The task of analyzing microarray da

The task of analyzing microarray data is often at least as much an art as a science, and it typically consumes considerably more time than the laboratory protocols required to generate the data. Part of the challenge is assessing the quality of the data and ensuring that all samples are comparable for further analysis.

Normalization of the raw data, which controls for technical variation between arrays within a study, is essential [7]. The challenge of normalization is to remove as much of the technical variation as possible while leaving the biological variation untouched. This is a big challenge, and here we only touch upon the main issues. First, visualization of the raw data is an essential part of assessing data quality, choosing a normalization method, and estimating the effectiveness of the normalization. Many methods for visualization, quality assessment, and data normalization have been developed (see [9] for a review, Text S1, and Figure S1). Related issues of background adjustment and data “summarization” (reducing multiple probes representing a single transcript to a single measurement of expression) for Affymetrix arrays are well introduced in chapter 2 of [10].

Clustering is a way of finding and visualizing patterns in the data. Many papers and indeed books have been written on this topic (see e.g., [11]–[13] and Text S1). Different methods highlight different patterns, so trying more than one method can be worthwhile. Note that while clustering finds predominant patterns in the data, those patterns may not correspond to the phenotypic distinction of interest in the experiment. To identify gene expression patterns related to this distinction, more directed methods are appropriate.

ผลลัพธ์ (ไทย) 1:

งานวิเคราะห์ข้อมูล microarray มักน้อยมากศิลปะศาสตร์ และโดยทั่วไปใช้เวลามากขึ้นไปกว่าโพรโทคอลที่ห้องปฏิบัติการที่จำเป็นในการสร้างข้อมูล ส่วนหนึ่งของความท้าทายการประเมินคุณภาพของข้อมูล และมั่นใจว่า ตัวอย่างทั้งหมดเทียบเท่าสำหรับการวิเคราะห์เพิ่มเติมฟื้นฟูข้อมูลดิบ การควบคุมความผันแปรทางเทคนิคระหว่างอาร์เรย์ในการศึกษา เป็นสิ่งสำคัญ [7] ความท้าทายของการฟื้นฟูคือการ เอารูปแบบเทคนิคสุดขณะขาวละเอียดการเปลี่ยนแปลงทางชีวภาพมากที่สุด นี้เป็นความท้าทายใหญ่ และที่นี่เราเพียงสัมผัสเมื่อออก ครั้งแรก ภาพแสดงข้อมูลดิบเป็นเป็นส่วนสำคัญของการประเมินคุณภาพข้อมูล เลือกวิธีการฟื้นฟู และการประเมินประสิทธิผลของการฟื้นฟู วิธีในการแสดงภาพประกอบเพลง การประเมินคุณภาพ และฟื้นฟูข้อมูลได้ถูกพัฒนาขึ้น (ดู [9] สำหรับการตรวจทาน ข้อความ S1 รูป S1) ที่เกี่ยวข้องกับปัญหาของพื้นหลังการปรับปรุงและข้อมูล "สรุปความ" (ลดคลิปปากตะเข้หลายแทนเสียงบรรยายเดียววัดนิพจน์เดียว) สำหรับ Affymetrix อาร์เรย์ดีได้รับการแนะนำในบทที่ 2 [10]คลัสเตอร์เป็นวิธีการค้นหา และแสดงผลรูปแบบข้อมูล หลายเอกสาร และแน่นอนหนังสือเล่มได้ถูกเขียนในหัวข้อนี้ (เช่น ดู [11] - [13] และข้อความ S1) วิธีการต่าง ๆ เน้นรูปแบบ เพื่อพยายามหลายวิธีได้อย่างคุ้มค่า โปรดสังเกตว่า ในขณะที่คลัสเตอร์พบกันรูปแบบข้อมูล รูปแบบเหล่านั้นอาจไม่ตรงกับไทป์แตกน่าสนใจในการทดลอง เพื่อระบุรูปแบบนิพจน์ยีนที่เกี่ยวข้องกับความแตกต่าง ขึ้นตรงวิธีการที่เหมาะสม

ผลลัพธ์ (ไทย) 2:

งานของการวิเคราะห์ข้อมูล microarray มักจะเป็นอย่างน้อยเท่าศิลปะเป็นวิทยาศาสตร์และมันมักจะเปลืองเวลามากเกินกว่าโปรโตคอลห้องปฏิบัติการที่จำเป็นในการสร้างข้อมูล เป็นส่วนหนึ่งของความท้าทายในการประเมินคุณภาพของข้อมูลและสร้างความมั่นใจว่าทุกตัวอย่างมีการเทียบเคียงสำหรับการวิเคราะห์ต่อไป. ปกติของข้อมูลดิบซึ่งควบคุมสำหรับการเปลี่ยนแปลงทางเทคนิคระหว่างอาร์เรย์ในการศึกษาเป็นสิ่งสำคัญ [7] ความท้าทายของการฟื้นฟูคือการลบเท่าของการเปลี่ยนแปลงทางเทคนิคที่เป็นไปได้ขณะที่ออกจากการเปลี่ยนแปลงทางชีวภาพแตะต้อง นี่คือความท้าทายที่ยิ่งใหญ่และที่นี่เราจะลามปามประเด็นหลัก ครั้งแรกที่ภาพของข้อมูลดิบเป็นส่วนสำคัญของการประเมินคุณภาพของข้อมูลการเลือกวิธีการฟื้นฟูและการประเมินประสิทธิภาพของการฟื้นฟูที่ หลายวิธีสำหรับการแสดงการประเมินคุณภาพและการฟื้นฟูข้อมูลที่ได้รับการพัฒนา (ดู [9] สำหรับรีวิวข้อความเอส 1 และรูปที่ S1) ปัญหาที่เกี่ยวข้องกับการปรับพื้นหลังและข้อมูล "สรุป" (ลด probes หลายคิดเป็นหลักฐานเดียวที่จะวัดเดียวในการแสดงออก) สำหรับอาร์เรย์ Affymetrix ได้ถูกนำเสนอเป็นอย่างดีในบทที่ 2 ของ [10]. การจัดกลุ่มเป็นวิธีการค้นหาและแสดงผลในรูปแบบที่ ข้อมูล เอกสารจำนวนมากและแน่นอนหนังสือได้รับการเขียนเกี่ยวกับหัวข้อนี้ (ดูเช่น [11] - [13] และข้อความ S1) วิธีการที่แตกต่างกันเน้นรูปแบบที่แตกต่างกันจึงพยายามมากกว่าหนึ่งวิธีที่สามารถจะคุ้มค่า โปรดทราบว่าในขณะที่การจัดกลุ่มพบว่ารูปแบบที่โดดเด่นในข้อมูลรูปแบบเหล่านั้นอาจไม่ตรงกับความแตกต่างฟีโนไทป์ที่น่าสนใจในการทดลอง เพื่อระบุรูปแบบการแสดงออกของยีนที่เกี่ยวข้องกับความแตกต่างนี้วิธีการกำกับที่มีความเหมาะสมมากขึ้น

ผลลัพธ์ (ไทย) 3:

งานวิเคราะห์ข้อมูล microarray มักจะอย่างน้อยเท่าศิลปะเป็นศาสตร์ และมันมักจะใช้เวลามากขึ้นกว่าปฏิบัติการโปรโตคอลต้องสร้างข้อมูล ส่วนหนึ่งของความท้าทาย คือ การประเมินคุณภาพของข้อมูล และมั่นใจว่ากลุ่มตัวอย่างจะเปรียบสำหรับการวิเคราะห์ต่อไป

ปกติของดิบข้อมูลซึ่งการควบคุมทางเทคนิคการเปลี่ยนแปลงระหว่างอาร์เรย์ภายในการศึกษาเป็นสิ่งจำเป็น [ 7 ] ความท้าทายของการฟื้นฟูเพื่อลบมากของการเปลี่ยนแปลงทางเทคนิคที่เป็นไปได้ในขณะที่ออกจากความแปรผันทางชีววิทยามิได้ถูกแตะต้อง นี้เป็นความท้าทายที่ยิ่งใหญ่ และที่นี่เราเพียงสัมผัสกับประเด็นหลัก ก่อนการแสดงของข้อมูลที่เป็นส่วนสำคัญของการประเมินคุณภาพข้อมูลการเลือกวิธีการฟื้นฟู และประเมินประสิทธิผลของการฟื้นฟู . " วิธีการหลายวิธีสำหรับการ ประเมินคุณภาพ และการฟื้นฟูข้อมูลที่ได้รับการพัฒนา ( ดู [ 9 ] เพื่อตรวจสอบข้อความและรูป S1 S1 )ประเด็นที่เกี่ยวข้องกับการปรับตัวของพื้นหลังและข้อมูล " สรุป " ( ลดหลายวัดแสดงสำเนาเดียวเป็นวัดเดียวในการแสดงออกเพื่อ affymetrix อาร์เรย์จะรู้จักดีในบทที่ 2 [ 10 ] .

เข้ากลุ่มเป็นวิธีการค้นหาและแสดงผลในรูปแบบข้อมูล เอกสารมากมาย และแน่นอนหนังสือได้รับการเขียนในหัวข้อนี้ ( ดูเช่น [ 11 ] - [ 13 ] และข้อความ S1 )วิธีการต่าง ๆ เน้นลวดลายที่แตกต่างกัน จึงพยายามมากกว่าหนึ่งวิธีที่สามารถจะคุ้มค่า โปรดทราบว่าในขณะที่การจัดกลุ่มพบลวดลายเด่นในข้อมูล รูปแบบเหล่านั้นอาจไม่สอดคล้องกับความแตกต่างที่ใกล้เคียงที่น่าสนใจ ในการทดลอง เพื่อศึกษาการแสดงออกของยีนที่เกี่ยวข้องกับความแตกต่างของรูปแบบนี้มากขึ้น โดยวิธีการที่เหมาะสม .