steepness, hill - different parameters

  • 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!
      • => log(size_99th) - log(size_95th) won't be big!
    • lkb1 is "steep" as well, but we don't get a high value, because the steepness ("the linear part") starts lower
  • new parameters (hand-picked, to get a higher score for the lkb1)
    • lower percentile: where the size is still close to the other ones => 90th percentile
    • higher percentile: where the size is the highest => anywhere between 93-98 => 95th
  • changes in steepness with new parameters
    • lkb1 is now the highest
  • correlation between fitting error
    • single mutants:
    • every genotype (dualguide)
  • similar results with hill
    • instead of the default 95th percentile, use the 90th percentile, because we think that lkb1's steep part starts there
    • new idea
      • for every mutant calculate the hill estimate for several percentiles (1-99)
      • we normalize to the inert in every percentile
      • plot these (x - percentile, y - normalized hill estimate, every line is a genotype)
      • we calculate these values for every genotype and then get the percentile corresponding to the maximum hill estimate, then we plot the percentile and the fitting error:
      • the outlier with an error of 0.021 is p53;rb1
      • the other 3 outliers: 'Keap1', 'Rasa1', 'Apc_Rnf43'
        • if we plot the percentile-hill estimate for these, we can see that it has a maximum at ~0.8, but the line is mostly flat
        • p53;rb1 is red, others are grey

Megjegyzések

Megjegyzés küldése

Népszerű bejegyzések ezen a blogon

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