读数据可视化33生命科学(下)
1. 其他影像1.1. 弥散张量成像1.1.1. Diffusion Tensor Imaging,DTI1.1.2. 基于弥散加权成像Diffusing Weighted Imaging,DWI发展起来的一种核磁共振成像技术可无创地定时定量测量生物组织结构中水分子的弥散特性各向同性或各向异性1.1.3. 被广泛应用于大脑疾病的分析和研究中如脑梗塞、精神分裂症等1.1.4. 在DTI影像中通常使用二阶张量3×3正对称矩阵描述水分子向不同方向弥散的综合运动该矩阵的特征向量和特征值是DTI影像数据可视化的最基本特征1.1.5. 4类1.1.5.1. 颜色映射法1.1.5.1.1. 将局部张量属性映射为颜色进行体可视化或切片可视化1.1.5.1.2. 其核心问题是如何将张量数据或其他弥散物理属性进行颜色和透明度的编码1.1.5.2. 图标法1.1.5.2.1. 将单个张量转换成一个几何体如弥散椭球、立方体、圆柱体、超二次曲面等再将几何体变换至张量场中1.1.5.3. 积分曲线法1.1.5.3.1. 通过将张量场抽取出几何结构实现水分子通道的几何抽象建模1.1.5.3.2. 优点在于可从宏观上解释组织结构的连续性线的走向即代表了纤维束的走向1.1.5.3.3. 缺点在于将张量场转化为向量场的同时丢失了局部张量细节信息且存在积分误差1.1.5.4. 积分几何法1.1.5.4.1. 采用流管Stream Tube、流面Stream Surface等方法可区分线性各向异性扩散和扁平各向异性扩散1.1.5.4.2. 对于线性各向异性扩散区域采用流管表示1.1.5.4.3. 对于扁平扩散区域则采用流面表示1.1.5.4.4. 可采用流体Stream Volume表达三维张量场的体内扩散信息1.2. 电子显微成像1.2.1. 感情、自我意识、敏感的知觉都是神经系统活动的结果1.2.2. 临床中医学影像数据如fMRI成像的精度是毫米级而1mm3的空间内可包含30亿个神经键1.2.3. 超薄切片机自动将大脑组织区域分为成千上万个超薄片段再将这些片段放到一条碳涂层带上便于后期在扫描电子显微镜下染色和成像1.2.4. 晶格层光显微术Lattice Light-Sheet Microscopy,LLSM和自适应光学Adaptive Optics,AO技术的出现使得以纳米级分辨率观察活体组织成为可能2. 电生理信号2.1. 心电信号2.1.1. 心率变异Heart Rate Variety,HRV是一个在临床诊断中经常使用的重要指标2.1.2. 采用便携式人体电信号记录仪连续记录24小时动态心电图信号可捕捉到临床心电图30秒左右所不能看到的心率变化和偶发性的心率失调现象其数据是一组随时间变化的浮点数据值2.2. 脑电信号2.2.1. 脑电信号是另一类电生理信号近年来被用于脑机接口研究2.2.2. 作为一种非入侵式的神经成像技术脑电图EEG常用来记录大脑的电信号活动2.2.3. 大脑皮层不同区域的脑电信号对应各种形式的思维活动或病理状态不同脑区的神经电信号之间的同步反映了认知、情感、记忆这类大范围神经整合2.2.4. 对脑电数据进行可视化有助于对脑电数据进行研究分析为临床医学和认知神经学提供了便利2.2.5. 对原始脑电数据进行可视化2.2.6. 对处理过的脑电数据进行可视化2.2.7. 传统的脑电表示方法2.2.7.1. 横坐标表示时间纵坐标表示测量的电压值2.2.7.2. 将每个电极导联绘制成一条曲线在同一个图中同时显示若干个导联不同导联电极的曲线分开表示没有重叠2.2.8. 蝴蝶图表示法2.2.8.1. 将所有的导联脑电信号重叠显示横坐标表示时间纵坐标表示测量的电压值2.2.9. 脑电图拓扑矩阵表示法2.2.9.1. 在每个电极位置处显示一段时间内该电极处电压的变化2.2.9.2. 显示了原始的脑电信息并且保留了电极的分布信息但是很难直观地对比不同的导联电极2.2.10. 脑地形图表示法2.2.10.1. 在大脑模型上根据已知的电极位置显示电压可显示在同一时刻所有电极测得的电压信息2.2.11. ERP时间相关电位图表示法2.2.11.1. 同一电极对不同刺激的不同反应显示在一个图中不同的颜色表示不同的电压2.2.12. 散点图矩阵表示法2.2.12.1. 矩阵中的每个元素是一对脑电数据之间电压的散点图2.2.12.2. 有利于观察不同脑电数据之间的关系模式但只适用于N较小的情况2.2.13. 平行坐标表示法2.2.13.1. 把每一维数据通常用一个纵标表示对于一个N维的数据向量通常把横轴N等分把N维数据中的每个元素用相应纵轴上的一个点表示同一个向量的所有元素用一条线连接2.2.14. 一般的脑电数据关系图2.2.14.1. 用点表示相应的电极线表示电极信号之间的相似性颜色深的线表示相似性更高3. OMICS组学3.1. 是系统生物学的重要组成部分包括基因组学Geneomics、蛋白质组学Proeomics、脂类组学Lipidomics和代谢组学Metabolomics等3.2. 基因组学和蛋白质组学分别从基因和蛋白质层面探寻生命的活动代谢组学研究代谢组Metabolome在某一时刻细胞内所有代谢活动的机理3.3. 基因组学3.3.1. 基因组序列由多条染色体组成而染色体则由4种核苷酸腺嘌呤A、鸟嘌呤G、胸腺嘧啶T、胞嘧啶C组成3.3.2. k-元核苷酸组合可视化3.3.2.1. 基因组数据的k-元核苷酸组合的分布具有一定的特性每个k-元核苷酸组合和它的逆补组合的频率和对于一个物种来说是稳定的并且可区分的3.3.3. 多关联视图法3.3.3.1. 对DNA序列构建多分辨率表示并支持多层次细节视图浏览3.3.4. 三维可视化3.3.5. 线性可视化3.4. 蛋白质组学3.4.1. 如果说基因组是生命的蓝图那么蛋白质构成的调控网络就是这张蓝图的建设者和执行者3.4.2. 目前一般将蛋白质分子的空间结构理解为四级3.4.2.1. 第一级结构指多肽链中氨基酸的顺序靠共价键维持多肽链的连接3.4.2.2. 第二级结构指多肽链骨架的局部空间结构不考虑侧链的构象及整个肽链的空间排列典型的有alpha螺旋、beta片层等3.4.2.3. 第三级结构指整个肽链的折叠情况包括侧链的排列即蛋白质分子的空间结构或三维结构3.4.2.4. 第四级结构描述的是多个多肽链的组合3.4.3. X-射线衍射、核磁共振、紫外可见吸收光谱、质谱分析等3.4.4. 依赖于序列数据采用统计学方法来分析其结构和功能3.4.5. 直接从实验测定已知的或预测出的三维结构出发着重考虑结构与几何拓扑性质进而分析其功能3.5. 代谢组学3.5.1. 是系统生物学的一个分支主要技术手段包括核磁共振NMR质谱MS和色谱HPLC,GC3.5.2. 全二维气相色谱GC×GC是将分离机理不同而又互相独立的两支色谱柱以串联方式结合成二维气相色谱的一种新方法将它与TOF-MS飞行时间质谱联用可以获得精确的复杂化合物的区分3.5.3. 更为高级的方法是将多个频段压缩为三个或若干个主要的频道并用伪色彩显示3.5.4. 最复杂的做法是将全二维气相色谱飞行时间质谱数据直接表达为一个三维的数据场并采用三维数据场可视化、特征抽取等方法进行处理4. 深度学习4.1. 将深度学习应用到生物信息学中以更好地从数据中挖掘出有效信息成为一个重要的研究方向4.2. 包括IMICS组学、医学影像和电生物信号在内的各个领域都积累了大量的数据它们在生物和医疗保健研究中应用的潜力已经引起了工业界和学术界的关注4.3. 难点在于其黑盒的特性虽然深度学习能给出有效的结果但产生结果的过程和原因却无法被获知4.3.1. 在生命科学领域研究的结果和患者的生命健康息息相关黑盒的特性使得深度学习的应用受到了限制4.3.2. 正如临床医生也需要为医药疗法寻找科学推断一样将黑盒变为白盒提供合理的逻辑推理是非常重要的4.4. 最广泛使用的方法就是通过可视化方法对训练好的深度学习模型进行解释4.5. 突变图谱Mutation Map