R/Bioconductor: Utilisation de la librairie affyPLM() pour la normalisation et la sommation

Introduction

La librairies affyPLM est à la base, une librairie pour la normalisation des données Affymetrix en utilisant des modèles basés sur l'intensité de sondes en addition à une normalisation RMA. La normalisation et la sommation se font via la méthode threestep(), qui présente à l'usager diverses possibilités (même MAS5!):

> eset <- threestep(plm.data, background.method = "RMA.2",
+    normalize.method = "quantile",
+    summary.method = "median.polish")

Voici les diverses valeurs disponibles pour les trois paramètres de base de la méthode:

Pour le paramètre background.method:

Option	Description de la méthode
RMA.2 (valeur par défault)	RMA convolution model background
RMA.1	RMA convolution model background
MAS	MAS 5.0 location dependent background
IdealMM	Ideal Mismatch
MASIM	MAS 5 and Ideal Mismatch
GCRMA	GCRMA background

Pour le paramètre normalize.method:

Option	Description de la méthode
quantile (valeur par défault)	Normalisation par quantile
scaling	Normalisation proportionnelle

Pour le paramètre summary.method:

Option	Description de la méthode
median.polish (valeur par défault)	Ajustement des médianes
tukey.biweight	Binomiale de Tukey
average.log	Moyenne des valeurs logarithmiques
log.average	Logarithme des valeurs moyennes
median.log	Médiane des valeurs logarithmiques
log.median	Logarithme des valeurs médianes
log.2nd.largest	2ème plus grande valeur PM
lm	Modèle linéaire
rlm	Modèle linéaire robuste

Pour avoir plus d'information sur les autres paramètres possible pour la fonction threestep(), utilisez la fonction d'aide de R:

R>help(threestep)

Procédure

Ici, on assume que vous avez été en mesure de créer un objet AffyBatch tel que décrit sur cette page et que vous l'avez appelé r.data.

Si la librairie affyPLM n'a pas été encore utilisée, il faut la charger en mémoire:

R>library(affyPLM)

Il faut créer l'objet PLMset qu'utiliseras la fonction threestep():

R>plm.data<-fitPLM(r.data)

Il est alors très simple d'utiliser threestep:

R>norm.data<-threestep(plm.data)

Cette dernière commande est équivalente à cette commande:

R>norm.data<-threestep(plm.data,
+            background.method="RMA.2",
+            normalize.method="quantile",
+            summary.method="median.polish")

Il ne reste plus qu'à écrire votre fichier de données normalisées sous la forme d'un fichier texte contenant vos données tabulées:

R>write.exprs(norm.data,file="my_data_normalized.txt")