{{{sourceTextContent.title}}}

Microarray und Bioinformatik

{{{sourceTextContent.subTitle}}}

Ein „Microarray“ ist ein Labordia, das vom Glas gemacht wird, dessen Oberfläche mit Tausenden der kleinen Poren in definierten Positionen versehen wird. Es funktioniert unter dem Prinzip der Hybridation der ergänzenden Stränge von DNA und ermöglicht uns, Ausdrücke von mehrfachen Genen in einer Reaktion in einer effektiven Art zu analysieren.

{{{sourceTextContent.description}}}

Die Daten erzeugten durch die Microarraytechnologie werden erfasst und gespeichert in einem Computer mithilfe eines Bildscanners. Da diese Daten in den großen Mengen gefunden werden, ist es schwierig sogar für statistische Experten, die Analyse unter Verwendung der traditionellen Methoden durchzuführen. Das Problem hat sich gedreht, um ein in hohem Grade wichtiges zu sein, zum gewendet zu erhalten, besonders das Entstehen wegen der Qualität und der Standardisierung der Daten anficht, die durch diese Technologie vorgelegt werden. So werden Bioinformatikwerkzeuge erfunden.

Bioinformatik

Bioinformatik ist das interdisziplinäre Feld der Wissenschaft, die gebildet wird, indem man andere Bereiche wie Biologie, Mathematik, Informatik und Statistiken kombiniert. Der Zweck dieser Technologie ist, Methoden für Lagerung und Wiederaufnahme von komplexen biologischen Daten sowie von ihrer Analyse zu entwickeln.

In der Microarrayanalyse führen diese engagierten Werkzeuge statistische Analyse, Beispielvergleiche durch, und Funktionsinterpretation der Daten produzierte in einer Reihenart nach Sichtbarmachung und Normalisierung. Abgesehen von diesem indem es Genexpressionsdaten mit bereits vorhandenen biologischen Informationen vergleicht, liefert sie einige Arten Entdeckungen einschließlich Analyse der Übertragungsfaktorbindungsstelle, Bahnanalyse und Netzplantechnikproteinproteininteraktion.

Das „Bioconductor“ ist eins der wichtigen Werkzeuge, die in der Microarrayanalyse benutzt werden. Es ist eine offene Quelle und offenes ein Programmentwicklungssoftwareprojekt, die auf der Programmiersprache R basieren.

Anwendung von Bioinformatik in der Microarrayanalyse:

Die resultierenden Daten von der Microarraytechnologie werden in einem Prozess analysiert, der drei Phasen umfasst:

Primäranalyse

Skalierung und Normalisierung

Ausführliche Analyse

a) Primäranalyse: In diesem Schritt wird die Qualität der Daten, die von jeder Reihe erhalten werden, überprüft, indem man überprüft, ob Hybridation, die Kennzeichnung, das Scannen, etc., richtig getan werden. Hier werden alle unnötigen und minderwertigen Daten beseitigt.

b) Skalierung und Normalisierung: Diese sind die zwei Methoden, die miteinbezogen werden, wenn man die Daten reguliert, die von jeder gesammelt werden, kleidet. Dieses wird getan, um leistungsfähig und einfacher zu vergleichen.

Pro-Chipnormalisierungsskalierung/Prochipnormalisierung ist eine Methode, in der die Gesamtfluoreszenz jeder Reihe auf eine durchschnittliche Intensität justiert wird, damit die Helligkeit jeder Probe die selbe wird.

Pro-Gennormalisierung/Normalisierung ist ein Prozess, in dem die Quellen von Veränderungen, die beeinflussen können, die gemessenen Ausdruckniveaus des Gens entfernt werden. Es gibt viele Methoden für Normalisierung, aber es ist schwierig, zu entscheiden, welches das Beste ist.

c) Ausführliche Analyse ist der dritte Schritt, wenn sie Microarraydaten analysiert. Basiert auf der Art des Experimentes, werden Testabhängiger auf Statistiken und Filter hier angewendet, um Gene zu kategorisieren, deren Ausdrücke in den verschiedenen Proben geändert werden. Einfache Analyse ist für weniger Proben während für viele Proben, hoch entwickelteres „Gruppieren erfolgt und Klassifikation“ wird verwendet.

Die einfachste Analyse: Die Entstörung ist die Methode, die angewendet wird, um die Daten von weniger Proben zu analysieren. „Filter auf Flaggen“ und „Filter auf Faltenänderung“ sind die zwei Hauptansätze, die bei der Entstörung verwendet werden.

Die Flagge ist ein qualitatives Maß, das vom rohen Ausdruckergebnis begleitet wird. Sie überprüft die statistischen Unterschiede der Gene vom Hintergrund und erlaubt die Entstörung von nur genau messbaren Genen.

‚Filter auf Faltenänderung‘ ist eine grundlegende Entstörungsmethode, die indem er Faltenänderung erfolgt ist, vergleicht. Er wird verwendet, um Gene zu identifizieren, die mindestens in den experimentellen Bedingungen zweifaches unterschiedliches sind.

Moderne Analyse: Das Gruppieren und die Klassifikation sind die Methoden, die angewendet werden können, um extrem komplexe Microarraydaten zu analysieren. Jedoch da die Daten, die durch diese Methoden analysiert werden, in der Quantität zu groß sind, ist es besser, die Daten zuerst zu filtern und sie gemäß des Bedarfs zu begrenzen.

Cluster-Analyse: Diese Methode, die verschiedenes die überwachten/unüberwachten Techniken des Gruppierens von Verteilungen die Gene in verschiedene Gruppen miteinbezieht, besonders wenn die Probe aus verschiedenen Arten von Genen besteht. Es ist eine berühmte Technik, die für das Analysieren der Datenmatrix der Genexpression verwendet wird

Die drei allgemeinen gruppierenden Methoden sind, wie folgt:

Hierarchisches Gruppieren: Eine unüberwachte Technik, in der Gruppen von Genen mit den ungefähr gleichen Mustern des Ausdrucks errichtet werden, indem man zusammen Gene gruppiert, die groß in den Ausdruckmaßen bezogen werden. Alle Gene werden in Form von Blättern auf einem Verzweigungsbaum im dendrogram dargestellt.

K-Durchschnitt-Gruppieren: Dieses ist ein Data - Mining-Algorithmus, der verwendet wird, wenn man die Daten in Gruppen ohne frühere Informationen über die Verhältnisse sich gruppiert.

Selforganizing Karten (SOM): Eine neurale Netz-ansässige unhierarchiche gruppierende Annäherung, die wie das K-Durchschnittgruppieren arbeitet.

Klassifikation (Klassenvorhersage/überwachtes Lernen/diskriminierende Analyse): In dieser Methode wird eine Gruppe preclassified Beispiele genannt. Im Vergleich zu dem finden die Klassifikatoren worden eine neue Regel, damit die neuen Proben in irgendwelche der bereits gegebenen Klassen zugewiesen werden können. Das Probeheft sollte für die Ausbildung eines Algorithmus genügend sein und ihn auf einer neuen Gruppe Proben prüfen. Genexpressionsdaten, die normalisiert werden, werden als Inputvektoren für errichtende Klassifikationsregeln verwendet.