生物信息學(xué)講義-基因芯片數(shù)據(jù)分析

第一節(jié)引言Introduction基因芯片（DNA微陣列）是上世紀(jì)九十年代，隨著計(jì)算機(jī)技術(shù)和基因組測序技術(shù)的發(fā)展而發(fā)展起來的一種新型的生物技術(shù)，它能夠平行、高通量地監(jiān)測成千上萬基因轉(zhuǎn)錄本的表達(dá)水平，從而為系統(tǒng)地監(jiān)測細(xì)胞內(nèi)mRNA分子的表達(dá)狀態(tài)進(jìn)而推測細(xì)胞的功能狀態(tài)提供了可能。第一頁，共65頁。第二節(jié)芯片平臺及數(shù)據(jù)庫GeneralMicroarrayPlatformandDatabase一、cDNA微陣列芯片第二頁，共65頁。寡核苷酸芯片類似于cDNA芯片，但是在探針的設(shè)計(jì)上優(yōu)于cDNA芯片，它的探針并不是來源于cDNA克隆，而是預(yù)先設(shè)計(jì)并合成的代表每個(gè)基因特異片段的約50mer左右長度的序列，然后將其點(diǎn)樣到特定的基質(zhì)上制備成芯片，從而克服了探針序列太長導(dǎo)致的非特異性交叉雜交和由于探針雜交條件變化巨大導(dǎo)致的數(shù)據(jù)結(jié)果的不可靠。二、寡核苷酸芯片

第三頁，共65頁。三、原位合成芯片

第四頁，共65頁。四、光纖微珠芯片(BeadArray)第五頁，共65頁。五、基因表達(dá)倉庫

GeneExpressionOmnibus，GEO六、斯坦福微陣列數(shù)據(jù)庫

TheStanfordMicroarray

Database，SMD七、其他常用基因表達(dá)數(shù)據(jù)庫

ArrayExpress、CGED第六頁，共65頁。第三節(jié)基因芯片數(shù)據(jù)預(yù)處理

GeneralMicroarrayDataTypeandDatabase一、基因芯片數(shù)據(jù)提取(一)

cDNA微陣列芯片第七頁，共65頁。(二)

原位合成芯片定性信息提?。篜/A/M(Present/Absent/Marginal）定量信息提?。夯谔结樇瘏R總后的基因水平的熒光信號強(qiáng)度值第八頁，共65頁。二、對數(shù)轉(zhuǎn)換對芯片數(shù)據(jù)做對數(shù)化轉(zhuǎn)換后，數(shù)據(jù)可近似正態(tài)分布第九頁，共65頁。三、數(shù)據(jù)過濾

數(shù)據(jù)過濾的目的是去除表達(dá)水平是負(fù)值或很小的數(shù)據(jù)或者明顯的噪聲數(shù)據(jù)。過閃耀現(xiàn)象物理因素導(dǎo)致的信號污染雜交效能低點(diǎn)樣問題其他第十頁，共65頁。四、補(bǔ)缺失值(一)數(shù)據(jù)缺失類型非隨機(jī)缺失基因表達(dá)豐度過高或過低隨機(jī)缺失與基因表達(dá)豐度無關(guān)，數(shù)據(jù)補(bǔ)缺主要針對隨機(jī)缺失情況第十一頁，共65頁。(二)數(shù)據(jù)補(bǔ)缺方法1.簡單補(bǔ)缺法missingvalues=0expressionmissingvalues=1expression(arbitrarysignal)missingvalues=row(gene)averagemissingvalues=column(array)average第十二頁，共65頁。2.k近鄰法選擇與具有缺失值基因的k個(gè)鄰居基因用鄰居基因的加權(quán)平均估計(jì)缺失值參數(shù):鄰居個(gè)數(shù)距離函數(shù)第十三頁，共65頁。3.回歸法4.其他方法第十四頁，共65頁。五、數(shù)據(jù)標(biāo)準(zhǔn)化(一)為什么要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化存在不同來源的系統(tǒng)誤差染料物理特性差異(熱光敏感性，半衰期等)染料的結(jié)合效率點(diǎn)樣針差異數(shù)據(jù)收集過程中的掃描設(shè)施不同芯片間的差異實(shí)驗(yàn)條件差異第十五頁，共65頁。(二)運(yùn)用哪些基因進(jìn)行標(biāo)準(zhǔn)化處理芯片上大部分基因(假設(shè)芯片上大部分基因在不同條件下表達(dá)量相同)不同條件間穩(wěn)定表達(dá)的基因(如持家基因)控制序列(spikedcontrol)

在不同條件下表達(dá)水平相同的合成DNA序列或外源的DNA序列。第十六頁，共65頁。1.片內(nèi)標(biāo)化(within-slidenormalization)

(1)全局標(biāo)化(globalnormalization)(三)cDNA芯片數(shù)據(jù)標(biāo)準(zhǔn)化處理假設(shè)：R=k*G方法:c=log2k：中值或均值第十七頁，共65頁。

(2)熒光強(qiáng)度依賴的標(biāo)化(intensitydependentnormalization)為什么方法:scatter-plotsmootherlowess擬合

c(A)為M

對A的擬合函數(shù)標(biāo)化后的數(shù)據(jù)第十八頁，共65頁。

(3)點(diǎn)樣針依賴的標(biāo)化(within-print-tip-groupnormalization)

為什么一張芯片的不同區(qū)域運(yùn)用不同的點(diǎn)樣針點(diǎn)樣，從而引入點(diǎn)樣針帶來的系統(tǒng)誤差。method第十九頁，共65頁。(4)尺度調(diào)整(scaleadjustment)為什么調(diào)整不同柵格(grids)間的數(shù)據(jù)離散度方法：計(jì)算不同柵格的尺度因子

第二十頁，共65頁。2.片間標(biāo)化(multiple-slidenormalization)線性標(biāo)化法(linearscalingmethods)

與芯片內(nèi)標(biāo)化的尺度調(diào)整(scaleadjustment)方法類似非線性標(biāo)化法(non-linearmethods)分位數(shù)標(biāo)化法(quantilenormalization)

兩張芯片的表達(dá)數(shù)據(jù)的分位數(shù)標(biāo)化至相同，即分布于對角線上第二十一頁，共65頁。3.染色互換實(shí)驗(yàn)(dye-swapexperiment)

的標(biāo)化

實(shí)驗(yàn)組對照組芯片1cy5(R)cy3(G’)

芯片2cy3(G)cy5(R’)前提假設(shè)：c︽c’方法:第二十二頁，共65頁。

1.提取定性信號(1)對每個(gè)探針對計(jì)算R

R=(PM

–

MM)/(PM+MM)(2)比較R與定義的閾值Tau(小的正值，默認(rèn)值為0.015).(3)單側(cè)的Wilcoxon’sSignedRanktest產(chǎn)生p值，根據(jù)p值定義定量信號值

PresentcallMarginalcallAbsentcall(四)芯片數(shù)據(jù)標(biāo)準(zhǔn)化第二十三頁，共65頁。2.提取定量信號(1)分析步驟獲取探針?biāo)綌?shù)據(jù)背景值效正標(biāo)準(zhǔn)化處理探針特異背景值效正探針集信號的匯總第二十四頁，共65頁。

(2)分析方法第二十五頁，共65頁。第二十六頁，共65頁。第二十七頁，共65頁。第二十八頁，共65頁。第二十九頁，共65頁。第三十頁，共65頁。M=log2R-log2GA=(log2R+log2G)/2第三十一頁，共65頁。第三十二頁，共65頁。第三十三頁，共65頁。

前面提及的標(biāo)準(zhǔn)化方法僅效正了數(shù)據(jù)分布的中心，在不同的柵格間log-Ratios的方差也不同。第三十四頁，共65頁。第三十五頁，共65頁。第四節(jié)差異表達(dá)分析

AnalysisofDifferentiallyExpressionGene一、倍數(shù)法實(shí)驗(yàn)條件下的表達(dá)值對照條件下的表達(dá)值通常以2倍差異為閾值，判斷基因是否差異表達(dá)第三十六頁，共65頁。二、t檢驗(yàn)法

運(yùn)用t檢驗(yàn)法可以判斷基因在兩不同條件下的表達(dá)差異是否具有顯著性第三十七頁，共65頁。三、方差分析

方差分析可用于基因在兩種或多種條件間的表達(dá)量的比較，它將基因在樣本之間的總變異分解為組間變異和組內(nèi)變異兩部分。通過方差分析的假設(shè)檢驗(yàn)判斷組間變異是否存在，如果存在則表明基因在不同條件下的表達(dá)有差異。第三十八頁，共65頁。四、SAM

(significanceanalysisofmicroarrays)(一)多重假設(shè)檢驗(yàn)問題Ⅰ型錯(cuò)誤（假陽性）即在假設(shè)檢驗(yàn)作推斷結(jié)論時(shí)，拒絕了實(shí)際上正確的檢驗(yàn)假設(shè)，即將無差異表達(dá)的基因判斷為差異表達(dá)。Ⅱ型錯(cuò)誤（假陰性）即不拒絕實(shí)際上不正確的，即將有差異表達(dá)的基因判斷為無差異表達(dá)。在進(jìn)行差異基因挑選時(shí)，整個(gè)差異基因篩選過程需要做成千上萬次假設(shè)檢驗(yàn)，導(dǎo)致假陽性率的累積增大。對于這種多重假設(shè)檢驗(yàn)帶來的放大的假陽性率，需要進(jìn)行糾正。常用的糾正策略有Bonferroni效正，控制FDR（falsediscoveryrate）值等。第三十九頁，共65頁。(二)分析步驟計(jì)算統(tǒng)計(jì)量擾動(dòng)實(shí)驗(yàn)條件，計(jì)算擾動(dòng)后的基因表達(dá)的相對差異統(tǒng)計(jì)量計(jì)算擾動(dòng)后的平均相對差異統(tǒng)計(jì)量第四十頁，共65頁。確定差異表達(dá)基因閾值：以最小的正值和最大的負(fù)值作為統(tǒng)計(jì)閾值，運(yùn)用該閾值，統(tǒng)計(jì)在值中超過該閾值的假陽性基因個(gè)數(shù)，估計(jì)假陽性發(fā)現(xiàn)率FDR值。通過調(diào)整FDR值的大小得到差異表達(dá)基因。第四十一頁，共65頁。五、信息熵

運(yùn)用信息熵進(jìn)行差異基因挑選時(shí)，不需要用到樣本的類別信息，所以運(yùn)用信息熵找到的差異基因是指在所有條件下表達(dá)波動(dòng)比較大的基因。

第四十二頁，共65頁。第五節(jié)基因芯片數(shù)據(jù)的聚類分析

ClusterAnalysisofMicroarrayData

一、聚類目的基于物體的相似性將物體分成不同的組第四十三頁，共65頁。二、基因表達(dá)譜數(shù)據(jù)的聚類對基因進(jìn)行聚類

識別功能相關(guān)的基因識別基因共表達(dá)模式對樣本進(jìn)行聚類

質(zhì)量控制檢查樣本是否按已知類別分組發(fā)現(xiàn)亞型

樣本基因基因表達(dá)譜第四十四頁，共65頁。三、距離尺度函數(shù)幾何距離線性相關(guān)系數(shù)非線性相關(guān)系數(shù)互信息其他

第四十五頁，共65頁。四、聚類算法

(一)層次聚類層次聚類算法將研究對象按照它們的相似性關(guān)系用樹形圖進(jìn)行呈現(xiàn)，進(jìn)行層次聚類時(shí)不需要預(yù)先設(shè)定類別個(gè)數(shù)，樹狀的聚類結(jié)構(gòu)可以展示嵌套式的類別關(guān)系。第四十六頁，共65頁。在對含非單獨(dú)對象的類進(jìn)行合并或分裂時(shí)，常用的類間度量方法第四十七頁，共65頁。2000年Alizadeh等運(yùn)用基因芯片數(shù)據(jù)，基于層次聚類算法證實(shí)了DLBCL腫瘤病人在mRNA層面確實(shí)存在兩種亞型第四十八頁，共65頁。(二)k均值聚類基本思想第四十九頁，共65頁。(三)自組織映射聚類基本思想：在不斷的學(xué)習(xí)過程中，輸出層的神經(jīng)元根據(jù)輸入樣本的特點(diǎn)進(jìn)行權(quán)重調(diào)整，最后拓樸結(jié)構(gòu)發(fā)生了改變第五十頁，共65頁。(四)雙向聚類雙向聚類就是識別基因表達(dá)譜矩陣中同質(zhì)的子矩陣，運(yùn)用特定的基因子類識別樣本子類。第五十一頁，共65頁。第六節(jié)基因芯片數(shù)據(jù)的

分類分析

ClassificationofMicroarrayData一、線性判別分類器第五十二頁，共65頁。二、k近鄰分類法

基本思想第五十三頁，共65頁。三、PAM分類法

PredictionAnalysisforMicroarray基因1基因2

基本思想每類樣本的質(zhì)心向所有樣本的質(zhì)心進(jìn)行收縮，即收縮每個(gè)基因的類均值，收縮的數(shù)量由值決定。當(dāng)收縮過程發(fā)生時(shí)，某些基因在不同類中將會(huì)有相同的類均值，這些基因就不具有類間的區(qū)別效能。第五十四頁，共65頁。計(jì)算統(tǒng)計(jì)量對公式經(jīng)過變換得到收縮各類的均值分析步驟第五十五頁，共65頁。判斷新樣本類別

當(dāng)?shù)谖迨摚?5頁。四、決策樹(一)基本思想決策樹又稱為多級分類器，利用決策樹分類可以把一個(gè)復(fù)雜的多類別分類問題轉(zhuǎn)化為若干個(gè)簡單的分類問題來解決決策樹的結(jié)構(gòu)：一個(gè)樹性的結(jié)構(gòu)，內(nèi)部節(jié)點(diǎn)上選用一個(gè)屬性進(jìn)行分割，每個(gè)分叉都是分割的一個(gè)部分，葉子節(jié)點(diǎn)表示一個(gè)分布第五十七頁，共65頁。(二)分析步驟：提取分類規(guī)則，進(jìn)行分類預(yù)測在構(gòu)造決策樹的過程中最重要的一點(diǎn)是在每一個(gè)分割節(jié)點(diǎn)確定用哪個(gè)屬性來分類(或分裂）這就涉及到關(guān)于使用什么準(zhǔn)則來衡量使用A屬性比使用B屬性更合理決策樹分類算法output訓(xùn)練集決策樹input第五十八頁，共65頁。(三)衡量準(zhǔn)則信息增益——informationgain基尼指數(shù)——Giniindex第五十九頁，共65頁。(四)決策樹的修剪消除決策樹的過適應(yīng)問題消除訓(xùn)練集中的異常和噪聲所涉及的方法很多，比如先剪枝算法（print）與后剪枝（sprint算法）等等第六十頁，共65頁。五、分類效能評價(jià)(一)構(gòu)建訓(xùn)練集和檢驗(yàn)集n倍交叉驗(yàn)證（n-foldcrossvalidation）Bagging（bootstrapaggregation）無放回隨機(jī)抽樣留一法交叉驗(yàn)證（leave-one-outcrossvalidation，LOOCV）(二)分類效能靈敏度(sensitivity，