| Lautsprecher |
Transkript |
| Jason Wiggins, JMP |
Hey Madison. |
| Madisun Hembree |
Entschuldigung, ich war in Panik. |
| |
Ich dachte, es sei meine Schuld, ich dachte nur: Oh nein. |
| Jason Wiggins, JMP |
Nein, es ist so lustig, dass man diese Dinge tun muss, um sie einzurichten. Es gibt eine Liste von, ich weiß nicht, vielleicht 20 verschiedenen Dingen, die man richtig machen muss. |
| Madisun Hembree |
Damit alles, was wir tun, möglich ist. |
| Jason Wiggins, JMP |
Und wie Sie wissen, je mehr Schritte Sie mit einem Assistenten durchführen, desto mehr Möglichkeiten gibt es, etwas durcheinanderzubringen. |
| Madisun Hembree |
Ja. |
| Jason Wiggins, JMP |
Ja, also, ich denke, wir sind wieder gut, ich sehe dich. |
| Madisun Hembree |
perfekt. |
| Jason Wiggins, JMP |
Ja, es sieht nicht so aus, als gäbe es irgendwelche seltsamen Kameraartefakte. |
| |
Ich würde sagen, wenn es eine Möglichkeit gäbe, das Hintergrundlicht zu dimmen, wäre das hilfreich, aber. |
| |
Genau. |
| |
Das hat mich stutzig gemacht. Oh, ich weiß, was los ist. |
| Madisun Hembree |
Ist das zu dunkel? |
| Jason Wiggins, JMP |
Nein, ich finde das völlig in Ordnung. |
| Madisun Hembree |
Okay. |
| Jason Wiggins, JMP |
Das ist besser, ja, das ist besser. |
| Madisun Hembree |
Also, ich habe jetzt Sonnenlicht und habe gerade das obere Licht ausgeschaltet. |
| Jason Wiggins, JMP |
Melden Sie sich von Ihrem Büro aus an. |
| Madisun Hembree |
Ja, ich habe sie von meinem Büro aus unterschrieben, ich habe es versucht, es gibt einfach zu viele Leute, die von zu Hause aus arbeiten. |
| |
Ich bin es, und ich war es auch schon, als alle gleichzeitig ein Meeting hatten, dachte ich mir: Ich schnappe mir einfach einen Konferenzraum, in dem wir gerade sind. |
| Jason Wiggins, JMP |
So, alles klar, bevor wir anfangen, möchte ich Sie daran erinnern, dass diese Aufnahme online auf der Community-Discovery-Seite veröffentlicht wird. Ist das für Sie in Ordnung? |
| Madisun Hembree |
Ja, ich habe alle Unterlagen von meinem Anwaltsteam genehmigen lassen, also perfekt. |
| Jason Wiggins, JMP |
Super, mir ist gerade aufgefallen, dass wir tatsächlich aufnehmen, unser Gespräch aber herausgeschnitten wird. |
| |
Okay, und Sie können jederzeit losfahren. |
| Madisun Hembree |
Okay, dann rufe ich es einfach mal auf und mal sehen. |
| |
Das öffnet sich. |
| Madisun Hembree |
Modus. |
| |
Lee OK. |
| Jason Wiggins, JMP |
Okay, ich sehe deinen Bildschirm, du bist wach. |
| Madisun Hembree |
Ist das zu viel des Guten? Sehen Sie das, oder verschwimmt mein Gesicht irgendwie in einem grauen Kasten aus der Präsentation? |
| Jason Wiggins, JMP |
Bei mir sieht es nicht so aus. |
| |
Und ich bin mir ziemlich sicher, dass die Leute, die sich das Video ansehen, genau das sehen werden. |
| |
Du bist schwanger und ich sehe die. |
| |
Dein Poster. |
| Madisun Hembree |
Okay. |
| |
Ich gehe es Schritt für Schritt durch. |
| |
Also werde ich einfach... |
| |
Ich habe es. |
| |
Okay, dann werde ich mich kurz vorstellen und anschließend mit der Präsentation beginnen. |
| |
Ich denke, das wird gut sein. |
| |
Okay. |
| |
Okay. |
| Madisun Hembree |
Hallo zusammen, mein Name ist Madisun Hembree und ich bin Produktentwicklungsingenieurin bei Thermo Fisher Scientific und arbeite in der Abteilung für Genetik. |
| |
Und heute werde ich darüber sprechen, wie ich den JMP Prediction Profiler verwende, um die optimale Alleldiskriminierung mittels SNP-Assay in Maisproben zu bewerten. Zunächst eine kurze Einführung: |
| |
Wenn ich die Leistungsfähigkeit meines Assays bestimme, oder, wenn man es genau betrachtet, die Leistungsfähigkeit eines jeden Systems, müssen zwei Arten von Variablen definiert werden. |
| |
Zunächst zu den Schlüsselfaktorvariablen. Das sind die Variablen, die Sie verändern werden, und Sie werden verschiedene Bedingungen testen. |
| |
In meinem Fall werde ich verschiedene SNP-Assay-Typen testen, die nach unterschiedlichen Genen suchen, und diese an mehreren verschiedenen Maiskorntypen anwenden. |
| |
Die zweite Art von Variablen sind Ihre Ausgabevariablen. Dies sind die Variablen, mit denen Sie messen, welche Kombination Ihrer Schlüsselfaktorvariablen … |
| |
sind optimal, basierend auf Ihren benutzerdefinierten Anforderungen. In meinem Fall werde ich also die Anrufrate, die Clusterstreuung und die Cluster-zu-NTC-Distanz meiner Daten messen, welche |
| |
Im nächsten Abschnitt werde ich genauer auf die Bedeutung dieser Kennzahlen eingehen. Dieses Poster befasst sich also mit meinen Benchmark-Experimenten, die ich zur Festlegung einer Basislinie verwende. |
| |
Die Leistung des Assays in Bezug auf meine Ausgangsmaterialien. Da ich verschiedene Ausgabevariablen habe, die unterschiedlich gewichtet werden, ist das manuell schwierig. Mit dem JMP Prediction Profiler kann man dies jedoch einstellen. |
| |
Eine Bewertungsfunktion, die benutzerdefinierte Anforderungen berücksichtigt, hilft Ihnen dabei, anhand Ihrer Materialien eine mathematische Rangfolge der Attraktivität zu erstellen. Die Software JMP kann uns dabei sehr unterstützen. |
| |
Als nächstes wollen wir ein wenig darüber sprechen, was ein SNP-Assay ist. |
| |
Wir besitzen DNA; sie enthält all unsere genetischen Informationen. |
| |
Die häufigste Form genetischer Variation ist ein SNP (Single Nucleotide Polymorphism). Ein SNP ist ein Einzelnukleotid-Polymorphismus, bei dem ein einzelner DNA-Abschnitt, also ein Nukleotid, |
| |
wird ausgetauscht. Und wenn wir SNP-Assays durchführen, wollen wir den Genotyp bestimmen. |
| |
Unsere Proben. Und wenn Sie sich diese Daten ansehen, sehen Sie ein Diagramm ähnlich dem rechts abgebildeten, das ein Alleldiskriminierungsdiagramm darstellt. Es zeigt also unsere Fähigkeit, diese Proben in verschiedene Kategorien zu genotypisieren. |
| |
ist entscheidend dafür, dass wir die benötigten Informationen aus dieser Stichprobe gewinnen können. Daher möchte ich in meinem Experiment feststellen, welche Ergebnisse die verschiedenen Kombinationen meiner Schlüsselfaktorvariablen liefern. |
| |
Ein optimales Diskriminierungsdiagramm. Dazu werde ich drei Schlüsselkennzahlen verwenden. Die erste ist die Anrufrate. |
| |
Die Aufrufrate ist also der Prozentsatz erfolgreicher Genotypbestimmungen pro durchlaufendem SNP. |
| |
Dafür möchte ich, dass dieser Prozentsatz wirklich hoch ist, also möchte ich ihn maximieren, und ich möchte, dass etwa 80 bis 100 % von uns unsere Proben erfolgreich genotypisiert haben. |
| |
Zweitens werde ich auf die Cluster-Ausbreitung eingehen, die wir hier in der roten Kategorie sehen. |
| |
Hier drüben. Und das ist die Standardabweichung des Abstands zwischen jedem Datenpunkt und dem Zentrum seines Clusters. Diese Zahl wollen wir. |
| |
Diese Zahl soll minimiert werden. Wir wollen, dass sie wirklich klein ist, damit wir die verschiedenen Gruppen, die Sie in Rot, Grün und Blau sehen können, unterscheiden können. |
| |
Je kleiner die Partikel sind, desto besser können wir sie unterscheiden und unsere Proben erfolgreich genotypisieren. |
| |
Schließlich gibt es noch die Distanz zwischen Cluster und NTC. Dies ist die mittlere Distanz aller Datenpunkte im Cluster zum NTC, unserer Kontrollgruppe ohne Vorlage. |
| |
Wir möchten also sicherstellen, dass unser Genotypcluster weit von der Kontrollgruppe ohne Probe entfernt ist, aber bis zu einem gewissen Punkt gilt: Je weiter entfernt dieser Cluster ist, desto größer ist seine Entfernung. |
| |
Der Nutzen ist nicht so groß, daher ist die Wünschbarkeit dieser Distanz keine lineare Beziehung. Und JMP wird Folgendes leisten können: |
| |
Wägen Sie die Bedeutung jeder dieser Variablen ab. Wir möchten, dass die Call-Rate und der Cluster-Spread bei der Beurteilung der Attraktivität unserer Kombinationen eine größere Rolle spielen als die Distanz zwischen Cluster und NTC. Diese ist zwar weiterhin wichtig, aber nicht so entscheidend wie die beiden anderen Variablen. |
| |
Also, zurück zum Thema, ich habe meine Experimente durchgeführt. Ich habe meine SNP-Assays an all meinen verschiedenen Maiskörnern angewendet. Ich habe sie durchgeführt. |
| |
auf einem PCR. Ich konnte diese Daten abrufen und habe daraus manuell die Anrufrate, die Clusterstreuung und die Cluster-zu-NTC-Distanz berechnet. |
| |
Von allen verschiedenen Kombinationen meiner Schlüsselfaktorvariable zeige ich euch jetzt... Ich gebe das in eine JMP-Tabelle ein und gebe euch eine kleine Demo, wie ich den Prediction Profiler verwende, um eine Wünschbarkeitsfunktion zu generieren. |
| |
Wie Sie hier sehen, habe ich meine beiden Schlüsselfaktorvariablen sowie alle meine Ausgabevariablen. Als Nächstes gehe ich auf „Analysieren“ und klicke dann auf „Modell anpassen“. |
| |
Von dort aus kann ich alle meine Ausgabevariablen in die Kategorie „Y“ einordnen und anschließend alle meine Schlüsselfaktorvariablen in die Modelleffekte einbeziehen. Da ich mich eigentlich nur für das Vorhersageprofil interessiere, wähle ich die minimale Berichtsfunktion, um nicht so viele Grafiken zu sehen. |
| |
Wenn ich das ausführe, rufe ich den Vorhersageprofiler auf, gehe zu „Anpassung der kleinsten Quadrate“ und klicke auf den Profiler, um diesen unten zu füllen. |
| |
Hier werden also unsere Ergebnisse grafisch dargestellt. Auf der Y-Achse sehen Sie alle Ausgabevariablen und darunter alle Schlüsselfaktorvariablen. Im nächsten Schritt legen wir unsere Zielfunktion fest. |
| |
Dazu gehen wir auf „Optimierung“ und „Wünschbarkeit“. JMP füllt die Wünschbarkeitskurven rechts automatisch aus. JMP maximiert diese Werte automatisch, und Sie sehen dann diese Wünschbarkeit. |
| |
Unten sehen Sie eine Art Übersicht. Sie möchten diese Einstellungen also basierend auf unseren definierten Bedürfnissen vornehmen können. Zuerst haben wir über die Gesprächsgebühr gesprochen. |
| |
Wie ich bereits sagte, möchte ich das maximieren. Ich möchte unbedingt, dass die Attraktivität zwischen 80 und 100 % liegt. |
| |
Sie werden sehen, dass ich meine höchste Einstellung auf einen sehr hohen Wert festlegen werde. Die Attraktivität liegt zwischen null und eins, daher möchte ich, dass 100 % die höchste Attraktivität darstellt. |
| |
Ich stelle den Mittelwert auf 80 % ein und möchte ihn so belassen, dass er, wenn er unter 80 % fällt, ... |
| |
wesentlich unerwünschter. Diese Wünschbarkeitskurve wird keine lineare Beziehung darstellen. Wir wollen, dass sie zwischen 80 und |
| |
100%. Ich lasse diese Wichtigkeit bei 1 und wir werden später sehen, wie wir das umsetzen. |
| |
Als nächstes kommt unsere Cluster-Ausbreitung. Und darüber haben wir bereits gesprochen, wir wollen diese unbedingt minimieren, und im Moment... |
| |
Die Zahlen auf der linken Seite stellen die Wertebereiche meiner experimentellen Daten dar. Ich werde also einfach |
| |
Ich werde sie etwas normalisieren, den Bereich von null bis zwei etwas angleichen. Und da ich diesen Effekt minimieren möchte, werde ich die Beziehung in der Wünschbarkeitskurve möglichst linear gestalten. |
| |
Ich werde den Wert also so einstellen, dass er möglichst nahe an Null liegt und etwas weniger stark ausfällt. Ich werde ihm die gleiche Bedeutung beimessen wie dem Anrufzinssatz. |
| |
Und die allerletzte, das ist die Entfernung zwischen Cluster und NTC, über die wir gesprochen haben. Das wird diejenige sein, die |
| |
Wir wollen den Wert maximieren. Unser Abstandsbereich liegt zwischen null und zwölf, basierend auf unseren Daten. Anschließend möchte ich einige Werte festlegen. |
| |
Wünsche und sagen, ich möchte, dass es, wissen Sie, wünschenswert ist, in Richtung 12 zu gehen. Wenn man zu sechs kommt, ist es etwas weniger wünschenswert, aber nicht viel. |
| |
Und wenn wir weiter unten ankommen, verringern wir es ein wenig, aber das Wichtigste ist, dass ich diesen wichtigen Punkt nehme und ihn verringern werde. |
| |
Ich werde den Wert also auf 0,5 ändern, und das ändert die Berechnung des Attraktivitätswerts und dessen Gewichtung. |
| |
Hier sehen Sie die Kurve der Wünschbarkeit. Einige Kurven weisen einen linearen Verlauf auf, andere sind gekrümmt. |
| |
Wir wollen sicherstellen, dass wir die maximale Attraktivität erreichen, denn wenn wir das tun, wird hier unten für jeden einzelnen Wert eine Attraktivitätszahl angezeigt. Und im Moment zeigt sie an, dass mein drittes Maiskorn … |
| |
Mit meinem Mais-11-SNP-Assay erhalte ich die optimalen Einstellungen. Sie können diese Formel speichern, damit wir sie uns ansehen können. |
| |
Um zu sehen, wie die Berechnung funktioniert, schau dir die Formel an. Wenn ich die Daten sortiere, wird eine neue Datentabelle angezeigt. Klicke einfach auf „Weiter“, um die Tabelle zu öffnen. |
| |
Sobald diese Meldung erscheint, sehen Sie wieder eine Liste, und wenn ich mit der Maus darüberfahre, werden die Attraktivitätswerte angezeigt. |
| |
und wie sie von der höchsten zur niedrigsten Bewertung eingestuft werden. Wir werden auch sehen können, wie diese Zahl berechnet wird. Man kann sich die Formel ansehen. |
| |
Und das Wichtigste ist, wann wir unsere Prioritäten festlegen. |
| |
Sie sehen hier unter „Call Rate“, „Cluster Spread“ und „Cluster to NTC“, dass die Zahl, die bei der Bewertung der Attraktivität hervorsticht, sich aus der Summe all dieser Faktoren ergibt. Und Sie sehen, dass jeder dieser Faktoren mit einem Skalierungsfaktor multipliziert wird. |
| |
Und der Cluster zu NTC, das werden Sie bemerken, wurde mit 0,2 multipliziert, während die anderen beiden mit 0,4 multipliziert wurden. |
| |
Das bedeutet, dass bei der Ermittlung dieses Wünschbarkeitswertes für jede meiner Kombinationen aus Maiskorntyp und SNP-Assay-Typ die Aufrufrate und die Clusterstreuung berücksichtigt werden. |
| |
höher und gewissermaßen von größerer Bedeutung als die Entfernung zwischen Cluster und NTC. |
| |
Sobald diese Felder ausgefüllt sind, ist das der Schlüssel dazu, um festzulegen, welcher Variable bei der Berechnung des Attraktivitätswerts mehr Gewicht beigemessen werden soll. Ich habe also diese Rangliste und diese Attraktivitätswerte. |
| |
Aber wissen Sie, warum sind diese Experimente nützlich? Nun, dies war ein Basisexperiment für mich, um die Leistungsfähigkeit meines Assays zu verstehen. Wenn ich anschließend Optimierungen vornehme, beispielsweise an meinen Reaktionsmischungen, und vielleicht die Sequenz in meinem SNP-Assay ändern möchte, möchte ich versuchen, … |
| |
Vielleicht sollte ich meinen Multiplex-Mastermix optimieren. |
| |
Dabei muss ich mir im Klaren sein, welche Materialien ich verwenden möchte, denn ich wusste ja nicht, welche Gene in den Maiskörnern enthalten sein würden. |
| |
Ich habe nun diese Liste und kann bis ganz nach unten scrollen, um die wirklich unerwünschten Einträge zu finden. Es kann vorkommen, dass ein Eintrag das entsprechende Gen gar nicht besitzt. Diese Einträge kann ich nun anhand der Rangfolge entfernen. |
| |
Es mag Fälle geben, die weniger wünschenswert sind, bei denen ich mir denke: „Ich glaube, ich kann meinen Test optimieren.“ |
| |
Um das zu verbessern. Jetzt kann ich also aus dieser Liste auswählen, welche Materialien ich zukünftig verwenden möchte. Aber das von Hand zu machen, wäre … |
| |
Für mich so gut wie unmöglich. Ich wüsste nicht, wie man das mathematisch umsetzen sollte und wie man mit meiner Ausgabevariablen Werte übereinander halten könnte. |
| |
JMP war also sehr schnell in der Lage, mir diese Liste zu liefern, sodass ich, sobald ich mit meinem Optimierungsprozess begonnen hatte, in jede beliebige Kategorie vorgehen konnte, die ich benötigte. |
| |
Das war also meine Posterpräsentation. Ich möchte meinen Mentorinnen und Mentoren, Joyce Wile und Ferrier Le, herzlich danken, die mir die Materialien zur Verfügung gestellt und mich weiterhin unterstützt haben. Ich hoffe, euch hat die Präsentation gefallen. Vielen Dank. |
