반응 선별 - 다중 모델 효과?반응 스크리닝 분석을 사용하여 중/대형 단백질체학 데이터 세트(3350개 단백질)를 분석하려고 합니다.문제는 고려해야 할 여러 모델 효과가 있다는 것입니다. 치료와 대조가 있지만 고려해야 할 여러 날의 샘플도 있지만 이를 적합한 모델로 실행할 수는 없습니다.
JMP 반응 선별을 사용하여 치료 날짜와 치료 날짜를 모두 고려할 수 있나요?나는 나중 날이 더 중요할 것으로 예상하기 때문에 날을 가중치로 두고 실행했지만 이것이 맞는지는 잘 모르겠습니다.
감사해요
고급 통계 모델링데이터 접근데이터 탐색 및 시각화실험 설계예측 모델링 및 기계 학습Re: 반응 선별 - 다중 모델 효과?당신 말이 맞습니다. 응답 선별 플랫폼은 상호 작용 용어를 포함할 수 있다는 점에서 "모델 적합"과 다릅니다. 온도와 시간을 별도로 추가한 다음 별도의 "온도 x 시간" 열을 만들어야 합니다. 반응 스크리닝이 FDR에 의해 관리되지만, 나는 여전히 차별적으로 농축된 단백질을 찾는 데에만 의존하고 싶지 않습니다. 또한 예측자 선별을 사용하여 온도와 시간에 따른 변화에 가장 큰 영향을 미치는 단백질을 확인할 수도 있습니다.
나는 gen-reg와 PLS가 DCP를 식별하는 데 덜 일반적으로 사용되지만 고도로 동일 선상에 있는 데이터 세트(예: 모든 단일 유전자 발현 또는 지금까지 생성된 단백질 데이터 세트)를 수용할 수 있기 때문에 매우 우수할 수 있다는 점에서 Peter의 의견에 동의합니다.
하지만 PCA나 MDS를 사용하여 다변량 추세를 찾는다면 사람들에게 먼저 말해 줄 것이 있습니다. 명확한 다변량 온도(또는 온도 x 시간) 효과가 확인되면 어떤 단백질이 이에 기여했는지 확인할 수 있습니다. MDS 좌표를 내보낸 다음 좌표에 대해 MANOVA 또는 PLS를 수행할 수 있습니다. 이는 비모수적 MANOVA와 유사합니다. 나는 이것을 일변량 아날로그에 비유합니다. 즉, 평균 간 사후 테스트를 수행하기 전에 ANOVA 처리 효과를 문서화하는 것입니다. 즉, 먼저 다변량 접근법을 사용하여 전반적인 치료 효과를 확인한 다음 관심 있는 단백질을 찾으려고 노력합니다. 이를 수행하지 않고 DCP를 직접 찾아내는 경우 이는 주 모델 ANOVA에서 전체 처리 효과 없이 개별 평균 간의 p-값 마이닝과 같을 수 있습니다.
Re: 반응 선별 - 다중 모델 효과?그래서 저는 분명합니다...3350개의 단백질이 반응하는 것인지 예측하는 것인지요? 응답이라면 일종의 차원 축소 기술(PLS?)이 도움이 될 수 있습니까? PLS 접근 방식의 좋은 기능 중 하나는 단백질의 분산/공분산 구조(실제로 존재하는 경우)를 반응으로 활용하는 동시에 적절하다고 생각되는 대로 예측 변수를 구성할 수 있다는 것입니다. 당신은 일대일 대화를 시작하고 싶을 수도 있습니다 @abmayfield 다변량 시스템을 사용하여 많은 분석 작업을 수행한 사람은 누구입니까?
Re: 반응 선별 - 다중 모델 효과?안녕 @슬룩스 ,
내가 아는 한, 응답 선별 플랫폼은 Y 대 X 조합만을 비교하지만 Y 대 X1*X1 또는 Y 대 X1*X2 종류의 조합은 비교하지 않습니다. 따라서 현재 수행 중인 작업에 적합한 플랫폼이 아닐 수도 있습니다. 데이터 세트 중 Y(응답)가 무엇인지, X가 정확히 무엇인지 이해하는 것이 도움이 될 수 있습니다.
나에게 당신이 설명하는 것은 실제로 결과를 얻기 위해 최고의 예측변수와 예측변수의 조합이 무엇인지 찾고 있는 것처럼 들립니다. 그렇다면 몇 가지 다른 접근 방식을 고려해 볼 수 있습니다. 아래 의견 중 일부는 귀하가 DOE로부터 데이터를 얻었는지 여부에 따라 달라집니다. 또한 일부 옵션에는 JMP Pro가 필요합니다.
- 분석 > 선별 > 예측자 선별 플랫폼을 사용하여 최상의 예측변수가 무엇인지 확인할 수 있습니다. 이는 사용하는 나무의 수에 따라 다소 달라질 수 있으므로 이를 가지고 놀고 싶을 수도 있습니다. 그럼에도 불구하고 어떤 요인이 결과에 영향을 미치는지 더 잘 파악하려면 부분 열에 대해 일부 부트스트랩 시뮬레이션을 실행하고 싶을 것입니다. 그러나 이 접근 방식은 교차 용어도 허용하지 않습니다.
- SLS 플랫폼(성격 SLS를 갖춘 모델 적합)을 사용한 다음 추정치에 대해 부트스트래핑을 다시 실행하여 어떤 요인이 가장 자주 나타나는지 확인합니다. 이 접근 방식을 사용하면 교차 용어를 볼 수 있습니다. 그러나 교차된 용어가 반드시 포함되어야 한다는 증거가 없는 한 일반적으로 해당 용어를 포함하지 않는 것이 좋습니다. (여기서 DOE가 중요합니다. DOE에서 교차된 용어가 있어야 한다고 표시하면 해당 용어를 포함시킵니다.)
- GenReg 플랫폼(Personality GenReg가 포함된 Fit Model)을 사용한 다음 추정치에 대해 부트스트래핑을 다시 실행하여 어떤 요인이 가장 자주 나타나는지 확인합니다. 이 접근 방식을 사용하면 교차 용어를 볼 수 있습니다. 그러나 교차된 용어가 반드시 포함되어야 한다는 증거가 없는 한 일반적으로 해당 용어를 포함하지 않는 것이 좋습니다. (여기서 DOE가 중요합니다. DOE에서 교차된 용어가 있어야 한다고 표시하면 해당 용어를 포함시킵니다.)
- PLS(개성 PLS 모델 적합)를 사용하면 변수 중요도 값 0.8(기본값이지만 변경할 수 있음) 아래로 떨어지는 요소를 줄이는 데 도움이 되는 경우가 많습니다.
- 또한 분석 > 특수 모델링 > 기능적 데이터 탐색기 플랫폼을 시도해 볼 수도 있습니다. 이는 데이터가 스펙트럼과 같은지, 즉 다양한 파장, 전압 등에서 일종의 출력 측정인지에 따라 다릅니다. 이를 Z, 보충과 결합할 수 있습니다. 분석에 "DOE" 종류의 측면을 포함하고 일부 예측 프로파일러를 가져오는 선택적 열입니다. 이는 때때로 대규모 파장 데이터 세트를 결과 예측에 가장 적합한 몇 가지로 줄일 수 있습니다.
- DOE 자동 검증에는 이 분석에 도움이 될 수 있는 추가 기능 도구가 있으며 이는 다른 플랫폼의 추정치에 대한 부트스트래핑과 다소 유사하지만 작동 방식이 약간 다릅니다.
이것은 당신이 하려는 일이 무엇인지 평가하는 방법에 대한 일반적인 의견입니다. 가지고 있는 행 수에 따라 하나를 제외하거나 k-접기 등을 남겨두는 등 어떻게 항목을 검증할지 고려해야 합니다. 두 가지 이상의 접근 방식을 사용하고 비교하는 것이 좋습니다. 알고리즘이 약간 다르고 다른 무작위 시드를 사용하기 때문에 결과가 약간 다른 경우가 많으며 특정 요인과 교차 용어를 포함할지 여부에 대한 최종 결정을 내리는 데 도움이 될 수 있습니다.
도움이 되었기를 바랍니다!,
DS
