下载文档原格式
基因芯片（Affymetrix）分析4：GO和KEGG分析基因列表的分析一般都会涉及GO和KEGG分析，Bioconductor 提供了很多这方面的R工具包。
选择工作目录，读入上一次分析和保存的数据：1 获取AGI、GO和KEGG注释ath1121501GO为拟南芥基因的GO数据库，ath1121501PATH 为KEGG pathway数据库。
但不是每一个基因（probeset）都有GO 或KEGG注释，哪些基因有注释可以用mappedkeys函数获得：有PATH注释的probesets只有3018个，而有GO注释的有2万多个。
通过ath1121501XXXX获得的数据是AnnotationDbi软件包定义的ProbeAnnDbBimap类型数据，它们可以用as.list转成列表形式。
列表内每一个基因的注释内容也是列表形式：转换成列表类型的ProbeAnnDbBimap数据仍然是列表，但PATH和ACCNUM数据是二级列表（列表下只有一级列表），而GO 数据是三级列表（列表下还有两级的列表）。
所以得先编写get.GO函数，它把as.list产生的GO三级列表转成二级结构，和AGI和KEGG 的列表类似，方便后面的统一处理：使用这个函数和下列代码就可以获得AGI、GO和KEGG注释：上面代码有两点要注意：•switch()函数使用。
switch()是非常神奇的条件转向开关函数，它的参数（列表）可以是各种类型，变量、表达式、函数等都可以使用。
•列表到数据框类型数据的转换，我们使用了plyr软件包的llply 和ldply函数。
plyr是很著名的软件包，用于数据糅合。
这不属于本节的讨论范围，先不介绍，请自行学习使用。
由于探针id是唯一的，上面的代码用它作为关键字糅合数据。
得到的结果是数据框：这样每一个探针都得到了对应的AGI、GO和KEGG途径注释（如果有）。
其他类型数据如Pubmed ID可以使用类似方法获得，但编程之前得先了解它们的数据结构，最直接的方法就是使用head，summary和str等函数查看。
Affymetrix开发出SARS基因芯片
佚名
【期刊名称】《传染病网络动态》
【年(卷),期】2003(000)008
【总页数】1页(P6)
【正文语种】中文
【中图分类】R563.1
【相关文献】
1.Affymetrix基因芯片原始数据噪声分析与应用 [J], 金圣华;刘学军;张礼
2.Affymetrix基因芯片研究高血压对小鼠血管基因表达的影响 [J], 王吉静;李玉琳;王月丽;郑帅;王绿娅;李汇华;杜杰
3.Affymetrix基因芯片测序技术分析垂体对大鼠椎动脉型颈椎病模型的调控机制[J], 宋敏;巩彦龙;刘涛;刘建鸿;董万涛;刘小钰;侯红艳
4.Affymetrix基因芯片技术分析尖锐湿疣患者皮损局部免疫状态的研究 [J], 王飞;相文中;毕志刚;李光富;刘丰;张兆松
5.Affymetrix公司开发出SARS基因芯片 [J], 田玲
因版权原因，仅展示原文概要，查看原文内容请购买。
基因芯片发展背景:随着人类基因组（测序）计划的逐步实施以及分子生物学相关学科的迅猛发展，越来越多的动植物、微生物基因组序列得以测定，基因序列数据正在以前所未有的速度迅速增长。
然而 , 怎样去研究如此众多基因在生命过程中所担负的功能就成了全世界生命科学工作者共同的课题。
为此，建立新型杂交和测序方法以对大量的遗传信息进行高效、快速的检测、分析就显得格外重要了。
基因芯片（又称 DNA 芯片、生物芯片）技术就是顺应这一科学发展要求的产物，它的出现为解决此类问题提供了光辉的前景。
该技术系指将大量（通常每平方厘米点阵密度高于 400 ）探针分子固定于支持物上后与标记的样品分子进行杂交，通过检测每个探针分子的杂交信号强度进而获取样品分子的数量和序列信息。
通俗地说，就是通过微加工技术，将数以万计、乃至百万计的特定序列的DNA片段（基因探针），有规律地排列固定于2cm2 的硅片、玻片等支持物上，构成的一个二维DNA探针阵列，与计算机的电子芯片十分相似，所以被称为基因芯片。
种类:基因芯片又称为DNA微阵列(DNA microarray)，可分为三种主要类型：1）固定在聚合物基片（尼龙膜，硝酸纤维膜等）表面上的核酸探针或cDNA片段，通常用同位素标记的靶基因与其杂交，通过放射显影技术进行检测。
这种方法的优点是所需检测设备与目前分子生物学所用的放射显影技术相一致,相对比较成熟。
但芯片上探针密度不高，样品和试剂的需求量大，定量检测存在较多问题。
2）用点样法固定在玻璃板上的DNA探针阵列，通过与荧光标记的靶基因杂交进行检测。
这种方法点阵密度可有较大的提高，各个探针在表面上的结合量也比较一致，但在标准化和批量化生产方面仍有不易克服的困难。
3）在玻璃等硬质表面上直接合成的寡核苷酸探针阵列,与荧光标记的靶基因杂交进行检测。
该方法把微电子光刻技术与DNA化学合成技术相结合，可以使基因芯片的探针密度大大提高，减少试剂的用量，实现标准化和批量化大规模生产，有着十分重要的发展潜力。
GeneSpringGX教程——Affymetrix基因芯片分析（三）弗雷赛斯freescienceFreescience由浙江大学医学院几个硕博士发起创建，旨在最广泛分享有价值的科研技能和知识；FreeScience的宗旨：“科学自由分享、人人平等，共求真理”。
这期继续GeneSpring GX 教程第三期，为零基础的小伙伴学习基因芯片分析提供帮助。
再次声明本教程仅供学习GeneSpring使用，不得用于商业目的。
最后，请大家使用试用版或者正版来分析数据，尊重知识产权。
数据团队将对教程进行校对，任何问题都可以加入freescience大数据群进行交流和讨论。
GEO数据库中很多Affymetrix基因芯片大多都可以用GeneSpring GX进行分析。
1、创建新项目1.1启动GeneSpring GX，启动后显示有3个选项：创建新项目；打开现存项目；打开最近项目。
我们选择创建新项目，按OK继续。
1.2此时显示出一个细节窗口，我们可以输入项目名称和注释。
这里我们的新项目默认名“New Project”，按OK继续。
2、实验选择2.1这时显示带有两个选项的对话框窗口：创建新实验和打开现存实验。
打开现存实验允许用户将任何以前项目中的实验用到当前实验项目中。
我们现在选择创建新实验，此时出现一个实验描述对话框。
首先输入实验名称，我们默认“New Experiment”。
然后指定的实验类型，下拉菜单中提供给用户多种实验类型的选择，我们在进行Affymetrix基因芯片分析时主要是选择“Affymetrix Expression”。
2.2接着是选择工作流程类型。
点击下拉符号可以看到两种类型：工作流程导引和高级分析。
工作流程导引是通过一组默认参数来协助用户创建和分析一项实验。
而高级分析的参数可以改变，以适应个人需要。
3、加载数据3.1打开了加载数据的新对话框后，一个实验就可以利用“选择文件”或“选择样本”这两个按钮来创建。
Affymetrix芯片质量评估在拿到（数据库下载或者自己实验得到）的芯片，最好先对芯片的质量做出评估，从而将有问题的芯片剔除。
在Robert Gentleman 的“Bioinformatics and Computational Biology Solutions Using R and Bioconductor”书的第三章提到“Before any useis made of more complex methods, an initial examination of the data can often show evidence of possible quality problems.”。
以下关于Affymetrix芯片质控的图和脚本，也引用上述参考书。
首先是一些基础知识：1 Affymetrix芯片的数据格式主要有.dat和.cel两种。
DAT文件是原始芯片图像的扫描文件，需要用affy公司自己的软件打开。
CEL 文件是DAT文件去除背景噪音后的文件，包括了每个探针的原始密度数值（raw intensity value）。
其中，我们最关注CEL文件，这也是我们后续载入Bioconductor中的原始数据类型。
后续需要对CEL文件进行“质量评估”、“归一化”、“注释”等一系列预处理。
2 affy芯片的数据单元。
下图是一个“探针集（probeset）”，包括了11-20个长度位22nt的“探针（probe）”，图中每个亮格代表一个探针。
每个探针分为PM（Perfect Match）和MM（Mis-Match）两种，区别就是MM探针故意将一个碱基设计错。
这样做的目的是为了控制芯片的非特异性杂交，从而获得更准确的信号值。
芯片质量控制：1. 对于“探针数据（probe-data level）”的三种图，使用"affy" packageboxplot( )：未处理的原始探针密度（以2为底取对数）的盒箱图。
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。
A．生 B．旦 C．净 D．丑至200μｌ至300μｌ终体积100μｌ200μｌ300μｌ20×Eukaryotic Hybridization Controls冻存，使用前65℃，5分钟2.使用前室温平衡探针3.99℃，5分钟4.通过加样孔加入适量体积（见表 2.2）1×Hybridization Buffer湿润芯片5. 45℃，60rpm预杂交芯片10分钟6. 步骤3处理过的样品45℃，5分钟7. 最大速离心5分钟8. 从芯片中取出Buffer，加等体积处理好的杂交液9. 45℃，60rpm杂交芯片16小时表2.2Array 杂交体积总体积Standard 200μｌ250μｌMidi 130μｌ160μｌMini 80μｌ100μｌMicro 80μｌ100μｌ第三章洗脱、染色、扫描芯片<一>实验和洗涤工作站设置一、进入Experiment Information洗脱、染色、扫描芯片之前都必须先定义一个Experiment二、准备洗涤工作站基因芯片洗涤工作站400用来洗脱和染色探针阵列。
<二>洗脱和染色1.杂交16小时后，从芯片中取出杂交液装入一个新的离心管，放置冰上或-80℃长时间保存。
2. Wash Buffer A充满芯片3.配制下列溶液表3.1 SAPE液（使用前配制，4℃储存）成分体积终浓度2×MES Stain Buffer 600.0μｌ1×50mg/ml acetyed BSA 48.0μｌ2mg/ml1mg/ml Streptavidin-12.0μｌ10μg/ml Phycoerythrin(SAPEDI 水540.0μｌ总体积1200μｌ表3.2抗体溶液成分体积终浓度2×MES Stain Buffer 300.0μｌ1×50mg/ml acetyed BSA 24.0μｌ2mg/ml 10mg/ml Normal Goat IgG 6.0μｌ0.1mg/ml 0.5mg/ml biotinylatedantibody3.6μｌ3μg/ml DI水266.4μｌ总体积600μｌ4.洗涤工作站按表 3.3工作表3.3标准格式EukGE-WS2 Midi格式Midi-euk2Micro/Mini格式Micro-1v1/Mini-euk2Post Hyb Wash#1 10 cycles of 2mixes/cycle withWash Buffer A at25℃10 cycles of 2mixes/cycle with WashBuffer A at 30℃10 cycles of 2mixes/cycle with WashBuffer A at 25℃Post Hyb Wash#2 4 cycles of 15 mixes/cycle withWash Buffer B at 50℃6 cycles of 15 mixes/cycle with Wash Buffer B at 50℃8 cycles of 15mixes/cycle with Wash Buffer B at 50℃StainStain the probe array for 10minutes in SAPE solution at 25℃Stain the probe array for 5minutes in SAPE solution at 35℃Stain the probe arrayfor 10minutes in SAPE solution at 25℃Post Stain Wash 10 cycles of 4 mixes/cycle withWash Buffer A at 25℃10 cycles of 4 mixes/cycle with Wash Buffer A at 30℃10 cycles of 4mixes/cycle with Wash Buffer A at 30℃2nd Stain Stain the probe array for 10minutes in antibody solution at 25℃Stain the probe arrayfor 5minutes inantibody solution at 35℃Stain the probe arrayfor 10minutes in antibody solution at 25℃3nd Stain Stain the probe array for 10minutes in SAPE solution at 25℃Stain the probe array for 5minutes in SAPE solution at 35℃Stain the probe arrayfor 10minutes in SAPE solution at 25℃Final Wash15 cycles of 4 mixes/cycle with Wash Buffer A at 30℃The holding temperature is 25℃15 cycles of 4 mixes/cycle with Wash Buffer A at 35℃The holdingtemperature is 25℃15 cycles of 4mixes/cycle with Wash Buffer A at 35℃The holdingtemperature is 25℃<三>扫描<四>关闭洗涤工作站附：溶液配制5×RNA Fragmentation Buffer:(200mM Tris-acetate,PH 8.1,500mM KOAc,150mM MgOAc 4.0ml 1M Tris-acetate,PH 8.1(冰醋酸调节PH0.64g MgOAc0.98g KOAcDEPC处理水至20ml强烈搅拌，混合均匀0.2μｍ过滤室温保存12×MES Stock：(1.22M MES,0.89M[Na+]1000ml:70.4g MES free acid monohydrate193.3g MES Sodium Salt800ml 分子生物级水混合，定溶至1000ml. PH在6.5-6.7之间0.2μｍ过滤不灭菌，2-8℃避光保存2×Hybridization Buffer:(1×:100mM MES, 1M [Na+],20mM EDTA,0.01%Tween2 50ml:8.3ml 12×M ES Stock17.7ml 5M NaCl4.0ml 0.5M EDTA0.1ml 10%Tween202-8℃避光保存Wash Buffer A：（6×SSPE,0.01%Tween20）1000ml：300ml 20×SSPE1.0ml 10%Tween20698ml 水0.2μｍ过滤Wash Buffer B：（100mM MES,0.1M [Na+],0.01%Tween20）1000ml：MES Stock Buffer83.3ml 12×5.2ml 5M NaCl1.0ml 10%Tween20910.5ml 水0.2μｍ过滤2-8℃避光保存2×Stain Buffer：(1×:100mM MES, 1M [Na+],0.05%Tween20 250ml：MES Stock Buffer41.7ml 12×92.5ml 5M NaCl2.5ml 10%Tween200.2μｍ过滤2-8℃避光保存10mg/ml Goat IgG Stock：溶解50mg在5ml PBS中4℃保存。
CMA平台临床应用合作推荐书广州市达瑞生物技术股份有限公司目录一、公司CMA检测平台简介 (2)二、CMA芯片系统技术原理 (2)1． CMA芯片系统基本原理 (2)2．CMA芯片系统技术特色 (3)三、染色体微阵列芯片检测项目简介 (4)四、具体的检测项目简介 (5)1．流产物染色体检测项目简介 (5)2．植入前筛查项目简介 (6)3．产前诊断项目简介 (7)4．出生缺陷诊断项目简介 (8)5．染色体微阵列基因检测与传统染色体检测技术对比 (10)表1 检测技术对比 (10)五、染色体微阵列基因检测临床应用 (10)1．国际应用情况 (10)2．国内情况 (11)六、仪器参数及实验室规划 (11)1．项目开展实验室规划及要求 (11)2. 培训体系 (13)一、公司CMA检测平台简介广州市达瑞生物技术股份有限公司（简称达瑞生物）是广州抗体技术研究中心所依托的实体单位，为中山大学达安基因股份有限公司控股，以优生优育、肿瘤检测和高端免疫技术的产业化为核心的高新技术企业。
公司长期致力于分子诊断技术的研究工作，始终专注于优生优育和肿瘤检测产品的开发和应用，并利用在广州科学城的研究生产基地实现优生和肿瘤检测产品的产业化，处于国际先进、国内领先地位。
达瑞生物依托中山大学和达安基因雄厚的科研平台，通过自主研发、引进国外先进技术及与国际优秀品牌厂家合作等方式，现已形成完整的优生优育产品系列和肿瘤检测系列，为客户提供一站式服务的整体解决方案。
公司的染色体微阵列技术（CMA）检测平台建立于2014年，该技术平台围绕Thermo Fisher GeneChip® Scan ner 3000Dx v.2 with AutoLoaderDx 基因芯片系统建立，根据市场的需求推出了染色体数目异常及微重复微缺失的检测项目。
公司总部位于广州科学城生物医药园区，已经建立了完善的研发、生产、销售以及售后服务体系，先后承担了16项国家及省市区科技计划项目，取得各类注册证书60余项。
公司已通过ISO13485质量体系认证和CFDA体外诊断试剂质量管理体系考核，拥有年产量2000万人份试剂的生产能力，是国内优生优育和肿瘤检测一站式服务的领导者。
二、CMA芯片系统技术原理1． CMA芯片系统基本原理本平台引进美国Thermo Fisher公司的GeneChip® Scan ner 3000Dx v.2 with AutoLoaderDx 基因芯片系统，该系统主要包括杂交仪、洗地工作站、扫描仪、计算机工作站四个部分；可自动完成Thermo Fisher卡套式基因芯片的杂交、洗涤、扫描及初步数据分析工作；客户根据应用的需求，搭配各部分组件。
Dx2操作平台采用全球标准化的操作流程，实现高通量自动化基因芯片操作，数据的准确性高，有利于保证芯片分析的可信度和重复性。
这套系统包括从样本带结果的一体化解决方案。
染色体微整列技术是指采用原位光刻技术或微量点样等方法，将大量核酸分子有序地固定于支持物的表面，组成密集二维分子排列，然后与已标记的待测生物样本中靶分子杂交，通过激光共聚焦对杂交信号的强度进行快速、并行、高效地检测分析，从而判断样本中靶分子的数量。
其检测原理如下图所示：图1 检测流程2．CMA芯片系统技术特色A. 全基因组覆盖＋快速出报告：1）染色体微阵列技术通过一次实验对待测样本整个基因组进行筛查，检测出染色体的非整倍体和基因组拷贝数变化。
荧光原位杂交（Fuorescence in situ hybridization，FISH）技术虽然能够以较高分辨率检测亚显微缺失和重复，但需要预先知道待测CNVs 的类型和位置，无法诊断没有任何确定条带模式的未知染色体异常；且一次检测，仅能对少数位点进行分析，缺乏整体性，不适合于全基因组的筛查。
2）Affymetrix基因芯片系统可同时扫描48块微阵列芯片，并且7个工作日之内可以出检测报告，相对于传统的核型分析大大节约了时间。
B. 更高的检出率＋无需细胞培养：1）染色体微阵列芯片系统不需要细胞培养，检测过程简单、快速且自动化程度高，避免污染。
而G显带染色体核型分析技术必须进行细胞培养，检测时间长，且在用于诊断死胎组织的染色体异常过程中，死胎细胞活力较差，培养失败率高。
2）Affymetrix基因芯片一次杂交即可对样本全部染色体拷贝数量的变化进行检查。
即可在全基因组范围内检测到染色体的缺失和增加并能准确地测定其大小；可同时检测多种因染色体失衡而导致的疾病（比如杂合性缺失（LOH）、单亲二倍体（UPD））；可检测到≥20%水平的嵌合体；并且分辨率高，可以确定50kb的重复（gain）及25kb的缺失（loss），相比传统的核型分析高出近千倍。
三、染色体微阵列芯片检测项目简介染色体畸变是指染色体发生数目和结构上的异常改变。
由于染色体畸变往往导致多个基因的增减或位置变化，扰乱了遗传物质和基因间相互作用的平衡，使细胞的遗传功能受到影响而造成机体不同程度的损害，因此成为染色体病形成的基础。
染色体畸变可以发生在身体内任何细胞、个体发育的任何阶段和细胞周期的任何时期，引起不同的后果，生殖细胞和受精卵的染色体畸变可导致流产、死胎或染色体病。
2004年，Affymetrix的仪器和芯片制造设备通过ISO认证，Dx2通过美国FDA、欧盟CE和中国CFDA认证，成为第一台也是唯一一台可以用于体外诊断的基因芯片系统，成为核酸诊断的标准平台。
2014年1月17日，美国FDA批准了CytoScan Dx 芯片可以帮助儿童的染色体改变诊断。
这些改变与儿童的多发畸形、发育迟缓或智力残疾有关。
经过20多年来与各大临床研究机构开展深入的合作，Affymetrix研发人员不断的丰富和改进基因芯片产品，拓展其在基因组、转录组、细胞遗传学领域的应用，针对临床医学诊断和研究提出了整体的解决方案，帮助研究人员更好地了解疾病的遗传基础，发现诊断治疗的生物标记物，开发预后和临床诊断工作。
目前，在国内染色体微阵列技术大致有以下几类临床应用情况：1．儿童复杂、罕见遗传病，如：智力障碍、生长发育迟缓、多发畸形、孤独症样临床表现，排除染色体病、代谢病和脆性X 综合征之后的全基因组CNV 检测。
2．对自然流产、胎死宫内、新生儿死亡等妊娠产物(product of concept，POC) 的遗传学检测。
3．对产前诊断中核型分析结果异常，但无法确认异常片段的来源和性质者进行DNA 水平的更精细分析。
对产前超声检查异常而染色体核型分析结果正常的胎儿进一步行遗传学检测。
4. 结合多重置换扩增技术，利用基因芯片技术进行胚胎植入前染色体非整倍体筛查（PGS/PDD），解决传统技术分辨率限制问题，完成胚胎植入前遗传性染色体结构和基因的遗传学检测。
运用染色体微阵列技术对产前、产后和流产物和胚胎植入前的检测，可以为病因的确诊提供详细的依据。
而病因的确诊有助于临床医生向患者提供遗传咨询，可以减少对患者无效的治疗。
四、具体的检测项目简介1．流产物染色体检测项目简介自然流产是指未使用人工方法而因某种原因胚胎或胎儿自动脱离母体而排出的现象, 通常发生在孕28周前。
自然流产按发生的时间可分为早期流产（<12孕周）与晚期流产（≥12孕周且<28孕周）；按不同发展阶段又分为先兆流产、难免流产、不全流产、完全流产。
临床上还定义了一些特殊类型的自然流产，如过期流产（稽留流产）、习惯性流产（复发性流产）、流产感染等。
发达国家自然流产率在8%~17% 。
美国在1981~1991年临床自然流产率（<20孕周)为13.8%，英国在1989~1990年自然流产率(<20孕周)为12%，丹麦在1988~ 1992年自然流产率(<28孕周)为12.5%，瑞典在2003年自然流产率(<28 孕周)为13. 9 % , 芬兰在1987~1994年自然流产率(<20孕周)为9.2 % , 意大利在1995年自然流产率( ≤24孕周)为8. 3 %。
而中国1997年全国人口与生殖健康调查(demographic and reproductive health survey, DRHS )资料显示1988~1997年自然流产率(<28孕周)为4. 26 %，中国1988～1997年自然流产率呈上升趋势。
自然流产属妇科常见病、多发病，反复的流产给期盼生育的患者及家庭带来巨大的精神打击，严重影响了患者的工作、生活、家庭和睦以及社会和谐。
自然流产占妊娠总数的10%~15%，其中早期流产占80%以上。
随着生育年龄的推迟、生活节奏的加快、工作压力的增加及环境污染的加重等因素早期自然流产的发生率有上升趋势。
反复早期自然流产的原因复杂，其目前仍有40%~80%在临床上找不到明确病因，被称为是一种难以治愈的不育症。
流行病学研究发现，2次临床妊娠丢失后再次发生流产的风险是24%，3次临床流产后再次妊娠丢失的风险是30%，4次后则为40%。
因此，探求引起早期自然流产的因素及寻求更好的治疗方法有极重要的临床和实际意义。
有研究结果显示50%的早期流产（<12周）是由于胎儿染色体异常引起的，在怀孕中期流产将近三分之一的也是由染色体异常引起。
细胞学研究表明绝大多数的这些染色体异常是染色体数目的异常（86%），还有一些是染色体结构异常（6%）和嵌合体（8%）引起的。
流产组织染色体异常基因检测适用于自然流产史人群，其评估自然流产的病因和复发性流产的风险十分必要，有助于临床医生向患者提供遗传咨询，给予精神安慰，增加她们下次妊娠的信心。
2．植入前筛查项目简介在辅助生殖技术(assistant reproductive technology, ART)助孕的妊娠中，约有20%左右的妊娠于早期停止发育，胚胎染色体非整倍体异常多发生于生殖细胞减数分裂过程和早期胚胎发育中，在胚胎期检出率很高，90%以上的异常胚胎经自然流产或死产被淘汰，但仍有少数携带染色体疾病的婴儿出生(如21-三体、18-三体)。
Zenzes MT等对卵裂期胚胎进行研究，发现正常受精的胚胎中有25%-40%的胚胎存在染色体异常。
即使体外观察正常受精的胚胎仍存在一定比率的染色体异常情况。
应用胚胎植入前遗传学诊断(preimplantation genetic diagnosis, PGD)技术，移植染色体拷贝数正常的胚胎，能有效降低辅助生殖技术助孕后的妊娠流产率，提高种植率、妊娠率及活产率，避免三体等染色体异常患儿的出生。
植入前遗传学筛查早于产前筛查及产前诊断，可以避免产前诊断可能带来的人工流产及引产对孕妇生理及心理上的创伤。
胚胎植入前遗传学筛查(preimplantation genetic sereening, PGS)是PGD的一种，它检测的并非针对来源于父母的遗传性染色体异常或者基因异常，而是排除在植入前胚胎中新发生的染色体非整倍体。
