روش‌های جدید برای تجسم شبکه، تغییر دیدگاه‌ها و دیدگاه‌ها را امکان‌پذیر می‌کنند — ScienceDaily


هنگام تجسم داده ها با استفاده از شبکه ها، نوع نمایش برای استخراج اطلاعات و روابط پنهان بسیار مهم است. گروه تحقیقاتی Jörg Menche، محقق اصلی در مرکز تحقیقات CeMM برای پزشکی مولکولی آکادمی علوم اتریش، پروفسور دانشگاه وین، و رهبر گروه در آزمایشگاه Max Perutz، روش جدیدی را برای تولید طرح‌بندی‌های شبکه ایجاد کردند که اجازه می‌دهد. برای تجسم اطلاعات مختلف یک شبکه در فضای مجازی دو بعدی و سه بعدی و بررسی چشم اندازهای مختلف. نتایج همچنین می تواند تحقیقات آینده در مورد بیماری های نادر را با ارائه نمایش های همه کاره تر و قابل درک تر از تعاملات پیچیده پروتئین تسهیل کند.

تجسم شبکه امکان کاوش ارتباطات بین نقاط داده فردی را فراهم می کند. با این حال، هرچه شبکه‌ها پیچیده‌تر و بزرگ‌تر باشند، یافتن اطلاعات مورد نظر دشوارتر می‌شود. به دلیل فقدان طرح‌بندی مناسب، تجسم‌های به اصطلاح «گلوله مو» ظاهر می‌شوند که اغلب ساختار شبکه را مبهم می‌کنند، نه اینکه آن را روشن کنند. دانشمندان گروه تحقیقاتی Jörg Menche در CeMM و Max Perutz Labs (یک سرمایه گذاری مشترک از دانشگاه وین و دانشگاه پزشکی وین) روشی را توسعه دادند که امکان تعیین ویژگی ها و اطلاعات شبکه را از قبل به صورت بصری در اختیار می گذارد. به منظور کشف آنها به صورت تعاملی. نتایج اکنون در منتشر شده است علوم محاسباتی طبیعت.

کاهش پیچیدگی

برای این مطالعه، نویسنده اول Christiane VR Hütter، دانشجوی دکترا در گروه تحقیقاتی Joerg Menche، از آخرین تکنیک‌های کاهش ابعاد استفاده کرد که امکان محاسبه تجسم شبکه‌هایی با هزاران نقطه را در مدت زمان بسیار کوتاهی روی یک لپ‌تاپ استاندارد فراهم می‌کند. ایده کلیدی پشت تحقیق ما این بود که نماهای مختلف برای شبکه های بزرگ ایجاد کنیم تا پیچیدگی را به تصویر بکشیم و نمای جامع تری به دست آوریم و آن را به روشی قابل درک بصری ارائه کنیم — شبیه به نقشه های یک منطقه با محتوای اطلاعاتی متفاوت، با جزئیات. دیدگاه ها و دیدگاه ها.” دانشمندان آزمایشگاه منچ چهار طرح‌بندی شبکه مختلف را توسعه دادند که آنها را کارتوگرافی نامیدند، و همچنین تجسم‌های دو بعدی و سه بعدی، که هر کدام از قوانین متفاوتی پیروی می‌کردند تا دیدگاه‌های جدیدی را در یک مجموعه داده مشخص باز کنند. هر گونه اطلاعات شبکه را می توان به این روش رمزگذاری و تجسم کرد، به عنوان مثال، اهمیت ساختاری یک نقطه خاص، اما همچنین ویژگی های عملکردی. کاربران می‌توانند بین طرح‌بندی‌های مختلف جابجا شوند تا تصویری جامع داشته باشند. رهبر مطالعه، یورگ منچ توضیح می‌دهد: “با استفاده از طرح‌بندی‌های جدید، اکنون می‌توانیم از قبل مشخص کنیم که می‌خواهیم، ​​برای مثال، تعداد اتصالات یک نقطه در شبکه نشان‌داده‌شده، یا یک مشخصه عملکردی خاص را ببینیم. در یک شبکه بیولوژیکی، به عنوان مثال، من می توانم ارتباط بین ژن هایی را که با یک بیماری خاص مرتبط هستند و وجوه مشترک آنها را کشف کنم.”

تاثیر متقابل ژن ها

دانشمندان یک اثبات مفهومی را بر روی شبکه‌های مدل ساده و شبکه‌های متقابل پیچیده انجام دادند که تمام پروتئین‌های بدن انسان و برهمکنش‌های آنها را ترسیم می‌کند. این شامل بیش از 16000 نقطه و بیش از 300000 اتصال است. Christiane VR Hütter توضیح می‌دهد: “با استفاده از طرح‌بندی‌های جدید خود، اکنون می‌توانیم ویژگی‌های مختلف پروتئین‌ها و اتصالات آن‌ها را به صورت بصری نشان دهیم، مانند رابطه نزدیک بین اهمیت بیولوژیکی یک پروتئین و مرکزیت آن در شبکه. همچنین می‌توانیم اتصال را تجسم کنیم. الگوهای بین گروهی از پروتئین های مرتبط با همان بیماری که رمزگشایی آنها با استفاده از روش های مرسوم دشوار است.”

راه حل های سفارشی

انعطاف‌پذیری چارچوب جدید به کاربران اجازه می‌دهد تجسم‌های شبکه را برای یک برنامه خاص تنظیم کنند. به عنوان مثال، نویسندگان مطالعه توانستند طرح‌بندی‌های تعاملی سه‌بعدی را به‌طور خاص برای مطالعه عملکردهای بیولوژیکی ژن‌های خاصی که جهش‌های آنها مشکوک به ایجاد بیماری‌های نادر هستند، توسعه دهند. Jörg Menche اضافه می کند: “برای تسهیل بازنمایی بصری و همچنین تجزیه و تحلیل شبکه های بزرگ مانند interactome، طرح های ما همچنین می توانند در یک پلت فرم واقعیت مجازی ادغام شوند.”



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]