Нормализация ДНК-микрочипов
Материал из MachineLearning.
м |
м |
||
| Строка 14: | Строка 14: | ||
=== Циклическая нормализация при помощи локальной регрессии === | === Циклическая нормализация при помощи локальной регрессии === | ||
[[Алгоритм LOWESS]] | [[Алгоритм LOWESS]] | ||
| - | + | === LVS-нормализация === | |
[[Категория:Биоинформатика]] | [[Категория:Биоинформатика]] | ||
{{Stub}} | {{Stub}} | ||
Версия 11:42, 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.
Используются следующие методы нормализации.
Содержание |
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.
