基因芯片数据处理流程与分析介绍
基因芯片数据预处理过程
基因芯片数据预处理过程
基因芯片数据预处理是指对原始基因芯片数据进行处理、清洗和标准化的过程。
下面是基因芯片数据预处理的主要步骤：
1. 数据导入和存储：将基因芯片数据从原始格式导入到计算机中，并确定存储格式，如矩阵形式。
2. 数据清洗：去除无效数据、缺失数据、异常值和重复数据，以确保数据的质量和一致性。
3. 数据标准化：由于基因芯片数据通常具有不同的量级和分布，需要对数据进行标准化，以便在后续的分析中比较和综合不同样本或基因的表达数据。
常用的标准化方法有Z-score标准化
和最大最小值归一化等。
4. 数据变换：对数据进行变换，以满足统计分析的假设前提。
常见的变换方法包括对数变换、幂变换和Box-Cox变换等。
5. 数据分割：将数据按照实验组和对照组分割，以便在差异分析中进行比较。
6. 批次效应校正：由于实验过程中可能存在批次效应，即同一批次下的样本可能具有相似的表达模式，因此需要对数据进行批次效应校正，以消除批次效应对差异分析的影响。
7. 基因筛选：基因芯片数据通常包含大量的基因，为了减少多重比较问题和提高模型的可解释性，需要对基因进行筛选，选
择具有显著差异表达的基因进行后续分析。
8. 数据集成和整合：将不同芯片平台或实验中得到的数据进行整合，以增加样本量和数据的可靠性。
以上是基因芯片数据预处理的一般步骤，根据具体的研究目的和数据特点，可能还会有其他特定的处理方法。
基因芯片检测流程
基因芯片检测流程基因芯片检测是一种高通量的基因分析技术，可以同时检测大量基因的表达水平或基因组的变异情况。
该技术的流程主要包括样本准备、芯片处理、数据分析和结果解读等步骤。
首先，样本准备是基因芯片检测的关键步骤。
样本可以是组织、细胞、血液等。
首先，需要提取样本中的总RNA，然后利用逆转录酶将RNA转录成cDNA，并标记上荧光染料。
这一步骤可以通过不同的实验方法进行，如全基因组扩增、dscDNA合成等。
随后，将标记好的cDNA与芯片上的探针进行杂交反应。
其次，芯片处理是对标记好的cDNA进行杂交的步骤。
将标记好的cDNA溶液滴在芯片上，并利用温度控制设备进行加热、冷却等环境控制，促进标记物与芯片上的探针结合。
芯片上的探针可以是单链DNA、RNA或寡核苷酸等，可以选择特定的探针来检测特定基因。
然后，进行数据分析是基因芯片检测的重要步骤。
通过激光扫描芯片上的标记物，可以获取荧光强度信号。
这些信号表示了样本特定基因的表达水平。
通过对比不同样本之间的信号差异，可以分析某个基因在不同样本中的表达差异。
数据分析可以使用各种统计学方法和生物信息学工具进行，常用的包括聚类分析、差异表达分析、富集分析等。
最后，基因芯片检测的结果解读是整个流程的最终目标。
数据分析得到了许多的基因表达信息和差异表达基因，需要对这些数据进行解读和分析。
通过比对已有的数据库和研究结果，可以找出与特定疾病或生理过程相关的重要基因。
进一步的实验验证可以进一步证实芯片分析结果的可靠性。
综上所述，基因芯片检测流程是一个复杂且关键的分子生物学技术。
通过样本准备、芯片处理、数据分析和结果解读等步骤，可以对大量基因进行快速、高通量的检测和分析。
基因芯片检测在疾病诊断、生物学研究等领域具有重要的应用价值。
生物信息学讲义——基因芯片数据分析
生物信息学讲义——基因芯片数据分析生物信息学是指运用计算机技术和统计学方法来解析和理解生物领域的大规模生物数据的学科。
基因芯片数据分析是生物信息学研究的一个重要方向，通过对基因芯片数据进行分析，可以揭示基因在生物过程中的功能和调节机制。
本讲义将介绍基因芯片数据的分析方法和应用。
一、基因芯片数据的获取与处理基因芯片是一种用于检测和测量基因表达水平的高通量技术，可以同时检测上千个基因的表达情况。
获取基因芯片数据的第一步是进行基因芯片实验，如DNA芯片实验或RNA芯片实验。
实验得到的数据一般为原始强度值或信号强度值。
接下来，需要对这些原始数据进行预处理，包括背景校正、归一化和过滤噪声等步骤，以消除实验误差和提高数据质量。
二、基因表达分析基因芯片数据的最主要应用之一是进行基因表达分析。
基因表达分析可以揭示在不同条件下基因的表达模式和差异表达基因。
常用的基因表达分析方法包括差异表达分析、聚类分析和差异共表达网络分析等。
差异表达分析常用来寻找在不同条件下表达差异显著的基因，如差异表达基因的筛选和注释；聚类分析可以将表达模式相似的基因分为一组，如聚类分析可以将不同样本中的基因按照表达模式进行分类；差异共表达网络分析可以找到一组在差异表达样本中共同表达的基因，揭示潜在的功能模块。
三、功能富集分析对差异表达基因进行功能富集分析可以帮助我们理解这些基因的生物学功能和参与的生物过程。
功能富集分析可以通过对差异表达基因进行GO(Gene Ontology)注释，找到在特定条件下富集的生物学过程、分子功能和细胞组分等。
另外，功能富集分析还可以进行KEGG(Kyoto Encyclopedia of Genes and Genomes)富集分析，找到差异表达基因在代谢通路和信号传导通路中的富集情况。
四、基因调控网络分析基因调控网络分析可以帮助我们揭示基因间的调控关系和寻找关键调控基因。
基因调控网络是基于差异表达数据构建的，它可以包括转录因子-靶基因调控网络和miRNA-mRNA调控网络等。
免疫学中基因芯片的应用及数据分析方法
免疫学中基因芯片的应用及数据分析方法基因芯片是一种新型的生物技术工具，它被广泛运用于生物学研究、医学诊断以及农业等领域。
在免疫学研究中，基因芯片可以用来分析基因表达，研究免疫系统的生物学和病理生理学，以及开发新的免疫疗法。
本文将探讨免疫学中基因芯片的应用及数据分析方法。
一、基因芯片在免疫学研究中的应用基因芯片技术基于DNA序列互补的原理，可以同时探测几千个基因在不同生理和病理条件下的表达水平。
在免疫学研究中，基因芯片技术可以用来研究免疫系统中与疾病相关的基因表达变化，为免疫治疗的开发提供重要的信息。
1. 免疫系统基因表达谱的分析免疫系统是一种复杂的网络，包括免疫细胞、激素和细胞因子等多种成分。
在不同生理和病理条件下，免疫系统中的基因表达模式会发生变化，这些变化与多种疾病的发生和发展密切相关。
利用基因芯片技术可以对免疫系统中的基因表达谱进行全面的分析，从而发现与免疫系统相关的新的治疗靶点。
2. 免疫治疗的监测免疫治疗是一种新兴的治疗模式，包括肿瘤免疫治疗、自身免疫病治疗以及感染病治疗等。
基因芯片技术可以用来监测免疫治疗的效果，并评估治疗的预后。
例如，利用基因芯片技术可以分析免疫治疗后T细胞的基因表达谱，从而预测治疗是否成功。
3. 病原体识别和分析免疫系统的主要功能是识别和清除病原体，基因芯片技术可以用来识别和分析各种病原体的基因表达模式，从而发现新的病原体治疗靶点，为针对性治疗提供依据。
二、基因芯片数据分析方法基因芯片技术可以同时测量成千上万个基因的表达水平，产生的数据量很大，数据分析也是一个复杂的过程。
一般情况下，基因芯片数据分析包括数据预处理、差异基因筛选、聚类分析、生物学意义的解释等几个步骤。
1. 数据预处理数据预处理指的是原始的基因芯片数据清洗与归一化的过程，这是数据分析的关键步骤。
数据预处理的目的是剔除芯片噪声、基准样本处理、将不同芯片数据进行标准化处理，提高数据质量和可靠性，为后续分析打下基础。
基因芯片检测原理及简要过程
基因芯片检测原理及简要过程1.样本准备：首先需要从目标生物体中获得样本，可以是DNA、RNA或蛋白质。
样本处理的方式根据研究目的不同而不同，可能需要提取DNA或RNA，并对其进行纯化和扩增。
2.样本标记：为了将样本引入芯片中进行检测，样本需要与荧光标记物结合。
在样本处理过程中，可以使用反应物来标记样本中的基因或序列。
标记物的选择基于实验设计和研究目的。
3.杂交：标记的样本与芯片上的核酸探针进行杂交反应。
核酸探针是单链DNA分子，具有与目标样本中的DNA互补的序列。
这种杂交反应是通过将样本和核酸探针同时加入一个反应混合物中，使它们相互结合。
4.洗涤：经过杂交反应后，需要对芯片进行洗涤以去除未结合的标记物和杂交物。
这个过程是为了减少背景信号，提高检测的特异性和灵敏度。
5.扫描：在洗涤后，芯片被放入一台专门的扫描仪中，这个扫描仪使用激光或LED光源来激发标记物的荧光信号。
随后，该信号被检测并记录下来。
6.数据分析：通过扫描仪获得的数据可以用来分析芯片上的每个探针的荧光强度。
根据荧光强度的变化，可以推断出样本中的基因表达和变异情况。
通常使用的数据分析方法包括基因差异分析、聚类分析、富集分析和通路分析等。
总结起来，基因芯片检测是一种高通量的基因分析技术，可以同时检测数以千计的基因或序列，用于揭示基因表达和变异的情况。
其基本原理是通过将样本与芯片上的核酸探针进行杂交，再通过标记物的荧光信号检测和数据分析，得出样本中的基因信息。
这项技术已经广泛应用于基因组学、遗传学、癌症研究等领域，促进了对基因功能和疾病机制的理解。
实验6 基因芯片数据处理分析与GO分析
实验目的：
1. 学会使用 TM4 软件集对芯片数据进行处理和分析，学会使用 Cluster 进行聚类分析 3. 学会 GO 语义及其相关注释的浏览与搜索，学会使用 DAVID 进行基因集功能富集分析
实验内容：
一、基因芯片数据处理和分析
基因芯片或称微阵列（microarray）能够平行、高通量地检测成千上万基因转录本的表 达水平， 应用芯片技术可以比较正常和异常细胞中的表达， 帮助识别疾病相关基因和药物作 用靶标，分析复杂疾病的致病机制，也可以揭示基因间的表达调控关系。基因芯片数据处理 包括芯片杂交实验芯片数据采集（扫描）数据基本处理提交数据库生物信息学分析 等步骤，涉及很多不同的实验类型。这里介绍 TIGR 中心开发的 TM4 软件包，应用 MeV、 Cluster 和 TreeView 等软件对相关基因表达谱进行聚类分析和差异表达基因的筛选。
Figure 6.11 （ 2 ） 数 据 导 入 ： 点 击 “Browse” 按 钮 ， 打 开 软 件 自 带 的 表 达 量 数 据 文 件 ：
TDMS_format_sample.txt ， 样 本 数 据 便 自 动 加 载 到 “Expression File Loader” 窗 口 下 方 的 “Expression Table”栏（Figure 6.12） 。实验数据类型有两个选项：双色芯片（Two-color Array） 和单色芯片（Single-color Array） ，本例选择双色芯片。单击“Load”按钮将数据导入。
Figure 6.12 （3）显示基因表达情况：通过 Multiple Array Viewer 窗口看热图（Heat map） ，了解每 个基因在不同样本中的相对表达量（Figure 6.13） 。
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。
基因芯片的操作流程及步骤
02
基因芯片操作流程
基因芯片的设计与制备
01
02
03
确定目标基因
根据研究目的，确定需要 检测的目标基因或基因组 区域。
设计探针
根据目标基因序列，设计 特异性捕获探针，确保探 针的特异性、灵敏度和稳 定性。
制备芯片
将探针合成并固定在芯片 基质上，形成基因芯片。
样本准备
样本收集
采集待检测样本，如组织、 血液、细胞等。
背景校正
通过特定的算法和技术，对基因芯片中的背景信号进行校正，排除非特异性信号和背景 噪声的干扰，提高数据的准确性和可靠性。
数据分析与结果解读
数据分析
运用统计分析、机器学习等方法，对基 因芯片数据进行深入分析，包括差异表 达基因的筛选、基因功能注释、通路富 集分析等。
VS
结果解读
根据分析结果，结合生物学知识和文献资 料，对基因表达谱进行解释和推理，揭示 基因之间的相互作用和调控关系，为后续 实验提供理论依据和指导。
06
应用实例
基因表达谱分析
目的
了解不同组织或不同生长条件下基因的表达情况，寻找差异表达基 因。
操作步骤
提取组织或细胞的总RNA，逆转录为cDNA，将cDNA标记后与基 因芯片进行杂交，洗涤、检测并分析结果。
注意事项
确保RNA质量、标记效率和杂交条件的优化。
单核苷酸多态性检测
目的
检测基因组中单核苷酸的变异，如SNPs，了解遗传变异与疾病的 关系。
交，洗涤、检测并分析结果。
注意事项
03
确保DNA标记效率和杂交条件的优化，注意控制实验条件和背
景噪音。
THANKS
感谢观看
核酸提取
从样本中提取出所需的核 酸（DNA或RNA）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。
进阶分析案例
以目前华联生技的最新服务报告里，将主动提供下列几种进阶分析服务于报告中供您使用参考。
首先，为确认control 组与treatment 组各自芯片实验间的质量一致性，先以主成分分析(Principle Component Analysis, PCA) 将芯片数万点的信息简化成几个低维度的分析数据，以归纳出彼此的群落分布，藉以比对各自的近似关系。
从结果可以看到control 组与treatment 组经过主成分分析后，显示出两组各自间的结果是相近似的(图二)，代表这次实验的设计与芯片结果是可信的，值得往下做进阶分析。
图二、主成分分析control 组与treatment 组间的芯片结果。
用主成分1 (Comp. 1) 和2 (Comp. 2) 便可以将两组间的数据归纳出显著的各自群落。
代表两组各自的结果相近似。
接着以Hierarchical Clustering (丛聚法) 搭配Pearson correlation 找出各基因彼此间的
近似关系。
如此将control 组与treatment 组的差异表现基因做分群，划分出treatment 组经过处理后，对照control 组而呈现下调(Down-regulated) 或者上调(Up-regulated) 基因群(图三)。
图三、丛聚法分析将差异表现基因做分群。
以treatment 组(T-1、T-2、T-3、T-4) 对应control 组(C-1、C-2、C-3、C-4) 后的分析下，基因表现呈现下调(Down-regulated) 与上调(Up-regulated) 的分类结果。
进阶分析服务方面，提供Gene Ontology (GO, 基因功能分类) 和Pathways analysis (讯息传递路径分析) 的进阶分析。
于GO 的分析，在于将差异表现基因群做功能上的分类，可依功能分类推敲出所处的情况在何种状态，譬如：细胞增生、受损、凋亡或发炎等等。
而讯息传递路径分析则从基因上下游的牵连性来探讨受调控后的影响关系。
使用的是Gene Set Enrichment Analysis (GSEA) 工具，将差异表现基因导入后，再选择所需要的分析服务，可获取所需的相关信息(图四)。
图四、GSEA 提供的进阶分析服务。
c2 - 为pathway analysis 的分析数据库，c5 - 为GO 分析数据库。
挑选出差异表现基因后，透过GSEA 分析工具，可依需求选择所要的进阶分析。
讯息传递路径的进阶分析，帮助研究者探讨调控基因间的上下游关系，除可厘清其脉络以了解完整的影响关系；此外，借着交互间的讯息传递网络，像剥洋葱般从外而内的解开网络关联路径，才有机会往内更深入找出最重要的上游调控基因，找到这些最关键的基因，才有机会发现药物影响或受外在环境刺激下影响主要的目标基因。
借着目标基因的找寻，有助于新药的开发或者新生物标记基因(biomarker) 的找寻。
所提供的服务报告里，会提供最显着的几个讯息传递路径及所有参与其中的差异表现基因，以Excel 文件将相关信息做整合，让客户能简单明了的撷取所需信息加以应用。
此外也可以从GSEA 所分析的结果，利用其他的图表数据库，如：KEGG (图五)、BioCarta、Signaling gateway、GenMAPP (请见参考文献) 等等，画出图像化的链接图表。
图五、讯息传递路径分析。
利用GSEA 的分析，可利用KEGG 数据库，制作出讯息传递路径相连关系的图表。
而GO 的进阶分析，在于从功能的分门别类里找出整体趋势的走向，如：细胞面临压力的刺激下，一些相关的功能群组会被调控以因应环境的变化，抵抗压力的迫害；当压力过大，细胞调适不过来，细胞即启动”我投降，不玩了！” 的自动凋亡机制(apoptosis)，此时可发现apoptosis 相关的功能群组特别显著；若压力的程度再大一些，大到如土石流般无力招架，则细胞可能就因而坏死(necrosis)，导致细胞碎裂，于是细胞内的物质外露，如细胞介素(cytokine) 等等，造成其他邻近细胞受到影响，便引起发炎反应，于是从GO 类别可以看到细胞坏死或发炎相关的功能群组被大量调控显著增加。
提供的报告里会列出最显著的几个GO 分类以及有影响作用的基因，并提供链接，将以上信息整合到Excel 文件，让研究者可以进一步探索里面的信息(图六)。
图六、GO 功能分类列表。
提供显著功能列表及其信息，并提供链接到其他数据库作更多
探索搜寻。
除了上述的两种进阶分析在服务报告会主动提供。
我们还提供其他的进阶分析方法，依研究者的兴趣与需求自行选择。
由于基因的功能最多是由蛋白质来完成，因此探讨蛋白质的生理功能即是一门重要的课题。
从一开始的酵母菌双杂交系统(Yeast two hybrid system)、荧光共振能量转移(Fluorescence resonance energy transfer, FRET)、以及共同免疫沉淀法
(co-immunoprecipitation assay, Co-IP)，就是探讨蛋白质-蛋白质或蛋白质-DNA 交互作用关系的研究策略。
现在透过microarray 与数据库(如IncAct, 见文献参考) 的发展，便可以利用数据库来探讨蛋白质间之交互作用关连性(protein-protein interaction, PPI)，并进一步整合出其联络网(PPI networks)，可从蛋白质的角度探讨出有别于基因表达层面的生物意义(图七)。
图七、PPI 的作用网络关系，以图示呈现彼此间的关联与亲缘远近关系。
可找出影响的最上层的目标蛋白质，可回溯出对应的基因。
结论
华联还提供研究者更多的服务的内容，期望能以高质量的服务规格满足您各式各样的需求与标准。
此外，华联的网站设计也做了更新，以更贴切用户使用上的便利。
此外也不定期发布有关技术开发与产品发表的讯息，通过网站就就可以知晓，期能更有效的辅助研究。
参考文献：
1.KEGG: http://www.genome.jp/kegg/
2.BioCarta:
3.Signaling gateway: /
4.GenMAPP: /
5.IntAct: /intact/。