促进免疫学数据分析与视觉分析技术

使用可视化分析技术促进免疫学数据的分析。虽然收集和存储数据的能力迅速提高，但处理和分析数据的能力以及相比之下的进展甚微。因此，生物医学实验室中经常存在大型数据集，无法对其进行有效或高效的分析。

有了这种潜在的丰富而强大的信息，就会迷失在存储系统的深渊中。可视化分析或 VA 已成为分析大型复杂数据集的一种新方法。VA 技术基于可视化，允许分析师使用他们的视觉智能来发现数据中的模式，例如一般趋势或异常值。

这些快速可视化允许在探索数据时快速形成假设。VA 工具的灵活性使分析师能够在探索它们之间的关系的同时，放大、深入研究和跨多个数据集建立联系。通过将 VA 应用于集成数据源，用户可以揭示新的重要发现。

父分析是一种 VA 方法，其中 VA 工具专家和技术专家（也称为领域专家）协同工作，领域专家询问有关数据的生物学相关问题。然后，VA 工具专家创建可视化，这些可视化可能有助于揭示有助于回答此问题或导致进一步探索的模式。可以迭代此过程以构建提供见解的不同可视化。

我们着手测试配对分析 VA 方法对大型复杂生物医学数据集的适用性。在初步试点实验中，我们针对当前问题评估了几种现有的 VA 工具。我们选择了 Tableau 软件的 Tableau 作为最适合手头任务的工具。

这些试点实验中的选择标准基于主观参数，例如用户友好性、整体可用性，以及客观技术特征，例如一系列交互技术和可视化功能。我们在 Microsoft Excel 电子表格中有一个数据集，这是传染病领域工作的典型实验室的典型数据集。该集合包含有关遗传 DNA 序列变异的主题标识符数据。

在这种情况下，受试者的 NF kappa BIA 单核苷酸多态性或 SNS，以及在这种情况下观察到的几种生物分子的浓度，受试者的免疫细胞在用特异性刺激刺激免疫细胞后产生的细胞因子。现在，我们将向下滚动到电子表格。为了让您了解此数据集的数量，我们有兴趣了解基因型（在本例中为 NF Kappa BIA 基因的不同片段）与观察到的细胞因子反应之间是否存在一般关系。

刺激后，我们现在将数据集与 Tableau 连接，确保导入 NF kappa BIA 表。您可以在左侧看到 Tableau 已连接到正确的表，并自动将列变量分为 Tableau 调用的维度和度量。维度只是对数据进行分类并度量该列中的定量值的列。

对于这种可视化，我们现在将刺激浓度水平与观察到的细胞因子反应浓度进行绘制。我们现在平均细胞因子浓度水平的值。集中级别的顺序是错误的，但很容易快速采用它。

然后，我们可以切换视图以适应屏幕，并允许更轻松地可视化数据。由于我们想研究如何区分不同的基因型，我们所要做的就是将基因型维度放入这个颜色部分。可视化功能根据基因型自动立即分离。

现在，我们可以尝试不同的显示格式。例如，折线图可能更好地揭示我们想要捕获的模式。显然还有许多其他选择。

这种配对分析中的生物学家建议，我们首先探索用一种叫做 3M oh oh two 的试剂刺激后产生一种称为 QNF α 的细胞因子标志物的关系。为此，我们需要过滤标记维度、TNF α 和刺激维度 3M oh oh two。为了使筛选过程更加灵活，我们可以为标记和刺激维度选择 show quick filter 选项，确保它是单个值列表。

这种可视化清楚地显示了不同水平的 3 MO oh 2 刺激后 TNF α 产生的差异，由不同颜色的基因型分隔，我们可以选择标记和刺激过滤器值的任何其他组合，可视化会相应地改变。与 Excel 类似，我们可以在单独的选项卡中构建不同的可视化效果。出于演示目的，我们还可以生成多个分析的摘要视图。

在这种情况下，我们研究了具有不同 NF Kappa 偏倚片段基因型的几个受试者中 TNF Alpha 的产生。在本演示中，我们使用配对分析 VA 方法在大约 1 分 30 秒内成功生成了一系列强大的可视化效果。一组类似的可视化效果通常需要生物医学研究人员 30 分钟才能在 Excel 中生成。

前面的示例是简单的二维分析。VA 的真正强大之处在于能够同时可视化多个维度。例如，Tableau 支持通过键值的逻辑联接在数据集之间进行分析。

以下是放置在同一工作簿中的两个电子表格。第一个数据集来自前面的演示示例，另一个是通过流式细胞术技术分析的细胞数据集，用于在同一细胞中产生多种细胞因子。同时，通过一种称为 poly functional degree （多边形功能度） 或 PFD 的度量，您可以为工作表命名，以便在导入阶段更容易识别它们。

这允许 Tableau 连接这两个电子表格。选择 multiple table 选项后，您可以使用 add new table 功能联接两个表。此功能将第二个电子表格添加到第一个电子表格中，并使用 join 语句使用相同的键（如细胞类型、浓度水平阶段、组刺激和主题标识符）组合数据集。

请注意，维度由电子表格名称分隔。这允许我们使用不属于 logical joint 语句的维度。例如，poly 官能团的定义是产生一种以上细胞因子的细胞的百分比。

例如，一个细胞产生两种细胞因子，PFD 为 2，细胞产生三种细胞因子，PFD 为 3。在这里，我们创建一个计算字段，将这些值合并到一个度量中，以便我们在可视化显示中使用。现在我们可以开始构建可视化。

首先，我们绘制了细胞因子水平相对于 PFD 的浓度超过 2，并且与上一个演示一样，取 PFD 大于 2 的平均值。我们还通过手动设置将浓度标签从低到高排列。由于基因型信息仅适用于该组中的某些用户，因此我们需要过滤掉不包含基因型信息的数据行。

和以前一样，我们可以快速将基因型放入颜色标签中，这样我们也可以区分每个不同的基因型。然后，我们可以切换视图以适应屏幕，并允许更轻松地可视化数据。我们也可以更改条形图 2。

例如，测试此的折线图可以很好地说明 CYT 反应和 PFP 反应如何根据每种基因型的特定模式而变化。您会立即注意到，与其他基因型相比，具有 GG 基因型的 NF kappa b SNP 具有不同的反应模式。我们可以通过研究不同刺激对这种模式的影响来进一步探索这一点。

请注意，在刺激维度中添加 LPS 后，三种主要基因型在所有浓度下都显示出相似的 PFD 水平，但仅对于 3M MO oh 两个刺激，GG 基因型在 PFD 中显示出从低浓度到高浓度的刺激。这一发现使我们能够生成一个假设，以便在未来的实验中进行测试，即刺激的类型会影响 PFD。在最后两个演示中，我们看到了可视化的快速生成，以检测数据集内部和数据集之间可能有意义的模式。

可视化分析的功能可以快速扩展到大型数据集，根据应用程序扩展分析维度，从而在大量数据集中集成信息。例如，由于队列研究中生成了许多数据孤岛，VA 是一种高度可转移的方法，有可能应用于具有大量多种不同类型数据的任何领域，包括基于分类和数字的数据集。VA 方法有两个主要优势。

第一，灵活的假设生成。用户可以根据当前调查结果现场生成有关数据的假设，并快速创建新的可视化来探索假设，从而节省两个时间。UVA 工具的可用性和效率是它们相对于传统信息可视化工具的主要优势。

使用传统方法绘制图形通常涉及的工作可能需要几个工作日才能完成，而在 Tableau 等 VA 平台上只需两到三个小时即可完成。显然，它们现在是并且很可能是其他应用程序平台，每个平台都有特定的优点和缺点。使用段落分析完成这项任务的额外好处显然增加了基于 VA 的方法分析复杂多维数据的整体好处。