生物信息學第二基因表達數(shù)據(jù)分析演示文稿

生物信息學第二版基因表達數(shù)據(jù)分析演示文稿現(xiàn)在是1頁\一共有111頁\編輯于星期三第五章

基因表達數(shù)據(jù)分析蘇州大學沈百榮首都醫(yī)科大學李冬果生物信息學現(xiàn)在是2頁\一共有111頁\編輯于星期三第一節(jié)引言Introduction現(xiàn)在是3頁\一共有111頁\編輯于星期三基因表達組學與基因組學相比較表達組信息是動態(tài)的；表達組學的數(shù)據(jù)，更多的是數(shù)值分析；轉錄組學中除了模式識別外，系統(tǒng)建模也十分重要。現(xiàn)在是4頁\一共有111頁\編輯于星期三真核生物基因表達的基本方式現(xiàn)在是5頁\一共有111頁\編輯于星期三基因表達調控示意圖現(xiàn)在是6頁\一共有111頁\編輯于星期三基因表達的時空性現(xiàn)在是7頁\一共有111頁\編輯于星期三基因表達測定方法RT-qPCR現(xiàn)在是8頁\一共有111頁\編輯于星期三近20年來三種不同高通量基因表達測定技術的應用趨勢現(xiàn)在是9頁\一共有111頁\編輯于星期三高通量基因表達測定的應用實例1.測定組織特異性基因表達2.基因功能分類3.癌癥的分類和預測4.臨床治療效果預測5.基因與小分子藥物、疾病之間的關聯(lián)6.干細胞的全能型、自我更新和細胞命運決定研究現(xiàn)在是10頁\一共有111頁\編輯于星期三7.動植物的發(fā)育研究8.環(huán)境對細胞基因表達的作用9.環(huán)境監(jiān)測10.物種的繁育現(xiàn)在是11頁\一共有111頁\編輯于星期三第二節(jié)基因表達測定平臺與數(shù)據(jù)庫MicroarrayPlatformandDatabases現(xiàn)在是12頁\一共有111頁\編輯于星期三1.cDNA芯片2.Affymetrix芯片

3.下一代測序技術技術如：Roche-454,IlluminaMiSeq，IonTorrentPGM一、基因表達測定平臺介紹現(xiàn)在是13頁\一共有111頁\編輯于星期三二、Microarray技術與RNA-Seq技術的比較1.RNA-Seq技術對沒有已知參考基因組信息的非模式生物，也可測定轉錄信息；2.RNA-Seq技術可以測定轉錄邊界的精度達到一個堿基，RNA-Seq可以用來研究復雜的轉錄關系；3.RNA-Seq可以同時測定序列的變異；4.RNA-Seq背景信號很小，測定的動態(tài)范圍很大?，F(xiàn)在是14頁\一共有111頁\編輯于星期三RNA-Seq在基因表達的定量上準確性很高；RNA-Seq在測定技術上和生物上重復性很高；RNA-Seq的測定需要很少的RNA樣本。在應用上RNA-Seq技術對ISOFORM的測定和等位基因的區(qū)分比芯片技術有很好的優(yōu)勢。現(xiàn)在是15頁\一共有111頁\編輯于星期三三、基因表達數(shù)據(jù)庫常用基因表達數(shù)據(jù)庫名稱數(shù)據(jù)庫內容GeneExpressionOmnibus（GEO）目前最常用的基因表達數(shù)據(jù)（NCBI）ExpressionAtlas歐洲生物信息學中心的基因表達數(shù)據(jù)庫SMDStanford基因表達數(shù)據(jù)庫RNA-SeqAtlas正常組織的基因表達譜數(shù)據(jù)GEPdb基因型、表型和基因表達關系GXD老鼠發(fā)育基因表達信息EMAGE老鼠胚胎的時空表達信息AGEMAP老鼠老化的基因表達數(shù)據(jù)現(xiàn)在是16頁\一共有111頁\編輯于星期三疾病相關基因表達數(shù)據(jù)庫數(shù)據(jù)庫名稱數(shù)據(jù)庫內容GENT腫瘤組織與正常組織的表達數(shù)據(jù)ParkDB帕金森病的基因表達數(shù)據(jù)庫cMAP小分子化合物對人細胞基因表達的影響Anticancerdruggeneexpressiondatabase抗癌化合物的基因表達數(shù)據(jù)CGED癌癥基因表達數(shù)據(jù)庫（包括臨床信息）現(xiàn)在是17頁\一共有111頁\編輯于星期三第三節(jié)

數(shù)據(jù)預處理與差異表達分析

PreprocessingofMicroarrayDataandAnalysisofDifferentiallyExpressionGene現(xiàn)在是18頁\一共有111頁\編輯于星期三一、基因芯片數(shù)據(jù)預處理（一）基因芯片數(shù)據(jù)的提取cDNA微陣列芯片熒光信號現(xiàn)在是19頁\一共有111頁\編輯于星期三定性信息提?。篜/A/M（Present/Absent/Marginal）定量信息提取：基于探針集匯總后的基因水平的熒光信號強度值原位合成芯片現(xiàn)在是20頁\一共有111頁\編輯于星期三（二）數(shù)據(jù)對數(shù)化轉換對芯片數(shù)據(jù)做對數(shù)化轉換后，數(shù)據(jù)可近似正態(tài)分布現(xiàn)在是21頁\一共有111頁\編輯于星期三（三）數(shù)據(jù)過濾數(shù)據(jù)過濾的目的是去除表達水平是負值或很小的數(shù)據(jù)或者明顯的噪聲數(shù)據(jù)。過閃耀現(xiàn)象物理因素導致的信號污染雜交效能低點樣問題其他現(xiàn)在是22頁\一共有111頁\編輯于星期三（四）補缺失值1.數(shù)據(jù)缺失類型非隨機缺失基因表達豐度過高或過低。隨機缺失與基因表達豐度無關，數(shù)據(jù)補缺主要針對隨機缺失情況?，F(xiàn)在是23頁\一共有111頁\編輯于星期三高表達基因的數(shù)據(jù)缺失現(xiàn)在是24頁\一共有111頁\編輯于星期三2.數(shù)據(jù)補缺方法（1）簡單補缺法missingvalues=0expressionmissingvalues=1expression（arbitrarysignal）missingvalues=row（gene）averagemissingvalues=column（array）average現(xiàn)在是25頁\一共有111頁\編輯于星期三（2）k近鄰法選擇與具有缺失值基因的k個鄰居基因用鄰居基因的加權平均估計缺失值參數(shù)鄰居個數(shù)距離函數(shù)現(xiàn)在是26頁\一共有111頁\編輯于星期三現(xiàn)在是27頁\一共有111頁\編輯于星期三（3）回歸法現(xiàn)在是28頁\一共有111頁\編輯于星期三（五）數(shù)據(jù)標準化1.為什么要進行數(shù)據(jù)標準化: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）染料的結合效率點樣針差異數(shù)據(jù)收集過程中的掃描設施不同芯片間的差異實驗條件差異現(xiàn)在是29頁\一共有111頁\編輯于星期三2.運用哪些基因進行標準化處理芯片上大部分基因（假設芯片上大部分基因在不同條件下表達量相同）不同條件間穩(wěn)定表達的基因（如持家基因）控制序列（spikedcontrol）在不同條件下表達水平相同的合成DNA序列或外源的DNA序列?，F(xiàn)在是30頁\一共有111頁\編輯于星期三3.cDNA芯片數(shù)據(jù)標準化處理（1）片內標化（within-slidenormalization）方法全局標化、熒光強度依賴的標準化、點樣針組內標準化?，F(xiàn)在是31頁\一共有111頁\編輯于星期三假設：R=k*G方法:c=log2k：中值或均值全局標化（globalnormalization）現(xiàn)在是32頁\一共有111頁\編輯于星期三熒光強度依賴的標化（intensitydependentnormalization）為什么方法:scatter-plotsmootherlowess擬合

c（A）為M

對A的擬合函數(shù)標化后的數(shù)據(jù)現(xiàn)在是33頁\一共有111頁\編輯于星期三點樣針依賴的標化（within-print-tip-groupnormalization）為什么一張芯片的不同區(qū)域運用不同的點樣針點樣，從而引入點樣針帶來的系統(tǒng)誤差。method現(xiàn)在是34頁\一共有111頁\編輯于星期三（2）染色互換實驗（dye-swapexperiment）的標化實驗組對照組芯片1cy5（R）cy3（G’）

芯片2cy3（G）cy5（R’）前提假設：c︽c’方法:現(xiàn)在是35頁\一共有111頁\編輯于星期三線性標化法（linearscalingmethods）與芯片內標化的尺度調整（scaleadjustment）方法類似。非線性標化法（non-linearmethods）分位數(shù)標化法（quantilenormalization）兩張芯片的表達數(shù)據(jù)的分位數(shù)標化至相同，即分布于對角線上。（3）片間標化（multiple-slidenormalization）現(xiàn)在是36頁\一共有111頁\編輯于星期三4.芯片數(shù)據(jù)標準化對每個探針對計算RR=（PM–MM）/（PM+MM）比較R與定義的閾值Tau（小的正值，默認值為0.015）單側的Wilcoxon’sSignedRanktest產生p值，根據(jù)p值定義定量信號值

PresentcallMarginalcallAbsentcall（1）

提取定性信號現(xiàn)在是37頁\一共有111頁\編輯于星期三現(xiàn)在是38頁\一共有111頁\編輯于星期三分析步驟獲取探針水平數(shù)據(jù)→背景值效正→標準化處理→探針特異背景值效正→探針集信號的匯總（2）提取定量信號現(xiàn)在是39頁\一共有111頁\編輯于星期三1分析方法現(xiàn)在是40頁\一共有111頁\編輯于星期三2現(xiàn)在是41頁\一共有111頁\編輯于星期三3現(xiàn)在是42頁\一共有111頁\編輯于星期三4現(xiàn)在是43頁\一共有111頁\編輯于星期三5現(xiàn)在是44頁\一共有111頁\編輯于星期三6現(xiàn)在是45頁\一共有111頁\編輯于星期三M=log2R-log2GA=（log2R+log2G）/27現(xiàn)在是46頁\一共有111頁\編輯于星期三8現(xiàn)在是47頁\一共有111頁\編輯于星期三9現(xiàn)在是48頁\一共有111頁\編輯于星期三前面提及的標準化方法僅效正了數(shù)據(jù)分布的中心，在不同的柵格間log-Ratios的方差也不同?，F(xiàn)在是49頁\一共有111頁\編輯于星期三現(xiàn)在是50頁\一共有111頁\編輯于星期三二、差異表達分析基本原理與方法（一）倍數(shù)法實驗條件下的表達值對照條件下的表達值通常以2倍差異為閾值，判斷基因是否差異表達現(xiàn)在是51頁\一共有111頁\編輯于星期三（二）t檢驗法

運用t檢驗法可以判斷基因在兩不同條件下的表達差異是否具有顯著性

現(xiàn)在是52頁\一共有111頁\編輯于星期三（三）方差分析

現(xiàn)在是53頁\一共有111頁\編輯于星期三兩種或多種條件間下基因表達量的比較，用方差分析。它將基因在樣本之間的總變異分解為組間變異和組內變異兩部分。通過方差分析的假設檢驗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有差異?，F(xiàn)在是54頁\一共有111頁\編輯于星期三（四）SAM法（significanceanalysisofmicroarrays）1.多重假設檢驗問題Ⅰ型錯誤（假陽性）在假設檢驗作推斷結論時，拒絕了實際上正確的檢驗假設，即將無差異表達的基因判斷為差異表達。Ⅱ型錯誤（假陰性）不拒絕實際上不正確的，即將有差異表達的基因判斷為無差異表達?，F(xiàn)在是55頁\一共有111頁\編輯于星期三在進行差異基因挑選時，整個差異基因篩選過程需要做成千上萬次假設檢驗，導致假陽性率的累積增大。對于這種多重假設檢驗帶來的放大的假陽性率，需要進行糾正。常用的糾正策略有Bonferroni效正，控制FDR（falsediscoveryrate）值等?，F(xiàn)在是56頁\一共有111頁\編輯于星期三2.分析步驟計算統(tǒng)計量擾動實驗條件，計算擾動后的基因表達的相對差異統(tǒng)計量計算擾動后的平均相對差異統(tǒng)計量現(xiàn)在是57頁\一共有111頁\編輯于星期三確定差異表達基因閾值以最小的正值和最大的負值作為統(tǒng)計閾值，運用該閾值，統(tǒng)計在值中超過該閾值的假陽性基因個數(shù)，估計假陽性發(fā)現(xiàn)率FDR值。調整FDR值的大小得到差異表達基因?，F(xiàn)在是58頁\一共有111頁\編輯于星期三現(xiàn)在是59頁\一共有111頁\編輯于星期三（五）信息熵運用信息熵進行差異基因挑選時，不需要用到樣本的類別信息，所以運用信息熵找到的差異基因是指在所有條件下表達波動比較大的基因?，F(xiàn)在是60頁\一共有111頁\編輯于星期三三、差異表達分析應用以一套阿爾海茨默病相關的基因表達譜數(shù)據(jù)（GSE5281）為例，詳細介紹如何利用BRB-ArrayTools軟件進行數(shù)據(jù)預處理，并對處理過的標準化的基因芯片數(shù)據(jù)利用SAM軟件進行差異表達分析的過程。現(xiàn)在是61頁\一共有111頁\編輯于星期三GSE5281數(shù)據(jù)是利用Affymetrix公司的寡核苷酸芯片HG-U133Plus2.0Array檢測阿爾海茨默病病人和正常老年人大腦中六個不同區(qū)域的基因表達情況，本例僅選擇其中一個區(qū)域—內側顳回（middletemporalgyrus,MTG）的數(shù)據(jù)進行說明。現(xiàn)在是62頁\一共有111頁\編輯于星期三第一步：導入芯片數(shù)據(jù)使用“importdata”下的“GeneralFormatImporter”導入基因芯片數(shù)據(jù)，數(shù)據(jù)間用Tab鍵分隔（或使用Excell文件），也可使用“DataImportWizard”進行導入。現(xiàn)在是63頁\一共有111頁\編輯于星期三導入芯片數(shù)據(jù)現(xiàn)在是64頁\一共有111頁\編輯于星期三第二步：選擇文件類型每張芯片用單獨的文件存儲,多個文件保存在一個文件夾

“Arrayaresavedinseparatefilesstoredinonefolder”若多張芯片數(shù)據(jù)組織成一個矩陣形式,存儲在一個文件中“Arrayaresavedinhorizontallyalignedfile”現(xiàn)在是65頁\一共有111頁\編輯于星期三選擇記憶芯片數(shù)據(jù)文件類型現(xiàn)在是66頁\一共有111頁\編輯于星期三第三步：選擇芯片數(shù)據(jù)文件所存儲的路徑注意路徑中不能包含中文現(xiàn)在是67頁\一共有111頁\編輯于星期三第四步：選擇基因芯片平臺現(xiàn)在是68頁\一共有111頁\編輯于星期三第五步：選擇文件格式現(xiàn)在是69頁\一共有111頁\編輯于星期三第六步：數(shù)據(jù)的過濾和標準化現(xiàn)在是70頁\一共有111頁\編輯于星期三第七步：基因注釋由于基因芯片檢測的是探針的表達情況，而探針和基因之間往往不是一一對應，所以，在數(shù)據(jù)導入后軟件會詢問是否需要進行基因注釋，及是否需要將探針轉換成相應的基因名(genesymbol)或EntrezID現(xiàn)在是71頁\一共有111頁\編輯于星期三第八步：運行SAMFDR=0.01,delta=0.68選出2209個在阿爾海茨默病病人和正常人腦組織中表達發(fā)生顯著性改變的基因?，F(xiàn)在是72頁\一共有111頁\編輯于星期三SAM的參數(shù)設定現(xiàn)在是73頁\一共有111頁\編輯于星期三第九步：SAMPlot

現(xiàn)在是74頁\一共有111頁\編輯于星期三SAMPlot

現(xiàn)在是75頁\一共有111頁\編輯于星期三第四節(jié)

聚類分析與分類分析

ClusteringAnalysisandClassification現(xiàn)在是76頁\一共有111頁\編輯于星期三一、聚類目的基于物體的相似性將物體分成不同的組現(xiàn)在是77頁\一共有111頁\編輯于星期三二、基因表達譜數(shù)據(jù)的聚類對基因進行聚類識別功能相關的基因識別基因共表達模式對樣本進行聚類質量控制檢查樣本是否按已知類別分組發(fā)現(xiàn)亞型現(xiàn)在是78頁\一共有111頁\編輯于星期三

樣本基因現(xiàn)在是79頁\一共有111頁\編輯于星期三三、距離（相似性）尺度函數(shù)幾何距離線性相關系數(shù)非線性相關系數(shù)互信息現(xiàn)在是80頁\一共有111頁\編輯于星期三四、聚類算法層次聚類算法將研究對象按照它們的相似性關系用樹形圖進行呈現(xiàn)，進行層次聚類時不需要預先設定類別個數(shù)，樹狀的聚類結構可以展示嵌套式的類別關系。（一）層次聚類現(xiàn)在是81頁\一共有111頁\編輯于星期三現(xiàn)在是82頁\一共有111頁\編輯于星期三在對含非單獨對象的類進行合并或分裂時，常用的類間度量方法。類間相似性度量方法現(xiàn)在是83頁\一共有111頁\編輯于星期三2000年Alizadeh等運用基因芯片數(shù)據(jù)，基于層次聚類算法證實了DLBCL腫瘤病人在mRNA層面確實存在兩種亞型現(xiàn)在是84頁\一共有111頁\編輯于星期三（二）k均值聚類基本思想現(xiàn)在是85頁\一共有111頁\編輯于星期三（三）自組織映射聚類基本思想在不斷的學習過程中，輸出層的神經元根據(jù)輸入樣本的特點進行權重調整，最后拓樸結構發(fā)生了改變?，F(xiàn)在是86頁\一共有111頁\編輯于星期三（四）雙向聚類雙向聚類就是識別基因表達譜矩陣中同質的子矩陣，運用特定的基因子類識別樣本子類。

現(xiàn)在是87頁\一共有111頁\編輯于星期三雙向聚類識別同質的子結構現(xiàn)在是88頁\一共有111頁\編輯于星期三五、分類分析（一）線性判別分類器現(xiàn)在是89頁\一共有111頁\編輯于星期三（二）k近鄰分類法現(xiàn)在是90頁\一共有111頁\編輯于星期三（三）PAM方法

（predictionanalysisformicroarray）基本思想每類樣本的質心向所有樣本的質心進行收縮，即收縮每個基因的類均值，收縮的數(shù)量由值決定。當收縮過程發(fā)生時，某些基因在不同類中將會有相同的類均值，這些基因就不具有類間的區(qū)別效能?，F(xiàn)在是91頁\一共有111頁\編輯于星期三基因1基因2現(xiàn)在是92頁\一共有111頁\編輯于星期三分析步驟計算統(tǒng)計量對公式經過變換得到現(xiàn)在是93頁\一共有111頁\編輯于星期三收縮各類的均值判斷新樣本類別現(xiàn)在是94頁\一共有111頁\編輯于星期三（四）決策樹基本思想決策樹又稱多級分類器，它可以把一個復雜的多類別分類問題轉化為若干個簡單的分類問題來解決。決策樹的結構：一個樹狀的結構，內部節(jié)點上選用一個屬性進行分割，每個分叉都是分割的一個部分，葉子節(jié)點表示一個分布?，F(xiàn)在是95頁\一共有111頁\編輯于星期三決策樹應用于腫瘤基因表達譜的分類分析現(xiàn)在是96頁\一共有111頁\編輯于星期三分析步驟：提取分類規(guī)則，進行分類預測在構造決策樹的過程中最重要的一點是在每一個分割節(jié)點確定用哪個屬性來分類（或分裂）這就涉及到關于使用什么準則來衡量使用A屬性比使用B屬性更合理決策樹分類算法output訓練集決策樹input現(xiàn)在是97頁\一共有111頁\編輯于星期三衡量準則信息增益——informationgain基尼指數(shù)——Giniindex現(xiàn)在是98頁\一共有111頁\編輯于星期三決策樹的修剪消除決策樹的過適應問題消除訓練集中的異常和噪聲現(xiàn)在是99頁\一共有111頁\編輯于星期三（五）分類效能評價1.構建訓練集和檢驗集n倍交叉驗證（n-foldcrossvalidation）Bagging（bootstrapaggregating）無放回隨機抽樣留一法交叉驗證（leave-one-outcrossvalidation，LOOCV）現(xiàn)在是100頁\一共有111頁\編輯于星期三2.分類效能靈敏度（sensitivity，recall）特異性（specificity）陽性預測率（positivepredictivevalue，precision）陰性預測率（negativepredictivevalue）均衡正確率（balancedaccuracy）正確率（correctoraccuracy）現(xiàn)在是101頁\一共有111頁\編輯于星期三第五節(jié)

基因表達譜數(shù)據(jù)分析軟件

SoftwareToolsforGeneExpressionProfileAnalysis現(xiàn)在是102頁\一共有111頁\編輯于星期三一、R程序示例R程序說明a=49；sqrt（a）賦值可用“=”，也可用“-〉”；R的語句可以寫在一行，用“；”分開seq（0,5,length=6）seq是R的一個函數(shù)；具體可以輸入命令“？seq”查找seq的具體使用方法plot（sin（seq（0,2*pi,length=100）））plot是畫圖函數(shù)，a="Thedogatemyhomework"ａ是一個字符串sub（"dog","cat",a）sub的功能是將a中的“dog”用“cat”替代，結果為"Thecatatemyhomework“a=（1+1==3）；aa是一個邏輯變量，結果為：FALSE現(xiàn)在是103頁\一共有111頁\編輯于星期三R程序說明x<-1:6“：”在這里是＂from:to＂的意思,結果是1，2，3,4,5,6。dim（x）<-c（3,4）;xdim函數(shù)是維數(shù)的意思，這里的功能是將x變?yōu)?X4維的基陣a=c（7,5,1）;a[2]C函數(shù)的功能是組合，這里將3個數(shù)組合賦值給a,a[2]是5doe=list（name="john",age=28,married=F）doe是list,與向量的差別是可以由不同的變量組合doe$name;doe$ageR語言中，特殊符號＄的作用現(xiàn)在是104頁\一共有111頁\編輯于星期