minfi 分析甲基化芯片数据-数据导入篇

minfi 是一个用于分析DNA 甲基化芯片的R包。官网如下：

http://www.bioconductor.org/packages/release/bioc/html/minfi.html

如果要用这个包进行分析，首先需要在R中将我们的芯片数据读取进来，就是常说的import data。对于minfi 来说，其设计思路是通过读取SampleSheet.csv 文件，在事先约定好的目录结构中查找所有样本的原始数据，来自动化的读取所有样本的信息。

在illumina 的官方网站，我们可以找到对应的SampleSheet 文件的模板和测试数据集

1. 850K： https://support.illumina.com/array/array_kits/infinium-methylationepic-beadchip-kit/downloads.html
2. 450K ： https://support.illumina.com/array/array_kits/infinium_humanmethylation450_beadchip_kit/downloads.html

450K 芯片的SampleSheet.csv 模板示例如下：

在SampelSheet 文件中, 开头的几行是注释信息，[Data] 下面的样本的基本信息。

一张甲基化芯片上最多可以有12个样本，每个样本根据Sentrix_Position 标识， 当样本个数大于12个时，必然需要另外一张芯片，对于每张芯片，使用Sentrix_ID标识。minfi 就是通过 Sentrix_ID 和 Sentrix_Position 这两个字段来查找样本的原始数据。

对于每个样本，会有两个.idat 文件，基于示例的SampleSheet.csv 文件，对应的文件名称为

200514040030_R01C01_Grn.idat
200514040030_R02C01_Red.idat

我们只需要整理成如下所示的目录结构就可以了

SampleSheet.csv
Sentrix_ID/
├── Sentrix_ID_Sentrix_Position.Grn.idat
└── Sentrix_ID_Sentrix_Position.Red.idat

SampleSheet.csv 文件在第一层，然后是每张芯片对应的的Sentrix_ID 是一个目录，在每个Sentrix_ID目录下，是该芯片上样本的原始数据，文件名称为 Sentrix_ID_Sentrix_Position.Grn.idat这种格式。

minfi 读取数据

整理SampleSheet.csv 文件和对应的目录结构之后，就可以在R中进行读取了。

read.metharray.sheet 函数读取SampleSheet.csv 文件， 第一个参数为该文件所在的目录，第二个参数为文件的名称，支持正则表达式，如果不习惯正则，直接指定为对应的文件名称就好了。

read in the sample sheet for the experiment targets <- read.metharray.sheet(dataDirectory, pattern=”SampleSheet.csv”)

read.metharray.exp 函数读取样本的.idat 文件，参数read.metharraty.sheet返回的对象

read in the raw data from the IDAT files rgSet <- read.metharray.exp(targets=targets)

通过上面两步，就实现了数据的读取。

总结

SampleSheet.csv文件中的Sentrix_ID标识每张芯片，Sentrix_Position标识芯片上的每一个样本，通过这两个字段的信息，可以得到对应的文件名称。原始下机数据的目录结构都是满足minfi 的要求的，对于不符合要求的情况，比如从GEO 数据库下载的芯片数据，我们只有.idat 文件，可以根据样本信息构造出SampleSheet.csv 文件，然后再使用 minfi 进行读取；