蛋白质芯片得到大量数据该如何处理

蛋白质芯片技术通常用于筛查疾病的生物标志物。在许多蛋白质芯片实验中，研究者可能会得到成千上万的数据点和几百种的潜在生物标志物，接下来的数据分析是一个非常繁冗艰巨的任务，如何确定哪些是最重要的生物标志物？ 如何建立正确诊断或疾病预测的临界值（Cut-off Value）？如何从这些实验数据中挖掘更多的信息？

目前国际上公认和受欢迎的研究生命科学的数据分析方法是生物统计学与生物信息学处理方法，包括T检验、方差分析、卡方检验、秩和检验等统计学分析， 以及深度的数据挖掘分析例如人工神经网络分析、系统聚类分析、K-最邻近法、判别分析、分割点分数分析等，这些数据分析方法都能帮助研究人员从大量数据中提取出最有用的生物学信息，鉴定生物学意义，且确定疾病（或生物标志物）的分子生物学特征等。

Raybiotech的生物统计学与生物信息学服务台 （Biostatistics and Bioinformatics Program，BBP）都可以提供这些统计分析服务，快速识别潜在的生物标志物，检测和提取误差和置信水平来评估蛋白表达数据的质量。且可以协助试验设计、申报基金、探讨生物标志物的生物学意义。

1、芯片数据的归一化

RayBio芯片设计几个控制点用于芯片间的归一化：

1)Positive control:阳性控制点是生物素化的蛋白，可 用于归一化链霉亲和素孵育步骤 ，如果不同芯片上的 阳性控制点非常相似，用其来做归一化是非常简单及 有效的方法；

2)Negative control:阴性对照蛋白是BSA,一般来说， 阴性对照会有一个背景值,样品信号可扣除芯片背景得 到真实值。

2、芯片信号差异对比:

芯片上各因子的信号值，建议大于(Mean background +2SD)的信号值为可信值；选取可信值进行数据分析 及对比,样品之间细胞因子信号比值≥2倍 或者≤0.5倍可视为有差异因子，也可根据实验要求设置其他阈值； 当样品量足够大时，可选择显著性差异分析及其他判别 分析、网络分析、聚类分析等。