756830_ja-JP

liliconcom

JMP Prediction Profilerを用いたトウモロコシサンプルにおける最適なSNPアッセイ対立遺伝子識別の評価（2021-US-EPO-843）

マディソン・ヘンブリー、サーモフィッシャーサイエンティフィック社、製品開発エンジニアII、

体外診断（IVD）の分野は常に進化しているため、この分野の新しい技術には、その利点を測定するプロセスが必要です。最適化には、出力変数を定義し、それらの仮説上の主要因子変数をテストする必要があります。定義された因子変数が出力変数の最も望ましい状態につながるような条件下で実験を行うことができます。IVDの一例として、一塩基多型（SNP）ジェノタイピングアッセイは、サンプル中のSNP変異を検出および識別します。これらのアッセイの最適化には、対立遺伝子型の識別を最大化する必要があります。新しい製剤やプロセス変更を行う前に、すべてのコントロール材料を用いてベースラインの対立遺伝子識別パターンを確立することが重要です。

JMPの適合モデル、予測プロファイラー、およびシミュレーターを使用して、複数の主要因子変数に対するさまざまな条件の望ましさを定量化するツールセットを作成できます。本研究の目的は、トウモロコシの粒タイプとSNPアッセイタイプという主要因子変数を考慮し、コール率、クラスターの広がり、クラスターからNTCまでの距離という3つの出力変数への影響を特徴付けるツールセットを作成することです。このツールセットは、将来的に新しい配合やプロセス変更を検証するために追加できます。

自動生成された文字起こし...

スピーカー	文字起こし
ジェイソン・ウィギンズ、JMP	やあ、マディソン。
マディソン・ヘンブリー	すみません、パニックになっていました。
	自分のせいだと思って、「ああ、まずい」って思った。
ジェイソン・ウィギンズ、JMP	いや、面白いことに、こういうことをするには、設定するために、たぶん20個くらいの項目を正しく設定しなければならないんです。
マディソン・ヘンブリー	私たちがすべてのことをするために。
ジェイソン・ウィギンズ、JMP	ご存知のように、アシスタントの手順が増えるほど、オプションも増えますが、それを台無しにしてしまう可能性もあります。
マディソン・ヘンブリー	うん。
ジェイソン・ウィギンズ、JMP	ええ、とにかく、私たちは大丈夫だと思います。あなたのことは分かります。
マディソン・ヘンブリー	完璧。
ジェイソン・ウィギンズ、JMP	うん、変なカメラのノイズはなさそうだね。
	背景の光を暗くする方法があれば便利だと思うのですが、
	まさにその通りです。
	これは、ああ、何が起こっているのか分かった。
マディソン・ヘンブリー	暗すぎますか？
ジェイソン・ウィギンズ、JMP	いいえ、それで全く問題ないと思います。
マディソン・ヘンブリー	わかった。
ジェイソン・ウィギンズ、JMP	そっちの方がいい、うん、そっちの方がいい。
マディソン・ヘンブリー	つまり、日光は入っているけど、上の照明は消したんです。
ジェイソン・ウィギンズ、JMP	あなたはオフィスからログインしていますか？
マディソン・ヘンブリー	ええ、オフィスから署名しました。試してみましたが、在宅勤務の人が多すぎます。
	私は、みんなが同じ時間に会議をしているような感じだったので、今私たちがいる会議室を確保しようと思いました。
ジェイソン・ウィギンズ、JMP	さて、始める前に、私の任務の一つとして、この録音はコミュニティの発見ページにオンラインで公開されることをお知らせしておきます。それでよろしいでしょうか？
マディソン・ヘンブリー	はい、すべての資料は法務チームから承認を得ましたので、完璧です。
ジェイソン・ウィギンズ、JMP	よかった。実は録音されているのに、私たちの会話は編集でカットされるんですね。
	はい、準備は整いました。いつでもお好きな時に出発できます。
マディソン・ヘンブリー	わかりました。では、私の端末で表示させて確認してみましょう。
	開く。
マディソン・ヘンブリー	モード。
	リーOK。
ジェイソン・ウィギンズ、JMP	はい、画面が見えました。あなたの出番ですね。
マディソン・ヘンブリー	やりすぎですか、見えますか、それとも私の顔がプレゼンテーションから灰色のボックスをぼかしているように見えますか。
ジェイソン・ウィギンズ、JMP	私の側ではそうは見えません。
	そして、ビデオを見ている人たちが見るのはこれだとほぼ確信しているので、もし。
	あなたは妊娠していて、私はそれを見ています。
	あなたのポスター。
マディソン・ヘンブリー	わかった。
	順を追って説明しましょう。
	だから私はそうするだけです。
	それを持っている。
	それでは、まず私自身が簡単に自己紹介をしてから、プレゼンテーションを始めます。
	それは良いことだと思います。
	わかった。
	わかった。
マディソン・ヘンブリー	皆さんこんにちは。私の名前はマディソン・ヘンブリーです。サーモフィッシャーサイエンティフィックの製品開発エンジニアで、遺伝科学部門に所属しています。
	今日は、JMP予測プロファイラーを使用してトウモロコシサンプルにおける最適なSNPアッセイ対立遺伝子識別を評価する方法についてお話しします。まず、簡単な紹介から始めます。
	アッセイの性能を評価する際、あるいはよく考えてみれば、あらゆるシステムの性能を評価する際には、定義する必要のある変数が2種類あります。
	まず、主要な要因となる変数があります。これらは、あなたが変更したり、さまざまな条件をテストしたりする変数です。
	そして私の場合は、異なる遺伝子を対象とする様々なSNPアッセイの種類をテストし、複数の異なるトウモロコシの粒の種類でそれらを実行する予定です。
	そして2つ目のタイプの変数は出力変数です。これらは、キーファクター変数のどの組み合わせが
	ユーザー定義のニーズに基づいて最適になります。私の場合は、データのコール率、クラスタの広がり、クラスタからNTCまでの距離を測定します。
	次のセクションでは、これらの指標が何を意味するのかについてもう少し詳しく説明します。このポスターでは、私が基準値を設定するために使用しているベンチマーク実験について見ていきます。
	私の出発材料のアッセイ性能です。出力変数にはいくつかの異なるタイプがあり、それぞれ少しずつ異なる重み付けをする必要があるため、手作業で行うのは困難です。そこで、JMP予測プロファイラを使用すると、
	ユーザー定義のニーズを考慮した魅力度関数は、資料に基づいて魅力度ランキングを数学的に作成するのに役立ちます。ソフトウェアJMPは、この点で非常に役立ちます。
	それでは次に、SNPアッセイとは何かについて少しお話ししましょう。
	私たちにはDNAがあり、そこには私たちのすべての遺伝情報が保存されている。
	そして、最も一般的な遺伝子変異の形態はSNPです。SNPは一塩基多型であり、単一のDNAブロック、つまりヌクレオチド、
	が置き換えられます。そして、SNPアッセイを実行するときは、遺伝子型を調べます。
	私たちのサンプルです。そして、そのデータを見ると、右側に表示されているような対立遺伝子判別プロットに似たグラフが表示されます。つまり、それらを異なるカテゴリーに遺伝子型分類できる能力があるということです。
	それは、そのサンプルから必要な情報を得る上で重要です。ですから、私の実験では、主要因子変数のさまざまな組み合わせが私にどのような結果をもたらすかを判断できるようにしたいのです。
	最適な判別プロットを作成します。そのためには、3つの重要な指標を使用します。1つ目は、呼び出し率です。
	つまり、コール率とは、合格したSNPごとに、遺伝子型判定が成功した割合のことです。
	そのためには、その割合をできるだけ高くしたいので、最大限に高めたいと考えています。つまり、サンプルセットの遺伝子型判定に成功した人の割合が、80%から100%の間になるようにしたいのです。
	次に、クラスターの広がりについて説明します。これは、赤いカテゴリで示されているものです。
	こちらです。これは、各データポイントからクラスターの中心までの距離の標準偏差です。この数値を求めています。
	最小限に抑える必要があります。赤、緑、青で示されているように、異なるグループを区別できるように、その数値を非常に小さくしたいのです。
	サイズが小さければ小さいほど、それらの違いを判別しやすくなり、サンプルの遺伝子型を正確に特定しやすくなります。
	最後に、クラスターからNTCまでの距離です。これは、クラスター内のすべてのデータポイントからNTC（テンプレートなしのコントロール）までの平均距離です。
	そこで、遺伝子型クラスターがサンプルのないコントロールから十分に離れていることを確認したいのですが、ある一定の点までは、そのクラスターが離れているほど
	それほどメリットはないので、その距離の望ましさは実際には線形関係ではありません。そして、JMP ができるようになることは
	これらの変数それぞれの重要性を比較検討します。組み合わせの望ましさを判断する際には、クラスターとNTC間の距離よりも、コール率とクラスター・スプレッドをより重視したいと考えています。NTC間の距離も重要ですが、他の2つの変数ほど重要ではありません。
	では、話を戻して、実験を行いました。様々なトウモロコシの粒にSNPアッセイを使用しました。
	PCR上でそのデータを取得することができ、そのデータからコール率、クラスターの広がり、およびクラスターからNTCまでの距離を手動で計算しました。
	私のキーファクター変数のさまざまな組み合わせの中から、皆さんにお見せしたいのは、それをJMPテーブルに入力し、予測プロファイラを使用して望ましさ関数を生成する方法を少しデモでお見せすることです。
	ご覧のとおり、主要な変数2つと、すべての出力変数があります。これから「分析」に進み、「モデルの適合」をクリックします。
	そこから、出力変数をすべてYカテゴリに入れ、主要因子変数をすべてモデル効果に追加します。予測プロファイラにのみ関心があるので、グラフの数を減らすためにレポート設定を最小限にします。
	これを実行すると、予測プロファイラが起動し、最小二乗フィットの下に移動し、下部のプロファイラをクリックしてそこにデータを入力します。
	これは、これまでの結果をすべてグラフ化したものです。Y軸にはすべての出力変数、その下にはすべての主要因子変数が表示されています。次のステップは、望ましさ関数を設定することです。
	そのためには、「最適化」と「望ましさ」の項目に進むと、JMPが右側にこれらの望ましさ曲線を自動的に表示します。JMPはそれらをすべて最大化するように自動的に設定し、この望ましさ曲線が表示されます。
	以下のようなマッピングがあります。つまり、定義したニーズに基づいて、それらを設定できるようにしたいのです。まず、通話レートについて説明しました。
	先ほども申し上げたように、それを最大限に高めたいのです。80～100％という高い魅力度を示すようにしたいと思っています。
	ご覧のとおり、私は最高設定を「非常に望ましい」に設定します。望ましさは0から1の間で表されるので、100%を最も望ましい状態にしたいのです。
	そして、中央を80%に設定し、80%を下回ると、
	はるかに望ましくない。その望ましさの曲線は直線的な関係にはならないだろう。我々はそれが80から
	100%です。重要度は1のままにしておきます。その方法については後ほど少し説明します。
	次はクラスター感染です。これについては既にお話ししましたが、私たちはこれを最小限に抑えたいと考えています。そして今、
	左側の数値は、実験データにある値の範囲を表しています。
	それらを少し正規化して、0から2の範囲で少し見栄えを良くします。そして、これを最小限に抑えたいので、その望ましさ曲線ではほぼ線形の関係を維持するつもりです。
	ですから、できるだけゼロに近い値、つまり少し低い値に設定するのが望ましいと考えます。通話率と同じ重要度で設定します。
	そして最後は、先ほどお話ししたクラスターからNTCまでの距離です。
	最大化したいのです。データにある距離の範囲は0から12で、次にいくつかの設定を行います。
	望ましさ、つまり「12くらいが望ましい」と言うことです。6くらいになると、少し望ましさは減りますが、それほど大きくは減りません。
	そして、下に行くにつれて、少し減らしますが、最も重要なことは、これを重要にして減らすということです。
	そこで、それを0.5に変更します。そうすると、望ましさの数値の計算方法、つまりその数値がどれだけ重み付けされるかが変わります。
	ご覧のように、これは望ましさ曲線を表していますが、直線的な関係を示すものもあれば、曲線的な関係を示すものもあることがわかります。
	私たちがやりたいのは、魅力度を最大化することです。そうすれば、それぞれの項目について、ここに魅力度の数値が表示されます。そして今、私のトウモロコシの粒3は、
	私のトウモロコシ11 SNPアッセイでは、最も望ましい設定が得られます。そのため、その式を保存して、
	その計算式を見て、どのように計算されるかを確認します。そうすれば、その値を使って並べ替える際に、新しいデータテーブルが表示されるようになります。データテーブルを表示するには、「続行」をクリックしてください。
	そしてそれが表示されると、再びリストが表示され、スクロールすると、人気度を示す数値が表示されます。
	そして、それらを最高から最低までどのようにランク付けするか。そして、その数字がどのように計算されるのかも見ることができます。計算式を見ることができます。
	そして最も重要なことは、私たちが自分の重要性を設定するとき、
	ご覧のとおり、コールレート、クラスタスプレッド、クラスタ対NTCの項目に表示されている数値は、これらの要素すべてを合計したものです。そして、それぞれの要素にスケーラー乗数が掛けられていることがわかります。
	そして、注目すべき点は、NTCへのクラスターは0.2倍されているのに対し、他の2つは0.4倍されていることです。
	つまり、トウモロコシの粒の種類とSNPアッセイの種類の組み合わせごとにこの望ましさの数値を算出する際には、コール率とクラスターの広がりを考慮に入れているということです。
	クラスターからNTCまでの距離よりも高く、より重要度が高いことを示している。
	これらのデータが入力されると、それが鍵となり、この望ましさの数値を計算する際にどの変数を優先すべきかを判断できるようになります。そして、私はこのように順位付けされたリストと、これらの望ましさの数値を持っています。
	でも、なぜこれらが役に立つのでしょうか？これは、私のアッセイ性能を理解するためのベースライン実験でした。反応混合物の最適化を行う際、SNPアッセイのシーケンスを変更したい場合、
	マルチプレックスマスターミックスを最適化する必要があるかもしれません。
	この作業を行うにあたっては、どのような材料を使用するかを理解する必要がある。なぜなら、それらのトウモロコシの粒にどのような遺伝子が含まれているのか分からなかったからだ。
	これでリストができたので、一番下までスクロールして、本当に望ましくないものを見つけることができます。中には、その遺伝子を全く持っていないものもあるかもしれません。これで、望ましさのランキングに基づいて、それらを除外することができます。
	望ましさが低いものもあるかもしれないが、そういう場合は、アッセイを最適化できると思う。
	これをより良くするために。これで、今後使用したい材料をそのリストから選択できるようになりました。しかし、それを手作業で行うと、
	私にとっては、ほぼ不可能です。数学的にどう計算すればいいのか、出力変数を使ってどのように数値を上位に表示すればいいのか、私には全く分かりません。
	JMPは、私が最適化プロセスを開始する際に、必要なカテゴリに応じて必要なリストを非常に迅速に提供してくれました。
	以上が私のポスター発表でした。資料を提供してくださっただけでなく、継続的なサポートをしてくださった指導教官のジョイス・ワイル先生とフェリエ・リー先生に感謝申し上げます。発表を楽しんでいただけたなら幸いです。ありがとうございました。

高度な統計モデリング基本的なデータ分析とモデリング消費者および市場調査データ探索と可視化実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析