uj adatok - Hongchen, Rogers

  • 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 kisebbek a optimal upper limitek)
  • Rogers 2018
    • emlekezteto: van KTC, KLTC, KPTC - KTC-vel inert oszlop, KLTC-vel Lkb1 oszlop, KPTC-vel p53 oszlop
    • eredemenyek
      • KLTC
        • gond: nem lehet osszehasonlitani a joval, mert azt varjuk hogy minden rossz legyen
          • de van mar otletunk arra, hogy mit jelent a rossz, el tudjuk donteni
        • tenyleg minden rosszul illeszkedik es nagyon hasonlo alak
          • eredeti meretes ppf
          • illesztes ppf
          • optimalis upper limit
            • nem nagyon segit, nem annyira ertem hogy miert nem
      • KTC
        • Lkb1, Setd2 nem illeszkedik annyira jol, de nem annyira rossz amugy
      • KPTC
        • erdekes szamunkra a p53_rb1 (dualguideban ez fura volt), es erdekes a p53_lkb1
          • p53_lkb1
            • dualguideban a legjobban illeszkedo lkb1_* volt (de azert osszesegeben a rosszak koze tartozott)
            • kptc-ben: egesz jol illeszkedik - !!! pedig Lkb1 van benne, ilyet meg egyszer sem lattunk
          • p53_rb1
            • masodik legrosszabbul illeszkedo, de nem annyira veszes
      • elvileg KLTC-p53 es KPTC-lkb1 ugyanaz (nyilvan nem de azert valamennyire jo lenne)
        • kozben nagyon nem ezt latjuk
        • kltc-p53 tenyleg a “rossz tipus”, kptc-lkb1 is kicsit rosszabb, de messze nem annyira mint a masik
  • max meret a medianhoz kepest
    • lehet ahol jol illeszkedik valami, ott mar elerte a tetejet es aminel rosszul ott meg nem (mintha tul hamar lett volna vege a kiserletnek - ertem hogy a hetek szama ugyanannyi, de gondolom mastol is fugghet)
    • miket lehetne igy osszehasonlitani?
      • olyan genotipust amelyik valamelyik kiserletben rosszul illeszkedik, valamelyikben meg jol
      • lehetseges pontok
        • setd2-dualguide vs setd2-hongchen
        • pten-dualguide vs pten-hongchen
        • nf1-dualguide vs nf1-hongchen
        • p53-lkb1-dualguide vs kptc-lkb1-rogers (kltc-p53 rogersben is rossz)
        • p53-rb1-dualguide vs kptc-rb1-rogers
    • nincs semmilyen osszefugges (se max, se 95, se 99. percentilis)

osszefoglalas

szimpla mutansok dualguide Hongchen (KTC) Rogers 2018 (KTC)
Lkb1 rossz rossz rossz
Setd2 jo rossz rossz
Pten jo rossz nincs
Nf1 jo rossz nincs
dupla mutansok dualguide Rogers 2018 (KLTC / KPTC)
Lkb1_barmi rossz rossz (kltc)
p53_lkb1 kicsit rossz inkabb jo
p53_rb1 rossz inkabb jo
p53_tobbi jo jo

Megjegyzések

Megjegyzés küldése

Népszerű bejegyzések ezen a blogon

steepness, hill - different parameters

Kép
problem/goal/basics steepness log(size_99th) - log(size_95th) the percentiles are parameters, these are the defaults, they were used in the article steepness and hill is highly correlated why isn't lkb1 the best? steepness will be high if there is a high probability of a big tumor we saw on the CDFs that lkb1 has a "bump" (dúsulás) so we expect lkb1 to have a high steepness value => is it because of the parameters? is there correlation between the fitting error and the steepness? (default and new parameters) we expect correlation (with "good" parameters) because we saw that all the badly fitting ones have that "bump"  original size cdf: (red is lkb1, green is pten) pten's high steepness: 99th percentile size is the highest 95th percentile is not that different from the others => log(size_99th) - log(size_95th) will be big lkb1's "low" steepness 99th percentile size is high 95th percentile is the highest by a big margin! => lo...
További információk

Miert nem illeszkedik minden genotipus?

Kép
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...
További információk

alak leirasa, normal eloszlas p ertekkel, egyebek

Kép
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...
További információk