2020年7基因芯片数据分析参照模板

第18卷第6期微阵列技术[1-3]的到来对生物学和医学来说是一场革命，通过它可以同时观测成千上万个基因的表达水平，从而能够在基因组水平上以系统的、全局的观念去研究生命现象及其本质。

还可以根据基因在不同条件下表达的差异性来进行复杂疾病诊断、药物筛选、个性化治疗、基因功能发现、农作物优育和优选、环境检测和防治、食品卫生监督及司法鉴定等，因此对基因表达谱的研究具有重要的理论价值和应用意义。

微阵列基因表达数据具有维数高、样本小、非线性的特点，这对一些传统的机器学习方法提出了新的挑战，对其数据的分析已成为生物信息学研究的焦点。

1基因表达数据采集基因表达数据采集可分为三个步骤：微阵列设计、图像分析和数据获取、过滤、标准化。

基因芯片（gene chip ），简称为微阵列,就是指固着在载体上的高密度DNA 微点阵，具体地说就是将靶基因或寡核苷酸片段有序地、高密度排列在玻璃、硅等载体上。

mRNA （信使核糖核酸）的表达水平的获得是通过选取来自不同状态的样本（如正常组织与肿瘤组织、不同发育阶段组织，或用药之前与用药之后组织等，一种称为实验样本，另外一种称为参考样本），在逆转录过程中,实验样本和参考样本RNA （核糖核酸）分别用不同的红、绿荧光染料去标记，并将它们混合，与微阵列上的探针序列进行杂交，经适当的洗脱步骤与激光扫描仪对芯片进行扫描，获得对应于每种荧光的荧光强度图像，通过专用的图像分析软件，可获得微阵列上每个点的红、绿荧光强度（Cy5和Cy3），其比值（Cy5/Cy3）表示该基因在实验样本中的表达水平。

在通常情况下，考虑Cy5和Cy3的数值时，还应考虑相应的背景数值，如果微阵列上某个基因的Cy5或Cy3数值比相应的背景数值低，则该基因的表达水平无法确定。

为了方便数据处理，常孟令梅等：一种基于DCT 变换的图像认证算法文章编号：1005－1228（2010）06－0017－03基因表达谱数据分析技术刘玲（江苏财经职业技术学院，江苏淮安223001）摘要：人类基因组计划的研究已进入后基因组时代，后基因组时代研究的焦点已经从测序转向功能研究，主要采用无监督和有监督技术来分析基因表达谱和识别基因功能，通过基因转录调控网络分析细胞内基因之间的相互作用关系的整体表示，说明生命功能在基因表达层面的展现，对目前基因表达谱数据分析技术及它们的发展，进行了综述性的研究，分析了它们的优缺点,提出了解决问题的思路和方法，为基因表达谱的进一步研究提供了新的途径。

基因芯⽚（Affymetrix）分析1：芯⽚质量分析TAIR，NASCarray 和 EBI 都有⼀些公开的免费芯⽚数据可以下载。

本专题使⽤的数据来⾃NASCarray（Exp350），也可以⽤FTP直接下载。

下载其中的CEL⽂件即可（.CEL.gz），下载后解压缩到同⼀⽂件夹内。

该实验有1个对照和3个处理，各有2个重复，共8张芯⽚（8个CEL⽂件）。

为什么要进⾏芯⽚质量分析？不是每个⼈做了实验都会得到⾼质量的数据，花了钱不⼀定就有回报，这道理⼤家都懂。

芯⽚实验有可能失败，失败的原因可能是技术上的（包括⽚⼦本⾝的质量），也可能是实验设计⽅⾯的。

芯⽚质量分析主要检测前者。

1 R软件包安装使⽤到两个软件包：affy，simpleaffy：library(BiocInstaller)biocLite(c("affy", "simpleaffy"))另外还需要两个辅助软件包：tcltk和scales。

tcltk⼀般R基础安装包都已经装有。

install.packages(c("tcltk", "scales"))2 读取CEL⽂件载⼊affy软件包：library(affy)library(tcltk)选取CEL⽂件。

以下两种⽅法任选⼀种即可。

第⼀种⽅法是通过选取⽬录获得某个⽬录内(包括⼦⽬录）的所有cel⽂件：# ⽤choose.dir函数选择⽂件夹dir <- tk_choose.dir(caption = "Select folder")# 列出CEL⽂件，保存到变量cel.files <- list.files(path = dir, pattern = ".+\\.cel$", ignore.case = TRUE,s = TRUE, recursive = TRUE)# 查看⽂件名basename(cel.files)第⼆种⽅法是通过⽂件选取选择⽬录内部分或全部cel⽂件：# 建⽴⽂件过滤器filters <- matrix(c("CEL file", ".[Cc][Ee][Ll]", "All", ".*"), ncol = 2, byrow = T)# 使⽤tk_choose.files函数选择⽂件cel.files <- tk_choose.files(caption = "Select CELs", multi = TRUE, filters = filters,index = 1)# 注意：较⽼版本的tk函数有bug，列表的第⼀个⽂件名可能是错的basename(cel.files)## [1] "NRID9780_Zarka_2-1_MT-0HCA(SOIL)_Rep1_ATH1.CEL"## [2] "NRID9781_Zarka_2-2_MT-0HCB(SOIL)_Rep2_ATH1.CEL"## [3] "NRID9782_Zarka_2-3_MT-1HCA(SOIL)_Rep1_ATH1.CEL"## [4] "NRID9783_Zarka_2-4_MT-1HCB(SOIL)_Rep2_ATH1.CEL"## [5] "NRID9784_Zarka_2-5_MT-24HCA(SOIL)_Rep1_ATH1.CEL"## [6] "NRID9785_Zarka_2-6_MT-24HCB(SOIL)_Rep2_ATH1.CEL"## [7] "NRID9786_Zarka_2-7_MT-7DCA(SOIL)_Rep1_ATH1.CEL"## [8] "NRID9787_Zarka_2-8_MT-7DCB(SOIL)_Rep2_ATH1.CEL"读取CEL⽂件数据使⽤ReadAffy函数，它的参数为：# Not run. 函数说明，请不要运⾏下⾯代码ReadAffy(..., filenames = character(0), widget = getOption("BioC")$affy$use.widgets,compress = getOption("BioC")$affy$compress.cel, celfile.path = NULL, sampleNames = NULL,phenoData = NULL, description = NULL, notes = "", rm.mask = FALSE, rm.outliers = FALSE,rm.extra = FALSE, verbose = FALSE, sd = FALSE, cdfname = NULL)除⽂件名外我们使⽤函数的默认参数读取CEL⽂件：data.raw <- ReadAffy(filenames = cel.files)读⼊芯⽚的默认样品名称是⽂件名，⽤sampleNames函数查看或修改：sampleNames(data.raw)## [1] "NRID9780_Zarka_2-1_MT-0HCA(SOIL)_Rep1_ATH1.CEL"## [2] "NRID9781_Zarka_2-2_MT-0HCB(SOIL)_Rep2_ATH1.CEL"## [3] "NRID9782_Zarka_2-3_MT-1HCA(SOIL)_Rep1_ATH1.CEL"## [4] "NRID9783_Zarka_2-4_MT-1HCB(SOIL)_Rep2_ATH1.CEL"## [5] "NRID9784_Zarka_2-5_MT-24HCA(SOIL)_Rep1_ATH1.CEL"## [6] "NRID9785_Zarka_2-6_MT-24HCB(SOIL)_Rep2_ATH1.CEL"## [7] "NRID9786_Zarka_2-7_MT-7DCA(SOIL)_Rep1_ATH1.CEL"## [8] "NRID9787_Zarka_2-8_MT-7DCB(SOIL)_Rep2_ATH1.CEL"sampleNames(data.raw) <- paste("CHIP", 1:length(cel.files), sep = "-")sampleNames(data.raw)## [1] "CHIP-1" "CHIP-2" "CHIP-3" "CHIP-4" "CHIP-5" "CHIP-6" "CHIP-7" "CHIP-8"3 查看芯⽚的基本信息Phenotypic data数据可能有⽤，可以修改成你需要的内容，⽤pData函数查看和修改：pData(data.raw)## sample## CHIP-1 1## CHIP-2 2## CHIP-3 3## CHIP-4 4## CHIP-5 5## CHIP-6 6## CHIP-7 7## CHIP-8 8pData(data.raw)$Treatment <- gl(2, 1, length = length(cel.files), labels = c("CK","T"))pData(data.raw)## sample Treatment## CHIP-1 1 CK## CHIP-2 2 T## CHIP-3 3 CK## CHIP-4 4 T## CHIP-5 5 CK## CHIP-6 6 T## CHIP-7 7 CK## CHIP-8 8 TPM和MM查看：# Perfect-match probespm.data <- pm(data.raw)head(pm.data)## CHIP-1 CHIP-2 CHIP-3 CHIP-4 CHIP-5 CHIP-6 CHIP-7 CHIP-8 ## 501131 127.0 166.3 112.0 139.8 111.3 85.5 126.3 102.8## 251604 118.5 105.0 82.0 101.5 94.0 81.3 103.8 103.0## 261891 117.0 90.5 113.0 101.8 99.3 107.0 85.3 85.3## 230387 140.5 113.5 94.8 137.5 117.3 112.5 124.3 114.0## 217334 227.3 192.5 174.0 192.8 162.3 163.3 235.0 195.8## 451116 135.0 122.0 86.8 93.3 83.8 87.3 97.3 83.5# Mis-match probesmm.data <- mm(data.raw)head(mm.data)## CHIP-1 CHIP-2 CHIP-3 CHIP-4 CHIP-5 CHIP-6 CHIP-7 CHIP-8 ## 501843 89.0 88.0 80.5 91.0 77.0 75.0 79.0 72.0## 252316 134.3 77.3 77.0 107.8 98.5 75.0 99.5 71.3## 262603 119.3 90.5 82.0 86.3 93.0 89.3 94.5 83.8## 231099 123.5 94.5 76.5 95.0 89.3 87.8 95.5 91.5## 218046 110.3 93.0 74.8 100.5 86.0 89.5 104.5 102.3## 451828 127.5 77.0 80.3 94.5 72.3 79.0 86.3 67.84 显⽰芯⽚扫描图像（灰度）# 芯⽚数量n.cel <- length(cel.files)par(mfrow = c(ceiling(n.cel/2), 2))par(mar = c(0.5, 0.5, 2, 0.5))# 设置调⾊板颜⾊为灰度pallette.gray <- c(rep(gray(0:10/10), times = seq(1, 41, by = 4)))# 通过for循环逐个作图for (i in 1:n.cel) image(data.raw[, i], col = pallette.gray)如果芯⽚图像有斑块现象就很可能是坏⽚。

实验6基因芯片数据处理分析与GO分析实验背景：基因芯片技术是通过检测靶基因在不同样本中的表达量差异，并分析其生物信息学特性，来揭示基因调控网络与疾病发生发展的过程的一种高通量技术。

基因芯片数据处理和分析是基因芯片研究的关键步骤之一、通过对基因芯片数据进行预处理、差异分析、聚类分析等，可以获得与研究目标相关的基因列表，并进一步进行GO（Gene Ontology）的功能富集分析，揭示差异表达基因的功能特性。

实验目的：通过基因芯片数据处理分析和GO功能富集分析，获得与研究目标相关的差异表达基因，并揭示其在生物学功能、分子过程和细胞组分方面的富集情况，为后续的生物学实验和机制研究提供理论依据。

实验步骤：1.基因芯片数据的预处理：包括数据导入、数据清洗、标准化和基因注释等。

首先，将基因芯片数据导入到数据分析软件中，然后针对数据质量进行清洗，剔除异常值和低质量的基因。

接下来，对基因表达谱数据进行归一化处理，保证不同芯片之间的数据可比性。

最后，对基因进行注释，将基因名与其对应的功能注释进行关联。

2.差异分析：通过比较不同组别之间的基因表达差异，筛选出差异表达基因。

差异分析方法包括t检验、方差分析等。

根据统计学中的显著性水平，设定p值的阈值，将差异表达基因筛选出来。

3.聚类分析：将差异表达基因按照其表达谱进行聚类分析，可将具有相似表达模式的基因聚集在一起。

常用的聚类方法包括层次聚类和K均值聚类等。

实验结果与分析：通过基因芯片数据处理和分析，我们得到了与研究目标相关的差异表达基因。

结合GO分析的结果，我们可以进一步了解这些差异表达基因在生物学功能、分子过程和细胞组分方面的富集情况。

例如，在生物学过程方面，我们可以得知这些基因是否与细胞增殖、凋亡、信号传导等生物学过程相关；在分子功能方面，我们可以了解这些基因是否具有催化活性、结合能力等分子功能特性；在细胞组分方面，我们可以了解这些基因在细胞核、细胞质、细胞膜等细胞组分的分布情况。

基因芯片小知识（二）数据分析发送生信到本公众号（freescience联盟）后台，查看系列相关文章~提取生物样品的mRNA并反转录成cDNA，同时用荧光素或同位素标记。

在液相中与基因芯片上的探针杂交，经洗膜后用图像扫描仪捕获芯片上的荧光或同位素信号，由此获得的图像就是基因芯片的原始数据（raw data），也叫探针水平数据。

获取探针水平的数据是芯片数据处理的第一步，然后需要对其进行预处理（pre-processing），以获得基因表达数据（gene expression data）。

基因表达数据通常用矩阵形式表示，称为基因表达矩阵。

基因表达矩阵的每一行代表一个基因的表达量，一列代表一个样本的所有基因的表达情况。

一背景（background）处理背景处理即过滤芯片杂交信号中属于非特异性的背景噪音部分。

一般以图像处理软件对芯片划格后，每个杂交点周围区域各像素吸光度的平均值作为背景。

但此法存在芯片不同区域背景扣减不均匀的缺点，同时会使1％～5％的点产生无意义的负值。

也可利用芯片最低信号强度的点（代表非特异性的样本与探针结合值）或综合整个芯片非杂交点背景所得的平均值做为背景。

Brown等提出利用整个芯片杂交点外的平均吸光度值作为背景的best-fit方法，使该问题得到较好的解决，并有效地提高了处理数据的质量。

背景处理之后，我们可以将芯片数据以矩阵的格式输出。

二数据筛选经过背景校正后的芯片数据中可能会产生负值，显然负值是没有生物学意义的。

数据集中还可能包括一些单个异常大（或小）的峰（谷）信号，它们被认为是随机噪声。

另外，对于负值和噪声信号，通常的处理方法就是将其去除。

然而，数据的缺失（除了上述原因会造成数据缺失以外，扫描的过程中也可能会产生缺失）对后续的统计分析（尤其是层式聚类和主成分分析）有致命的影响，所以在进行分析前需要数据筛选。

数据筛选的步骤是先筛选点样，然后是数据标准化、截断异常值，最后筛选基因。

2020年基因芯片行业分析报告2020年11月目录一、行业发展概况 (5)1、基因芯片的定义与分类 (5)2、行业发展历程 (5)（1）技术空白期（1997年以前） (6)（2）初具萌芽期（1998-2000年） (6)（3）技术探索期（2001-2005年） (7)（4）快速发展期（2006-2010年） (7)（5）产业化探索期（2011年至今） (7)3、行业发展趋势 (8)（1）多种疾病基因数据库建设 (8)（2）中低密度基因芯片热度提高 (9)二、行业市场规模 (10)三、行业上下游情况 (11)1、上游情况 (12)2、下游情况 (13)四、影响行业发展的因素 (14)1、有利因素 (14)（1）潜在的医学诊断需求创造市场空间 (14)①产前筛查需求 (14)②肿瘤诊断需求 (15)（2）居民消费能力提高，健康意识增强 (16)（3）应用示范中心建设推动产业化 (17)2、不利因素 (18)（1）缺乏复合型人才 (18)（2）应用成本高 (19)（3）缺乏数据库 (19)五、行业监管和政策 (20)1、行业监管法律法规 (20)2、行业发展支持政策 (22)六、行业主要壁垒 (25)1、技术壁垒 (25)2、人才壁垒 (25)3、资质壁垒 (26)七、行业主要企业简析 (26)1、达安基因 (28)（1）研发平台优势 (29)（2）品牌集成+市场网络平台优势 (30)（3）产业链平台优势 (30)2、赛乐奇 (30)（1）技术优势 (31)（2）产品优势 (32)（3）团队优势 (32)基因芯片，指通过与一组已知序列的核酸探针杂交进行核酸序列测定的方法，即在一块基片表面固定了序列已知的靶核苷酸的探针，当带标记的核酸序列与基因芯片上对应位置的核酸探针产生互补匹配时，通过确定探针位置，获得一组序列完全互补的探针序列，重组出靶核酸序列的技术。

中国基因芯片行业起步较晚，得益于国家相关政策支持和终端需求的不断扩大，现阶段，基因芯片行业已进入产业化探索阶段，市场规模持续增长，预计2023年达到348.1亿元人民币规模。

基因芯片技术的应用分析摘要：基因芯片技术是近年来诞生的一项高通量、高效率检测技术，能够帮助人们大规模的获取生物信息，为生命科学的研究提供了新的理论支撑。

本文主要针对基因芯片技术的应用进行分析。

关键词：基因芯片技术；应用；分析随着科学技术的不断进步，基因技术也在不断的更新变化，基因芯片技术就是在这样的时代背景下发展起来的，它是生物学上的一种全新的技术，融合了生命科学，化学、计算机技术、生物学等各个领域，该项技术的产生为人类的生活带来了更大的便利，尤其是在医学领域，为各种疑难杂症的治疗提供了新型的治疗方式。

一、基因芯片技术的原理基因芯片技术是在近几年开发研制出来的一种全新的测试DNA的方式，他借助于集成电路制作过程中的微缩技术，将不连续、分散的基因片段整合起来，再整合上核酸、蛋白多肽等分子结构，形成高密度的分子列，然后再进行靶分子作用，利用分子杂交技术进行化学反应，其结果显示出来后，由计算机进行数据分析，转变为适合我们应用的信息。

二、基因芯片技术的四个核心技术1、基因芯片的制作技术基因芯片技术应用的首要步骤是制作基因芯片，现阶段采用的方式主要有原位合成法和直接点样法。

原位合成法主要包括光导合成法和压电合成法，对于寡核苷酸比较适用，其反应比较迅速，信息量大，并且可以和其他的芯片制作方式结合使用，制作过程简单易行，但是原位合成法的探针长度不够，使有些测试工作不能正常进行。

2、样品的制作与标记技术在需要检测的组织中提取DNA或RNA，经过转录、标记，转变为适于检测的基因样品。

现阶段采用的标记方式主要有荧光标记，在需要测试的基因片断中用荧光素加以标识，便于使用者可以迅速的找到需要检测的部位。

3、杂交反应技术基因芯片技术运用的是固液相反的杂交反应，将探针分子固定在基因芯片的表面，然后将其与液体中的靶分子进行反应，进而获得需要的数据信息。

但是基因芯片的杂交反应要求比较严格，对于盐浓度、探针的长度和带电量、探针与芯片之间的连接臂种类和长度等都有要求。

基因芯片小知识（二）数据分析提取生物样品的mRNA并反转录成cDNA，同时用荧光素或同位素标记。

在液相中与基因芯片上的探针杂交，经洗膜后用图像扫描仪捕获芯片上的荧光或同位素信号，由此获得的图像就是基因芯片的原始数据（raw data），也叫探针水平数据。

获取探针水平的数据是芯片数据处理的第一步，然后需要对其进行预处理（pre-processing），以获得基因表达数据（gene expression data）。

基因表达数据通常用矩阵形式表示，称为基因表达矩阵。

基因表达矩阵的每一行代表一个基因的表达量，一列代表一个样本的所有基因的表达情况。

一背景（background）处理背景处理即过滤芯片杂交信号中属于非特异性的背景噪音部分。

一般以图像处理软件对芯片划格后，每个杂交点周围区域各像素吸光度的平均值作为背景。

但此法存在芯片不同区域背景扣减不均匀的缺点，同时会使1％～5％的点产生无意义的负值。

也可利用芯片最低信号强度的点（代表非特异性的样本与探针结合值）或综合整个芯片非杂交点背景所得的平均值做为背景。

Brown等提出利用整个芯片杂交点外的平均吸光度值作为背景的best-fit方法，使该问题得到较好的解决，并有效地提高了处理数据的质量。

背景处理之后，我们可以将芯片数据以矩阵的格式输出。

数据筛选经过背景校正后的芯片数据中可能会产生负值，显然负值是没有生物学意义的。

数据集中还可能包括一些单个异常大（或小）的峰（谷）信号，它们被认为是随机噪声。

另外，对于负值和噪声信号，通常的处理方法就是将其去除。

然而，数据的缺失（除了上述原因会造成数据缺失以外，扫描的过程中也可能会产生缺失）对后续的统计分析（尤其是层式聚类和主成分分析）有致命的影响，所以在进行分析前需要数据筛选。

数据筛选的步骤是先筛选点样，然后是数据标准化、截断异常值，最后筛选基因。

1 点样筛选点样筛选指在单独芯片上对点样进行筛选，主要用于质量控制目的，以去除“坏”点样。