Slovník | Vyhledávání | Mapa webu
 
Analýza genomických a proteomických datAnalýza genomických a proteomických dat Úprava a normalizace dat cDNA mikročipů Normalizace cDNA mikročipů a vytvoření finální datové matice Normalizace v rámci mikročipu

Logo Matematická biologie

Základní princip a metody normalizace uvnitř čipu

Odstranění systematických odchylek dvoukanálových čipů se dá rozdělit na centrování a škálování. Normalizované hodnoty jsou získávány následovně:

(3.2)

kde l a s jsou normalizační hodnoty centra a škály.

Jednotlivé normalizační metody se liší v závislosti na metodě odhadu l a s. Nejjednodušší způsob centralizace dat je použití konstantní hodnoty pro všechna data, což je případ tzv. centrování mediánem. Tady je l odhadnuto jako medián intensit vybraných spotů a s jako absolutní mediánová odchylka. V závislosti na typu efektu který chceme odstranit můžeme počítat medián spotů celého mikročipu, nebo například pouze mediány jednotlivých print-tipů.  Tímto způsobem však nedokážeme korigovat nelineární trendy (obrázek 3.6).

Obr. 3.6:  Diagnostické grafy po mediánovém centrování. I když došlo k posunu, nelineární trendy nebyly odstraněny.

Jednou z nejčastěji používaných metod sloužících k normalizaci uvnitř mikročipu je proto neparametrická lokální vážená regrese lowess nebo její generalizace loess [Cleveland, 1979; Cleveland a Devlin, 1988]. Loess funkce je na data použita k odhadnutí lokálních trendů, pomocí metody posuvného okna. Analytik tedy nemusí dopředu stanovovat regresní funkci, která by se měla z dat odhadnout, protože není známá. Odhadnutá křivka je deterministickým výsledkem lokálních odhadů a je pak odečtena od původních hodnot za vzniku normalizovaných hodnot (obrázek 3.7).

Její využití je u mikročipových dat jednoznačné, protože pro provedení správného odhadu je potřebné velké množství datových bodů.

 

Obr. 3.7 Ilustrace vyrovnání nelineárního trendu pomocí loess normalizace.

 
vytvořil Institut biostatistiky a analýz Masarykovy univerzity | | zpětné odkazy | validní XHTML 1.0 Strict