211service.com
Vissen naar betekenis in een zee van data
Een data-analysetool kan onderzoekers helpen om de meest interessante vragen te beantwoorden. 27 juni 2018
Webb kapel
Een gebogen lijn glijdt over zijn gezicht terwijl David Reshef ’08, MEng ’09, PhD ’17 voor de projector stapt in een seminarruimte van het Broad Institute. Op het scherm staat een stapel grafieken, waarvan sommige scherpe lijnen in kaart brengen, terwijl andere dikke banden van stippen tonen die een helling of een parabool benaderen.
De grafieken illustreren hoe een tool die Reshef samen met zijn broer Yakir ontwikkelde, verschillende soorten relaties identificeert en rangschikt in een grote dataset. Voor degenen die worstelen met enorme hoeveelheden gegevens, biedt de tool een spannende manier om in wezen appels en peren te vergelijken. Omdat het vrijwel elke soort associatie tussen paren variabelen kan vinden - in plaats van zich alleen te concentreren op goed begrepen relaties, zoals lineaire of exponentiële, bijvoorbeeld - kan de tool onverwachte correlaties aan het licht brengen. En omdat het verschillende soorten relaties op sterkte kan rangschikken, kan het onderzoekers laten zien waar ze naar betekenis kunnen zoeken in een zee van gegevens. Op het scherm stijgen dunne lijnen en scherpe rondingen naar boven, terwijl de vagere vormen - die zwakkere relaties vertegenwoordigen - naar beneden vallen.
Genomics-onderzoekers zouden ideale gebruikers voor deze tool kunnen zijn - en er zijn er genoeg bij de Broad, waar elke 12 minuten een volledig menselijk genoom wordt gesequenced. Terwijl de broers grappen maken en zich een weg banen door een presentatie van hun onderzoek, maken hun vlotte uitleg de logica duidelijk. Maar ze hebben al tien jaar gewerkt om erachter te komen hoe ze dit soort informatie kunnen analyseren.
De Reshefs groeiden op in Israël en Kenia, waar hun ouders – een arts en een epidemioloog – in de wereldwijde gezondheidszorg werkten. Het gezin vestigde zich in Maryland toen David acht was, en de jongens raakten al snel gecharmeerd van informatica. David was altijd van plan om medicijnen te gaan studeren, en terwijl hij elektrotechniek en computerwetenschappen volgde aan het MIT, bestudeerde hij de dynamiek van de overdracht van ziekten. Van hiv tot cholera, elke ziekte had een dataset met zijn eigen unieke kenmerken.
Toen in 2009 de Mexicaanse griep de kop opstak in de Verenigde Staten, voegde David zich bij een team van gezondheidsonderzoekers van Harvard in Milwaukee, een van de zwaarst getroffen steden. Hij bladerde door handgeschreven gegevens op een lokale gezondheidsafdeling en voerde binnenkomende gegevens in computermodellen in om te proberen te begrijpen hoe snel de ziekte zich verspreidde, zodat gezondheidswerkers konden reageren.
Onderzoekers hadden tools nodig die een volledige dataset konden analyseren en de sterkste relaties konden markeren - tools die konden helpen bij het genereren van hypothesen.
Ondertussen realiseerde hij zich dat hoewel onderzoekers toegang hadden tot veel meer gegevens en rekenkracht dan in het verleden, dat een gemengde zegen was. Ze konden nu relaties tussen variabelen - en zelfs relaties tussen relaties - op een veel gedetailleerder niveau identificeren, maar het enorme volume en de complexiteit van de gegevens maakten dat buitengewoon moeilijk.
Wat ze nodig hadden, begon Reshef te denken, waren statistische hulpmiddelen die een volledige dataset konden analyseren en de sterkste relaties konden markeren - hulpmiddelen die konden helpen bij het genereren van nieuwe hypothesen. In plaats van altijd te moeten anticiperen op wat het onderzoeken waard is, zouden onderzoekers dergelijke tools kunnen gebruiken om de meest interessante vragen te stellen.
Het probleem, zegt hij, was hoe we tools konden ontwikkelen die ons helpen dingen te vinden die we niet per se voorzien in de gegevens.
In een 2011 Wetenschap paper beschreven, beschreven de broers een nieuwe benadering in de vorm van wat zij maximale informatie-gebaseerde niet-parametrische exploratie (MINE) statistieken noemen. Hun tools, ontwikkeld in samenwerking met Pardis Sabeti en Michael Mitzenmacher van Harvard, worden gemotiveerd door een eenvoudig idee: als we patronen willen zoeken waarbij er veel soorten relaties in het spel zijn, hebben we een manier nodig om te identificeren welke echt zijn, en welke het sterkst zijn. Een van de tools, de maximale informatiecoëfficiënt (MIC), detecteert afhankelijkheid, of het bestaan van niet-willekeurige relaties, tussen paren variabelen. Het rangschikt die relaties ook op hun kracht, op basis van hoe luidruchtig ze zijn. Een perfecte correlatie (stel je een scherpe lijn of een parabool in een grafiek voor, zonder verdwaalde punten) zou het hoogst scoren, gevolgd door relaties met meer gegevenspunten die niet passen bij de dominante vormen of lijnen. Volledig ongerelateerde variabelen (denk aan een grafiek vol willekeurige punten) zouden onderaan de lijst vallen.
Webb Chappell
Toen de Reshefs MIC toepasten op een dataset met 357 variabelen van de Wereldgezondheidsorganisatie, onthulde het twee relaties tussen inkomen en obesitas bij vrouwen. Obesitas was laag onder arme vrouwen, nam tot op zekere hoogte toe met het inkomen en daalde vervolgens weer bij hogere inkomens. (Dit was niet verwonderlijk: vrouwen die zich geen voedsel kunnen veroorloven, zijn waarschijnlijk niet zwaarlijvig, en vrouwen die zich de gezondste diëten kunnen veroorloven ook niet.) Maar er was ook een opvallende piek bij lage inkomensniveaus die de oorzaak bleek te zijn voor vrouwen uit landen in de Stille Oceaan waar zwaarlijvigheid cultureel gewaardeerd wordt. Hoewel volksgezondheidsfunctionarissen al op de hoogte waren van deze regionale trend, illustreerde het resultaat hoe de tool statistische relaties kan vastleggen die niet passen in een anders voorspelbaar patroon.
MINE kan worden gebruikt om elke dataset te verkennen die zoveel variabelen heeft dat de individuele relaties ertussen niet handmatig kunnen worden geëvalueerd. Toen de broers hun tools gebruikten om de 131 variabelen in een dataset van bijvoorbeeld Major League Baseball uit 2008 te analyseren, identificeerden ze de drie die het sterkst geassocieerd waren met de salarissen van spelers: hits, totale bases en de ietwat mysterieuze stat die bekend staat als vervangingsniveau marginale opstellingswaarde (een schatting van hoeveel meer of minder runs per spel een speler bijdraagt dan een statistisch gemiddelde vervangende speler op dezelfde positie). Hoewel geen van deze bijzonder verrassend is, kwamen ze naar de top van een lange lijst met variabelen die allemaal logisch waren. Een ander model dat alleen lineaire relaties beschouwt - en geen verschillende soorten relaties vergelijkt - kwam met een geheel andere top drie.
De Reshefs gebruikten MINE ook om 9.472 significante relaties te identificeren - van de ongeveer 22 miljoen mogelijkheden - tussen verschillende soorten darmbacteriën. Velen kunnen worden verklaard door goed begrepen factoren zoals voeding en gastheerseks. Maar nadat ze die hadden uitgesloten, bleven ze achter met 188 sterke, onverklaarde relaties die verder onderzoek zouden kunnen verdienen: ze kunnen concurrentie tussen bacteriesoorten suggereren of wijzen op andere factoren die de ecologie van de darmmicrobiota bepalen, die de algehele gezondheid kunnen beïnvloeden. Microbioomonderzoekers zijn de tools blijven gebruiken om relaties tussen verschillende darmbacteriën te ontwarren.
Evenzo kunnen de tools van de broers worden gebruikt om de groeiende stroom van gegevens over genexpressie te begrijpen. Door bijvoorbeeld de activiteit van elk van onze ongeveer 20.000 genen te meten, zou MINE kunnen helpen bij het blootleggen van relaties die zouden leiden tot een duidelijker beeld van wat normaal van pathologisch celgedrag onderscheidt.
Nadat hij tools heeft ontwikkeld op het snijvlak van statistiek en machine learning, wil David nu graag manieren ontwikkelen om machine learning te gebruiken voor biologisch onderzoek. Uiteindelijk, zegt hij, kan het ons helpen om zo efficiënt mogelijk van onze data te leren. Het wordt ongelooflijk spannend om te ontdekken, zegt hij.