| Conférencier |
Transcription |
| Jason Wiggins, JMP |
Salut Madison. |
| Madisun Hembree |
Désolé, j'étais paniqué. |
| |
Je pensais que c'était de ma faute, je me suis dit oh non. |
| Jason Wiggins, JMP |
Non, c'est tellement drôle que pour faire tout ça, il y a une liste de je ne sais pas, peut-être 20 choses différentes qu'il faut réussir à faire correctement. |
| Madisun Hembree |
Pour que tout se passe bien, nous. |
| Jason Wiggins, JMP |
Et comme vous le savez, plus vous avez d'étapes avec un assistant, plus vous avez d'options, et plus vous risquez de tout gâcher. |
| Madisun Hembree |
Ouais. |
| Jason Wiggins, JMP |
Ouais, bref, je crois qu'on est bons, je te vois. |
| Madisun Hembree |
parfait. |
| Jason Wiggins, JMP |
Oui, il ne semble pas y avoir d'artefacts étranges de la caméra. |
| |
Je dirais que s'il y avait un moyen d'atténuer la lumière en arrière-plan, cela pourrait être utile, mais… |
| |
Exactement. |
| |
Ça a marché. Oh, je sais ce qui se passe. |
| Madisun Hembree |
C'est trop sombre, alors ? |
| Jason Wiggins, JMP |
Non, je trouve ça très bien. |
| Madisun Hembree |
D'accord. |
| Jason Wiggins, JMP |
C'est mieux, oui, c'est mieux. |
| Madisun Hembree |
Donc, j'ai la lumière du soleil et j'ai juste éteint la lumière du haut. |
| Jason Wiggins, JMP |
Vous vous connectez depuis votre bureau ? |
| Madisun Hembree |
Oui, je les ai signés depuis mon bureau, j'ai essayé, il y a trop de gens qui travaillent à domicile. |
| |
Je suis, et j'étais, comme si tout le monde avait une réunion en même temps, je me suis dit que j'allais réserver une salle de conférence où nous étions déjà. |
| Jason Wiggins, JMP |
Parfait, d'accord ? Avant de commencer, je dois vous rappeler que cet enregistrement sera publié en ligne sur la page de découverte de la communauté. Est-ce que cela vous convient ? |
| Madisun Hembree |
Oui, j'ai obtenu l'approbation de mon équipe juridique pour tous les documents, c'est parfait. |
| Jason Wiggins, JMP |
Super, je viens de remarquer que nous sommes bien enregistrés, mais notre conversation sera coupée au montage. |
| |
Très bien, et vous êtes prêt à partir quand vous le souhaitez. |
| Madisun Hembree |
D'accord, alors je vais juste l'afficher sur mon téléphone et on verra bien. |
| |
Cela ouvre. |
| Madisun Hembree |
mode. |
| |
Lee OK. |
| Jason Wiggins, JMP |
OK, je vois ton écran, tu es levé. |
| Madisun Hembree |
Pour en faire trop, voyez-vous cela, ou bien les visages sont-ils mon visage, brouillant ainsi toute zone grise dans la présentation ? |
| Jason Wiggins, JMP |
De mon côté, ça ne semble pas être le cas. |
| |
Et je suis presque sûr que c'est ce que les personnes qui visionnent la vidéo verront, donc si. |
| |
tu es enceinte et je vois le. |
| |
Votre affiche. |
| Madisun Hembree |
D'accord. |
| |
Permettez-moi de procéder étape par étape. |
| |
Alors je vais simplement. |
| |
Je l'ai. |
| |
Très bien, je vais donc me présenter brièvement et je commencerai par la présentation. |
| |
Je pense que ce sera bien. |
| |
D'accord. |
| |
D'accord. |
| Madisun Hembree |
Salut à tous, je m'appelle Madisun Hembree et je suis ingénieure en développement de produits chez Thermo Fisher Scientific, au sein de leur division des sciences génétiques. |
| |
Aujourd'hui, je vais vous expliquer comment j'utilise le profileur de prédiction JMP pour évaluer la discrimination allélique optimale des tests SNP dans des échantillons de maïs. Pour commencer, voici une brève introduction : |
| |
Lorsque je détermine les performances de mon analyse, ou plus généralement les performances de n'importe quel système, il y a deux types de variables à définir. |
| |
Il y a d'abord vos variables clés. Ce sont les variables que vous allez modifier, celles dont vous allez tester différentes conditions. |
| |
Et dans mon cas, je vais tester différents types de tests SNP qui recherchent différents gènes et les appliquer à plusieurs types de grains de maïs différents. |
| |
Le deuxième type de variables est constitué de vos variables de sortie. Ce sont les variables que vous utiliserez pour mesurer quelle combinaison de vos variables de facteurs clés… |
| |
sont optimales en fonction de vos besoins définis par l'utilisateur. Dans mon cas, je vais mesurer le taux d'appel, la dispersion des clusters et la distance entre les clusters et le NTC de mes données, ce qui |
| |
J'expliquerai plus en détail la signification de ces indicateurs dans la section suivante. Cette affiche se base sur mes expériences de référence que j'utilise pour établir une base de référence. |
| |
l'évaluation des performances de mes réactifs de départ. Et comme j'ai plusieurs types de variables de sortie qui seront pondérées différemment, il est difficile de le faire manuellement. L'outil de profilage de prédiction JMP permet de paramétrer |
| |
Une fonction de désirabilité, tenant compte des besoins définis par l'utilisateur, permettra de créer mathématiquement un classement de désirabilité basé sur vos matériaux. Le logiciel JMP nous sera d'une grande aide à cet égard. |
| |
Passons maintenant à ce qu'est un test SNP. |
| |
Nous possédons de l'ADN ; il contient toutes nos informations génétiques. |
| |
La forme la plus courante de variation génétique est un SNP. Un SNP est un polymorphisme nucléotidique simple, où un seul bloc d'ADN, c'est-à-dire un nucléotide, |
| |
est remplacé. Et lorsque nous effectuons des analyses SNP, nous cherchons à génotyper |
| |
nos échantillons. Et lorsque vous examinez ces données, vous observez un graphique similaire à celui de droite, qui est un graphique de discrimination allélique. Notre capacité à génotyper ces échantillons en différentes catégories |
| |
est pertinent pour que nous puissions obtenir les informations dont nous avons besoin à partir de cet échantillon. Ainsi, dans mon expérience, je souhaite pouvoir déterminer que les différentes combinaisons de mes variables clés me donnent les résultats suivants : |
| |
un graphique de discrimination optimale. Et pour ce faire, je vais utiliser trois indicateurs clés. Le premier est le taux d'appel. |
| |
Le taux d'appel correspond donc au pourcentage d'appels de génotype réussis par SNP validé. |
| |
Pour cela, je souhaite que ce pourcentage soit très élevé, je veux donc le maximiser, et je souhaite qu'il se situe entre 80 et 100 % d'entre nous ayant réussi à génotyper notre ensemble d'échantillons. |
| |
Deuxièmement, je vais aborder la propagation par grappes, que nous voyons ici dans la catégorie rouge. |
| |
Ici. Et ceci représente l'écart type de la distance entre chaque point de données et le centre de son cluster. C'est ce nombre que nous recherchons. |
| |
Il faut minimiser ce nombre. Nous voulons qu'il soit très petit afin de pouvoir distinguer les différents groupes que vous pouvez voir en rouge, vert et bleu. |
| |
Plus l'échantillon est petit, plus il nous est facile de faire la différence entre eux et de génotyper avec succès nos échantillons. |
| |
Enfin, la distance entre le cluster et le NTC correspond à la distance moyenne de tous les points de données du cluster par rapport au NTC, qui sert de contrôle sans modèle. |
| |
Nous voulons donc nous assurer que notre groupe de génotypes est éloigné du groupe témoin sans échantillon, mais jusqu'à un certain point, plus ce groupe est éloigné, plus il est éloigné. |
| |
n'apporte pas autant d'avantages, donc l'intérêt de cette distance n'est pas vraiment une relation linéaire. Et donc, une chose que JMP va pouvoir faire, c'est |
| |
Il convient d'évaluer l'importance de chacune de ces variables. Nous souhaitons accorder plus d'importance au taux d'appel et à la dispersion des clusters qu'à la distance entre le cluster et le NTC pour déterminer la pertinence de nos combinaisons. Cette dernière reste importante, mais moins que les deux autres variables. |
| |
Pour en revenir à mes expériences, j'ai utilisé mes tests SNP sur tous mes grains de maïs. Je les ai effectués. |
| |
sur une PCR. J'ai pu extraire ces données et, à partir de celles-ci, j'ai calculé manuellement le taux d'appel, la dispersion des clusters et la distance entre le cluster et le NTC. |
| |
Parmi toutes les combinaisons possibles de ma variable clé, je vais vous montrer... Je l'ai saisie dans un tableau JMP et je vais vous faire une petite démonstration de la façon dont j'utilise le profileur de prédiction pour générer une fonction de désirabilité. |
| |
Comme vous pouvez le constater, j'ai ici mes deux variables explicatives principales, ainsi que toutes mes variables de sortie. Je vais maintenant cliquer sur « Analyser » puis sur « Ajuster le modèle ». |
| |
À partir de là, je peux regrouper toutes mes variables de sortie dans la catégorie Y, puis ajouter toutes mes variables explicatives clés aux effets de mon modèle. Comme je m'intéresse uniquement au profil de prédiction, je vais opter pour un niveau de détail minimal afin de limiter le nombre de graphiques affichés. |
| |
Lorsque j'exécute ce programme, ouvrez le profileur de prédiction, allez sous l'ajustement par les moindres carrés et cliquez sur le profileur pour le remplir en bas. |
| |
Ce graphique représente l'ensemble de nos résultats. Vous verrez toutes nos variables de sortie sur l'axe des ordonnées et toutes nos variables explicatives en dessous. L'étape suivante consiste à définir notre fonction de désirabilité. |
| |
Pour ce faire, accédez à l'option d'optimisation et de désirabilité. Vous verrez que JMP remplit automatiquement les courbes de désirabilité à droite. JMP les paramétrera donc automatiquement pour maximiser toutes ces courbes, et vous constaterez que la désirabilité est bien celle affichée. |
| |
Voici un schéma simplifié. L'objectif est de pouvoir paramétrer ces paramètres en fonction de nos besoins définis. Nous avons d'abord abordé la question du taux d'appel. |
| |
Comme je l'ai dit précédemment, je souhaite maximiser ce résultat. Je souhaite vraiment qu'il affiche un taux de désirabilité plus élevé, entre 80 et 100 %. |
| |
Vous verrez que j'ai réglé le niveau de désirabilité sur « très désirable ». L'échelle de désirabilité se situe entre zéro et un, donc 100 % représente le niveau le plus désirable. |
| |
Je vais régler la valeur médiane à 80 % et je veux la laisser ainsi afin que, lorsqu'elle descend en dessous de 80 %, elle soit… |
| |
beaucoup plus indésirable. Cette courbe de désirabilité ne sera pas linéaire. Nous voulons qu'elle reste entre 80 et 100. |
| |
100 %. Je vais laisser cette importance à 1 et nous verrons plus tard comment faire. |
| |
Ensuite, il y a la propagation en grappes. Et comme nous l'avons évoqué, nous voulons vraiment la minimiser, et maintenant… |
| |
Ces nombres, à gauche, correspondent aux plages de valeurs de mes données expérimentales. Je vais donc simplement… |
| |
Il faut les normaliser un peu, les rendre un peu plus agréables entre zéro et deux. Et comme je souhaite simplement minimiser cela, je vais conserver une relation relativement linéaire sur cette courbe de désirabilité. |
| |
Je vais donc le paramétrer de manière à ce qu'il soit très proche de zéro, aussi petit que possible, et légèrement inférieur. Je vais lui attribuer la même importance qu'au taux d'appel. |
| |
Et enfin, la toute dernière, la distance entre le cluster et le NTC dont nous avons parlé. C'est celle-ci qui va… |
| |
Nous voulons maximiser. Notre plage de distance par rapport à nos données est de 0 à 12, et je vais ensuite définir certains paramètres. |
| |
les critères d'attractivité et le fait de dire « je veux que ce soit, vous savez, désirable d'être vers 12 ans ». Vers 6 ans, c'est un peu moins désirable, mais pas beaucoup. |
| |
Et à mesure que nous descendons, diminuez-le un peu, mais le plus important, c'est que je vais prendre cet élément important et le diminuer. |
| |
Je vais donc le modifier à 0,5, ce qui changera la façon dont le score de désirabilité est calculé, son poids. |
| |
Comme vous pouvez le voir ici, la courbe de désirabilité est représentée et vous pouvez constater que certaines relations sont linéaires, d'autres sont courbes. |
| |
Ce que nous voulons, c'est maximiser l'attractivité. En effet, lorsque nous y parviendrons, vous verrez apparaître ici, pour chacun de ces éléments, un chiffre d'attractivité. Actuellement, il indique que mon grain de maïs numéro trois… |
| |
Mon test SNP 11 maïs me donnera les paramètres les plus appropriés. Vous pouvez donc enregistrer cette formule afin que nous puissions l'examiner. |
| |
Cette formule permet de voir comment elle est calculée. Je pourrai ensuite l'utiliser et, une fois les données triées, un nouveau tableau s'affichera. Il vous suffit de cliquer sur « Continuer » pour que ce tableau s'affiche. |
| |
Et une fois que cela apparaît, vous verrez à nouveau une liste, et lorsque je la survolerai, vous verrez les chiffres de désirabilité. |
| |
et comment ils les classent du plus élevé au plus bas. Nous pourrons également voir comment ce nombre est calculé. Vous pourrez consulter la formule. |
| |
Et le plus important, c'est quand nous définissons nos priorités, |
| |
Vous pouvez constater ici, sous « taux d'appel », « écart entre les clusters » et « ratio cluster/NTC », que le chiffre qui ressort dans la section « désirabilité » correspond à la somme de tous ces facteurs. Et vous pouvez voir que chacun d'eux est multiplié par un coefficient multiplicateur. |
| |
Et le groupe NTC, vous le remarquerez, a été multiplié par 0,2, tandis que les deux autres sont multipliés par 0,4. |
| |
Cela signifie que lorsque j'obtiens ce score de désirabilité pour chacune de mes combinaisons de type de grain de maïs et de type d'analyse SNP, il tient compte du taux d'appel et de la dispersion des clusters. |
| |
plus élevé et montrant en quelque sorte une plus grande importance que la distance entre le cluster et le NTC. |
| |
Une fois ces données recueillies, on obtient un élément clé pour déterminer quelle variable privilégier dans le calcul de l'indice de désirabilité. J'ai donc cette liste classée et ces indices de désirabilité. |
| |
Mais, vous savez, à quoi servent ces expériences ? Il s'agissait d'une expérience de référence pour comprendre les performances de mon test. Lorsque je procéderai à une optimisation, par exemple pour mes mélanges réactionnels, si je souhaite modifier la séquence de mon test SNP, je voudrai essayer de… |
| |
Optimiser peut-être mon mix master multiplex. |
| |
Pour ce faire, je dois comprendre quels matériaux je veux utiliser, car je ne savais pas quels gènes allaient se trouver dans ces grains de maïs. |
| |
J'ai donc maintenant cette liste, et je peux faire défiler jusqu'en bas pour repérer les individus vraiment indésirables. Il se peut qu'un individu soit présent mais ne possède pas du tout le gène en question. Je peux ensuite les supprimer en fonction de ce classement d'attractivité. |
| |
Il peut y en avoir qui ont une moindre utilité, et dans ce cas, je me dis que je peux optimiser mon dosage. |
| |
pour améliorer cela. Je peux donc maintenant choisir dans cette liste les matériaux que je souhaite utiliser à l'avenir. Mais faire cela à la main aurait été… |
| |
Pour moi, c'est quasiment impossible. Je ne saurais pas vraiment comment faire ça mathématiquement, ni comment hiérarchiser les valeurs de ma variable de sortie. |
| |
JMP a donc pu me fournir très rapidement cette liste, ce qui m'a permis de démarrer mon processus d'optimisation dans la catégorie dont j'avais besoin. |
| |
Voilà pour ma présentation par affiche. Je tiens à remercier mes mentors, Joyce Wile et Ferrier Le, de m'avoir fourni le matériel et de m'avoir apporté un soutien constant. J'espère que vous avez apprécié la présentation. Merci. |
