Automatic Transformation and Integration to Improve Visualization and Discovery of Latent Effects in Imaging Data.
Automatic Transformation and Integration to Improve Visualization and Discovery of Latent Effects in Imaging Data.
复制标题
DOI：
10.1080/10618600.2020.1741379
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Gagnon-Bartsch JA
中科院分区：
文献类型：
--
作者：
Hunt GJ;Dane MA;Korkola JE;Heiser LM;Gagnon-Bartsch JA
正确的数据转换是分析的重要组成部分。为变量选择适当的转换可以增强可视化，提高分析方法的效率，并增加数据的可解释性。然而，从高内容成像数据确定变量的适当变换提出了新的挑战。成像数据从语料库中的数千个图像中的每一个产生数百个协变量。这些协变量中的每一个都将具有不同的分布，并且需要潜在地不同的转换。由于这种成像数据产生数百个协变量，因此手工确定每个协变量的适当变换是不可行的。在本文中，我们探索简单，强大的，高内容的图像数据的自动转换。我们工作的一个中心应用是微环境微阵列生物成像数据从NIH LINCS程序。我们表明，我们强大的转换增强了可视化，提高了发现实质性相关的潜在影响。这些转换增强了对图像特征的单独分析，并在将多个特征组合在一起时改进了数据集成方法。我们预计，这项工作的优势也可能在分析来自其他高内容和高度复用技术（如细胞绘画或循环免疫荧光）的数据中实现。软件和进一步的分析可以在gjhunt.github.io/rr上找到
Proper data transformation is an essential part of analysis. Choosing appropriate transformations for variables can enhance visualization, improve efficacy of analytical methods, and increase data interpretability. However determining appropriate transformations of variables from high-content imaging data poses new challenges. Imaging data produces hundreds of covariates from each of thousands of images in a corpus. Each of these covariates will have a different distribution and need a potentially different transformation. As such imaging data produces hundreds of covariates, determining an appropriate transformation for each of them is infeasible by hand. In this paper we explore simple, robust, and automatic transformations of high-content image data. A central application of our work is to microenvironment microarray bio-imaging data from the NIH LINCS program. We show that our robust transformations enhance visualization and improve the discovery of substantively relevant latent effects. These transformations enhance analysis of image features individually and also improve data integration approaches when combining together multiple features. We anticipate that the advantages of this work will likely also be realized in the analysis of data from other high-content and highly-multiplexed technologies like Cell Painting or Cyclic Immunofluorescence. Software and further analysis can be found at gjhunt.github.io/rr
登录
查看更多内容
影响因子：
25.4
作者：
Guaraldi, Giovanni;Meschiari, Marianna;Mussini, Cristina
通讯作者：
Mussini, Cristina
影响因子：
48
作者：
Caicedo JC;Cooper S;Heigwer F;Warchal S;Qiu P;Molnar C;Vasilevich AS;Barry JD;Bansal HS;Kraus O;Wawer M;Paavolainen L;Herrmann MD;Rohban M;Hung J;Hennig H;Concannon J;Smith I;Clemons PA;Singh S;Rees P;Horvath P;Linington RG;Carpenter AE
通讯作者：
Carpenter AE
影响因子：
2.5
作者：
ATKINSON, AC
通讯作者：
ATKINSON, AC
影响因子：
8
作者：
Bryll, R;Gutierrez-Osuna, R;Quek, F
通讯作者：
Quek, F
DOI：
10.1198/016214505000000989
发表时间：
2006-03-01
影响因子：
3.7
作者：
Hu, JH;Wright, FA;Zou, F
通讯作者：
Zou, F