Cribado de respuestas: ¿efectos de múltiples modelos?Estoy intentando analizar un conjunto de datos proteómicos mediano/grande (3350 proteínas) utilizando el análisis de detección de respuesta.El problema es que tengo que tener en cuenta múltiples efectos del modelo: tengo tratamiento versus control, pero también tengo muestras de varios días para considerar, pero claramente no puedo ejecutar esto como un modelo ajustado.
¿Es posible tener en cuenta tanto el tratamiento como el día mediante la evaluación de respuesta de JMP?Lo ejecuté con el día como peso porque espero que los últimos días tengan mayor importancia, pero no estoy seguro de si esto es correcto.
Gracias
Modelado estadístico avanzadoAcceso a los datosExploración y visualización de datosDiseño de experimentosModelado predictivo y aprendizaje automáticoRe: Detección de respuesta: ¿Múltiples efectos de modelo?Tienes razón: la plataforma de selección de respuestas no es como el "modelo de ajuste" en el sentido de que puedes incluir términos de interacción. Tendría que agregar la temperatura y el tiempo por separado y luego crear una columna separada de "temperatura x tiempo". Aunque la detección de respuestas está gobernada por FDR, todavía no me gusta depender de ella exclusivamente para encontrar proteínas concentradas diferencialmente. También puede utilizar la detección de predictores para ver qué proteínas contribuyen más a la variación entre temperaturas y tiempo.
Estoy de acuerdo con Peter en que gen-reg y PLS, aunque se usan con menos frecuencia para identificar DCP, podrían muy bien ser superiores ya que pueden acomodar conjuntos de datos altamente colineales (como cada expresión genética o conjunto de datos de proteínas jamás generado).
Pero lo primero que le digo a la gente es que busquen las tendencias multivariadas que utilizan PCA o MDS. Si ve efectos claros de temperatura multivariada (o temperatura x tiempo), puede sumergirse y ver qué proteínas contribuyeron a esto. Puede exportar las coordenadas MDS y luego realizar MANOVA o PLS en las coordenadas. Esto sería similar a un MANOVA no paramétrico. Comparo esto con el análogo univariado: documentar un efecto del tratamiento ANOVA ANTES de realizar las pruebas post hoc entre medias. En otras palabras, primero identifique un efecto de tratamiento global utilizando enfoques multivariados Y LUEGO intente encontrar las proteínas de interés. Si procede directamente a descubrir los DCP sin haberlo hecho, esto podría ser como extraer valores de p entre medias individuales sin un efecto de tratamiento general en el modelo principal ANOVA.
Re: Detección de respuesta: ¿Múltiples efectos de modelo?Entonces lo tengo claro... ¿las proteínas 3350 son respuestas o predictores? Si son respuestas, ¿algún tipo de técnica de reducción de dimensionalidad (PLS?) podría ser beneficiosa. Una de las características interesantes de un enfoque PLS es que puede aprovechar la estructura de varianza/covarianza de las proteínas (si es que existe) como respuestas, mientras estructura sus predictores como mejor le parezca. Es posible que desee entablar una conversación individual con @abmayfield ¿Quién ha realizado mucho trabajo analítico con un sistema altamente multivariado?
Re: Detección de respuesta: ¿Múltiples efectos de modelo?Hola @Sloux ,
Hasta donde tengo entendido, la plataforma Response Screening solo comparará un montón de combinaciones de Y vs X, pero no combinaciones del tipo Y vs X1*X1 o Y vs X1*X2. Por lo tanto, puede que no sea la plataforma adecuada para lo que estás haciendo. Podría ser útil comprender cuál de su conjunto de datos es Y (respuesta) y qué es exactamente X.
Para mí, lo que usted describe parece como si en realidad estuviera buscando cuáles son los mejores predictores y combinaciones de predictores para obtener su resultado. Si ese es el caso, es posible que desees considerar un par de enfoques diferentes. Algunos de los comentarios a continuación dependen de si obtuvo o no sus datos de un DOE. Además, algunas de las opciones requieren JMP Pro.
- Podría considerar utilizar la plataforma Analizar > Detección > Detección de predictores para comprobar cuáles son los mejores predictores. Esto puede depender en cierta medida de la cantidad de árboles que uses, por lo que quizás quieras jugar con eso. Incluso entonces, querrás ejecutar algunas simulaciones de arranque en la columna Porción para tener una mejor idea de qué factores afectan el resultado. Sin embargo, este enfoque tampoco permite términos cruzados.
- Utilice la plataforma SLS (Fit Model with Personality SLS) y luego ejecute nuevamente el arranque en las estimaciones para ver qué factores aparecen con más frecuencia. Este enfoque le permite observar términos cruzados. Sin embargo, a menos que tenga algún tipo de evidencia de que los términos cruzados DEBEN estar ahí, generalmente se recomienda no incluirlos. (Aquí es donde importa el DOE: si el DOE muestra que debe haber términos cruzados, inclúyalos).
- Utilice la plataforma GenReg (Fit Model with Personality GenReg) y luego ejecute nuevamente el arranque en las estimaciones para ver qué factores aparecen con más frecuencia. Este enfoque le permite observar términos cruzados. Sin embargo, a menos que tenga algún tipo de evidencia de que los términos cruzados DEBEN estar ahí, generalmente se recomienda no incluirlos. (Aquí es donde importa el DOE: si el DOE muestra que debe haber términos cruzados, inclúyalos).
- Utilice el PLS (Modelo de ajuste con PLS de personalidad), que a menudo le ayudará a reducir los factores que caen por debajo de un valor de Importancia variable de 0,8 (predeterminado, pero puede cambiarlo).
- También puede probar la plataforma Analizar > Modelado especializado > Explorador de datos funcionales; esto depende de si sus datos son como un espectro, es decir, algún tipo de medición de salida en diferentes longitudes de onda, voltajes, etc. Puede combinar esto con Z, Suplementario. columna opcional para incluir un tipo de aspecto "DOE" en el análisis y obtener algunos perfiladores de predicción. A veces, esto puede reducir el gran conjunto de datos de longitudes de onda a unas pocas que son las mejores para predecir un resultado.
- DOE Autovalidation, hay una herramienta complementaria que puede obtener para ayudar con este análisis, y es algo similar al arranque para las estimaciones en la otra plataforma, pero funciona ligeramente diferente.
Estos son sólo algunos comentarios generales sobre cómo abordar la evaluación de lo que parece que estás intentando hacer. Dependiendo de cuántas filas tenga, debe considerar cómo desea validar las cosas, por ejemplo, omitir una o doblarla, etc. Recomiendo encarecidamente utilizar más de un enfoque y compararlos. Debido a que los algoritmos son ligeramente diferentes y utilizan una semilla aleatoria diferente, los resultados a menudo son ligeramente diferentes y pueden ayudar a tomar la decisión final sobre si incluir o no ciertos factores y términos cruzados.
¡Espero que esto ayude!,
DS
