Facilitare l'analisi dei dati immunologici con Visual tecniche analitiche

Agevolare l'analisi di dati immunologici con tecniche di analisi visiva. Mentre la capacità di raccogliere e archiviare dati è progredita rapidamente, la capacità di elaborarli e analizzarli ha invece compiuto scarsi progressi. Di conseguenza, nei laboratori biomedici esistono spesso grandi insiemi di dati che non vengono analizzati in modo efficace o efficiente.

Con ciò, informazioni potenzialmente ricche e preziose vanno perdute nell'abisso dei sistemi di archiviazione. L'analisi visiva, o VA, si è affermata come un nuovo metodo per analizzare set di dati complessi e di grandi dimensioni. Le tecniche di VA si basano su visualizzazioni che consentono agli analisti di utilizzare la propria intelligenza visiva per individuare schemi nei dati, come tendenze generali o valori anomali.

Queste visualizzazioni rapide permettono una formazione rapida di ipotesi durante l'esplorazione dei dati. La flessibilità degli strumenti di analisi visiva consente all'analista di ingrandire, approfondire ed elaborare collegamenti tra più set di dati esaminandone le relazioni. Attraverso l'applicazione dell'analisi visiva a fonti di dati integrate, l'utente può rivelare scoperte nuove e importanti.

L'analisi parentale è un approccio della VA in cui un esperto di strumenti di VA e un esperto tecnico, noto anche come esperto del dominio, collaborano in modo che l'esperto del dominio ponga domande biologicamente rilevanti sui dati. L'esperto dello strumento di VA crea quindi delle visualizzazioni che potrebbero aiutare a rivelare schemi utili per rispondere a tali domande o per favorire ulteriori esplorazioni. Questo processo può essere iterato per costruire diverse visualizzazioni che forniscono approfondimenti.

Abbiamo deciso di verificare l'idoneità di un approccio VA per l'analisi accoppiata a un ampio insieme di dati biomedici complessi. In esperimenti pilota preliminari, abbiamo valutato diversi strumenti VA esistenti per il problema attuale. Abbiamo selezionato Tableau di Tableau Software come strumento più adatto per il compito in questione.

I criteri di selezione in questi esperimenti pilota si sono basati su parametri soggettivi come la facilità d'uso, l'usabilità complessiva, nonché su caratteristiche tecniche oggettive come una gamma di tecniche di interazione e funzionalità di visualizzazione. Abbiamo qui un insieme di dati in un foglio di calcolo Microsoft Excel tipico di un laboratorio che opera nel campo delle malattie infettive. Questo insieme contiene un identificatore del soggetto e dati sulla variazione delle sequenze genetiche del DNA.

In questo caso, polimorfismi del singolo nucleotide NF kappa BIA o SNP per il soggetto, così come la concentrazione osservata di diverse molecole biologiche, in questo caso citochine prodotte dalle cellule immunitarie del soggetto dopo stimolazione delle cellule immunitarie con stimoli specifici. Ora scorreremo verso il basso fino al foglio di calcolo. Per dare un'idea del volume di questo dataset, siamo interessati a scoprire se esiste una relazione generale tra il genotipo, cioè i diversi SNP, in questo caso, del gene NF Kappa BIA, e la risposta citochinica osservata.

Dopo la stimolazione, collegheremo ora il dataset a Tableau, assicurandoci di importare la tabella NF kappa BIA. Sul lato sinistro si può notare che Tableau è connesso alla tabella corretta e ha automaticamente suddiviso le variabili delle colonne in quelle che Tableau definisce dimensioni e misure. Le dimensioni sono semplicemente le colonne che categorizzano i dati, mentre le misure sono i valori quantitativi presenti in quelle colonne.

Per questa visualizzazione, tracceremo ora i livelli di concentrazione dello stimolo rispetto alla concentrazione della risposta citochinica osservata. Ora calcoliamo la media dei valori dei livelli di concentrazione delle citochine. L'ordine dei livelli di concentrazione è errato, ma è molto semplice riordinarli rapidamente.

Successivamente, possiamo cambiare la visualizzazione in modo da adattarla allo schermo e consentire una più facile osservazione dei dati. Poiché vogliamo analizzare come distinguere tra i diversi genotipi, tutto ciò che dobbiamo fare è trascinare la dimensione "genotipo" in questa sezione del colore. La visualizzazione si separa automaticamente e immediatamente in base al genotipo.

Ora, possiamo provare formati di visualizzazione diversi. Ad esempio, un grafico a linee potrebbe evidenziare meglio un andamento che desideriamo catturare. Ovviamente, esistono molte altre opzioni.

L'analisi abbinata di questi biologi suggerisce di iniziare esplorando le relazioni relative alla produzione di uno dei marcatori citochinici chiamato QNF alpha dopo la stimolazione con un reagente chiamato 3M oh oh two. A tal fine, dobbiamo filtrare la dimensione del marcatore, TNF alpha, e la dimensione dello stimolo 3M oh oh two. Per rendere il processo di filtraggio più flessibile, possiamo selezionare l'opzione "mostra filtro rapido" sia per la dimensione del marcatore che per quella dello stimolo, assicurandoci che si tratti di un elenco a valore singolo.

Questa visualizzazione mostra chiaramente una differenza nella produzione di TNF alpha a seguito di diversi livelli di stimolazione di tre MO oh due, separati per genotipo con colori diversi. Possiamo scegliere qualsiasi altra combinazione di marcatori e valori del filtro stimolo, e la visualizzazione cambierebbe di conseguenza. Analogamente a Excel, potremmo creare diverse visualizzazioni in schede separate. A scopo espositivo, possiamo inoltre generare una vista riassuntiva di analisi multiple.

In questo caso, abbiamo analizzato la produzione di TNF Alpha in diversi soggetti con un diverso genotipo dello snip NF Kappa BIAS. In questa dimostrazione, abbiamo prodotto con successo una serie di visualizzazioni potenti in circa un minuto e trenta secondi, utilizzando un approccio VA di analisi accoppiata. Un insieme simile di visualizzazioni richiede tipicamente a un ricercatore biomedico circa 30 minuti per essere generato in Excel.

Un esempio precedente era un'analisi semplice bidimensionale. La vera potenza della VA è la capacità di visualizzare più dimensioni contemporaneamente. Ad esempio, Tableau supporta l'analisi tra set di dati attraverso join logici di valori chiave.

Ecco due fogli di calcolo posizionati nello stesso cartella di lavoro. Il primo dataset proviene dall'esempio della dimostrazione precedente, mentre l'altro è un insieme di dati di cellule analizzate mediante una tecnica chiamata citometria a flusso per la produzione di citochine multiple nella stessa cellula. Allo stesso tempo, una misura chiamata grado di polifunzionalità o PFD, puoi assegnare un nome al foglio in modo da facilitarne l'identificazione durante la fase di importazione.

Questo consente a Tableau di collegare i due fogli di calcolo. Dopo aver scelto l'opzione di tabelle multiple, è possibile utilizzare la funzione di aggiunta di una nuova tabella per unire le due tabelle. Questa funzione aggiunge il secondo foglio di calcolo al primo e utilizza le istruzioni di join per combinare i set di dati mediante chiavi identiche, come il tipo di cellula, il livello di concentrazione, la fase, lo stimolo del gruppo e l'identificatore del soggetto.

Si noti che le dimensioni sono separate per nome del foglio di calcolo. Ciò ci permette di utilizzare le dimensioni che non facevano parte dell'istruzione logica congiunta. La definizione di polifunzionalità, ad esempio, è la percentuale di cellule che producono più di una citochina.

Ad esempio, una cellula che produce due citochine con un PFD di due e una cellula che produce tre citochine con un PFD di tre. Qui creiamo un campo calcolato per combinare questi valori in una singola misura che possiamo utilizzare in una rappresentazione visiva. Ora possiamo iniziare a costruire la visualizzazione.

Prima di tutto, tracciamo la concentrazione dei livelli di citochine rispetto ai PFD su due e, come nell'ultimo dimostrativo, calcoliamo il valore medio dei PFD maggiori di due. Inoltre, disponiamo le etichette di concentrazione da bassa ad alta impostandole manualmente. Poiché le informazioni sul genotipo sono disponibili solo per alcuni individui di questo gruppo, dobbiamo filtrare le righe di dati che non contengono informazioni sul genotipo.

Come in precedenza, possiamo rapidamente inserire il genotipo nell'etichetta del colore, permettendoci di distinguere anche ciascun genotipo diverso. Successivamente, possiamo modificare la visualizzazione in modo da adattarla allo schermo e consentire una più facile visualizzazione dei dati. Possiamo inoltre modificare anche il secondo grafico a barre.

Ad esempio, un grafico a linee che ha verificato questo fornisce una buona indicazione di come la risposta CYT e la risposta PFP variano in base ai modelli specifici di ciascun genotipo. Si nota immediatamente che il SNP NF kappa b con genotipo GG presenta un modello di risposta diverso rispetto agli altri genotipi. Possiamo approfondire ulteriormente questo aspetto analizzando l'impatto di diversi stimoli su questo modello.

Si noti che dopo l'aggiunta di LPS nella dimensione dello stimolo, i tre principali genotipi mostrano un livello simile di PFD a tutte le concentrazioni, ma con lo stimolo 3M MO oh due, il genotipo GG mostra un brusco aumento di PFD passando da basse ad alte concentrazioni di stimolo. Questo risultato ci permette di formulare un'ipotesi da verificare in futuri esperimenti, ovvero che il tipo di stimolo influisce sul PFD. Nelle ultime due dimostrazioni, abbiamo osservato la rapida generazione di visualizzazioni atte a rilevare schemi potenzialmente significativi sia all'interno che tra diversi set di dati.

Il potere dell'analisi visiva può essere rapidamente esteso a set di dati di grandi dimensioni, aumentando le dimensioni dell'analisi in base all'applicazione e integrando informazioni provenienti da ampi set di dati. Ad esempio, nei numerosi silos di dati generati negli studi di coorte, l'analisi visiva (VA) rappresenta un approccio altamente trasferibile che potenzialmente può essere applicato a qualsiasi ambito caratterizzato da grandi quantità di dati di diverso tipo, inclusi set di dati categoriali e numerici. L'approccio VA offre due vantaggi principali.

Uno, generazione flessibile di ipotesi. L'utente può generare ipotesi sui dati al momento, basandosi sui risultati attuali, e creare rapidamente nuove visualizzazioni che esplorano l'ipotesi, risparmiando tempo. L'usabilità e l'efficienza degli strumenti UVA costituiscono il loro principale vantaggio rispetto agli strumenti tradizionali di visualizzazione delle informazioni.

Lo sforzo tipicamente richiesto per la creazione di grafici mediante metodi tradizionali può richiedere diversi giorni lavorativi per completare un compito che con una piattaforma di analisi visiva (VA) come Tableau può essere agevolmente portato a termine in due o tre ore. È evidente che esistono, e molto probabilmente continueranno ad esistere, altre piattaforme applicative, ciascuna con specifici vantaggi e svantaggi. Il beneficio aggiuntivo derivante dall'approccio con analisi para contribuisce chiaramente al vantaggio complessivo di un approccio basato sulla VA per l'analisi di dati complessi e multidimensionali.