In il post della settimana scorsa , abbiamo consolidato i dati delle prove genetiche in un'unica tabella utilizzando la migliore previsione lineare imparziale. La tabella seguente ( barley_geno_pheno.sas7bdat ) mostra ~300 linee d'orzo con valori fenotipici per quattro tratti e ~7000 marcatori genetici. In questo post utilizzeremo il file Revisione della modellazione predittiva strumento in JMP Genomics per creare più modelli e confrontarli tramite convalida incrociata. Dopo la convalida incrociata, selezioneremo il modello più efficace e lo utilizzeremo per creare file di codice di punteggio da cui possiamo eseguire Valutazione incrociata E Simulazione della progenie .
Imputare i genotipi mancanti
- Tieni presente che nel set di dati mostrato sopra mancano alcuni dati dei marcatori. Prima di eseguire il Revisione della modellazione predittiva strumento, questi genotipi mancanti dovranno essere imputati. Genomica JMP ha uno strumento per imputare i genotipi mancanti sulla base di un campione del vicino più vicino. Per accedere a questo strumento selezionare Genetica > Utilità genetica > Imputa genotipi mancanti dal Inizio della genomica .
- Sul Generale scheda, scegli orzo_geno_feno. sas7bdat come il Inserisci il set di dati SAS .
- Selezionare IndID, Proteina_BLUP, TW_BLUP, ERG_BLUP, E PY_BLUP COME Variabili da mantenere nell'output .
- Nel Specifica in stile elenco delle variabili continue dei predittori casella, entra M: per designare ciascuna colonna che inizia con la lettera "m" come variabile marcatore.
- Seleziona un Cartella di output .
- Non esiste un set di dati di annotazione per questo esempio, quindi il file Annotazione la scheda può essere lasciata vuota.
- Sul Opzioni scheda, impostare il Numero di campioni dei vicini più vicini A 25 . Questo utilizzerà i 25 vicini più vicini di un marcatore per imputare il genotipo mancante.
- Nel Produzione scheda, digitare orzo_impute dentro Prefisso file di output
- Clic Correre per iniziare l'analisi. Al termine del processo, il nuovo set di dati verrà visualizzato nel file designato Cartella di output . Questo set di dati imputato intitolato orzo_impute_img. sas7bdat verrà utilizzato per l'input di Revisione della modellazione predittiva riportato di seguito.
Revisione della modellazione predittiva
- Dal Inizio della genomica menu, selezionare Modellazione predittiva > Metodi principali > Revisione della modellazione predittiva . Sul Generale scheda, scegli orzo_impute_img. sas7bdat come il Inserisci il set di dati SAS per popolare il Variabili disponibili scatola.
- Inserisci ciascuno dei quattro tratti nel file Variabili dipendenti.JMP creerà modelli per tutti e quattro i tratti contemporaneamente.
- Nel Specifica in stile elenco delle variabili continue dei predittori casella, entra M:
- Seleziona un Cartella di output .
- Lasciare le selezioni predefinite su Opzioni scheda.
- Nel Modelli scheda, ci sono 12 tipi di modelli, tutti completamente personalizzabili. Per questo esempio, scegli Minimi quadrati parziali, alberi di partizione, E Regressione della cresta . Creeremo questi tre modelli per prevedere ciascuno dei quattro tratti e confrontare la loro efficacia utilizzando la convalida incrociata.
- Le impostazioni dei singoli modelli possono essere regolate evidenziando il Modello selezionato di scelta e facendo clic Modificare a destra della finestra.
- Inoltre, nella stessa analisi è possibile includere più iterazioni dello stesso tipo di modellazione con impostazioni diverse.
- Evidenzia il Minimi quadrati parziali modello e fare clic Modificare per visualizzare una finestra delle impostazioni. Sono disponibili diverse opzioni per la sopravvivenza, la riduzione dei predittori e il blocco delle variabili. Per questo esempio, apri il file Analisi.Impostare il Tipo di variabile dipendente A Continuo .
- Impostare il Numero massimo di predittori da utilizzare A 1000 . Ciò limiterà il numero di marcatori autorizzati a fare una previsione.
- Clic Recensione di aggiornamento per tornare alla finestra originale di revisione della modellazione predittiva. Selezionare Regressione della cresta, e sul Analisi scheda, impostare il Tipo di variabile dipendente A Continuo e il Numero massimo di predittori da utilizzare A 1000 .
- Ancora una volta, fai clic Recensione di aggiornamento per tornare alla finestra originale di revisione della modellazione predittiva. Selezionare Alberi di partizione ora e sul Analisi scheda, impostare il Tipo di variabile dipendente A Continuo e fare clic Recensione di aggiornamento .
- Le tre schede successive forniscono opzioni per valutare e confrontare i modelli. Noi useremo Convalida incrociata , ma sono presenti opzioni per a Insieme di prova se presente e per Curve di apprendimento .
- Nel Convalida incrociata scheda, fare clic sulla casella accanto a Eseguire il confronto dei modelli di convalida incrociata .
- Per il Metodo di sospensione , Selezionare Partizione casuale . Ciò dividerà casualmente i dati in gruppi e quindi manterrà una frazione di dati da ciascun gruppo.
- Specificare la Dimensioni di tenuta COME K per piegatura a K e impostare il K per piegatura a K cursore su 5 .
- Qui K è uguale al numero di gruppi in una partizione dove 1/K è uguale alla percentuale delle osservazioni totali da resistere.
- Impostare il Numero di iterazioni di hold-out casuali A 5 per eseguire il processo di convalida incrociata 5 volte per ciascun modello.
- Clic Correre per iniziare l'analisi.
Risultati
- Una volta terminata l'analisi, a Giornale JMP verrà visualizzata la finestra con le opzioni per visualizzare i risultati di ogni singolo modello separati dai quattro tratti, insieme ai risultati del confronto del modello di convalida incrociata.
- I risultati sono organizzati per fenotipo, con risultati dettagliati su come ciascun modello si è comportato nel prevedere ciascun tratto. Per le statistiche di confronto dei modelli, fare clic sulla quarta finestra dei risultati per ciascuna caratteristica, iniziando da Convalida incrociata per la revisione di tutte le proteine di previsione predefinite_BLUP .
- I risultati della convalida incrociata includono diversi metodi per valutare l'efficacia del modello, tra cui RMSE, Harrel's C e diagrammi di affidabilità. Valuteremo i modelli basati su Correlazione . Valori di correlazione più elevati sono indicativi di un modello più efficace. Ogni punto sul grafico di correlazione rappresenta una delle cinque iterazioni di convalida incrociata per ciascuno dei tre tipi di modello. I grafici di correlazione per ciascuno dei tratti sono mostrati di seguito:
- Si noti che gli assi dei quattro grafici sono diversi. Secondo questa valutazione, i nostri modelli dei minimi quadrati parziali e di regressione della cresta svolgono un buon lavoro nel prevedere il peso del test (TW) e il contenuto di ergosterolo (ERG). Nessuno dei modelli fornisce una previsione accurata del contenuto proteico o della resa proteica (PY).
- Il modello di regressione della cresta è leggermente più efficace nel prevedere TW ed ERG, quindi selezioneremo questo modello per la valutazione incrociata. Prima di continuare, dovremo cercare il file Cartella di output dove sono archiviati i risultati dell'analisi e trovare il file File di codici di punteggio per il modello di regressione della cresta. Questi file sono file di programma SAS denominati sas E barley_impu_PY_BLUP_02_rr_score.sas .
Riepilogo
La Predictive Modeling Review in JMP Genomics è uno sportello unico per adattare e confrontare più modelli con i tuoi dati. In questo esempio, adattiamo quattro tipi di modello, ciascuno con impostazioni uniche. Tieni presente che nella stessa revisione possono essere incluse più iterazioni dello stesso tipo di modello con impostazioni diverse (ad esempio un modello lineare generale con LASSO rispetto a una selezione graduale). Tieni presente che i modelli possono anche essere adattati individualmente e testati rispetto ai dati di controllo selezionando un tipo di modello dal menu Genomics Starter. Si noti inoltre che l'adattamento dei modelli individualmente può fornire risultati più dettagliati. I risultati di questa analisi sono stati duplici: in primo luogo, la consapevolezza che il modello Ridge Regression è il più efficace per prevedere i nostri fenotipi e in secondo luogo, un file di codice di punteggio che utilizzeremo come base per l'analisi della prossima settimana, Valutazione incrociata e simulazione della progenie con JMP Genomics, Parte 3: Valutazione incrociata, selezione e simulazione della progenie .
