Ich habe mehr als 1000 Spalten, die die strukturellen Eigenschaften (numerisch, kontinuierlich) eines Proteins (kategorisch) beschreiben, und mit diesen möchte ich verschiedene Proteine vergleichen. Diese Eigenschaften zeigen Multikollinearität. Welche JMP-Plattform eignet sich am besten, um die relevanten Eigenschaften auszuwählen, die Proteine zu vergleichen und herauszufinden, welche Eigenschaften ein Protein von den anderen abheben? Ich habe sowohl Cluster-Variablen- als auch Prädiktor-Screening-Plattformen ausprobiert und dann K-Mittel zur Clusterung der Proteine angewendet. Bisher habe ich gute Erkenntnisse gewonnen, wollte aber eine Beratung durch einen JMP-Experten.
Hallo @jlmbs ,
Es ist schwer zu sagen, ob es für Ihren Anwendungsfall die beste Methode gibt, da diese von mehreren Parametern abhängen kann:
- Ihr Ziel: Interessieren Sie sich mehr für Prädiktion (Vorhersage einer Proteineigenschaft anhand struktureller Eigenschaften, wie QSPR-Modelle (Quantitative Structure Property Relationships)) oder Erklärbarkeit (Gruppierung/Clusterung ähnlicher Proteine, um beispielsweise einige Struktur-/Eigenschaftsähnlichkeiten besser zu verstehen)?
- Die Merkmale des Datensatzes: fehlende Werte, Ausreißer, Grad der Multikollinearität ... : Abhängig von diesen Datensatzmerkmalen können einige Methoden geeigneter sein als andere.
- Die Art der Modellierung (im Zusammenhang mit Ihrem Ziel): Einige Modelle verfügen über eine „integrierte“ Funktionsauswahl (z. B. Random Forest, LASSO/Elastic Net in Generalized Regression ...), andere eignen sich besser für die Erklärbarkeit/Interpretierbarkeit (bei der Suche). Bei baumbasierten Modellen sind Entscheidungsbaum und Zufallswald aus Gründen der Erklärbarkeit interessant, während Boosted Tree schwieriger zu interpretieren ist, aber möglicherweise eine sehr gute Vorhersageleistung aufweist. Modelle verhalten sich anders, wenn sie Multikollinearität ausgesetzt sind (Ordinary Least Squares ist völlig ungeeignet, wenn dies der Fall ist Multikollinearität, während Partial Least Squares Multikollinearität in Situationen problemlos bewältigen kann, in denen es eine große Anzahl stark korrelierter erklärender Variablen gibt, was häufig in chemischen/chemoinformatischen Anwendungsfällen der Fall ist.
Es gibt andere Parameter, die die Modellauswahl beeinflussen könnten, wie zum Beispiel das erwartete „Vorhersageprofil“ oder die Komplexität des Modells (die möglicherweise mit den zuvor erwähnten Punkten verknüpft sind und von Fachkenntnissen auf dem Gebiet beeinflusst werden): Einige Methoden (z. B. baumbasierte Methoden) werden dies tun Erstellen Sie Vorhersagemodelle mit „Schritten“, während andere „glatte“ Vorhersagemodelle/-profile mit Krümmung erstellen (Neuronale Netze, Support-Vektor-Maschinen, ...) und einige möglicherweise lineare und gerade Beziehungen zwischen Eingaben und Ausgaben erstellen (PLS , einige andere Regressionsmodelle, ...).
Wie Sie sehen, gibt es viele Optionen (einige hängen möglicherweise davon ab, ob Sie JMP oder JMP Pro verwenden).
Bevor ich direkt zur Analyse übergehe, würde ich die Korrelationen zwischen chemischen Deskriptoren und Antworten visualisieren, da dies einen Hinweis auf korrelierte Variablen und einflussreiche Eingaben für Ihre Analyse geben könnte (Plattform „Multivariat“ unter Analysieren -> Multivariate Methoden).
Sie können auch etwas Zeit damit verbringen, nach fehlenden Werten und Ausreißern zu suchen und den VIF-Score an einem Basismodell zu überprüfen (wird nicht für die Vorhersage-/Erklärungsleistung verwendet, sondern nur, um Zugriff auf die Berechnung der VIF-Scores zu haben und das Ausmaß Ihrer Multikollinearität besser zu verstehen). in Ihrem Datensatz).
Dann einige Optionen, die Sie in Betracht ziehen sollten:
- JMP:
- Ein erster Ansatz könnte darin bestehen, eine Hauptkomponentenanalyse (PCA) durchzuführen und dann zu versuchen, die Standardreaktion mit diesen Hauptkomponenten zu modellieren (oder eine Clustering-Methode mit den Hauptkomponenten auszuprobieren). Der Nachteil dieses Ansatzes besteht darin, dass die Erklärbarkeit darüber, welche Faktoren sich auf die Standardwerte auswirken, teilweise verloren geht, da diese in PCA-Variablen kombiniert werden.
- Eine andere Möglichkeit wäre, Partial Least Squares (PLS) auszuprobieren, ein sehr effizienter Ansatz, wenn Sie mit vielen korrelierten Variablen und sehr wenigen Beobachtungen arbeiten. Es wird beispielsweise in der Spektralanalyse (Chemometrie), aber auch in einigen QSPR-Modellen (Chemoinformatik) verwendet, wo Sie nur wenige Beobachtungen, aber viele Eingabedaten haben (z. B. Transmission/Intensität für jede Wellenlänge oder viele stark korrelierte chemische/molekulare Daten). Deskriptoren).
- Predictor Screening ist auch ein gutes Tool, um einen Überblick darüber zu erhalten, welche Faktoren den größten Einfluss auf die Reaktion haben könnten, und um Multikollinearität „nativ“ zu berücksichtigen (da das dahinter stehende Modell ein Random Forest ist).
- JMP Pro:
- Anstelle des Predictor-Screenings können Sie „Random Forest“ ausprobieren, wo Sie viel mehr Informationen zum Modell und die Möglichkeit haben, Formeln zu speichern. Da RF für jeden Baum Features Bagging verwendet, können Sie sicher sein, dass selbst bei Multikollinearität und mehr Parametern als Beobachtungen jeder Parameter die gleiche Wahrscheinlichkeit hat, in einem Baum ausgewählt zu werden, sodass Sie einen guten Überblick über die Faktoren haben Auswirkungen auf die Standardeinstellungen haben.
- Sie können sich auch generalisierte Regressionsmodelle mit bestraften Schätzmethoden wie Lasso, Ridge oder Elastic Net ansehen.
Dies wären meine ersten Modelle, die ich ausprobieren würde.
Überprüfen Sie in der Clustering-Phase, ob Sie Folgendes haben:
- „kontextuelle“/multidimensionale Ausreißer: Punkte, die keine Ausreißer in allen Dimensionen sind, für die K-Nearest Neigbors, Mahalanobis / Klappmesser Distanzen oder PCA könnten ein interessanter Ansatz sein.
- kollektive Ausreißer, für die K-Mittel nützlich sein können, aber Sie können die erhaltenen Ergebnisse mit vergleichen Gaußsche Mischungen , da es hinsichtlich der Form der Cluster möglicherweise „flexibler“ ist (nicht unbedingt so kugelförmig wie K-Means sein kann).
Ich hoffe, diese (lange) Antwort wird Ihnen helfen,
