214629_de-DE

liliconcom

Expressionsanalyse mit JMP Genomics, Teil 3: Grundlegender Expressions-Workflow

JMP-Genomik verfügt über analytische Pipelines bzw Arbeitsabläufe um eine Reihe von Analysen an einem Datensatz durchzuführen. Der Grundlegender Ausdrucksworkflow automatisiert eine Reihe von Qualitätskontroll- und Normalisierungsmethoden, gefolgt von ANOVA, um eine grundlegende Ausdrucksanalyse durchzuführen. Für diesen Arbeitsablauf untersuchen wir Daten aus einem Experiment, bei dem MCF7-Zellen, Zellen, die Tumore verursachen, zu drei verschiedenen Zeitpunkten Östrogen ausgesetzt werden. Diese Zellen vermehren sich schnell, wenn sie Östrogen ausgesetzt werden, und es ist zu erwarten, dass die Expressionsniveaus bei fortgesetzter Exposition ansteigen. Diese Reihe von Analysen wird eine Verteilung der Daten zu jedem Zeitpunkt sowohl unter Kontroll- als auch unter Versuchsbedingungen liefern, die jeweiligen Expressionsniveaus vergleichen und einen standardisierten Datensatz zur Verwendung mit weiteren Analysetools erstellen.

1. Öffne das e2 _expression_edf_data.sas7bdat Untersuchen Sie den Aufbau des Experiments. Jede Spalte stellt eine Gruppenmessung (Experiment/Kontrolle) zu einem bestimmten Zeitpunkt (12 Stunden/24 Stunden/48 Stunden) dar. Für jede Gruppe werden auf jeder Ebene drei Messungen durchgeführt, sodass insgesamt 18 Messungen unter sechs verschiedenen Versuchsbedingungen durchgeführt werden.
2. Von dem Genomik-Starter Menü auswählen Arbeitsabläufe > Allgemein > Grundlegender Ausdrucksarbeitsablauf um das Dialogfeld aufzurufen.
3. Im Allgemein Registerkarte, wählen Sie e2 _expression_edf_data.sas7bdat als die Geben Sie den SAS-Datensatz ein .
4. Aus der Liste von Verfügbare Variablen , wählen VAR1 als die Beschriftungsvariable .
5. Nach Variablen kann eingefügt werden, um die Ausgabe nach verschiedenen Ebenen einer angegebenen Variablen zu trennen. Dieser Datensatz enthält jedoch keine dieser Variablen. Darüber hinaus a Chromosomenvariable und/oder a Positionsvariable kann einbezogen werden, wenn Anmerkungsinformationen im Datensatz enthalten sind.
6. Wähle ein Ausgabeordner und stellen Sie die ein Name der Workflow-Ausgabe als E2_Behandlung zur einfachen Dateiidentifizierung.
7. Im Experimentelles Design Registerkarte, auswählen e2_expression_edf. sas7bdat als die Datensatz für experimentelles Design . Dieser Datensatz enthält Informationen zum Design des Experiments und wird für die Analyse benötigt. Weitere Informationen zur Erstellung dieses Datensatzes finden Sie unter: Expressionsanalyse mit JMP Genomics, Teil 1: Experimentelles Design.
8. Der Farbvariable färbt die Ausgabe entsprechend den Ebenen der angegebenen Spalten. Wählen Sie für diese Option Eigenschaften .
9. Wählen Spaltenname als die Beschriftungsvariable . Diese Spalte entspricht den Spaltennamen im Eingabedatensatz .
10. Wählen Sie beide aus Zeit Und Eigenschaften für die Variablen, die Plotgruppen definieren um Diagramme nach verschiedenen Zeitpunkten und Behandlungsgruppen zu trennen.
11. Effekte der Varianzkomponente können einbezogen werden, um Spalten anzugeben, die Variabilitätsquellen definieren, und diese Effekte können vor ihrer Modellierung mithilfe von angepasst werden Anpassungseffekte.Die Ausgabe dieser Felder ist ein Kreisdiagramm, das die Quelle der Variabilität in den Daten erläutert.
12. Auf der QC und Normalisierung Wählen Sie auf der Registerkarte „QC“ die Arten der durchzuführenden QC-Analyse aus. Wählen Sie für dieses Beispiel beide aus Verteilungsanalyse Und Korrelations- und Hauptvarianzkomponentenanalyse .
13. Im Normalisierung Feld auswählen STD als die Normalisierungsmethode .
    • Dies ist eine schnelle und einfache Möglichkeit, die Expressionsniveaus für jede Versuchsgruppe in Ihrem Datensatz zu standardisieren. Der ? Symbol neben Normalisierungsmethode gibt eine Beschreibung der vier Optionen der Normalisierungsmethode.
14. Im ANOVA Registerkarte, auswählen Zeit & Eigenschaften als die Klassenvariablen . Diese Variablen bilden im Modell unterschiedliche Kategorien.
15. Listen Sie die festen Effekte im auf Modellieren Sie diese festen Effekte Feld als „Zeit|Eigenschaften“ ein.
    • Einschließlich des Balkenoperators „|“ modelliert den Interaktionseffekt für Zeit & Eigenschaften sowie die Modellierung beider Variablen als Haupteffekte. Dies ist identisch mit der Eingabe von „Time Characteristics Time*Characteristics“.
16. Unter dem LSMeutet Geben Sie auf der Registerkarte „Time|Characteristics“ im Feld mit der Bezeichnung „Time|Characteristics“ ein Schätzen Sie LSManes für diese festen Effekte .
17. Für LSMeans-Differenzsatz für Vulkandiagramme , wählen Einfache Unterschiede . Dadurch werden Unterschiede zwischen den in Schritt 16 eingegebenen LS-Means-Effekten angezeigt, jedoch nur, wenn sich die Ebenen dieser Variablen geändert haben.
    • Um den Unterschied zwischen allen möglichen Ebenenpaaren anzugeben, wählen Sie aus Alle paarweisen Unterschiede , oder um Unterschiede zu einem einzelnen Referenzniveau zu ermitteln, wählen Sie aus Unterschiede zu einer Kontrolle .
18. Aktivieren Sie das Kontrollkästchen neben Clustern Sie signifikante LSMean-Profile . Dadurch wird ein hierarchisches Clustering für jede der angegebenen Variablen aus Schritt 16 durchgeführt, bei denen berechnet wird, dass sie einen signifikanten Unterschied aufweisen.
19. Um sicherzustellen, dass die richtigen Unterschiede in der Ausgabe berechnet werden, wählen Sie aus Differenzauswahl (unten rot hervorgehoben). Dadurch wird ein neues Fenster geöffnet, in dem die Standardunterschiede angezeigt werden, die für die Verwendung in den Vulkandiagrammen berechnet werden.
20. Im Differenzauswahl Beachten Sie, dass die Standardoperation darin besteht, den Zeitpunkt mit längerer E2-Belichtung vom früheren Zeitpunkt zu subtrahieren. Wir wollen das Gegenteil davon. Drücke den Alles umkehren Klicken Sie auf die Schaltfläche, um die Bestellung auszutauschen.
    • Wählen Sie optional aus, welche Vergleiche in Ihre Ausgabe einbezogen werden sollen, indem Sie das Kontrollkästchen aktivieren oder deaktivieren Enthalten Kästchen neben jedem Vergleich.
21. Klicken Speichern .
22. Im Mehrere Tests Wählen Sie auf der Registerkarte a aus Mehrfachtestmethode . Für dieses Beispiel verwenden wir FDR um die Falscherkennungsrate zu kontrollieren.
23. Wählen Sie eine aus Alpha Hier verwenden wir den Standard 0,05 .
24. In diesem Beispiel gibt es keinen Anmerkungsdatensatz, aber in Fällen, in denen Anmerkungen vorhanden sind, können diese hinzugefügt werden Anmerkung
25. Klicken Laufen um mit der Analyse zu beginnen. Das Ergebnis ist das Folgende JMP-Journal .

Ergebnisse

** Interaktive Berichte zu dieser Analyse finden Sie auf JMP Public.

25. Drücke den Verteilungsanalyse Klicken Sie auf die Schaltfläche, um das erste Ergebnisfenster aufzurufen.
26. Die erste Registerkarte zeigt die Schätzung der Kerndichte Kurven für jede der Versuchsgruppen vor der Normalisierung.
    • Markieren Sie zur weiteren Datenerkundung eine der Kurven im Diagramm und klicken Sie dann auf Erstellen Sie einen Teilsatz des experimentellen Entwurfsdatensatzes unter Ausschluss ausgewählter Kurven Option zum Aufrufen eines neuen EDF ohne die hervorgehobenen Kurven.
27. Der Boxplots Auf der Registerkarte wird ein Boxplot der Antwort für jede Spalte vor der Normalisierung angezeigt.
28. Gehe zurück zum Tagebuch Fenster und wählen Sie den zweiten Ausgabesatz aus. Korrelations- und Hauptvarianzkomponentenanalyse .
    • Beachten Sie, dass jeder der Korrelations- und Hauptvarianzkomponentenanalyse Ergebnisfenster sind in der Ausgabe identisch.
29. Der 3D-PCA-Diagramm Die Registerkarte zeigt ein 3D-Streudiagramm der Hauptkomponenten. Rote Punkte sind Gruppen, die mit Östrogen behandelt wurden, während blaue Punkte Kontrollgruppen sind.
    • Es gibt eine klare Gruppierung der Gruppen, was darauf hindeutet, dass ein Großteil der Varianz in den Daten durch die Östrogenbehandlung erklärt wird.
30. Der 2DA PCA-Diagramme Die Registerkarte zeigt die Varianz für jede Hauptkomponentengruppe in einer Matrix. Die Histogramme auf der Diagonale geben den Prozentsatz der Gesamtvarianz an, der durch jede Hauptkomponente erklärt wird. Der Geröllgrundstück gibt den Betrag der Varianz an, der durch jede Hauptkomponente erklärt wird.
31. Der Korrelationswärmekarte Die Registerkarte zeigt eine Heatmap der Korrelationsmatrix. Es besteht eine Korrelation zwischen der behandelten und der unbehandelten Gruppe, die sich in der verstärkten Blaufärbung des oberen rechten und unteren linken Quadranten zeigt.
32. Der Korrelationsverteilungen Die Registerkarte zeigt die Verteilungen der Korrelationsmatrix und ihre p-Werte. Die niedrigen p-Werte weisen auf robuste Ergebnisse hin.
33. Um die Korrelationsmatrix und eine Matrix der Korrelationsstreudiagramme anzuzeigen, wählen Sie Korrelation und gruppierte Streudiagramme von dem Folgeprozess starten
    • Dadurch wird ein neues Dialogfeld geöffnet. Klicken Laufen ruft die Matrizen auf.
34. Die resultierende Ausgabe ist die Korrelationsmatrix, die zur Entwicklung des verwendet wurde Wärmekarte, Und Verteilung Ein Teil davon ist unten dargestellt.
35. Gehe zurück zum Tagebuch Fenster erneut öffnen und auswählen Verteilungsanalyse . Dies ist die standardisierte Dichtekurve und das Boxplot, die sich aus der Normalisierung ergeben, wobei die Mediane jeder Antwortgruppe bei 0 zentriert sind.
    • Die normalisierten Datensätze werden nun im angegebenen Verzeichnis gespeichert Ausgabeordner und können durch Anklicken eingesehen werden Daten standardisieren aus dem Journalfenster.
36. Gehe zurück zum Tagebuch Öffnen Sie das Fenster erneut und wählen Sie die endgültige Ausgabeoption. ANOVA .
37. Das erste Ergebnisfenster, das sich öffnet, enthält ein Vulkandiagramm, das die Unterschiede im Ausdruck zwischen Sätzen von Versuchsgruppen zeigt.
38. Beachten Sie, dass die x-Achse in jedem der Diagramme (die den Unterschied im Ausdruck darstellt) nicht einheitlich ist. Um diese Diagramme effektiv analysieren zu können, müssen die Achsen geändert werden. Klicken Sie mit der rechten Maustaste auf die x-Achse des ersten Diagramms und wählen Sie aus Achseneinstellungen .
39. Geben Sie einen Bereich von -4,5 bis 6 ein Minimum & Maximal Felder für Skala .
40. Geben Sie als Wert 0,5 ein Zuwachs Option und wählen Sie OK .
41. Klicken Sie anschließend mit der rechten Maustaste auf dieselbe Achse und wählen Sie aus Bearbeiten > Achseneinstellungen kopieren . Dadurch werden die Achseneinstellungen gespeichert, sodass sie auf die anderen Diagramme angewendet werden können.
42. Scrollen Sie jetzt nach unten zum zweiten Diagramm und halten Sie Strg + Rechtsklick gedrückt. Wählen Bearbeiten > Achseneinstellungen einfügen . Dadurch wird die kopierte Achseneinstellung auf jeden Plot angewendet.
43. Schauen Sie sich nach der Anpassung der Achsen die Ergebnisse an. Das Vulkandiagramm unten zeigt den Unterschied in der Expression für Zellen, die eine Östrogenbehandlung erhielten, und Zellen ohne Östrogenbehandlung. Die x-Achse stellt den Unterschied im Ausdruck dar und die y-Achse stellt die statistische Signifikanz des Unterschieds dar.Die rote Referenzlinie stellt einen p-Wert von 0,05 dar.
44. Die folgenden Diagramme zeigen den Unterschied zwischen mit Östrogen behandelten Gruppen und Kontrollgruppen in den drei verschiedenen Expositionsstadien.
45. Aus der Form der Vulkandiagramme geht klar hervor, dass die Exposition gegenüber Östrogen tatsächlich eine Veränderung der Genexpression in MCF7-Zellen verursacht.
46. Nachfolgend vergleichen wir die Vulkandiagramme der Kontroll- und Versuchsgruppe hinsichtlich der Änderung der Expression von 12 Stunden auf 24 Stunden und von 24 Stunden auf 48 Stunden. Auch hier gibt es eine Abnahme der Expressionsniveaus von den 24-Stunden- bis 48-Stunden-Messungen und eine Zunahme der Expression von den 12-Stunden- bis 24-Stunden-Zeitpunkten. Dies ist in den Gruppen, die Östrogen ausgesetzt waren, stärker ausgeprägt.
47. Scrollen Sie zu LSMeutet Parallelplots auf der rechten Seite des Ausgabefensters. Das obere Diagramm zeigt die Interaktion zwischen Merkmalen (Kontrollgruppe vs. Versuchsgruppen) und Zeit. Nichtparallele Linien, wie sie in diesem Diagramm zu sehen sind, deuten auf eine Interaktion zwischen den beiden Variablen hin. Das untere Diagramm zeigt einfache Mittelwerte ohne Wechselwirkungen.
    • Beachten Sie, dass durch das Hervorheben von Linien in diesem Diagramm die entsprechenden Punkte in den Vulkandiagrammen ausgewählt werden und umgekehrt.
48. Weitere Analysen können von dort aus durchgeführt werden Drilldown-Menü , einschließlich der Anpassung eines Modells mithilfe des ANOVA Ergebnisse, Erstellen einer Teilmenge ausgewählter Daten, Erstellen von Intensitätsdiagrammen und mehr.

Zusammenfassung

Der Grundlegender Ausdrucksworkflow ist eine effektive Möglichkeit, eine Reihe von Analysen aneinanderzureihen und die Expressionsniveaus unter experimentellen Bedingungen zu vergleichen. Dieser Arbeitsablauf wird für den Einstieg in die Ausdrucksanalyse dringend empfohlen. Es ermöglicht Datenstandardisierung und Qualitätskontrolle, Datenexploration wie Verteilungs- und Korrelationsanalysen sowie Ausdrucks- und LSMeans-Analyse. Vom Ausgabefenster aus ist es einfach, die Analyse fortzusetzen Drilldowns Menü und passen Sie ein Modell an Ihre Daten an.

JMP Genomics verfügt über analytische Pipelines bzw Arbeitsabläufe um eine Reihe von Analysen an einem Datensatz durchzuführen. Der Grundlegender Ausdrucksworkflow automatisiert eine Reihe von Qualitätskontroll- und Normalisierungsmethoden, gefolgt von ANOVA, um eine grundlegende Ausdrucksanalyse durchzuführen. Für diesen Arbeitsablauf werden wir Daten aus einem Experiment untersuchen, bei dem MCF7-Zellen, Zellen, die Tumore verursachen, zu drei verschiedenen Zeitpunkten Östrogen ausgesetzt werden. Diese Zellen vermehren sich schnell, wenn sie Östrogen ausgesetzt werden, und es ist zu erwarten, dass die Expressionsniveaus bei fortgesetzter Exposition ansteigen. Diese Reihe von Analysen wird eine Verteilung der Daten zu jedem Zeitpunkt sowohl unter Kontroll- als auch unter Versuchsbedingungen liefern, die jeweiligen Expressionsniveaus vergleichen und einen standardisierten Datensatz zur Verwendung mit weiteren Analysetools erstellen.

 

Betreff: Expressionsanalyse mit JMP Genomics, Teil 3: Grundlegender Expressions-Workflow

Hallo @irinastl ,

 

Diese Analyseoptionen stehen in JMP nicht in der oben dargestellten Weise zur Verfügung.Man könnte versuchen, die obige Analyse zu reproduzieren, aber es würde viel Arbeit und Zeit erfordern (Klicken auf Schaltflächen, Manipulation der Datentabelle, einige Skripte und andere verschiedene Vorgänge), um ähnliche Ergebnisse zu reproduzieren. Diese grundlegenden Arbeitsabläufe nehmen Ihnen den enormen Zeit- und Arbeitsaufwand für die Erstellung dieser Analysen in JMP ab und erklären, warum es JMP Genomics gibt. Außerdem liegt die Scherzahl der Gene (bezogen auf das gesamte Genom) normalerweise bei 10.000, was JMP aufgrund von Speicherbeschränkungen auf einem Computer wahrscheinlich zum Absturz bringen kann.

 

Ich hoffe, das gibt einen gewissen Kontext.

 

Am besten,

Betreff: Expressionsanalyse mit JMP Genomics, Teil 3: Grundlegender Expressions-Workflow

Sind dieselben Analyseoptionen in JMP14 Pro verfügbar?