Los mapas de placas de microtitulación son una herramienta estándar en experimentos de laboratorio, que permite a los científicos investigar las reacciones físicas, químicas y/o biológicas de los artículos de prueba en diversos ensayos. Los métodos tradicionales de visualización de datos de placas de microtitulación suelen ser ineficientes al transmitir relaciones exclusivas de los datos de la placa, incluyendo la captura de las fuentes de variabilidad tanto espaciales como temporales.
Para abordar este problema, creamos un panel JMP para visualizar mapas de placas, lo que proporciona a los usuarios información única sobre la distribución espacial y los elementos de sus datos. El panel facilita la visualización y el análisis exploratorio de datos mediante múltiples vistas interactivas de mapas de calor, diagramas de dispersión y curvas de dosis-respuesta sobre datos simulados para destacar problemas típicos en experimentos con placas. Los usuarios pueden cambiar dinámicamente entre vistas, personalizar las visualizaciones e interactuar con puntos de datos individuales o grupos de datos que requieran investigación.
Además, el panel permite el filtrado y la anotación de datos mediante el etiquetado de filas, lo que mejora la interpretabilidad y la utilidad de las visualizaciones de mapas de placas. El panel también sirve como una herramienta eficaz para comunicar la calidad de los datos y las posibles áreas de preocupación, como la variabilidad de las placas o del laboratorio, u otros errores de proceso que puedan existir en los datos. Al facilitar la exploración y el análisis flexibles de conjuntos de datos complejos, el panel permite a los usuarios obtener información más detallada de sus experimentos con placas, acelerando el descubrimiento y el conocimiento científico.
Hola a todos. Me llamo Carol Coe. Soy estadística en DLH. En DLH, realizamos análisis estadísticos de estudios toxicológicos realizados por nuestros clientes. Hoy quería mostrarles un panel que creamos para analizar datos de placas de microtitulación. Este trabajo se realizó en colaboración con mis estadísticos de DLH, Catherine Allen Moyer, Sean Harris y Juan Hwasier, y también con nuestros colaboradores del NHS, Helen Coney y Keith Shockley.
Antes de pasar al panel de control, quería explicar brevemente qué es una placa de microtitulación. Las placas de microtitulación son una herramienta estándar en los experimentos de laboratorio. Consisten en placas con paredes dispuestas en una cuadrícula, cada una con capacidad para pequeños volúmenes de líquido. A los científicos les gusta usarlas con frecuencia porque permiten realizar varios experimentos simultáneamente.
La idea es que cada una de estas paredes se considere una unidad experimental. Se pueden colocar diferentes artículos de prueba y concentraciones en estos pocillos. Estas placas vienen en diferentes tamaños. Esta es una imagen de una más pequeña. En mi ejemplo, usaré una placa de pared de 384. Tiene 16 filas y 24 columnas. Una vez llenas todas estas paredes, las placas se introducen en un lector de placas donde un dispositivo puede medir las respuestas de cada una de estas paredes.
En mi experiencia trabajando con científicos, suelen procesar estas placas o realizar estos experimentos utilizando varias placas para tener en cuenta los diferentes factores que les interesan. Algunos ejemplos de estos factores pueden ser el tipo de ensayo, el cultivo celular o la cantidad de artículos de prueba con los que desean experimentar. Normalmente, cuando obtengo los datos de estos experimentos, los obtengo todos a la vez. Normalmente, trabajo con miles de filas de docenas de placas. Idealmente, me gusta poder visualizar cada placa y comprobar si hay posibles problemas con los datos antes de realizar cualquier modelado estadístico.
Puede ser muy difícil ver y comprender qué sucede cuando se tienen demasiados datos. Mi equipo y yo hemos pensado en cómo simplificar el proceso de visualización, y se nos ocurrió una solución que, afortunadamente, también fue fácil de implementar en JMP. Se trata de un panel compuesto por una carpeta de datos local y tres paneles de creación de gráficos que permiten visualizar diferentes vistas del mismo conjunto de datos desde diferentes perspectivas. En esta presentación, no les mostraré cómo crear un panel.
En su lugar, les voy a remitir a un enlace, un tutorial aquí. Y sí. Ahora, voy a pasar a JMP. Así podremos ver este panel con más detalle. Mientras lo hago, quería aclarar que todos los datos que estoy usando aquí han sido simulados. Todos los nombres químicos o iniciales que ven son ficticios, solo para fines de esta presentación.
Lo más importante al trabajar con datos de placas es comprender su diseño. Este tipo de experimentos son propensos a presentar efectos de borde o, por ejemplo, efectos de ubicación. Comprender dónde se colocó cada sustancia química en cada pared puede brindar una visión mucho más clara de los datos. Por eso, añadí una pestaña para crear gráficos.
Está oculto aquí y muestra el diseño o el mapa de la placa. Voy a maximizarlo para que podamos verlo con más detalle. Listo. Este es un ejemplo de diseño de placa. Algunos aspectos clave a tener en cuenta son el tipo de controles y la cantidad. En este ejemplo, tengo controles de vehículo, etiquetados como multimedia. Se encuentran en las dos primeras y las dos últimas columnas de la placa. También tengo un control negativo en la primera fila y dos tipos diferentes de controles positivos en las filas L y M.
Los colores corresponden a las diferentes concentraciones. Vamos del verde más oscuro al más claro, lo que significa que vamos de las concentraciones más altas a las más bajas. Cada una de estas iniciales puede considerarse una sustancia química específica o un artículo de prueba. Parece que cada fila tiene un artículo de prueba específico. Otro aspecto a destacar en este ejemplo es que parece que tenemos paredes duplicadas, por lo que se puede observar un emparejamiento. Para cada dos paredes, se utilizó la misma concentración y el mismo artículo de prueba.
Si quieres volver al panel de control, haz clic en el botón "Restaurar" y volverás al panel. Cuando te entregan un lote de datos y aún no sabes mucho sobre él, me gusta alternar entre... Esto suponiendo que sean del mismo ensayo y de dos placas distintas. Simplemente voy alternando para ver si usaron el mismo diseño de placa. Sería lógico, pero a veces nunca se sabe. Esto me indica que, sí, el diseño de la placa es el mismo, pero los datos, por supuesto, cambian porque se procesan en momentos diferentes.
También puedes alternar entre los diferentes ensayos. Aquí, K, veo que el diseño es similar en cuanto a la ubicación de los controles del vehículo, como estas columnas amarillas. Pero parece que en este otro ensayo hay un control negativo. Ahora está en la fila b, y no hay controles positivos, y además utilizan un conjunto de sustancias químicas completamente diferente.
Cambiaré a esta otra pestaña donde tengo otro mapa de calor, pero esta vez, al trazar los colores, los colores corresponden a los valores de mis respuestas. Así es como los he dispuesto; es básicamente similar al ensayo si se observa la placa. Esto puede ser muy útil debido a los efectos de borde que suelen ocurrir en este tipo de experimentos. Lo que realmente les gusta del panel es que es muy fácil aislar las observaciones problemáticas al observarlas en estas diferentes vistas.
Por ejemplo, al observar este mapa de calor, lo primero que veo es el efecto de franjas en las columnas. Podrías seleccionar estos pocillos. Mantengo presionada la tecla Mayús mientras los selecciono. Verás que los demás paneles también se resaltan debido a la interconexión entre los diferentes gráficos.
Lo que realmente ocurre es que estos pozos más oscuros, estos son los puntos de arriba. Parece que algo salió mal. Lo que haría sería probablemente volver a hablar con el científico o la persona que realizó el experimento y preguntarle: "¿Qué pasó aquí?". "¿Qué podemos hacer al respecto?". ¿Necesitamos excluirlos? ¿Necesitamos ahora promediar estos dos pozos duplicados para analizar nuestros datos con más detalle?
El diagrama de dispersión a la derecha muestra la distribución de los puntos de datos. Esto puede ser útil si la placa contiene agrupaciones químicas naturales. En este ejemplo, como sabía que tenía tres tipos diferentes de controles, me resulta fácil observar su distribución al agruparlos según sus agrupaciones químicas. Lo que me llama la atención al observar los controles de mi vehículo es que aquí hay un grupo de observaciones que parecen ser más bajas que las demás. Al seleccionarlas, veo inmediatamente que estas son las observaciones de la última columna de esta esquina. Esta será otra de ellas.
Al hablar con los científicos que realizaron este experimento, pueden preguntarles si ocurrió algo aquí o si deberíamos excluir estas observaciones si son solo un artefacto de otra cosa. Otra forma en que hemos usado este panel, además de mostrarles a nuestros clientes "así es como se ven sus datos", es también una forma de que puedan etiquetar o marcar las observaciones que desean que excluyamos del análisis.
Un ejemplo podría ser, por ejemplo, que revisen las curvas de dosis-respuesta aquí abajo. Hay un dato en particular que parece muy sospechoso porque es más alto que el resto. Quizás lo analizaron y decidieron que tal vez deberíamos descartar esta observación porque hay algo extraño o inusual que no refleja lo que esperaban.
Lo que les pediríamos es que resaltaran esta observación. Luego, si hacen clic derecho en ese punto, van a la sección "Filas" y simplemente etiquetan la fila. No parece que haya hecho mucho aquí. Simplemente agregó el nombre porque tengo el nombre como etiqueta en mi tabla de datos. Pero lo que hace es que si regresan a la tabla de datos y ven esta fila a la que acabamos de agregar una etiqueta, ahora tiene una etiqueta amarilla.
Imagina que tienes muchas observaciones que estás etiquetando y, al final, quieres tener una lista de las observaciones que quieres revisar con más detalle. O quizás sean las observaciones que necesitamos excluir del análisis posterior. Podrías crear una columna usando una fórmula de estado real. Están ocultas aquí. Acabo de etiquetar el estado de la fila y esta fórmula convierte estas etiquetas en un indicador de cero a uno. Cualquier fila etiquetada tendrá un valor de uno y, en caso contrario, cero.
Creo que hay otra cosa interesante que quiero mencionar, ya que es difícil de encontrar, pero desde que la encontré, la sigo usando. Estaba en el panel de leyenda, así que un ejemplo es este mapa de calor. Si haces clic derecho en la leyenda, en la clave de color y debajo del degradado, se abren muchas más opciones de personalización. Las dos que agradezco que JMP tenga son el tipo de escala y el tipo de rango.
Tipo de escala: el valor predeterminado es lineal. Pueden ver que los valores de mi clave de color aumentan con el mismo espaciado. Podrían cambiar esto a un punto de corte cuantil. De hecho, si lo configuran, les ofrece una perspectiva muy diferente de sus datos. Necesito que tengan cuidado o que reflexionen más sobre lo que quieren mostrar, pero esa es una opción que pueden usar. En esta vista, pueden ver que la última fila también se ve un poco extraña, ya que está toda en amarillo. Siempre me preocupa cualquier cosa que esté en el borde de una placa. Esa es otra pregunta que pueden hacerles a los científicos. Permítanme volver a ello.
Todo se reduce a volver a lineal, pero en realidad hay muchas más opciones aquí con las que puedes experimentar. El tipo de rango es el que prefiero usar. La opción predeterminada y JMP... Creo que lo que hace JMP es redondear hacia arriba o hacia abajo el mínimo y el máximo, lo que nos da números con buena pinta. Pero si es importante para ti ver el rango exacto de tus datos, puedes cambiarlo fácilmente aquí. Ahora sabes que el valor máximo es 115 y el mínimo es -84. Simplemente lo cambiaré a la opción predeterminada.
Por último, hay algunas opciones estéticas. Todas son bastante sencillas. Me gusta usar colores discretos, sobre todo cuando se tiene un degradado continuo. Esto es lo que parece continuo, y volveré a lo discreto. Por alguna razón, mi cerebro lo interpreta mucho mejor que cuando es continuo. También me gusta mucho usarlo.
Finalmente, quería decir que, aunque parezca una idea muy simple, simplemente estamos creando paneles para crear gráficos. De hecho, resultó ser una herramienta muy eficaz y útil para obtener información sobre los datos que, de otro modo, habríamos pasado por alto. No olviden experimentar con los paneles. Espero que mi presentación les haya resultado útil y gracias por su tiempo.
