398681_es-ES

liliconcom

Uso de JMP Prediction Profiler para evaluar la discriminación alélica óptima del ensayo SNP en muestras de maíz (2021-US-EPO-843)

Nivel: intermedio

 

Madisun Hembree, ingeniera II, desarrollo de productos, Thermo Fisher Scientific

 

Dado que el campo del diagnóstico in vitro (DIV) está en constante evolución, las nuevas tecnologías en el campo requieren un proceso mediante el cual medir sus beneficios. La optimización requiere que se definan las variables de salida y que se prueben sus variables de factor clave hipotéticas. Los experimentos se pueden ejecutar en condiciones en las que las variables factoriales definidas conduzcan a las condiciones más deseables de las variables de salida. Los ensayos de genotipado de polimorfismo de nucleótido único (SNP), un ejemplo de un IVD, detectan y distinguen las variaciones de SNP en una muestra. La optimización de estos ensayos requiere que se maximice la discriminación entre los tipos de alelos. Antes de nuevas formulaciones o cambios en el proceso, es importante establecer patrones de discriminación alélica de referencia con todos los materiales de control.

Podemos utilizar el modelo de ajuste, el generador de perfiles de predicción y el simulador de JMP para crear un conjunto de herramientas para cuantificar la conveniencia de diferentes condiciones para múltiples variables de factores clave. Este estudio tiene como objetivo crear un conjunto de herramientas que considere las variables de factor clave del tipo de grano de maíz y el tipo de ensayo SNP para caracterizar el efecto en tres variables de salida: tasa de llamada, dispersión de grupo y distancia de grupo a NTC. Este conjunto de herramientas se puede agregar para validar nuevas formulaciones o procesar cambios en el futuro.

 

 

Transcripción generada automáticamente ...

 

Vocero	Transcripción
Jason Wiggins, JMP	hola Madison.
Madisun Hembree	Lo siento, estaba entrando en pánico.
	Pensé que era mi culpa, dije oh no.
Jason Wiggins, JMP	No, es tan gracioso que me guste hacer esto para configurar esto, hay una lista de no sé, tal vez 20 cosas diferentes que tienes que hacer bien.
Madisun Hembree	Con el fin de todo nosotros.
Jason Wiggins, JMP	Son y como ya sabes, cuantos más pasos tengas un asistente bueno, más opciones, hay un lío en todo.
Madisun Hembree	sí.
Jason Wiggins, JMP	sí, así que de todos modos, creo que creo que estamos bien, te veo.
Madisun Hembree	Perfecto.
Jason Wiggins, JMP	sí, no parece que haya ningún artefacto extraño en la cámara.
	Yo diría que si hubiera una forma de atenuar la luz de fondo que podría ser útil, pero.
	Exactamente a.
	Esto hizo Oh, sé lo que está pasando.
Madisun Hembree	¿Es eso demasiado oscuro?
Jason Wiggins, JMP	No, creo que está bien.
Madisun Hembree	Bueno.
Jason Wiggins, JMP	eso es mejor, sí, eso es mejor.
Madisun Hembree	Entonces, tengo la luz del sol y simplemente apagué la luz superior.
Jason Wiggins, JMP	¿Está iniciando sesión desde su oficina?
Madisun Hembree	sí, los firmé desde mi oficina, intenté que hubiera demasiada gente trabajando desde casa.
	Lo estoy, y lo estaba, como si todos tuvieran una reunión al mismo tiempo, estaba como si tomara una sala de conferencias en la que estamos.
Jason Wiggins, JMP	Ahora perfecto, mucho antes de comenzar, una de mis tareas es recordarles que esta grabación se publicará en línea en la página de descubrimiento de la comunidad y está bien, con ustedes.
Madisun Hembree	Sí, obtuve todos los materiales aprobados por mi equipo legal tan perfectos.
Jason Wiggins, JMP	Genial. Me acabo de dar cuenta de que en realidad estamos grabando, pero nuestra conversación se eliminará.
	Está bien, y estás listo para ir cuando quieras.
Madisun Hembree	Bien, entonces lo levantaré y veamos.
	Eso se abre.
Madisun Hembree	modo.
	Lee está bien.
Jason Wiggins, JMP	De acuerdo, veo que en la pantalla estás arriba.
Madisun Hembree	Para exagerar, ¿ves eso, o las caras son mi cara como que borran cualquier cuadro gris de la presentación?
Jason Wiggins, JMP	No lo parece por mi parte, no.
	Y estoy bastante seguro de que esto es lo que verán las personas que vean el video.
	estás embarazada y veo el.
	Tu cartel.
Madisun Hembree	Bueno.
	Déjame dar un paso a paso.
	Así que lo haré.
	tenerlo.
	Bien, entonces haré una breve introducción yo mismo y comenzaré con la presentación.
	Creo que estará bien.
	Bueno.
	Bueno.
Madisun Hembree	Hola chicos, mi nombre es Madisun Hembree, soy ingeniero de desarrollo de productos en Thermo Fisher Scientific y trabajo en su división de ciencia genética.
	Y hoy voy a hablar sobre cómo utilizo el generador de perfiles de predicción JMP para evaluar la discriminación alélica óptima del ensayo SNP en muestras de maíz. Primero, para darte una pequeña introducción,
	Cuando estoy determinando el rendimiento de mi ensayo, o lo piensas, realmente cualquier rendimiento de cualquier sistema, hay dos tipos de variables que deben definirse.
	Primero están sus variables de factor clave. Estas van a ser las variables que vas a cambiar, vas a probar diferentes condiciones.
	Y en mi caso, voy a probar diferentes tipos de ensayos de SNP que buscan diferentes genes y los ejecutarán en múltiples tipos diferentes de granos de maíz.
	Y el segundo tipo de variable son sus variables de salida. Estas serán sus variables que usará para medir qué combinación de sus variables de factor clave
	son óptimos en función de las necesidades definidas por el usuario. Entonces, en mi caso, mediré la tasa de llamadas, la dispersión del clúster y la distancia del clúster a NTC de mis datos, que
	Hablaré un poco más sobre lo que significan esas métricas en la siguiente sección. Por lo tanto, este póster analizará mis experimentos de referencia que utilizo para establecer una línea de base
	el rendimiento del ensayo de mis materiales de partida. Y dado que tengo algunos tipos diferentes de variables de salida que se pesarán de manera un poco diferente, es difícil hacerlo a mano. Por lo tanto, con el generador de perfiles de predicción de JMP puede configurar
	una función de deseabilidad que tendrá en cuenta las necesidades definidas por el usuario y le ayudará a crear matemáticamente una clasificación de deseabilidad basada en sus materiales. El software JMP podrá ayudarnos mucho en esto.
	A continuación, hablemos un poco sobre qué es un ensayo de SNP.
	Tenemos ADN; contiene toda nuestra información genética.
	Y la forma más común de variación genética está en un SNP. Un SNP es un polimorfismo de un solo nucleótido, donde un solo bloque de ADN, que es un nucleótido,
	se cambia. Y cuando realizamos ensayos de SNP, buscamos el genotipo
	nuestras muestras. Y cuando mira esos datos, mira el gráfico similar al que vemos a la derecha, que es un gráfico de discriminación alélica. Entonces, nuestra capacidad para poder genotiparlos en diferentes categorías
	Es pertinente que podamos obtener la información que necesitamos de esa muestra. Entonces, en mi experimento, quiero poder determinar que las diferentes combinaciones de mis variables de factores clave me están dando
	una gráfica de discriminación óptima. Y para hacer eso, usaré tres métricas clave. La primera es la tasa de llamadas.
	Entonces, la tasa de llamadas es el porcentaje de llamadas de genotipos exitosas por SNP que pasa.
	Para eso, quiero que ese porcentaje sea realmente alto, así que quiero maximizarlo, y quiero que esté entre el 80 y el 100% de nosotros que hemos logrado genotipar con éxito nuestro conjunto de muestras.
	En segundo lugar, voy a repasar la distribución del clúster, así que aquí vemos en la categoría roja.
	aqui. Y esa es la desviación estándar de la distancia entre cada punto de datos hacia el centro de su grupo. Queremos ese numero
	para ser minimizado. Queremos que ese número sea muy pequeño para que podamos discernir entre los diferentes grupos que ves en el rojo, el verde y el azul.
	Cuanto más pequeño sea, mejor será para nosotros poder diferenciar entre ellos y genotipar con éxito nuestras muestras.
	Por último, es la distancia entre el clúster y el NTC. Esta es la distancia media de todos los puntos de datos en el grupo al NTC, que es nuestro control sin plantilla.
	Así que queremos asegurarnos de que nuestro grupo de genotipos esté lejos del control que no tiene muestra, pero hasta cierto punto, cuanto más lejos esté ese grupo
	no agrega tanto beneficio, por lo que la conveniencia de esa distancia no es realmente una relación lineal. Entonces, algo que JMP podrá hacer es
	sopesar la importancia de cada una de estas variables. Queremos que la tasa de llamadas y la distribución del grupo se mantengan de manera más importante cuando decidamos qué tan deseables son nuestras combinaciones que la distancia del grupo a NTC. Sigue siendo importante, pero no tanto como las otras dos variables.
	Así que volviendo, hice mis experimentos. Usé mis ensayos de SNP en todos mis diferentes granos de maíz. Los ejecuté
	en una PCR. Pude extraer esos datos y, a partir de esos datos, calculé manualmente la tasa de llamadas, la dispersión del grupo y la distancia del grupo a NTC.
	De todas las diferentes combinaciones de mi variable de factor clave, les voy a mostrar ... lo introduzco en una tabla JMP y les voy a dar una pequeña demostración sobre cómo uso el generador de perfiles de predicción para generar una función de deseabilidad.
	Entonces, como puede ver aquí, tengo mis dos variables de factor clave, así como todas mis variables de salida. Lo que voy a hacer es ir a analizar y hacer clic en ajustar modelo.
	A partir de ahí, puedo tomar todas mis variables de salida y ponerlas en la categoría Y, y luego tomar todas las variables de mis factores clave y agregarlas a los efectos de mi modelo. Y como en realidad solo estoy interesado en el generador de perfiles de predicciones, voy a obtener informes mínimos, solo para no ver tantos gráficos.
	Cuando ejecuto esto, levanto el generador de perfiles de predicción, pasa por debajo del ajuste de mínimos cuadrados y hace clic en el generador de perfiles para completarlo en la parte inferior.
	Así que esto es simplemente una especie de gráfico de todos nuestros resultados. Verá todas nuestras variables de salida en el eje Y y todas nuestras variables de factores clave a continuación. Entonces, el siguiente paso es establecer nuestra función de deseabilidad.
	Para hacer eso, hemos pasado por optimización y deseabilidad y verá que JMP autocompleta estas curvas de deseabilidad a la derecha. Entonces, JMP configurará automáticamente todos esos para maximizar y verá esta conveniencia
	tipo de mapeo a continuación. Entonces, lo que desea hacer es poder configurarlos, en función de nuestras necesidades definidas. Así que primero hablamos de la tasa de llamadas.
	Como dije antes, quiero maximizar eso. Realmente quiero que muestre una mayor deseabilidad entre el 80 y el 100%.
	Verás que estableceré mi configuración alta realmente deseable. La deseabilidad está entre cero y uno, por lo que quiero que el 100% sea lo más deseable.
	Y estableceré el medio en 80% y quiero dejar eso para que, a medida que vaya por debajo del 80%, sea
	mucho más indeseable. Esa curva de deseabilidad no será una relación lineal. Queremos que se mantenga entre los 80 a
	100%. Voy a dejar esa importancia como 1 y veremos un poco más adelante cómo hacerlo.
	Entonces, el siguiente es nuestro clúster. Y esto de lo que hablamos, realmente queremos minimizarlo, y ahora mismo, ¿qué
	esos números están a la izquierda porque los valores solo serán los rangos de lo que tengo en mis datos experimentales. Así que solo voy a
	normalícelos un poco, hágalos un poco más agradables de cero a dos. Y esto, ya que solo quiero minimizar eso, voy a mantener una relación bastante lineal en esa curva de deseabilidad.
	Así que voy a establecer que sea muy deseable estar más cerca de cero tan pequeño como sea posible y un poco menos. Voy a mantener la misma importancia que la tasa de llamadas.
	Y el último, esta es la distancia de clúster a NTC de la que hablamos. Este va a ser el que
	queremos maximizar. Tenemos nuestro rango de cero a 12 de nuestra distancia de lo que tenemos en nuestros datos, y luego quiero entrar y voy a establecer algunos
	deseables y decir que quiero que sea, ya sabes, deseable para los 12. Al llegar a seis, es un poco menos deseable, pero no mucho.
	Y a medida que bajamos, lo disminuimos un poco, pero lo más importante es que voy a tomar esto importante y lo voy a disminuir.
	Así que voy a cambiarlo a .5, y esto cambiará la forma en que se calcula el número de deseabilidad, cuánto pesa eso. Así como
	puede ver aquí, está poblada la curva de deseabilidad y puede ver que algunos de ellos tienen una relación lineal, algunos de ellos son curvas.
	Lo que queremos hacer es asegurarnos de alcanzar la deseabilidad maximizada, porque cuando hacemos eso, verá aquí abajo para cada uno de ellos, aparecerá un número de deseabilidad. Y ahora mismo está mostrando que mi grano de maíz tres,
	con mi ensayo de SNP de maíz 11 me dará los ajustes más deseables. Entonces, algo que puede hacer es guardar esa fórmula, para que podamos echar un vistazo a
	esa fórmula para ver cómo se calcula, de modo que pueda tomarla y cuando la ordene, será necesario que aparezca una nueva tabla de datos. Simplemente haga clic en continuar para que aparezca esa tabla de datos.
	Y una vez que aparezca, lo que verá es una lista de nuevo, y una vez que me desplace, verá los números de deseabilidad
	y cómo los clasifican de mayor a menor. Y algo que podremos ver es cómo se calcula ese número. Puedes entrar en la fórmula.
	Y lo más importante es cuando establecemos nuestra importancia,
	puede ver aquí, en la tasa de llamadas, la distribución del grupo y el grupo a NTC, ese número que aparece en la conveniencia es de todos estos factores sumados. Y puede ver que cada uno de ellos se multiplica por un multiplicador de escala.
	Y el grupo de NTC, lo que notará, se multiplicó por .2, donde los otros dos se multiplican por .4.
	Eso significa que cuando obtengo este número de deseabilidad para cada una de mis combinaciones de tipo de grano de maíz y tipo de ensayo de SNP, está teniendo en cuenta la tasa de llamada y la dispersión del grupo.
	más alto y algo que muestra más importancia que el grupo a la distancia NTC.
	Entonces, cuando se completan, ese es el tipo de clave para esto y poder determinar qué variable desea mantener más alto al calcular este número de deseabilidad. Y entonces tengo esta lista clasificada, tengo estos números de deseabilidad.
	Pero, ya sabes, ¿por qué son útiles? Así que este fue un experimento de referencia para que yo entendiera el rendimiento de mi ensayo. Cuando hago alguna optimización, digamos para mis mezclas de reacción, tal vez quiera cambiar la secuencia en mi ensayo SNP, quiero intentar
	optimizar tal vez mi mezcla maestra multiplex.
	Al hacer esto, necesito entender qué materiales quiero usar, porque no sabía qué genes iban a estar en esos granos de maíz.
	Así que ahora tengo esta lista y puedo desplazarme hasta el final y encontrar las que son realmente indeseables. Puede haber uno, pero no tiene ese gen en absoluto. Ahora puedo eliminar aquellos basados en esa clasificación de deseabilidad.
	Puede haber algunos en los que sea menos deseable en los que soy como si supieras que creo que puedo optimizar mi ensayo
	para hacer esto mejor. Así que ahora puedo elegir de esa lista qué materiales quiero usar en el futuro. Pero hacer eso a mano habría sido,
	para mí, bastante imposible. Realmente no sabría cómo hacer eso matemáticamente y cómo mantener las cosas más altas que las demás con mi variable de salida.
	Así que JMP fue realmente capaz de darme esa lista para poder ir desde que comencé a hacer mi proceso de optimización en cualquier categoría que necesite.
	Así que esa fue mi presentación de póster. Me gustaría agradecer a mis mentores, Joyce Wile y Ferrier Le, por proporcionarme los materiales, así como por brindarme apoyo continuo. Y espero que hayan disfrutado de la presentación. Gracias.

Exploración de datosePosterEstadística y modelado