Non-linear mapping for exploratory data analysis in functional genomics.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

BackgroundSeveral denetimli ve denetimsiz öğrenme araçları fonksiyonel genomik verileri sınıflandırmak için kullanılabilir. Bununla birlikte, keşif amaçlı, görselleştirme odaklı yaklaşımlara nispeten daha az dikkat edilmiştir. Bu tür yaklaşımlar aşağıdaki faktörleri karşılamalıdır: Sezgisel küme görselleştirmesi, kullanıcı dostu ve sağlam uygulama, hesaplama verimliliği ve biyolojik olarak anlamlı sonuçların üretilmesi için destek. Bu araştırma, bu endişeleri gideren doğrusal olmayan haritalama için bir gevşeme yöntemini değerlendirir. Gen ekspresyonuna ve protein-protein etkileşimi veri analizlerine uygulamaları araştırılmıştır.SonuçlarLösemi, yuvarlak mavi hücreli tümörler ve Parkinson hastalığı çalışmalarından kaynaklanan genel olarak mevcut ifade verileri analiz edilmiştir. Yöntem, ilgili kümeleri ve kritik analiz alanlarını ayırt etti. Sistem, verilerin doğal sınıf yapısı hakkında varsayımlar gerektirmez, haritalama işlemi sadece bir parametre ile kontrol edilir ve sonuçta ortaya çıkan dönüşümler sezgisel, anlamlı görsel görüntüler sunar. Geleneksel haritalama modelleri ile karşılaştırmalar sunulmaktadır. Potansiyeli teşvik etmenin bir yolu olarak, sunulan metodolojinin alternatif uygulamaları, etkileşim ağlarının keşifsel veri analizinin bir örneği gösterilmiştir. C. elegans interaktomundan elde edilen veriler analiz edildi. Sonuçlar, bu yöntemin anahtar ağ merkezlerini tespit etmek ve biyolojik olarak anlamlı protein gruplarını kümelemek için etkili bir çözüm olabileceğini düşündürmektedir.KarşılaştırmaDoğrusal olmayan haritalama için gevşeme yöntemi, farklı veri türlerini kullanarak görselleştirme odaklı analizler için temel sağlamıştır. Bu çalışma, böyle bir sistemin, keşifsel veri analizine kullanıcı dostu ve sağlam bir yaklaşımı temsil edebileceğini göstermektedir. Kullanıcıların altta yatan veri yapısı hakkında daha iyi bilgi edinmelerine, potansiyel aykırıları tespit etmelerine ve verilerin küme bileşimi hakkındaki varsayımları değerlendirmelerine izin verebilir.

Özgün kaynak özetini okuyun

BackgroundSeveral supervised and unsupervised learning tools are available to classify functional genomics data. However, relatively less attention has been given to exploratory, visualisation-driven approaches. Such approaches should satisfy the following factors: Support for intuitive cluster visualisation, user-friendly and robust application, computational efficiency and generation of biologically meaningful outcomes. This research assesses a relaxation method for non-linear mapping that addresses these concerns. Its applications to gene expression and protein-protein interaction data analyses are investigated.ResultsPublicly available expression data originating from leukaemia, round blue-cell tumours and Parkinson disease studies were analysed. The method distinguished relevant clusters and critical analysis areas. The system does not require assumptions about the inherent class structure of the data, its mapping process is controlled by only one parameter and the resulting transformations offer intuitive, meaningful visual displays. Comparisons with traditional mapping models are presented. As a way of promoting potential, alternative applications of the methodology presented, an example of exploratory data analysis of interactome networks is illustrated. Data from the C. elegans interactome were analysed. Results suggest that this method might represent an effective solution for detecting key network hubs and for clustering biologically meaningful groups of proteins.ConclusionA relaxation method for non-linear mapping provided the basis for visualisation-driven analyses using different types of data. This study indicates that such a system may represent a user-friendly and robust approach to exploratory data analysis. It may allow users to gain better insights into the underlying data structure, detect potential outliers and assess assumptions about the cluster composition of the data.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.