MikroarrayAnalysen

Mikroarrayanalysen bezeichnen eine Gruppe von Labortechniken, mit denen die Aktivität oder Variation vieler genetischer Elemente gleichzeitig gemessen wird. Hauptanwendungsbereiche sind die Genexpressionsanalyse sowie die Erkennung genomischer Variationen. Mikroarrays bestehen aus Tausenden bis Millionen fest installierter Sonden, die spezifische DNA- oder RNA-Sequenzen repräsentieren. Probenmaterialien werden markiert und auf dem Array hybridisiert; die gemessenen Fluoreszenzsignale liefern für jede Sonde eine Intensität, aus der relative Expressionsniveaus oder Kopienzahlen abgeleitet werden.

Es gibt verschiedene Typen von Mikroarrays: Genexpressionsarrays quantifizieren RNA-Transkriptlevels; DNA-Arrays dienen der Genotypisierung und der Bestimmung von Kopienzahlveränderungen (CGH- oder SNP-Arrays); Methylierungsarrays kartieren epigenetische Muster. Die Proben stammen oft aus Gewebe, Zellen oder Zelllinien; häufig kommen biologische Replikate zum Einsatz. Arrays basieren auf unterschiedlichen Plattformen, etwa cDNA-, Oligonukleotid- oder Sonden-Designs, je nach Anwendungsgebiet.

Typischer Workflow ist durch sorgfältiges Experimentdesign, Probenvorbereitung, Kennzeichnung der Nukleinsäuren, Hybridisierung, Scannen und Signalextraktion gekennzeichnet. Die Rohdaten werden normalization und qualitativen Qualitätskontrollen unterzogen. Statistische Modelle, beispielsweise lineare Modelle und das LIMMA-Paket, identifizieren differentiell expressierte Gene oder signifikante Kopienzahlveränderungen. Ergebnisse werden oft mithilfe weiterer Experimente, etwa qPCR, validiert. Datenaufbereitung folgt häufig MIAME-Richtlinien, um Struktur und Reproduzierbarkeit der Experimente sicherzustellen.

Vorteile liegen in der Parallelität und Standardisierung, während Nachteile eine begrenzte dynamische Reichweite, potenzielle Kreuzhybridisierung und Abhängigkeit von bekannten Sonden umfassen. Seit der Verbreitung Sequenzbasierter Methoden wie RNA-Seq hat die Nutzung von Mikroarrays in vielen Bereichen abgenommen, bleibt aber in bestimmten Anwendungen, historischen Datensätzen und standardisierten klinischen Tests relevant.

Daten und Standards ermöglichen den transparenten Austausch von Ergebnissen, wobei öffentliche Repositorien und Metadaten eine wichtige Rolle spielen.