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, ingeniero II, desarrollo de productos, Thermo Fisher Scientific

 

Dado que el campo del diagnóstico in vitro (IVD) está en constante evolución, las nuevas tecnologías en el campo requieren un proceso mediante el cual medir su beneficio. 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 de factor definidas conducen a las condiciones más deseables de las variables de salida. Los ensayos de genotipado de polimorfismo de nucleótido único (SNP), un ejemplo de IVD, detectan y distinguen las variaciones de SNP en una muestra. La optimización de estos ensayos requiere maximizar 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 usar el modelo de ajuste, el perfilador 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 llamadas, dispersión de grupos 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...

 

Altavoz	Transcripción
Jason WigginsJMP	hola madison
Madisun Hembree	Lo siento, estaba entrando en pánico.
	Pensé que era mi culpa, yo estaba como oh no.
Jason WigginsJMP	No, es muy divertido 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	Para que todo nosotros.
Jason WigginsJMP	Son y como saben, cuantos más pasos tenga un asistente bien, más opciones, hay un lío.
Madisun Hembree	sí.
Jason WigginsJMP	sí, así que de todos modos, creo que creo que estamos bien te veo.
Madisun Hembree	Perfecto.
Jason WigginsJMP	sí, no parece que haya artefactos extraños en la cámara.
	Diría que, si hubiera una forma de atenuar la luz de fondo, podría ser útil, pero.
	Exactamente a.
	Esto hizo Oh, sé lo que está pasando.
Madisun Hembree	¿Es demasiado oscuro?
Jason WigginsJMP	No, creo que eso está bien.
Madisun Hembree	Bueno.
Jason WigginsJMP	eso es mejor sí eso es eso es mejor.
Madisun Hembree	Entonces, tengo la luz del sol y acabo de apagar la luz superior.
Jason WigginsJMP	¿Está iniciando sesión desde su oficina?
Madisun Hembree	sí, los firmé desde mi oficina, traté de que haya 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 estemos bien.
Jason WigginsJMP	Ahora perfecto, bien, mucho antes de que comencemos, 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 de manera perfecta.
Jason WigginsJMP	Genial. Acabo de darme cuenta de que en realidad estamos grabando, pero nuestra conversación será eliminada.
	Está bien, y usted está listo para ir cuando quiera.
Madisun Hembree	Está bien, entonces simplemente lo levantaré y veamos.
	Eso abre.
Madisun Hembree	modo.
	Lee bien.
Jason WigginsJMP	OK, veo tu pantalla, estás arriba.
Madisun Hembree	Para más, ¿ves eso, o las caras son mi cara y desdibujan cualquier cuadro gris fuera de la presentación?
Jason WigginsJMP	No lo parece por mi parte, no.
	Y estoy bastante seguro de que esto es lo que verán las personas que vean el video.
	estas 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 eso será bueno.
	Bueno.
	Bueno.
Madisun Hembree	Hola chicos, mi nombre es Madisun Hembree y soy ingeniero de desarrollo de productos en Thermo Fisher Scientific y trabajo en su división de ciencia genética.
	Y hoy hablaré sobre cómo uso el generador de perfiles de predicción JMP para evaluar la discriminación alélica óptima del ensayo SNP en muestras de maíz. Entonces, para darle una pequeña introducción primero,
	cuando estoy determinando el rendimiento de mi ensayo, o si lo piensa, realmente cualquier rendimiento de cualquier sistema, hay dos tipos de variables que deben definirse.
	En primer lugar están las variables de los factores clave. Estas van a ser las variables que vas a cambiar, vas a probar diferentes condiciones de.
	Y en mi caso, voy a probar diferentes tipos de ensayos de SNP que buscan diferentes genes y los analizaré en múltiples tipos de granos de maíz diferentes.
	Y el segundo tipo de variable son sus variables de salida. Estas serán las 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, voy a medir la tasa de llamadas, la dispersión de grupos y la distancia de grupo 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 realmente 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. Entonces, al usar el generador de perfiles de predicción JMP, puede configurar
	una función de conveniencia que tendrá en cuenta las necesidades definidas por el usuario y lo ayudará a crear matemáticamente una clasificación de conveniencia basada en sus materiales. El software JMP nos va a poder ayudar mucho en esto.
	A continuación, hablemos un poco sobre lo que es un ensayo 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 intercambia. Y cuando realizamos ensayos de SNP, buscamos el genotipo
	nuestras muestras. Y cuando observa esos datos, observa el gráfico similar al que vemos a la derecha, que es un gráfico de discriminación alélica. Entonces, nuestra capacidad de 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 factor clave me están dando
	una gráfica de discriminación óptima. Y para hacer eso, voy a usar tres métricas clave. El primero es la tasa de llamadas.
	Entonces, la tasa de llamadas es el porcentaje de llamadas de genotipo exitosas por SNP que pasa.
	Para eso, quiero que ese porcentaje sea realmente alto, así que quiero maximizar eso, y quiero que esté entre aproximadamente el 80 y el 100 % de nosotros teniendo éxito en el genotipo de nuestro conjunto de muestras.
	En segundo lugar, voy a repasar la dispersión del grupo, así que aquí lo vemos en la categoría roja.
	aqui. Y esa es la desviación estándar de la distancia entre cada punto de datos al centro de su grupo. queremos ese numero
	ser minimizado. Queremos que ese número sea realmente pequeño para que podamos discernir entre los diferentes grupos que pueden ver en rojo, verde y azul.
	Cuanto más pequeño sea, mejor será para nosotros poder diferenciar entre ellos y genotipar con éxito nuestras muestras.
	Por último, es la distancia del clúster a NTC. Esta es la distancia media de todos los puntos de datos en el grupo al NTC, que es nuestro control sin plantilla.
	Entonces, 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 llamada y la dispersión del grupo se mantengan más importantes cuando decidamos qué tan deseables son nuestras combinaciones que la distancia del grupo al NTC. Sigue siendo importante, pero no tanto como las otras dos variables.
	Así que volviendo atrás, realicé mis experimentos. Usé mis ensayos SNP en todos mis diferentes granos de maíz. los corrí
	en una PCR. Pude extraer esos datos y, a partir de ellos, calculé manualmente la tasa de llamadas, la dispersión del grupo y la distancia del grupo al NTC.
	De todas las diferentes combinaciones de mi variable de factor clave, les voy a mostrar... Ingresé eso en una tabla JMP y les daré una pequeña demostración de 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 voy a 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 mis variables de factores clave y agregarlas a los efectos de mi modelo. Y dado que en realidad solo estoy interesado en el generador de perfiles de predicción, voy a obtener informes mínimos, solo para no ver tantos gráficos.
	Cuando ejecuto esto, levante el generador de perfiles de predicción, pase por debajo del ajuste de mínimos cuadrados y haga clic en el generador de perfiles para completar eso en la parte inferior.
	Así que esto es solo una forma de graficar 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, pasamos por optimización y deseabilidad y verá que JMP autocompleta estas curvas de deseabilidad a la derecha. Por lo tanto, JMP configurará automáticamente todos para maximizar y verá esta conveniencia
	tipo de mapeo a continuación. Entonces, lo que quiere hacer es poder configurarlos, en función de cuáles fueron nuestras necesidades definidas. Entonces, primero hablamos sobre la tarifa de llamada.
	Como dije antes, quiero maximizar eso. Realmente quiero que muestre una mayor conveniencia entre 80 y 100%.
	Verás que pondré mi ajuste alto realmente deseable. La deseabilidad está entre cero y uno, por lo que quiero que el 100% sea el más deseable.
	Y pondré el medio al 80% y quiero dejar eso para que, a medida que baje del 80%, sea
	mucho más indeseable. Esa curva de deseabilidad no va a ser una relación lineal. Queremos que se mantenga entre esos 80 a
	100%. Voy a dejar esa importancia como 1 y veremos un poco más adelante cómo hacerlo.
	Así que lo siguiente es nuestra dispersión de racimo. Y esto de lo que hablamos, realmente queremos minimizar esto, y ahora mismo lo que
	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, dado 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 lo más pequeño 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
	deseabilidades y decir quiero que sea, ya sabes, deseable que sea hacia los 12. A medida que llegas a seis, es un poco menos deseable, pero no mucho.
	Y a medida que bajamos, disminuyamos 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 cómo se calcula el número de deseabilidad, cuánto pesa eso. Así como
	pueden ver aquí, está poblada la curva de deseabilidad y pueden ver que algunos de ellos tienen una relación lineal, algunos de ellos son curvos.
	Lo que queremos hacer es asegurarnos de alcanzar la conveniencia maximizada, porque cuando lo hagamos, verá aquí abajo para cada uno de ellos, aparecerá un número de conveniencia. Y ahora mismo está mostrando que mi grano de maíz tres,
	con mi ensayo Corn 11 SNP me dará la configuración más deseable. Entonces, algo que puede hacer es guardar esa fórmula, para que podamos echar un vistazo a
	esa fórmula para ver cómo se calcula, así que puedo tomar eso y cuando lo clasifique, tendrá que aparecer una nueva tabla de datos. Simplemente haga clic en continuar para que aparezca esa tabla de datos.
	Y una vez que aparece, lo que verá es una lista nuevamente, 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 dispersión 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 escalador.
	Y el clúster a NTC, lo que notará, se multiplicó por .2, donde los otros dos se multiplicaron 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 SNP, está teniendo en cuenta la tasa de llamada y la dispersión del grupo.
	más alto y mostrando 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 alta 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 entender el rendimiento de mi ensayo. Cuando voy a hacer cualquier 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 los que son realmente indeseables. Puede haber uno pero no tener ese gen en absoluto. Ahora puedo eliminar los que se basan en esa clasificación de deseabilidad.
	Puede haber algunos en los que tengan una menor conveniencia en los que soy como, sabes, 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 hacerlo a mano habría sido,
	para mí, bastante imposible. Realmente no sabría cómo hacer eso matemáticamente y cómo mantener las cosas más altas que otras con mi variable de salida.
	Así que JMP fue capaz de darme rápidamente esa lista para poder empezar desde que comencé a hacer mi proceso de optimización en cualquier categoría que necesite.
	Así que esa fue mi presentación del cartel. Me gustaría dar las gracias a mis mentores, Joyce Wile y Ferrier Le, por proporcionarme los materiales, así como por brindarme apoyo continuo. Y espero que hayan disfrutado la presentación. Gracias.

Exploración de datosePosterEstadística y Modelado