211service.com
À la pêche au sens dans une mer de données
Un outil d'analyse de données peut aider les chercheurs à se concentrer sur les questions les plus intéressantes. 27 juin 2018
Webb Chapelle
Une ligne incurvée glisse sur son visage alors que David Reshef '08, MEng '09, PhD '17, se place devant le projecteur dans une salle de séminaire du Broad Institute. Sur l'écran se trouve une pile de graphiques, certains traçant des lignes nettes tandis que d'autres montrent des bandes épaisses de points se rapprochant d'une pente ou d'une parabole.
Les graphiques illustrent comment un outil que Reshef a développé avec son frère, Yakir, identifie et classe différents types de relations dans un grand ensemble de données. Pour ceux qui sont aux prises avec de grandes quantités de données, l'outil offre un moyen passionnant de comparer essentiellement des pommes et des oranges. Parce qu'il peut trouver pratiquement n'importe quel type d'association entre des paires de variables, plutôt que de se concentrer uniquement sur des relations bien comprises telles que les relations linéaires ou exponentielles, par exemple, l'outil peut révéler des corrélations inattendues. Et parce qu'il peut classer différents types de relations par force, il peut montrer aux chercheurs où chercher du sens dans une mer de données. Sur l'écran, des lignes fines et des courbes nettes montent vers le haut, tandis que les formes plus floues - représentant des relations plus faibles - tombent vers le bas.
Les chercheurs en génomique pourraient être des utilisateurs idéaux pour cet outil - et il y en a beaucoup au Broad, où un génome humain entier est séquencé toutes les 12 minutes. Alors que les frères plaisantent et se fraient un chemin à travers une présentation de leurs recherches, leurs explications fluides rendent sa logique évidente. Mais ils ont déjà passé une décennie à travailler pour comprendre comment analyser ce type d'informations.
Les Reshef ont grandi en Israël et au Kenya, où leurs parents, médecin et épidémiologiste, travaillaient dans le domaine de la santé mondiale. La famille s'est installée dans le Maryland lorsque David avait huit ans, et les garçons sont rapidement devenus amoureux de l'informatique. David avait toujours prévu de devenir médecin et, tout en poursuivant ses études en génie électrique et en informatique au MIT, il a étudié la dynamique de la transmission des maladies. Du VIH au choléra, chaque maladie avait un ensemble de données avec ses propres caractéristiques uniques.
Lorsque la grippe porcine a fait son apparition aux États-Unis en 2009, David a rejoint une équipe de chercheurs en santé publique de Harvard à Milwaukee, l'une des villes les plus durement touchées. Il a passé au crible les dossiers manuscrits d'un service de santé local, introduisant les données entrantes dans des modèles informatiques pour essayer de comprendre à quelle vitesse la maladie se propageait afin que les professionnels de la santé puissent réagir.
Les chercheurs avaient besoin d'outils capables d'analyser un ensemble de données complet et de signaler les relations les plus solides, des outils qui pourraient aider à générer des hypothèses.
Pendant ce temps, il s'est rendu compte que même si les chercheurs avaient accès à beaucoup plus de données et de puissance de calcul qu'auparavant, c'était un bienfait mitigé. Ils pouvaient désormais identifier les relations entre les variables - et même les relations entre les relations - à un niveau beaucoup plus granulaire, mais le volume et la complexité des données rendaient cela exceptionnellement difficile.
Ce dont ils avaient besoin, a commencé à penser Reshef, c'étaient des outils statistiques capables d'analyser un ensemble de données complet et de signaler les relations les plus fortes - des outils qui pourraient aider à générer de nouvelles hypothèses. Au lieu de toujours devoir anticiper ce qui mérite d'être examiné, les chercheurs pourraient utiliser ces outils pour se concentrer sur les questions les plus intéressantes à poser.
Le problème, dit-il, était de savoir comment développer des outils qui nous aident à trouver des choses que nous n'anticipons pas nécessairement dans les données.
Dans un 2011 La science Dans cet article, les frères ont décrit une nouvelle approche sous la forme de ce qu'ils appellent les statistiques d'exploration non paramétrique maximale basée sur l'information (MINE). Leurs outils, développés en collaboration avec Pardis Sabeti et Michael Mitzenmacher de Harvard, sont motivés par une idée simple : si nous voulons rechercher des modèles où il peut y avoir plusieurs types de relations en jeu, nous avons besoin d'un moyen d'identifier lesquelles sont réelles, et qui sont les plus forts. L'un des outils, appelé coefficient d'information maximal (MIC), détecte la dépendance, ou l'existence de relations non aléatoires, entre des paires de variables. Il classe également ces relations en fonction de leur force, en fonction de leur niveau de bruit. Une corrélation parfaite (imaginez une ligne nette ou une parabole sur un graphique, sans points parasites) se classerait au premier rang, suivie de relations comprenant plus de points de données qui ne correspondent pas aux formes ou lignes dominantes. Des variables complètement indépendantes (pensez à un graphique plein de points aléatoires) tomberaient au bas de la liste.
Webb Chappell
Lorsque les Reshefs ont appliqué le MIC à un ensemble de données de 357 variables de l'Organisation mondiale de la santé, il a révélé deux relations entre le revenu et l'obésité féminine. L'obésité était faible chez les femmes pauvres, augmentait avec le revenu jusqu'à un certain point, puis diminuait à nouveau aux niveaux de revenu supérieurs. (Ce n'était pas surprenant : les femmes qui n'ont pas les moyens de se nourrir ne sont pas susceptibles d'être obèses, et les femmes qui peuvent se permettre les régimes les plus sains ne le sont pas non plus.) pour les femmes des nations insulaires du Pacifique où l'obésité est culturellement valorisée. Bien que les responsables de la santé publique connaissaient déjà cette tendance régionale, le résultat a illustré comment l'outil peut capturer des relations statistiques qui ne correspondent pas à un schéma autrement prévisible.
MINE peut être utilisé pour explorer n'importe quel ensemble de données contenant tellement de variables que les relations individuelles entre elles ne peuvent pas être évaluées manuellement. Lorsque les frères ont utilisé leurs outils pour analyser les 131 variables d'un ensemble de données de 2008 de la Ligue majeure de baseball, par exemple, ils ont identifié les trois plus fortement associées aux salaires des joueurs : coups sûrs, bases totales et la statistique quelque peu mystérieuse connue sous le nom de niveau de remplacement. valeur marginale de l'alignement (une estimation du nombre de courses en plus ou en moins par match qu'un joueur contribue par rapport à un joueur de remplacement statistiquement moyen au même poste). Bien qu'aucune de ces variables ne soit particulièrement surprenante, elles se sont hissées au sommet d'une longue liste de variables qui avaient toutes un sens. Un autre modèle qui ne considère que les relations linéaires - et ne compare pas différents types de relations - a proposé un top trois entièrement différent.
Les Reshef ont également utilisé MINE pour identifier 9 472 relations significatives - sur quelque 22 millions de possibilités - entre différentes espèces de bactéries intestinales. Beaucoup pourraient s'expliquer par des facteurs bien compris comme le régime alimentaire et le sexe de l'hôte. Mais après les avoir écartés, ils se sont retrouvés avec 188 relations fortes et inexpliquées qui pourraient mériter une étude plus approfondie : elles pourraient suggérer une concurrence entre les espèces bactériennes ou indiquer d'autres facteurs qui façonnent l'écologie du microbiote intestinal, ce qui peut affecter la santé globale. Les chercheurs en microbiome ont continué à utiliser les outils pour démêler les relations entre différentes bactéries intestinales.
De même, les outils des frères pourraient être utilisés pour donner un sens au flot croissant de données sur l'expression des gènes. Par exemple, en mesurant l'activité de chacun de nos quelque 20 000 gènes, MINE pourrait aider à découvrir des relations qui conduiraient à une image plus claire de ce qui distingue le comportement cellulaire normal du comportement pathologique.
Ayant développé des outils à l'intersection des statistiques et de l'apprentissage automatique, David est maintenant désireux de développer des moyens d'utiliser l'apprentissage automatique pour la recherche biologique. En fin de compte, dit-il, cela peut nous aider à apprendre de nos données aussi efficacement que possible. Ça va être incroyablement excitant à explorer, dit-il.