これは「欲しいものリスト」の投稿に近いかもしれませんが、OMICS データセット (私の場合はタンパク質濃度データ) を使用して JMP で相関ネットワーク分析を実行できる機能に興味があります。 WGCNA と呼ばれる一般的なアプローチがあります (加重遺伝子共発現ネットワーク解析) 、次のように説明されます（からhttps://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/ 
「相関ネットワークはバイオインフォマティクスアプリケーションでますます使用されています。 たとえば、加重遺伝子共発現ネットワーク解析は、マイクロアレイ サンプル全体の遺伝子間の相関パターンを記述するシステム生物学の手法です。 加重相関ネットワーク分析 (WGCNA) は、相関性の高い遺伝子のクラスター (モジュール) を見つけたり、モジュール eigengene またはモジュール内ハブ遺伝子を使用してそのようなクラスターを要約したり、モジュールを相互に関連付けたり、外部サンプル形質に関連付けたり (eigengene ネットワークを使用) するために使用できます。方法論)、およびモジュールのメンバーシップ測定値の計算に使用されます。 相関ネットワークは、候補バイオマーカーまたは治療標的を同定するために使用できるネットワークベースの遺伝子スクリーニング方法を容易にします。 これらの方法は、癌、マウス遺伝学、酵母遺伝学、脳画像データの分析など、さまざまな生物学的状況に適用されて成功しています。 相関ネットワーク手法の一部は別の出版物で説明されていますが、ユーザーフレンドリーで包括的で一貫性のあるソフトウェア実装とそれに付随するチュートリアルを提供する必要があります。」
私には、これは共分散によるクラスタリングの単なる派手な方法であるように思えますが、私は JMP Pro 14 で行う方法を知っています (私は、サンプルセット = 生物学的複製全体のクラスタリングを、濃度が異なるさまざまなタンパク質のクラスタリングと並行して調べました)各サンプルで測定）。 基本的に、私は添付した最初の図で著者が行ったことが気に入っています。
: 共分散に基づいて遺伝子をモジュールにクラスター化し、カテゴリ特性 (時間、温度、耐熱性) との相関関係を調べました。 この例では、dakgrey モジュールには 2,053 個の遺伝子が含まれており、温度と正の相関がありました。 この種の「性化された」バイオインフォマティクス分析は、JMP Pro (または通常の JMP) で実現できるはずだと思います。 彼らの「モジュールメンバーシップ尺度」が本質的に固有ベクトル値かそれに近いものなのかどうか疑問に思っています。 私のデータから
サンプル (左側) はプロテオーム プロファイルに基づいて 2 つのクラスターに分かれていますが、x 軸には 10 ～ 12 個の一般的なタンパク質のクラスターが表示されます (データセットを転置して、各タンパク質にクラスターを割り当てることもできます)。
基本的に、この添付データセットの温度、時間、遺伝子型にわたるモジュール (クラスター?) の相関関係を調べて、これらの関心のある実験因子と相関するタンパク質のクラスターを特定したいと考えています。 実際、部分最小二乗法もこれに使用できるようです....何かアイデアはありますか?
ラス、
わあ、とても慎重に考えてくださってありがとうございます。 現在、同様のデータを入手していますが、完全に定量的です (添付を参照)。 ただし、問題の 1 つは、これらのプロテオミクス データセットが、対応する mRNA のデータセットよりもはるかに小さいことです。 この例では、タンパク質は 40 個のみです (ただし、サンプルによっては数百個になる可能性があります)。 しかし、少なくとも、あなたがうまく描いてくれたパイプラインを通過することはできます。 私の本当の疑問は何だったのかということです。WGCNA は本当に分子のクラスターからの平均値を生理学的パラメーターに対して回帰しているだけなのでしょうか。それに対するあなたの返答によると、基本的にはそれが実際にそうなのです。 今日はこれを検討し、質問/コメントなどを含めてここに報告するつもりです。ご協力に改めて感謝申し上げます。今後ともご期待ください。
素晴らしい分析@abmayfield --JMP テーブルがだまされていますね!わずか 12 個の観測値と 769 個のタンパク質のバイナリの存在/不在があるため、過剰適合や過剰解釈をしないことが重要ですが、さらにいくつかのアイデアを次に示します。
-次の手順により、WGCNA スタイルの分析が生成されます。
1.移調し、4 つの低品質サンプルを削除します
2.階層的クラスタリング、すでに行っているようにヒートマップを取得する双方向
3.クラスターの数を対話的に選択し (色付けすると役立ちます)、クラスターを新しい列として保存します
4.クラスターごとにすべての変数の平均を取得するために要約します。これは、各クラスターの平均タンパク質プロファイル、別名固有タンパク質です。Summary を実行するときは、次の手順を容易にするために、「統計列名の形式」として「column」を指定します。
5.逆転置して実験要素とマージする
6.実験係数の数値バージョンを作成する
7。多変量
-より原則的で強力なのは、3 つの要素すべてを一度に ANOVA モデルに適合させることです。 自由度が限られているので注意が必要です。これは、eigenproteins と Fit Model を使用して行うことができます。元のタンパク質を使用して行うこともできますが、レポート数が多いため扱いにくい場合があります。この場合の主な方法は、任意のレポート テーブルを右クリックし、[結合データ テーブルの作成] を選択することです。
- JMP Genomics には、より包括的なワークフローと、行ごとのモデリング メニューからのインタラクティブなダッシュボード出力が備わっています。混合モデルを実行することもできます (遺伝子型をランダム効果にするなど)。JMP Genomics には、このような高スループットのデータセット向けに設計されているため、他にも多数の便利なルーチンがあります。
-構造方程式モデリングまたは偏相関図アドインで対象となる重要なタンパク質および/または先行する固有タンパク質を使用して、潜在的な因果関係を推論します。
-タンパク質の経路アノテーションがある場合は、経路ベースのスコアを計算し、実験因子と比較して分析します。
- t-SNE および UMAP に基づく低次元投影用の MJ Guan のアドインを試してください。
- PLS の場合は、最初に [列] > [ユーティリティ] > [インジケーター列の作成] を使用して、すべての実験因子のバイナリ インジケーター変数を作成する必要があると思います。
- [分析] > [スクリーニング] > [応答スクリーニング] を実行して、すべての Y x X コンボを適合させ、FDR で調整された p 値に基づいてタンパク質を選択します。 これを試してみましたが、統計的に有意なものはありませんでしたが、未加工の p 値が小さいタンパク質が 12 個ほどありました。
-タンパク質発現の有無の代わりに連続的な測定値を取得できれば、前述の分析がより有益になるはずです。
