In diesem Blog habe ich einen Workflow zur Modellierung von Genexpressionsdaten in JMP Pro 17 vorgestellt. Lesen Sie weiter, um zu erfahren, wie Sie diese Schritte anwenden.
Modellierung
Die Predictor Screening-Plattform eignet sich für die Analyse großer Datensätze, bei denen Hunderte oder Tausende von Messungen an einer Probe durchgeführt werden und innovative Ansätze erforderlich sind. Beispielsweise kann es dabei helfen, Biomarker aus Tausenden von Proben von Patienten mit und ohne Erkrankung zu identifizieren und so die Erkrankung vorherzusagen. Es kann auch verwendet werden, um die wichtigen Biomarker schnell zu überprüfen, bevor weitere Analysen durchgeführt werden, z. B. eine Modellierung, um die Komplexität des Modells zu verringern und die Genauigkeit der Vorhersagemodelle zu verbessern.
Da die Predictor Screening-Plattform eine andere Methodik als Response Screening verwendet, findet sie Variablen, die zu großen Änderungen in den Daten führen, indem sie ein Bootstrap-Forest-Modell verwendet, um nach potenziellen Prädiktoren Ihrer Reaktion zu suchen.
Hier können wir das Ergebnis der Beiträge der bewerteten Prädiktoren (Biomarker) sehen:
Genexpressionsprofile weisen häufig Ähnlichkeiten auf, was auf eine gewisse Koregulation schließen lässt; Dies ist oft von Vorteil, um die Anzahl der Kandidaten zu reduzieren, die stark korrelieren. Der Clustervariablen Die Plattform führt eine Dimensionsreduzierung der Anzahl der Eingabevariablen durch, die in einem Vorhersagemodell verwendet werden sollen. Es reduziert Eingaben, indem es Gruppen ähnlicher Variablen findet, sodass eine einzelne Variable jede Gruppe darstellen kann.
Es integriert die Hauptkomponentenanalyse (PCA) in die Clusterung der Proben Statistische Details für die Cluster-Variablen-Plattform . PCA ist ein Werkzeug zum Verständnis sowohl der Beziehung zwischen vielen Variablen als auch einiger der zugrunde liegenden Effekte, indem es aufdeckt, welche Variablen sich ähnlich verhalten. Es zeigt auch, welche Variablen unter den wichtigen Variablen einzigartig sind.
Nachfolgend habe ich die 50 wichtigsten Variablen aus dem Predictor Screening ausgewählt und sie in den Clustervariablen verwendet.
In der Clusterzusammenfassung sehen wir nur 10 eindeutige Variablengruppen mit der repräsentativsten Variablen. Beachten Sie, dass die Anzahl der Cluster von Analyse zu Analyse variieren kann, da die im Predictor Screening ausgewählten Variablen von Analyse zu Analyse variieren können.
In diesem Beispiel können wir in Cluster 1 23 Variablen zusammenfassen, da sie eine ähnliche Leistung erbringen. Aus dieser Gruppe müssen wir uns nur die Variable -15645 ansehen. Diese einzelne Variable erklärt 81,3 % der Variation in der ersten Hauptkomponente, die zwischen diesen 23 Variablen auftritt. Diese einzelne Variable erklärt auch 37,4 % der gesamten Variabilität zwischen den 50 Variablen. Die Variable -15645 weist die höchste Korrelation mit den Variablen in ihrem Cluster auf. Zusammenfassend lässt sich sagen, dass Clustervariablen eine sehr schnelle Analyse der Eindeutigkeit ermöglichen, sodass wir wichtige Variablen, die detaillierter analysiert werden müssen, weiter identifizieren können.
Der nächste Schritt besteht darin, unsere Gene zu modellieren, um zu sehen, wie der Grad ihrer Expression die Reaktion beeinflusst (Gewebestadium). Das Model Screening ermöglicht es uns, automatisch das Modell zu finden, das am besten zu den Daten passt. Aus der Liste der vorgeschlagenen Modelle können wir diejenigen auswählen, die wir anwenden möchten. In unserem Fall schnitt der XGBoost mit einem RSquare von 97 % am besten ab.
Mithilfe des Prediction Profiler können wir anhand des XG-Boost-Modells erkennen, wie sich der Grad der Genexpression auf den vorhergesagten Wert der Reaktion auswirkt. Hier können wir sehen, dass der Grad der Expression von fünf Genen einen Einfluss auf das Differenzierungsstadium des Gewebes hat.
Und so konnte JMP Pro 17 erfolgreich eine Handvoll Biomarker identifizieren, die sich in der Expression für verschiedene Gewebetypen und Gewebestadien der präovulatorischen Follikelentwicklung unterscheiden.
