Bioconductor与基因芯片

刘小泽写于18.9.9
今天了解一下背景知识，为下面进行芯片数据分析打下基础

应用领域之基因芯片

Bioconductor的起源就是基因芯片分析，因此提供了芯片数据库如GEO、ArrayExpress结口，方便获取数据

芯片提供商：Affymetrix、Illumina、Nimblegen、Agilent

• Affemetrix 3‘-biased Arrays芯片数据需要affy、gcrma、affyPLM包，这三个包又依赖于芯片定义（CDF）、探针（Probe）、注释（Annotation）三个包，后三个会随前三个安装而自动装好；另外还需要手动安装ROOT包，这个包可以直接使用Affymetrix的数据文件，支持的格式有CDF、PGF、CLF、CSV
• Affymetrix Exon ST Arrays与Affymetrix Gene ST Arrays芯片需要oligo包和xps包。Ologo包又需要调用pdInfoBuilder包来创建一个pdInfoPackage包，pdInfoPackage包的作用就是合并CDF、Probe、Annotation三种数据
• Affymetrix SNP Arrays、Affymetrix Tilling Arrays、Nimblegen Arrays芯片数据处理只需要oligo包
• Ilumina Expression Microarrays芯片数据需要lumi和beadarray包，这两个包都有各自的映射包和注释包：lumi需要lumiHumanAll.db、lumiHumanIDMapping包；beadarray需要illuminaHumanv1BeadID.db、illuminaHumanv1.db包

芯片类型：基因表达芯片、外显子芯片、拷贝数变异检测芯片、SNP芯片、DNA甲基化芯片等

芯片分析内容：预处理、质量评估、差异基因表达分析、基因集富集分析、遗传基因组学

应用领域之测序数据

R也可以处理多种类型数据：fasta、fastq、SAM、BAM、Gff、Bed、Wig等，可以进行测序结果预处理（去除低质量、序列污染等）、格式转换、序列比对、测序质量评估、RNA-seq、差异表达分析、ChIP-seq等

• SRAdb包是SRA数据库的接口
• ShortRead包读入测序数据，进行质控、预处理；Rsamtools将数据比对到参考基因组/转录组，完成格式转变和比对结果统计；rtracklayer包将数据导入USCS基因组浏览器(http://genome-asia.ucsc.edu/)进行浏览、操作、输出
• IRanges、GenomicRanges、genomeIntervals包是基于DNA区域（如染色体）进行数据操作的拓展包；Biostrings包含了序列比对、模式匹配等基本序列分析函数；BSgenome针对有注释的全基因组数据进行操作；GenomicFeatures是对基因组中序列特征（如非编码区）进行注释
• RNA-seq可用的包有：limma（金标准）、edgeR、DESeq、DEXSeq（外显子水平）、baySeq
• ChIP-seq：基序发现(Motif discovery)、结合位点检测（Peak calling），可以用CSAR、chipseq、ChIPseqR、ChIPsim、ChIPpeakAnno、DiffBind、iSeq、rGADEM、segmentSeq、BayesPeak、PICS

更多的数据处理，可以看https://www.bioconductor.org/packages/release/BiocViews.html=》softeware=〉technology

应用领域之注释

注释既需要注释工具，有需要链接注释数据库的接口，大体的注释方式有三类

第一类：基于AnnotationDbi包的扩展包

绝大部分注释包都依赖AnnotationDbi包，一旦biocLite安装任何一个“.db”的注释包，AnnotationDbi包都会自动安装。这个包可以创建、操作“.db”，并且可以创建个性化的芯片平台。它又可以分为三类注释包

• 物种型注释包：org.Mm.eg.db、org.Hs.eg.db、org.Rn.eg.db等
  包括整个物种相关的基因数据，命名格式："org.Xx.yy.db"， Xx是种属的缩写（注意首字母大写），“yy“来源数据库ID，这个ID用于把所有数据连在一起。如：“org.Hs.eg.db”中Hs是种属，eg是数据库ID
• 平台型注释包：如Affymetrix公司的hgu133plus2.db
  依赖于具体的实验平台，命名格式：“platformName.db”。“platform”是芯片平台名称，如“hgu95av2.db”就是利用了Affymetrix公司的hgu95av2基因芯片；另外每个“.db”包还需要对应的“.cdf”、“.probe”，名称分别为：“platformName.cdf”、“platformName.probe”
• 系统生物学注释包：用于下游分析，如基因功能分析（与上游），比如KEGG.db用来获取KEGG数据库的数据；GO.db用来获取GO数据库的数据；PFAM.db用来获取不同蛋白家族的特征和相关性

第二类：基于biomaRt包获取注释

它与AnnotationDbi包虽然注释信息都是来自远程数据库，但是AnnotationDbi是将注释包本地化，而biomaRt只提供了一组数据接口，加载注释内容严重依赖网络，并且无需维护，不占用本地存储，注释信息自动更新。但它的功能最为强大，因为可以连接各个主要的是给你想你数据库来获取注释信息和数据

应用领域之高通量实验

包括流式细胞仪（Flow Cytometry）、定量PCR、质谱（Mass soectrometry）、蛋白质组及其他基于细胞水平的高通量实验数据

定量PCR：HTqPCR、ddCt、qpcrNorm提供如何分析循环阈值（Cycle threshold）的方法

利用Bioconductor分析芯片数据

芯片分析主要就是利用bioconductor，分析的过程也体现了它的设计理念和编程思想

基因芯片背景知识

以Affymetrix为例，一个芯片可以包括上百万探针（通常由25个碱基组成），被整齐印刷在芯片上。

• 探针组：一个探针组通常由20对个或11个探针对组成，来自一个基因

• 探针对：匹配探针（Perfect match， PM）+错配探针（Mismatch， MM）。二者仅仅是中间的那个碱基不同。并非所有芯片都有这两个探针，比如外显子芯片，每个探针组只有4个PM探针，没有MM探针
  

  探针与探针对

• 探针序列来源：公共核酸数据库中的参考序列（如NCBI的GenBank或RefSeq）

• 不同的芯片中，探针组在参考序列中的分布不同，也就是检测范围不同。3‘表达谱芯片探针组排列在参考序列3’末端附近的一至两个外显子上；外显子芯片中，每个长度大于25个碱基的外显子都有对应的探针组；铺瓦芯片（Tilling array）中，探针基本覆盖了所有的外显子和内含子
  

  探针组与基因

• 探针组与基因关系：芯片数据得到的表达矩阵，实际上是以探针组为单位，而不是直接以基因为单位，每一行对应一个探针组的表达量。后期的分析都是先得到探针组的结果，然后根据注释的ID映射才对应到基因。一般是一个基因同时对应多个探针组。通常会把同一个基因对应的探针组表达量求均值，然后找最大的那个探针组作为代表，让它与该基因一一对应

• 芯片数据获取：一是扫描设备对芯片进行扫描，得到荧光信号图像文件（DAT文件）；二是由系统自带的图像处理软件，经过网格定位（Griding）、杂交点范围确定（Spot identifying）、背景噪音过滤（Noise filtering），从芯片图像中提取数据，得到CEL文件
  

  芯片产生的数据文件

关于Affymetrix的数据处理过程：https://slideplayer.com/slide/4804237/

• CEL文件：CEL文件是Affymetrix最常用的格式，它的主要内容就是每个“cell”的灰度信息，而“cell”就是整个芯片图像划分后得到的小网格，每个小网格中的图像被看作来自一个探针。【补充】当然，如果要得到芯片上每个探针组对应的表达数据，还需要探针的排布信息（哪个探针对应哪个探针组），这部分信息就存储在CDF文件中。要想知道探针对应的序列信息，就需要用Probe文件

完成一个小任务

从CLL数据包载入芯片数据=》预处理（先进行一个背景校正）=〉获得探针组表达矩阵

先说一下这个CLL数据集，它包含的是慢性淋巴细胞白血病（Chromic lymphocytic leukemia, CLL）的数据，采用Affymetrix的hgu95av2表达谱芯片（含有12625个探针组），共24个样品（"CLL1.CEL"-"CLL24.CEL"），每个样品来自不同的癌症病人。
根据健康状态分为两组（对照试验）：稳定组（stable）和恶化组（progressive），每组各12个（平行试验）。
得到的e矩阵是一个12625行、24列的探针组表达矩阵

#安装并加载
source("https://bioconductor.org/biocLite.R")
options(BioC_mirror="http://mirrors.ustc.edu.cn/bioc/")
biocLite("CLL")
library(CLL)
#读入示例数据
data("CLLbatch")
# rma方法进行背景校正【当MM值比PM值还要高时，MM就是杂信号，也就是背景噪声，需要去除】
CLLrma <- rma(CLLbatch)
e_before <- exprs(CLLbatch)
e_after <- exprs(CLLrma)
#对比一下校正前后数据
e_before[1:5,1:5]
e_after[1:5,1:5]

欢迎关注我们的公众号～_～　　
我们是两个农转生信的小硕，打造生信星球，想让它成为一个不拽术语、通俗易懂的生信知识平台。需要帮助或提出意见请后台留言或发送邮件到Bioplanet520@outlook.com