Conférencier
|
Transcription
|
| Jason Wiggins, JMP |
salut Madison. |
| Madisun Hembree |
Désolé, je paniquais. |
| |
Je pensais que c'était de ma faute, j'étais comme oh non. |
| Jason Wiggins, JMP |
Non, c'est tellement drôle que j'aime faire ça pour les mettre en place, il y a une liste de je ne sais pas, peut-être 20 choses différentes que vous devez faire correctement. |
| Madisun Hembree |
Pour tout ce que nous. |
| Jason Wiggins, JMP |
Et comme vous le savez, plus vous avez d'étapes avec un assistant bien, plus il y a d'options, il y a un gâchis. |
| Madisun Hembree |
Oui. |
| Jason Wiggins, JMP |
ouais donc de toute façon, je pense que je pense que nous sommes bons je vous vois. |
| Madisun Hembree |
parfait. |
| Jason Wiggins, JMP |
oui, il ne semble pas qu'il y ait d'artefacts de caméra étranges. |
| |
Je dirais que s'il y avait un moyen d'atténuer la lumière en arrière-plan, cela pourrait être utile, mais. |
| |
Exactement à. |
| |
Oh, je sais ce qui se passe. |
| Madisun Hembree |
Est-ce trop sombre donc. |
| Jason Wiggins, JMP |
Non, je pense que c'est très bien. |
| Madisun Hembree |
D'accord. |
| Jason Wiggins, JMP |
c'est mieux ouais c'est c'est mieux. |
| Madisun Hembree |
Donc, comme, j'ai la lumière du soleil et je viens d'éteindre la lumière supérieure. |
| Jason Wiggins, JMP |
Vous vous connectez depuis votre bureau. |
| Madisun Hembree |
ouais je les ai signés depuis mon bureau, j'ai essayé qu'il y ait trop de gens qui travaillent à domicile. |
| |
Je suis, et j'étais, comme tout le monde a une réunion en même temps, j'étais comme si j'allais prendre une salle de conférence dans laquelle nous sommes. |
| Jason Wiggins, JMP |
Maintenant parfait d'accord, bien avant de commencer, une de mes tâches est de vous rappeler que cet enregistrement sera mis en ligne dans la page de découverte de la communauté et que ça va, avec vous. |
| Madisun Hembree |
Oui, j'ai obtenu tous les matériaux approuvés par mon équipe juridique si parfait. |
| Jason Wiggins, JMP |
Super, je viens de remarquer que nous sommes en train d'enregistrer mais que notre conversation sera supprimée. |
| |
D'accord, et vous êtes prêt à partir quand vous le souhaitez. |
| Madisun Hembree |
D'accord, alors je vais le tirer sur moi et voyons. |
| |
Cela s'ouvre. |
| Madisun Hembree |
mode. |
| |
Lee d'accord. |
| Jason Wiggins, JMP |
OK, je vois votre écran, vous êtes debout. |
| Madisun Hembree |
Pour en faire trop, voyez-vous cela, ou les visages sont-ils en quelque sorte mon visage brouillant toute boîte grise de la présentation. |
| Jason Wiggins, JMP |
Ça n'en a pas l'air de mon côté non. |
| |
Et je suis presque sûr que c'est ce que les gens qui visionnent la vidéo verront si. |
| |
tu es enceinte et je vois le. |
| |
Votre affiche. |
| Madisun Hembree |
D'accord. |
| |
Permettez-moi de procéder étape par étape. |
| |
Alors je vais juste. |
| |
l'avoir. |
| |
D'accord, alors je vais juste faire une brève introduction moi-même et je vais commencer par la présentation. |
| |
Je pense que ce sera bien. |
| |
D'accord. |
| |
D'accord. |
| Madisun Hembree |
Salut les gars, je m'appelle Madisun Hembree et je suis ingénieur en développement de produits chez Thermo Fisher Scientific et je travaille dans leur division des sciences génétiques. |
| |
Et aujourd'hui, je vais parler de la façon dont j'utilise le profileur de prédiction JMP pour évaluer la discrimination allélique optimale du test SNP dans des échantillons de maïs. Alors pour vous donner une petite introduction d'abord, |
| |
lorsque je détermine les performances de mon dosage, ou que vous y réfléchissez, vraiment n'importe quelle performance de n'importe quel système, il y a deux types de variables qui doivent être définies. |
| |
D'abord sont vos variables de facteur clé. Ce seront les variables que vous allez modifier, vous allez tester différentes conditions. |
| |
Et dans mon cas, je vais tester différents types de tests SNP qui recherchent différents gènes et les exécuter sur plusieurs types de grains de maïs différents. |
| |
Et le deuxième type de variable sont vos variables de sortie. Ce seront vos variables que vous allez utiliser pour mesurer quelle combinaison de vos variables de facteurs clés |
| |
sont optimales en fonction de vos besoins définis par l'utilisateur. Donc, dans mon cas, je vais mesurer le taux d'appel, la propagation du cluster et la distance du cluster à NTC de mes données, ce qui |
| |
Je parlerai un peu plus de la signification de ces mesures dans la section suivante. Donc, cette affiche va examiner mes expériences de référence que j'utilise pour vraiment référencer |
| |
les performances du dosage de mes matières premières. Et comme j'ai différents types de variables de sortie qui vont être pesées un peu différemment, il est difficile de le faire à la main. Ainsi, en utilisant le profileur de prédiction JMP, vous pouvez définir |
| |
une fonction de désirabilité qui prendra en compte les besoins définis par l'utilisateur et vous aidera à créer mathématiquement un classement de désirabilité basé sur vos matériaux. Le logiciel JMP va pouvoir nous aider beaucoup dans ce domaine. |
| |
Ensuite, parlons un peu de ce qu'est un test SNP. |
| |
Nous avons de l'ADN; il contient toutes nos informations génétiques. |
| |
Et la forme la plus courante de variation génétique est dans un SNP. Un SNP est un polymorphisme nucléotidique unique, où un seul bloc d'ADN, qui est un nucléotide, |
| |
est échangé. Et lorsque nous effectuons des tests SNP, nous cherchons à génotyper |
| |
nos échantillons. Et quand vous regardez ces données, vous regardez le graphique similaire à ce que nous voyons à droite, qui est un graphique de discrimination allélique. Donc notre capacité à pouvoir les génotyper dans différentes catégories |
| |
est pertinent pour que nous puissions obtenir les informations dont nous avons besoin à partir de cet échantillon. Et donc, dans mon expérience, je veux pouvoir déterminer que les différentes combinaisons de mes variables de facteurs clés me donnent |
| |
une courbe de discrimination optimale. Et pour ce faire, je vais utiliser trois métriques clés. Le premier est le taux d'appel. |
| |
Ainsi, le taux d'appels est le pourcentage d'appels de génotypes réussis par SNP passant. |
| |
Pour cela, je veux que ce pourcentage soit vraiment élevé, donc je veux maximiser cela, et je veux qu'il se situe entre environ 80 et 100 % d'entre nous ayant réussi à génotyper notre ensemble d'échantillons. |
| |
Deuxièmement, je vais passer en revue la propagation du cluster, c'est donc ici que nous voyons dans la catégorie rouge |
| |
par ici. Et c'est l'écart type de la distance entre chaque point de données au centre de son cluster. Nous voulons ce numéro |
| |
à minimiser. Nous voulons que ce nombre soit vraiment petit afin que nous puissions distinguer les différents groupes que vous voyez dans le rouge, le vert et le bleu. |
| |
Plus il est petit, mieux il est pour nous de pouvoir faire la différence entre ceux-ci et de génotyper avec succès nos échantillons. |
| |
Enfin, est le cluster à la distance NTC. Il s'agit de la distance moyenne de tous les points de données du cluster au NTC, qui est notre contrôle sans modèle. |
| |
Nous voulons donc nous assurer que notre cluster de génotypes est loin du contrôle qui n'a pas d'échantillon mais jusqu'à un certain point, plus ce cluster est éloigné |
| |
n'ajoute pas autant d'avantages, donc la désirabilité de cette distance n'est pas vraiment une relation linéaire. Et donc quelque chose que JMP va pouvoir faire, c'est |
| |
peser l'importance de chacune de ces variables. Nous voulons que le taux d'appel et la propagation du cluster soient plus importants lorsque nous décidons à quel point nos combinaisons sont souhaitables que la distance du cluster à NTC. C'est toujours important, mais pas aussi important que les deux autres variables. |
| |
Donc, en revenant, j'ai fait mes expériences. J'ai utilisé mes tests SNP sur tous mes différents grains de maïs. je les ai couru |
| |
sur une PCR. J'ai pu extraire ces données et à partir de ces données, j'ai calculé manuellement le taux d'appel, la propagation du cluster et la distance du cluster à NTC. |
| |
De toutes les différentes combinaisons de ma variable de facteur clé, je vais vous montrer les gars ... J'entre cela dans une table JMP et je vais vous donner une petite démonstration sur la façon dont j'utilise le profileur de prédiction pour générer une fonction de désirabilité. |
| |
Donc, comme vous pouvez le voir ici, j'ai mes deux variables de facteurs clés, ainsi que toutes mes variables de sortie. Ce que je vais faire, c'est que je vais analyser et je vais cliquer sur le modèle d'ajustement. |
| |
À partir de là, je peux prendre toutes mes variables de sortie et les mettre dans la catégorie Y, puis prendre toutes mes variables de facteurs clés et les ajouter dans mes effets de modèle. Et comme je ne suis vraiment intéressé que par le profileur de prédiction, je vais atteindre un rapport minimal, juste pour que je ne voie pas autant de graphiques. |
| |
Lorsque je lance ceci, ouvrez le profileur de prédiction, vous allez sous l'ajustement des moindres carrés et vous cliquez sur le profileur pour le remplir en bas. |
| |
Il s'agit donc simplement de représenter graphiquement tous nos résultats. Vous verrez toutes nos variables de sortie sur l'axe Y et toutes nos variables de facteurs clés ci-dessous. La prochaine étape consiste donc à définir notre fonction de désirabilité. |
| |
Pour ce faire, nous sommes passés sous optimisation et désirabilité et vous verrez que JMP remplit automatiquement ces courbes de désirabilité sur la droite. Donc, JMP les définira automatiquement pour les maximiser et vous verrez cette opportunité |
| |
type de cartographie ci-dessous. Donc, ce que vous voulez faire, c'est pouvoir les définir, en fonction de nos besoins définis. Nous avons donc d'abord parlé du taux d'appel. |
| |
Comme je l'ai déjà dit, je veux maximiser cela. Je veux vraiment qu'il montre une désirabilité plus élevée entre 80 et 100%. |
| |
Vous verrez que je vais mettre mon réglage haut vraiment souhaitable. La désirabilité est comprise entre zéro et un, donc je veux que 100% soit le plus souhaitable. |
| |
Et je vais mettre le milieu à 80% et je veux laisser ça pour que, comme il descend en dessous de 80%, c'est |
| |
beaucoup plus indésirable. Cette courbe de désirabilité ne sera pas une relation linéaire. Nous voulons qu'il reste entre 80 et |
| |
100%. Je vais laisser cette importance à 1 et nous verrons un peu plus tard comment faire cela. |
| |
La prochaine étape est notre diffusion en grappes. Et ce dont nous avons parlé, nous voulons vraiment le minimiser, et maintenant quoi |
| |
ces nombres sont sur la gauche car les valeurs vont juste être les plages de ce que j'ai dans mes données expérimentales. Alors je vais juste |
| |
normalisez-les un peu, rendez-les un peu plus jolis de zéro à deux. Et cela, puisque je veux juste minimiser cela, je vais garder une relation assez linéaire dans cette courbe de désirabilité. |
| |
Je vais donc définir qu'il est très souhaitable d'être plus proche de zéro aussi petit que possible et un peu moins avancé. Je vais garder la même importance que le taux d'appel. |
| |
Et le tout dernier, c'est la distance cluster à NTC dont nous avons parlé. Ce sera celui qui |
| |
nous voulons maximiser. Nous avons notre plage de zéro à 12 de notre distance par rapport à ce que nous avons dans nos données, puis je veux entrer et je vais définir quelques |
| |
désirabilités et dire que je veux que ce soit, vous savez, désirable d'être vers 12. Lorsque vous arrivez à six, c'est un peu moins souhaitable, mais pas beaucoup. |
| |
Et au fur et à mesure que nous descendons en dessous, diminuez-le un peu, mais la chose la plus importante est que je vais prendre cet important et je vais le diminuer. |
| |
Je vais donc le changer en 0,5, et cela changera la façon dont le nombre de désirabilité est calculé, combien il pèse cela. Alors comme |
| |
vous pouvez voir ici, il est rempli de la courbe de désirabilité et vous pouvez voir que certains d'entre eux ont une relation linéaire, certains d'entre eux sont incurvés. |
| |
Ce que nous voulons faire, c'est nous assurer que nous atteignons une désirabilité maximale, car lorsque nous le faisons, vous verrez ici pour chacun de ceux-ci, un numéro de désirabilité apparaîtra. Et en ce moment ça montre que mon grain de maïs trois, |
| |
avec mon essai de maïs 11 SNP me donnera les paramètres les plus souhaitables. Et donc quelque chose que vous pouvez faire est de sauvegarder cette formule, afin que nous puissions examiner |
| |
cette formule pour voir comment elle est calculée, donc je peux la prendre et quand je la trie, elle devra faire apparaître une nouvelle table de données. Vous n'aurez qu'à cliquer sur Continuer pour que cette table de données s'affiche. |
| |
Et une fois que cela apparaît, ce que vous verrez est à nouveau une liste, et une fois que je fais défiler, vous verrez les chiffres de désirabilité |
| |
et comment ils les classent du plus haut au plus bas. Et quelque chose que nous pourrons voir, c'est comment ce nombre est calculé. Vous pouvez entrer dans la formule. |
| |
Et la chose la plus importante est quand nous fixons notre importance, |
| |
vous pouvez voir ici sous taux d'appel, propagation de cluster et cluster vers NTC, ce nombre qui apparaît dans la désirabilité est de tous ces facteurs additionnés. Et vous pouvez voir que chacun d'eux est multiplié par un multiplicateur de scaler. |
| |
Et le cluster à NTC, la chose que vous remarquerez, a été multiplié par 0,2, où les deux autres sont multipliés par 0,4. |
| |
Cela signifie que lorsque j'obtiens ce numéro de désirabilité pour chacune de mes combinaisons de type de grain de maïs et de type d'analyse SNP, il prend en compte le taux d'appel et la propagation des grappes. |
| |
plus élevé et en quelque sorte montrant plus d'importance que le cluster à la distance NTC. |
| |
Ainsi, lorsque ceux-ci sont remplis, c'est le genre de clé pour cela et être capable de déterminer quelle variable vous souhaitez maintenir plus élevée lors du calcul de ce nombre de désirabilité. Et donc j'ai cette liste classée, j'ai ces nombres de désirabilité. |
| |
Mais, vous savez, pourquoi sont-ils utiles ? Il s'agissait donc d'une expérience de base pour que je comprenne les performances de mon dosage. Quand je continue à faire une optimisation, disons pour mes mélanges réactionnels, je veux peut-être changer la séquence dans mon dosage SNP, je veux essayer de |
| |
optimiser peut-être mon master mix multiplex. |
| |
En faisant cela, j'ai besoin de comprendre quels matériaux je veux utiliser, car je ne savais pas quels gènes allaient être dans ces grains de maïs. |
| |
J'ai donc maintenant cette liste, et je peux faire défiler vers le bas et trouver celles qui sont vraiment indésirables. Il y en a peut-être un, mais je n'ai pas du tout ce gène. Je peux maintenant supprimer ceux basés sur ce classement de désirabilité. |
| |
Il y en a peut-être moins désirables où je suis comme vous le savez, je pense que je peux optimiser mon dosage |
| |
pour rendre cela meilleur. Alors maintenant, je peux choisir dans cette liste les matériaux que je veux utiliser à l'avenir. Mais faire ça à la main aurait été, |
| |
pour moi, assez impossible. Je ne saurais pas vraiment comment faire cela mathématiquement et comment tenir les choses plus hautes les unes que les autres avec ma variable de sortie. |
| |
JMP a donc été très rapidement en mesure de me donner cette liste pour pouvoir partir du moment où j'ai commencé à faire mon processus d'optimisation, quelle que soit la catégorie dont j'avais besoin. |
| |
C'était donc ma présentation par affiche. Je tiens à remercier mes mentors, Joyce Wile et Ferrier Le, pour m'avoir fourni le matériel, ainsi que pour le soutien continu. Et j'espère que vous avez apprécié la présentation. Merci. |
