Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

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

Ähnliche Präsentationen


Präsentation zum Thema: "Vorlesung Einführung in die Bioinformatik - Expressionsdatenanalyse U. Scholz & M. Lange Folie #7-1 Methoden & Tools für die Expressionsdatenanalyse."—  Präsentation transkript:

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

2 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-2 Expressionsdatenanalyse Vorgehensmodell Expressionsdatenverarbeitung Bildanalyse Normalisierung/Filterung Datenauswertung

3 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-3 Expressionsdatenanalyse 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

4 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-4 Expressionsdatenanalyse 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

5 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-5 Expressionsdatenanalyse 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)

6 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-6 Expressionsdatenanalyse 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.

7 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-7 Expressionsdatenanalyse Normalisierung: Quantil - Beispiel Hyb1Hyb2 G1110 G2230 G355 G4320 Hyb1Hyb2AVG 53017, , Hyb1Hyb2 G136 G2617,5 G317,53 G411, Quantile

8 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-8 Expressionsdatenanalyse TM4 -

9 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-9 Expressionsdatenanalyse 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.

10 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-10 Expressionsdatenanalyse TM4 - Überblick II 4 Hauptkomponenten: TIGR Spotfinder: Bildanalyse 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 …

11 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-11 Expressionsdatenanalyse TIGR – Spotfinder I

12 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-12 Expressionsdatenanalyse TIGR – Spotfinder II

13 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-13 Expressionsdatenanalyse TIGR – Spotfinder: Interne Dokumentation Ausschnitt aus: ftp://occams.dfci.harvard.edu/pub/bio/training/TIGRSpotfinder.ppt

14 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-14 Expressionsdatenanalyse MIDAS: Microarray Data Analysis System I

15 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-15 Expressionsdatenanalyse MIDAS: Microarray Data Analysis System II

16 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-16 Expressionsdatenanalyse MIDAS: Interne Dokumentation Ausschnitt aus:

17 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-17 Expressionsdatenanalyse MeV: MultiExperiment Viewer I

18 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-18 Expressionsdatenanalyse MeV: MultiExperiment Viewer II

19 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-19 Expressionsdatenanalyse MeV: Interne Dokumentation Ausschnitt aus:

20 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-20 Expressionsdatenanalyse 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

21 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-21 Expressionsdatenanalyse MADAM: MicroArray DAta Manager

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

23 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-23 Expressionsdatenanalyse Expression Profiler Expression Profiler

24 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-24 Expressionsdatenanalyse Expression Profiler: Eingabemöglichkeiten Expression Profiler: Eingabemöglichkeiten

25 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-25 Expressionsdatenanalyse Auswahl eines Arrays aus ArrayExpress

26 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-26 Expressionsdatenanalyse Auswahl eines Arrays aus ArrayExpress

27 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-27 Expressionsdatenanalyse Expression Profiler - mögliche Sichten Expression Profiler - mögliche Sichten

28 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-28 Expressionsdatenanalyse Expression Profiler: Ergebnisse als Text-Datei Expression Profiler: Ergebnisse als Text-Datei

29 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-29 Expressionsdatenanalyse Expression Profiler: Ergebnisse grafisch I Expression Profiler: Ergebnisse grafisch I

30 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-30 Expressionsdatenanalyse Expression Profiler: Ergebnisse grafisch II Expression Profiler: Ergebnisse grafisch II

31 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-31 Expressionsdatenanalyse Expression Profiler: Ergebnisse grafisch III Expression Profiler: Ergebnisse grafisch III

32 Vorlesung Einführung in die Bioinformatik - U. Scholz & M. Lange Folie #7-32 Expressionsdatenanalyse Expression Profiler: Ergebnisse grafisch IV Expression Profiler: Ergebnisse grafisch IV


Herunterladen ppt "Vorlesung Einführung in die Bioinformatik - Expressionsdatenanalyse U. Scholz & M. Lange Folie #7-1 Methoden & Tools für die Expressionsdatenanalyse."

Ähnliche Präsentationen


Google-Anzeigen