基因芯片技术，费用、方法、原理

基因芯片技术是具有并行、高通量和快速的特点，但是它也有一定的缺点，因为灵敏度高可能就会导致准确度的下降。目前，只有芯片结果而无northern杂交和RT-PCR的佐证的文章很难在高质量的期刊发表。正确的做法是用芯片结果进行筛选，得出有意义的基因，再进行BLAST同源性比对，northern杂交和RT-PCR或SSH进行验证。只有这样的研究才具有比较严密的科学性。 做药物处理后肿瘤基因表达分析，1.药物处理前后对照的芯片数据是必备的。2.最好选出几个感兴趣的基因进行分析，3.BLAST同源性比对，northern杂交和RT-PCR或SSH进行验证是必须的。 做一个基因芯片多少钱 如果公司代做实验的，国内的一张10,000点的大概是5000元，如果做的片子多可优惠，但国内芯片的一个问是质量没有国外好。国外芯片根据片子上基因的多少价格不同，但都比相应的国内产品贵些。 想比较两个组织的基因表达的差异，用基因芯片可以吗？要多少钱？至少要做多少标本？ 康成老陈 发表于 2008-9-4 10:40:46 康成生物为您提供全基因组表达谱芯片技术服务，您只需要提供保存完好的组织或细胞标本，康成的芯片技术服务人员就可为您完成全部实验操作，并提供完整的实验报告。主要实验流程如下： 1、样品RNA 抽提 a. 实验对象为组织样品，取适量（50-100mg）新鲜组织样品或正确保存的组织样品，使用BioPulverizerTM冰冻粉碎组织，加1ml的RNA抽提试剂Trizol（Invitrogen），使用Mini-Bead-Beater-16匀浆后抽提RNA。 b. 实验对象为细胞样品，每份样品取1×106～1×107细胞，加1ml的RNA抽提试剂Trizol（样品为贴壁细胞，每10cm2培养皿Trizol使用量为1ml），裂解后抽提RNA。 2. RNA 质量检测 a． 使用Nanodrop测定RNA 在分光光度计260nm 、280nm和230nm的吸收值，以计算浓度并评估纯度。 b． 用甲醛电泳试剂进行变性琼脂糖凝胶电泳，检测RNA 纯度及完整性。 c. 提供RNA QC报告。 注意：用于芯片检测的RNA 样品，必须是高质量的，完整的，没有RNase污染（降解的样品不能用于标记和芯片检测），没有基因组污染。 3. aRNA样品合成和标记 a．样品RNA进行逆转录反应合成cDNA。 b．cDNA第二链合成 c. aRNA合成及纯化 d. 荧光标记aRNA并纯化 4. 标记效率质量检测 使用Nanodrop检测荧光标记效率，标记效率合格以保证后续芯片实验结果的可靠性。 5. 片段化aRNA 使用Ambion的RNA Fragmentation Reagents对标记好的aRNA进行片段化处理。 6. 芯片杂交 在条件下将标记好的探针和高密度基因组芯片进行杂交。 7. 图像采集和数据分析 使用GenePix 4000B 芯片扫描仪扫描芯片的荧光强度，并将实验结果转换成数字型数据保存，使用配套软件对原始数据进行分析运算。 8. 提供实验报告 包括详细的实验方法以及芯片实验数据和图表。 ebio66发表于 2008-9-4 15:32:50 可以做基因芯片。最好重复3次，即3对样本。需要费用因选择不同的芯片有所不同。具体可以与我联系。xian729@sina.com 一、差异基因筛选 首先对原始数据进行预处理和均一化处理。没有重复的数据采用倍数法和 Z 值法相结合的方法来进行差异基因的筛选，挑选出至少在一个样本里表达倍数大于 two fold及 Z 的绝对值大于 2（即 Z>2 或 Z<-2）的基因挑出。对于有重复实验的芯片数据则采用统计方法来进行差异基因的筛选。 二、 聚类分析 针对多芯片结果进行了芯片间及差异表达基因之间的双向聚类，同时对新基因的功能进行预测，目的是对不同的样本进行分类，并对差异基因进行相似性分析。聚类方法包括层次聚类，K-means聚类及SOM等。 三、GO功能分类 对差异基因进行相应的生物学功能分类，采用GO 数据库中的功能聚类注释结果，并根据统计检验方法(P-value)筛选显著显异的分类。最后针对客户的需求进行结果的输出。 四、pathway分析 建立信号通路和生物功能网络，将差异基因与相关的信号通路进行比较、整合，找出基因之间的相互关系，进行通路动态仿真。并根据统计检验方法(P-value)筛选显著显异的代谢通路，已期对致病基因构建模拟疾病状态的通路网络,对目的基因进行分析,以期发现目的基因与疾病之间在生物学通路或生化途径上的关联。 Pathway中差异基因的统计图 差异基因在代谢途径上的分析情况，红色标记上调基因，绿色标记下调基因 五、转录因子（TF）分析 利用相关的转录因子（TF）数据库，采用pwmatch算法对每个转录因子分析其在差异基因中的分布情况，利用chi-square test等统计方法寻找有差异的转录因子。目的在于找到调控目标生物性状，统计学上有显著差别的转录因子。 六、 Data-driven Network分析 对差异基因进行Co-expression基因调控网络的构建。采用贝叶斯方法，通过对表达数据进行机器学习，来构建差异基因之间的动态网络。这是一种数据驱动的网络构建，可以发现一些新的调控关系。 七、 Knowledge-driven Network分析 通过整合PubMed text mining，同源预测，基因neighbor，蛋白-蛋白相互作用，基因融合等数据，建立一个all differentially expressed genes in a single plot的调控网络。这是一种已有知识驱动的网络构建。目的在于对前人的研究结果和本实验的生物信息进行关联分析，以期找到一些新的基因共表达的线索，发现新的规律。 八、疾病的分型 主要是针对复杂的疾病，利用芯片数据对这些疾病的子类型进行区分，识别传统诊断手段无法辨别，但对预后却有重要意义的亚型。 九、（疾病）预测模型的构建 利用Bayesian network, PAM及SVM等机器学习语言对芯片结果进行预测模型的构建，将部分芯片数据拿来做预测模型，然后部分芯片数据作为测试数据集（独立样本）来验证模型的准确性。目的在于利用实验数据来筛选出一批靶标基因，并以此构建模型，以进行早期诊断、疾病预测和预后分析。 十、基因表达趋势分析 应用模糊聚类等机器学习方法，对差异基因进行基因表达趋势的显著性分析，筛选出随着时间的变化，显著性的基因表达趋势，同时得到相应的目标表达趋势。对随着时间的深入差异表达的基因，进行基因表达趋势分析，筛选出不同处理作用的最重要的基因表达趋势。 ＊ 所有解释权及版权归上海敏芯信息科技有限公司所有，任何疑问请联系 market@sensichip.com.cn