Wspólnotowy Serwis Informacyjny Badan i Rozwoju - CORDIS

FP7

PRinHDD Wynik w skrócie

Project ID: 329370
Źródło dofinansowania: FP7-PEOPLE
Kraj: Turcja

Niezawodne tworzenie klastrów w analizie danych biomedycznych

Obecnie dostępne są olbrzymie ilości danych, lecz nie jest to równoznaczne z użytecznymi informacjami. Przy użyciu przełomowych narzędzi do identyfikacji wzorców, finansowani przez UE naukowcy mogli wybierać użyteczne informacje spośród danych dotyczących chorób zakaźnych i obrazowania mózgu.
Niezawodne tworzenie klastrów w analizie danych biomedycznych
Dane wygenerowane w badaniach biomedycznych są rozległe, zróżnicowane pod względem zawartości i niedostępne w standardowych formatach. Racjonalna metoda reorganizacji podzestawów tych danych w grupy o wspólnych cechach jest niezwykle ważnym elementem skutecznego przeszukiwania zasobów wiedzy.

Tworzenie klastrów jest jedynie punktem wyjścia w przypadku danych wielowymiarowych, gdzie każdy wymiar stanowi odrębny atrybut (zmienną). Technika rozpoznawania wzorca, odpowiednia w przypadku niższych wymiarów, często nie sprawdza się wraz ze wzrostem wymiarowości analizowanych danych.

Finansowani przez UE naukowcy zajęli się wyzwaniami związanymi z tworzeniem klastrów danych wielowymiarowych, skupiając się na niskowymiarowych strukturach, które mogą przybliżyć określone dane. W ramach projektu PRINHDD (Pattern recognition in high dimensional data) stworzono nowe metody analizy danych dotyczących między innymi zmienności gatunkowej i badań nad chorobami.

Zaproponowano najbliższe sąsiednie metody wyciągania wniosków na temat wzorców przestrzennych. Dwa często badane wzorce przestrzenne między różnymi gatunkami i ich cechami charakterystycznymi (płeć, żywotność itp.) to segregacja i asocjacja. Naukowcy badali również wzorce wzajemnych oddziaływań międzygatunkowych.

Wykorzystano dwa bazujące na segregacji wskaźniki, aby dokonać ewaluacji wyników tworzenia klastrów choroby wśród osobników z populacji homogenicznych i niehomogenicznych. Naukowcy badali czułość wielkości tych testów na leżące u podstaw wzorce tła, poziom sklastrowania i liczbę klastrów.

Ponadto nowe metody mogą dostarczyć więcej informacji morfometrycznych zawartych w oznakowanych danych mapowania odległości korowych. Zbieranie i ocena odległości wokseli istoty szarej z powierzchni kory mózgowej może ujawnić różnice w planum temporale między schizofrenią a zaburzeniami dwubiegunowymi.

Badanie PRINHDD rozpowszechniono w 11 artykułach opublikowanych w prestiżowych, recenzowanych czasopismach naukowych. Podczas międzynarodowych konferencji zespół projektu miał okazję zademonstrować swoje wyniki naukowcom pracującym w dziedzinie analizy danych wysokowymiarowych i rozpoznawania wzorców.

Dalsze prace uczestników projektu PRINHDD nad klasyfikacją i tworzeniem klastrów, dzięki nawiązanej współpracy powinny poszerzyć się zarówno w sferze metod statystycznych, jak i zastosowań.

Powiązane informacje

Tematy

Life Sciences

Słowa kluczowe

Tworzenie klastrów, biomedyczny, analiza danych, dane wielowymiarowe, rozpoznawanie wzorca, PRINHDD
Numer rekordu: 182954 / Ostatnia aktualizacja: 2016-07-05
Dziedzina: Biologia, Medycyna