微阵列下一代测序技术与微阵列技术：谁更适合生物医学研究？

微阵列比较基因组杂交技术可以检测出什么

比较基因组杂交parative genomic hybridization,CGH）是自1992年后发展起来的一种分子细胞遗传学技术，它通过单一的一次杂交可对某一肿瘤整个基因组的染色体拷贝数量的变化进行检查。

其基本原理是用不同的荧光染料通过缺口平移法分别标记肿瘤组织和正常细胞或组织的DNA制成探针，并与正常人的间期染色体进行共杂交，以在染色体上显示的肿瘤与正常对照的荧光强度的不同来反映整个肿瘤基因组DNA表达状况的变化，再借助于图像分析技术可对染色体拷贝数量的变化进行定量研究。

CGH技术的优点：1.实验所需DNA样本量较少，做单一的一次杂交即可检查肿瘤整个基因组的染色体拷贝数量的变化。

2.此法不仅适用于外周血、培养细胞和新鲜组织样本的研究，还可用于对存档组织的研究，也可用于因DNA量过少而经PCR扩增的样本的研究。

CGH技术的局限性：CGH技术所能检测到的最小的DNA扩增或丢失是在3-5Mb,故对于低水平的DNA扩增和小片段的丢失会漏检。

此外在相差染色体的拷贝数量无变化时，CGH技术不能检测出平等染色体的易位（就是姐妹染色单体同源序列的互换）。

什么是脱氧核糖核酸 什么是DNA微阵列技术

DNA即脱氧核糖核酸（英文Deoxyribonucleic acid的缩写）,又称去氧核糖核苷酸，是染色体主要组成成分，同时也是主要遗传物质。

DNA 微阵列技术（microarray ）指在固体表面（玻璃片或尼龙膜）上固定成千上万DNA 克隆片段，人工合成的寡核苷酸片段，用荧光或其他标记的mRNA,cDNA 或基因组DNA 探针进行杂交，从而同时快速检测多个基因表达状况或发现新基因，快速检测DNA 序列突变，绘制SNP 遗传连锁图，进行DNA 序列分析等的一种新技术，其基本原理是基于Southern 杂交或斑点杂交技术。

染色体微阵列拷贝数变异cnvs啥意思

CNVs是Copy number variations的缩写，意为“拷贝数变化”。

染色体微阵列是一种检测CNVs的技术。

拷贝数变化(Copy number variations，CNVs)是指患者与健康对照之间基因组DNA拷贝数的差异，以及导致微缺失或微复制综合征的基因组不平衡，如缺失、重复、扩增和非整倍体等。

基因组CNVs通过基因缺失(或)重复、基因断裂、位置效应、后生效应或上位效应等方式可导致各种人类 疾病或功能障碍。

最近研究发现，CNVs是许多遗传病的细胞遗传基础，根据特征性的CNVs，可对遗传病进行准确诊断。

染色体微阵列分析 (chromosomal mlcroarray analysis，CMA) 技术又被称为“分子核型分析”， 能够在全基因组水平进行扫描，可检测染色体不平衡的拷贝数变异(copy number variant,CNV)， 尤其是对于检测染色体组微小缺失、重复等不平衡性重排具有突出优势。

参考文献： 1、微阵列比较基因组杂交技术及其在遗传性疾病中的应用 2、染色体微阵列分析技术在产前诊断中的应用专家共识

Array CGH 是什么

微阵列比较基因组杂交技术 是一种高分辨率、高通量、高效率的全基因组筛查方法.这一方法有效地克服或弥补了现有染色体检测技术的局限性，将染色体病的诊断提高到亚显微甚至基因水平上，极大地提高了染色体异常的检出率，为临床遗传咨询医师进行基因型—表型关系的分析提供科学依据，用于产前诊断中可有效控制出生缺陷儿的出生，提高人口素质。

基于芯片平台的array -CGH技术，正迅速成为鉴定由染色体异常导致的诸如肿瘤和发育异常等人类疾病的有效工具。

CGH芯片能够发掘出以往用低分辨率技术未能检出的基因微缺失或微重复病症，利用寡合苷酸CGH芯片技术，亦能揭示更多更新的染色体重排的分子机制。

罗氏研发的可用于产前诊断的遗传病分子检测芯片，可对染色体异常进行高分辨率、快速、全基因组范围、低成本高通量的分析，用以检测200余种疾病。

不知道我这个回答你是否满意.

现在从事生物信息微阵列数据分析工作 想学编程，请问C++,Perl,R学哪个性价比较高？

我推荐你学习R和python R中bioconductor有大量芯片分析相关的包，非常方便 并且，R 还可以用于统计分析和作图，可以替代spss/sas python同perl一样，有强大的正则表达式，适合生物序列分析；python还可以扩展，例如Rpy模块， 提供python和R的接口，功能强大的让人不敢相信。

学习python的另一个好处是，如果万一有一天，你不想搞研究了，还可以做程序员 如果你时间充足的话，再去学学c/c++, 大量的生物信息学程序还是用c/c++ 写的（关键是速度问题）。

另外的一点建议， 不要花太多时间去学习编程，相比数学和算法， 编程是最不重要的

下一代测序技术与微阵列技术：谁更适合生物医学研究？

NGS系统和配套应用的不断成熟，诸如文库制备和数据分析工具，有助于推动基因组测序在科研圈内越来越流行。

无论出于何种目的——更精确数据、更好分辨率、来自授予机构的压力或者是纯粹担心被前沿技术甩在后面，无容置疑的是对革新性测序技术（提供快速的、廉价的和精确的基因组信息）的需求从未有如此巨大。

NGS技术在经济和技术上已取得长足进步，并收获了自首次出现（约十年之前）以来不断增加的用户认可。

随着人类基因组测序价格快速下降至1000多美元以及在市场中更便宜仪器受到热捧，NGS测序就连预算吃紧的项目都能承担得起。

引用NGS技术的大量期刊论文向芯片用户传达一个明确信息：NGS技术不再是新鲜事物，曾经还是一项成本过高、难以操控的技术，如今却是许多实验室的主流选择，它让研究人员生成比微阵列技术更完整、更准确的数据。

下一代测序技术与微阵列技术在各领域的偏好性 微阵列技术业绩获得证实 NGS已取得巨大进步，人们为什么还使用微阵列技术？答案有很多原因。

过去的近20年间，微阵列平台在实验室中有一个良好的记录。

随着这一操作不断走向完善，研究人员越来越热衷于采用该技术并分析结果。

一般而言，微阵列技术比NGS更易操作，不需要复杂的、高强度劳动的样本准备以及海量的数据分析。

此外，微阵列技术在数据分析中可供选择的工具很多，不过通过使用主要方法就会得到统一的结果。

与NGS测序成本相比，高通量的微阵列技术更经济划算，尤其当处理大规模样品时具有显著优势。

技术更替进程 由微芯片技术向NGS过渡的最佳时间是何时？在两种技术比较时应考虑哪些因素？当研究人员面临选择而感到困惑时，应注重考虑哪几个关键领域，如应用性成熟、单个样本成本和期望的输出结果。

下面分别列举了在基因组学主要应用中的关键方面，如染色质免疫沉淀（几乎完全过渡）和细胞遗传学（过渡才刚刚开始）。

染色质免疫沉淀芯片 染色质免疫沉淀（ChIP）是首个将微阵列（ChiP-chip）过渡到测序（ChIP-SEQ）的技术，这是因为新的NGS技术可提供更好的峰分辨率。

这项应用对测序平台的要求不高——仅需少量短读取片段，在NGS成本快速下降的推动下，技术过渡在短时期内完成。

基因表达 研究人员一直渴望在基因表达实验中利用NGS技术更详细地观察基因表达谱，因为出于“设计偏见”的微阵列仅能提供关于特定探针检测区域的结果，因此微阵列只不过是研究人员设计的数据库。

相反，在没有先前知识约束下，各种RNA测序方法可覆盖转录谱的所有方面，以分析诸如新型转录、剪接体和非编码RNA等事项。

尽管RNA测序具有技术优势，微阵列仍然流行的两个主要原因是：一，其作为基因组学工具长期以来被研究人员熟练使用，并在反复实验中验证了真实性；二，尽管NGS价格大幅下降，但是表达谱分析的阵列技术仍然较便宜并更容易处理大量样品，如成百上千个样品。

基因分型 在基因分型研究中，微阵列技术仍然被广泛采用，这是因为它们相比于NGS在成本上更为便宜，以及更有利于处理全基因组关联研究（GWAS）所需的上千份样品。

不像基因表达那样，基于单核苷酸多态性的微阵列技术容易忽略掉设计偏差，不过，微阵列技术在SNP位点的检测数量上具有局限，这往往促使其更专注于比较常见的变异位点，而一些研究人员认为较低的次要等位基因频率（MAF）更应该值得关注。

另一方面，全基因组测序（WGS）的成本是主要的绊脚石。

为了降低测序成本和进行高通量测序，许多研究人员专注于外显子测序，这一策略将研究重点放在仅占全基因组序列（在人类和其他哺乳动物中）2％的编码序列上，而忽略其它非编码序列。

DNA甲基化 在甲基化研究中会出现更复杂的选择。

无容置疑的是，NGS技术可提供一张更完整的遗传图谱，不过考虑到全基因组测序仍然很昂贵，为了降低成本和进行高通量研究，一些研究人员正利用针对性方法仅观察片段甲基化，这正是微阵列技术仍然受欢迎的原因。

不过，由于甲基化如何精确地作用基因组和转录组仍在研究之中，许多研究者发现这两种技术组合后更适合他们的需求——NGS技术用于查找而微阵列技术用于快速建库。

医学诊断 在诊断领域，从芯片到测序的过渡一直很慢。

属于保守派的临床医生并不那么关注技术进步，令他们更感兴趣的是操作简单、结果一致以及监管部门批准，微阵列技术正好适应这几点，并能提供一个稳定的、可靠的平台。

不过，微阵列技术仅能提供简单的数据分析，如果想揭示新的、未知的信息就需要借助NGS技术，因此，基于NGS的、节约成本的诊断具有诱惑力，如非侵入性的产前测试。

下一代测序技术与芯片技术结合结论 虽然价格下降和技术成熟这两大要素让NGS在许多方面成为首选技术，但是从微阵列技术到NGS技术的过渡是一个漫长而反复的过程。

不同的应用需要不同的要求，当选择新技术或新平台时，研究人员在选择时要仔细权衡。