芯片技术的芯片数据分析

1、芯片技术的芯片数据分析：芯片分析概述随着基因芯片技术的普及，基因表达数据大量产生，如何充分利用这些数据并从中提取有用 的生物学知识，是生物信息学所面临的一个迫切问题。简要来说，生物芯片数据分析流程大 体可分成以下几个阶段。扫描与图像识别一张芯片完成杂交实验，经扫描仪读取后生成图形文件，经过划格(Griding)、确定杂交点范 围(Spot Identifying)、过滤背景噪音(Noise Filtering)等图像识别过程，才能最终得到基因表 达的荧光信号强度值，并以列表形式输出。数据预处理由于杂交荧光标记效率或检出率不平衡、位置效应等多种因素，原始提取信号需要进行均衡 和修正处理后，才能进

2、一步分析。这一步通常需要先进行背景校正(Background Correction)， 去除不均匀背景光强影响，然后再进行归一化(Normalization)处理。一般来说，对于单色DNA芯片而言，这一步相对容易；而双色DNA芯片则需要考虑不同 染料(Cy3、Cy5)对于mRNA染色效率的差异。数据分析在前一步基础上，需要根据基因表达状况与事先设定的条件，对基因进行分类处理。具体来 说，又可分为寻找差异表达基因和寻找共表达基因两种。所谓差异表达基因(Differen-tially Expressed Genes)，是指在预先设定的不同实验条件下， 表达量出现显著差异的基因。而共表达基因(Co-

3、expressed Genes测是指在不同实验条件 下，表达模式或表达量相似的基因。实践中，在没有先验知识的情况下，一般是通过聚类来寻找这些基因。如果事先已经有了一 组明确的训练集，也可以通过分类来寻找与这组基因具有类似表达模式的其他基因。所谓聚类，也称无监督分类(Un-supervised Classification)，是指在未设定先验类别的情况 下，根据表达模式或表达值相似程度，将基因划分为若干组。而分类则是指在给定已经先验 标明类别(如肿瘤、健康)训练集前提下，根据表达模式或表达值相似程度，将被检基因或样 本归入预先设定的类别中。为确保实验结果可靠性，实际生物学研究中，经常采用RT-P

4、CR之类低通量表达分析手段， 对选择出来的基因进行进一步验证。值得指出的是，以上给出的只是一个大体流程。实际数据分析过程中，经常需要根据前一步 分析结果和实际生物学问题来制定下一阶段分析策略。同时，考虑到基因表达动态性和时间 相关性，即使对于同一种细胞类型，不同条件下转录表达情况也会有差异。因此，分析基因 表达数据时，必须同时参考具体实验条件的描述，通常称这些描述实验条件的数据为元数据 (Meta-data)。典型的元数据包括实验方案、实验材料、图像处理方法和数据归一化方法等 信息。芯片分析软件包简介芯片分析过程繁复，且涉及到复杂的统计计算，需要综合运用多种数学与计算机工具。为方 便生物学家研

5、究，相关研究人员已开发了许多专用芯片分析软件。【1 】BioconductorBioconductor是基于统计学软件包R的芯片分析软件包，其主要目的是为生物信息学研究 人员提供一组表达数据分析工具。Bioconductor的开发起始于2001年，主要由美国Fred Hutchinson肿瘤研究中心、哈佛医学院以及哈佛公共健康研究院开发。Bioconductor可支持几乎所有主流芯片数据格式，包括Affymetrix公司的商业化单色寡核苷 酸芯片，以及用户自己定制的双色cDNA芯片。Bioconductor通过若干子软件包提供多种 主流芯片分析方法，可用于数据预处理、差异表达基因识别以及聚类等

6、常用数据分析。除用 于芯片数据分析以外，Bioconductor还可用于SAGE、CGHArray以及SNPArray等其他表 达数据分析。Bioconductor的源代码完全开放，用户可以方便查看以及修改现有算法及其具体实现模块。 因此，Bioconductor也广泛用作其他芯片分析工具的后台支持。【2】dChipdChip(DNA-Chip Analyzer)由哈佛大学生物统计系Cheng Li、Wing Wong等联合开发，是 综合性芯片分析软件。dChip运行在Windows平台上，包括以下功能：针对 Affymetrix 芯片、基于 MBEI(Model-based expressi

7、on indexes)的数据预处理及归 一化；基于样本比较差异基因识别；主成分分析(Principal Component Analysis，PCA)；方差分析(Analysis of Variable，ANOVA)；时间序列(Time Series)分析；层次聚类(Hierarchical Clustering)；SNP array 的 LOH(Loss-of-heterzygosity)、拷贝数(Copy Number)分析；连锁分析(Linkage Analysis)。dChip基于Windows的图形用户界面开发，与Bioconductor的命令行界面相比，更便于初 学者使用，但它的定

8、制性较弱，不利于进行二次开发。最初dChip主要用于Affymetrix的单色寡核苷酸芯片分析，但在最新的版本中(dChip 2006) 也开始对双色cDNA芯片的数据分析提供支持。【3】TM4TM4是一组由TIGR公司开发的生物芯片分析工具包，可同时支持双色和单色cDNA芯片， 以及Affymetrix的单色寡核苷酸芯片分析。TM4提供了对于芯片实验流程的全面支持，大 大方便了用户使用。TM4主要由四个模块和一个后台数据库组成：芯片数据管理工具Microarray Data Manager (MADAM),负责为用户提供统一的操作界 面，管理实验流程及产生的数据。为便于数据交换，MADAM将

9、所有数据按照MIAME格式 统一存放在后台MySQL数据库中。图像分析软件Spotfinder负责从扫描得到的图像中提取基因表达荧光信号强度值。Spotfinder支持多种扫描仪生成的图像文件，同时提供半自动化划格(Griding)及杂交点识别 (Spot Identifying)功能。MIDAS(Microarray Data Analysis System)是数据预处理模块，支持LOWESS Iterative Linear Regression、Slice Analysis等多种常用归一化算法。同时，MIDAS还支持通过标准 的t-检验、MAANOVA、SAM等方法寻找差异表达基因。Me

10、V(MultiExperiment Viewer)用来进行聚类和分类，以及结果的可视化显示。目前支持 包括层次聚类(Hierarchical clustering)、K-mean 聚类、自组织图聚类(Self-Organizing Map， SOM)等多种聚类算法，以及支持向量机(Support Vector Machine，SVM)等多种分类算法。【4】BASEBASE是一个基于Web的芯片数据管理与分析平台。与上述主要基于单机的分析软件包不 同，BASE的设计目标是提供一个可以供多人协同工作的平台。因此，BASE在数据管理方 面投入了很多精力，将芯片数据管理与芯片数据注释融为一体，用户可以

11、通过浏览器方便地 查询实验进度、观察实验结果，并及时和其他相关人员分享信息。同时，BASE也提供了一组简单的工具，供研究人员对数据进行一些快速分析0BASE中包 含了一个基于Java Applet的三维可视化工具，可供用户从多个角度查看数据分析结果。【5】Matlab Bioinformatics ToolboxMatlab是经典的科学计算软件，由美国MathWorks公司开发。它集数值运算、符号运算及 图形处理于一体，广泛应用于工程和科学计算。类似于R，Matlab的核心部分注重提供一 个快速、高效且稳定的平台支持，通过针对不同领域与应用编写特定工具(Toolbox)，满足 不同客户的专门需求。最新版Matlab 7附带Bioinformatics Toolbox，是Matlab第一个专 门针对生物信息应用而开发的工具箱。该工具箱为芯片数据处理提供了归一化和聚类分析，