微阵列技术是高通量基因表达分析的成熟方法。 阵列探针与其目标基因之间的准确映射对于产生准确的生物学发现至关重要。 制造商通常会提供此类注释表。 然而，这些表依赖于较旧的基因组和转录组版本，这些版本与当前最先进的序列数据库有很大不同。 Re-Annotator 是用于基因表达微阵列的重新注释管道，它将带来最新的探针注释！ 描述 Re-Annotator 及其优势的论文的预印本可在 bioRxiv 获得：http://biorxiv.org/content/early/2015/05/21/019596

abagen：艾伦大脑图谱遗传数据的工具箱 该软件包提供了一个Python界面，用于获取和使用 （AHBA）微阵列表达数据。 概述 2013年，艾伦脑科学研究所发布了，该数据集包含从六个人脑收集的微阵列表达数据（Hawrylycz等人，2012）。 该数据集提供了前所未有的机会来检查人脑的遗传基础，并且已经产生了对例如和新颖见解。 但是，为了在大多数分析中得到有效利用，AHBA微阵列表达数据通常需要（1）折叠到感兴趣的区域（例如包裹或网络）中，以及（2）跨供体组合。 尽管这可能看起来微不足道，但这些步骤中有许多分析选择会极大地影响所得数据和任何下游分析。 Arnatkevičiūte等人，2019在中对此进行了彻底的处理，证明了用于准备原始AHBA数据的技术和代码在已发布的报告中有很大的不同。 当前的Python软件包abagen旨在提供可重现的工作流，用于处理和准备AHBA微阵列表

InCroMAP 跨平台微阵列和通路数据的集成分析 作者： ， ，，Finja Wrzodek，拉尔斯·罗森鲍姆，和 简短的介绍 您是否曾经尝试整合来自不同生物层的组学数据？ InCroMAP是功能强大，易于使用的高级跨平台微阵列数据集分析工具。 它提供了几种分析或可视化单个数据集的方法，以及执行集成的跨平台分析的方法。 目前，支持mRNA，miRNA（microRNA），DNA甲基化和蛋白质（修饰）数据。 InCroMAP可以例如一次显示一条路径中的所有平台，提供详细的信息，例如有关启动子甲基化的信息，或执行整合的mRNA和microRNA分析。 通常，InCroMAP是用于对跨平台异构数据集进行常规或基于路径的分析和可视化的工具。 刊物 文章引用是对我们来说至关重要，以便能够继续InCroMAP支持。 如果您使用InCroMAP并发表有关使用InCroMAP的工作的论文，我们请您引

针对微阵列基因表达数据高维小样本、高冗余且高噪声的问题，提出一种基于FCBF特征选择和集成优化学习的分类算法FICS-EKELM。首先使用快速关联过滤方法FCBF滤除部分不相关特征和噪声，找出与类别相关性较高的特征集合；其次，运用抽样技术生成多个样本子集，在每个训练子集上利用改进乌鸦搜索算法同步实现最优特征子集选择和核极限学习机KELM分类器参数优化；然后基于基分类器构建集成分类模型对目标数据进行分类识别；此外运用多核平台多线程并行方式进一步提高算法计算效率。在六组基因数据集上的实验结果表明，该算法不仅能用较少特征基因达到较优的分类效果，并且分类结果显著高于已有和相似方法，是一种有效的高维数据分类方法。

基因微阵列数据的聚类分析算法研究.doc

datamicroarray：小样本，高维微阵列数据集的集合，用于评估机器学习算法和模型

针对高维小样本的DNA微阵列数据多分类问题，提出一种基于ReliefF和蚁群算法的特征基因选择方法（ReliefF and ant colony optimization，ReFACO）。该方法首先采用ReliefF算法评估特征权重，根据阈值筛选出无关基因；然后引入改进的蚁群算法，在迭代改进的过程中寻找最优基因子集；最后利用经典分类算法对维数约简后的数据分类识别。经实验证明，该方法可有效地剔除无关和冗余基因，并利用较少特征基因达到较高多分类效果。

基因微阵列数据中的聚类技术研究.pdf

此处提供的蛋白质微阵列分析仪软件包括以下工具：（1）邻域背景校正，（2）净强度校正，（3）用户定义的噪声阈值，（4）复制中的用户定义的CV阈值和（5）检测控件，（6）子阵列之间的复合“针脚对”归一化，以及（7）整个阵列之间的“阵列对阵列”归一化。

新型产后微阵列芯片快速检测遗传异常.pdf