Mikrotiterplatten-Analysen sind ein Standardwerkzeug in Laborexperimenten und ermöglichen es Wissenschaftlern, physikalische, chemische und/oder biologische Reaktionen von Testsubstanzen in verschiedenen Assays zu untersuchen. Herkömmliche Datenvisualisierungsmethoden für Mikrotiterplatten sind jedoch oft ineffizient, wenn es darum geht, spezifische Zusammenhänge der Plattendaten darzustellen, insbesondere die räumlichen und zeitlichen Ursachen der Variabilität zu erfassen.
Um dieses Problem zu lösen, haben wir ein JMP-Dashboard zur Visualisierung von Plattenkarten entwickelt, das Nutzern einzigartige Einblicke in die räumliche Verteilung und die Elemente ihrer Daten ermöglicht. Das Dashboard erleichtert die Visualisierung und explorative Datenanalyse durch verschiedene interaktive Ansichten von Heatmaps, Streudiagrammen und Dosis-Wirkungs-Kurven anhand simulierter Daten, um typische Probleme in Plattenexperimenten zu verdeutlichen. Nutzer können dynamisch zwischen den Ansichten wechseln, Visualisierungen anpassen und mit einzelnen Datenpunkten oder Gruppen interagieren, die einer genaueren Untersuchung bedürfen.
Darüber hinaus unterstützt das Dashboard die Datenfilterung und -annotation durch Zeilenbeschriftung und verbessert so die Interpretierbarkeit und den Nutzen der Plattenvisualisierungen. Es dient außerdem als effektives Werkzeug zur Kommunikation der Datenqualität und potenzieller Problembereiche, wie z. B. Platten- und/oder Laborvariabilität oder anderer Prozessfehler in den Daten. Durch die flexible Erkundung und Analyse komplexer Datensätze ermöglicht das Dashboard den Nutzern, tiefere Einblicke in ihre plattenbasierten Experimente zu gewinnen und so wissenschaftliche Entdeckungen und Erkenntnisse zu beschleunigen.
Hallo zusammen. Mein Name ist Carol Coe. Ich bin Statistikerin bei DLH. Wir bei DLH führen statistische Analysen toxikologischer Studien durch, die von unseren Kunden durchgeführt werden. Heute möchte ich Ihnen ein Dashboard vorstellen, das wir zur Auswertung von Mikrotiterplattendaten entwickelt haben. Diese Arbeit entstand in Zusammenarbeit mit meinen DLH-Statistikern Catherine Allen Moyer, Sean Harris und Juan Hwasier sowie unseren Kooperationspartnern von NHS, Helen Coney und Keith Shockley.
Bevor ich zum Dashboard komme, möchte ich kurz erklären, was eine Mikrotiterplatte ist. Mikrotiterplatten sind ein Standardwerkzeug in Laborexperimenten. Es handelt sich um Platten mit gitterförmig angeordneten Wänden, wobei jede Wand ein kleines Flüssigkeitsvolumen aufnehmen kann. Wissenschaftler verwenden sie häufig, da sie mehrere Experimente gleichzeitig durchführen können.
Die Idee ist, dass jede dieser Wände als Versuchseinheit dient. Man kann verschiedene Testsubstanzen und Konzentrationen in die Vertiefungen geben. Diese Platten gibt es in verschiedenen Größen. Hier ist ein Bild einer kleineren Platte. In meinem Beispiel verwende ich eine 384-Wand-Platte. Sie hat 16 Reihen und 24 Spalten. Sobald alle Wände befüllt sind, werden die Platten in ein Plattenlesegerät eingesetzt, wo ein Gerät die Reaktionen jeder einzelnen Wand misst.
In meiner Zusammenarbeit mit Wissenschaftlern habe ich die Erfahrung gemacht, dass sie diese Platten oder Experimente üblicherweise mit mehreren Platten durchführen, um die verschiedenen Faktoren zu berücksichtigen, die sie interessieren. Beispiele für diese Faktoren sind die Art des Assays, die Zellkultur oder die Anzahl der zu untersuchenden Substanzen. Normalerweise erhalte ich die Daten dieser Experimente gleichzeitig. Typischerweise arbeite ich mit mehreren Tausend Zeilen aus Dutzenden von Platten. Idealerweise visualisiere ich jede Platte und prüfe sie auf mögliche Datenprobleme, bevor ich statistische Modelle erstelle.
Bei großen Datenmengen kann es sehr schwierig sein, den Überblick zu behalten und zu verstehen. Mein Team und ich haben uns überlegt, wie wir die Visualisierung vereinfachen können. Wir haben eine Lösung entwickelt, die sich erfreulicherweise auch einfach in JMP implementieren ließ. Es handelt sich um ein Dashboard, bestehend aus einem lokalen Datenordner und drei Diagramm-Editor-Panels. So lassen sich verschiedene Ansichten desselben Datensatzes aus unterschiedlichen Perspektiven betrachten. In dieser Präsentation zeige ich Ihnen jedoch nicht, wie man ein Dashboard erstellt.
Stattdessen verweise ich Sie auf einen Link zu einem Tutorial, das hier verlinkt ist. Und ja. Jetzt wechsle ich zu JMP, damit wir uns dieses Dashboard genauer ansehen können. Während ich wechsle, möchte ich nur kurz erwähnen, dass alle hier verwendeten Daten simuliert sind. Alle chemischen Namen und Abkürzungen sind fiktiv und dienen lediglich der Veranschaulichung dieser Präsentation.
Das Wichtigste bei der Arbeit mit Plattendaten ist, das Plattendesign zu verstehen. Denn bei solchen Experimenten treten häufig Rand- oder Positionseffekte auf. Zu wissen, wo welche Chemikalie an welcher Wand platziert wurde, liefert wertvolle Einblicke in die Daten. Deshalb habe ich einen Diagrammgenerator hinzugefügt.
Hier ist das Design des Bedienfelds bzw. die Bedienfeldübersicht versteckt. Ich vergrößere es, um es genauer zu sehen. So, hier ist ein Beispiel für ein Bedienfelddesign. Wichtig ist, auf die Art und Anzahl der Bedienelemente zu achten. In diesem Beispiel habe ich Fahrzeugbedienelemente, hier als „Medien“ bezeichnet. Sie befinden sich in den ersten und letzten beiden Spalten des Bedienfelds. Außerdem gibt es in der ersten Zeile ein negatives Bedienelement und in den Zeilen L und M zwei verschiedene Arten von positiven Bedienelementen.
Die Farben entsprechen den unterschiedlichen Konzentrationen. Wir gehen von dunklerem zu hellerem Grün über, was bedeutet, dass wir von den höchsten zu den niedrigsten Konzentrationen gehen. Jedes dieser Kürzel kann man sich als eine bestimmte Chemikalie oder einen Testgegenstand vorstellen. Jede Zeile scheint einen bestimmten Testgegenstand zu enthalten. In diesem Beispiel fällt außerdem auf, dass es anscheinend doppelte Wände gibt, sodass man eine Art Paarung erkennen kann. Für je zwei Wände wurde dieselbe Konzentration und derselbe Testgegenstand verwendet.
Wenn Sie zum Dashboard zurückkehren möchten, klicken Sie einfach auf diese Wiederherstellungsschaltfläche. Wenn Sie gerade einen Datensatz erhalten haben und noch nicht viel darüber wissen, wechsle ich gerne zwischen verschiedenen Ansichten hin und her. Dabei gehe ich davon aus, dass die Daten aus demselben Assay stammen und von zwei verschiedenen Platten stammen. Ich wechsle einfach hin und her, um zu sehen, ob tatsächlich dasselbe Plattendesign verwendet wurde. Das wäre naheliegend, aber man weiß es nie genau. Das zeigt mir, dass das Plattendesign zwar identisch ist, die Daten sich aber natürlich ändern, da die Analysen zu unterschiedlichen Zeiten durchgeführt wurden.
Außerdem können Sie zwischen Ihren verschiedenen Assays hin- und herschalten. Hier sehe ich, K, das Layout. Es gibt einige Ähnlichkeiten hinsichtlich der Position der Fahrzeugkontrollen, zum Beispiel dieser gelben Spalten. Aber in diesem anderen Assay gibt es eine Negativkontrolle. Diese befindet sich in Zeile b. Es gibt keine Positivkontrollen, und es wird auch ein völlig anderes Set an Chemikalien verwendet.
Ich wechsle nun zu diesem anderen Tab, wo ich eine weitere Heatmap habe. Diesmal entsprechen die Farben den Werten meiner Messwerte. Die Anordnung ist im Prinzip ähnlich wie bei einem Assay, wenn man sich die Platte ansieht. Das ist besonders hilfreich, da bei solchen Experimenten häufig Randeffekte auftreten. Was die Nutzer am Dashboard besonders schätzen, ist die einfache Identifizierung problematischer Beobachtungen durch die verschiedenen Ansichten.
Wenn man sich beispielsweise diese Heatmap ansieht, fällt als Erstes der Streifeneffekt in den Spalten auf. Man kann diese Bereiche auswählen. Ich halte dazu einfach die Umschalttaste gedrückt. Man sieht dann, dass sie in den anderen Bereichen ebenfalls hervorgehoben werden, da die verschiedenen Diagramme miteinander verknüpft sind.
Tatsächlich ist Folgendes passiert: Diese dunkleren Vertiefungen, die oben angezeigten Punkte, deuten darauf hin, dass hier etwas schiefgelaufen ist. Ich würde mich wahrscheinlich an den Wissenschaftler oder die Person wenden, die das Experiment durchgeführt hat, und fragen: Was ist hier passiert? Was können wir tun? Müssen wir diese Ergebnisse ausschließen? Müssen wir nun den Mittelwert dieser beiden Duplikate berechnen, um unsere Daten weiter zu analysieren?
Das Streudiagramm rechts zeigt die Verteilung Ihrer Datenpunkte. Dies ist hilfreich, wenn Ihre Proben natürliche chemische Gruppierungen aufweisen. In diesem Beispiel, da ich wusste, dass es drei verschiedene Kontrollgruppen gibt, ist es für mich einfach und nützlich, deren Verteilung zu betrachten, wenn ich sie nach chemischen Gruppen einteile. Bei den Fahrzeugkontrollen fällt mir auf, dass sich hier eine Gruppe von Messwerten befindet, die niedriger als die übrigen zu sein scheinen. Wenn ich diese markiere, sehe ich sofort, dass sie aus der letzten Spalte in dieser Ecke stammen. Auch dies wird ein weiteres Beispiel sein.
Wenn Sie mit den Wissenschaftlern sprechen, die dieses Experiment durchgeführt haben, können Sie sie fragen, ob hier etwas Ungewöhnliches passiert ist oder ob wir diese Beobachtungen ausschließen sollten, falls sie nur ein Artefakt anderer Faktoren sind. Neben der Darstellung der Daten für unsere Kunden dient dieses Dashboard auch dazu, ihnen die Möglichkeit zu geben, Beobachtungen zu kennzeichnen, die wir in unserer Analyse ausschließen sollen.
Ein Beispiel wäre folgendes: Angenommen, sie betrachten die Dosis-Wirkungs-Kurven unten. Dabei fällt ein bestimmter Datenpunkt auf, der verdächtig wirkt, da er höher ist als die übrigen. Vielleicht haben sie ihn sich angesehen und dann entschieden, diesen Wert auszuschließen, da hier etwas Ungewöhnliches oder Auffälliges vorliegt, das nicht ihren Erwartungen entspricht.
Wir bitten sie, diese Beobachtung zu markieren. Anschließend können sie mit der rechten Maustaste auf den entsprechenden Punkt klicken, unter „Zeilen“ die Option „Zeilenbeschriftung“ auswählen. Auf den ersten Blick scheint sich nicht viel geändert zu haben. Es wurde lediglich der Name hinzugefügt, da ich in meiner Datentabelle eine solche Beschriftung verwende. Wenn Sie nun Ihre Datentabelle aufrufen – und das ist die Zeile, der wir gerade eine Beschriftung hinzugefügt haben –, ist diese Zeile mit einem gelben Etikett versehen.
Stellen Sie sich vor, Sie haben viele Beobachtungen, die Sie taggen, und möchten am Ende eine Liste der Beobachtungen haben, die Sie später genauer betrachten möchten. Oder vielleicht möchten Sie auch die Beobachtungen auswählen, die Sie später in der Analyse ausschließen müssen. Sie könnten eine Spalte mithilfe einer Formel für den Status „real“ erstellen. Diese Formel ist hier versteckt. Ich habe gerade die Funktion „Zeilenstatus mit Label“ verwendet. Diese Formel wandelt die Labels in einen Null-Eins-Wert um. Jede Zeile mit einem Label erhält den Wert 1, alle anderen den Wert 0.
Ich möchte noch eine weitere praktische Funktion erwähnen, die man leicht übersieht, aber seit ich sie entdeckt habe, nutze ich sie ständig. Sie befindet sich im Legendenbereich; ein Beispiel dafür ist diese Heatmap. Wenn Sie mit der rechten Maustaste auf die Legende klicken, dann auf „Farblegende“ und anschließend auf „Verlauf“. Dadurch öffnen sich viele weitere Anpassungsmöglichkeiten. Besonders dankbar bin ich JMP für die Optionen „Skalierungstyp“ und „Bereichstyp“.
Der Skalentyp ist standardmäßig linear. Sie sehen, dass die Werte meiner Farbskala gleichmäßig ansteigen. Sie können dies auf Quantil- oder Grenzwertskalierung ändern. Wenn Sie das einstellen, erhalten Sie eine völlig andere Perspektive auf Ihre Daten. Überlegen Sie sich gut, was Sie darstellen möchten, aber diese Option steht Ihnen zur Verfügung. In dieser Ansicht sehen Sie vielleicht, dass die letzte Zeile etwas ungewöhnlich aussieht, da sie nur Gelbtöne enthält. Alles, was sich am Rand einer Platte befindet, bereitet mir immer Sorgen. Das ist eine weitere Frage, die Sie den Wissenschaftlern stellen können. Lassen Sie mich darauf zurückkommen.
Ich stelle alles wieder auf linear um, aber es gibt hier tatsächlich noch viel mehr Optionen, mit denen man experimentieren kann. Ich verwende gerne den Bereichstyp. Die Standardeinstellung und JMP... Ich glaube, JMP rundet die Minimal- und Maximalwerte auf oder ab, sodass die Zahlen am Ende schön aussehen. Wenn es Ihnen aber wichtig ist, den genauen Bereich Ihrer Daten zu sehen, können Sie das hier ganz einfach ändern. Jetzt wissen Sie, dass Ihr Maximalwert 115 und Ihr Minimalwert -84 ist. Ich stelle es einfach wieder auf Standard um.
Und schließlich gibt es hier noch einige ästhetische Optionen. Die sind alle recht einfach. Ich mag es, einzelne Farben zu verwenden, besonders bei einem kontinuierlichen Farbverlauf. So sieht es aus, wenn der Farbverlauf kontinuierlich ist, und ich wechsle jetzt wieder zu einzelnen Farben. Aus irgendeinem Grund kann mein Gehirn das viel leichter verarbeiten als einen kontinuierlichen Farbverlauf. Das verwende ich auch sehr gerne.
Abschließend möchte ich noch erwähnen, dass die Idee zwar zunächst simpel erscheinen mag, wir aber im Grunde nur Diagramm-Editor-Panels erstellt haben. Es hat sich als äußerst effektives und nützliches Werkzeug erwiesen, um Erkenntnisse über die Daten zu gewinnen, die uns sonst entgangen wären. Probieren Sie die Dashboards ruhig einmal selbst aus. Ich hoffe, Sie konnten etwas Nützliches aus meiner Präsentation mitnehmen, und vielen Dank für Ihre Aufmerksamkeit.
