211service.com
Fisker efter mening i et hav af data
Et dataanalyseværktøj kan hjælpe forskere med at finde de mest interessante spørgsmål. 27. juni 2018
Webb Chappel
En buet linje glider hen over hans ansigt, mens David Reshef ’08, MEng ’09, PhD ’17, træder foran projektoren i et Broad Institute-seminarrum. På skærmen er en stak grafer, nogle kortlægger skarpe linjer, mens andre viser tykke bånd af prikker, der tilnærmer sig en hældning eller en parabel.
Graferne illustrerer, hvordan et værktøj, som Reshef udviklede sammen med sin bror, Yakir, identificerer og rangerer forskellige slags relationer i et stort datasæt. For dem, der kæmper med enorme mængder data, tilbyder værktøjet en spændende måde at sammenligne æbler og appelsiner på. Fordi det kan finde praktisk talt enhver form for sammenhæng mellem par af variabler – i stedet for kun at fokusere på velforståede sammenhænge som f.eks. lineære eller eksponentielle – kan værktøjet afsløre uventede sammenhænge. Og fordi den kan rangere forskellige slags relationer efter styrke, kan den vise forskerne, hvor de skal lede efter mening i et hav af data. På skærmen stiger tynde linjer og skarpe kurver til toppen, mens de slørede former – der repræsenterer svagere forhold – falder til bunds.
Genomics-forskere kunne være ideelle brugere til dette værktøj - og der er masser på Broad, hvor et helt menneskeligt genom sekventeres hvert 12. minut. Mens brødrene joker og tag-teamer sig igennem en præsentation af deres forskning, får deres glatte forklaringer dens logik til at virke indlysende. Men de har allerede brugt et årti på at finde ud af, hvordan man analyserer denne form for information.
The Reshefs voksede op i Israel og Kenya, hvor deres forældre – en læge og en epidemiolog – arbejdede med global sundhed. Familien bosatte sig i Maryland, da David var otte, og drengene blev hurtigt vilde med datalogi. David havde altid planlagt at gå ind i medicin, og mens han studerede elektroteknik og datalogi på MIT, studerede han dynamikken i sygdomsoverførsel. Fra HIV til kolera havde hver sygdom et datasæt med sine egne unikke egenskaber.
Da svineinfluenzaen dukkede op over hele USA i 2009, sluttede David sig til et hold af Harvard-folkesundhedsforskere i Milwaukee, en af de hårdest ramte byer. Han gennemsøgte håndskrevne optegnelser på en lokal sundhedsafdeling og fodrede indgående data ind i beregningsmodeller for at forsøge at forstå, hvor hurtigt sygdommen spredte sig, så sundhedspersonale kunne reagere.
Forskere havde brug for værktøjer, der kunne analysere et helt datasæt og markere de stærkeste relationer – værktøjer, der kunne hjælpe med at generere hypoteser.
I mellemtiden indså han, at selvom forskere havde adgang til meget mere data og regnekraft, end de havde tidligere, var det en blandet velsignelse. De kunne nu identificere relationer mellem variabler – og endda relationer mellem relationer – på et meget mere granulært niveau, men det store volumen og kompleksiteten af dataene gjorde det usædvanligt svært.
Det, de havde brug for, begyndte Reshef at tænke, var statistiske værktøjer, der kunne analysere et helt datasæt og markere de stærkeste relationer – værktøjer, der kunne hjælpe med at generere nye hypoteser. I stedet for altid at skulle forudse, hvad der er værd at undersøge, kunne forskere bruge sådanne værktøjer til at nulstille de mest interessante spørgsmål at stille.
Problemet, siger han, var, hvordan man udviklede værktøjer, der hjælper os med at finde ting, vi ikke nødvendigvis forudser i dataene.
I en 2011 Videnskab papir, beskrev brødrene en ny tilgang i form af det, de kalder maksimal informationsbaseret ikke-parametrisk udforskning (MINE) statistik. Deres værktøjer, der er udviklet i samarbejde med Pardis Sabeti og Michael Mitzenmacher fra Harvard, er motiveret af en simpel idé: Hvis vi vil lede efter mønstre, hvor der kan være mange typer relationer på spil, har vi brug for en måde at identificere, hvilke der er ægte, og hvilke der er stærkest. Et af værktøjerne, kaldet den maksimale informationskoefficient (MIC), detekterer afhængighed, eller eksistensen af ikke-tilfældige relationer, mellem par af variable. Det rangerer også disse forhold efter deres styrke, baseret på hvor støjende de er. En perfekt korrelation (forestil dig en skarp linje eller en parabel på en graf, uden omstrejfende punkter) ville rangere højest, efterfulgt af relationer, der inkluderer flere datapunkter, der ikke passer til de dominerende former eller linjer. Helt uafhængige variabler (tænk på en graf fuld af tilfældige punkter) ville falde til bunden af listen.
Webb Chappell
Da Reshefs anvendte MIC på et datasæt med 357 variabler fra Verdenssundhedsorganisationen, afslørede det to forhold mellem indkomst og kvindelig fedme. Fedme var lav blandt fattige kvinder, steg med indkomsten til et vist punkt og faldt derefter igen på de øvre indkomstniveauer. (Dette var ikke overraskende: kvinder, der ikke har råd til mad, er sandsynligvis ikke overvægtige, og det er kvinder, der har råd til de sundeste diæter heller ikke.) Men der var også en slående stigning på lavt indkomstniveau, som viste sig at tage højde for for kvinder fra Stillehavsø-nationer, hvor fedme er kulturelt værdsat. Selvom offentlige sundhedsembedsmænd allerede kendte til denne regionale tendens, illustrerede resultatet, hvordan værktøjet kan fange statistiske sammenhænge, der ikke passer til et ellers forudsigeligt mønster.
MINE kan bruges til at udforske ethvert datasæt, der har så mange variabler, at individuelle relationer mellem dem ikke kan evalueres manuelt. Da brødrene brugte deres værktøjer til at analysere de 131 variabler i et 2008-datasæt fra Major League Baseball, identificerede de for eksempel de tre, der var stærkest forbundet med spillernes lønninger: hits, samlede baser og den noget mystiske stat kendt som erstatningsniveau marginal lineup-værdi (et estimat af, hvor mange flere – eller færre – runs pr. spil en spiller bidrager med end en statistisk gennemsnitlig erstatningsspiller på samme position). Selvom ingen af disse er særligt overraskende, steg de til toppen af en lang liste af variabler, der alle gav mening. En anden model, der kun overvejer lineære forhold - og ikke sammenligner forskellige slags forhold - kom med en helt anden top tre.
Reshefs brugte også MINE til at identificere 9.472 signifikante forhold - ud af omkring 22 millioner muligheder - mellem forskellige arter af tarmbakterier. Mange kunne forklares med velforståede faktorer som kost og værtssex. Men efter at have udelukket dem, stod de tilbage med 188 stærke, uforklarlige forhold, der kunne fortjene yderligere undersøgelse: de kunne foreslå konkurrence mellem bakteriearter eller pege på andre faktorer, der former økologien af tarmmikrobiota, som kan påvirke den generelle sundhed. Mikrobiom-forskere har fortsat med at bruge værktøjerne til at udrede forhold mellem forskellige tarmbakterier.
Ligeledes kunne brødrenes værktøjer bruges til at give mening i den voksende strøm af genekspressionsdata. For eksempel, ved at måle aktiviteten af hvert af vores omkring 20.000 gener, kunne MINE hjælpe med at afdække forhold, der ville føre til et klarere billede af, hvad der adskiller normal fra patologisk celleadfærd.
Efter at have udviklet værktøjer i krydsfeltet mellem statistik og maskinlæring, er David nu ivrig efter at udvikle måder at bruge maskinlæring til biologisk forskning. I sidste ende, siger han, kan det hjælpe os med at lære af vores data så effektivt som muligt. Det bliver utrolig spændende at udforske, siger han.