প্রোটোমিক্সে শক্তি?


9

প্রস্তাবিত নমুনা আকারকে সমর্থন করতে অনুদানগুলি প্রায়শই পাওয়ার বিশ্লেষণের প্রয়োজন হয়। প্রোটোমিক্সে (এবং সর্বাধিক-অল্পবিজ্ঞানের) মধ্যে 10 এর স্যাম্পলগুলি (সম্ভবত 100s, তবে সম্ভাব্য নয়) এর পরিমাপ করা 100 এর থেকে 1000 এর বৈশিষ্ট্য / পরিবর্তনশীল রয়েছে। এছাড়াও, এটি জানা যায় যে এই পরিমাপের কয়েকটি ইউনিট (উদাহরণস্বরূপ, প্রোটিনের বর্ণালী সংখ্যা) সাধারণত বিতরণ করা হয় না এবং তাই আমরা বিশ্লেষণের জন্য প্যারাম্যাট্রিক নন use আমি একটি একক পরিমাপ ধরে এবং একটি টি-পরীক্ষা ধরে নিরূপিত একটি নমুনা আকারের শক্তি দেখেছি, তবে আমি মনে করি এটি পুরোপুরি সঠিক নয়। বর্ণালী গণনাগুলির সাথে বিশেষভাবে অন্য একটি সমস্যা হ'ল 100 এর বৈশিষ্ট্যগুলির প্রত্যেকটির বিস্তৃত ত্রুটি (বৃহত্তর মানগুলিতে কম ত্রুটি রয়েছে) সহ খুব আলাদা স্কেলের উপর রয়েছে। [এই সমস্যাটি সুনির্দিষ্টভাবে সীমাবদ্ধতা পরিবর্তনের মডেল, মাচচ এট আল।, 2002 এ বর্ণনা করা হয়েছে ]

কোনও প্রস্তাবিত নমুনা আকারের শক্তি নির্ধারণের উপযুক্ত উপায় কী হতে পারে এফডিআরের কিছু অনুমান এবং গ্রহণযোগ্য ভাঁজ-পরিবর্তন? এখানে সরঞ্জামটি ব্যবহার করে আমি নিম্নলিখিতটি নির্ধারণ করতে সক্ষম হয়েছি:

  • 300 জিন
  • 3 মিথ্যা ধনাত্মক
  • 1.4 ভাজ-পার্থক্য
  • 0.8 কাঙ্ক্ষিত শক্তি
  • 0.7 স্টাডেভ

49 এর গ্রুপে একটি নমুনা আকার প্রয়োজন।

আমি 50v50 ডিজাইনের প্রস্তাব দেওয়ার পরে এটি কার্যকর ছিল, জেনে রাখুন যে 1.4 ভাঁজ-পরিবর্তনটি বেশ গ্রহণযোগ্য, 1% এফডিআর ঠিক আছে, এবং আমি সম্ভবত এই পরীক্ষায় 300 প্রোটিন পরিমাপ করব। পাওয়ার বা নমুনা আকারের গণনার এই সমস্যাটি অব্যাহত থাকবে, সুতরাং একটি রেফারেন্সযুক্ত স্থানে থাকা ভাল লাগবে।

সম্পাদনা: আমি পড়েছিলাম যেখানে কোনও সহকর্মী ওয়াল্ড পরীক্ষার পরে সম্ভাবনা ফাংশনটি ব্যবহার করে নেতিবাচক বাইনোমিনাল বিতরণগুলি থেকে বর্ণালী গণনার মডেল করার প্রস্তাব করেছিলেন। মূলত প্রোটিন বৈকল্পিক অনুমান পেতে প্রিলিম ডেটা ব্যবহার করে এবং তারপরে প্রতিটি কোয়ান্টাইলের জন্য গ্রুপগুলির মধ্যে সনাক্তযোগ্য ফোল্ড পরিবর্তনগুলি গণনা করুন। একটি এফডিআর (আলফা) ইনপুটও রয়েছে। সুতরাং, একটি> 80% শক্তি এবং নমুনা আকার নির্ধারণ করে, তারা 25% সর্বনিম্ন বৈকল্পিক, 50% ছোট বৈকল্পিক এবং 25% সর্বোচ্চ বৈকল্পের জন্য সনাক্তযোগ্য ফোল্ড-পরিবর্তনগুলি নির্ধারণ করতে পারে। সমস্যাটি হ'ল তারা জানল না কীভাবে তারা এটি করেছে। নিশ্চিত না যে এই পদ্ধতির ভাগ করে নেওয়া যাকে সম্ভাব্য উত্তরের সাথে সহায়তা করবে।


আমি এই বিষয়ে আরও কিছু সংস্থান পেয়েছি: লেভিন 2011 ডিকার এট আল।, 2010
বেন

1
এই এমডি অ্যান্ডারসন ক্যালকুলেটরটি আমার কাছে অত্যধিক আশাবাদী বলে মনে হচ্ছে। কত তুলনা করা হয়? (আমি মাইক্রোয়ারেজে খুব মরিচা: 50v50 ডিজাইনের 300 জিনের অর্থ আপনি কতটা তুলনা করেছেন ??) আপনি যখন এফডিআর ক্যালকুলেটরটি 3 টি মিথ্যা ধনাত্মককে সেট করেন, আপনি কি বলছেন যে আপনি একটি মিথ্যা ইতিবাচক ত্রুটি সেট করছেন তাই কেবল 3 নালীর নীচে মিথ্যা ধনাত্মক হবে বলে আশা করা হচ্ছে? এটি 60 টিরও বেশি তুলনার জন্য খুব কঠোর।
অ্যাডমো

1
আমি আপনাকে আর দেখাতে পারি কীভাবে এটি আর এ করা হবে তবে আমার কেবল জীববিজ্ঞানের কিছুটা পটভূমি দরকার।
অ্যাডমো

উত্তর:


1

অ্যাপ্লিকেশনগুলিতে (বিশেষত নৈতিক অ্যাপ্লিকেশনগুলি, যেখানে আপনাকে পাওয়ার স্টাডি করতে হবে) আমি এই রেফারেন্সটি ব্যবহার করতে পছন্দ করি [ওয়াং এবং চেন 2004], কারণ এটি উচ্চ-থ্রুপুট ডেটার জন্য পাওয়ার গণনার পিছনে ধারণাটি সুন্দরভাবে ব্যাখ্যা করেছে (ডেটা আসলে যাই হোক না কেন) ।

সংক্ষেপে, সাধারণ পরামিতিগুলি ছাড়াও (α, β, এন, প্রভাব আকার) আপনি দুটি অতিরিক্ত পরামিতি, λ এবং use ব্যবহার করেন η পরেরটি, η, হ'ল সত্যিকারের পরিবর্তিত জিনগুলির সংখ্যাযুক্ত এবং λ হ'ল সত্যিকারের পরিবর্তিত জিনগুলির ভগ্নাংশ যা আপনি সনাক্ত করতে সক্ষম হতে চান। এই পদ্ধতির সাহায্যে কোনও পরিচিত পাওয়ার গণনাগুলি একটি হাই-থ্রুপুট ডেটাতে প্রসারিত করা বেশ সোজা।

ওয়াং, সু-জেন এবং জেমস জে চেন। "মাইক্রোয়ারে পরীক্ষায় পৃথকভাবে প্রকাশিত জিনগুলি সনাক্ত করার জন্য নমুনার আকার" " গণনা জৈব বিজ্ঞান 11.4 (2004): 714-726।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.