J'ai plus de 1000 colonnes décrivant les propriétés structurelles (numériques, continues) d'une protéine (catégorique) et avec celles-ci je souhaite comparer différentes protéines. Ces propriétés montrent une multicolinéarité. Quelle plateforme JMP est la mieux adaptée pour sélectionner les propriétés pertinentes, comparer les protéines et identifier les propriétés qui distinguent une protéine des autres ? J'ai essayé les plates-formes Cluster Variables et Predictor Screening, puis j'ai appliqué des K-means pour regrouper les protéines. Jusqu'à présent, j'ai obtenu de bonnes informations, mais je souhaitais bénéficier des conseils d'un expert JMP.
Salut @jlmbs ,
Il est difficile de dire s'il existe une meilleure méthode pour votre cas d'utilisation, car elle peut dépendre de plusieurs paramètres :
- Votre objectif : êtes-vous plus intéressé par la prédictivité (prédire une propriété d'une protéine grâce à des propriétés structurelles, comme les modèles QSPR (Quantitative Structure Property Relations)) ou l'explicabilité (regrouper/cluster des protéines similaires pour mieux comprendre certaines similitudes structure/propriétés par exemple) ?
- Les caractéristiques du jeu de données : valeurs manquantes, valeurs aberrantes, degré de multicolinéarité... : en fonction des caractéristiques de ces ensembles de données, certaines méthodes peuvent être plus appropriées que d'autres.
- Le type de modélisation (lié à votre objectif) : Certains modèles ont des fonctionnalités de sélection "intégrées" (par exemple Random Forest, LASSO/Elastic Net en Régression Généralisée...), d'autres sont plus adaptés à l'explicabilité/interprétabilité (lorsque l'on cherche dans les modèles arborescents, l'arbre de décision et la forêt aléatoire sont intéressants pour l'explicabilité, tandis que les arbres boostés sont plus difficiles à interpréter mais peuvent avoir de très bonnes performances prédictives), et les modèles se comportent différemment face à la multicolinéarité (les moindres carrés ordinaires ne sont absolument pas appropriés lorsqu'il y a multicolinéarité, tandis que les moindres carrés partiels gèrent facilement la multicolinéarité dans les situations où il existe un grand nombre de variables explicatives hautement corrélées, ce qui est souvent le cas dans les cas d'utilisation chimique/chimioinformatique).
Il existe d'autres paramètres qui pourraient influencer le choix du modèle, comme le "profil de prédiction" attendu ou la complexité du modèle (qui peut être lié aux points précédents évoqués plus haut et influencé par l'expertise du domaine) : certaines méthodes (comme les méthodes arborescentes) créeront des modèles de prédiction avec des « étapes », tandis que d'autres créeront des modèles/profils de prédiction « fluides » avec courbure (réseaux de neurones, machines à vecteurs de support, ...) et certains pourront créer des relations linéaires et droites entre les entrées et les sorties (PLS , quelques autres modèles de régression, ...).
Comme vous pouvez le constater, il existe de nombreuses options (certaines peuvent dépendre si vous utilisez JMP ou JMP Pro).
Avant de passer directement à l'analyse, je visualiserais les corrélations entre les descripteurs chimiques avec la ou les réponses, car cela pourrait donner une indication sur les variables corrélées et les entrées influentes pour votre analyse (plateforme "Multivariée" dans Analyse -> Méthodes multivariées).
Vous pouvez également passer du temps à vérifier les valeurs manquantes et les valeurs aberrantes, et à vérifier le score VIF sur un modèle de base (non utilisé pour les performances prédictives/explicatives, mais simplement pour avoir accès au calcul des scores VIF afin de mieux comprendre l'ampleur de la multicolinéarité dont vous disposez. dans votre ensemble de données).
Ensuite, quelques options à considérer :
- JMP :
- Une première approche pourrait consister à faire une Analyse en Composantes Principales (ACP), puis à essayer de modéliser la réponse par défaut avec ces composantes principales (ou à essayer une méthode de clustering avec les composantes principales). L'inconvénient de cette approche est qu'elle vous fera perdre une certaine explicabilité quant aux facteurs ayant un impact sur les valeurs par défaut, car ils seront combinés dans des variables PCA.
- Une autre option serait d’essayer les moindres carrés partiels (PLS), une approche très efficace lorsque l’on traite de nombreuses variables corrélées et très peu d’observations. Il est par exemple utilisé en analyse spectrale (chimiométrie) mais aussi dans certains modèles QSPR (chimioinformatique), où vous avez peu d'observations mais beaucoup de données d'entrée (transmittance/intensité pour chaque longueur d'onde par exemple ou beaucoup de données chimiques/moléculaires hautement corrélées). descripteurs).
- Le Predictor Screening est également un bon outil pour avoir une vue d'ensemble des facteurs qui peuvent être les plus influents sur la réponse, et prendre en charge "nativement" la multicolinéarité (puisque le modèle derrière est une forêt aléatoire).
- JMP Pro :
- Au lieu du dépistage Predictor, vous pouvez essayer "Random Forest", où vous aurez beaucoup plus d'informations sur le modèle et la possibilité de sauvegarder la formule. Puisque RF utilise le regroupement de fonctionnalités pour chaque arbre, vous pouvez être sûr que même en cas de multicolinéarité et de plus de paramètres que d'observations, chaque paramètre aura la même probabilité d'être sélectionné dans un arbre, vous aurez donc une bonne vue sur quels facteurs impacter les valeurs par défaut.
- Vous pouvez également consulter des modèles de régression généralisée avec des méthodes d'estimation pénalisées comme Lasso, Ridge ou Elastic Net.
Ce seront mes premiers modèles à essayer.
En phase de clustering, vérifiez si vous avez :
- Valeurs aberrantes "contextuelles"/multidimensionnelles : points qui ne sont pas aberrants dans toutes les dimensions, pour lesquels K-Nearest Neigbors, Mahalanobis / Couteau de poche Les distances ou l'ACP pourraient être une approche intéressante.
- valeurs aberrantes collectives, pour lesquelles les K-means peuvent être utiles, mais vous pouvez comparer les résultats obtenus avec Mélanges gaussiens , car il peut être plus "flexible" en ce qui concerne la forme des clusters (pas nécessairement aussi sphérique que K-Means peut l'être).
J'espère que cette (longue) réponse vous aidera,
