JMP是一款功能强大的工具，可用于评估大型数据集。在本案例研究中，我们启动了一项调查，以确定一系列仪器故障的根本原因。借助JMP，团队能够排除或确定故障项，进行趋势分析，并将数据可视化。最终，调查得以解决，根本原因也得以确定。
大家好，我是Holly Oxley，Exact Sciences公司的一名应用科学家兼经理。今天我将和大家分享一个我们使用JMP来确定根本原因的调查案例。
在我们的很多工作中，调查是团队工作的重要组成部分。我们意识到，调查有点像未完成的拼图。我的意思是，它们是由许多组成部分构成的。
它们的复杂程度各不相同。它们需要同时关注细微的元素和宏观的元素。通常可以将各个部分分组并关联起来，从而提取更多信息。它们通常都包含一些可发现的模式。它们几乎总是需要一定程度的实验。最终，作品将成为一件数据艺术作品。
针对这个具体情况，我将详细介绍这些拼图碎片是如何拼合在一起的，以及 JMP 如何帮助我们理解正在发生的事情，从而找到问题的真正根本原因。
首先，我们有各种组成部分，复杂程度也各不相同，我将其比作拼图碎片的数量。调查数据来自我们实验室的大量来源，包括试剂数据、仪器数据、环境数据、操作人员观察结果和趋势数据等。
这些数据集和调查本身的复杂程度也各不相同。我的团队使用 JMP 处理各种规模的数据输出，从单次运行的结果到包含超过 200 列、超过 500 万行的数据，不一而足。JMP 的导入范围也很广，从单个文件的导入到直接连接到数据库的完整 SQL 查询文件，都包含在内。
本案例研究的案例规模较小，但同样涉及无效采样率升高的问题。通过分析这些大小不一的因素，我们发现它们由不同形状的片段组成。
这些小细节包括具体的日期范围、运行数据和试剂信息；而一些大细节则包括站点对比（如果我在多个实验室运行）、对组织内部或当前调查中其他问题的了解、历史趋势分析（这对我们来说非常重要，因为我们有很多数据，所以历史趋势分析至关重要）。此外，还有仪器设备和样本的整体影响。
我们使用 JMP 进行数据分析，包括但不限于：导入多个文件、分布分析、表格制表、拟合 Y 轴与 X 轴的表格、变异性图表、图形生成器、数据重编码、日期和时间修改以及公式创建。此外，我们还在适用的情况下使用脚本，以尽可能提高工作效率和数据分析效率。
在这种情况下，实验室上报了一个问题：我们注意到，由于在运行的前几个步骤中检测到样本质量不足，导致无效结果的样本数量增加。我们将这一问题的各个要素进行归类或关联，以了解并确定我们可能从中获取哪些有助于调查的额外信息。
在进行这项调查时，我们将不同的数据片段，比如控制数据、校准数据、仪器数据等归类在一起，最终得出结论：这些具体因素都不是当前问题的原因。
一旦排除了这些因素，我们就可以评估其他潜在的联系，例如我们在其他调查中注意到的消耗品问题的涌入，因此，这使我们能够开始进行批次追溯等工作，以了解在哪里使用了这些消耗品。
仪器维护事件并不能阻止同一仪器在原始维护事件完成后不久再次出现问题，因此，我们能够确定仪器可能是造成问题的一个因素，但不太可能是根本原因。
当我们评估校准和控制、故障数据或试剂故障信息等较小要素时，我们注意到，我们所掌握的数据趋势并未显示单次运行中无效率有任何增加。这种情况更多地体现在单个样本层面。
试剂信息显示，单个站点使用的特定试剂没有变化，而我们在两个使用不同试剂组合的站点上发现了这个问题。
一旦我们确定了这一点，排除仪器故障的方法就呈现出明显的规律。我们发现，尽管大量仪器由于这个问题被暂时停用，但他们虽然进行了修复，然而这些仪器恢复运行后的性能并没有比修复前更好。
这促使我们进一步研究这些模式。我们使用 JMP Graph Builder 和 Map Shape 功能，将无效样本的位置可视化。在这张小图中，您可以看到 96 孔板的每个孔内都有红色和蓝色的点。
你可以看到其中存在一些规律。红点代表有效样本，蓝点代表无效样本。你可以看到，在培养皿的右侧，蓝点的数量明显多于红点。而且，它们的分布似乎也与某些列有关。不仅是行，还有列。我的团队随后要求立即上报下一次出现大量无效样本的情况。
结合仪器设备和数据模式，我们对耗材批次进行了趋势分析，此前我们已根据另一项调查启动了批次追溯工作。当然，实验总是必不可少的。
在这种情况下，我们选择了一台仪器在实验室中尝试重现该问题，因为我们无法使用调查团队提供的材料重现该问题。我们前往实验室使用了他们的材料。
我们使用大约 20 个疑似存在问题的耗材部件重现了该问题的间歇性。实验表明，在仪器安装相关耗材时，存在一个清晰可见的故障原因。随后，我们在故障排除过程中对这些耗材进行的数据分析也证实了这一点。
完成所有步骤后，我们最终确定深孔板是导致无效率上升的真正原因。制造商随后证实，我们此次调查中收集并保存的深孔板实际上超出了供应商规定的规格容差范围。由于实验室合作伙伴操作不当，导致仪器上样品接种不充分，从而造成样品聚集，产生无效结果。
当然，总体而言，简约的艺术本身就是一个复杂的谜题，而这正是我们在这个特定案例中所看到的。由于我们使用了 JMP 来进行这项调查，我想分享一些关于我们所观察到的情况以及我们如何确定可以使用这个工具的技巧。JMP 社区中提供了多种地图类型。您甚至可以创建自己的地图类型。我在这里附上了一篇关于如何创建自定义布局的文章。
第二篇帖子实际上是我们进行这项调查时使用的井格式文件。它是 Plate96Welsl-Name.jmp 文件，可以在下面的相关链接中找到。
我的幻灯片演示到此结束。让我快速准备一下实际演示所需的材料。这是我在实际进行这项分析时如何使用的。这是我用来通过地图进行这项判断的一个示例数据集。
您可以看到这里有板号、孔号，以及名为“孔”的特定列，然后是样品状态和设置序列号。设置序列号与仪器本身相关联。样品状态非常明确，表示结果有效或无效。
然后，由于软件的设置方式，我需要为井号和井位编号创建一个新列，才能使用我想要的地图功能。为此，我在该列中标注了我们在96孔板上的井位顺序，并将其编号为A1到H12，这是地图实际使用所必需的。
然后，一旦你……哎呀，抱歉。一旦你进入到这个特定的列，并且创建了相关信息，你就可以查看列信息了。我的建模方式是字符型，在这个例子中是名义型，然后你转到“列属性”下拉菜单，找到“映射角色”。选择“映射角色”。
这里可以选择“形状、名称、用途”或“形状、名称、定义”。我将选择“形状、名称、用途”，然后找到我想从中提取数据的特定文件，也就是……等等，是96孔板文件。接下来，我将命名为“Well”的列定义为要应用此映射形状的特定列。然后点击“确定”。
然后，我将进入图表构建器，并将刚刚为形状添加特征的新列拖到地图形状中。现在您可以看到我有一个 96 孔布局。接下来，对于此特定分析，我将样本状态拖到颜色中，并将序列号或设置的序列号拖到页面中。现在，我可以看到从该特定序列号开始的运行次数，其中显示了不同的有效或无效结果群体。
然后，我只想按运行情况查看。我应用了一个本地数据筛选器，其中包含了样本设置（或者更确切地说是状态），然后我选择了我真正想查看的两项。
然后，在地图本身中，我转到地图形状并将其更改为点，这样，当我在仪器上进行多次运行时，我就可以看到该特定表格中表示的所有代表性数据。
您可以看到，顶部的图表显示的是单次运行的结果，并且可以看到无效值的分布模式。第二个示例中，无效值的分布模式有所不同，并且进行了多次运行。这是一个维护前和维护后测试的示例，我们已知存在问题。我们在维护前进行了测试，然后在维护后进行了复测。
你可以看到，样本数量并没有发生太大变化。虽然有一些轻微的移动，但这两种情况都向我们展示了培养皿放置方式的两个问题。在这种情况下，培养皿很可能是放置在仪器上的，导致培养皿耗材的右侧倾斜，从而造成了这种特定的误差。
然后是第二个例子，维护前后的对比，并没有显示任何变化，但继续表明板的放置非常重要，即使在维护事件之后，你也能看到这些井在相同类型的区域内繁殖。
当我们真正看到问题所在并确定是该耗材导致的之后，我们就有理由联系供应商并与他们讨论。他们随后回复了我上一张幻灯片中展示的信息，即他们的产品尺寸不符合规格。以上就是全部内容。感谢大家耐心使用图表生成器，希望这对大家有所帮助。
