Sélection des réponses – Effets de modèles multiples ?J'essaie d'analyser un ensemble de données protéomiques moyen/grand (3350 protéines) en utilisant l'analyse de criblage de réponse.Le problème est que j'ai plusieurs effets de modèle à prendre en compte - j'ai un traitement contre un contrôle, mais j'ai aussi des échantillons de plusieurs jours à considérer, mais je ne peux clairement pas exécuter cela comme un modèle d'ajustement.
Est-il possible de prendre en compte à la fois le traitement et la journée à l'aide du dépistage de réponse de JMP ?Je l'ai exécuté avec le jour comme poids parce que je m'attends à ce que les derniers jours aient une plus grande importance, mais je ne sais pas si c'est correct.
Merci
Modélisation statistique avancéeAccès aux donnéesExploration et visualisation des donnéesConception d'expériencesModélisation prédictive et apprentissage automatiqueRe : Sélection des réponses – Effets de modèles multiples ?Vous avez raison : la plateforme de sélection des réponses n'est pas comme un « modèle d'ajustement » dans le sens où vous pouvez inclure des termes d'interaction. Vous devrez ajouter la température et le temps séparément, puis créer une colonne « température x temps » distincte. Même si le dépistage des réponses est régi par le FDR, je n'aime toujours pas m'en fier exclusivement pour trouver des protéines différentiellement concentrées. Vous pouvez également utiliser le criblage de prédicteurs pour voir quelles protéines contribuent le plus à la variation en fonction des températures et du temps.
Je suis d'accord avec Peter sur le fait que gen-reg et PLS, bien que moins couramment utilisés pour identifier les DCP, pourraient très bien être supérieurs car ils peuvent prendre en charge des ensembles de données hautement colinéaires (tels que chaque expression génique ou ensemble de données protéiques jamais généré).
Mais ce que je dis d'abord aux gens, c'est de rechercher les tendances multivariées en utilisant PCA ou MDS. Si vous constatez des effets multivariés clairs sur la température (ou la température x le temps), vous pouvez alors plonger et voir quelles protéines y ont contribué. Vous pouvez exporter les coordonnées MDS puis effectuer une MANOVA ou un PLS sur les coordonnées. Cela s’apparenterait à une MANOVA non paramétrique. Je compare cela à l'analogue univarié : documenter un effet de traitement ANOVA AVANT de faire les tests post-hoc entre les moyennes. En d’autres termes, identifiez d’abord un effet global du traitement à l’aide d’approches multivariées PUIS essayez de trouver les protéines d’intérêt. Si vous procédez directement à la découverte des DCP sans l'avoir fait, cela pourrait être comme une extraction de valeur p entre des moyennes individuelles sans effet de traitement global dans l'ANOVA du modèle principal.
Re : Sélection des réponses – Effets de modèles multiples ?Donc je suis clair... les 3350 protéines sont-elles des réponses ou des prédicteurs ? S'il s'agit de réponses, une sorte de technique de réduction de dimensionnalité (PLS ?) pourrait être bénéfique ? L'une des caractéristiques intéressantes d'une approche PLS est que vous pouvez exploiter la structure de variance/covariance des protéines (si elle existe) en tant que réponses, tout en structurant vos prédicteurs comme bon vous semble. Vous voudrez peut-être entamer une conversation en tête-à-tête avec @abmayfield qui a effectué de nombreux travaux d'analyse avec un système hautement multivarié ?
Re : Sélection des réponses – Effets de modèles multiples ?Salut @Sloux ,
D'après ce que je comprends, la plate-forme Response Screening ne comparera qu'un ensemble de combinaisons Y contre X, mais pas de combinaisons de type Y contre X1*X1 ou Y contre X1*X2. Ce n’est donc peut-être pas la bonne plateforme pour ce que vous faites. Il peut être utile de comprendre quel élément de votre ensemble de données correspond à Y (réponse) et quel est exactement le X.
Pour moi, ce que vous décrivez, il semble que vous cherchiez réellement quels sont les meilleurs prédicteurs et combinaisons de prédicteurs pour obtenir votre résultat. Si tel est le cas, vous voudrez peut-être envisager plusieurs approches différentes. Certains des commentaires ci-dessous dépendent du fait que vous ayez ou non obtenu vos données auprès d'un DOE. De plus, certaines options nécessitent JMP Pro.
- Vous pouvez envisager d'utiliser la plateforme Analyse > Dépistage > Prédicteur de dépistage pour vérifier quels sont les meilleurs prédicteurs. Cela peut dépendre quelque peu du nombre d'arbres que vous utilisez, vous voudrez peut-être jouer avec cela. Même dans ce cas, vous souhaiterez exécuter des simulations d'amorçage sur la colonne Portion pour vraiment mieux comprendre les facteurs qui ont un impact sur le résultat. Cependant, cette approche ne permet pas non plus de croiser les termes.
- Utilisez la plateforme SLS (Fit Model with Personality SLS), puis exécutez à nouveau le bootstrap sur les estimations pour voir quels facteurs apparaissent le plus fréquemment. Cette approche vous permet d'examiner les termes croisés. Cependant, à moins que vous n'ayez la preuve que les termes croisés DOIVENT être présents, il est généralement recommandé de ne pas inclure les termes. (C'est ici que le DOE est important : si le DOE montre qu'il doit y avoir des termes croisés, incluez-les).
- Utilisez la plateforme GenReg (Fit Model with Personality GenReg), puis exécutez à nouveau le bootstrap sur les estimations pour voir quels facteurs apparaissent le plus fréquemment. Cette approche vous permet d'examiner les termes croisés. Cependant, à moins que vous n'ayez la preuve que les termes croisés DOIVENT être présents, il est généralement recommandé de ne pas inclure les termes. (C'est ici que le DOE est important : si le DOE montre qu'il doit y avoir des termes croisés, incluez-les).
- Utilisez le PLS (Fit Model with Personality PLS), cela vous aidera souvent à réduire les facteurs qui tombent en dessous d'une valeur d'importance variable de 0,8 (par défaut, mais vous pouvez modifier cela).
- Vous pouvez également essayer la plateforme Analyse > Modélisation spécialisée > Explorateur de données fonctionnelles - cela dépend si vos données ressemblent à un spectre, c'est-à-dire une sorte de mesure de sortie à différentes longueurs d'onde, tensions, etc. Vous pouvez combiner cela avec le Z, Supplémentaire. colonne facultative pour inclure un aspect de type "DOE" dans l'analyse et en tirer des profileurs de prédiction. Cela peut parfois réduire le vaste ensemble de données de longueurs d’onde à quelques-unes seulement qui sont les meilleures pour prédire un résultat.
- DOE Autovalidation, il existe un outil complémentaire que vous pouvez obtenir pour vous aider dans cette analyse, et il est quelque peu similaire au bootstrapping pour les estimations de l'autre plate-forme, mais fonctionne légèrement différemment.
Ce ne sont là que quelques commentaires généraux sur la façon d'aborder l'évaluation de ce que vous semblez essayer de faire. En fonction du nombre de lignes dont vous disposez, vous devez réfléchir à la manière dont vous souhaitez valider les éléments, par exemple en laisser une de côté ou plier en K, etc. Je recommande fortement d'utiliser plus d'une approche et de les comparer. Étant donné que les algorithmes sont légèrement différents et utilisent une graine aléatoire différente, les résultats sont souvent légèrement différents et peuvent aider à prendre la décision finale quant à l'inclusion ou non de certains facteurs et termes croisés.
J'espère que cela t'aides!,
DS
