398681_de-DE

liliconcom

Verwendung von 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, mit dem ihr Nutzen gemessen werden kann. Die Optimierung erfordert, dass Ausgangsvariablen definiert und ihre hypothetischen Schlüsselfaktorvariablen getestet werden. Experimente können unter Bedingungen durchgeführt werden, bei denen die definierten Faktorvariablen zu den wünschenswertesten Bedingungen der Ausgabevariablen führen. Einzelnukleotid-Polymorphismus (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 Diskriminierungsmuster zu erstellen.

Wir können das Fit-Modell, den Prediction 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-Abstand. Dieses Toolset kann dann hinzugefügt werden, um in Zukunft neue Formulierungen oder Prozessänderungen zu validieren.

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Abschrift
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 es eine Liste von ich weiß nicht, vielleicht 20 verschiedenen Dingen gibt, die Sie richtig machen müssen, um diese einzurichten.
Madisun Hembree	Damit alles wir.
Jason Wiggins, JMP	Und wie Sie wissen, je mehr Schritte Sie über einen Assistenten haben, desto mehr Optionen gibt es für Sie.
Madisun Hembree	ja.
Jason Wiggins, JMP	Ja, also, ich denke, ich denke, wir sind gut, ich sehe dich.
Madisun Hembree	perfekt.
Jason Wiggins, JMP	Ja, es sieht nicht so aus, als gäbe es irgendwelche seltsamen Kameraartefakte.
	Ich würde sagen, wenn es eine Möglichkeit gäbe, das Licht im Hintergrund zu dimmen, könnte das hilfreich sein, aber.
	Genau zu.
	Oh, ich weiß, was los ist.
Madisun Hembree	Ist das zu dunkel so.
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	Also, ich habe das Sonnenlicht und ich 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 hätte jeder zur gleichen Zeit ein Meeting, ich war, als würde ich einen Konferenzraum nehmen, in dem wir uns befinden.
Jason Wiggins, JMP	Nun perfekt, in Ordnung, lange bevor wir anfangen, ist es eine meiner Aufgaben, Sie daran zu erinnern, dass diese Aufzeichnung online auf der Community-Discovery-Seite veröffentlicht wird und dass das für Sie in Ordnung ist.
Madisun Hembree	Ja, ich habe alle Materialien von meinem Anwaltsteam so perfekt genehmigt bekommen.
Jason Wiggins, JMP	Toll, ich habe gerade bemerkt, dass wir eigentlich aufnehmen, aber unser Gespräch herausgeschnitten wird.
	Okay, und Sie sind bereit zu gehen, wann immer Sie möchten.
Madisun Hembree	Okay, dann ziehe ich es einfach hoch und mal sehen.
	Das öffnet.
Madisun Hembree	Modus.
	Lee OK.
Jason Wiggins, JMP	OK, ich sehe deinen Bildschirm, du bist oben.
Madisun Hembree	Um zu sehen, sehen Sie das, oder verwischen die Gesichter mein Gesicht irgendwie irgendein graues Kästchen aus der Präsentation.
Jason Wiggins, JMP	Bei mir sieht es nicht so aus, nein.
	Und ich bin mir ziemlich sicher, dass die Leute, die sich das Video ansehen, das sehen werden.
	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 stelle ich mich kurz vor und beginne mit der Präsentation.
	Ich denke, das wird gut sein.
	Okay.
	Okay.
Madisun Hembree	Hallo Leute, mein Name ist Madisun Hembree und ich bin Produktentwicklungsingenieurin bei Thermo Fisher Scientific und arbeite in der Abteilung Genetikwissenschaft.
	Und heute werde ich darüber sprechen, wie ich den JMP Prediction Profiler verwende, um die optimale SNP-Assay-Unterscheidung von Allelen in Maisproben zu bewerten. Um Ihnen also zunächst eine kleine Einführung zu geben,
	Wenn ich meine Testleistung bestimme, oder Sie denken darüber nach, wirklich jede Leistung eines beliebigen Systems, gibt es zwei Arten von Variablen, die definiert werden müssen.
	Zuerst sind Ihre Schlüsselfaktorvariablen. Dies werden die Variablen sein, die Sie ändern werden, 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 hinweg testen.
	Und der zweite Variablentyp sind Ihre Ausgabevariablen. Dies werden Ihre Variablen sein, die Sie verwenden werden, um zu messen, welche Kombination Ihrer Schlüsselfaktorvariablen
	basieren optimal auf Ihren benutzerdefinierten Bedürfnissen. In meinem Fall werde ich also die Anrufrate, die Cluster-Spreizung und den Cluster-zu-NTC-Abstand 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 als wirkliche Basislinie verwende
	die Assay-Leistung meiner Ausgangsmaterialien. Und da ich ein paar verschiedene Arten von Ausgabevariablen habe, die etwas anders gewichtet werden, ist es schwierig, das von Hand zu tun. Mit dem JMP-Vorhersageprofiler können Sie also festlegen
	eine Erwünschtheitsfunktion, die benutzerdefinierte Bedürfnisse berücksichtigt und Ihnen dabei hilft, auf der Grundlage Ihrer Materialien mathematisch ein Ranking der Erwünschtheit 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 Einzelnukleotid-Polymorphismus, bei dem ein einzelner DNA-Block, der ein Nukleotid ist,
	ist ausgewechselt. Und wenn wir SNP-Assays durchführen, suchen wir nach Genotypen
	unsere Proben. Und wenn Sie sich diese Daten ansehen, sehen Sie sich den Graphen an, der dem rechts ähnelt, der ein Allel-Diskriminierungsdiagramm ist. Also unsere Fähigkeit, diese in verschiedene Kategorien zu genotypisieren
	ist insofern relevant, als wir in der Lage sind, die Informationen, die wir benötigen, aus dieser Probe zu erhalten. Und so möchte ich in meinem Experiment feststellen können, was die verschiedenen Kombinationen meiner Schlüsselfaktorvariablen mir geben
	ein optimales Diskriminationsdiagramm. Und um das zu tun, werde ich drei Schlüsselmetriken verwenden. Die erste ist die Anrufrate.
	Die Anrufrate ist also der Prozentsatz erfolgreicher Genotyp-Anrufe pro passierendem SNP.
	Dafür möchte ich, dass dieser Prozentsatz wirklich hoch ist, also möchte ich ihn maximieren, und ich möchte, dass zwischen etwa 80 und 100 % von uns unseren Probensatz 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 wirklich klein ist, damit wir zwischen den verschiedenen Gruppen unterscheiden können, die Sie in Rot, Grün und Blau sehen können.
	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, der unsere Schablonenkontrolle ist.
	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 dieser Cluster entfernt 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, dies zu tun
	wiegen 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 der Cluster-zu-NTC-Abstand. Es ist immer noch wichtig, aber nicht so wichtig wie die anderen beiden Variablen.
	Also ging ich zurück und führte meine Experimente durch. Ich habe meine SNP-Assays für alle meine verschiedenen Maiskörner verwendet. Ich habe sie laufen lassen
	auf einer PCR. Ich war in der Lage, diese Daten abzurufen, und aus diesen Daten habe ich manuell die Anrufrate, die Cluster-Spreizung und die Cluster-zu-NTC-Distanz 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, ich werde analysieren und auf das Modell klicken.
	Von dort aus kann ich alle meine Ausgabevariablen nehmen und diese in die Y-Kategorie einfügen und dann alle meine Schlüsselfaktorvariablen nehmen und diese zu meinen Modelleffekten hinzufügen. Und da ich wirklich nur am Vorhersageprofiler interessiert bin, werde ich auf minimale Berichterstellung klicken, nur damit ich nicht so viele Diagramme sehe.
	Wenn ich das ausführe, ziehe den Vorhersage-Profiler hoch, gehe unter die Anpassung der kleinsten Quadrate und klicke auf den Profiler, um das unten auszufüllen.
	Das ist also nur eine Art grafische Darstellung aller unserer Ergebnisse. Sie sehen alle unsere Ausgabevariablen auf der Y-Achse und alle unsere Schlüsselfaktorvariablen darunter. Der nächste Schritt ist also, dass wir unsere Erwünschtheitsfunktion festlegen wollen.
	Um dies zu tun, gehen wir zu Optimierung und Erwünschtheit und Sie werden sehen, dass JMP diese Erwünschtheitskurven auf der rechten Seite automatisch ausfüllt. Daher stellt JMP diese alle automatisch 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 Anforderungen 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 % aufweist.
	Du wirst sehen, dass ich meine hohe Einstellung wirklich erstrebenswert einstellen werde. Die Erwünschtheit liegt zwischen null und eins, also möchte ich, dass 100 % am wünschenswertesten ist.
	Und ich werde die Mitte auf 80 % setzen und das so belassen, dass es, wenn es unter 80 % geht, es ist
	viel unerwünschter. Diese Erwünschtheitskurve wird keine lineare Beziehung sein. Wir wollen, dass es zwischen diesen 80 to bleibt
	100%. Ich werde diese Wichtigkeit bei 1 belassen und wir werden etwas später sehen, wie das geht.
	Als nächstes kommt unsere Clusterverteilung. Und darüber haben wir gesprochen, wir wollen das wirklich minimieren, und jetzt was
	Diese Zahlen sind auf der linken Seite, denn die Werte werden nur die Bereiche dessen sein, was ich in meinen experimentellen Daten habe. Also gehe ich einfach
	Normalisieren Sie sie ein bisschen, machen Sie sie ein bisschen schöner von null auf zwei. Und da ich das nur minimieren möchte, werde ich es in dieser Erwünschtheitskurve in einer ziemlich linearen Beziehung halten.
	Also werde ich es als sehr wünschenswert festlegen, 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, das ist der Cluster-zu-NTC-Abstand, über den wir gesprochen haben. Dies 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 einige einstellen
	Erwünschtheiten und zu sagen, ich möchte, dass es wünschenswert ist, gegen 12 zu sein. Wenn Sie auf sechs kommen, ist es etwas weniger wünschenswert, aber nicht viel.
	Und wenn wir nach unten kommen, verringern Sie es ein wenig, aber das Wichtigste ist, dass ich das als wichtig erachte und es verringern werde.
	Also werde ich es auf 0,5 ändern, und das wird ändern, wie die Erwünschtheitszahl berechnet wird, wie viel sie das gewichtet. So wie
	Sie können hier sehen, dass die Erwünschtheitskurve gefüllt ist, und Sie können sehen, dass einige von ihnen eine lineare Beziehung haben, andere von ihnen gekrümmt sind.
	Was wir tun möchten, ist sicherzustellen, dass wir die maximale Erwünschtheit erreichen, denn wenn wir dies tun, sehen Sie hier unten für jede davon, wird eine Erwünschtheitszahl auftauchen. Und gerade jetzt zeigt es, dass mein Maiskorn drei,
	mit meinem Mais 11 SNP-Assay gibt mir die wünschenswertesten Einstellungen. Sie können also diese Formel speichern, damit wir sie uns ansehen können
	diese Formel, um zu sehen, wie sie berechnet wird, damit ich sie nehmen kann, und wenn ich sie sortiere, muss sie eine neue Datentabelle öffnen. Sie klicken einfach auf Weiter, damit diese Datentabelle angezeigt wird.
	Und sobald das auftaucht, sehen Sie wieder eine Liste, und sobald ich darüber scrolle, sehen Sie die Erwünschtheitszahlen
	und wie sie sie vom höchsten zum niedrigsten ordnen. Und etwas, das wir sehen können, ist, wie diese Zahl berechnet wird. Sie können in die Formel gehen.
	Und das Wichtigste ist, wenn wir unsere Wichtigkeit festlegen,
	Sie können hier unter Call Rate, Cluster Spread und Cluster to NTC sehen, dass die Zahl, die in der Erwünschtheit auftaucht, aus all diesen Faktoren zusammengerechnet wird. Und Sie können sehen, dass diese jeweils mit einem Scaler-Multiplikator multipliziert werden.
	Und der Cluster zu NTC, was Sie bemerken werden, wurde mit 0,2 multipliziert, während die anderen beiden mit 0,4 multipliziert werden.
	Das heißt, wenn ich diese Erwünschtheitszahl für jede meiner Kombinationen aus Maiskorntyp und SNP-Assaytyp erhalte, werden die Aufrufrate und die Clusterstreuung berücksichtigt
	höher und irgendwie wichtiger als der Abstand zwischen Cluster und NTC.
	Wenn diese also gefüllt sind, ist das der Schlüssel dazu und Sie können bestimmen, welche Variable Sie bei der Berechnung dieser Erwünschtheitszahl höher halten möchten. Und so habe ich diese Rangliste, ich habe diese Wünschbarkeitszahlen.
	Aber wissen Sie, warum sind diese nützlich? Dies war also ein Basisexperiment für mich, um meine Assay-Leistung zu verstehen. Wenn ich mit der Optimierung fortfahre, zum Beispiel für meine Reaktionsmischungen, möchte ich vielleicht die Sequenz in meinem SNP-Assay ändern, ich möchte es versuchen
	vielleicht meinen Multiplex-Mastermix optimieren.
	Dabei muss ich verstehen, welche Materialien ich verwenden möchte, weil ich nicht wusste, welche Gene in diesen Maiskörnern stecken würden.
	Ich habe jetzt also diese Liste, und ich kann nach unten scrollen und diejenigen finden, die wirklich unerwünscht sind. Es mag eines geben, aber dieses Gen haben sie überhaupt nicht. Ich kann jetzt diejenigen entfernen, die auf dieser Rangfolge der Erwünschtheit basieren.
	Es mag solche geben, die eine geringere Erwünschtheit haben, wo ich, wie Sie wissen, 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 tun wäre gewesen,
	für mich ziemlich unmöglich. Ich wüsste nicht wirklich, wie man das mathematisch macht und wie man die Dinge mit meiner Ausgangsvariablen übereinander hält.
	JMP konnte mir also sehr schnell diese Liste geben, damit ich ab dem Zeitpunkt, an dem ich mit meinem Optimierungsprozess begann, in der Art der von mir benötigten Kategorie beginnen konnte.
	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 mich kontinuierlich unterstützt haben. Und ich hoffe, euch hat die Präsentation gefallen. Vielen Dank.

DatenexplorationePosterStatistik und Modellierung