R 硅滴定与微阵列数据中观察到的表达之间的相关性

以下出版物使用滴定法评估微阵列数据差异分析的可能阈值。据我所知，相应的作者只是将一个数据集以两个样本组之间的不同比率混合几次，以模拟一个滴定实验，就像lumiBarnes Bioconductor软件包中的实验一样

我想在硅片上应用这种方法，但我不确定这是可能的还是一个好主意。给定两组名为c1、c2、c3、c4和d1、d2、d3、d4的数组。我可以通过在硅片中混合已经派生的数据集来执行类似的方法吗

举例来说：

100:0

75:25

50:50

参考资料： 杜平，张X，黄C-C，等。通过微阵列分析定量甲基化水平的β值和M值方法的比较。生物信息学。2010;11:587. 内政部：10.1186/1471-2105-11-587

卢米巴恩斯

在硅滴定中，我将通过按所需比率缩放/转换阵列信号（探针强度）来实现这一点。因此，在概念上类似于以下内容：

第一组：c1、c2、c3、c4
第二组：d1、d2、d3、d4

100:0
1*group1:0*group2

75:25
0.75*组1:0.25*组2

50:50
第1组：第2组

25:75 0.25*组1:0.75*组2

0:100
0*group1:1*group2

现在我想谈谈我对这个过程的看法/注意事项：

1） 缩放强度可能不会适当地表示阵列中的噪声（想想MA图）。根据缩放的方式，您需要确保所有强度都在检测的规格范围内，例如，阵列扫描仪可能在2^16饱和，因此任何强度都不应超过此值。同样，所有探针可能都有某种最小强度（类似于自动荧光）。我认为，由于阵列检测过程中存在一些地板，因此强度分布不仅应该降低，而且应该压缩

2） 对于100:0，您不希望将强度设置为0，而是随机采样底部5-10%的探头强度，或者采样阵列上的暗控制点以模拟阵列噪声

3） 有很多方法可以实现75:25的比例（3*g1:1*g2、1*g1:0.333*g2等）。我不确定哪一个是最好的，如果我做这个实验，我会避免3:1转换，因为它有可能“饱和”很多探针（见上文）

3） 校准/转换阵列强度可能根本不起作用，因为仪器设置可以在一定程度上克服滴定差异。例如，如果阵列上的信号较低，可以通过调整（增加）扫描仪上探测器的增益来解决。一般来说，当扫描阵列时，你的目标是使百分之几的斑点饱和

我建议这种方法的原因是基于你参考的论文。略过M&M，我所建议的更能代表他们在试验台上所做的工作，即在75:25的DNA混合中，你会期望一个样本的信号比另一个样本高出3倍。更改组中的样本数只会更改统计数据的计算方式，因为您正在更改df。在某些情况下（当一组中只有一个相同的样本时），统计数据计算可能会失败，因为无法获得每个探测的良好方差估计

我想知道这是否有效，听起来像是一个有趣的练习

---

祝你好运

100:0和50:50有什么区别？嗨，对不起，我修好了。100:0表示由两个组组成的原始数据集与仅由一个组组成的数据集。我找不到类似“硅滴定”的数据生成。但我很好奇这是否曾经尝试过，而且很可能被拒绝。对不起，我没有注意到你的回答。谢谢我有一段时间没有研究这种方法。给我一些时间来回应。

c1,c2,c3,c4,d1,d2,d3,d4
c1,c2,c3,c4,c1,c2,c3,c4

c1,c2,c3,c4,d1,d2,d3,d4
c1,c2,c3,c4,c1,c2,d3,d4

c1,c2,c3,c4,d1,d2,d3,d4
c1,c2,c3,c4,d1,d2,d3,d4