對於 JMP基因組學 3.2，我們有幾個用戶請求在我們的CEL導入過程中實現GCRMA背景校正。類似於為JMP Genomics 3.0實施RMA的要求，這主要是因為客戶希望處理相對較大的數據集而不受RAM內存的限制。一些客戶（以及我們自己的測試人員）報告說，在32位2GB Windows XP機器上使用R / Bioconductor中實現的GCRMA，一次只能處理大約60-80個HU133 CEL文件。我們在使用R / Bioconductor作為獨立應用程序或通過JMP Genomics中的Bioconductor Expresso包裝器時看到了這一點。
JMP Genomics GCRMA實現克服了這種內存限制，允許一次處理數百甚至上千個CEL文件。在此過程中，開發人員Tzu-Ming Chu通過中間步驟在SAS代碼中實現該算法。與GCRMA的其他商業實現類似，我們的實現使用算法的版本（2.1），其依賴於不匹配探針來估計背景校正。
JMP Genomics GCRMA提供與R / Bioconductor實施高度相關的結果。對於我們測試的幾個數據集，由相同陣列的兩個實現產生的log2 GCRMA歸一化強度之間的相關性範圍從0.995到0.999。順便提一下，Tzu-Ming確實發現R實現中的幾個步驟（例如，線擬合用於估計非特異性結合親和力的數據子集）對由算法的不同運行選擇的隨機子集的性質敏感。他還發現當前發布的gcrma軟件包版本與目前正在開發的測試版版本不同，因此該軟件包的用戶應該了解更高版本算法中可能出現的更改。儘管GCRMA標準化是在Wu等人中引入的。（2004年），Bioconductor的實施因版本而異，可能與原始文件不完全相同。
Tzu-Ming和其他開發人員總是敦促我指出包括分位數歸一化在內的歸一化方法，如RMA和GCRMA，是相當嚴格的方法。在一個自然生物技術來自MAQC I，Tong等人的出版物。（2006）清楚地表明，在GCRMA和RMA標準化之後，Affymetrix外部控制（具有前綴AFFX的探針組）傾向於不一致地執行。雖然在應用GCRMA和RMA規範化之後陣列之間的相關性確實提高了，但這些方法的用戶可能會冒著過度規範化數據的風險。我們在JMP基因組學中實施這些方法的主要動機是商業客戶的需求以及這些算法在基因組學分析市場中的普及。正如我有時提醒開發團隊，我們無法告訴市場它想要什麼。對於我們的年輕產品，這是這種現象的最好例子。
