ChAMP 分析甲基化芯片数据-归一化篇

ChAMP 分析甲基化芯片数据-归一化篇

​​champ.norm​​ 函数提供了归一化的功能，支持下列4种归一化的算法：

BMIQPBCSWANFunctionalNormalization

其中BMIQ和PBC 算法都是只针对探针的beta 矩阵进行归一化，而SWAN和FunctionalNormalization则需要在数据导入阶段采用​​minfi​​​的算法。函数用法示例

myNorm <- champ.norm()[===========================][>>>>> ChAMP.NORM START <<<<<<]champ.norm Results will be saved in ./CHAMP_Normalization/[ SWAN method call for BOTH rgSet and mset input, FunctionalNormalization call for rgset only , while PBC and BMIQ only needs beta value. Please set parameter correctly. ]<< Normalizing data with BMIQ Method >>Note that,BMIQ function may fail for bad quality samples (Samples did not even show beta distribution).3 cores will be used to do parallel BMIQ computing.[>>>>> ChAMP.NORM END <<<<<<][===========================][You may want to process champ.SVD() next.]

对于这个函数，有几个关键参数需要调整

method

method 参数指定归一化的算法，可选值包括​​BMIQ​​​, ​​PBC​​​, ​​SWAN​​​, ​​FunctionalNormalization​​​, 默认值为​​BMIQ​​

arraytype

arraytype 指定芯片类型，可选值包括​​450K​​​和​​EPIC​​​, 默认值为​​450K​​​对于实际的数据，首先根据芯片类型设置​​arraytype​​ 参数，然后调整method参数，选择对应的归一化算法。

归一化的本质，是对探针的beta 值进行校正，使得重复样本之间的beta值分布更加的接近，减少重复样本间的差异。

同一批数据用不同的归一化算法处理的结果如下

归一化之前的beta 值

> head(myLoad$beta[,1:2])           NA17105-M_Rep1  A431_Rep1cg00000957     0.83336578 0.89863953cg00001349     0.89693013 0.91727435cg00001583     0.31668180 0.89555041cg00002028     0.03069992 0.07360386cg00002719     0.04955457 0.96706172cg00003202     0.01592223 0.02398773

SWAN归一化之后的beta 值

> myNorm <- champ.norm(method=”SWAN”)> head(myNorm[,1:2])           NA17105-M_Rep1  A431_Rep1cg00000957     0.78674711 0.85207202cg00001349     0.85706454 0.87576751cg00001583     0.30066157 0.85079557cg00002028     0.03740574 0.07020499cg00002719     0.05894663 0.95375422cg00003202     0.01998307 0.02665266

FunctionalNormalization归一化之后的beta 值

> myNorm <- champ.norm(method=”FunctionalNormalization”)> head(myNorm[,1:2])           NA17105-M_Rep1   A431_Rep1cg00000957     0.90190549 0.878153237cg00001349     0.94130604 0.903431781cg00001583     0.43190955 0.884323706cg00002028     0.10881798 0.036831578cg00002719     0.19784471 0.943513834cg00003202     0.05519015 0.008457334

PBC 归一化之后的beta值

> myNorm <- champ.norm(method=”PBC”)> head(myNorm[,1:2])           NA17105-M_Rep1  A431_Rep1cg00000957     0.83336578 0.89863953cg00001349     0.89693013 0.91727435cg00001583     0.31668180 0.89555041cg00002028     0.03069992 0.07360386cg00002719     0.04955457 0.96706172cg00003202     0.01592223 0.02398773

BMIQ 归一化之后的beta值

> myNorm <- champ.norm(method=”BMIQ”)> head(myNorm[,1:2])           NA17105-M_Rep1  A431_Rep1cg00000957     0.83336578 0.89863953cg00001349     0.89693013 0.91727435cg00001583     0.31668180 0.89555041cg00002028     0.03069992 0.07360386cg00002719     0.04955457 0.96706172cg00003202     0.01592223 0.02398773

对比归一化前后的结果可以看出，beta值发生了变化，其中​​SWAN​​​和​​FunctionalNormalization​​对于原始beta值的调整比较大，可以很明显的看到归一化前后的差别。

​​BMIQ​​​和​​PBC​​ 算法对beta值调整的幅度很小，如果直接看数字，是看不出差别的，可能是小数点后十几位有区别。总而言之，归一化前后，发生变化的就是beta 值。

当数据归一化之后，就可以进行后续的差异分析了。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。