反應篩選 - 多重模型效應？我正在嘗試使用響應篩選分析來分析中型/大型蛋白質組學資料集（3350 個蛋白質）。問題是我有多個模型效應需要考慮 - 我有治療與對照，但我也有多天的樣本需要考慮，但我顯然無法將其作為擬合模型運行。
使用 JMP 的反應篩檢是否可以同時考慮治療和日數？我以天作為權重來運行它，因為我預計後面的日子會更重要，但我不確定這是否正確。
謝謝
進階統計建模資料存取數據探索和視覺化實驗設計預測建模和機器學習回覆：反應篩選 - 多個模型效應？您是對的：回應篩選平台不像“擬合模型”，因為您可以包含互動術語。 您必須分別新增溫度和時間，然後建立單獨的「溫度 x 時間」列。 儘管反應篩選是由 FDR 管理的，但我仍然不喜歡專門依靠它來尋找差異濃縮的蛋白質。 您也可以使用預測因子篩選來查看哪些蛋白質對溫度和時間變化影響最大。
我同意 Peter 的觀點，即 gen-reg 和 PLS 雖然不太常用於識別 DCP，但很可能更優越，因為它們可以容納高度共線的數據集（例如生成的每個基因表現或蛋白質數據集）。
但我首先告訴人們的是，如果使用 PCA 或 MDS 尋找多元趨勢。 如果您看到明顯的多變量溫度（或溫度 x 時間）效應，您就可以深入研究哪些蛋白質造成了這種影響。 您可以匯出 MDS 座標，然後對座標執行 MANOVA 或 PLS。 這類似於非參數多元變異數分析。 我將其比喻為單變量模擬：在平均值之間進行事後檢定之前記錄變異數分析治療效果。 換句話說，首先使用多變量方法確定整體治療效果，然後嘗試找到感興趣的蛋白質。 如果您沒有這樣做就直接發現 DCP，這可能就像在主模型變異數分析中沒有整體處理效果的各個平均值之間的 p 值挖掘。
回覆：反應篩選 - 多個模型效應？所以我很清楚... 3350 種蛋白質是反應蛋白還是預測蛋白？ 如果它們是回應，某種降維技術（PLS？）可能是有益的？ PLS 方法的優點之一是您可以利用蛋白質的變異數/協方差結構（如果確實存在）作為反應，同時根據您認為合適的方式建立預測變數。 您可能想與以下人員進行一對一的對話@abmayfield誰使用高度多元的系統進行了大量的分析工作？
回覆：反應篩選 - 多個模型效應？你好@斯勞克斯,
據我了解，反應篩選平台只會比較一堆 Y 與 X 的組合，而不是 Y 與 X1*X1 或 Y 與 X1*X2 類型的組合。 因此，它可能不是適合您正在做的事情的平台。 它可能有助於理解您的資料集中哪些是 Y（回應）以及 X 到底是什麼。
對我來說，你所描述的，聽起來你實際上是在尋找最好的預測因素和預測因素組合來獲得你的結果。 如果是這種情況，您可能需要考慮幾種不同的方法。 下面的一些評論取決於您是否從 DOE 獲得數據。 此外，某些選項需要 JMP Pro。
- 您可以考慮使用分析 > 篩選 > 預測因子篩選平台來檢查哪些是最佳預測因子。 這可能在某種程度上取決於您使用的樹的數量，因此您可能想嘗試一下。 即使如此，您仍需要在「部分」欄位上執行一些引導模擬，以真正更好地掌握哪些因素影響結果。 然而，這種方法也不允許交叉術語。
- 使用 SLS 平台（使用個性 SLS 擬合模型），然後再次對估計值執行引導程序，以查看哪些因素最頻繁出現。 這種方法可讓您查看交叉的術語。 但是，除非您有某種證據表明交叉的術語必須包含在其中，否則通常建議不要包含這些術語。 （這就是 DOE 的重要性所在——如果 DOE 表明必須存在交叉術語，則將其納入）。
- 使用 GenReg 平台（使用 Personality GenReg 擬合模型），然後再次對估計值執行引導程序，以查看哪些因素最頻繁出現。 這種方法可讓您查看交叉的術語。 但是，除非您有某種證據表明交叉的術語必須包含在其中，否則通常建議不要包含這些術語。 （這就是 DOE 的重要性所在——如果 DOE 表明必須存在交叉術語，則將其納入）。
- 使用 PLS（具有個性 PLS 的擬合模型），這通常會幫助您減少低於變數重要性值 0.8（預設值，但您可以變更此值）的因素。
- 您也可以嘗試「分析」>「專業建模」>「功能資料瀏覽器」平台- 這取決於您的資料是否像光譜，即不同波長、電壓等下的某種輸出測量。您可以將其與Z、補充相結合可選列，在分析中包含「DOE」類型的方面，並從中取得一些預測刻畫器。 有時，這可以將大型波長資料集減少到最能預測結果的幾個波長。
- DOE 自動驗證，您可以使用一個附加工具來幫助進行此分析，它與其他平台中的估計引導程式有些相似，但工作方式略有不同。
這些只是關於如何評估您正在嘗試做的事情的一些一般性評論。 根據您擁有的行數，您應該考慮如何驗證事物，例如省略一行或 k 倍等。 我強烈建議使用多種方法並對它們進行比較。 由於演算法略有不同並使用不同的隨機種子，因此結果通常略有不同，並且可以幫助做出是否包含某些因素和交叉項的最終決策。
希望這可以幫助！，
DS
