) >library(affy) >affybatch<- ReadAffy(celfile.path = "GSE36376_RAW") 请注意目录的路径，在window下，反斜杠‘\’要用转义字符“\\”表示。 然后可以使用RMA或者MAS5等方法对数据进行background.correction, normaliztion, pm.correct等等一系列处理。如果你一切用默认参数，则可以使用如下命令： >eset<- rma(affybatch)，or eset<- mas5(affybatch) >exp<- exprs(eset) exp就是数字化的表达谱矩阵了 请注意，rma只使用匹配探针（PM）信号，exp数据已经进行log2处理。mas5综合考虑PM和错配探针（MM）信号，exp数据没有取对数。 下一期就得等到2017年春节期间啦，敬请期待~ 另外一种是直接利用GEO上面的GEO2R按钮里面的R script下载文件： # Version info: R 3.2.3, Biobase 2.30.0, GEOquery 2.40.0, limma 3.26.8 # R scripts generated Mon Dec 26 06:54:42 EST 2016 Server: https://www.360docs.net/doc/2f13911717.html, Query: acc=GSE36376&platform=GPL10558&type=txt&groups=&color s=&selection=XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXX&padj=fdr&logtransform=auto&col umns=ID&columns=adj.P.Val&columns=P.Value&columns=F&c
表达谱
对于基因表达谱数据的分析是生物信息学的研究热点和难点。转化为数学问题，分析任务是从数据矩阵 M 中找出显著性结构，结构类型包括全局模型 (model) 和局部模式 (pattern) 。对基因表达谱数据的分析是数据挖掘问题，所采用的方法包括通过可视化进行探索性数据分析（ Exploratory Data Analysis ）、描述建模 (descriptive modeling) 、分类、聚类、回归和机器学习等。 基因表达谱分析所采用的常用方法是聚类，其目的就是将基因分组。从数学的角度，聚类得到的基因分组，一般是组内各成员在数学特征上彼此相似，但与其它组中的成员不同。从生物学的角度，聚类分析方法所隐含的生物学意义或基本假设是，组内基因的表达谱相似，它们可能有相似的功能。然而，产物有相同功能的编码基因（例如对其它蛋白质有磷酸化作用），不一定共享相似的转录模式。相反，有不同功能的基因可能因为巧合或随机扰动而有相似的表达谱。尽管有许多意外的情况存在，大量功能相关的基因的确在相关的一组条件下有非常相似的表达谱，特别是被共同的转录因子共调控的基因，或者产物构成同一个蛋白复合体，或者参与相同的调控路径。因此，在具体的应用中，可以根据对相似表达谱的基因进行聚类，从而指派未知基因的功能。 聚类分析是模式识别和数据挖掘中普遍使用的一种方法，是基于数据的知识发现的有效方法，特别适用于模式分类数不知道的情况。聚类分析是一种无监督学习方法，不需要任何先验领域知识，它根据数学特征提取分类标准，对数据进行分类，这种数学特征的例子有统计平均值、相关系数、协方差矩阵的本征值及本征向量等。聚类分析在基因表达数据分析中应用得很多，主要有层次聚类、 K 均值、自组织特征映射网络等。本节将介绍基因表达数据分析中常用的聚类方法及与此相关的内容。 8.4.1 相似性度量函数 对基因表达谱进行聚类分析之前，必须首先确定反映不同基因表达谱相似程度的度量函数，根据该函数可以将相似程度高的基因分为一类。在实际计算中，还可以用距离代替相似的概念，相似性度量被转化为两个基因表达谱之间的距离。距离越小，表达模式越相近；反之，则表达模式差异大。 常见的相似性度量有距离、点积、相关系数（ correlation coefficient ）、互信息（ mutual information ）等。假设两个基因表达谱分别为X = （x 1 ,x 2 ,…,x m ）和Y = （y 1 ,y 2 ,…, y m ） , 距离函数 d( X ，Y ) 必须满足如下条件： d( X ，Y ) ≧ 0 d( X ，Y ) = d( Y ，X ) d( X ，Y ) = 0 if X = Y
基因表达谱分析技术
基因表达谱分析技术 1微阵列技术（microarray） 这是近年来发展起来的可用于大规模快速检测基因差别表达、基因组表达谱、DNA序列多态性、致病基因或疾病相关基因的一项新的基因功能研究技术。其原理基本是利用光导化学合成、照相平板印刷以及固相表面化学合成等技术,在固相表面合成成千上万个寡核苷酸“探针”（cDNA、ESTs或基因特异的寡核苷酸），并与放射性同位素或荧光物标记的来自不同细胞、组织或整个器官的DNA或mRNA反转录生成的第一链cDNA进行杂交，然后用特殊的检测系统对每个杂交点进行定量分析。其优点是可以同时对大量基因，甚至整个基因组的基因表达进行对比分析。包括cDNA芯片（cDNA microarray）和DNA芯片（DNA chips）。 cDNA芯片使用的载体可以是尼龙膜，也可以是玻片。当使用尼龙膜时，目前的技术水平可以将20000份材料点在一张12cm×18cm的膜上。尼龙膜上所点的一般是编好顺序的变性了的双链cDNA片段。要得到基因表达情况的数据，只需要将未知的样品与其杂交即可。杂交的结果表示这一样品中基因的表达模式，而比较两份不同样品的杂交结果就可以得到在不同样品中表达模式存在差异的基因。杂交使用的探针一般为mRNA的反转录产物，标记探针使用32PdATP。如果使用玻片为载体，点阵的密度要高于尼龙膜。杂交时使用两种不同颜色的荧光标记不同的两份样品，然后将两份样品混合起来与一张芯片杂交。洗去未杂交的探针以后，能够结合标记cDNA的点受到激发后会发出荧光。通过扫描装置可以检测各个点发出荧光的强度。对每一个点而言，所发出的两种不同荧光的强度的比值，就代表它在不同样品中的丰度。一般来讲，显示出来的图像中，黄色的点表示在不同的样品中丰度的差异不大，红色和绿色的点代表在不同样品中其丰度各不相同。使用尼龙膜为载体制作cDNA芯片进行研究的费用要比玻片低，因为尼龙膜可以重复杂交。检测两种不同的组织或相同组织在不同条件下基因表达的差异，只需要使用少量的尼龙膜。但是利用玻片制作的cDNA芯片灵敏度更高，而且可以使用2种探针同时与芯片杂交，从而降低了因为杂交操作带来的差异；缺点是无法重复使用还必须使用更为复杂的仪器。 Guo等（2004）将包含104个重组子的cDNA文库点在芯片上，用于检测拟南芥叶片衰老时的基因表达模式，得到大约6200差异表达的ESTs，对应2491个非重复基因。其中有134个基因编码转录因子，182个基因预测参与信号传导，如MAPK级联传导路径。Li等（2006）设计高密度的寡核苷酸tiling microarray方法，检测籼稻全基因组转录表达情况。芯片上包含13,078,888个36-mer寡核苷酸探针，基于籼稻全基因组shot-gun测序的序列合成，大约81.9%（35,970）的基因发生转录事件。Hu等（2006）用含有60,000寡核苷酸探针（代表水稻全部预测表达基因）的芯片检测抗旱转基因植株（过量表达SNAC1水稻）中基因的表达情况，揭示大量的逆境相关基因都是上升表达的。 2基因表达系列分析（Serial analysis of gene expression,SAGE） 基因表达系列分析（SAGE）是一种转录物水平上研究细胞或组织基因表达模式的快速、有效的技术，也是一种高通量的功能基因组研究方法，它可以同时将不同基因的表达情况进行量化研究（Velculescu et al.,1995）。SAGE的基本原理是：每一条mRNA序列都可以用它包含的9bp的小片段（TAG）代替，因此考查这些TAGs出现的频率就能知道每一种mRNA 的丰度。首先利用生物素标记的oligo（dT）引物将mRNA反转录成双链cDNA，然后利用NlaIII 酶切双链cDNA。NlaIII酶的识别位点只有4bp，因此cDNA都被切成几十bp的小片段。带有生物素标记的小片段cDNA被分离出来，平均分成2份。这2份cDNA分别跟2个接头连接，2个接头中均有一个FokI酶切位点。FokI是一种II S型核酸内切酶，其识别位点不对称，切割位点位于识别位点下游9bp且不依赖于特异的DNA序列。FokI酶切分成2份的cDNA之
基因表达谱数据分析技术
第18卷第6期微阵列技术[1-3]的到来对生物学和医学来说是一场 革命，通过它可以同时观测成千上万个基因的表达水平，从而能够在基因组水平上以系统的、 全局的观念去研究生命现象及其本质。还可以根据基因在不同条件下表达的差异性来进行复杂疾病诊断、药物筛选、个性化治疗、基因功能发现、农作物优育和优选、环境检测和防治、食品卫生监督及司法鉴定等，因此对基因表达谱的研究具有重要的理论价值和应用意义。微阵列基因表达数据具有维数高、样本小、非线性的特点，这对一些传统的机器学习方法提出了新的挑战，对其数据的分析已成为生物信息学研究的焦点。 1基因表达数据采集 基因表达数据采集可分为三个步骤：微阵列设计、 图像分析和数据获取、过滤、标准化。基因芯片（gene chip ），简称为微阵列,就是指固着在载体上的高密度 DNA 微点阵，具体地说就是将靶基因或寡核苷酸片段有序地、高密度排列在玻璃、硅等载体上。mRNA （信使核糖核酸）的表达水平的获得是通过选取来自不同状态的样本（如正常组织与肿瘤组织、不同发育阶段组织，或用药之前与用药之后组织等，一种称为实验样本，另外一种称为参考样本），在逆转录过程中,实验样本和参考样本RNA （核糖核酸）分别用不同的红、绿荧光染料去标记，并将它们混合，与微阵列上的探针序列进行杂交，经适当的洗脱步骤与激光扫描仪对芯片进行扫描，获得对应于每种荧光的荧光强度图像，通过专用的图像分析软件，可获得微阵列上每个点的红、绿荧光强度（Cy5和Cy3），其比值（Cy5/Cy3）表示该基因在实验样本中的表达水平。在通常情况下，考虑Cy5和Cy3的数值时，还应考虑相应的背景数值，如果微阵列上某个基因的Cy5或Cy3数值比相应的背景数值低，则该基因的表达水平无法确定。为了方便数据处理，常 孟令梅等：一种基于DCT 变换的图像认证算法文章编号：1005－1228（2010）06－0017－03 基因表达谱数据分析技术 刘 玲 （江苏财经职业技术学院，江苏淮安 223001） 摘 要：人类基因组计划的研究已进入后基因组时代，后基因组时代研究的焦点已经从测序转向功能研究，主要采用无监 督和有监督技术来分析基因表达谱和识别基因功能，通过基因转录调控网络分析细胞内基因之间的相互作用关系的整体表示，说明生命功能在基因表达层面的展现，对目前基因表达谱数据分析技术及它们的发展，进行了综述性的研究，分析了它们的优缺点,提出了解决问题的思路和方法，为基因表达谱的进一步研究提供了新的途径。关键词：基因表达谱；分类；无监督；有监督；基因调控网络中图分类号：Q81；TP181 文献标识码：A Gene Expression Data Analysis LIU Ling （Jiangsu Vocational College of Finance &Econimics ，huai ’an 223001,China ） Abstract ：As the work of sequencing the genome of the human has been fully finished,the post-genomic era has begun.Scientists are turning their focus toward identifying gene function from sequencing.Clustering technology,as one of the important tools of analyzing gene expression data and identifying gene function,has been used widely.Transcriptive regulatory networks are the global representation of multiple interactions between genes and their products ,which can help us understand the cell ’s function at the level of gene expression In this paper we discuss main clustering technology about gene expression data at present,analyze their advantages and disadvantages ,present the methods to solve the problems and given approaches to study gene expression data. Key words:gene expression profile ； classification ；gene regulatory network Vol．18No．6Dec 2010 第18卷第6期2010年12月 电脑与信息技术Computer and Information Technology 收稿日期： 2010-06-09项目资助： 江苏省淮安市科技发展计划项目(HAG08015）作者简介： 刘玲（1964-），山东胶州人，副教授，硕士，主要研究方向:生物信息。