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衡量其益处的过程。 优化需要定义输出变量并测试它们假设的关键因素变量。 实验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。 单核苷酸多态性 (SNP) 基因分型分析是 IVD 的一个示例，可检测和区分样品中的 SNP 变异。 这些分析的优化需要最大限度地区分等位基因类型。 在新的配方或工艺改变之前，重要的是用所有对照材料建立基线等位基因识别模式。

我们可以使用 JMP 的拟合模型、预测刻画器和模拟器来创建一个工具集，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、簇散布和簇到 NTC 距离。 然后可以添加此工具集以验证未来的新配方或工艺变更。

 

 

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·亨布里	对不起，我惊慌失措。
	我以为这是我的错，我就像哦，不。
杰森威金斯，JMP	不，这很有趣，喜欢做这些来设置这些，有一个我不知道的列表，也许有 20 种不同的事情你必须做对。
麦迪逊·亨布里	为了我们的一切。
杰森威金斯，JMP	就像您知道的那样，您拥有助手的步骤越多，选择越多，就会变得一团糟。
麦迪逊·亨布里	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·亨布里	完美的。
杰森威金斯，JMP	是的，它看起来没有任何奇怪的相机伪影。
	我会说，如果有一种方法可以使背景中的光线变暗，这可能会有所帮助，但是。
	正好。
	这做到了哦，我知道发生了什么事。
麦迪逊·亨布里	是不是太黑了。
杰森威金斯，JMP	不，我认为这很好。
麦迪逊·亨布里	好的。
杰森威金斯，JMP	那更好是的，那就更好了。
麦迪逊·亨布里	所以，就像，我有阳光，我只是关掉了顶灯。
杰森威金斯，JMP	您是从办公室登录吗？
麦迪逊·亨布里	是的，我在办公室签了字，我试图让太多人在家工作。
	我是，我是，就像每个人同时开会一样，我想我会抓住一个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，您可以这样做。
麦迪逊·亨布里	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制，但我们的对话将被删除。
	好的，您随时可以出发。
麦迪逊·亨布里	好的，那我就把它拉到我的身上，让我们看看。
	那打开。
麦迪逊·亨布里	模式。
	李好。
杰森威金斯，JMP	好的，我看到你的屏幕了。
麦迪逊·亨布里	你看到了吗，或者这些脸是我的脸，让演示文稿中的任何灰色框都模糊了。
杰森威金斯，JMP	在我看来它不像它。
	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·亨布里	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，然后我将从演示开始。
	我想那会很好。
	好的。
	好的。
麦迪逊·亨布里	大家好，我叫 Madisun Hembree，是 Thermo Fisher Scientific 的产品开发工程师，在他们的遗传学科学部门工作。
	今天我将讨论如何使用 JMP 预测分析器来评估玉米样品中的最佳 SNP 分析等位基因鉴别。 所以先给大家简单介绍一下，
	当我确定我的分析性能时，或者您考虑一下，实际上是任何系统的任何性能时，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 分析类型，它们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。 这些将成为您的变量，您将使用这些变量来衡量关键因素变量的组合
	根据您的用户定义需求进行优化。 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做基线的基准实验
	我的起始材料的分析性能。 而且由于我有几种不同类型的输出变量，它们的权重会略有不同，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意愿函数，它将帮助您根据您的材料在数学上创建一个意愿排名。 软件 JMP 将能够在这方面为我们提供很多帮助。
	接下来，谈谈什么是 SNP 分析。
	我们有DNA；它拥有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，即核苷酸，
	被换掉了。 当我们进行 SNP 分析时，我们正在寻找基因分型
	我们的样品。 当您查看这些数据时，您看到的图表类似于我们在右侧看到的图表，这是一个等位基因歧视图。 所以我们能够将这些基因分型为不同的类别
	与我们能够从该样本中获得我们需要的信息有关。 因此，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了我
	最优判别图。 为此，我将使用三个关键指标。 首先是通话费率。
	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，我希望这个百分比非常高，所以我想最大化它，我希望它在大约 80% 到 100% 之间，我们已经成功地对我们的一组样本进行了基因分型。
	其次，我要介绍的是集群传播，所以我们在红色类别中看到
	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不同组，可以在红色绿色和蓝色中看到。
	它越小，我们就越能区分它们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制。
	因此，我们要确保我们的基因型簇远离没有样本的对照，但直到某个点，该簇越远
	并没有增加太多好处，因此该距离的可取性并不是真正的线性关系。 因此，JMP 将能够做的事情是
	权衡每个变量的重要性。 当我们决定我们的组合有多理想时，我们希望呼叫率和集群传播比集群到 NTC 距离更重要。 它仍然很重要，但不如其他两个变量重要。
	所以回去，我进行了实验。 我在所有不同的玉米粒上使用了我的 SNP 分析。 我跑了他们
	在 PCR 上。 我能够提取该数据，并从该数据中手动计算呼叫率、集群传播和集群到 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，我将为你们提供一个关于如何使用预测分析器生成的小演示一个意愿函数。
	因此，正如您在此处看到的，我拥有两个关键因素变量以及所有输出变量。 我要做的是我要去分析，我要点击拟合模型。
	从那里我可以获取所有输出变量并将其放入 Y 类别，然后获取所有关键因素变量并将其添加到我的模型效果中。 而且由于我真的只对预测分析器感兴趣，所以我将使用最少的报告，这样我就不会看到那么多的图表。
	当我运行它时，拉起预测分析器，您进入最小二乘拟合，然后单击分析器以填充底部。
	所以这只是一种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，并在下面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，我们进行了优化和可取性，您会看到 JMP 在右侧自动填充这些可取性曲线。 所以 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。 所以首先我们讨论了通话率。
	就像我之前说的，我想最大化它。 我真的希望它在 80% 到 100% 之间显示出更高的可取性。
	你会看到我会设置我的高设置非常可取。 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%，我想保留它，这样当它低于 80% 时，它是
	更不可取。 意愿曲线不会是线性关系。 我们希望它保持在 80 到
	100%。 我将把重要性保留为 1，稍后我们会看到如何做到这一点。
	接下来是我们的集群传播。 我们谈到了这个，我们真的想尽量减少这个，现在
	这些数字在左边，因为这些值只是我在实验数据中的范围。 所以我要
	将它们标准化一点，使它们从零到二更好一点。 而这一点，因为我只是想最小化它，我将在该意愿曲线中保持一个相当线性的关系。
	所以我将把它设置为非常接近零，尽可能小，少一点。 我将保持它与通话率相同的重要性。
	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距离范围为 0 到 12，然后我想进入并设置一些
	愿望和说我希望它是，你知道的，对 12 岁是可取的。 当你达到六个时，它有点不那么可取，但不是很多。
	当我们下降到下方时，将其降低一点，但最重要的是我要重视这一点，我要降低它。
	所以我要把它改成0.5，这将改变合意数的计算方式，它的权重。 这样
	你可以在这里看到，它填充了意愿曲线，你可以看到它们中的一些具有线性关系，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度，因为当我们这样做时，你会在下面看到每一个，都会弹出一个合意度数字。 现在它显示我的玉米粒三，
	使用我的玉米 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，你会看到愿望数字
	以及他们如何将它们从高到低排列。 我们将能够看到的是这个数字是如何计算的。 你可以进入公式。
	最重要的是当我们确定自己的重要性时，
	您可以在呼叫率、集群传播和集群到 NTC 下看到，愿望中弹出的数字是所有这些因素加在一起的。 你可以看到每一个都乘以一个缩放乘数。
	你会注意到，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 分析类型的每种组合得出这个期望值时，它会考虑调用率和簇分布
	比集群到 NTC 距离更高且更重要。
	因此，当这些被填充时，这就是关键，并且能够确定在计算这个合意性数字时要保持更高的变量。 所以我有这个排名列表，我有这些可取性数字。
	但是，你知道，为什么这些有用？ 所以这是我了解我的分析性能的基线实验。 当我继续进行任何优化时，比如说我的反应混合物，我可能想改变我的 SNP 分析中的序列，我想尝试
	优化也许我的多重主混音。
	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含有什么基因。
	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正不受欢迎的。 可能有一个，但根本没有那个基因。 我现在可以根据该意愿排名删除那些。
	可能有些人的意愿较低，我就像你知道的那样，我认为我可以优化我的分析
	使这变得更好。 所以现在我可以从该列表中选择我想要使用的材料。 但如果用手做的话，
	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得更高。
	因此，当我开始以我需要的任何类别进行优化过程时，JMP 真的很快就能给我这个列表。
	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