手把手教你处理illumina beadchip芯片数据

在NAD+代谢相关的文献中，使用了两批illumina beadchip的芯片数据进行分析，本文以其中一篇数据为例，详细展示该平台的数据处理流程。

GSE112676包含741个样本的全血基因表达谱数据，链接如下

https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE112676

该数据的处理流程在以下文献中有详细描述

https://translational-medicine.biomedcentral.com/articles/10.1186/s12967-019-1909-0

可以分为以下几步

1. 下载GenomeStudio导出的数据

GenomeStudio是处理illumina原始芯片的软件，在数据库中提供了该批数据的导出结果

该文件的内容如下

每一行为一个探针，每个样本用两列表示，第一列是AVG_Signal, 表示探针的荧光信号强度，第二列为Detection_Pval, 表示检测信号的p值。

2. 进行pvalue 的校正

计算荧光信号强度与检测p值的相关性，代码如下

> x <- read.table('GSE112676_HT12_V3_preQC_nonnormalized.txt', header = T, sep = '\t', row.names = 1)> sample_cnt <- ncol(x) / 2> # 计算pvalue 和 intensity 之间的相关性> spearman_cor <- unlist(lapply(1:sample_cnt, function(t){+ res <- cor.test(x[[t * 2 - 1]], x[[t * 2]], method='spearman')+ res$estimate+ }))There were 50 or more warnings (use warnings() to see the first 50)>> # 统计相关系数的分布> length(spearman_cor[spearman_cor > 0.9])[1] 221> length(spearman_cor[spearman_cor < -0.9])[1] 520

可以看到，正如文章中所说，520个样本的相关性小于-0.9, 221个样本的相关性大于0.9， 整体样本分为明显的两类，一类正相关，一列负相关。为了使整体保持一致，将占比较少的正相关样本的p值，改为1-P, 代码如下

> # 校正p值> for(t in which(spearman_cor > 0.9)) {+     x[[t * 2]] <- 1 - x[[t * 2]]+ }> # 校正后重新查看相关系数的分布> spearman_cor <- unlist(lapply(1:sample_cnt, function(t){+     res <- cor.test(x[[t * 2 - 1]], x[[t * 2]], method='spearman')+     res$estimate+ }))There were 50 or more warnings (use warnings() to see the first 50)>>> length(spearman_cor[spearman_cor > 0.9])[1] 0> length(spearman_cor[spearman_cor < -0.9])[1] 741

可以看到，校正之后，所有的样本都为负相关。

3. 背景校正和归一化

文献中描述的方法如下

使用limma包进行处理，背景校正选择normexp方法，归一化选择quantile方法，代码如下

> # 读取 illumina beadchip， 读取校正后的数据> RG <- read.ilmn('GSE112676_HT12_V3_preQC_nonnormalized.adjust.pvalue.txt', ctrlfiles = NULL)Reading file GSE112676_HT12_V3_preQC_nonnormalized.adjust.pvalue.txt ... ...> # 背景校正 normal–exponential convolution model> RG <- backgroundCorrect(RG, method='normexp')Array 1 correctedArray 2 correctedArray 3 corrected....Array 739 correctedArray 740 correctedArray 741 corrected> # quantile 归一化> RG <- normalizeBetweenArrays(RG, method='quantile')> dim(RG)[1] 48803 741

预处理之后，得到了741个样本共48803个探针水平的表达量。

4.  提取基因水平的表达量

由于一个基因对应多个探针，在该文献中，只使用表达量最高的探针作为该基因的表达量。以上就是一个完整的illumina芯片的数据处理流程。

·end·