La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Espressione genica External input Endogenous input.

Presentazioni simili


Presentazione sul tema: "Espressione genica External input Endogenous input."— Transcript della presentazione:

1 Espressione genica External input Endogenous input

2 Microarray per l’analisi dell’espressione genica

3 Diagramma di flusso operativo di un esperimento microarray Disegno dell’esperimento Preparazione dei campioni ed ibridazione Sottomissione dell’esperimento a database pubblici Analisi statistica, validazione e annotazione dei risultati Pre-trattamento e normalizzazione dei dati Quantizzazione dei dati grezzi definizione dell’ipotesi biologica indagata identificazione di fattori di confondimento e schema di ibridazione valutazione dei vincoli economici valutazione dei limiti di gestione estrazione dell’mRNA marcatura dell’mRNA ibridazione lavaggio asciugatura scansione “gridding” e quantizzazione numerica delle intensità di fluorescenza estrazione delle intensità di “foreground” e di “background” “quality control” dei dati grezzi sottrazione del “background” correzione degli errori sistematici attraverso la normalizzazione verifica dell’effetto del pre-trattamento dei dati applicazione di test statistici per determinare quali sono i geni differenzialmente espressi validazione dei risultati con RTq-PCR “pathway analysis” per l’interpretazione biologica dei risultati annotazione dei risultati nelle banche dati strutturazione secondo lo standard MIAME dell’informazione contenuta nell’esperimento sottomissione delle informazioni a database per la pubblicazione dei dati

4 4 Categorie di esperimenti microarray Class comparison Class prediction Class discovery Confrontare il livello medio di espressione fra gruppi di campioni e stabilire quali sono i geni responsabili di eventuali differenze identificare geni differenzialmente espressi in differenti condizioni sperimentali: - campioni da linee cellulari che contengono BRCA1 mutato vs campioni che contengono BRCA1 non mutato - campioni di cervello di ratti trattati con un farmaco vs campioni di cervello di ratti non trattati Classi predefinite Trovare un nuovo sistema di classificazione di campioni sulla base del profilo di espressione genica (cluster analysis) identificare nuove sottoclassi di tumori Classi non predefinite Sviluppare profili di espressione genica differenziale da utilizzare come predittori dell’appartenenza di campioni a classi generazione di signature tumorali generazioni di profili di espressione che sono caratteristici di determinati stadi di crescita di una cellula Classi non predefinite Da levare???

5 5 Reference Design Loop Design Balanced Block Design Disegni sperimentali per class comparison Il confronto fra le due classi è indiretto ed è realizzato attraverso il campione Reference (A vs R) vs (B vs R) Il confronto fra le due classi è diretto. Per ciascun gruppo (classe) metà dei campioni sono marcati con un fluorocromo e metà con l’altro Il confronto fra le due classi è diretto. Ciascun campione è ibridizzato due volte, con due fluorofori, su due array differenti Non-Reference-sample (Ai, Bi,…) : tutti i campioni di interesse biologico Reference-sample (R) : campione senza significato biologico che serve da baseline comune per la valutazione dell’espressione relativa fra i non-reference- sample

6 6 Obiettivo dell’esperimento microarray Precisione (efficienza) nella stima delle differenze fra le due classi “Posso comprare solo 10 array (non ho problemi a reperire campioni).” “Ho solo 10 campioni (non ho problemi a comprare array).” Def: Efficienza ~ 1/varianza delle stime Come disegno un esperimento efficiente?

7 7 “Posso comprare solo 10 array “ Efficienza: stima più precisa della media delle differenze fra le due popolazioni  ibridizzazione di più campioni possibile sui microarray a disposizione Reference Design # sample per classe = 5 # array totali = 10 Balanced Block # sample per classe = 10 # array totali = 10 Loop Design # sample per classe = 5 # array totali = 10 …ma posso collezionare i campioni che mi servono

8 8 “Posso comprare solo 10 array “ Svantaggi: - Poca tolleranza alle variazioni (variazione nell’appartenenza alle classi, perdita di un vetrino, etc) RD LD BBD Balanced Block # sample per classe = 10 # sample totali = 20 …ma posso collezionare i campioni che mi servono

9 9 “Ho solo 10 campioni “ Efficienza: stima più precisa delle intensità dei singoli campioni  ibridizzazione di più array Reference Design # sample per classe = 5 # array totali = 10 Balanced Block # sample per classe = 5 # array totali = 5 …ma posso comprare gli array che mi servono

10 10 “Ho solo 10 campioni “ RD BBD Svantaggi: - Collezione di innumerevoli informazioni “inutili” sul campione di Reference Reference Design # sample per classe = 5 # array totali = 10 …ma posso comprare gli array che mi servono

11 11 Come si determina la numerosità n in maniera efficiente? Per testare l’ipotesi nulla di assenza di espressione genica differenziale bisogna fissare: un livello α di significatività un livello 1-β di potenza l’effect-size δ da detettare (fold change) i livelli di varianza σ 2 o τ 2 dei dati il disegno sperimentale Reference Design Balanced Block Design Non conosciamo le limitazioni sul numero di array da acquistare o di campioni da collezionare

12 12 RD e numerosità campionaria n = # di array utilizzati α = = 0.1% β = 0.05  95% di potenza δ = 1  Fold Change=2 σ = SD dei log-ratio per ciascuna classe  variabilità biologica intra-classe + variabilità sperimentale z = percentili della distribuzione dei Fold Change

13 13 BBD e numerosità campionaria n = # di campioni utilizzati = # array utilizzati α = = 0.1% β = 0.05  95% di potenza δ = 1  Fold Change=2 τ = SD dei log-ratio per ciascuna classe  variabilità biologica inter-classi + variabilità sperimentale τ 2 = 1.8 σ 2 σ = 0.5  τ = 0.67 σ = 0.25  τ = 0.33 z = percentili della distribuzione dei Fold Change

14 Fase “wet” di un esperimento microarray Estrazione mRNA Retrotrascrizione e Marcatura Ibridazione Scansione

15 15 Scansione del vetrino Scanner a due laser – Lunghezze d’onda di eccitazione dei fluorocromi 635 nm - Red 532 nm - Green Canali separati in acquisizione – formazione di due immagini Codifica su 16 bit – 2 ^16 = livelli di colore Occupazione di memoria – 130 MB c.a.

16 Scatterplot MAplot A =½ log (R*G) M = log (R/G) Imageplot Boxplot PCA 2D Metodi di visualizzazione dei dati

17 Metodi di sottrazione del “background” Subtract I n = I f – I b Minimum I n = I f – I b se I>0 I n = min(I f – I b >0) se I<0 Normexp+offset (Ritchie et al, 2007) I b ~ N(μ, σ 2 ) I f ~ exp(λ)

18 Risultati Dati grezzi Minimum Normexp+ offset Subtract

19 Metodi di normalizzazione Correzione degli errori sistematici generati dalla procedura sperimentale Diversa efficienza di incorporazione dei due fluorocromi; Diversa efficienza di emissione dei due fluorocromi; Diversa efficienza dello scanner nel leggere i due canali. Sistema di rivelazione per fluorescenza

20 Metodi di normalizzazione within array Ciascun array viene normalizzato separatamente Obiettivo: centrare su ciascun array la distribuzione dei log- fold-change ed eliminare gli errori intensità-dipendenti - Trasformazione linlog per attenuare l’effetto della sottrazione del rumore alle basse intensità, i dati di intensità sono presi in scala lineare alle basse intensità e in scala logaritmica alle medie e alte intensità - Metodo globale: median o centraggio della mediana valutazione dello scostamento della mediana (o media) della distribuzione reale dei log-fold-change da quella ideale ed eliminazione - Metodo intensità-dipendente: LOESS interpolazione di polinomi di primo e secondo grado a finestre di dati per determinare la “smoothing curve”. Tale curva viene utilizzata sulla visualizzazione MA dei dati per riportare la distribuzione reale dei dati a quella reale

21 Tutte le copie biologiche dello stesso gruppo vengono normalizzate insieme Obiettivo: eliminare gli errori sistematici che possono rendere eterogenei array biologicamente simili - Metodo scale riscalatura della dispersione dei log-fold-change fra array per equilibrare i valori di M fra array - Metodo di sostituzione dei quantili: quantile riscalatura dei valori delle intensità assolute fra array per uniformare le distribuzioni Metodi di normalizzazione between arrays

22 Risultati linlogmedianLOESS

23 Risultati scale

24 Risultati quantile

25 Risultati

26 26 Esperimento ApoAI Knockout Materiali e metodi: - 16 topi C57BL/6 “black six” - in 8 topi è stato “spento” il gene che codifica per l’apolipoproteina AI - per ciascun topo è stato estratto l’RNA dal fegato, è stato isolato l’mRNA, è stato retrotrascritto in cDNA e marcato con un fluorocromo rosso Cianina Cy5 - il cDNA marcato di ciscun topo è stato mescolato con un’aliquota di un campione di riferimento, ottenuto facendo il pool degli RNA degli 8 topi di controllo e marcando il materiale così ottenuto con il fluorocromo verde Cianina Cy3 - le 16 miscele sono state ibridizzate su 16 microarray distinti

27 27 Esperimento Swirl zebrafish Materiali e metodi: - 2 pesci zebra - in 1 pesce è presente una mutazione sul gene BMP2 - per ciascun pesce è stato estratto l’RNA, è stato isolato l’mRNA, è stato retrotrascritto in cDNA. Il cDNA di ogni pesce è stato diviso in quattro aliquote. - Due aliquote di cDNA di pesce mutato sono state marcate con il fluorocromo rosso Cianina Cy5 e le altre due con il fluorocromo verde Cianina Cy3. Analogamente per il cDNA del pesce wild-type. - il disegno sperimentale è di tipo diretto con dye-swap


Scaricare ppt "Espressione genica External input Endogenous input."

Presentazioni simili


Annunci Google