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,DTI

• 1.1.2. 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,GC）​

• 3.5.2. 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）​