dat什么文件格式 Bioconductor分析基因芯片数据第五章

例5-1 从数据包CLL中载入芯片数据，完成预处理，最后获得基因（探针组）表达矩阵。注意，探针组表达矩阵的行对应的行对应的探针组，而不是基因，基因和探针组的关系见5.2.1.这段程序从载入原始数据（CEL文件）开始，通过预处理得到基因表达矩阵，是芯片数据处理的一个必须步骤

CLL 数据是慢性淋巴白血病（Chronic lymphocytic leukemia,CLL)数据集，采用了Affymetrix公司的HG_U95Av表达噗芯片，测量了24个样本，12625个探针

例5-1采用的实验设计方式：两组之间是对照试验（control test)，每组内都是平行实验（parallel test),对照实验，简单来说就是为了阐明某种单一因素的效应或者影响，在保持其他因素不变的前提下，测试一定数据的实验组样本呢和对照组样本，并对结果进行比较。平行实验，简单来说就是对同样的一组样本取两个以上相同的样品，以完全一致的条件下进行试验，测试结果的稳定性

一张基因芯片（以affymetrix表达谱芯片为例）可以包含上万个的探针（通常由25个碱基组成），他们整齐有序地印刷在芯片上。一组探针或者探针组（probe set),来自于一个基因，通常由20对或者11对探针组成，每一对探针都由匹配探针（perfect match，PM）和错配探针（Mi是match，MM)组成，成为探针对（probe pair),MM与PM的序列只有正中央的那个碱基不同，其余的都一致。但是，在一些高密度芯片中，例如外显子芯片（Exon array),每个探针组只有4个PM探针，没有MM探针。

需要强调的是，芯片数据领域提到的基因表达矩阵往往是以探针组而忽视以基因为单位的，即每行都对应一个探针组的表达量。后面将要降到的差异基因分析也是找打显著性差异的表达的探针组，然后通过ID映射才对应到探针组代表的基因，探针组与基于的关系往往是多个探针组对应一个基因。但是在实际应用中，经常不太注意区分，探针组有时也会被叫做基因

affymetrixi芯片原始数据最常用格式为CEL文件，也是芯片预处理和分析的出发点。CEL文件的主要内容就是每个“cell"的灰度信息，"cell"是整个芯片图像划分后得到的小网格，每个小网格中的图像被看作来自一个探针，自CellHeader开始，每行数据对应芯片上的一个”cell"位点，包含5列信息，依次为X坐标,Y坐标，灰度的平均值，灰度的标准差以及用了多少个像素来求这个平均值

CEL文件只提供了每个探针的灰度信息，还需要基因芯片探针排布的信息（即哪个探针来自哪个探针组），才可以得到芯片上每个探针组对于的表达数据，这就需要CDF文件。另一个重要的是probe文件，他提供了探针的序列信息。afftymetrix公司为每种型号的芯片都提供了对应的CDF文件和Probe文件。CDF文件中的对应关系用户可以自行更改，例如为了应多多个探针组 的ID对应到同一基因ID的现象，有些研究季候就把对应到同一个基因的多个探针合并为一个探针组，并提供修改后的CDF和Probe文件

图5-3B是affymerixHG-U133A芯片的Probe文件的部分内容，他只包括了一个探针组（名称是“200688_at")的所有探针，共11条序列，文件中第2和3列是对应探针所在的X和Y 坐标，第4列是序列的第13个奸计（中心）位置对齐到一致性序列的相对位置，第5列是对应探针的序列，最后是样品与探针的方向

基因芯片数据预处理的目的是将探针水平的数据（信号）转换成基因表达数据，主要的数据结构有Affybatch类和Expressionset类，前者用于存储探针水平的数据（相当于CEL文件的内容），而后者用于存储表达水平的数据（相当于基因表达矩阵的内容）。预处理通过质量控制，剔除不合格的芯片（数据），只保留合格的进入下一步处理。然后通过标准化，将所有芯片数据中的基因表达只变换到一个可以比较的水平，用于后续分析

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/shumachanpin/article-87628-1.html