项目一：基本分析

包括：
芯片原始数据的处理和基因分型，我们给出有统计意义的SNP列表。
描述性统计，如minor allele frequency，Hardy-Weinberg equilibrium等。
显著性检验，实验组与对照组的差异，假阳性率（FDR）的计算等。
SNP的关联分析，建立线性模型或logistic回归模型等。(所有的统计可以选择由SAS，SPSS，或S-Plus/R给出)

项目二：Copy Number Variation（CNV）的计算。

CNV是目前的一个热点研究内容。SNP芯片数据可以用于精确地计算CNV。我们提供针对SNP芯片的基于CNAG(Copy Number Analyser for GeneChip), dChip(DNA-Chip Analyzer)和CNAT(Chromosome Copy Number Analysis Tool)等算法的CNV计算结果。

项目三：SNP注释

通过SNP在染色体上的位置，利用寻找SNP可能影响的基因( or EST)。我们也可以对相应基因进行功能的注释（gene ontology ， pathway和转录因子分析等），进而解释SNP可能的作用机理。该部分可以参考常规表达谱芯片的分析。

项目四：SNP挖掘

传统的SNP挖掘使用统计学的方法来进行，往往在敏感性与特异性上有一定的限制。利用一些模式识别/机器学习的方法可以更好解决SNP筛选问题。我们提供基于决策树等SNP挖掘算法。

Hsiang-Yu Yuan et al. FASTSNP: an always up-to-date and extendable service for SNP function analysis and prioritization. Nucleic Acids Research 2006 34(Web Server issue):W635-W641

项目五：诊断模型建立

利用筛选到的SNP建立人工神经网络（ANN）、SVM、PAML等诊断模型，在临床上具有重要意义。下图是我们使用ANN方法来构建诊断模型设计的策略：

项目六：不同SNP平台整合分析

目前SNP public的数据越来越多，主要使用的是Illumina和affymetrix两个平台。我们提供公共数据的整合分析的解决方案，包括不同平台数据之间的整合。

项目七：SNP芯片与表达谱芯片，aCGH等其他高通量数据整合

SNP与表达谱芯片，aCGH在技术上各有所长。我们提供数据整合方案实现综合所有可能的高通量方法，解决相应的生物学问题：如癌症药靶的筛选，复杂遗传疾病marker的挖掘等。

Stein Aerts et al. Gene prioritization through genomic data fusion. NATURE BIOTECHNOLOGY VOLUME 24 NUMBER 5 MAY 2006

项目八: 实验验证部分

包括数据验证实验设计，以及实验服务。
我们提供采用PCR方法，或taq-man的real-time PCR基因分型方法等对SNP芯片内容进行验证的服务。另外，我们也提供对SNP功能的后续实验服务，这包括：

• 对于位于基因启动子区域的SNP, 我们推荐对基因蛋白表达量进行检测（western blot）。同时利用转录因子分析点突变对转录因子结合自由能的影响。
• 对于intron中的SNP，我们推荐进行可变剪切的验证（northern blot）。
• 对于CDS区域的SNP我们建议是否为同义突变，非同义突变可以利用3D你比较建模分析蛋白结构的变化。

对于3’-UTR我们推荐进行microRNA结合位点预测和常见3’-UTR元件预测（如ARE等）。突变会造成结合位点的丢失。