Überblick

Die Microarray-Datenanalyse wandelt rohe Fluoreszenzintensitäten von hybridisierten Microarrays in aussagekräftige Genexpressionsmessungen um. Obwohl RNA-seq Microarrays für entdeckungsorientierte Studien weitgehend abgelöst hat, werden Microarrays aufgrund ihrer geringen Kosten, standardisierten Protokolle und gut etablierten Analyse-Pipelines weiterhin häufig in der klinischen Diagnostik, Pflanzenzüchtung und großen Populationsstudien eingesetzt. Ein einzelner Microarray kann die Expression von Zehntausenden von Transkripten gleichzeitig messen, indem er die komplementäre Basenpaarung zwischen Proben-cDNA und immobilisierten Sonden nutzt. Der Analyse-Workflow adressiert die besonderen technischen Eigenschaften von Microarray-Daten, einschließlich Hintergrundkorrektur, Normalisierung und Zusammenfassung auf Sondenebene.

Methoden

Die Microarray-Analyse beginnt mit der Bildverarbeitung zur Extraktion von Intensitäten auf Sondenebene. Die Hintergrundkorrektur entfernt unspezifische Signale mithilfe von Methoden wie dem Robust Multi-Array Average (RMA) oder der GC-Gehalt-Anpassung. Die Normalisierung macht Arrays vergleichbar: Quantil-Normalisierung ist der gebräuchlichste Ansatz für Einfarben-Arrays, während Loess-Normalisierung bei Zweifarben-Designs angewendet wird. Die Sondenzusammenfassung (für Affymetrix-Arrays mittels RMA oder PLIER) fasst mehrere Sonden pro Gen zu einem einzigen Expressionswert zusammen. Die Qualitätsbewertung verwendet Pseudobilder, NUSE-Plots und RLE-Plots, um problematische Arrays zu identifizieren. Differentielle Expression wird mit limma getestet, das empirische Bayes-Moderation zur Stabilisierung der Varianzschätzungen über Gene hinweg verwendet. Batcheffekte werden mit Hauptkomponentenanalyse erkannt und mit ComBat oder limmas removeBatchEffect korrigiert.

Anwendungen

Trotz des Aufstiegs der Sequenzierung liefern Microarrays weiterhin Mehrwert. Die FDA-zugelassenen MammaPrint- und Oncotype-DX-Tests verwenden Microarrays für die Brustkrebsprognose. Klinische DNA-Microarrays und Genexpression-Panels leiten Behandlungsentscheidungen in der Onkologie und bei der Diagnose seltener Erkrankungen. Die Microarray-Datenanalyse unterstützt auch die Validierung von qPCR-Ergebnissen durch qPCR-Korrelationsstudien und ergänzt die DNA-Sequenzierung durch Expressionsprofilierung in großem Maßstab. In der Agrargenomik ermöglichen Microarrays kosteneffizientes Merkmals-Mapping und markersgestützte Selektion in großen Zuchtpopulationen.