398681_fr-FR

liliconcom

Utilisation du profileur de prédiction JMP pour évaluer la discrimination allélique optimale du test SNP dans les échantillons de maïs (2021-US-EPO-843)

Niveau : Intermédiaire

 

Madisun Hembree, ingénieur II, développement de produits, Thermo Fisher Scientific

 

Étant donné que le domaine du diagnostic in vitro (IVD) est en constante évolution, les nouvelles technologies dans le domaine nécessitent un processus permettant de mesurer ses avantages. L'optimisation nécessite que les variables de sortie soient définies et que leurs variables de facteurs clés hypothétiques soient testées. Les expériences peuvent être exécutées dans des conditions où les variables factorielles définies conduisent aux conditions les plus souhaitables des variables de sortie. Les tests de génotypage du polymorphisme mononucléotidique (SNP), un exemple de DIV, détectent et distinguent les variations de SNP dans un échantillon. L'optimisation de ces tests nécessite que la discrimination entre les types d'allèles soit maximisée. Avant de nouvelles formulations ou des changements de processus, il est important d'établir des modèles de discrimination allélique de base avec tous les matériaux de contrôle.

Nous pouvons utiliser le modèle d'ajustement, le profileur de prédiction et le simulateur de JMP pour créer un ensemble d'outils permettant de quantifier l'opportunité de différentes conditions pour plusieurs variables de facteurs clés. Cette étude vise à créer un ensemble d'outils qui considère les variables factorielles clés du type de grain de maïs et du type d'analyse SNP pour caractériser l'effet sur trois variables de sortie : le taux d'appel, la propagation des grappes et la distance entre les grappes et le NTC. Cet ensemble d'outils peut ensuite être ajouté pour valider de nouvelles formulations ou des modifications de processus à l'avenir.

 

 

Transcription générée automatiquement...

 

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	Sont et comme vous le savez, plus vous avez d'étapes avec un assistant bien, plus il y a d'options, il y a du 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 y avoir 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 ainsi.
Jason Wiggins, JMP	Non, je pense que c'est très bien.
Madisun Hembree	D'accord.
Jason Wiggins, JMP	c'est mieux oui c'est c'est mieux.
Madisun Hembree	Donc, comme, j'ai la lumière du soleil et j'ai juste éteint 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 si tout le monde avait une réunion en même temps, j'étais comme si je prenais 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 c'est OK, avec vous.
Madisun Hembree	Oui, j'ai obtenu tous les documents approuvés par mon équipe juridique si parfait.
Jason Wiggins, JMP	Super, je viens de remarquer que nous enregistrons en fait, mais notre conversation sera supprimée.
	D'accord, et vous êtes prêt à partir quand vous le souhaitez.
Madisun Hembree	D'accord, alors je vais juste le remonter sur moi et on verra.
	Cela ouvre.
Madisun Hembree	mode.
	Lee D'accord.
Jason Wiggins, JMP	OK, je vois votre écran, vous êtes debout.
Madisun Hembree	Au-dessus, voyez-vous cela, ou les visages sont-ils un peu flous dans la 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 regardent la vidéo verront donc si.
	vous êtes 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 faire une rapide introduction moi-même et je commencerai 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 par dosage SNP dans des échantillons de maïs. Donc, pour vous donner une petite introduction d'abord,
	Lorsque je détermine les performances de mon test, ou si vous y réfléchissez, vraiment n'importe quelle performance de n'importe quel système, il y a deux types de variables qui doivent être définies.
	Premièrement, vos variables de facteurs clés. Ce seront les variables que vous allez changer, 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'appels, la propagation des clusters et la distance cluster à NTC de mes données, ce qui
	Je parlerai un peu plus de ce que signifient ces mesures dans la section suivante. Donc, cette affiche va examiner mes expériences de référence que j'utilise pour vraiment référencer
	la performance du dosage de mes matières premières. Et comme j'ai quelques types de variables de sortie différents qui vont être pondérés un peu différemment, il est difficile de le faire à la main. Ainsi, à l'aide du profileur de prédiction JMP, vous pouvez définir
	une fonction de désirabilité qui prendra en compte les besoins définis par l'utilisateur, et cela 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 se trouve dans un SNP. Un SNP est un polymorphisme d'un seul nucléotide, 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 diagramme de discrimination allélique. Donc, notre capacité à pouvoir les génotyper dans différentes catégories
	est pertinent pour nous d'être en mesure d'obtenir les informations dont nous avons besoin à partir de cet échantillon. Et donc, dans mon expérience, je veux être en mesure de déterminer que les différentes combinaisons de mes variables de facteurs clés me donnent
	un diagramme de discrimination optimale. Et pour ce faire, je vais utiliser trois mesures clés. Le premier est le taux d'appel.
	Ainsi, le taux d'appel est le pourcentage d'appels de génotype réussis par SNP passant.
	Pour cela, je veux que ce pourcentage soit vraiment élevé, donc je veux maximiser cela, et je veux qu'il soit 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, donc c'est 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 nombre
	à minimiser. Nous voulons que ce nombre soit vraiment petit afin que nous puissions discerner les différents groupes que vous voyez dans le rouge vert et le bleu.
	Plus il est petit, mieux c'est pour nous de pouvoir faire la différence entre ceux-ci et 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 groupe de génotypes est éloigné du témoin qui n'a pas d'échantillon, mais jusqu'à un certain point, plus ce groupe est éloigné
	n'ajoute pas autant d'avantages, de sorte que l'opportunité de cette distance n'est pas vraiment une relation linéaire. Et donc quelque chose que JMP va pouvoir faire est
	évaluer 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 de la désirabilité de nos combinaisons que le cluster à la distance NTC. C'est toujours important, mais pas aussi important que les deux autres variables.
	Donc, en revenant, j'ai couru mes expériences. J'ai utilisé mes dosages SNP sur tous mes différents grains de maïs. je les ai courus
	sur un PCR. J'ai pu extraire ces données et, à partir de ces données, j'ai calculé manuellement le taux d'appel, la propagation des clusters et la distance cluster-NTC.
	De toutes les différentes combinaisons de ma variable de facteur clé, je vais vous montrer les gars... Je l'ai entré dans une table JMP et je vais vous donner une petite démo 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 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 à mes effets de modèle. Et puisque je ne suis vraiment intéressé que par le profileur de prédiction, je vais atteindre un rapport minimal, juste pour ne pas voir autant de graphiques.
	Lorsque je lance ceci, ouvrez le profileur de prédiction, vous passez sous l'ajustement des moindres carrés et vous cliquez sur le profileur pour le remplir en bas.
	Donc, c'est juste une sorte de graphique de 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 allés sous optimisation et désirabilité et vous verrez que JMP remplit automatiquement ces courbes de désirabilité sur la droite. Ainsi, JMP les définira automatiquement pour 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 désirable. La désirabilité est comprise entre zéro et un, donc je veux que 100 % soit le plus souhaitable.
	Et je vais régler le milieu à 80 % et je veux laisser cela pour que, lorsqu'il descend en dessous de 80 %, ce soit
	beaucoup plus indésirable. Cette courbe de désirabilité ne sera pas une relation linéaire. Nous voulons qu'il reste entre ces 80 et
	100 %. Je vais laisser cette importance à 1 et nous verrons un peu plus tard comment faire cela.
	La prochaine étape est donc la propagation de notre cluster. Et ce dont nous avons parlé, nous voulons vraiment minimiser cela, et en ce moment ce que
	ces chiffres sont à gauche car les valeurs vont simplement 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 agréables de zéro à deux. Et ceci, 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 de marche. Je vais lui 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 gamme 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 je veux que ce soit, vous savez, désirable d'être vers 12 ans. Au fur et à mesure que vous arrivez à six, c'est un peu moins désirable, mais pas beaucoup.
	Et comme nous descendons en bas, diminuez-le un peu, mais la chose la plus importante est que je vais prendre cela 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 y a la courbe de désirabilité et vous pouvez voir que certains d'entre eux ont une relation linéaire, certains d'entre eux sont courbes.
	Ce que nous voulons faire, c'est nous assurer que nous atteignons la désirabilité maximale, car lorsque nous le ferons, vous verrez ici pour chacun d'entre eux, un nombre de désirabilité apparaîtra. Et en ce moment ça montre que mon grain de maïs trois,
	avec mon test 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 jeter un œil à
	cette formule pour voir comment elle est calculée, donc je peux la prendre et quand je la trie, il va falloir faire apparaître une nouvelle table de données. Vous n'aurez qu'à cliquer sur Continuer pour faire apparaître cette table de données.
	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 numéros 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 définissons notre importance,
	vous pouvez voir ici sous le taux d'appel, la propagation du cluster et le cluster vers NTC, ce nombre qui apparaît dans la désirabilité provient de tous ces facteurs additionnés. Et vous pouvez voir que chacun de ceux-ci est multiplié par un multiplicateur de mise à l'échelle.
	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 de test SNP, il prend en compte le taux d'appel et la propagation du cluster
	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 en mesure 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 chiffres de désirabilité.
	Mais, vous savez, pourquoi sont-ils utiles ? Il s'agissait donc d'une expérience de base pour moi afin de comprendre les performances de mon test. 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 ceux qui sont vraiment indésirables. Il y en a peut-être un, mais ils n'ont pas du tout ce gène. Je peux maintenant supprimer ceux basés sur ce classement de désirabilité.
	Il peut y en avoir qui ont moins de désirabilité où je suis comme vous 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 le faire à la main aurait été,
	pour moi, assez impossible. Je ne saurais pas vraiment comment faire cela mathématiquement et comment maintenir les choses plus hautes les unes que les autres avec ma variable de sortie.
	JMP a donc été très rapidement en mesure de me fournir cette liste pour pouvoir partir du moment où j'ai commencé à faire mon processus d'optimisation dans 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 leur soutien continu. Et j'espère que vous avez apprécié la présentation. Merci.

Exploration des donnéesePosterStatistiques et modélisation