Вычислите значения экспрессии гена из данных тестового уровня Affymetrix микромассивов с помощью процедуры Устойчивого среднего значения мультимассивов (RMA)
ExpressionMatrix = rmasummary(ProbeIndices, Data)
ExpressionMatrix =
rmasummary(ProbeIndices, Data,
'Output', OutputValue)
ProbeIndices | Вектор-столбец тестовых индексов. Соглашение для тестовых индексов, для каждого тестового набора, чтобы пометить каждый зонд 0 к N – 1, где N является количеством зондов в тестовом наборе. Совет Используйте |
Data | Матрица значений интенсивности натурального звукоряда, где каждая строка соответствует идеальной паре (PM), зонд и каждый столбец соответствуют файлу Affymetrix® CEL. (Каждый файл CEL сгенерирован от отдельного чипа. Все микросхемы должны иметь тот же тип.) Совет Используя матрицу с одинарной точностью для Совет Можно использовать матрицу от |
OutputValue | Задает шкалу возвращенных значений экспрессии гена.
В последнем экземпляре данные преобразовываются, как задано функциональным |
ExpressionMatrix = rmasummary(ProbeIndices, Data)Data, с помощью вектор-столбца тестовых индексов, ProbeIndices. Обратите внимание на то, что каждая строка в Data соответствует идеальной паре (PM), зонд, и каждый столбец соответствует файлу Affymetrix CEL. (Каждый файл CEL сгенерирован от отдельного чипа. Все микросхемы должны иметь тот же тип.) Обратите внимание на то, что вектор-столбец ProbeIndices называет зонды в каждом зонде установленными путем маркировки каждого зонда 0 к N – 1, где N является количеством зондов в тестовом наборе. Обратите внимание на то, что каждая строка в ExpressionMatrix соответствует гену (тестовый набор) и каждый столбец в ExpressionMatrix соответствует файлу Affymetrix CEL, который представляет однокристальную схему.
Поскольку данный зонд установил n с парами зонда J, позвольте Yijn обозначить настроенный фоном, основывайте 2 журнала преобразованное и нормированное на квантиль значение интенсивности зонда PM чипа i и зондируйте j. Yijn следует линейной аддитивной модели:
Yijn = Uin + Ajn + Eijn; i = 1..., I; j = 1..., J; n = 1..., N
где:
Uin = Экспрессия гена зонда установил n на чипе i
Ajn = Тестовый эффект сродства для j th зондирует в тестовом наборе
Eijn = Невязка для j th зондирует на i th чип
Метод RMA принимает A1 + A2 +... + AJ = 0 для всех тестовых наборов. Устойчивая процедура, средняя полировка, оценивает Ui как меру по логарифмической шкале выражения.
Примечание
В ExpressionMatrix нет никакого столбца это содержит тестовый набор или информацию о гене.
ExpressionMatrix = rmasummary (..., 'PropertyName', PropertyValue, ...)rmasummary с дополнительными свойствами, которые используют имя свойства / пары значения свойства. Можно задать одно или несколько свойств в любом порядке. Каждый PropertyName должен быть заключен в одинарные кавычки и нечувствительный к регистру. Это имя свойства / пары значения свойства следующие:
задает шкалу возвращенных значений экспрессии гена. ExpressionMatrix =
rmasummary(ProbeIndices, Data,
'Output', OutputValue)OutputValue может быть:
'log'
'log2'
'log10'
'linear'
FunctionName
В последнем экземпляре данные преобразовываются, как задано функциональным functionname. Значением по умолчанию является 'log2'.
Загрузите MAT-файл, включенный с программным обеспечением Bioinformatics Toolbox™, которое содержит переменные данных Affymetrix, включая pmMatrix, матрица PM зондирует значения интенсивности из нескольких файлов CEL.
load prostatecancerrawdataВыполните фоновую корректировку на значениях интенсивности зонда премьер-министра в матрице, pmMatrix, использование rmabackadj функция, таким образом, создавая новую матрицу, BackgroundAdjustedMatrix.
BackgroundAdjustedMatrix = rmabackadj(pmMatrix);
Нормируйте данные в BackgroundAdjustedMatrix, использование quantilenorm функция.
NormMatrix = quantilenorm(BackgroundAdjustedMatrix);
Вычислите значения экспрессии гена от тестовой интенсивности в NormMatrix, создавая новую матрицу, ExpressionMatrix. (Используйте probeIndices вектор-столбец, обеспеченный, чтобы предоставить информацию о тестовых индексах.)
ExpressionMatrix = rmasummary(probeIndices, NormMatrix);
prostatecancerrawdata.mat файл, используемый в предыдущем примере, содержит данные из Лучшего и др., 2005.
[1] Irizarry, R.A., Хоббс, B., Коллин, F., Бизер-Барклай, Y.D., Antonellis, K.J., Scherf, U., скорость, T.P. (2003). Исследование, нормализация и сводные данные данных об уровне зонда олигонуклеотида высокой плотности массивов. Биостатистика. 4, 249–264.
[2] Mosteller, F. и Tukey, J. (1977). Анализ данных и Регрессия (Чтение, Массачусетс: Издательство Аддисона-Уэсли), стр 165–202.
[3] Лучше всего, C.J.M., Гиллеспи, J.W., И, Y., Chandramouli, G.V.R., Perlmutter, M.A., Gathright, Y., Эриксон, H.S., Георгевич, L., Tangrea, M.A., Duray, P.H., Гонсалес, S., Веласко, A., Linehan, W.M., Matusik, R.J., Цена, D.K., Figg, W.D., Emmert-маркер, M.R., и Chuaqui, R.F. (2005). Молекулярные изменения при первичном раке простаты после терапии абляции андрогена. Клинические Исследования рака 11, 6823–6834.
affygcrma | affyinvarsetnorm | affyrma | celintensityread | gcrmabackadj | mainvarsetnorm | malowess | manorm | quantilenorm | rmabackadj