Spline cúbico natural (B-spline) usando cuantiles Se elige un “array blanco”(“array basal”), v Intensidad blanco: i: spot, j: array, m: nº de arrays X.

Presentación del tema: "Spline cúbico natural (B-spline) usando cuantiles Se elige un “array blanco”(“array basal”), v Intensidad blanco: i: spot, j: array, m: nº de arrays X."— Transcripción de la presentación:

1 Spline cúbico natural (B-spline) usando cuantiles Se elige un “array blanco”(“array basal”), v Intensidad blanco: i: spot, j: array, m: nº de arrays X puede ser R o G

2 Se extraen 100 percentilos para cada array (incluso el target), se desestima el resto de los datos target array

3 Se ajusta una función spline cúbica natural s j = f(cuantil x j, cuantil v) para cada array j Definición spline: es una función polinomial fragmentada en intervalos S: [a,b] → R d consite en la piezas polinómicas P i : [t i,t i+1 ) → R d donde a = t 0 < t 1 < … < t k-1 = b Spline natural: spline de grado 3 con continuidad C2. “Natural” porque: En nuestro caso definimos al spline para el intervalo k, array j:

4 Se puede calcular con R o S-plus. Se minimiza: (S-plus)

5 Selección de un set invariante: –Se calcula para cada array a los rangos de intensidad correspondientes al spot i (r ia ) –Selección del set invariante: PRD i = ( r i1 – r i2 ) / n < 0.003 ó 0.007 –Obtenemos un nuevo set y repetimos –Paramos cuando no decrece más el tamaño del set –Se aplica spline usando como “array basal” al set invariante

6

7 Normalización de escala

8 Datasets

9 Inspección visual Bias global Bias local

10 MA plots (lymphoma)

11 Clasificación k-NN Validación cruzada por “LOOCV” Suficientemente sensible para evaluar la pérdida de variabilidad biológica Disponible en varios paquetes Empíricamente aceptables No hace suposiciones sobre la distribución Algoritmo sencillo Se aplico a TODOS los spots (sin selección) Los artefactos son más fáciles de detectar Se incluyeron spots de baja intensidad ¡porque son importantes también!

12

13

14

15 Conclusiones Métodos simples mejoran los datos Métodos dobles mejoran a los simples IGLOESS-SLFILTERW7, ISTSPLINE-SLLOESS y IGLOESS-SLLOESS fueron los mejores La elección del mejor método aún depende mucho del array (artefactos, verdaderas diferencias biológicas?) Normalización de escala no tiene efectos benéficos La normalización tiene un impacto fuerte en el subsiguiente análisis

16 Software R language Bioconductor http://www.bioconductor.orghttp://www.bioconductor.org MAANOVA http://www.jax.org/staff/churchill/labsite/sof tware/download.htmlhttp://www.jax.org/staff/churchill/labsite/sof tware/download.html tRMA http://www.pi.csiro.au/gena/tRMAhttp://www.pi.csiro.au/gena/tRMA braju http://www.maths.lth.se/help/R/aroma