基于模型的空间时间数据缩小方法的评估,通过最佳可视化和可解释性指标,通过未知的基本事实进行空间时间数据缩小方法的评估.

科学领域:

• 计算生物学是一种计算生物学.
• 数据科学是数据科学.
• 生物信息学是一种生物信息学.

背景情况:

• 基于动态或空间可视化和解释 (DSVI) 的数据减少方法的基准测试是具有挑战性的,因为数据的复杂性,缺乏基本真相和时间依赖的指标.
• 现有研究通常依赖于独立的静态可视化或可解释性指标,需要基本真相,限制全面评估.

研究的目的:

• 提出MIBCOVIS框架,这是一个全面和可解释的计算方法,用于对DSVI方法进行比较.
• 为了提高高维数据的可视化和可解释性,而没有基本真相,将强大的指标集成到半监督的层次贝叶斯模型中.

主要方法:

• 开发了MIBCOVIS框架,整合了五个指标,包括一个新的时间顺序的马尔科夫基结构指标.
• 应用MIBCOVIS对线性和非线性维度减小方法,跨CyTOF,scRNA-seq和CODEX数据用于动态和空间生物过程.
• 评估方法准确性和相互作用效应,比较准确性分布而不是单个得分.

主要成果:

• MIBCOVIS允许对可视化和可解释性进行联合评估,优于单一指标方法.
• 优先考虑平均性能可以掩盖特定方法的优缺点.
• 确定了针对特定数据复杂性的最佳参数和推方法,例如优化变量收缩自编码器.

结论:

• MIBCOVIS框架提供了一个强大的方法来评估DSVI方法跨不同的生物数据.
• 调查结果强调了考虑数据复杂性和联合指标评估对于最佳DSVI的重要性.
• MIBCOVIS显示出有很大的潜力来推进动态单细胞地图集和时空数据缩小模型的分析.