Outre des avancées novatrices et novatrices, la recette de base de la recherche scientifique est la suivante:
Combinez deux ou plusieurs méthodes établies qui ont évolué indépendamment, en tirant parti des atouts particuliers de chacune d’elles.Donnez à la nouvelle combinaison un nom astucieux.Publiez le diable en dehors de ça.Dans ce billet de blog, j'aimerais mettre en évidence l'étape 1 pour une technique que nous utilisons depuis quelques années et qui s'appelle l'analyse de la variance principale (PVCA). PVCA intègre deux méthodes aux historiques riches: l'analyse en composantes principales (ACP) et l'analyse en composantes de variance (ACV). La PCA trouve des combinaisons linéaires de données de faible dimension avec une variabilité maximale, tandis que les attributs VCA et la partition de la variabilité en sources connues via un modèle classique à effets aléatoires.
La PCA est sans doute la technique la plus populaire pour les données de grande dimension. Par exemple, considérons les données d’expression génique de base normales de Boedigheimer et al. (2008), mesurant environ 30 000 gènes sur 483 échantillons de rat. Si nous organisons les données sous forme haute, avec les gènes sous forme de lignes et les échantillons sous forme de colonnes, nous avons une matrice de 30 000 x 483. Une ACP standard est calculée en centrant d’abord les colonnes sur leur valeur moyenne, puis en calculant les premiers vecteurs propres de la matrice. Nous obtenons ainsi des scores propres pour les lignes et les colonnes, et si nous nous concentrons sur les deux premiers ensembles de partitions pour les échantillons (aka chargements), nous pouvons les tracer les uns contre les autres pour voir quels échantillons présentent des profils d’expression similaires dans les directions de la séparation maximale.
L’une des principales difficultés de la PCA est d’attacher une interprétation à chaque composant. L'analyse factorielle tente de résoudre ce problème par le biais de rotations, mais celles-ci sont quelque peu subjectives et peuvent être difficiles à gérer. Une façon plus simple d'interpréter les composantes principales consiste à colorer et / ou à marquer un tracé PCA à l'aide d'attributs d'échantillons connus pour voir si l'un d'entre eux s'aligne sur les scores ou explique les grappes. Dans de nombreux cas, cela fonctionne, mais à mesure que les données concomitantes deviennent plus abondantes, le risque de rater quelque chose devient beaucoup plus grand. Dans l'exemple ci-dessus, 35 attributs d'échantillon différents (par exemple, type de tissu, sexe, souche, régime alimentaire) sont disponibles. Pour rendre les choses plus difficiles, les données sont observationnelles (pas une expérience conçue), et de nombreux attributs sont confondus de manière significative. Avec un travail laborieux et fastidieux, plusieurs facteurs clés peuvent être identifiés visuellement, mais un écran quantitatif complet fait défaut.
C'est là que la force de VCA entre en jeu. En utilisant les scores des composantes principales comme réponses, nous pouvons configurer un modèle mixte avec juste une interception comme seul effet fixe et toutes les sources de variabilité connues comme des effets aléatoires. C’est uniquement à des fins de partitionnement de la variabilité, de sorte que même les effets fixes classiques tels que le sexe et les tissus sont toujours considérés comme aléatoires afin de mettre tous les effets sur un pied d’égalité. L'ajustement du modèle via REML permet aux effets de se faire concurrence pour expliquer la variabilité totale des données. Partitionner la variabilité totale de cette manière présente un avantage sur le partitionnement classique ANOVA de type 1, car il est en réalité indépendant de l'ordre des effets (sauf en cas de confusion grave). La technique peut être entièrement automatisée et fournit une affectation quantitative intéressante à toutes les sources de variabilité connues pour chaque composante principale, et la composante de variance résiduelle prend en charge tous les effets non spécifiés. Un résumé des résultats pour toutes les composantes principales peut être construit sous forme de moyenne pondérée des estimations individuelles, en utilisant des valeurs propres comme pondération, et affiché sous forme de graphique à barres ou à secteurs.
Dans un autre exemple, nous avons utilisé PVCA pour comparer les données de puces Affymetrix avec les données d’ARN-Seq d’Illumina next-gen dans une étude sur la schizophrénie (Mudge et al. 2008). PVCA fournit une ventilation quantitative de plusieurs sources principales de variabilité et révèle que les données de prochaine génération permettent de mieux distinguer le statut schizophrénique (diagnostic dans le graphique ci-dessous) pour cette étude.
Dans un troisième exemple, Li et al. (2009) appliquent PVCA à la correction par lot dans les données d'expression et fournissent une description détaillée de l'approche.
PVCA est un exemple clair de l’étape 1 de la recette de recherche ci-dessus. En ce qui concerne l'étape 2, je ne sais pas si «PVCA» est très intelligent, mais il capture au moins l'essence de l'approche et fait un double usage de «composant». (N'oubliez pas également d'éviter l'erreur de longue date d'utiliser «principe» au lieu de «principal»!)
En ce qui concerne l'étape 3, cet article de blog est une génuflexion dans cette direction. PVCA est disponible en Génomique JMP dans le cadre du processus Contrôle de la qualité> Corrélation et composantes principales. Vous pouvez aussi le faire à la main JMP en exécutant Composants principaux, en fusionnant les chargements d'échantillons résultants avec des attributs d'échantillons connus, puis en exécutant Fit Model avec les chargements en tant que variables Y et les attributs d'échantillon en tant qu'effets aléatoires. Essaie!
Références
Boedigheimer, MJ, Wolfinger, RD, Basse, MB, Bushel, PB, Chou, JW, Cooper, M., Corton, JC, Fostel, J., Hester, S., Lee, JS, Liu, F., Qian, H.-R., J. Quackenbush, S. Petit et S. KL Thompson (2008), Sources de variation des niveaux d'expression de base des gènes issus d'études toxicogénomiques chez plusieurs animaux au cours d'études toxicogénomiques. BMC Genomics, 9: 285.
Li, J., Bushel, P., Chu, T.-M. et Wolfinger, RD. (2009) Analyse en composantes de la variance principale: estimation des effets de lot dans les données d'expression génique de la micropuce, effets de lot et bruit dans des expériences de micropuce: sources et solutions, éd. A. Scherer, John Wiley & Sons.
Mudge, J., Miller, NA, I. Khrebtukova, Lindquist, IE, GD, Huntley, JJ, Luo, S., Zhang, L., van Velkinburgh, JC, Fermier, AD, Lewis, S., Beavis, WD, Schilkey, FD, Virk, SM, noir, CF, Myers, MK, Madar, LC Langley, RJ, Utsey, JP, Kim, RW, Roberts, RC, Khalsa, SK, Garcia, M., Ambriz. Griffith, V., Harlan, R., Czika, W., S. Martin, Wolfinger, RD, Perrone-Bizzozero, NI, Schroth, GP, Kingsmore, SF (2008) Analyse de convergence génomique de la schizophrénie: le séquençage d'ARNm révèle une synthèse synaptique altérée Transport vésiculaire dans le cervelet post-mortem PLos One 2008 PMID: 18985160
