modelling tumor growth - dual guides

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

alapproblema felhasznalva az illesztest, szamolunk minden genotipushoz atlagtumormeret erteket (sulyozott integralos algoritmus) ha megnezzuk hogy mi lenne a vart a duplaknal, akkor azt latjuk hogy nagyon keves (pontosan 1, az Rb1_p53) jon ki pozitiv interakcionak (ez szignifikans is amugy) mitol lehet? nezzuk meg melyek azok a genotipusok amik mas meroszamokkal erosek ezeket az illesztesunk "alulbecsuli" (kisebb erteket mond adott percentilishez - foleg a magas percentiliseknel) --> Rb1_p53-nel pont forditva van, annal felulbecsuli az algoritmus, emiatt lesz ennyire eros mit akarunk ezzel kezdeni? opcio ugy modositani az algoritmust hogy megkapjuk pozitivnak azokat amikrol tudjuk hogy azok -> nem ez a cel az alul- es felulbecsulest valahogyan megprobalhatjuk kezelni, de ne az legyen a cel, hogy olyan sulyozast vagy hibafuggvenyt keressunk amivel mukodni fog opcio megerteni hogy miert becsuli alul vagy felul tervek es ahhoz otletek (ha gyorsan lehetett checkolni akkor o...