Alberto Risueño Pérez - Gredos - Universidad de Salamanca

Tesis Doctoral
La tabla 1.7 muestra el número y porcentaje de genes codificante de proteína que son
mapeados por las sondas de cada modelo de microarray de expresión de Affymetrix. En esta
tabla se diferencia entre genes y transcritos, especificando cuántos de ellos son mapeados de
forma única. Esta tabla muestra que la cobertura de genes conocidos (21281 para humano en
la versión 57 de Ensembl) ha aumentado en con la llegada de cada modelo nuevo: HG-­‐U133A
63,0%; HG-­‐U133 Plus 2.0 89,0%; Human Gene 1.0 94,9%; Human Exon 1.0 98,7%. En el caso de
los transcritos se ha considerado únicamente los transcritos pertenecientes a los genes
codificante de proteína (100299 para humano en la versión 57 de Ensembl), obteniendo el
mismo resultado de aumento de cobertura con la llegada de nuevos modelos de microarrays.
La tabla 1.8 muestra el número y porcentaje de sondas que mapean sobre genes y transcritos
para cada modelo de microarray, detallando cuántas de esas sondas son únicas y cuantas
ambiguas (es decir, presentan hibridación cruzada). Estos datos reflejan que el modelo más
eficiente sobre el organismo humano es el Human Gene 1.0 con un 91,22% de sondas. Por
ejemplo, para el caso del modelo HG-­‐U133A el 16,5% de las sondas no mapean en ningún gene
de la citada versión de Ensembl. Si además sólo se considera el número de sondas únicas
(192213 para el array HG-­‐U133A) la eficiencia en el mapeo es solo del 79,5% para este modelo.
Todo ello indica que una proporción considerable de sondas (16-­‐21%) pueden producir ruido
debido al mapeo incorrecto o ambiguo, especialmente si se calcula la expresión utilizando la
agrupación original proporcionada por Affymetrix. Este problema está también presente en el
nuevo microarray de exones que muestra la eficiencia más baja, con solo un 31% de las sondas
mapeando sobre exones. Estos datos indican que estos microarrays están sujetos a un alto
nivel de ruido, y esto debe ser tenido en cuenta a la hora de su utilización.
1.3.4. Distribuciones del número de sondas únicas no ambiguas y del
número de genes mapeados
En las estadísticas anteriores se determinó el número de sondas no ambiguas a nivel de gen,
siendo por lo tanto las únicas que pueden utilizarse para los análisis de expresión génica ya
que no presentan hibridación cruzada con más genes. En la figura 1.9a se muestra la
distribución del número de sondas presentes por número de genes para dos modelos de arrays
de distinto diseño: HG-­‐U133A y Human Gene 1.0. Esta figura indica que la mayoría de las
sondas detecta un único gen (en concordancia con la tabla 1.8) descendiendo rápidamente el
número de sondas que detectan más de un gen. En la figura 1.9b se muestra el número de
genes en función del número de sondas que los detectan. El diseño de las sondas de los
antiguos modelos IVT 3’ –como es el HG-­‐U133A– se diseñaron definiendo grupos de 11 sondas
próximas en el transcriptoma (probesets). Algunos genes son detectados por más de un
probeset y esto queda reflejado en la figura 1.9b en forma de picos múltiplos de 11 para el
array HG-­‐U133A (línea negra). En el caso del modelo Human Gene 1.0 la distribución es muy
distinta mostrando un pico máximo en 25. Llama la atención el alto número de genes que son
mapeados por una única sonda en ambos modelos. Esto podría ser explicado por la hibridación
cruzada entre genes de la misma familia con secuencias similares (genes parálogos), o por la
aparición en las bases de datos actuales de nuevos genes no conocidos en el momento del
diseño de los chips. Muchos de estos genes nuevos son detectados por técnicas automáticas
de análisis de secuencia y anotados como genes putativos (genes like L) o pseudo-­‐genes, y su
expresión muchas veces es dudosa.
30