Miert nem illeszkedik minden genotipus?

• 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 ott van mar a valasz is)
• alul- es felulbecsulest kezelese -> ha van ra valami egyszeru mod, nem az a lenyeg hogy megkapjuk erosnek az eroseket, hanem hogy ne legyen ez a gond
• bootstrappelni az egereket es ugy illeszteni, mindig felulbecsuli?
• keves egeren mulik? ha kihagyjuk azokat akkor mukodik?
• van egy fura eger, de nem valtoztat semmit
• normalizalni egerenekent, azonos vagasokkal valtozik az alak?
• nem
• nehany nagyon nagy tumor huzza el az illesztest?
• nem
• megerteni hogy miert becsuli alul
• megerteni hogy miert becsuli alul
• alapbol "fura" az alak, sok mutansra mukodik, ezekre miert nem?
• fugg az egerektol? mindegyikben fura? vagy csak nehanyban?
• az is informacio lenne hogy vannak olyanok amikre nem illeszkedik az alak
• lognormal eloszlas jobban illeszkedik ezekre? (growth rate normal)
• osszessegeben nem, Rb1_p53-re viszont igen!
• (ez a ketto valamennyire osszefugg, nem fuggetlen vizsgalodas a ketto)

jegyzetek, haladas

• a rosszul illeszkedo genotipusok csak olyanok ahol a real es az expected parametric mean is a legmagasabbak kozott van (es nincs olyan magas fitnessu genotipus amire jol illeszkedne)
• van egy olyan eger aminek teljesen mas az eloszlasa (sokkal nagyobbak a tumorok)
• ha csak ezt kihagyjuk nem tortenik semmi
• de ettol meg kicsit fura
• keves van azokbol a genotipusbol (marmint adat) amikre rosszul illesztek -> de masbol is keves van, nem ezen mulik, nem fugg ossze a ketto
• teljesen fuggetlen de akar fontos is lehet
• ha azt mondom hogy ne legyen a mereteknel minimum cutoff -> az Lkb1-ra azt mondja az algoritmus, hogy szerinte az adatok ~80%-at latja
• ilyenkor a cutoff nehany egerben 50, nehanynal 70, van olyan amelyiknel 100
• de ha azt mondom hogy legyen 100 akkor -> akkor azt mondja hogy az adatoknak csak a 4%-at latja
• tehat azon az 50 hosszu reszen van az adatok 76%-a, ez nyilvan brutalis es nem igaz, igazabol az adatok 30%-a van ott
• SOT
• ha a minimum cutoff 88 -> kb 40%-ot lat
• ha a minimum cutoff 93 -> kb 3%-ot lat
• (szoval 5 hosszu reszen van 37%, valojaban 0)
• ha kivesszuk azt az egeret amelyiknek a cutoffja 100, akkor kicsit mas a helyzet, de meg mindig lesz egy nagy ugras
• ez nagyon fura es nem annyira jo ha az algoritmus ennyire instabil, de ez magyarazhato azzal, hogy az adat nem normalis eloszlasu
• ezt az instabilitast teszteltem mas genotipusokra es nehany teljesen stabil, nehany kevesbe
• pl a Keap1 nagyon jol illeszkedik de az is instabil
• pl a Apc_Rasa1 nagyon jol illeszkedik, de egeszen stabil
• -->> instabilabb a rosszul illeszkedoeknel, de ezzel nem szetvalaszthatoak
• nagyon erosen osszefugg az error azzal hogy az algoritmus mit tippel arra, hogy az adatnak mekkora resze hianyzik
• sok (15-30%) hianyzik ~ magas a hiba
• itt ugy illesztek hogy kihagyom azt az egeret aminek magas a cutoffja, es amugy nincsen cutoffom
• nem szamit hogy normalizalunk-e egerenkent, nem segit ezen

talan fontos resz

• olyan plot amin megneztem hogy adott merethez milyen percentilis tartozik (valasztok sok pontot a legkisebb es legnagyobb meret kozott, mindegyik genotipusra megnezem az osszes pontnal hogy az a meret hanyadik percentilis lenne; tehat olyan plotot kapok aminek az x tengelyen a meret van, y tengelyen az hogy hanyadik percentilishez tartozik ~ cdf plot valos adatokra)
• 
• harom csoport
• (A) - szurke - sok eloszlas nagyon hasonlo, egy adagban vannak
• (B)  - zold - van egy nagyon fura, ami teljesen kulon van
• (C) - piros - van sok hasonloan fura, amik egeszen egyutt vannak, de elkulonitve az elso csoporttol
• (C) - (ez ezen az abran is latszodnak a dolgok amikrol irni fogok, de ha kulon-kulon abrazolom akkor konnyebb latni, nem akarok ide berakni sok kepet)
• nem szepen lassan kisimul hanem egyszercsak elvagodik
• 10^3-nal lapos lesz, de aztan 10^4 es 10^5 kozott nagyon meredek
• ha meredek a plot, akkor az azt jelenti hogy annal a meretnel sok adat van
• (mivel ha ezt derivalom akkor kapom meg a surusegfuggvenyt, pdf-t)
• olyan mintha 95. felett es a 80. alatt teljesen jol illeszkedne, de van egy dusulas a 80% es 95% kozott, ahol nagyon mas
• normal eloszlas ezt sosem fogja elkapni, foleg azert mert kezzel is ilyet rajzolnek ra, az adatok tobbsegere ez fog illeszkedni
• de kozben meg nagyon fontos informacio hogy a 80. es 95. percentilis kozott milyen eloszlasban vannak az adatok, mert lasd a rajzon
• ez csak sejtes, szamok nagyon hasrautott tippek
• 
• 

• ez az abra alatamasztja amit probaltam lerajzolni (azert nincsen 31x kulonbseg, de akkor is)
• minden pont egy genotipus (szimplak, duplak, inert)
• x tengelyen az van hogy az adatok hany szazaleka van az 1e3-1e4 intervallumon (valos adatok, itt most nincs illesztes!)
• y tengelyen az van hogy az adatok hany szazaleka van az 1e4-1e6 intevallumon (valos adatok, itt most nincs illesztes!)
• a pontok merete a hiba nagysagat mutatja
• azok vannak kekkel (True), amiknel rossz az illesztes (adott vagasnal nagyobb a hiba)
• tehat a bal felso sarokban azok vannak, akiknek alapbol kevesebb van a kisebb mereteknel, de sokkal tobb a nagyobb meretnel
• az algoritmus ezt nem tudja kezelni, ennel tortenik az amit lerajzoltam
• a tobbi van pirossal
• !!!! nekem elsore fel se tunt a jobb felso sarokban az az egyeduli kek potty (mert oda rakta eloszor a legendet a python...)
• annal is rossz az illesztes, de nem az a tipus amit a tobbinel latunk
• hat ez az Rb1-p53 amit meg tulsagosan felulbecsultunk!!
• fura az eloszlasa az eredeti adatoknak, ezert nem tudjuk jol becsulni
• tehat ez az abra mindket fura viselkedest magyarazza
• ha hozzaadom az abrahoz azt hogy az illeszteseknek (tokeletes normal eloszlasok) hogyan nez ki ez az aranya akkor...
• tehat lesznek uj (zold) pontok, annyi ahany genotipus van
• illesztek a genotipusra, adott parameterekkel kiszamolom szimulalt adatokon hogy mennyi van az a-b es a b-c intervallumon (aranykent)
• ha ezeket rarakom az abrara akkor:
• 
• latjuk hogy abban a nagy bolyban vannak a normal eloszlasok
• van egy pont jobb felul megint, aminek nagyon mas az eloszlasa -> ez az Rb1-p53 illesztettje, itt is latjuk hogy ez teljesen elkulonul a tobbitol
• (B)
• teljesen masmilyen eloszlas, egyikre sem hasonlit
• ez az Rb1-p53
• ha megnezzuk, 40. es 90. percentilis kozott, ennek a legnagyobb a merete
• a scatterplotokon mar lattuk hogy tenyleg furan viselkedik, 
• hasonlo abraval mint az elobb, itt is latjuk hogy logikus amit latunk
• de ezt miert nem tudja elkapni az illesztes?
• ennek nincs fura alakja mint a (C) csoportban levoknek (erre kezzel tudnek valamit rajzolni)
• erre sokkal jobban illeszkedik a lognormal eloszlas, tehat a growth rate normal eloszlasu
• attol hogy "sima" az alakja, nem lesz normal eloszlas -> sokkal meredekebb a "cdf" plotja, lehet ezt nem tudja leirni egy normal eloszlas
• de amugy meg a zold pottyos abran latszodik hogy valamennyire el tudjuk kapni, sokkal kozelebb vagyunk hozza mint a (C) esetnel
• ugy nez ki, mintha nagyon bele lennenk zoomolva, tehat csak nagyon keveset latunk belole
• --> ezt valamiert a DT normal nem talalja meg, de a GR igen, ezert illeszkedik jobban
• probaltam kezzel valtoztatni a parametereken (mean, sd), de valahogyan tenyleg nem lehet a DT normallal leirni ezt

osszefoglalas

• nehany illesztesnel nagy a hiba

• ezeknek masmilyen az eloszlasa, elkulonulnek

• hasonlitsuk ossze az eloszlasokat az eredeti adatokon, ugy hogy:
• megnezzuk hogy az adatok hany szazaleka van a es b kozott
• megnezzuk hogy az adatok hany szazaleka van b es c kozott
• ezt a ket meroszamot abrazoljuk

• legend
• meret -> mekkora a hiba
• kek/piros -> nagy hiba/alacsony hiba (csak egy vagas alapjan)
• zold -> illesztett eloszlasokbol szamolt meroszamok -> tehat ezek tokeletes normal eloszlasbol jonnek
• azaz
• kekek teljesen kulon egy csoportban, zold ott nincsen
• rb1-p53 egyedul jobb felul, de ahhoz kozeledik az illesztett zold