Startpagina / Samenvattingen / Class notes - OMICS in Biomedical Sciences / samples-model-corrigeren

Data analysis and experimental design III

Q: Wat is cross (model) validation?

doe je als je weinig samples tot je beschikking hebt onderverdelen data in Xtest en X train maken van geoptimaliseerd model M met X train gebruik model M om Y te voorspellen voor X test herhalen met een andere X test totdat elke smaple is getest kijk hoe goed voorspellingen waren aantal misclassificaties predictions voor Xtest representeren de data

Q: In sommige studies zijn de verschillende samples niet direct vergelijkbaar door verschillende oorzaken zoals het opwerken van een sample of dat er veel tijd zit tussen het meten van de samples. A) Noem twee methodes die kunnen worden gebruikt om te corrigeren voor deze verstoringen. B) Leg voor beide methoden uit hoe ze gebruikt worden en hoe ze vergelijkbaarheid tussen de samples vergroten.

A. Interne standaard en QC samples B. interne standaard = bekende compound toevoegen die verder niet aanwezig is. toevoegen voorafgaand aan opwerken. naar verwachting gelijke piek in elke meting (dus voor elk sample), voor variatie kun je corrigeren. QC: langzame veranderingen van het meetsysteem over de tijd kun je corrigeren door verandering QC sample te interpoleren naar andere samples

Q: Noem een derde manier om ongewenste verschillen in samples te corrigeren.

•Door normalisatie kunnen ongewenste verschillen in de samples worden gecorrigeerd. Een voorbeeld is de algeme concentratie van urine samples. Door toevalligheden zijn sommige urine samples meer geconcentreerd dan andere (tijdstip vd dag, ziekte, medicatie, ...). Om voor deze ongewenste verschillen te corrigeren kunnen verschillende manieren van normalizatie toegepast worden. •Corrigeren met creatinine niveaus •Corrigeren met total som van alle pieken •Kijk naar totale hoeveelheid van stoffen (volume X concentratie)

5 belangrijke vragen over Data analysis and experimental design III

Waarom is validatie essentieel?

Alle analyses geven eigenlijk een te optimistisch beeld, omdat ze gemaakt zijn op basis van je eigen data. Het is dan nog de vraag of je conclusies stand houden als de je analyse uitvoert in nieuwe groepen.

Op welke 2 manieren kun je iets zeggen over hoe goed je multivariate model gaat kunnen voorspellen?

average prediction error --> CIs voor nieuwe samples (seperate blinded test set, cross model validation)
statistische significantie van p-value van het model: permuaties (om H0 te maken), is de link tussen X en Y significant anders dan de link tussen X en Y?
p <(1 + number permutaties dan origineel/alle permutaties)

Wat is cross (model) validation?

doe je als je weinig samples tot je beschikking hebt
onderverdelen data in Xtest en X train
maken van geoptimaliseerd model M met X train
gebruik model M om Y te voorspellen voor X test
herhalen met een andere X test totdat elke smaple is getest
kijk hoe goed voorspellingen waren
aantal misclassificaties
predictions voor Xtest representeren de data

In sommige studies zijn de verschillende samples niet direct vergelijkbaar door verschillende oorzaken zoals het opwerken van een sample of dat er veel tijd zit tussen het meten van de samples.
A) Noem twee methodes die kunnen worden gebruikt om te corrigeren voor deze verstoringen.
B) Leg voor beide methoden uit hoe ze gebruikt worden en hoe ze vergelijkbaarheid tussen de samples vergroten.

A. Interne standaard en QC samples
B. interne standaard = bekende compound toevoegen die verder niet aanwezig is. toevoegen voorafgaand aan opwerken. naar verwachting gelijke piek in elke meting (dus voor elk sample), voor variatie kun je corrigeren.
QC: langzame veranderingen van het meetsysteem over de tijd kun je corrigeren door verandering QC sample te interpoleren naar andere samples

Noem een derde manier om ongewenste verschillen in samples te corrigeren.

•Door normalisatie kunnen ongewenste verschillen in de samples worden gecorrigeerd. Een voorbeeld is de algeme concentratie van urine samples. Door toevalligheden zijn sommige urine samples meer geconcentreerd dan andere (tijdstip vd dag, ziekte, medicatie, ...). Om voor deze ongewenste verschillen te corrigeren kunnen verschillende manieren van normalizatie toegepast worden.
•Corrigeren met creatinine niveaus
•Corrigeren met total som van alle pieken
•Kijk naar totale hoeveelheid van stoffen (volume X concentratie)