22、高通量筛选药物发现中的信息管理与交互

高通量筛选药物发现中的信息管理与交互

1. 寄生虫血症计算与质量控制指标显示

在特定孔中，通过过滤大于门控值的数据点后，对所有荧光强度（FI）值的事件进行计数，可得到感染细胞的数量。该孔的寄生虫血症值计算公式如下：
[
\text{寄生虫血症}(\%) = \frac{\text{FI值} \geq \text{FI门控的事件数量}}{\text{数据清理后的总事件数量}} \times 100\%
]
质量控制（QC）指标用于让用户指定可接受的临界值，以便标记超出范围的数据。对于每个孔，会计算QC指标并与寄生虫血症值一同显示，以展示测量的有效性和可信度。如果一个孔中收集的事件数量少于用户指定的要求，寄生虫血症值会被突出显示，提醒用户该值是基于不充分的数据计算得出的。同样，被过滤或排除的数据百分比也能为用户提供有关该孔仪器读数可靠性的线索。用户可以选择容忍这些不足或丢弃数据。

2. 数据建模挑战

数据库设计在高通量筛选（HTS）中面临以下关键挑战：
- 模式可扩展性 ：不同的HTS测定具有不同的数据组织逻辑，需要不同的模式。即使在特定的HTS测定中改变研究方法，也可能导致实验参数（如测定、研究的生物体）发生变化。因此，存储此类数据的模式应具有内在的可扩展性。
- 数据异构性 ：药物发现项目通常涉及不同的测定，这引入了需要解决的数据异构性问题。这里的异构性包括物理异构性（数据库中的数据元素以不同的数据类型存储，如数字、图像、结构、可视化）和逻辑异构性（由于每个测定固有的数据组织逻辑可能不同）。
- 数据交互支持 </