Faciliter l'analyse des données immunologiques avec Visual techniques analytiques

Faciliter l’analyse des données immunologiques à l’aide de techniques d’analyse visuelle. Alors que la capacité de collecter et de stocker des données a progressé rapidement, la capacité de les traiter et de les analyser a fait peu de progrès. Par conséquent, il existe souvent de grands ensembles de données dans les laboratoires biomédicaux, qui ne sont pas analysés de manière efficace ou efficiente.

Avec cela, des informations potentiellement riches et puissantes sont perdues dans l’abîme des systèmes de stockage. L’analyse visuelle ou VA est apparue comme une nouvelle façon d’analyser de grands ensembles de données complexes. Les techniques VA sont basées sur des visualisations qui permettent aux analystes d’utiliser leur intelligence visuelle pour repérer des modèles dans les données tels que des tendances générales ou des valeurs aberrantes.

Ces visualisations rapides permettent de former rapidement des hypothèses tout en explorant les données. La flexibilité des outils VA permet à l’analyste de zoomer, d’explorer et d’établir des connexions entre plusieurs ensembles de données tout en explorant leurs relations. Grâce à l’application de l’AV à des sources de données intégrées, l’utilisateur peut révéler de nouvelles découvertes importantes.

L’analyse parente est une approche VA où un expert en outils VA et un technicien, également connu sous le nom d’expert de domaine, travaillent ensemble et posent des questions biologiquement pertinentes sur les données. L’expert en outils VA crée ensuite des visualisations qui peuvent aider à révéler des modèles qui aident à répondre à cette question ou conduisent à une exploration plus approfondie. Ce processus peut être itéré pour créer différentes visualisations qui fournissent des informations.

Nous avons entrepris de tester la pertinence d’une approche VA d’analyse appariée à un grand ensemble complexe de données biomédicales. Dans des expériences pilotes préliminaires, nous avons évalué plusieurs des outils VA existants pour le problème actuel. Nous avons choisi Tableau de Tableau Software comme l’outil le plus adapté à la tâche à accomplir.

Les critères de sélection de ces expériences pilotes ont été basés sur des paramètres subjectifs tels que la facilité d’utilisation, la facilité d’utilisation globale, ainsi que sur des caractéristiques techniques objectives telles qu’une gamme de techniques d’interaction et de fonctions de visualisation. Nous avons ici un ensemble de données dans une feuille de calcul Microsoft Excel typique d’un laboratoire travaillant dans le domaine des maladies infectieuses. Cet ensemble contient des données d’identification du sujet sur la variation des séquences d’ADN génétique.

Dans ce cas, les polymorphismes nucléotidiques simples NF kappa BIA ou SNS pour le sujet, ainsi que la concentration observée de plusieurs molécules biologiques, dans ce cas, des cytokines produites par les cellules immunitaires du sujet après stimulation des cellules immunitaires avec des stimuli spécifiques. Nous allons maintenant faire défiler jusqu’à la feuille de calcul. Pour vous donner une idée du volume de cet ensemble de données, nous souhaitons savoir s’il existe une relation générale entre le génotype, c’est-à-dire les différents fragments du gène NF Kappa BIA, et la réponse cytokinique observée.

Après la stimulation, nous allons maintenant connecter le jeu de données à Tableau, en nous assurant d’importer la table NF kappa BIA. Vous pouvez voir sur le côté gauche que tableau est connecté à la bonne table et sépare automatiquement les variables de colonne en ce que Tableau appelle, dimensions et mesures. Les dimensions sont simplement les colonnes qui catégorisent les données et mesurent les valeurs quantitatives de cette colonne.

Pour cette visualisation, nous allons maintenant tracer les niveaux de concentration du stimulus en fonction de la concentration de la réponse aux cytokines observée. Nous calculons maintenant la moyenne des valeurs des niveaux de concentration de cytokines. L’ordre des niveaux de concentration est erroné, mais il est assez facile de recourir rapidement à cela.

Ensuite, nous pouvons changer la vue pour l’adapter à l’écran et permettre une visualisation plus facile des données. Puisque nous voulons étudier comment différencier les différents génotypes, tout ce que nous avons à faire est de déposer la dimension du génotype dans cette section de couleur. La visualisation se sépare automatiquement et immédiatement en fonction du génotype.

Maintenant, nous pouvons essayer différents formats d’affichage. Par exemple, un graphique linéaire peut mieux révéler un modèle que nous voulons capturer. Il y a évidemment beaucoup d’autres options.

Les biologistes de cette analyse appariée suggèrent que nous commencions par explorer les relations de la production de l’un des marqueurs de cytokines appelés QNF alpha après stimulation avec un réactif appelé 3M oh oh deux. Pour ce faire, nous devons filtrer la dimension du marqueur, TNF alpha et la dimension du stimulus 3M oh oh deux. Pour rendre le processus de filtrage plus flexible, nous pouvons choisir l’option afficher le filtre rapide pour les dimensions de marqueur et de stimulus, en nous assurant qu’il s’agit d’une liste de valeurs uniques.

Cette visualisation montre clairement une différence avec la production de TNF alpha après différents niveaux de trois MO ou deux stimulations séparées par génotype dans différentes couleurs, nous pouvons choisir n’importe quelle autre combinaison de valeurs de marqueur et de filtre de stimulus, et la visualisation changerait en conséquence. Semblable à Excel, nous pourrions créer différentes visualisations dans des onglets séparés. À des fins de présentation, nous pouvons également générer une vue récapitulative de plusieurs analyses.

Dans ce cas, nous avons étudié une production de TNF Alpha chez plusieurs sujets avec un génotype de snip NF Kappa BIAS différent. Dans cette démonstration, nous avons réussi à produire une série de visualisations puissantes en environ une minute et 30 secondes en utilisant une approche VA d’analyse appariée. Un ensemble similaire de visualisations nécessite généralement 30 minutes pour être généré par un chercheur biomédical dans Excel.

Un exemple précédent était une simple analyse bidimensionnelle. La véritable puissance de VA est la possibilité de visualiser plusieurs dimensions en même temps. Par exemple, Tableau prend en charge l’analyse entre les ensembles de données par le biais de jointures logiques de valeurs clés.

Voici deux feuilles de calcul placées dans le même classeur. Le premier ensemble de données est celui de l’exemple de démonstration précédent, et l’autre est un ensemble de données de cellules analysées par une technique appelée cytométrie en flux pour la production de plusieurs cytokines dans la même cellule. Dans le même temps, une mesure appelée degré de fonctionnalité poly ou PFD, vous pouvez nommer la feuille afin qu’il soit plus facile de les identifier lors de l’étape d’importation.

Cela permet à Tableau de connecter les deux feuilles de calcul. Après avoir choisi l’option plusieurs tables, vous pouvez utiliser la fonctionnalité d’ajout de nouvelle table pour joindre les deux tables. Cette fonctionnalité ajoute la deuxième feuille de calcul à la première et utilise les instructions de jointure pour combiner les ensembles de données à l’aide de clés identiques telles que le type de cellule, le niveau de concentration, le stade, le stimulus de groupe et l’identificateur du sujet.

Notez que les dimensions sont séparées par le nom de la feuille de calcul. Cela nous permet d’utiliser les dimensions qui ne faisaient pas partie de l’énoncé conjoint logique. La définition de la polyfonctionnalité, par exemple, est le pourcentage de cellules qui produisent plus d’une cytokine.

Par exemple, une cellule qui fabrique deux cytokines en tant que PFD de deux et une cellule qui fabrique trois cytokines en tant que PFD de trois. Ici, nous créons un champ calculé pour combiner ces valeurs en une seule mesure que nous pouvons utiliser dans un affichage visuel. Nous pouvons maintenant commencer à construire la visualisation.

Tout d’abord, nous traçons la concentration des niveaux de cytokines par rapport aux PFD sur deux, et comme la dernière démo, nous prenons la valeur moyenne des PFD supérieurs à deux. Nous organisons également les étiquettes de concentration de faible à élevée en les réglant manuellement. Étant donné que les informations sur le génotype ne sont disponibles que pour certains membres de ce groupe, nous devons filtrer les lignes de données qui ne contiennent pas d’informations sur le génotype.

Tout comme auparavant, nous pouvons rapidement déposer le génotype dans l’étiquette de couleur, ce qui nous permet également de différencier chaque génotype différent. Ensuite, nous pouvons changer la vue pour l’adapter à l’écran et permettre une visualisation plus facile des données. Nous pouvons également modifier le graphique à barres deux.

Par exemple, un graphique linéaire qui a testé cela donne une bonne idée de la façon dont la réponse CYT et la réponse PFP varient en fonction des modèles spécifiques à chaque génotype. Vous remarquez immédiatement que le SNP NF kappa b avec le génotype GG a un modèle de réponse différent par rapport aux autres génotypes. Nous pouvons explorer cela plus en détail en étudiant l’impact de différents stimuli sur ce modèle.

Notez qu’après avoir ajouté le LPS dans la dimension du stimulus, les trois génotypes principaux affichent un niveau de PFD similaire à toutes les concentrations, mais avec le MO 3M oh deux stimuli seulement, le génotype GG montre une nette PFD de faible à forte concentration de stimulus. Cette découverte nous permet de générer une hypothèse à tester dans de futures expériences, à savoir que le type de stimulus a un impact sur la PFD. Lors des deux dernières démonstrations, nous avons assisté à la génération rapide de visualisations permettant de détecter des modèles potentiellement significatifs à la fois au sein et entre les ensembles de données.

La puissance de l’analyse visuelle peut être rapidement étendue à de grands ensembles de données, en augmentant les dimensions de l’analyse en fonction de l’application, en intégrant des informations dans de vastes ensembles de données. Par exemple, avec les nombreux silos de données générés dans les études de cohorte, l’AV est une approche hautement transférable qui peut potentiellement être appliquée à n’importe quel domaine avec une grande quantité de nombreux types de données différents, y compris des ensembles de données catégorielles et numériques. L’approche VA offre deux avantages principaux.

Une génération d’hypothèses flexible. L’utilisateur peut générer des hypothèses sur les données sur place dérivées des résultats actuels, et créer rapidement de nouvelles visualisations qui explorent l’hypothèse pour un gain de temps de deux fois. La facilité d’utilisation et l’efficacité des outils UVA sont leur principal avantage par rapport aux outils traditionnels de visualisation de l’information.

L’effort généralement impliqué dans la création de graphiques à l’aide de méthodes traditionnelles peut prendre plusieurs jours ouvrables pour réaliser ce qui est facilement accompli en deux à trois heures sur une plate-forme VA telle que Tableau. De toute évidence, il s’agit et il est probable qu’il s’agisse d’autres plates-formes d’application, chacune présentant des avantages et des inconvénients spécifiques. L’avantage supplémentaire d’aborder cette tâche avec l’analyse para s’ajoute clairement à l’avantage global d’une approche basée sur l’AV pour l’analyse de données multidimensionnelles complexes.