ChAMP分析甲基化芯片数据-QC篇

在数据导入阶段，会在探针水平做一些过滤，然后得到探针的表达谱数据。导入成功之后，接下来就可以看下QC 情况。

使用champ.QC函数进行QC,主要是做一些可视化的图表

champ.QC(Rplot = FALSE) [===========================] [<<<<< ChAMP.QC START >>>>>>] champ.QC Results will be saved in ./CHAMP_QCimages/ [QC plots will be proceed with 404383 probes and 8 samples.] << Prepare Data Over. >> << plot mdsPlot Done. >> << Plot densityPlot Done. >> < Dendrogram Plot Feature Selection Method >: No Selection, directly use all CpGs to calculate distance matrix. << Plot dendrogram Done. >> [<<<<<< ChAMP.QC END >>>>>>>] [===========================] [You may want to process champ.norm() next.]

QC 成功之后，所有的结果都保存在工作目录下的CHAMP_QCimages目录下

CHAMP_QCimages/ ├── raw_densityPlot.pdf ├── raw_mdsPlot.pdf └── raw_SampleCluster.pdf

所有的可视化结果会根据SampleSheet.csv 文件中指定的Sampel_Group 信息，分组展示。

raw_densityPlot.pdf

由于数据导入的过程中，对探针进行了过滤，所以这里的探针个数为404383，这幅图展示的是探针beta 值的密度分布信息，每个样本一条线，颜色用分组区分

raw_mdsPlot.pdf

用MDS 的方法对样本的beta 值进行分析，看下样本的分组和实验分组是否关联

raw_SampleCluster.pdf

根据探针的beta 值，对样本进行聚类，看下样本分类情况

QC的本质是确认样本间的关系，和实验设计是否一致。在上面的示意图中，T1,T2,T3,T4 属于同一组，但是很明显T1和T3更接近，T2和T4更接近，也就是说T1，T3和T2,T4 两组样本之间存在差异，我们有必要确定造成差异的原因。是否样本本身存在差异，还是说这种差异是由实验阶段的错误操作导致的，如果实验环节确定没问题，那么就是说样本本身存在差异。在后续的差异分析环节，就需要注意这种样本本身的差异对结果