Potenza in proteomica?

Le sovvenzioni spesso richiedono un'analisi di potenza per supportare la dimensione del campione proposta. In proteomica (e nella maggior parte dei casi -omici), ci sono da 100 a 1000 di caratteristiche / variabili misurate su 10 di campioni (forse 100, ma improbabile). Inoltre, è noto che alcune di queste unità di misura (ad es. Conteggi spettrali di proteine) non sono normalmente distribuite e quindi utilizzeremo test non parametrici per l'analisi. Ho visto la potenza di una dimensione del campione determinata assumendo una singola misurazione e assumendo un test t, ma non penso che sia completamente corretto. Un altro problema con i conteggi spettrali in particolare è che ognuna delle 100 caratteristiche è su scale molto diverse con errori molto diversi (valori più grandi hanno meno errori). [Questo problema è ben descritto nel modello di modifica del limite di piegatura, Mutch et al., 2002 ]

Quale sarebbe il modo appropriato per determinare la potenza di una dimensione del campione proposta dati alcuni presupposti di FDR e un cambiamento di piega accettabile? Utilizzando lo strumento qui sono stato in grado di determinare dato quanto segue:

• 300 geni
• 3 falsi positivi
• 1.4 differenze di piega
• 0,8 potenza desiderata
• 0.7 stdev

richiede una dimensione del campione per gruppo di 49.

Questo è stato utile dal momento che sto proponendo un design 50v50, so che il cambio di 1,4 volte è abbastanza accettato, l'1% di FDR va bene e probabilmente misurerò 300 proteine ​​in questo esperimento. Questo problema di calcolo della potenza o della dimensione del campione continuerà a verificarsi, quindi sarebbe bello avere un approccio referenziato in atto.

EDIT: ho letto dove un collega ha proposto di modellare i conteggi spettrali da distribuzioni binominali negative usando la funzione di verosimiglianza seguita da un test di Wald. Fondamentalmente utilizza i dati prelim per ottenere stime di varianza delle proteine ​​e quindi calcolare le variazioni di piega rilevabili tra i gruppi per ciascun quantile. C'è anche un input FDR (alfa). Pertanto, con una potenza> 80% e impostando le dimensioni del campione, possono determinare cambiamenti di piega rilevabili con una varianza minima del 25%, una varianza più piccola del 50% e una varianza massima del 25%. Il problema è che non so come abbiano fatto. Non sono sicuro se la condivisione di questo approccio aiuterà chiunque abbia una possibile risposta.

In applicazioni (in particolare applicazioni etiche, in cui devi fare uno studio di potenza), mi piace usare questo riferimento [Wang e Chen 2004], perché spiega bene il concetto alla base di un calcolo di potenza per dati ad alta produttività (qualunque siano i dati effettivamente) .

In sostanza, oltre ai soliti parametri (α, β, N, dimensione dell'effetto) si usano due parametri aggiuntivi, λ e η. Quest'ultimo, η, è il numero presunto di geni realmente alterati e λ è la frazione dei geni veramente alterati che si desidera poter rilevare. È abbastanza semplice estendere qualsiasi calcolo di potenza noto a dati ad alta velocità usando questo approccio.

Wang, Sue-Jane e James J. Chen. "Dimensione del campione per identificare geni espressi in modo differenziato negli esperimenti di microarray." Journal of Computational Biology 11.4 (2004): 714-726.