Tengo más de 1000 columnas que describen las propiedades estructurales (numéricas, continuas) de una proteína (categórica) y con estas quiero comparar diferentes proteínas. Estas propiedades muestran multicolinealidad. ¿Qué plataforma JMP es mejor para seleccionar las propiedades relevantes, comparar las proteínas e identificar qué propiedades hacen que una proteína se destaque de las demás? Probé las plataformas Cluster Variables y Predictor Screening y luego apliqué K-means para agrupar las proteínas. Hasta ahora he obtenido buenos conocimientos, pero quería el consejo de un experto en JMP.
Hola @jlmbs ,
Es difícil saber si existe un mejor método para su caso de uso, ya que puede depender de varios parámetros:
- Su objetivo: ¿está más interesado en la predictividad (predecir la propiedad de una proteína gracias a las propiedades estructurales, como los modelos QSPR (relaciones cuantitativas de propiedades estructurales)) o la explicabilidad (agrupar/agrupar proteínas similares para comprender mejor algunas similitudes de estructura/propiedades, por ejemplo)?
- Las características del conjunto de datos: valores perdidos, valores atípicos, grado de multicolinealidad... : dependiendo de las características de estos conjuntos de datos, algunos métodos pueden ser más apropiados que otros.
- El tipo de modelado (vinculado a su objetivo): algunos modelos tienen una selección de características "incorporadas" (por ejemplo, Random Forest, LASSO/Elastic Net en Generalized Regression...), algunos son más apropiados para la explicabilidad/interpretabilidad (al buscar En los modelos basados en árboles, el árbol de decisión y el bosque aleatorio son interesantes para la explicabilidad, mientras que el árbol potenciado es más difícil de interpretar pero puede tener un rendimiento predictivo muy bueno), y los modelos se comportan de manera diferente cuando se enfrentan a la multicolinealidad (Mínimos cuadrados ordinarios no es totalmente apropiado cuando hay multicolinealidad, mientras que Partial Least Squares maneja fácilmente la multicolinealidad en situaciones en las que hay una gran cantidad de variables explicativas altamente correlacionadas, lo que suele ser el caso en casos de uso químico/quimioinformático).
Hay otros parámetros que podrían influir en la elección del modelo, como el "perfil de predicción" esperado o la complejidad del modelo (que pueden estar vinculados a los puntos anteriores mencionados e influenciados por la experiencia del dominio): algunos métodos (como los métodos basados en árboles) crearán modelos de predicción con "pasos", mientras que otros crearán modelos/perfiles de predicción "suaves" con curvatura (redes neuronales, máquinas de vectores de soporte, ...) y algunos pueden crear relaciones lineales y directas entre entradas y salidas (PLS , algunos otros modelos de regresión, ...).
Como puede ver, hay muchas opciones (algunas pueden depender si está en JMP o JMP Pro).
Antes de pasar directamente al análisis, visualizaría las correlaciones entre los descriptores químicos con la(s) respuesta(s), ya que esto podría dar una indicación sobre las variables correlacionadas y las entradas influyentes para su análisis (plataforma "Multivariante" en Analizar -> Métodos multivariantes).
También puede dedicar algún tiempo a verificar los valores perdidos y los valores atípicos, y verificar la puntuación VIF en un modelo de referencia (no se usa para el rendimiento predictivo/explicativo, sino solo para tener acceso al cálculo de las puntuaciones VIF para comprender mejor la magnitud de la multicolinealidad que tiene). en su conjunto de datos).
A continuación, algunas opciones a tener en cuenta:
- JMP:
- Un primer enfoque podría ser hacer un análisis de componentes principales (PCA) y luego tratar de modelar la respuesta predeterminada con estos componentes principales (o probar un método de agrupamiento con los componentes principales). El inconveniente de este enfoque es que le hará perder algo de explicabilidad sobre qué factores afectan los valores predeterminados, ya que se combinarán en las variables PCA.
- Otra opción sería probar los mínimos cuadrados parciales (PLS), un enfoque muy eficiente cuando se trata de muchas variables correlacionadas y muy pocas observaciones. Se utiliza, por ejemplo, en el análisis espectral (quimiometría), pero también en algunos modelos QSPR (quimioinformática), donde tiene pocas observaciones pero muchos datos de entrada (transmitancia/intensidad para cada longitud de onda, por ejemplo, o muchos datos químicos/moleculares altamente correlacionados). descriptores).
- Predictor Screening también es una buena herramienta para tener una visión general sobre qué factores pueden ser los más influyentes en la respuesta y cuidar "de forma nativa" la multicolinealidad (ya que el modelo subyacente es un Random Forest).
- JMPPro:
- En lugar de la detección Predictor, puede probar "Bosque aleatorio", donde tendrá mucha más información sobre el modelo y la posibilidad de guardar la fórmula. Dado que RF utiliza el empaquetado de características para cada árbol, puede estar seguro de que incluso en el caso de multicolinealidad y más parámetros que observaciones, cada parámetro tendrá la misma probabilidad de ser seleccionado en un árbol, por lo que tendrá una buena visión de qué factores afectar los valores predeterminados.
- También puede ver modelos de regresión generalizada con métodos de estimación penalizados como Lasso, Ridge o Elastic Net.
Estos serían mis primeros modelos en probar.
En la fase de agrupación, compruebe si tiene:
- Valores atípicos "contextuales"/multidimensionales: puntos que no son valores atípicos en todas las dimensiones, para los cuales K-Nearest Neigbors, Mahalanobis / Navaja Las distancias o PCA pueden ser un enfoque interesante.
- valores atípicos colectivos, para los cuales K-means puede ser útil, pero puede comparar los resultados obtenidos con Mezclas Gaussianas , ya que puede ser más "flexible" con respecto a la forma de los grupos (no necesariamente tan esférica como puede ser K-Means).
Espero que esta respuesta (larga) te ayude,
