可视化策略,以帮助解释高维基基因毒性数据
Stephen D Dertinger1, Erica Briggs1, Yusuf Hussien2
1Litron Laboratories, Rochester, New York, USA.
Environmental and molecular mutagenesis
|May 17, 2024
概括
本研究探讨了高维数据可视化技术,以从MultiFlow®试验结果中增强机器学习预测. 这些方法有助于解释多种化学物质的复杂生物标志物反应,改善毒理学数据分析.
科学领域:
- 毒理学 毒理学 毒理学
- 数据科学数据科学数据科学
- 计算生物学 计算生物学
背景情况:
- 多重测定产生了高维的毒理学数据.
- 机器学习算法越来越多地用于分析此类数据.
- 有效的可视化对于解释复杂数据集至关重要.
研究的目的:
- 探索和比较高维数据可视化策略.
- 从MultiFlow®测试结果中评估它们在补充机器学习预测中的实用性.
- 帮助解释化学物质暴露的毒理学数据.
主要方法:
- 评估各种可视化技术,包括散射图,蜘蛛图,平行坐标图,层次聚类,主要组件分析,多维缩放,t分布式随机邻居嵌入,以及统一的多元体近似和投影.
- 应用于来自TK6细胞的7个生物标志物反应的数据集,这些细胞暴露在126种不同度的化学物质中.
- 对每个可视化方法的有效性进行比较分析.
主要成果:
- 不同的可视化技术为探索高维毒理学数据提供了独特的优势.
- 某些方法有效地表示化学物质,生物标志物和度之间的复杂关系.
- 可视化有助于理解补充机器学习模型输出的模式.
结论:
- 高维可视化策略是毒理学数据解释的宝贵工具.
- 这些方法提高了对多重测试结果和机器学习预测的理解.
- 有效的可视化可促进化学安全评估中的高效和准确的决策.


