211service.com
Prasmės ieškojimas duomenų jūroje
Duomenų analizės įrankis gali padėti mokslininkams išsiaiškinti įdomiausius klausimus. 2018 m. birželio 27 d
Webb Chappel
Kreiva linija slysta per jo veidą, kai Davidas Reshefas '08, MEng '09, PhD '17, žengia prieš projektorių Broad Institute seminarų salėje. Ekrane yra krūva grafikų, kai kurios nubrėžia aiškias linijas, o kitos rodo storas taškų juostas, artimas nuolydžiui arba parabolei.
Grafikai iliustruoja, kaip įrankis, kurį Reshefas sukūrė kartu su savo broliu Yakiru, identifikuoja ir išrikiuoja įvairius ryšius dideliame duomenų rinkinyje. Tiems, kurie kovoja su didžiuliu duomenų kiekiu, įrankis siūlo įdomų būdą iš esmės palyginti obuolius ir apelsinus. Kadangi jis gali rasti beveik bet kokį ryšį tarp kintamųjų porų, o ne sutelkti dėmesį tik į gerai suprantamus ryšius, pavyzdžiui, tiesinius ar eksponentinį, įrankis gali atskleisti netikėtas koreliacijas. Ir kadangi jis gali klasifikuoti įvairius santykius pagal stiprumą, jis gali parodyti tyrėjams, kur ieškoti prasmės duomenų jūroje. Ekrane plonos linijos ir aiškios kreivės kyla į viršų, o neryškesnės formos, atspindinčios silpnesnius santykius, krenta į apačią.
Genomikos tyrinėtojai galėtų būti idealūs šio įrankio naudotojai, o „Broad“ yra daugybė, kur visas žmogaus genomas sekvenuojamas kas 12 minučių. Kai broliai juokauja ir jungiasi prie savo tyrimo pristatymo, jų sklandūs paaiškinimai daro jo logiką akivaizdžią. Tačiau jie jau praleido dešimtmetį, siekdami išsiaiškinti, kaip analizuoti tokią informaciją.
Reshefai užaugo Izraelyje ir Kenijoje, kur jų tėvai – gydytojai ir epidemiologai – dirbo pasaulinės sveikatos srityje. Kai Deividui buvo aštuoneri, šeima apsigyveno Merilande, o berniukai netrukus susižavėjo kompiuterių mokslu. Davidas visada planavo stoti į mediciną, o studijuodamas MIT elektros inžinerijos ir informatikos mokslus studijavo ligų perdavimo dinamiką. Nuo ŽIV iki choleros kiekviena liga turėjo duomenų rinkinį su savo unikaliomis savybėmis.
Kai 2009 m. JAV kilo kiaulių gripas, Davidas prisijungė prie Harvardo visuomenės sveikatos tyrėjų komandos Milvokyje, viename labiausiai nukentėjusių miestų. Jis peržiūrėjo ranka rašytus įrašus vietiniame sveikatos skyriuje, įvesdamas gaunamus duomenis į skaičiavimo modelius, kad suprastų, kaip greitai liga plinta, kad sveikatos specialistai galėtų reaguoti.
Mokslininkams reikėjo įrankių, kurie galėtų išanalizuoti visą duomenų rinkinį ir pažymėti stipriausius ryšius – įrankių, kurie galėtų padėti generuoti hipotezes.
Tuo tarpu jis suprato, kad nors mokslininkai turėjo prieigą prie daug daugiau duomenų ir skaičiavimo galios nei turėjo praeityje, tai buvo nevienoda palaima. Dabar jie galėjo nustatyti ryšius tarp kintamųjų – ir netgi santykius tarp santykių – daug detalesniu lygiu, tačiau dėl didžiulio duomenų kiekio ir sudėtingumo tai padaryti buvo ypač sunku.
Reshefas pradėjo galvoti, kad jiems reikia statistinių įrankių, galinčių išanalizuoti visą duomenų rinkinį ir pažymėti stipriausius ryšius – įrankių, galinčių padėti sukurti naujas hipotezes. Užuot visada turėję numatyti, ką verta ištirti, tyrėjai galėtų naudoti tokias priemones, kad neįtrauktų įdomiausių klausimų.
Pasak jo, problema buvo ta, kaip sukurti įrankius, kurie padėtų mums rasti dalykus, kurių nebūtinai numatome duomenims.
Viename 2011 m Mokslas Straipsnyje broliai aprašė naują metodą – tai, ką jie vadina maksimalia informacija pagrįstos neparametrinės tyrinėjimo (MINE) statistika. Jų įrankius, sukurtus bendradarbiaujant su Pardis Sabeti ir Michaelu Mitzenmacheriu iš Harvardo, motyvuoja paprasta idėja: jei norime ieškoti modelių, kuriuose gali būti įvairių santykių tipų, mums reikia būdo nustatyti, kurie yra tikri, ir kurios yra stipriausios. Vienas iš įrankių, vadinamas maksimaliu informacijos koeficientu (MIC), nustato priklausomybę arba neatsitiktinių ryšių buvimą tarp kintamųjų porų. Be to, šie santykiai reitinguojami pagal jų stiprumą, atsižvelgiant į jų triukšmingumą. Tobula koreliacija (įsivaizduokite aiškią liniją arba parabolę diagramoje be nukrypstančių taškų) būtų aukščiausia, o po to ryšiai, apimantys daugiau duomenų taškų, kurie neatitinka dominuojančių formų ar linijų. Visiškai nesusiję kintamieji (pagalvokite apie grafiką, pilną atsitiktinių taškų) pateks į sąrašo apačią.
Webb Chappell
Kai Reshefs pritaikė MIC 357 kintamųjų Pasaulio sveikatos organizacijos duomenų rinkiniui, jis atskleidė du ryšius tarp pajamų ir moterų nutukimo. Nutukimas tarp skurdžių moterų buvo mažas, pajamoms padidėjus iki tam tikro taško, o tada vėl sumažėjo, kai pajamos buvo didesnės. (Tai nenuostabu: moterys, kurios negali sau leisti nusipirkti maisto, greičiausiai nėra nutukusios, taip pat moterys, galinčios sau leisti sveikiausią mitybą.) Tačiau buvo ir stulbinantis mažas pajamų šuolis, kuris, kaip paaiškėjo. Ramiojo vandenyno salų tautų, kuriose nutukimas yra kultūriškai vertinamas, moterims. Nors visuomenės sveikatos pareigūnai jau žinojo apie šią regioninę tendenciją, rezultatas parodė, kaip įrankis gali užfiksuoti statistinius ryšius, kurie neatitinka kitaip nuspėjamo modelio.
MINE gali būti naudojamas tirti bet kokį duomenų rinkinį, kuriame yra tiek daug kintamųjų, kad atskirų santykių tarp jų negalima įvertinti rankiniu būdu. Pavyzdžiui, kai broliai panaudojo savo įrankius analizuodami 131 kintamąjį 2008 m. duomenų rinkinyje iš Major League Baseball, jie nustatė tris labiausiai susijusius su žaidėjų atlyginimais: smūgius, bendrą bazę ir šiek tiek paslaptingą statistiką, vadinamą pakeitimo lygiu. ribinė sudėties vertė (įvertinimas, kiek daugiau ar mažiau bėgimų per žaidimą įneša žaidėjas nei statistiškai vidutinis pakaitinis žaidėjas toje pačioje pozicijoje). Nors nė vienas iš jų nestebina, jie pakilo į ilgo kintamųjų, kurie visi turėjo prasmę, sąrašo viršūnę. Kitas modelis, kuriame atsižvelgiama tik į linijinius santykius ir nelygina skirtingų santykių rūšių, buvo pateiktas visiškai kitoks geriausių trejetukas.
Reshefai taip pat naudojo MINE, kad nustatytų 9 472 reikšmingus ryšius tarp skirtingų žarnyno bakterijų rūšių (iš maždaug 22 milijonų galimybių). Daugelį galima paaiškinti gerai suprantamais veiksniais, tokiais kaip dieta ir šeimininko seksas. Tačiau juos atmetus, jiems liko 188 tvirti, nepaaiškinami ryšiai, kuriuos gali reikėti toliau tirti: jie gali pasiūlyti konkurenciją tarp bakterijų rūšių arba nurodyti kitus veiksnius, formuojančius žarnyno mikrobiotos ekologiją, galinčią turėti įtakos bendrai sveikatai. Mikrobiomų tyrinėtojai ir toliau naudojo priemones, kad išaiškintų skirtingų žarnyno bakterijų ryšius.
Taip pat brolių įrankiai galėtų būti naudojami siekiant suprasti didėjantį genų ekspresijos duomenų srautą. Pavyzdžiui, išmatavus kiekvieno iš mūsų maždaug 20 000 genų aktyvumą, MINE galėtų padėti atskleisti ryšius, kurie leistų susidaryti aiškesnį vaizdą apie tai, kas skiria normalų nuo patologinio ląstelių elgesio.
Sukūręs įrankius statistikos ir mašininio mokymosi sankirtoje, Davidas dabar nori kurti būdus, kaip panaudoti mašininį mokymąsi biologiniams tyrimams. Galiausiai, pasak jo, tai gali padėti mums kuo veiksmingiau mokytis iš mūsų duomenų. Tai bus nepaprastai įdomu tyrinėti, sako jis.