Изданный на Слушаниях Национальной академии наук, модель теперь дает исследователям инструмент, который расширяет прошлые наблюдающие статические сети в единственном снимке вовремя, который чрезвычайно выгоден, так как сетевые данные обычно динамичные. Анализ сетевых данных – или исследование отношений от крупномасштабного представления – является появляющейся областью науки данных и статистики.«Для любого набора данных с динамическим компонентом люди могут теперь использовать это сильным способом найти сообщества, которые упорствуют и изменяются со временем», сказала Кэтрин Роедер, профессор UPMC Статистики и Наук о жизни в Колледже Дитриха Гуманитарных наук и Общественных наук. «Это будет очень полезно в понимании, как прогрессируют определенные болезни и расстройства. Например, мы знаем, что определенные гены ответственны за аутизм и могут использовать нашу модель, чтобы дать нам понимание в том, какую идею беспорядок начинает развивать».
Модель, Постоянные Сообщества Сглаживанием Собственного вектора (РЫБЫ), объединяет информацию через серию сетей, в длину, чтобы усилить вывод в течение каждого периода. Команда CMU использовала PisCES, чтобы следовать за нервными экспрессиями гена от концепции до взрослой жизни в мозгах обезьяны резуса, чтобы узнать, какие гены сотрудничают во время различных пунктов развития.«Наш метод визуализации объединяет два различных существующих инструмента: обнаружение сообщества, которое является популярным инструментом для статических сетевых данных и сюжетами sankey, которые часто используются, чтобы визуализировать ‘потоки’ информации.
Наша визуализация организует актеров сети в сообщества, которые развиваются со временем, и затем изображает развивающиеся членства сообщества как серию потоков между сообществами», сказал Дэвид Чой, доцент статистики и информационных систем в Колледже Хайнца Информационных систем и Государственной политики.Их анализ показал существование точек перехода, а также периоды постоянной генной структуры сообщества, включая динамическое сообщество генов, вовлеченных в нервное руководство проектирования, которое было очень активно во время середины к последнему эмбриональному периоду. Это конкретное сообщество включает много генов, связанных с риском для аутизма.«По существу наша цель состояла в том, чтобы добавить ‘сглаживание’ к обнаружению сообщества, чтобы устранить ‘шум’, и мы смогли сделать это», сказал Чой.
Хотя команда вела модель, визуализируя изменяющиеся образцы в способах, которыми сотрудничают гены, надежда состоит в том, что метод мог быть применен к социальным сетям, динамическим сетям распространения в физике и других относительных ситуациях.«Модель действительно гибка, и мы уже начинаем использовать ее с fMRI данными, чтобы понять, как области мозгового межсоединения и изменяются со временем», сказал Фучэнь Лю, аспирант в Отделе Науки Статистики и Данных.
Развитие новой динамической статистической модели, чтобы следовать за нервными экспрессиями гена со временем является одним из многих мозговых прорывов исследования, чтобы произойти в Карнеги Меллоне. CMU создал некоторых первых познавательных наставников, помог развивать завоевание Опасности Уотсон, основал инновационную докторскую программу в нервном вычислении и является местом рождения искусственного интеллекта и познавательной психологии.
Основываясь на ее преимуществах в биологии, информатике, психологии, статистике и разработке, CMU запустил BrainHub, инициативу, которая сосредотачивается о том, как структура и деятельность мозга дают начало сложным поведениям.Эта работа финансировалась Национальным Институтом Психического здоровья и Фондом Simons.