Нормализация ДНК-микрочипов

Материал из MachineLearning.

(Различия между версиями)

Версия 15:01, 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 нормализации данных, использующих различные настраиваемые функции, заменяющие линейную регрессию из предыдущего примера. Среди таких функций cross-validated splines^[1], running median lines^[1], loess smoothers^[1], и т.д. В типичном случае нелинейная нормализация проводится по множеству рангово-инвариантных проб, то есть, проб, имеющих один и тот же ранг во всех микрочипах.

Схема выполнения нелинейной нормализации

Выбрать столбец $j$ матрицы $X$ в качестве базового.
Для всех столбцов $i\neq\j$ матрицы настроить параметры нелинейной функции $f$ , отображающей столбец $i$ на столбец $j$ . Пусть $\hat{f}_i$ - полученное отображение.
Нормализованные значения в столбце $j$ определяются как $\hat{f}_i\left(X_j\right)$

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 19: / Строка 19: @@
 === Нелинейные методы ===
-Предложено большое количество нелинейных способов
+Предложено большое количество нелинейных способов нормализации данных, использующих различные настраиваемые функции, заменяющие линейную регрессию из предыдущего примера. Среди таких функций
 cross-validated splines<ref name="splines">Schadt EE, Li C, Ellis B. Feature extraction and normalization algorithms for high-density oligonucleotide gene expression array data. Journal of Cellular Biochemistry, Suppl. 2001;37:120-125. http://www.hsph.harvard.edu/~cli/pdf/Schadt_01.pdf</ref>,
 running median lines<ref name="mlines">Li C, Wong WH. Model-based analysis of oligonucleotide arrays: model validation, design issues and standard error application. Genome Biology. 2001;2(8):RESEARCH0032. http://www.ncbi.nlm.nih.gov/pmc/articles/PMC55329/</ref>,
-loess smoothers<ref name="smoothers">Bolstad BM, Irizarry RA, Astrand M, Speed TP. A comparison of normalization methods for high density oligonucleotide array data based on variance and bias. Bioinformatics. 2003;19(2):185-193. http://www.ncbi.nlm.nih.gov/pubmed/12538238</ref>
+loess smoothers<ref name="smoothers">Bolstad BM, Irizarry RA, Astrand M, Speed TP. A comparison of normalization methods for high density oligonucleotide array data based on variance and bias. Bioinformatics. 2003;19(2):185-193. http://www.ncbi.nlm.nih.gov/pubmed/12538238</ref>,
+и т.д. В типичном случае нелинейная нормализация проводится по множеству рангово-инвариантных проб, то есть, проб, имеющих один и тот же ранг во всех микрочипах.
+=====Схема выполнения нелинейной нормализации=====
+# Выбрать столбец <tex>j</tex> матрицы <tex>X</tex> в качестве базового.
+# Для всех столбцов <tex>i\neq\j</tex> матрицы настроить параметры нелинейной функции <tex>f</tex>, отображающей столбец <tex>i</tex> на столбец <tex>j</tex>. Пусть <tex>\hat{f}_i</tex> - полученное отображение.
+# Нормализованные значения в столбце <tex>j</tex> определяются как <tex>\hat{f}_i\left(X_j\right)</tex>
 === Квантильная нормализация ===