1.1 简介
在这本书的课程中，为了展示Bioconductor软件的用法，我们会频繁的需要一个数据集。对于我们关注的多种方法，分析流程的开始几步几乎相同。通常，他们先得到一个子集，然后利用非特异的滤过步骤去除不含信息的探针集。在本章中，我们会简要介绍最开始的几个步骤，如何获取合适的子集来进行多种多样的分析。
1.2 ALL数据集
ALL数据由来自128例不同的急性淋巴性白血病个体的微阵列数据组成。其中95例是B型ALL，33例是T型ALL。因为他们是不同的组织类型也是不同的疾病，我们需要分开来考虑他们，主要关注B型ALL。已有两个不同的分析报告(Chiarettiet al., 2004, 2005)，更多细节在报告里可见。在数据包里面，存有些协变量，描述更多的了病人一般信息，如年龄、性别，包括关于疾病类型和分期的完整临床特征。通过该数据包的帮助手册页面可以获得这些细节。该数据已经用rma算法进行了同一标准化，以ExpressionSet的形式进行储存。（详见第二章）
1.3 数据子集
我们首先需要加载ALL包，然后加入到我们的工作环境中。
source("https://bioconductor.org/biocLite.R")
biocLite("ALL")
library('Biobase')
library('ALL')
library('genefilter')
data('ALL')
我们感兴趣的子集是两种B型淋巴瘤的构成的对比组，一型发现含有BCR/ABL的突变，另一型未发现细胞基因型的异常，两组的样本数几乎相同。这些样本在变量mol.biol中被标记BCR/ABL或者NEG。BCR/ABL突变就是著名的费城染色体，是第一个发现与肿瘤发展相关的细胞染色体异常，并引导了目前我们对该疾病的理解。在含有BCR/ABL转移的肿瘤中，22号染色体的一小段与9号染色体的一个小片段进行了交换。结果导致一个融合蛋白的持续表达，该蛋白可以作为潜在的丝裂原，造成细胞不受控制地分裂。
但不是所有的白血病都携带费城染色体，有其它一些突变也可以导致血细胞的肿瘤转化，比如4号染色体/11号染色体的置换（ALL1/AF4）,在一个练习中我们将会使用到这些肿瘤的子数据集。
首先我们通过搜索BT变量（该变量用来区分B系肿瘤和T系肿瘤）来选择B系肿瘤的样本，此处使用正则表达式选择字母B开头的记录即可。
bcell = grep("^B", as.character(ALL$BT))
下一步我们需要知道哪些样本的分子分型是BCR/ABL或者NEG。
types = c("NEG", "BCR/ABL")
moltyp = which(as.character(ALL$mol.biol) %in% types)
结合这两条选择标准，我们将得到含有BCR/ABL或者是NEG的肿瘤的对比子集。
ALL_bcrneg = ALL[, intersect(bcell, moltyp)]
我们还需要一步。有一些样本信息是保存在因子类型的变量中。这些变量的取值只能是一些离散的明确值。一个因子变量的所有可能值的集合叫做它的水平（你可以键入"? factor"来获取帮助）。我们已经缩减了样本集，我们只需要ALL已存的因子变量中的一部分即可，最简单的减少数据集中一个已存在因子变量的水平的方法，是对其再次调用构造函数factor。
ALL_bcrneg$mol.biol = factor(ALL_bcrneg$mol.biol)
ALL_bcrneg$BT = factor(ALL_bcrneg$BT)
1.4 非特异性过滤
在被微阵列扫描的细胞中，有一部分基因根本没有表达，或者未达到我们使用的微阵列能够检测的水平。另外一部分基因，数据集未显示足够的变化来进行可靠的差异基因的分析。最好的办法是，在进一步分析之前，先删除这些基因的探针集。这一步操作我们可以在差异的基础上进行。你应该阅读第6章或第7章来获取更多关于非特异过滤的知识。这里，我们展示如何用genefilter包里面的nsFilter函数来进行不同标准的过滤，所有的操作都通过函数的不同参数来进行控制。设定feature.exclude = "^AFFX" 将移除对照探针，这些探针的名字里含有特征性的前缀 AFFX。作为差异过滤步骤中的离散度的测量指标，我们使用四分位间距（IQR），并使用其中的0.5分位数作为截断值。这对于此处使用的生物和微阵列设计似乎是一个合理的值，但是在你自己的实验中你通常需要自行调整该值。在第6章中，我们将会展示如何产生一个更加符合某一数据的截断值。
varCut = 0.5
filt_bcrneg = nsFilter(ALL_bcrneg, require.entrez=TRUE,
require.GOBP=TRUE, remove.dupEntrez=TRUE,
var.func=IQR, var.cutoff=varCut,
feature.exclude="^AFFX")
filt_bcrneg$filter.log
$numDupsRemoved
[1] 2771
$numLowVar
[1] 4075
$numRemoved.ENTREZID
[1] 1165
$numNoGO.BP
[1] 521
$feature.exclude
[1] 19
1.5 BCR/ABL ALL1/AF4 数据子集
在数据集中也有一些其它的我们感兴趣的子集。下面的代码将会产生一个子集，该子集由来自BCR/ABL+的肿瘤样本（t9;22置换）和ALL1/AF4+的肿瘤样本（t4;11置换）组成。
types = c("ALL1/AF4", "BCR/ABL")
moltyp = which(ALL$mol.biol %in% types)
ALL_af4bcr = ALL[, intersect(bcell, moltyp)]
ALL_af4bcr$mol.biol = factor(ALL_af4bcr$mol.biol)
ALL_af4bcr$BT = factor(ALL_af4bcr$BT)
filt_af4bcr = nsFilter(ALL_af4bcr,require.entrez=TRUE,
require.GOBP=TRUE, remove.dupEntrez=TRUE,
var.func=IQR, var.cutoff=varCut)
ALLfilt_af4bcr = filt_af4bcr$eset
注意nsFilter's的默认值在这个例子中并不合适，因为样本组的大小非常的不同。第8章中对此有更深入的谈论。
（注：本书翻译自Florian Hahne, 2008. Bioconductor Case Studies）
网友评论