當人類基因體定序計劃的重要里程碑完成之后，生命科學正式邁入了一個后基因體時代，基因芯片 (microarray) 的出現讓研究人員得以宏觀的視野來探討分子機轉。不過分析是相當復雜的學問，正因為基因芯片成千上萬的信息使得分析數據量龐大，更需要應用到生物統計與生物信息相關軟件的協助。要取得一完整的數據結果，除了前端的實驗設計與操作的無暇外，如何以精確的分析取得可信數據，運籌帷幄于方寸之間，更是畫龍點睛的關鍵。
基因芯片的應用
基因芯片可以同時針對生物體內數以千計的基因進行表現量分析，對于科學研究者而言，不論是細胞的生命周期、生化調控路徑、蛋白質交互作用關系等等研究，或是藥物研發中對于藥物作用目標基因的篩選，到臨床的疾病診斷預測，都為基因芯片可以發揮功用的范疇。
基因表現圖譜抓取了時間點當下所有的動態基因表現情形，將所有的探針所代表的基因與熒光強度轉換成基本數據 (raw data) 后，仿如尚未解密前的達文西密碼，隱藏的奧秘由絲絲的線索串聯綿延，有待專家抽絲剝繭，如剝洋蔥般從外而內層層解析出數千數萬數據下的隱晦含義。
要獲得有意義的分析結果，恐怕不能如潑墨畫般灑脫隨興所致。從 raw data 取得后，需要一連貫的分析流程，經過許多統計方法，才能條清理明的將 raw data 整理出一初步的分析數據，當處理到取得實驗組除以對照組的對數值后 (log2 ratio)，大約完成初步的統計工作，可進展到下一步的進階分析階段。
(1) Rosetta 軟件會透過統計的 model，給予不同的權重來評估數據的可信度，譬如一些實驗操作的誤差或是樣品制備與處理上的瑕疵等，可已經過 Rosetta error model 的修正而提高數據的可信值；
(2) 移除重復出現的探針數據；
(3) 移除 flagged 數據，并以中位數對熒光強度的數據進行標準化 (Normalized) 的校正；
(4) Pearson correlation coefficient (得到 R 值) 目的在比較技術性重復下的相似性，R 值越高表示兩芯片結果越近似。當 R 值超過 0.975，我們才將此次的實驗結果視為可信，才繼續后面的分析流程；
(5) 將技術性重復芯片間的數據進行平均，取得一平均之后的數據；
(6) 將實驗組除以對照組的熒光表現強度差異數據，取對數值 (log2 ratio) 進行計算。
找尋差異表現基因
實驗組與對照組比較后的數據，最重要的就是要找出顯著的差異表現基因，因為這些正是條件改變后而受到調控的目標基因，透過差異表現基因的加以分析，背后所隱藏的生物意義才能如撥云見日般的被發掘出來。
一般根據以下兩種條件來篩選出差異表現基因：
(i) 熒光表現強度差異達 2 倍變化 (fold change 增加 2 倍或減少2倍) 的基因。而我們通常會取對數 (log2) 來做 fold change 數值的轉換，所以看的是 log2 ≧ 1 或 ≦ -1 的差異表現基因；
(ii) 顯著值低于 0.05 (p 值 < 0.05) 的基因。當這兩種條件都符合的情況下所交集出來的基因群，才是顯著性高且穩定的差異表現基因。
進階分析案例
以目前華聯生技的最新服務報告里，將主動提供下列幾種進階分析服務于報告中供您使用參考。
首先，為確認 control 組與 treatment 組各自芯片實驗間的質量一致性，先以主成分分析 (Principle Component Analysis, PCA) 將芯片數萬點的信息簡化成幾個低維度的分析數據，以歸納出彼此的群落分布，藉以比對各自的近似關系。從結果可以看到 control 組與 treatment 組經過主成分分析后，顯示出兩組各自間的結果是相近似的 ，代表這次實驗的設計與芯片結果是可信的，值得往下做進階分析。
接著以 Hierarchical Clustering (叢聚法) 搭配 Pearson correlation 找出各基因彼此間的近似關系。如此將 control 組與 treatment 組的差異表現基因做分群，劃分出 treatment 組經過處理后，對照 control 組而呈現下調 (Down-regulated) 或者上調 (Up-regulated) 基因群。
進階分析服務方面，提供 Gene Ontology (GO, 基因功能分類) 和 Pathways analysis (訊息傳遞路徑分析) 的進階分析。于 GO 的分析，在于將差異表現基因群做功能上的分類，可依功能分類推敲出所處的情況在何種狀態，譬如：細胞增生、受損、凋亡或發炎等等。而訊息傳遞路徑分析則從基因上下游的牽連性來探討受調控后的影響關系。
使用的是 Gene Set Enrichment Analysis (GSEA) 工具，將差異表現基因導入后，再選擇所需要的分析服務，可獲取所需的相關信息。
訊息傳遞路徑的進階分析，幫助研究者探討調控基因間的上下游關系，除可厘清其脈絡以了解完整的影響關系；此外，借著交互間的訊息傳遞網絡，像剝洋蔥般從外而內的解開網絡關聯路徑，才有機會往內更深入找出最重要的上游調控基因，找到這些最關鍵的基因，才有機會發現藥物影響或受外在環境刺激下影響主要的目標基因。借著目標基因的找尋，有助于新藥的開發或者新生物標記基因 (biomarker) 的找尋。
所提供的服務報告里，會提供最顯著的幾個訊息傳遞路徑及所有參與其中的差異表現基因，以 Excel 文件將相關信息做整合，讓客戶能簡單明了的擷取所需信息加以應用。此外也可以從 GSEA 所分析的結果，利用其他的圖表數據庫，如：KEGG 、BioCarta、Signaling gateway、GenMAPP (請見參考文獻) 等等，畫出圖像化的鏈接圖表。
而 GO 的進階分析，在于從功能的分門別類里找出整體趨勢的走向，如：細胞面臨壓力的刺激下，一些相關的功能群組會被調控以因應環境的變化，抵抗壓力的迫害；當壓力過大，細胞調適不過來，細胞即啟動 ”我投降，不玩了！” 的自動凋亡機制 (apoptosis)。
此時可發現 apoptosis 相關的功能群組特別顯著；若壓力的程度再大一些，大到如土石流般無力招架，則細胞可能就因而壞死 (necrosis)，導致細胞碎裂，于是細胞內的物質外露，如細胞介素 (cytokine) 等等，造成其他鄰近細胞受到影響，便引起發炎反應，于是從 GO 類別可以看到細胞壞死或發炎相關的功能群組被大量調控顯著增加。
提供的報告里會列出最顯著的幾個 GO 分類以及有影響作用的基因，并提供鏈接，將以上信息整合到 Excel 文件，讓研究者可以進一步探索里面的信息。
除了上述的兩種進階分析在服務報告會主動提供。我們還提供其他的進階分析方法，依研究者的興趣與需求自行選擇。
由于基因的功能最多是由蛋白質來完成，因此探討蛋白質的生理功能即是一門重要的課題。從一開始的酵母菌雙雜交系統 (Yeast two hybrid system)、熒光共振能量轉移 (Fluorescence resonance energy transfer, FRET)、以及共同免疫沉淀法 (co-immunoprecipitation assay, Co-IP)，就是探討蛋白質-蛋白質或蛋白質-DNA 交互作用關系的研究策略。
現在透過 microarray 與數據庫 (如 IncAct, 見文獻參考) 的發展，便可以利用數據庫來探討蛋白質間之交互作用關連性 (protein-protein interaction, PPI)，并進一步整合出其聯絡網 (PPI networks)，可從蛋白質的角度探討出有別于基因表達層面的生物意義。
結論
華聯還提供研究者更多的服務的內容，期望能以高質量的服務規格滿足您各式各樣的需求與標準。
此外，華聯的網站設計也做了更新，以更貼切用戶使用上的便利。此外也不定期發布有關技術開發與產品發表的訊息，通過網站就就可以知曉，期能更有效的輔助研究。