modelling tumor growth - dual guides

 algoritmus roviden (az a resz amit en ertek es kell ehhez) parameterek initial cells (1) hany sejtrol indul initial time (0) melyik idopillanatrol indul max time (1000) mennyi ideig fut a szimulacio k production rate? (minel nagyobb a szam annal nagyobb tumorok lesznek) gamma degradation term (minel kisebb a szam annal nagyobb tumorok lesznek) iteraciok (addig fut amig time < max time) rates: k, gamma * current cells k nem szorzodik, gamma igen! rate sum: sum(rates) eldontjuk hogy mi tortenik veszunk egy random szamot 0 es 1 kozott (random) random < (k)/(rate sum) -> osztodik (current cells:=current cells + 1) random > (k)/(rate sum) -> meghal (current cells:=current cells - 1) delta time := exponential(1/rate sum) (exponencialis eloszlasbol huzunk, varhato erteke 1/ratesum) delta time egyre kisebb lesz (egyre tobb sejtunk van, egyre surubben lesznek a folyamatok) time := time + delta time egyeb dolgok mi a varhato meret? akkor all meg a novekedes ha kb egyenlo esel...

feladat tumor number effect korrigalasa az eloszlassal amit latunk: A genotipusbol van 8000 tumor, B genotipusbol van 2000 tumor - de ezek valojaban csak az 50-nel nagyobb tumorok emiatt ez a meroszam nem feltetlenul a tumor numbert jelenti de ha van illesztett eloszlasunk, lathatjuk hogy A genotipusnak a 80%-at latjuk, a B genotipusnak meg csak a 20%-at korrigalhatjuk a tumor numbert -> A is 10000 es B is 10000 ekkor azt gondolhatjuk hogy nincs is tumor number effect "problema" ha elvegezzuk a korrekciot, azt latjuk hogy nincs nagy valtozas, nem tunik el az effect mibol jon a problema? nagyon kulonbozo range-e van az illesztes altal szamolt szazaleknak es a latott darabszamoknak (akkor is ha valahogyan normalunk a KT-val) tehat: 70% - 96% es 500-3500 de kozben meg nagyon eros a korrelacio a ketto kozott miert problema? ha eros a korrelacio -> miert nem hasonlo a range? nem hasonlo a range -> miert korrelalnak? van valami harmadik valtozo? otletek: GR - DT helyett ha...

alak leirasa, hibafv, normal eloszlashoz p ertek  cel: ne csak szemmel lassuk, hogy rossz az illesztes, valahogyan jo lenne ket dolog egyik objektiven latni hogy rossz egy illesztes ehhez az kell hogy a hibak osszehasonlithatoak legyenek kulonbozo adatokra (most is azok? nem!) masik egy meroszam arra, hogy tenyleg "olyan" alaku az eloszlas ez nehez, szerintem nagyon bonyolult ezt okosan megcsinalni, mindig egyszerubb lesz azt csinalni hogy: megnezzuk mik a rosszak kirajzoljuk azoknak az alakjat hibafv normalizalasa kesz, le kell osztani az atlagmeret logaritmusaval (tesztelve, matematikailag is kb bizonyitva) objektiven latni hogy rossz egy illesztes tegyuk fel hogy az illesztes sose romlik el ez nyilvan nem igaz, de azert azt latjuk hogy legtobbszor tenyleg nagyon jol mukodik, ha jo az adat akkor megtalalja az optimalisat ekkor eleg azt nezni hogy normal eloszlasuak-e az ertekeink: valamilyen p ertek vagy valoszinuseg ket otlet elso: illesztesek hibaja illesztjuk az adatunka...

Hongchen adatai emlekezteto: csak KTC, csak egy szeletet tudjuk a heatmapnak rekrealni (inert sora) eredmenyek Lkb1 illeszkedik a legrosszabbul rosszul illeszkedik meg: Nf1, Pten, Setd2 ezek a dualguide-ban nem voltak rosszak de amugy ranezve az illesztesre van egy ilyen "alulbecslos-linearis" resze (pten es setd2, nf1 teljsen normalis), ha magasabbra veszem a vagast, hogy fontosabb legyen az a resz, akkor Pten-setd2-nak 2. es 3. legrosszabb az illesztese az inertesek kozul (lkb1 utan) de ugyanolyan tipusuak! ezt hogyan tudom vizsgalni? eredeti meretes ppf abra jol illeszkedo ts-ek alatt vannak illesztes ppf-re alulbecsuljuk optimalis upper limit ha alapbol megnezem akkor nincs semmi kapcsolat, ossze-vissza segit nem segit az upper limit beallitasa de neha az tortenik hogy ha az upper limit pl 0.998 akkor az lkb1-nal azt mondja hogy 1%-at latja az adatoknak ha van minimum percentile range akkor latszodik hogy tenyleg segit a rossz illeszteseken (es azon kiseb...

feladat miert gondoltunk erre? latjuk hogy nem sikerul illeszteni egy adott tipusuakra valamiert teljesen mas az alakja talan azert mert a teteje is hianyzik biologia → van egy felso hatara esetleg a mereteknek illesztes → szemre talan mukodne, mert nagyon bele vagyunk zoomolva de miert nem tudott erre illeszteni? mert a teteje mindig az (n-1)/n kvantilisnel lesz, pedig lehet ez nem igaz, mert mondjuk csak a 80. (mert felso korlat van a kiserlet miatt) hogyan lehetne? csak kezzel probalgatni nem feltetlenul az a fontos hogy mukodjon az algoritmus csak hogy lassuk hogy tenyleg ez a gond az adatokkal teljesen uj parameter erre is optimalizalni majd ezt akkor ha latjuk hogy van ertelme jegyzet dualguide data azt latjuk hogy a rosszul illeszkedoeknek alacsonyabb az optimal upper limit, lehet tenyleg meg lehet oldani ezzel az illesztest optimalizalas erre is (mostmar 3 parameteres a problema) Rb1_p53 teljesen megoldodik, alacsony lesz a hibaja tobbi viszont nem, sot, eloszlas alapjan az op...

egy otlet A es B es A;B genotipus kiszamolunk egy meretet, pl az osszes meretnek a 99. percentilise az illesztesekkel megnezzuk hogy mekkora esellyel lesz adott genotipus merete nagyobb mint ez a meret A: 5% B: 3% A;B: 6% varhato A,B A: 1-0.05 = 0.95 hogy nem B: 1-0.03 = 0.97 hogy nem A es B: 0.95*0.97 = 0.92 hogy nem => 0.08, hogy igen ebbol lehet nezni hogy pozitiv vagy negativ az interakcio ezt at kellene jobban gondolni, lehet nem igy mukodik, fuggetlensegeket teljesen atgondolni