Нормализация ДНК-микрочипов

Материал из MachineLearning.

(Различия между версиями)

Версия 14:45, 6 мая 2010

Нормализация - важный этап предобработки ДНК-микрочипов, позволяющий сделать несколько рассматриваемых в эксперименте чипов пригодными к сравнению между собой. Основная цель анализа на этом этапе - исключить влияние систематических небиологических различий между микрочипами. Источников таких различий множество: вариации эффективности обратной транскрипции, маркировки красителями, гибридизации, физические различия между чипами (повреждения, царапины), небольшие различия в концентрации реагентов, вариация лабораторных условий.

Парадигмы нормализации

Нормализация на все гены, нормализация на гены домашнего хозяйства, нормализация на стабильные гены^[1]

Методы нормализации

Масштабирование

Один из ДНК-микрочипов выбирается в качестве базового, затем все остальные масштабируются таким образом, чтобы их средняя интенсивность равнялась средней интенсивности базового (этот способ эквивалентен построению линейной регрессии каждого чипа на базовый и последующей нормализации при помощи регрессионной функции).

Для большей устойчивости можно использовать усечённое среднее. Так, в стандартном программном обеспечении производителя микрочипов Affymetrix перед подсчётом среднего отбрасываются по 2 % наибольших и наименьших значений интенсивности. Другая модификация — масштабирование к средней интенсивности не по всему базовому чипу, а по каждому подмножеству его проб, соответствующих одному гену.

Affymetrix предлагает использовать этот вид нормализации на последнем этапе предобработки, применяя масштабирование непосредственно к матрицам экспрессии, однако, возможно и его применение к матрицам интенсивности.

Схема выполнения масштабирования

Выбрать столбец $j$ матрицы $X$ в качестве базового.
Вычислить (усечённое) среднее $\tilde{X}_j$ по столбцу $j$
Для всех остальных столбцов матрицы $X$ : вычислить (усечённое) среднее $\tilde{X}_i$ по столбцу $i$ ; вычислить $\beta_i=\tilde{X}_j/\tilde{X}_i$ ; каждый элемент столбца $i$ умножить на $\beta_i$ .

Нелинейные методы

Предложено большое количество нелинейных способов cross-validated splines^[1], running median lines^[1], loess smoothers^[1]

Квантильная нормализация

Циклическая нормализация при помощи локальной регрессии

Алгоритм LOWESS

Примечания

Это незавершённая статья. Вы поможете проекту, исправив и дополнив её.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9D%D0%BE%D1%80%D0%BC%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F_%D0%94%D0%9D%D0%9A-%D0%BC%D0%B8%D0%BA%D1%80%D0%BE%D1%87%D0%B8%D0%BF%D0%BE%D0%B2»

Категории: Биоинформатика | Незавершённые статьи

@@ Строка 13: / Строка 13: @@
 Affymetrix предлагает использовать этот вид нормализации на последнем этапе предобработки, применяя масштабирование непосредственно к матрицам экспрессии, однако, возможно и его применение к матрицам интенсивности.
-. Выбрать столбец <tex>j</tex> матрицы <tex>X</tex> в качестве базового.
+====Схема выполнения масштабирования====
+# Выбрать столбец <tex>j</tex> матрицы <tex>X</tex> в качестве базового.
-. Вычислить (усечённое) среднее <tex>\tilde{X}_j</tex> по столбцу <tex>j</tex>
+# Вычислить (усечённое) среднее <tex>\tilde{X}_j</tex> по столбцу <tex>j</tex>
+# Для всех остальных столбцов матрицы <tex>X</tex>: вычислить (усечённое) среднее <tex>\tilde{X}_i</tex> по столбцу <tex>i</tex>; вычислить <tex>\beta_i=\tilde{X}_j/\tilde{X}_i</tex>; каждый элемент столбца <tex>i</tex> умножить на <tex>\beta_i</tex>.
-. Для всех остальных столбцов матрицы <tex>X</tex>: вычислить (усечённое) среднее <tex>\tilde{X}_i</tex> по столбцу <tex>i</tex>; вычислить <tex>\beta_i=\tilde{X}_j/\tilde{X}_i</tex>; каждый элемент столбца <tex>i</tex> умножить на <tex>\beta_i</tex>.
 === Нелинейные методы ===