Aparte de los avances realmente novedosos e innovadores, una receta básica para la investigación científica es:
Combine dos o más métodos establecidos que han evolucionado independientemente, aprovechando fortalezas particulares de cada uno.Dale a la nueva combinación un nombre inteligente.Publicar el diablo fuera de ella.En esta publicación del blog, me gustaría resaltar el Paso 1 para una técnica que hemos estado usando durante algunos años, ahora llamada Análisis de Componentes de Varianza Principal (PVCA). PVCA integra dos métodos con historiales ricos: análisis de componentes principales (PCA) y análisis de componentes de varianza (VCA). PCA encuentra combinaciones lineales de datos de baja dimensión con variabilidad máxima, mientras que los atributos de VCA y la variabilidad de particiones en fuentes conocidas a través de un modelo clásico de efectos aleatorios.
PCA es posiblemente la técnica más popular para datos de alta dimensión. Por ejemplo, considere los datos de la expresión génica de referencia normal de Boedigheimer et al. (2008), midiendo alrededor de 30,000 genes en 483 muestras de ratas. Si organizamos los datos en forma alta, con genes como filas y muestras como columnas, entonces tenemos una matriz de 30,000 x 483. Una PCA estándar se calcula centrando primero las columnas en su valor medio y luego calculando los primeros vectores propios de la matriz. Por lo tanto, obtenemos eigenscores tanto para las filas como para las columnas, y si nos centramos en los dos primeros conjuntos de puntuaciones para las muestras (alias cargas), podemos trazarlos uno contra el otro para ver qué muestras exhiben perfiles de expresión similares en las direcciones de separación máxima.
Una dificultad clave con PCA es adjuntar una interpretación a cada componente. El análisis factorial intenta abordar esto mediante rotaciones, pero son algo subjetivos y pueden ser difíciles de manejar. Una forma más sencilla de interpretar los componentes principales es colorear y / o marcar una gráfica de PCA con atributos de muestra conocidos para ver si alguno de ellos se alinea con los puntajes o explica los grupos. En muchos casos esto funciona, pero a medida que los datos concomitantes se vuelven más abundantes, el riesgo de perder algo se vuelve mucho más alto. En el ejemplo anterior, hay disponibles 35 diferentes atributos de muestra (por ejemplo, tipo de tejido, género, cepa, dieta). Para hacer las cosas más difíciles, los datos son observacionales (no un experimento diseñado), y muchos de los atributos se confunden significativamente entre sí. Con algunos trabajos minuciosos y tediosos, se pueden identificar visualmente varios factores clave, pero falta una pantalla cuantitativa completa.
Aquí es donde la fuerza de VCA entra en juego. Usando las puntuaciones del componente principal como respuestas, podemos configurar un modelo mixto con solo una intersección como el único efecto fijo y todas las fuentes conocidas de variabilidad como efectos aleatorios. Esto tiene el único propósito de dividir la variabilidad, por lo que incluso los efectos fijos clásicos como el género y el tejido aún se consideran aleatorios para poner todos los efectos en pie de igualdad. El ajuste del modelo a través de REML permite que los efectos compitan entre sí para explicar la variabilidad total en los datos. La partición de la variabilidad total de esta manera tiene una ventaja sobre la partición ANOVA tipo 1 clásica porque es efectivamente independiente del orden de los efectos (excepto en casos de confusión grave). La técnica puede ser completamente automatizada y proporciona una buena asignación cuantitativa a todas las fuentes conocidas de variabilidad para cada componente principal, y el componente de varianza residual acomoda todos los efectos no especificados. Un resumen de los resultados de todos los componentes principales se puede construir como un promedio ponderado de las estimaciones individuales, utilizando valores propios como ponderaciones, y mostrarse como un gráfico de barras o circular.
En otro ejemplo, utilizamos PVCA para comparar datos de micromatrices de Affymetrix con datos de RNA-Seq de próxima generación de Illumina en un estudio de esquizofrenia (Mudge et al. 2008). PVCA proporciona un desglose cuantitativo de varias fuentes clave de variabilidad y revela que los datos de la próxima generación hacen un mejor trabajo para distinguir el estado esquizofrénico (Diagnóstico en la gráfica a continuación) para este estudio.
En un tercer ejemplo, Li et al. (2009) aplican PVCA a la corrección de lotes en los datos de expresión y proporcionan una descripción detallada del enfoque.
PVCA en sí es un claro ejemplo del Paso 1 en la receta de investigación anterior. Con respecto al Paso 2, no estoy seguro de que "PVCA" sea muy inteligente, pero al menos captura la esencia del enfoque y hace doble uso de "componente". (Recuerde también para evitar el error de larga data de usar el "principio" en lugar de "principal"!)
En cuanto al Paso 3, bueno, esta publicación de blog en sí misma es una genuflexión en esa dirección. PVCA está disponible en JMP Genomics En el marco del proceso Control de Calidad> Correlación y Componentes Principales. También puedes hacerlo a mano en. JMP ejecutando los Componentes de Prinicipal, fusionando las cargas de muestra resultantes con los atributos de muestra conocidos, luego ejecutando el Modelo de ajuste con las cargas como variables Y y los atributos de muestra como efectos aleatorios. ¡Darle una oportunidad!
Referencias
Boedigheimer, MJ, Wolfinger, RD, Bajo, MB, Bushel, PB, Chou, JW, Cooper, M., Corton, JC, Fostel, J., Hester, S., Lee, JS, Liu, F., Qian, H.-R., Quackenbush, J., Petit, S., Thompson, KL, (2008), Fuentes de variación en los niveles basales de expresión génica de animales de control de estudios toxicogenómicos en múltiples laboratorios. BMC Genomics, 9: 285.
Li, J., Bushel, P., Chu, T.-M., y Wolfinger, RD (2009) Análisis de componentes de la varianza principal: estimación de los efectos de lote en los datos de expresión génica de micromatrices, los efectos de lotes y el ruido en experimentos de micromatrices: fuentes y soluciones, ed. A. Scherer, John Wiley & Sons.
Mudge, J., Miller, NA, Khrebtukova, I., Lindquist, IE, May, GD, Huntley, JJ, Luo, S., Zhang, L., van Velkinburgh, JC, Farmer, AD, Lewis, S., Beavis, WD, Schilkey, FD, Virk, SM, Black, CF, Myers, MK, Madar, LC Langley, RJ, Utsey, JP, Kim, RW, Roberts, RC, Khalsa, SK, Garcia, M., Ambriz- Griffith, V., Harlan, R., Czika, W., Martin, S., Wolfinger, RD, Perrone-Bizzozero, NI, Schroth, GP Kingsmore, SF (2008) Análisis de la convergencia genómica de la esquizofrenia: la secuenciación del ARNm revela una alteración sináptica alterada Transporte vesicular en el cerebelo post mortem PLos One 2008 PMID: 18985160
