Questo potrebbe essere più un post sulla "lista dei desideri", ma sono interessato alla capacità di eseguire analisi della rete di correlazione in JMP con set di dati OMICS (nel mio caso, dati sulla concentrazione delle proteine). Esiste un approccio popolare chiamato WGCNA ( analisi della rete di coespressione genica ponderata) , così descritto (da https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/ 
"Le reti di correlazione vengono sempre più utilizzate nelle applicazioni bioinformatiche. Ad esempio, l'analisi della rete di coespressione genica ponderata è un metodo di biologia dei sistemi per descrivere i modelli di correlazione tra i geni nei campioni di microarray. L'analisi della rete di correlazione ponderata (WGCNA) può essere utilizzata per trovare cluster (moduli) di geni altamente correlati, per riassumere tali cluster utilizzando il modulo eigengene o un gene hub intramodulare, per mettere in relazione i moduli tra loro e con tratti di campioni esterni (utilizzando la rete di eigengene metodologia) e per il calcolo delle misure di adesione ai moduli. Le reti di correlazione facilitano metodi di screening genetico basati sulla rete che possono essere utilizzati per identificare biomarcatori candidati o bersagli terapeutici. Questi metodi sono stati applicati con successo in vari contesti biologici, ad esempio cancro, genetica dei topi, genetica dei lieviti e analisi dei dati di imaging del cervello. Sebbene parti della metodologia della rete di correlazione siano state descritte in pubblicazioni separate, è necessario fornire un'implementazione software facile da usare, completa e coerente e un tutorial di accompagnamento."
Mi sembra che questo sia solo un modo elegante di raggruppare per covarianza, cosa che so come fare con JMP Pro 14 (ho esaminato il clustering nel mio set di campioni = repliche biologiche insieme al clustering delle varie proteine le cui concentrazioni ho misurato in ciascun campione). Fondamentalmente, mi piace quello che hanno fatto gli autori nella prima figura che ho allegato:
: hanno raggruppato i geni in moduli in base alla covarianza e quindi hanno esaminato la correlazione con le proprietà categoriche (tempo, temperatura e termotolleranza). In questo esempio, il modulo dakgrey presentava 2.053 geni ed era correlato positivamente con la temperatura. Penso che questo tipo di analisi bioinformatica "sessualizzata" dovrebbe essere realizzabile in JMP Pro (o anche in JMP normale), giusto? Mi chiedo se la loro "misura dell'appartenenza al modulo" sia essenzialmente il valore dell'autovettore o qualcosa del genere. Dai miei dati
i campioni (lato sinistro) sono in due cluster in base ai loro profili proteomici, mentre sull'asse x è possibile vedere 10-12 cluster generali di proteine (potrei trasporre il set di dati e assegnare a ciascuna proteina un cluster).
Fondamentalmente, voglio esaminare le correlazioni dei moduli (cluster?) tra temperatura, tempo e genotipo in questo set di dati allegato in modo da poter identificare cluster di proteine correlate a questi fattori sperimentali di interesse. In realtà sembra che anche i minimi quadrati parziali possano essere utilizzati per questo... Qualche idea là fuori?
Russo,
Wow, grazie per averci pensato così attentamente. Ora dispongo di dati simili, ma completamente quantitativi (vedi allegato). Un problema potrebbe essere, tuttavia, che questi set di dati proteomici sono molto più piccoli delle loro controparti mRNA. In questo esempio, ci sono solo 40 proteine (anche se possono essere centinaia a seconda del campione). Ma, se non altro, posso almeno seguire il percorso che hai ben tracciato. Si arriva a quella che era la mia vera domanda, ovvero: il WGCNA sta davvero semplicemente regredendo i valori medi di gruppi di molecole rispetto a parametri fisiologici, a cui, secondo la tua risposta, fondamentalmente è proprio quello che è. Lo esaminerò oggi e riporterò qui con domande/commenti/ecc. Grazie ancora per il tuo aiuto e resta sintonizzato per ulteriori informazioni.
Belle analisi @abmayfield --hai truccato la tabella JMP!Con solo 12 osservazioni e presenza/assenza binaria per le 769 proteine, è importante non adattare eccessivamente o sovrainterpretare, ma ecco molte altre idee:
- I seguenti passaggi dovrebbero produrre un'analisi in stile WGCNA:
1. Trasporre, eliminare i quattro campioni di scarsa qualità
2. Clustering gerarchico, bidirezionale per ottenere la mappa di calore come hai già fatto
3. Scegli il numero di cluster in modo interattivo (la colorazione può aiutare) e salva cluster come nuova colonna
4. Riepilogare per ottenere la media di tutte le variabili in base al Cluster, che è un profilo proteico medio per ciascun cluster, ovvero l'autoproteina.Quando si esegue Riepilogo, specificare "colonna" come "formato nome colonna statistiche" per facilitare il passaggio successivo.
5. Trasporre indietro e fondere con fattori sperimentali
6. Creare versioni numeriche dei fattori sperimentali
7. Multivariato
- Più efficace e basato su principi è adattare i modelli ANOVA a tutti e tre i fattori contemporaneamente. È necessario fare attenzione ai gradi di libertà limitati.Puoi farlo con le autoproteine e Fit Model.È possibile farlo anche con le proteine originali, ma il gran numero di report può essere ingombrante.Il trucco principale in questo caso è fare clic con il pulsante destro del mouse su qualsiasi tabella del rapporto > Crea tabella dati combinata.
- JMP Genomics dispone di un flusso di lavoro più completo e di output del dashboard interattivo dal menu Modellazione riga per riga.Puoi anche creare modelli misti (ad esempio, rendere il genotipo un effetto casuale).JMP Genomics dispone di numerose altre routine utili, poiché è progettata per set di dati ad alto rendimento come questo.
- Utilizzare proteine significative di interesse e/o le autoproteine precedenti nel modello di equazioni strutturali o nel componente aggiuntivo del diagramma di correlazione parziale per dedurre potenziali relazioni causali
- Se disponi di annotazioni sul percorso per le proteine, calcola i punteggi basati sul percorso e poi analizzali rispetto ai fattori sperimentali.
- Prova il componente aggiuntivo di MJ Guan per proiezioni a bassa dimensione basate su t-SNE e UMAP.
- Per PLS penso che dovresti prima creare variabili indicatore binario per tutti i fattori sperimentali con Cols > Utilities > Make Indicator Columns
- Eseguire Analizza > Screening > Screening della risposta per adattare tutte le combinazioni Y per X e selezionare le proteine in base ai valori p aggiustati da FDR. L'ho provato e nulla è statisticamente significativo, ma ci sono circa una dozzina di proteine con valori p grezzi piccoli.
- Se è possibile ottenere misure continue dell'espressione proteica anziché della presenza/assenza, le analisi precedenti dovrebbero essere più informative.
