Methoden & Tools für die Expressionsdatenanalyse

Präsentation zum Thema: "Methoden & Tools für die Expressionsdatenanalyse"—  Präsentation transkript:

1 Methoden & Tools für die Expressionsdatenanalyse

2 Vorgehensmodell Expressionsdatenverarbeitung
Bildanalyse Normalisierung/Filterung Datenauswertung

3 Bildanalyse Ziel: Numerische Darstellung Arrays 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 Normalisierung Mathematisch: Skalierung des Wertebereichs auf einen bestimmten Bereich, üblicherweise zwischen 0 und 1 (bzw 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 Normalisierung: Durchschnitt
Forderung: Verhältnis der Durchschnittsintensitäten (AVG) der Hybridisierungen ist gleich Mathematisch: AVGHyb1 = AVGHyb2 Beispiel: Hyb1: (1,2,5,1,6) Hyb2: (100,200,500,100,600) AVGHyb1 = AVGHyb2 = 300 AVGHyb1 / AVGHyb2 = 0,01 Hyb2norm = Hyb2 * 0,01 Hyb2norm = (1,2,5,1,6)

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.

7 Normalisierung: Quantil - Beispiel
Hyb1 Hyb2 G1 1 10 G2 2 30 G3 5 G4 3 20 1. 2. Hyb1 Hyb2 AVG 5 30 17,5 3 20 11,5 2 10 6 1 4 Quantile Hyb1 Hyb2 G1 3 6 G2 17,5 G3 G4 11,5 3.

8 TM

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.”

10 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 TIGR – Spotfinder I

12 TIGR – Spotfinder II

13 TIGR – Spotfinder: Interne Dokumentation
Ausschnitt aus: ftp://occams.dfci.harvard.edu/pub/bio/training/TIGRSpotfinder.ppt

14 MIDAS: Microarray Data Analysis System I

15 MIDAS: Microarray Data Analysis System II

16 MIDAS: Interne Dokumentation
Ausschnitt aus:

17 MeV: MultiExperiment Viewer I

18 MeV: MultiExperiment Viewer II

19 MeV: Interne Dokumentation
Ausschnitt aus:

20 MeV: Implementierte Clustering Methoden
HCL: Hierarchical clustering ST: Support Trees SOTA: Self Organizing Tree Algorithm RN: Relevance Networks KMC: K-Means/K-Medians Clustering KMS: K-Means / K-Medians Support CAST: Clustering Affinity Search Technique QTC: QT CLUST SOM: Self Organizing Maps GSH: Gene Shaving FOM: Figures of Merit PTM: Template Matching TTEST: T-tests SAM: Significance Analysis of Microarrays ANOVA: Analysis of Variance TFA: Two-factor ANOVA SVM: Support Vector Machines KNNC: K-Nearest-Neighbor Classification DAM: Discriminant Analysis Module COA: Correspondence Analysis PCA: Principal Components Analysis TRN: Expression Terrain Maps EASE: Expression Analysis Systematic Explorer

21 MADAM: MicroArray DAta Manager

22 MADAM: Interne Dokumentation
Ausschnitt aus: ftp://occams.dfci.harvard.edu/pub/bio/training/madam_4_0.ppt

23 Expression Profiler http://www.ebi.ac.uk/expressionprofiler/

24 Expression Profiler: Eingabemöglichkeiten

25 Auswahl eines Arrays aus ArrayExpress

26 Auswahl eines Arrays aus ArrayExpress

27 Expression Profiler - mögliche Sichten

28 Expression Profiler: Ergebnisse als Text-Datei

29 Expression Profiler: Ergebnisse grafisch I

30 Expression Profiler: Ergebnisse grafisch II

31 Expression Profiler: Ergebnisse grafisch III

32 Expression Profiler: Ergebnisse grafisch IV