Исследователи из Университета Карнеги-Меллона разработали новую динамическую статистическую модель для визуализации изменяющихся паттернов в сетях, включая экспрессию генов в периоды развития мозга.
Опубликованная в Proceedings of the National Academy of Sciences, эта модель теперь дает исследователям инструмент, который расширяет возможности наблюдения за статическими сетями в одном снимке времени, что чрезвычайно полезно, поскольку сетевые данные обычно являются динамическими. Анализ сетевых данных - или изучение взаимосвязей в крупном масштабе - это новая область статистики и науки о данных.
«Для любого набора данных с динамическим компонентом люди теперь могут эффективно использовать его для поиска сообществ, которые сохраняются и меняются с течением времени», - сказала Кэтрин Родер, профессор статистики и наук о жизни UPMC в Колледже Дитриха. гуманитарных и социальных наук. «Это будет очень полезно для понимания того, как прогрессируют определенные заболевания и расстройства. Например, мы знаем, что определенные гены ответственны за аутизм, и можем использовать нашу модель, чтобы дать нам представление о том, в какой момент начинается развитие расстройства».
Модель Persistent Communities by Eigenvector Smoothing (PisCES) объединяет информацию по ряду сетей в продольном направлении, чтобы усилить вывод для каждого периода. Команда CMU использовала PisCES для отслеживания экспрессии нервных генов от зачатия до взрослой жизни в мозге макак-резусов, чтобы выяснить, какие гены работают вместе в разные моменты развития.
Наш метод визуализации сочетает в себе два различных существующих инструмента: обнаружение сообщества, который является популярным инструментом для статических сетевых данных, и графики Санки, которые часто используются для визуализации «потоков» информации. сеть в сообщества, которые развиваются с течением времени, а затем изображает развивающееся членство в сообществе как серию потоков между сообществами», - сказал Дэвид Чой, доцент кафедры статистики и информационных систем в Колледже информационных систем и государственной политики Хайнца.
Их анализ выявил наличие точек изменения, а также периодов устойчивой структуры генного сообщества, включая динамическое сообщество генов, участвующих в управлении нейронными проекциями, которое было высокоактивным в период от середины до позднего периода плода. Это конкретное сообщество включает множество генов, связанных с риском развития аутизма.
«По сути, наша цель состояла в том, чтобы добавить «сглаживание» к обнаружению сообщества, чтобы устранить «шум», и мы смогли это сделать», - сказал Чой.
Несмотря на то, что команда пилотировала модель, визуализируя изменяющиеся закономерности того, как гены работают вместе, есть надежда, что метод можно будет применить к социальным сетям, динамическим диффузионным сетям в физике и другим реляционным ситуациям.
«Модель действительно гибкая, и мы уже начинаем использовать ее с данными фМРТ, чтобы понять, как области мозга взаимодействуют и изменяются с течением времени», - сказал Фучэн Лю, доктор философии. студентка факультета статистики и науки о данных.
Разработка новой динамической статистической модели для отслеживания экспрессии нейронных генов с течением времени является одним из многих прорывов в исследованиях мозга, сделанных в Карнеги-Меллон. CMU создал одних из первых когнитивных наставников, помог разработать Watson, победившего в Jeopardy, основал новаторскую докторскую программу в области нейронных вычислений и является родиной искусственного интеллекта и когнитивной психологии. Опираясь на свои сильные стороны в области биологии, компьютерных наук, психологии, статистики и инженерии, CMU запустил BrainHub, инициативу, которая фокусируется на том, как структура и деятельность мозга вызывают сложное поведение.