En este blog, presenté un flujo de trabajo para la modelización de datos de expresión génica en JMP Pro 17. Sigue leyendo para ver cómo aplicar esos pasos.
Modelización
La plataforma Predictor Screening es útil para analizar grandes conjuntos de datos, en los que se toman cientos o miles de mediciones en una muestra y requieren enfoques innovadores. Por ejemplo, se puede usar para ayudar a identificar biomarcadores de miles probados en muestras de pacientes con y sin una condición para predecir la condición. También se puede usar para detectar rápidamente los biomarcadores importantes antes de realizar cualquier tipo de análisis adicional, como la modelización para reducir la complejidad del modelo y mejorar la precisión de los modelos predictivos.
Dado que la plataforma Predictor Screening utiliza una metodología diferente de Response Screening, encuentra variables que generan grandes cambios en los datos mediante el uso de un modelo de bosque de arranque para detectar posibles predictores de su respuesta.
Aquí podemos ver el resultado de las contribuciones de los predictores clasificados (biomarcadores):
Con frecuencia, los perfiles de expresión génica muestran similitud, lo que sugiere cierta corregulación; a menudo es beneficioso para reducir el número de candidatos que están altamente correlacionados. El Variables de clúster La plataforma realiza una reducción de dimensión en el número de variables de entrada que se utilizarán en un modelo predictivo. Reduce las entradas al encontrar grupos de variables similares para que una sola variable pueda representar cada grupo.
Incorpora análisis de componentes principales (PCA) en el agrupamiento de las muestras Detalles estadísticos para la plataforma de variables de clúster . PCA es una herramienta para comprender tanto la relación entre muchas variables como algunos de los efectos subyacentes al revelar qué variables se comportan de manera similar. También revela qué variables son únicas entre las variables importantes.
A continuación, seleccioné las 50 variables más importantes de Predictor Screening y las usé en Cluster Variables.
En el resumen del conglomerado, vemos solo 10 grupos únicos de variables con la variable más representativa. Tenga en cuenta que la cantidad de conglomerados puede variar de un análisis a otro, ya que las variables seleccionadas de Predictor Screening pueden variar de un análisis a otro.
En este ejemplo, en el Grupo 1, podemos juntar 23 variables porque se están desempeñando de manera similar. De este grupo solo debemos fijarnos en la Variable -15645. Esta sola variable explica el 81.3 % de la variación en el primer componente principal que se está dando entre esas 23 variables. Esta única variable también explica el 37,4% de toda la variabilidad entre las 50 variables. La variable -15645 tiene la correlación más alta con las variables de su grupo. En resumen, Cluster Variables permite un análisis muy rápido de la singularidad para permitirnos identificar aún más las variables importantes que deben analizarse con mayor detalle.
El siguiente paso es modelar nuestros genes para ver cómo el nivel de su expresión influye en la respuesta (Etapa de tejido). El Model Screening nos permite encontrar automáticamente el modelo que mejor se ajusta a los datos. De la lista de modelos sugeridos, podemos elegir los que queremos aplicar. En nuestro caso, el XGBoost se desempeñó mejor con un RSquare del 97 %.
A partir del modelo XG Boost, Prediction Profiler nos permite detectar cómo el nivel de expresión génica afectará el valor previsto de la respuesta. Aquí podemos ver que el nivel de expresión de cinco genes tiene un impacto en la etapa de diferenciación del tejido.
Y así, JMP Pro 17 identificó con éxito un puñado de biomarcadores que difieren en la expresión para diferentes tipos de tejido y etapas de tejido del desarrollo del folículo preovulatorio.
