PETER PARK: Pentru azi, voi
vorbi doar un pic mai
general la început
despre câteva observații pe
care le-am avut.
Poate puțin despre
studiile de microarray de fiabilitate.
Voi vorbi despre
problema de clasificare în general.
Și apoi, voi vorbi
mai mult despre fenotipuri.
Și apoi revizuiți câteva
literaturi care sunt bine citate.
Deci pun pariu că ai fost
expus la asta, nu?  A vorbit
cineva... poate
Marco sau Zack
despre studiile limfomului?
Îți amintești de alte
lucrări pe care le-ai tratat?
Da?
PUBLIC: [INAUDIBIL]
PETER PARK:
Îți mai amintești ceva?  În
regulă, deci...
PUBLIC: [INAUDIBIL]
PETER PARK: Da,
corect, deci poate că
lucrurile astea pe care le am sunt noi.
OK bine.
Deci probabil că știi toate astea.
De fapt, este... deci
matricele cADN sunt mai ieftine.
Deci sunt folosite o
mulțime de laboratoare de biologie.
Cei cu care lucrez, de
exemplu, în noua clădire,
au propriile biblioteci.
Își imprimă propriile lor.
Matricele Affy sunt...
Cred că consensul că
matricele Affy sunt probabil
cele mai precise în acest moment.
Dar este încă de la 8
la 1.000 USD per matrice.
O mulțime de grupuri
experimentează
cu aceste
rețele de oligonucleotide imprimate.
Deci, Agilent are-- deci
există o varietate întreagă acum--
Agilent are un tip de
platformă în care
vă oferă de fapt cipurile și,
practic, trebuie să cumpărați
întreaga lor configurație.
Și e mai ieftin.
Oamenilor par să le placă,
dar cine știe ce se va
întâmpla în viitor.
Adică, totul
nu este clar în acest moment
exact care
platformă este cea mai bună
informație pe dolar cheltuit.
Dar există și alte
companii care chiar vor
produce aceste oligonucleotide.
Și apoi doar le cumperi
și apoi le tipărești singur.
Deci ai doar acele
imprimante cu spray și apoi le imprimi.
Cred că acestea vor rula
în acest moment, poate
o treime din costul Affy.
Deci aceasta este o
opțiune bună pentru viitor.
Dar nu este clar
cât de bune sunt acestea.
Deci este mai ieftin în acest
moment, dar nu la fel de bun.
De fapt, încercăm să
tipărim asta la [?  Harvard?]
Partner Center noi înșine.
Și deci, dacă putem face
asta să funcționeze, o
facem pentru om
și șoarece în acest moment.
Dacă putem face asta să
funcționeze, ar fi foarte
bine pentru anchetatorii noștri.
SAGE este un mod foarte precis de a
face analiza datelor de expresie.
Practic, implică
secvențierea fiecărei etichete mici.
Așadar, avantajul este că
obțineți un foarte-- chiar și
pentru un
număr foarte mic de copii de transcriere,
le puteți obține cu acuratețe.
Dezavantajul este
că este scump.
Dar există o grămadă
de grupuri pe aici
care au biblioteci mari.  Așa
că sunt personal interesat
de cel de-al doilea punct,
care se numește, în zilele noastre,
biologia sistemelor,
deci este integrarea
multor tehnologii de mare capacitate
în
genomică și proteomică
și punerea lor împreună.
Deci, microarray este locul unde
a început totul.
Acum că toate aceste
alte tehnologii
devin mai
mature, suntem cu toții
interesați să le
combinăm pe toate.
Și există o mulțime de
instrumente publice și comerciale,
instrumente și baze de date de care
ar trebui să fii conștient.
Deci cred că problema este că
nici cei mai buni biologi nu
știu ce este acolo.
Așa că provocarea
pentru mine și pentru mulți
alți oameni aflați într-o
situație similară este că, în
loc să presupui că
ei știu ce este acolo,
trebuie să
le spui ce să facă.
Spune-le biologilor că, ar
trebui să încerci așa și așa,
pentru că pur și simplu
nu știu ce se întâmplă
în matematică, în general.
Deci, în ceea ce privește
integrarea datelor, inițial
oamenii au făcut o mulțime de
studii de exprimare a datelor.
Au existat
câteva programe drăguțe
care au legat literatura.
De exemplu, noi, cei din centru,
tocmai am primit o licență comercială
pentru ceva numit Ingenuity.
Practic, puneți
datele de expresie
în software și va
genera rețele frumoase.
Și poți... ei bine, există
multe moduri de a fi aceste date.
Dar puteți, de exemplu, să faceți
clic pe link-urile dintre gene
și va
apărea toată literatura
care situează acele gene.
Adică, există și o mulțime de
programe care fac asta,
dar acest program special
o face foarte bine.
Așa că așa ceva
este enorm de util,
dacă știi că
astfel de lucruri există
și dacă ai acces la el.
Există unele gratuite
,
dar nu sunt la fel de bune.
Adică, acest software,
au tone de oameni--
nu tone, o mulțime de oameni,
doar stând acolo, curatând
literatura de mână.
Și așa au acumulat
această bază de date uriașă.
Dar cred că asta
e... în cele din urmă, așa cred
, cred că mulți dintre noi
vom face cercetări.
Așa că aceste instrumente vor deveni din ce în ce
mai inteligente,
astfel încât nu trebuie să treceți
singuri prin PubMed.
Există și alte tipuri de date.
Nu știu dacă ai abordat de fapt
vreuna dintre acestea în clasă,
dar există o mulțime de
date despre legarea ADN-ului de proteine.
Deci, cel mai faimos
set de date este de la Whitehead,
de la laboratorul lui Rick Young, unde
pentru drojdie, practic
au luat toți
factorii de transcripție, aproximativ puțin mai mult
de 100 pentru drojdie, și apoi au
descoperit unde în genom
acești
factori de transcripție se leagă efectiv.  .
Deci in vivo.
Deci nu pot localiza...
nu aveți suficiente
rezoluții pentru a identifica
exact ce
pereche de baze se leagă,
dar știți ce
gene folosesc de fapt
acești
factori de transcripție pentru reglarea lor.
Deci datele sunt extrem de utile.
Cred că încearcă să
facă asta pentru genomul uman,
dar nu știu
cum merge asta.
Microarrays de proteine,
așa că nu a
avut un succes așa cum
credeau oamenii inițial că ar fi.
Există doar o
mulțime de dificultăți
doar în producție.
Dar, de exemplu, la
centru, Harvard Partner Center,
există niște contracte
cu unele companii care
fac aceste matrice de proteine
cu aproximativ 50 sau 60 de molecule care
stau acolo, atunci
cred că acestea sunt 50 sau 60 de sisteme de detectare a
anticorpilor cu adevărat comune
.
Deci cred că ar putea
fi de mare ajutor.
Dar cred că tehnologia
încă nu este acolo.
Cel puțin nu pentru
prețul care este
rezonabil pentru
majoritatea anchetatorilor.
Mass spec-- este o
zonă enormă care a luat amploare
în trecut, aș spune, cel
puțin în ceea ce privește informatica,
poate doar după un an sau doi.
Există
cantități enorme de date
și o mulțime de
provocări informatice.
Și deci un alt set
de date care ar putea fi
integrate în studiile tale.
Deci, atunci când oamenii vorbesc
despre biologia sistemelor,
oamenii înțeleg lucruri diferite.
Dar, în general, se
referă la faptul
că combinați toate aceste
tipuri diferite pentru a genera
o imagine coerentă.
Și de fapt este foarte greu.
Și cred că unele dintre
motive vor fi
clare în următoarele câteva diapozitive.
OK, așa că lasă-mă să omit peste asta.
Așa că doar pentru a
vă oferi o poveste amuzantă
despre necesitatea unei
analize bune cu toate aceste date.  A
existat o lucrare bine citată
în Nature Genetics
în 2001, numită
Reglarea transcripțională și funcția
în timpul ciclului celular uman.
Deci cred că de fapt a
venit de la grupul care a
făcut ciclul celular de drojdie
cu câțiva ani în urmă,
înainte de asta.
Și în acea lucrare,
ei au susținut că
există un număr mare
de gene de mamifere,
aproximativ 700, care au
modele specifice ciclului celular.
Deci, cred că asta a fost făcut
pe datele Affy, de fapt.
Oricum,
anul următor, există o lucrare
în PNAS numită
„Analiza
expresiei genelor specifice ciclului celular
în celulele umane
determinată de microarrays
și sincronizarea blocului dublu de diamidină
.
Deci, din titlu,
nu poți
spune cu adevărat care este subiectul.
Dar  practic, ceea ce au
făcut în lucrarea din 2002
a fost să se întoarcă și să reanalizeze
datele din lucrarea din 2001.
Și astfel, dacă te uiți
la textul de aici, datele
originale de microarray
prezentate
pentru a susține
existența expresiei genelor ciclice
în celulele umane sunt acum
re-  examinat cu o
abordare statistică, constatăm că
există dovezi interne care sugerează
că
datele originale ale micromatricelor nu
susțin
tiparele propuse de exprimare a genelor.
Deci, unul dintre aceștia--
cred că a fost primul
autor care este statistician.
Așa că au susținut că  pentru a
studia ciclul celular,
trebuie să sincronizezi
la început,
folosind una dintre multele metode.
Și ei se uită la
aceste date și spun că,
după randomizarea
datelor, încă vedem
o grămadă de gene care
au comportament ciclic.
De fapt, dacă
îl studiezi cu atenție,
celulele nici măcar nu sunt sincronizate.
Așa că ei susțin că primul
experiment a fost doar un gunoaie.
Iar cele 700 de gene pe care le-au
observat
au fost ceva care ar fi putut
veni din întâmplare.
Pentru că vreau să spun, pentru că
ai atât de multe gene,
vei vedea niște
gene care merg în cicluri.
Așa a apărut în PNAS.
Și de atunci, cel puțin, au
existat doar schimburi
înainte și înapoi.  Așa că
primul grup are
un site web care detaliază ce am
făcut noi, asta a
făcut documentul PNAS
și de aceea greșesc.
Este doar un întreg site.
Și cred că și al
doilea tip a
avut o respingere la acel site.
Adică, acesta este un
lucru important de rezolvat, nu?
Pentru că a apărut în Nature
Genetics, mulți oameni
folosesc aceste date, dar
celălalt grup spune că
toate acestea sunt o prostie.
Și cred că... vreau să spun, așa că am
citit puțin din asta.
Cred că ceea ce sa întâmplat a fost...
Adică, ca de obicei, adevărul
este undeva la mijloc.
Adică, primul grup a fost
atât de interesat să arate
că există o mulțime de
gene care circulă,
încât au folosit doar metode care
vor fi avantajoase pentru ei.
Și în a doua
lucrare, ei au fost atât de
interesați să arate
că datele sunt greșite,
încât au definit
lucrurile în așa fel
încât să
nu existe gene de ciclism.
PUBLIC: [INAUDIBIL] dacă
ați găsit aceleași gene
într-un alt [INAUDIBIL].
PETER PARK: Poate, nu știu.
Da.
Adică, pun pariu, în funcție
de cum o faci.
Aș crede că
ar găsi
o suprapunere cu
primul, dar nu 700.
Așa că cred că
lecția este că
ar trebui să te asiguri că faci lucrurile
bine înainte de a publica.
Cel puțin în așa fel încât
nimeni să nu te poată ataca așa.
Și acesta este doar un exemplu.
Există o mulțime de probleme
cu studiile timpurii.
Și chiar vă voi spune
despre o altă problemă
care a fost foarte comună.
Așa că un lucru
m-a interesat
cu un student, care
a publicat de fapt o lucrare despre asta
înaintea oricui altcuiva, așa că
există diferențe substanțiale
în diferite tehnologii
pentru platformele de microarray.
Deci cADN-urile sunt foarte
diferite de matricele Affy.
Deci, una dintre întrebările frecvente
este, ce platformă ar trebui să folosesc?
Dacă ceva este mai ieftin,
funcționează și el?
Sunt de acord?
Deci care platformă este cea mai bună?
Și deci există o grămadă de
lucrări despre asta, dintre care unele
sunt citate în
articol, dar vreau să spun,
acesta este doar un subset foarte mic.
Și majoritatea
sunt conflictuale,
cu excepția faptului că sunt de acord că
nu sunt de acord foarte bine.
Deci, sunt conflictuale în ceea ce privește
care dintre ele este mai bună,
cât de precise sunt.
Dar cred că, în general,
suprapunerea este surprinzător de mică.
Deci, dacă faceți
experimentul cu matrice ADNc,
găsiți gene care sunt
diferite cu [INAUDIBLE]..
Așa că repeți
experimentul cu matrice Affy,
obțineți un rezultat foarte diferit.
Deci asta e o mare problemă, nu?
Adică, pentru un singur
lucru, nu ești sigur
dacă rezultatele pe care le
obții sunt corecte sau nu.
Și un alt lucru este
că, în cele din urmă, am
dori să combinăm datele
de la diferiți oameni.
Deci, dacă altcineva,
dintr-o altă școală,
a făcut un
experiment foarte similar
și doriți să vedeți cum se
compară experimentul dvs. cu acesta,
atunci nu doriți să fiți nevoit să
repetați experimentul.
Ați dori să faceți
experimentul pe orice platformă pe care o
aveți și să-
l comparați cu ceea ce
a făcut altcineva, care
poate să nu fie pe aceeași platformă.
Și deci aceasta este o problemă mare.
Și este departe
de a fi rezolvat --
doar că sunt atât de multe
probleme și probleme,
încât cred că va dura ceva
timp până când aceste lucruri se
rezolvă.
Deci, așa cum am menționat,
matricele Affy par
să aibă cel mai
reproductibil experiment.  Cred că
majoritatea oamenilor
care au încercat
privatizări multiple
vor spune că sunt
de acord cu corelarea
monedei 98, 99.
Dar un lucru pe care l-am făcut
cu Steve Greenberg, pe care l-
ați întâlnit, cred,
acum câteva săptămâni,
este că noi"  Am studiat
cât de reproductibile
sunt între două
generații de matrice Affy.
Deci, există un
set foarte popular de matrice--
primul a fost U95--
adică 95 se referă la
versiunea bazei de date genetice
pe care o folosesc pentru a colecta
informații despre sonde.
Așa că, cred, oamenii
au folosit timp de câțiva ani-- o
mulțime de jetoane, adică
multe mii de jetoane.
Și apoi, tu U133
ești cel mai nou.
Deci U95
a venit de fapt în cinci jetoane,
iar U133 a venit în două jetoane.
Așa că au schimbat
o grămadă de lucruri,
astfel încât să poată
intra în două jetoane.
Acum, există doar un singur
cip cu toate genele umane.
Deci, din cinci matrice, acum trei
sau patru ani, acum
aveți o singură matrice.
Și așa s-au făcut o mulțime de
experimente.
Acestea sunt matrice umane.
Doar pentru a vă da o idee despre
câte matrice sunt acolo,
când vorbeam cu cineva
de la Aventis pharmaceutical,
ei au o
bază de date proprietară cu...
Cred că au spus că
nu-mi amintesc,
erau fie 20.000,
fie 30.000 de cipuri.  .
PUBLIC: A lor?
PETER PARK: Sau al lor, corect.
Deci baza lor de date internă.
Deci 20.000, să zicem, timpul e
1.000 de dolari, adică 20 de milioane de dolari,
nu?
Sunt mulți bani.
Deci, oricum, există o
mulțime de date care folosesc acestea.
De fapt, nu știu dacă aceste
matrice nu sunt acelea--
nu aveau
20.000 dintre aceste matrice.
Dar au o
mulțime de matrice Affy.
Acestea sunt 20.000 de matrice Affy.
Și asta este doar o companie.
Oricum, ceea ce
am vrut să facem cu Steve
este să vedem cum
ar varia rezultatele în funcție
de platforma pe care o folosiți.
Și, de fapt, făcuse
experimentul pe U95,
apoi a avut o nouă
subvenție, a avut mai multe mostre,
așa că a vrut să facă din
nou uniformitate
și așa a făcut-o pe U133.
Și nu pentru că
avea atât de mulți bani a
vrut doar să încerce asta.
Deci, ceea ce a făcut a fost să hibridizeze
14 mostre de viață musculară
de la pacienți cu
miopatii inflamatorii, care
este specialitatea lui, apoi au
fost hibridizate cu ambele cipuri.
Așa că m-am uitat la aceste date --
am trimis
lucrarea recent.
Dar ceea ce ne-am uitat
a fost ce se întâmplă
când grupăm matricele
folosind gruparea ierarhică, pe
care o știți până acum, și
când găsim
gene exprimate diferențial în fiecare caz.
Deci nu poți citi
etichetele de acolo, pun
pariu, dacă te uiți
la cea din stânga sus,
așa că practic am strâns toate
datele și am spus:
OK, pot doar să le grupez?
Deci, ceea ce ar trebui să
vedeți este că același eșantion,
hibridizat la 95 și 133
ar trebui să fie unul lângă celălalt,
și acesta va fi
cazul pentru toate mostrele dvs.
În această grupare, totul
din stânga este U133
și totul din
dreapta este U95.
Da.
Deci, dacă grupați, nu
caracteristicile eșantionului,
ci tipul de matrice este
caracteristica distinctivă.
PUBLIC: Ce a făcut
[INAUDIBIL]?
PETER PARK: Ei bine, în acest caz,
am folosit corelațiile Pearson.
Deci orice normalizare liniară
nu ar afecta rezultatul.
Dar indiferent ce ai încerca, va
ieși așa.
Și așa e
deranjant, nu?
Deci, există câteva
modalități de a remedia acest lucru.
Deci, în acest caz particular,
am normalizat genele
într-un anumit mod și apoi
am reușit să facem ca
acest lucru să se alinieze corect.
Dar ceea ce am făcut în acest caz,
în general, nu funcționează.
Deci am putea face asta doar aici.
Dar, în general, nu funcționează.
Așa că nu uitați, aceasta este
o singură platformă, doar
generații diferite.
Deci, dacă ar fi să comparați
diferite platforme,
vreau să spun, lucrurile sunt
mult mai dificile.
Și deci, asta este doar o idee despre...
care ar trebui să vă dea o idee
despre cât de diferiți sunt.  Un
alt mod în care ne-am uitat a
fost, de pe fiecare platformă, ne-am
uitat la --
așa că mostrele au fost
împărțite în mod natural în două grupuri.
Așa că ne-am uitat la, pentru
fiecare platformă, ce gene
sunt exprimate diferențial.
Deci, din mostrele U95,
avem o listă lungă, de la 133,
avem o listă lungă.
Cât de multă suprapunere există?
Asta era întrebarea.
Are sens?
Deci, dacă te uiți la
linia punctată, dacă te uiți la--
PUBLIC: [INAUDIBIL]
PETER PARK: Corect, deci am avut 14.
Și au fost practic
cinci dintr-un singur tip,
iar restul ar putea fi
considerat ca un alt tip.
Deci, folosind acele cinci
și nouă jetoane, ne-am
uitat la
diferite întrebări.
Așa că am făcut asta
separat pentru fiecare.
Adică, ar
trebui să se suprapună, nu?
Exact aceleasi mostre.
Am făcut multe
analize pentru a ne asigura
că nu a existat multă
degradare a ARN-ului și așa ceva.
Dar dacă te uiți la asta--
așa că uită de
linia continuă deocamdată--
dacă te uiți la
linia punctată întreruptă, din primele 100,
există aproximativ 20%, mai puțin
de 20% care se suprapun.
Deci aproximativ 20 de gene
vor apărea în ambele,
dar 80 de gene nu sunt în comun.
Deci e oarecum
deranjant, nu?
Adică, dacă te uiți la primele 50--
și, de obicei, atunci când anchetatorii
fac aceste experimente, ei
nu se pot uita la
mai mult de primele 20, 30, 50,
sunt aproximativ 15%
care sunt în comun.
Deci 15%, asta înseamnă șapte
sau opt gene din 50.
Deci este oarecum deranjant.
Deci, pentru lucrare, am
găsit de fapt
o modalitate de a remedia această
problemă în cazul general.
Deci am putea crește
foarte mult procentele.
Dar majoritatea oamenilor care nu vor
trece prin această problemă a ceea ce
am făcut noi ar trebui să fie conștienți de faptul
că lista lor nu este
atât de solidă.
Și, într-un anumit sens,
acest lucru nu este surprinzător.
Deși gradul în care
nu sunt de acord
este surprinzător.
În general, aveți
câteva sute,
sau poate chiar
mii de gene,
care sunt
exprimate diferențiat.
Și există
gene diferite exprimate
la un nivel foarte similar.
Deci, orice perturbare pe care o
faceți datelor,
lucrurile se vor
amesteca
și, în general,
nu sunt foarte stabile.
Deci nu este de mirare că
nu sunt foarte de acord.
Dar în acest caz, pentru că a fost
controlat atât de strâns, vreau să spun, pentru că
au același
ARN marcat în același timp, au
fost hibridizați
în aceeași unitate, ne
așteptam ca acest lucru să
fie puțin mai mare.
Dar nu este.  Deci
asta e o provocare, cred.
Și ar trebui să fie o atenție
pentru oamenii care fac experimente.
Un lucru pe care, deci,
un lucru căruia oamenii ar
trebui să-i acorde mai multă atenție
, prin urmare, nu este atât
ce gene sunt exprimate,
cât ce fel de gene
sunt exprimate.
Deci, oamenii se gândesc acum
la un mod mai robust
de a privi lista.
Mă refer, de exemplu, la ce
gen de categorie de obiective
sunt reprezentate în
partea de sus, așa ceva.
PUBLIC: [INAUDIBIL]
PETER PARK: Da, deci este
o întrebare bună.
Așa că ne-am uitat la asta în detaliu.
Deci, se dovedește
că dacă sondele...
deci știți cu toții cum
funcționează matricele Affy.
Deci, dacă sondele sunt
exact aceleași,
secvențele sunt
exact aceleași.
Sunt foarte reproductibile.
Deci dau rezultate foarte bune.
Dar dacă sunt
diferiți, adică
nu am poze aici să
vă arăt, dar nicio relație.
Chiar dacă ar trebui
să detecteze aceeași transcriere.
Deci, practic, vreau să
spun, lecția este
că modificările ușoare ale
informațiilor secvenței au ca
rezultat schimbări uriașe
în expresia ta.
PUBLIC: [INAUDIBIL]
PETER PARK: Nu,
lungimea este aceeași.
Lungimea care...
sunt 25 de mers.
Și motivul pentru care sunt...
deci există o dezbatere cu privire la
durata optimă.
Și oamenii au...
deci furnizorii comerciali pe
care i-am enumerat mai devreme,
au lungimi diferite.
Deci există vreo 30 de mers,
50 de mers, mulți oameni
cred că nucleotidele mai lungi
, oligonucleotidele
au de obicei 70 de mers, sau
acea dimensiune, sunt cele mai bune.
Dar asta e încă o
întrebare puțin deschisă.
Dar Affy și-ar
dori probabil să aibă sonde mai lungi,
dar sunt limitate
de tehnologie.
Deci sunt construite de...
este aceeași
tehnologie pe care o
folosești pentru a construi
cipuri semiconductoare
și, deci, nu poți ține
atât de multe nucleotide.
Deci, ceea ce au făcut...
deci motivul pentru care Affy s-a
îmbunătățit, este că asta...
este atât de greu să-ți
dai seama exact
care secvențe ți-ar da
cel mai bun rezultat.  Deci, practic,
ceea ce a făcut Affy de-a lungul
anilor este
că, de-a lungul
generațiilor, și-au dat seama,
doar prin încercare și eroare,
care dau rezultate proaste.
Și astfel, data viitoare când
produsul iese,
ei scapă de toate cele rele
și încearcă doar altele noi.
Deci, prin acel proces de încercare și
eroare, în opinia mea,
au devenit destul de bune.
Deci, dacă te uiți la
acum doi sau trei ani,
dacă te uiți la vechiul cip,
cât de multă variație
există între sondele
care ar trebui să
detecteze aceeași genă,
ai vedea doar lucruri
peste tot.
Doar că jumătate
din sonde vă pot da
numere complet diferite.
Dar acum, este mult mai bine.
Lucrurile s-au îmbunătățit cu siguranță.
Și cred că Affy,
platforma în sine,
are câteva avantaje,
deoarece
folosesc niște sonde multiple.
Alte platforme, nu
au luxul de a face asta.
Deci au o
singură sondă mai lungă,
dar nu au idee
dacă este corectă sau nu.
Și m-am uitat la, de fapt,
matrice comerciale, nu Affy,
și am comparat asta cu
Affy, și
obții rezultate deranjante.
Deci probabil că ați
auzit o mulțime de lucruri bune
despre microarray, și
probabil că este adevărat în general.
Dar există câteva probleme la care
trebuie să fii atent.
Deci da, am fost puțin
surprins de asta.
Și cred că
recomandarea este
că dacă aveți
platforme diferite, cel puțin,
dacă nu veți trece
prin,
dacă nu sunteți capabil să treceți prin ceea ce am
trecut noi, să
nu combinați matricele.
Dar, atunci, aceasta nu este o
soluție foarte satisfăcătoare.
Adică, dacă ai o
bază de date cu toți acești pași pe
care toți ceilalți i-au
făcut, la ce folosește
dacă nu îi poți folosi.
În afară de fiecare
set de date în starea sa.
Deci OK, nu cred că
trebuie să vorbim
despre câte jetoane avem nevoie.
Nu știu dacă cineva plănuiește
să facă experimente cu matrice.
Experimentele dvs. de matrice... oh, OK.
Deci, în general, cred că pentru majoritatea
platformelor care există
de ceva vreme, majoritatea
oamenilor ar fi de acord
că variabilitatea biologică
domină erorile tehnice de măsurare
.
Deci, pentru Affy, nu
doriți să faceți multe replici
ale aceluiași țesut sau eșantion.
În ceea ce privește exact de câte aveți
nevoie, de câte cipuri aveți nevoie,
aceasta este o întrebare grea.
Doar pentru că nu
știți câtă variabilitate
aveți în mostrele dvs.
Deci, dacă cineva îmi poate spune,
am atât de multă variabilitate
în eșantioanele mele, vreau
această rată fals pozitivă,
această rată fals negativă
, vă pot da
numere pe baza unui model.
Dar de obicei oamenii nu-
mi pot da acele numere.
Deci nu are rost
să vorbim despre asta.
Unii, în general vorbind, dacă
aveți date în datele despre cancer,
unde aveți o
mare variabilitate,
cred că oamenii ar spune--
unele studii au spus, a
avea eșantioane de 10 până la 15
per grup pentru o comparație a tumorii
vă poate oferi ceva
de genul  Rata fals pozitive de 75%.
Și pentru detectarea genelor care
sunt de trei ori variabile.
Deci da, pot
exista niște estimări de
acest fel pentru parametrii dați.
Dar, în general, este greu.
Deci da, hai să lăsăm așa.
Cred că voi
sări peste cele mai multe dintre acestea.
Sunt sigur că le-ai mai
văzut pe astea.  Să
vorbim despre valorile p,
teste multiple.
OK, deci poate nu.
Deci, doar ca să vă dau un exemplu.
Deci, să presupunem că arunci o monedă de
10 ori și obții toate capetele.
Aceasta este ca o
întrebare cu probleme de statistică 101.
Care este probabilitatea
să obții toate capetele?
Și se dovedește că
este aproximativ 0,001 --
este ca 1 din
2 la 10 al nostru.
Deci da, este de aproximativ 0,1%.
Deci, dacă întrebarea
este, este părtinitoare?
Ai spune, probabil, nu?
Destul de puțin probabil.
Dar dacă sunt 10.000 de
oameni care aruncă monede
și o persoană primește 10 capete.
Deci ar trebui să fii surprins
că cineva are 10 capete?
Probabil că nu, nu?
Deci trebuie să vă adaptați pentru asta.
Aceasta este aceeași problemă pe
care am menționat-o mai devreme
în lucrarea Nature Genetics.
Trebuie să te adaptezi la faptul
că există atât de multe gene.
Într-un anumit sens, oamenilor le
este oarecum dificil
de înțeles, pentru că sunt
interesat de o genă,
dar dacă probabilitatea mea
depinde de tipul de cip pe care îl
folosesc -- de exemplu, dacă
folosesc un cip cu 10.000 de gene,
față de un cip  cu 30.000 de
gene, probabilitatea mea
va fi diferită pentru
gena care mă interesează.
Așa că oamenilor le este uneori
greu de înțeles.
Dar
cred că trebuie făcute unele corecturi.
Așa că este adesea menționată ca
ajustări multiple de testare.
Cred că există un oarecare consens
acum cu privire la modul de a face acest lucru.
Deci poate nu vom
vorbi despre asta aici.
Dar oamenii în general... și
sunt de acord cu asta, de asemenea,
există ceva
numit descoperire falsă, despre
care poate ați auzit.
Cred că este o
abordare foarte rezonabilă.
Exact cum să calculezi
asta, nu este atât de simplu.
Dar se poate face.
Bine, deci hai să vorbim
puțin mai mult despre subiectul
care mă interesează,
în ceea ce privește aplicarea.
Deci, în cele din urmă, pentru oamenii care
sunt interesați de aplicații, de
aplicarea clinică a
microarrayului sau de orice alt tip
de date de mare capacitate
, este că vă
place să utilizați acest lucru în
cadrul clinic.
Sunt
lucruri legate de tratament.
Așadar, provocarea
este să nu mai faci
aceste probleme metodologice simple
la un moment dat
și să treci la probleme reale.
Și asta înseamnă
încorporarea unei cantități mari
de date fenotipice.
Deci, într-un
cadru clinic, de obicei,
aveți o mulțime de alte tipuri
de date enumerate aici.
Și ne place să
găsim relații
între datele genomice
și datele fenotipice -
date fenotipice.
Deci întrebările ar putea
fi, ce gene
sunt variabile sau corelate
cu un anumit fenotip?
Ce ar trebui să
folosim ca predictori?
Așa că introduc doar
cadrul la un nivel de bază.
Și apoi ne vom uita
la niște hârtii.
Deci, cel mai simplu
caz pe care oamenii
au depus mult efort
este cazul binar.
Deci, datele fenotipice, în
acest caz, sunt doar o etichetă--
zero, unu, da sau nu,
boală, față de normal.
Și, practic, există
toate metodele
care ar putea fi aplicate în
acest sens, au fost aplicate
și există o mulțime de lucrări despre
asta-- cum să faci asta mai bine.
Cum alegi genele
care sunt legate de etichetă?
Și cum faci
pronosticul?
Au vorbit băieții
despre predicție?
Cum să... știi că

este validarea încrucișată cu o excepție?
Corect, atât de bine.
Și apoi, oamenii au făcut mai multe
subclase, nu doar două,
ci mai multe cazuri.
Și apoi, în acest caz,
nu este ordonat--
deci aveți diferite subtipuri.
Ați putea avea
subclase ordonate,
adică dacă aveți o evaluare
pentru severitatea bolii,
poate aveți de la 1 la
5 ca fenotip.
Continuu-- din anumite
motive, acest lucru nu a fost chiar--
ultimele două nu au fost
făcute atât de bine cum ar fi trebuit
, sau ar fi trebuit să fie.
Da, așa cum ar trebui să fie.
Dar cu siguranță este într-un
domeniu în care
trebuie făcute multe progrese.
Deci, de exemplu, am
făcut o colaborare în
care fenotipul a fost o
capacitate invazivă a celulelor.
Deci, ce gene prezic
capacitatea acestor celule canceroase?
Și deci cum să aplici prin toate
aceste gene, și apoi să
găsești predicții -
algoritmi de predicție și
apoi să faci predicții,
cum să faci asta în mod optim,
nu este complet rezolvat.
Și, în sfârșit,
tipul de date al senzorului
este ceva care mă
interesează foarte mult.
Și voi vorbi puțin
despre asta mai târziu.
Deci, se dovedește că
multe dintre aceste fenotipuri
pot fi reduse la
tipul binar.
Deci, dacă aveți
mai multe subclase
și combinați-le în două.
Dacă aveți date continue,
puteți spune, ei bine, scăzut invaziv
versus mare, aveți
severitatea bolii,
vă puteți împărți în două.
Deci te poți transforma întotdeauna
într-o problemă mai simplă.
Și asta
au făcut oamenii în multe cazuri.
Dar pierzi o mulțime
de informații.
Așa că ați dori să păstrați
asta și să faceți asta...
efectuați aceeași procedură.
Deci, vreau să spun,
probabil că ați mai văzut asta
înainte, există o mulțime de
întrebări care ar putea fi puse
și au fost puse.
Deci, doar pentru a vă oferi
un cadru general,
deci pentru că există
atât de multe gene în date,
de obicei există un fel
de reducere a dimensionalității.
Chiar și atunci când aveți
o metodă foarte bună,
tot trebuie să reduceți
dimensiunea setului de date.
Uneori, cu excepția cazului în care
aveți un computer frumos,
lucrurile s-ar putea să nu se
potrivească nici măcar în datele dvs.
dacă nu faceți o reducere.
Deci, această problemă se
numește selecția caracteristicilor
în informatică.
Deci, există o mulțime de
moduri diferite de filtrare a genelor pe care le
cunoașteți
valoarea pragului din expresie,
filtrarea variațiilor și așa mai departe.
Există o mulțime de
instrumente pentru a face
reducerea dimensionalității.
Deci, de obicei, fie
reduceți dimensiunea
doar reducând
numărul de gene,
fie puteți găsi de fapt unele
dintre combinațiile minore de gene.
Și apoi, folosiți-le ca
dimensiune redusă.
Deci, dacă vă plac
componentele principale sau o compoziție cu o singură valoare
,
reduceți dimensiunea,
dar dimensiunile pe care le
aveți în cele din urmă nu sunt gene.
Acestea sunt combinații de gene.
Deci, există diferite
moduri de a face acest lucru.
Și cu dezavantaje și
avantaje pentru fiecare.
Deci nu voi trece prin asta,
dar probabil că ați auzit de testul t
.
Așa că permiteți-mi să petrec
două sau trei diapozitive
doar pentru un singur lucru pe care
mulți oameni l-au observat.
Această problemă a fost
rezolvată în majoritatea cazurilor,
să zicem, începând cu un an sau doi în urmă.
Dar dacă te întorci
la lucrările anterioare,
ei au făcut o mulțime de
lucruri suboptime sau, în acest caz,
doar ceva greșit
în studiul lor.
Deci, există o mulțime de lucrări despre
clasificarea categoriilor de boli.
Și aceasta a fost
prima sau una
dintre aplicațiile principale
ale tehnologiei Affy
sau tehnologiei cDNA.
Desigur,
performanța depinde
de metodologia folosită.
De multe ori vezi acești
algoritmi de învățare automată,
cum ar fi singular,
nu singular, care acceptă
mașini vectoriale.
Rețelele neuronale,
par să dea
rezultate destul de bune, adesea.
Și pentru că probabil știți,
dacă nu există suficiente mostre,
doriți să utilizați
seturi de antrenament și testare
pentru a vă evalua acuratețea.
Dacă nu, utilizați
validarea încrucișată cu excludere.  Se
pare că o mulțime
de lucrări din reviste bune
au făcut greșeli din
acuratețea predicțiilor.
Și ceea ce afirmă ei
sunt supraestimări
ale exactității reale.
Deci asta nu a fost discutat
de alți oameni, nu?
AUDIENTĂ: Am vorbit despre un
ziar care [INAUDIBIL]..
PETER PARK: Oh, a făcut-o?
În cancerul de sân?
Așa că permiteți-mă pe
scurt, așa că
permiteți-mi să vorbesc despre
acest studiu de simulare.  A
vorbit despre asta?
Bine, în regulă, deci
acesta este al lui Rick...
Rex Simon de la NIH,
este un statistician
care a făcut multă muncă bună.
El a publicat această lucrare -
de fapt cred că data este -
poate să fi fost 2002.
Oricum, Journal of
National Cancer Institute.
Așa că a făcut un
studiu de simulare doar
pentru a vă arăta ce fel de
greșeli ar putea fi făcute.
Așa că a generat date simulate -
20 de profiluri de expresie,
10 repartizate aleatoriu
unei clase,
restul celeilalte.
Deci, în acest caz, deoarece
datele sunt toate aleatorii,
nu există
diferențe adevărate subiacente.
Și asta înseamnă că orice
predicție ar trebui să faci,
eroarea ar trebui să fie de
aproximativ jumătate, nu?
Și a făcut media acestei proceduri
peste 2.000 de seturi de date.
Deci resubstituirea aici înseamnă...
OK, deci aveți 20 de mostre.
Așa că ți-ai construit
modelul, modelul de predicție,
pe baza tuturor celor 20, astfel încât să
ai modelul tău.
Și apoi, testezi
modelul pe fiecare.
Deci, dacă faci asta, în 98,2% din
timp, nu faci nicio eroare.
Întotdeauna primești
etichetele corecte.
Cancer sau nu, sau
orice etichetă
ai putea fi într-un anumit
studiu, asta este eticheta.
Și este clar un
lucru greșit de făcut, nu?
Nu vă puteți construi
modelul pe baza datelor dvs.
și apoi puteți prezice datele.
Dar ceea ce
au făcut mulți oameni în reviste bune
este să scoată
proba de testare după selecția genelor.
Deci am cele 20 de mostre ale mele,
apoi filtrez genele
și apoi aleg genele care
sunt informative pentru clase.
Și apoi, pentru a prezice
modelul, voi omite unul,
sau pentru a prezice eticheta, o
opresc una, îmi construiesc modelul,
dar pe baza genelor
pe care le-am selectat deja.
Și apoi preziceți-l pe
cel care a rămas afară.
Apoi o lași pe altul
, construiești un nou model
pentru predicție și așa mai departe.
Deci crezi că
ar trebui să fie în regulă, nu?
Dar este în regulă dacă setul de gene pe care îl
obțineți este același de fiecare dată când...
dacă ar fi
același de fiecare dată când
ștergeți proba
și recalculați.
Dar vreau să spun, așa cum am văzut mai devreme,
gena nu foarte stabilă.
Deci, dacă faci asta,
există o mulțime de părtiniri.
Deci, dacă faceți asta în
acest set de date simulate,
90% din timp, pe
un set de date aleatoriu,
aveți o precizie de 90%.
Deci, în general,
diferența nu este atât de mare.
Dar ar putea fi substanțial,
în funcție, de exemplu, de
dimensiunea setului dvs. de date.
Acum, dacă o faci
corect, adică
eliminați setul de date înainte de
selecție, înainte de a selecta
genele,
reselegeți genele
și faceți predicția
și așa mai departe, atunci obțineți mediana
la 11 clasificare greșită.
Deci ar trebui să obțineți 10, astfel încât să
obțineți ceva aproape
de ceva aproape de același.
Desigur, nimeni nu o
face exact așa cum ar
trebui.
Deci, modul în care ar trebui
făcut este să ștergeți o probă
și apoi să începeți
totul de la zero.
Ca și cum ai renormaliza,
faci totul.
Dar nimeni nu face asta cu adevărat.
Așa că, de fapt, se
normalizează folosind toate datele
și apoi, în zilele noastre,
treci mai departe, apoi
treci una la
selecția genelor și așa mai departe.
Așa că cred că oamenii
probabil bănuiau
că există o problemă
cu asta, dar nu atât de mare ca
în anumite cazuri.
Așa că în zilele noastre, ca dacă vezi
o lucrare în reviste bune, va
avea
informații suplimentare,
vor vorbi despre
ce este părtinirea.
Dar ei raportează adesea
rata mai bună în ziar.
Deci nu e bine.
OK, să vorbim
acum despre vremurile de supraviețuire.
Deci câți dintre voi sunteți
familiarizați cu datele mele de cenzură?
OK, deci nu voi vorbi
prea mult despre elementele de bază atunci.
Adică, rata de cenzură
este adesea de ordinul...
ar putea fi de 50%.
Nu este neobișnuit.
Deci vrei să te asiguri că
te ocupi corect de cenzura ta
.
Și, în general, vorbim
despre cenzura corectă--
aveți pacientul,
un studiu este încheiat,
pacienții [INAUDIBILI] mor,
pacientul dvs. abandonează un studiu.
OK, așa că, ca și în
celelalte fenotipuri,
cel mai simplu lucru pe care îl puteți face
este să utilizați abordarea univariată standard
.
Adică mă uit la
genele mele pe rând,
văd cum această genă are
legătură cu supraviețuirea.
Deci, există multe moduri de a
face asta pentru că, vreau să spun,
această problemă există
de zeci de ani.
Și deci există
metode bune pentru a face acest lucru.
De exemplu, testele clasificate în jurnal
vă vor oferi
o valoare p cu privire la modul în care
acea genă este corelată
cu datele dvs. de supraviețuire.  Așa că
mulți
oameni vor face asta,
un fel de
abordare univariată,
luând în considerare timpul [INAUDIBIL]
, și apoi vor
pune cap la cap, la sfârșit,
un tip de metodă de vot.
Deci, pentru a face o predicție
a pacientului,
spuneți, ei bine, ce
spune gena mea despre acest pacient.
Dar gena doi?
Ce zici de 100?  Se
adună.
Uneori ponderat
diferit, în funcție
de cât de bună
este gena în a prezice
sau în corelația sa
cu fenotipul.
Așa că voi vorbi
puțin mai târziu,
acest lucru nu este adesea optim.
Deci, așa
fac oamenii pentru că este ușor,
dar nu este optim.
Așa că voi sări peste asta.
Așa că haideți să facem niște...
aruncați o privire la câteva exemple.
Deci, în cele din urmă, îți
place să-ți faci studiul
și apoi să corelezi asta
cu fenotipul tău.
Și apoi continuă
să arăți că orice--
nu vrei să arăți doar că
este legat de fenotip.
Vrei să arăți
că este mai bun
decât ceea ce folosesc oamenii în prezent.
Deci, acest lucru nu s-a făcut până,
să zicem, 2001, 2002.
Așa că oamenii au spus doar, oh,
profilurile mele de expresie
sunt legate de fenotipul meu.
Dar de fapt este mai bine.
Deci este de fapt...
Cred că aceasta este o
întrebare interesantă pentru dezbatere.
Adică, oamenii au
publicat toate aceste lucrări de
doi sau trei ani.
Dar de fapt nu
cunosc niciun spital care
să facă testele și apoi să
facă predicții asupra pacientului.
Adică, a existat
un raport despre un plan
de a face asta în Țările de Jos, dar
acest lucru nu s-a întâmplat cu adevărat.
Deci, vreau să spun, de fapt, am
avut un prieten bun
la
departamentul de patologie care a
făcut el însuși o mulțime de matrice
, și acum
că și-a terminat doctoratul, este
într-o bursă de patologie,
a spus: OK, poate voi încerca să
obțin  chestia asta la clinică.
Și se pare că sunt
doar o mulțime de probleme.
În primul rând,
multe dintre aceste studii
nu au arătat că, în comparație
cu costul implicat,
este de fapt o afacere bună.
Deci, aparent,
există teste foarte simple
pentru o mulțime de diagnostice, să zicem,
legate de cancer.
Există teste foarte simple,
care sunt foarte ieftine și foarte
ușor de făcut.
Luați foarte puțin timp.
Așa că a spus, nu este
clar în clinică
dacă acele teste sunt de fapt
mai puțin precise decât aceasta.
Este mult mai simplu,
oamenii deja fac asta.
Și deci nu există un mare
stimulent pentru a trece la asta.
Și probabil motivul cel mai mare
, totuși, sunt banii.
Deci, companiile de asigurări în
zilele noastre sunt plătite per pacient,
așa că uit
terminologia pentru asta.
Dar dacă spitalul dorește
să facă o procedură suplimentară
ca acest test,
practic ei nu sunt
rambursați de către
compania de asigurări
decât dacă i se poate demonstra
casei de asigurări
că aceasta este o procedură necesară

pentru toți acești pacienți.
Și acesta este un lucru dificil.
Deci prietenul meu s-a uitat la asta.
Și nu este ușor - un spital
sau companiile de asigurări
nu sunt dispuse să
plătească bani
decât dacă se dovedește într-
un mod rezonabil de bun.
Și, desigur, dacă ar
fi, de exemplu, să le
arăt rezultatele anterioare
despre cum [?  utile?] acestea sunt,
nimeni nu va plăti, să zicem,
1.000 USD per pacient.
Deci nu știu în ce
moment se va face asta cu adevărat
în clinică.
Dar cred că, pe măsură ce mai mulți oameni
publică lucrări mai bune
și fac o
analiză cost-beneficiu mai cuprinzătoare,
poate se va întâmpla.
Cred că inițial, oamenii
sunt foarte încântați că asta
vei face, nu?
Intri în clinică,
ei fac asta și îți pun
toate aceste diagnostice.
Dar cine știe când se va
întâmpla asta.
Deci da, acestea sunt câteva
probleme practice care
nu sunt atât de ușor de rezolvat.
În orice caz, aceasta este o lucrare
care a apărut în Nature.
Acesta este, cred, un grup
din Țările de Jos,
unde cred că sunt mai mult-- cel
puțin din câteva
articole pe care le-am citit,
sunt mai aproape de a
face acest lucru în clinică.
Și un articol a citat de fapt
rezultatele
acestei lucrări ca bază
pentru a face acest lucru în clinică.
Deci o problemă este
că nu cred că
ceea ce s-a făcut în această
lucrare este atât de grozav.
Deci este un pic o problemă.
Dar cel puțin în această lucrare, ei
susțin că acest profil de expresie genică
va depăși
toți
parametrii clinici utilizați în prezent
în prezicerea
rezultatului bolii în cancerul de sân.
Deci este cineva familiarizat
cu această lucrare?
PUBLIC: [INAUDIBIL]
PETER PARK: Bine, deci a
vorbit și despre metodologie
?
PUBLIC: [INAUDIBIL]
PETER PARK: Oh, OK.
Trebuie să fi uitat.  A
vorbit
și el pe scurt despre asta?
Este, de asemenea, un cancer de sân--
PUBLIC: [INAUDIBIL]
PETER PARK: Bine, dar ai
vorbit despre această lucrare,
dar nu--
OK, îmi cer scuze.
Nu-mi amintesc de
anul trecut ce lucrări au fost acoperite.
Și știam că
documentele despre limfom erau
acoperite de Zack sau de cineva.
Dar apoi am uitat că Steve
ar fi acoperit asta.
Oricum, de fapt,
nu este atât de mult timp,
așa că e bine că a
acoperit asta.
Deci, practic,
abordarea este să
construiești un fel de clasificator, să
alegi genele
printr-un clasificator.
Și apoi, felul în
care aceste lucrări dovedesc
că lucrurile sunt bune, sau
profilurile de expresie sunt mai bune,
este că faci o parte din
diagrama Kaplan-Meier pentru fiecare
și apoi faci un test de rang de jurnal
sau unele teste de genul ăsta.  ,
pentru a arăta că există
o mare diferență.
Deci fac acest lucru pentru o
varietate de grupuri stratificate.
Deci s-ar putea să luați pacienți
cărora li s-a atribuit
o categorie de boală în funcție de
prognosticul dvs. tipic
și apoi să arătați că,
în cadrul acelui grup,
există suficientă variabilitate.
Deci, cumva,
există unele informații
în datele expresiei
care nu sunt capturate de aceasta.
Iar următorul pas care
se face din ce în ce mai mult acum
este după ce obțineți
acest clasificator,
îl puneți împreună
cu toate celelalte date.
Deci, în acest caz, în
acest caz, ei
au, practic,
din toate
datele de expresie pe care le au,
ei vin
cu o singură semnătură.
Deci da, arată bine,
față de nu, nu.
Și asta devine
doar o singură variabilă
în
modelul multivariat pe care îl aveți.
Deci, de obicei, majoritatea studiilor,
fără date de expresie,
vor avea doar un
model multivariat, modelul Cox, uneori.
Deci modelul Cox este doar o
regresie liniară multiplă, oarecum făcută
diferit pentru datele de cenzură.
Așadar, pentru modelul Cox,
te potrivești totul.
Și apoi dacă spui, dacă
vezi că valoarea p este
mică pentru asta,
atunci spui, ei bine,
este un nou parametru
sau o nouă variabilă
de care ar trebui să ții
cont în studiul tău.
Deci, cred că aceasta este o
abordare destul de rezonabilă.
Există un alt studiu --
poate ați văzut
și asta --
în care ei fac ceva,
cred că fac ceva mai bine.
Adică, după ce obțineți
toate datele de expresie,
acestea
trec manual prin genele de top
și apoi încearcă să vină
cu noi variabile.
Așa că cred că această semnătură bună --
care este semnătura de lot --
este prea grosieră.
Chiar nu vă oferă atât de
multe informații din date.
Cred că ai putea obține,
cred, mult mai multe informații
din datele tale de expresie.
Deci, în acest exemplu,
ei de fapt
nu au un scor da sau nu
, dar
au de fapt un scor de predicție.
Deci este o variabilă continuă.
Și apoi, ei își
clasifică genele,
în funcție de
profilurile lor de expresie
și de cunoscutele și
adnotările lor în aceste grupuri.
Deci, în acest caz,
au cinci grupuri,
deci
valoarea semnăturii de proliferare -
acesta este un set de gene în P6 -
este doar o genă
care tocmai sa întâmplat
să fie diferită de
toate celelalte profiluri.
Și apoi au
aceste valori de semnătură.
Deci, cred că aceasta este o
abordare destul de rezonabilă.
Și cred că vă oferă
mult mai multe informații.
În plus, acești
coeficienți, cred,
vă oferă o
perspectivă mai solidă asupra modului în care
acea expresie,
acel grup de gene,
vă afectează
supraviețuirea în acest caz.
Deci obțineți un scor de pronostic.
Și apoi, cred că de
aici, ai putea face... ai
putea pune alte
lucruri, alte variabile
în această setare, în
setarea de regresie.
De fapt, există un ziar
care a apărut săptămâna trecută...
săptămâna aceasta.
Și... tu zâmbești?
PUBLIC: Îl cunosc pe acesta.
PETER PARK: Oh, îl
știi pe acesta.
BINE.
Deci, vreau să spun, simt
că, la un moment dat,
cineva poate scrie un software
în care adăugați setul de date
și doar va face toate
lucrurile care sunt făcute.
Pentru că, cred, este destul de
asemănător în toate ziarele.  Cu
excepția algoritmilor,
și, în principiu,
alegerea algoritmilor
utilizați este ca cine
știe anchetatorul, cine
știe cum să facă aceste lucruri.
Deci, în acest caz,
există Tef Srini
este un statistician la Stanford,
și astfel această lucrare folosește
metodele pe care le-a
dezvoltat, care
cred că este o metodă destul de bună.  Așa
că doar pentru a vă oferi o
idee aproximativă despre ceea ce fac ei aici
, ei fac
predicții în cele din urmă...
așa că selectează
genele prin metoda pe care
Tef Srini, care
este de fapt, este
puțin complicat de explicat.
Dar practic face o căutare
prin toată expresia voastră
a genelor, dar puteți

căuta și combinații de gene.
Deci, dacă vă amintiți, practic
toate metodele tipice
vor căuta o genă care este
legată de fenotip.
Deci, dacă există vreo
interacțiune între gene,
practic le pierzi pe toate.
Așa că există o
metodă fantezică pe care el a
dezvoltat-o, în care, practic,
cauți prin toate genele tale --
este ca o regresie,
tip de regresie în trepte,
în care, practic,
cauți prin gene, o
păstrezi pe cea care îți oferă
cele mai bune informații.
Și apoi, încerci
următorul set, apoi
încerci combinații și
așa ceva.
Deci identifică
o grămadă de gene.
Și apoi fac o predicție.
Deci au avut 116 adulți,
aveți un grup --
un set de antrenament cu 59,
faceți o predicție pe 57.
Modul în care fac
predicția este
un algoritm care a fost publicat
în TNAS acum un an sau doi.
Practic,
luați o nouă mostră
și apoi vedeți de care
dintre grupuri
este cel mai apropiat profilul.
Dar fac asta într-un
mod ușor inteligent.
Așa că, în loc să se
uite doar la corelații,
ei fac ceva
puțin mai chic.
Dar vreau să spun,
ideea de bază este aceeași.
Și apoi, în cele din urmă, ei fac
analiza multivariată a
predictorului expresiei genelor -
este un
factor de prognostic puternic independent.
Deci aceasta este o cifră
din hârtie.
Bănuiesc că în acest moment,
vom sări peste asta.
Așa că pentru următoarele
cinci, 10 minute,
lasă-mă să vorbesc despre
ceva ce am făcut.
Deci, cele mai multe studii de până acum
sunt folosite curbele de supraviețuire
ca o modalitate de verificare
a rezultatelor.
Deci, practic, faci
gruparea,
gruparea nesupravegheată, apoi
definiți grupuri și spuneți,
sunt cu adevărat diferite?
Deci, dacă sunt cu adevărat diferite așa cum sunt
verificate de aceste curbe,
atunci spui, oh, e grozav.
Dar, într-un anumit sens, acesta este un
mod indirect de a face lucrurile.
Adică, dacă poate
există o modalitate diferită
de grupare care vă oferă
un rezultat mai bun, cine știe.
Aceasta este doar verificarea pentru a
vedea dacă gruparea dvs. a fost
făcută corect.
Deci, într-un alt fel, o altă
problemă cu asta este că...
da, ei bine, adică, acesta este,
cred, un mod de a face lucrurile.  Un
alt mod, de fapt, de a
face cenzura este
așa cum sa făcut în multe
alte lucrări,
este de a transforma timpii de supraviețuire
într-un indicator binar,
așa cum am menționat.
Deci ceva care ne-a
interesat
a fost dacă
există o combinație.
Deci poate că nu este
gena A cea care este
predictivă, dar este gena
A plus jumătate din gena B,
plus de 2 ori gena C --
poate că acesta este cel mai
predictiv al timpului de supraviețuire.
Deci, altfel,
nu știi exact cum să îți
combini genele.
Dacă faci unele dintre [?  metoda boding ?]
, de exemplu,
combini informații
din toate genele tale,
dar nu
o faci într-un mod optim.
Așa că ne-am gândit de fapt
la această problemă
și apoi am venit cu ceea ce
cred că este o soluție bună.
Desigur, dificultatea este
că este prea complicat
și, prin urmare, este greu să scrii un
software pe care cineva să-l folosească
pentru a apăsa doar un buton
și a obține un rezultat bun.
Și nu putem face doar
analize pentru alți oameni.
Deci, la fel ca în mulți
algoritmi de bioinformatică, este cam acolo,
dar nu am
făcut cu adevărat atât de mult
pe cât am fi putut face cu ea.
Deci, doar pentru a vă oferi o
scurtă privire de ansamblu asupra acestui lucru,
deci problema de bază este că
aveți prea multe variabile.
Așa că folosim o metodă, se
numește cele mai mici pătrate parțiale.
De fapt, devine
foarte popular acum.
Și se dovedește că este un
compromis între a face doar
cele mai mici pătrate, cum ar fi
regresia, versus PCA.
Deci,
analiza componentelor de principiu este
bună prin faptul că încerci să
maximizezi informațiile conținute
în puținele tale componente, dar
nu are nicio legătură
cu fenotipul.
Deci, dacă alegeți
variabile pe baza PCA,
o faceți pentru a măsura
reducerea într-un mod optim.
Dar s-ar putea să nu aibă legătură
cu fenotipul tău.
Dacă faci regresie,
alegi
ceva care este într-adevăr strâns
corelat cu fenotipul tău.
Dar nu faci cu adevărat
nicio reducere de dimensiune.
Sau nu o poti potrivi
intr-un mod optim.
Deci, există ceva numit
cel mai mic pătrat parțial care este
un compromis între cele două
și pare să funcționeze foarte
bine în majoritatea cazurilor.
Și se dovedește că
cineva a rezolvat asta.
Așa că și-au dat seama cum să
facă cele mai mici pătrate parțiale
pentru diferite tipuri de
fenotipuri continue
și binar.
Așa că devine puțin
complicat, de îndată
ce ai un fenotip
care nu este binar, sau de îndată
ce nu este continuu, dar a
fost rezolvat.
Dar când aveți
cenzură, ei bine, din nou,
dacă aveți un
număr mic de gene,
puteți folosi ceva de genul
modelului Cox
pentru a corela
expresia genelor cu cenzura.
Dar când ai prea multe
gene, nu poți face asta.
Metodele tale standard eșuează.
Deci întrebarea a
fost, putem face asta?
Putem aplica o
metodă despre care se
știe că funcționează pentru fenotipul obișnuit,
doar pentru un alt fenotip mai simplu,
dar putem lucra -- putem face ca
aceasta să
funcționeze pentru datele de cenzură?
Deci, se pare că am
venit cu o soluție destul de bună.
Se pare că acest lucru a fost
rezolvat cu mulți ani în urmă, am
descoperit, dar
nu era nevoie -
nu aveau
date de mare capacitate.
Deci nu era
nevoie să folosești asta.  A fost
făcut de un statistician
și este foarte greu de
înțeles.
Adică abia o pot
înțelege și eu.
Deci, într-o oarecare măsură, a fost
reinventarea roții.
Dar o facem
puțin diferit.
Și apoi am
putut să aplicăm asta.
Așa că se dovedește că
de fapt am
reușit să obținem niște
rezultate foarte bune.
De exemplu, dacă folosesc
rezultatele acelui algoritm
pentru a împărți pacienții
în diferite grupuri,
atunci este mai semnificativ
decât utilizarea unei alte metode
de a face lucrurile.
Deci, există metode
ca aceasta care ar putea fi...
Cred că vor fi disponibile.
Și, din păcate,
necesită
o pregătire matematică,
dar pentru oamenii de aici
care sunt interesați de asta și
pot investi timp și energie, vreau să
spun, cred că știind că
algoritmii mai buni vă vor oferi
o mulțime de informații despre ceea ce
se întâmplă sub dvs.  date.
PUBLIC: [INAUDIBIL]
PETER PARK: Ei bine, asta
e problema, nu?
PUBLIC: Știi, pentru că atât de
multe lucruri vor
fi întotdeauna o problemă.
Chiar dacă în
mod aleatoriu [INAUDIBIL] nu
au avut nimic de-a face
cu supraviețuirea,
ei pot
găsi întotdeauna [INAUDIBIL]..
PETER PARK: Dar
nu la fel de bine, nu?
Da, dar de fapt
nu este atât de probabil,
dacă faci efectiv
calculul.
Dar--
PUBLIC: [INAUDIBIL]
PETER PARK: Da, ai putea găsi
niște combinații care vor--
și este adevărat pentru
orice, nu?
Dar chiar și pentru cazul binar,
dacă aveți 10 în fiecare grup,
care este probabilitatea
ca veți
găsi un
predictor aleatoriu care va fi aliniat --
dacă este vorba de
date continue -- care va
fi aliniat exact ca în
ordine  a pacientilor?
Nu este atât de probabil.
Deci, dacă nu este binar, nu?
Este mult mai puțin probabil.
PUBLIC: Deci ai crede că
binarul [INAUDIBIL]..
PETER PARK: Da, da, exact.
Da, deci asta
e problema, nu?
Chiar și pentru aceste curbe Kaplan-Meier
pe care oamenii le arată,
trebuie să se adapteze pentru
teste multiple într-un fel, nu?
Deci, puteți
găsi cu siguranță gene care
vă vor oferi o
valoare p semnificativă,
chiar dacă datele sunt aleatorii.
Deci, unii oameni fac
teste de permutare
pentru a se ajusta pentru valoarea p.
Deci concluzii... Nu
trebuie să merg cu asta aici.
Deci, să vedem... doar
ca un comentariu final.
Pentru a rezuma
pe scurt, aș spune
că unele dintre lucrările recente
au făcut-o destul de bine.
Cred, analiză.  Cred că
asta implică nu doar
realizarea clusterului tipic
și apoi găsirea valorii p
pentru curbele Kaplan-Meier,
ci și obținerea unui
scor bun de un fel
și apoi încorporarea acestuia
în modelul multivariat.
Și apoi, vreau să spun, acea parte
nu este de fapt banală.
Dar dacă ești familiarizat cu acest
pachet statistic, ceva de
genul acesta,
de fapt nu este greu.
Așa că ar trebui să
poți, cred,
dacă înțelegi
foarte bine aceste lucrări,
sunt o mulțime de pași mici
de care trebuie să-ți faci griji,
probabil că ar trebui să poți
face totul pe cont propriu,
cred.
Deci fără prea multe dificultăți.
Deci, în sfârșit, software-ul pe care îl
folosesc tot timpul este R--
sunteți familiarizați
cu software-ul?
Ce software de statistică,
dacă există, știți?
MATLAB?
MATLAB, mulți oameni știu.
Deci R este... deci dacă mergi la
un departament de statistică,
vor folosi unul
dintre cele două programe software.
Unul este la SAS, oamenii folosesc asta.
Iar celălalt este S+.
Așa că SAS a existat pentru totdeauna.  E
ca și cum Fortran-- e ca și cum ar fi existat
pentru totdeauna.
Există o mulțime de
oameni care au
scris software bun pentru el.
Știi că funcționează.
Dar este foarte neîndemânatic.
Multe lucruri pe care
vrei să le faci, nu le poți face.
Au un pachet mai bun,
bazat pe Windows, acum
pentru SAS.
Dar chiar și cu doar
câțiva ani în urmă,
veți desena un complot ca
folosind asteriscuri
pe o pagină de tip text,
așa că desenați mici caractere
pe ecran ca un complot.
Dar cred că generația mai tânără,
care este mai
pricepută la computer, are mai multe șanse
să folosească S+, cu excepția cazului în care trebuie să
folosească SAS în
cursurile lor de statistică.
Deci S+ seamănă mai mult cu MATLAB,
deci este destul de puternic
și vă oferă
multă libertate.
Și R-- deci motivul pentru care se
numește S+ este că există
un
limbaj statistic numit S--
Nu știu de ce se
numește S. De ce C?
Limbajul de programare numit C.
Și apoi unii... și acesta
a fost dezvoltat la Bell Labs.
Și o companie a luat
codul, apoi l-a făcut
ca produs și l-
au numit S+.
Și acum există
o grămadă de oameni,
mulți dintre care au lucrat la --
mulți dintre care sunt familiarizați cu S
care a dezvoltat R.
Deci, de fapt,
tipul care a scris unul
dintre cei doi co-autori ai
R originalului este la Dana...  Farber
și a lucrat mult
în analiza microarray,
de asemenea.
Dar software-ul este
gratuit și este ca Linux.
Oamenii contribuie...
este bine testat.
Și foarte puternic.
Și asta
folosesc tot timpul.
Există unele probleme
precum gestionarea memoriei
și anumite tipuri de date.
Dar cred că lucrurile
se îmbunătățesc.
Și deci sunt destul de mulțumit de el.
Și toți cei pe care i-am
recomandat
sunt destul de mulțumiți de el.
Are o senzație de MATLAB, ca și cum
nu declarați variabile.
Pur și simplu le folosești.
Manipulările matricelor
sunt foarte asemănătoare.
Totul se face
sub formă vectorială.
I-am arătat asta unui
tip dintr-unul din laboratoarele
de la
spitalul de copii... este un tip.
Și apoi a încercat să
facă niște analize de date cu microarray
în Excel, ca să facă
un fel de permutare.
Și i-am arătat cum
să facă asta, iar el a
spus, această singură linie,
adică mi-a luat
trei ore să fac
asta în Excel, aceasta este o
singură linie în R. E foarte fericit.
PUBLIC: [INAUDIBIL]
PETER PARK: MATLAB
are mai multe statistici,
dar cred că R are
statistici mai sofisticate.
Deci MATLAB este mai
orientat spre inginerie.
MATLAB are o grafică mai bună.
Probabil că este mai bine pentru
a rezolva algoritmi --
ca dacă vrei să
rezolvi o matrice mare,
probabil că este mai bine în MATLAB.
Doar pentru că mult mai mulți oameni
lucrează cu MATLAB
și este o companie mare, au
cheltuit mulți bani pe ea.
Dar pentru statistici,
ceea ce înseamnă, cred,
R este mai sofisticat.
Ai mult mai multe opțiuni.
Da, deci am
folosit MATLAB tot timpul.
Dar acum, sunt mulțumit de
R. Dar dacă știi unul,
e ușor să-l ridici pe celălalt.
Adică, ești mereu
confuz cu privire
la cum comentez ceva
sau așa ceva.
Dar, practic, au
aceeași aromă - același motiv pentru care
MATLAB este popular.  Să
vedem, curbă de învățare abruptă,
dar care merită pe termen lung.
Și există ceva
numit Bioconductor...
Nu știu dacă cineva
a auzit de asta.
Așa că acesta a fost un efort pe care
Robert Gentleman, care este
la Institutul Dana-Farber
, care a fost unul
dintre fondatorii R, a început.
Așa că am fost
o parte mai mare din el, mai mult din
acest
proiect înainte,
și el a sugerat chiar la
început pentru titlul
sau pentru numele
proiectului, MAD Men,
cum ar fi managementul datelor microarray.
Dar, în cele din urmă, s-a
decis că NIH nu ar
dori să finanțeze ceva
numit MAD Men.
Așa că a venit cu Bioconductor,
care este un nume mult mai bun.
Deci, dacă accesați
bioconductor.org,
există pachete pe care le
puteți descărca.
Deci, ceea ce se întâmplă acum este...
Cred că acest pachet
a prins,
astfel încât, dacă cineva scrie sau
vine cu un algoritm bun,
va scrie o
rutină și o va depune
undeva pe acest
site web, astfel încât să
îl puteți descărca și rula.  .
Și asta s-a făcut pentru o mulțime
de algoritmi buni de acolo.
Deci, dacă doriți să
vă normalizați datele cADN-ului folosind
o metodă elegantă, este acolo.
Descarca-l.
Este destul de ușor.
Și există o versiune
pentru Windows care este destul de ușoară.
Și R vine în
Linux și Windows,
dar este compilat uita--
este portat în
Windows frecvent
și nu am avut
probleme cu el.
Cred că cineva a încercat să-l
port la Apple,
dar nu știu cât de
reușit are.
Nu l-as recomanda.
Dar sunt destul de mulțumit de el.
Acesta este ceea ce folosesc tot timpul.
Aceasta este ceea ce folosesc o mulțime de oameni
care fac analize de microarray.
OK, așa că văd că am
terminat cu trei minute mai devreme.
PUBLIC: [INAUDIBIL]
PETER PARK: Da,
deci problema... da
, există.
Problema este că cred că R
este doar un nume prost, pentru că
nu poți să cauți cu adevărat R.
Poți să mergi la un Bioconductor R
și există un link înapoi către R,
sau poți face--
poți dacă o faci  un
pachet statistic R. R obișnuia să fie...
Adică, era
greu să conduci aceste lucruri.
Dar Robert și prietenii lui
au făcut acest lucru ușor,
astfel încât practic faceți
clic pe un buton
și se va instala
pe Windows.
Deci în regulă.