398681_zh-CN

liliconcom

使用 JMP 预测刻画器评估玉米样品中的最佳 SNP 分析等位基因鉴别 (2021-US-EPO-843)

级别：中级

 

Madisun Hembree，工程师 II，产品开发，赛默飞世尔科技

 

由于体外诊断 (IVD) 领域不断发展，该领域的新技术需要一个过程来衡量其益处。 优化需要定义输出变量并测试其假设的关键因素变量。 可以在定义的因子变量导致输出变量的最理想条件的条件下运行实验。 单核苷酸多态性 (SNP) 基因分型分析是 IVD 的一个例子，可检测和区分样品中的 SNP 变异。 这些检测的优化需要最大限度地区分等位基因类型。 在新配方或工艺变更之前，重要的是要建立所有对照材料的基线等位基因区分模式。

我们可以使用 JMP 的拟合模型、预测刻画器和模拟器来创建工具集，以量化多个关键因素变量的不同条件的合意性。 本研究旨在创建一个工具集，该工具集考虑了玉米粒类型和 SNP 分析类型的关键因素变量，以表征对三个输出变量的影响：调用率、簇扩展和簇到 NTC 的距离。 然后可以添加此工具集以验证未来的新配方或流程更改。

 

 

自动生成的成绩单...

 

扬声器	成绩单
杰森威金斯，JMP	嘿麦迪逊。
麦迪逊恒布里	对不起，我很恐慌。
	我以为是我的错，我就像哦不。
杰森威金斯，JMP	不，这太有趣了，喜欢做这些来设置这些有一个我不知道的清单，也许你必须做对 20 件不同的事情。
麦迪逊恒布里	为了我们的一切。
杰森威金斯，JMP	就像你知道的那样，你有一个助手的步骤越多，选择就越多，事情就会一团糟。
麦迪逊恒布里	是的。
杰森威金斯，JMP	是的，无论如何，我想我觉得我们很好，我看到你了。
麦迪逊恒布里	完美的。
杰森威金斯，JMP	是的，看起来没有任何奇怪的相机伪像。
	我会说，如果有一种方法可以使背景中的光线变暗可能会有所帮助，但是。
	正是为了。
	哦，我知道这是怎么回事。
麦迪逊恒布里	是不是太黑了。
杰森威金斯，JMP	不，我觉得这样就好了。
麦迪逊恒布里	好的。
杰森威金斯，JMP	那更好，那更好。
麦迪逊恒布里	所以，就像，我有阳光，我刚刚关掉了上面的灯。
杰森威金斯，JMP	您是从办公室登录的吗？
麦迪逊恒布里	是的，我在办公室签了他们，我试着让太多人在家工作。
	我是，我是，就像每个人都在同一时间开会一样，我就像我会抓住我们在正确的会议室。
杰森威金斯，JMP	现在完美了，在我们开始之前，我的任务之一是提醒您，此录音将在线发布在社区发现页面中，与您同在。
麦迪逊恒布里	是的，我的法律团队批准的所有材料都非常完美。
杰森威金斯，JMP	太好了，我刚刚注意到我们实际上正在录音，但我们的对话将被删除。
	好的，您随时可以出发。
麦迪逊恒布里	好的，那我就把它拉上我的，让我们看看。
	那打开。
麦迪逊恒布里	模式。
	李好。
杰森威金斯，JMP	好的，我看到你的屏幕了。
麦迪逊恒布里	你看到了吗，或者面孔是我的脸，使演示文稿中的任何灰色框变得模糊。
杰森威金斯，JMP	它看起来不像我最后没有。
	我很确定这就是观看视频的人会看到的。
	你怀孕了，我看到了。
	你的海报。
麦迪逊恒布里	好的。
	让我一步一步来。
	所以我只会。
	有它。
	好的，那么我将自己做一个简短的介绍，然后从演示开始。
	我认为那会很好。
	好的。
	好的。
麦迪逊恒布里	大家好，我叫 Madisun Hembree，我是 Thermo Fisher Scientific 的产品开发工程师，在他们的遗传科学部门工作。
	今天我将讨论我如何使用 JMP 预测分析器来评估玉米样品中的最佳 SNP 检测等位基因区分。 先给大家简单介绍一下，
	当我确定我的测定性能时，或者您考虑一下，实际上是任何系统的任何性能，都需要定义两种类型的变量。
	首先是您的关键因素变量。 这些将是你要改变的变量，你要测试不同的条件。
	就我而言，我将测试不同的 SNP 检测类型，这些检测类型正在寻找不同的基因并在多种不同的玉米粒类型中运行它们。
	第二种类型的变量是您的输出变量。 这些将是您将用来衡量关键因素变量组合的变量
	是基于您用户定义的需求的最佳选择。 所以在我的例子中，我将测量我的数据的呼叫率、集群传播和集群到 NTC 的距离，这
	我将在下一节中更多地讨论这些指标的含义。 所以这张海报将着眼于我用来真正基线的基准实验
	我的起始材料的测定性能。 而且由于我有几种不同类型的输出变量，它们的权重略有不同，因此很难手动完成。 因此，您可以使用 JMP 预测分析器设置
	一个考虑用户定义需求的合意性函数，它将帮助您从数学上创建基于您的材料的合意性排名。 软件 JMP 将能够在这方面为我们提供很多帮助。
	那么接下来，谈谈什么是 SNP 检测。
	我们有 DNA；它保存了我们所有的遗传信息。
	最常见的遗传变异形式是 SNP。 SNP 是单核苷酸多态性，其中单个 DNA 块，即一个核苷酸，
	被换出。 当我们运行 SNP 检测时，我们希望进行基因分型
	我们的样品。 当您查看该数据时，您会看到类似于我们在右侧看到的图表，即等位基因区分图。 所以我们能够将这些基因分型到不同的类别
	与我们能够从该样本中获取所需信息有关。 所以，在我的实验中，我希望能够确定我的关键因素变量的不同组合给我
	最优判别图。 为此，我将使用三个关键指标。 首先是通话率。
	所以调用率是每个通过 SNP 的成功基因型调用的百分比。
	为此，我希望该百分比非常高，因此我希望将其最大化，并且我希望我们中的大约 80% 到 100% 成功地对我们的样本集进行了基因分型。
	其次，我要讨论的是集群分布，所以我们在红色类别中看到了
	这边。 这就是每个数据点到其集群中心的距离的标准差。 我们想要那个号码
	被最小化。 我们希望这个数字非常小，以便我们能够区分您看到的红色绿色和蓝色的不同组。
	它越小，我们就越能区分这些之间的差异并成功地对我们的样本进行基因分型。
	最后，是集群到 NTC 的距离。 这是集群中所有数据点到 NTC 的平均距离，这是我们的无模板控件。
	所以我们要确保我们的基因型簇远离没有样本但达到某个点的对照，该簇离得越远
	没有增加太多好处，因此该距离的可取性并不是真正的线性关系。 所以 JMP 能够做的就是
	权衡每个变量的重要性。 当我们决定我们的组合比集群到 NTC 的距离有多可取时，我们希望呼叫率和集群传播更重要。 它仍然很重要，但不如其他两个变量重要。
	所以回去，我进行了我的实验。 我在所有不同的玉米粒上都使用了 SNP 分析。 我跑了他们
	在 PCR 上。 我能够提取该数据，并根据该数据手动计算呼叫率、集群传播以及集群到 NTC 的距离。
	在我的关键因素变量的所有不同组合中，我将向你们展示......我将其输入到 JMP 表中，我将向你们展示我如何使用预测分析器生成一个合意函数。
	所以，正如你在这里看到的，我有我的两个关键因素变量，以及我所有的输出变量。 我要做的是进行分析，然后单击拟合模型。
	从那里我可以把我所有的输出变量放在 Y 类别中，然后把我所有的关键因素变量添加到我的模型效果中。 因为我真的只对预测分析器感兴趣，所以我将达到最少的报告，这样我就不会看到那么多的图表。
	当我运行它时，调出预测分析器，进入最小二乘拟合，然后单击分析器将其填充到底部。
	所以这只是绘制我们所有结果的图表。 您将在 Y 轴上看到我们所有的输出变量，并在下方看到我们所有的关键因素变量。 所以下一步是，我们要设置我们的意愿函数。
	为此，我们进行了优化和需求性分析，您会在右侧看到 JMP 自动填充这些需求性曲线。 因此 JMP 会自动将所有这些设置为最大化，您会看到这种可取性
	下面的一种映射。 所以你想要做的是能够根据我们定义的需求来设置这些。 所以首先我们谈到了通话率。
	就像我之前说的，我想最大化它。 我真的希望它在 80% 到 100% 之间表现出更高的吸引力。
	你会发现我会设置非常理想的高设置。 可取性介于 0 和 1 之间，所以我希望 100% 是最可取的。
	我将中间设置为 80% 我想离开它，当它低于 80% 时，它是
	更不受欢迎。 该合意性曲线不会是线性关系。 我们希望它保持在 80 到
	100%。 我将把这个重要性保留为 1，稍后我们将看到如何做到这一点。
	所以接下来是我们的集群传播。 我们谈到了这个，我们真的想最小化这个，现在什么
	这些数字在左边，因为这些值将是我在实验数据中所拥有的范围。 所以我只是要去
	将它们标准化一点，使它们从零到二更好一点。 而这个，因为我只想最小化它，我将在该意愿曲线中保持一个相当线性的关系。
	因此，我将非常理想地将其设置为尽可能小且更接近零，并且减少一点。 我将保持它与通话率一样的重要性。
	最后一个，这是我们谈到的集群到 NTC 的距离。 这将是一个
	我们想要最大化。 我们与数据中的距离的范围是 0 到 12，然后我想进去，我要设置一些
	渴望并说我希望它成为，你知道的，向着 12 迈进。 当你达到六个时，它有点不太可取，但不是很多。
	当我们下降到下面时，将其减少一点，但最重要的是我将把它视为重要的并且我将减少它。
	所以我要把它改成 0.5，这将改变合意性数字的计算方式，以及它的权重。 这样
	你可以在这里看到，它填充了意愿曲线，你可以看到其中一些具有线性关系，其中一些是弯曲的。
	我们想要做的是确保我们达到最大的合意性，因为当我们这样做时，你会在下面看到每个人，一个合意性数字会弹出。 现在它显示我的玉米粒三，
	用我的玉米 11 SNP 检测将给我最理想的设置。 所以你可以做的就是保存那个公式，所以我们可以看看
	那个公式来看看它是如何计算的，所以我可以接受它，当我对它进行排序时，它需要弹出一个新的数据表。 您只需单击“继续”即可弹出该数据表。
	一旦弹出，你会再次看到一个列表，一旦我滚动，你会看到合意性数字
	以及他们如何从最高到最低排名。 我们将能够看到的是该数字是如何计算的。 你可以进入公式。
	最重要的是当我们设定我们的重要性时，
	您可以在此处在呼叫率、集群扩展和集群到 NTC 下看到，在合意性中出现的数字是所有这些因素加在一起的结果。 你可以看到，每一个都乘以一个定标器乘数。
	您会注意到，NTC 的集群乘以 0.2，而其他两个乘以 0.4。
	这意味着当我为我的玉米粒类型和 SNP 分析类型的每个组合得出这个合意性数字时，它会考虑调用率和集群扩展
	更高，比集群到 NTC 的距离更重要。
	因此，当这些被填充时，这是一种关键，并且能够确定在计算此合意性数字时要保持更高的变量。 所以我有这个排名列表，我有这些合意性数字。
	但是，你知道，为什么这些有用？ 所以这是我了解我的检测性能的基线实验。 当我继续进行任何优化时，例如对于我的反应混合物，我可能想更改 SNP 分析中的序列，我想尝试
	优化我的多重主混音。
	这样做时，我需要了解我想使用什么材料，因为我不知道那些玉米粒中会有什么基因。
	所以我现在有了这个列表，我可以滚动到底部并找到那些真的不受欢迎的。 可能有一个，但根本没有那个基因。 我现在可以根据该期望排名删除那些。
	可能有些人的可取性较低，我就像你知道的那样，我想我可以优化我的检测
	使这更好。 所以现在我可以从该列表中选择我想要使用的材料。 但是手工做的话，
	对我来说，几乎不可能。 我真的不知道如何在数学上做到这一点，以及如何用我的输出变量将事物保持在彼此之上。
	因此，JMP 很快就能够为我提供该列表，从我开始以我需要的任何类别进行优化过程开始。
	这就是我的海报展示。 我要感谢我的导师 Joyce Wile 和 Ferrier Le，他们为我提供了材料，并提供了持续的支持。 我希望你们喜欢这个演讲。 谢谢你。

数据探索电子海报统计和建模