Proteomikte güç mü?

Hibeler genellikle önerilen bir numune büyüklüğünü desteklemek için güç analizi gerektirir. Proteomikte (ve çoğu -omikte), 10 numunede ölçülen 100'den 1000'e kadar özellik / değişken vardır (belki 100'ler, ancak olası değildir). Ayrıca, bu ölçüm birimlerinin bazılarının (örn., Proteinlerin spektral sayıları) normal olarak dağıtılmadığı bilinmektedir ve bu nedenle analiz için parametrik olmayan test kullanacağız. Tek bir ölçüm ve bir t-testi varsayımıyla belirlenmiş bir örneklem büyüklüğünün gücünü gördüm, ancak bunun tamamen doğru olduğunu düşünmüyorum. Spektral sayımlarla ilgili bir başka sorun, özellikle 100'lerin özelliklerinin her birinin, çok farklı hatalara sahip çok farklı ölçeklerde olmasıdır (daha büyük değerlerin daha az hatası vardır). [Bu problem, limit kat değişim modelinde güzel bir şekilde tanımlanmıştır, Mutch ve ark., 2002 ]

Bazı FDR varsayımları ve kabul edilebilir bir kat değişimi göz önüne alındığında, önerilen bir örneklem büyüklüğünün gücünü belirlemenin uygun yolu ne olabilir? Buradaki aracı kullanarak aşağıdakileri belirledim:

• 300 gen
• 3 yanlış pozitif
• 1.4 kat farklılıkları
• 0.8 istenen güç
• 0.7 stdev

49'luk grup başına numune büyüklüğü gerektirir.

Bu, 50v50'lik bir tasarım önerdiğim için kullanışlıydı, 1.4 kat değişikliğinin oldukça kabul edildiğini,% 1 FDR'nin iyi olduğunu ve muhtemelen bu deneyde 300 proteini ölçeceğim. Bu güç veya örneklem büyüklüğü hesaplaması sorunu oluşmaya devam edecektir, bu yüzden referans alınan bir yaklaşımın yerinde olması iyi olacaktır.

DÜZENLEME: Bir meslektaşın, olasılık fonksiyonunu kullanarak negatif binominal dağılımlardan spektral sayımları modellemeyi önerdiği bir Wald testinin nerede okuduğunu okudum. Temel olarak protein varyans tahminlerini almak için başlangıç ​​verilerini kullanır ve daha sonra her bir kantil için gruplar arasında saptanabilir kat değişikliklerini hesaplar. Ayrıca bir FDR (alfa) girişi vardır. Bu nedenle,>% 80 güç verildiğinde ve örnek boyutu ayarlandığında,% 25 en düşük varyans,% 50 daha küçük varyans ve% 25 en yüksek varyans için algılanabilir kat değişikliklerini belirleyebilirler. Sorun şu ki, bunu nasıl yaptıklarını bilmiyorum. Bu yaklaşımı paylaşmanın olası bir cevabı olan herkese yardımcı olup olmayacağından emin değilim.

Uygulamalarda (özellikle bir güç çalışması yapmanız gereken etik uygulamalar) Bu referansı kullanmayı seviyorum [Wang ve Chen 2004], çünkü yüksek verimli veriler için güç hesaplamasının arkasındaki kavramı güzelce açıklar (veriler ne olursa olsun) .

Özünde, olağan parametrelere (α, β, N, efekt boyutu) ek olarak iki ek parametre kullanırsınız: λ ve η. İkincisi, η, gerçekten değiştirilmiş genlerin varsayılan sayısıdır ve λ, tespit etmek istediğiniz gerçekten değiştirilmiş genlerin bir kısmıdır. Bu yaklaşımı kullanarak bilinen herhangi bir güç hesaplamasını yüksek verimli bir veriye genişletmek oldukça basittir.

Wang, Sue-Jane ve James J. Chen. "Mikroarray deneylerinde farklı olarak eksprese edilmiş genleri tanımlamak için örnek büyüklüğü." Hesaplamalı Biyoloji Dergisi 11.4 (2004): 714-726.