211service.com
Å fiske etter mening i et hav av data
Et dataanalyseverktøy kan hjelpe forskere med å finne de mest interessante spørsmålene. 27. juni 2018
Webb Chappel
En buet linje glir over ansiktet hans mens David Reshef ’08, MEng ’09, PhD ’17, trer foran projektoren i et seminarrom ved Broad Institute. På skjermen er en stabel med grafer, noen kartlegger skarpe linjer mens andre viser tykke bånd med prikker som tilnærmer en skråning eller en parabel.
Grafene illustrerer hvordan et verktøy Reshef utviklet sammen med sin bror, Yakir, identifiserer og rangerer ulike typer relasjoner i et stort datasett. For de som sliter med enorme mengder data, tilbyr verktøyet en spennende måte å sammenligne epler og appelsiner på. Fordi det kan finne praktisk talt alle slags assosiasjoner mellom par av variabler - i stedet for å fokusere bare på godt forstått sammenhenger som lineære eller eksponentielle, for eksempel - kan verktøyet avsløre uventede korrelasjoner. Og fordi den kan rangere ulike typer relasjoner etter styrke, kan den vise forskerne hvor de kan lete etter mening i et hav av data. På skjermen stiger tynne linjer og skarpe kurver til toppen, mens de uskarpe formene – som representerer svakere forhold – faller til bunnen.
Genomikkforskere kan være ideelle brukere for dette verktøyet - og det er mange på Broad, hvor et helt menneskelig genom sekvenseres hvert 12. minutt. Mens brødrene spøker og slår seg gjennom en presentasjon av forskningen deres, får deres jevne forklaringer logikken til å virke åpenbar. Men de har allerede brukt et tiår på å finne ut hvordan man kan analysere denne typen informasjon.
Reshefene vokste opp i Israel og Kenya, hvor foreldrene deres – en lege og en epidemiolog – jobbet med global helse. Familien slo seg ned i Maryland da David var åtte, og guttene ble snart forelsket i informatikk. David hadde alltid planlagt å gå inn i medisin, og mens han studerte elektroteknikk og informatikk ved MIT, studerte han dynamikken i sykdomsoverføring. Fra HIV til kolera, hver sykdom hadde et datasett med sine egne unike egenskaper.
Da svineinfluensaen dukket opp over hele USA i 2009, sluttet David seg til et team av Harvard-folkehelseforskere i Milwaukee, en av de hardest rammede byene. Han så gjennom håndskrevne poster ved en lokal helseavdeling, og matet inn innkommende data inn i beregningsmodeller for å prøve å forstå hvor raskt sykdommen spredte seg slik at helsepersonell kunne reagere.
Forskere trengte verktøy som kunne analysere et helt datasett og flagge de sterkeste relasjonene – verktøy som kunne bidra til å generere hypoteser.
I mellomtiden innså han at selv om forskere hadde tilgang til mye mer data og beregningskraft enn de hadde tidligere, var det en blandet velsignelse. De kunne nå identifisere relasjoner mellom variabler - og til og med relasjoner mellom relasjoner - på et mye mer detaljert nivå, men det store volumet og kompleksiteten til dataene gjorde det usedvanlig vanskelig.
Det de trengte, begynte Reshef å tenke, var statistiske verktøy som kunne analysere et helt datasett og flagge de sterkeste sammenhengene – verktøy som kunne bidra til å generere nye hypoteser. I stedet for alltid å måtte forutse hva som er verdt å undersøke, kan forskere bruke slike verktøy for å finne de mest interessante spørsmålene å stille.
Problemet, sier han, var hvordan vi kunne utvikle verktøy som hjelper oss å finne ting vi ikke nødvendigvis forventer i dataene.
I en 2011 Vitenskap papir, beskrev brødrene en ny tilnærming i form av det de kaller maksimal informasjonsbasert ikke-parametrisk utforskning (MINE) statistikk. Verktøyene deres, utviklet i samarbeid med Pardis Sabeti og Michael Mitzenmacher fra Harvard, er motivert av en enkel idé: hvis vi ønsker å se etter mønstre der det kan være mange typer relasjoner i spill, trenger vi en måte å identifisere hvilke som er ekte, og hvilke som er sterkest. Et av verktøyene, kalt den maksimale informasjonskoeffisienten (MIC), oppdager avhengighet, eller eksistensen av ikke-tilfeldige relasjoner, mellom par av variabler. Den rangerer også disse forholdene etter deres styrke, basert på hvor mye støy de er. En perfekt korrelasjon (forestill deg en skarp linje eller en parabel på en graf, uten streifpunkter) vil rangere høyest, etterfulgt av relasjoner som inkluderer flere datapunkter som ikke passer til de dominerende formene eller linjene. Helt urelaterte variabler (tenk på en graf full av tilfeldige punkter) vil falle til bunnen av listen.
Webb Chappell
Da Reshefs brukte MIC på et datasett med 357 variabler fra Verdens helseorganisasjon, avslørte det to sammenhenger mellom inntekt og kvinnelig fedme. Overvekt var lavt blant fattige kvinner, steg med inntekten til et visst punkt, og sank så igjen på de øvre inntektsnivåene. (Dette var ikke overraskende: kvinner som ikke har råd til mat er sannsynligvis ikke overvektige, og det er heller ikke kvinner som har råd til de sunneste diettene.) Men det var også en slående økning ved lavt inntektsnivå som viste seg å stå for for kvinner fra Stillehavsøyenasjoner der fedme er kulturelt verdsatt. Selv om offentlige helsemyndigheter allerede visste om denne regionale trenden, viste resultatet hvordan verktøyet kan fange opp statistiske sammenhenger som ikke passer til et ellers forutsigbart mønster.
MINE kan brukes til å utforske ethvert datasett som har så mange variabler at individuelle relasjoner mellom dem ikke kan evalueres manuelt. Da brødrene brukte verktøyene sine til å analysere de 131 variablene i et 2008-datasett fra Major League Baseball, for eksempel, identifiserte de de tre sterkest assosiert med spillernes lønn: treff, totale baser og den noe mystiske statistikken kjent som erstatningsnivå marginal lineup-verdi (et estimat på hvor mange flere – eller færre – løp per kamp en spiller bidrar med enn en statistisk gjennomsnittlig erstatningsspiller på samme posisjon). Selv om ingen av disse er spesielt overraskende, steg de til toppen av en lang liste med variabler som alle ga mening. En annen modell som kun vurderer lineære forhold - og ikke sammenligner forskjellige typer forhold - kom opp med en helt annen topp tre.
Reshefs brukte også MINE for å identifisere 9 472 signifikante forhold – av rundt 22 millioner muligheter – mellom forskjellige arter av tarmbakterier. Mange kan forklares med godt forståtte faktorer som kosthold og vertssex. Men etter å ha utelukket disse, satt de igjen med 188 sterke, uforklarlige forhold som kan fortjene videre studier: de kan foreslå konkurranse mellom bakteriearter eller peke på andre faktorer som former økologien til tarmmikrobiota, som kan påvirke den generelle helsen. Mikrobiomforskere har fortsatt å bruke verktøyene for å løse relasjoner mellom forskjellige tarmbakterier.
På samme måte kan brødrenes verktøy brukes til å forstå den økende flommen av genekspresjonsdata. For eksempel, ved å måle aktiviteten til hvert av våre rundt 20 000 gener, kan MINE bidra til å avdekke forhold som vil føre til et klarere bilde av hva som skiller normal fra patologisk celleadferd.
Etter å ha utviklet verktøy i skjæringspunktet mellom statistikk og maskinlæring, er David nå ivrig etter å utvikle måter å bruke maskinlæring for biologisk forskning. Til syvende og sist, sier han, kan det hjelpe oss å lære av dataene våre så effektivt som mulig. Det skal bli utrolig spennende å utforske, sier han.