Pour Génomique JMP 3.2, plusieurs utilisateurs ont demandé à implémenter la correction d’arrière-plan GCRMA dans notre processus d’importation CEL. Semblable à la demande d'implémentation de RMA pour JMP Genomics 3.0, cette demande était principalement motivée par le souhait des clients de traiter des ensembles de données relativement volumineux sans être limités par la mémoire RAM. Plusieurs clients (et nos propres testeurs) ont indiqué qu’ils étaient limités au traitement simultané de 60 à 80 fichiers CEL HU133 à l’aide de la GCRMA mise en œuvre dans R / Bioconductor sur une machine Windows XP 32 Go à 2 bits. Nous l’avons vu lors de l’utilisation de R / Bioconductor en tant qu’application autonome ou via l’encapsuleur Bioconductor Expresso dans JMP Genomics.
L'implémentation GCRMA de JMP Genomics surmonte cette limitation de mémoire et permet le traitement de centaines voire d'un millier de fichiers CEL à la fois. Au cours du processus, le développeur Tzu-Ming Chu a franchi des étapes intermédiaires pour implémenter l'algorithme en code SAS. Semblable à d’autres implémentations commerciales de GCRMA, notre implémentation utilise une version (2.1) de l’algorithme, qui dépend de sondes de non-concordance pour estimer la correction en arrière-plan.
JMP Genomics GCRMA donne des résultats fortement corrélés à la mise en œuvre de R / Bioconductor. Les corrélations entre les intensités normalisées log2 GCRMA générées par les deux implémentations pour les mêmes tableaux allaient de 0,995 à 0,999 pour plusieurs ensembles de données testés. Incidemment, Tzu-Ming a constaté que plusieurs étapes de la mise en œuvre de R (par exemple, les ajustements de ligne à un sous-ensemble de données permettant d'estimer l'affinité de liaison non spécifique) étaient sensibles à la nature des sous-ensembles aléatoires choisis par différentes exécutions de l'algorithme. Il a également constaté que la version actuelle du paquetage gcrma diffère de la version bêta en cours de développement. Les utilisateurs de ce paquetage doivent donc être informés des modifications potentielles apportées par une version ultérieure de l'algorithme. Bien que la normalisation GCRMA ait été introduite dans Wu et al. (2004), l'implémentation dans Bioconductor varie d'une version à l'autre et peut ne pas être exactement la même que celle indiquée dans le document d'origine.
Tzu-Ming et les autres développeurs me demandent toujours de souligner que les méthodes de normalisation, y compris la normalisation quantile, telles que RMA et GCRMA, sont plutôt sévères. Dans un Nature Biotechnologie publication de MAQC I, Tong et al. (2006) ont clairement montré que les contrôles externes Affymetrix (ensembles de sondes avec préfixe AFFX) ont tendance à ne pas fonctionner correctement après les normalisations GCRMA et RMA. Bien que la corrélation entre les tableaux s’améliore après l’application des normalisations GCRMA et RMA, les utilisateurs de ces méthodes risquent de sur-normaliser leurs données. Nos principaux facteurs de motivation pour l’application de ces méthodes dans JMP Genomics étaient la demande de clients commerciaux et la popularité de ces algorithmes sur le marché de l’analyse génomique. Comme je le rappelle parfois à l'équipe de développement, nous ne pouvons pas dire au marché ce qu'il veut. Pour notre jeune produit, c’est le meilleur exemple de ce phénomène à ce jour.
