芯片RNA降解图

RNA的降解是影响芯片数据质量的一个很重要因素，一般，RNA从5端开始降解，所以理论上探针5端的荧光强度应该低于3端。

RNA降解曲线的斜率表示了这种变化趋势，斜率越小，说明降解越少，

如果斜率太小，甚至接近0，就要特别注意，则可能全部降解

以affymetrix芯片CEL文件为基础，获取AffyBatch后基于affy包的AffyRNAdeg函数，可以获取RNA降解情况（GSE66196）

RNAdeg=AffyRNAdeg(AffyBatch)

> summaryAffyRNAdeg(RNAdeg)
       GSM1616746_Pool_1_Hilscher_26-07-2012.CEL.gz GSM1616747_Pool_1_Reif-Hilscher_8-2-2012.CEL.gz
slope                                      4.30e+00                                        4.07e+00
pvalue                                     3.61e-11                                        1.96e-11
       GSM1616748_Pool_1wdh_Reif-Hilscher_9-2-2012.CEL.gz GSM1616749_Pool_2_Hilscher_26-07-2012.CEL.gz
slope                                            4.03e+00                                     4.29e+00
pvalue                                           1.93e-11                                     3.55e-11
       GSM1616750_Pool_2_Reif-Hilscher_8-2-2012.CEL.gz GSM1616751_Pool_2wdh_Reif-Hilscher_9-2-2012.CEL.gz
slope                                         3.98e+00                                           4.09e+00
pvalue                                        8.56e-11                                           1.44e-11
       GSM1616752_Pool_3_Hilscher_26-07-2012.CEL.gz GSM1616753_Pool_3_Reif-Hilscher_8-2-2012.CEL.gz
slope                                      4.24e+00                                        3.94e+00
pvalue                                     1.19e-11                                        1.26e-11
       GSM1616754_Pool_3wdh_Reif-Hilscher_9-2-2012.CEL.gz GSM1616755_Pool_4_Hilscher_26-07-2012.CEL.gz
slope                                            3.92e+00                                     4.43e+00
pvalue                                           1.91e-11                                     1.82e-12
       GSM1616756_Pool_4_Reif-Hilscher_8-2-2012.CEL.gz GSM1616757_Pool_4wdh_Reif-Hilscher_9-2-2012.CEL.gz
slope                                         3.95e+00                                           3.94e+00
pvalue      

绘图：

> SampleNames
 [1] "GSM1616746" "GSM1616747" "GSM1616748" "GSM1616749" "GSM1616750" "GSM1616751" "GSM1616752" "GSM1616753" "GSM1616754" "GSM1616755"
[11] "GSM1616756" "GSM1616757"

n.sample = length(AffyBatch$sample)
cols = rainbow(n.sample)
plotAffyRNAdeg(RNAdeg,cols= cols)
legend("topleft",legend=SampleNames,col= cols,lty=1,box.lty=0,bg=NA)
box()

注意：各芯片结果线条平行，说明实验处理均衡一致，如某个芯片和其他芯片差别较大需要注意是否存在问题。

相关课程：GEO芯片数据挖掘、GEO芯片数据标准化、R语言画图

更多生物信息课程：

1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接：基因家族分析实操课程、基因家族文献思路解读

2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接：转录组（有参）结果解读；转录组（无参）结果解读

3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接：WGCNA-加权基因共表达网络分析

4. 转录组数据怎么挖掘？学习链接：转录组标准分析后的数据挖掘、转录组文献解读

5. 微生物16S/ITS/18S分析原理及结果解读、OTU网络图绘制、cytoscape与网络图绘制课程

6. 生物信息入门到精通必修基础课：linux系统使用、perl入门到精通、perl语言高级、R语言入门、R语言画图

7. 医学相关数据挖掘课程，不用做实验也能发文章：TCGA-差异基因分析、GEO芯片数据挖掘、GEO芯片数据标准化、GSEA富集分析课程、TCGA临床数据生存分析、TCGA-转录因子分析、TCGA-ceRNA调控网络分析

8.其他，二代测序转录组数据自主分析、NCBI数据上传、二代测序数据解读