芯片数据分析步骤5 过滤探针

过滤探针

过滤探针的原因

表达谱芯片上的探针往往能够覆盖到所有人类基因，也就是说，能够同时检测所有人类基因的表达。但先前的实验表明，一个细胞中不可能所有基因都同时表达，能够同时表达的基因反而是少数。同时表达的基因约占总基因的40%左右。

由于探针与目标之间一定存在着非特异性结合，所以所有的探针均会产生信号。如果不加以过滤，认为这些探针对应的基因都表达，即不符合事实，也会对后续的分析产生影响。因此，过滤掉表达量低的探针是十分必要的。

注意，limma包的说明里面提供了两点建议。一，如果要进行探针过滤（filter），最好在进行标准化之后再过滤。二，如果要在后续分析中使用limma包，请不要进行基于方差(variance)的过滤，否则会影响方差分布，从而导致limma包处理产生糟糕的结果（poor results）。

过滤探针的方法

bioconductor提供了两种过滤探针的方法，一种是使用专门进行探针过滤的genefilter包进行过滤，另一种是使用affy包中的mas5calls函数进行探针过滤。下面会详细解释如何进行探针过滤。

1 使用genefilter包进行探针过滤

根据genefilter包的技术文档介绍，genefilter包设计的出发点是进行independent filtering。我们知道，检测差异基因表达是表达谱芯片最重要的功能之一。而检测差异基因表达的方法是进行对每一个基因进行统计检验。

所谓的independent filtering，意思是在进行统计检验之前，筛掉那些不能或是很可能不能通过显著性检验的探针。independent filtering不依赖于统计检验，在保持一类错误率（即假阳性率）不变的条件下，能够增加检验效能。

一个好的filtering criterion拥有下面三个特点：

1、在零假设的条件下，独立于统计检验

2、在备择假设的条件下，与统计检验相关联

3、在联合检验中不显著改变依赖结构

genefilter包中有两个常用的函数能够进行探针过滤，一个是genefilter函数，另一个是nsFilter函数。

使用genefilter函数进行探针过滤

genefilter函数需要用户指定筛选检验方式。用法如下。

genefilter(expr, flist)

expr是表达矩阵，需要用expr(ExpressionSet)或expr(AffyBatch)对ExpressionSet或AffyBatch进行提取。flist是包含检验方法的list，可以同时包含多个检验方法，同时进行多个检验，取交集。

举个例子。例子来源于genefilter包的技术支持文档。sample.ExpressionSet来自Biobase包。

library("Biobase") 
library("genefilter")
data(sample.ExpressionSet)
f1 <- kOverA(5, 200)
ffun <- filterfun(f1)
wh1 <- genefilter(exprs(sample.ExpressionSet), ffun)
sum(wh1)
[1] 159

f1函数的意思是指筛选出至少在5个样本中表达量超过200的基因。最终筛选到了159个基因。

再给一个例子。

f2 <- ttest(sample.Expressi