756830_ko-KR

liliconcom

옥수수 샘플에서 최적의 SNP 분석 대립유전자 판별력을 평가하기 위한 JMP 예측 프로파일러 사용 (2021-US-EPO-843)

매디슨 헴브리, 엔지니어 2, 제품 개발, 써모 피셔 사이언티픽

체외 진단(IVD) 분야는 끊임없이 발전하고 있기 때문에, 이 분야의 새로운 기술들은 그 효용성을 측정할 수 있는 프로세스를 필요로 합니다. 최적화를 위해서는 출력 변수를 정의하고, 가설로 설정된 핵심 요인 변수들을 검증해야 합니다. 정의된 요인 변수들이 출력 변수에 가장 바람직한 결과를 가져오는 조건에서 실험을 수행할 수 있습니다. IVD의 한 예인 단일 염기 다형성(SNP) 유전자형 분석은 샘플에서 SNP 변이를 검출하고 구별합니다. 이러한 분석의 최적화는 대립유전자 유형 간의 구별 능력을 극대화하는 것을 요구합니다. 새로운 제형이나 공정 변경 전에, 모든 대조 물질을 사용하여 기준 대립유전자 구별 패턴을 확립하는 것이 중요합니다.

JMP의 Fit Model, Prediction Profiler 및 Simulator를 사용하여 여러 핵심 변수에 대한 다양한 조건의 적합성을 정량화하는 도구 세트를 만들 수 있습니다. 본 연구는 옥수수 알갱이 유형과 SNP 분석 유형을 핵심 변수로 고려하여 호출률, 클러스터 분산 및 클러스터와 NTC 거리라는 세 가지 출력 변수에 미치는 영향을 특성화하는 도구 세트를 개발하는 것을 목표로 합니다. 이 도구 세트는 향후 새로운 제형이나 공정 변경 사항을 검증하는 데 활용될 수 있습니다.

자동 생성된 녹취록...

스피커	성적 증명서
제이슨 위긴스, JMP	안녕, 매디슨.
마디순 헴브리	죄송해요, 제가 너무 당황했어요.
	내 잘못인 줄 알았어요. '아, 안 돼'라고 생각했죠.
제이슨 위긴스, JMP	아니, 정말 웃긴 건 이런 걸 준비할 때, 제대로 해야 할 것들이 한 20가지쯤 된다는 거예요.
마디순 헴브리	우리가 모든 것을 이루기 위해서는.
제이슨 위긴스, JMP	아시다시피, 보조자가 있는 단계가 많을수록 선택지가 많아지고, 그만큼 실수를 저지를 가능성도 커지죠.
마디순 헴브리	응.
제이슨 위긴스, JMP	네, 아무튼, 우리는 괜찮은 것 같아요. 당신을 보고 있어요.
마디순 헴브리	완벽한.
제이슨 위긴스, JMP	네, 이상한 카메라 왜곡 현상은 없는 것 같네요.
	배경 조명을 어둡게 할 수 있는 방법이 있다면 도움이 될 것 같지만, 아쉽게도 그렇지 않네요.
	정확히 그렇습니다.
	아, 이제 무슨 일인지 알겠네요.
마디순 헴브리	너무 어두운가요?
제이슨 위긴스, JMP	아니요, 저는 괜찮다고 생각해요.
마디순 헴브리	좋아요.
제이슨 위긴스, JMP	그게 더 낫네요. 네, 그게 더 낫습니다.
마디순 헴브리	그러니까, 햇빛은 들어오는데 위쪽 조명만 껐어요.
제이슨 위긴스, JMP	사무실에서 로그인하고 계신가요?
마디순 헴브리	네, 사무실에서 서명했어요. 집에서 서명하려고 했는데, 재택근무하는 사람이 너무 많아서요.
	저는 그랬고, 또 그랬는데, 모두가 같은 시간에 회의가 있어서, 지금 우리가 있는 회의실을 써야겠다고 생각했어요.
제이슨 위긴스, JMP	네, 좋습니다. 시작하기 전에, 이 녹화 영상이 커뮤니티 검색 페이지에 온라인으로 게시될 예정이라는 점을 알려드리고 싶습니다. 괜찮으시죠?
마디순 헴브리	네, 모든 자료는 법률팀의 승인을 받았으니 완벽합니다.
제이슨 위긴스, JMP	좋아요, 방금 알아챘는데 녹음은 되지만 우리 대화는 편집될 거예요.
	네, 그럼 원하실 때 언제든 가시면 됩니다.
마디순 헴브리	좋아요, 그럼 제 컴퓨터에서 한번 확인해 볼게요.
	저 문이 열립니다.
마디순 헴브리	방법.
	리 OK.
제이슨 위긴스, JMP	네, 화면이 보이네요. 깨어 계십니다.
마디순 헴브리	제가 보기에 그게 맞나요? 아니면 제 얼굴이 흐릿하게 보이고 회색 상자가 프레젠테이션에서 사라진 건가요?
제이슨 위긴스, JMP	제 쪽에서는 그렇게 보이지 않는데요.
	그리고 제 생각에 영상을 보는 사람들은 바로 이 부분을 보게 될 것 같습니다.
	당신은 임신했고, 나는 그걸 알아요.
	당신의 포스터입니다.
마디순 헴브리	좋아요.
	단계별로 설명해 드리겠습니다.
	그래서 저는 그냥...
	가지고 있어요.
	네, 그럼 제가 간단히 소개를 드리고 발표를 시작하겠습니다.
	그건 좋을 것 같아요.
	좋아요.
	좋아요.
마디순 헴브리	안녕하세요 여러분, 저는 마디슨 헴브리이고, 써모 피셔 사이언티픽의 제품 개발 엔지니어이며 유전학 부서에서 근무하고 있습니다.
	오늘은 옥수수 샘플에서 최적의 SNP 분석 대립유전자 판별을 평가하기 위해 JMP 예측 프로파일러를 어떻게 사용하는지에 대해 이야기하겠습니다. 먼저 간단한 소개부터 드리겠습니다.
	분석 성능을 평가할 때, 또는 어떤 시스템의 성능을 평가할 때든, 정의해야 할 변수는 두 가지 유형이 있습니다.
	첫째는 핵심 요인 변수입니다. 이 변수들은 여러분이 변경하고, 다양한 조건을 테스트할 변수들입니다.
	제 경우에는 서로 다른 유전자를 찾는 다양한 SNP 분석법을 여러 종류의 옥수수 알갱이에 적용하여 테스트할 예정입니다.
	두 번째 유형의 변수는 출력 변수입니다. 이 변수들은 핵심 요인 변수들의 어떤 조합이 어떤 영향을 미치는지 측정하는 데 사용될 변수들입니다.
	사용자가 정의한 요구 사항에 따라 최적화됩니다. 제 경우에는 통화율, 클러스터 분산, 클러스터와 NTC 간 거리를 측정할 예정입니다.
	다음 섹션에서 이러한 지표들이 무엇을 의미하는지 좀 더 자세히 설명하겠습니다. 이 포스터에서는 제가 기준점을 설정하기 위해 사용하는 벤치마크 실험들을 살펴보겠습니다.
	제 출발 물질에 대한 분석 성능을 평가해야 합니다. 출력 변수 유형이 여러 가지이고 각 변수에 약간씩 다른 가중치를 부여해야 하기 때문에 수동으로 처리하기는 어렵습니다. 따라서 JMP 예측 프로파일러를 사용하면 설정을 변경할 수 있습니다.
	사용자가 정의한 요구 사항을 고려하는 선호도 함수를 만들어 재료를 기반으로 수학적으로 선호도 순위를 매길 수 있도록 할 것입니다. JMP 소프트웨어가 이 작업에 큰 도움이 될 것입니다.
	다음으로는 SNP 검사가 무엇인지 간단히 설명드리겠습니다.
	우리는 DNA를 가지고 있으며, DNA에는 우리의 모든 유전 정보가 담겨 있습니다.
	가장 흔한 유전적 변이 형태는 SNP입니다. SNP는 단일 뉴클레오티드 다형성으로, 단일 DNA 블록(뉴클레오티드 하나)이 변이된 것입니다.
	교체됩니다. 그리고 SNP 분석을 실행할 때 유전자형을 확인하려고 합니다.
	저희가 분석한 샘플들입니다. 그리고 그 데이터를 살펴보시면, 오른쪽에 보이는 것과 유사한 그래프, 즉 대립유전자 판별 그래프를 보게 됩니다. 즉, 저희는 이러한 유전자들을 여러 범주로 분류할 수 있는 능력을 가지고 있습니다.
	이는 우리가 해당 표본에서 필요한 정보를 얻을 수 있는지 여부에 중요한 영향을 미칩니다. 따라서 제 실험에서는 핵심 요인 변수의 다양한 조합이 어떤 결과를 가져오는지 파악하고자 합니다.
	최적의 판별 그래프를 만들겠습니다. 이를 위해 세 가지 주요 지표를 사용하겠습니다. 첫 번째는 통화율입니다.
	따라서 호출률은 통과한 SNP당 유전자형 판별에 성공한 비율을 나타냅니다.
	그러기 위해서는 그 비율이 정말 높아야 합니다. 즉, 그 비율을 극대화하여 우리 중 약 80%에서 100%가 샘플 세트의 유전자형 분석에 성공하기를 바랍니다.
	두 번째로, 집단 감염 확산에 대해 설명드리겠습니다. 여기 빨간색으로 표시된 부분이 바로 그것입니다.
	여기요. 그리고 저것은 각 데이터 포인트와 해당 클러스터 중심 사이의 거리의 표준 편차입니다. 우리가 원하는 값은 바로 저 숫자입니다.
	최소화해야 합니다. 빨강, 초록, 파랑으로 보이는 서로 다른 그룹들을 구분할 수 있도록 그 숫자가 정말 작아야 합니다.
	크기가 작을수록 샘플 간의 차이를 구별하고 유전자형을 성공적으로 분석하는 데 도움이 됩니다.
	마지막으로 클러스터와 NTC(템플릿이 없는 대조군) 사이의 거리입니다. 이는 클러스터에 속한 모든 데이터 포인트와 NTC 사이의 평균 거리입니다.
	따라서 우리는 유전자형 클러스터가 샘플이 없는 대조군과 최대한 멀리 떨어져 있도록 해야 하지만, 일정 지점까지는 클러스터가 대조군에서 멀어질수록 그 거리는 더 멀어집니다.
	그렇게 큰 이점을 더해주지는 않기 때문에, 그 거리의 바람직함은 실제로 선형적인 관계가 아닙니다. 따라서 JMP가 할 수 있는 일은 바로 이것입니다.
	각 변수의 중요도를 평가해야 합니다. 최적의 조합을 결정할 때, 클러스터와 NTC 간 거리보다는 통화율과 클러스터 스프레드를 더 중요하게 고려해야 합니다. 클러스터와 NTC 간 거리도 물론 중요하지만, 다른 두 변수만큼 중요하지는 않습니다.
	다시 돌아가서, 저는 실험을 진행했습니다. 모든 종류의 옥수수 알갱이에 대해 SNP 분석법을 사용했고, 그 결과를 분석했습니다.
	PCR 검사에서 얻은 데이터를 바탕으로, 콜률, 클러스터 분산, 클러스터와 NTC 사이의 거리를 수동으로 계산했습니다.
	제가 생각하는 핵심 요소 변수의 다양한 조합 중에서, 여러분께 보여드릴 것은... 제가 그 변수를 JMP 테이블에 입력하고, 예측 프로파일러를 사용하여 선호도 함수를 생성하는 방법을 간단히 시연해 드리는 것입니다.
	보시다시피, 여기에는 두 가지 핵심 요인 변수와 모든 출력 변수가 있습니다. 이제 분석을 클릭하고 모델 적합을 선택하겠습니다.
	여기서부터 모든 출력 변수를 Y 범주에 넣고, 주요 요인 변수들을 모델 효과에 추가할 수 있습니다. 저는 예측 프로파일러에만 관심이 있으므로 그래프가 너무 많이 표시되지 않도록 최소 보고 모드를 선택하겠습니다.
	이 프로그램을 실행하고 예측 프로파일러를 불러오면, 최소제곱법 적합 아래에 있는 프로파일러를 클릭하여 하단에 표시되는 내용을 확인할 수 있습니다.
	이 그래프는 모든 결과를 보여주는 것입니다. Y축에는 모든 출력 변수가, Y축에는 주요 요인 변수들이 표시됩니다. 다음 단계는 선호도 함수를 설정하는 것입니다.
	이를 위해 최적화 및 선호도 메뉴로 이동하면 JMP가 오른쪽에 선호도 곡선을 자동으로 채워주는 것을 볼 수 있습니다. JMP는 모든 항목을 최대화하도록 자동으로 설정하며, 그러면 선호도가 표시됩니다.
	아래와 같은 매핑이 있습니다. 즉, 우리가 정의한 요구 사항을 기반으로 이러한 값을 설정할 수 있어야 합니다. 먼저 통화 요금에 대해 이야기했습니다.
	앞서 말씀드렸듯이, 저는 그 수치를 극대화하고 싶습니다. 80%에서 100% 사이의 높은 선호도를 보여주길 진심으로 바랍니다.
	보시다시피 저는 가장 바람직한 설정값을 높게 잡아둘 겁니다. 바람직함의 정도는 0에서 1 사이인데, 저는 100%를 가장 바람직한 값으로 설정할 거예요.
	그리고 중간값을 80%로 설정하고, 80% 아래로 내려가면 자동으로 꺼지도록 그대로 두고 싶습니다.
	훨씬 더 바람직하지 않은 것들이죠. 그 선호도 곡선은 선형적인 관계를 보이지 않을 겁니다. 우리는 그 곡선이 80에서 그 사이를 유지하기를 바랍니다.
	100%요. 중요도는 1로 두고, 나중에 어떻게 하는지 좀 더 자세히 살펴보겠습니다.
	다음은 집단 감염 확산입니다. 앞서 이야기했듯이, 우리는 이를 최소화하고 싶습니다. 현재 상황은 어떻습니까?
	왼쪽에 있는 숫자들은 제가 실험 데이터에서 얻은 값들의 범위를 나타냅니다. 그래서 저는 그냥 이렇게 하겠습니다.
	그것들을 약간 정규화하고, 0에서 2까지의 범위를 조금 더 보기 좋게 만들겠습니다. 그리고 저는 그 부분을 최소화하고 싶기 때문에, 선호도 곡선에서 비교적 선형적인 관계를 유지할 것입니다.
	그래서 저는 이 값을 최대한 작게, 즉 0에 가깝게, 그리고 조금 더 낮게 설정하겠습니다. 중요도는 통화율과 동일하게 유지하겠습니다.
	그리고 마지막으로, 우리가 이야기했던 클러스터와 NTC 사이의 거리입니다. 이것이 바로 그 값입니다.
	우리는 최대화하려고 합니다. 데이터에서 얻은 거리 범위는 0에서 12까지이며, 그 다음 몇 가지 값을 설정하려고 합니다.
	바람직한 요소들을 이야기하자면, 12에 가까울수록 바람직하다고 말하는 겁니다. 6에 가까워질수록 바람직함은 조금 떨어지지만, 크게 차이가 나지는 않습니다.
	그리고 아래쪽으로 내려가면서 값을 조금 줄여나가겠지만, 가장 중요한 것은 제가 이 중요한 값을 줄여나갈 것이라는 점입니다.
	그래서 이 값을 0.5로 바꾸겠습니다. 이렇게 하면 선호도 수치 계산 방식, 즉 해당 요소의 가중치가 달라집니다.
	보시다시피, 여기에 선호도 곡선이 나타나 있으며, 일부는 선형 관계를, 일부는 곡선 관계를 보입니다.
	우리가 하려는 것은 선호도를 극대화하는 것입니다. 그렇게 하면 아래에서 각 옥수수 알갱이에 대한 선호도 수치가 표시되는 것을 볼 수 있습니다. 지금은 옥수수 알갱이 3번이 가장 높은 선호도를 보이고 있습니다.
	제 옥수수 11 SNP 분석법으로 가장 바람직한 설정을 얻을 수 있을 겁니다. 따라서 해당 공식을 저장해 두면 나중에 살펴볼 수 있습니다.
	저 수식이 어떻게 계산되는지 확인하기 위해, 그 수식을 이용해서 정렬할 때 새 데이터 테이블이 나타나도록 하겠습니다. 계속 버튼을 클릭하면 데이터 테이블이 나타납니다.
	그러면 해당 창이 뜨고, 다시 목록이 보일 겁니다. 마우스를 가져다 대면 선호도 수치를 확인할 수 있습니다.
	그리고 가장 높은 순위부터 가장 낮은 순위까지 ​​어떻게 순위를 매기는지 알 수 있습니다. 또한 그 숫자가 어떻게 계산되는지도 확인할 수 있습니다. 공식을 살펴보시면 됩니다.
	그리고 가장 중요한 것은 우리가 언제 중요성을 정하느냐입니다.
	여기 콜 레이트, 클러스터 스프레드, 클러스터 대 NTC 항목에서 보시다시피, 선호도 지표에 나타나는 수치는 이러한 모든 요소를 ​​합산한 값입니다. 그리고 각 요소에는 스케일러 승수가 곱해져 있습니다.
	그리고 클러스터와 NTC 사이의 거리는 0.2배로 계산되었는데, 이는 나머지 두 거리가 0.4배로 계산된 것과 대조적입니다.
	즉, 옥수수 알갱이 유형과 SNP 분석 유형의 각 조합에 대한 선호도 수치를 계산할 때, 호출률과 클러스터 분산을 고려한다는 뜻입니다.
	더 높고 클러스터와 NTC 거리보다 더 중요한 의미를 갖는 것처럼 보입니다.
	이러한 변수들이 채워지면, 그것이 바로 이 문제의 핵심이며, 선호도 수치를 계산할 때 어떤 변수를 더 높게 설정할지 결정하는 데 도움이 됩니다. 그래서 저는 순위가 매겨진 목록과 선호도 수치를 갖게 되었습니다.
	그런데, 이런 실험들이 왜 유용할까요? 이 실험은 제가 개발한 분석법의 성능을 이해하기 위한 기초 실험이었습니다. 앞으로 반응 혼합물을 최적화하거나, SNP 분석법의 염기서열을 바꾸거나, 다른 방법을 시도할 때, 이런 기초 ​​자료를 활용하면 분석 성능을 더 정확하게 파악할 수 있습니다.
	내 멀티플렉스 마스터 믹스를 최적화해 볼까 합니다.
	이 작업을 할 때, 어떤 재료를 사용할지 이해해야 했습니다. 왜냐하면 옥수수 알갱이에 어떤 유전자가 들어 있을지 몰랐기 때문입니다.
	이제 이 목록이 생겼고, 아래로 스크롤해서 정말 바람직하지 않은 것들을 찾을 수 있어요. 그런 게 하나 있을 수도 있지만, 저는 그 유전자를 전혀 가지고 있지 않을 수도 있죠. 이제 이런 바람직함 순위를 기준으로 해당되는 것들을 목록에서 제거할 수 있어요.
	선호도가 낮은 것들도 있을 수 있는데, 그런 경우에는 '내가 분석법을 최적화할 수 있을 것 같아'라고 생각할 수 있죠.
	이것을 더 좋게 만들기 위해서죠. 이제 저는 그 목록에서 앞으로 사용할 재료를 고를 수 있습니다. 하지만 그걸 손으로 했다면,
	제 생각엔 거의 불가능해 보여요. 수학적으로 어떻게 해야 할지, 출력 변수를 이용해서 어떤 값들을 다른 값들보다 높게 유지해야 할지 잘 모르겠어요.
	그래서 JMP는 제가 최적화 프로세스를 시작할 때부터 필요한 모든 카테고리에 걸쳐 해당 목록을 신속하게 제공해 줄 수 있었습니다.
	이것으로 제 포스터 발표를 마치겠습니다. 자료를 제공해주시고 지속적인 지원을 아끼지 않으신 멘토이신 조이스 와일 교수님과 페리어 리 교수님께 감사드립니다. 발표를 즐겁게 보셨기를 바랍니다. 감사합니다.

고급 통계 모델링기초 데이터 분석 및 모델링소비자 및 시장 조사데이터 탐색 및 시각화실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석