211service.com
Att fiska efter mening i ett hav av data
Ett dataanalysverktyg kan hjälpa forskare att ta reda på de mest intressanta frågorna. 27 juni 2018
Webb Chappel
En böjd linje glider över hans ansikte när David Reshef ’08, MEng ’09, PhD ’17, kliver framför projektorn i ett seminarierum vid Broad Institute. På skärmen finns en bunt grafer, vissa kartlägger skarpa linjer medan andra visar tjocka band av punkter som närmar sig en lutning eller en parabel.
Graferna illustrerar hur ett verktyg som Reshef utvecklat tillsammans med sin bror, Yakir, identifierar och rangordnar olika typer av relationer i en stor datamängd. För dem som brottas med stora mängder data erbjuder verktyget ett spännande sätt att i huvudsak jämföra äpplen och apelsiner. Eftersom det kan hitta praktiskt taget alla slags samband mellan par av variabler – snarare än att bara fokusera på välförstådda samband som till exempel linjära eller exponentiella – kan verktyget avslöja oväntade samband. Och eftersom den kan rangordna olika slags relationer efter styrka, kan den visa forskare var man kan leta efter mening i ett hav av data. På skärmen stiger tunna linjer och skarpa kurvor till toppen, medan de suddiga formerna – som representerar svagare relationer – faller till botten.
Genomikforskare kan vara idealiska användare för det här verktyget - och det finns många på Broad, där ett helt mänskligt genom sekvenseras var 12:e minut. När bröderna skämtar och taggar sig igenom en presentation av sin forskning, får deras smidiga förklaringar dess logik att verka uppenbar. Men de har redan ägnat ett decennium åt att ta reda på hur man analyserar den här typen av information.
The Reshefs växte upp i Israel och Kenya, där deras föräldrar – en läkare och en epidemiolog – arbetade med global hälsa. Familjen bosatte sig i Maryland när David var åtta, och pojkarna blev snart förälskade i datavetenskap. David hade alltid planerat att studera medicin, och när han studerade elektroteknik och datavetenskap vid MIT, studerade han dynamiken i sjukdomsöverföring. Från HIV till kolera, varje sjukdom hade en datauppsättning med sina egna unika egenskaper.
När svininfluensan dök upp över hela USA 2009, gick David med i ett team av Harvard-folkhälsoforskare i Milwaukee, en av de hårdast drabbade städerna. Han sållade igenom handskrivna register på en lokal hälsoavdelning och matade in inkommande data till beräkningsmodeller för att försöka förstå hur snabbt sjukdomen spred sig så att vårdpersonal kunde reagera.
Forskare behövde verktyg som kunde analysera en hel datamängd och flagga de starkaste sambanden – verktyg som kunde hjälpa till att skapa hypoteser.
Samtidigt insåg han att även om forskare hade tillgång till mycket mer data och beräkningskraft än de hade tidigare, var det en blandad välsignelse. De kunde nu identifiera relationer mellan variabler – och till och med relationer mellan relationer – på en mycket mer granulär nivå, men själva volymen och komplexiteten i data gjorde det exceptionellt svårt.
Vad de behövde, började Reshef tänka, var statistiska verktyg som kunde analysera en hel datamängd och flagga de starkaste sambanden – verktyg som kunde hjälpa till att generera nya hypoteser. Istället för att alltid behöva förutse vad som är värt att undersöka, kan forskare använda sådana verktyg för att nollställa de mest intressanta frågorna att ställa.
Problemet, säger han, var hur man utvecklar verktyg som hjälper oss att hitta saker som vi inte nödvändigtvis förutser i data.
I en 2011 Vetenskap papper, beskrev bröderna ett nytt tillvägagångssätt i form av vad de kallar maximal informationsbaserad icke-parametrisk utforskning (MINE) statistik. Deras verktyg, utvecklade i samarbete med Pardis Sabeti och Michael Mitzenmacher från Harvard, är motiverade av en enkel idé: om vi vill leta efter mönster där det kan finnas många typer av relationer på spel, behöver vi ett sätt att identifiera vilka som är verkliga, och vilka som är starkast. Ett av verktygen, som kallas den maximala informationskoefficienten (MIC), upptäcker beroende, eller förekomsten av icke-slumpmässiga samband, mellan par av variabler. Den rangordnar också dessa relationer efter deras styrka, baserat på hur bullriga de är. En perfekt korrelation (föreställ dig en skarp linje eller en parabel på en graf, utan ströpunkter) skulle rankas högst, följt av relationer som inkluderar fler datapunkter som inte passar de dominerande formerna eller linjerna. Helt orelaterade variabler (tänk på en graf full av slumpmässiga punkter) skulle hamna längst ner på listan.
Webb Chappell
När Reshefs tillämpade MIC på en datauppsättning med 357 variabler från Världshälsoorganisationen, avslöjade det två samband mellan inkomst och kvinnlig fetma. Fetma var låg bland fattiga kvinnor, steg med inkomsten till en viss punkt och sjönk sedan igen på de högre inkomstnivåerna. (Detta var inte förvånande: kvinnor som inte har råd med mat är sannolikt inte överviktiga, och inte heller kvinnor som har råd med den hälsosammaste dieten.) Men det var också en slående ökning på låga inkomstnivåer som visade sig stå för för kvinnor i Stillahavsönationer där fetma värderas kulturellt. Även om folkhälsotjänstemän redan visste om denna regionala trend, visade resultatet hur verktyget kan fånga statistiska samband som inte passar ett annars förutsägbart mönster.
MINE kan användas för att utforska vilken datauppsättning som helst som har så många variabler att individuella relationer mellan dem inte kan utvärderas manuellt. När bröderna använde sina verktyg för att analysera de 131 variablerna i en datauppsättning från 2008 från Major League Baseball, identifierade de till exempel de tre som var starkast förknippade med spelarnas löner: träffar, totala baser och den något svårbegripliga statistik som kallas ersättningsnivå marginellt uppställningsvärde (en uppskattning av hur många fler – eller färre – runs per match en spelare bidrar med än en statistiskt genomsnittlig ersättningsspelare på samma position). Även om ingen av dessa är särskilt överraskande, steg de till toppen av en lång lista med variabler som alla var vettiga. En annan modell som endast tar hänsyn till linjära relationer – och inte jämför olika typer av relationer – kom fram till en helt annan topp tre.
Reshefs använde också MINE för att identifiera 9 472 signifikanta samband – av cirka 22 miljoner möjligheter – mellan olika arter av tarmbakterier. Många kan förklaras av välförstådda faktorer som kost och värdsex. Men efter att ha uteslutit dessa, lämnades de med 188 starka, oförklarade relationer som kan förtjäna ytterligare studier: de kan föreslå konkurrens mellan bakteriearter eller peka på andra faktorer som formar tarmmikrobiotans ekologi, vilket kan påverka den allmänna hälsan. Mikrobiomforskare har fortsatt att använda verktygen för att reda ut relationer mellan olika tarmbakterier.
På samma sätt kan brödernas verktyg användas för att förstå den växande floden av genuttrycksdata. Till exempel, genom att mäta aktiviteten hos var och en av våra cirka 20 000 gener, kan MINE hjälpa till att avslöja samband som skulle leda till en tydligare bild av vad som skiljer normalt från patologiskt cellbeteende.
Efter att ha utvecklat verktyg i skärningspunkten mellan statistik och maskininlärning är David nu ivrig att utveckla sätt att använda maskininlärning för biologisk forskning. I slutändan, säger han, kan det hjälpa oss att lära av vår data så effektivt som möjligt. Det ska bli otroligt spännande att utforska, säger han.