BAB 4

4 Kasus pemanfaatan pada Qlucore Omics Ex- plorer 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 didenisikan 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 geogras 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 47 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 denisi 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 signikan 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 signikansi pra-ditentukan (sejauh ini, ambang batas signi kansi yang paling umum adalah 0,05) kita menolak hipotesis nol. Sebaliknya, jika p-value berada di atas ambang batas signikansi, 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 signikansi 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 signikansi 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 denisi 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 signikansi 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 signikan. 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 signikan. 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 cuto signikansi 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 didenisikan 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 cuto signikansi 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 cuto signikansi den- gan 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 signikan 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)  Regresi Linear  Regresi Kuadrat  Regresi Pangkat 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 didenisikan untuk dua perbandingan kelompok. Di bagian atas dialog statistik terdapat informasi masukan. Ini menunjukkan berapa banyak variable

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 signikansi yang ingin Anda capai. Hasil ditunjukkan pada plot di bawah ini.

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 mengidentikasi 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" : 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 eksibilitas yang luas untuk menyesuaikan plot dengan kebutuhan Anda. 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.  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  Pilih icon save, masukkan nama le dan lokasi untuk menyimpan le. 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, 55 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 le teks yang terpisah dengan informasi tentang bagaimana daftar itu dibuat dan Anda dapat membukanya menggunakan program Spreadsheet atau editor teks biasa. Jika Anda membutuhkan le teks biasa tanpa komentar menggunakan "text Plain format le" pilihan dalam Simpan dialog. Tip: Cobalah beberapa pilihan yang berbeda dan membuka le yang disimpan dalam spreadsheet program atau editor lalu memeriksa hasil. Pada bagian ini kita telah melakukan uji statistik (t-test + Lipat Perubahan ltering) 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 uktuasi 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 uktuasi.

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. 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 le sebagai input. Secara default, generik ontologi GO Slim dan le Gene Asosiasi manusia disertakan. Untuk versi terbaru dan untuk ontologi lainnya mengunjungi www.geneontology.org14. File- le ini diperbarui terus menerus dan hasil dalam contoh di bawah ini mungkin berbeda dari apa yang Anda alami melakukan langkah-langkah menggunakan le yang lebih baru.  Hapus tanda centang pada "T-ALL" kelompok dalam panel Sampel.  Dalam lter 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. 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. Note: The rst GO list includes 119 unique items which matches precisely 93 genes in this specic data set whereas the second list includes 685 items which matches 375 genes.

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. 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 Sebuah variabel yang menunjukkan varians yang sama (tapi cara yang berbeda)dalam kelompok sampel yang berbeda.menggunakan penjelasan sampel). Dengan teknik eksperimental saat ini sangatmudah untuk mengumpulkan data untuk sejumlah besar variabel secarabersamaan, dan variabel umumnya tidak secara eksplisit dipilih berdasarkanasumsi sebelumnya dari "interestingness". Oleh karena itu, dapat dibayangkanbahwa sebagian besar variabel menambahkan apa-apa tapi suara untuk analisisdan kami mungkin ingin menghapus variabel ini untuk menjelajahi seluruhdata secara lebih rinci. Salah satu cara untuk mengidentikasi variabelyang berpotensi menarik adalah dengan cara varians mereka. Sebuah variabelyang hampir konstan di semua pengamatan memiliki varians yang rendah, dankita dapat menghapus variabel seperti dengan cara slider varians dalam Statistiktoolbox. Ini juga telah menyarankan bahwa varians penyaringan mungkinberguna untuk meningkatkan kekuatan mendeteksi gen yang diekspresikan secaraberbeda dengan t-tes atau ANOVA. Alasan di balik ini adalah bahwa varianspenyaringan mengurangi jumlah variabel dan karena itu membuat koreksiuntuk beberapa pengujian (lihat pembahasan pada q-nilai di atas) kurang penghambat.Jumlah yang sesuai varians ltering sangat bergantung pada kumpulandata dan tujuan analisis. Jika kumpulan data belum pra-disaring sebelumdimuat ke Qlucore omics Explorer, menyaring lebih dari setengah dari variabeldibayangkan. Jika kumpulan data telah pra-disaring, cukup kurang varianspenyaringan 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 tur 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: 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. Polapola ini kemudian, dengan probabilitas yang sangat tinggi, secara statistik tidak stabil dan Anda harus melihat signikansi statistik dari struktur Anda menemukan. QUE dilengkapi dengan beberapa alat yang tersedia untuk mengendalikan signikansi 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 signikansi 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 eksibilitas fungsi Dinamis PCA di QOE Anda meminimalkan risiko hilang struktur penting. Penggunaan grak 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 grak, melihat bahwa kelompok hijau sebenarnya terdiri dari dua subkelompok yang berbeda. Fakta ini akan sulit untuk membedakan tanpa dukungan dari grak 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 denisikan 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.

#books #reading