Dies mag eher ein „Wunschlisten“-Beitrag sein, aber ich interessiere mich für die Fähigkeit, Korrelationsnetzwerkanalysen in JMP mit OMICS-Datensätzen (in meinem Fall Proteinkonzentrationsdaten) durchzuführen. Es gibt einen beliebten Ansatz namens WGCNA ( gewichtete Gen-Koexpressions-Netzwerkanalyse) , wie folgt beschrieben (von https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/ 
„Korrelationsnetzwerke werden zunehmend in bioinformatischen Anwendungen eingesetzt. Beispielsweise ist die Netzwerkanalyse der gewichteten Gen-Koexpression eine systembiologische Methode zur Beschreibung der Korrelationsmuster zwischen Genen in Microarray-Proben. Die gewichtete Korrelationsnetzwerkanalyse (WGCNA) kann verwendet werden, um Cluster (Module) stark korrelierter Gene zu finden, solche Cluster mithilfe des Modul-Eigengens oder eines intramodularen Hub-Gens zusammenzufassen und Module miteinander und mit externen Probenmerkmalen in Beziehung zu setzen (unter Verwendung des Eigengen-Netzwerks). Methodik) und zur Berechnung von Modulmitgliedschaftsmaßen. Korrelationsnetzwerke ermöglichen netzwerkbasierte Gen-Screening-Methoden, die zur Identifizierung möglicher Biomarker oder therapeutischer Ziele verwendet werden können. Diese Methoden wurden erfolgreich in verschiedenen biologischen Kontexten angewendet, z. B. bei Krebs, Mausgenetik, Hefegenetik und der Analyse von Bilddaten des Gehirns. Während Teile der Korrelationsnetzwerkmethodik in separaten Veröffentlichungen beschrieben wurden, besteht die Notwendigkeit, eine benutzerfreundliche, umfassende und konsistente Softwareimplementierung und ein begleitendes Tutorial bereitzustellen.“
Es scheint mir, dass dies nur eine ausgefallene Art der Clusterbildung durch Kovarianz ist, die ich mit JMP Pro 14 machen kann (ich habe mir die Clusterbildung in meinem Probensatz angesehen = biologische Replikate neben der Clusterbildung der verschiedenen Proteine, deren Konzentrationen ich habe). in jeder Probe gemessen). Grundsätzlich gefällt mir, was die Autoren in der ersten Abbildung, die ich angehängt habe, gemacht haben:
: Gruppierte Gene basierend auf Kovarianz in Modulen und untersuchte dann die Korrelation mit kategorialen Eigenschaften (Zeit, Temperatur und Thermotoleranz). In diesem Beispiel enthielt das Dakgrey-Modul 2.053 Gene und korrelierte positiv mit der Temperatur. Ich bin der Meinung, dass diese Art von „sexifizierter“ bioinformatischer Analyse in JMP Pro (oder sogar im regulären JMP) möglich sein sollte, oder? Ich frage mich, ob ihr „Modulmitgliedschaftsmaß“ im Wesentlichen der Eigenvektorwert oder etwas in dieser Richtung ist. Aus meinen Daten
Die Proben (linke Seite) befinden sich basierend auf ihren Proteomprofilen in zwei Clustern, während Sie auf der x-Achse 10–12 allgemeine Proteincluster sehen können (ich könnte den Datensatz transponieren und jedem Protein einen Cluster zuweisen lassen).
Im Grunde möchte ich in diesem angehängten Datensatz Modul-(Cluster-?)Korrelationen über Temperatur, Zeit und Genotyp untersuchen, um Proteincluster zu identifizieren, die mit diesen experimentellen Faktoren von Interesse korrelieren. Es sieht tatsächlich so aus, als ob dafür auch die Methode der partiellen kleinsten Quadrate verwendet werden könnte. Irgendwelche Ideen?
Russ,
Wow, vielen Dank, dass du das so sorgfältig durchdacht hast. Ich habe jetzt ähnliche Daten, aber vollständig quantitativ (siehe Anhang). Ein Problem könnte jedoch sein, dass diese proteomischen Datensätze viel kleiner sind als ihre mRNA-Gegenstücke. In diesem Beispiel gibt es nur 40 Proteine (obwohl es je nach Probe auch Hunderte sein können). Aber wenn nichts anderes passiert, kann ich zumindest die Pipeline durchgehen, die Sie schön gezeichnet haben. Es kommt auf meine eigentliche Frage an, nämlich: Ist WGCNA wirklich nur eine Regression der Mittelwerte von Molekülclustern gegenüber physiologischen Parametern, was Ihrer Antwort zufolge tatsächlich im Grunde das ist, was es ist. Ich werde das heute durchgehen und hier mit Fragen/Kommentaren usw. zurückmelden. Nochmals vielen Dank für Ihre Hilfe und bleiben Sie dran für mehr.
Schöne Analysen @abmayfield --Sie haben die JMP-Tabelle ausgetrickst!Bei nur 12 Beobachtungen und binärer Anwesenheit/Abwesenheit für die 769 Proteine ist es wichtig, nicht zu viel anzupassen oder zu interpretieren, aber hier sind einige weitere Ideen:
- Die folgenden Schritte sollten zu einer Analyse im WGCNA-Stil führen:
1. Transponieren und löschen Sie die vier Samples mit schlechter Qualität
2. Hierarchisches Clustering, bidirektional, um eine Heatmap zu erhalten, wie Sie es bereits getan haben
3. Wählen Sie interaktiv die Anzahl der Cluster aus (Färbung kann hilfreich sein) und speichern Sie Cluster als neue Spalte
4. Fassen Sie zusammen, um den Mittelwert aller Variablen nach Cluster zu erhalten. Dabei handelt es sich um ein durchschnittliches Proteinprofil für jeden Cluster, auch Eigenprotein genannt.Geben Sie beim Ausführen der Zusammenfassung „Spalte“ als „Statistikspaltennamenformat“ an, um den nächsten Schritt zu erleichtern.
5. Zurücktransponieren und mit experimentellen Faktoren verschmelzen
6. Erstellen Sie numerische Versionen der experimentellen Faktoren
7. Multivariat
- Prinzipieller und leistungsfähiger ist es, ANOVA-Modelle mit allen drei Faktoren gleichzeitig anzupassen. Bei eingeschränkten Freiheitsgraden ist Vorsicht geboten.Sie können dies mit den Eigenproteinen und dem Fit-Modell tun.Sie können es auch mit den Originalproteinen machen, aber die große Anzahl an Berichten kann unhandlich sein.Der Haupttrick besteht in diesem Fall darin, mit der rechten Maustaste auf eine beliebige Berichtstabelle zu klicken und dann „Kombinierte Datentabelle erstellen“ auszuwählen.
- JMP Genomics verfügt über einen umfassenderen Workflow und eine interaktive Dashboard-Ausgabe über das Menü „Row-by-Row Modeling“.Sie können sogar gemischte Modelle erstellen (z. B. den Genotyp als Zufallseffekt festlegen).JMP Genomics verfügt über zahlreiche weitere hilfreiche Routinen, da es für Datensätze mit hohem Durchsatz wie diesen konzipiert ist.
- Verwenden Sie wichtige Proteine von Interesse und/oder die vorangehenden Eigenproteine in der Strukturgleichungsmodellierung oder im Add-In „Teilkorrelationsdiagramm“, um mögliche kausale Zusammenhänge abzuleiten
- Wenn Sie Pfadanmerkungen für die Proteine haben, berechnen Sie pfadbasierte Scores und analysieren Sie diese dann im Vergleich zu den experimentellen Faktoren.
- Probieren Sie das Add-In von MJ Guan für niedrigdimensionale Projektionen auf Basis von t-SNE und UMAP aus.
- Für PLS müssten Sie meiner Meinung nach zunächst binäre Indikatorvariablen für alle experimentellen Faktoren mit „Cols > Utilities > Make Indicator Columns“ erstellen
- Führen Sie Analyze > Screening > Response Screening aus, um alle Y-mal-X-Kombinationen anzupassen und Proteine basierend auf FDR-angepassten p-Werten auszuwählen. Ich habe es versucht und nichts ist statistisch signifikant, aber es gibt etwa ein Dutzend Proteine mit kleinen rohen p-Werten.
- Wenn Sie kontinuierliche Messungen der Proteinexpression anstelle der Anwesenheit/Abwesenheit erhalten können, sollten die vorherigen Analysen aussagekräftiger sein.
