タンパク質 (カテゴリ) の構造特性 (数値、連続) を記述した 1000 以上の列があり、これらを使用してさまざまなタンパク質を比較したいと考えています。 これらのプロパティは多重共線性を示します。 関連する特性を選択し、タンパク質を比較し、タンパク質を他のものから際立たせる特性を特定するのに最適な JMP プラットフォームはどれですか? クラスター変数と予測子スクリーニングの両方のプラットフォームを試し、K 平均法を適用してタンパク質をクラスター化しました。 私はこれまでのところ良い洞察を得てきましたが、JMP の専門家によるアドバイスが必要でした。
やあ@jlmbs 、
いくつかのパラメーターに依存する可能性があるため、ユースケースに最適な方法が 1 つあるかどうかを判断するのは困難です。
- あなたの目的 : 予測性 (QSPR (Quantitative Structure Property Relationships) モデルなどの構造特性のおかげでタンパク質の特性を予測すること) または説明可能性 (たとえば、いくつかの構造/特性の類似性をよりよく理解するために類似のタンパク質をグループ化/クラスター化すること) に興味がありますか?
- データセットの特徴: 欠損値、外れ値、多重共線性の程度... : これらのデータセットの特性に応じて、一部の方法が他の方法よりも適切な場合があります。
- モデリングのタイプ（目的にリンク）：一部のモデルには「組み込み」機能の選択があります（たとえば、ランダムフォレスト、一般化回帰のLASSO /エラスティックネット...）、説明可能性/解釈可能性に適したモデルもあります（見るときツリーベースのモデルでは、デシジョン ツリーとランダム フォレストは説明可能性が高く、ブースト ツリーは解釈が困難ですが、予測性能が非常に優れている可能性があります)、多重共線性に直面するとモデルの動作が異なります (通常の最小二乗法は、一方、部分最小二乗法は、化学/ケモインフォマティクスのユースケースでよくある、相関性の高い説明変数が多数ある状況での多重共線性を簡単に処理できます)。
予想される「予測プロファイル」やモデルの複雑さなど、モデルの選択に影響を与える可能性のある他のパラメーターがあります (前述の前のポイントにリンクされ、ドメインの専門知識によって影響を受ける可能性があります): 一部の方法 (ツリーベースの方法など) は、 「ステップ」を使用して予測モデルを作成する一方で、曲率を使用して「滑らかな」予測モデル/プロファイルを作成するものもあれば (ニューラル ネットワーク、サポート ベクター マシンなど)、入力と出力の間に直線的で直線的な関係を作成するものもあります (PLS) 、他のいくつかの回帰モデル、...)。
ご覧のとおり、多くのオプションがあります (JMP と JMP Pro のどちらを使用しているかによって、いくつかのオプションが異なる場合があります)。
直接分析に進む前に、化学記述子と応答との間の相関を視覚化します。これにより、相関変数と分析の影響力のある入力についての指標が得られるためです (分析のプラットフォーム「多変量」-> 多変量メソッド)。
また、欠損値と外れ値を確認し、ベースライン モデルで VIF スコアを確認するのに時間を費やすこともできます (予測/説明パフォーマンスには使用されませんが、VIF スコアの計算にアクセスして、多重共線性の大きさをよりよく理解するためだけに使用されます)。あなたのデータセットで）。
次に、考慮すべきいくつかのオプション:
- JMP :
- 最初のアプローチは、主成分分析 (PCA) を実行してから、これらの主成分を使用して既定の応答をモデル化することです (または、主成分を使用してクラスタリング手法を試します)。 このアプローチの欠点は、どの要因がデフォルトに影響を与えるかについての説明可能性が失われることです。これらの要因は PCA 変数で組み合わされるためです。
- もう 1 つのオプションは、偏最小二乗法 (PLS) を試すことです。これは、相関変数が多く、観測値が非常に少ない場合に非常に効率的なアプローチです。 たとえば、スペクトル分析（ケモメトリックス）だけでなく、いくつかの QSPR モデル（ケモインフォマティクス）でも使用されます。そこでは、観察はほとんどありませんが、多くの入力データがあります（たとえば、各波長の透過率/強度、または多くの高度に相関する化学/分子記述子)。
- 予測子スクリーニングは、どの要因が応答に最も影響を与える可能性があるかについて概要を把握し、多重共線性を「ネイティブに」処理するための優れたツールでもあります (背後にあるモデルはランダム フォレストであるため)。
- JMP プロ :
- 予測子スクリーニングの代わりに、「ランダム フォレスト」を試すことができます。ここでは、モデルに関するより多くの情報と式を保存する可能性があります。 RF は各ツリーに特徴バギングを使用するため、多重共線性があり、観測よりも多くのパラメーターが存在する場合でも、各パラメーターがツリーで選択される確率が同じであることを確信できます。デフォルトに影響します。
- また、Lasso、Ridge、Elastic Net などのペナルティ付き推定方法を使用した一般化回帰モデルを確認することもできます。
これらは私の最初のモデルです。
クラスタリング フェーズで、以下があるかどうかを確認します。
- 「コンテキスト」/多次元外れ値: すべての次元で外れ値ではないポイント。マハラノビス/ジャックナイフ距離または PCA は興味深いアプローチかもしれません。
- K-means が役立つ場合がありますが、得られた結果を次の方法で比較できます。混合ガウス、クラスターの形状に関してより「柔軟」である可能性があるためです（必ずしもK-Meansのように球状であるとは限りません）。
この（長い）回答がお役に立てば幸いです。
