Visual Analitik Teknikleri ile İmmünolojik Veri Analizi kolaylaştırılması

Görsel analitik tekniklerle immünolojik verilerin analizinin kolaylaştırılması. Veri toplama ve depolama kapasitesi hızla gelişmiş olsa da, buna kıyasla verileri işleme ve analiz etme yeteneği çok az ilerleme kaydetmiştir. Bunun sonucunda, biyomedikal laboratuvarlarda genellikle etkili veya verimli bir şekilde analiz edilmeyen büyük veri setleri bulunmaktadır.

Bu potansiyel olarak zengin ve güçlü bilgiler, depolama sistemlerinin derinliklerinde kaybolmaktadır. Görsel analitik veya VA, büyük ve karmaşık veri setlerini analiz etmek için yeni bir yöntem olarak ortaya çıkmıştır. VA teknikleri, analistlerin genel eğilimler veya aykırı değerler gibi verilerdeki örüntüleri tespit etmek için görsel zekalarını kullanmalarına olanak tanıyan görselleştirmelere dayanır.

Bu hızlı görselleştirmeler, veriler keşfedilirken hipotezlerin hızla oluşturulmasına olanak tanır. VA araçlarının esnekliği, analistin ilişkileri keşfederken hem yakınlaştırma yapmasına, derinlemesine inceleme gerçekleştirmesine hem de birden fazla veri seti arasında bağlantılar kurmasına imkan verir. VA'nın entegre veri kaynaklarına uygulanması sayesinde kullanıcı, yeni ve önemli bulgular ortaya çıkarabilir.

Parent analizi, bir VA araç uzmanı ve teknik uzman olarak da bilinen bir alan uzmanının birlikte çalıştığı, alan uzmanının veriler hakkında biyolojik olarak ilgili sorular sorduğu bir VA yaklaşımıdır. VA araç uzmanı daha sonra, bu sorunun yanıtlanmasına yardımcı olabilecek veya daha fazla keşfe yol açabilecek örüntülerin ortaya çıkarılmasına katkı sağlayabilecek görselleştirmeler oluşturur. Bu süreç, içgörü sağlayan farklı görselleştirmeler geliştirmek için tekrarlanabilir.

Eşleştirilmiş bir analiz VA yaklaşımının, geniş ve karmaşık bir biyomedikal veri seti için uygunluğunu test etmeyi amaçladık. Ön pilot deneylerde, mevcut problem için mevcut VA araçlarının bir kısmını değerlendirdik. Söz konusu görev için en uygun araç olarak Tableau Software tarafından geliştirilen Tableau'yu seçtik.

Bu pilot deneylerdeki seçim kriterleri; kullanıcı dostu olma, genel kullanışlılık gibi öznel parametrelerin yanı sıra, etkileşim teknikleri yelpazesi ve görselleştirme özellikleri gibi nesnel teknik özelliklere dayandırılmıştır. Burada, enfeksiyon hastalıkları alanında çalışan bir laboratuvar için tipik olan, Microsoft Excel hesap tablosundaki bir veri setine sahibiz. Bu set, genetik DNA dizilerindeki varyasyonlara ilişkin bir denek tanımlayıcı verisi içermektedir.

Bu vakada, denek için NF kappa BIA tek nükleotid polimorfizmleri (SNP'ler) ve aynı zamanda bağışıklık hücrelerinin spesifik uyaranlarla stimülasyonu sonrası deneğin bağışıklık hücreleri tarafından üretilen sitokinler gibi çeşitli biyolojik moleküllerin gözlemlenen konsantrasyonları yer almaktadır. Şimdi hesap tablosuna aşağıya doğru kaydıracağız. Bu veri setinin hacmi hakkında size fikir vermesi açısından; genotipin, yani bu vakadaki NF Kappa BIA geninin farklı SNP'leri ile gözlemlenen sitokin yanıtı arasında genel bir ilişki olup olmadığını belirlemekle ilgileniyoruz.

Stimülasyonun ardından, NF kappa BIA tablosunu içe aktardığımızdan emin olarak veri setini Tableau'ya bağlayacağız. Sol tarafta, Tableau'nun doğru tabloya bağlandığını ve sütun değişkenlerini Tableau'nun boyutlar (dimensions) ve ölçümler (measures) olarak adlandırdığı kategorilere otomatik olarak ayırdığını görebilirsiniz. Boyutlar basitçe verileri kategorize eden sütunlar, ölçümler ise o sütundaki nicel değerlerdir.

Bu görselleştirme için, şimdi stimulus konsantrasyon seviyelerini gözlemlenen sitokin yanıt konsantrasyonuna karşı grafiğe dökeceğiz. Şimdi sitokin konsantrasyon seviyelerinin değerlerinin ortalamasını alıyoruz. Konsantrasyon seviyelerinin sırası yanlış, ancak bunu hızlıca yeniden sıralamak oldukça kolaydır.

Ardından, verilerin daha kolay görselleştirilmesini sağlamak için görünümü ekrana sığacak şekilde değiştirebiliriz. Farklı genotiplerin nasıl ayırt edileceğini incelemek istediğimiz için, tek yapmamız gereken genotip boyutunu bu renk bölümüne sürüklemektir. Görselleştirme, genotipe göre otomatik ve anında ayrışacaktır.

Şimdi, farklı görüntüleme formatlarını deneyebiliriz. Örneğin, bir çizgi grafik yakalamak istediğimiz bir örüntüyü daha iyi ortaya çıkarabilir. Açıkçası, birçok başka seçenek de mevcuttur.

Bu eşleştirilmiş analizdeki biyologlar, 3M OH OH2 adlı bir reaktifle stimülasyon sonrası TNF alfa olarak adlandırılan sitokin belirteçlerinden birinin üretim ilişkilerini inceleyerek başlamamızı önermektedir. Bunun için belirteç boyutundan TNF alfa'yı ve stimülasyon boyutundan 3M OH OH2'yi filtrelememiz gerekir. Filtreleme işlemini daha esnek hale getirmek için hem belirteç hem de stimülasyon boyutları için hızlı filtreyi göster seçeneğini seçebilir ve bunun tekli değerler listesi olduğundan emin olabiliriz.

Bu görselleştirme, farklı renklerle genotiplere ayrılmış, üç farklı MO oh two stimülasyon seviyesi sonrası TNF alfa üretimi arasındaki farkı açıkça göstermektedir; marker ve stimülasyon filtre değerlerinin herhangi bir başka kombinasyonunu seçebiliriz ve görselleştirme buna göre değişecektir. Excel'e benzer şekilde, ayrı sekmelerde farklı görselleştirmeler oluşturabiliriz. Sunum amaçlı olarak, birden fazla analizin özet görünümünü de oluşturabiliriz.

Bu vakada, farklı NF Kappa B SNP genotiplerine sahip çeşitli deneklerde TNF Alfa üretimini inceledik. Bu gösterimde, eşleştirilmiş analiz VA yaklaşımını kullanarak yaklaşık 1 dakika 30 saniyede bir dizi etkili görselleştirme başarıyla oluşturduk. Benzer bir görselleştirme setinin oluşturulması, bir biyomedikal araştırmacının Excel'de tipik olarak 30 dakikasını almaktadır.

Önceki örnek basit bir iki boyutlu analizdi. Görsel Analizin (VA) asıl gücü, birden fazla boyutu aynı anda görselleştirebilme yeteneğidir. Örneğin Tableau, anahtar değerlerin mantıksal birleşimleri aracılığıyla veri kümeleri arasındaki analizleri destekler.

Burada aynı çalışma kitabına yerleştirilmiş iki hesap tablosu bulunmaktadır. İlk veri seti önceki demonstrasyon örneğinden alınmıştır; diğeri ise aynı hücrede birden fazla sitokin üretimi için akış sitometrisi (flow cytometry) adı verilen teknikle analiz edilen hücrelere ait bir veri setidir. Aynı zamanda, polifonksiyonellik derecesi veya PFD olarak adlandırılan bir ölçüm bulunmaktadır; iç aktarma aşamasında onları tanımlamanın daha kolay olması için sayfalara isim verebilirsiniz.

Bu, Tableau'nun iki hesap tablosunu birbirine bağlamasını sağlar. Çoklu tablo seçeneğini belirledikten sonra, iki tabloyu birleştirmek için yeni tablo ekle özelliğini kullanabilirsiniz. Bu özellik, ikinci hesap tablosunu birincisine ekler ve hücre tipi, konsantrasyon seviyesi aşaması, grup stimülası ve denek tanımlayıcı gibi özdeş anahtarları kullanarak veri setlerini birleştirmek için join ifadelerini kullanır.

Boyutların hesap tablosu adına göre ayrıldığa dikkat edin. Bu, mantıksal birleşim ifadesinin parçası olmayan boyutları kullanmamıza olanak tanır. Örneğin, polifonksiyonellik tanımı, birden fazla sitokin üreten hücrelerin yüzdesidir.

Örneğin, iki sitokin üreten bir hücre iki olan bir PFD ve üç sitokin üreten bir hücre üç olan bir PFD olarak tanımlanır. Burada, bu değerleri görsel bir gösterimde kullanabileceğimiz tek bir ölçüde birleştirmek için bir hesaplanmış alan oluşturuyoruz. Artık görselleştirmeyi oluşturmaya başlayabiliriz.

Öncelikle, sitokin seviyelerinin konsantrasyonunu iki üzerinden PFD'lere karşı grafiğe döküyoruz ve önceki demoda olduğu gibi, ikiden büyük PFD'lerin ortalama değerini alıyoruz. Ayrıca, konsantrasyon etiketlerini manuel olarak ayarlayarak düşükten yükseğe doğru düzenliyoruz. Genotip bilgisi bu gruptakilerin sadece bir kısmı için mevcut olduğundan, genotip bilgisi içermeyen veri satırlarını filtrelememiz gerekiyor.

Daha önce yaptığımız gibi, genotip bilgisini hızlıca renk etiketine ekleyerek her bir farklı genotipi birbirinden ayırt etmemizi sağlayabiliriz. Ardından, verilerin daha kolay görselleştirilmesi için görünümü ekrana sığacak şekilde ayarlayabiliriz. Ayrıca sütun grafiğini de değiştirebiliriz.

Örneğin, bunu test eden bir çizgi grafik, CYT yanıtının ve PFP yanıtının her bir genotip için spesifik kalıplara göre nasıl değiştiğine dair iyi bir fikir verir. GG genotipine sahip NF kappa b SNP'sinin, diğer genotiplerle karşılaştırıldığında farklı bir yanıt kalıbına sahip olduğu hemen fark edilmektedir. Farklı stimülasyonların bu kalıp üzerindeki etkisini inceleyerek konuyu daha ayrıntılı olarak araştırabiliriz.

Uyaran boyutuna LPS eklendikten sonra, üç ana genotipin tüm konsantrasyonlarda benzer bir PFD seviyesi sergilediğine, ancak yalnızca 3M MO oh iki uyaranları ile GG genotipinin, uyaranın düşük konsantrasyonundan yüksek konsantrasyonuna doğru PFD'de keskin bir artış gösterdiğine dikkat edin. Bu bulgu, gelecekteki deneylerde test etmek üzere, uyaran türünün PFD'yi etkilediği yönünde bir hipotez oluşturmamıza olanak tanır. Son iki gösterimde, hem veri setleri içinde hem de veri setleri arasında potansiyel olarak anlamlı kalıpları tespit etmek için görselleştirmelerin hızlı bir şekilde nasıl oluşturulduğunu gördük.

Görsel analitiğin gücü, uygulamaya bağlı olarak analiz boyutlarını ölçeklendirerek ve geniş veri setleri genelinde bilgileri entegre ederek büyük veri setlerine hızla genişletilebilir. Örneğin, kohort çalışmalarında oluşturulan çok sayıda veri silosunda, VA, kategorik ve sayısal tabanlı veri setleri dahil olmak üzere çok sayıda farklı veri türünü içeren büyük miktardaki verilerin bulunduğu her alana potansiyel olarak uygulanabilen, yüksek aktarılabilirlik özelliğine sahip bir yaklaşımdır. VA yaklaşımı iki temel avantaj sunar.

Birincisi, esnek hipotez oluşturma. Kullanıcı, güncel bulgulardan yola çıkarak veriler hakkında anlık hipotezler üretebilir ve zaman tasarrufu sağlamak amacıyla bu hipotezleri inceleyen yeni görselleştirmeleri hızla oluşturabilir. UVA araçlarının kullanılabilirliği ve verimliliği, geleneksel bilgi görselleştirme araçlarına karşı temel avantajlarıdır.

Geleneksel yöntemler kullanılarak grafik oluşturma sürecinde harcanan çaba genellikle birkaç iş günü sürebilirken, Tableau gibi bir VA platformunda aynı işlem iki ila üç saat içinde kolaylıkla tamamlanabilmektedir. Açıkça görülmektedir ki, her birinin kendine özgü avantajları ve dezavantajları olan başka uygulama platformları da mevcuttur ve muhtemelen mevcut olmaya devam edecektir. Bu göreme para analiz yaklaşımıyla yaklaşmanın sağladığı ek fayda, karmaşık çok boyutlu verilerin analizinde VA tabanlı bir yaklaşımın sunduğu genel avantaja belirgin bir katkı sağlamaktadır.