応答スクリーニング - 複数のモデル効果?レスポンススクリーニング解析を使用して、中大規模のプロテオミクスデータセット（3350タンパク質）を解析しようとしています。問題は、考慮すべきモデル効果が複数あることです。治療対対照があり、考慮すべき複数日のサンプルもありますが、これを適合モデルとして実行できないことは明らかです。
JMP の反応スクリーニングを使用して、治療と日数の両方を考慮することは可能ですか?後の日の重要性が高まると予想されるため、日を重みとして実行しましたが、これが正しいかどうかはわかりません。
ありがとう
高度な統計モデリングデータアクセスデータの探索と視覚化実験計画法予測モデリングと機械学習Re: 応答スクリーニング - 複数のモデル効果?おっしゃるとおりです。応答スクリーニング プラットフォームは、相互作用条件を含めることができるという意味での「モデルの適合」とは異なります。 温度と時間を個別に追加し、別の「温度 x 時間」列を作成する必要があります。 応答スクリーニングは FDR によって管理されていますが、濃度の異なるタンパク質を見つけるためだけに FDR に依存するのは好きではありません。 予測子スクリーニングを使用して、どのタンパク質が温度と時間にわたる変動に最も寄与しているかを確認することもできます。
gen-reg と PLS は、DCP の同定にはあまり一般的には使用されていませんが、共線性の高いデータセット (これまでに生成されたすべての単一遺伝子発現やタンパク質データセットなど) に対応できるため、優れている可能性があるという点で、私も Peter の意見に同意します。
しかし、PCA または MDS を使用して多変量トレンドを探す場合、私が最初に人々に伝えたいことは次のとおりです。 明確な多変量の温度 (または温度 x 時間) の影響が見られる場合は、さらに詳しく調べて、どのタンパク質がこれに寄与しているかを確認できます。 MDS 座標をエクスポートし、その座標に対して MANOVA または PLS を実行できます。 これはノンパラメトリック MANOVA に似ています。 私はこれを一変量の類似物、つまり平均間の事後検定を行う前に分散分析の治療効果を文書化することに例えます。 言い換えれば、まず多変量アプローチを使用して全体的な治療効果を特定し、次に目的のタンパク質を見つけようとします。 DCP の検出を行わずに直接 DCP の検出に進むと、メイン モデル ANOVA における全体的な処理効果を持たない個々の平均間の p 値マイニングに似たものになる可能性があります。
Re: 応答スクリーニング - 複数のモデル効果?はっきりしています...3350 タンパク質は応答ですか、それとも予測因子ですか? それらが応答である場合、ある種の次元削減手法 (PLS?) が役立つ可能性があります。 PLS アプローチの優れた特徴の 1 つは、タンパク質の分散/共分散構造 (実際に存在する場合) を応答として利用しながら、適切と思われる予測変数を構築できることです。 ～と 1 対 1 の会話を始めてみるとよいでしょう@abmayfield高度に多変量のシステムを使用して多くの分析作業を行った人は誰でしょうか?
Re: 応答スクリーニング - 複数のモデル効果?こんにちは@スロウ、
私が理解している限り、応答スクリーニング プラットフォームは、多数の Y 対 X の組み合わせのみを比較しますが、Y 対 X1*X1 または Y 対 X1*X2 のような組み合わせは比較しません。 したがって、あなたがやっていることに適切なプラットフォームではない可能性があります。 データセットのどれが Y (応答) であり、正確にどれが X であるかを理解するのに役立つかもしれません。
私には、あなたの説明は、結果を得るために最適な予測因子と予測因子の組み合わせを実際に探しているように思えます。 その場合は、いくつかの異なるアプローチを検討してみてください。 以下のコメントの一部は、DOE からデータを取得したかどうかによって異なります。 また、一部のオプションには JMP Pro が必要です。
- 「分析」>「スクリーニング」>「予測子スクリーニング」プラットフォームを使用して、最適な予測子を確認することを検討してください。 これは使用するツリーの数に多少依存するため、それを試してみるとよいでしょう。 その場合でも、結果に影響を与える要因をより正確に把握するには、[部分] 列でいくつかのブートストラップ シミュレーションを実行する必要があります。 ただし、このアプローチでは用語を交差させることもできません。
- SLS プラットフォーム (パーソナリティ SLS によるモデルの適合) を使用し、推定値に対してブートストラップを再度実行して、どの要因が最も頻繁に現れるかを確認します。 このアプローチにより、交差した用語を調べることができます。 ただし、バツ印を付けた用語が必ずそこに含まれなければならないという何らかの証拠がない限り、一般的にはその用語を含めないことをお勧めします。 (DOE が重要になるのはここです。DOE が交差する条件がある必要があると示した場合は、それらの条件を含めます)。
- GenReg プラットフォーム (パーソナリティ GenReg でモデルを適合) を使用し、推定値に対してブートストラップを再度実行して、どの要因が最も頻繁に現れるかを確認します。 このアプローチにより、交差した用語を調べることができます。 ただし、バツ印を付けた用語が必ずそこに含まれなければならないという何らかの証拠がない限り、一般的にはその用語を含めないことをお勧めします。 (DOE が重要になるのはここです。DOE が交差する条件がある必要があると示した場合は、それらの条件を含めます)。
- PLS (Fit Model with Personality PLS) を使用すると、変数重要度の値 0.8 (デフォルトですが、これは変更できます) を下回る要因を削減するのに役立ちます。
- また、[分析] > [特殊なモデリング] > [機能データ エクスプローラー] プラットフォームを試してみることもできます。これは、データがスペクトルのようなものであるかどうか、つまり、さまざまな波長や電圧などでの出力測定のようなものであるかどうかによって異なります。これを Z、補足と組み合わせることができます。オプションの列を使用して、分析に「DOE」の種類のアスペクトを含め、そこからいくつかの予測プロファイラーを取得します。 これにより、波長の大規模なデータセットが、結果の予測に最も適した少数の波長にまで削減される場合があります。
- DOE Autovalidation には、この分析に役立つアドイン ツールがあり、他のプラットフォームでの推定値のブートストラップに似ていますが、動作が少し異なります。
これらは、あなたがやろうとしていることを評価する方法についての一般的なコメントにすぎません。 行数に応じて、1 行を省略する、k 分割するなど、検証方法を検討する必要があります。 複数のアプローチを使用し、比較することを強くお勧めします。 アルゴリズムはわずかに異なり、異なるランダム シードを使用するため、結果は多くの場合わずかに異なり、特定の要素と交差項を含めるかどうかの最終決定に役立ちます。
お役に立てれば！、
DS
