之前学习了ChAMP包来处理甲基化芯片分析的整个常规流程，这个包整合了好多常用工具以及分析算法，对使用者来说非常的便捷；但是从其说明文档来看，对于一些比较基础的过程讲的比较少，作为主要的读入芯片数据那步来说，我还是没明白芯片数据是怎么转化为beta矩阵的，所以我找了minfi包来了解下这个过程。 ChAMP包的读入数据也是利用minfi包的方法，所以两者在这个点上是一致的。minfi包的分析流程结构如下(取自minfi文档)：

minfi_class.png

从IDAT files到GenomicRatioSet这个可用于下游分析(差异分析)的对象，主要经过RGChannelSet(probe level)，MethylSet(CpG locus level)，GenomicMethylSet(mapped to genome) or RatioSet(Beta and/or M (logratio of Beta))这些步骤

如果只是简单的使用minfi包，那么步骤如下：

读入IDAT文件，也想ChAMP包一样准备好一个sample_sheet.csv的文件，放在R的当前目录下(该目录下只能有其一个csv文件)

library(minfi)

targets

RGset

pd

annotation(RGset) #查看所会用到的注释文件有哪些

如果没有sample_sheet.csv文件也是可以读入IDAT数据的，只是会没有一些样品信息

对读入后的原始数据进行预处理，bioconductor的minfi处理甲基化数据这篇文章大概列了几种预处理的函数，这里就用Illumina的标准处理(类似于 performed by Genome Studio)

pRGset

mRGset

还有一些标准化函数，如：preprocessSWAN，preprocessQuantile以及preprocessFunnorm，(看着眼熟，原来都整合在ChAMP包里了)

接着转化为GenomicRatioSet对象

dat

最后设置个分组矩阵，然后就是差异甲基化位点分析，比如用下limma包

library(limma)

bate

design

fit

fit2

output

当然minfi中差异分析则不是用limma的，而是dmpFinder函数，下面是文档的例子

dmp

如果是Differential Methylation Regions分析，则使用bumphunter函数

library(doParallel)

detectCores()

registerDoParallel(cores = 6)

design

res

结合上述的过程，如果单纯的简单的分析下差异，minfi包也是可以毫无问题的，如果还需要进行一点质控以及可视化，则需要自行写脚本了；所以如果想方便，那么ChAMP包则是更好的选择吧，过滤啥的都一并处理了，可真省事了。。。

最后推荐一篇博文甲基化特异性区域的计算鉴别，该作者我甚是佩服，进行了多个组学文章分析过程的重现，而且也附上代码，是一个很好的实践教程，这篇则是多形性成胶质细胞瘤(GBM)甲基化分析的文章。

还有一篇也是在上述文章上看到的，bioconductor中甲基化芯片的分析流程: A cross-package Bioconductor workflow for analysing methylation array data，也是一个很好的实践教程，我也打算学习下(最主要主要提供了原始数据！！！)