光纤光度法是一种前沿技术，能够实时捕捉实验动物的体内脑活动。光纤光度法通常与视频追踪的行为数据相结合，使科学家能够直接将观察到的行为与脑信号关联起来。虽然光纤光度法对新型行为实验非常有用，但每个实验步骤（数据采集、处理、分析）都可能引入误差。因此，确保研究的可重复性至关重要，但数据集的庞大规模（高达0.25 GB）使得质量控制成为一项繁琐的任务。
JMP Graph Builder 提供了一个出色的界面，可以动态高效地识别质量控制问题。在一个利用光纤光度法研究去甲肾上腺素信号如何伴随啮齿动物恐惧行为的项目中，我们使用 JMP 检测了 Ethovision XT 追踪的行为数据与光纤光度法数据之间的偏差，从而能够轻松识别行为追踪中断，并确保预期模式的存在。这些质量控制检查使得我们能够及时了解、干预和修正数据集，从而提升研究的完整性。此外，质量控制图还为科学家提供了一种新颖且富有洞察力的方式来理解他们的实验。
Graph Builder 通过 JMP 的建模平台提供数据质量检查，从而确保分析的可靠性。科学家们也能够使用 JMP 脚本，并在此过程中积极学习如何使用 JMP。本次演讲中，我们将以光纤光度测量为例，展示大型复杂数据集的质量控制问题，以及 JMP 的绘图功能如何帮助我们确保数据质量和研究的可重复性。
大家好，我叫凯特·康拉德。今天，我要向大家介绍我的项目——利用 JMP 图形构建器提升纵向光纤光度测量数据集的数据质量。我是 DLH 的一名统计顾问，我们与美国国立卫生研究院的科学家们合作开展这个项目。我的合作者们一直在研究光纤光度测量技术。这项技术非常酷，它能让我们观察神经的放电活动。
科学家们能够将荧光染料注入这些动物的大脑。当这些大脑活动并释放不同的神经递质信号时，摄像机会观察它们的荧光变化。这是一项非常新颖的技术，非常酷。它处于神经行为研究的前沿，让我们能够以一种全新的方式了解大脑。然而，这些数据需要经过几个不同的阶段进行处理。
从小鼠大脑中的摄像头到我获取并分析数据，中间会经过几个不同的软件。这本身并非坏事，只是意味着摄像头和我的数据集之间各种算法和分类器出错的可能性更高。我们需要进行质量控制，以确保整个过程都符合预期。
这些数据集非常庞大，因此如果其中存在错误，就更难被发现。在本实验中，我们使用 EthoVision XT 软件对 41 只不同的实验小鼠进行了测试，每隔 0.04 秒记录一次，持续 10 分钟。此外，我们对每只小鼠进行了三次不同的记录，因此每只小鼠都有三个不同的 10 分钟片段。
在记录行为指标的同时，我们也记录神经递质的水平，这包括动物在空间中的活动情况，例如它们是否完全伸展身体或蜷缩身体，是否静止不动，以及是否快速移动。我们记录这些指标的同时，也记录神经递质的水平，这就是光纤光度计的部分。我们观察这些动物在运动过程中大脑中去甲肾上腺素和多巴胺的信号，也就是它们的放电情况。
这是我们想要确保的一点。我们希望确保他们的运动和神经递质信号协调一致，这样我们才能了解大脑活动的同时身体也在做什么。我们开展这个项目的目标是识别数据中的任何偏差。我们希望确保预期出现的模式确实存在，并通过此举来维护研究的诚信。
我将向您展示三个不同的质量控制示例，说明我们如何使用光纤光度测量数据集，利用 JMP Graph Builder，最终获得这些高质量的数据集，用于可靠的研究。让我们从第一个质量控制示例开始。我们将打开 JMP Graph Builder。我将简要介绍一下这个数据集。您可以看到，每个动物的动物 ID 都不同。我们记录了它们的测量时间，以及它们大脑信号（在本例中是多巴胺信号）的两种不同测量方法。
这里有它们的 X 轴中心和 Y 轴中心。这只是它们在空间中的位置。伸长率，也就是它们是蜷缩的还是伸展的，这是衡量它们活动性的两个指标，它们是高度活跃还是完全静止不动，然后是我们三个不同的暴露日期，也就是我们的三个不同时间点。
我们要打开图表生成器。我们把这个拿出来。好的。我们现在在图表生成器里。我们要输入 X 坐标和 Y 坐标，然后用点来观察这些动物在空间中移动时的位置。现在，我想用不同的颜色来表示每只动物，这样我就可以看到它们在这个空间中移动时的位置了。
我们要把它移到色块里，然后分别设置三种不同的曝光时间，我们先来看第一种。可以看到这里有不同的动物，它们占据了XY空间，把它们填满了。点击不同的动物，可以看到它们如何用不同的颜色填充这个空间。有些动物不太容易看清，但其他的动物，你可以看到它们基本都占据了这个空间。除了这只之外，它们在X轴和Y轴上移动得相当均匀。
这只动物，编号为N091的动物，一直待在右上角。它并没有占据太多空间，就在那里。它看起来很特别。我们想知道，这只小鼠的其他测量指标是否也存在类似的异常？这就引出了我们的下一个图表。我们将再次打开图表生成器。这次，我们将观察伸长率测量值。我们将为每只动物分别绘制一个箱线图。
同样，我们将把动物编号关联到颜色上。同时，我们还会把它关联到 X 轴，这样每只动物就能得到一个不同的箱线图。我们可以看到，目前高亮显示的动物 N091 的箱线图较低。它的伸长率较低，与其他小鼠相比，它的体型更蜷缩。
我会剔除那些异常值，因为我并不太担心它们。我想看看主要数据。我会稍微调整一下样式，但你可以看到，与其他动物相比，这种动物有点特别。
这里是我们之前制作的两张图表，我们分析了这只动物静止不动的时间百分比。可以看出，它大部分时间都处于静止状态。从这三张图表中，我们发现这只动物的追踪数据出现了偏差。视频出了点问题，但我把数据分享给合作者后，他们就解决了。我们使用 Graph Builder 工具在这个大数据集中识别并修复了这个问题。
现在，我们的下一个例子就没那么引人注目了。它只是证实了我们预期看到的模式确实存在。多巴胺信号，这是一种大脑中的神经递质。正如我们所观察到的，它的数量会随着时间推移而减少。在这些图表中，X轴代表时间，Y轴代表信号强度。看到了吗？多巴胺信号确实在随着时间推移而下降，正如我们所预期的那样。
收集到多巴胺信号后，我们会应用校正算法来修正其随时间推移而产生的衰减。我们想确认一下这个算法是否也有效。我们看到一个简单的图表，每个动物对应一个颜色。看起来不错。通过这个简单快捷的检查，我们确认了分类器和信号的收集和运行都符合预期。这对质量控制和研究都很有帮助。
最后，我们需要确认一下运动分类器。运动状态要么是静止的，要么是非常活跃的，但不能同时是两者。这些动物不应该同时处于奔跑和静止的状态。我们要再次打开图表构建器，检查并确保没有数据同时被分类为非常活跃和静止。
我们要把这两列拖到图表上，然后再次切换到点阵图，因为在修改动物ID之后，我喜欢用点阵图。你可以看到右上角有一大块空白。如果分类器出错，同时判定某个物种既非常活跃又不活跃，那块空白就会显示出来。果然，它是空白的。看起来不错。这也证实了我们的分类器运行正常，没有犯这样的错误。
我们的目标已经达成。我们分析了长期收集的复杂光纤光度测量数据集，获得了纵向数据，并使用 JMP Graph Builder 对该数据集进行了快速便捷的质量控制，确保了研究的高质量和可靠性。如果您想了解更多关于大脑中多巴胺和去甲肾上腺素以及它们在这些特定小鼠中的作用机制，请扫描二维码，即可阅读我们的论文。希望您有所收获。谢谢！
