mainvarsetnorm
Выполните ранговую инвариантную нормализацию набора по значениям экспрессии генов из двух экспериментальных условий или фенотипов
Синтаксис
NormDataY =
mainvarsetnorm(DataX, DataY)
NormDataY =
mainvarsetnorm(..., 'Thresholds', ThresholdsValue,
...)
NormDataY =
mainvarsetnorm(..., 'Exclude', ExcludeValue,
...)
NormDataY =
mainvarsetnorm(..., 'Percentile', PercentileValue,
...)
NormDataY =
mainvarsetnorm(..., 'Iterate', IterateValue,
...)
NormDataY =
mainvarsetnorm(..., 'Method', MethodValue,
...)
NormDataY =
mainvarsetnorm(..., 'Span', SpanValue,
...)
NormDataY =
mainvarsetnorm(..., 'Showplot', ShowplotValue,
...)
Аргументы
DataX | Вектор значений экспрессии генов из одного экспериментального условия или фенотипа, где каждая строка соответствует гену. Эти точки данных используются в качестве базовой линии. |
DataY | Вектор значений экспрессии генов из одного экспериментального условия или фенотипа, где каждая строка соответствует гену. Эти точки данных будут нормированы с помощью базовой линии. |
ThresholdsValue | Вектор, который устанавливает пороги для самого низкого среднего ранга и самого высокого среднего ранга между этими двумя наборами данных. Средний ранг для каждой точки данных определяется путем первого преобразования значений в Примечание Эти отдельные пороги используются для определения рангового инвариантного набора, который является набором точек данных, каждый из которых имеет пропорциональное различие рангов (prd), меньшую, чем его предопределенный порог. Для получения дополнительной информации о наборе инвариантов ранга смотрите Описание.
|
ExcludeValue | Свойство для фильтрации инвариантного набора точек данных, путем исключения точек данных, средний ранг которых (между |
PercentileValue | Свойство, чтобы остановить процесс итерации, когда количество точек данных в инвариантном наборе достигает Примечание Если вы не используете это свойство, процесс итерации продолжается, пока больше не будут удалены точки данных.
|
IterateValue | Свойство для управления процессом итерации для определения инвариантного набора точек данных. Введите Совет Выберите
|
MethodValue | Свойство для выбора метода сглаживания, используемого для нормализации данных. Введите |
SpanValue | Свойство для задания размера окна для метода сглаживания. Если |
ShowplotValue | Свойство для управления графического изображения пары графиков поля точек M-A (до и после нормализации). M - отношение между |
Описание
NormDataY =
mainvarsetnorm(DataX, DataY)DataY, вектор значений экспрессии генов, к вектору- ссылке, DataX, с использованием метода инвариантного набора. NormDataY является вектором нормализованных значений экспрессии генов из DataY.
В частности, mainvarsetnorm:
Определяет пропорциональное различие рангов (prd) для каждой пары рангов, RankX и RankY, из двух векторов значений экспрессии генов,
DataXиDataY.prd = abs (RankX - RankY)
Определяет инвариантный набор точек данных путем выбора точек данных, пропорциональные различия рангов которых (prd) ниже threshold, что является предопределенным порогом для заданной точки данных (заданным
ThresholdsValueсвойство). Он опционально повторяет процесс, пока больше не будут удалены точки данных или не будет достигнут предопределенный процент точек данных.Инвариантным множеством являются точки данных с prd < threshold.
Использует инвариантный набор точек данных, чтобы вычислить нижнюю или текущую медианную кривую сглаживания, которая используется для нормализации данных в
DataY.
Примечание
Если DataX или DataY содержит значения NaN, затем NormDataY будет также содержать значения NaN в соответствующих положениях.
Совет
mainvarsetnorm полезно для коррекции смещения красителя в данных двухцветных микромассивов.
NormDataY = mainvarsetnorm (..., 'PropertyName', PropertyValue, ...)mainvarsetnorm с необязательными свойствами, которые используют пары имя/значение свойства. Можно задать одно или несколько свойств в любом порядке. Каждый PropertyName должны быть заключены в одинарные кавычки и нечувствительны к регистру. Эти имена свойства/пары значения свойств следующие:
устанавливает пороги для самого низкого среднего ранга и самого высокого среднего ранга между этими двумя наборами данных. Средний ранг для каждой точки данных определяется путем первого преобразования значений в NormDataY =
mainvarsetnorm(..., 'Thresholds', ThresholdsValue,
...)DataX и DataY в ранги, затем среднее значение двух рангов для каждой точки данных. Затем порог для каждой точки данных определяется путем интерполяции между порогом для самого низкого среднего ранга и порогом для самого высокого среднего ранга.
Примечание
Эти отдельные пороги используются для определения рангового инвариантного набора, который является набором точек данных, каждый из которых имеет пропорциональное различие рангов (prd), меньшую, чем его предопределенный порог. Для получения дополнительной информации о наборе инвариантов ранга смотрите Описание.
ThresholdsValue вектор 1 на 2 [LT, HT], где LT - порог наименьшего среднего ранга и HT - порог для наивысшего среднего ранга. Выберите эти два порога эмпирически, чтобы ограничить распространение инвариантного множества, но разрешить достаточное количество точек данных, чтобы определить отношения нормализации. Значения должны быть между 0 и 1. По умолчанию это [0.03, 0.07].
NormDataY =
mainvarsetnorm(..., 'Exclude', ExcludeValue,
...)DataX и DataY) находится в самом высоком N ранжированные средние или самые низкие N ранжированные средние значения.
NormDataY =
mainvarsetnorm(..., 'Percentile', PercentileValue,
...)N процент от общего количества входных точек данных. По умолчанию это 1.
Примечание
Если вы не используете это свойство, процесс итерации продолжается, пока больше не будут удалены точки данных.
NormDataY =
mainvarsetnorm(..., 'Iterate', IterateValue,
...)IterateValue является true, mainvarsetnorm повторяет процесс до тех пор, пока больше не будут удалены точки данных или заданный процент точек данных (PercentileValue) достигается. Когда IterateValue является false, выполняет только одну итерацию процесса. По умолчанию это true.
Совет
Выберите false для небольших наборов данных, обычно менее 200 точек данных.
NormDataY =
mainvarsetnorm(..., 'Method', MethodValue,
...)MethodValue является 'lowess', mainvarsetnorm использует метод lowess. Когда MethodValue является 'runmedian', mainvarsetnorm использует текущий медианный метод. По умолчанию это 'lowess'.
NormDataY =
mainvarsetnorm(..., 'Span', SpanValue,
...)SpanValue меньше 1, размер окна - это процент от количества точек данных. Если SpanValue равен или больше 1, размер окна имеет размер SpanValue. По умолчанию это 0.05, что соответствует размеру окна, равному 5% от общего количества точек данных в инвариантном наборе.
NormDataY =
mainvarsetnorm(..., 'Showplot', ShowplotValue,
...)DataX и DataY. A - среднее значение DataX и DataY. Когда ShowplotValue является true, mainvarsetnorm строит графики для графиков поля точек M-A. По умолчанию это false.
Примеры
Нормализуйте данные микромассивов
Этот пример иллюстрирует, как исправить смещение красителя или различия в сканировании между двумя каналами данных из двухцветного эксперимента с микромассивами.
Считайте данные микромассивов из выборки файла GPR.
maStruct = gprread('mouse_a1wt.gpr');Извлеките значения экспрессии генов из двух различных экспериментальных условий.
cy5data = magetfield(maStruct, 'F635 Median'); cy3data = magetfield(maStruct, 'F532 Median');
Нормализуйте cy3data использование cy5data как ссылку и график результатов.
Normcy3data = mainvarsetnorm(cy5data, cy3data, 'showplot', true);
В идеальных экспериментальных условиях точки данных с равными значениями экспрессии будут падать вдоль линии M = 0, которая представляет отношение экспрессии генов 1. Однако смещение красителя заставило измеренные значения в одном канале быть выше, чем в другом канале, как видно на графике нормализации Перед. Нормализация исправила отклонение, как видно на графике После нормализации.
Ссылки
[1] Tseng, G.C., Oh, Min-Kyu, Rohlin, L., Liao, J.C., and Wong, W.H. (2001) Проблемы в анализе микромассивов кДНК: фильтрация качества, нормализация канала, модели изменений и оценка генных эффектов. Исследование нуклеиновых кислот. 29, 2549-2557.
[2] Hoffmann, R., Seidl, T. and Dugas, M. (2002) Глубокий эффект нормализации на обнаружение дифференциально экспрессированных генов в анализе олигонуклеотидов микромассива данных. Биология генома. 3 (7): исследование 0033.1-0033.11 .