mediciones y por eso aumenta el poder estadístico. Figure 6: Con más datos la medida de la muestra se acerca a la medida de la población (Herzog 2019) 9
investi- gación. Ejemplos: • Dado que estudio una medicina que utilizan millones de personas, reducir en 1% los efectos colaterales traería beneficios. 11
investi- gación. Ejemplos: • Dado que estudio una medicina que utilizan millones de personas, reducir en 1% los efectos colaterales traería beneficios. • Dado que estoy alterando un gen regulador, esperaría diferencias de expresión de al menos 200% (Log Fold Change: 2). 11
entre factores explicativos de obesidad • Múltiples mecanismos de regulación. • Mecanismos de regulación redundantes. • Interrelaciones entre mecanismos de regulación. 12
entre factores explicativos de obesidad • Múltiples mecanismos de regulación. • Mecanismos de regulación redundantes. • Interrelaciones entre mecanismos de regulación. • Interacciones complejas con el medio. 12
entre factores explicativos de obesidad • Múltiples mecanismos de regulación. • Mecanismos de regulación redundantes. • Interrelaciones entre mecanismos de regulación. • Interacciones complejas con el medio. • Sapolsky recomienda leer Caos—Gleick (2011). 12
más complejo que el modelo tradicional (Herzog 2019) • El modelo tradicional tiene un factor determinístico y variabilidad de medida: = + • El modelo de error en biología debe tomar en cuenta la variabilidad del individuo: = + + 13
existe «con- fusión» estadística. • Ocurre cuando no controlamos varios factores que afectan al experimento. • Ejemplo: Hacer los controles en un microarreglo y los casos en otro microarreglo. 14
existe «con- fusión» estadística. • Ocurre cuando no controlamos varios factores que afectan al experimento. • Ejemplo: Hacer los controles en un microarreglo y los casos en otro microarreglo. • La estadística no puede solucionar la confusión. 14
existe «con- fusión» estadística. • Ocurre cuando no controlamos varios factores que afectan al experimento. • Ejemplo: Hacer los controles en un microarreglo y los casos en otro microarreglo. • La estadística no puede solucionar la confusión. • Cuando el experimento toma en cuenta los factores y sus interacciones entonces la estadística puede separar los efectos. 14
existe «con- fusión» estadística. • Ocurre cuando no controlamos varios factores que afectan al experimento. • Ejemplo: Hacer los controles en un microarreglo y los casos en otro microarreglo. • La estadística no puede solucionar la confusión. • Cuando el experimento toma en cuenta los factores y sus interacciones entonces la estadística puede separar los efectos. • Ejemplo: Diseñar el experimento para mezclar casos y controles entre los microarreglos que usaremos. 14
tiene suficientes medidas para poder encontrar el efecto. • Un buen experimento es simple y tiene pocas variables. • Un buen experimento separa los efectos de los factores y mide sus interacciones cuando es relevante. 15
tiene suficientes medidas para poder encontrar el efecto. • Un buen experimento es simple y tiene pocas variables. • Un buen experimento separa los efectos de los factores y mide sus interacciones cuando es relevante. • Si no separas los efectos sólo puedes aspirar a un análisis descriptivo. 15
mi experi- mento que no se está controlando. Ejemplos: • La diversidad de la microbiota puede variar por: alimentación, exposición ambiental, antibióticos, hábitos, etc. 16
mi experi- mento que no se está controlando. Ejemplos: • La diversidad de la microbiota puede variar por: alimentación, exposición ambiental, antibióticos, hábitos, etc. • La expresión diferencial que puede variar por: diferencias individuales, ciclo circadiano, interacción ambiental, etc. 16
mi experi- mento que no se está controlando. Ejemplos: • La diversidad de la microbiota puede variar por: alimentación, exposición ambiental, antibióticos, hábitos, etc. • La expresión diferencial que puede variar por: diferencias individuales, ciclo circadiano, interacción ambiental, etc. • La respuesta al fármaco puede variar por: afinidad metabólica, presencia o ausencia de receptor, etc. 16
lo que sabemos en realidad porque no siempre necesitamos saber más. Figure 8: Las personas piensan que pueden dibujar bicicletas pero no pueden (McCombs 2007). 17
• No conocemos a priori el tamaño de esos efectos. • Pero otros experimentos y sus problemas han generado buenas prácticas. • El análisis exploratorio de datos permite identificarlos. 19
• No conocemos a priori el tamaño de esos efectos. • Pero otros experimentos y sus problemas han generado buenas prácticas. • El análisis exploratorio de datos permite identificarlos. • Esos efectos definen el proceso de normalización, preproceso y algunas etapas del análisis. 19
del experimento del módulo 1. • Sin consultar información, y para cada paso del experimento, escribir de la manera más sencilla posible: Imagina que se lo tienes que explicar a un niño. 20
del experimento del módulo 1. • Sin consultar información, y para cada paso del experimento, escribir de la manera más sencilla posible: • ¿Por qué hacemos esto? ¿Cuál es el objetivo del proceso? Imagina que se lo tienes que explicar a un niño. 20
del experimento del módulo 1. • Sin consultar información, y para cada paso del experimento, escribir de la manera más sencilla posible: • ¿Por qué hacemos esto? ¿Cuál es el objetivo del proceso? • ¿Cómo funciona este proceso? Imagina que se lo tienes que explicar a un niño. 20
qué hacemos esto? ¿Cuál es el objetivo del proceso? Un secuenciador Illumina sólo puede leer confiablemente hasta 150 pares de base por fragmento, aunque puede leer al derecho y al revés. El objetivo de este proceso es permitir que el secuenciador pueda identificar y leer la secuencia de cada muestra. 21
Se corta el DNA para que mida cerca de 300 pares de bases y pueda leerse (150 al derecho, 150 al revés). Se le agrega en los extremos secuencias complementarias a las de la placa del secuenciador para que se peguen (adaptadores) y una o dos secuencias únicas para identificar la muestra (índices). 22
etapas experi- mentales. Ejemplo: Generar de bibliotecas de transcritos. • Al fragmentar los transcritos, los más largos tienen más pedazos y por lo tanto es más probable secuenciar fragmentos de transcritos largos que de transcritos cortos. 23
etapas experi- mentales. Ejemplo: Generar de bibliotecas de transcritos. • Al fragmentar los transcritos, los más largos tienen más pedazos y por lo tanto es más probable secuenciar fragmentos de transcritos largos que de transcritos cortos. • (Por eso se normalizan los estudios de RNA-seq con los métodos RPM, RPKM, FPKM, TPM…) 23
etapas experi- mentales. Ejemplo: Amplificar DNA en una biblioteca para agregar la misma concentración de DNA a la secuenciación • La polimerasa es más afín a algunos transcritos que a otros, por lo que algunos transcritos tendrán más copias que otros. 24
etapas experi- mentales. Ejemplo: Amplificar DNA en una biblioteca para agregar la misma concentración de DNA a la secuenciación • La polimerasa es más afín a algunos transcritos que a otros, por lo que algunos transcritos tendrán más copias que otros. • (Por eso se marcan los duplicados en la búsqueda de variantes.) 24
2011. Chaos. Open Road Media. http://www.totalboox.com/book/id-6776504361602441523. Herzog, Michael. 2019. Understanding Statistics and Experimental Design: How to Not Lie with Statistics. New York, NY: Springer Berlin Heidelberg. Howell, David C. 2013. Statistical Methods for Psychology. 8th ed. Belmont, CA: Wadsworth Cengage Learning. McCombs, Molly. 2007. “Failures to Understand How Everyday Objects Work.” University of Liverpool. June 14, 2007. https://www.liverpool.ac.uk/~rlawson/PDF_Files/L-M&C-2006.pdf. Sapolsky, Robert. 2011. “21. Chaos and Reductionism.” February 1, 2011. https://www.youtube.com/watch?v=_njf8jwEGRo. 25