40、生物数据探索性分析与青光眼进展建模

生物数据探索性分析与青光眼进展建模

在生物数据的分析领域，有两项重要的研究成果值得关注，一项是基于概率密度函数的探索性数据分析方法EDAPFuN，另一项是利用细胞自动机（CA）对青光眼进展进行建模。下面将详细介绍这两项研究。

一、EDAPFuN：探索性数据分析方法

EDAPFuN是一种基于邻居数量概率密度函数的探索性数据分析方法，它能够帮助我们发现高维空间中数据分布的一般模式。

（一）数据集分析

研究人员对来自分子生物学界的两个数据集进行了分析，并将EDAPFuN的分析结果与传统的层次聚类（HC）和自组织映射（SOM）工具进行了对比。
1. 第一个数据集 ：该数据集包含了168条通路中715种激酶的存在与否信息。为了了解这715个向量在168维空间中的总体分布，需要构建一个低维表示。研究人员分别使用了HC和SOM进行分析，并将结果展示在图5中。同时，他们还将EDAPFuN应用于该数据集，部分系统输出结果展示在图6中。
- 在SOM和HC分析中，可以明显看到一些向量位于与其他向量非常不同的聚类中（SOM的右上角，激酶MAPK3和AKT1）。而在EDAPFuN分析中，这种特性更加明显，表现为在较大的半径r取值范围内，这些向量拥有少量固定比例邻居的概率保持稳定。只有当半径r足够大时，孤立聚类中的向量才开始拥有更大比例的邻居。
- 通过EDAPFuN，还可以追踪任意数量向量之间的关系。在图6中，四条线标记了四个向量，这些线连接了在半径r下找到具有n个邻居的向量的概率。如果想知道某个相关向量的实际邻居，可以通过κr(v)来显示；如果想知道哪些其他向量与相关向量v具有相同比例n的邻居，可以通过Wr(v