mev: multiexperiment viewer universidade federal de pernambuco – ufpe centro de informática –...

MeV: MultiExperiment Viewer

Universidade Federal de Pernambuco – UFPE Centro de Informática –

CIn

Eduardo Gade Gusmão – egg

Professor: Ivan Gesteira – igcf

Automação Inteligente – if705

IF705 - UFPE - CIn MeV: MultiExperiment Viewer Eduardo Gade Gusmão

Tópicos

TM4 Software Suite

Descrição da Ferramenta MeV

Funcionalidades do MeV

Exemplo Prático

Conclusão e Referências

TIGR


Exemplo Prático

Download da Ferramenta

Entrar no site: http://www.tm4.org/mev.html

Baixar a ferramenta MeV


TIGR

The Institute for Genomic Research é um instituto de pesquisa fundado em 1992 por Craig Venter em RockVille, Maryland, Estados unidos.


TIGR

Sequenciou o Haemophilus Influenzae

Human Genome Project

GLIMMER, MUMmer

Associação com o Science Foundation e o FBI

J. Craig Venter Institute

Sem fins lucrativos


TM4 Software Suite

“A ‘TM4 Suite’ é um conjunto de softwares desenvolvidos para a análise de dados de microarray. Os usuários são capazes de capturar, tratar e analisar os dados obtidos nos experimentos.”

Representa uma coleção de ferramentas abrangente, extensível, open source e livremente disponível.


TM4 Software Suite

Softwares Componentes:

Microarray Data Manager (MADAM)

TIGR Spotfinder

Microarray Data Analysis System (MIDAS)

MultiExperiment Viewer (MeV)


TM4 Software Suite

Image Analysis

Raw Gene Expression Data

Normalized Data with Gene Annotation

Interpretation of Analysis Results

.tiff Image File

Gene Annotation

ScannerPrinter

Normalization / Filtering

Expression Analysis

Data Entry / Management

Database

AGED

Database

Others…

Database

MAD


TM4 Software Suite - MADAM


TM4 Software Suite - MADAM

Conjunto de ferramentas usado para upload, download e exibição de dados de microarray a partir de um sistema de gerenciamento de banco de dados (MySql).

Dados no “formato” MIAME

Interface para o MySql


TM4 Software Suite - Spotfinder


TM4 Software Suite - Spotfinder

Programa capaz de processar e realizar análises de arquivos de imagens geradas em experimentos com microarray.

Entrada: imagens .TIFF geradas pelo scanner

Saída: pode ser exportada no formato .MEV

Algoritmo rápido para identificar spots


TM4 Software Suite - MIDAS


TM4 Software Suite - MIDAS

Aplicação que permite ao usuário normalizar e realizar outras análises estatísticas com os dados brutos, dando a eles um acabamento para serem interpretados na ferramenta MeV.

Normalização e Filtragem dos Dados

Geração de um report automático



Aplicação que permite ao usuário visualizar imagens processadas de microarray e identificar genes e padrões de interesse.

Clusterização, ajuste dos dados e estatísticas

Flexibilidade

Comparar Imagens (múltipla visualização)



Ajustando os Dados

Clusterização

Análises Estatísticas

Classificação

Redução dos Dados

Carregando Dados (formatos)

Funcionalidades abordadas:

Visualização

Outros

Meta Analysis



1 - Carregando Dados (formatos)

MultiExperiment Viewer Format (.mev)

TIGR ArrayViewer Format (.tav)

Dados já devem estar normalizados

Várias Análises podem ser carregadas ao mesmo tempo

TDMS (Tab Delimited, Multiple Sample) file format (.txt)

Affymetrix file format (.txt)


Exemplo Prático

1 - Carregando Dados (formatos)

Entrar no public: www.cin.ufpe.br/~egg/Entrada/mev

Carregar o arquivo “armstrong-2002-v1_database.txt”



2 - Ajustando os Dados

2.1 – Transformações de Dados

– Normalize Gene/Rows: Transforma os valores usando a seguinte formula:Valor = [(Valor) – Media(Linha)] / Desvio Padrão – Divide Gene/Rows by RMS: Divide os valores pela “Root Mean Square”, que corresponde à raiz quadrada de [Σ(xi)^2/(n-1)]

– Divide Gene/Rows by SD: Divide os valores pelo desvio padrão da linha.

– Mean Center Gene/Rows: Substitui o valor por: [Valor – Média da linha]

– Median Center Gene/Rows: Substitui o valor por: [Valor – Mediana da linha]




2.1 – Transformações de Dados

– Digitalize Gene/Rows: Cria intervalos discretos para os valores das expressões na linha.

– Sample/Column Adjustments: Todas as operações até agora podem ser realizadas também para as colunas.

– Log2 / Unlog2 Transformations: Respectivamente, transforma todos os valores em log2 e desfaz a operação.

– Log10 to Log2 / Log2 to Log10: Realiza a conversão entre as bases especificadas.




2.2 – Filtros de Dados

– Low Intensity Cutoff Filter: Remove da análise os genes cujo valor da expressão estão abaixo de um certo limiar estabelecido. Esse filtro está disponível para single-color array e two color array.

– Percentage Cutoffs Filter: Remove da análise os genes cujo valor da expressão estão abaixo da percentagem estabelecida.

– Variance Cutoff Filter: Remove da análise os genes cuja variância não é significativa. O número de genes cortados pode ser estabelecido pela percentagem, pelo valor bruto ou por um limiar de variância.




2.2 – Filtros de Dados

– Detection Filter (Affymetrix with detection call): Ignora os genes que não estão marcados como “presentes” em um número suficientes de amostras.

– Bioconductor Detection Call Noise Filter: Filtra os genes para o qual o nível de porcentagem de “absent call” através das amostras está acima do nível definido pelo usuário.

– GenePix Flag Filter: Remove da análise todos os genes para o qual o número de amostras com “flags” negativas está acima da porcentagem definida pelo usuário.


Exemplo Prático


Realizar os seguintes ajustes de dados:

– Low Intensity Cutoff Filter

– Variance Cutoff Filter



3 - Clusterização

HCL Support Trees

Self Organizing Tree Algorithm

Hierarchical Clustering

Tree EASE

K-Means / Medians Clustering

KMC Support

Figure of Merit

Cluster Affinity Search

QT Cluster

Self Organizing Map



3 - Clusterização

Hierarchical Clustering



3 - Clusterização

K- means / medians clustering



3 - Clusterização

Figure of Merit


Exemplo Prático

3 - Clusterização

Realizar as seguintes Clusterizações:

– Hierarchical Clustering

– k-Means/Medians Clustering



4 - Análises Estatísticas

BRIDGE

Nonparametric Tests

Pavlids Template Matching

t Tests

Bayesian Estimation on Temporal Regulation

Significance Analysis for Microarrays

Two-Factor ANOVA

Rank Products

One-Way ANOVA





SAM pode ser usado para caracterizar genes significantes baseado na sua expressão diferencial entre conjuntos de amostras. Ele é eficaz quando existe uma hipótese a-priori dizendo que alguns genes terão níveis de expressão médios diferentes entre diferentes conjuntos de amostras.

Familywise Discovery Rate (FDR)

Permite ao usuário estabelecer um limiar de significância





2 – Two-class Unpaired: Como no paired, porém não existe o pareamento entre os dois grupos.

1 – Two-class paired: As amostras são categorizadas em dois grupos e existe um pareamento um-a-um entre os membros dos dois grupos.

3 – Multi-class: o usuário especifica o número de grupos (>2).

4 – Censored survival: As amostras são associadas com outros atributos externos à análise de expressão.

5 – One-class: O usuário especifica um valor a ser testado para cada expressão média do gene.


Exemplo Prático


Realizar o Significance Analysis for Microarrays (SAM)



5 - Classificação

k-Nearest Neighbors Classification

Discriminant Analysis Classifier

Support Vector Machines Uncorrelated Shrunken Centroid Classification



5 - Classificação


KNN é um esquema de classificação supervisionado. Um subconjunto dos dados originais (o conjunto de treinamento) é usado como entrada para classificar os dados restantes. O usuário especifica o número de classes desejada e o conjunto de treinamento deverá conter exemplos de cada uma dessas classes.



5 - Classificação



Exemplo Prático

5 - Classificação

Realizar o k-Nearest Neighbors Classification



6 - Redução dos Dados

Correspondence Analysis

Expression Terrain Map

Relevance Networks

Principal Component Analysis





PCA é usado para atribuir a variabilidade dos dados para um conjunto reduzido de variáveis chamadas componentes principais. Para cada componente principal é atribuída uma fração da variabilidade total, e esses componentes são ordenados em ordem decrescente de variabilidade.

Visualização 3D


Exemplo Prático


Realizar o Principal Component Analysis (PCA)



7 - Meta Analysis

Gene Set Enrichment Analysis

EASE Cluster Analysis



7 - Meta Analysis


- Interpretação biológica dos dados

- Gene Ontology, KEGG pathways



7 - Meta Analysis



Exemplo Prático

7 - Meta Analysis

Realizar o EASE Cluster Analysis



8 - Visualização

Linear Expression Map

Gene Distance Matrix



9 - Outros

Literature Mining

Gene Shaving

Bayesian Network


Conclusão

Foi apresentada uma ferramenta para análise dos dados de expressão gênica obtidos através de experimentos de microarray.

A ferramenta mostrada participa do ciclo final de um conjuno de vários softwares destinados a realizar um experimento completo de análise de expressão gênica.

Também foram mostrados as diversas operações possíveis na ferramenta seguindo uma ordem lógica de análise dos dados.


Referências

TIGR – www.tigr.org

TM4 – www.tm4.org

Site da Disciplina – www.cin.ufpe.br/~igcf

MeV QuickStart Guide

MeV Manual

mev: multiexperiment viewer universidade federal de pernambuco – ufpe centro de informática –...

Documents