| Vocero |
Transcripción |
| Jason Wiggins, JMP |
Hola Madison. |
| Madisun Hembree |
Lo siento, estaba en pánico. |
| |
Pensé que era mi culpa, pensé: oh no. |
| Jason Wiggins, JMP |
No, es muy gracioso que para hacer esto, para configurarlo, hay una lista de no sé, tal vez 20 cosas diferentes que tienes que hacer bien. |
| Madisun Hembree |
Para que todo lo que necesitamos. |
| Jason Wiggins, JMP |
Son y como sabes, cuantos más pasos tengas, un asistente bueno, más opciones hay, hay un desastre. |
| Madisun Hembree |
sí. |
| Jason Wiggins, JMP |
Sí, bueno, creo que estamos bien, te veo. |
| Madisun Hembree |
perfecto. |
| Jason Wiggins, JMP |
Sí, no parece haber ningún artefacto extraño en la cámara. |
| |
Yo diría que si hubiera una manera de atenuar la luz de fondo, eso podría ser útil, pero... |
| |
Exactamente. |
| |
Esto hizo Oh, ya sé lo que está pasando. |
| Madisun Hembree |
¿Está demasiado oscuro? |
| Jason Wiggins, JMP |
No, creo que está perfectamente bien. |
| Madisun Hembree |
Bueno. |
| Jason Wiggins, JMP |
Eso está mejor, sí, eso está mejor. |
| Madisun Hembree |
Entonces, tengo luz solar y simplemente apagué la luz de arriba. |
| Jason Wiggins, JMP |
¿Estás iniciando sesión desde tu oficina? |
| Madisun Hembree |
Sí, los firmé desde mi oficina, lo intenté porque hay demasiada gente trabajando desde casa. |
| |
Yo soy, y era, como todos tienen una reunión al mismo tiempo, pensé: voy a tomar una sala de conferencias en la que estemos, ¿verdad? |
| Jason Wiggins, JMP |
Perfecto, muy bien, antes de empezar, una de mis tareas es recordarles que esta grabación se publicará en línea en la página de descubrimiento de la comunidad, y les parece bien. |
| Madisun Hembree |
Sí, mi equipo legal aprobó todos los materiales, así que todo está perfecto. |
| Jason Wiggins, JMP |
Genial, acabo de darme cuenta de que estamos grabando, pero nuestra conversación será eliminada en la edición. |
| |
De acuerdo, y ya puedes irte cuando quieras. |
| Madisun Hembree |
Vale, entonces lo subiré y veremos. |
| |
Eso abre. |
| Madisun Hembree |
modo. |
| |
Lee está bien. |
| Jason Wiggins, JMP |
Vale, veo tu pantalla, estás despierto. |
| Madisun Hembree |
Para exagerar, ¿ves eso, o las caras son mi cara como que se difuminan en algún cuadro gris de la presentación? |
| Jason Wiggins, JMP |
Por mi parte no parece que sea así. |
| |
Y estoy bastante seguro de que esto es lo que verán las personas que vean el video, así que si. |
| |
Estás embarazada y veo que... |
| |
Tu póster. |
| Madisun Hembree |
Bueno. |
| |
Permítanme ir paso a paso. |
| |
Así que simplemente lo haré. |
| |
tenerlo. |
| |
Bien, entonces haré una breve presentación personal y comenzaré con la misma. |
| |
Creo que eso estará bien. |
| |
Bueno. |
| |
Bueno. |
| Madisun Hembree |
Hola a todos, mi nombre es Madisun Hembree y soy ingeniera de desarrollo de productos en Thermo Fisher Scientific, en la división de ciencias genéticas. |
| |
Y hoy voy a hablarles sobre cómo uso el perfilador de predicción JMP para evaluar la discriminación alélica óptima del ensayo SNP en muestras de maíz. Así que, para darles una breve introducción primero, |
| |
Cuando determino el rendimiento de mi ensayo, o si lo piensas bien, el rendimiento de cualquier sistema, hay dos tipos de variables que deben definirse. |
| |
Primero están las variables clave. Estas serán las variables que vas a cambiar y con las que vas a probar diferentes condiciones. |
| |
En mi caso, voy a probar diferentes tipos de ensayos SNP que buscan diferentes genes y los aplicaré a varios tipos diferentes de granos de maíz. |
| |
Y el segundo tipo de variables son sus variables de salida. Estas serán las variables que utilizará para medir qué combinación de sus variables de factores clave |
| |
son óptimos en función de sus necesidades definidas por el usuario. En mi caso, voy a medir la tasa de llamadas, la dispersión del clúster y la distancia del clúster al NTC de mis datos, que |
| |
Hablaré un poco más sobre el significado de esas métricas en la siguiente sección. Este póster mostrará mis experimentos de referencia que utilizo para establecer una línea base. |
| |
el rendimiento del ensayo de mis materiales de partida. Y como tengo algunos tipos diferentes de variables de salida que se van a ponderar de forma un poco diferente, es difícil hacerlo a mano. Así que usando el perfilador de predicción de JMP puedes configurar |
| |
Una función de deseabilidad que tendrá en cuenta las necesidades definidas por el usuario y que le ayudará a crear matemáticamente una clasificación de deseabilidad basada en sus materiales. El software JMP nos será de gran ayuda en este sentido. |
| |
A continuación, hablaremos un poco sobre qué es un ensayo SNP. |
| |
Tenemos ADN; contiene toda nuestra información genética. |
| |
Y la forma más común de variación genética es en un SNP. Un SNP es un polimorfismo de un solo nucleótido, donde un solo bloque de ADN, que es un nucleótido, |
| |
se intercambia. Y cuando realizamos ensayos de SNP, buscamos genotipificar. |
| |
nuestras muestras. Y cuando observas esos datos, ves un gráfico similar al que vemos a la derecha, que es un gráfico de discriminación alélica. Entonces, nuestra capacidad para genotipificarlos en diferentes categorías |
| |
es pertinente para que podamos obtener la información que necesitamos de esa muestra. Y así, en mi experimento, quiero poder determinar que las diferentes combinaciones de mis variables de factor clave me están dando |
| |
un gráfico de discriminación óptimo. Y para ello, voy a utilizar tres métricas clave. La primera es la tasa de llamadas. |
| |
Por lo tanto, la tasa de llamadas es el porcentaje de llamadas de genotipo exitosas por cada SNP que pasa. |
| |
Para ello, quiero que ese porcentaje sea realmente alto, así que quiero maximizarlo, y quiero que esté entre el 80 y el 100% de nosotros que hayamos genotipado con éxito nuestro conjunto de muestras. |
| |
En segundo lugar, voy a repasar la propagación del clúster, que es lo que vemos aquí en la categoría roja. |
| |
Aquí. Y esa es la desviación estándar de la distancia entre cada punto de datos y el centro de su clúster. Queremos ese número. |
| |
para ser minimizado. Queremos que ese número sea realmente pequeño para que podamos distinguir entre los diferentes grupos que puedes ver en rojo, verde y azul. |
| |
Cuanto más pequeño sea, mejor nos resultará poder diferenciar entre ellos y genotipar con éxito nuestras muestras. |
| |
Por último, está la distancia del clúster al NTC. Esta es la distancia media de todos los puntos de datos del clúster al NTC, que es nuestro control sin plantilla. |
| |
Entonces queremos asegurarnos de que nuestro grupo de genotipos esté lejos del control que no tiene muestra, pero hasta cierto punto, cuanto más lejos esté ese grupo, |
| |
no aporta tanto beneficio, por lo que la conveniencia de esa distancia no es realmente una relación lineal. Y por lo tanto, algo que JMP podrá hacer es |
| |
Analicemos la importancia de cada una de estas variables. Queremos que la tasa de llamadas y la dispersión del clúster tengan mayor relevancia al decidir la conveniencia de nuestras combinaciones que la distancia entre el clúster y el NTC. Si bien sigue siendo importante, no lo es tanto como las otras dos variables. |
| |
Así que volviendo atrás, realicé mis experimentos. Utilicé mis ensayos SNP en todos mis diferentes granos de maíz. Los realicé. |
| |
en una PCR. Pude obtener esos datos y, a partir de ellos, calculé manualmente la tasa de llamadas, la dispersión del clúster y la distancia del clúster al NTC. |
| |
De todas las diferentes combinaciones de mi variable de factor clave, les voy a mostrar... Ingresé eso en una tabla de JMP y les voy a dar una pequeña demostración de cómo uso el perfilador de predicción para generar una función de deseabilidad. |
| |
Como pueden ver aquí, tengo mis dos variables de factor clave, así como todas mis variables de salida. Lo que voy a hacer es ir a analizar y hacer clic en ajustar modelo. |
| |
Desde ahí puedo tomar todas mis variables de salida y colocarlas en la categoría Y, y luego tomar todas mis variables de factores clave y agregarlas a los efectos de mi modelo. Y como solo me interesa el perfilador de predicción, voy a activar el informe mínimo para no ver tantos gráficos. |
| |
Cuando ejecuto esto, abro el perfilador de predicción, voy a la opción de ajuste por mínimos cuadrados y hago clic en el perfilador para rellenarlo en la parte inferior. |
| |
Esto consiste simplemente en graficar todos nuestros resultados. Verán todas nuestras variables de salida en el eje Y y todas nuestras variables de factores clave debajo. El siguiente paso es definir nuestra función de deseabilidad. |
| |
Para ello, tenemos que ir a optimización y deseabilidad y verás que JMP rellena automáticamente estas curvas de deseabilidad a la derecha. Así que JMP las configurará automáticamente para maximizarlas y verás esta deseabilidad. |
| |
tipo de mapeo a continuación. Entonces lo que quieres hacer es poder configurarlos, en función de lo que definimos como necesidades. Primero hablamos de la tasa de llamadas. |
| |
Como dije antes, quiero maximizar eso. Realmente quiero que muestre un alto grado de deseabilidad, entre el 80 y el 100%. |
| |
Verás que configuraré mi nivel máximo para que sea realmente deseable. La deseabilidad está entre cero y uno, así que quiero que el 100% sea lo más deseable posible. |
| |
Y estableceré el medio en 80% y quiero dejarlo así para que, cuando baje de 80%, sea |
| |
mucho más indeseable. Esa curva de deseabilidad no va a ser una relación lineal. Queremos que se mantenga entre ese 80 y |
| |
100%. Voy a dejar esa importancia en 1 y veremos un poco más adelante cómo hacerlo. |
| |
Entonces, lo siguiente es la propagación del clúster. Y de esto ya hablamos, realmente queremos minimizarlo, y ahora mismo lo que |
| |
Esos números están a la izquierda porque los valores van a ser simplemente los rangos de lo que tengo en mis datos experimentales. Así que voy a... |
| |
Normalizarlos un poco, mejorarlos ligeramente entre cero y dos. Y como solo quiero minimizar eso, voy a mantener una relación bastante lineal en esa curva de deseabilidad. |
| |
Así que voy a configurarlo como muy deseable para que esté lo más cerca posible de cero, lo más pequeño posible y un poco menos activo. Voy a mantener la misma importancia que la tasa de llamada. |
| |
Y la última, esta es la distancia del clúster al NTC de la que hablamos. Esta va a ser la que |
| |
Queremos maximizar. Tenemos nuestro rango de cero a 12 de nuestra distancia a partir de lo que tenemos en nuestros datos, y luego quiero entrar y voy a establecer algunos |
| |
deseabilidades y decir que quiero que sea, ya sabes, deseable que sea hacia 12. Cuando llegas a seis, es un poco menos deseable, pero no mucho. |
| |
Y a medida que bajamos, lo disminuimos un poco, pero lo más importante es que voy a tomar esto importante y lo voy a disminuir. |
| |
Así que voy a cambiarlo a 0.5, y esto cambiará la forma en que se calcula el número de deseabilidad, cuánto peso tiene. Entonces, como |
| |
Aquí se puede ver cómo se ha poblado la curva de deseabilidad y se observa que algunas de ellas tienen una relación lineal, mientras que otras son curvas. |
| |
Lo que queremos hacer es asegurarnos de alcanzar la máxima deseabilidad, porque cuando lo hagamos, verás aquí abajo que para cada uno de ellos aparecerá un número de deseabilidad. Y ahora mismo muestra que mi grano de maíz tres, |
| |
Con mi ensayo de 11 SNP de maíz obtendré la configuración más deseable. Y algo que puedes hacer es guardar esa fórmula, para que podamos echarle un vistazo. |
| |
esa fórmula para ver cómo se calcula, así puedo usarla y cuando la ordene, tendrá que aparecer una nueva tabla de datos. Simplemente haz clic en continuar para que aparezca esa tabla de datos. |
| |
Y una vez que aparezca, verás otra lista, y cuando me desplace por ella, verás los números de deseabilidad. |
| |
y cómo los clasifican del más alto al más bajo. Y algo que podremos ver es cómo se calcula ese número. Puedes ver la fórmula. |
| |
Y lo más importante es cuando establecemos nuestra importancia, |
| |
Aquí, en la sección de tasa de llamada, margen de clúster y relación clúster/NTC, se puede observar que el valor que aparece en la sección de deseabilidad es el resultado de la suma de todos estos factores. Además, cada uno de ellos se multiplica por un factor de escala. |
| |
Y el clúster a NTC, lo que notarán, se multiplicó por 0,2, mientras que los otros dos se multiplicaron por 0,4. |
| |
Eso significa que cuando obtengo este número de deseabilidad para cada una de mis combinaciones de tipo de grano de maíz y tipo de ensayo SNP, se está teniendo en cuenta la tasa de llamada y la dispersión del clúster. |
| |
más alta y mostrando mayor importancia que la distancia del clúster a NTC. |
| |
Entonces, cuando estos datos están completos, esa es la clave para determinar qué variable se debe priorizar al calcular este índice de deseabilidad. Así que tengo esta lista clasificada y estos índices de deseabilidad. |
| |
Pero, ya sabes, ¿por qué son útiles? Este fue un experimento de referencia para comprender el rendimiento de mi ensayo. Cuando proceda a realizar cualquier optimización, por ejemplo, para mis mezclas de reacción, tal vez quiera cambiar la secuencia en mi ensayo de SNP, quiero intentar |
| |
Optimizar tal vez mi mezcla maestra multiplex. |
| |
Al hacer esto, necesito entender qué materiales quiero usar, porque no sabía qué genes iban a contener esos granos de maíz. |
| |
Ahora tengo esta lista y puedo desplazarme hasta el final para encontrar a los que son realmente indeseables. Puede que haya alguno que no tenga ese gen. Ahora puedo eliminarlos según su nivel de deseabilidad. |
| |
Puede que haya algunos que tengan menor deseabilidad, donde pienso: "Sabes, creo que puedo optimizar mi ensayo". |
| |
para mejorar esto. Así que ahora puedo elegir de esa lista qué materiales quiero usar en adelante. Pero hacerlo a mano habría sido, |
| |
Para mí, es prácticamente imposible. No sabría cómo hacerlo matemáticamente ni cómo mantener las cosas a un nivel superior al de otras con mi variable de salida. |
| |
Así que JMP pudo proporcionarme rápidamente esa lista para poder empezar desde el momento en que comencé mi proceso de optimización en cualquier categoría que necesitara. |
| |
Esta fue mi presentación de póster. Me gustaría agradecer a mis mentores, Joyce Wile y Ferrier Le, por proporcionarme los materiales y su apoyo constante. Espero que hayan disfrutado de la presentación. Gracias. |
