{{{sourceTextContent.title}}}

Microarray et bio-informatique

{{{sourceTextContent.subTitle}}}

Un « microarray » est une glissière de laboratoire faite de verre dont la surface est équipée de milliers de petits pores en positions définies. Cela fonctionne sous le principe de l'hybridation des brins complémentaires de l'ADN et nous permet d'analyser des expressions des familles multigéniques dans une réaction d'une façon efficace.

{{{sourceTextContent.description}}}

Les données se sont produites par la technologie de microarray sont recueillies et sauvées dans un ordinateur à l'aide d'un scanner d'image. Car ces données sont trouvées dans les grands nombres, il est difficile même que les experts statistiques exécutent l'analyse suivre des méthodes traditionnelles. Le problème a tourné pour être fortement important à obtenir adressé, conteste particulièrement surgir dû à la qualité et à la standardisation des données produites par cette technologie. Ainsi, des outils de bio-informatique sont inventés.

Bio-informatique

La bio-informatique est le champ interdisciplinaire de la science qui est constituée en combinant d'autres secteurs comme la biologie, mathématiques, de l'informatique, et des statistiques. Le but de cette technologie est de développer des méthodes pour le stockage et la récupération des données biologiques complexes aussi bien que de leur analyse.

Dans l'analyse de microarray, ces outils consacrés effectuent l'analyse statistique, comparaisons d'échantillon, et l'interprétation fonctionnelle des données a produit d'une façon de série après la visualisation et la normalisation. Indépendamment de ceci, en comparant des données d'expression du gène à l'information biologique déjà existante, elle fournit plusieurs genres de découvertes comprenant l'analyse de l'accepteur de facteur de transcription, l'analyse de voie, et l'interaction de protéine-protéine d'analyse réseau.

Le « Bioconductor » est l'un des outils importants utilisés dans l'analyse de microarray. C'est une source ouverte et un projet de logiciel ouvert de développement basés sur le langage de programmation de R.

Application de bio-informatique dans l'analyse de microarray :

Les données résultantes de la technologie de microarray sont analysées dans un processus qui inclut trois phases :

Analyse primaire

Graduation et normalisation

Analyse en profondeur

a) Analyse primaire : Dans cette étape, la qualité des données obtenues à partir de chaque rangée est vérifiée en vérifiant si l'hybridation, l'étiquetage, le balayage, etc., sont faits correctement. Ici, on élimine toutes les données inutiles et de basse qualité.

b) Graduation et normalisation : Ce sont les deux méthodes qui sont impliquées en réglant les données rassemblées de chacune rangent. Ceci est fait pour faciliter la comparaison efficace et.

la graduation de normalisation de Par-puce/normalisation de par-puce est une méthode dans laquelle la fluorescence globale de chaque rangée est ajustée sur une intensité moyenne de sorte que l'éclat de chaque échantillon devienne le même.

la normalisation de Par-gène/normalisation est un processus dans lequel les sources des variations qui peuvent affecter les niveaux mesurés d'expression du gène sont enlevées. Il y a beaucoup de méthodes pour la normalisation, mais il est difficile de décider ce qui est le meilleur.

c) L'analyse en profondeur est la troisième étape en analysant des données de microarray. Basé sur la nature de l'expérience, la personne à charge d'essais sur des statistiques et les filtres sont appliqués ici pour classer les gènes par catégorie dont les expressions sont modifiées dans divers échantillons. L'analyse simple est faite pour moins échantillons tandis que pour un grand nombre d'échantillons, un « groupement plus sophistiqué et la classification » est employée.

L'analyse la plus simple : Le filtrage est la méthode employée pour analyser les données de moins échantillons. Le « filtre sur des drapeaux » et le « filtre sur le changement de pli » sont les deux approches principales utilisées dans le filtrage.

Le drapeau est une mesure qualitative qui est accompagnée du score cru d'expression. Il vérifie les différences statistiques des gènes du fond et permet le filtrage exactement des gènes seulement mesurables.

Le “filtre sur le changement de pli” est une méthode de filtrage de base faite en comparant le changement de pli. Il est employé pour identifier les gènes qui sont au moins différents double dans les conditions expérimentales.

Analyse avancée : Le groupement et la classification sont les méthodes qui peuvent être employées pour analyser des données extrêmement complexes de microarray. Cependant, car les données analysées par ces méthodes sont trop grandes dans la quantité, il vaut mieux de filtrer les données d'abord et de les limiter selon les besoins.

Analyse de groupe : Cette méthode qui implique techniques dirigées/non surveillées divers de grouper des clivages les gènes dans différents groupes, particulièrement quand l'échantillon se compose de différents types de gènes. C'est une technique célèbre utilisée pour analyser la matrice de données de l'expression du gène

Les trois méthodes de groupement communes sont comme suit :

Groupement hiérarchique : Une technique non surveillée dans laquelle des groupes de gènes sont construits avec les approximativement mêmes modèles de l'expression en groupant les gènes ensemble qui sont considérablement rapportés dans des mesures d'expression. Tous les gènes sont représentés sous forme de feuilles sur un arbre de embranchement dans le dendrogram.

Groupement de K-moyens : C'est un algorithme d'exploitation de données qui est employé en groupant les données dans des groupes sans l'information préalable sur les relations.

Cartes à organisation autonome (SOM) : Une approche de groupement non hiérarchique basée sur réseau neurale qui fonctionne comme le groupement de K-moyens.

Classification (prévision de classe/étude dirigée/analyse discriminante) : Dans cette méthode un groupe d'exemples preclassified sera donné. En comparaison de cela, les classificateurs trouveront une nouvelle règle, de sorte que les nouveaux échantillons puissent être assignés dans les classes déjà données l'unes des. Le nombre d'échantillon devrait être suffisant pour former un algorithme et l'examiner sur un nouveau groupe d'échantillons. Des données d'expression du gène qui sont normalisées ser des vecteurs d'entrée pour des règles de construction de classification.