基因表达数据分析
生物信息学中的基因表达数据分析方法
生物信息学中的基因表达数据分析方法在生物学研究中，基因表达数据的分析对于理解生物体内基因调控的机制和功能至关重要。
随着高通量测序技术的发展，基因表达数据的获取和分析变得更加容易和准确。
生物信息学中的基因表达数据分析方法主要包括差异表达分析、基因共表达网络分析以及功能富集分析等。
差异表达分析是基因表达数据分析的关键技术之一。
它可以识别不同基因在不同组织或条件下的表达量差异，从而帮助我们深入了解基因的功能和调控。
常用的差异表达分析方法包括基于计数数据的DESeq2和edgeR，以及基于表达量的limma等。
这些方法能够通过统计学模型和假设检验来识别不同基因的显著差异表达，并且考虑了多重比较校正和批次效应等因素的影响。
另外，基因共表达网络分析也是生物信息学中常用的方法之一。
它可以根据基因表达模式的相似性将基因划分为不同的共表达模块，从而发现基因之间的相互作用关系。
基因共表达网络分析能够帮助我们预测基因功能、发现新的基因调控模块以及揭示基因调控网络的结构和功能。
常用的基因共表达网络分析方法包括WGCNA和STRING等。
这些方法能够通过计算基因之间的相关性来构建基因共表达网络，并利用网络拓扑结构和模块发现算法来鉴定关键的共表达模块和核心基因。
此外，功能富集分析也是基因表达数据分析中重要的方法之一。
它可以识别差异表达基因集合中富集的生物学功能和通路，从而揭示基因集合在特定生物过程中的功能角色。
功能富集分析常用的方法包括基于基因本体论（Gene Ontology）的GO分析和基于KEGG通路的富集分析。
这些方法能够通过统计学假设检验来判断差异表达基因集合是否富集于特定的功能分类或通路，帮助我们深入了解基因的功能和生物学过程的调控机制。
此外，在基因表达数据的分析中，还有许多其他的方法可以用于发现和解释基因表达的模式和调控机制，比如聚类分析、GO/KEGG富集分析、差异表达基因的功能注释和生物学网络分析等。
这些方法的应用丰富了我们对基因表达数据的理解，并且为生物学研究提供了重要的信息。
基因表达数据分析的算法和方法
基因表达数据分析的算法和方法基因表达数据分析是在基因组学和生物信息学领域中非常热门和重要的研究方向之一。
基因表达数据的分析不仅可以帮助人们了解基因的生物学功能、特性和调节方式，更可以为分子医学的研究提供有价值的信息和数据。
而基因表达数据分析的算法和方法则是各种基因表达数据分析软件和工具的核心，也是此领域研究的关键。
一、基因表达数据分析的算法和方法概述基因表达数据可以用来描述不同条件下基因的表达水平差异，测定转录本的组成、很好地识别功能基因和非功能基因等等。
其中的数据通常是通过基因芯片、RNA测序等方法获取后，经过大量数据预处理和数据加工，得到基因表达矩阵。
该矩阵中的基因和样品可以丰富和复杂，并且也存在着许多的噪声和误差。
这些噪声和误差会对后续的数据分析带来一定的影响，并且可能导致其结果的无效和无用。
因此，对基因表达数据的概述和分析应该适当关注到数据的质量、类型和特点。
二、基因表达数据分析的流程和方法通常的、基于表达数组或RNA-Seq测序数据的基因表达分析流程如下：1. 质控和预处理2. 数据归一化3. 基因筛选4. 差异表达分析5. 注释分析6. 基因表达聚类分析7. 功能富集分析在上述流程中，每个步骤都可以有多种不同的算法和方法实现。
而每种算法和方法也各具有其优点和缺点。
以下我将分别介绍各个流程中的算法和方法。
1. 质控和预处理要确保RNA测序和基因芯片表达数据的质量，就需要首先进行质控和预处理。
其中，数据质量控制可通过QC工具，如FastQC、NgsQC等进行检查，预处理则可以通过一些软件如SeqPrep、Trimmomatic等去除低品质序列、去除 reads 夹杂粘合以及进行宿主去除等操作。
2. 数据归一化数据归一化能够消除样品间技术变异性，一般的归一化方法包括：TPM & FPKM: 在RNA测序中通过比较相对丰度，表达基因表达定量。
一般使用到的算法包括RSEM、eXpress和Salmon等。
生物信息学中的基因表达数据分析方法比较
生物信息学中的基因表达数据分析方法比较随着高通量测序技术的快速发展，大量的生物信息学数据被积累下来，其中基因表达数据是其中一类最为重要的数据类型。
基因表达数据可以帮助我们了解基因在细胞或组织中的活动水平，进而洞察基因调控网络的运作机制。
在生物信息学研究中，比较不同的基因表达数据分析方法对于揭示生物学过程的关键因素、特定基因的表达模式以及发现新的生物学知识至关重要。
本文将会介绍几种常见的基因表达数据分析方法，并比较它们之间的优缺点。
1. 基因差异分析（Differential Gene Expression Analysis）基因差异分析是一种常见的基因表达数据分析方法，它用于比较两个或多个实验组之间的基因表达水平的差异。
通过基因差异分析，我们可以识别出在不同情况下表达量显著变化的基因。
这些基因可能与生物学过程的调节、疾病的发生等密切相关。
在基因差异分析中，常用的方法包括：差异表达基因分析（Differential gene expression analysis）和差异表达基因富集分析（Differential gene expression enrichment analysis）。
差异表达基因分析使用统计学方法来比较基因在两个或多个组之间的表达量差异，并验证这些差异是否显著。
而差异表达基因富集分析则通过对差异表达基因进行功能富集分析来发现差异表达基因在特定生物学过程中的富集情况。
2. 基因聚类分析（Gene Clustering Analysis）基因聚类分析是一种将基因根据它们的表达模式进行分组的方法。
通过基因聚类分析，我们可以发现具有相似表达模式的基因群，从而推测它们在生物学过程中可能具有相似的功能或相互作用。
基因聚类分析有多种方法，包括层次聚类分析（Hierarchical clustering analysis）、k-均值聚类分析（k-means clustering analysis）、模糊C-均值聚类分析（Fuzzy C-means clustering analysis）等。
生物信息学中的基因表达数据分析教程
生物信息学中的基因表达数据分析教程基因表达数据分析是生物信息学中的重要研究领域，它帮助我们理解基因在不同条件下的表达模式，揭示基因功能和调控机制。
本篇文章将为您介绍基因表达数据分析的基本流程和常用的方法。
一、基因表达数据基因表达数据是指基因在细胞或组织中的相对或绝对表达水平。
它可以通过不同的实验方法获得，如基因芯片（microarray）和高通量测序（high-throughput sequencing）技术。
这些技术产生的数据量庞大，需要通过生物信息学的方法进行分析和解释。
二、常用的基因表达数据分析方法1. 数据清洗和预处理基因表达数据分析的第一步是对原始数据进行清洗和预处理。
这包括数据质量控制、噪声去除、基因表达量的归一化和批次效应的去除等。
这些步骤有助于提高数据的准确性和可靠性。
2. 异常值检测在基因表达数据中，可能存在异常值或离群点。
这些异常值可能是实验误差、生物学变异或技术偏差导致的。
通过统计学和可视化方法，我们可以检测和处理这些异常值，以避免其对后续分析结果的影响。
3. 差异表达分析差异表达分析是基因表达数据分析的核心内容之一。
它可以帮助我们发现在不同生物条件下表达差异显著的基因。
常用的差异表达分析方法有t检验、方差分析、贝叶斯方法等。
这些方法可以对基因的差异表达进行统计检验，并筛选出差异表达显著的基因。
4. 功能富集分析功能富集分析可以帮助我们理解差异表达基因的功能和参与的生物过程。
通过将差异表达基因与公共数据库中的功能注释进行比较，我们可以发现这些基因所参与的通路、功能和生物过程。
常用的功能富集分析工具包括DAVID、GOstats、KEGG等。
5. 聚类和可视化聚类分析可以帮助我们将基因表达数据划分为不同的表达模式，从而揭示基因之间的关联和功能聚类。
常用的聚类方法包括层次聚类、k均值聚类、PCA等。
可视化还可以通过图表、热图和网络图等方式直观地展示基因表达模式和差异表达基因。
6. 基因网络分析基因网络分析可以帮助我们理解基因之间的相互作用和调控关系。
基因表达谱数据分析方法
基因表达谱数据分析方法基因表达谱是对生物体内基因表达情况的记录，通过对基因表达谱的分析，可以了解到基因在不同条件下的表达状态，从而揭示生命现象的本质和规律。
这对于研究基本生物现象、发现新的治疗手段等具有重要的意义。
随着高通量技术的发展，获取基因表达谱数据已经成为了常规操作。
但是，如何对这些数据进行分析和处理，是一个相当复杂的问题。
本文将介绍基因表达谱数据分析的基本方法和技巧。
我们将从预处理数据、差异分析、聚类分析、通路分析和生物信息学工具等几个方面进行论述。
一、预处理数据首先，我们需要将原始数据进行预处理，去除质量较差的数据，检查样本之间的差异和异常值等。
预处理过程旨在保证数据的准确性和可靠性，为后续的分析奠定基础。
二、差异分析差异分析是对基因表达谱数据进行质量评估和过滤的关键步骤。
常用的差异分析方法包括T检验、方差分析、Wilcoxon秩和检验等。
差异分析的目标是找出在不同实验条件下，哪些基因的表达发生了变化。
这是为了找到有生物学意义的差异基因集合并进一步进行研究。
三、聚类分析聚类分析是将基因表达谱数据中的基因和样本分别分成若干类，使得同一类中的基因或样本具有相似的表达模式，不同类之间具有较大的差异。
这样的分类结果有助于我们找出基因表达谱数据中的模式。
聚类分析常用的方法包括层次聚类和k-平均聚类等。
四、通路分析通路分析是将差异基因集合与特定生物过程或通路进行关联，以揭示差异基因集合在生物学上的意义。
通常，通路分析需要利用基因注释或生物信息学数据库中的信息，将差异基因集合与通路相对应，从而找到可能受到影响的通路。
五、生物信息学工具最后，利用生物信息学工具进行综合分析和可视化。
有很多生物信息学工具可以用来对基因表达谱数据进行分析和可视化，比如R、Python、Cytoscape等。
这些工具可以帮助我们更好地理解和解释基因表达谱数据中的生物学意义。
总结：基因表达谱数据分析是序列分析的一个重要分支，广泛应用于生物信息学、系统生物学和合成生物学等领域。
基因组学中的基因表达数据分析应用
基因组学中的基因表达数据分析应用基因组学是研究生物体遗传物质基因组的科学，通过对基因组的研究，我们可以更好地了解基因的功能与调控机制。
而基因表达数据分析是基因组学中重要的一环，它可以帮助我们理解基因在不同条件下的表达水平，揭示基因调控网络，探索基因与疾病之间的关联，并提供新的治疗策略。
基因表达数据是基因组学研究中最重要的一类数据之一。
它可以通过高通量测序技术如RNA测序（RNA-seq）或芯片技术来获取。
这些技术能够定量地测量样本中各个基因的表达水平，从而提供了基因调控的全局视角。
但是，原始的基因表达数据通常很庞大，需要进行生物信息学分析来提取有用的信息。
第一步，基因表达数据的预处理。
原始的基因表达数据可能会受到测序误差、批次效应和噪声的影响，因此需要进行数据预处理来减少这些影响。
常见的预处理方法包括去除低表达的基因、标准化处理和批次效应的校正。
通过这些预处理步骤，我们可以得到更准确和可比较的基因表达数据。
第二步，基因表达数据的差异分析。
差异表达分析是比较不同样本间基因表达水平差异的重要方法。
它可以帮助我们发现可能与特定生物过程或疾病相关的基因。
常见的差异表达分析方法包括t检验、方差分析(ANOVA)和Fisher准确检验等。
这些方法可以帮助我们鉴定差异表达的基因，并进行后续的功能注释和通路分析。
第三步，基因表达数据的聚类分析。
聚类分析可以将基因和样本按照表达模式进行分类，从而揭示出基因的调控网络和样本间的相似性。
常见的聚类分析方法包括层次聚类、k-均值聚类和自组织映射等。
通过聚类分析，我们可以发现具有相似表达模式的基因群，并研究它们在生物过程中的功能和相互作用。
第四步，基因表达数据的功能注释。
功能注释可以帮助我们理解差异表达基因的生物学功能和调控通路。
常见的功能注释方法包括基因本体论（Gene Ontology）、KEGG、生物过程、分子功能和细胞组分等。
通过功能注释，我们可以发现差异表达基因在哪些生物学过程中起作用，从而深入研究其关联的生物学机制。
基因组学研究中的表达谱数据分析方法解析
基因组学研究中的表达谱数据分析方法解析概述：基因组学研究是研究生物体基因组的编码和非编码序列的科学。
在基因组学研究中，表达谱数据是一种重要的数据类型，由于其高维度和复杂性，需要采用一系列的分析方法和技术来解析。
本文将介绍基因组表达谱数据的分析方法，包括数据预处理、差异表达分析、聚类分析、富集分析以及网络分析。
一、数据预处理：数据预处理是基因组表达谱数据分析的第一步，目的是清除原始数据中的噪声、去除非生物学的变异以及纠正技术上的偏见。
常用的数据预处理步骤包括数据质量控制、归一化和基因过滤。
1. 数据质量控制：首先需要对原始数据进行质量控制，该步骤可通过查看测序质量分数和测序错误率来评估。
常用的工具有FastQC和Trimmomatic等。
该步骤的目的是排除测序引入的噪声。
2. 归一化：由于不同样本之间的表达量存在显著的差异，我们需要对数据进行归一化处理，以消除样本间的偏差。
常用的归一化方法有TPM、FPKM和RPKM等。
归一化后的数据便于后续的比较和统计分析。
3. 基因过滤：在分析表达谱数据时，一些基因的表达量非常低，对分析结果产生较小的影响并增加运算复杂性。
因此，我们通常会对表达量低于一定阈值的基因进行过滤处理，从而提高分析效率。
常用的过滤标准包括表达量百分位数和表达量阈值。
二、差异表达分析：差异表达分析是基因表达谱数据分析的核心内容之一，旨在发现不同条件下存在差异表达的基因。
通常，差异表达分析包括基于假设检验的方法和机器学习方法。
1. 基于假设检验的方法：这类方法通常基于统计学原理，将样本分组，通过计算差异表达的显著性水平来判断基因是否差异表达。
常用的方法包括Student's t-test、Wilcoxon秩和检验和Fisher's确切检验等。
这些方法基于不同的假设，在数据有明确的分布前提下，可以得到比较可靠的差异表达结果。
2. 机器学习方法：机器学习方法对差异表达分析具有较高的灵活性和预测能力。
基因表达数据分析及相关统计算法研究
基因表达数据分析及相关统计算法研究随着生物技术的飞速发展，越来越多的基因表达数据被生成和积累。
这些数据提供了宝贵的信息，可以帮助我们更好地了解基因的功能、调控机制以及与疾病相关的变化。
然而，对于海量的基因表达数据如何进行有效的分析和挖掘，仍然是一个具有挑战性的问题。
本文将介绍基因表达数据分析的基本概念和涉及的相关统计算法的研究进展。
基因表达数据是指在细胞或组织中，基因在特定条件下的转录水平的测量值。
常用的基因表达数据包括基因芯片数据和基因测序数据。
基因芯片技术是最早应用于基因表达数据分析的方法之一，它通过测量RNA分子与特定基因探针的配对情况来反映基因的表达水平。
而基因测序技术则可以提供更详细的基因表达信息，可以测量到具体的转录本和外显子的表达。
基因表达数据的分析涉及的主要任务包括差异表达基因分析、基因表达聚类分析以及功能富集分析等。
差异表达基因分析旨在识别在不同条件下表达水平存在显著差异的基因。
这一任务可以帮助我们理解基因在不同生物过程或疾病状态下的特定功能。
基因表达聚类分析是指将基因或样本根据其表达模式进行分类，寻找共同调控或具有相似表达模式的基因。
功能富集分析则是通过比较差异表达基因集合与已知的功能注释数据库中的基因集合，来发现具有富集功能的基因集合。
为了解决这些基因表达数据分析的问题，研究人员提出了许多统计算法和机器学习方法。
其中最常用的方法之一是差异表达分析中的t检验和方差分析。
t检验可以用于比较两组样本间的表达差异，而方差分析可以用于同时比较多组样本间的表达差异。
除了传统的统计方法，还有基于机器学习的方法，如支持向量机（SVM）和随机森林（Random Forest）等。
这些机器学习算法可以通过构建分类模型来预测基因是否差异表达或进行样本分类。
近年来，随着单细胞测序技术的发展，单细胞基因表达数据的分析也成为了热点研究领域。
单细胞测序可以提供单个细胞的基因表达信息，揭示细胞间的表型差异和功能特化。
- 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)。
7.动植物的发育研究
8.环境对细胞基因表达的作用
9.环境监测 10.物种的繁育
第二节 基因表达测定平台 与数据库
Microarray Platform and Databases
一、基因表达测定平台介绍
1.cDNA 芯片
2.Affymetrix芯片
3.下一代测序技术技术如：Roche-454, Illumina
几何距离 线性相关系数
非线性相关系数
互信息
四、聚类算法
（一）层次聚类
层次聚类算法将研究对象按照它们的相似性关系用 树形图进行呈现，进行层次聚类时不需要预先设定 类别个数，树状的聚类结构可以展示嵌套式的类别 关系。
在对含非单独对象的类进行合并或分裂时，常用的 类间度量方法。
类间相似性度量方法
（1）片内标化（within-slide normalization）方法 全局标化、荧光强度依赖的标准化、点样针组 内标准化。
全局标化（global normalization）
假设： R=k*G 方法:
c=log2k：中值或均值
荧光强度依赖的标化（intensity dependent normalization）
RNA-Seq Atlas
GEPdb GXD EMAGE AGEMAP
正常组织的基因表达谱数据
基因型、表型和基因表达关系 老鼠发育基因表达信息 老鼠胚胎的时空表达信息 老鼠老化的基因表达数据
疾病相关基因表达数据库
数据库名称
GENT ParkDB cMAP Anticancer drug gene expression database
不同芯片间的差异
实验条件差异
2.运用哪些基因进行标准化处理
芯片上大部分基因（假设芯片上大部分基因在不
同条件下表达量相同） 不同条件间稳定表达的基因（如持家基因） 控制序列（spiked control） • 在不同条件下表达水平相同的合成DNA序列
或外源的DNA序列。
3. cDNA芯片数据标准化处理
Clustering Analysis and Classification
一、聚类目的
基于物体的相似性将物体分成不同的组
二、基因表达谱数据的聚类
对基因进行聚类
识别功能相关的基因
识别基因共表达模式 对样本进行聚类 质量控制 检查样本是否按已知类别分组
发现亚型
样本
基因
三、距离（相似性）尺度函数
导入芯片数据
第二步：选择文件类型 每张芯片用单独的文件存储,多个文件保存在一个文
件夹
“Array are saved in separate files stored in one folder‖ 若多张芯片数据组织成一个矩阵形式,存储在一个文
件中
“Array are saved in horizontally aligned file‖
2000年Alizadeh
例仅选择其中一个区域—内侧颞回（middle
temporal gyrus,MTG）的数据进行说明 。
第一步：导入芯片数据
使用“import data‖下的“General Format
Importer‖导入基因芯片数据，数据间用Tab键分隔 （或使用Excell文件），也可使用“Data Import Wizard‖进行导入 。
一、基因芯片数据预处理
（一）基因芯片数据的提取
cDNA微阵列芯片荧光信号
Ratio (CH1I CH1B) /(CH 2I CH 2B)
原位合成芯片
定性信息提取：P/A/M（Present/Absent/Marginal） 定量信息提取：基于探针集汇总后的基因水平的荧 光信号强度值
是否存在，如果存在则表明基因在不同条件下的表达 有差异。
（四）SAM 法（significance analysis of microarrays）
1. 多重假设检验问题
Ⅰ型错误（假阳性）
在假设检验作推断结论时，拒绝了实际上正确的检 验假设，即将无差异表达的基因判断为差异表达。 Ⅱ型错误（假阴性） 不拒绝实际上不正确的，即将有差异表达的基因判
断为无差异表达。
在进行差异基因挑选时，整个差异基因筛选过程需 要做成千上万次假设检验，导致假阳性率的累积增 大。对于这种多重假设检验带来的放大的假阳性率， 需要进行纠正。常用的纠正策略有Bonferroni效正， 控制FDR（false discovery rate）值等。
2. 分析步骤 计算统计量 扰动实验条件，计算扰动后的基因表达的相对 差异统计量
需要将探针转换成相应的基因名(gene symbol)或 Entrez ID
第八步：运行SAM
FDR=0.01, delta=0.68 选出2209个在阿尔海茨默病病人和正常人脑组织 中表达发生显著性改变的基因。
SAM的参数设定
第九步：SAM Plot
SAM Plot
第四节 聚类分析与分类分析
与芯片内标化的尺度调整（scale adjustment）方
法类似。 非线性标化法（non-linear methods） 分位数标化法（quantile normalization） 两张芯片的表达数据的分位数标化至相同，即分
布于对角线上。
4. 芯片数据标准化 （1） 提取定性信号 对每个探针对计算R R = （PM – MM ）/ （PM + MM ） 比较R与定义的阈值Tau（小的正值，默认值为 0.015 ）
（二）数据对数化转换
对芯片数据做对数化转换后，数据可近似正态分布
（三）数据过滤
数据过滤的目的是去除表达水平是负值或很小的
数据或者明显的噪声数据。
• 过闪耀现象 • 物理因素导致的信号污值
1.数据缺失类型
非随机缺失 基因表达丰度过高或过低。 随机缺失 与基因表达丰度无关，数据补缺主要针对随机缺
在所有条件下表达波动比较大的基因。
三、差异表达分析应用
以一套阿尔海茨默病相关的基因表达谱数据
（GSE5281）为例，详细介绍如何利用BRBArrayTools软件进行数据预处理，并对处理过的 标准化的基因芯片数据利用SAM软件进行差异表 达分析的过程。
GSE5281数据是利用Affymetrix公司的寡核苷酸芯片 HG-U133 Plus 2.0 Array检测阿尔海茨默病病人和正 常老年人大脑中六个不同区域的基因表达情况，本
RNA-Seq在基因表达的定量上准确性很高；
RNA-Seq在测定技术上和生物上重复性很高；
RNA-Seq的测定需要很少的RNA样本。 在应用上RNA-Seq技术对ISOFORM的测定和等位 基因的区分比芯片技术有很好的优势。
三、基因表达数据库
常用基因表达数据库名称 Gene Expression Omnibus （GEO） Expression Atlas SMD 数据库内容 目前最常用的基因表达数据（NCBI） 欧洲生物信息学中心的基因表达数据库 Stanford基因表达数据库
MiSeq，Ion Torrent PGM
二、Microarray技术与RNA-Seq技术的比较
1.RNA-Seq技术对没有已知参考基因组信息的非模式
生物，也可测定转录信息；
2.RNA-Seq技术可以测定转录边界的精度达到一个碱 基，RNA-Seq可以用来研究复杂的转录关系； 3.RNA-Seq可以同时测定序列的变异； 4.RNA-Seq背景信号很小，测定的动态范围很大。
数据库内容
肿瘤组织与正常组织的表达数据 帕金森病的基因表达数据库 小分子化合物对人细胞基因表达的影响 抗癌化合物的基因表达数据
CGED
癌症基因表达数据库（包括临床信息）
第三节 数据预处理与差异表达分析
Preprocessing of Microarray Data and
Analysis of Differentially Expression Gene
为什么
方法: scatter-plot smoother lowess拟合
c（A）为M 对A 的拟合函数
标化后的数据
点样针依赖的标化（within-print-tip- group normalization）
为什么 一张芯片的不同区域运用不同的点样针点样，从而 引入点样针带来的系统误差。 method
选择记忆芯片数据文件类型
第三步：选择芯片数据文件所存储的路径
注意路径中不能包含中文
第四步：选择基因芯片平台
第五步：选择文件格式
第六步：数据的过滤和标准化
第七步：基因注释 由于基因芯片检测的是探针的表达情况，而探针 和基因之间往往不是一一对应，所以，在数据导
入后软件会询问是否需要进行基因注释，及是否
（2）k近邻法
选择与具有缺失值基因的k个邻居基因
用邻居基因的加权平均估计缺失值
参数
• •
邻居个数 距离函数
（3）回归法
（五）数据标准化
1.为什么要进行数据标准化:存在不同来源的系统误差
染料物理特性差异（热光敏感性，半衰期等） 染料的结合效率 点样针差异 数据收集过程中的扫描设施
单侧的Wilcoxon’s Signed Rank test产生p值，根据
p值定义定量信号值 Present call
Marginal call
Absent call
（2）提取定量信号
分析步骤
获取探针水平数据→背景值效正→标准化处理→探 针特异背景值效正→探针集信号的汇总
分析方法 1
2