211service.com
Zvejas jēgas datu jūrā
Datu analīzes rīks var palīdzēt pētniekiem atrast visinteresantākos jautājumus. 2018. gada 27. jūnijs
Vebs Čepels
Izliekta līnija slīd pāri viņa sejai, kad Deivids Rešefs '08, MEng '09, PhD '17, soļo priekšā projektoram Broad Institute semināru telpā. Ekrānā ir diagrammu kaudze, no kurām dažas iezīmē skaidras līnijas, bet citās ir redzamas biezas punktu joslas, kas aptuveni atbilst slīpumam vai parabolai.
Diagrammas ilustrē, kā rīks, ko Rešefs izstrādāja kopā ar savu brāli Jakiru, identificē un sarindo dažāda veida attiecības lielā datu kopā. Tiem, kas cīnās ar milzīgu datu apjomu, rīks piedāvā aizraujošu veidu, kā būtībā salīdzināt ābolus un apelsīnus. Tā kā tas var atrast praktiski jebkāda veida saistību starp mainīgo pāriem, nevis koncentrēties tikai uz labi saprotamām attiecībām, piemēram, lineārām vai eksponenciālām, rīks var atklāt negaidītas korelācijas. Un, tā kā tas var klasificēt dažāda veida attiecības pēc stipruma, tas var parādīt pētniekiem, kur datu jūrā meklēt nozīmi. Ekrānā tievas līnijas un izteiksmīgas līknes paceļas uz augšu, savukārt izplūdušās formas, kas atspoguļo vājākas attiecības, nokrīt uz leju.
Genomikas pētnieki varētu būt ideāli šī rīka lietotāji, un Broad ir daudz, kur ik pēc 12 minūtēm tiek sekvencēts viss cilvēka genoms. Kamēr brāļi joko un apvieno savu pētījumu prezentāciju, viņu gludie skaidrojumi padara tā loģiku acīmredzamu. Bet viņi jau ir pavadījuši desmit gadus, lai noskaidrotu, kā analizēt šāda veida informāciju.
Rešefi uzauga Izraēlā un Kenijā, kur viņu vecāki — ārsts un epidemiologs — strādāja globālās veselības jomā. Ģimene apmetās uz dzīvi Merilendā, kad Deividam bija astoņi gadi, un zēni drīz vien aizrāvās ar datorzinātnēm. Deivids vienmēr bija plānojis doties uz medicīnu, un, studējot MIT elektrotehnikā un datorzinātnēs, viņš pētīja slimību pārnešanas dinamiku. No HIV līdz holērai katrai slimībai bija datu kopa ar savām unikālajām iezīmēm.
Kad 2009. gadā visā ASV uzliesmoja cūku gripa, Deivids pievienojās Hārvardas sabiedrības veselības pētnieku komandai Milvoki, vienā no vissmagāk skartajām pilsētām. Viņš izsijāja ar roku rakstītus ierakstus vietējā veselības departamentā, ievadot ienākošos datus skaitļošanas modeļos, lai mēģinātu saprast, cik ātri slimība izplatās, lai veselības aprūpes speciālisti varētu reaģēt.
Pētniekiem bija nepieciešami rīki, kas varētu analizēt visu datu kopu un atzīmēt spēcīgākās attiecības — rīki, kas varētu palīdzēt radīt hipotēzes.
Tikmēr viņš saprata, ka, lai gan pētniekiem bija pieejams daudz vairāk datu un skaitļošanas jaudas nekā agrāk, tā bija jaukta svētība. Viņi tagad varēja noteikt attiecības starp mainīgajiem lielumiem un pat attiecības starp attiecībām daudz detalizētākā līmenī, taču datu milzīgais apjoms un sarežģītība to padarīja ārkārtīgi grūti.
Rešefs sāka domāt, ka viņiem bija vajadzīgi statistikas rīki, kas varētu analizēt visu datu kopu un atzīmēt spēcīgākās attiecības — rīkus, kas varētu palīdzēt radīt jaunas hipotēzes. Tā vietā, lai vienmēr būtu jāparedz, ko ir vērts pārbaudīt, pētnieki varētu izmantot šādus rīkus, lai noskaidrotu interesantākos jautājumus.
Viņš saka, ka problēma bija tāda, kā izstrādāt rīkus, kas palīdz mums atrast lietas, kuras mēs datos ne vienmēr paredzam.
Kādā 2011. gadā Zinātne papīra, brāļi aprakstīja jaunu pieeju, ko viņi sauc par maksimālo informāciju balstītas neparametriskās izpētes (MINE) statistiku. Viņu rīkus, kas izstrādāti sadarbībā ar Pārdisu Sabeti un Maiklu Micenmaheru no Hārvardas, motivē vienkārša ideja: ja mēs vēlamies meklēt modeļus, kuros var būt dažādi attiecību veidi, mums ir nepieciešams veids, kā noteikt, kuras ir patiesas. un kuras ir stiprākās. Viens no rīkiem, ko sauc par maksimālo informācijas koeficientu (MIC), nosaka atkarību vai nejaušu attiecību esamību starp mainīgo pāriem. Tas arī sarindo šīs attiecības pēc to stipruma, pamatojoties uz to, cik trokšņainas tās ir. Ideāla korelācija (iedomājieties, ka diagrammā ir skaidra līnija vai parabola bez izkliedētiem punktiem) būtu visaugstākā vieta, kam sekos attiecības, tostarp vairāk datu punktu, kas neatbilst dominējošajām formām vai līnijām. Pilnīgi nesaistīti mainīgie (domājiet par grafiku, kas pilns ar nejaušiem punktiem) nonāks saraksta beigās.
Vebs Čepels
Kad Reshefs piemēroja MIC Pasaules Veselības organizācijas 357 mainīgo datu kopai, tas atklāja divas attiecības starp ienākumiem un sieviešu aptaukošanos. Aptaukošanās bija zema nabadzīgo sieviešu vidū, pieauga ienākumiem līdz noteiktam līmenim un pēc tam atkal samazinājās augstākajos ienākumu līmeņos. (Tas nebija pārsteidzoši: sievietes, kuras nevar atļauties pārtiku, visticamāk, nav aptaukojušās, un tādas nav arī sievietes, kuras var atļauties veselīgāko uzturu.) Taču bija arī pārsteidzošs zemo ienākumu līmeņa pieaugums, kas izrādījās iemesls. sievietēm Klusā okeāna salu valstīs, kur aptaukošanās tiek kulturāli novērtēta. Lai gan sabiedrības veselības amatpersonas jau zināja par šo reģionālo tendenci, rezultāts parādīja, kā rīks var uztvert statistikas attiecības, kas neatbilst citādi paredzamam modelim.
MINE var izmantot, lai izpētītu jebkuru datu kopu, kurā ir tik daudz mainīgo, ka individuālās attiecības starp tiem nevar novērtēt manuāli. Piemēram, kad brāļi izmantoja savus rīkus, lai analizētu 131 mainīgo 2008. gada datu kopā no Augstāko beisbola līgu, viņi identificēja trīs ar spēlētāju algām visvairāk saistītos: trāpījumus, kopējo bāzi un nedaudz slepeno statistiku, kas pazīstams kā aizstāšanas līmenis. sastāva robežvērtība (aprēķins par to, cik vairāk — vai mazāk skrējienu vienā spēlē veic spēlētājs nekā statistiski vidējais aizstājējs tajā pašā pozīcijā). Lai gan neviens no tiem nav īpaši pārsteidzošs, tie izvirzījās garā mainīgo lielumu saraksta augšgalā, kuriem visiem bija jēga. Cits modelis, kas ņem vērā tikai lineāras attiecības un nesalīdzina dažādu veidu attiecības, nāca klajā ar pilnīgi atšķirīgu labāko trijnieku.
Rešefi arī izmantoja MINE, lai noteiktu 9472 nozīmīgas attiecības starp dažādām zarnu baktēriju sugām no aptuveni 22 miljoniem iespēju. Daudzus varētu izskaidrot ar labi saprotamiem faktoriem, piemēram, diētu un saimnieka seksu. Taču pēc to izslēgšanas viņiem palika 188 spēcīgas, neizskaidrojamas attiecības, kas varētu būt pelnījušas turpmāku izpēti: tās varētu liecināt par konkurenci starp baktēriju sugām vai norādīt uz citiem faktoriem, kas veido zarnu mikrobiotas ekoloģiju, kas var ietekmēt vispārējo veselību. Mikrobiomu pētnieki ir turpinājuši izmantot rīkus, lai izjauktu attiecības starp dažādām zarnu baktērijām.
Tāpat brāļu rīkus varētu izmantot, lai saprastu pieaugošos gēnu ekspresijas datu plūdus. Piemēram, mērot katra no mūsu aptuveni 20 000 gēnu aktivitāti, MINE varētu palīdzēt atklāt attiecības, kas radītu skaidrāku priekšstatu par to, kas atšķir normālu no patoloģiskās šūnu uzvedības.
Izstrādājis rīkus statistikas un mašīnmācīšanās krustpunktā, Deivids tagad vēlas izstrādāt veidus, kā izmantot mašīnmācīšanos bioloģiskajos pētījumos. Galu galā viņš saka, ka tas var palīdzēt mums pēc iespējas efektīvāk mācīties no mūsu datiem. Viņš saka, ka tas būs neticami aizraujoši izpētīt.