原创 2016-05-28 freescience 弗雷赛斯 弗雷赛斯 freescience Freescience由浙江大学医学院几个硕博士发起创建,旨在最广泛分享有价值的科研技能和知识;FreeScience的宗旨:“科学自由分享、人人平等,共求真理”。
回顾下往期的还原分析的流程:
一般统计方法取决于实验设计,两组的配对差异比较,一般选用配对t检验,两组非配对的差异比较,选用非配对的t检验。 对于每组样本数较小的情况下建议使用随机方差的t检验来矫正P值。当然用这种传统的统计方法会产生大量的假阳性基因,但用保守的多重比较去严格修正,对于大多数的基因芯片分析是不合适的。而多元置换检验的方法或SAM(Statistical Analysis of Microarrays)算法可以根据给定的置信度和假阳性率阈值下得到权衡的基因,是基因芯片分析的流行算法。传统的统计方法尽管在发现个别基因的统计学效力受到假阳性的限制,但芯片实验目的是寻找差异分子进行后续的实验分析,从这角度来说传统的差异全局检验仍然具备较好的效果,适用于一般的差异分析。
从指导实验方向来说,功能富集分析是非常有效的生物学解释方式。通过分析得到感兴趣的通路和功能来进行实验验证,就像是故事中的线索一样,起到承上启下的作用。而在这个过程中,对于纳入多少差异基因来进行富集分析就值得讨论了,纳入基因太多就会分析出许多的功能通路,这样就难以选择,无法起到线索的作用。反之,纳入太少就得到较少的功能通路或者富集不到任何通路功能。我们可以通过差异分析的差异倍数和p值来控制差异基因列表的大小,从严到宽的多次调整,来达到适合功能富集分析的目的。 基因芯片分析除了寻找到差异的基因及相关的重要通路,是否还能对分子间直接调控机制进行预测,这对指导实验来说意义会更大。当然这种分析就涉及到不同分子类型的数据关联分析了,例如miRNA-mRNA,转录因子-mRNA,甲基化- mRNA的机制调控,严谨的实验设计是对同一个样本进行多层面上的基因芯片检测,例如一个样本同时做miRNA芯片和mRNA芯片。这样的原则下,分子调控的预测是比较可靠的。 从某种角度来说,人体内的分子都是互相关联,联系的,就像社会网络一样。重要的分子就像明星名人一样,大家都认识关注她,直接受到她的影响。而对于普通人来说,间接通过几次社交拓展可以联系到世界上任何一个人。我们可以从网络理论去寻找一些重要的明星分子即所谓的“hub node”,或者根据相似的模式去定义一些重要的功能模块,就像是现实社会中的俱乐部,交际圈,协会一样的概念。通过构建生物网络,从整体系统的角度去认识疾病,从而去寻找到可以作为标志物或治疗靶标的“hub node”或模块。未来随着医学知识的不断积累,生物网络计算的不断完善,我们甚至可以通过生物网络直接推演和模拟疾病的发生发展过程,对关键结点干预,从而攻破疾病。 |
|