Le mappe delle piastre per microtitolazione sono uno strumento standard negli esperimenti di laboratorio, consentendo agli scienziati di studiare le reazioni fisiche, chimiche e/o biologiche dei campioni in vari saggi. I tradizionali metodi di visualizzazione dei dati delle piastre per microtitolazione sono spesso inefficienti quando si tratta di trasmettere relazioni specifiche dei dati delle piastre, inclusa la cattura delle fonti di variabilità sia spaziali che temporali.
Per risolvere questo problema, abbiamo creato una dashboard JMP per visualizzare le mappe delle piastre, fornendo agli utenti informazioni uniche sulla distribuzione spaziale e sugli elementi dei dati. La dashboard semplifica la visualizzazione e l'analisi esplorativa dei dati attraverso molteplici visualizzazioni interattive di mappe di calore, diagrammi di dispersione e curve dose-risposta sui dati simulati, per evidenziare i problemi tipici riscontrati negli esperimenti su piastra. Gli utenti possono passare dinamicamente da una visualizzazione all'altra, personalizzare le visualizzazioni e interagire con singoli o gruppi di punti dati che meritano di essere analizzati.
Inoltre, la dashboard supporta il filtraggio e l'annotazione dei dati tramite l'etichettatura delle righe, migliorando l'interpretabilità e l'utilità delle visualizzazioni delle mappe delle piastre. La dashboard funge anche da strumento efficace per comunicare la qualità dei dati e potenziali aree di interesse, come la variabilità delle piastre e/o del laboratorio, o altri errori di processo che potrebbero essere presenti nei dati. Facilitando l'esplorazione e l'analisi flessibili di set di dati complessi, la dashboard consente agli utenti di ottenere informazioni più approfondite dai loro esperimenti basati sulle piastre, accelerando la scoperta e la conoscenza scientifica.
Ciao a tutti. Mi chiamo Carol Coe. Sono una statistica presso DLH. In DLH, ci occupiamo di analisi statistiche degli studi tossicologici condotti dai nostri clienti. Oggi volevo mostrarvi una dashboard che abbiamo creato per analizzare i dati delle micropiastre. Questo lavoro è stato svolto in collaborazione con i miei statistici presso DLH, Catherine Allen Moyer, Sean Harris, Juan Hwasier, e anche con i nostri collaboratori del Servizio Sanitario Nazionale, Helen Coney e Keith Shockley.
Prima di passare alla dashboard, vorrei solo dare una rapida panoramica di cosa sia una piastra per microtitolazione. Le piastre per microtitolazione sono uno strumento standard negli esperimenti di laboratorio. Si tratta di piastre con pareti disposte su una griglia, ciascuna delle quali può contenere piccoli volumi di liquidi. Gli scienziati le usano molto perché possono condurre più esperimenti contemporaneamente.
L'idea è che ciascuna di queste pareti sia considerata un'unità sperimentale. È possibile disporre diversi articoli di prova e diverse concentrazioni in questi pozzetti. Queste piastre sono disponibili in diverse dimensioni. Questa è l'immagine di una piastra più piccola. Nel mio esempio, userò una piastra da 384 mm. Ha 16 righe e 24 colonne. Una volta riempite tutte queste pareti, le piastre vengono inserite in un lettore di piastre dove un dispositivo può misurare le risposte di ciascuna di queste pareti nella piastra.
Nella mia esperienza di lavoro con gli scienziati, di solito eseguono queste piastre o questi esperimenti utilizzando diverse piastre per tenere conto dei diversi fattori a cui sono interessati. Esempi di questi fattori potrebbero essere il tipo di test, la coltura cellulare o il numero di articoli di prova su cui vogliono sperimentare. Di solito, quando ottengo i dati da questi esperimenti, li ottengo tutti contemporaneamente. In genere, ho a che fare con diverse migliaia di righe provenienti da decine di piastre. Idealmente, di solito mi piace poter visualizzare ogni piastra e verificare eventuali problemi nei dati prima di eseguire qualsiasi modellazione statistica.
Può essere molto difficile vedere e capire cosa sta succedendo quando si hanno troppi dati. Il mio team e io abbiamo pensato a come semplificare il processo di visualizzazione e abbiamo trovato una soluzione che, per fortuna, è stata anche facile da implementare in JMP. Si trattava di una dashboard composta da una cartella dati locale e tre pannelli di creazione grafici, in modo da poter visualizzare diverse viste dello stesso set di dati, ma da prospettive diverse. In questa presentazione, non vi mostrerò come creare una dashboard.
Invece, vi rimando a un link, un tutorial qui. E sì. Ora, passerò a JMP. Così potremo esaminare questa dashboard più in dettaglio. Mentre passo da un'altra piattaforma, volevo solo dire che tutti i dati che sto utilizzando qui sono stati simulati. Tutti i nomi o le iniziali delle sostanze chimiche che vedete sono fittizi, solo per gli scopi di questa presentazione.
L'unica cosa fondamentale da fare quando si lavora con i dati delle piastre è assicurarsi di comprenderne il design. Perché con questo tipo di esperimenti si tendono a verificarsi effetti di bordo o, ad esempio, effetti di posizione. Capire dove è stata posizionata una determinata sostanza chimica in quale parete può effettivamente fornire molte più informazioni sui dati. Per questo motivo, ho aggiunto una scheda per la creazione di grafici.
È nascosto qui che mostra il design della piastra o la mappa della piastra. Ingrandirò questo in modo da poterlo vedere più in dettaglio. Ecco fatto. Questo è un esempio di design di una piastra. Alcuni aspetti chiave da considerare sono il tipo di controlli presenti e il loro numero. In questo particolare esempio, ho i controlli del veicolo, etichettati qui come media. Si trovano nelle prime due e nelle ultime due colonne della piastra. Ho anche un controllo negativo sulla prima riga e poi due diversi tipi di controlli positivi nelle righe L e M.
I colori corrispondono alle diverse concentrazioni. Stiamo passando dal verde più scuro al verde più chiaro, il che significa che stiamo passando dalle concentrazioni più elevate a quelle più basse. Ognuna di queste iniziali può essere considerata una sostanza chimica specifica o un prodotto di prova. Sembra che ogni riga abbia un prodotto di prova specifico. L'altra cosa da notare in questo particolare esempio è che sembra che abbiamo pareti duplicate, quindi è possibile notare un abbinamento. Per ogni due pareti, sono stati utilizzati la stessa concentrazione e lo stesso prodotto di prova.
Se vuoi tornare alla dashboard, clicca semplicemente su questo pulsante di ripristino, che ti riporterà alla dashboard. Quando ti viene appena consegnato un batch di dati e non ne sai ancora molto, una cosa che mi piace fare è alternare... Questo presuppone che provengano dallo stesso test e da due piastre separate. Alternare per vedere se hanno effettivamente utilizzato lo stesso design della piastra. Avrebbe senso, ma a volte non si sa mai. Questo mi dice che, sì, il design della piastra è lo stesso, ma i dati, ovviamente, cambiano perché vengono eseguiti in momenti diversi.
Quindi, puoi anche passare da un test all'altro. Qui, vedo, K, il layout, c'è una certa somiglianza in termini di posizione dei controlli del veicolo, come queste colonne gialle. Ma sembra che in quest'altro test ci sia un controllo negativo. Ora è nella riga b, e poi non ci sono controlli positivi, e usano anche un set di sostanze chimiche completamente diverso.
Passerò a quest'altra scheda, dove ho un'altra mappa termica, ma questa volta quando grafico i colori corrispondono ai valori delle mie risposte. Ecco come li ho disposti: è fondamentalmente simile a un test se si guarda la piastra. Questo può essere molto utile, di nuovo, a causa degli effetti di bordo che tendono a verificarsi in questo tipo di esperimenti. Ciò che piace davvero della dashboard è che è molto facile isolare le osservazioni problematiche osservandole da queste diverse viste.
Ad esempio, quando guardi questa mappa termica, la prima cosa che vedo è questo effetto di "colonna a strisce" che si sta verificando. Quello che potresti fare è selezionare questi pozzetti. Quello che faccio è semplicemente tenere premuto il tasto Maiusc mentre li seleziono. Quello che vedrai è che anche in questi altri riquadri, iniziano a evidenziarsi a causa di tutta l'interconnessione tra questi diversi grafici.
Ciò che sta realmente accadendo è che questi pozzi più scuri, questi sono i punti che si trovano sopra. Sembra che qualcosa sia andato storto qui. Quello che farei probabilmente è tornare dallo scienziato o dalla persona che ha condotto l'esperimento e chiedere: cosa è successo qui? Cosa possiamo fare al riguardo... Dobbiamo escluderli? Dobbiamo ora calcolare la media di questi due pozzi duplicati, per analizzare ulteriormente i nostri dati?
Il diagramma di dispersione qui a destra mostra una distribuzione dei punti dati. Questo può essere utile se nella piastra sono presenti raggruppamenti chimici naturali. Per questo esempio specifico, poiché sapevo che aveva tre diversi tipi di controlli, è facile o utile per me osservarli, vedere come sono distribuiti, quando li raggruppo in base ai raggruppamenti chimici. Ciò che mi colpisce quando guardo i controlli del mio veicolo è che ho un gruppo di osservazioni proprio qui che sembrano essere inferiori alle altre. Di nuovo, quando le evidenzio, vedo immediatamente che queste sono le osservazioni che provengono dall'ultima colonna in questo angolo. Di nuovo, questa sarà un'altra di quelle.
Quando parli con gli scienziati che hanno condotto questo esperimento, puoi chiedere loro se è successo qualcosa qui o se dobbiamo escludere queste osservazioni se sono solo un artefatto di qualcos'altro. Un altro modo in cui abbiamo utilizzato questa dashboard, oltre a mostrare ai nostri clienti "Ok, ecco come appaiono i vostri dati", è anche quello di permettere loro di taggare o segnalare le osservazioni che vogliono che escludiamo dalla nostra analisi.
Un esempio potrebbe essere: esaminando le curve dose-risposta qui in basso, c'è un dato particolare che sembra davvero sospetto perché è più alto degli altri. Forse l'hanno esaminato e poi hanno deciso che forse dovremmo semplicemente escludere questa osservazione perché c'è qualcosa di strano o di strano che non riflette ciò che si aspettavano.
Quello che chiederemmo loro di fare è di evidenziare questa osservazione. Quindi, se si fa clic con il pulsante destro del mouse su quel punto specifico, si va sotto le righe e si crea un'etichetta di riga. Non sembra che abbia fatto molto qui. Ha solo aggiunto il nome perché ho un nome come etichetta nella mia tabella dati. Ma quello che fa è che se si torna indietro, se si guarda la tabella dati e questa è la riga a cui abbiamo appena aggiunto un'etichetta, ora ha questo tag giallo.
Immagina di avere molte di queste osservazioni che stai taggando e, magari alla fine, di voler avere un elenco di quelle che vuoi rivedere e analizzare più in dettaglio. Oppure, forse, di quelle che dobbiamo escludere dall'analisi successiva. Quello che potresti fare è creare una colonna usando una formula di stato reale. Sono nascoste proprio qui. Ho appena etichettato lo stato di riga e questa formula trasforma queste etichette in un indicatore zero-uno. Qualsiasi riga con un'etichetta avrà un valore uno e poi zero altrimenti.
Credo ci sia un'altra cosa interessante che mi piace sottolineare perché è difficile da trovare, ma da quando l'ho trovata continuo a usarla. In realtà era nel pannello della legenda, quindi un esempio è in questa mappa termica. Se fai clic con il pulsante destro del mouse sulla legenda, sulla legenda colore e sul gradiente inferiore, si aprono molte più opzioni di personalizzazione. Le due che sono grato che JMP abbia sono il tipo di scala e il tipo di intervallo.
Tipo di scala: l'impostazione predefinita è lineare. Puoi vedere che i valori della mia chiave colore aumentano con la stessa spaziatura. Potresti cambiarlo in un quantile, un cut-off. In realtà, se imposti questo, ottieni una prospettiva completamente diversa dei tuoi dati. Devi stare attento o essere più attento a ciò che vuoi mostrare, ma questa è un'opzione che puoi usare. In questa visualizzazione, puoi vedere che l'ultima riga, forse, sembra un po' strana, il fatto che sia tutta gialla. Tutto ciò che si trova sul bordo di un piatto mi preoccupa sempre. Questa è un'altra domanda che puoi porre agli scienziati. Lascia che ci torni sopra.
Si tratta semplicemente di tornare a lineare, ma in realtà ci sono molte più opzioni con cui puoi sperimentare. Il tipo di intervallo è quello che preferisco usare. L'opzione predefinita e JMP... Penso che JMP arrotonda per eccesso o per difetto il minimo e il massimo, in modo da ottenere numeri che hanno un bell'aspetto. Ma se per te è importante visualizzare l'intervallo esatto dei tuoi dati, puoi facilmente modificarlo qui. Ora sai che il valore massimo che hai è 115 e il valore minimo è meno 84. Lo ripristinerò semplicemente al valore predefinito.
Infine, ci sono alcune opzioni estetiche. Sono tutte piuttosto semplici. Mi piace usare colori discreti, soprattutto quando si ha una sfumatura continua. Questo è ciò che sembra continuo, e tornerò al discreto. Per qualche ragione, il mio cervello legge questo molto più facilmente rispetto a quando è continuo. Mi piace molto usare anche quello.
Infine, volevo solo dire che, anche se questa può sembrare un'idea molto semplice, stiamo semplicemente mettendo insieme dei pannelli simili a quelli di un generatore di grafici. In realtà si è rivelato uno strumento davvero efficace e utile per rivelare informazioni sui dati che altrimenti ci sarebbero sfuggite. Assicuratevi di sperimentare con le dashboard. Spero che abbiate imparato qualcosa di utile dalla mia presentazione e grazie per il tempo che mi avete dedicato.
