基于Affymetrix芯片的基因表达研究

附图目录

表格目录

BioBox目录

StatsBox目录

前言

缩写词和术语

1 生物学问题

1.1 为什么进行基因表达?

1.1.1 生物技术的进展

1.1.2 生物学相关的研究

1.2 研究问题

1.2.1 相关性和实验研究对比

1.3 研究课题的主要类型

1.3.1 两组间比较

1.3.2 多组间比较

1.3.3 不同治疗方式间的比较

1.3.4 多组与对照组的比较

1.3.5 研究主题内的变化

1.3.6 分类和预测样本

2 AffymetriX芯片技术

2.1 探针

2.2 探针组

2.2.1 标准探针组的定义

2.2.2 客户可选择的芯片描述文件(CDF)

2.3 芯片类型

2.3.1 标准表达检测芯片

2.3.2 外显子芯片

2.3.3 基因芯片

2.3.4 叠瓦芯片

2.3.5 用于某项研究的专用芯片

2.4 标准实验室芯片实验流程

2.4.1 体外转录分析

2.4.2 全转录本正义链标记

2.5 AffymetriX芯片的数据质量

2.5.1 分析数据的重复性

2.5.2 分析数据的稳定性

2.5.3 分析的敏感性

3 实验操作

3.1 生物学实验

3.1.1 生物学背景

3.1.1.1 实验目的/假设

3.1.1.2 技术平台

3.1.1.3 mRNA水平的预期改变

3.1.2 样本

3.1.2.1 选择合适的样品/组织

3.1.2.2 样本的类型

3.1.2.3 样本的异质性

3.1.2.4 性别

3.1.2.5 时间点

3.1.2.6 样本切割引起的误差

3.1.2.7 动物处理产生的误差

3.1.2.8 RNA的质量

3.1.2.9 RNA的数量

3.1.3 预实验

3.1.4 主实验

3.1.4.1 对照实验

3.1.4.2 实验处理

3.1.4.3 分批实验

3.1.4.4 随机化

3.1.4.5 标准化

3.1.4.6 选择对照

3.1.4.7 样品量/重复次数/费用

3.1.4.8 平衡设计

3.1.4.9 对照样本

3.1.4.10 样本混合

3.1.4.11 实验记录

3.1.5 实验数据分析验证

3.2 芯片实验

3.2.1 外源RNA对照

3.2.2 靶基因合成

3.2.3 批处理影响

3.2.4 全基因组芯片和用于某项研究的专用芯片比较

4 数据分析预处理

4.1 数据预处理

4.1.1 探针的信号强度

4.1.2 转换为log2的对数

4.1.3 背景校正

4.1.4 归一化

4.1.5 AffymetriX芯片概要

4.1.5.1 完全匹配(PM)和错配(MM)技术

4.1.5.2 只使用PM探针的技术

4.1.6 整体解决方案

4.1.7 信号检测方法

4.1.7.1 芯片分析系统MAS 5.0

4.1.7.2 背景和杂交信号检测(DABG)

4.1.7.3 检出/缺失比值(PANP)

4.1.8 标准化

4.2 质量控制

4.2.1 技术数据

4.2.2 虚拟图像

4.2.3 重复性评价

4.2.3.1 重复性评价方法

4.2.3.2 实例分析

4.2.4 批处理效应

4.2.5 批处理效应校正

5 数据分析

5.1 为什么我们需要统计学?

5.1.1 需要对数据作出解释

5.1.2 需要一个优秀的实验设计

5.1.3 统计学与生物信息学比较

5.2 高维数据的问题

5.2.1 分析结果的重复性

5.2.2 数据挖掘和验证

5.3 基因过滤

5.3.1 过滤方法

5.3.1.1 信号强度

5.3.1.2 两样品间变异

5.3.1.3 缺失/检出

5.3.1.4 含有效信息的/无有效信息的检出

5.3.2 数据过滤对检验和多重校正的影响

5.3.3 几种过滤方法的比较

5.4 无监督数据分析

5.4.1 进行无监督分析的原因

5.4.1.1 批次影响

5.4.1.2 技术或生物学的偏差

5.4.1.3 表型数据的质量校验

5.4.1.4 共调控基因的识别

5.4.2 聚类

5.4.2.1 距离和联系

5.4.2.2 聚类算法

5.4.2.3 聚类质量校验

5.4.3 多元投影方法

5.4.3.1 多元投影方法类型

5.4.3.2 基因和样本关系图

5.5 检测差异表达

5.5.1 复杂问题的简单解决方法

5.5.2 统计检验

5.5.2.1 倍数变化

5.5.2.2 t-检验类型

5.5.2.3 由t统计到p值

5.5.2.4 方法比较

5.5.2.5 线性模型

5.5.3 多重检验的校正

5.5.3.1 多重检验的问题

5.5.3.2 多重校正步骤

5.5.3.3 方法比较

5.5.3.4 事后比较

5.5.4 统计学意义与生物学相关性

5.5.5 样本数量估计

5.6 有监督的预测

5.6.1 分类与假设检验

5.6.2 芯片分类的挑战

5.6.2.1 过度拟合

5.6.2.2 偏执方差平衡

5.6.2.3 交叉效验

5.6.2.4 非唯一分类解决方案

5.6.3 位点选择方法

5.6.4 分类方法

5.6.4.1 判别分析

5.6.4.2 最近邻分析法

5.6.4.3 逻辑(Logistic)回归

5.6.4.4 神经网络

5.6.4.5 支持向量机

5.6.4.6 分类树

5.6.4.7 集成方法

5.6.4.8 芯片预测分析(PAM)

5.6.4.9 方法比较

5.6.5 复杂的预测问题

5.6.5.1 多级问题

5.6.5.2 生存预测

5.6.6 样本量

5.7 通路分析

5.7.1 通路分析的统计学方法

5.7.1.1 过表达分析

5.7.1.2 功能分类评分

5.7.1.3 基因集分析

5.7.1.4 方法比较

5.7.2 数据库

5.7.2.1 Gene ontology

5.7.2.2 京都基因与基因组百科全书(KEGG)

5.7.2.3 基因芯片通路分析(GenMAPP)

5.7.2.4 腺嘌呤富集元件数据库(ARED)

5.7.2.5 概念图(cMAP)

5.7.2.6 凋亡路径图(BioCarta)

5.7.2.7 染色体位置

5.8 其他分析方法

5.8.1 基因网络分析

5.8.2 元分析

5.8.3 染色体位置

6 分析结果表示

6.1 数据可视化

6.1.1 热图

6.1.2 强度图

6.1.3 基因表图

6.1.4 维恩图(Venn图)

6.1.5 散点图

6.1.5.1 火山图(Volcano plot)

6.1.5.2 MA图

6.1.5.3 高维数据的散点图

6.1.6 柱状图

6.1.7 盒图

6.1.8 小提琴图表

6.1.9 密度图

6.1.10 树状图

6.1.11 基因表达通路

6.1.12 出版用图表

6.2 生物学解释

6.2.1 重要数据库

6.2.1.1 Entrez Gene

6.2.1.2 AffymetriX网站(NetAffx)

6.2.1.3 OMIM

6.2.2 文献挖掘

6.2.3 数据整合

6.2.3.1 多种分子筛选数据

6.2.3.2 系统生物学

6.2.4 实时定量聚合酶反应(RTqPCR)验证

6.3 数据发表

6.3.1 ArrayExpress

6.3.2 基因表达文库(GEO)

6.4 可重复性研究

7 药物研发

7.1 早期标志物的需求

7.2 关键路径计划

7.3 药物发现

7.3.1 正常组织和病变组织的不同

7.3.2 疾病亚型的发现

7.3.3 分子靶标的识别

7.3.4 分子特征谱

7.3.5 疾病模型特征

7.3.6 化合物分析

7.3.7 剂量效应处理

7.4 药物开发

7.4.1 生物标志物

7.4.2 响应显著性

7.4.3 毒理基因组学

7.5 临床实验

7.5.1 功能指标

7.5.2 结果预测的意义

8 使用R和Bioconductor

8.1 R和Bioconductor

8.2 R和Sweave(R语言的一种函数)

8.3 R和Eclipse(一种代码)

8.4 自动芯片分析

8.4.1 装载文件包

8.4.2 基因过滤

8.4.3 无监督探索

8.4.4 差异表达检验

8.4.5 有监督分类

8.5 其他芯片分析软件

9 未来前景

9.1 同时分析不同数据类型

9.2 未来的芯片

9.3 新一代(二代)测序:芯片的终结?

参考文献

索引

附图目录

2.1 标准AffymetriX芯片图

2.2 GC含量对信号强度的影响

2.3 同一探针集中的探针之间信号强度的差别

2.4 使用客户选择的CDF时,探针集大小引起的差异

2.5 外显子芯片和3′端芯片探针覆盖范围的比较

2.6 外显子芯片的转录本注释

3.1 性别特异基因Xist(X染色体失活特异转录本)

3.2 样本切割产生误差示例

3.3 甲状腺素在小鼠纹状体的表达

3.4 小鼠结肠样本切割引起的误差

3.5 降解与非降解RNA对比

3.6 RNA的降解图显示3′偏差

3.7 不同批次芯片的批间效果

4.1 芯片扫描图像的一角

4.2 对数转换的分配效应

4.3 芯片数据中的两种噪音成分

4.4 归一化对强度依赖变异的影响

4.5 归一化对MA图的影响

4.6 MAS 5.0背景计算

4.7 由affyPLM产生的虚拟图像

4.8 两重复关联评估重复性

4.9 中心定位前后的成对一致性

4.10 光谱图评估重复性

4.11 由MAQC(生物芯片质量控制)得到的归一化前AffymetriX数据的盒式图

4.12 来自MAQC研究得到的AffymetriX芯片数据的SPM(谱图)

4.13 存在批次效应的差异表达基因的强度图

5.1 信息丰富的和不提供信息的探针集的探针比较

5.2 基因过滤对p值分布的影响

5.3 不同过滤技术排除基因的百分比

5.4 两种过滤技术的差异

5.5 基因过滤技术的分布差别

5.6 在聚类中的欧几里得(Euclidean)和皮尔森(Pearson)距离

5.7 基于欧几里得和皮尔森距离的ALL数据的分级聚类

5.8 分级聚类运算的示意图

5.9 k均值运算的示意图

5.10 ALL数据的主要成分分析

5.11 ALL数据的谱图

5.12 t-检验的可变性

5.13 t-检验

5.14 不良的t-检验:变异对显著性的影响

5.15 Δ=0.75的SAM图

5.16 t分布

5.17 使用大样本资料比较两种差异表达检验的方法(30 vs.30)

5.18 使用小样本资料比较两种差异表达检验的方法(3 vs.3)

5.19 各种交互效应的假设方案

5.20 用GLUCO数据中具有不同表达方式的四个基因解释交互效应

5.21 多种检验校正方法及其如何处理假阳性和假阴性

5.22 ALL数据组中调整过和未调整过的p值

5.23 高维性和过度拟合在分离中的关联

5.24 过度拟合的问题

5.25 嵌套循环交叉验证

5.26 利用PAM基因组合秩次升高

5.27 利用LASSO基因组合秩次升高

5.28 交叉验证中的位点排列

5.29 进行分类的最佳基因数量

5.30 惩罚回归:惩罚的系数关联

5.31 神经网络方案

5.32 支持向量机模型的二维可视框图

5.33 使用MLP包含高秩基因组的GO通路

5.34 利用GSA含有高秩基因组的GO通路

5.35 BioCarta通路

5.36 识别差异表达的染色体区域

6.1 热图

6.2 强度图

6.3 基因列表图

6.4 Venn(维恩)图

6.5 火山图

6.6 MA图

6.7 平滑散点图

6.8 柱状图

6.9 数据组HD的盒图

6.10 小提琴图

6.11 密度图

6.12 系统树图

6.13 重要基因组的GO通路

7.1 药物开发中的基因表达谱

7.2 Fos的剂量反应特征

9.1 二代测序排序可能出现的错误

表格目录

1.1 双通道ANOVA设计

2.1 AffymetriX探针集的类型和名称

2.2 已经不再使用的AffymetriX探针集和名称

2.3 原始AffymetriX探针集的注释级别

2.4 产生客户可选择的CDF的规则

2.5 基于Ensembl Gene数据库的HG U133 plus 2.0探针的使用

3.1 不同样本的RNA产率

4.1 背景微小差异的影响

5.1 修正p值的计算

5.2 分类和假设检验

5.3 采用LASSO和PAM选择的重要基因

5.4 惩罚回归:基因选择

5.5 采用MLP选择的重要基因

5.6 采用GSA选择的前5个上调基因组和前5个下调基因组

BioBox目录

1.1 基因表达芯片

1.2 分子生物学的中心法则

1.3 siRNA

1.4 表型

2.1 剪接变异

2.2 基因

3.1 Northern杂交

3.2 转录因子

3.3 血液

3.4 细胞培养

3.5 X染色体失活:Xist

3.6 凝胶电泳

3.7 生物分析仪进行RNA分析

3.8 RTqPCR(荧光定量PCR)

5.1 管家基因

7.1 生物标志物

7.2 EC50,ED50,IC50,LC50和LD50

7.3 生物标志物和临床意义

7.4 基因表达的意义

9.1 表观遗传学的实例:DNA甲基化

StatsBox目录

1.1 关联的两种解释

3.1 能力

4.1 准度和精度

4.2 贝叶斯统计

4.3 可重复性

4.4 关联假设

5.1 参数,变量,统计

5.2 完全拟合

5.3 有监督和无监督的研究

5.4 重取样技术

5.5 神经网络

5.6 多变量投影方法的步骤

5.7 确定差异表达的步骤

5.8 比值的对数=对数差异

5.9 零假设和p值

5.10 变异,标准偏差和标准误差

5.11 经验贝叶斯方法

5.12 显著性水平和能力

5.13 参数和非参数检验比较

5.14 Explanatory和响应变异

5.15 通用线性模型

5.16 测量规模

5.17 交互反应

5.18 规则化或惩罚

5.19 敏感性和特异性

5.20 多重检验校正步骤

5.21 信息并不是越多越好

5.22 核心技术

5.23 刀切法和自助法

Affymetrix
GeneChip系统是目前应用最广泛的生物芯片平台。但是由于Aflymetrix芯片含有超大量的信息，很多Affymetrix芯片用户趋向于使用默认的分析设置，得到的常常不是最优化的结论。分子生物学家和生物统计学家根据十余年的基因表达谱实验研究和数据分析的实践经验编写了《基于Affymetrix芯片的基因表达研究》，从理论概念到实验结果，解释了使用Affymetrix芯片进行基因表达研究的全部过程，拆除了分子生物学、生物信息学和生物统计学之间无处不在的语言障碍。

本书权威实用，介绍了Affymetrix芯片的重要技术、统计学易犯的错误和问题，同时涉及其他芯片平台的一般规则和应用。通过例证和全彩图例，描述了技术和统计方法的概念，为初学者提供详细指导。本领域的专家则可以了解芯片所涉及的其他学科知识，拓展基因芯片表达谱研究的认识。