dat什么文件格式 Bioconductor分析基因芯片数据第五章(5)

芯片内标准化方法针对双通道（见2.3.1），又可分为全句话方法（global normalization)和荧光强度依赖的方法（intensity-depent normalization),前一种方法假设红色染料的信号强度是正比例关系的，即R=kG(R:红色信号强度；G：绿色信号强度，k:假设为常数）。dat什么文件格式差异表达值（log2(R/G)在标准化之后相当于平移了一个常量c=log2(k)，数学上表示为log2（R/G)-c=log2(R/kG)=0。但实际上，c并不是一个常数，而是另外一个变量的A的倍数c(A),这里A=1/2*log(R/G),这一点可以从MA图（图5-16A）中看到M的总趋势不是平行于X轴的

前面5.3.3讲到了通过设置参数，expresso函数可以自动化实现整个预处理过程（背景矫正、标准化和汇总）。除了expresso函数，affyPLM软件包提供了three step函数可以更快的实现同样的功能

从信号强度分布图来看（图5-17），MASS算法处理后的数据出现了很多负数，从图5-17中还可以看出原本不重合的多条分布曲线（图5-17A）在经过了RMA算法处理后重合到了一起（图5-17C），有利于下一步的差异表达分你想。但是他却出现了两个峰值，这并不符合高斯正太分布。如果采用gcRMA算法处理，不但所有的曲线很好地重合到了一起，而且他们的分布也更加近似高斯分布（图5-17D）。因此，gcRMA算法对RMA算法的改进在这一组数据上表现得很明显。然而，这并不意味着gcRMA算法总是优于RMA算法，对于不同的数据进行算法比较，才能进一步确定哪种算法最合适

通过箱线图（图5-18)可以看到三种算法处理后的个样品的中值十分接近。MASS算法总体而言还是不错的，只是有一定的拖尾现象。而gcRMA的拖尾现象比RMA要明显的多。这说明针对地表达量的基因，RMA算法比gcRMA算法表现的更好

还可以通过MA图（图5-19）来查看标准化处理的效果，从例5-12中（只示例CLL中一部分数据）可以看出：在原始数据中，中值（红色曲线）偏离0，经过gcRMA预处理之后，中值基本保持在零线上。注意，运行例5-12最后一行代码时，MAplot函数不支持ExpressionSet类型的数据CLLgcrma,读者可以将其转换为Affybatch类型后再运行

例5-12

本书2.2.3提到了基因芯片表达差异的显著性分析在基因表达数据分析中的特殊地位，而且这个地位很大程度上都是基于芯片领域的经验得来的。尽管研究人员不断改进芯片试验和统计学方法，并不断寻求一些新的方法（例如机器学习）来分析芯片数据，当前最主要的应用依然还是基因表达差异的显著性分析。本书从例5-13到5-17的程序涵盖了一个显著性分析的完整流程，读者可以一次运行全部代码，也可分开运行以便于逐个掌握，但是必须连续运行所有程序，因为后面的程序依赖前面程序的输出。通过这几个实例，读者可以清晰地把握Bioconductor处理芯片数据的整个流程

基因表达差异的显著性分析的第一步就是选取表达具有显著性差异的基因。总体来说，这类分析的基本假设是标准化的芯片数据符合正太分布，因此所用的统计方法基本上就是T/F检验和方差分析。当前，常用的分析方法主要有：T检验、SAM（significance analysis of microarrays)方法、CyberT方法、经验贝叶斯（Empirical Bayes)方法、方差分析（The Analysis of avriance,anova)和RP（Rank produces)方法

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-87628-5.html