Screening della risposta: effetti di modelli multipli?Sto cercando di analizzare un set di dati proteomico medio/grande (3350 proteine) utilizzando l'analisi di screening della risposta.Il problema è che ho più effetti del modello da prendere in considerazione: ho trattamento vs controllo, ma ho anche campioni di più giorni da considerare, ma chiaramente non posso eseguirlo come modello adatto.
È possibile prendere in considerazione sia il trattamento che il giorno utilizzando lo screening della risposta di JMP?L'ho eseguito con il giorno come peso perché mi aspetto che i giorni successivi abbiano maggiore importanza, ma non sono sicuro che sia corretto.
Grazie
Modellazione statistica avanzataAccesso ai datiEsplorazione e visualizzazione dei datiProgettazione di esperimentiModellazione predittiva e machine learningRe: Screening della risposta: effetti del modello multiplo?Hai ragione: la piattaforma di screening delle risposte non è come "Fit model", nel senso che puoi includere termini di interazione. Dovresti aggiungere la temperatura e l'ora separatamente, quindi creare una colonna separata "temperatura x ora". Anche se lo screening della risposta è regolato da FDR, non mi piace fare affidamento esclusivamente su di esso per trovare proteine differenzialmente concentrate. È inoltre possibile utilizzare lo screening predittivo per vedere quali proteine contribuiscono maggiormente alla variazione della temperatura e del tempo.
Sono d'accordo con Peter sul fatto che gen-reg e PLS, sebbene meno comunemente usati per identificare i DCP, potrebbero benissimo essere superiori poiché possono ospitare set di dati altamente collineari (come ogni singola espressione genica o set di dati proteici mai generato).
Ma quello che dico prima alle persone se cerca le tendenze multivariate utilizzando PCA o MDS. Se vedi chiari effetti multivariati di temperatura (o temperatura x tempo), puoi immergerti e vedere quali proteine hanno contribuito a questo. È possibile esportare le coordinate MDS e quindi eseguire MANOVA o PLS sulle coordinate. Questo sarebbe simile a una MANOVA non parametrica. Lo paragono all'analogo univariato: documentare un effetto del trattamento ANOVA PRIMA di eseguire i test post-hoc tra le medie. In altre parole, identificare prima un effetto globale del trattamento utilizzando approcci multivariati E POI provare a trovare le proteine di interesse. Se si procede direttamente alla scoperta dei DCP senza averlo fatto, ciò potrebbe essere come l'estrazione del valore p tra le singole medie senza un effetto complessivo del trattamento nel modello principale ANOVA.
Re: Screening della risposta: effetti del modello multiplo?Quindi sono chiaro... le proteine 3350 sono risposte o predittori? Se si tratta di risposte, una sorta di tecnica di riduzione della dimensionalità (PLS?) potrebbe essere utile? Una delle caratteristiche interessanti di un approccio PLS è che puoi sfruttare la struttura di varianza/covarianza delle proteine (se effettivamente esiste) come risposte, strutturando i tuoi predittori come ritieni opportuno. Potresti voler avviare una conversazione individuale con @abmayfield chi ha svolto molto lavoro di analisi con un sistema altamente multivariato?
Re: Screening della risposta: effetti del modello multiplo?CIAO @Sloux ,
Per quanto ho capito, la piattaforma di screening delle risposte confronterà solo un gruppo di combinazioni Y vs X, ma non il tipo di combinazioni Y vs X1*X1 o Y vs X1*X2. Quindi, potrebbe non essere la piattaforma giusta per quello che stai facendo. Potrebbe essere utile capire quale del tuo set di dati è Y (risposta) e qual è esattamente X.
Per me, quello che descrivi, sembra che tu stia effettivamente cercando quali sono i migliori predittori e combinazioni di predittori per ottenere il tuo risultato. Se è così, potresti prendere in considerazione un paio di approcci diversi. Alcuni dei commenti seguenti dipendono dal fatto che tu abbia ottenuto o meno i tuoi dati da un DOE. Inoltre, alcune opzioni richiedono JMP Pro.
- Potresti prendere in considerazione l'utilizzo della piattaforma Analizza > Screening > Screening predittori per verificare quali sono i migliori predittori. Questo può dipendere in qualche modo dal numero di alberi che usi, quindi potresti voler giocarci. Anche in questo caso, ti consigliamo di eseguire alcune simulazioni bootstrap sulla colonna Porzione per capire meglio quali fattori influiscono sul risultato. Tuttavia, anche questo approccio non consente termini incrociati.
- Utilizza la piattaforma SLS (Fit Model with Personality SLS), quindi esegui nuovamente il bootstrap sulle stime per vedere quali fattori appaiono più frequentemente. Questo approccio consente di esaminare i termini incrociati. Tuttavia, a meno che tu non abbia qualche tipo di prova che i termini incrociati DEVONO essere presenti, generalmente si consiglia di non includere i termini. (È qui che conta il DOE: se il DOE mostra che devono esserci termini incrociati, includili).
- Utilizzare la piattaforma GenReg (Fit Model with Personality GenReg), quindi eseguire nuovamente il bootstrap sulle stime per vedere quali fattori appaiono più frequentemente. Questo approccio consente di esaminare i termini incrociati. Tuttavia, a meno che tu non abbia qualche tipo di prova che i termini incrociati DEVONO essere presenti, generalmente si consiglia di non includere i termini. (È qui che conta il DOE: se il DOE mostra che devono esserci termini incrociati, includili).
- Utilizza il PLS (Fit Model with Personality PLS) che spesso ti aiuterà a ridurre i fattori che scendono al di sotto del valore di importanza variabile di 0,8 (impostazione predefinita, ma puoi modificarlo).
- Potresti anche provare la piattaforma Analizza > Modellazione specializzata > Esplora dati funzionali: questo dipende se i tuoi dati sono come uno spettro, ovvero una sorta di misurazione dell'uscita a diverse lunghezze d'onda, tensioni, ecc. Puoi combinarlo con Z, Supplementare colonna opzionale per includere un aspetto di tipo "DOE" nell'analisi e ricavarne alcuni profiler di previsione. Ciò a volte può ridurre l’ampio set di dati di lunghezze d’onda a solo alcune delle lunghezze d’onda più adatte a prevedere un risultato.
- Convalida automatica DOE, è disponibile uno strumento aggiuntivo che può aiutarti con questa analisi ed è in qualche modo simile al bootstrap per le stime nell'altra piattaforma, ma funziona in modo leggermente diverso.
Questi sono solo alcuni commenti generali su come affrontare la valutazione di ciò che sembra che tu stia cercando di fare. A seconda di quante righe hai, dovresti considerare come potresti voler convalidare le cose, ad esempio tralasciarne una o k-fold, ecc. Consiglio vivamente di utilizzare più di un approccio e di confrontarli. Poiché gli algoritmi sono leggermente diversi e utilizzano un seme casuale diverso, i risultati sono spesso leggermente diversi e possono aiutare a prendere la decisione finale se includere o meno determinati fattori e termini incrociati.
Spero che questo ti aiuti!,
DS
