214629_es-ES

liliconcom

Análisis de expresión con JMP Genomics, parte 3: flujo de trabajo de expresión básico

Genómica JMP tiene tuberías analíticas o Flujos de trabajo realizar una serie de análisis sobre un conjunto de datos. El Flujo de trabajo de expresión básico automatiza una serie de métodos de normalización y control de calidad, seguidos de ANOVA, para realizar un análisis de expresión básico. Para este flujo de trabajo, inspeccionaremos datos de un experimento en el que las células MCF7, células que causan tumores, se exponen al estrógeno en tres momentos diferentes. Estas células se reproducen rápidamente cuando se exponen al estrógeno y se espera que los niveles de expresión aumenten con la exposición continua. Esta serie de análisis brindará una distribución de datos en cada momento en condiciones experimentales y de control, comparará los niveles de expresión para cada uno y creará un conjunto de datos estandarizado para usar con herramientas analíticas adicionales.

1. Abre el e2 _expresión_edf_data.sas7bdat Inspeccionar la estructura del experimento. Cada columna representa una medición grupal (experimental/control) en un momento específico (12 h/24 h/48 h). Se toman tres mediciones para cada grupo en cada nivel para un total de 18 mediciones tomadas en seis condiciones experimentales diferentes.
2. Desde el Iniciador de genómica menú, seleccione Flujos de trabajo > Básico > Flujo de trabajo de expresión básico para abrir el cuadro de diálogo.
3. En el General pestaña, elija e2 _expresión_edf_data.sas7bdat como el Conjunto de datos SAS de entrada .
4. De la lista de Variables disponibles , seleccionar VAR1 como el Variable de etiqueta .
5. Por variables se puede incluir para separar la salida por diferentes niveles de una variable específica. Este conjunto de datos, sin embargo, no tiene ninguna de estas variables. Además, un Variable cromosómica y/o un Variable de posición se puede incluir si se incluye información de anotación en el conjunto de datos.
6. Elige un Carpeta de salida y establecer el Nombre de salida del flujo de trabajo como E2_Tratamiento para una fácil identificación de archivos.
7. En el Diseño experimental pestaña, seleccione e2_expresión_edf. sas7bdat como el Conjunto de datos de diseño experimental . Este conjunto de datos contiene información sobre el diseño del experimento y es necesario para el análisis. Para obtener más información sobre cómo se creó este conjunto de datos, consulte: Análisis de expresión con JMP Genomics, Parte 1: Diseño experimental.
8. El Color variable coloreará la salida de acuerdo con los niveles de las columnas especificadas. Para esta opción, seleccione Características .
9. Seleccionar Nombre de columna como el Variable de etiqueta . Esta columna corresponde a los nombres de las columnas en el Conjunto de datos de entrada .
10. Seleccione ambos Tiempo y Características Para el Variables que definen grupos de trazado para separar las parcelas por los diferentes puntos temporales y grupos de tratamiento.
11. Efectos de los componentes de varianza se pueden incluir para especificar columnas que definen fuentes de variabilidad y estos efectos se pueden ajustar antes de su modelado usando el Efectos de ajuste.El resultado de estos campos será un gráfico circular que explicará el origen de la variabilidad en los datos.
12. Sobre el Control de calidad y normalización , seleccione los tipos de análisis de control de calidad que desea realizar. Para este ejemplo, seleccione ambos Análisis de distribución y Análisis de componentes de correlación y varianza principal .
13. En el Normalización cuadro, seleccione ETS como el Método de normalización .
    • Esta es una manera rápida y sencilla de estandarizar los niveles de expresión para cada grupo experimental en su conjunto de datos. El ? icono al lado de Método de normalización ofrece una descripción de las cuatro opciones del método de normalización.
14. En el ANOVA pestaña, seleccione Tiempo & Características como el Variables de clase . Estas variables forman categorías distintas en el modelo.
15. Enumere los efectos fijos en el Modele estos efectos fijos cuadro como “Tiempo|Características”.
    • Incluyendo al operador de la barra “|” modela el efecto de interacción para Tiempo & Características así como modelar ambas variables como efectos principales. Esto es idéntico a ingresar “Características de tiempo Hora*Características”.
16. Bajo la LSM significa pestaña, ingrese “Tiempo|Características” en el campo etiquetado Estimar las medias LSM para estos efectos fijos .
17. Para Conjunto de diferencias LSMeans para gráficos de volcanes , seleccionar Diferencias simples . Esto denotará diferencias entre los efectos de medias LS ingresados en el paso 16, pero solo cuando los niveles de esas variables hayan cambiado.
    • Para indicar la diferencia entre todos los pares posibles de niveles, seleccione Todas las diferencias por pares , o para tomar diferencias vs un único nivel de referencia, seleccione Diferencias con un control .
18. Marque la casilla junto a Perfiles LSMean significativos del grupo . Esto realizará una agrupación jerárquica para cada una de las variables especificadas en el paso 16 que se calcula que tienen una diferencia significativa.
19. Para garantizar que se calculen las diferencias adecuadas en la salida, seleccione Selector de diferencias (resaltado en rojo a continuación). Esto abrirá una nueva ventana que muestra las diferencias predeterminadas que se calcularán para su uso en los gráficos de volcanes.
20. En el Selector de diferencias ventana, observe que la operación predeterminada es restar el punto de tiempo con una exposición E2 más larga del punto de tiempo anterior. Queremos lo contrario de esto. Haga clic en el Revertir todo botón para cambiar el orden.
    • Opcionalmente, seleccione qué comparaciones incluir en su resultado marcando o desmarcando la casilla Incluir cuadros al lado de cada comparación.
21. Hacer clic Ahorrar .
22. En el Pruebas múltiples pestaña, seleccione un Método de prueba múltiple . Para este ejemplo, usaremos FDR para controlar la tasa de descubrimientos falsos.
23. Seleccione un Alfa Aquí usaremos el estándar 0,05 .
24. No hay datos de anotación establecidos en este ejemplo, pero en los casos en los que sí hay anotaciones, se pueden agregar en el Anotación
25. Hacer clic Correr para comenzar el análisis. El resultado es el siguiente Revista JMP .

Resultados

** Los informes interactivos de este análisis se pueden encontrar en JMP Public.

25. Haga clic en el Análisis de distribución para abrir la primera ventana de resultados.
26. La pestaña inicial muestra el Estimación de la densidad del grano curvas para cada uno de los grupos experimentales antes de la normalización.
    • Para una mayor exploración de datos, resalte cualquiera de las curvas en el gráfico y luego haga clic en el Crear un subconjunto de datos de diseño experimental, excluyendo las curvas seleccionadas opción para abrir un nuevo EDF sin las curvas resaltadas.
27. El Diagramas de caja La pestaña muestra un diagrama de caja de la respuesta para cada columna antes de la normalización.
28. Volver a la Diario ventana y seleccione el segundo conjunto de salida, Análisis de componentes de correlación y varianza principal .
    • Tenga en cuenta que cada uno de los Análisis de componentes de correlación y varianza principal Las ventanas de resultados son idénticas en la salida.
29. El Trama PCA 3D La pestaña proporciona un diagrama de dispersión 3D de los componentes principales. Los puntos rojos son grupos que fueron tratados con estrógeno, mientras que los puntos azules son grupos de control.
    • Hay una agrupación clara de los grupos, lo que sugiere que gran parte de la variación en los datos se explica por el tratamiento con estrógenos.
30. El Parcelas PCA 2DA La pestaña muestra la varianza de cada grupo de componentes principales en una matriz. Los histogramas en diagonal indican el porcentaje de la varianza total explicada por cada componente principal. El Gráfico de sedimentación da la cantidad de varianza explicada por cada componente principal.
31. El Mapa de calor de correlación La pestaña proporciona un mapa de calor de la matriz de correlación. Existe una correlación entre los grupos tratados y no tratados que se observa en el aumento de la coloración azul de los cuadrantes superior derecho e inferior izquierdo.
32. El Distribuciones de correlación La pestaña muestra las distribuciones de la matriz de correlación y sus valores p. Los valores p bajos son indicativos de resultados sólidos.
33. Para abrir la matriz de correlación y una matriz de diagramas de dispersión de correlación, seleccione Correlación y diagramas de dispersión agrupados desde el Iniciar proceso de seguimiento
    • Esto abrirá un nuevo cuadro de diálogo; haciendo clic Correr Aparecerán las matrices.
34. El resultado resultante es la matriz de correlación que se utilizó para desarrollar el Mapa de calor, y Distribución Una parte del mismo se muestra a continuación.
35. Volver a la Diario ventana nuevamente y seleccione Análisis de distribución . Esta es la curva de densidad estandarizada y el diagrama de caja resultante de la normalización con las medianas de cada grupo de respuesta centradas en 0.
    • Los conjuntos de datos normalizados ahora se guardan en el lugar designado. Carpeta de salida y se puede inspeccionar haciendo clic Estandarizar datos desde la ventana del diario.
36. Volver a la Diario ventana nuevamente y seleccione la opción de salida final, ANOVA .
37. La ventana de resultados iniciales que se abre tiene un gráfico de volcán que muestra las diferencias de expresión entre conjuntos de grupos experimentales.
38. Observe que el eje x en cada uno de los gráficos (que representa la diferencia de expresión) no es uniforme. Para analizar estos gráficos de forma eficaz, será necesario cambiar los ejes. Haga clic derecho en el eje x del primer gráfico y seleccione Configuración del eje .
39. Introduzca un rango de -4,5 a 6 en el Mínimo & Máximo campos para Escala .
40. Introduzca 0,5 como Incremento opción y seleccione DE ACUERDO .
41. A continuación, haga clic derecho en el mismo eje y seleccione Editar > Copiar configuración del eje . Esto guarda la configuración del eje para que se pueda aplicar a los otros gráficos.
42. Desplácese hacia abajo hasta el segundo gráfico y mantenga presionado Ctrl + clic derecho. Seleccionar Editar > Pegar configuración del eje . Esto aplicará la configuración del eje copiado a cada gráfico.
43. Una vez ajustados los ejes, eche un vistazo a los resultados. El gráfico del volcán a continuación muestra la diferencia en la expresión de las células que recibieron tratamiento con estrógenos y las células que no recibieron tratamiento con estrógenos. El eje x representa la diferencia en expresión y el eje y representa la significancia estadística de la diferencia.La línea de referencia roja representa un valor p de 0,05.
44. Los gráficos a continuación muestran la diferencia entre los grupos tratados con estrógeno y los de control en las tres diferentes etapas de exposición.
45. De la forma de los gráficos del volcán se desprende claramente que la exposición al estrógeno causa un cambio en la expresión genética en las células MCF7.
46. A continuación, comparamos las gráficas de volcán de los grupos experimental y de control para el cambio en la expresión de 12 horas a 24 horas y de 24 horas a 48 horas. Una vez más, hay una disminución en los niveles de expresión de las mediciones de 24 horas a 48 horas, y un aumento en la expresión de los puntos temporales de 12 horas a 24 horas. Esto está más definido en los grupos que estuvieron expuestos a los estrógenos.
47. Desplácese hasta el LSM significa gráficos paralelos en el lado derecho de la ventana de salida. El gráfico superior muestra la interacción entre las características (grupos de control versus experimentales) y el tiempo. Las líneas no paralelas, como se ve en este gráfico, indican una interacción entre las dos variables. El gráfico inferior muestra medias simples sin interacciones.
    • Tenga en cuenta que al resaltar cualquier línea en este gráfico se seleccionarán sus puntos correspondientes en los gráficos de volcanes y viceversa.
48. Se pueden realizar análisis adicionales a partir de Menú de profundización , incluido el ajuste de un modelo utilizando el ANOVA resultados, crear un subconjunto de datos seleccionados, crear gráficos de intensidad y más.

Resumen

El Flujo de trabajo de expresión básico Es una forma eficaz de encadenar una serie de análisis y comparar niveles de expresión en condiciones experimentales. Este flujo de trabajo es muy recomendable para iniciarse en el análisis de expresiones. Permite la estandarización y el control de calidad de los datos, la exploración de datos, como análisis de distribución y correlación, y análisis de expresión y LSMeans. Desde la ventana de resultados, es fácil continuar el análisis en el Profundizaciones menú y ajuste un modelo a sus datos.

JMP Genomics tiene líneas analíticas o Flujos de trabajo realizar una serie de análisis sobre un conjunto de datos. El Flujo de trabajo de expresión básico automatiza una serie de métodos de normalización y control de calidad, seguidos de ANOVA, para realizar un análisis de expresión básico. Para este flujo de trabajo, inspeccionaremos datos de un experimento en el que las células MCF7, células que causan tumores, se exponen al estrógeno en tres momentos diferentes. Estas células se reproducen rápidamente cuando se exponen al estrógeno y se espera que los niveles de expresión aumenten con la exposición continua. Esta serie de análisis brindará una distribución de datos en cada momento en condiciones experimentales y de control, comparará los niveles de expresión para cada uno y creará un conjunto de datos estandarizado para usar con herramientas analíticas adicionales.

 

Re: Análisis de expresión con JMP Genomics, Parte 3: Flujo de trabajo de expresión básico

Hola @irinastl ,

 

Estas opciones de análisis no están disponibles en JMP en la forma en que se presentan anteriormente.Se podría intentar replicar el análisis anterior, pero requeriría mucho trabajo y tiempo (hacer clic en botones, manipulación de tablas de datos, algunas secuencias de comandos y otras operaciones diversas) para reproducir resultados similares. Estos flujos de trabajo básicos eliminan el enorme tiempo y esfuerzo para crear estos análisis dentro de JMP y por qué existe JMP Genomics. Además, el número de genes (mirando el genoma completo) suele ser de 10.000, lo que probablemente haga que JMP falle debido a limitaciones de memoria en una computadora.

 

Espero que eso dé algo de contexto.

 

Mejor,

Re: Análisis de expresión con JMP Genomics, Parte 3: Flujo de trabajo de expresión básico

¿Están disponibles estas mismas opciones de análisis en JMP14 Pro?