모듈 분석 및 상관 네트워크이것은 "희망 목록" 게시물에 가깝지만 JMP에서 OMICS 데이터세트(제 경우에는 단백질 농도 데이터)를 사용하여 상관 관계 네트워크 분석을 수행할 수 있는 능력에 관심이 있습니다. WGCNA라는 대중적인 접근 방식이 있습니다( 가중 유전자 동시발현 네트워크 분석) , 다음과 같이 설명됩니다 (출처: https://horvath.genetics.ucla.edu/html/CoexpressionNetwork/Rpackages/WGCNA/ 
"상관 네트워크는 생물정보학 응용 분야에서 점점 더 많이 사용되고 있습니다. 예를 들어, 가중 유전자 동시발현 네트워크 분석은 마이크로어레이 샘플 전반에 걸쳐 유전자 간의 상관 패턴을 설명하기 위한 시스템 생물학 방법입니다. 가중 상관 네트워크 분석(WGCNA)은 상관 관계가 높은 유전자의 클러스터(모듈)를 찾고, 모듈 고유 유전자 또는 모듈 내 허브 유전자를 사용하여 이러한 클러스터를 요약하고, 모듈을 서로 연결하고 외부 샘플 특성과 연결하는 데 사용할 수 있습니다(고유 유전자 네트워크 사용). 방법론) 및 모듈 멤버십 측정값을 계산합니다. 상관 네트워크는 후보 바이오마커 또는 치료 표적을 식별하는 데 사용할 수 있는 네트워크 기반 유전자 스크리닝 방법을 촉진합니다. 이러한 방법은 암, 마우스 유전학, 효모 유전학 및 뇌 영상 데이터 분석과 같은 다양한 생물학적 맥락에서 성공적으로 적용되었습니다. 상관 관계 네트워크 방법론의 일부는 별도의 간행물에 설명되어 있지만 사용자 친화적이고 포괄적이며 일관된 소프트웨어 구현과 그에 따른 튜토리얼을 제공할 필요가 있습니다."
이것은 공분산에 의한 클러스터링의 멋진 방법인 것 같습니다. 저는 JMP Pro 14를 사용하는 방법을 알고 있습니다(저는 샘플 세트 전체에 걸쳐 클러스터링을 살펴보았습니다=생물학적 복제물과 농도가 일치하는 다양한 단백질의 클러스터링). 각 샘플에서 측정됨). 기본적으로 나는 첨부한 첫 번째 그림에서 저자가 수행한 작업을 좋아합니다.
: 공분산을 기반으로 유전자를 모듈로 클러스터링한 다음 범주형 속성(시간, 온도 및 열내성)과의 상관 관계를 조사했습니다. 이 예에서 dakgrey 모듈은 2,053개의 유전자를 특징으로 하며 온도와 양의 상관관계가 있었습니다. 저는 이런 종류의 "섹시화된" 생물정보학 분석이 JMP Pro(또는 심지어 일반 JMP)에서도 가능해야 한다고 생각합니다. 그렇죠? "모듈 멤버십 측정"이 본질적으로 고유 벡터 값인지 아니면 그 라인에 따른 것인지 궁금합니다. 내 데이터에서
샘플(왼쪽)은 프로테옴 프로필을 기반으로 두 개의 클러스터에 있는 반면, x 축에서는 10-12개의 일반적인 단백질 클러스터를 볼 수 있습니다(데이터 세트를 전치하고 각 단백질에 클러스터를 할당할 수 있음).
기본적으로 첨부된 데이터 세트에서 온도, 시간 및 유전자형에 대한 모듈(클러스터?) 상관 관계를 살펴보고 관심 있는 실험 요소와 상관 관계가 있는 단백질 클러스터를 식별할 수 있습니다. 실제로 부분 최소 제곱이 이것에도 사용될 수 있는 것 같습니다. 거기에 어떤 아이디어가 있습니까?
Re: 모듈 분석 및 상관 네트워크그래서 업데이트로서 저는 이것을 더 많이 가지고 놀았고, 단순히 단백질별로 클러스터링하는 것(제안된 초기 단계 중 하나)이 제가 필요한 정보를 실제로 제공한 것으로 보입니다. 클러스터 트리를 눈으로 관찰하여 4개의 클러스터를 설정하고 내보냈습니다. 클러스터 평균을 취하는 대신 기본적으로 수동으로 추세를 찾았습니다. 이는 수많은 저품질 단백질을 걸러낸 후 40개만 남았기 때문에 이루어진 것입니다. 즉, 이 하위 집합을 사용하여 엄격한 FDR을 사용한 반응 스크리닝을 통해 한 클러스터에는 산호색에 영향을 받는 단백질이 있고, 다른 클러스터에는 온도와 시간에 영향을 받고, 네 번째 클러스터에는 처리에 영향을 받지 않는 단백질이 있다는 것을 알 수 있었습니다. 실제로 회귀를 진행하지 않았기 때문에 WGCNA 자체와는 다르지만 결국 원하는 정보를 얻었습니다! (미래에 갖게 될) 더 큰 데이터 세트를 사용하면 WGCNA 유형 분석을 수행하는 것이 더 합리적일 수 있다고 생각합니다. 특히 매우 적은 수의 처리(최대 2-3 온도)만 있는 경우 처리를 숫자로 변환하는 것이 걱정됩니다. ). 나는 WGCNA가 다른 통계적 접근법이 더 나은 치료 효과를 찾을 때보다는 동일한 샘플의 생리학적 데이터와 분자 데이터의 상관관계를 찾는 것이 더 합리적이라고 생각합니다. 이 샘플에서 산호 성장 데이터를 얻으면 클러스터 평균을 비교하는 데 더 적합한 반응 변수가 만들어질 것입니다.
JMP Genomics가 실제로 이러한 분석을 수행할 수 있다면 좀 더 자세히 살펴보아야 할 것 같습니다.....Re: 모듈 분석 및 상관 네트워크러스,
와, 이렇게 세심하게 생각해 주셔서 감사합니다. 이제 비슷한 데이터가 있지만 완전히 정량적입니다(첨부 참조). 그러나 한 가지 문제는 이러한 단백질체 데이터세트가 mRNA 대응물보다 훨씬 작다는 것입니다. 이 예에는 단백질이 40개만 있습니다(샘플에 따라 수백 개가 될 수도 있음). 하지만 적어도 나는 당신이 훌륭하게 그려놓은 파이프라인을 통과할 수는 있습니다. 그것은 나의 진짜 질문이 무엇인지에 도달합니다. 그것은 WGCNA가 실제로 생리적 매개 변수에 대해 분자 클러스터의 평균 값을 회귀하는 것입니까? 귀하의 응답에 따르면 실제로 기본적으로 그렇습니다. 오늘 이 내용을 검토하고 질문/의견 등을 가지고 여기에 다시 보고하겠습니다. 귀하의 도움에 다시 한번 감사드리며, 앞으로도 계속 지켜봐 주시기 바랍니다.
Re: 모듈 분석 및 상관 네트워크좋은 분석 @abmayfield --당신은 JMP 테이블을 속였습니다!769개 단백질에 대한 단 12개의 관찰과 이진 존재/부재를 사용하여 과대적합하거나 과대해석하지 않는 것이 중요하지만 여기에 몇 가지 추가 아이디어가 있습니다.
- 다음 단계에서는 WGCNA 스타일 분석을 생성해야 합니다.
1. 품질이 낮은 샘플 4개를 전치하고 삭제합니다.
2. 계층적 클러스터링, 이미 수행한 것처럼 히트맵을 얻는 양방향
삼. 대화형으로 클러스터 수를 선택하고(색상 지정이 도움이 됨) 클러스터를 새 열로 저장합니다.
4. 클러스터별로 모든 변수의 평균을 얻기 위해 요약합니다. 이는 고유 단백질이라고도 불리는 각 클러스터의 평균 단백질 프로필입니다.요약을 실행할 때 다음 단계를 쉽게 수행할 수 있도록 "열"을 "통계 열 이름 형식"으로 지정합니다.
5. 다시 전치하고 실험적 요소와 병합
6. 실험 요인의 수치 버전 생성
7. 다변량
- 더 원칙적이고 강력한 것은 세 가지 요인을 모두 동시에 ANOVA 모델에 맞추는 것입니다. 자유도가 제한되어 있으므로 주의가 필요합니다.고유단백질과 Fit Model을 사용하여 이를 수행할 수 있습니다.원래의 단백질을 사용하여 이를 수행할 수도 있지만 보고서 수가 너무 많아 다루기 어려울 수 있습니다.이 경우 주요 방법은 보고서 테이블을 마우스 오른쪽 버튼으로 클릭하고 결합된 데이터 테이블을 만드는 것입니다.
- JMP Genomics는 행별 모델링 메뉴에서 더욱 포괄적인 작업 흐름과 대화형 대시보드 결과를 제공합니다.혼합 모델을 수행할 수도 있습니다(예: 유전자형을 무작위 효과로 만들기).JMP Genomics는 이와 같이 처리량이 높은 데이터 세트를 위해 설계되었기 때문에 그 밖에도 유용한 루틴이 많이 있습니다.
- 구조 방정식 모델링 또는 부분 상관 다이어그램 추가 기능에서 중요한 관심 단백질 및/또는 이전 고유 단백질을 사용하여 잠재적인 인과 관계를 추론합니다.
- 단백질에 대한 경로 주석이 있는 경우 경로 기반 점수를 계산한 다음 이를 실험 요인과 비교 분석합니다.
- t-SNE 및 UMAP를 기반으로 한 저차원 투영을 위해 MJ Guan의 추가 기능을 사용해 보세요.
- PLS의 경우 먼저 Cols > Utilities > Make Indicator Columns를 사용하여 모든 실험 요인에 대한 이진 표시 변수를 만들어야 한다고 생각합니다.
- 분석 > 스크리닝 > 반응 스크리닝을 실행하여 모든 Y x X 콤보를 맞추고 FDR 조정 p-값을 기반으로 단백질을 선택합니다. 나는 이것을 시도했지만 통계적으로 유의미한 것은 없었지만 원시 p-값이 작은 단백질이 12개 정도 있습니다.
- 존재/부재 대신 단백질 발현의 지속적인 측정을 얻을 수 있다면 이전 분석이 더 많은 정보를 제공할 것입니다.
