להקל על ניתוח נתונים החיסוני עם טכניקות Analytic חזותית

הקלה על ניתוח נתונים אימונולוגיים באמצעות טכניקות של אנליזה חזותית. בעוד שהיכולת לאסוף ולאחסן נתונים התקדמה במהירות, היכולת לעבד ולנתח אותם התקדמה פחות בהשוואה. כתוצאה מכך, במעבדות ביו-רפואיות קיימות לעיתים קרובות מערכי נתונים גדולים שאינם מנותחים באופן יעיל או אפקטיבי.

מידע עשיר ועוצמתי פוטנציאלי זה הולך לאיבוד בתהומי מערכות האחסון. אנליטיקה ויזואלית (VA) עלתה כדרך חדשה לניתוח מערכי נתונים גדולים ומורכבים. טכניקות VA מבוססות על ויזואליזציות המאפשרות לאנליסטים להשתמש באינטליגנציה הוויזואלית שלהם כדי לזהות דפוסים בנתונים, כגון מגמות כלליות או ערכים חריגים.

ויזואליזציות מהירות אלו מאפשרות גיבוש מהיר של היפותזות תוך כדי חקירת הנתונים. הגמישות של כלי ה-VA מאפשרת לאנליסט לבצע זום-אין, להעמיק בנתונים (drill down) וליצור קשרים בין מספר סטים של נתונים תוך כדי בחינת מערכות היחסים ביניהם. באמצעות יישום VA על מקורות נתונים משולבים, המשתמש יכול לחשוף ממצאים חדשים וחשובים.

ניתוח הורי (Parent analysis) הוא גישת VA שבה מומחה לכלי VA ומומחה טכני, המכונה גם מומחה תחום, עובדים יחד, כאשר מומחה התחום שואל שאלות רלוונטיות ביולוגית לגבי הנתונים. מומחה כלי ה-VA יוצר לאחר מכן ויזואליזציות שעשויות לסייע בחשיפת דפוסים המסייעים במתן תשובה לשאלה זו או מובילים לחקירה נוספת. ניתן לחזור על תהליך זה כדי לבנות ויזואליזציות שונות המספקות תובנות.

בכוונתנו לבחון את התאמתה של גישת ניתוח צמודה של VA למערך נתונים ביו-רפואי גדול ומורכב. בניסויים מקדימים, הערכנו מספר כלי VA קיימים עבור הבעיה הנוכחית. בחרנו ב-Tableau מבית Tableau software ככלי המתאים ביותר למשימה המדוברת.

קריטריוני הבחירה בניסויי פיילוט אלו התבססו על פרמטרים סובייקטיביים כגון ידידותיות למשתמש ושמישות כללית, לצד מאפיינים טכניים אובייקטיביים כגון מגוון של טכניקות אינטראקציה ומאפייני ויזואליזציה. לפנינו כאן מערך נתונים בגיליון Microsoft Excel הטיפוסי למעבדה העובדת בתחום של מחלות זיהומיות. מערך זה מכיל מזהה נבדק ונתונים על וריאציות ברצפי DNA גנטיים.

במקרה זה, מדובר בפולימורפיזם של נוקלאוטיד בודד (SNPs) עבור הגן NF kappa BIA של הנבדק, וכן בריכוז שנמדד של מספר מולקולות ביולוגיות, שבמקרה זה הן ציטוקינים שהופקו על ידי תאי מערכת החיסון של הנבדק לאחר גירוי של תאים אלו באמצעות גירויים ספציפיים. כעת נגלול מטה אל גיליון הנתונים. כדי לתת לכם מושג על היקף מערך נתונים זה, אנו מעוניינים לבדוק אם קיים קשר כללי בין הגנוטיפ, שהוא במקרה זה ה-SNPs השונים של הגן NF Kappa BIA, לבין תגובת הציטוקינים שנצפתה.

לאחר הסימולציה, נחבר כעת את מערך הנתונים ל-Tableau, ונוודא כי ייבאנו את טבלת NF kappa BIA. ניתן לראות בצד שמאל ש-Tableau מחובר לטבלה הנכונה והפריד אוטומטית את משתני העמודות למה ש-Tableau מכנה ממדים (dimensions) ומדדים (measures). ממדים הם פשוט העמודות המסווגות את הנתונים, ומדדים הם הערכים הכמותיים באותה עמודה.

עבור ויזואליזציה זו, נשרטט כעת את רמות ריכוז הגירוי אל מול ריכוז תגובת הציטוקינים שנצפתה. כעת נחשב את ממוצע הערכים של רמות ריכוז הציטוקינים. סדר רמות הריכוז אינו נכון, אך ניתן למיין זאת מחדש במהירות ובקלות.

לאחר מכן, נוכל לשנות את התצוגה כך שתתאים למסך ותאפשר ויזואליזציה קלה יותר של הנתונים. מכיוון שאנו רוצים לבחון כיצד להבחין בין הגנוטיפים השונים, כל שעלינו לעשות הוא לגרור את ממד הגנוטיפ אל סעיף הצבע הזה. הוויזואליזציה מפרידה באופן אוטומטי ומיידי על בסיס הגנוטיפ.

כעת, נוכל לנסות פורמטים שונים של תצוגה. לדוגמה, גרף קווי עשוי לחשוף טוב יותר תבנית שברצוננו ללכוד. ברור כי קיימות אפשרויות רבות אחרות.

הביולוגים בניתוח צמוד זה מציעים שנפתח בחקירת הקשרים של ייצור אחד ממסמני הציטוקינים הנקרא TNF alpha לאחר גרייה באמצעות ריאגנט הנקרא 3M OO2. כדי לעשות זאת, עלינו לסנן את ממד המסמן, TNF alpha ואת ממד הגורה 3M OO2. כדי להפוך את תהליך הסינון לגמיש יותר, נוכל לבחור באפשרות "הצג מסנן מהיר" עבור ממדי המסמן והגורה, תוך וידאיים כי מדובר ברשימת ערכים בודדים.

ויזואליזציה זו מראה בבירור הבדל בייצור TNF alpha לאחר רמות שונות של גירוי MO oh two, המופרדות לפי גנוטיפ בצבעים שונים; אנו יכולים לבחור כל שילוב אחר של ערכי מסנן עבור הסמן והגירוי, והויזואליזציה תשתנה בהתאם. בדומה ל-Excel, אנו יכולים להקים ויזואליזציות שונות בלשוניות נפרדות. לצורכי פרזנטציה, אנו יכולים גם להפיק תצוגת סיכום של מספר ניתוחים.

במקרה זה, חקרנו את ייצור ה-TNF Alpha במספר נבדקים בעלי גנוטיפ snip שונה של NF Kappa B. בהדגמה זו, יצרנו בהצלחה סדרה של ויזואליזציות עוצמתיות תוך כדקה ו-30 שניות באמצעות גישת paired analysis VA. סט דומה של ויזואליזציות דורש בדרך כלל מחוקר ביו-רפואי כ-30 דקות של עבודה ב-Excel.

דוגמה קודמת הייתה ניתוח דו-ממדי פשוט. העוצמה האמיתית של VA היא היכולת להציג ממדים מרובים בו-זמנית. לדוגמה, Tableau תומכת בניתוח בין מערכי נתונים באמצעות חיבורים לוגיים של ערכי מפתח.

כאן מוצגים שני גיליונות אלקטרוניים הממוקמים באותו חוברת עבודה. מערך הנתונים הראשון לקוח מדוגמת ההדגמה הקודמת, והשני הוא מערך נתונים של תאים שנותחו בטכניקה הנקראת flow cytometry לצורך בדיקת ייצור של מספר ציטוקינים באותו התא. במקביל, מדד הנקרא poly functionality degree או PFD; ניתן לנקוב בשם לגיליון כדי להקל על זיהוים במהלך שלב הייבוא.

פעולה זו מאפשרת ל-Tableau לחבר בין שני גיליונות הנתונים. לאחר בחירה באפשרות של טבלאות מרובות (multiple table), ניתן להשתמש בתכונת הוספת טבלה חדשה (add new table) כדי למזג את שתי הטבלאות. תכונה זו מוסיפה את גיליון הנתונים השני לראשון ומשתמשת בהצהרות מיזוג (join statements) כדי לשלב את מערכי הנתונים באמצעות מפתחות זהים, כגון סוג התא, שלב רמת הריכוז, גירוי הקבוצה ומזהה הנבדק.

שימו לב שהממדים מופרדים לפי שם הגיליון. הדבר מאפשר לנו להשתמש בממדים שלא היו חלק מההצהרה הלוגית המשותפת. ההגדרה לפולי-פונקציונליות (poly functionality), למשל, היא אחוז התאים המייצרים יותר מסייטוקין אחד.

לדוגמה, תא המייצר שני ציטוקינים יוגדר כ-PFD של שניים, ותא המייצר שלושה ציטוקינים יוגדר כ-PFD של שלושה. כאן ניצור שדה חישוב אחד כדי לשלב ערכים אלו למדד יחיד שבו נוכל להשתמש בתצוגה ויזואלית. כעת נוכל להתחיל בבניית הוויזואליזציה.

ראשית, נשרטט את ריכוזי הסייטוקינים אל מול PFDs לאורך יומיים, ובדומה להדגמה הקודמת, נחשב את ערך הממוצע של PFDs הגדולים משניים. כמו כן, נסדר את תוויות הריכוז מהנמוך לגבוה על ידי הגדרה ידנית. מכיוון שמידע על הגנוטיפ זמין רק עבור חלק מהנבדקים בקבוצה זו, עלינו לסנן את שורות הנתונים שאינן מכילות מידע על הגנוטיפ.

בדיוק כפי שעשינו קודם, אנו יכולים להוסיף במהירות את הגנוטיפ לתווית הצבע, מה שיאפשר לנו להבדיל גם בין כל גנוטיפ שונה. לאחר מכן נוכל לשנות את התצוגה כך שתתאים למסך ותאפשר ויזואליזציה קלה יותר של הנתונים. אנו יכולים לשנות גם את תרשים העמודות השני.

לדוגמה, גרף קווי שבדק זאת מעניק תחושה טובה לגבי האופן שבו התגובה של CYT והתגובה של PFP משתנות בהתאם לדפוסים הספציפיים לכל גנוטיפ. ניתן להבחין מיד של-NF kappa b SNP עם הגנוטיפ GG יש דפוס תגובה שונה בהשוואה לגנוטיפים האחרים. נוכל לחקור זאת לעומק על ידי בדיקת ההשפעה של גירויים שונים על דפוס זה.

שימו לב שלאחר הוספת LPS בממד הגירוי, שלושת הגנוטיפים העיקריים מראים רמה דומה של PFD בכל הריכוזים, אך עם גירויי 3M MO oh two בלבד, הגנוטיפ GG מראה עלייה חדה ב-PFD מריכוז גירוי נמוך לגבוה. ממצא זה מאפשר לנו להעלות היפותזה לבדיקה בניסויים עתידיים, דהיינו שסוג הגירוי משפיע על ה-PFD. בשני ההדגמות האחרונות, ראינו יצירה מהירה של ויזואליזציה לזיהוי תבניות בעלות משמעות פוטנציאלית הן בתוך מערכי נתונים והן בין מערכי נתונים.

ניתן להרחיב במהירות את כוחה של האנליזה הוויזואלית למערכי נתונים גדולים, ולהגדיל את ממדי הניתוח בהתאם ליישום, תוך שילוב מידע על פני מערכי נתונים נרחבים. לדוגמה, עם סילו נתונים רבים הנוצרים במחקרי עוקבה, VA היא גישה בעלת יכולת העברה גבוהה שניתן להחילה פוטנציאלית על כל תחום בעל כמות גדולה של סוגים שונים של נתונים, כולל מערכי נתונים קטגוריים ומספריים. גישת ה-VA מציעה שני יתרונות עיקריים.

ראשית, יצירה גמישה של השערות. המשתמש יכול להעלות השערות לגבי הנתונים במקום, המבוססות על ממצאים עדכניים, וליצור במהירות ויזואליזציות חדשות הבוחנות את ההשערה; שנית, חיסכון בזמן. השמישות והיעילות של כלי UVA הן יתרונם המרכזי על פני כלי ויזואליזציה מסורתיים של מידע.

המאמץ הכרוך בדרך כלל בבניית גרפים באמצעות שיטות מסורתיות עשוי לדרוש מספר ימי עבודה כדי להשלים את מה שניתן לבצע בקלות תוך שעתיים עד שלוש שעות בפלטפורמת VA כגון Tableau. ברור כי קיימות, וסביר שיהיו, פלטפורמות יישום נוספות, שלכל אחת מהן יתרונות וחסרונות ספציפיים. התועלת הנוספת שבגישה למשימה זו באמצעות ניתוח מקבילי מוסיפה בבירור לתועלת הכוללת של גישת VA לניתוח נתונים מולטי-דמנסיים מורכבים.