Methoden & Tools für die Expressionsdatenanalyse. Vorlesung Einführung in die Bioinformatik - Expressionsdatenanalyse U. Scholz & M.

Transkript

1 Methoden & Tools für die Expressionsdatenanalyse U. Scholz & M. Lange Folie #7-1

2 Vorgehensmodell Expressionsdatenverarbeitung Bildanalyse Normalisierung/Filterung Datenauswertung U. Scholz & M. Lange Folie #7-2

3 Bildanalyse Bilddatei einlesen Spot-Raster berechnen Abbildung Spot-Intensitäten auf numerische Werte - Bestimmung der Spot-Grenzen - Berechnung der Spot-Intensität - Ermittlung der Bild-Hindergrundintensitäten und Korrektur Spotintensität Qualitätskontrolle Ausgabe Textdatei Ziel: Numerische Darstellung Arrays U. Scholz & M. Lange Folie #7-3

4 Normalisierung Mathematisch: Skalierung des Wertebereichs auf einen bestimmten Bereich, üblicherweise zwischen 0 und 1 (bzw. 100 Prozent) Mess-Ergebnisse mit unterschiedlicher Grundlage vergleichbar z.b.: (50 Studenten mit der Note 1 vs. 10% mit Note 1) Aber: Bioinformatik: - Background Correction - Normalization - Quantification / Summarization Ziel: Vergleichbarkeit von Arrays U. Scholz & M. Lange Folie #7-4

5 Normalisierung: Durchschnitt Forderung: Verhältnis der Durchschnittsintensitäten (AVG) der Hybridisierungen ist gleich Mathematisch: AVG Hyb1 = AVG Hyb2 Beispiel: - Hyb1: (1,2,5,1,6) - Hyb2: (100,200,500,100,600) - AVG Hyb1 = 3 AVG Hyb2 = AVG Hyb1 / AVG Hyb2 = 0,01 - Hyb2 norm = Hyb2 * 0,01 - Hyb2 norm = (1,2,5,1,6) U. Scholz & M. Lange Folie #7-5

6 Normalisierung: Quantil Normalisierung über ein Set von Hybridisierungen. Annahme: Die meisten Gene sind in allen Experimenten gleich stark expremiert Die Chips haben gleiche Intensitätsverteilung Normalisiere so, dass die Quantilen jedes Chips gleich sind. U. Scholz & M. Lange Folie #7-6

7 Normalisierung: Quantil - Beispiel Hyb1 Hyb2 G G G3 5 5 G Hyb1 Hyb2 AVG , , Quantile Hyb1 Hyb2 G1 3 6 G2 6 17,5 G3 17,5 3 G4 11,5 11,5 3. U. Scholz & M. Lange Folie #7-7

8 TM4 - U. Scholz & M. Lange Folie #7-8

9 TM4 - Überblick I Software von TIGR (The Institute of Genomic Ressearch): Microarrays have emerged as the premier tool for studying gene expression on a genomic scale. Advances in the precision of array printers and scanners as well as improved laboratory protocols allow for assays of tremendous complexity and scope. Scientist seeking to harness the potential of this technique are often challenged by the prodigious quantities of data produced. Well-designed, user-friendly software is the key to tracking, integrating, qualifying, and ultimately deriving scientific insight from the experimental results. In support of our ongoing work in microarray analysis of gene expression, we developed a suite of software that allow users in the laboratory to capture, manage, and analyze effectively data from DNA microarray experiments. U. Scholz & M. Lange Folie #7-9

10 4 Hauptkomponenten: TIGR Spotfinder: Bildanalyse TM4 - Überblick II Microarray Data Analysis System (MIDAS): Normalisierung, Filterung Multi Experiment Viewer (MeV): Interpretation der Ergebnisse Microarray Data Manager (MADAM): Zusatzmodule: MIAME-compliant MySQL database Automated Microarray Pipeline ExpressConverter SlideMap U. Scholz & M. Lange Folie #7-10

11 TIGR Spotfinder I U. Scholz & M. Lange Folie #7-11

12 TIGR Spotfinder II U. Scholz & M. Lange Folie #7-12

13 TIGR Spotfinder: Interne Dokumentation Ausschnitt aus: ftp://occams.dfci.harvard.edu/pub/bio/training/tigrspotfinder.ppt U. Scholz & M. Lange Folie #7-13

14 MIDAS: Microarray Data Analysis System I U. Scholz & M. Lange Folie #7-14

15 MIDAS: Microarray Data Analysis System II U. Scholz & M. Lange Folie #7-15

16 MIDAS: Interne Dokumentation Ausschnitt aus: U. Scholz & M. Lange Folie #7-16

17 MeV: MultiExperiment Viewer I U. Scholz & M. Lange Folie #7-17

18 MeV: MultiExperiment Viewer II U. Scholz & M. Lange Folie #7-18

19 MeV: Interne Dokumentation Ausschnitt aus: U. Scholz & M. Lange Folie #7-19

20 MeV: Implementierte Clustering Methoden 1. HCL: Hierarchical clustering 2. ST: Support Trees 3. SOTA: Self Organizing Tree Algorithm 4. RN: Relevance Networks 5. KMC: K-Means/K-Medians Clustering 6. KMS: K-Means / K-Medians Support 7. CAST: Clustering Affinity Search Technique 8. QTC: QT CLUST 9. SOM: Self Organizing Maps 10. GSH: Gene Shaving 11. FOM: Figures of Merit 12. PTM: Template Matching 13. TTEST: T-tests 14. SAM: Significance Analysis of Microarrays 15. ANOVA: Analysis of Variance 16. TFA: Two-factor ANOVA 17. SVM: Support Vector Machines 18. KNNC: K-Nearest-Neighbor Classification 19. DAM: Discriminant Analysis Module 20. COA: Correspondence Analysis 21. PCA: Principal Components Analysis 22. TRN: Expression Terrain Maps 23. EASE: Expression Analysis Systematic Explorer U. Scholz & M. Lange Folie #7-20

21 MADAM: MicroArray DAta Manager U. Scholz & M. Lange Folie #7-21

22 MADAM: Interne Dokumentation Ausschnitt aus: ftp://occams.dfci.harvard.edu/pub/bio/training/madam_4_0.ppt U. Scholz & M. Lange Folie #7-22

23 Expression Profiler U. Scholz & M. Lange Folie #7-23

24 Expression Profiler: Eingabemöglichkeiten U. Scholz & M. Lange Folie #7-24

25 Auswahl eines Arrays aus ArrayExpress U. Scholz & M. Lange Folie #7-25

26 Auswahl eines Arrays aus ArrayExpress U. Scholz & M. Lange Folie #7-26

27 Expression Profiler - mögliche Sichten U. Scholz & M. Lange Folie #7-27

28 Expression Profiler: Ergebnisse als Text-Datei U. Scholz & M. Lange Folie #7-28

29 Expression Profiler: Ergebnisse grafisch I U. Scholz & M. Lange Folie #7-29

30 Expression Profiler: Ergebnisse grafisch II U. Scholz & M. Lange Folie #7-30

31 Expression Profiler: Ergebnisse grafisch III U. Scholz & M. Lange Folie #7-31

32 Expression Profiler: Ergebnisse grafisch IV U. Scholz & M. Lange Folie #7-32