Information

Material zur Analyse von (Micro)Array-Daten

Material zur Analyse von (Micro)Array-Daten


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ich analysiere gerade Zytokin-Array-Daten. Das verfügbare Material zur statistischen Auswertung dieser Daten ist mehr als unbefriedigend. Da viel Aufwand in die Analyse von Gen-Microarray- und MALDI-TOF-Proteomdaten gesteckt wird, möchte ich diese Methoden auf meine Zytokin-Arrays anwenden.

Was ist ein guter Einführungstext zur Microarray-Analyse, insbesondere zur Qualitätskontrolle und Fehlerabschätzung?


Ein guter Ausgangspunkt wäre Statistische Methoden für die Microarray-Datenanalyse. Ich würde auch Papiere aus den Labors von Terry Speed, Gary Churchill, John Quackenbush und Gordon Smyth vorschlagen.

Außerdem habe ich einige Artikel gefunden, die sich speziell mit Ihrem genauen Thema befassen: wie man die für DNA-Mikroarrays entwickelten Methoden zur Analyse von Proteinarrays anwendet.

  • Eckel-Passow et al. Experimentelles Design und Analyse von Antikörper-Mikroarrays: Anwendung von Methoden aus cDNA-Arrays. Krebs Res. 15. April 2005;65(8):2985-9.
  • Royce et al. Extrapolation traditioneller DNA-Microarray-Statistiken auf Tiling- und Protein-Microarray-Technologien. Methoden Enzymol. 2006;411:282-311.

Beste Microarray-Datenanalysesoftware

Eine qualitativ hochwertige Bildverarbeitung und eine geeignete Datenanalyse sind wichtige Schritte eines Microarray-Experiments. Dieser BiologyWise-Artikel beschreibt einige der besten verfügbaren Microarray-Datenanalyse-Software, um statistisch und biologisch signifikante Informationen aus Microarray-Experimenten zu extrahieren.

Eine qualitativ hochwertige Bildverarbeitung und eine geeignete Datenanalyse sind wichtige Schritte eines Microarray-Experiments. Dieser BiologyWise-Artikel beschreibt einige der besten verfügbaren Microarray-Datenanalyse-Software, um statistisch und biologisch signifikante Informationen aus Microarray-Experimenten zu extrahieren.

Wusstest du schon?
Ein einzelner Microarray erzeugt etwa 10 5 – 10 6 Datenfragmente.

Sie möchten für uns schreiben? Nun, wir suchen gute Autoren, die das Wort verbreiten wollen. Melde dich bei uns und wir reden.

Microarray-Experimente, gefolgt von einer genauen Analyse der enormen Menge an generierten Daten, haben sich zu einer reichhaltigen Informationsquelle in Bezug auf verschiedene Aspekte der Biologie entwickelt, einschließlich Genfunktion, Genexpression, Pathway-Analyse, Genomvergleiche usw.

Im Folgenden finden Sie einige der besten und am häufigsten verwendeten umfassenden Software, die Vorverarbeitung, Normalisierung, Filterung, Clustering und schließlich die biologische Interpretation und Analyse von Microarray-Daten ermöglichen. Darüber hinaus wurde auch spezielle Software beschrieben, die Werkzeuge für eine bestimmte Art von Analyse bereitstellt.

Typ: Kostenlos und Open Source
Instandgehalten von: Fred Hutchinson Krebsforschungszentrum
Betriebssystem: Windows, Linux, Mac OS X
Funktionalität: Umfassend

Dieses offene Entwicklungsprojekt wurde 2001 initiiert und basiert auf der Programmiersprache R. Es umfasst R-Pakete, die statistische, grafische und andere Rechenwerkzeuge für die Bildverarbeitung und Datenanalyse von DNA-Mikroarrays, die Sequenzanalyse sowie die SNP-Datenanalyse (Single Nucleotide Polymorphism) bereitstellen. Es sind spezielle Pakete verfügbar, die für mehrere kommerzielle Microarray-Plattformen wie Affymetrix geeignet sind.

Typ: Kostenlos und Open Source
Instandgehalten von: Institut für Genomforschung und andere Mitwirkende
Betriebssystem: Windows, Linux, Mac OS X
Funktionalität: Umfassend

Die TM4 Microarray Software Suite bietet die folgenden Anwendungen, die in Java und C/C++ entwickelt wurden.

  1. MADAM (Microarray-Datenmanager) wurde entwickelt, um Microarray-Daten sowie die zugehörigen Informationen wie Versuchsdesign, Parameter, Protokolle usw. zu verwalten und zu speichern. Diese Daten werden in einer MySQL-Datenbank gemäß den MIAME-Standards (Minimal Information About a Microarray Experiment) gespeichert.
  2. MIDAS (Microarray-Datenanalysesystem) wurde entwickelt, um die erhaltenen Daten zu normalisieren und zu filtern. Die resultierende Ausgabe wird im .tav-Format in der MADAM-zugehörigen Datenbank gespeichert.
  3. Spotfinder wurde für die schnelle Bildverarbeitung und Quantifizierung von Signalen an jedem Punkt entwickelt, um die Genexpression zu quantifizieren.
  4. MeV (MultiExperiment-Viewer) ermöglicht die Analyse der normalisierten und gefilterten Microarray-Daten. Es bietet Tools für Clustering und Klassifikation, grafische Visualisierung, statistische Analyse sowie Annotation.
  5. AMP (Automatisierte Microarray-Pipeline) ist eine webbasierte Anwendung, bei der Microarray-Daten in Form von Affymetrix-CEL-Dateien zur weiteren Analyse eingereicht werden können. Der Arbeitsablauf oder die Pipeline kann für die Normalisierung und statistische Analyse, gefolgt von der Genklassifizierung und Annotation, angegeben werden. AMP ist vergleichsweise benutzerfreundlich und die Ergebnisse werden in einem webbasierten Format angezeigt, das einfach gespeichert und für weitere Analysen verwendet werden kann.

Sie möchten für uns schreiben? Nun, wir suchen gute Autoren, die das Wort verbreiten wollen. Melde dich bei uns und wir reden.

Typ: Kostenlos und Open Source sowie in Form eines öffentlichen Webservers
Instandgehalten von: Breites Institut
Betriebssystem: Windows, Linux, Ubuntu, SuSE, CentOS, Mac OS 10.7 und höher
Funktionalität: Umfassend

Entwickelt mit der Programmiersprache R, ist dieses System sehr benutzerfreundlich und besteht aus mehreren Analysemodulen, die einfach angeordnet und zu einer maßgeschneiderten Pipeline verbunden werden können. Microarray-Daten können normalisiert, vorverarbeitet und auf Genexpressionsmuster analysiert werden, die Klasse der gewünschten Gene vorhersagen, die Genklasse gruppieren und entdecken sowie eine Pathway-Analyse durchführen.

Typ: Kostenlos und Open Source
Instandgehalten von: GenMAPP.org
Betriebssystem: Fenster
Funktionalität: Spezifisch

GenMAPP oder der Gene Map Annotator and Pathway Profiler wurden unter Verwendung von Visual Basic 6.0 entwickelt und wurden speziell für die Analyse von genomischen Microarray-Daten zum Verständnis und zur Identifizierung biologischer Signalwege, wie anabole und katabole Wege sowie Signalwege, entwickelt.

Es enthält Gendatenbanken für ausgewählte Modellorganismen, darunter E coli, Mensch, Maus, Zebrafisch usw. Die Genexpressionsdaten von kundenspezifischen sowie kommerziellen Microarrays können analysiert und die gewünschten Gene können in Form eines Signalwegs unter Verwendung eines farbcodierten Formats gemäß den angegebenen Kriterien visualisiert werden durch den Benutzer. Es bietet Werkzeuge zum Konstruieren und Modifizieren von Signalwegen unter Verwendung früherer Informationen über Genannotationen.

Typ: Werbung
Zur Verfügung gestellt von: BioDiscovery
Betriebssystem: Windows, Mac und Linux
Funktionalität: Umfassend

Dies ist eine Java-basierte kommerzielle Software zur Analyse von Daten von fast jeder Plattform und Art von Microarray. Es bietet sogar gebrauchsfertige Vorlagen für Standard-Microarray-Plattformen wie Agilent 244K-, 4x44K-, 44K-Arrays usw.

Die Analyse von Microarray-Daten hängt von der Art des Microarrays sowie vom Design der Studie ab. Neben der Bequemlichkeit sollte die Wahl der Microarray-Datenanalysesoftware und der statistischen Analysewerkzeuge nach sorgfältiger Abwägung der experimentellen Bedingungen und des genauen Ziels erfolgen.

Zusammenhängende Posts

Die zwei Arten der Gentherapie sind die Keimbahn-Gentherapie und die somatische Gentherapie. Während der Keimbahntyp auf eine permanente Manipulation von Genen in den Keimzellen abzielt,&hellip

Die Gentherapie ist die jüngste Entwicklung auf dem Gebiet der Medizin mit dem Potenzial, bei der Behandlung einiger schwerer Krankheiten wie Krebs nützlich zu sein. Die Therapie versucht grundsätzlich&hellip

Die schwere kombinierte Immunschwäche (SCID) ist eine lebensbedrohliche Krankheit, die auch als „Boy-in-the-Bubble“-Syndrom bekannt ist. Hier ist mehr. Lymphozyten sind weiße Blutkörperchen im Immunsystem von&hellip


Rezension

Mikroarray-Struktur

Ein typischer Mikroarray besteht aus Oligonukleotiden, die mehrere Dutzend Nukleotide (nt) lang sind und an der Oberfläche eines Glasobjektträgers befestigt sind. Unter Verwendung geeigneter photolithographischer Masken wird jeweils ein einzelnes Nukleotid A, C, T oder G angehängt, und daher ist es möglich, ein Mikroarray mit Hunderttausenden verschiedener Oligonukleotidsequenzen zu konstruieren, die komplementär zu charakteristischen Fragmenten bekannter DNA oder RNA sind Sequenzen. Diese charakteristischen Fragmente sind in Sätzen angeordnet, die Sonden genannt werden [49]. Eine Probe, die DNA- oder RNA-Moleküle enthält, wird auf der Oberfläche eines Mikroarrays verteilt und seine Komponenten hybridisieren spezifisch mit ihren komplementären Sonden, die sich in mehreren Kopien über den Mikroarray befinden (Abb.  1 ). Die an eine bestimmte Sonde hybridisierte Materialmenge wird durch ein fluoreszenzbasiertes Verfahren bestimmt, und obwohl die Beziehung nicht linear ist, spiegelt die Fluoreszenzintensität die Menge an DNA oder RNA eines bestimmten Gens in der Probe wider [50]. Dieser Ansatz ermöglicht die Quantifizierung des Transkripts von Tausenden von Genen in relativ kurzer Zeit.

Microarray-Schaltpläne. ein Sonden, die den charakteristischen Fragmenten eines bestimmten Gens entsprechen, werden an verschiedenen Stellen im Array platziert B Einzelne Sonden sind in Sätzen angeordnet, die der gleichen Region des Gens entsprechen. DNA, die an die Sonde hybridisiert, kann unter Verwendung eines fluoreszierenden Reportersystems nachgewiesen werden. Eine Erhöhung der Anzahl von Sonden, an die cDNA korrekt hybridisiert, erhöht den Kontrast zwischen diesem Sondensatz (Sondensatz A) und jedes andere Sondenset (Sondensatz B)

Das am weitesten verbreitete Microarray ist das Affymetrix 3′IVT (3′ in vitro Transkription), dh HG-U133A oder HG-U133_Plus_2, die aus 11 Sätzen von Perfect Match (PM)-Sonden zusammengesetzt sind, die aus 25 nt Sequenzen bestehen, die in den meisten Fällen aus 600 nt Sequenzfragmenten ausgewählt wurden, die sich in der Nähe der x02032 Ende eines bestimmten Transkripts. Für jede PM-Sonde auf dem Mikroarray existiert eine MM-(Mismatch-)Sonde, in der alle Nukleotide bis auf eines identisch mit denen auf der entsprechenden PM-Sonde sind, aber das ursprüngliche 13. Nukleotid durch ein nicht komplementäres ersetzt ist. Der Grund für die MM-Sonden besteht darin, den Grad der unspezifischen Hybridisierung zu messen [51], obwohl die Nützlichkeit dieses Konzepts bezweifelt wurde (siehe weiter unten).

Die neueste Generation von Affymetrix-Mikroarrays, wie der HuGene 1.0ST, wird unter Verwendung von Sonden konstruiert, die den Standard-PM-Sonden ähnlich sind, jedoch nicht mit dem nicht-kodierenden Teil des 3′-Endes, sondern mit den einzelnen Exons in einem bestimmten Transkript verbunden sind. In diesem Design werden die MM-Sonden durch die Background Intensity Probes (BGP) ersetzt, die dazu bestimmt sind, die Hintergrundintensitätsniveaus für Sonden mit unterschiedlichen Sequenzmerkmalen zu bewerten. BGP sind ein Satz von etwa 1000 Sonden, die zu keiner menschlichen Gensequenz komplementär sind, mit einem variablen Verhältnis von GC-Nukleotiden in der Sequenz. Dieser Ansatz ermöglicht eine bessere Bewertung der unspezifischen Hybridisierung über den Mikroarray im Vergleich zu MM-Sonden, bei denen das Signal aufgrund von sondenspezifischen Effekten oft das PM-Signal übersteigt [52]. Außerdem ermöglicht das Verringern der Anzahl von Sonden, die die nicht-spezifische Hybridisierung bewerten, das Einfügen einer viel höheren Anzahl von PM-Sonden. Das Sondenset in der neuen Generation von Whole-Transkript-Mikroarrays ist mit zwei Ebenen aufgebaut, Exon- und Genebene. Das Exon-Sondenset umfasst durchschnittlich 4 Sonden, die auf einzelne Exons zugeschnitten sind, und diese werden dann geclustert, normalerweise in Gruppen von etwa 25, um Sets für einzelne Gene zu erstellen. Mit diesem Ansatz ist es möglich, die Ebenen einzelner unterschiedlich gespleißter Transkripte zu bestimmen.

Ein weiteres beliebtes System ist die Agilent Microarray-Plattform, die mit der SurePrint-Technologie gebaut wurde, die den Einsatz erheblich längerer, 60 nt langer Sonden ermöglicht. Während die Sonden länger sind als im Affymetrix-System, ist die Anzahl der Sonden pro Gen erheblich geringer, durchschnittlich 8 im teuersten Satz von Exon-Mikroarrays (2 ×� k) oder 2 in der günstigsten Plattform ( 8 ×� k). Da die Sonden von Agilent länger sind als die der Affymetrix-Mikroarrays, ist das System tendenziell spezifischer, was ein offensichtlicher Vorteil ist, aber andererseits macht die geringere Anzahl von Sonden pro Gen die Agilent-Mikroarrays empfindlicher gegenüber einzelnen Nukleotidvariationen. Letztere sollten das Signal nicht beeinflussen, wenn sie aus Amplifikationsfehlern resultieren [53], aber sie können die Expressionsschätzungen beeinflussen, die sich aus charakteristischen Merkmalen der analysierten Probe ergeben. Im Fall des Affymetrix-Microarray-Systems werden diese Fehlerquellen nur einen geringen Einfluss haben, da sie das Signal nur in einer einzelnen Sonde für ein Transkript oder einem transkriptspezifischen Sondensatz beeinflussen. Einzelnukleotidpolymorphismen blockieren die Hybridisierung nicht, sondern verringern ihre Effizienz, was als signifikante Abnahme der Genexpression interpretiert werden kann, ein Merkmal, das verwendet wird, um den Grad der unspezifischen Hybridisierung mit Mismatch-Sonden abzuschätzen [54, 55] oder um die Allelfrequenzen zu bestimmen unter Verwendung von SNP-Mikroarrays [56]. Bei den Affymetrix-Systemen kann das Signal einer schlecht konstruierten Sonde, die auf ungenauen Daten aus einer Sequenzdatenbank basieren kann, leicht aus der weiteren Analyse eliminiert werden [41] ohne die Genauigkeit der Schätzung der Genexpression signifikant zu verringern, während bei den Agilent-Systemen der gleiche Konstruktionsfehler könnte erhebliche Schwierigkeiten bei der Bewertung der Genexpressionsniveaus verursachen.

Microarrays liefern Expressionsdaten für Tausende von Genen, aber Plattformunterschiede tragen zu einer geringen Genauigkeit von Microarrays bei und werden aus diesem Grund nur verwendet, um potenziell signifikante Gene unter den untersuchten experimentellen Bedingungen zu identifizieren. Eine genaue Beurteilung der Expressionsstärke dieser vermutlich signifikanten Gene erfordert zusätzliche Studien mit genaueren Methoden wie der Real-Time-PCR (Polymerase-Kettenreaktion), die wiederum für groß angelegte Analysen nicht geeignet sind. Einige Schritte des Microarray-Protokolls werden jedoch von den Validierungsverfahren gemeinsam genutzt, was die Datenqualität in ähnlicher Weise beeinflusst.

Biologischer Hintergrund von Microarray-Experimenten

Das Microarray-Experiment ist ein mehrstufiger Prozess, bei dem die Genauigkeit jedes einzelnen Schrittes die Schätzungen der Genexpression beeinflussen kann. Das genaue Verständnis jedes Schrittes ist nicht nur für den Experimentator, sondern auch für die Person, die die Datenvorverarbeitung durchführt, sehr wichtig. Um Fehler während des Experiments zu vermeiden, werden seine Genauigkeit und der Zustand des biologischen Materials in verschiedenen Schritten kontrolliert, wie in Abb.  2 gezeigt. Das in einem Mikroarray-Experiment verwendete Verfahren ist auf verschiedenen Plattformen sehr ähnlich, und daher basiert die folgende Beschreibung der Einfachheit halber auf dem Verfahren, das für die Affymetrix-Mikroarrays verwendet wird.

Einzelne Schritte eines Microarray-Experiments. Nach der Isolierung der Proben-mRNA (1) beginnt die Synthese von cDNA-Ketten (komplementäre DNA, Schritt) mit Zugabe von Oligo(dT)-Primern (2), dann wird cDNA amplifiziert, wodurch cRNA (komplementäre RNA) entsteht, die mit Biotin markiert ist (3 ) und später fragmentiert (4). Nach dieser Vorbereitung ist die cRNA der Probe bereit für die Hybridisierung mit Microarray-Sonden (5) und bereit für den abschließenden Färbeprozess (6)

Schritt I: RNA-Isolierung

Im ersten Schritt wird RNA aus den Zellen isoliert und deren Konzentration und Abbaugrad mit Hilfe eines Spektralphotometers (Quantität) und eines Bioanalysators (Qualität) kontrolliert. In einer qualitativ hochwertigen RNA-Probe macht ribosomale RNA (rRNA) über 80 % der gesamten RNA aus, und obwohl sie selten das Ziel einer Studie auf anderen Gebieten als der Bakteriologie und Phylogenetik ist, ist ihre Konzentration ein guter Indikator der Gesamt-RNA-Qualität, sowohl vor als auch nach dem Experiment. Vor der Hybridisierung kann das Ausmaß des RNA-Abbaus durch RNA-Elektrophorese oder einen Bioanalysator unter Verwendung der RNA-Integritätszahl (RIN) als Benchmark bewertet werden [57]. Abb.  3 zeigt ein Beispiel für ein Bild, das nach der Elektrophorese in Agarosegel gemacht wurde. Die ersten beiden Spuren zeigen RNA direkt nach der Isolierung. Die beiden am stärksten unterscheidbaren Banden entsprechen der 18- und 28S-rRNA und ihr Fehlen würde darauf hinweisen, dass die RNA stark abgebaut wurde [58].

Elektrophoretische Analyse der in verschiedenen Stadien eines Microarray-Experiments erhaltenen Produkte. Bahnen 1 und 2, isolierte RNA 3 und 4, gereinigte cRNA 5 und 6, fragmentierte cRNA (Bild mit freundlicher Genehmigung von Herok R. - unveröffentlichte Daten)

Die RNA-Qualität kann auch nach dem Experiment bewertet werden, indem die Ergebnisse einer bestimmten Gruppe von Kontrollsondensätzen (wie in Tabelle  1 beschrieben) analysiert werden, die auf bestimmte Haushaltsgene (Gruppe 1) oder rRNA (Gruppe 2) abzielen. Wie bei anderen Sondensets ist eine einzelne Expressionsintensität jedoch nicht aussagekräftig, da ihr Wert, ausgedrückt in willkürlichen Einheiten, von den Eigenschaften der Probe [59], den experimentellen Bedingungen, wie z. 60] und die verwendeten Datenvorverarbeitungsmethoden [61]. Aus diesem Grund sind willkürliche Kriterien, die nur auf einzelnen Expressionsintensitäten basieren, normalerweise unwirksam und ein Vergleich zwischen Arrays oder zwischen Sondensätzen ist erforderlich.

Tabelle 1

Referenzgene, die auf einem typischen Affymetrix 3’IVT-Mikroarray gefunden wurden. Amplifikations- und Hybridisierungskontroll-RNAs werden in verschiedenen Anteilen und Mengen zugegeben, wie in der letzten Spalte angegeben. Die Amplifikationskontrolltranskripte werden unter Verwendung verschiedener Verdünnungen zugegeben, was zu geschätzten Kopienzahlen im Bereich von einer Kopie pro 6.667 bis 100.000 Transkripte in der untersuchten RNA-Probe führt. Die Hybridisierungskontrolle besteht aus biotinylierten und fragmentierten cRNAs, die in verschiedenen Mengen zugegeben werden, was zu einer Endkonzentration im Bereich von 1,5 bis 100 pM . führt

GruppeTypNameBeschreibung
1Housekeeping-GeneAFFX-HSAC07/ <"type":"entrez-nucleotide","attrs":<"text":"X00351","term_id":"28251","term_text":"X00351">> X00351ACTB - β-Actin-Gen, das für die Struktur der Zelle verantwortlich ist
AFFX-HUMGAPDH/ <"type":"entrez-nucleotide","attrs":<"text":"M33197","term_id":"182976","term_text":"M33197">> M33197GAPDH – Enzym, das an der Glykolyse beteiligt ist
AFFX-HUMISGF3A/ <"type":"entrez-nucleotide","attrs":<"text":"M97935","term_id":"2281070","term_text":"M97935">> M97935STAT1 – Transkriptionsfaktor
2Ribosomale RNAAFFX-HUMRGE/ <"type":"entrez-nucleotide","attrs":<"text":"M10098","term_id":"337376","term_text":"M10098">> M10098Gen kodierend für die 18S rRNA-Untereinheit
AFFX- <"type":"entrez-nucleotide","attrs":<"text":"M27830","term_id":"337384","term_text":"M27830">> M27830Gen kodierend für die 28S rRNA-Untereinheit
AFFX-r2-Hs18SrRNAGen kodierend für die 18S rRNA-Untereinheit - Version 2
AFFX-r2-Hs28SrRNAGen kodierend für die 28S rRNA-Untereinheit - Version 2
3Verstärkungskontrolle (Poly-A-Spike)AFFX-DapX / AFFX-r2-Bs-dapDap-Gen von B.Subtilis Bakterien - Proportionen 1:6.667
AFFX-ThrX / AFFX-r2-Bs-thrThr-Gen von B.Subtilis Bakterien - Proportionen 1:25.000
AFFX-PheX / AFFX-r2-Bs-phePhe-Gen von B.Subtilis Bakterien - Proportionen 1:50:000
AFFX-LysX / AFFX-r2-Bs-lysLys-Gen von B.Subtilis Bakterien - Proportionen 1:100.000
4Hybridisierungskontrolle (bakterieller Spike)AFFX-BioB / AFFX-r2-Ec-bioBBioB-Gen von E coli Bakterien – Menge 1,5 pM
AFFX-BioC / AFFX-r2-Ec-bioCBioC-Gen von E coli Bakterien – Menge 5 pM
AFFX-BioDn / AFFX-r2-Ec-bioDBioD-Gen von E coli Bakterien – Menge 25 pM
AFFX-CreX / AFFX-r2-P1-creCre-Gen des P1-Bakteriophagen – Menge 100 pM

Jeder der Kontrollsondensätze existiert in drei Varianten, die jeweils auf eine andere Region des ausgewählten Transkripts abzielen – seinen zentralen Abschnitt und die 3′- und 5′-Enden. Dies ermöglicht die Beurteilung der Abbaurate einzelner Transkripte durch Untersuchung der 3′/5′ Sondensatz-Signalverhältnisse, die mit dem vom Hersteller definierten Schwellenwert und den für andere Mikroarrays erhaltenen Verhältnissen verglichen werden können, um die Homogenität von . zu beurteilen Abbaugrad der einzelnen Proben. Um die Bewertung des postexperimentellen RNA-Abbaus zu unterstützen, wurden komplexere Methoden entwickelt, darunter RNA-Abbau-Plots [62] oder Mixed-Effect-Modelle basierend auf individuellen Sonden- und Transkripteigenschaften [63].

Schritt II: cDNA-Synthese

Zu Beginn dieser Phase werden externe RNA-Kontrollen (ERCs) hinzugefügt, die unabhängig von Volumen und Zustand des Inputmaterials zur Kontrolle der cDNA-Synthese dienen. Zu diesem Zweck wird bakterielle RNA verwendet (der sogenannte Poly-A-Spike) ohne Homologie zu bekannten menschlichen Genen. Anschließend wird der cDNA-Syntheseprozess unter Verwendung von Oligo-dT (ein Primer mit einer kurzen Sequenz von Desoxy-Thymin-Nukleotiden) oder Zufallsprimern durchgeführt. Oligo-dT bindet an die Poly-A-Schwänze von mRNAs und initiiert die Synthese des komplementären Strangs in einem Prozess der reversen Transkription (Abb.  4 ). Dieser Vorgang funktioniert bei rRNA-Molekülen nicht, da sie im Gegensatz zu mRNA-Molekülen keinen Poly-A-Schwanz haben und es aus diesem Grund nicht notwendig ist, die rRNA vor diesem Vorgang zu entfernen. In einigen Fällen kann rRNA jedoch in menschlichen Zellen polyadenyliert werden [64], und umgekehrt haben nicht alle mRNAs einen Poly-A-Schwanz, und es gibt auch Berichte über mRNAs, die in zwei Formen existieren, sowohl polyadenyliert als auch nicht polyadenyliert [65] .

cDNA-Synthese basierend auf einem kommerziellen T7-Oligo (dT)-Primer. Der Pfeil gibt die Syntheserichtung an, rote Schrift zeigt die bei der Amplifikation verwendete Promotorsequenz an. Die grüne Region ist der Sequenzspacer, der den Primer vom (T) trennt.24 Motiv

Der zweite Strang der cDNA wird dann erzeugt, indem der erste Strang als Matrize verwendet wird. Die Zugabe von Ribonuklease bewirkt eine RNA-Spaltung an unspezifischen Stellen, wodurch nur kurze Fragmente an die cDNA angehängt bleiben (Abb.  2 ). Diese Fragmente werden dann als Primer für die Polymerase verwendet, die den zweiten Strang der cDNA synthetisiert und die restlichen mRNA-Fragmente entfernt, die auf ihrem Weg gefunden wurden. Die Messung der cDNA-Konzentration, die eine Standardisierung über verschiedene Proben ermöglicht, ist nicht Teil des standardmäßigen experimentellen Verfahrens für eukaryontische Zellen, da andere Nukleinsäurespezies vorhanden sind, die die spektrophotometrische Messung beeinflussen, deren Entfernung eine zusätzliche cDNA-Reinigung erfordert. Dieser Schritt wird stark von einem vorherigen RNA-Abbau beeinflusst, der zur Bildung von verkürzten mRNAs (vom 5′-Ende) führt [66]. Wenn Oligo-dT-Primer während der cDNA-Synthese verwendet werden, werden diese verkürzten mRNAs vom 3′-Ende nur bis zur Trunkierungsposition gelesen, und der verbleibende Teil geht aufgrund des Fehlens von Poly-A verloren. In einer solchen Situation zeigen weiter vom 3′-Ende entfernte Sonden normalerweise eine geringere Signalintensität, ein Phänomen, das den RNA-Abbau-Plots zur Beurteilung der mRNA-Qualität zugrunde liegt [62]. Um diesen Effekt zu reduzieren, werden bei 3′IVT-Mikroarrays Sonden aus einem einzigen Set basierend auf einer sehr kleinen Region von 600਋p ausgewählt, die sich nahe dem 3′-Ende der mRNA befindet. Um diesen Bias weiter zu reduzieren, wurden ausgeklügelte Methoden entwickelt, die die Lage von Regionen, auf die die Sonden abzielen, berücksichtigen, um die Signalintensitäten zu korrigieren [67, 68].

Der 3-End-Bias tritt nicht auf, wenn Zufallsprimer für die cDNA-Synthese verwendet werden. Zufällige Primer benötigen keinen Poly-A-Schwanz, da sie sich an jede Region der mRNA und nicht nur an ihr 3′-Ende anlagern können, was die Synthese in eine 3′ ➔ 5′ Richtung und eine sehr starke 5′-Ende-Bias kann beobachtet werden, wie in Lit. gezeigt. [69].

Obwohl viele der verfügbaren cDNA-Synthesekits eine Kombination aus Oligo-dT und Zufallsprimern enthalten, werden Kits, die ausschließlich auf Oligo-dT basieren, häufig verwendet, insbesondere für die 3′-IVT-Plattform, bei der 3′-UTR-Sequenzen von höchster Bedeutung sind da sie von Oligonukleotidsonden angesteuert werden.

Die Oligo-dT-basierte cRNA-Synthese führt zu einer zusätzlichen Verzerrung, die die Ergebnisse eines Microarray-Experiments beeinflussen kann. Zunächst einmal sind Oligo-dT-Primer wegen des mRNA-Abbauproblems nur dann eine gute Wahl, wenn sich die interessierende Region in der Nähe der 3′-UTR befindet, da große Abstände zwischen der von den Sonden anvisierten Region und der poly -A kann die Genauigkeit der Schätzungen des Expressionsniveaus verringern [70]. Wenn die Analyse das gesamte Transkript erfordert, wie im Fall von WT (Whole-Transcript)-Microarray-Plattformen, bei denen einzelne Exons analysiert werden, werden zufällige Primer benötigt. Außerdem wird angenommen, dass Oligo-dT nur an den Poly-A-Schwanz des Transkripts bindet, was einen langen kontinuierlichen Strang von A-Nukleotiden erfordert, wie in Abb.  2 gezeigt. Allerdings reicht eine partielle Primer-Komplementarität (dh eine Komplementarität von nur 8 Adeninnukleotiden in der Primersequenz) für die Reaktionsinitiation aus, und aufgrund der zufälligen Natur der Anheftung kann er auch an die A-Stränge binden, die üblicherweise in den UTRs gefunden werden [71]. Außerdem wird mit steigender Konzentration von Oligo-dT die Wahrscheinlichkeit erhöht, mehrere Oligonukleotide an eine einzelne mRNA zu binden. In einer solchen Situation kann die Synthese von zwei verschiedenen Regionen ausgehen, aber die Reaktion, die sich näher am 3′-Ende befindet, könnte durch die zweite Reaktion blockiert werden, wodurch wiederum verkürzte cDNA-Produkte erzeugt werden [71]. Dieses Phänomen kann daher die gesamte Signalintensität des Sondensatzes des anvisierten Transkripts beeinflussen, wenn seine Sequenz einfache Wiederholungen enthält, die überwiegend aus A-Nukleotiden aufgebaut sind.

Schritt III: Amplifikation und Markierung

In diesem Schritt wird die neu synthetisierte cDNA repliziert (amplifiziert) in einem Prozess von in vitro Transkription. Das Ziel dieses Schrittes ist es, eine große Menge an cRNA zu erhalten, die biotinylierte C- und U-Nukleotide enthält, die in den nachfolgenden Schritten benötigt werden [58]. Zu diesem Zweck wird ein weiteres Fragment von Oligo-dT verwendet, das in Abb.   2 rot markiert ist und als Promotor für die T7-Bakteriophagen-Polymerase dient.

Die Effizienz dieser Reaktion und ihre Konsistenz zwischen den Proben hat einen entscheidenden Einfluss auf die endgültigen experimentellen Ergebnisse [72]. Es gibt viele Faktoren, die die Effizienz dieser Reaktion beeinflussen, einschließlich der strukturellen Eigenschaften der cDNA selbst, die je nach GC-Gehalt die Effizienz der Polymerase beeinflussen können [73] und Sekundärstrukturen bilden [74]. Dieser Schritt wird mit einer Aufreinigung und Quantifizierung der cRNA abgeschlossen, die eine Kontrolle der Gesamtreaktionsausbeute und Reinheit der Probe ermöglicht. Das Produkt der Amplifikationsreaktion kann in den Spuren drei und vier des Elektrophoresegels beobachtet werden (Abb.  3 ). rRNA ist nicht mehr sichtbar und aufgrund der Längenvariabilität der cRNAs sind auf dem Gel keine leicht unterscheidbaren Banden sichtbar.

Die postexperimentelle Kontrolle von cRNA-Level-Variationen verwendet die Signale von Sonden, die auf eine Referenz-RNA (poly-A-Spike) abzielen, die vor der cDNA-Synthese hinzugefügt wurde, und Signale von Housekeeping-Genen, die bei allen Proben auf einem ähnlichen Level sein sollten. Der Poly-A-Spike enthält Transkripte von fünf B. subtilis Gene (Dap, Lys, Phe, Thr und Trp), die der isolierten RNA in unterschiedlichen Anteilen zugesetzt werden. Da sie alle einen Poly-A-Schwanz enthalten, durchlaufen sie unabhängig von ihrem Zustand das gleiche Verfahren wie die analysierte RNA. Lys-Gen-RNA wird in der niedrigsten Konzentration (1:100.000 der Gesamt-RNA) zugegeben, die nahe am Sensitivitätsniveau des Mikroarrays liegt. Sein Nachweis in mindestens der Hälfte der Mikroarrays eines gegebenen Experiments ist ein guter Indikator für ein ordnungsgemäß durchgeführtes Verfahren. Die verbleibenden Referenz-RNAs werden in ansteigenden Konzentrationen hinzugefügt Lys < Phe < Thr <�p, wobei Dap der höchste Wert ist und nahe dem Sättigungsgrad der Sondensignalintensität liegt.

Die Amplifikationsprodukte weisen keinen T7-Promotor mehr auf, obwohl die Spacer-Sequenz zwischen Promotor und (T)24 Primer (grün in Abb.  3 ) wird ebenfalls amplifiziert [75]. Da dieses Fragment mit jeder cRNA kopiert wird, ist seine Menge sehr groß, und da es an Sonden mit einer ähnlichen Sequenz binden kann, könnte es deren Signalintensität beeinflussen [69]. Es wird angenommen, dass der Prozess der Amplifikation die Quelle inkonsistenter Signale zwischen den Proben sein könnte, da er stark von den Experimentbedingungen und der Transkriptstruktur abhängt [74, 76], was zur Hauptmotivation für die Entwicklung von Mikroarray-Protokollen wird, die keine RNA-Amplifikation [77].

Schritt IV und V: cRNA-Fragmentierung und Hybridisierung

Im vorherigen Schritt erhaltene cRNAs werden in 50� nt Fragmente geschnitten, die in den Spuren fünf und sechs des Elektrophoresegels gezeigt sind (Abb.  3 ). Danach folgt ein weiterer Satz externer RNA-Kontrollen (ERCs), die von P1-Bakteriophagen stammen und E coli Bakterien (bezeichnet als bakterielle Spikes) wird dem RNA-Pool hinzugefügt. Ähnlich wie beim Poly-A-Spike wird bakterielle RNA in verschiedenen Konzentrationen zugegeben, wobei die folgenden Beziehungen erfüllt sind: bioB <𠂛ioC <𠂛ioD <𠂜re (Gruppe 4 in Tabelle  1 ). BioB, bioC und bioD stammen aus der E coli Gene, die bei der Synthese von Biotin verwendet werden, während Cre aus P1-Bakteriophagen isoliert wird, wo sein Genprodukt als Rekombinase dient [78]. Dieser bakterielle Spike ist bereits in cRNA umgewandelt und fragmentiert, was die Kontrolle des Hybridisierungsprozesses ermöglicht, unabhängig von der Effizienz der Markierung und Amplifikation, die in den vorherigen Schritten verwendet wurden, um cRNA zu erhalten [58]. Danach wird die Mischung verschiedener cRNAs auf den Microarray-Chip übertragen und der Hybridisierungsprozess eingeleitet.

Die Hybridisierung ist der zeitaufwendigste Schritt des gesamten Microarray-Verfahrens. Während ungefähr 16 h, in denen Microarrays in einem auf 45 ଌ eingestellten Hybridisierungsofen inkubiert werden, bindet die cRNA an die spezifischen Sonden, die an der Glasoberfläche des Microarray-Chips befestigt sind. Die Dynamik des Hybridisierungsprozesses hängt von vielen Faktoren ab, die wie beim Amplifikationsschritt sowohl von den Reaktionsbedingungen als auch von den strukturellen Eigenschaften der einzelnen cRNA-Moleküle abhängen, die die experimentellen Ergebnisse maßgeblich beeinflussen können [79, 80]. Eine verlängerte Hybridisierung kann zu einer Austrocknung der Probe und einer ungleichmäßigen Verteilung des Materials auf der Oberfläche des Chips führen. Darüber hinaus kann die Verdunstung eines Teils des Wassers die Salzkonzentration in den Puffern verändern und die Effizienz des Prozesses erheblich beeinträchtigen [81].

Der Hauptzweck der Bakterienspikes, die vor dem Hybridisierungsschritt hinzugefügt werden, besteht darin, die Konsistenz der Hybridisierungsbedingungen über alle Proben hinweg zu kontrollieren und die Gesamtleistung des Microarrays zu bewerten [82]. Fehler in der experimentellen Vorgehensweise verursachen entweder Variationen im Bereich der Expressionsintensität oder in den Beziehungen zwischen einzelnen bioB-, bioC-, bioD- und Cre-Transkripten, obwohl man bedenken muss, dass Fehler im Hybridisierungsprozess auch andere Transkripte betreffen. Aus diesem Grund sollten Inkonsistenzen bei der Hybridisierung auch in Sondensätzen sichtbar sein, die auf andere cRNAs abzielen, einschließlich der Poly-A-Spike-Kontrollen. Liegen nur Variationen in den Bakterienspikes vor, liegt das Problem höchstwahrscheinlich an Ungenauigkeiten bei deren Herstellung oder deren Konzentration in der prähybridisierten cRNA. Alle möglichen Szenarien für Housekeeping-Gene, Poly-A und bakterielle Spike-Kontrollen sind in Tabelle  2 zusammengefasst.

Tabelle 2

Von verschiedenen Kontrollsondensets erkannte Probleme und ihre möglichen Gründe a

Housekeeping-GenePoly-A-SpikeBakterielle SpitzeMöglicher Grund
ErrorOKOKSchlechte Qualität der analysierten mRNA
ErrorErrorOKProbleme bei der Amplifikation/Markierung
ErrorErrorErrorProbleme beim Hybridisieren/Waschen
OKOKErrorUngenaue Vorbereitung des Bakterienspießes
OKErrorOKUngenaue Vorbereitung des bakteriellen Poly-A-Spikes

a Andere mögliche Fehlerkombinationen treten in der Praxis selten auf

Bakterielle Spike-Kontrollen sind ein guter Indikator für Probleme, die während des Hybridisierungsverfahrens auftreten können, obwohl sie eine ungleichmäßige Hybridisierung nicht erkennen, da die Sondenset-Intensität nach der Zusammenfassung der Signale von über 20 einzelnen Sonden erhalten wird, die über die gesamte Oberfläche des Mikroarrays verteilt sind (3′IVT arrays) or located in a small region at the middle of the array (WT arrays). For this purpose the quality control of each sample should include the analysis of an image of the microarray surface, which is either a complete scan saved in a DAT file, or more commonly a recreated image based on the individual probe intensities stored in a CEL file [83, 84].

The main assumption made in design of a microarray is that probes targeting a single transcript are placed randomly on its surface. For this reason, variations in the signal intensity of specific regions suggest reasons other than the biological variation between the analyzed mRNAs. Such differences among regions, termed image artifacts, are mostly caused by bubbles of air or small levels of impurities, which were added into the microarray cartridge with the experimental solutions [85]. Such artifacts appear very commonly, although they usually have a very small size and are handled efficiently by summarization methods, which are insensitive to a small number of outlying values. The main problem occurs when the artifact covers a significant percentage of the array surface or its intensity is extremely high and close to the saturation level of the probes. Such artifacts are mainly caused by uneven hybridization and affect not only the expression estimates from probes located in its region, but also the remaining probe signals. This latter effect is due to data processing, which utilizes expression levels of all or of a significant fraction of the probes on the microarray [38].

Microarray surface artifacts can be visualized by either creating an image, based on single probe expression intensities in a convenient (usually logarithmic) scale, or by analyzing differential images created by subtracting the signal of each probe on a single microarray from that on another reference array created by, for example, calculating the median intensity level of each probe across all microarrays in a single experiment [37]. If a defective array is found, probes affected by an aberration may be separated and removed from the subsequent data analysis or even recreated using imputation techniques [38, 37, 85, 86]. Microarrays affected by a very large aberration should be removed from the study, as they no longer serve as a reliable source of information.

Step VI: Washing and staining

Washing follows the cRNA hybridization and is used to remove cRNA non-specifically bound to the microarray surface. Again, in this step small variations in the reaction conditions may affect the expression estimates [87]. Depending on the conditions of the washing process (temperature, salt concentration, calcium and magnesium ion levels in the buffer) non-specifically bound cRNA is removed with varying efficiency, affecting the sensitivity and background level of the entire microarray. The binding strength of cRNAs depends not only on their complementarity level but also on the temperature of the hybridization and their sequence characteristics, mainly the GC content [88] and specific base positions inside the sequence [44]. Separation between the binding strength of non-specifically bound GC-rich cRNA and GC-poor cRNA with perfect complementarity is not very sharp, affecting the final intensity level of cRNAs depending on their sequence characteristics [50], which can be only reduced using sequence-based normalization approaches during the data pre-processing step [89, 90].

The washing process is followed by staining of the hybridized cRNA using a streptavidin-phycoerythrin complex (Fig.  2 ). Streptavidin is a protein with high binding affinity to the biotinylated nucleotides used in the cRNA preparation, while phycoerythrin is a fluorescent dye used for quantitation of the hybridized cRNA. The quality of the fluorophore used significantly affects the fluorescence intensity of the microarray, decreasing its sensitivity if it is exposed for too long to daylight [91].

Step VII: Scanning

In this step the microarray cartridge is placed in the microarray scanner where the fluorescence of the phycoerythrin bound to the cRNA is excited using a laser. The level of fluorescence is measured by the scanner’s detector and is assumed to be proportional to the amount of cRNA bound to the corresponding probe. The length of this process depends on the size of the microarray and in most cases lasts around 10 min for a single array. During the scanning process all arrays are placed inside the scanner’s chamber so that the fluorescence intensity is not affected by differences in the length of exposure to daylight, which could increase the differences among microarrays in both the scale of the measurements and the sensitivity level. It is advised to scan each microarray only once, since each subsequent scan decreases the fluorescence intensity by 10� %, due to decay of the fluorophore [92]. The fluorescence intensity of cyanine-based dyes also used in microarray experiments, such as Cy5, can be further affected by the ozone concentration in the laboratory, a factor which is both time- and location-dependent, and can become a major source of among-experiment inconsistencies [60, 93].

Step VIII: Data pre-processing

The last stage involves data pre-processing which starts by analyzing the microarray image stored in the DAT file, whose goal is to obtain single fluorescence intensity for each probe based on the 16 pixels of the original microarray image. This step is performed by the Affymetrix software and returns a CEL file as an output, in which each probe, at a specific position on the microarray, has a signal intensity assigned to it. These individual probe intensities are used in the subsequent preprocessing steps, during which each array is standardized by first estimating and then subtracting the background signal in order to reduce the effect of non-specific hybridization [44]. Following step is to perform normalization procedure which reduces the differences in probe intensities that originate from differences in experimental conditions and cRNA concentration [31, 94]. The final step of pre-processing is the summarization, in which a single expression estimate is calculated for each probe-set based on the intensity of the individual probe signals [95]. Summarization step is highly dependent on the quality of the probe and probeset definitions which are in many cases low due to inaccurate transcriptome data at the time of microarray design. This can result in probesets targeting transcripts of multiple genes due to low probe specificity, probes that do not map any of the known transcripts [41, 42] or multiple probesets that map the same gene [39, 40], requiring the development of methods used for the validation of existing probes and for probeset redefinition [41, 42, 96].

Selection of the pre-processing strategy can have a very large impact on the experimental outcomes [94] and often requires a few assumptions which are not always acceptable. The main assumption made by pre-processing methods is that the total level of mRNA in the cell does not vary significantly among samples, regardless of the experimental conditions and cell lines used. This assumption is required for the standardization approaches based on mean and median scaling or more complex approaches, such as quantile normalization [31], and its natural consequence is that the amount of differentially-expressed features with increased or decreased levels will be always similar. For example, in the case of global transcript level changes in cells with inhibited transcription, one might expect to detect predominantly transcript down-regulation, whereas after applying quantile normalization it is very probable that a significant number of up-regulated transcripts will be observed, due to intensity distribution transformations.

Another important assumption is forced by the massively parallel experimentation of the microarray technique which allows for assessing expression level of thousands of genes simultaneously. We have to assume that the reaction conditions for each individual gene were similar while knowing that due to various molecular properties of the analyzed RNA/DNA fragments it is impossible to properly optimize each of the individual reactions. Most of the data processing methods make this assumption although some standardization methods also exist that utilize probe and RNA/DNA sequence information in order to reduce the signal differences resulting from sub-optimal amplification and hybridization conditions that affect gene expression estimates to a varying degree [89, 90].


Advanced Analysis of Gene Expression Microarray Data

This book focuses on the development and application of the latest advanced data mining, machine learning, and visualization techniques for the identification of interesting, significant, and novel patterns in gene expression microarray data.

Biomedical researchers will find this book invaluable for learning the cutting-edge methods for analyzing gene expression microarray data. Specifically, the coverage includes the following state-of-the-art methods:

• Gene-based analysis: the latest novel clustering algorithms to identify co-expressed genes and coherent patterns in gene expression microarray data sets

• Sample-based analysis: supervised and unsupervised methods for the reduction of the gene dimensionality to select significant genes. A series of approaches to disease classification and discovery are also described

• Pattern-based analysis: methods for ascertaining the relationship between (subsets of) genes and (subsets of) samples. Various novel pattern-based clustering algorithms to find the coherent patterns embedded in the sub-attribute spaces are discussed

• Visualization tools: various methods for gene expression data visualization. The visualization process is intended to transform the gene expression data set from high-dimensional space into a more easily understood two- or three-dimensional space.


Über den Autor

Dr. Ujjwal Maulik is Professor of Computer Science and Engineering at Jadavpur University (India). He is the editor or author of five books and coauthor of more than 150 articles. Dr. Maulik is a Senior Member of IEEE and also a Humboldt Fellow.

Dr. Sanghamitra Bandyopadhyay is Professor at the Indian Statistical Institute. She is the editor or author of six books and coauthor of more than 180 articles. Dr. Bandyopadhyay is a Senior Member of IEEE and also a Humboldt Fellow.

Dr. Jason T. L. Wang?is a Professor and Director of the Data and Knowledge Engineering Lab at the New Jersey Institute of Technology. He is the editor or author of six books and?Executive Editor of the World Scientific Book Series on Science, Engineering, and Biology Informatics.


Types of Microarrays

Depending upon the kind of immobilized sample used construct arrays and the information fetched, the Microarray experiments can be categorized in three ways:

1. Microarray Expression Analysis: In this experimental setup, the cDNA derived from the mRNA of known genes is immobilized. The sample has genes from both the normal as well as the diseased tissues. Spots with more intensity are obtained for diseased tissue gene if the gene is over expressed in the diseased condition. This expression pattern is then compared to the expression pattern of a gene responsible for a disease.

2. Microarray for Mutation Analysis: For this analysis, the researchers use gDNA. The genes might differ from each other by as less as a single nucleotide base.

A single base difference between two sequences is known as Single Nucleotide Polymorphism (SNP) and detecting them is known as SNP detection.

3. Comparative Genomic Hybridization: It is used for the identification in the increase or decrease of the important chromosomal fragments harboring genes involved in a disease.


Table of contents (17 chapters)

Normalization of Affymetrix miRNA Microarrays for the Analysis of Cancer Samples

Methods and Techniques for miRNA Data Analysis

Cristiano, Francesca (et al.)

Bioinformatics and Microarray Data Analysis on the Cloud

Classification and Clustering on Microarray Data for Gene Functional Prediction Using R

Kleine, Liliana López (et al.)

Querying Co-regulated Genes on Diverse Gene Expression Datasets Via Biclustering

MetaMirClust: Discovery and Exploration of Evolutionarily Conserved miRNA Clusters

Analysis of Gene Expression Patterns Using Biclustering

Using Semantic Similarities and csbl.go for Analyzing Microarray Data

Ontology-Based Analysis of Microarray Data

Integrated Analysis of Transcriptomic and Proteomic Datasets Reveals Information on Protein Expressivity and Factors Affecting Translational Efficiency

Integrating Microarray Data and GRNs

Biological Network Inference from Microarray Data, Current Solutions, and Assessments

A Protocol to Collect Specific Mouse Skeletal Muscles for Metabolomics Studies

Functional Analysis of microRNA in Multiple Myeloma

Martino, Maria Teresa, Ph.D. (et al.)

Microarray Analysis in Glioblastomas

Analysis of microRNA Microarrays in Cardiogenesis

Erratum to: Classification and Clustering on Microarray Data for Gene Functional Prediction Using R


Material on the analysis of (micro)array data - Biology

Book Title :Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology)

In this new volume, renowned authors contribute fascinating, cuttingedge insights into microarray data analysis. This innovative book includes indepth presentations of genomic signal processing, artificial neural network use for microarray data analysis, signal processing and design of microarray time series experiments, application of regression methods, gene expression profiles and prognostic markers for primary breast cancer, and factors affecting the crosscorrelation of gene expression profiles. Also detailed are use of tiling arrays for large genome analysis, comparative genomic hybridization data on cDNA microarrays, integrated highresolution genomewide analysis of gene dosage and gene expression in human brain tumors, gene and MeSH ontology, and survival prediction in follicular lymphoma using tissue microarrays.

Author(s) :Michael J. Korenberg (2007)

Click on the link below to start the download Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology)

Schlüsselwörter):
Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) ebook download
download ebook pdf
download Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) ebook textbook
download ebook read
download ebook twilight
buy ebook textbook
ebook Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) library free
ebook business training
Download Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) Film
Legal Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) Movie Download
Watch Full Version Of The Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) online
Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) online
Download Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) Divx
How To Download Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) The Movie
Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) Film
Watch Microarray Data Analysis: Methods and Applications (Methods in Molecular Biology) 2009 Full Movie


ProtoArray Prospector Software v5.2.3

ProtoArray Prospector v5.2.3 generates a list of positive interactions between the probe of interest and the immobilized proteins on the array. Beginning with data from either GenePix image quantification software or in 4-column, tab-delimited format, ProtoArray Prospector v5.2.3 provides rapid analysis of single and multiple microarray results generated in Protein-Protein Interaction, Kinsase Substrate Identification, Ubiquitin Ligase Substrate Identification, Small Molecule Profiling, or Immune Response Biomarker Profiling assays.

ProtoArray Prospector is available free of charge with the purchase of ProtoArray Protein Microarray Products.


Bewertungen

Praise for the First Edition
The book by Draghici is an excellent choice to be used as a textbook for a graduate-level bioinformatics course. This well-written book with two accompanying CD-ROMs will create much-needed enthusiasm among statisticians.
— Journal of Statistical Computation and Simulation , Vol. 74

I really like Draghici's book. As the author explains in the Preface, the book is intended to serve both the statistician who knows very little about DNA microarrays and the biologist who has no expertise in data analysis. The author lays out a study plan for the statistician that excludes 5 of the 17 chapters (4-8). These chapters present the basics of statistical distributions, estimation, hypothesis testing, ANOVA, and experimental design. What that leaves for the statistician is the three-chapter primer on microarrays and image processing, plus all of the data analysis tools specific to the microarray situation. … it includes two CDs with trial versions of several specialised software packages. Anyone who uses microarray data should certainly own a copy.
— Technometrics , Vol. 47, No. 1, February 2005


Schau das Video: DNA microarrays (Kann 2022).


Bemerkungen:

  1. Ulvelaik

    Natürlich. Und ich bin darauf getroffen.

  2. Kazigar

    Nein, nicht ich selbst .. Ich habe es irgendwo gelesen

  3. Kandiss

    Meiner Meinung nach machst du einen Fehler. Ich kann es beweisen.

  4. Tadleigh

    Beeindruckend! ... und es passiert! ...

  5. Rich

    Ich liebe Menschen, die alle möglichen Details, kleine Dinge bemerken und die für die Mehrheit in alltäglichen Dingen etwas Attraktives und Unsichtbares finden können. Super!

  6. Rockford

    Und nicht so passiert)))))



Eine Nachricht schreiben