나는 단백질(범주형)의 구조적 특성(수치적, 연속적)을 설명하는 1000개 이상의 열을 가지고 있으며 이들과 다른 단백질을 비교하고 싶습니다. 이러한 속성은 다중 공선성을 보여줍니다. 어떤 JMP 플랫폼이 관련 속성을 가장 잘 선택하고, 단백질을 비교하고, 어떤 속성이 단백질을 다른 속성보다 돋보이게 만드는지 식별합니까? 저는 Cluster Variables와 Predictor Screening 플랫폼을 모두 시도한 다음 단백질을 클러스터링하기 위해 K-평균을 적용했습니다. 지금까지 좋은 통찰력을 얻었지만 JMP 전문가의 조언이 필요했습니다.
안녕 @jlmbs ,
여러 매개변수에 따라 달라질 수 있으므로 사용 사례에 가장 적합한 방법이 하나 있는지 말하기는 어렵습니다.
- 귀하의 목표: 예측성(QSPR(정량적 구조 속성 관계) 모델과 같은 구조적 속성 덕분에 단백질 속성을 예측) 또는 설명 가능성(예: 일부 구조/속성 유사성을 더 잘 이해하기 위해 유사한 단백질을 그룹화/클러스터링)에 더 관심이 있습니까?
- 데이터 세트 특성: 누락된 값, 이상값, 다중 공선성 정도... : 이러한 데이터셋의 특성에 따라 어떤 방법이 다른 방법보다 더 적합할 수 있습니다.
- 모델링 유형(목표에 연결됨): 일부 모델에는 "내장" 기능 선택이 있습니다(예: 일반화 회귀의 랜덤 포레스트, LASSO/Elastic Net ...). 일부 모델은 설명 가능성/해석 가능성에 더 적합합니다(찾을 때 트리 기반 모델에서 결정 트리와 랜덤 포레스트는 설명 가능성이 흥미로운 반면 부스트 트리는 해석하기 어렵지만 예측 성능이 매우 우수할 수 있습니다. 반면 부분 최소 제곱은 화학/화학 정보학 사용 사례에서 종종 발생하는 높은 상관 관계가 있는 설명 변수가 많은 상황에서 다중 공선성을 쉽게 처리합니다.
예상되는 "예측 프로필" 또는 모델의 복잡성(앞서 언급한 이전 포인트에 연결되고 도메인 전문 지식의 영향을 받을 수 있음)과 같이 모델 선택에 영향을 줄 수 있는 다른 매개변수가 있습니다. 트리 기반 방법과 같은 일부 방법은 "단계"로 예측 모델을 생성하는 반면, 다른 모델은 곡률이 있는 "부드러운" 예측 모델/프로파일(신경망, 지원 벡터 머신 등)을 생성하고 일부는 입력과 출력(들) 사이에 선형 및 직선 관계를 생성할 수 있습니다(PLS). , 일부 다른 회귀 모델, ...).
보시다시피 많은 옵션이 있습니다(일부는 JMP 또는 JMP Pro에 따라 다를 수 있음).
분석을 직접 진행하기 전에 화학 설명자와 응답 간의 상관 관계를 시각화합니다. 이는 분석에 대한 상관 변수 및 영향력 있는 입력에 대한 표시를 제공할 수 있기 때문입니다(분석 -> 다변량 방법의 플랫폼 "다변량").
또한 누락된 값과 이상값을 확인하고 기준 모델에서 VIF 점수를 확인하는 데 시간을 할애할 수 있습니다(예측/설명 성능에는 사용되지 않지만 다중 공선성의 크기를 더 잘 이해하기 위해 VIF 점수 계산에 액세스할 수 있습니다. 데이터 세트에서).
그런 다음 고려해야 할 몇 가지 옵션이 있습니다.
- JMP :
- 첫 번째 접근 방식은 주성분 분석(PCA)을 수행한 다음 이러한 주성분으로 기본 응답을 모델링하는 것입니다(또는 주성분으로 클러스터링 방법 시도). 이 접근 방식의 단점은 PCA 변수에 결합되기 때문에 기본값에 영향을 미치는 요소에 대한 설명 가능성을 잃게 된다는 것입니다.
- 또 다른 옵션은 PLS(Partial Least Squares)를 시도하는 것인데, 이는 많은 상관 변수와 극소수의 관찰을 처리할 때 매우 효율적인 접근 방식입니다. 예를 들어 스펙트럼 분석(화학계량학)뿐만 아니라 일부 QSPR 모델(화학정보학)에서도 사용됩니다. 여기서 관측치는 거의 없지만 많은 입력 데이터(예: 각 파장에 대한 투과율/강도 또는 상관관계가 높은 화학/분자 설명자).
- Predictor Screening은 응답에 가장 큰 영향을 미칠 수 있는 요인에 대한 개요를 파악하고 다중 공선성을 "기본적으로" 관리할 수 있는 좋은 도구이기도 합니다(뒤에 있는 모델이 Random Forest이므로).
- JMP 프로:
- 예측자 스크리닝 대신 "Random Forest"를 시도할 수 있습니다. 여기서 모델에 대한 더 많은 정보와 공식을 저장할 가능성이 있습니다. RF는 각 트리에 대해 피처 배깅을 사용하므로 다중 공선성이 있고 관측값보다 매개변수가 더 많은 경우에도 각 매개변수가 트리에서 선택될 확률이 동일하므로 어떤 요인에 대해 잘 볼 수 있습니다. 기본값에 영향을 미칩니다.
- Lasso, Ridge 또는 Elastic Net과 같은 페널티 추정 방법을 사용하여 일반화 회귀 모델을 볼 수도 있습니다.
이것은 내가 시도하는 첫 번째 모델이 될 것입니다.
클러스터링 단계에서 다음이 있는지 확인하십시오.
- "contextual"/multidimensional outliers: K-Nearest Neigbors, 마할라노비스 / 잭나이프 거리 또는 PCA는 흥미로운 접근 방식일 수 있습니다.
- K-평균이 유용할 수 있지만 얻은 결과를 가우시안 혼합물 , 클러스터의 모양과 관련하여 더 "유연"할 수 있기 때문입니다(반드시 K-평균만큼 구형일 필요는 없음).
이 (긴) 답변이 도움이 되길 바랍니다.
