Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence

Rozměr: px

Začít zobrazení ze stránky:

Download "Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence"

Rostislav Šimek
před 5 lety
Počet zobrazení:

Západočeská univerzita v Plzni 2 Laboratoř

1 Detekce neznámých typů mutantů na základě odlišnosti kinetiky fluorescence Jan Vaněk 1, Radek Tesař 1, Jan Urban 1, Karel Matouš 2 1 Katedra kybernetiky, Fakulta aplikovaných věd, Západočeská univerzita v Plzni 2 Laboratoř aplikované fotobiologie, Ústav ekologie krajiny, Nové Hrady

2 Cíle prověřit možnosti využití dat s kinetikou fluorescence mutantů k jejich detekci porovnat informaci obsaženou v datech získaných zhášecími a oscilačními protokoly z hlediska množství informace z hlediska statistické závislosti optimalizovat použité měřící protokoly minimalizovat délku protokolu maximalizovat množství získané informace (minimalizovat statistickou závislost jednotlivých segmentů protokolu)

Data Rostlina arabidopsis 1 2 36 37 Rostlinek na misce: 37 Rozlišení: 512 x 512

3 Data Rostlina arabidopsis Rostlinek na misce: 37 Rozlišení: 512 x 512 Délka měření (snímků): 271 až 652 Každá petriho miska měřena 3x Celkem mutantů: 44

4 Protokol - zhášecí Osvětlení (vstup) 60 µmol photons m -1 s -1 aktinické světlo 120 µmol photons m -1 s -1 aktinické světlo 240 µmol photons m -1 s -1 aktinické světlo Fluorescence (odezva) Saturační pulsy Aktinické světlo Flurescenční odezva t [s] Každý časový okamžik v nasnímaných datech můžeme chápat jako jeden příznak Zajímala nás diskriminativní síla těchto příznaků a její závislost na intenzitě ak. světla

5 Protokol oscilační Osvětlení (vstup) Fluorescence (odezva) 8 různých frekvencí aktinického světla Flurescenční odezva Saturační puls Změna frekvence t [s] Nebyly měřeny hodnoty mezi dvojicemi period. Zajímala nás diskriminativní síla příznaků, které odpovídali různým frekvencím.

6 Aproximace měření oscilací

7 Redukce objemu dat Fluorescence (odezva) Průměrování Použití jednotlivých bodů t [s] V naměřených datech je vysoká redundance. Nabízí se možnost popsat naměřenou křivku výrazně menším počtem hodnot. Existují dva přístupy redukci může provést na základě svých zkušeností člověk nebo může být provedena na základě statistiky

8 Informace v příznacích A B A B p 1 p 2 p 1 p 2 Příklad rozložení prvků dvou tříd (např. mutanti a wildtype) ve dvou různých příznacích - p 1 a p 2 (těmi mohou být například hodnoty Fo a Fm) Je vidět, že druhý z příznaků je sám o sobě vhodnější pro rozhodování o příslušnosti bodů do jednotlivých tříd

9 Statistická závislost příznaků p 2 p 4 A B A B p 1 p 3 Statistická závislost může způsobit, že nejlepší dvojice příznaků nemusí být totožná s nejlepšími dvěma příznaky. Vlevo je příklad nejlepší dvojice příznaků, vpravo nejlepší dva příznaky.

10 LDA Lineární Diskriminační Analýza Extrakce příznaků Lineární transformace do prostoru nižší dimenze Pro C tříd nám stačí maximálně C 1 dimenzí (příznaků). J = inv(w).σ W průměrná kovarianční matice jednotlivých tříd Σ kovarianční matice centroidů jednotlivých tříd Výsledná transformační matice T pak vznikne výběrem C 1 vlastních vektorů odpovídajících největším vlastním číslům matice J. Transformovaný vektor g pak vznikne z měřeného vektoru f takto: g = f. T

11 Mahalanobisova vzdálenost (Mahalanobis Distance - MD) Discriminabilita Statistická vzdálenost dvou tříd v N dimenzionálním prostoru

12 Detekce mutantů

13 Výsledky detekce mutantů Nazev mutanta Chyba detekce Mahalanobisova vzdalenost QU OS All QU OS All WT-Base 45.4% 45.3% 44.9% N % 0.0% 0.0% N % 0.0% 0.0% rca 0.0% 0.0% 0.0% N17 0.0% 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% NPQ % 0.1% 0.0% NPQ % 0.0% 0.0% WT46 0.5% 0.0% 0.0% N % 0.0% 0.0% N % 0.0% 0.0% WT43 0.0% 1.2% 0.0% N % 0.3% 0.0% N % 0.0% 0.0% N % 2.2% 0.0% N % 0.7% 0.0% N % 1.1% 0.0% N % 4.2% 0.0% N % 0.4% 0.0% N % 0.3% 0.0% N % 1.9% 0.0% N % 4.3% 0.0% N % 2.1% 0.1% N % 2.1% 0.1% N % 1.3% 0.1% N % 5.0% 0.1% N % 4.2% 0.3% N % 4.9% 0.4% N % 2.1% 0.6% N % 19.4% 0.9% R % 7.6% 1.7% RLD 3.7% 10.2% 1.7% N % 12.7% 2.0% N % 10.1% 1.9% N % 13.8% 2.5% N % 10.6% 3.1% N % 15.4% 4.3% N % 16.5% 7.5% QU Zhášecí protokol OS Oscilační protokol All Oba protokoly

14 Mutant R100 Analýza protokolu Mutant N6169

15 Protokol rozdělen do 5 částí podle použitého světla

N3819 N155 4WT43 N595156 N6147 N3772 4WT46

16 N3819 N155 4WT43 N N6147 N3772 4WT46 N89558 N N N6204 N6363 N3834 N156 N3892 NPQ1-2 N6169 N89530 N N3418 N6128 N3889 N17 N N N8156 N2355 N3733 N RLD rca R100 N8507 N N89471 N6217 N N3354 N8326 N6362 NPQ4-1

17 Jemnější rozdělení protokolu do 15 částí

18 N2355 N3834 NPQ4-1 N R100 N3892 N6217 N N8326 4WT43 N N NPQ1-2 N6147 4WT46 N N3819 N3772 N89558 N155 N6204 N6128 N3889 N6363 N156 N17 N N N3418 N3733 RLD rca N6169 N89530 N N3354 N N6362 N8156 N8507 N89471

19 Oscilační protokol Úroveň diskriminability jednotlivých frekvencí Měřeno 8 frekvencí Perioda [s]

N3418 RCA N515134 N595156 N2355 RLD N3892 N3772 NPQ1-2 N6128 N3889

NPQ4-1 N89530 N6362 N3819 N8156 N156 N3733 4WT43 N8507 N89558 N6169

20 N3418 RCA N N N2355 RLD N3892 N3772 NPQ1-2 N6128 N3889 N6363 N6147 N3834 N17 N WT46 R100 N155 N3354 N N8326 NPQ4-1 N89530 N6362 N3819 N8156 N156 N3733 4WT43 N8507 N89558 N6169 N N N89471 N6217 N N N6204 N

21 Změna informace podle počtu použitých oblastí

22 Závěr Využitím kinetiky fluorescence lze mutanty úspěšně detekovat Všechny testované mutanty jsme byli schopni nalézt Zhášecí protokol obsahuje zpravidla větší množství užitečné informace pro detekci námi testovaných mutantů, než protokol oscilační Informace z obou protokolů je navzájem nezávislá, tudíž lze jejich kombinací dosáhnout lepších výsledků Byla nalezena metodika pro optimální redukci protokolu při minimální možné ztrátě užitečné informace Lze odhadnout úbytek informace redukovaného protokolu

23 Do budoucna... Navrhnout a provést měření větším množstvím různých protokolů Použít metodiku optimální redukce na tyto protokoly Z výsledků použití této metodiky sestavit nové informativně bohatší měřící protokoly pro různé skupiny mutantů Získané protokoly použít na detekci dosud neznámých mutantů

24 Chcete vědět víc...?

Podobné dokumenty

Odhad stavu matematického modelu křižovatek

Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita