一次微陣列實(shí)驗(yàn)?zāi)塬@得細(xì)胞在某一條件下的全基因組表達(dá)數(shù)據(jù)，包含成千上萬(wàn)個(gè)基因在細(xì)胞中的相對(duì)或豐度，不同條件(細(xì)胞周期的不同階段、藥物作用時(shí)間、腫瘤類型、不同病人等)下的全基因組表達(dá)數(shù)據(jù)就構(gòu)成了一個(gè)G×N的數(shù)據(jù)矩陣M，通常情況下G>>N，其中每一個(gè)元素

代表基因 i 在 N 個(gè)條件下的表達(dá)水平，稱為基因 i 的表達(dá)譜，列向量

 (8-1)

對(duì)基因表達(dá)數(shù)據(jù)進(jìn)行聚類、分類等數(shù)據(jù)分析之前，往往需要進(jìn)行預(yù)處理，包括對(duì)丟失數(shù)據(jù)進(jìn)行填補(bǔ)、清除不完整的數(shù)據(jù)或合并重復(fù)數(shù)據(jù)等數(shù)據(jù)清洗，根據(jù)分析的目的進(jìn)行數(shù)據(jù)過濾，以及針對(duì)分析方法選擇合適的數(shù)據(jù)轉(zhuǎn)換方法等。

數(shù)據(jù)清洗是數(shù)據(jù)分析前必須進(jìn)行的一項(xiàng)工作，對(duì)于基因表達(dá)數(shù)據(jù)，目的是去除表達(dá)水平是負(fù)值或很小的數(shù)據(jù)、或者明顯的噪聲數(shù)據(jù) ( 單個(gè)異常大或小的峰谷信號(hào) ) ，同時(shí)處理缺失數(shù)據(jù)。 DNA 微陣列實(shí)驗(yàn)得到的數(shù)據(jù)一般是經(jīng)過歸一化處理的，每個(gè)點(diǎn)的信號(hào)強(qiáng)度是前景信號(hào)減去背景信號(hào)，因此有時(shí)會(huì)出現(xiàn)負(fù)值或很小的值，顯然負(fù)值是沒有生物學(xué)意義的。對(duì)于這些數(shù)據(jù)點(diǎn)，通過數(shù)據(jù)清洗過程可以置為缺失或賦予統(tǒng)一的數(shù)值，例如，對(duì)于寡核苷酸芯片數(shù)據(jù)，可以將低于 100 的數(shù)據(jù)全部設(shè)置為 100 。 DNA 微陣列表達(dá)數(shù)據(jù)由于實(shí)驗(yàn)條件和芯片的因素，檢測(cè)得到的信號(hào)強(qiáng)度往往與細(xì)胞中實(shí)際的 mRNA 豐度之間沒有對(duì)應(yīng)關(guān)系，因此，通常是采用兩個(gè)條件下的信號(hào)強(qiáng)度的比值，例如，在 cDNA 微陣列雙色實(shí)驗(yàn)中，zui后得到的往往是 Ratio 值。而寡核苷酸單色實(shí)驗(yàn)的結(jié)果是信號(hào)強(qiáng)度，然而在處理一組數(shù)據(jù)時(shí)，也往往選擇一個(gè)樣本作為對(duì)照樣本，將實(shí)驗(yàn)數(shù)據(jù)轉(zhuǎn)換成 Ratio 值。在計(jì)算 Ratio 值時(shí)，如果參考樣本的信號(hào)強(qiáng)度很小，就可能得到很大的 Ratio 。如果一個(gè)基因譜中僅僅存在單個(gè)特別大的 Ratio 值，稱之為異常數(shù)據(jù)點(diǎn)，這往往是由于噪聲造成的。對(duì)于這個(gè)異常數(shù)據(jù)點(diǎn)，必須去除。數(shù)據(jù)的缺失對(duì)于某些后續(xù)數(shù)據(jù)分析方法(例如層次式聚類和 PCA )來說有著非常大的影響，甚至是致命性的，這時(shí)必須采取相應(yīng)的方法。一個(gè)簡(jiǎn)單方法是直接過濾掉這些存在缺失數(shù)據(jù)項(xiàng)的行向量或列向量。另一個(gè)方法是設(shè)定閾值，計(jì)算行向量或列向量中的缺失項(xiàng)數(shù)目，如果達(dá)到該閾值，則將該數(shù)據(jù)項(xiàng)所在行或列從數(shù)據(jù)矩陣 M 中刪除;如果沒有達(dá)到閾值但存在缺失項(xiàng)，對(duì)這些缺失項(xiàng)可以進(jìn)行插值。以 0 代替缺失項(xiàng)，或用基因表達(dá)譜中的平均值或中值進(jìn)行替代，這些方法都比較簡(jiǎn)單，但是否與真實(shí)值接近，很難進(jìn)行評(píng)估。較為復(fù)雜和可靠的方法是，分析基因表達(dá)譜的模式，從中得到相鄰數(shù)據(jù)點(diǎn)之間的關(guān)系，根據(jù)這種關(guān)系，利用相鄰數(shù)據(jù)點(diǎn)估算得到缺失值。這種方法類似于 k 近鄰方法，需要有足夠的完整的模式來發(fā)現(xiàn)有缺失值的相鄰模式，需要有足夠的值來確定它們的鄰居。

在細(xì)胞中，基因表達(dá)有時(shí)空特異性，在某一條件下，能夠表達(dá)的基因占基因總數(shù)的少部分，而大多數(shù)基因僅維持基礎(chǔ)轉(zhuǎn)錄或不轉(zhuǎn)錄，轉(zhuǎn)錄本豐度很小，因此， DNA 微陣列實(shí)驗(yàn)得到的數(shù)據(jù)矩陣中存在大量的基因表達(dá)譜曲線是平坦的，即基因表達(dá)水平變化很小。對(duì)于這些基因，往往不是生物學(xué)家所關(guān)心的，而它們的存在，卻會(huì)大大增加數(shù)據(jù)分析的復(fù)雜性，而且會(huì)對(duì)一些分析方法的結(jié)果有干擾。對(duì)這些數(shù)據(jù)進(jìn)行過濾是非常有必要的。要保留的基因表達(dá)譜究竟占總體數(shù)據(jù)的多少比例?這個(gè)問題是與分析目的密切相關(guān)的，例如對(duì)于分析細(xì)胞周期相關(guān)的基因表達(dá)，保留的基因可能較多;而對(duì)于腫瘤特異基因表達(dá)譜分析，保留的基因往往較少。過濾基因所采用的標(biāo)準(zhǔn)有：①基因表達(dá)譜中zui大值與zui小值的差;②標(biāo)準(zhǔn)差;③均方根;④值大于閾值的數(shù)據(jù)個(gè)數(shù)等。根據(jù)分析的對(duì)象和目的，可以選擇以上一個(gè)或多個(gè)標(biāo)準(zhǔn)，確定閾值，從而選擇基因表達(dá)譜。

基因表達(dá)譜數(shù)據(jù)經(jīng)過過濾，在進(jìn)行聚類分析等操作前，往往還需要進(jìn)行數(shù)據(jù)轉(zhuǎn)換。數(shù)據(jù)轉(zhuǎn)換是將數(shù)據(jù)變換為適合數(shù)據(jù)挖掘的形式，可以根據(jù)需要構(gòu)造出新的數(shù)據(jù)屬性以幫助理解分析數(shù)據(jù)的特點(diǎn)，或者將數(shù)據(jù)規(guī)范化，使之落在一個(gè)特定的數(shù)據(jù)區(qū)間中。因此，數(shù)據(jù)轉(zhuǎn)換包括對(duì)數(shù)轉(zhuǎn)換和標(biāo)準(zhǔn)化兩個(gè)過程。

許多 DNA 微陣列實(shí)驗(yàn)的結(jié)果是測(cè)量樣本與對(duì)照樣本間信號(hào)強(qiáng)度的 Ratio 值，對(duì)于 Ratio 值，在大多數(shù)情況下是轉(zhuǎn)換到對(duì)數(shù) (log) 空間中進(jìn)行處理，常用的對(duì)數(shù)底為 2, e, 10 ?？紤]時(shí)間序列上的基因表達(dá)數(shù)據(jù)，實(shí)驗(yàn)結(jié)果是相對(duì)于 0 時(shí)刻的表達(dá)水平。如 圖 8.1 所示，假設(shè)在時(shí)間點(diǎn) 1 ，基因的表達(dá)水平?jīng)]有改變，在時(shí)間點(diǎn) 2 ，上調(diào) 2 倍，而時(shí)間點(diǎn) 3 ，下調(diào) 2 倍，原始的比率值分別為 1.0 、 2.0 、 0.5 。在大多數(shù)應(yīng)用中，需要把上調(diào) 2 倍和下調(diào) 2 倍看作是變化的相同幅度，只是方向不同。在 Ratio 空間中，時(shí)間點(diǎn) 1 和 2 之間的差異是 +1.0 ，而時(shí)間點(diǎn) 1 和 3 之間是 -0.5 ，從數(shù)學(xué)角度看，上調(diào) 2 倍的數(shù)值是下調(diào) 2 倍的 2 倍。而在 log 空間中，(為了簡(jiǎn)化，用 2 為底)，這三個(gè)數(shù)據(jù)點(diǎn)分別為 0 、 1.0 、 -1.0 ，上調(diào) 2 倍與下調(diào) 2 倍是關(guān)于 0 對(duì)稱的。因此，對(duì)數(shù)轉(zhuǎn)換可以使小于 1 的值變大，大于 1 的值變小，從而使它們關(guān)于 0 對(duì)稱化，這種變換是否反映了一定的生物學(xué)意義，能更直觀的了解基因的上調(diào)或下調(diào)的幅度?尚沒有定論，但是對(duì)于大多數(shù)基因表達(dá)數(shù)據(jù)分析過程，都是在 log 空間中進(jìn)行的。

 (8-2)

 (8-4)

其中，，而要求數(shù)據(jù)滿足分布在 [a,b] 區(qū)間，則變換如下：

<img alt="基因表達(dá)數(shù)據(jù)的預(yù)處理策略" 基因表達(dá)數(shù)據(jù)的預(yù)處理策略"="" border="1" height="48" data-cke-saved-src="http://www.bio1000.com/uploads/allimg/120625/144223N48-10.png" src="http://www.bio1000.com/uploads/allimg/120625/144223N48-10.png" width="160" style="vertical-align: middle; border: 0px;"> (8-5)

還有一種數(shù)據(jù)標(biāo)準(zhǔn)化方法是數(shù)據(jù)的中心化。對(duì)于來自細(xì)胞系的大量腫瘤樣本與一個(gè)共同的對(duì)照樣本比較，每一個(gè)基因，相對(duì)于對(duì)照樣本中那個(gè)基因的表達(dá)水平，都有一系列的 Ratio 值。因?yàn)閷?duì)照樣本通常對(duì)實(shí)驗(yàn)沒有什么幫助，對(duì)照樣本中的基因表達(dá)量是獨(dú)立于分析的。這樣，可以通過調(diào)整每一個(gè)基因的數(shù)值來反映系列觀察值的變化，例如平均值或者中值。這就是平均值 / 中值中心化，中心化可以減少對(duì)照樣本的影響。中心化數(shù)據(jù)同樣可以用于去除某些類型的偏差。例如，許多雙色熒光雜交實(shí)驗(yàn)的結(jié)果沒有校正 Ratio 值的系統(tǒng)偏差，它們是由于 RNA 數(shù)量差異、標(biāo)記效率和圖像獲取參數(shù)偏差所造成的。這樣的偏差對(duì)于所有的基因與一個(gè)固定數(shù)值的 Ratio 有放大的效應(yīng)。在 log 空間的平均值和中值中心化有校正這種偏差的效果。數(shù)據(jù)中心化是基于這樣的一種假設(shè)，在特定的實(shí)驗(yàn)中，基因的平均值期望比率是 1.0( 在 log 空間中為 0) 。通常，更多的是使用中值中心化。

目前對(duì)數(shù)據(jù)預(yù)處理這種策略的作用還不是很清楚，還沒有人進(jìn)行系統(tǒng)的研究，提供有說服力的證據(jù)來幫助研究人員針對(duì)特定的任務(wù)選擇特定的數(shù)據(jù)預(yù)處理的策略和方法。在具體應(yīng)用時(shí)，往往是根據(jù)分析目的和個(gè)人經(jīng)驗(yàn)選擇不同的方法。