398681_de-DE

liliconcom

Verwendung des JMP Prediction Profiler zur Bewertung der optimalen SNP-Assay-Alleldiskriminierung in Maisproben (2021-US-EPO-843)

Niveau: Mittelstufe

 

Madisun Hembree, Ingenieur II, Produktentwicklung, Thermo Fisher Scientific

 

Da sich das Gebiet der In-vitro-Diagnostik (IVD) ständig weiterentwickelt, erfordern neue Technologien auf diesem Gebiet ein Verfahren, um ihren Nutzen zu messen. Die Optimierung erfordert die Definition von Ausgabevariablen und das Testen ihrer hypothetischen Schlüsselfaktorvariablen. Experimente können unter Bedingungen durchgeführt werden, bei denen die definierten Faktorvariablen zu den wünschenswertesten Bedingungen der Ausgabevariablen führen. Single Nucleotide Polymorphism (SNP) Genotypisierungsassays, ein Beispiel für eine IVD, erkennen und unterscheiden SNP-Variationen in einer Probe. Die Optimierung für diese Assays erfordert, dass die Unterscheidung zwischen Alleltypen maximiert wird. Vor neuen Formulierungen oder Prozessänderungen ist es wichtig, mit allen Kontrollmaterialien grundlegende allelische Unterscheidungsmuster zu erstellen.

Wir können das Fit-Modell, den Vorhersage-Profiler und den Simulator von JMP verwenden, um ein Toolset zu erstellen, um die Erwünschtheit verschiedener Bedingungen für mehrere Schlüsselfaktorvariablen zu quantifizieren. Diese Studie zielt darauf ab, ein Toolset zu erstellen, das die Schlüsselfaktorvariablen des Maiskorntyps und des SNP-Assay-Typs berücksichtigt, um die Wirkung auf drei Ausgabevariablen zu charakterisieren: Anrufrate, Cluster-Spread und Cluster-zu-NTC-Distanz. Dieses Toolset kann dann hinzugefügt werden, um in Zukunft neue Formulierungen oder Prozessänderungen zu validieren.

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
Jason Wiggins, JMP	Hallo Madison.
Madisun Hembree	Entschuldigung, ich hatte Panik.
	Ich dachte, es wäre meine Schuld, ich dachte, oh nein.
Jason Wiggins, JMP	Nein, es ist so lustig, dass ich das gerne mache, um diese einzurichten. Es gibt eine Liste von Ich weiß nicht, vielleicht 20 verschiedene Dinge, die Sie richtig machen müssen.
Madisun Hembree	Damit alles wir.
Jason Wiggins, JMP	Sind und wie Sie wissen, je mehr Schritte Sie eine Assistentin gut haben, desto mehr Optionen gibt es ein Durcheinander.
Madisun Hembree	Ja.
Jason Wiggins, JMP	Ja, also wie auch immer, ich denke, wir sind gut, ich sehe dich.
Madisun Hembree	perfekt.
Jason Wiggins, JMP	Ja, es sieht nicht so aus, als ob es irgendwelche seltsamen Kameraartefakte gibt.
	Ich würde sagen, wenn es eine Möglichkeit gäbe, das Licht im Hintergrund zu dimmen, könnte das hilfreich sein, aber.
	Genau zu.
	Das hat Oh, ich weiß, was los ist.
Madisun Hembree	Ist das zu dunkel?
Jason Wiggins, JMP	Nein, ich denke, das ist in Ordnung.
Madisun Hembree	Okay.
Jason Wiggins, JMP	das ist besser ja das ist besser.
Madisun Hembree	Ich habe also das Sonnenlicht und habe gerade das obere Licht ausgeschaltet.
Jason Wiggins, JMP	Melden Sie sich von Ihrem Büro aus an.
Madisun Hembree	Ja, ich habe sie von meinem Büro aus unterschrieben, ich habe versucht, dass zu viele Leute von zu Hause aus arbeiten.
	Ich bin, und ich war, als ob alle gleichzeitig ein Meeting haben, ich dachte, ich würde mir einen Konferenzraum schnappen, in dem wir richtig sind.
Jason Wiggins, JMP	Jetzt perfekt, bevor wir loslegen, eine meiner Aufgaben ist es, Sie daran zu erinnern, dass diese Aufzeichnung online auf der Community-Entdeckungsseite veröffentlicht wird und das OK für Sie ist.
Madisun Hembree	Ja, ich habe alle Materialien von meinem Rechtsteam so perfekt genehmigt bekommen.
Jason Wiggins, JMP	Toll, ich habe gerade bemerkt, dass wir tatsächlich aufnehmen, aber unser Gespräch wird herausgeschnitten.
	Okay, und Sie sind bereit zu gehen, wann immer Sie möchten.
Madisun Hembree	Okay, dann ziehe ich es einfach auf meine und mal sehen.
	Das öffnet.
Madisun Hembree	Modus.
	Lee OK.
Jason Wiggins, JMP	OK, ich sehe deinen Bildschirm, du bist auf.
Madisun Hembree	Zu übersehen siehst du das, oder sind die Gesichter meines Gesichts irgendwie verwischt irgendein Graues Kästchen aus der Präsentation.
Jason Wiggins, JMP	An meinem Ende sieht es nicht danach aus.
	Und ich bin mir ziemlich sicher, dass die Leute, die das Video ansehen, dies sehen werden, wenn.
	du bist schwanger und ich sehe das.
	Ihr Plakat.
Madisun Hembree	Okay.
	Lassen Sie mich Schritt für Schritt vorgehen.
	Also werde ich einfach.
	habe es.
	Okay, dann werde ich mich einfach kurz vorstellen und mit der Präsentation beginnen.
	Ich denke, das wird gut.
	Okay.
	Okay.
Madisun Hembree	Hallo Leute, mein Name ist Madisun Hembree und ich bin Produktentwicklungsingenieurin bei Thermo Fisher Scientific und arbeite in ihrer Abteilung für Genetikwissenschaften.
	Und heute werde ich darüber sprechen, wie ich den JMP-Prognose-Profiler verwende, um die optimale SNP-Assay-Allelunterscheidung in Maisproben zu beurteilen. Um Ihnen zunächst eine kleine Einführung zu geben,
	Wenn ich meine Testleistung bestimme, oder Sie denken darüber nach, wirklich jede Leistung eines Systems, müssen zwei Arten von Variablen definiert werden.
	Zuerst sind Ihre Schlüsselfaktorvariablen. Dies werden die Variablen sein, die Sie ändern werden, und Sie werden verschiedene Bedingungen testen.
	Und in meinem Fall werde ich verschiedene SNP-Assay-Typen testen, die nach verschiedenen Genen suchen und sie über mehrere verschiedene Maiskorntypen laufen lassen.
	Und der zweite Variablentyp sind Ihre Ausgabevariablen. Dies werden Ihre Variablen sein, die Sie verwenden werden, um zu messen, welche Kombination Ihrer Schlüsselfaktorvariablen
	sind optimal basierend auf Ihren benutzerdefinierten Bedürfnissen. In meinem Fall werde ich die Anrufrate, die Cluster-Spreizung und die Cluster-zu-NTC-Distanz meiner Daten messen, was
	Ich werde im nächsten Abschnitt etwas mehr darüber sprechen, was diese Metriken bedeuten. Dieses Poster wird sich also mit meinen Benchmark-Experimenten befassen, die ich verwende, um eine wirkliche Baseline zu erstellen
	die Leistung des Assays meiner Ausgangsmaterialien. Und da ich ein paar verschiedene Arten von Ausgabevariablen habe, die ein wenig anders gewichtet werden, ist es schwierig, dies von Hand zu tun. Mit dem JMP-Vorhersageprofiler können Sie also einstellen
	eine Erwünschtheitsfunktion, die benutzerdefinierte Anforderungen berücksichtigt und Ihnen dabei hilft, anhand Ihrer Materialien mathematisch ein Erwünschtheitsranking zu erstellen. Software JMP wird uns dabei sehr helfen können.
	Als nächstes sprechen wir ein wenig darüber, was ein SNP-Assay ist.
	Wir haben DNA; es enthält alle unsere genetischen Informationen.
	Und die häufigste Form der genetischen Variation ist in einem SNP. Ein SNP ist ein Einzelnukleotidpolymorphismus, bei dem ein einzelner DNA-Block, der ein Nukleotid ist,
	wird ausgewechselt. Und wenn wir SNP-Assays durchführen, suchen wir nach Genotyp
	unsere Muster. Und wenn Sie sich diese Daten ansehen, sehen Sie ein Diagramm ähnlich dem rechts, das ein allelisches Unterscheidungsdiagramm ist. Unsere Fähigkeit, diese in verschiedene Kategorien zu genotypisieren
	Es ist wichtig, dass wir in der Lage sind, die Informationen, die wir benötigen, aus dieser Probe zu erhalten. In meinem Experiment möchte ich also feststellen können, dass mir die verschiedenen Kombinationen meiner Schlüsselfaktorvariablen
	ein optimales Diskriminierungsdiagramm. Dazu verwende ich drei wichtige Kennzahlen. Die erste ist die Anrufrate.
	Die Anrufrate ist also der Prozentsatz erfolgreicher Genotyp-Anrufe pro passierendem SNP.
	Aus diesem Grund möchte ich, dass dieser Prozentsatz wirklich hoch ist, also möchte ich ihn maximieren, und ich möchte, dass er zwischen etwa 80 und 100 % von uns liegt, die unsere Proben erfolgreich genotypisiert haben.
	Zweitens gehe ich auf die Clusterverteilung ein, also sehen wir das hier in der roten Kategorie
	hier drüben. Und das ist die Standardabweichung der Entfernung zwischen jedem Datenpunkt zum Zentrum seines Clusters. Wir wollen diese Nummer
	minimiert werden. Wir möchten, dass diese Zahl sehr klein ist, damit wir zwischen den verschiedenen Gruppen unterscheiden können, die Sie in Rot, Grün und Blau sehen.
	Je kleiner es ist, desto besser können wir den Unterschied zwischen diesen erkennen und unsere Proben erfolgreich genotypisieren.
	Schließlich ist der Cluster-zu-NTC-Abstand. Dies ist der mittlere Abstand aller Datenpunkte im Cluster zum NTC, bei dem es sich um unsere Kontrolle ohne Vorlage handelt.
	Wir wollen also sicherstellen, dass unser Genotyp-Cluster weit von der Kontrolle entfernt ist, die keine Probe hat, aber bis zu einem bestimmten Punkt, je weiter entfernt dieser Cluster ist
	bringt nicht so viel Nutzen, daher ist die Erwünschtheit dieser Entfernung nicht wirklich eine lineare Beziehung. Und so wird JMP in der Lage sein, Folgendes zu tun:
	wägen Sie die Bedeutung jeder dieser Variablen ab. Wir möchten, dass die Anrufrate und die Cluster-Spreizung wichtiger gehalten werden, wenn wir entscheiden, wie wünschenswert unsere Kombinationen sind, als die Cluster-zu-NTC-Distanz. Es ist immer noch wichtig, aber nicht so wichtig wie die anderen beiden Variablen.
	Zurückgehend führte ich meine Experimente durch. Ich habe meine SNP-Assays für alle meine verschiedenen Maiskörner verwendet. Ich habe sie laufen lassen
	auf einer PCR. Ich konnte diese Daten abrufen und aus diesen Daten die Anrufrate, die Clusterverteilung und die Cluster-zu-NTC-Distanz manuell berechnet.
	Von all den verschiedenen Kombinationen meiner Schlüsselfaktor-Variablen werde ich euch zeigen...Ich gebe das in eine JMP-Tabelle ein und ich werde euch eine kleine Demo geben, wie ich den Vorhersage-Profiler zum Generieren verwende eine Erwünschtheitsfunktion.
	Wie Sie hier sehen können, habe ich also meine beiden Schlüsselfaktorvariablen sowie alle meine Ausgabevariablen. Was ich tun werde, ist, zu analysieren und auf das Modell zu klicken.
	Von dort aus kann ich alle meine Ausgabevariablen nehmen und in die Y-Kategorie einordnen und dann alle meine Schlüsselfaktorvariablen nehmen und diese in meine Modelleffekte einfügen. Und da mich eigentlich nur der Vorhersage-Profiler interessiert, werde ich auf minimale Berichterstattung treffen, nur damit ich nicht so viele Grafiken sehe.
	Wenn ich dies ausführe, rufe den Vorhersage-Profiler auf, gehe unter die Anpassung der kleinsten Quadrate und klicke auf den Profiler, um ihn unten zu füllen.
	Dies ist also nur eine Art grafische Darstellung aller unserer Ergebnisse. Sie sehen alle unsere Ausgabevariablen auf der Y-Achse und alle unsere Schlüsselfaktorvariablen unten. Der nächste Schritt ist also, unsere Erwünschtheitsfunktion festzulegen.
	Um dies zu tun, haben wir uns unter Optimierung und Begehrensfähigkeit begeben, und Sie werden sehen, dass JMP diese Erwünschtheitskurven auf der rechten Seite automatisch auffüllt. JMP stellt diese automatisch alle auf Maximierung ein und Sie werden diese Erwünschtheit sehen
	Art der Zuordnung unten. Was Sie also tun möchten, ist in der Lage zu sein, diese basierend auf unseren definierten Bedürfnissen festzulegen. Also haben wir zuerst über die Anrufrate gesprochen.
	Wie ich schon sagte, möchte ich das maximieren. Ich möchte wirklich, dass es eine höhere Erwünschtheit zwischen 80 und 100 % zeigt.
	Du wirst sehen, dass ich meine hohe Einstellung wirklich wünschenswert stelle. Die Erwünschtheit liegt zwischen null und eins, daher möchte ich, dass 100 % am wünschenswertesten sind.
	Und ich setze die Mitte auf 80 % und möchte das belassen, damit es, wenn es unter 80 % fällt, es ist
	viel mehr unerwünscht. Diese Erwünschtheitskurve wird keine lineare Beziehung sein. Wir wollen, dass es zwischen diesen 80 bis bleibt
	100%. Ich belasse diese Bedeutung bei 1 und wir werden etwas später sehen, wie das geht.
	Als nächstes kommt unser Cluster-Spread. Und worüber wir gesprochen haben, wir wollen das wirklich minimieren, und jetzt was
	Diese Zahlen sind auf der linken Seite, denn die Werte sind nur die Bereiche, die ich in meinen experimentellen Daten habe. Also gehe ich einfach
	Normalisieren Sie sie ein wenig, machen Sie sie ein wenig schöner von null auf zwei. Und das, da ich das nur minimieren möchte, werde ich eine ziemlich lineare Beziehung in dieser Erwünschtheitskurve beibehalten.
	Also werde ich es sehr wünschenswert einstellen, so klein wie möglich näher an Null zu sein und ein bisschen weniger zu laufen. Ich werde es genauso wichtig halten wie die Anrufrate.
	Und der allerletzte, dies ist der Cluster-zu-NTC-Abstand, über den wir gesprochen haben. Das wird derjenige sein, der
	wir wollen maximieren. Wir haben unseren Bereich von null bis 12 unserer Entfernung von dem, was wir in unseren Daten haben, und dann möchte ich hineingehen und ich werde etwas einstellen
	Wünsche und zu sagen, ich möchte, dass es wünschenswert ist, in Richtung 12 zu sein. Bei sechs ist es etwas weniger wünschenswert, aber nicht viel.
	Und wenn wir unten sind, verringern Sie es ein wenig, aber das Wichtigste ist, dass ich das Wichtige annehme und es verringern werde.
	Also werde ich es auf 0,5 ändern, und dies ändert, wie die Erwünschtheitszahl berechnet wird, wie viel sie wiegt. So wie
	Sie können hier sehen, dass die Erwünschtheitskurve gefüllt ist und Sie können sehen, dass einige von ihnen eine lineare Beziehung haben, einige von ihnen sind gekrümmt.
	Was wir tun möchten, ist sicherzustellen, dass wir die maximale Erwünschtheit erreichen, denn wenn wir dies tun, sehen Sie hier unten für jeden dieser Punkte eine Erwünschtheitszahl. Und jetzt zeigt es, dass mein Maiskörner drei,
	mit meinem Corn 11 SNP-Assay werde ich die wünschenswertesten Einstellungen erhalten. Sie können diese Formel also speichern, damit wir einen Blick darauf werfen können
	diese Formel, um zu sehen, wie sie berechnet wird, damit ich sie verwenden kann, und wenn ich sie sortiere, muss eine neue Datentabelle angezeigt werden. Klicken Sie einfach auf Weiter, um die Datentabelle anzuzeigen.
	Und sobald das auftaucht, sehen Sie wieder eine Liste, und wenn ich darüber scrolle, sehen Sie die Erwünschtheitszahlen
	und wie sie sie vom höchsten zum niedrigsten ordnen. Und wir werden sehen, wie diese Zahl berechnet wird. Sie können in die Formel gehen.
	Und das Wichtigste ist, wenn wir unsere Bedeutung festlegen,
	Sie können hier unter Anrufrate, Clusterverteilung und Cluster zu NTC sehen, dass die Zahl, die in der Erwünschtheit auftaucht, aus all diesen Faktoren zusammengezählt wird. Und Sie können sehen, dass jede davon mit einem Scaler-Multiplikator multipliziert wird.
	Und Sie werden feststellen, dass der Cluster zu NTC mit 0,2 multipliziert wurde, während die anderen beiden mit 0,4 multipliziert werden.
	Das heißt, wenn ich diese Erwünschtheitszahl für jede meiner Kombinationen aus Maiskorntyp und SNP-Assay-Typ herausbekomme, berücksichtige sie die Aufrufrate und die Cluster-Spread
	höher und zeigt eine größere Bedeutung als der Cluster zum NTC-Abstand.
	Wenn diese also gefüllt sind, ist dies der Schlüssel dazu und in der Lage zu sein, zu bestimmen, welche Variable Sie bei der Berechnung dieser Erwünschtheitszahl höher halten möchten. Und so habe ich diese Rangliste, ich habe diese Erwünschtheitszahlen.
	Aber wissen Sie, warum sind diese nützlich? Dies war also ein Basisexperiment für mich, um meine Assay-Leistung zu verstehen. Wenn ich weitere Optimierungen vornehme, zum Beispiel für meine Reaktionsmischungen, möchte ich vielleicht die Sequenz in meinem SNP-Assay ändern, ich möchte versuchen, dies zu tun
	optimieren vielleicht meinen Multiplex-Master-Mix.
	Dabei muss ich verstehen, welche Materialien ich verwenden möchte, da ich nicht wusste, welche Gene in diesen Maiskörnern enthalten sein würden.
	Ich habe jetzt diese Liste und kann nach unten scrollen und diejenigen finden, die wirklich unerwünscht sind. Es kann eins geben, aber dieses Gen ist überhaupt nicht vorhanden. Ich kann jetzt diejenigen entfernen, die auf dieser Erwünschtheitsrangliste basieren.
	Es mag solche geben, bei denen eine geringere Erwünschtheit besteht, bei denen ich denke, dass ich meinen Assay optimieren kann
	um dies besser zu machen. Jetzt kann ich aus dieser Liste auswählen, welche Materialien ich in Zukunft verwenden möchte. Aber das von Hand zu machen wäre gewesen,
	für mich ziemlich unmöglich. Ich wüsste nicht wirklich, wie man das mathematisch macht und wie ich die Dinge mit meiner Ausgangsvariable höher als einander halten kann.
	JMP war also wirklich schnell in der Lage, mir diese Liste zu geben, von der aus ich anfing, meinen Optimierungsprozess in jeder beliebigen Kategorie durchzuführen, die ich benötige.
	Das war also meine Posterpräsentation. Ich möchte meinen Mentoren Joyce Wile und Ferrier Le dafür danken, dass sie mir die Materialien zur Verfügung gestellt und fortlaufend unterstützt haben. Und ich hoffe, euch hat die Präsentation gefallen. Dankeschön.

DatenexplorationePosterStatistik und Modellierung