Re : données multivariées avec un plan à mesures répétéesJe ne suis pas une PME pour votre situation particulière, mais en général, évaluez d'abord la variation intra-traitement (telle que quantifiée par vos mesures répétées). Cela pourrait inclure l'évaluation graphique des répétitions et l'évaluation de la cohérence au sein du traitement. Une fois que vous avez évalué la variation intra-traitement, vous pouvez décider comment énumérer ces mesures répétées (par exemple, quelles statistiques vous souhaitez utiliser pour résumer les données intra-traitement). Il peut s'agir d'une mesure de la tendance centrale et d'une certaine mesure de la variance. Il n'y a pas une seule "bonne" façon de faire cela. Votre idée d'utiliser le changement de pourcentage vaudrait certainement la peine d'être essayée. Ensuite, vous analysez ces statistiques récapitulatives pour modéliser les effets du traitement. La beauté de JMP est qu'il vous permettra d'essayer plusieurs méthodes assez efficacement.
Re : données multivariées avec un plan à mesures répétéesSalut @abmayfield ,
J'ai peut-être une autre suggestion.
Si votre ou vos réponses d'analyte sont des valeurs continues mesurées dans le temps, l'explorateur de données fonctionnelles pourrait-il être utile pour extraire la variation des courbes/évolution temporelle, avec une variance possible des mesures répétées pour le même sujet (ID) ?
Il y avait un sujet traitant de l'analyse du système de mesure pour les données de courbe qui peut être utile dans ce contexte :
Analyse des systèmes de mesure pour les données de courbe à l'aide de modèles fonctionnels à effets aléatoires (2023-EU-30MP-1316)
J'espère que cette réponse vous aidera,
Re : données multivariées avec un plan à mesures répétéesMerci pour vos pensées. Je pense que cela pourrait finir par être plus simple que je ne le pense parce que j'ai le sentiment que ce seront des données de présence-absence : la personne a-t-elle développé une mutation et, dans l'affirmative, quelles protéines ont changé de concentration au cours de la période au cours de laquelle la mutation a émergé ? Je pense que c'est leur question (en dehors de mon domaine d'expertise). En d'autres termes, il peut même ne pas être nécessaire de l'entrer dans JMP en tant que dialogue typique de mesures répétées.
Re : données multivariées avec un plan à mesures répétéesMerci, et c'est une bonne idée en ce qui concerne l'utilisation de la FDE : le biomarqueur devrait-il avoir une tendance "plate" (c'est-à-dire, aucun changement), une tendance hyperbolique (montée et redescendue), ou même un plateau (montée et est resté debout) ? En fin de compte, c'est peut-être ce que le médecin qui dirige cet essai clinique veut savoir. Je soupçonne également que JMP Clinical, que je n'ai jamais utilisé, dispose PROBABLEMENT d'outils pour répondre à ce type de question complexe, je pourrais donc également explorer cette voie.
Re : données multivariées avec un plan à mesures répétéesSalut @abmayfield ,
JMP Clinical n'aurait rien de plus à offrir si vous recherchiez des modèles au fil du temps, sauf qu'il contient des fonctionnalités JMP Pro telles que FDE (au moins dans JMP Clinical 17).
Je pense que c'est comme des données de chromatographie (quantité de protéine éluée au fil du temps) avec un ensemble de profils (patients) pour chaque analyse (protéine). Cela pourrait se transformer en ce qu'on appelle FDE-DOE puisqu'une comparaison de traitement est impliquée.
Quelques liens utiles peut-être :
https://community.jmp.com/t5/Discovery-Summit-Munich-2020/Using-FDE-and-DOE-to-Help-Build-Predictive-Models-for-Spectral/ta-p/243861
https://www.jmp.com/support/help/en/17.1/index.shtml#page/jmp/example-of-functional-doe-analysis.shtml
Dans ce cas, le DOE n'est en réalité qu'un seul facteur de traité par rapport à non traité.
Re : données multivariées avec un plan à mesures répétéesJ'aime aussi l'approche FDE, mais dans un premier temps, vous pourriez envisager de faire pivoter vos données de sorte que chaque valeur à chaque fois soit une colonne différente, et qu'il y ait une ligne par patient, puis d'utiliser PCA ou PLS.Avec FDE, vous pouvez voir facilement/directement la courbe de chaque valeur dans le temps, mais vous devez également effectuer l'analyse pour chaque variable y.Avec PLS, les courbes seraient plus difficiles à interpréter car elles ne seraient pas automatiquement triées par temps ou variable, mais vous n'auriez pas besoin d'autant de paramètres.
Re : données multivariées avec un plan à mesures répétéesJe peux en fait inclure cela sur la "liste de souhaits" car je pense que tous les éléments sont déjà là : PLS pour l'analyse multivariée + plate-forme de modèles mixtes pour les mesures répétées dans laquelle le sujet répété est directement spécifié. Je pense que ce n'est pas un besoin aussi obscur ou ésotérique qu'il y paraît parce que je pense qu'à l'avenir, de nombreuses sociétés pharmaceutiques et chercheurs cliniques voudront profiler à plusieurs reprises des suites entières de molécules chez des individus suivis au fil du temps (qui peuvent ou non prendre un médicament, par exemple). Je pense cependant que faire cela INcorrectement (c'est-à-dire ignorer la nature des mesures répétées de la conception) ne donnerait PAS des résultats radicalement différents de l'analyse appropriée en supposant une grande population de sujets de test. En d'autres termes, si vous donnez un médicament à 200 patients et un placebo à 200 autres et que vous examinez ensuite les changements d'expression génique au fil du temps avec MANOVA ou PLS, vous pouvez toujours détecter des différences même si les gens "ont commencé" à des endroits différents en termes de leur niveaux d'expression génique de base. Mais bien sûr, le faire de la manière la plus robuste statistiquement serait préférable !
Re : données multivariées avec un plan à mesures répétéesSi vous vouliez vous en tenir à l'approche du modèle mixte avec des mesures répétées, je suppose que vous pourriez faire une PCA sur l'ARNm, enregistrer les PC à plus grand impact, puis utiliser ceux dans le rôle de réponse (un peu comme ce que PLS fera). Ensuite, faites les mesures répétées comme on pourrait le faire dans les modèles mixtes ou les moindres carrés standard comme dans ce Didacticiel .
Ou mettez tout l'ARNm en réponse, choisissez un modèle mixte, configurez-le comme on le ferait pour une structure répétée basée sur le temps, puis mettez le traitement dans les effets fixes (il me manque probablement quelque chose à ajouter). Utilisez ensuite le triangle rouge et choisissez Options pour plusieurs réponses. Vous obtiendrez un tableau pour tout au lieu d'un rapport et cela pourrait aider, mais il y aura ensuite un travail supplémentaire pour trier quel ARNm est le plus affecté et d'autres statistiques pour chacun des termes du modèle.
C'est une pensée de toute façon. Ça vaut peut-être le coup.
Re : données multivariées avec un plan à mesures répétéesSalut Anderson,
Quand tu dis " 3 000 analytes", cela signifie que vous auriez 3 000 variables Y que vous souhaitez analyser simultanément en raison des corrélations possibles entre elles (car elles sont mesurées sur le même sujet), n'est-ce pas ?
Le modèle mixte a certainement la capacité d'ajuster une structure de mesures répétées (c'est-à-dire AR(1), ANTE) pour modéliser les corrélations entre les points temporels pour un seul Y ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-repeated-measures.shtml#ww1279888 ). Il a également la capacité d'ajuster plusieurs Y qui sont des réponses corrélées ( https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-a-correlated-response.shtml# ). Mais il n'existe aucun moyen de spécifier plusieurs structures de covariance dans JMP pour combiner les deux.
Il pourrait être possible d'adapter un tel modèle mixte dans SAS, mais je pense que ce serait probablement demander trop de données pour modéliser les multiples sources de corrélation de cette manière (et j'espère avoir le pouvoir de détecter les différences de traitement que vous ' ça m'intéresse!). Vous auriez 4 501 500 variances et covariances entre les 3000 Y plus tous les paramètres de mesures répétées à estimer avant d'ajouter le(s) paramètre(s) de traitement !
Une autre plate-forme possible pourrait être SEM, car elle est très flexible dans la spécification des structures de corrélation.@LauraCS pourrait peut-être en parler plus efficacement que moi. Je sais qu'il peut rencontrer les mêmes problèmes de données insuffisantes que les modèles mixtes.
Personnellement, je n'ai jamais entendu parler d'inclure une structure de mesures répétées avec un modèle PLS, mais je ne suis pas aussi familier avec PLS, en général. MANOVA est mathématiquement équivalent aux réponses corrélées du modèle mixte, donc nous sommes un peu au même endroit là-bas.
Simplifier les réponses pour être le delta du début à la fin aboutirait probablement à une décision similaire avec un modèle beaucoup plus simple à essayer d'expliquer plus tard ! En supposant que la réponse n'a pas changé au milieu, puis revient à la ligne de base à la fin, bien sûr. J'aime aussi l'idée FDE, s'il s'agit de réponses continues, bien que je ne pense pas que cela capture la corrélation possible des réponses.
-Élisabeth
Re : données multivariées avec un plan à mesures répétéesSalut Anderson,
j'ai la même question que @eclaassen concernant la structure précise de vos données. Cependant, cela ressemble à des modèles mixtes ou SEM est la solution naturelle pour cette analyse (en effet, PLS + modèle mixte avec structure répétée ressemble un peu à SEM).
Voici une présentation découverte qui explique comment modéliser des trajectoires en SEM :
https://community.jmp.com/t5/Discovery-Summit-Americas-2021/Modeling-Trajectories-over-Time-with-Structural-Equation-Models/ta-p/398754
Moments utiles dans la vidéo :
1min 33 sec -- Pourquoi SEM peut aider avec l'analyse de mesures répétées
3min 40 sec-- Exigences pour l'utilisation de SEM avec des données longitudinales (mais notez que la version 18 aura une inférence robuste pour les données continues non normales)
11min 23sec-- Exemple d'utilisation de SEM avec des données de mesures répétées
Comme @ih souligné, vos données devront être au "format large" avec un individu par ligne et une colonne par mesure répétée. Le SEM permet de comparer un modèle où tous les individus ont des trajectoires plates (courbe de croissance latente d'interception uniquement) à un modèle où ils ont une croissance linéaire, quadratique ou autre non linéaire (base latente).
Étant donné que vous avez deux groupes (placebo et médicament), vous pouvez comparer les trajectoires entre les groupes en utilisant l'analyse à groupes multiples dans SEM. Il est assez courant d'utiliser le SEM dans les essais cliniques pour ce genre de choses ( voici un exemple d'une recherche rapide sur Google). Notre documentation présente un exemple comparant les trajectoires des étudiants masculins et féminins dans le temps (avec 4 mesures répétées) :
https://www.jmp.com/support/help/en/17.1/#page/jmp/example-of-multiple-group-analysis.shtml#ww676033
HTH,
~Laura
Re : données multivariées avec un plan à mesures répétéesOuah! Merci beaucoup à tous. C'est en effet ce qu'on appelle une étude longitudinale. J'ai commencé à regarder les données, cependant, et il semble que la taille de l'échantillon doit être 4 ou 5 fois plus élevée que le nombre de Y, sinon vous avez échoué au "test de taille d'échantillon". Dans ces études 'Omics, il y aura presque toujours beaucoup plus de Y (molécules) que de sujets. Par exemple, j'ai un ensemble de données avec 71 protéines mesurées chez chacun des 16 individus (8/traitement x 2 traitements). Cette conception "échouerait" à la règle de la taille de l'échantillon. Cela signifie-t-il que vous ne pouvez utiliser le SEM que lorsqu'il y a plus de sujets expérimentaux que d'analytes ? Si c'est le cas, alors ce n'est peut-être pas la meilleure plate-forme pour ce que je cherche à faire (aller molécule par molécule pour 3 000 protéines prendrait trop de temps !).
Re : données multivariées avec un plan à mesures répétéesAh ! Oui, c'est une mise en garde importante... SEM ne fonctionnera pas s'il y a plus de colonnes que de lignes dans vos données. La taille d'échantillon requise dans SEM dépend du nombre de paramètres estimés par votre modèle ; vous voulez plus de lignes que de paramètres.
Les modèles mixtes sont plus indulgents que SEM en ce qui concerne la taille de l'échantillon, mais avec 16 lignes et 71 colonnes, je ne pense pas non plus que ce soit la solution. Sur cette base, je pense que FDE fournira ce dont vous avez besoin. Consulter les liens qui @Chris_Kirchberg partagé pour FDE-DOE devrait aider.
Meilleur,
~Laura
Re : données multivariées avec un plan à mesures répétéesJ'allais juste revenir et répondre avec ça, mais tu m'as devancé. (Je n'ai pas vu cette réponse avant de répondre hier, alors je me demande si nous étions en train de taper en même temps, @Chris_Kirchberg !)
C'est une excellente option car vous pouvez ensuite tracer/trier les valeurs p de test pour voir lesquelles sont significatives, etc. ceux. C'est ainsi que j'ai vu la plupart des analyses de type 'omique qui ont des structures d'effets aléatoires plus complexes. Oui, c'est ignorer la corrélation entre les Y, mais cela rend l'analyse faisable, alors que sinon c'est insoluble.
Re : données multivariées avec un plan à mesures répétéesJe pense que l'idée de Chris est bonne parce que, vraiment, ce que l'on voudrait savoir, c'est si le médicament (ou n'importe quel traitement) :
A) n'a suscité aucun effet dans le temps pour l'individu moyen
a suscité un effet durable (qu'il s'agisse d'une diminution ou d'une augmentation)
C) a suscité un effet hyperbolique (a provoqué une baisse de la concentration de l'analyte puis un retour à la ligne de base ou une augmentation et un retour à la ligne de base)
Donc, en le faisant molécule par molécule dans le modèle mixte, je peux m'adapter à la nature des mesures répétées, et, bien que la sortie résultante soit importante, il ne devrait pas être difficile de faire un tri de table puis de créer des sous-ensembles par les différents les effets, par exemple, identifier les protéines sans effet, celles avec une augmentation au fil du temps et celles avec une réponse de "rebond" (hyperbolique).
Merci à tous pour l'effort d'équipe, et je ferai un rapport plus tard sur la façon dont cela a fonctionné (je demande au nom de quelqu'un d'autre, sinon je pourrais l'essayer immédiatement.).
Re : données multivariées avec un plan à mesures répétéesUne autre approche consisterait à utiliser un modèle d'interception aléatoire / de pentes aléatoires.Si les profils des résultats des sujets par rapport au temps peuvent être décrits par un modèle de régression linéaire, alors la plate-forme de modèle mixte peut ajuster un modèle avec des pentes aléatoires et/ou des interceptions aléatoires pour chaque sujet.Ce script crée un exemple de table et avec des scripts enregistrés pour exécuter ce type d'analyse.
Names Default To Here( 1 );
dt = New Table( "Example" );
dt << New Column( "Y" );
dt << New Column( "subject", Nominal, Numeric );
dt << New Column( "time" );
ys = [];
t = [];
subjects = [];
times = [0, 1, 2, 3, 6, 9, 12];
ntimes = N Rows( times );
For( subject = 1, subject <= 1000, subject++,
mu = Random Normal( 0, 1 );
slope = Random Normal( 1, .5 );
y_subject = J( ntimes, 1, mu ) + slope * times + J( ntimes, 1, Random Normal( 0, 0.5 ) );
ys = ys |/ y_subject;
t = t |/ times;
subjects = subjects |/ J( ntimes, 1, subject );
);
dt:y << set values( ys );
dt:time << set values( t );
dt:subject << set values( subjects );
dt << Add Properties to Table(
{New Script(
"Y vs. time",
Graph Builder(
Size( 528, 454 ),
Show Control Panel( 0 ),
Variables( X( :time ), Y( :Y ), Overlay( :subject ) ),
Elements( Points( X, Y, Legend( 13 ) ), Line Of Fit( X, Y, Legend( 15 ) ) )
)
)}
);
dt << Add Properties to Table(
{New Script(
"Fit Mixed",
Fit Model(
Y( :Y ),
Effects,
Random Effects( Intercept[:subject], :time[:subject] & Random Coefficients( 1 ) ),
NoBounds( 1 ),
Personality( "Mixed Model" ),
Run(
Repeated Effects Covariance Parameter Estimates( 0 ),
Residual Plots( 1 ),
Conditional Residual Plots( 1 ),
Covariance of Covariance Parameters( 1 ),
Conditional Profiler(
1,
Confidence Intervals( 1 ),
Term Value(
"Conditional",
subject( 9, Lock( 0 ), Show( 1 ) ),
time( 4.714, Lock( 0 ), Show( 1 ) )
)
),
Linear Combination of Variance Components( [1 0 1], Label( "asdfsad" ) )
),
SendToReport(
Dispatch( {}, "Random Coefficients", OutlineBox, {Close( 0 )} ),
Dispatch(
{"Linear Combination of Variance Components"},
" ",
TextEditBox,
{Set Text( "asdfsad" )}
)
)
)
)}
);Re : données multivariées avec un plan à mesures répétéesMerci beaucoup. Je vais certainement essayer ça aussi.
Pour votre information (à tous ceux qui lisent ceci, en particulier ceux qui ont répondu), j'ai maintenant essayé @Chris_Kirchberg Suggestion : j'ai placé environ 35 000 protéines en tant que Y dans la plate-forme de modèle mixte, puis je l'ai configurée en tant qu'ANOVA à mesures répétées : traitement, heure (jour) et traitement x jour, avec un sujet répété défini (comme un ID de l'échantillon) et l'événement répété étant "jour" (personnalité à variances inégales). Sur mon Macbook Pro avec 64 Go de RAM (JMP Pro 18 beta), cela n'a pris que 2 à 3 minutes pour s'exécuter. J'ai maintenant une série de tableaux, dont l'un contient toutes les ~114 000 comparaisons (traitement, temps, traitement x temps x 35 000 protéines) que je peux trier par valeur p FDR. Ma seule question maintenant est la suivante : en supposant que j'utilise la valeur p FDR (pour éviter les erreurs de type I pour avoir autant de comparaisons), est-ce que je ne vérifie PAS les paraisons d'autres données de sortie ? Les estimations de covariance auraient dû être prises en compte par la structure répétée. Peut-être que je pourrais tester d'autres types de personnalité RM et voir si le BIC baisse ?
Je pense que regarder les distributions et l'homogénéité de la variance peut sortir de la fenêtre avec 35 000 analytes, MAIS je suppose que je pourrais sous-ensemble par analytes pour lesquels aucune transformation n'est nécessaire, analytes pour lesquels des transformations de racine carrée sont nécessaires, etc. pour essayer d'améliorer l'ajustement .
données multivariées avec un plan à mesures répétéesToutes mes excuses pour avoir fourni à la communauté ce qui est plus une statistique qu'une question JMP, mais voilà : on m'a récemment demandé si JMP Pro pouvait analyser une conception dans laquelle 3 000 analytes sont mesurés chez les mêmes individus au fil du temps (un groupe recevant peut-être un médicament et l'autre ayant reçu un placebo). Le grand nombre d'analytes n'est pas le problème, mais le fait qu'il s'agit d'un plan à mesures répétées et, à ma connaissance, les options multivariées sous Fit Model ne peuvent pas gérer un plan à mesures répétées (ce ne serait pas un problème s'il y avait un seul Y ). Si je mets du "temps" dans le modèle sous MANOVA ou moindres carrés partiels, cela ne tient pas compte de la nature des mesures répétées. Ai-je raison de supposer que le test statistique optimal que je souhaite ne peut pas être effectué dans JMP Pro ? Peut-être que je pourrais plutôt regarder le "% de changement de concentration de chaque analyte" pour chaque individu, supprimant ainsi le temps du modèle, mais je suis ouvert à d'autres options !
Modélisation statistique avancéeAnalyse et modélisation des données de baseConception d'expériencesmacOS
