基因芯片数据分析

基因芯片是近年发展起来的自动化的、高通量的研究生物学问题的一门新技术。它综合了多学科的成就,在大规模研究基因功能的领域中已经有了卓有成效的应用。对大量产生的数据如何有效地分析,成为芯片研究中的一个热点。总体上,数据分析方法可分为非指导的方法和指导的方法。在分析前需要对数据进行标准化和精简,对分析结果需要检验和进行生物学分析。作者对目前常用的一些统计学方法作一介绍,并讨论其适用范围及优缺点。     

基因芯片数据分析及在植物基因组研究中的应用

基因芯片作为一种新兴的技术手段已经在植物学、动物学、医学和农学等多个研究领域中发挥了重要作用。本文就基因芯片数据分析的各个环节,包括芯片数据的预处理、归一化、差异基因的判断、聚类分析以及基因芯片在植物功能基因组研究中的应用进行了综述。     

将分布式计算系统实体方法用作自动化基因芯片数据分析处理

产业化基因芯片实验室中,面对重大的技术挑战之一是对海量数据的分析处理。文章介绍构建一种分布式计算系统实体方法,用拖拽图标和连线的形式,将一个分布式计算的具体功能展示在流程图中,从而控制这个分布式计算系统;并展示模块的信号和过滤编程图表代替电脑代码进行快速原型设计和构建分布式网络系,通过用已经语义化的流程图表和已经封装好的模块,     

基因芯片数据的监督聚类分析

随着后基因组时代的到来,基因芯片技术越来越多地被应用到功能基因组的研究当中。如何快速有效地分析基因芯片实验所获得的大量生物学数据,成为当前一项具有重要意义的研究工作。监督聚类(supervised clustering analysis)是聚类分析的一种,它根据样本的先验信息或假设来决定样本的分类,并据此建立判别模型,继而利用该判别模型对未知对象进行分类。该方法已经成功应用到生物医学研究中的许多领域,成为分析基因芯片数据的重要手段。     

Isomap的特点及其在基因芯片数据分析中的应用

基因芯片数据在本质上是非线性的,因此用线性数据分析方法处理基因芯片数据将不可避免的会带来偏差。全面分析非线性降维方法（Isomap）的技术特点以及将其应用到基因芯片数据分析中所需要注意的事项具有一定的意义。     

乳腺癌基因芯片实验数据分析与挖掘

目的 对公共数据库上下载得到的乳腺癌基因芯片试验结果进行数据分析,找出在正常组织与癌组织中呈现差异表达的基因,并寻找差异表达基因的相关基因.方法 综合运用显著性分析（SAM）、顶级评分基因对（TSP）、关联规则挖掘等方法,对数据进行处理.结果 筛选出若干呈现差异表达的基因,并且寻找了其中一部分基因的可能高度相关的基因.结论 筛选出的基因及其相关基因可用于为进一步的研究提供候选基因.     

基因芯片数据分析方法研究进展

基因芯片技术的出现改变了生物医学研究的前景,其产生的海量数据是限制其发展的瓶颈问题。为提取其中所隐含的有价值的信息,在基因芯片数据分析的复杂计算工具和方法方面近年来有很多尝试。本文对近5年来基因芯片表达数据的分类分析方法进行综述,既分类比较了以聚类分析为基础的分类方法,也吸收了当前应用数据挖掘、信息融合等系统生物学思路的研究技术,并对数据的分析结果进行评价。     

ESTs数据分析及ESTs数据系统

为了充分利用大量ESTs数据中的生物学价值，需要用一种系统方法对公共数据库中的ESTs进行分析。目前已有几种ESTs数据系统作了这样的尝试，包括TIGR Indices、UniGene和STACK等。不同的系统采用了不同的“聚类”和“拼接”的算法，它们对结果分析可产生不同的意义。这些数据系统为充分利用ESTs数据提供了可能。     

基因芯片数据分析过程:从原始数据到生物学意义

基因芯片实验要得到可靠的生物学结论,必须基于优化的实验设计和科学的数据分析。讨论了与基因芯片数据分析方法相关的实验设计方面的几个问题,简述了差异表达分析、聚类分析及功能富集分析等分析方法及其进展,并介绍了部分软件及应用。     

基因芯片技术

基因芯片技术是同时将大量的探针分子固定到固相支持物上,借助核酸分子杂交配对的特性对ＤＮＡ样品的序列信息进行高效的解读和分析。它可用于基因表达谱的分析、突变检测、多态性分析、基因测序和基因组文库作图等研究工作,同时有人类疾病的检测、预防等方面也具有广阔的潜在应用价值,在未来的生命科学领域中必须发挥重要的作用。     

肿瘤微阵列数据统计分析概述

微阵列技术已广泛应用于生物学和医学研究领域,如肿瘤的诊断和分型、预测和治疗,理解肿瘤的发生机制、生物学通路和基因网络。统计学方法在这一科学挑战中的地位至关重要。我们综述了微阵列实验数据分析的统计学方法最新发展,主要描述了微阵列数据的标准化、差异表达基因的统计学检验及微阵列技术在肿瘤治疗中的应用,重点介绍了时间序列微阵列数据分析方法和基因调控网络在肿瘤研究中的最新发展。     

The EADGENE Microarray Data Analysis Workshop (Open Access publication)

Microarray analyses have become an important tool in animal genomics. While their use is becoming widespread, there is still a lot of ongoing research regarding the analysis of microarray data. In the context of a European Network of Excellence, 31 researchers representing 14 research groups from 10 countries performed and discussed the statistical analyses of real and simulated 2-colour microarray data that were distributed among participants. The real data consisted of 48 microarrays from a disease challenge experiment in dairy cattle, while the simulated data consisted of 10 microarrays from a direct comparison of two treatments (dye-balanced). While there was broader agreement with regards to methods of microarray normalisation and significance testing, there were major differences with regards to quality control. The quality control approaches varied from none, through using statistical weights, to omitting a large number of spots or omitting entire slides. Surprisingly, these very different approaches gave quite similar results when applied to the simulated data, although not all participating groups analysed both real and simulated data. The workshop was very successful in facilitating interaction between scientists with a diverse background but a common interest in microarray analyses.     

基因芯片表达谱数据的预处理分析

基因芯片数据的预处理是一个十分关键的步骤,通过数据过滤获取需要的数据、数据转换满足正态分布的分析要求、缺失值的估计弥补不完整的数据、数据归一化纠正系统误差等处理为后续分析工作做准备,预处理分析的重要性并不亚于基因芯片的后续分析,它将直接影响后续分析是否能得到预期的结果.本文重点综述了cDNA芯片的数据预处理,简要地概述寡核苷酸芯片的数据预处理.     

肿瘤表达谱基因芯片数据的混合效应模型分析

目的:研究混合效应模型(Mixed Effects Model)在肿瘤表达谱基因芯片数据分析中的检验效能,并探讨其分析效果。方法:采用混合效应模型分析肿瘤实例基因芯片数据,并以基因集富集分析方法(GSEA)作为参照比较分析结果的有效性和科学性,探讨其检验效果。结果:通过混合效应模型和基因集富集分析(GSEA)两种方法对肿瘤基因芯片数据的分析和比较,两种方法筛选出共同的差异表达通路外,混合效应模型额外地筛选出来GSEA未能检验到的8条差异表达通路,且得到文献支持;混和效应模型筛选出的前10个差异表达通路中有6个已有生物学证明而基因集富集分析方法(GSEA)筛选出的前10个差异表达通路中仅有4个已有生物学证明。结论:混合效应模型作为top-down方法中的典型代表,其优势在于通过构建潜变量达到降维目的,可有效地减少多个复杂的变异来源从而保证了结果的准确性和科学性,其检验效能优于基因集富集分析方法(GSEA),是一种行之有效的筛选肿瘤基因芯片数据的分析方法。     

GSEA在全基因组表达谱芯片数据分析中的应用

GSEA是一个可下载后免费使用的全基因组表达谱芯片数据分析工具。它根据已有的对基因的定位、性质、功能、生物学意义等知识的基础上,首先构建了一个分子标签数据库,数据库中包含了多个功能基因集。通过分析一组处于两个生物学状态的基因表达谱杂交数据,它们在特定的功能基因集中的表达状况,以及这种表达状况是否存在某种统计学显著性。GSEA是从另一个角度来诠释生物信息,可进一步完善我们对相关生物学事件的认识。     

用生物信息学方法处理基因芯片结果

基因芯片是一种能够同时检测大量基因在同一组织中表达情况的有力工具.利用前期工作筛选的2210个鼻咽癌差异表达基因和Biocarta信号通路资源库,构建了一个基于信号通路的基因相互作用网络.通过统计学分析,进一步筛选出一批对该基因相互作用网络具有重大影响的基因(特别是RAN、CEL、RELA).随后,采用RT-PCR方法检测候选基因在鼻咽癌活检组织中的表达,发现RAN和CEL基因在高达80%的鼻咽癌组织中高表达.进一步将网络分析结果和ArrayXPath软件分析的结果比较,共计有40%(32/80)基因结果吻合,这验证了网络分析方法的有效性和可行性.最终探索建立了新的分析基因芯片的方法.     

Microarray probe selection strategies.

During recent years, DNA microarrays have become the method of choice to monitor the expression level of a large number of genes. Depending on the focus of the study and the method of microarray fabrication, a number of different strategies for probe selection may be most appropriate. One consideration concerns the length of the probe, ranging from some 25 residues used for oligonucleotide arrays to complete cDNAs. Unless resources are truly unlimited, an important decision to be made is the amount of effort to be put into the selection of genes and gene fragments. While high-throughput cDNA arraying projects usually will select from a collection of existing cDNA clones, smaller projects focusing on a number of selected genes can afford to selectively amplify fragments optimised for that purpose. This paper discusses the full scope of probe selection strategies, highlighting the problems that may be encountered in the various systems.