참신하고 혁신적인 돌파구를 제외하고 과학 연구를위한 기본 요리법은 다음과 같습니다.
독립적으로 진화 된 두 가지 이상의 방법을 결합하여 각각의 특별한 강점을 활용하십시오.새 조합에 영리한 이름을 지정하십시오.그것에서 지옥을 게시하십시오.이 블로그 포스트에서는 Principal Variance Components Analysis (PVCA)라고 불리는 몇 년 동안 사용해온 기술에 대해 1 단계를 강조하고 싶습니다. PVCA는 PCA (Principal Components Analysis) 및 VCA (Variance Components Analysis)와 같은 풍부한 이력을 가진 두 가지 방법을 통합합니다. PCA는 최대 가변성을 가진 낮은 차원의 선형 데이터 조합을 찾지 만 VCA는 고전적인 랜덤 효과 모델을 통해 알려진 소스로 가변성을 지정하고 분할합니다.
PCA는 틀림없이 고차원 데이터를위한 가장 보편적 인 기술입니다. 예를 들어, Boedigheimer et al. (2008), 483 마리의 래트 샘플에서 약 30,000 개의 유전자를 측정했다. 데이터를 열과 샘플로 열이있는 키가 큰 형태로 정렬하면 우리는 30,000 x 483 행렬을 갖게됩니다. 표준 PCA는 우선 열의 중심 값을 중심으로 계산 한 다음 행렬의 처음 몇 개의 고유 벡터를 계산하여 계산됩니다. 따라서 우리는 행과 열 모두에 대한 고유치를 얻고, 샘플의 첫 두 세트 (aka 하중을 가함), 우리는 어떤 샘플이 최대 분리 방향에서 유사한 발현 프로파일을 보이는지를보기 위해 서로에 대해 도표를 그릴 수 있습니다.
PCA의 주요 어려움은 각 구성 요소에 해석을 첨부하는 것입니다. 요인 분석은 회전을 통해이를 해결하려고 시도하지만 이는 다소 주관적이며 관리가 어려울 수 있습니다. 주성분을 해석하는 더 간단한 방법은 알려진 샘플 속성을 사용하여 PCA 플롯을 색칠하거나 표식을 붙여서 점수 또는 설명 클러스터와 일치하는지 확인하는 것입니다. 많은 경우이 방법이 효과적이지만, 부수적 인 데이터가 풍부 해지면 무언가를 놓칠 위험이 훨씬 커집니다. 위의 예에서 35 가지 샘플 속성 (예 : 조직 유형, 성별, 스트레인, 다이어트)을 사용할 수 있습니다. 문제를 더 어렵게 만들기 위해 데이터는 관측 (설계된 실험이 아닌)이며, 많은 속성이 서로 상당히 혼동됩니다. 힘들고 지루한 작업으로 시각적으로 몇 가지 주요 요인을 식별 할 수 있지만 포괄적 인 양적 화면이 부족합니다.
이것이 바로 VCA의 강점입니다. 주성분 점수를 응답으로 사용하여 단 한 번의 고정 효과로 요격 만있는 혼합 모델을 설정하고 알려진 모든 변동 요인을 임의 효과로 설정할 수 있습니다. 이는 순전히 분산을 구분할 목적으로 사용되며, 성기와 조직과 같은 고전적인 고정 효과조차도 모든 효과를 동등한 기반 위에두기 위해 무작위로 간주됩니다. REML을 통한 모델 적합은 효과가 서로 경쟁하여 데이터의 전체 변동성을 설명합니다. 이 방식으로 전체 가변성을 파티셔닝하는 것은 고전적인 타입 1 ANOVA 파티셔닝보다 효과가 높기 때문에 효과적입니다 (심한 혼란의 경우 제외). 이 기법은 완전히 자동화 될 수 있으며 각 주성분에 대한 모든 알려진 변동성 소스에 좋은 양적 할당을 제공하며 잔류 분산 구성 요소는 모든 불특정 효과를 수용합니다. 모든 주요 구성 요소에 대한 결과 요약은 고유 값을 가중치로 사용하여 개별 견적의 가중 평균으로 구성 할 수 있으며 막대 또는 원형 차트로 표시됩니다.
또 다른 예로, 정신 분열증 연구에서 Affymetrix microarray 데이터와 Illumina 차세대 RNA-Seq 데이터를 비교하기 위해 PVCA를 사용했습니다 (Mudge et al. 2008). PVCA는 몇 가지 주요 변동 요인에 대한 정량 분석을 제공하며 차세대 데이터가 정신 분열병 상태 (아래 그림의 진단)를 구별하는 데 더 효과적이라는 것을이 연구에서 나타냅니다.
세 번째 예에서, Li et al. (2009)는 발현 데이터의 일괄 수정에 PVCA를 적용하고 접근법에 대한 자세한 설명을 제공합니다.
PVCA 자체는 위의 연구 방법에서 1 단계의 분명한 예입니다. 2 단계와 관련해서는 "PVCA"가 매우 영리한 지 확신 할 수 없지만 최소한 접근 방식의 본질을 파악하고 "구성 요소"를 두 번 사용합니다 ( "원리"를 사용하는 오랜 실수를 피하기 바랍니다. "교장"대신에!)
3 단계에서와 마찬가지로,이 블로그 게시물 자체는 그 방향으로의 계기가되었습니다. PVCA는에서 유효하다 JMP Genomics 품질 관리> 상관 관계 및 주요 구성 요소 프로세스에서 손으로 직접 할 수도 있습니다. JMP Prinicipal Components를 실행하여 결과 샘플로드를 알려진 샘플 속성과 병합 한 다음 Y 변수로로드 및 임의 효과로 샘플 속성을 사용하여 적합 모델을 실행합니다. 시도 해봐!
참고 문헌
Boedigheimer, MJ, Wolfinger, RD, Bass, MB, Bushel, PB, Chou, JW, Cooper, M., Corton, JC, Fostel, J., Hester, S., Lee, JS, Liu, H. -R., Quackenbush, J., Petit, S., Thompson, KL, (2008), 여러 실험실에 걸친 독성 유전자 연구 통제 동물의 기준 유전자 발현 수준의 변이원. BMC Genomics, 9 : 285.
Li, J., Bushel, P., Chu, T.-M. 및 Wolfinger, RD (2009) Principal Variance Components Analysis : Microarray 실험에서 Microarray Gene Expression Data, Batch Effects 및 Noise의 배치 효과 추정 : Source and Solutions, ed. A. Scherer, John Wiley & Sons.
Mudge, J. Miller, NA, Khrebtukova, I., Lindquist, IE, May, GD, Huntley, JJ, Luo, S., Zhang, L., 반 Velkinburgh, JC, 농부, 광고, 루이스, RW, Roberts, RC, Khalsa, SK, Garcia, M., Ambriz-Beavis, WD, Schilkey, FD, Virk, SM, Black, CF, Myers, MK, Madar, LC Langley, RJ, Utsey, Griffith, V., Harlan, R., Czika, W., Martin, S., Wolfinger, RD, Perrone-Bizzozero, NI, Schroth, GP Kingsmore, SF (2008) 정신 분열병의 유전체 수렴 분석 : mRNA 시퀀싱은 시냅스가 변형 된 것으로 밝혀졌습니다. 포스트 모템 소포 PLOS 1 2008 년 수포 운송 PMID : 18985160
