rapid-analysis-and-exploration-of-fluorescence-microscopy-images

Rapid Analysis and Exploration of Fluorescence Microscopy Images

Despite rapid advances in high-throughput microscopy, quantitative image-based assays still pose significant challenges. While a variety of specialized ...

UT Southwestern Medical Center

Large-scale biological experiments provide snapshots into the huge number of processes running in parallel within the organism. These processes depend on a large number of (hidden) (epi)genetic, social, environmental and other factors that are out of experimentalists' control. This makes it extremely difficult to identify the dominant processes and the elements involved in them based on a single experiment. It is therefore desirable to use multiple sets of experiments targeting the same phenomena while differing in some experimental parameters (hidden or controllable). Although such datasets are becoming increasingly common, their analysis is complicated by the fact that the various biological elements could be influenced by different sets of factors.

A novel meta-analysis method exploiting consistency of high-throughput experiments.

&#x5927;&#x578B;&#x751F;&#x7269;&#x5B9E;&#x9A8C;&#x63D0;&#x4F9B;&#x5927;&#x91CF;&#x751F;&#x7269;&#x4F53;&#x5185;&#x5E76;&#x884C;&#x8FD0;&#x884C;&#x7684;&#x8FDB;&#x7A0B;&#x7684;&#x5FEB;&#x7167;&#x3002;&#x8FD9;&#x4E9B;&#x8FDB;&#x7A0B;&#x53D6;&#x51B3;&#x4E8E;&#x5927;&#x91CF;&#x7684;&#x5B9E;&#x9A8C;&#x7684;&#x5931;&#x63A7;&#x7684; &#xFF08;&#x9690;&#x85CF;&#xFF09; &#xFF08;epi&#xFF09; &#x9057;&#x4F20;&#x3001; &#x793E;&#x4F1A;&#x3001; &#x73AF;&#x5883;&#x53CA;&#x5176;&#x4ED6;&#x56E0;&#x7D20;&#x3002;&#x8FD9;&#x4F7F;&#x5F97;&#x5B83;&#x6781;&#x96BE;&#x786E;&#x5B9A;&#x7684;&#x5360;&#x4E3B;&#x5BFC;&#x5730;&#x4F4D;&#x7684;&#x8FDB;&#x7A0B;&#x548C;&#x6D89;&#x53CA;&#x4ED6;&#x4EEC;&#x57FA;&#x4E8E;&#x5355;&#x4E2A;&#x5B9E;&#x9A8C;&#x7684;&#x8981;&#x7D20;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x6700;&#x597D;&#x4F7F;&#x7528;&#x591A;&#x7EC4;&#x4E0D;&#x540C;&#x7684;&#x4E00;&#x4E9B;&#x5B9E;&#x9A8C;&#x53C2;&#x6570; &#xFF08;&#x9690;&#x85CF;&#x6216;&#x53EF;&#x63A7;&#xFF09; &#x540C;&#x65F6;&#x9488;&#x5BF9;&#x540C;&#x4E00;&#x73B0;&#x8C61;&#x7684;&#x5B9E;&#x9A8C;&#x3002;&#x867D;&#x7136;&#x8FD9;&#x79CD;&#x6570;&#x636E;&#x96C6;&#x6B63;&#x53D8;&#x5F97;&#x8D8A;&#x6765;&#x8D8A;&#x666E;&#x904D;&#xFF0C;&#x5176;&#x5206;&#x6790;&#x590D;&#x6742;&#x7684;&#x662F;&#x5404;&#x79CD;&#x751F;&#x7269;&#x5143;&#x7D20;&#x53EF;&#x80FD;&#x4F1A;&#x53D7;&#x5230;&#x4E0D;&#x540C;&#x56E0;&#x7D20;&#x7684;&#x4E8B;&#x5B9E;&#x3002;

&#x65B0;&#x578B;&#x7684; meta &#x5206;&#x6790;&#x65B9;&#x6CD5;&#xFF0C;&#x5229;&#x7528;&#x9AD8;&#x901A;&#x91CF;&#x5B9E;&#x9A8C;&#x7684;&#x4E00;&#x81F4;&#x6027;&#x3002;

Les exp&eacute;riences biologiques &agrave; grande &eacute;chelle offrent des instantan&eacute;s dans le grand nombre de processus qui s&#39;ex&eacute;cutent en parall&egrave;le au sein de l&#39;organisme. Ces processus d&eacute;pendent d&#39;un grand nombre de facteurs g&eacute;n&eacute;tiques, sociales, environnementales et autres (cach&eacute;) (epi) &eacute;chappent &agrave; tout contr&ocirc;le des exp&eacute;rimentateurs. Cela rend extr&ecirc;mement difficile d&#39;identifier les processus dominants et les &eacute;l&eacute;ments impliqu&eacute;s dans leur &eacute;volution sur une seule exp&eacute;rience. Il est donc souhaitable d&#39;utiliser plusieurs s&eacute;ries d&#39;exp&eacute;riences ciblant les m&ecirc;mes ph&eacute;nom&egrave;nes tout en diff&eacute;rant par certains param&egrave;tres exp&eacute;rimentaux (cach&eacute;s ou contr&ocirc;lables). Bien que ces ensembles de donn&eacute;es deviennent de plus en plus fr&eacute;quents, leur analyse est compliqu&eacute;e par le fait que les divers &eacute;l&eacute;ments biologiques pourraient &ecirc;tre influenc&eacute;es par diff&eacute;rents ensembles de facteurs.

Une m&eacute;thode nouvelle m&eacute;ta-analyse exploitant la coh&eacute;rence des exp&eacute;riences de haut d&eacute;bit.

Gro&szlig; angelegte biologische Experimente liefern einen Schnappschuss in die riesige Zahl der Prozesse laufen parallel innerhalb des Organismus. Diese Prozesse h&auml;ngen eine gro&szlig;e Anzahl von (versteckten) (Epi) genetischen, sozialen, &ouml;kologischen und anderen Faktoren, die au&szlig;er Kontrolle Experimentalmusiker aus stellen sind. Dies macht es extrem schwer auszumachen die dominierenden Prozesse und die Elemente basierend auf einem einzelnen Experiment beteiligt. Es ist daher w&uuml;nschenswert, mehrere S&auml;tze von Experimenten, die die gleichen Ph&auml;nomen wenn man dabei einige experimentelle Parameter (versteckt oder steuerbar) unterschiedliche Ausrichtung verwenden. Obwohl solche Datasets zunehmend h&auml;ufiger werden, ist ihre Analyse durch die Tatsache erschwert, dass die verschiedenen biologischen Elemente durch unterschiedliche Faktoren beeinflusst werden k&ouml;nnte.

Eine neue Meta-Analyse-Methode ausnutzen Konsistenz von Hochdurchsatz Experimenten.

Grandi esperimenti biologici forniscono istantanee in un enorme numero di processi in esecuzione in parallelo all&#39;interno dell&#39;organismo. Questi processi dipendono da un gran numero di fattori genetici, sociali, ambientali ed altri (nascosto) (epi) che sono fuori dal controllo dei sperimentatori. Questo rende estremamente difficile identificare i processi dominanti e gli elementi coinvolti nel loro basato su un singolo esperimento. &Egrave; quindi opportuno utilizzare pi&ugrave; set di esperimenti gli stessi fenomeni di targeting mentre differiscono in alcuni parametri sperimentali (nascosti o controllabile). Sebbene tali set di dati stanno diventando sempre pi&ugrave; comune, loro analisi sono complicata dal fatto che i vari elementi biologici potrebbero essere influenzati da diversi insiemi di fattori.

Un metodo del romanzo meta-analisi sfruttando la consistenza degli esperimenti di alto-rendimento.

&#x5927;&#x898F;&#x6A21;&#x306A;&#x751F;&#x7269;&#x5B66;&#x7684;&#x5B9F;&#x9A13;&#x3092;&#x5DE8;&#x5927;&#x306A;&#x6570;&#x3092;&#x751F;&#x4F53;&#x5185;&#x3067;&#x4E26;&#x5217;&#x5B9F;&#x884C;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x306E;&#x30B9;&#x30CA;&#x30C3;&#x30D7;&#x30B7;&#x30E7;&#x30C3;&#x30C8;&#x3092;&#x63D0;&#x4F9B;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x306F;&#x8D8A;&#x306E;&#x30B3;&#x30F3;&#x30C8;&#x30ED;&#x30FC;&#x30EB;&#x3092;&#x3057;&#x3066;&#x3044;&#x308B; (&#x975E;&#x8868;&#x793A;) (epi) &#x306E;&#x907A;&#x4F1D;&#x7684;&#x3001;&#x793E;&#x4F1A;&#x3001;&#x74B0;&#x5883;&#x3001;&#x305D;&#x306E;&#x4ED6;&#x306E;&#x8981;&#x56E0;&#x306E;&#x5927;&#x304D;&#x3044;&#x6570;&#x306B;&#x3088;&#x3063;&#x3066;&#x7570;&#x306A;&#x308A;&#x307E;&#x3059;&#x3002;&#x652F;&#x914D;&#x7684;&#x306A;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x3068;&#x305D;&#x308C;&#x3089;&#x306F;&#x5358;&#x4E00;&#x306E;&#x5B9F;&#x9A13;&#x306B;&#x57FA;&#x3065;&#x304F;&#x95A2;&#x9023;&#x3059;&#x308B;&#x8981;&#x7D20;&#x3092;&#x8B58;&#x5225;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x975E;&#x5E38;&#x306B;&#x56F0;&#x96E3;&#x306B;&#x306A;&#x308A;&#x307E;&#x3059;&#x3002;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x540C;&#x3058;&#x73FE;&#x8C61;&#x3092;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x5B9F;&#x9A13;&#x306E;&#x30D1;&#x30E9;&#x30E1;&#x30FC;&#x30BF;&#x30FC; (&#x96A0;&#x3055;&#x308C;&#x305F;&#x307E;&#x305F;&#x306F;&#x5236;&#x5FA1;&#x53EF;&#x80FD;&#x306A;) &#x7570;&#x306A;&#x308B;&#x306A;&#x304C;&#x3089;&#x30BF;&#x30FC;&#x30B2;&#x30C3;&#x30C8;&#x5B9F;&#x9A13;&#x306E;&#x8907;&#x6570;&#x306E;&#x30BB;&#x30C3;&#x30C8;&#x3092;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x671B;&#x307E;&#x3057;&#x3044;&#x3067;&#x3059;&#x3002;&#x3053;&#x306E;&#x3088;&#x3046;&#x306A;&#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8;&#x304C;&#x307E;&#x3059;&#x307E;&#x3059;&#x4E00;&#x822C;&#x7684;&#x306B;&#x306A;&#x3063;&#x3066;&#x3044;&#x308B;&#x304C;&#x3001;&#x5F7C;&#x3089;&#x306E;&#x5206;&#x6790;&#x3001;&#x3055;&#x307E;&#x3056;&#x307E;&#x306A;&#x751F;&#x7269;&#x5B66;&#x7684;&#x8981;&#x7D20;&#x304C;&#x3055;&#x307E;&#x3056;&#x307E;&#x306A;&#x8981;&#x56E0;&#x306B;&#x3088;&#x3063;&#x3066;&#x5F71;&#x97FF;&#x3092;&#x53CA;&#x307C;&#x3055;&#x308C;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x308B;&#x3068;&#x3044;&#x3046;&#x4E8B;&#x5B9F;&#x306B;&#x3088;&#x3063;&#x3066;&#x8907;&#x96D1;&#x306B;&#x306A;&#x308A;&#x307E;&#x3059;&#x3002;

&#x30CF;&#x30A4;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x5B9F;&#x9A13;&#x306E;&#x4E00;&#x8CAB;&#x6027;&#x3092;&#x5229;&#x7528;&#x3057;&#x305F;&#x65B0;&#x898F;&#x30E1;&#x30BF;&#x5206;&#x6790;&#x6CD5;&#x3002;

&#xB300;&#xADDC;&#xBAA8; &#xC0DD;&#xBB3C; &#xC2E4;&#xD5D8; &#xAC70; &#xB300; &#xD55C; &#xC720;&#xAE30; &#xCCB4; &#xB0B4;&#xC5D0;&#xC11C; &#xBCD1;&#xB82C;&#xB85C; &#xC2E4;&#xD589; &#xB418;&#xB294; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xC218;&#xB85C; &#xC2A4;&#xB0C5;&#xC0F7;&#xC744; &#xC81C;&#xACF5; &#xD569;&#xB2C8;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xD504;&#xB85C;&#xC138;&#xC2A4; experimentalists&#39; &#xD1B5;&#xC81C; &#xBD88;&#xB2A5; (&#xC228;&#xACA8;&#xC9C4;&#xB41C;) (epi) &#xC720;&#xC804;, &#xC0AC;&#xD68C;, &#xD658;&#xACBD; &#xBC0F; &#xAE30;&#xD0C0; &#xC694;&#xC778;&#xC758; &#xB9CE;&#xC740; &#xC218;&#xC5D0; &#xB530;&#xB77C; &#xB2EC;&#xB77C; &#xC9D1;&#xB2C8;&#xB2E4;. &#xC774;&#xAC83;&#xC740; &#xB9E4;&#xC6B0; &#xC5B4;&#xB824;&#xC6B4; &#xC9C0;&#xBC30;&#xC801;&#xC778; &#xD504;&#xB85C;&#xC138;&#xC2A4;&#xC640; &#xD558;&#xB098;&#xC758; &#xC2E4;&#xD5D8;&#xC5D0; &#xB530;&#xB77C; &#xADF8;&#xB4E4;&#xC5D0; &#xAD00;&#xB828; &#xB41C; &#xC694;&#xC18C;&#xB97C; &#xC2DD;&#xBCC4; &#xD569;&#xB2C8;&#xB2E4;. &#xB530;&#xB77C;&#xC11C; &#xC11C;&#xB85C; &#xB2E4;&#xB978; &#xBA87; &#xAC00;&#xC9C0; &#xC2E4;&#xD5D8;&#xC801;&#xC778; &#xB9E4;&#xAC1C; &#xBCC0;&#xC218; (&#xC228;&#xACA8;&#xC9C4; &#xB610;&#xB294; &#xC81C;&#xC5B4;) &#xD558;&#xB294; &#xB3D9;&#xC548; &#xB3D9;&#xC77C;&#xD55C; &#xD604;&#xC0C1;&#xC744; &#xB300;&#xC0C1;&#xC73C;&#xB85C; &#xD558;&#xB294; &#xC2E4;&#xD5D8;&#xC758; &#xC5EC;&#xB7EC; &#xC138;&#xD2B8;&#xB97C; &#xC0AC;&#xC6A9; &#xD558;&#xB294; &#xAC83;&#xC774; &#xBC14;&#xB78C;&#xC9C1;&#xD569;&#xB2C8;&#xB2E4;. &#xAC19;&#xC740; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC740; &#xC810;&#xC810; &#xC77C;&#xBC18;&#xC801; &#xB418; &#xACE0; &#xC788;&#xB2E4;, &#xD558;&#xC9C0;&#xB9CC; &#xADF8;&#xB4E4;&#xC758; &#xBD84;&#xC11D;&#xC740; &#xB2E4;&#xC591; &#xD55C; &#xC0DD;&#xBB3C; &#xD559;&#xC801; &#xC694;&#xC18C;&#xAC00; &#xC11C;&#xB85C; &#xB2E4;&#xB978; &#xC694;&#xC778;&#xC5D0; &#xC758;&#xD574; &#xC601;&#xD5A5;&#xC744; &#xBC1B;&#xC744; &#xC218; &#xC788;&#xB294; &#xC0AC;&#xC2E4;&#xC5D0; &#xC758;&#xD574; &#xBCF5;&#xC7A1; &#xD569;&#xB2C8;&#xB2E4;.

&#xB192;&#xC740; &#xCC98;&#xB9AC;&#xB7C9; &#xC2E4;&#xD5D8;&#xC758; &#xC77C;&#xAD00;&#xC131;&#xC744; &#xC545;&#xC6A9; &#xD558;&#xB294; &#xC18C;&#xC124; &#xBA54;&#xD0C0; &#xBD84;&#xC11D; &#xBC29;&#xBC95;.

Grandes experimentos biol&oacute;gicos proporcionan instant&aacute;neas en la enorme cantidad de procesos que se ejecutan en paralelo en el organismo. Estos procesos dependen de un gran n&uacute;mero de factores gen&eacute;ticos, sociales, ambientales y otros (oculto) (epi) que est&aacute;n fuera de control experimentadores. Esto hace extremadamente dif&iacute;cil identificar los procesos dominantes y los elementos que intervienen en ellos basado en una experiencia &uacute;nica. Por lo tanto es deseable utilizar varios conjuntos de experimentos dirigidos a los mismos fen&oacute;menos mientras que difieren en algunos par&aacute;metros experimentales (ocultos o controlables). Aunque tales conjuntos de datos son cada vez m&aacute;s comunes, su an&aacute;lisis se complica por el hecho de que los diversos elementos biol&oacute;gicos podr&iacute;an ser influenciados por diferentes factores.

Un m&eacute;todo nuevo metan&aacute;lisis explotando la consistencia de los experimentos de alto rendimiento.

&#xD074;&#xB7EC;&#xC2A4;&#xD130; &#xB41C; &#xC5F4; &#xC9C0;&#xB3C4; &#xAC8C;&#xB188; &#xB370;&#xC774;&#xD130;&#xB97C; &#xC2DC;&#xAC01;&#xD654; &#xD558;&#xB294; &#xAC00;&#xC7A5; &#xC778;&#xAE30; &#xC788;&#xB294; &#xC218;&#xB2E8; &#xC774;&#xB2E4;. Compactly &#xC228;&#xACA8;&#xC9C4;&#xB41C; &#xAD6C;&#xC870;&#xC640; &#xB370;&#xC774;&#xD130;&#xC758; &#xAD00;&#xACC4;&#xC758; &#xAC80;&#xCD9C; &#xD558;&#xB294; &#xC9C1;&#xAD00;&#xC801;&#xC778; &#xD615;&#xD0DC;&#xB85C; &#xB9CE;&#xC740; &#xC591;&#xC758; &#xB370;&#xC774;&#xD130;&#xB97C; &#xD45C;&#xC2DC; &#xD569;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xD56D;&#xC0C1; &#xB370;&#xC774;&#xD130;&#xC758; &#xBCF8;&#xC9C8;&#xC801;&#xC778; &#xAD00;&#xACC4;&#xB97C; &#xC874;&#xC911; &#xD558;&#xC9C0; &#xC54A;&#xB294; &#xD074;&#xB7EC;&#xC2A4;&#xD130; &#xBD84;&#xC11D;&#xC758; &#xC0AC;&#xC6A9;&#xC5D0; &#xC758;&#xD574; &#xBC29;&#xD574;, &#xC790;&#xC8FC; &#xD544;&#xC694;&#xB85C; non-standardized post-clustering &#xC218;&#xD589;&#xD560; &#xD589;/&#xC5F4;&#xC758; &#xC21C;&#xC11C;&#xB97C; &#xBCC0;&#xACBD; &#xD569;&#xB2C8;&#xB2E4;. &#xC774; &#xB54C;&#xB85C;&#xB294; &#xC815;&#xBCF4; &#xBC0F; &#xC798;&#xBABB; &#xB41C; &#xACB0;&#xB860;&#xC744; &#xB048;&#xB2E4;. &#xC885;&#xC885; &#xB370;&#xC774;&#xD130;&#xC5D0; &#xB0B4;&#xC7AC; &#xB41C; &#xD1A0;&#xD3F4;&#xB85C;&#xC9C0;&#xB97C; &#xC874;&#xC911; &#xD558;&#xB294; &#xCC28;&#xC6D0; &#xAC10;&#xC18C; &#xC54C;&#xACE0;&#xB9AC;&#xC998; (&#xC608;: &#xC8FC; &#xC11C;&#xBC84; &#xAD6C;&#xC131; &#xC694;&#xC18C; &#xBD84;&#xC11D; &#xBC0F; &#xB2E4;&#xCC28;&#xC6D0; &#xC2A4;&#xCF00;&#xC77C;&#xB9C1;)&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xB354; &#xC720;&#xC775; &#xD558;&#xB2E4;. &#xC544;&#xC9C1;, &#xADF8;&#xB4E4;&#xC758; &#xC785;&#xC99D; &#xB41C; &#xC720;&#xD2F8;&#xB9AC;&#xD2F0; &#xC0DD;&#xBB3C;&#xD559; &#xB370;&#xC774;&#xD130;&#xC758; &#xBD84;&#xC11D;&#xC5D0;&#xB3C4; &#xBD88;&#xAD6C; &#xD558; &#xACE0; &#xADF8;&#xB4E4;&#xC740; &#xD558;&#xC9C0;&#xB85C; &#xB110;&#xB9AC; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. &#xC774;&#xAC83;&#xC740; &#xC801;&#xC5B4;&#xB3C4; &#xBD80;&#xBD84;&#xC801;&#xC73C;&#xB85C; &#xC5F4; &#xC9C0;&#xB3C4; &#xB0B4;&#xC7A5; &#xC601;&#xD5A5;&#xC744; &#xC8FC;&#xB294; &#xC0AC;&#xC6A9;&#xC790; &#xCE5C;&#xD654;&#xC801;&#xC778; &#xC2DC;&#xAC01;&#xD654; &#xBC29;&#xBC95;&#xC758; &#xBD80;&#xC871;&#xC785;&#xB2C8;&#xB2E4;.

NeatMap-r&#xC5D0;&#xC11C; &#xC5F4; &#xC9C0;&#xB3C4; &#xB300;&#xC548; &#xBE44; &#xD074;&#xB7EC;&#xC2A4;&#xD130;&#xB9C1;

El mapa de calor agrupado es el medio m&aacute;s popular de visualizaci&oacute;n de datos gen&oacute;micos. Compacto muestra una gran cantidad de datos en un formato intuitivo que facilita la detecci&oacute;n de estructuras ocultas y las relaciones en los datos. Sin embargo, se ve obstaculizada por su uso de an&aacute;lisis de cluster que no siempre respetan las relaciones intr&iacute;nsecas en los datos, a menudo requiere non-standardized reordenamiento de filas o columnas a realizar post-clustering. Esto conduce a veces a conclusiones poco informativo y/o enga&ntilde;osas. A menudo es m&aacute;s informativo para utilizar algoritmos de reducci&oacute;n de la dimensi&oacute;n (como el an&aacute;lisis de componentes principales y escalamiento multidimensional) que respetan la topolog&iacute;a inherente a los datos. Sin embargo, a pesar de su probada utilidad en el an&aacute;lisis de datos biol&oacute;gicos, no son tan ampliamente utilizados. Esto es al menos parcialmente debido a la falta de m&eacute;todos de visualizaci&oacute;n f&aacute;cil de usar con el impacto visceral del mapa de calor.

NeatMap--no-clusterizaci&oacute;n alternativas de mapa de calor en R.

&#x805A;&#x96C6;&#x7684;&#x70ED;&#x56FE;&#x662F;&#x53EF;&#x89C6;&#x5316;&#x57FA;&#x56E0;&#x7EC4;&#x6570;&#x636E;&#x7684;&#x6700;&#x53D7;&#x6B22;&#x8FCE;&#x7684;&#x624B;&#x6BB5;&#x3002;&#x5B83;&#x7D27;&#x5728;&#x4E00;&#x79CD;&#x76F4;&#x89C2;&#x7684;&#x683C;&#x5F0F;&#xFF0C;&#x4FBF;&#x4E8E;&#x9690;&#x85CF;&#x7684;&#x7ED3;&#x6784;&#x548C;&#x5173;&#x7CFB;&#x6570;&#x636E;&#x4E2D;&#x7684;&#x68C0;&#x6D4B;&#x4E2D;&#x663E;&#x793A;&#x6570;&#x636E;&#x7684;&#x91CF;&#x5927;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x5B83;&#x963B;&#x788D;&#x4E86;&#x5176;&#x4F7F;&#x7528;&#x7684;&#x805A;&#x7C7B;&#x5206;&#x6790;&#x603B;&#x662F;&#x4E0D;&#x5C0A;&#x91CD;&#x4E2D;&#x6570;&#x636E;&#x7684;&#x5185;&#x5728;&#x5173;&#x7CFB;&#xFF0C;&#x7ECF;&#x5E38;&#x9700;&#x8981;&#x975E;&#x6807;&#x51C6;&#x5316;&#x7684;&#x884C;/&#x5217;&#x8981;&#x6267;&#x884C; post-clustering &#x7684;&#x91CD;&#x65B0;&#x6392;&#x5E8F;&#x3002;&#x8FD9;&#x6709;&#x65F6;&#x4F1A;&#x5BFC;&#x81F4;&#x7A7A;&#x6D1E;&#x548C;/&#x6216;&#x5177;&#x8BEF;&#x5BFC;&#x6027;&#x7684;&#x7ED3;&#x8BBA;&#x3002;&#x5B83;&#x901A;&#x5E38;&#x66F4;&#x591A;&#x7684;&#x4FE1;&#x606F;&#x6765;&#x4F7F;&#x7528;&#x964D;&#x7EF4;&#x7B97;&#x6CD5; &#xFF08;&#x5982;&#x4E3B;&#x6210;&#x5206;&#x5206;&#x6790;&#x548C;&#x591A;&#x7EF4;&#x7F29;&#x653E;&#xFF09; &#x5C0A;&#x91CD;&#x7684;&#x62D3;&#x6251;&#x6240;&#x56FA;&#x6709;&#x7684;&#x6570;&#x636E;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x5C3D;&#x7BA1;&#x5728;&#x751F;&#x7269;&#x6570;&#x636E;&#x5206;&#x6790;&#x5176;&#x7ECF;&#x9A8C;&#x8BC1;&#x5B9E;&#x7528;&#x7A0B;&#x5E8F;&#xFF0C;&#x5B83;&#x4EEC;&#x4E0D;&#x5E7F;&#x6CDB;&#x5730;&#x4F7F;&#x7528;&#x3002;&#x8FD9;&#x81F3;&#x5C11;&#x90E8;&#x5206;&#x662F;&#x7531;&#x4E8E;&#x7F3A;&#x4E4F;&#x7528;&#x6237;&#x53CB;&#x597D;&#x7684;&#x53EF;&#x89C6;&#x5316;&#x65B9;&#x6CD5;&#x4E0E;&#x5185;&#x810F;&#x70ED;&#x56FE;&#x7684;&#x5F71;&#x54CD;&#x3002;

NeatMap-R.&#x975E;&#x805A;&#x7C7B;&#x70ED;&#x5730;&#x56FE;&#x66FF;&#x4EE3;&#x54C1;

The clustered heat map is the most popular means of visualizing genomic data. It compactly displays a large amount of data in an intuitive format that facilitates the detection of hidden structures and relations in the data. However, it is hampered by its use of cluster analysis which does not always respect the intrinsic relations in the data, often requiring non-standardized reordering of rows/columns to be performed post-clustering. This sometimes leads to uninformative and/or misleading conclusions. Often it is more informative to use dimension-reduction algorithms (such as Principal Component Analysis and Multi-Dimensional Scaling) which respect the topology inherent in the data. Yet, despite their proven utility in the analysis of biological data, they are not as widely used. This is at least partially due to the lack of user-friendly visualization methods with the visceral impact of the heat map.

NeatMap--non-clustering heat map alternatives in R.

La carte thermique en cluster est le plus populaire moyen de visualisation de donn&eacute;es g&eacute;nomiques. Compacte, il affiche une grande quantit&eacute; de donn&eacute;es dans un format intuitif qui facilite la d&eacute;tection des structures cach&eacute;es et les relations dans les donn&eacute;es. Cependant, il est g&ecirc;n&eacute; par son utilisation de l&#39;analyse typologique qui ne respecte pas toujours les relations intrins&egrave;ques dans les donn&eacute;es, n&eacute;cessitant souvent non-normalis&eacute;es r&eacute;organisation des lignes/colonnes &agrave; ex&eacute;cuter post-clustering. Parfois, cela m&egrave;ne &agrave; des conclusions impr&eacute;cises ou trompeuses. Il est souvent plus instructif d&#39;utiliser les algorithmes de r&eacute;duction de la dimension (par exemple, analyse en composantes principales et Multi-Dimensional Scaling) qui respectent la topologie inh&eacute;rente dans les donn&eacute;es. Pourtant, malgr&eacute; leur utilit&eacute; prouv&eacute;e dans l&#39;analyse des donn&eacute;es biologiques, ils ne sont pas aussi largement utilis&eacute;s. C&#39;est au moins partiellement en raison du manque de m&eacute;thodes de visualisation convivial avec l&#39;impact visc&eacute;ral de la carte de chaleur.

NeatMap--alternatives de carte de chaleur non-clustering dans R.

Gruppierte Heatmap ist das beliebteste Genomische Daten visualisieren. Es zeigt kompakt eine gro&szlig;e Menge von Daten in einem intuitiven Format, die die Detektion von verborgenen Strukturen und Beziehungen in den Daten erleichtert. Aber es wird erschwert durch den Einsatz von Clusteranalyse, die die inneren Beziehungen in den Daten nicht immer respektiert, h&auml;ufig erfordert non-standardized Neuordnung der Zeilen/Spalten post-clustering durchgef&uuml;hrt werden. Dies f&uuml;hrt manchmal zu unspezifisch und/oder irref&uuml;hrende Schlu&szlig;folgerungen. Oft ist es informativer Dimension-Reduktion-Algorithmen (z. B. Hauptkomponentenanalyse und Multidimensionale Skalierung) zu verwenden, die die Topologie inh&auml;rente in den Daten zu respektieren. Doch trotz ihrer bew&auml;hrten Dienstprogramm in der Analyse von biologischen Daten, werden sie nicht so weit verwendet. Dies ist zumindest teilweise aufgrund des Mangels an benutzerfreundliche Visualisierung-Methoden mit den viszeralen Auswirkungen der Heatmap.

NeatMap--nicht-clustering Hitze Karte Alternativen in R.

La mappa di calore in cluster &egrave; il pi&ugrave; popolare mezzo di visualizzazione dei dati genomici. In modo compatto, viene visualizzata una grande quantit&agrave; di dati in un formato intuitivo che facilita l&#39;individuazione di strutture nascoste e le relazioni nei dati. Tuttavia, essa &egrave; ostacolata dal suo uso di cluster analysis, che non sempre rispettano le intrinseche relazioni nei dati, che richiedono spesso funzionare riordino delle righe e colonne da eseguire post-clustering. Questo a volte porta a conclusioni fuorvianti o disinformative. Spesso &egrave; pi&ugrave; informativo di utilizzare algoritmi di riduzione della dimensione (ad esempio, analisi delle componenti principali e Scaling Multidimensionale) che rispettano la topologia intrinseca nei dati. Ancora, nonostante la loro comprovata utilit&agrave; nell&#39;analisi dei dati biologici, essi non sono come ampiamente utilizzati. Questo &egrave; almeno parzialmente dovuto la mancanza di metodi di visualizzazione user-friendly con l&#39;impatto viscerale della mappa calore.

NeatMap - non di clustering delle alternative di mappa di calore in R.

&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30FC;&#x5316;&#x3055;&#x308C;&#x305F;&#x71B1;&#x30DE;&#x30C3;&#x30D7;&#x306E;&#x30B2;&#x30CE;&#x30E0; &#x30C7;&#x30FC;&#x30BF;&#x3092;&#x8996;&#x899A;&#x5316;&#x3059;&#x308B;&#x6700;&#x3082;&#x4EBA;&#x6C17;&#x306E;&#x3042;&#x308B;&#x624B;&#x6BB5;&#x3067;&#x3059;&#x3002;&#x305D;&#x308C;&#x306F;&#x30B3;&#x30F3;&#x30D1;&#x30AF;&#x30C8;&#x96A0;&#x3055;&#x308C;&#x305F;&#x69CB;&#x9020;&#x3068;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x95A2;&#x4FC2;&#x306E;&#x691C;&#x51FA;&#x3092;&#x5BB9;&#x6613;&#x306B;&#x3059;&#x308B;&#x76F4;&#x611F;&#x7684;&#x306A;&#x5F62;&#x5F0F;&#x306E;&#x5927;&#x91CF;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x8868;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;&#x3057;&#x304B;&#x3057;&#x3001;&#x305D;&#x308C;&#x306F;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x672C;&#x8CEA;&#x7684;&#x306A;&#x95A2;&#x4FC2;&#x3092;&#x5E38;&#x306B;&#x5C0A;&#x91CD;&#x3057;&#x306A;&#x3044;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30FC;&#x5206;&#x6790;&#x306E;&#x4F7F;&#x3044;&#x65B9;&#x306B;&#x3088;&#x3063;&#x3066;&#x59A8;&#x3052;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x3001;&#x975E;&#x6A19;&#x6E96;&#x306E; post-clustering &#x5B9F;&#x884C;&#x3059;&#x308B;&#x884C;/&#x5217;&#x306E;&#x4E26;&#x3079;&#x66FF;&#x3048;&#x306E;&#x591A;&#x304F;&#x3092;&#x5FC5;&#x8981;&#x3068;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x306F;&#x6642;&#x3005; uninformative &#x304A;&#x3088;&#x3073;/&#x307E;&#x305F;&#x306F;&#x8AA4;&#x89E3;&#x3092;&#x62DB;&#x304F;&#x306E;&#x7D50;&#x8AD6;&#x306B;&#x5C0E;&#x304D;&#x307E;&#x3059;&#x3002;&#x591A;&#x304F;&#x306E;&#x5834;&#x5408;&#x3001;&#x30C7;&#x30FC;&#x30BF;&#x306B;&#x5185;&#x5728;&#x306E;&#x30C8;&#x30DD;&#x30ED;&#x30B8;&#x3092;&#x5C0A;&#x91CD;&#x6B21;&#x5143;&#x524A;&#x6E1B;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0; (&#x4E3B;&#x6210;&#x5206;&#x5206;&#x6790;&#x3084;&#x591A;&#x6B21;&#x5143;&#x30B9;&#x30B1;&#x30FC;&#x30EA;&#x30F3;&#x30B0;) &#x306A;&#x3069;&#x3092;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x3088;&#x308A;&#x6709;&#x76CA;&#x3067;&#x3059;&#x3002;&#x3057;&#x304B;&#x3057;&#x3001;&#x751F;&#x7269;&#x5B66;&#x7684;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x89E3;&#x6790;&#x3067;&#x5B9F;&#x8A3C;&#x6E08;&#x307F;&#x306E;&#x30E6;&#x30FC;&#x30C6;&#x30A3;&#x30EA;&#x30C6;&#x30A3;&#x306B;&#x3082;&#x304B;&#x304B;&#x308F;&#x3089;&#x305A;&#x3001;&#x5F7C;&#x3089;&#x3068;&#x3057;&#x3066;&#x5E83;&#x304F;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x305B;&#x3093;&#x3002;&#x3053;&#x308C;&#x306F;&#x3001;&#x5C11;&#x306A;&#x304F;&#x3068;&#x3082;&#x90E8;&#x5206;&#x7684;&#x306B;&#x30D2;&#x30FC;&#x30C8; &#x30DE;&#x30C3;&#x30D7;&#x306E;&#x5185;&#x81D3;&#x306E;&#x5F71;&#x97FF;&#x3068;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x30D5;&#x30EC;&#x30F3;&#x30C9;&#x30EA;&#x30FC;&#x306A;&#x53EF;&#x8996;&#x5316;&#x624B;&#x6CD5;&#x306E;&#x6B20;&#x5982;&#x3067;&#x3059;&#x3002;

NeatMap--R. &#x3067;&#x306E;&#x71B1;&#x30DE;&#x30C3;&#x30D7;&#x9078;&#x629E;&#x80A2;&#x306E;&#x975E;&#x30AF;&#x30E9;&#x30B9;&#x30BF; &#x30EA;&#x30F3;&#x30B0;

SimuCell : un cadre souple pour cr&eacute;er des images de microscopie synth&eacute;tique.

SimuCell: einen flexiblen Rahmen f&uuml;r die Erstellung von synthetischen Mikroskopie-Bildern.

SimuCell: un quadro flessibile per la creazione di immagini di microscopia sintetico.

SimuCell: &#x5408;&#x6210;&#x9855;&#x5FAE;&#x93E1;&#x753B;&#x50CF;&#x3092;&#x4F5C;&#x6210;&#x3059;&#x308B;&#x67D4;&#x8EDF;&#x306A;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x3002;

SimuCell: &#xAC00;&#xC0C1; &#xD604;&#xBBF8;&#xACBD; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xB9CC;&#xB4E4;&#xAE30; &#xC704;&#xD55C; &#xC720;&#xC5F0;&#xD55C; &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C;.

SimuCell: un marco flexible para la creaci&oacute;n de im&aacute;genes sint&eacute;ticas de la microscopia.

SimuCell&#xFF1A; &#x4E00;&#x4E2A;&#x7075;&#x6D3B;&#x7684;&#x6846;&#x67B6;&#x7528;&#x6765;&#x521B;&#x5EFA;&#x5408;&#x6210;&#x663E;&#x5FAE;&#x955C;&#x56FE;&#x50CF;&#x3002;

SimuCell: a flexible framework for creating synthetic microscopy images.

PhenoRipper&#xFF1A; &#x8F6F;&#x4EF6;&#x8FDB;&#x884C;&#x5FEB;&#x901F;&#x5206;&#x6790;&#x7684;&#x663E;&#x5FAE;&#x955C;&#x56FE;&#x50CF;&#x3002;

PhenoRipper: software for rapidly profiling microscopy images.

PhenoRipper : logiciel de profilage rapidement des images de microscopie.

PhenoRipper: Software f&uuml;r schnelle Profilerstellung Mikroskopie-Bildern.

PhenoRipper: software per la profilatura rapidamente immagini di microscopia.

PhenoRipper: &#x6025;&#x901F;&#x306B;&#x9855;&#x5FAE;&#x93E1;&#x753B;&#x50CF;&#x3092;&#x30D7;&#x30ED;&#x30D5;&#x30A1;&#x30A4;&#x30EA;&#x30F3;&#x30B0;&#x7528;&#x30BD;&#x30D5;&#x30C8;&#x30A6;&#x30A7;&#x30A2;&#x3002;

&#xD604;&#xBBF8;&#xACBD; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xBE60;&#xB974;&#xAC8C; &#xD504;&#xB85C; &#xD30C;&#xC77C;&#xB9C1; PhenoRipper: &#xC18C;&#xD504;&#xD2B8;&#xC6E8;&#xC5B4;&#xC785;&#xB2C8;&#xB2E4;.

Article	Year
A novel meta-analysis method exploiting consistency of high-throughput experiments. Bioinformatics (Oxford, England)\| PubMed ID: 19176547	2009
NeatMap--non-clustering heat map alternatives in R. BMC bioinformatics\| PubMed ID: 20096121	2010
SimuCell: a flexible framework for creating synthetic microscopy images. Nature methods\| PubMed ID: 22743763	2012
PhenoRipper: software for rapidly profiling microscopy images. Nature methods\| PubMed ID: 22743764	2012

Satwik Rajaram

Biography

JoVE Journal Publications

Other Publications