GEO : Affymetrix CEL文件 CDF文件 R语言处理方法

gene

背景介绍：
1）Affymetrix：
Affymetrix的探针（proble）一般是长为25碱基的寡聚核苷酸；探针总是以perfect match 和mismatch成对出现，其信号值称为PM和MM，成对的perfect match 和mismatch有一个共同的affyID。
CEL文件：信号值和定位信息。
CDF文件：探针对在芯片上的定位信息
Affymetrix exon array ：Affymetrix的外显子芯片
2）exonmap包：
用来分析Affymetrix的外显子芯片（需要用到affy包）。(http://www.bioconductor.org/packages/2.0/bioc/html/exonmap.html；http://rss.acs.unt.edu/Rdoc/library/exonmap/html/00Index.html）
3) affy包：
分析Affymetrix寡聚核苷酸芯片的包 （http://ugrad.stat.ubc.ca/R/library/affy/html/00Index.html）。
3）X:MAP数据库：
利用Ensemble数据库和Affymetrix的注释数据，实现探针，外显子，基因，转录产物之间的转换。(http://xmap.picr.man.ac.uk)
4）CDF包：
是Bioconductor的metadata包中的一种，从CDF文件中提取探针在芯片上的定位信息，然后存在CDF包中。更多的metadata包见：http://www.bioconductor.org/data/metaData.html。外显子芯片的CDF包可从http://xmap.picr.man.ac.uk/download/下载。

准备工作：
1）安装并导入包：exonmap，affy, CDF包（如：exon.pmcdf）。
2）数据（*.CEL文件）和数据描述文件（空白符分隔的文件，默认名为covdesc）放在一个文件夹中，并设置这个文件夹为R的当前目录。covdesc的第一列是CEL文件的名称，其它列是实验的描述信息（如：正常，疾病）。注意：covdesc的第一列没有列标题，而其它列有列标题。

数据分析：
1）读取数据?
read.exon()函数用来读取CEL文件的数据；exon.pmcdf是Human的外显子CDF包；rma是affy包里的函数，用Robust Multi-Array Average expression measure方法把AffyBatch 格式的数据转换成exprSet。示例程序：
raw.data <- read.exon()if (exists(raw.data)) { raw.data@cdfName <- "exon.pmcdf" x.rma <- rma(raw.data)}
2）挑选差异表达的探针：
pc()函数返回一个PC类的对象，包括两部分fc和tt，fc是log2 fold change，而tt是t检验的P值。示例程序：
pc.rma <- pc(x.rma, "group", c("a", "b"))sigs <- names(fc(pc.exonmap))[abs(fc(pc.exonmap)) > 1 & tt(pc.exonmap) <1e-04]
3）探针，外显子，基因，转录产物之间的转换：
需要用到X:MAP数据库。示例程序：  


xmapDatabase("Human")sig.exons <- probeset.to.exon(sigs)sig.genes <- probeset.to.gene(sigs) 函数probeset.details,exon.details，transcript.details 和gene.details可用来提取细节的注释信息。

4）探针过滤：
探针根据其匹配到基因组上的次数和质量被分为四类，select.probewise()和exclude.probewise()函数可用来选择和去掉某类的探针。示例程序：
select.probewise(sigs, filter = "intronic")sigs.nomt <- exclude.probewise(sigs, filter = "multitarget")
四类探针：
"intronic"： 匹配上1个基因，但没匹配上外显子。
“exonic”： 在基因组上仅匹配上一次，且匹配上1个基因里的1个外显子。
"multitarget"：至少一个探针在基因组上有两次匹配。
“intergenic”： 在基因组上仅匹配上一次，且没有匹配到基因。

5）基因的图形展示：
plot.gene()函数用来图形展示基因，还可以根据信号值，fold change，t检验的P值使用不同的颜色。其它的画图函数：plot.gene.graph()，gene.strip()。示例程序：
plot.gene("ENSG00000141510")plot.gene("ENSG00000141510", x.rma, 1:3, 4:6)plot.gene.graph("ENSG00000082175", x.rma, 4:6, 1:3, draw.exon.border = F,scale.to.gene = F, ylim = c(0, 16), type = "median-int")gene.strip(c("ENSG00000141510", "ENSG00000082175"), x.rma, 1:3, 4:6, type = "mean-fc")
6）可变剪切（Splicing index和Splicing ANOVA）：
Splicing index是外显子探针和基因表达值得比值，可用来衡量两类样本间外显子的特异表达。Splanova()函数用MIDAS（）方法，衡量多类样本间的可变剪切，给出探针的F值和显著性。示例程序：
si <- splicing.index(x.rma, c("ENSG00000141510", "ENSG00000082175"), "group", c("a", "b"))
更细节的关于Splicing index和Splicing ANOVA的说明，见：Affymetrix的文档“Alternative transcript analysis methods for exon arrays”.（http://www.affymetrix.com/support/technical/whitep...script_analysis_whitepaper.pdf）。


分析exon array
R有两个显著的优势：
1. Bioconductor里有很多针对生物芯片的分析包，这些包的效率肯定比自己写程序分析要好。
2. R是开源软件，有在linux下的版本，可以很方便的在自己的linux系统或服务器上使用。  
还有点要说明的，"exonmap"这个包好像需要下载“Ensemble”，很大的，不是很方便，但我也没找到别的专门分析exon array的包。