Il s'agit peut-être davantage d'un article de "liste de souhaits", mais je suis intéressé par la capacité d'effectuer une analyse de réseau de corrélation dans JMP avec des ensembles de données OMICS (dans mon cas, des données de concentration de protéines). Il existe une approche populaire appelée WGCNA ( analyse pondérée du réseau de co-expression génique) , décrit comme suit (de https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/ 
"Les réseaux de corrélation sont de plus en plus utilisés dans les applications bioinformatiques. Par exemple, l’analyse pondérée du réseau de co-expression génique est une méthode de biologie des systèmes permettant de décrire les modèles de corrélation entre les gènes dans des échantillons de puces à ADN. L'analyse de réseau de corrélation pondérée (WGCNA) peut être utilisée pour rechercher des groupes (modules) de gènes hautement corrélés, pour résumer ces groupes à l'aide du gène propre du module ou d'un gène central intramodulaire, pour relier les modules les uns aux autres et à des caractéristiques d'échantillon externes (à l'aide d'un réseau de gènes propres). méthodologie) et pour calculer les mesures d’adhésion aux modules. Les réseaux de corrélation facilitent les méthodes de criblage génétique basées sur les réseaux qui peuvent être utilisées pour identifier des biomarqueurs candidats ou des cibles thérapeutiques. Ces méthodes ont été appliquées avec succès dans divers contextes biologiques, par exemple le cancer, la génétique de la souris, la génétique de la levure et l'analyse de données d'imagerie cérébrale. Bien que certaines parties de la méthodologie du réseau de corrélation aient été décrites dans des publications distinctes, il est nécessaire de fournir une implémentation logicielle conviviale, complète et cohérente ainsi qu'un didacticiel d'accompagnement.
Il me semble qu'il ne s'agit que d'une manière sophistiquée de regroupement par covariance, ce que je sais faire avec JMP Pro 14 (j'ai examiné le regroupement dans mon ensemble d'échantillons = répétitions biologiques ainsi que le regroupement des différentes protéines dont j'ai les concentrations). mesuré dans chaque échantillon). En gros, j'aime ce que les auteurs ont fait dans la première figure que j'ai jointe :
: les gènes ont été regroupés en modules basés sur la covariance, puis examinés la corrélation avec les propriétés catégorielles (temps, température et thermotolérance). Dans cet exemple, le module dakgrey comportait 2 053 gènes et était positivement corrélé à la température. J'ai l'impression que ce type d'analyse bioinformatique « sexifiée » devrait être réalisable dans JMP Pro (ou même dans JMP standard), n'est-ce pas ? Je me demande si leur "mesure d'appartenance au module" est essentiellement la valeur du vecteur propre ou quelque chose du genre. À partir de mes données
les échantillons (côté gauche) sont répartis en deux groupes en fonction de leurs profils protéomiques, tandis que sur l'axe des x, vous pouvez voir 10 à 12 groupes généraux de protéines (je pourrais transposer l'ensemble de données et attribuer un cluster à chaque protéine).
Fondamentalement, je souhaite examiner les corrélations de modules (clusters ?) entre la température, le temps et le génotype dans cet ensemble de données ci-joint afin de pouvoir identifier des groupes de protéines en corrélation avec ces facteurs expérimentaux d'intérêt. Il semble en fait que les moindres carrés partiels pourraient également être utilisés pour cela..... Des idées ?
Russe,
Wow, merci d'avoir réfléchi à cela avec autant d'attention. J'ai maintenant des données similaires, mais entièrement quantitatives (voir ci-joint). Cependant, un problème pourrait être que ces ensembles de données protéomiques sont beaucoup plus petits que leurs homologues d’ARNm. Dans cet exemple, il n’y a que 40 protéines (même si cela peut se chiffrer en centaines selon l’échantillon). Mais, au moins, je peux au moins parcourir le pipeline que vous avez joliment tracé. Cela nous amène à ce qui était ma vraie question, qui était la suivante : le WGCNA fait-il simplement régresser les valeurs moyennes de groupes de molécules par rapport à des paramètres physiologiques, ce qui, selon votre réponse, est effectivement fondamentalement ce dont il s'agit. Je vais passer en revue cela aujourd'hui et faire rapport ici avec des questions/commentaires/etc. Merci encore pour votre aide et restez à l'écoute pour en savoir plus.
De belles analyses @abmayfield --vous avez trompé cette table JMP !Avec seulement 12 observations et une présence/absence binaire pour les 769 protéines, il est important de ne pas surajuster ou surinterpréter, mais voici quelques idées supplémentaires :
- Les étapes suivantes devraient produire une analyse de style WGCNA :
1. Transposez, supprimez les quatre échantillons de mauvaise qualité
2. Clustering hiérarchique, bidirectionnel pour obtenir une carte thermique comme vous l'avez déjà fait
3. Choisissez le nombre de clusters de manière interactive (la coloration peut aider) et enregistrez le cluster en tant que nouvelle colonne
4. Résumez pour obtenir la moyenne de toutes les variables par cluster, qui est un profil protéique moyen pour chaque cluster, également appelé protéine propre.Lors de l'exécution du résumé, spécifiez « colonne » comme « format de nom de colonne de statistiques » pour faciliter l'étape suivante.
5. Transposer en arrière et fusionner avec des facteurs expérimentaux
6. Créer des versions numériques des facteurs expérimentaux
7. Multivarié
- Il est plus judicieux et plus puissant d’adapter les modèles ANOVA aux trois facteurs à la fois. Il faut faire attention aux degrés de liberté limités.Vous pouvez le faire avec les protéines propres et le modèle d'ajustement.Vous pouvez également le faire avec les protéines originales, mais le grand nombre de rapports peut être lourd.L'astuce principale dans ce cas est de cliquer avec le bouton droit sur n'importe quel tableau de rapport > Créer un tableau de données combinées.
- JMP Genomics propose un flux de travail plus complet et un tableau de bord interactif à partir de son menu Modélisation ligne par ligne.Vous pouvez même créer des modèles mixtes (par exemple faire du génotype un effet aléatoire).JMP Genomics propose de nombreuses autres routines utiles, car il est conçu pour des ensembles de données à haut débit comme celui-ci.
- Utilisez des protéines d'intérêt significatives et/ou les protéines propres précédentes dans la modélisation d'équations structurelles ou le complément Diagramme de corrélation partielle pour déduire des relations causales potentielles.
- Si vous disposez d'annotations de voie pour les protéines, calculez les scores basés sur la voie, puis analysez-les par rapport aux facteurs expérimentaux.
- Essayez le complément de MJ Guan pour les projections de faible dimension basées sur t-SNE et UMAP.
- Pour PLS, je pense que vous devrez d'abord créer des variables indicatrices binaires pour tous les facteurs expérimentaux avec Cols > Utilities > Make Indicator Columns.
- Exécutez Analyse > Screening > Response Screening pour adapter tous les combos Y par X et sélectionner les protéines en fonction des valeurs p ajustées par le FDR. J'ai essayé cela et rien n'est statistiquement significatif, mais il existe une douzaine de protéines avec de petites valeurs p brutes.
- Si vous pouvez obtenir des mesures continues de l’expression des protéines au lieu de leur présence/absence, les analyses précédentes devraient être plus informatives.
