Home » Unlabelled » QLUCORE OMICS EXPLORER

QLUCORE OMICS EXPLORER

Posted by Unknown Rabu, 03 Februari 2016 0 comments

QLUCORE OMICS EXPLORER

Bab 1

1 Pendahuluan

Bab 2

2 Landasan Teori

2.1 Definisi Heatmap

Apa itu heatmap? Heatmap adalah sebuah peta yang menggambarkan persebaran lokasi dan frekuensi data dalam dengan pewarnaan. Heatmap adalah representasi grafis dari data di mana nilai-nilai individu yang terkandung dalam matriks yang direpresentasikan sebagai warna. Peta fraktal dan peta pohon baik sering menggunakan sistem serupa warna-coding untuk mewakili nilai-nilai yang diambil oleh variabel dalam hirarki. Istilah ini juga digunakan untuk berarti aplikasi tematik sebagai peta choropleth.

2.2 Sejarah Heatmap

Istilah "Heatmap" pada awalnya diciptakan dan merek dagang oleh software desainer Cormac Kinney pada tahun 1991, untuk menggambarkan tampilan 2D menggambarkan real time informasi pasar keuangan.

Heatmap berasal menampilkan 2D dari nilai-nilai dalam matriks data. nilai yang lebih besar diwakili oleh kotak kecil abu-abu gelap atau hitam (piksel) dan nilai-nilai yang lebih kecil dengan kotak ringan. Sneath (1957) ditampilkan hasil analisis cluster dengan permutasi baris dan kolom dari matriks untuk menempatkan nilai yang sama dekat satu sama lain sesuai dengan clustering. Jacques Bertin digunakan representasi yang sama untuk menampilkan data yang sesuai untuk skala Guttman. Ide untuk bergabung pohon cluster untuk baris dan kolom dari matriks data yang berasal Robert Ling pada tahun 1973. Ling digunakan karakter printer telak untuk mewakili berbagai nuansa abu-abu, satu karakter-lebar per pixel. Leland Wilkinson mengembangkan program komputer pertama pada tahun 1994 (SYSTAT) untuk menghasilkan peta panas cluster dengan grafis warna resolusi tinggi. The Eisen et al. display yang ditunjukkan pada gambar adalah replikasi dari sebelumnya SYSTAT desain.

Pada tahun 1993, dengan Carnegie Mellon Senior Research Scientist, Marc H. Graham, Kinney didirikan NeoVision Hypersystems, Inc. untuk mengembangkan dan memasarkan teknologi heatmaps. NeoVision heatmaps adalah waktu middleware nyata dan platform komputasi dengan antarmuka visual warna-warni sekarang-akrab. Dengan platform heatmaps, perdagangan khusus, manajemen risiko dan broker pemantauan aplikasi yang dibangun, mengkonsolidasikan sejumlah besar real time dan data statis.

Setelah lisensi teknologi untuk meja perdagangan di Merrill Lynch, Citibank, Salomon Brothers dan Morgan Stanley, dan 9 departemen di Deutsche Bank, ia mengangkat total $ 8 juta dari Deutsche Bank, Bear Stearns, Intel Corporation dan investor modal ventura.

Dengan modal segar, Kinney disewa Brian Barefoot, Presiden PaineWebber International, dan kepala sebelumnya global penjualan dan perdagangan di Merrill Lynch sebagai CEO, menambahkan Deutsche Bank Global COO ke papan NeoVision ini, dan terus memperluas peluncuran heatmaps banyak buy besar dan menjual lembaga keuangan sisi, termasuk Bank of America, PaineWebber, Bear Stearns, Merrill Lynch, Smith Barney dan 13 broker lainnya, JPMorgan Chase, Fidelity dan DTC , untuk memantau sampai $ 1,7 triliun pada transaksi harian. Setelah NeoVision, Barefoot menjadi Presiden Babson College selama tujuh tahun.

lisensi distribusi yang signifikan dibuat dengan Bloomberg LP, Dow Jones Telerate, Thomson, dan Reuters untuk lisensi heatmaps ke lebih dari 300.000 desktop. The Nasdaq adalah yang pertama untuk lisensi versi web, webHeatmaps, yang telah disertakan pada halaman depan www.nasdaq.com sejak tahun 2001 sampai 2013, dengan sekitar 2,4 juta tampilan halaman setiap hari.

Pada tahun 2002, ia merancang biaya perdagangan sistem analisis untuk Fidelity Investments - dikutip oleh The Wall Street Journal sebagai "sistem pelacakan canggih untuk melihat mana broker dapat melakukan perdagangan yang paling efisien," yang dikreditkan, sebagian, dengan mengurangi reksadana biaya perdagangan perusahaan dengan ratusan juta dolar per tahun, setengah rata-rata industri. Sistem ini, Brokermaps, kemudian dipasang di Bank of America Manajemen Investasi, Invesco, Janus, Merrill Lynch Investment Management dan Putnam Investments.

Pada Juli 2013, sejak tahun 1993, heatmaps telah dikutip di lebih dari 350 paten yang diberikan oleh PTO AS, dan di puluhan peer review makalah penelitian.

Setelah direncanakan IPO $ 30.000.000 jatuh karena com kecelakaan dot, NeoVision diakuisisi pada tahun 2003 oleh software keuangan konglomerat SS & C Technologies. Hari ini teknologi NeoVision dimasukkan ke dalam beberapa SS & C produk.

2.3 Tipe Heatmap

Ada berbagai jenis heatmap:

Heat map telah digunakan untuk menampilkan area dari halaman web yang paling sering dipindai oleh pengunjung. Heatmaps web yang sering digunakan bersama bentuk-bentuk lain dari analisis web dan alat sesi replay.

Peta biologi panas biasanya digunakan dalam biologi molekuler untuk mewakili tingkat ekspresi banyak gen di sejumlah sampel sebanding (misalnya sel di negara-negara yang berbeda, sampel dari pasien yang berbeda) karena mereka diperoleh dari DNA microarray.

Tree map adalah partisi hirarkis 2D dari data yang secara visual menyerupai peta panas.

Sebuah plot mosaik adalah heatmap untuk mewakili dua arah atau lebih dataran tinggi-cara tabel data. Seperti treemaps, daerah persegi panjang dalam plot mosaik yang hirarki terorganisir. Sarana bahwa daerah yang persegi panjang bukannya kotak. Friendly (1994) survei sejarah dan penggunaan grafik ini.

2.4 Skema Warna

Ada banyak skema warna yang berbeda yang dapat digunakan untuk menggambarkan heatmap, dengan keuntungan persepsi dan kerugian untuk setiap. Rainbow colormaps sering digunakan, agar manusia dapat merasakan nuansa lebih warna dari yang mereka dapat dari abu-abu, dan ini nantinya akan meningkatkan jumlah detail dipahami dalam gambar. Namun, ini tidak disarankan oleh banyak dalam komunitas ilmiah, dengan alasan sebagai berikut:

Warna kekurangan memesan persepsi alami yang ditemukan dalam grayscale atau hitam colormaps spektrum.

Colormaps umum (seperti "jet" colormap digunakan sebagai default di banyak paket perangkat lunak visualisasi) memiliki perubahan yang tidak terkendali di luminance yang mencegah konversi berarti untuk grayscale untuk tampilan atau pencetakan. Ini juga mengalihkan perhatian dari data aktual, sewenang-wenang membuat daerah kuning dan cyan tampil lebih menonjol dari pada daerah data yang sebenarnya paling penting.

Perubahan antara warna juga menyebabkan persepsi gradien yang tidak benar-benar hadir, membuat gradien yang sebenarnya kurang menonjol, yang berarti bahwa colormaps pelangi dapat rinci sebenarnya jelas dalam banyak kasus daripada meningkatkan itu.

2.5 Cluster Heatmap

Cluster Heatmap atau Peta klaster panas adalah kotak atau persegi panjang dari matriks data dengan pohon klaster ditambahkan ke margin-nya. Dalam area tampilan yang relatif kompak, memfasilitasi pemeriksaan baris, kolom, dan struktur cluster bersama. Matriks data yang cukup besar (beberapa ribu baris / kolom) dapat ditampilkan secara efektif pada warna monitor resolusi tinggi dan matriks yang lebih besar dapat ditangani di media cetak atau di display megapiksel.

Peta klaster panas terkenal dalam ilmu alam dan salah satu grafik yang paling banyak digunakan dalam ilmu biologi. Sebagai Weinstein (2008) menyebutkan:

Untuk visualisasi, sejauh ini representasi grafis yang paling populer telah heatmap berkerumun, yang compacts sejumlah besar informasi ke dalam sebuah ruang kecil untuk membawa keluar pola yang koheren dalam data. ... Sejak debut mereka lebih dari 10 tahun yang lalu, peta berkerumun panas telah muncul di lebih dari 4000 publikasi biologis atau biomedis.

Weinstein menggambarkan peta panas sebagai berikut:

Dalam kasus ekspresi gen data, warna ditugaskan ke titik di peta panas jaringan menunjukkan berapa banyak dari RNA tertentu atau protein dinyatakan dalam sampel yang diberikan. Ekspresi gen Tingkat umumnya ditandai dengan warna merah untuk ekspresi tinggi dan baik hijau atau biru untuk ekspresi yang rendah. Pola koheren (patch) dari warna yang dihasilkan oleh pengelompokan hirarki pada kedua horisontal dan vertikal sumbu untuk membawa seperti bersama-sama dengan seperti. Hubungan Cluster ditandai dengan pohon-seperti struktur berdekatan dengan peta panas, dan patch warna dapat menunjukkan hubungan fungsional antara gen dan sampel.

Gambar 1 menunjukkan peta panas khas seperti yang dijelaskan oleh Weinstein. Yang paling populer bioinformatika perangkat lunak untuk memproduksi grafis ini didokumentasikan dalam Eisen et al. (1998). The Eisen kertas, yang menggambarkan sebuah cluster panas peta Program, adalah artikel yang paling dikutip ketiga di PNAS pada tanggal 1 Juli, 2008 (PNAS 2008). The "Debut" Weinstein mengacu mungkin adalah debut dalam literatur biologi, tapi jelas tidak debut dalam literatur statistik. Komponen layar ini memiliki sejarah panjang dalam grafik statistik. Itu referensi biologi memberikan sedikit indikasi latar belakang untuk ide-ide yang mendasari diperlukan untuk membangun peta panas. Pada artikel ini, kita menelusuri garis keturunan dari peta panas dan menunjukkan apa elemen yang akhirnya terintegrasi dalam tampilan yang ahli biologi akhirnya diadopsi.

Untuk menjelaskan sejarah layar ini, kami akan menyajikan masing-masing komponen yang mendasari desain peta klaster panas. Beberapa yang cukup lama, beberapa yang relatif baru.

2.5.1 Shading Matriks

Pusat peta panas adalah matriks layar warna teduh. Berbayang menampilkan matriks yang lebih dari satu abad tua. Gambar 2 menunjukkan contoh dari Loua (1873). Grafis ini merangkum berbagai statistik sosial di seluruh arondisemen Paris. Seperti grafis lainnya dalam buku ini, itu digambar tangan dan berwarna. Shading tabel atau matriks adalah perangkat lama untuk menyoroti entri, baris, atau kolom. Akuntan, desainer grafis, insinyur komputer, dan lain-lain telah menggunakan metode ini selama bertahun-tahun. Yang paling umum baru-baru ini aplikasi melibatkan penggunaan warna untuk baris warna, kolom, atau sel-sel dari spreadsheet.

2.5.2 Permuting Matriks

Peta klaster panas tidak lebih dari warna. Ini permutes baris dan kolom dari matriks untuk mengungkapkan struktur. Permutasi matriks memiliki sejarah panjang juga. Seperti ide shading, menyortir matriks atau tabel untuk mengungkapkan struktur adalah lebih dari satu abad tua. Gambar 3 menunjukkan matriks diurutkan data pendidikan dari Brinton (1914). Gambar 4 menunjukkan contoh dari Bertin (1967). Jacques Bertin dikhususkan bab untuk menggambarkan kegunaan apa yang disebut matriks reorderable. Contoh nya diurutkan dengan tangan.

Seriation

Itu adalah antropolog yang mengembangkan salah satu model pertama untuk memesan matriks data. Petrie (1899) berusaha untuk mengatur ulang baris dan kolom dari matriks persegi panjang dari pengukuran pada antropologi artefak sehingga nilai terbesar akan dekat diagonal utama. Tujuan langsungnya adalah menggunakan atribut (kolom) untuk cerita artefak (baris) dalam rangka memulihkan memesan temporal di artefak. Tujuannya memiliki implikasi baik di luar materi pelajaran nya. Petrie telah mengidentifikasi struktur Toeplitz tersirat dalam pemesanan matriks data berdasarkan waktu (atau beberapa dimensi lain). Artikelnya yang dihasilkan banyak literatur

Figure 8:

image: 7C__Users_Dicka_Pictures_gambar_4.eps

Gambar 4: permutasi layar matriks dari Bertin (1967). Angka ini dirancang untuk menggambarkan kemungkinan menyortir matriks untuk mengungkapkan struktur blok-diagonal

selama lebih dari satu abad pada topik bervariasi disebut seriation atau matriks penataan kembali (Robinson 1951; Kendall 1963; McCormick et al. 1972; Hubert 1974, 1976; Lenstra 1974; Ramah 2002; Ramah dan Kwan 2003; Climer dan Zhang 2006). Sepuluh tahun setelah Petrie, Jan Czekanowski mengembangkan metode seriation dan menggunakan Dialog berbayang gram untuk mewakili struktur data blok-diagonal. Gambar 5 menunjukkan matriks diurutkan data pendidikan dari Czekanowski (1909). Display Czekanowski, kecuali kurangnya pewarnaan dan pohon klaster ditambahkan, adalah mirip dengan output dari program penataan kembali matriks komputer kontemporer (Liiv 2008)

Guttman Scalogram

Lima puluh tahun setelah Petrie, Louis Guttman memperkenalkan permutasi matriks untuk mengungkapkan yang berbeda satu dimensi struktur. The Guttman Scalogram (Guttman 1950) adalah metode langsung untuk pas model deterministik (a total order yang Guttman disebut Simplex) untuk matriks biner. Dalam metode Guttman, biner persegi panjang matriks itu permutasi dengan tangan (menggunakan kertas atau mesin tabulasi) untuk mendekati skala unidimensional: di bawah kuasi-diagonal yang menjadi sebanyak 1 sebagai mungkin dan atas kuasi-diagonal, sebanyak 0 sebagai mungkin. Sebuah matriks dengan struktur ini dikatakan scalable, menyiratkan pemesanan baris dan kolom. The Scalogram menemukan aplikasi luas dalam dekade berikutnya, terutama dalam ilmu-ilmu sosial. Ara- ure 6 menunjukkan contoh dari Rondinelli (1980). Program komputer akhirnya otomatis skala ini (Nie et al. 1970; Wilkinson 1979). Lainnya akhirnya mengembangkan program analisis visual interaktif untuk memungkinkan pengguna untuk mengeksplorasi permutasi mereka sendiri (Siirtola dan Makinen 2005). Dan statistik dikembangkan stochastic generalisasi model Guttman yang memungkinkan permutasi ini untuk diterapkan lebih luas (Goodman 1975; Andrich 1978).

Clustering hirarkis

Tidak lama setelah Scalogram Guttman menjadi populer, analis klaster mengambil minat dalam mewakili kelompok oleh asosiasi shading (kesamaan / ketidaksamaan) matriks. Sneath (1957) mungkin merupakan advokat awal untuk grafis ini. Ling (1973) memperkenalkan program komputer, yang disebut SHADE, untuk menerapkan ide Sneath ini. Ling Program digunakan overstrikes pada printer karakter untuk mewakili derajat yang berbeda dari bayangan. Gower dan Digby (1981) dilaksanakan tampilan Ling pada printer dot matrix. Gambar 7 menunjukkan contoh dari bab mereka.

Dua arah Clustering

Tak lama setelah kertas Ling, Hartigan (1974) memperkenalkan program pengelompokan blok dengan layar langsung dari persegi panjang matriks data. Teori di balik program ini telah dibahas di Hartigan (1975).

Kerja Hartigan ini, Wilkinson (1984) menerapkan dua arah pengelompokan hirarki rutin pada persegi panjang matriks data, menggunakan metode shading Ling untuk layar.

Seriating a Binary Tree

Untuk pohon biner dengan daun n, ada 2 -n 1 orderings linear yang mungkin dari daun dalam tata letak planar pohon. Algoritma clustering hirarki tidak menentukan tata letak tertentu. Oleh karena itu, kita perlu algoritma tambahan untuk Seriate baris / kolom dari matriks berkerumun. Gruvaeus dan WAINER (1972) mengembangkan algoritma serakah yang Wilkinson digunakan di layar SYSTAT. Gale et al. (1984) menyusun algoritma alternatif untuk tujuan ini. Makalah yang lebih baru membahas masalah ini secara rinci dan menentukan algoritma optimasi dengan fungsi obyektif yang dirancang untuk tugas (Wishart 1997; Bar-joseph dkk. 2003; Morris et al. 2003). Aspek yang diinginkan dari algoritma ini adalah bahwa mereka menghasilkan total order ketika ada (misalnya, ketika matriks asosiasi memiliki bentuk Toeplitz).

Appending Trees

Masih ada isu menambahkan pohon cluster untuk data matriks persegi panjang. Kita telah melihat contoh-contoh yang menambahkan sebuah pohon clustering untuk matriks asosiasi. Gower dan Digby (1981) mengambil langkah berikutnya dan ditambahkan pohon cluster untuk kedua baris dan kolom matriks asosiasi. Gambar 8 menunjukkan template mereka. Mereka tata letak dalam beberapa hal lebih unggul peta microarray panas modern, karena bersamaan menampilkan baris dan kolom kesamaan / perbedaan-perbedaan yang clustering didasarkan. Chen (2002) dan lain-lain yang diadopsi desain ini. Ini adalah langkah singkat dari desain ini untuk tata letak yang dipilih oleh para ahli biologi. Pertama peta panas diterbitkan dalam bentuk ini muncul di Wilkinson (1994). Gambar 9 menunjukkan versi warna angka dari SYSTAT manual. Pada saat Eisen et al. (1998) muncul, ada puluhan ribu eksemplar SYSTAT beredar di komunitas ilmiah.

Weinstein (2008) menemukan membangun klaster panas memetakan sebuah "proses mengejutkan halus." Deskripsinya kehalusan ini tidak akan mengejutkan ahli statistik. Mereka yang akrab dengan literatur klaster tahu bahwa ada literatur.

Isu-isu mengenai pilihan ukuran jarak (Euclidean, tertimbang Euclidean, City Block, dll) dan pilihan metode linkage (tunggal, lengkap, rata-rata, pusat massa, Ward, dll). Kettenring (2006) membahas masalah ini dalam praktek. Selain itu, Weinstein menyebutkan masalah memesan daun clustering pohon, menunjukkan bahwa "beberapa tujuan (tapi, untuk gelar, sewenang-wenang) aturan harus dipanggil untuk memutuskan mana cara masing-masing cabang akan, pada kenyataannya, ayunan "Seperti yang telah kami sebutkan, ini bukan tujuan yang sewenang-wenang.; itu a-didefinisikan dengan baik masalah seriation. Paket statistik modern menerapkan tampilan peta panas sebagai bagian dari paket pengelompokan (misalnya, JMP dan SYSTAT) atau mereka membuatnya mudah untuk merencanakan peta panas menggunakan algoritma seriation (misalnya, R dan Stata).

Dengan demikian, semua pilihan yang tersedia untuk pengelompokan atau analisis lainnya renderable di peta panas. Ini arsitektur fleksibel menggarisbawahi fakta bahwa peta panas adalah refleksi visual model statistik. ini bukan pemesanan sewenang-wenang baris dan kolom klaster pohon. Secara umum, peta matriks panas dapat dianggap sebagai display yang baris dan kolom telah permutasi melalui algoritma. Banyak referensi baru-baru ini dikutip dalam artikel ini menyebutkan eksplisit fungsi tujuan untuk mengevaluasi permutasi yang dihasilkan. Fungsi kerugian seriation populer adalah jumlah dari jarak antara baris dan kolom yang berdekatan. Kita dapat meminimalkan fungsi ini langsung pada dataset yang diberikan atau menggunakannya untuk mengevaluasi kebaikan dari seriation heuristik tertentu. Atau, kita dapat mencicipi nilai dari distribusi bivariat diketahui, mengacak baris dan kolom dalam matriks data sampel, dan membandingkan solusi dari algoritma seriation berbeda.

Wilkinson (2005) yang dihasilkan matriks persegi panjang yang baris dan kolom covariances ditentukan oleh lima berbeda struktur kovarians: Toeplitz, Band, Edaran, Equicovariance, dan Blok diagonal. Dia kemudian secara acak baris dan kolom permutasi sebelum menerapkan beberapa algoritma seriation yang berbeda, termasuk clustering, MDS, dan SVD. Secara keseluruhan, SVD pulih pemesanan asli lebih baik daripada metode lain yang digunakan pada semua lima jenis matriks. Temuan ini menunjukkan bahwa SVD sederhana mungkin yang terbaik metode seriation umum dan klaster yang metode harus dibatasi kepada mereka dataset mana model cluster yang sesuai. Jika SVD yang dipilih, maka salah satu harus mempertimbangkan metode yang kuat terakhir untuk dekomposisi ini (Liu et al. 2003). Untuk data microarray, itu masih merupakan pertanyaan terbuka apakah seriation berbasis hirarkis-clustering lebih berguna daripada pendekatan lain, meskipun popularitas dari metode ini.

Bab 3

3 Aplikasi pendukung Heatmap

3.1 Qlucore Omics Explorer

3.1.1 Apa itu Qlucore Omics Explorer?

Qlucore adalah sebuah perusahaan dari Lund, Swedia, yang menyediakan software bioinformatika untuk industri ilmu kehidupan dan biotek. Para pendiri adalah Thoas Fioretos, profesor dan konsultan senior di Divisi Genetika Klinis di Rumah Sakit Universitas Lund, Johan Rade, profesor matematika di Universitas Lund, Magnus Fontes, guru besar matematika di Universitas Lund dan presiden Qlucore Carl-Johan Ivarsson. Saat ini, produk Qlucore digunakan di 23 negara. Produk utama perusahaan, Qlucore omics Explorer, menggabungkan metode statistik dengan real time visualisasi dan antarmuka pengguna yang intuitif, sehingga memudahkan para ilmuwan biomedis untuk menganalisis data mereka sendiri, atau bersama-sama dengan spesialis bioinformatika. Mesin perangkat lunak inti visualisasi data 3D serta 2D dan karena itu dapat membantu pengguna untuk mengidentifikasi struktur dan pola tersembunyi. Kombinasi visualisasi, metode statistik canggih dan klik dan titik user interface yang mudah digunakan telah membantu banyak ilmuwan dengan penelitian mereka.

Perangkat lunak Qlucore omics Explorer dapat digunakan untuk menganalisis data set seperti:

ekspresi gen: RNA-seq, microarray, real-time PCR

MicroRNA: microarray, real-time PCR

DNA metilasi: microarray

ekspresi protein: microarray, array antibodi, 2-D gel

proteomik

Data metabolomik

Setiap data multivariat ukuran sampai dengan 1000 x 100.000

3.1.2 Tutorial menggunakan Qlucore Omics Explorer (QOE)

Untuk memulai QOE, klik dua kali ikon Qlucore omics Explorer (shortcut) pada desktop atau mulai Qlucore omics Explorer dari Menu Program ditemukan di Start Menu.

The QOE Jendela Utama akan muncul. Kita mulai dengan orientasi yang cepat dari apa yang Anda lihat pada layar, lihat gambar di bawah. Di tengah-tengah Anda menemukan Ruang Kerja di mana semua plot akan ditampilkan di Plot Windows. Selanjutnya Anda menemukan beberapa Dock Windows. Secara default Sampel, Variabel dan Log dermaga jendela merapat ke kiri jendela utama dan Statistik dan Mendapatkan jendela Memulai mengambang.

Di Menu Bar Anda dapat memilih dermaga jendela yang ditampilkan di bawah View> Dock Windows. Dari menu View Anda juga dapat meluncurkan GO Browser dan GSEA Workbench serta Quality Control (QC) laporan. Di bawah Menu bar Anda menemukan kontrol yang berbeda yang mengatur fungsi alat mouse dan operasi dilakukan pada kumpulan data. Anda juga menemukan tujuh Tab yang berbeda: Data, Metode, Options, Lihat, Cluster, Membangun classifier dan Classify, yang akan membantu Anda untuk memilih dan mengelola alur kerja di QOE.

Di tepi jendela Statistik Anda dapat memilih metode statistik yang Anda ingin gunakan untuk mempelajari dataset Anda.

Akhirnya di bagian bawah Anda menemukan Status Bar. Dalam Status Bar Anda menemukan misalnya jumlah total sampel dan variabel dalam set data ditampilkan dan informasi di berapa banyak dari mereka yang secara aktif mengambil bagian dalam analisis pada saat ini.

Untuk memulai, kita pertama-tama mengembalikan pengaturan default.

Pilih File> Kembalikan Pengaturan Default item menu di Menu Bar

Pilih OK, ketika Anda akan ditanya apakah Anda ingin mengembalikan pengaturan default

Perhatikan bahwa ketika nanti keluar QOE pengaturan saat ini akan disimpan dan digunakan berikutnya kali program dimulai dan Anda dapat dengan demikian secara langsung mulai bekerja dengan pengaturan yang terbaik sesuai data Anda.

Untuk membuka file data.

Buka menu Help> Contoh File> Qlucore Data Uji Set.gedata

The Qlucore Test Data Set sekarang terbuka di QOE dan Anda memiliki posisi awal untuk mulai menganalisis data.

Apa yang Anda lihat saat ini di Ruang Kerja adalah proyeksi komponen utama dari 12 sampel dari 50 dimensi (sesuai dengan 50 pengukuran (variabel) untuk masing-masing sampel) turun ke ruang tiga dimensi yang direntang oleh tiga pokok pertama komponen. Sampel berwarna sesuai dengan sampel ID penjelasan seperti dapat terlihat di jendela Color Legend.

Figure 14:

image: 13C__Users_Dicka_Pictures_gambar_10.eps

Ke kiri, jendela Sampel dipilih secara default. Di sini Anda dapat melihat dan memanipulasi informasi yang terhubung ke sampel Anda. Sejalan dengan itu, Anda akan menemukan informasi berkaitan dengan variabel dengan memilih jendela Variable. Dengan memilih jendela Log Anda akan dapat membuat Log alur kerja Anda di QOE. Pada jendela Color Legenda Anda menemukan semua informasi yang relevan, dalam bentuk yang mudah untuk ekspor, mengenai pewarnaan sampel atau variabel. Anda dapat memilih untuk menutup dermaga jendela Color Legenda agar untuk mendapatkan ruang kerja yang lebih.

Di atas Work Sheet dan di bawah menu bar Anda menemukan kontrol yang berbeda mengandung perintah untuk beberapa fungsi dasar. Di antara mereka adalah Data, Metode, Pilihan dan View tab. Data tab memiliki kontrol yang berhubungan dengan bagaimana data dipersiapkan untuk analisis masa depan dan tab View berisi kontrol yang berhubungan dengan bagaimana data disajikan. Metode tab dipilih secara default dan di sana Anda menemukan kontrol yang berhubungan dengan analisis. Tab Options meliputi perbaikan dan penambahan metode yang tersedia di Metode tab. Anda memilih jenis petak di tab Metode (Contoh PCA dipilih oleh default). Anda juga memilih cara menormalkan / skala data Anda di sini dan untuk membuat grafik / jaringan. Tab Cluster mengontrol penciptaan otomatis dari cluster. Tab Build classifier meliputi fungsi untuk membangun pengklasifikasi. The Mengklasifikasikan tab memungkinkan klasifikasi sampel berdasarkan classifier a.

Figure 15:

image: 14C__Users_Dicka_Pictures_gambar_11.eps

Ada beberapa jenis plot yang berbeda tersedia di QOE dan adalah mungkin untuk mengkonfigurasi plot dalam berbagai cara. Ada delapan jenis plot utama dan Anda memilih jenis petak di Metode tab.

Beberapa plot dapat dikonfigurasi untuk menunjukkan baik sampel atau variabel. ini adalah dipilih menggunakan tombol mode di tab Metode. Dalam Tebar, Box, Line, Bar dan Histogram pilihan lebih lanjut tentang apa yang harus plot dibuat menggunakan alat Seleksi Axis data.

QOE memungkinkan tingkat fleksibilitas yang tinggi dalam jumlah plot dan dataset yang Anda bisa buka secara paralel. Ketika banyak plot terbuka plot yang terakhir diaktifkan oleh kiri klik dengan Mouse disebut plot aktif. Operasi yang dipilih biasanya akan mempengaruhi plot aktif.

Statistik jendela yang penting dan Anda memiliki kebebasan untuk posisi jendela ini dimanapun Anda inginkan di layar Anda. Kami kemudian akan menjelaskan beberapa fungsi jendela Statistik

Pindahkan jendela Statistik untuk melihat dengan jelas sampel ditampilkan.

Sebelum kita melanjutkan kita akan membiasakan diri dengan struktur dasar dari Qlucore Uji Data Set. Sebuah subset dari kumpulan data disajikan dalam tabel di bawah. Kumpulan data termasuk 50 variabel yang diukur untuk 12 sampel.

Figure 16:

image: 15C__Users_Dicka_Pictures_gambar_12.eps

Lima baris pertama adalah penjelasan sampel dan yang pertama tiga kolom adalah penjelasan variabel.

Data matriks dimulai dengan sel dengan nilai "0,071".

Sekarang, mari kita lanjutkan. Semua perintah yang diberikan di QOE segera mempengaruhi proyeksi ditampilkan di Plot Windows.

Pilih tab View

Pada bagian Warna tab View, pilih untuk warna sampel Anda sesuai dengan penjelasan "Treatment".

Figure 17:

image: 16C__Users_Dicka_Pictures_gambar_13.eps

Ini akan mewarnai aktif PCA plot contoh. Pada tab View ada lebih banyak mewarnai Pilihan dan pilihan akan berubah tergantung pada jenis plot yang aktif. Dalam tutorial kita akan menyebutkan beberapa pilihan warna tapi jangan ragu untuk mencoba milikmu.

Dalam Tool Box Anda memilih fungsi mouse (Move tombol radio di sudut kiri atas diperiksa secara default).

Ketika Move dipilih, Anda dapat memutar gambar dengan menekan kiri mouse tombol dan drag gambar dengan mouse di Ruang Kerja

Pilih Pusat di Tool Box dan kemudian klik kiri pada sampel di plot. The sampel yang dipilih kemudian ditempatkan di pusat Plot Window

Figure 18:

image: 17C__Users_Dicka_Pictures_gambar_14.eps

Dengan mengklik kiri sampel lain, sampel ini akan ditempatkan di tengah sebaliknya. Oleh mengklik Batal di Tool Box plot aslinya dikembalikan.

Figure 19:

image: 18C__Users_Dicka_Pictures_gambar_15.eps

Clear dan Multi dua kontrol yang mempengaruhi penggunaan alat mouse yang dipilih. Yang jelas akan menghapus semua tanda dan label yang dipilih dan Multi akan memungkinkan Anda untuk membuat beberapa Pilihan.

Pilih Move.

Di sudut kiri bawah dari jendela utama Anda menemukan Status Bar. Di sini Anda melihat teks 12/12 Sampel, menunjukkan bahwa semua sampel yang tersedia saat ini dipertimbangkan dalam alur kerja, masing-masing dari mereka sesuai dengan salah satu dari 12 bulatan kecil yang Anda lihat diplot di layar.

Pilih Info di Tool Box dan kemudian klik kiri pada sampel.

3.1.3 Analisis statistik dengan Visual Feedback

Pada bagian ini kita akan terus bekerja dengan hanya satu petak aktif dan itu akan menjadi heatmap.

Kami akan melakukan uji statistik dan memvisualisasikan hasilnya secara bersamaan. Kita akan menggunakan heatmap untuk menghasilkan umpan balik visual. Kita bisa bekerja dengan jenis rencana tapi untuk alasan pedagogik kami memperkenalkan jenis plot baru. Pilih Heat di tab Metode.

Anda akan langsung mendapatkan plot di bawah ini.

Figure 20:

image: 19C__Users_Dicka_Pictures_gambar_16.eps

Catatan: bagian putih dari heatmap menunjukkan nilai-nilai yang telah direkonstruksi menggunakan rekonstruksi nilai yang hilang. Pada tab Data metode untuk nilai yang hilang rekonstruksi dapat dipilih. Silahkan lihat manual Referensi untuk lebih jelasnya tentang hilang nilai-nilai.

Anda pilih Normalisasi dalam kotak Normalisasi pada tab Metode. Standarnya adalah untuk menyajikan data dinormalisasi.

Pertama kita meningkatkan plot dengan menambahkan elemen visual tambahan.

Pilih Warna Sampel di tab View dan kemudian warna dengan anotasi "Treatment".

Kemudian pilih Orde Sampel di tab View dan pilih "Hierarchical clustering"

Figure 21:

image: 20C__Users_Dicka_Pictures_gambar_17.eps

Ada empat algoritma yang berbeda (Linkage) bahwa Anda akan menemukan di Options tab untuk menghasilkan cluster (mean, rata-rata tertimbang, minimum dan maksimum linkage). Kami mengacu pada referensi manual untuk informasi lebih lanjut tentang ini dan informasi terkait di heatmaps dan clustering. Clustering dapat didasarkan baik pada:

Kovarian (yaitu menggunakan data dinormalisasi berarti 0 untuk setiap variabel), atau

Korelasi (yaitu menggunakan data dinormalisasi berarti 0 dan varians 1 untuk setiap variabel).

3.1.4 Menggunakan Jaringan dan Grafik

Anda dapat dengan mudah membuat grafik di QOE menghubungkan sampel atau variabel. ketika membuat grafik jarak yang terlibat selalu jarak Euclidean dalam ruang penuh semua sampel aktif atau variabel. Grafik memberi Anda kesempatan untuk, dalam arti, melihat ke dalam dimensi yang lebih tinggi . 12 Menggunakan Jaringan textbox di tab Cara Anda dapat membuat grafik / jaringan dalam berbagai cara.

Figure 22:

image: 21C__Users_Dicka_Pictures_gambar_18.eps

Hapus tanda centang pada Axes kotak centang di Plot Setting textbox di bawah View tab untuk melihat grafik Anda akan menciptakan lebih jelas.

Dalam Jaringan teks-kotak di bawah Metode tab y ou pilih jumlah terdekat tetangga yang, untuk setiap sampel yang berbeda, akan bergabung dengan grafik. Dengan menyeret slider Anda membuat grafik dengan memilih semua tetangga dalam jarak yang dipilih. Cobalah.

Letakkan slider jarak ke 0 dan mengubah nilai ke 5. Anda dapat melakukan hal ini baik oleh menggunakan tombol-tombol pilihan atau dengan menulis langsung di kotak teks dan kemudian tekan Back.

3.1.5 Modifying annotations

Atur jaringan di Network textbox 0 lagi untuk menghapus grafik.

Pilih tombol New Value di panel Sample Value di jendela Sample Dock.

Sebuah Nilai Baru muncul di Tabel Nilai dan dipilih secara otomatis

Figure 23:

image: 22C__Users_Dicka_Pictures_gambar_19.eps

Perhatikan bahwa Anda dapat mengubah nama New Value yang muncul di Nilai Table hanya dengan mengklik ganda di kotak teks yang sesuai dan memasukkan nama disukai.

Pilih Annotate di jendela Tool Box. Ini akan mengubah perilaku tool Mouse untuk menetapkan sampel ke nilai sampel penjelasan.

Klik sampel (subkelompok jelas dilihat dari "" yang paling dekat dengan subkelompok hijau "TEL-AML1") satu per satu. Sampel tersebut kemudian dipindahkan ke kelompok sampel "New Value".

Catatan bahwa jika Anda kebetulan memindahkan beberapa sampel tidak sengaja Anda dapat membatalkan perintah terakhir Anda dengan memilih tombol Undo di Toolbar Nilai.

Plot di bawah ini adalah dari tengah proses reklasifikasi. Beberapa sampel tidak dijelaskan dalam kelompok baru (= biru muda) dan beberapa masih putih.

Figure 24:

image: 23C__Users_Dicka_Pictures_gambar_20.eps

Dengan memilih Move di Tool Box, Anda dapat memutar plot dan memeriksa bahwa Anda telah menandai semua sampel. Jika tidak, Anda memilih Anotasi lagi dan menyelesaikan operasi. Ketika Anotasi dipilih dalam Tool Box, Anda dapat memilih multi dan Anda kemudian memiliki pilihan untuk memilih beberapa sampel dengan menggambar kurva tertutup di sekitar mereka. Anda melakukan ini dengan menekan tombol kiri mouse sementara pada saat yang sama bergerak pointer (mouse) jam bijaksana sekitar sampel yang dipilih untuk membuat kurva tertutup.

Catatan: Jumlah variabel mengambil bagian dalam perubahan analisis ketika Anda memperbarui subkelompok penjelasan. Hal ini disebabkan fakta bahwa p-value diatur ke 1e-7 dan set variabel aktif sesuai dengan ini p-nilai di bawah uji statistik yang dipilih tergantung pada subkelompok yang kita pilih untuk membedakan. Dengan subkelompok baru kami telah menambahkan informasi apriori dan diharapkan bahwa analisis ANOVA dipengaruhi.

Pilih Move di Tool Box

Sekarang kita akan membuka jendela Plot lain di Ruang Kerja.

3.1.6 Multiple Plot Windows

Anda dapat setiap saat selama analisis membuka jendela Plot baru di Ruang Kerja. Ini Plot baru Windows yang membuka dapat disinkronkan dengan aktif (disorot) Plot Jendela atau tidak. Jika Plot Windows disinkronkan, mereka akan selalu berbagi sampel aktif yang sama dan / atau variabel, tetapi mereka dapat, misalnya, akan diwarnai sesuai dengan penjelasan yang berbeda. Model kerja ini sangat berguna karena Anda dapat kembali melihat beberapa aspek dari data Anda di ruang kerja yang sama. Anda mengaktifkan (memilih) Window Plot dengan mengklik di mana saja di dalamnya. Bingkai jendela Plot sedang aktif selalu disorot.

Pilih Window> New Synchronized Plot di Menu Bar.

Perhatikan bahwa Anda sekarang memiliki dua Plot Windows yang berbeda terbuka di Qlucore omics Explorer. Anda dapat menemukan mereka terdaftar di bawah Window pada Menu bar.

Anda dapat memilih jendela untuk menampilkan atau Anda dapat menampilkan semua jendela dengan memilih Window> Tile di Menu bar.

Figure 25:

image: 24C__Users_Dicka_Pictures_gambar_21.eps

Pastikan bahwa Plot Window baru aktif dan pilih Novel Group di textbox Anotasi Contoh di Sample Dock Window.

Pilih Sample Color Button di Sample Annotations Toolbar untuk mewarnai sampel dalam jendela aktif sesuai dengan Novel group attribute

Kita sekarang dapat melihat Nilai subkelompok baru kita di jendela kanan sesuai dengan "Grup Novel" di jendela kiri.

3.1.7 Mengerjakan dengan Variabel

Meskipun kami memiliki, tegasnya, telah bekerja dengan variabel sepanjang waktu, karena kami telah disaring data, kita sekarang akan kita lihat secara eksplisit.

Buat Jendela Plot Synchronized baru dengan memilih menu Window dan New Synchronized Plot.

Pilih Tile di menu Window untuk melihat kedua plot

Pastikan bahwa Plot Jendela sebelah kiri adalah aktif dan kemudian pilih Plot Jenis PCA dan Modus Variabel di tab Metode untuk menampilkan PCA petak variabel.

Figure 26:

image: 25C__Users_Dicka_Pictures_gambar_22.eps

Hal ini memberikan dua berikut plot:

Figure 27:

image: 26C__Users_Dicka_Pictures_gambar_23.eps

Di Window Plot kiri atas Anda melihat plot PCA dari 115 variabel aktif berpartisipasi dalam analisis saat ini.

Pilih jendela kiri dengan mengklik di mana saja di dalamnya, untuk mengaktifkannya.

Pilih Warna Bar. di bawah View Tab.

Pilih untuk mewarnai variabel "by data for one or more samples" dan kemudian pilih Leukemia Subtipe penjelasan dan akhirnya kelompok "E2A-PBX1".

Ada sejumlah cara untuk variabel warna (Solid, varians, R2, ...) melihat daftar pilihan Color Variabel untuk semua pilihan.

Variabel sekarang berwarna sesuai dengan tingkat ekspresi mean dalam kelompok subtipe dipilih dalam Tabel Nilai untuk Sampel ("E2A-PBX1"). Red berarti sangat disajikan, yaitu mereka up-diatur dalam kelompok Sampel dipilih dan hijau sesuai dengan turun-diatur gen.

Di Plot Jendela sebelah kiri bawah Anda melihat PCA petak tiga dimensi dari 115 variabel, mengambil bagian dalam analisis pada saat ini, berwarna sesuai dengan tingkat ekspresi berarti mereka dalam Contoh subtipe kelompok "E2A-PBX1". Perhatikan bahwa karena kita telah memilih untuk bekerja dengan plot disinkronkan, variabel sangat disajikan dalam kelompok "E2A PBX1" ditemukan dalam arah yang sama di plot sebagai kelompok "E2A-PBX1" itu sendiri.

Figure 28:

image: 27C__Users_Dicka_Pictures_gambar_24.eps

Pilih View> Dock Jendela> Color Legenda untuk melihat skala warna

Sekarang kita akan membuat daftar gen yang paling diregulasi dalam kelompok "E2A-PBX1".

Pilih Variable Dock Window

Figure 29:

image: 28C__Users_Dicka_Pictures_gambar_25.eps

Pilih Daftar di Tool Box (agar mampu membuat pilihan ini, plot jendela kanan harus aktif).

Figure 30:

image: 29C__Users_Dicka_Pictures_gambar_26.eps

Figure 31:

image: 30C__Users_Dicka_Pictures_gambar_27.eps

Variabel daftar baru tersedia di Variable Daftar Tabel, menampilkan gen yang dipilih. Perhatikan bahwa penjelasan untuk gen yang dipilih dalam daftar nama variabel yang ditemukan di Variable Anotasi Table. Alat Daftar bekerja di jenis tanah termasuk variabel. Ini bisa menjadi plot PCA variabel, peta panas atau plot pencar. Dengan tombol Pilih Kolom di jendela dock variabel Anda dapat memilih informasi apa yang ingin hadir di Tabel Variabel.

Anda dapat misalnya mendapatkan p dan q-nilai untuk setiap variabel individu. Buat salinan dari daftar yang telah Anda buat menggunakan tombol dan beri nama daftar untuk misalnya "Memisahkan E2A-PBX pilihan", akhirnya pilih tombol Save untuk menyimpan daftar variabel untuk digunakan di acara nanti.

Dengan tombol Open, Anda dapat mengimpor daftar variabel yang sudah disimpan. Hal ini dimungkinkan untuk memiliki variabel banyak daftar terbuka pada waktu yang sama. Daftar baik dapat dibuat dalam QUOTE, karena kami hanya melakukan, atau menjadi daftar pengenal variabel dibuat dari sumber lain (kategori gen ontologi, jalur, ..).

3.1.8 Membuat Penggolongan

Cara alternatif, untuk uji statistik, untuk mengidentifikasi variabel (fitur) dari bunga acuan misalnya ketika tujuannya adalah untuk melakukan penemuan biomarker, adalah untuk menciptakan classifier dan mengamati variabel yang yang dipilih. Daftar ini variabel adalah titik awal yang baik untuk memahami variabel yang yang terbaik potensial biomarker.

Membangun classifier yang dilakukan dari tab Build Classifier. output adalah classifier, laporan luas dan daftar variabel variabel yang dipilih.

3.1.9 Analisis lebih lanjut dan eksplorasi

Pada titik ini dalam analisis kita telah membahas berbagai fungsi dan Anda memiliki membiasakan diri dengan metode seleksi, pilihan pewarna, plot disinkronkan dan banyak lagi. Pada bagian berikut kita akan lebih singkat menyoroti fungsi tambahan. Kita mulai dengan plot Box.

Box plot

Tutup Variabel PCA

Tutup Correlated Variable Box

Periksa daftar Variabel aktif untuk mencakup semua variabel

Ganti ke Filter oleh Dua Kelompok perbandingan dan E2A-PBX1

Pilih tab Metode dan mengubah jenis rencana untuk Box.

Untuk mengisi plot, data untuk sumbu X dan sumbu Y kebutuhan untuk dipilih. Arahkan ke X Axis drop down box di Axis data Box di Metode Tab dan pilih Anotasi Contoh "Leukemia Subtipe".

Pilih Y Axis di Tool Box

Figure 32:

image: 31C__Users_Dicka_Pictures_gambar_28.eps

Pilih Variable dalam daftar pencarian di Variable window.

Anda harus mendapatkan plot seperti di bawah ini. Seperti yang diharapkan nilai-nilai untuk variabel ini tinggi di Blue kelompok (E2A-PBX1) karena itu adalah bagaimana kita memilih variabel dari awal. Setiap kotak dihitung berdasarkan sampel di sub kelompok masing-masing. Bagian dari kotak didefinisikan menurut berikut:

Garis putus-putus adalah nilai mean

Batas atas kotak adalah 75 persentil (default)

Batas bawah kotak adalah 25 persentil (default)

Secara default tepi kotak ditetapkan pada nilai data titik terendah masih dalam 1,5 kali kisaran kotak batas kotak yang lebih rendah, dan pada nilai titik data yang tertinggi masih dalam 1,5 kali kisaran kotak batas kotak atas. Lingkaran mewakili outlier potensial dan mereka didefinisikan oleh elemen data di luar tepi.

Figure 33:

image: 32C__Users_Dicka_Pictures_gambar_29.eps

Bar plot

Bar Plot dapat dikonfigurasi dalam beberapa cara dan juga mendukung operasi pada kelompok (seperti rata-rata)

Bar Plot dikendalikan dari tab Metode mana sumbu X dan sumbu Y konten yang dipilih. Operasi data dikendalikan dari tab Options. Dari tab View adalah konfigurasi visual yang dioperasikan.

Plot pertama di bawah ini menunjukkan kumpulan data Qlucore Test. Sumbu X pertama memerintahkan sesuai dengan penjelasan "Treatment" yang memiliki tiga nilai ("Drug 1", "Drug 2" dan "Placebo"), urutan kedua adalah dengan penjelasan "Gender". Ini berarti bahwa dalam setiap "Treatment" subkelompok bar yang diperintahkan menurut "Gender", dari plot kita melihat bahwa "Perempuan" sampel pertama dan kemudian "Pria".

Figure 34:

image: 33C__Users_Dicka_Pictures_gambar_30.eps

Dalam Pilihan Data tab yang berbeda Campurkan operasi pada data dapat didefinisikan. Dalam plot bawah data rata-rata. Operasi selalu berlaku untuk penjelasan kedua yang dipilih di tab Metode.

Figure 35:

image: 34C__Users_Dicka_Pictures_gambar_31.eps

Line plots and Kaplan Meier survival plot

Untuk menghasilkan penjelasan plot Kaplan Meier Sampel yang mengandung waktu kelangsungan hidup itu diperlukan. Informasi sensor juga dapat digunakan. Ini kemudian harus tersedia sebagai Contoh penjelasan kedua.

Pilih plot Line dan pilihan Kaplan-Meier di X-Axis data Selection pada tab Metode. Juga menentukan jika data harus diatur dalam kelompok yang berbeda.

Berikut ini adalah contoh dari set data uji Qlucore. Kelangsungan hidup bagi pasien dalam tiga berbeda "Treatment" kelompok ("Drug 1", "Drug 2" dan "Placebo") disajikan.

Figure 36:

image: 35C__Users_Dicka_Pictures_gambar_32.eps

Scatter plots

Scatter plots sangat fleksibel dan mereka dapat diisi dengan data dalam berbagai cara. Contoh pertama adalah Sampel scatter plot.

Pilih plot tipe Scatter dan mode Sampel dalam Metode Tab.

Pada Tab Data, uncollapse data. Ubah pengenal Variabel untuk probeset ID

Pilih alat X Axis di Tool Box dan pilih variabel pertama dalam daftar Pencarian

Pilih alat Y Axis di Tool Box dan pilih variabel kedua dalam daftar Pencarian

Pilih tab View dan Warna sampler dengan anotasi "Leukemia Subtipe"

Ini harus memberikan plot berikut. Satu variabel pada setiap sumbu dan semua sampel aktif diplot. Terhadap "E2A-PBX1" kelompok (Biru) terpisah dalam plot karena itu adalah perilaku variabel dalam arus daftar pencarian.

Figure 37:

image: 36C__Users_Dicka_Pictures_gambar_33.eps

Contoh kedua adalah Variabel Scatter Plot.

Pilih plot tipe Scatter dan mode Sampel dalam Metode Tab.

Pilih Sample Window untuk melihat penjelasan sampel. Periksa bahwa annotasi "Leukemia subtipe" terlihat.

Pilih alat X Axis di Tool Box dan pilih sampel pertama di Sample Table (perhatikan bahwa angka-angka mungkin berbeda).

Figure 38:

image: 37C__Users_Dicka_Pictures_gambar_34.eps

Pilih alat Y Axis di Tool Box dan pilih grup E2A-PBX1 di Jendela Sampel.

Figure 39:

image: 38C__Users_Dicka_Pictures_gambar_35.eps

Pilih tab View dan pilih untuk Warna variabel dengan anotasi "Leukemia Subtipe".

Pada sumbu X adalah Contoh bernama "E2A-PBX 12 M # 1" di semua subplot. Pada masing-masing sumbu Y adalah sampel pada kelompok E2A-PBX1. Setiap titik di plot merupakan salah satu 470 variabel aktif.

Figure 40:

image: 39C__Users_Dicka_Pictures_gambar_36.eps

3.1.10 Mengekspor gambar, animasi dan data lainnya

Anda dapat mengekspor setiap saat selama analisis berkelanjutan ekspor gambar atau animasi dari QOE.

Anda melakukan ini dengan memilih File> Ekspor> Gambar atau File> Export> Video, dan kemudian memasok nama dan karakteristik lain dari file yang diekspor.

Anda juga dapat mengekspor komponen utama, jarak sampel, penjelasan dan data penting lainnya untuk analisis hilir, melihat File> Export.

Dalam GSEA Workbench ada dua fungsi ekspor terpisah: Daftar ekspor dan Hasil. Ekspor Daftar transfer salinan daftar yang dipilih ke QOE utama daftar antarmuka program.

Dalam GO Browser Daftar Ekspor transfer hasil pencarian ke QOE utama daftar antarmuka program.

Juga mencatat bahwa adalah mungkin, pada setiap titik dalam analisis, untuk menyelamatkan keadaan saat lengkap QOE dengan menggunakan fungsi Log. Anda kemudian dapat kembali ke titik tertentu dalam analisis, dengan membuka file log yang sesuai di QOE, dan pilih titik log tertentu.

Bab 4

4 Kasus pemanfaatan pada Qlucore Omics Explorer

4.1 Uji Hipotesis

Uji Hipotesis adalah semua tentang membuat keputusan mengenai satu atau lebih populasi, menggunakan informasi yang diberikan oleh pengambilan sampel dari populasi tersebut. Sebelum kita mulai, penting bahwa populasi yang kita tertarik didefinisikan secara hati-hati dan bahwa set data yang diperoleh dari sampel adalah wakil dari populasi ini. Misalnya, mengatakan bahwa kami tertarik dalam pengujian jika pria, rata-rata, lebih tinggi daripada wanita, dan bahwa kita mengukur 100 orang yang dipilih secara acak dan 100 wanita yang dipilih secara acak dari wilayah geografis tertentu. Bisakah kita kemudian menggunakan hasil dari uji statistik untuk mengatakan sesuatu tentang ketinggian rata-rata di populasi di seluruh dunia laki-laki dan perempuan? Jika ada efek regional, hasilnya hanya mungkin benar untuk populasi laki-laki dan perempuan di wilayah kita belajar. Kemampuan untuk membuat keputusan tentang populasi hanya menggunakan informasi sampel adalah penting karena sering tidak layak untuk mempelajari seluruh populasi (jika kita bisa, tidak akan ada kebutuhan untuk uji statistik). Kelemahan dari pendekatan ini adalah, tentu saja, bahwa karena kita tidak mempelajari seluruh populasi, kita tidak pernah bisa menarik kesimpulan tentang hal itu dengan kepastian 100%. Kerangka Uji Hipotesis memungkinkan kita untuk menangani ketidakpastian ini dengan cara formal.

4.1.1 Apa itu Hipotesis?

Sebuah hipotesis statistik adalah pernyataan mengenai populasi bunga. Dalam rangka pengujian hipotesis umum, kita memiliki hipotesis nol (H0) dan hipotesis alternatif (Ha). Hipotesis nol sering merupakan keadaan "tidak berpengaruh". Pada contoh di atas ketinggian, hipotesis dapat

H0: tidak ada perbedaan antara ketinggian rata-rata pria dan wanita

Ha: ada perbedaan antara ketinggian rata-rata pria dan wanita

4.1.2 Apa itu nilai P?

Hasil tes hipotesis statistik sering diwakili dengan cara p-nilai. Untuk mendapatkan dari nilai-nilai yang diamati dari variabel kami untuk p-value, pertama kita perlu membangun sebuah uji statistik. Uji statistik memberikan ringkasan numerik dari data sampel dan dirancang untuk menangkap efek yang kita tertarik belajar. Pada prinsipnya, kita bisa memikirkan banyak statistik uji yang akan menangkap efek yang diberikan. Alasan untuk memilih statistik tertentu sering bahwa di bawah beberapa asumsi mengenai populasi yang mendasari, kita bisa menghitung secara teoritis bagaimana statistik akan didistribusikan jika hipotesis nol itu memang benar. Kemudian, kita dapat membandingkan nilai yang kita dihitung dari data kami sampel untuk distribusi ini dan mengatakan bagaimana mungkin akan mendapatkan nilai statistik uji yang sama atau lebih ekstrim daripada diamati satu, mengingat bahwa hipotesis nol benar. probabilitas ini justru definisi dari p-value. Dalam contoh di atas, p-nilai kecil akan berarti bahwa itu akan sangat tidak mungkin untuk mendapatkan nilai statistik uji yaitu sebagai atau lebih ekstrim seperti yang kita telah dihitung dari sampel kami, jika ada benar-benar tidak ada perbedaan antara ketinggian rata-rata laki-laki dan perempuan dalam populasi.

Sebaliknya, p-nilai yang besar berarti bahwa sangat mungkin untuk mendapatkan seperti nilai ekstrim bahkan jika hipotesis nol benar. Dengan demikian, dalam kasus terakhir tidak akan ada bukti yang signifikan untuk efek seks pada tinggi karena tampaknya, kita bisa sangat baik telah mengamati ketinggian diperoleh dalam percobaan kami bahkan jika tidak ada perbedaan antara ketinggian rata-rata pada wanita dan laki-laki populasi . Jika dihitung p-nilai di bawah ambang batas signifikansi pra-ditentukan (sejauh ini, ambang batas signifikansi yang paling umum adalah 0,05) kita menolak hipotesis nol. Sebaliknya, jika p-value berada di atas ambang batas signifikansi, kita tidak menolak hipotesis nol. Beberapa hal yang perlu diperhatikan (lihat juga artikel oleh Goodman untuk diskusi yang lebih luas):

Nilai p tidak memberitahu Anda seberapa besar kemungkinan itu adalah bahwa hipotesis nol benar. Demikian pula, ia tidak memberitahu Anda seberapa besar kemungkinan itu adalah bahwa hipotesis alternatif benar.

Jika Anda tidak dapat menolak hipotesis nol, Anda belum membuktikan bahwa hipotesis nol benar, tetapi hanya bahwa data saat set tidak memberikan cukup bukti untuk menolaknya. - Tidak ada yang "ajaib" dengan tingkat signifikansi 0,05. Pada tahun-tahun awal pengujian hipotesis, tabel yang digunakan untuk menentukan daerah penolakan untuk uji statistik. daerah tersebut pra-dihitung dan ditabulasi untuk ambang p-value beberapa saja. Namun, komputer saat ini dengan mudah memberikan tepat p-nilai dan dengan demikian nilai yang sebenarnya harus dilaporkan bukan hanya, misalnya, p <0,05. Memiliki aktual p-nilai ini juga diperlukan untuk menghitung dikoreksi p-nilai (q-nilai, lihat di bawah).

4.1.3 Apa itu nilai Q?

Menggunakan p-nilai untuk menafsirkan hasil uji statistik bekerja dengan baik jika kita hanya melakukan satu tes (yaitu, jika kita hanya memiliki satu variabel dalam set data kami). Setelah jumlah tes meningkat, kegunaan dari p-nilai sebagai ukuran signifikansi menurun. Untuk melihat mengapa, asumsikan bahwa kita memiliki 10.000 variabel dalam set data kami, dan bahwa hipotesis nol benar untuk masing-masing dan setiap satu dari mereka. Sekarang menerapkan uji statistik untuk masing-masing variabel. Karena definisi dari p-value, kami berharap 5% dari variabel untuk memberikan nilai-nilai statistik uji yang lebih ekstrim daripada apa yang diperlukan untuk menolak hipotesis nol pada tingkat signifikansi 0,05. Dalam contoh khusus ini, dengan demikian kita akan memiliki sekitar 0,05 * 10.000 = 500 variabel dengan p-nilai di bawah 0,05, meskipun hipotesis nol sebenarnya berlaku untuk semua variabel! Ini disebut penemuan palsu, atau positif palsu. Jika memang ada beberapa variabel dalam data yang ada perbedaan yang benar, mereka akan dicampur dengan positif palsu.

Interpretasi alternatif, cocok untuk situasi di mana beberapa tes dilakukan, diberikan oleh tingkat penemuan palsu (FDR). FDR adalah fraksi yang diharapkan dari penemuan palsu di antara semua hasil tes signifikan. HaInterpretasi alternatif, cocok untuk situasi di mana beberapa tes dilakukan, diberikan oleh tingkat penemuan palsu (FDR). FDR adalah fraksi yang diharapkan dari penemuan palsu di antara semua hasil tes signifikan. Hal ini dimungkinkan untuk menghitung dikoreksi Nilai P, atau Nilai Q, untuk masing-masing variabel. Nilai Q adalah analog FDR dari Nilai P konvensional. Untuk variabel tertentu (misalnya, dengan p-value p *), Nilai Q memperkirakan fraksi penemuan palsu di antara semua variabel dengan Nilai P di bawah p *. Perhatikan bahwa Nilai Q tidak memberikan probabilitas bahwa variabel sebenarnya adalah positif palsu. Oleh karena itu, ia tidak memberitahu Anda yang variabel yang paling mungkin penemuan palsu. Untuk mendapatkan perasaan untuk tarif penemuan palsu, bayangkan mengambil semua Nilai P yang dihitung dan lapisan mereka, memerintahkan dalam urutan yang meningkat. Menetapkan cutoff signifikansi sekarang berarti untuk memutuskan ambang (misalnya Nilai P 0,05), dan mempertimbangkan semua nilai p di bawah ambang batas yang mewakili "penemuan". Tingkat penemuan palsu adalah fraksi yang diharapkan dari penemuan palsu di antara ini, yaitu, fraksi penemuan yang hipotesis nol benar-benar benar (ingat bahwa hipotesis nol didefinisikan dalam hal parameter populasi). Sebuah penemuan palsu demikian variabel yang memperoleh pvalue rendah hanya kebetulan acak, tanpa sinyal mendasari benar dalam populasi. Salah satu cara untuk mengurangi jumlah penemuan palsu akan mendorong cutoff signifikansi lebih dekat ke nol. Namun, sejak penemuan palsu dicampur dengan penemuan yang benar (yang untuk yang ada benar-benar berpengaruh pada tingkat populasi), ini akan mengecualikan banyak penemuan yang benar. Dengan kata lain, kita sering perlu untuk memungkinkan beberapa penemuan berpotensi palsu untuk mendapatkan orang-orang yang benar. Nilai Q dihitung dengan Qlucore omics Explorer dapat digunakan dalam cara yang berbeda. Satu pendekatan adalah untuk memutuskan mana yang diharapkan sebagian kecil dari penemuan palsu yang satu bersedia menerima dan kemudian menetapkan ambang batas Nilai Q yang diinginkan, di toolbox Statistik, untuk fraksi ini. Di antara variabel yang tersisa setelah prosedur ini, Anda dapat mengharapkan fraksi penemuan palsu untuk tidak melebihi fraksi ditentukan (perhatikan bahwa mungkin terjadi bahwa tidak ada variabel tetap setelah prosedur ini, jika batas tingkat penemuan palsu yang diinginkan terlalu ketat). Apa tingkat yang dapat diterima dari penemuan palsu tentu saja sangat bergantung pada aplikasi tertentu, tetapi 10% (yaitu ambang nilai Q 0,1) adalah wajar dalam banyak kasus. Pendekatan kedua untuk menggunakan Nilai Q adalah untuk menentukan cutoff signifikansi dengan cara lain (misalnya, berdasarkan Nilai P seperti digambarkan di atas). Nilai Q terbesar di antara variabel yang tersisa kemudian dapat digunakan sebagai perkiraan fraksi penemuan palsu di antara. Perlu diingat bahwa Nilai Q, seperti Nilai P, terkait dengan tes tertentu dan dengan demikian memeriksa bahwa pengaturan di toolbox Statistik setuju dengan tes yang ingin Anda lakukan.

4.1.4 Haruskah saya gunakan uji satu sisi atau dua sisi?

Pilihan satu-sisi atau dua sisi (kadang-kadang satu-ekor atau dua ekor) tes datang ke rumusan hipotesis Anda (dan karenanya, pilihan harus dibuat sebelum ujian diterapkan). Sebuah uji satu sisi mengasumsikan bahwa hanya penyimpangan dalam satu, pra ditentukan, arah menarik (yaitu, sesuai dengan hipotesis alternatif).

Dalam kebanyakan situasi, uji dua sisi ini bisa dibilang yang paling tepat, dan penggunaan uji satu sisi umumnya membutuhkan motivasi yang cukup besar. Asumsikan, misalnya, bahwa kita mencoba obat baru, dan kami ingin membandingkannya dengan pengobatan konvensional. Dalam situasi ini, kita mungkin menganggap bahwa obat baru akan tampil lebih baik daripada pengobatan lama, dan dengan demikian menggunakan uji satu sisi. Namun, ini berarti bahwa bahkan jika obat baru ternyata melakukan jauh lebih buruk dari yang lama, semua dapat kita katakan dari satu tes sisi adalah bahwa kita tidak dapat menolak hipotesis nol bahwa itu adalah sama baik atau lebih buruk daripada pengobatan lama. Jelas, hal itu mungkin sangat baik menjadi menarik untuk mengetahui apakah obat baru sebenarnya secara signifikan lebih buruk dari yang lama, bahkan jika hasil ini tak terduga.

Dalam Statistic Dock Windows Anda mengontrol jenis uji statistik yang ingin Anda siapkan. Tes yang tersedia adalah:

Dua Kelompok Perbandingan (t-test)

Multi Grup Perbandingan (F-test)

Komponen lain dari dialog statistik adalah Variance slider di atas, p value slider dan Fold Change slider. Penggunaan slider varians tercakup dalam bagian "Basic eksplorasi" pada halaman 27. p-value slider digunakan untuk memilih p-value pembatas untuk uji statistik yang dipilih. The fold change diterapkan setelah Variance dan uji statistik. Perubahan fold hanya didefinisikan untuk dua perbandingan kelompok.

Di bagian atas dialog statistik terdapat informasi masukan. Ini menunjukkan berapa banyak variable yang digunakan sebagai input untuk filter. Jika Anda tidak melakukan pilihan dalam Variabel, maka tab itu akan mengatakan "Semua variabel aktif". Kotak merah adalah nilai Proyeksi.

Catatan: tab Advanced adalah interface untuk statistik r-script.

Untuk mengatur tes dan menemukan variabel yang paling terpisah "Placebo" dari "Drug 1" dan "Drug 2", dan memiliki perubahan Fold minimal 1,5, melaksanakan langkah-langkah berikut:

Pilih Filter dari Dua Kelompok Perbandingan (t-test) di jendela Statistik.

Pilih "Treatment" di kotak Combo

Pastikan bahwa "Placebo" disorot dalam kotak Combo ketiga

Pindahkan Lipat Perubahan slider ke 1,5.

Sesuaikan slider p-value ke-nilai p dari 0,0265, melakukannya perlahan-lahan. Anda dapat melihat bagaimana heatmap diperbarui terus menerus dan jumlah variabel yang memenuhi batasan Kriteria menurun. Ada 3 variabel yang memiliki value p dari 0,0265 atau lebih rendah untuk t-test (Pengujian "Placebo" dipilih terhadap sampel dalam kelompok "Obat 1" dan "Obat 2") yang memiliki change Fold minimal 1,5.

Yang sesuai value q (0.015698) (yang dapat diartikan sebagai penemuan rate palsu) juga ditampilkan di Windows Statistik dan 3 variabel yang sekarang tersisa di analisa memiliki kenaikan statistik yang tinggi. Berapa banyak Anda harus menyaring tergantung pada struktur data dan apa tingkat signifikansi yang ingin Anda capai. Hasil ditunjukkan pada plot di bawah ini.

Figure 42:

image: 41C__Users_Dicka_Pictures_gambar_41.eps

Menggunakan plot kita dapat melakukan beberapa observasi:

Tiga variabel (ID_13, ID_21 dan ID_40) memiliki yang kenaikan statistic terbaik (karena mereka yang tampak) dan mereka juga memiliki change Fold minimal 1.5.

Cabang pertama (menghitung dari atas) adalah pengelompokan hirarkis yang membagi Sampel menjadi dua kelompok; "Placebo" dan "Obat 1 dan Drug2". Kedua cabang membagi "Obat 1 dan Obat 2" cluster menjadi "obat 1" dan "Obat 2". ini adalah harapan kita karena telah menggunakan uji statistik untuk mengidentifikasi variabel yang benar-benar paling terpisah pada "Placebo" dari "Obat 1 Obat 2".

Dari pengaturan, kita dapat menyimpulkan misalnya bahwa ID_21 variabel memiliki nilai tinggi untuk sampel pada kelompok "Obat 1" dan bahwa ID_13 variabel memiliki nilai rendah untuk semua sampel di kelompok "Placebo". Dengan pengaturan default, warna merah di heatmap menunjukkan bahwa variabel memiliki nilai tinggi untuk sampel itu dan hijau menunjukkan bahwa variabel memiliki nilai rendah untuk sampel itu.

Pilih Box Label di tab View. Label variabel sesuai dengan variabel Annotation "Symbol".

Pilih tab View dan Order variabel menurut Change fold

Pilih tab View dan variabel Warna menurut Change fold.

Pilih tab View dan sample Warna untuk semua Annotation. "Pilih Semua"

Figure 43:

image: 42C__Users_Dicka_Pictures_gambar_42.eps

Salah satu kunci dalam penggunaan QOE adalah bahwa hal itu akan sangat mudah untuk mengubah analisa jalan. Untuk memberikan contoh tentang hal ini pilih Window Sample dan pilih "Treatment" anotasi. Kemudian hapus "Obat 2" kotak centang kelompok. Ini menghapus semua sampel untuk yang "Treatment" Annotation sama dengan "Obat 2", dan update hasil yang sesuai.

Hasilnya update segera disajikan, lihat gambar di bawah. Hasilnya adalah uji statistic yang diperbarui menemukan variabel yang paling memisahkan "Placebo" dari "Obat 1".

Dengan pengaturan yang sama dalam statistik dialog lebih variabel (4) sekarang menemukan yang cocok dengan kriteria tes sebelumnya dipilih.

Ini akan memberi Anda plot berikut. Ini berisi banyak informasi. Berbagai cara untuk mengubah pewarnaan, pelabelan dan memesan memberikan fleksibilitas yang luas untuk menyesuaikan plot dengan kebutuhan Anda.

Figure 44:

image: 43C__Users_Dicka_Pictures_gambar_43.eps

Color Legend menunjukkan skala warna untuk variabel yang berwarna sesuai dengan Fold Change. Sebagai contoh, kita mengamati bahwa variabel dengan "Symbol" nama MYO1B memiliki Fold Change tertinggi. Juga mengamati karena kami telah bekerja dengan dua tes sisi Perubahan pengaturan Lipat dari 1,5 berlaku untuk kedua arah, yaitu plus 1,5 dan -1,5.

Ada banyak jenis plot yang sekarang dapat digunakan untuk memberikan wawasan lebih dalam Temuan seperti Kaplan-Meier jika data termasuk informasi survival, kotak plot untuk memberikan informasi rinci tentang bagaimana variabel bervariasi dari sub-kelompok yang berbeda dan bar rencana untuk memvisualisasikan data setelah beberapa Annotation seperti waktu dan pengobatan.

Ada banyak cara untuk menyimpan hasil yang diperoleh:

Log fungsi dalam Log Dock windows dapat digunakan, pilihan lain adalah untuk memilih File> Export>Gambar untuk di ekspor.

Hal ini juga memungkinkan untuk menyimpan daftar variabel, yang adalah apa yang akan kita menunjukkan di bawah:

Pilih Window Variable.

Figure 45:

image: 44C__Users_Dicka_Pictures_gambar_44.eps

Daftar Search khusus itu dibuat ketika kumpulan data pertama dimuat. Daftar Search Termasuk dari hasil pencarian terakhir dilakukan.

Daftar kedua adalah Active list. Ada satu Active list untuk setiap set data yang terbuka. Active list itu memiliki nama yang sama dengan kumpulan data. Dalam Variable List Table semua variabel terbuka tercantum daftar. Selain Search List dan Active List tabel ini dapat berisi daftar yang diimpor secara manual, atau daftar yang dihasilkan dengan browser GO atau yang diekspor dari GSEA Workbench.

Active list mencakup semua variabel yang aktif dalam satu set data. Sekarang daftar 4 mencakup variabel yang sesuai uji statistik yang dilakukan. Mengubah slider p-value dalam Statistik Windows dan mengamati bagaimana daftar ini diperbarui untuk menyertakan lebih sedikit atau variable lebih. Sebelum menyimpan daftar, hal ini berguna untuk mengisi dengan informasi yang relevan.

Membuat salinan dari Active List.

Gunakan Select Kolom tombol dan menambahkan kolom yang menarik. Pilih "p- value "," q-value "dan" Symbol "dari daftar. Kolom ini kemudian ditambahkan ke Daftar.

Dalam Variable informasi Daftar bagian dari tab Variable ada dua elemen informasi: Variabel properties List dan Komentar. Kamu bisa menambah informasi anda mengenai daftar di Komentar lapangan.

Daftar Variable bidang properti akan mencakup informasi tentang bagaimana daftar diciptakan. Di bawah ini kita bisa melihat bahwa misalnya daftar diciptakan menggunakan Dua perbandingan kelompok dan yang 8 sampel dari 12 aktif

Figure 46:

image: 45C__Users_Dicka_Pictures_gambar_45.eps

Pilih icon save, masukkan nama file dan lokasi untuk menyimpan file. Langkah selanjutnya adalah untuk memutuskan apa yang akan dimasukkan dalam daftar.

Dalam dialog Export Variabel List Anda akan disajikan dengan beberapa pilihan, seperti cara untuk menyimpan hanya variabel aktif atau semua variabel, dan apakah akan menyertakan Annotation atau tidak. Catatan: Nilai-nilai perhitungan statistik untuk variable di dalam daftar variabel diperbarui secara dinamis ketika input berubah.

Variabel daftar sekarang disimpan dan itu termasuk dengan 4 baris informasi. Sebagai Variabel ID, "Simbol", p-value dan q-value. File ini adalah tab file teks yang terpisah dengan informasi tentang bagaimana daftar itu dibuat dan Anda dapat membukanya menggunakan program Spreadsheet atau editor teks biasa.

Jika Anda membutuhkan file teks biasa tanpa komentar menggunakan "text Plain format file" pilihan dalam Simpan dialog. Tip: Cobalah beberapa pilihan yang berbeda dan membuka file yang disimpan dalam spreadsheet program atau editor lalu memeriksa hasil.

Pada bagian ini kita telah melakukan uji statistik (t-test + Lipat Perubahan filtering) dan menampilkan hasil menggunakan Heatmap. Selama analisis, satu kelompok sampel terpilih dan bekerja terus pada subset dari data. Akhirnya hasilnya disimpan dalam daftar variabel.

4.1.5 Data set eksplorasi

Pada bagian ini kita akan menunjukkan bagaimana pendekatan satu set data baru dan bagaimana cara memahami informasi tentang data set termasuk menggunakan sistem informasi biologi.

Eksplorasi dasar

QOE sangat cocok untuk menyelidiki dan menjelajahi satu set data. Jenis pekerjaan ini sering juga disebut data mining atau generate hipotesis. Pengguna mencari hal-hal yang baru dalam dataset dengan kecepatan dan interaktivitas didukung dengan komponen penting yang mendukung jenis pekerjaan. Untuk bagian ini kumpulan data Acute Lymphoblastic Leukemia akan digunakan sebagai contoh.

Buka data Acute Lymphoblastic Leukemia dengan selecting Help -> Example Files -> Acute Lymphoblastic Leukemia.gedata

Bahkan ketika kita memutar gambar ini (pilih Move fungsi dalam Toolbox) sangat sulit untuk membedakan struktur atau pola dalam plot. Alasan untuk ini adalah bahwa semua 22282 gen (variabel) terlibat dalam analisis. Kebanyakan dari mereka memiliki kemungkinan yang sangat kecil untuk melakukan variasi genetik yang berbeda dengan yang kita simpulkan, tapi semua dari mereka berkontribusi dengan ramainya data dalam fluktuasi kecil. Pada titik ini skor proyeksi akan mendukung secara analisis, lihat gambar di bawah. Rata rata proyeksi adalah 0,41 dan tingkat diindikasikan sebagai hijau. Rata proyeksi akan menginformasikan kepada kami tentang seberapa baik 3 dimensi PCA plot mewakili kumpulan data. Kita bisa meningkatkan tampilan dengan memilih gen yang berkontribusi paling besar terhadap Variasi set data dan membuang gen yang hanya menunjukkan variasi kecil (mungkin acak) pada fluktuasi.

Pindahkan Filter by Variance Slider di Statistik Windows dan temukan pengaturan dengan skor proyeksi tertinggi (0,43). Hal ini dapat dilakukan dengan menyeret slider dengan mouse.

Figure 47:

image: 46C__Users_Dicka_Pictures_gambar_46.eps

Hanya gen standar yang memiliki deviasi lebih dari (atau sama dengan) 39,5% dari Varians. Gen terbesar yang memiliki deviasi standar di atas sampel sekarang ikut terlibat dalam analisis. Hal ini terjadi untuk menepati 385 variabel (gen) yang dapat terlihat di Status Bar, di mana ia menunjukkan bahwa hanya 385 dari 22.282 variabel (gen) saat ini terlibat dalam analisis. Pola sekarang jelas terlihat di Plot Windows

Figure 48:

image: 47C__Users_Dicka_Pictures_gambar_47.eps

Dengan menggunakan PCA satu, memastikan bahwa pasien yang menyerupai ekspresi gen profil jatuh di dekat satu sama lain dalam plot.

Sebagai catatan, ingat bahwa setiap saat Anda menganalisa dari kumpulan data dapat menggunakan Window Log untuk membuat poin Log. Dengan memilih Log yang dibuat sebelumnya, Anda dapat kembali ke titik itu dalam analisa. Anda juga dapat mengekspor (dan impor) Log poin sehingga Anda di lain waktu dapat kembali menelusuri seluruh analisis.

Figure 49:

image: 48C__Users_Dicka_Pictures_gambar_48.eps

Kita sekarang kembali ke analisa yang sedang berlangsung.

Seperti yang bisa dilihat di plot sampel PCA, komponen utama pertama berisi 22% dari total varians dan jelas membedakan kelompok baru dari sisa subtype yang ada.

Agar lebih jelas memahami struktur ketika plotting subtipe lain, kita sekarang akan menghapus grup baru dari PCA-analisis.

Pertama kita perlu membuat sampel Annotation baru dengan beberapa nilai:

Pilih New Anotasi icon di dalam Sample Value panel di dalam Sample Window dock.

Pilih New Value icon dua kali

Figure 50:

image: 49C__Users_Dicka_Pictures_gambar_49.eps

Pastikan bahwa "New Sample (2) group" dipilih dalam Sample panel

Pilih Anotasi dan lingkaran kelompok searah jarum jam baru, Setelah lingkaran tertutup akan tampil seperti di bawah ini.

Figure 51:

image: 50C__Users_Dicka_Pictures_gambar_50.eps

Hapus centang pada kotak centang yang sesuai untuk New Value 2 dalam tabel Sample Value di Windows Sampel Dock PCA segera menghitung ulang dan memiliki plot berikut. Juga mencatat bahwa rata proyeksi dihitung ulang karena jumlah sampel berubah.

Figure 52:

image: 51C__Users_Dicka_Pictures_gambar_51.eps

Perhatikan bahwa kita sekarang memiliki 118 dari 132 sampel muncul dalam plot. Teks 118/132 Sampel ditampilkan dalam Status Bar bersama dengan teks 288/22282 Variabel.

Beberapa kelompok sekarang terlihat jelas dan kita bisa melanjutkan proses pembuatan nilai Anotasi baru, keterangan kelompok diidentifikasi dari sampel, hapus mereka dari plot yang berpotensi menyesuaikan nilai proyeksi.

Selama eksplorasi ini kita telah menggunakan PCA yang dikombinasikan dengan varians filter untuk mengidentifikasi subkelompok potensial.

Dari plot PCA kita lihat 5-6 kelompok potensial. Mari kita terapkan pengelompokan dan mencari 5 kelompok, untuk melihat metode apa yang tidak memberika pengawasan.

Clustering dikendalikan dari tab Cluster. Masukkan 5 dan tekan Run.

Figure 53:

image: 52C__Users_Dicka_Pictures_gambar_52.eps

Hasilnya akan menunjukan sebagai Contoh Annotation baru. Ini disebut "k-means 5" setelah metode dan nomor dipilih oleh cluster.

Lihat di Panel Sampel.

Setelah plot PCA telah diwarnai sesuai dengan Sampel Annotation baru akan terlihat seperti di bawah ini.

Figure 54:

image: 53C__Users_Dicka_Pictures_gambar_53.eps

Lima kelompok potensial telah diidentifikasi. Siluet Plot digunakan untuk menilai kualitas pengelompokan. Nilai siluet positif menunjukkan bahwa sampel dekat dengan sampel yang lain dan dalam kelompok yang sama. plot siluet konfigurasi khusus dari Bar plot.

4.1.6 Apa yang dimaksud dengan t-test dan Kapan saya harus menggunakannya?

Sebuah (dua sampel) t-test dirancang untuk membandingkan nilai rata-rata dari variabel antara dua populasi. T-test umumnya digunakan dalam banyak situasi praktis dan, meskipun keabsahannya tergantung pada beberapa asumsi yang mendasari, sering cukup kuat untuk penyimpangan dari ini. Secara khusus ini benar jika jumlah sampel besar dan merata antara dua kelompok sampel.

T-test mengasumsikan bahwa sampel dikumpulkan secara independen. Jika, misalnya, semua sampel dari satu populasi diambil dari subjek yang sama, varians dapat diremehkan serius yang mengarah ke kesimpulan cacat. Anda dapat secara umum tidak menguji atau benar untuk ini setelah data yang telah dikumpulkan.

Asumsi lain yang mendasari t-test adalah bahwa variabel terdistribusi secara normal di setiap populasi. Namun, untuk ukuran kelompok sampel yang besar (lebih dari, katakanlah, 20-30 pengamatan per kelompok), asumsi ini tidak kritis dan juga untuk kelompok sampel kecil ukuran t-test sering cukup kuat terhadap penyimpangan dari normalitas. Anda dapat memeriksa asumsi normalitas grafis di Qlucore omics Explorer menggunakan kotak plot, yang harus simetris (yaitu, dengan median sekitar di tengah kotak, dengan kumis sekitar sama panjang di setiap sisi). Sayangnya, hal itu bisa sulit untuk mengatakan dari satu set kecil sampel apakah asumsi normalitas puas atau tidak (dan jika kita memiliki banyak sampel, kita melihat bahwa asumsi tidak mungkin yang penting). Kemungkinan lain adalah dengan menggunakan pengalaman sebelumnya, yang mungkin menunjukkan bahwa variabel yang dipertimbangkan kemungkinan akan sekitar terdistribusi normal. Kekokohan t-test juga tergantung pada ukuran kelompok sampel relatif dalam kumpulan data kami dan apakah varians adalah sama antara dua populasi. T-test digunakan oleh Qlucore omics Explorer mengasumsikan varians sama antara populasi. Asumsi ini dapat diperiksa secara grafis menggunakan plot pencar variabel. Jika jumlah sampel pada kedua kelompok adalah sama, t-test ini cukup kuat terhadap pelanggaran asumsi ini. Melihat angka pada bagian ANOVA bawah untuk ilustrasi tentang bagaimana untuk memeriksa asumsi normalitas dan kesetaraan varians grafis, menggunakan alat yang disediakan dalam Qlucore omics Explorer.

Jika data menunjukkan cukup non-normalitas dan / atau ketimpangan varians, transformasi mungkin berguna. Misalnya, jika nilai-nilai yang miring ke kanan, transformasi logaritmik dapat memberikan distribusi yang lebih dekat dengan normal. Salah satu contoh dari hal ini adalah data ekspresi gen yang diperoleh dari microarray, yang sering diasumsikan mengikuti distribusi normal setelah transformasi logaritmik. Satu harus, bagaimanapun, perhatikan bahwa transformasi mengubah skala nilai-nilai dan mungkin dalam beberapa kasus membuat hasil yang lebih sulit untuk menafsirkan. A dipasangkan t-test digunakan ketika data datang berpasangan, misalnya, jika masing-masing subjek telah diberikan baik dari dua perlakuan dibandingkan. Menerapkan dipasangkan t-test dapat meningkatkan kekuatan untuk mendeteksi perbedaan antara kelompok dengan akuntansi untuk perbedaan antara individu.

4.1.7 Memanfaatkan informasi biologi System (GSEA dan GO)

Analisis jalur, atau analisis set gen, adalah nama kolektif untuk metode yang bertujuan untuk analisis statistik dari kumpulan gen, bukan gen tunggal, dalam satu set data yang diberikan. Biasanya, gen dikelompokkan bersama dalam koleksi (atau satu set gen) jika mereka memiliki sesuatu yang sama, misalnya, jika mereka adalah bagian dari jalur biologis yang sama atau jika mereka semua terletak dekat satu sama lain di sepanjang genom.

Untuk melakukan jalur (set gen) analisis, dua komponen yang diperlukan: kumpulan data, dan satu atau beberapa set gen yang telah ditetapkan (yaitu, set gen tidak harus didefinisikan berdasarkan nilai-nilai dalam kumpulan data). Gen set definisi sering diperoleh dari repositori online terbuka seperti mSigDB dan Reactome, atau dari produk komersial khusus menyediakan informasi jalur curated secara manual.

“Kami sejauh ini hanya digunakan isi dari file data (termasuk penjelasan) untuk melakukan analisis data percobaan.” Qlucore juga menawarkan meja kerja GSEA sebagai alat untuk menganalisis hasil dari uji statistik dalam konteks daftar lain (gen set). Baca lebih lanjut tentang GSEA sebagai metode dalam Subramanian, Tamayo, dkk. 2005 Proc Natl Acad Sci U S A 102 (43): 15.545-50.

Untuk menunjukkan GSEA Workbench dan GO-browser yang kita akan mulai kembali analisis:

Tutup semua data yang terbuka pada QOE

Buka data akut Lymphoblastic Leukemia dibuka dari Help > Example Files

Set contoh gen tersedia di QOE dibangun sekitar Simbol Gene sebagai identifikasi unik untuk gen sedangkan kumpulan data Leukemia kita telah menggunakan sejauh ini didasarkan pada ID probeset (Affymetrix) sebagai identifikasi unik untuk setiap variabel (gen). Perbandingan tanpa mengambil ini ke rekening akan memberikan nol pertandingan antara dua sumber informasi.

Pilih tab Data dan kotak Identifier. Ubah Identifier Variabel untuk "Gene Symbol". Perhatikan bagaimana dua kolom, untuk daftar aktif, dalam daftar variabel panel diperbarui untuk mencerminkan perubahan identifier. Kolom pertama adalah jumlah elemen yang unik (Simbol Gene) dalam kumpulan data dan kolom kedua adalah jumlah pertandingan. Karena kita tidak melakukan penyaringan atau seleksi jumlah pertandingan sama dengan jumlah probe set dalam kumpulan data (22.282).

Figure 55:

image: 54C__Users_Dicka_Pictures_gambar_54.eps

Untuk mendapatkan variabel yang unik untuk setiap Gene Simbol kita perlu runtuh variabel yang memiliki satu atau lebih pemeriksaan set terpasang. Pilih runtuh berdasarkan rata-rata di drop down box di samping pemilihan identifier Variabel. Data diperbarui set belum termasuk 13.262 variabel yang masing-masing dari mereka cocok dengan Gene Symbol.

Mulai GSEA Workbench (Lihat menu). Sebuah jendela baru akan terbuka. QUOTE dikirim dengan tiga contoh set gen untuk tujuan demonstrasi. Ketika GSEA Workbench dimulai itu membuat salinan data di set aktif data. Pengaturan statistik yang relevan juga disalin dari dialog Statistik.Catatan: Karena GSEA Workbench bekerja dengan salinan data membuat Anda dapat terus bekerja dan menganalisis data Anda diatur dalam QOE Main Window.

Jika Anda menggunakan pengaturan default Anda akan melihat layar seperti di bawah ini. Sekarang mengubah pengaturan sesuai dengan langkah-langkah berikut.

Pastikan kedua Sets Qlucore Uji Gene dipilih

Mengubah Metric menjadi SNR pada Leukemia Subtipe dan kelompok E2A-PBX1.

Tekan Run untuk memulai perhitungan skor Pengayaan.

Figure 56:

image: 55C__Users_Dicka_Pictures_gambar_55.eps

Pengayaan Skor dihitung untuk semua set gen dan daftar hasil di tengah diperintahkan sesuai dengan Skor Pengayaan.

Daftar pertama, yang disebut E2A-PBX memiliki tertinggi Normalized skor Pengayaan (2.06). Grafik ke kanan menunjukkan hasil. Sejak metrik dipilih untuk peringkat data diatur sesuai dengan SNR untuk E2A-PBX1 itu bukan kejutan besar bahwa kita mendapatkan plot yang sangat jelas untuk daftar contoh gen yang disebut E2A-PBX1.

Tekan daftar nr 1. Anda akan mendapatkan hasil seperti di bawah ini.

Figure 57:

image: 56C__Users_Dicka_Pictures_gambar_56.eps

Sebuah panduan umum untuk interpretasi adalah bahwa data membuat Anda menganalisa, berdasarkan metrik yang dipilih, menunjukkan tingkat tertinggi kesamaan dengan daftar gen set dengan skor Pengayaan tertinggi.

Pilih daftar kedua dalam tabel, yaitu chr22.

Ini akan memberikan plot yang lebih normal menunjukkan bagaimana skor tumbuh hingga skor Pengayaan 0,28.

Figure 58:

image: 57C__Users_Dicka_Pictures_gambar_57.eps

Ada dua pilihan Ekspor:

Daftar: Akan mengekspor isi dari daftar gen set yang dipilih untuk QOE. Daftar akan terlihat dalam Variable Daftar Tabel.

Hasil: Akan mengekspor semua plot dan daftar hasil ke folder pilihan Anda.

Tutup GSEA Workbench untuk mempersiapkan langkah berikutnya

4.1.8 GO Browser

Untuk menunjukkan bagaimana sistem informasi biologi seperti ontologi gen dapat meningkatkan analisis kami akan memulai GO Browser. Anda dapat menggunakan berbagai ontologi dan asosiasi file sebagai input. Secara default, generik ontologi GO Slim dan file Gene Asosiasi manusia disertakan. Untuk versi terbaru dan untuk ontologi lainnya mengunjungi www.geneontology.org14. File-file ini diperbarui terus menerus dan hasil dalam contoh di bawah ini mungkin berbeda dari apa yang Anda alami melakukan langkah-langkah menggunakan file yang lebih baru.

Hapus tanda centang pada "T-ALL" kelompok dalam panel Sampel.

Dalam filter dialog statistik Multi Grup Perbandingan dan Leukemia subtipe

Ubah ke plot PCA Variabel

Filter untuk p-nilai 1e-15. Ini akan memberi Anda 345 variabel aktif.

Mulai GO Browser dari View> GO Browser15.

Mencari "kinase" di jendela GO Browser. Kami hanya memiliki satu hit, GO: 0016301, yang merupakan kategori sub dari molekul fungsi ontologi (GO: 0003674). Dengan memilih berturut-turut dalam daftar hasil pencarian konten dari kategori yang ditampilkan di jendela kanan atas.

Dengan memilih berturut-turut dalam daftar hasil pencarian konten dari kategori yang ditampilkan di jendela kanan atas.

Periksa kotak centang di sebelah kanan istilah GO (GO: 0016301). Anda sekarang akan melihat 180 gen yang cocok dengan istilah yang dipilih ditampilkan di jendela di sebelah kanan bawah. Jendela kanan bawah akan menunjukkan jumlah semua persyaratan yang dipilih. Gen-gen ini dapat diekspor ke Qlucore omics Explorer Daftar Variabel Tabel antarmuka.

Tekan tombol Ekspor untuk mengekspor daftar.

Hapus tanda centang GO: 0016301 dan periksa GO: 0003674

Tekan tombol Ekspor lagi

Beralih ke QoE jendela utama. Sekarang Anda akan melihat dua daftar baru di Variable Daftar Tabel nama sesuai dengan istilah pencarian GO.

Figure 59:

image: 58C__Users_Dicka_Pictures_gambar_58.eps

Kolom kedua di Variable Daftar Tabel diaktifkan opsi untuk variabel warna sesuai dengan setiap daftar.

Tekan kotak warna untuk daftar pertama dan kemudian tekan daftar warna untuk daftar kedua.

Figure 60:

image: 59C__Users_Dicka_Pictures_gambar_59.eps

Note: The first GO list includes 119 unique items which matches precisely 93 genes in this specific data set whereas the second list includes 685 items which matches 375 genes.

Plot akan terlihat seperti sesuatu seperti di bawah ini, di mana semua gen termasuk dalam daftar GO function_GO_0003674 molekul berwarna ungu dan gen dalam daftar GO_mf_kinase_activity_GO_0016301 berwarna kuning. Jika daftar mendapat warna dengan diagonal dalam kotak warna itu berarti bahwa daftar yang tumpang tindih. Daftar terakhir digunakan untuk mewarnai akan menang.

Model pekerjaan ini adalah cara terbaik untuk menggabungkan sistem informasi biologi dari daftar yang berbeda dengan kesimpulan dari studi yang sedang berlangsung. Hal ini dimungkinkan untuk mewarnai plot variabel ke sejumlah daftar.

Figure 61:

image: 60C__Users_Dicka_Pictures_gambar_60.eps

Catatan: Variabel memberi warna juga pada peta panas dan plot pencar.

Untuk mempelajari variabel termasuk dalam daftar berdasarkan dua gen ontologi itu mudah.

Pada Variable Daftar Tabel memeriksa kolom pertama untuk dua daftar.

Plot akan diperbarui dan hanya mencakup gen berwarna kuning dan ungu, akan ada 15 variabel yang aktif.

Alat tikus alat warna juga ampuh untuk memahami lebih lanjut tentang data. Untuk menggambarkan hal ini lebih lanjut membuka disinkronkan sampel PCA petak (Windows> New Synchronized Plot) dan kemudian pilih untuk ubin (Windows> Tile)

Pilih Warna di Tool Box (tidak ada multi-). Pastikan bahwa plot Sampel PCA aktif dan kemudian pilih (dalam Jendela Variable) variabel dalam variabel PCA petak

Figure 62:

image: 61C__Users_Dicka_Pictures_gambar_61.eps

Anda sekarang mendapatkan Sampel berwarna sesuai dengan tingkat ekspresi untuk gen yang dipilih untuk masing-masing sampel. Pada contoh di bawah Anda amati bahwa data sampel berwarna.

Figure 63:

image: 62C__Users_Dicka_Pictures_gambar_62.eps

Dengan memilih variabel yang berbeda (satu per satu) baik dalam plot PCA variabel atau dalam daftar variabel satu melihat tingkat ekspresi gen yang dipilih untuk setiap pasien.

Sekarang kita akan menemukan gen yang berhubungan dengan gen tertentu. Kami memilih PBX1 gen.

Gunakan alat pencarian untuk menemukan gen PBX1. Pilih tombol dan masukkan PBX1 dalam dialog pencarian ketika Anda mencari di "Gene Symbol" penjelasan.

Figure 64:

image: 63C__Users_Dicka_Pictures_gambar_63.eps

Select Corr. in the Tool Box

Figure 65:

image: 64C__Users_Dicka_Pictures_gambar_64.eps

Tekan daftar pencarian di Variable Table View. Gen PBX1 akan ditambahkan ke plot PCA variabel dan akan ditandai.

Dalam Box Variabel Korelasi Anda sekarang dapat memilih tingkat korelasi dan jika Anda ingin memasukkan korelasi positif dan negatif.

Figure 66:

image: 65C__Users_Dicka_Pictures_gambar_65.eps

Pilih 60% dan korelasi positif

Dalam Window Plot Variable, Anda sekarang dapat melihat bahwa semua variabel yang memiliki korelasi lebih dari 60% dengan PBX1 terhubung dengan garis. Semua variabel aktif lainnya juga hadir. Untuk hanya melihat variabel berkorelasi memindahkan slider varians ke kanan.

Figure 67:

image: 66C__Users_Dicka_Pictures_gambar_66.eps

4.1.9 Apa itu ANOVA dan Kapan saya harus menggunakannya?

ANOVA (analisis varians) adalah generalisasi dari t-tes, yang memungkinkan perbandingan lebih dari dua populasi berarti. Kami juga dapat meminta beberapa prediktor dan mengambil kovariat ke rekening. Dua sisi t-test identik dengan apa yang disebut satu-way ANOVA (ANOVA dengan satu prediktor) di mana prediktor yang memiliki dua kategori. Ketika membandingkan nilai rata-rata lebih dari dua kelompok, hipotesis nol bahwa semua mean populasi adalah sama, dan hipotesis alternatif adalah bahwa setidaknya satu berarti berbeda dari yang lain. Oleh karena itu, ANOVA tidak segera memberitahu kami yang berarti yang berbeda. Selain itu, diarahkan (satu sisi) tes tidak masuk akal ketika lebih dari dua cara dibandingkan. Untuk gambaran yang lebih komprehensif dari model ANOVA yang berbeda, lihat dokumen "Cara menggunakan ANOVA" yang tersedia dari www.qlucore.com.

Sebagai generalisasi dari t-test, ANOVA dibangun pada asumsi yang sama kemerdekaan dalam kelompok, normalitas dan kesetaraan varians. Adapun t-test, ANOVA cukup kuat melawan penyimpangan, terutama untuk ukuran kelompok yang sama (dan nomor lebih besar dari sampel). Gambar 1 dan 2 menunjukkan bagaimana asumsi normalitas dan kesetaraan varians dapat grafis diperiksa dalam Qlucore omics Explorer.

Figure 68:

image: 67C__Users_Dicka_Pictures_gambar_37.eps

Sebuah variabel yang mendekati normal didistribusikan dalam setiap kelompok sampel.

Figure 69:

image: 68C__Users_Dicka_Pictures_gambar_38.eps

Sebuah variabel yang menunjukkan varians yang sama (tapi cara yang berbeda) dalam kelompok sampel yang berbeda.

4.1.10 Kapan harus menggunakan Penyaringan Varian?

Varians penyaringan dapat digunakan sebagai cara untuk mengurangi jumlah variabel dalam satu set data dalam cara yang tanpa pengawasan (yaitu, tanpa menggunakan penjelasan sampel). Dengan teknik eksperimental saat ini sangat mudah untuk mengumpulkan data untuk sejumlah besar variabel secara bersamaan, dan variabel umumnya tidak secara eksplisit dipilih berdasarkan asumsi sebelumnya dari "interestingness". Oleh karena itu, dapat dibayangkan bahwa sebagian besar variabel menambahkan apa-apa tapi suara untuk analisis dan kami mungkin ingin menghapus variabel ini untuk menjelajahi seluruh data secara lebih rinci. Salah satu cara untuk mengidentifikasi variabel yang berpotensi menarik adalah dengan cara varians mereka. Sebuah variabel yang hampir konstan di semua pengamatan memiliki varians yang rendah, dan kita dapat menghapus variabel seperti dengan cara slider varians dalam Statistik toolbox. Ini juga telah menyarankan bahwa varians penyaringan mungkin berguna untuk meningkatkan kekuatan mendeteksi gen yang diekspresikan secara berbeda dengan t-tes atau ANOVA. Alasan di balik ini adalah bahwa varians penyaringan mengurangi jumlah variabel dan karena itu membuat koreksi untuk beberapa pengujian (lihat pembahasan pada q-nilai di atas) kurang penghambat. Jumlah yang sesuai varians filtering sangat bergantung pada kumpulan data dan tujuan analisis. Jika kumpulan data belum pra-disaring sebelum dimuat ke Qlucore omics Explorer, menyaring lebih dari setengah dari variabel dibayangkan. Jika kumpulan data telah pra-disaring, cukup kurang varians penyaringan mungkin diperlukan.

4.2 PCA plots

Arti dasar dari PCA plot data multidimensi di ANTRIAN adalah bahwa titik data yang mirip juga disajikan berdekatan dalam plot yang dihasilkan. PCA operasi ditandai dengan fitur yang mempertahankan sebanyak informasi awalnya tersedia mungkin dalam dihasilkan plot tiga dimensi. Isi informasi tersebut kemudian diukur dengan varians statistik dalam data ketika menerapkan PCA.

Pada gambar di bawah, kelompok kuning terdiri dari sampel yang mirip satu sama lain dan yang berbeda dari sampel biru:

Figure 70:

image: 69C__Users_Dicka_Pictures_gambar_39.eps

4.3 Apa arti penting dari statistik plot PCA.

PCA operasi ANTRIAN tidak membuat asumsi tentang data Anda. Jika Anda dapat melihat struktur dan pola yang terlihat pada layar komputer itu kemudian karena struktur yang hadir. Beberapa metode statistik yang tersedia di QOE (seperti ANOVA) dapat menciptakan pola bahkan dari data acak. Pola-pola ini kemudian, dengan probabilitas yang sangat tinggi, secara statistik tidak stabil dan Anda harus melihat signifikansi statistik dari struktur Anda menemukan. QUE dilengkapi dengan beberapa alat yang tersedia untuk mengendalikan signifikansi statistik. Mereka termasuk lintas validasi (meninggalkan satu atau beberapa sampel data keluar), pengacakan atau tes permutasi. QOE juga menyediakan p-nilai dan nilai-nilai q untuk metode statistik yang dipilih, sehingga mudah untuk memeriksa dinamis signifikansi statistik dari struktur Anda menemukan.

4.3.1 Bisakah PCA melewatkan struktur dan pola?

PCA operasi digunakan untuk mengurangi dimensi dan karenanya ada pada umumnya hilangnya informasi dalam presentasi tiga dimensi. PCA operasi tetap adalah stabil dan dalam metode optimal arti tertentu untuk pengurangan dimensi dan dengan menggunakan fleksibilitas fungsi Dinamis PCA di QOE Anda meminimalkan risiko hilang struktur penting. Penggunaan grafik dan metode nonlinear seperti ISOMAP tersedia di QOE juga merupakan cara untuk meminimalkan risiko hilang informasi penting mengenai data Anda. Pada gambar di bawah Anda dapat misalnya, dengan menggunakan grafik, melihat bahwa kelompok hijau sebenarnya terdiri dari dua subkelompok yang berbeda. Fakta ini akan sulit untuk membedakan tanpa dukungan dari grafik hadir dalam plot.

Bab 5

5 Penutup

5.1 Kesimpulan

Dari Paparan atau penjelasan di atas, maka penulis dapat menyimpulkan bahwa sesuai dengan makalah “Correlation Matrix Heatmap” kami definisikan tentag interaksi secara terus menerus antara beberapa variable dan menjadi jalur pada analisis dan static yang dapat di tampilkan secara grapic. Dan memahami cara menggunakan software Qlucore Omics Explorer, instalasi dan menambah pemahaman dengan contoh kasus pada penulisan ini dalam penerapan konsep di atas.

5.2 Saran

Menyadari bahwa penulis masih jauh dari kata sempurna, kedepannya penulis akan lebih fokus dan details dalam menjelaskan tentang makalah di atas dengan sumber – sumber yang lebih banyak yang tentunga dapat di pertanggung jawabkan.

Daftar Pustaka

https://en.wikipedia.org/wiki/Heat_map

https://en.wikipedia.org/wiki/Cormac_Kinney

https://en.wikipedia.org/wiki/Qlucore

http://www2.warwick.ac.uk/fac/sci/moac/people/students/peter_cock/r/heatmap

http://blogs.sas.com/content/sasdummy/2013/06/12/correlations-matrix-heatmap-with-sas/

www.cs.uic.edu/~wilkinson/Publications/heatmap.pdf

http://www.mathworks.com/help/bioinfo/ref/heatmap.html?requestedDomain=www.mathworks.com

https://labescape.com/info/about-heat-maps

https://www.logianalytics.com/resources/bi-encyclopedia/heat-maps/

http://www.fusioncharts.com/chart-primers/heat-map-chart/

http://www.qlucore.com/

Related Post:

0 komentar:

Posting Komentar

Mengenai Saya

Arsip Blog

Popular Posts