JMP Graph Builder bietet eine hervorragende Benutzeroberfläche zur dynamischen und effizienten Identifizierung von Qualitätskontrollproblemen. In einem Projekt, das mittels Faserphotometrie untersuchte, wie die Noradrenalin-Signalübertragung das Angstverhalten von Nagetieren begleitet, nutzten wir JMP, um Abweichungen zwischen den mit Ethovision XT erfassten Verhaltensdaten und den Faserphotometriedaten zu erkennen. Dies ermöglichte die einfache Identifizierung von Störungen in der Verhaltensaufzeichnung und die Sicherstellung, dass die erwarteten Muster vorhanden waren. Diese Qualitätskontrollprüfungen erlaubten ein zeitnahes Verständnis, Eingriffe und Korrekturen im Datensatz und förderten somit die Integrität der Forschung. Darüber hinaus boten die Qualitätskontrolldiagramme den Wissenschaftlern eine neue und aufschlussreiche Möglichkeit, ihre Experimente zu verstehen.
Graph Builder ermöglichte die Überprüfung der Datenqualität für eine fundierte Analyse mithilfe der Modellierungsplattform von JMP. Die Wissenschaftler konnten zudem JMP-Skripte nutzen und wurden durch diesen Prozess motiviert, den Umgang mit JMP selbst zu erlernen. In diesem Vortrag veranschaulichen wir die Problematik der Qualitätskontrolle großer, komplexer Datensätze am Beispiel der Faserphotometrie und zeigen, wie die grafischen Darstellungsfunktionen von JMP die Sicherstellung qualitativ hochwertiger Daten und reproduzierbarer Forschungsergebnisse ermöglichten.
Hallo zusammen! Mein Name ist Kate Konrad. Heute möchte ich Ihnen mein Projekt „Verbesserung der Datenqualität in longitudinalen Faserphotometrie-Datensätzen mithilfe des JMP Graph Builders“ vorstellen. Ich bin statistische Beraterin bei DLH und arbeite in diesem Projekt mit Wissenschaftlern des National Institute of Health zusammen. Meine Kooperationspartner beschäftigten sich mit Faserphotometrie. Das ist eine wirklich faszinierende Technik, mit der man die Aktivität von Nervenzellen beobachten kann.
Die Wissenschaftler können den Gehirnen dieser Tiere einen fluoreszierenden Farbstoff hinzufügen. Während diese Gehirne aktiv werden und verschiedene Neurotransmittersignale ausgeschüttet werden, zeichnet eine Kamera die Fluoreszenz auf. Es handelt sich um eine brandneue und faszinierende Technik. Sie gehört zur Spitzenforschung im Bereich des Neuroverhaltens und ermöglicht uns ein völlig neues Verständnis des Gehirns. Die Datensätze werden jedoch in mehreren Schritten verarbeitet.
Zwischen der Kamera im Gehirn der Maus und der eigentlichen Datenanalyse laufen verschiedene Softwareprozesse ab. Das ist an sich nicht schlecht, erhöht aber das Fehlerrisiko bei den verschiedenen Algorithmen und Klassifikatoren, die zwischen Kamera und Datensatz zum Einsatz kommen. Wir möchten daher eine Qualitätskontrolle durchführen, um sicherzustellen, dass alle Schritte wie erwartet verlaufen sind.
Diese Datensätze sind zudem sehr umfangreich, was das Aufspüren von Fehlern erschwert. Das Experiment wurde mit der Software EthoVision XT an 41 verschiedenen Mäusen durchgeführt. Dabei wurde alle 0,04 Sekunden eine Aufzeichnung über einen Zeitraum von 10 Minuten erstellt. Jedes Tier wurde dreimal aufgezeichnet, sodass für jedes Tier drei verschiedene 10-Minuten-Abschnitte vorliegen.
Während wir das Verhalten der Tiere aufzeichnen – beispielsweise ihre Bewegungen im Raum, ob sie sich ausstrecken oder zusammenkauern, ob sie stillstehen oder sich sehr schnell bewegen –, erfassen wir parallel dazu die Neurotransmitterwerte. Dies ist der Teil der Faserphotometrie, in dem wir die Noradrenalin- und Dopaminsignale im Gehirn der Tiere während ihrer Bewegung beobachten. Wir erfassen, wie diese Signale feuern.
Das ist uns besonders wichtig. Wir wollen sicherstellen, dass ihre Bewegungen und ihre Neurotransmittersignale synchronisiert sind, um zu verstehen, was der Körper tut, während das Gehirn aktiv ist. Ziel dieses Projekts war es, etwaige Diskrepanzen in den Daten aufzudecken. Wir wollten sicherstellen, dass die erwarteten Muster tatsächlich vorhanden sind und dadurch die Integrität der Forschung fördern.
Ich zeige Ihnen drei verschiedene Beispiele für die Qualitätskontrolle (QC), wie wir diesen Faserphotometrie-Datensatz mit dem JMP Graph Builder verarbeitet und so hochwertige Datensätze für zuverlässige Forschung erhalten haben. Beginnen wir mit dem ersten Beispiel. Wir öffnen den JMP Graph Builder und stellen Ihnen den Datensatz kurz vor. Sie sehen, dass die Tier-IDs für jedes Tier unterschiedlich sind. Außerdem haben wir zwei verschiedene Messungen der Gehirnsignale, in diesem Fall des Dopaminsignals.
Wir haben hier ihren X- und ihren Y-Punkt. Das ist einfach ihre Position im Raum. Die Dehnung, also ob sie zusammengekauert oder gestreckt sind, zwei Maße ihrer Aktivität, ob sie sehr aktiv sind oder sich gar nicht bewegen, und dann unsere drei verschiedenen Belichtungsdaten, das sind unsere drei verschiedenen Zeitpunkte.
Wir wechseln jetzt zum Graph Builder. Wir öffnen das hier. Mal sehen. Wir sind im Graph Builder. Wir nehmen unsere X- und Y-Koordinaten und verwenden Punkte, um zu sehen, wo sich die Tiere im Raum befinden, während sie sich bewegen. Ich möchte das Ganze mit einer anderen Farbe für jedes Tier anzeigen lassen, damit ich sehen kann, wo sich alle Tiere im Raum befinden.
Wir verschieben das nun in den Farbbereich und betrachten dann drei verschiedene Belichtungszeiten. Wir schauen uns zunächst die erste an. Hier sehen wir unsere verschiedenen Tiere, die den XY-Bereich ausfüllen. Wenn wir auf die einzelnen Tiere klicken, können wir sehen, wie sie den Bereich mit den verschiedenen Farben füllen. Manche sind etwas schwer zu erkennen, aber andere kann man gut sehen; sie füllen den Bereich im Allgemeinen gut aus. Sie bewegen sich ziemlich vollständig durch die X- und Y-Achse, bis auf dieses eine Tier.
Dieses Tier, Tier N091, hielt sich tatsächlich nur in der oberen rechten Ecke auf. Es nahm nicht viel Platz ein. Es war einfach genau dort. Es sieht anders aus. Wir wollten wissen, ob es noch andere Messwerte gibt, die bei dieser Maus ebenfalls ungewöhnlich aussehen. Das führt uns zu unserem nächsten Diagramm. Wir öffnen wieder den Graph Builder. Diesmal betrachten wir den Elongationsmesswert. Wir erstellen für jedes Tier einen separaten Boxplot.
Wir werden die Tier-ID erneut der Farbe zuordnen. Außerdem werden wir sie auf die X-Achse verschieben, um für jedes Tier einen separaten Boxplot zu erhalten. Wir werden sehen, dass Tier N091, das momentan hervorgehoben ist, einen niedrigeren Wert aufweist. Es zeigt eine geringere Dehnung und bleibt daher im Vergleich zu den anderen Mäusen stärker zusammengekrümmt.
Ich werde die Ausreißer entfernen, da sie mir nicht so wichtig sind. Ich möchte mir die Hauptdaten ansehen. Ich werde die Darstellungsstile noch etwas anpassen, aber man kann sehen, dass dieses Tier im Vergleich zu den anderen etwas ungewöhnlich aussieht.
Hier sehen Sie die beiden Diagramme, die wir bereits erstellt haben. Wir haben uns ein Drittel der Zeit angesehen, in der sich das Tier nicht bewegt hat. Man erkennt, dass es sich recht wenig bewegt. Anhand dieser drei Diagramme konnten wir feststellen, dass die Bewegungsdaten des Tieres nicht korrekt erfasst wurden. Es gab ein Problem mit dem Video, aber nachdem ich es meinen Kollegen gezeigt hatte, konnten sie es beheben. Wir haben Graph Builder verwendet, um dieses Problem in dem großen Datensatz zu identifizieren und zu beheben.
Unser nächstes Beispiel ist etwas weniger spektakulär. Es bestätigt lediglich die erwarteten Muster. Dopamin ist ein Neurotransmitter im Gehirn. Wie wir sehen, nimmt sein Signal mit der Zeit ab. In diesen Diagrammen haben wir die Zeit auf der X-Achse und das Dopaminsignal auf der Y-Achse. Sehen Sie? Das Dopaminsignal sinkt mit der Zeit, genau wie erwartet.
Nachdem das Dopaminsignal erfasst wurde, wird ein Korrekturalgorithmus angewendet, um den zeitlichen Abfall auszugleichen. Wir wollten sicherstellen, dass auch dieser Algorithmus funktioniert. Wir sehen eine einfache Grafik, farblich dargestellt für jedes Tier. Das sieht gut aus. Mit dieser schnellen und einfachen Überprüfung konnten wir bestätigen, dass der Klassifikator und die Signale wie erwartet erfasst werden und funktionieren. Gut für die Qualitätskontrolle, gut für die Forschung.
Als Letztes mussten wir noch einen Bewegungsklassifikator bestätigen. Die Bewegung konnte entweder inaktiv oder sehr aktiv sein, aber nicht beides gleichzeitig. Die Tiere sollten nicht gleichzeitig sprinten und sich kaum bewegen. Wir werden daher noch einmal den Graph Builder verwenden, um sicherzustellen, dass keine Daten fälschlicherweise sowohl als hochaktiv als auch als inaktiv klassifiziert werden.
Wir ziehen diese beiden Spalten in unser Diagramm und stellen wieder auf Punkte um, da ich diese Darstellungsform bevorzuge, nachdem wir die Tier-ID geändert haben. Sie sehen die große leere Stelle oben rechts. Dort würden wir sehen, ob der Klassifikator einen Fehler gemacht und etwas gleichzeitig als hochaktiv und inaktiv eingestuft hat. Tatsächlich ist die Stelle leer. Alles in Ordnung. Das bestätigt, dass unser Klassifikator korrekt arbeitet und diesen Fehler nicht gemacht hat.
Unsere Ziele wurden erreicht. Wir haben einen komplexen, über einen längeren Zeitraum gesammelten Datensatz aus der Faserphotometrie analysiert, diese Längsschnittdaten gewonnen und sie mithilfe des JMP Graph Builders schnell und einfach einer Qualitätskontrolle unterzogen, um eine qualitativ hochwertige und zuverlässige Forschung zu gewährleisten. Wenn Sie mehr über Dopamin und Noradrenalin im Gehirn und deren Wirkungsweise bei diesen speziellen Mäusen erfahren möchten, scannen Sie bitte den QR-Code. Er führt Sie direkt zu unserer Publikation. Ich hoffe, Sie konnten etwas lernen. Vielen Dank.
