Response Screening – Mehrere Modelleffekte?Ich versuche, einen mittelgroßen/großen Proteomik-Datensatz (3350 Proteine) mithilfe der Response-Screening-Analyse zu analysieren.Das Problem besteht darin, dass ich mehrere Modelleffekte berücksichtigen muss – ich habe Behandlung vs. Kontrolle, aber ich muss auch Proben von mehreren Tagen berücksichtigen, aber ich kann dies offensichtlich nicht als passendes Modell ausführen.
Ist es möglich, mit dem Response-Screening von JMP sowohl die Behandlung als auch den Tag zu berücksichtigen?Ich habe den Tag als Gewichtung angegeben, weil ich erwarte, dass die späteren Tage eine größere Bedeutung haben werden, bin mir aber nicht sicher, ob das richtig ist.
Danke
Erweiterte statistische ModellierungDatenzugriffDatenexploration und -visualisierungVersuchsplanungPrädiktive Modellierung und maschinelles LernenBetreff: Response Screening – Mehrere Modelleffekte?Sie haben Recht: Die Antwort-Screening-Plattform ähnelt nicht dem „Fit-Modell“ in dem Sinne, dass Sie Interaktionsbegriffe einbeziehen können. Sie müssten Temperatur und Zeit separat hinzufügen und dann eine separate Spalte „Temperatur x Zeit“ erstellen. Obwohl das Reaktionsscreening FDR-geregelt ist, verlasse ich mich dennoch nicht gerne ausschließlich darauf, um unterschiedlich konzentrierte Proteine zu finden. Mithilfe des Prädiktor-Screenings können Sie auch ermitteln, welche Proteine am meisten zur Temperatur- und Zeitschwankung beitragen.
Ich stimme mit Peter darin überein, dass Gen-Reg und PLS, obwohl sie weniger häufig zur Identifizierung von DCPs verwendet werden, durchaus überlegen sein könnten, da sie hochgradig kollineare Datensätze verarbeiten können (z. B. jeden einzelnen Genexpressions- oder Proteindatensatz, der jemals generiert wurde).
Aber was ich den Leuten zunächst sage, wenn sie mithilfe von PCA oder MDS nach multivariaten Trends suchen. Wenn Sie deutliche multivariate Temperatureffekte (oder Temperatur x Zeit) sehen, können Sie eintauchen und sehen, welche Proteine dazu beigetragen haben. Sie können die MDS-Koordinaten exportieren und dann MANOVA oder PLS für die Koordinaten ausführen. Dies wäre vergleichbar mit einer nichtparametrischen MANOVA. Ich vergleiche dies mit dem univariaten Analogon: Dokumentieren eines ANOVA-Behandlungseffekts, BEVOR die Post-hoc-Tests zwischen den Mittelwerten durchgeführt werden. Mit anderen Worten: Identifizieren Sie zunächst mithilfe multivariater Ansätze einen globalen Behandlungseffekt UND versuchen Sie DANN, die Proteine von Interesse zu finden. Wenn Sie direkt mit der Ermittlung der DCPs fortfahren, ohne dies getan zu haben, könnte dies einem p-Wert-Mining zwischen einzelnen Mittelwerten ohne einen Gesamtbehandlungseffekt in der ANOVA des Hauptmodells gleichkommen.
Betreff: Response Screening – Mehrere Modelleffekte?Mir ist also klar: Sind die 3350 Proteine Reaktionen oder Prädiktoren? Wenn es sich um Antworten handelt, könnte eine Art Dimensionsreduktionstechnik (PLS?) von Vorteil sein? Eine der netten Funktionen eines PLS-Ansatzes besteht darin, dass Sie die Varianz-/Kovarianzstruktur der Proteine (sofern vorhanden) als Antworten nutzen und gleichzeitig Ihre Prädiktoren nach Belieben strukturieren können. Vielleicht möchten Sie ein persönliches Gespräch mit ihm beginnen @abmayfield Wer hat schon viele Analysearbeiten mit einem hochgradig multivariaten System durchgeführt?
Betreff: Response Screening – Mehrere Modelleffekte?Hallo @Sloux ,
Soweit ich weiß, vergleicht die Response-Screening-Plattform nur eine Reihe von Y-gegen-X-Kombinationen, nicht jedoch Y-gegen-X1*X1- oder Y-gegen-X1*X2-Kombinationen. Daher ist es möglicherweise nicht die richtige Plattform für das, was Sie tun. Es kann hilfreich sein zu verstehen, was in Ihrem Datensatz Y (Antwort) ist und was genau X ist.
Was Sie beschreiben, klingt für mich so, als würden Sie tatsächlich nach den besten Prädiktoren und Kombinationen von Prädiktoren suchen, um Ihr Ergebnis zu erzielen. Wenn dies der Fall ist, sollten Sie verschiedene Ansätze in Betracht ziehen. Einige der folgenden Kommentare hängen davon ab, ob Sie Ihre Daten von einem DOE erhalten haben oder nicht. Außerdem erfordern einige der Optionen JMP Pro.
- Sie können die Plattform Analysieren > Screening > Prädiktor-Screening verwenden, um zu prüfen, welche Prädiktoren am besten geeignet sind. Dies kann etwas von der Anzahl der Bäume abhängen, die Sie verwenden. Vielleicht möchten Sie damit herumspielen. Selbst dann sollten Sie einige Bootstrap-Simulationen für die Spalte „Portion“ durchführen, um besser zu verstehen, welche Faktoren das Ergebnis beeinflussen. Allerdings lässt dieser Ansatz auch keine Begriffsüberschneidungen zu.
- Verwenden Sie die SLS-Plattform (Fit Model with Personality SLS) und führen Sie dann erneut Bootstrapping für die Schätzungen durch, um zu sehen, welche Faktoren am häufigsten auftreten. Dieser Ansatz ermöglicht die Betrachtung sich überschneidender Begriffe. Sofern Sie jedoch keine Beweise dafür haben, dass die gekreuzten Begriffe darin enthalten sein MÜSSEN, wird im Allgemeinen empfohlen, die Begriffe nicht aufzunehmen. (Hier kommt es auf das DOE an – wenn das DOE zeigt, dass es gekreuzte Begriffe geben muss, dann schließen Sie diese ein.)
- Verwenden Sie die GenReg-Plattform (Fit Model with Personality GenReg) und führen Sie dann erneut Bootstrapping für die Schätzungen durch, um zu sehen, welche Faktoren am häufigsten auftreten. Dieser Ansatz ermöglicht die Betrachtung sich überschneidender Begriffe. Sofern Sie jedoch keine Beweise dafür haben, dass die gekreuzten Begriffe darin enthalten sein MÜSSEN, wird im Allgemeinen empfohlen, die Begriffe nicht aufzunehmen. (Hier kommt es auf das DOE an – wenn das DOE zeigt, dass es gekreuzte Begriffe geben muss, dann schließen Sie diese ein.)
- Verwenden Sie PLS (Fit Model with Personality PLS). Dies hilft Ihnen oft dabei, Faktoren zu reduzieren, die unter einen Variablenwichtigkeitswert von 0,8 fallen (Standard, aber Sie können dies ändern).
- Sie können auch die Plattform „Analysieren“ > „Spezialisierte Modellierung“ > „Functional Data Explorer“ ausprobieren – dies hängt davon ab, ob Ihre Daten wie ein Spektrum sind, also eine Art Ausgabemessung bei verschiedenen Wellenlängen, Spannungen usw. Sie können dies mit Z, Supplementary, kombinieren optionale Spalte, um einen „DOE“-Aspekt in die Analyse einzubeziehen und daraus einige Vorhersageprofiler zu gewinnen. Dies kann manchmal den großen Datensatz an Wellenlängen auf einige wenige reduzieren, die ein Ergebnis am besten vorhersagen können.
- DOE Autovalidation: Es gibt ein Add-in-Tool, das Sie bei dieser Analyse unterstützen können. Es ähnelt in gewisser Weise dem Bootstrapping für die Schätzungen auf der anderen Plattform, funktioniert jedoch etwas anders.
Dies sind nur einige allgemeine Kommentare dazu, wie Sie bei der Bewertung dessen vorgehen sollten, was Sie vorhaben. Je nachdem, wie viele Zeilen Sie haben, sollten Sie überlegen, wie Sie Dinge validieren möchten, z. B. eine weglassen oder k-fach falten usw. Ich empfehle dringend, mehr als einen Ansatz zu verwenden und diese zu vergleichen. Da sich die Algorithmen geringfügig unterscheiden und einen anderen Zufallsstartwert verwenden, unterscheiden sich die Ergebnisse häufig geringfügig und können bei der endgültigen Entscheidung darüber helfen, ob bestimmte Faktoren und Kreuzbegriffe einbezogen werden sollen oder nicht.
Hoffe das hilft!,
DS
