211service.com
A caccia di senso in un mare di dati
Uno strumento di analisi dei dati può aiutare i ricercatori a concentrarsi sulle domande più interessanti. 27 giugno 2018
Webb Chappel
Una linea curva scorre sul suo viso mentre David Reshef '08, MEng '09, PhD '17, si mette davanti al proiettore in una sala seminari del Broad Institute. Sullo schermo c'è una pila di grafici, alcuni tracciano linee nitide mentre altri mostrano spesse bande di punti che si avvicinano a una pendenza o a una parabola.
I grafici illustrano come uno strumento sviluppato da Reshef con suo fratello, Yakir, identifichi e classifichi diversi tipi di relazioni in un ampio set di dati. Per coloro che sono alle prese con grandi quantità di dati, lo strumento offre un modo entusiasmante per confrontare essenzialmente mele e arance. Poiché può trovare praticamente qualsiasi tipo di associazione tra coppie di variabili, invece di concentrarsi solo su relazioni ben note come quelle lineari o esponenziali, ad esempio, lo strumento può rivelare correlazioni inaspettate. E poiché può classificare diversi tipi di relazioni in base alla forza, può mostrare ai ricercatori dove cercare un significato in un mare di dati. Sullo schermo, le linee sottili e le curve nitide salgono verso l'alto, mentre le forme più sfocate, che rappresentano relazioni più deboli, cadono verso il basso.
I ricercatori di genomica potrebbero essere utenti ideali per questo strumento, e ce ne sono molti al Broad, dove un intero genoma umano viene sequenziato ogni 12 minuti. Mentre i fratelli scherzano e si alleano in squadra attraverso una presentazione della loro ricerca, le loro spiegazioni fluide fanno sembrare ovvia la sua logica. Ma hanno già trascorso un decennio a lavorare per capire come analizzare questo tipo di informazioni.
I Reshef sono cresciuti in Israele e in Kenya, dove i loro genitori, un medico e un epidemiologo, hanno lavorato nel settore della salute globale. La famiglia si stabilì nel Maryland quando David aveva otto anni e presto i ragazzi si innamorarono dell'informatica. David aveva sempre programmato di entrare in medicina e, mentre studiava ingegneria elettrica e informatica al MIT, studiò la dinamica della trasmissione delle malattie. Dall'HIV al colera, ogni malattia aveva un set di dati con le sue caratteristiche uniche.
Quando l'influenza suina è comparsa negli Stati Uniti nel 2009, David si è unito a un team di ricercatori sulla salute pubblica di Harvard a Milwaukee, una delle città più colpite. Ha setacciato documenti scritti a mano presso un dipartimento sanitario locale, inserendo i dati in arrivo in modelli computazionali per cercare di capire quanto velocemente si stesse diffondendo la malattia in modo che gli operatori sanitari potessero rispondere.
I ricercatori avevano bisogno di strumenti che potessero analizzare un intero set di dati e contrassegnare le relazioni più forti, strumenti che potessero aiutare a generare ipotesi.
Nel frattempo, si è reso conto che mentre i ricercatori avevano accesso a molti più dati e potenza di calcolo rispetto al passato, si trattava di una benedizione mista. Ora potevano identificare le relazioni tra le variabili, e persino le relazioni tra le relazioni, a un livello molto più granulare, ma il volume e la complessità dei dati lo rendevano eccezionalmente difficile.
Ciò di cui avevano bisogno, iniziò a pensare Reshef, erano strumenti statistici in grado di analizzare un intero set di dati e segnalare le relazioni più forti, strumenti che potessero aiutare a generare nuove ipotesi. Invece di dover sempre anticipare ciò che vale la pena esaminare, i ricercatori potrebbero utilizzare tali strumenti per concentrarsi sulle domande più interessanti da porre.
Il problema, dice, era come sviluppare strumenti che ci aiutassero a trovare cose che non necessariamente anticipiamo nei dati.
In un 2011 Scienza carta, i fratelli hanno descritto un nuovo approccio sotto forma di ciò che chiamano statistica di esplorazione non parametrica basata sull'informazione massima (MINE). I loro strumenti, sviluppati in collaborazione con Pardis Sabeti e Michael Mitzenmacher di Harvard, sono motivati da un'idea semplice: se vogliamo cercare schemi in cui possono esserci molti tipi di relazioni in gioco, abbiamo bisogno di un modo per identificare quali sono reali, e quali sono i più forti. Uno degli strumenti, chiamato coefficiente di informazione massima (MIC), rileva la dipendenza, o l'esistenza di relazioni non casuali, tra coppie di variabili. Classifica anche quelle relazioni in base alla loro forza, in base a quanto sono rumorose. Una correlazione perfetta (immagina una linea nitida o una parabola su un grafico, senza punti vaganti) si classificherebbe più in alto, seguita da relazioni che includono più punti dati che non si adattano alle forme o alle linee dominanti. Le variabili completamente non correlate (pensa a un grafico pieno di punti casuali) cadrebbero in fondo all'elenco.
Webb Chappell
Quando i Reshef hanno applicato la MIC a un set di dati di 357 variabili dell'Organizzazione Mondiale della Sanità, hanno rivelato due relazioni tra reddito e obesità femminile. L'obesità era bassa tra le donne povere, aumentava con il reddito fino a un certo punto e poi scendeva di nuovo ai livelli di reddito più alti. (Ciò non è stato sorprendente: è probabile che le donne che non possono permettersi il cibo siano obese, e nemmeno le donne che possono permettersi le diete più sane.) Ma c'è stato anche un picco sorprendente a bassi livelli di reddito che si è rivelato responsabile per le donne delle nazioni delle isole del Pacifico dove l'obesità è culturalmente apprezzata. Sebbene i funzionari della sanità pubblica fossero già a conoscenza di questa tendenza regionale, il risultato ha illustrato come lo strumento possa acquisire relazioni statistiche che non si adattano a uno schema altrimenti prevedibile.
MINE può essere utilizzato per esplorare qualsiasi set di dati che ha così tante variabili che le singole relazioni tra di loro non possono essere valutate manualmente. Quando i fratelli hanno utilizzato i loro strumenti per analizzare le 131 variabili in un set di dati del 2008 della Major League Baseball, ad esempio, hanno identificato le tre più fortemente associate agli stipendi dei giocatori: hit, basi totali e la statistica alquanto arcana nota come livello di sostituzione valore marginale della formazione (una stima di quanti punti in più o in meno per partita un giocatore contribuisce rispetto a un giocatore sostitutivo statisticamente medio nella stessa posizione). Sebbene nessuno di questi sia particolarmente sorprendente, sono saliti in cima a una lunga lista di variabili che avevano tutte un senso. Un altro modello che considera solo le relazioni lineari, e non confronta diversi tipi di relazioni, ha creato una top tre completamente diversa.
I Reshef hanno anche utilizzato MINE per identificare 9.472 relazioni significative, su circa 22 milioni di possibilità, tra diverse specie di batteri intestinali. Molti potrebbero essere spiegati da fattori ben noti come la dieta e il sesso dell'ospite. Ma dopo averli esclusi, sono rimasti con 188 relazioni forti e inspiegabili che potrebbero meritare ulteriori studi: potrebbero suggerire la competizione tra specie batteriche o indicare altri fattori che modellano l'ecologia del microbiota intestinale, che può influenzare la salute generale. I ricercatori sul microbioma hanno continuato a utilizzare gli strumenti per districare le relazioni tra i diversi batteri intestinali.
Allo stesso modo, gli strumenti dei fratelli potrebbero essere usati per dare un senso al crescente flusso di dati sull'espressione genica. Ad esempio, misurando l'attività di ciascuno dei nostri circa 20.000 geni, MINE potrebbe aiutare a scoprire relazioni che porterebbero a un quadro più chiaro di ciò che distingue il comportamento cellulare normale da quello patologico.
Avendo sviluppato strumenti all'intersezione tra statistica e apprendimento automatico, David è ora desideroso di sviluppare modi per utilizzare l'apprendimento automatico per la ricerca biologica. In definitiva, afferma, può aiutarci a imparare dai nostri dati nel modo più efficiente possibile. Sarà incredibilmente eccitante da esplorare, dice.