Dans le message de la semaine dernière , nous avons regroupé les données des essais de sélection dans un seul tableau en utilisant la meilleure prédiction linéaire impartiale. Le tableau ci-dessous ( orge_geno_pheno.sas7bdat ) montre environ 300 lignées d'orge avec des valeurs phénotypiques pour quatre caractères et environ 7 000 marqueurs génétiques. Dans cet article, nous utiliserons le Examen de la modélisation prédictive dans JMP Genomics pour créer plusieurs modèles et les comparer via une validation croisée. Après validation croisée, nous sélectionnerons le modèle le plus efficace et l'utiliserons pour créer des fichiers de codes de notation à partir desquels nous pourrons effectuer Évaluation croisée et Simulation de descendance .
Imputer les génotypes manquants
- Notez que dans l’ensemble de données présenté ci-dessus, certaines données de marqueur sont manquantes. Avant d'exécuter le Examen de la modélisation prédictive outil, ces génotypes manquants devront être imputés. JMP Génomique dispose d'un outil pour imputer les génotypes manquants sur la base d'un échantillon du voisin le plus proche. Pour accéder à cet outil, sélectionnez Génétique > Utilitaires de génétique > Imputer les génotypes manquants du Débutant en génomique .
- Sur le Général onglet, choisissez orge_geno_pheno. sas7bdat comme le Ensemble de données SAS d'entrée .
- Sélectionner IndID, Protéine_BLUP, TW_BLUP, ERG_BLUP, et PY_BLUP comme Variables à conserver dans la sortie .
- Dans le Spécification de style liste des variables continues du prédicteur case, entrez m: pour désigner chaque colonne commençant par la lettre « m » comme variable marqueur.
- Sélectionnez un Dossier de sortie .
- Il n'existe aucun ensemble de données d'annotation pour cet exemple, donc le Annotation L'onglet peut rester vide.
- Sur le Possibilités onglet, définissez le Nombre d'échantillons de voisins les plus proches à 25 . Cela utilisera les 25 voisins les plus proches d'un marqueur pour imputer le génotype manquant.
- Dans le Sortir onglet, tapez orge_impute dans le Préfixe du fichier de sortie
- Cliquez sur Courir pour commencer l'analyse. Une fois le processus terminé, le nouvel ensemble de données apparaîtra dans votre espace désigné Dossier de sortie . Cet ensemble de données imputées intitulé orge_impute_img. sas7bdat sera utilisé pour l’entrée de l’examen de la modélisation prédictive ci-dessous.
Examen de la modélisation prédictive
- Du Débutant en génomique menu, sélectionnez Modélisation prédictive > Méthodes principales > Révision de la modélisation prédictive . Sur le Général onglet, choisissez orge_impute_img. sas7bdat comme le Ensemble de données SAS d'entrée pour peupler le Variables disponibles boîte.
- Placez chacun des quatre traits dans le Variables dépendantes.JMP créera simultanément des modèles pour les quatre caractéristiques.
- Dans le Spécification de style liste des variables continues du prédicteur case, entrez m:
- Sélectionnez un Dossier de sortie .
- Laissez les sélections par défaut sur le Possibilités languette.
- Dans le Des modèles onglet, il existe 12 types de modèles, tous entièrement personnalisables. Pour cet exemple, choisissez Moindres carrés partiels, arbres de partition, et Régression de crête . Nous créerons ces trois modèles pour prédire chacun des quatre traits et comparer leur efficacité à l'aide de la validation croisée.
- Les paramètres individuels du modèle peuvent être ajustés en mettant en surbrillance le Modèle sélectionné de choix et en cliquant Modifier à droite de la fenêtre.
- En outre, plusieurs itérations du même type de modélisation avec des paramètres différents peuvent être incluses dans la même analyse.
- Mettre en évidence le Moindres carrés partiels modèle et cliquez Modifier pour ouvrir une fenêtre de paramètres. Il existe plusieurs options disponibles pour la survie, réduisant les prédicteurs et verrouillant les variables. Pour cet exemple, ouvrez le Analyse.Met le Type de variable dépendante à Continu .
- Met le Nombre maximum de prédicteurs à utiliser à 1000 . Cela limitera le nombre de marqueurs autorisés pour faire une prédiction.
- Cliquez sur Examen de la mise à jour pour revenir à la fenêtre Predictive Modeling Review d'origine. Sélectionner Régression de crête, et sur le Analyse onglet, définissez le Type de variable dépendante à Continu et le Nombre maximum de prédicteurs à utiliser à 1000 .
- Encore une fois, cliquez Examen de la mise à jour pour revenir à la fenêtre Predictive Modeling Review d'origine. Sélectionner Arbres de partition maintenant, et sur Analyse onglet, définissez le Type de variable dépendante à Continu et cliquez Examen de la mise à jour .
- Les trois onglets suivants proposent des options pour évaluer et comparer les modèles. Nous utiliserons Validation croisée , mais des options sont présentes pour un Ensemble d'essai si présent et pour Courbes d'apprentissage .
- Dans le Validation croisée onglet, cliquez sur la case à côté de Effectuer une comparaison de modèles de validation croisée .
- Pour le Méthode de retenue , sélectionner Partition aléatoire . Cela divisera aléatoirement les données en groupes, puis conservera une fraction des données de chaque groupe.
- Spécifie le Taille de maintien comme K pour K-Fold et réglez le K pour K-Fold curseur vers 5 .
- Ici, K est égal au nombre de groupes dans une partition où 1/K est égal au pourcentage du total des observations à retenir.
- Met le Nombre d'itérations d'attente aléatoires à 5 pour exécuter le processus de validation croisée 5 fois pour chaque modèle.
- Cliquez sur Courir pour commencer l'analyse.
Résultats
- Lorsque l'analyse est terminée, un Journal JMP Une fenêtre apparaîtra avec des options permettant d'afficher les résultats de chaque modèle individuel séparés par les quatre caractéristiques, ainsi que les résultats de la comparaison des modèles de validation croisée.
- Les résultats sont organisés par phénotype, avec des résultats détaillés sur la manière dont chaque modèle a prédit chaque caractère. Pour les statistiques de comparaison de modèles, cliquez sur la quatrième fenêtre de résultats pour chaque trait, en commençant par Validation croisée pour l'examen de toutes les prévisions par défaut Protein_BLUP .
- Les résultats de la validation croisée incluent plusieurs méthodes d'évaluation de l'efficacité du modèle, notamment le RMSE, le Harrel's C et les diagrammes de fiabilité. Nous évaluerons les modèles en fonction Corrélation . Des valeurs de corrélation plus élevées indiquent un modèle plus efficace. Chaque point sur le tracé de corrélation représente l'une des cinq itérations de validation croisée pour chacun des trois types de modèles. Les tracés de corrélation pour chacun des traits sont présentés ci-dessous :
- Notez que les axes des quatre tracés sont différents. Selon cette évaluation, nos modèles de moindres carrés partiels et de régression de crête font un bon travail pour prédire le poids spécifique (TW) et la teneur en ergostérol (ERG). Aucun des modèles ne donne une prédiction précise de la teneur en protéines ou du rendement en protéines (PY).
- Le modèle Ridge Regression est légèrement plus efficace pour prédire TW et ERG, nous sélectionnerons donc ce modèle pour une évaluation croisée. Avant de continuer, nous devrons rechercher le Dossier de sortie où les résultats de l'analyse sont stockés et trouver le Fichiers de code de notation pour le modèle de régression de crête. Ces fichiers sont des fichiers de programme SAS nommés SAS et orge_impu_PY_BLUP_02_rr_score.sas .
Résumé
La revue de modélisation prédictive dans JMP Genomics est un guichet unique pour ajuster et comparer plusieurs modèles à vos données. Dans cet exemple, nous adaptons quatre types de modèles, chacun avec des paramètres uniques. Notez que plusieurs itérations du même type de modèle avec des paramètres différents peuvent être incluses dans la même revue (c'est-à-dire un modèle linéaire général avec sélection LASSO ou étape par étape). Notez que les modèles peuvent également être ajustés individuellement et testés par rapport aux données d'exclusion en sélectionnant un type de modèle dans le menu Genomics Starter. Notez également que l'ajustement des modèles individuellement peut donner un résultat plus détaillé. Les résultats de cette analyse étaient doubles : premièrement, la connaissance que le modèle Ridge Regression est le plus efficace pour prédire nos phénotypes et deuxièmement, un fichier de codes de notation que nous utiliserons comme base pour l'analyse de la semaine prochaine, Évaluation croisée et simulation de descendance avec JMP Genomics, Partie 3 : évaluation croisée, sélection et simulation de descendance .
