光纖光度法是一種尖端技術，能夠即時捕捉實驗動物的體內腦活動。光纖光度法通常與視訊追蹤的行為數據相結合，使科學家能夠直接將觀察到的行為與腦部訊號關聯起來。雖然光纖光度法對新型行為實驗非常有用，但每個實驗步驟（資料收集、處理、分析）都可能引入誤差。因此，確保研究的可重複性至關重要，但資料集的龐大規模（高達0.25 GB）使得品質控製成為一項繁瑣的任務。
JMP Graph Builder 提供了一個出色的介面，可以動態且有效率地識別品質控制問題。在一個利用光纖光度法研究去甲腎上腺素訊號如何伴隨囓齒動物恐懼行為的專案中，我們使用 JMP 檢測了 Ethovision XT 追蹤的行為資料與光纖光度法資料之間的偏差，從而能夠輕鬆識別行為追蹤中斷，並確保預期模式的存在。這些品質控制檢查使得我們能夠及時了解、介入和修正資料集，從而提升研究的完整性。此外，品質控制圖也為科學家提供了一種新穎且富有洞察力的方式來理解他們的實驗。
Graph Builder 透過 JMP 的建模平台提供資料品質檢查，從而確保分析的可靠性。科學家也能夠使用 JMP 腳本，並在過程中積極學習如何使用 JMP。本次演講中，我們將以光纖光度測量為例，展示大型複雜資料集的品質控制問題，以及 JMP 的繪圖功能如何幫助我們確保資料品質和研究的可重複性。
大家好，我叫凱特‧康拉德。今天，我要向大家介紹我的專案—利用 JMP 圖形建構器提升縱向光纖光度測量資料集的資料品質。我是 DLH 的統計顧問，我們與美國國立衛生研究院的科學家合作這個計畫。我的合作者一直在研究光纖光度測量技術。這項技術非常酷，它能讓我們觀察神經的放電活動。
科學家們能夠將螢光染料注入這些動物的大腦。當這些大腦活動並釋放不同的神經傳導物質訊號時，攝影機會觀察它們的螢光變化。這是一項非常新穎的技術，非常酷。它處於神經行為研究的前沿，讓我們以一種全新的方式了解大腦。然而，這些數據需要經過幾個不同的階段來處理。
從小鼠大腦中的攝影機到我獲取並分析數據，中間會經過幾個不同的軟體。這本身並非壞事，只是意味著攝影機和我的資料集之間各種演算法和分類器出錯的可能性更高。我們需要進行品質控制，以確保整個過程都符合預期。
這些資料集非常龐大，因此如果其中存在錯誤，就更難被發現。在本實驗中，我們使用 EthoVision XT 軟體對 41 隻不同的實驗小鼠進行了測試，每隔 0.04 秒記錄一次，持續 10 分鐘。此外，我們對每隻小鼠進行了三次不同的記錄，因此每隻小鼠都有三個不同的 10 分鐘片段。
在記錄行為指標的同時，我們也記錄神經傳導物質的水平，這包括動物在空間中的活動情況，例如它們是否完全伸展身體或蜷縮身體，是否靜止不動，以及是否快速移動。我們記錄這些指標的同時，也記錄神經傳導物質的水平，這就是光纖光度計的部分。我們觀察這些動物在運動過程中大腦中去甲腎上腺素和多巴胺的訊號，也就是它們的放電情況。
這是我們想要確保的一點。我們希望確保他們的運動和神經傳導物質訊號協調一致，這樣我們才能了解大腦活動的同時身體也在做什麼。我們開展這個計畫的目標是識別數據中的任何偏差。我們希望確保預期出現的模式確實存在，並透過此舉來維護研究的誠信。
我將向您展示三個不同的品質控制範例，說明我們如何使用光纖光度測量資料集，利用 JMP Graph Builder，最終獲得這些高品質的資料集，用於可靠的研究。讓我們從第一個品質控制範例開始。我們將打開 JMP Graph Builder。我將簡要介紹一下這個資料集。您可以看到，每個動物的動物 ID 都不同。我們記錄了它們的測量時間，以及它們大腦訊號（在本例中是多巴胺訊號）的兩種不同測量方法。
這裡有它們的 X 軸中心和 Y 軸中心。這只是它們在空間中的位置。伸長率，也就是它們是蜷縮的還是伸展的，這是衡量它們活動性的兩個指標，它們是高度活躍還是完全靜止不動，然後是我們三個不同的暴露日期，也就是我們的三個不同時間點。
我們要開啟圖表產生器。我們把這個拿出來。好的。我們現在在圖表產生器裡。我們要輸入 X 座標和 Y 座標，然後用點來觀察這些動物在空間中移動時的位置。現在，我想用不同的顏色來表示每隻動物，這樣我就可以看到它們在這個空間中移動時的位置了。
我們要把它移到色塊裡，然後分別設定三種不同的曝光時間，我們先來看第一種。可以看到這裡有不同的動物，它們佔據了XY空間，把它們填滿了。點擊不同的動物，可以看到它們如何用不同的顏色填滿空間。有些動物不太容易看清，但其他的動物，你可以看到它們基本上都佔據了這片空間。除了這隻之外，它們在X軸和Y軸上移動得相當均勻。
這隻動物，編號為N091的動物，一直待在右上角。它並沒有佔據太多空間，就在那裡。它看起來很特別。我們想知道，這隻小鼠的其他測量指標是否也有類似的異常？這就引出了我們的下一個圖表。我們將再次打開圖表產生器。這次，我們將觀察伸長率測量值。我們將為每隻動物分別繪製一個箱線圖。
同樣，我們將把動物編號關聯到顏色上。同時，我們也會把它關聯到 X 軸，讓每隻動物得到一個不同的箱型圖。我們可以看到，目前高亮顯示的動物 N091 的箱線圖較低。它的伸長率較低，與其他小鼠相比，它的體型更蜷縮。
我會剔除那些異常值，因為我並不太擔心它們。我想看看主要數據。我會稍微調整一下樣式，但你可以看到，與其他動物相比，這種動物有點特別。
這裡是我們之前製作的兩張圖表，我們分析了這隻動物靜止不動的時間百分比。可以看出，它大部分時間都處於靜止狀態。從這三張圖表中，我們發現這隻動物的追蹤數據出現了偏差。影片出了點問題，但我把數據分享給合作者後，他們就解決了。我們使用 Graph Builder 工具在這個大數據集中識別並修復了這個問題。
現在，我們的下一個例子就沒那麼引人注目了。它只是證實了我們預期看到的模式確實存在。多巴胺訊號，這是一種大腦中的神經傳導物質。正如我們所觀察到的，它的數量會隨著時間而減少。在這些圖表中，X軸代表時間，Y軸代表訊號強度。看到了嗎？多巴胺訊號確實在隨著時間推移而下降，正如我們所預期的那樣。
收集到多巴胺訊號後，我們會應用校正演算法來修正其隨時間推移而產生的衰減。我們想確認一下這個演算法是否也有效。我們看到一個簡單的圖表，每個動物對應一個顏色。看起來不錯。透過這個簡單快速的檢查，我們確認了分類器和訊號的收集和運作都符合預期。這對品質控制和研究都很有幫助。
最後，我們需要確認一下運動分類器。運動狀態要不是靜止的，就是非常活躍的，但不能同時是兩者。這些動物不應該同時處於奔跑和靜止的狀態。我們要再次開啟圖表建立器，檢查並確保沒有資料同時被分類為非常活躍和靜止的狀態。
我們要把這兩個欄位拖到圖表上，然後再切換到點陣圖，因為在修改動物ID之後，我喜歡用點陣圖。你可以看到右上角有一大塊空白。如果分類器出錯，同時判定某個物種既非常活躍又不活躍，那塊空白就會顯示出來。果然，它是空白的。看起來不錯。這也證實了我們的分類器運作正常，沒有犯這樣的錯誤。
我們的目標已經達成。我們分析了長期收集的複雜光纖光度測量數據集，獲得了縱向數據，並使用 JMP Graph Builder 對該數據集進行了快速便捷的品質控制，確保了研究的高品質和可靠性。如果您想了解更多關於大腦中多巴胺和去甲腎上腺素以及它們在這些特定小鼠中的作用機制，請掃描二維碼，即可閱讀我們的論文。希望您有所收穫。謝謝！
