Bioinformatics in agriculture
Explanation
Magyarázat
Hajdu Csaba, 2026
Bioinformatics in agriculture
Miért nehéz a szekvenálásból jövő adat: több változó, mint megfigyelés; hányadokból áll; és ritka eseményről szól.
Hajdu Csaba, 2026
The semester
Mi jön ki egy szekvenálóból, és mibe kerül
Üdv. Ez a modul nem heti anyag, hanem projektcsomag — abból választasz féléves feladatot. És mielőtt bárki megijedne: itt nem molekuláris biológiát fogunk tanulni. Azt fogjuk megnézni, hogy a szekvenálásból jövő adat milyen adatelemzési feladat. Ha a hetedik héten végigcsináltad a tárolást, akkor ennek a blokknak a fele már ismerős lesz.
A kimenet rövid leolvasások tömege, nem összefüggő szekvencia. A genom ezekből áll össze.
Az első félreértés, amit érdemes tisztázni. A szekvenáló nem a genomot adja vissza, hanem rövid darabokat: néhány száz bázis hosszú leolvasásokat, véletlenszerű helyekről, sokszorosan átfedve. A genom ezekből áll össze — vagy egy referenciához illesztve, vagy összeállítással. Ebből következik minden további: a lefedettség fogalma, a hiba kezelése, és az, hogy miért nagy ez az adat.
Ezért van értelme a lefedettségnek: ha minden bázist átlagosan százszor olvasunk le, akkor egyetlen eltérés még hiba, száz egybehangzó eltérés viszont variáns. Az oldalsó rajz a `bio-sequence` demóé: 200 000 leolvasás, egyenként 150 bázis. Minden pozíciót átlagosan százszor olvasunk le — egyetlen leolvasásnak nem hinnénk el semmit, száznak igen.
A `bio-sequence` demó beállításai: 200 000 leolvasás, 150 bázis, 300 000 bázisos referencián.
Hogy lássuk, mit jelent az, hogy nem a genomot kapod meg: itt vannak a nagyságrendek. A referenciagenom háromszázezer bázis — ez az, amit meg akarunk ismerni. A szekvenálóból kétszázezer leolvasás jön, egyenként százötven bázis hosszan: ez összesen harmincmillió bázis. Vagyis minden egyes pozíciót átlagosan százszor olvasunk le. Ez nem pazarlás, hanem a módszer lényege. Bázisonként fél százalék a hiba, tehát egyetlen leolvasásnak nem hinnénk el semmit — száznak igen. A genom ebből a százszoros, egymást átfedő törmelékből áll össze.
A százszoros lefedettség a demóban beállított érték, nem univerzális szabály. Variánskereséshez tipikusan harminc-ötven körüli lefedettség kell, egy egyszerű jelenlét–hiány kérdéshez sokkal kevesebb. A lefedettség tehát költségdöntés, és a kérdés dönti el, nem a technológia.
1
Így néz ki egyetlen leolvasás a fájlban. Négy sor: a név, a bázissorozat, egy elválasztó, és minden bázishoz egy minőségi karakter. Ez az utolsó a lényeg a mai óra szempontjából — mert ugyanannyi karakter, mint a bázis. Nyersen tehát a fájl fele bázis, fele pontszám. Ez nem mérés, hanem a formátum definíciója.
A negyedik sor Phred-skálán van, 33-mal eltolva, hogy nyomtatható karakter legyen. A 20-as érték azt jelenti, hogy százból egy bázis hibás, a 30-as, hogy ezerből egy.
Q = 20 → 1 % hiba · Q = 30 → 0,1 % · Q = 40 → 0,01 %.
A logaritmikus skála oka gyakorlati: a hibavalószínűségek öt nagyságrendet fognak át, és egy bájtnyi helyre kell férniük. A logaritmus ezt sűríti egyenletes lépésekké.
Az oldalsó rajz a `bio-sequence` demóé, és megmutatja, miért nem mindegy ez. A négybetűs bázissor jól tömörödik — 30,0 MB-ról 8,6-ra. A minőségértékek viszont zajosak, és alig engednek: 30,0-ről 18,1-re. Nyersen a fájl fele-fele; tömörítve a 67,8 %-a MINŐSÉG. Ezért van az, hogy a gyakorlatban a minőségértékeket szokás ritkítani: nyolc szintre kerekítve a demó 1,8-szeres további nyereséget mér.
200 000 leolvasás, 150 bázis. Ugyanaz a két rész, nyersen és gzip után.
Itt jön az első mért eredmény, és ez az, amiért a blokk a hetedik hétre épül. Nyersen a bázis és a pontszám pontosan harminc-harminc megabájt — ezt a formátum írja elő. Tömörítve viszont már nem: a bázis nyolc egész hat megabájtra megy össze, a pontszám csak tizennyolc egészre. A tömörített fájl kétharmada tehát a minőségi pontszám. Aki tárhelyen akar spórolni, annak nem a szekvencián kell dolgoznia.
A bázis azért tömöríthető jól, mert négyféle lehet, és valódi genomon ismétlődik is. A pontszám közel folytonos és zajos — és a zaj nem tömöríthető, ez nem a tömörítő hibája.
A cella betöltése…
Ez a demó teljes kimenete. Két számot emelj ki belőle. Az egyik: a bázis három egész ötszörösére megy össze, a pontszám csak egy egész hétszeresére. A másik: ha a pontszámot nyolc sávra ritkítjuk, tíz megabájtra esik — majdnem a felére. Ezt csinálják a nagy archívumok, és nem hanyagságból: a leolvasás legtöbb felhasználásához nem kell negyven fokozat.
Amit a ritkítás elvesz: a finom hibavalószínűség-különbségek. Ha variánshívást akarsz csinálni, ez számít; ha csak azt nézed, mi van jelen, nem.
Egy 21-mer = 42 bit = egyetlen egész szám. A következő k-mer egy eltolás és egy maszk.
A szekvenciaelemzés alapfogása. A k-mer a szekvencia k hosszú részlete — mondjuk huszonegy bázis. Négyféle bázis két biten elfér, tehát egy huszonegyes k-mer negyvenkét bit: egyetlen egész szám. És ha a következő k-merre lépsz, az nem új számolás, hanem egy eltolás és egy maszkolás. Ez ugyanaz a gondolat, mint a hetedik héten az oszloporientált tárolás: a tárolás alakja maga a feldolgozás sebessége.
Ezért futnak a k-mer-alapú eszközök nagyságrenddel gyorsabban, mint a sztringeket szótárba tevő megoldások. Nem okosabb algoritmus — más adatábrázolás. Az oldalsó rajz a `bio-sequence` demóé. Négy betűhöz két bit elég — ez az elméleti alsó korlát véletlen bázisra, és a gzip is majdnem eléri. Egy 21-mer így 42 bit: egyetlen egész szám.
A `bio-sequence` demó tanpéldája: 200 000 leolvasás, 150 bázis, 300 000 bázisos genom.
C=200 * 150 / 300=100×
Húzd a csúszkát, és nézd, mi mozdul.
A lefedettség ÁTLAG: azt mondja meg, egy bázist hányszor olvasunk le átlagosan. Az egyes pozíciók lefedettsége e körül szór, és a szóródás a Poisson-eloszlást követi — ezért van az, hogy 10-szeres átlagnál is akad néhány lefedetlen pozíció.
A két csúszka ezer darabban, illetve ezer bázisban van, hogy a számok kezelhető nagyságrendben maradjanak — a hányados ettől ugyanaz. A demóban a 21-mer számláláshoz csak a leolvasások egy részét használjuk, és ezért lesz ott a lefedettség 13,0×, nem 100×.
30 000 leolvasás 21-merjei, kétszeres előfordulástól fölfelé. Az egyszer előfordulók (380 448 k-mer, az összes 55,6 %-a) nem férnek rá — ők a hibák.
Ez az ábra a bioinformatika egyik legtöbbet nézett képe, és modell nélküli minőségellenőrzés. Megszámoljuk, hány k-mer fordul elő egyszer, kétszer, háromszor. Az egyszer előfordulókból háromszáznyolcvanezer van — ezek szinte mind szekvenálási hibát tartalmaznak, mert a hibás k-mer a genomban sehol nincs meg. Az ábráról szándékosan lehagytam őket: egy oszlopban a háromszáznyolcvanezer mellett a többi egy vonallá lapulna. Ami itt látszik, az a másik csúcs, a genomé — tizenegynél.
A számok a `bio-sequence` demó hisztogramjából, ezerre kerekítve. A jegyzetfüzetben ugyanez logaritmikus tengellyel áll, egyben — ott a hibacsúcs és a genompúp aránya is látszik, éppen azért, mert a logaritmus összenyomja a különbséget. A két ábra ugyanazt az adatot mutatja, két döntéssel: itt levágtam egy oszlopot, ott meghajlítottam a tengelyt. Mindkettő döntés, és mindkettőt ki kell mondani.
A mért csúcs 11×. A képlet 11,7-et ad — a kettő egyezése igazolja, hogy jól olvassuk a hisztogramot.
Egy k-mer akkor hibátlan, ha mind a k bázisa az: ennek valószínűsége (1−p)^k. A hibás k-mer nem a saját helyére számolódik, hanem az egyszer előfordulók közé kerül — ezért a genompúp alacsonyabban áll, mint a nyers lefedettség.
Fordítva is használható: ha ismered a lefedettséget és látod a csúcsot, a hányadosukból megbecsülöd a szekvenálási hibaarányt. Ezt csinálja minden minőségellenőrző eszköz.
A `bio-sequence` demó részmintája: a 21-mer számlálás lefedettsége 13,0×.
csucs=13 * (1 - 0,01)^21=11,7×
Húzd a csúszkát, és nézd, mi mozdul.
Három csúszka. A lefedettség, a szekvenálási hibaarány, és a k-mer hossza. Az alapbeállítás a demóé — és nézd meg, mi történik, ha a k-t huszonegyről harmincegyre tolod: a csúcs lejjebb megy, pedig az adaton semmi nem változott. Az ok az, hogy hosszabb k-merbe több bázis fér, tehát nagyobb eséllyel esik bele legalább egy hibás. Ez az a dia, ami megmagyarázza, miért nem a lefedettségnél van a csúcs — és hogy a k megválasztása nem technikai részlet.
A demó a hisztogram csúcsát 11×-nél méri, a képlet 11,7-et ad. A különbség a hisztogram diszkrét felbontása: egész értékek között nincs csúcs. A (1−0,005)^21 = 0,900 szorzó azt mondja meg, hogy a k-merek 10 %-a hibás bázist tartalmaz — és ezek a hibás k-merek adják az egyszer előforduló k-merek 55,6 %-át.
Kapsz egy FASTQ-készletet, és a k-mer-hisztogramon a púp öt körül van, pedig a lefedettségnek a leolvasásszám alapján negyvennek kellene lennie. Mi a legvalószínűbb magyarázat?
Kapsz egy FASTQ-készletet, és a k-mer-hisztogramon a púp öt körül van, pedig a lefedettségnek a leolvasásszám alapján negyvennek kellene lennie. Mi a legvalószínűbb magyarázat?
Két út vezet a leolvasásoktól a válaszig. Ha van referenciagenom a fajhoz, akkor illesztünk: megkeressük, honnan származik minden leolvasás. Ha nincs, vagy éppen az érdekel, ami a referenciában nincs benne, akkor összeállítunk. Az agráriumban a főbb szántóföldi növényeknek van referenciájuk; a talajbaktériumok nagy részének nincs.
A referencia nem semleges eszköz. Egy tájfajta vagy egy honos populáció éppen abban tér el, amit a referencia nem ismer — és ezt az illesztés rendszerint alacsony megbízhatóságú találatként vagy hiányként mutatja.
Az ábra betöltése…
Itt a demó saját ábrája, és ezen látszik az, amit a korábbi dián le kellett vágnom. A jobb oldali hisztogram logaritmikus tengelyen áll, tehát az egyszer előforduló háromszáznyolcvanezer k-mer és a tizenegyes csúcs harmincnégyezerje EGYSZERRE fér rá. Így látod meg, hogy a hibacsúcs nem egy kicsit nagyobb, hanem egy nagyságrenddel — és hogy a kettő között van egy völgy, ami a vágási pontot megmutatja.
A völgy helye gyakorlati eszköz: a minőségellenőrző programok ott húzzák meg a hibás k-merek határát. Ha nincs völgy — mert a lefedettség túl kicsi —, akkor a hiba és a genom nem válik szét, és ez magában is eredmény: a készlet nem alkalmas összeállításra.
Ezt a láncot érdemes egyszer egészben látni, mert a bioinformatika erősen formátumvezérelt: a lépéseket nem a programok kötik össze, hanem a FÁJLFORMÁTUMOK. Ha a formátumokat ismered, bármelyik lépéshez találsz eszközt — és ha egy lánc leírásában elakadsz, az általában azért van, mert nem tudod, melyik formátumban vagy éppen. Balról jobbra: nyers leolvasás, minőségszűrés, illesztés, feldolgozás, variánshívás, elemzés. Mindegyik nyíl egy formátumváltás.
A lánc minden lépése elrontható úgy, hogy a következő lépés nem szól érte. A leggyakoribb: a referenciaváltozat. Két, más kiadásra illesztett VCF koordinátái nem vethetők össze — és a fájlban semmi nem akadályozza meg, hogy mégis megtegyük.
Mikor
A blokk zárógondolata, és ez a legkevésbé technikai mondat az egészben. A szekvencia önmagában nem elemezhető, csak tárolható. Kell hozzá, hogy mikor, hol, milyen mélységből, milyen tétellel vették a mintát. Ez a metaadat a mintavételkor kerül feljegyzésre vagy soha — utólag nem szerezhető meg. Több elemzés bukott már el ezen, mint rossz statisztikán.
A tétel azért fontos, mert a feldolgozás körülménye nyomot hagy az adaton. Ha a tétel egybeesik a vizsgált csoporttal, a kettő szétválaszthatatlan — erről a következő blokkokban még lesz szó.
| amit rögzíteni kell | miért | mivel |
|---|---|---|
| referenciaváltozat | a pozíciók kiadásonként eltolódnak — két VCF nem vethető össze | a metaadatban és a fájlfejlécben |
| eszközverziók | ugyanaz az illesztő két kiadása más illesztést ad | konténerkép (Docker, Apptainer) |
| paraméterek és küszöbök | a variánsszűrés a lánc legnagyobb hatású döntése | a munkafolyamat leírásában, nem szkriptben |
| véletlenmag | ahol a lépés sorsol, ott a futás nem ismételhető | a lánc paramétereként |
| a lánc maga | hat hónap múlva a parancssori előzmény nincs meg | munkafolyamat-motor (Nextflow, Snakemake) |
Egy genomikai elemzés akkor ér valamit, ha fél év múlva újra elő tudod állítani. Ehhez öt dolgot kell rögzíteni, és mind az öt olyan, amit a fájlok maguk NEM tartalmaznak. A referenciaváltozat, mert a koordináták kiadásonként elcsúsznak. Az eszközverziók, mert egy illesztő két kiadása más eredményt ad. A paraméterek. A véletlenmag, ahol van. És a szűrési küszöbök, mert azok viszik a legnagyobb hatást. Ezt hívják reprodukálhatóságnak, és nem adminisztráció: enélkül a saját eredményedet sem tudod megvédeni.
A konténerkép és a munkafolyamat-motor együtt ad reprodukálhatóságot: az egyik a programokat rögzíti, a másik a sorrendet és a paramétereket. Külön egyik sem elég — és a közösségi lánckönyvtárak (például az nf-core gyűjtemény) éppen ezt a kettőt csomagolják össze.
Húszezer próba, öt valódi hatás — és mit kezdjünk ezzel
Második blokk, és ez a modul leggyakorlatibb része. A nemesítés az az agrárterület, ahol a genomikai adat ma valóban döntést támogat — nem kísérletet. A kérdés, amit végigviszünk: mikor van értelme markert keresni, és mikor kell helyette becsülni.
300 megfigyelés, 20 000 változó. A tökéletes illeszkedés itt nem eredmény, hanem a dimenziószám következménye.
Ez a genomikai adat legfontosabb tulajdonsága, és a kurzus eddigi anyagának a legnagyobb próbája. Háromszáz nemesítési vonalad van, és húszezer markered. Ilyenkor mindig létezik olyan markerkombináció, amely a hozamot tökéletesen megmagyarázza — akkor is, ha egyetlen marker sem hat. Nem azért, mert hibáztál, hanem mert húszezer dimenzióban háromszáz pont mindig elfér egy síkon.
A 8. hét szavaival: ez a túlillesztés szélsőértéke. Két eszköz marad — a regularizáció és a becsületes szétvágás —, és egyik sem választható, mindkettő kötelező. Az oldalsó rajz a `bio-gwas` demóé: 300 nemesítési vonal, 20 000 marker, öt valódi hatás. A lista 0,4 százaléka valódi — ennyit ér a korrekció nélküli küszöb húszezer próbán.
Minden pont egy marker. A magasság a −log₁₀ p. A 0,05-os küszöb 1,3-nál, a genomszintű 5,6-nál van. A teljes, húszezer pontos ábra a jegyzetfüzetben.
Ez egy szimulált asszociációvizsgálat, és azért szimulált, mert így tudjuk az igazságot: öt marker hat valóban, a többi tizenkilencezer-kilencszázkilencvenöt nem. A függőleges tengelyen a p-érték negatív logaritmusa áll — minél magasabb, annál kisebb a p. Nézd meg, mennyi pont van a 0,05-os vonal fölött. Kilencszáznyolcvannyolc. És ebből négy valódi.
A háttérpontok egy huszonhármas minta a húszezerből — a dián nem fér el mind, és ezt ki kell mondani, nem elhallgatni. A lényeg nem az egyes pontok helye, hanem az arány: az alsó vonal fölött ezer pont van, és köztük öt valódi.
Húsz független próbánál már 64 százalék az esélye legalább egy téves riasztásnak — valódi hatás nélkül.
Húszezer markernél a Bonferroni-szint 0,05/20000 = 2,5e-6. Ez az a vízszintes vonal, ami a Manhattan-ábrán látszik, és ezért kell a −log₁₀ skála: enélkül minden pont a nulla közelébe lapulna.
Az oldalsó rajz a `stat-multiple` demóé, és van benne egy tanulságos eltérés: a képlet 64,2 százalékot mond, a mérés 48,2-t. A különbség oka, hogy a húsz próba UGYANAZT a kontrollcsoportot használja, tehát nem függetlenek — a függetlenség feltevése itt konzervatív irányba téved.
| küszöb | találat | ebből valódi | ebből hamis |
|---|---|---|---|
| p < 0,05 | 988 | 4 | 984 |
| genomszintű, p < 2,5·10⁻⁶ | 3 | 3 | 0 |
| FDR 5 % | 3 | 3 | 0 |
Itt a mért eredmény táblázatban. Ötszázalékos p-értékkel kilencszáznyolcvannyolc találat, ebből négy valódi: a lista nulla egész négy százaléka igaz, tehát használhatatlan. A genomszintű küszöb — a nulla nulla öt elosztva húszezerrel — három találatot hagy, és mind a három valódi. A hamis felfedezési arány szerinti eljárás itt ugyanazt adja. De figyelj a második oszlopra is: a genomszintű küszöb két valódi hatást elveszít.
Az oldalsó rajz a `bio-gwas` demóé, és azért az ARÁNYT mutatja, mert a darabszámok nagyságrendje szétfut: p < 0,05 mellett 988 találat jön ki, ebből 4 valódi — a genomszintű küszöbbel 3 találat, mind a 3 valódi. Ugyanezen az adaton 5 valódi hatás van, tehát a szigorú küszöb kettőt elveszít (0,20 és 0,14 szórásegységnyi hatást). Ez az ára. Az FDR és a Bonferroni nem ugyanazt ígéri. A Bonferroni azt, hogy egyetlen hamis találat se legyen; az FDR azt, hogy a közölt lista hamis hányada átlagosan öt százalék alatt maradjon. Felfedező vizsgálatban a második a hasznosabb ígéret — itt csak azért esnek egybe, mert a valódi hatások élesen elválnak a többitől.
Az ábra betöltése…
Hogy a húszezer marker ne tűnjön külön világnak, itt ugyanez a jelenség húsz kezelésen. Húsz készítmény, mindegyik teljesen hatástalan, tizenkét ismétléssel. Korrekció nélkül az esetek negyvennyolc százalékában lesz köztük legalább egy szignifikáns, és futásonként átlagosan egy egész huszonkilenc találat. Holm-korrekcióval ugyanez nyolc egész két százalék — ott van, ahol lennie kell. Érdemes megnézni a tankönyvi képletet is: hatvannégy egész kettőt jósol. A mért érték tizenhat ponttal kisebb, mert a húsz próba ugyanazt a kontrollt használja, tehát nem függetlenek. Ez a szám tehát nem cáfolat, hanem a kísérlet szerkezetének lenyomata.
A markerkeresés és a fajtakísérlet ugyanaz a feladat, csak más nagyságrendben: ott húsz próba és 48 %, itt húszezer próba és 988 találat. A védekezés is ugyanaz — a küszöböt a próbák számához kell igazítani, és a próbák számát a mérés ELŐTT rögzíteni.
A cella betöltése…
A demó kimenetében ott van az, amit a táblázat nem mond el. Az öt valódi hatás nagysága nulla egész negyvenöt, harmincöt, huszonnyolc, húsz és tizennégy szórásegység. A genomszintű küszöb az első hármat megtalálja, az utolsó kettőt nem. Ez nem a küszöb hibája — ez a küszöb ára. Háromszáz vonalból egy nulla egész tizennégyes hatást nem lehet ilyen szigorú küszöbbel kimutatni, akárhogy is szeretnénk.
Futtasd le nagyobb vonalszámmal is. A küszöb nem változik, a hatások kimutathatósága igen — a mintaméret az egyetlen, amivel a gyenge hatások elérhetővé válnak. Ez a 0. hét statisztikai erő fogalma, genomléptékben.
Egy kolléga azzal jön, hogy talált egy markert, amely nulla nulla egyes p-értékkel kapcsolódik a szárazságtűréshez, és szeretné beépíteni a nemesítési programba. Mi az első kérdésed?
Egy kolléga azzal jön, hogy talált egy markert, amely nulla nulla egyes p-értékkel kapcsolódik a szárazságtűréshez, és szeretné beépíteni a nemesítési programba. Mi az első kérdésed?
Ha a minta alcsoportokra bomlik, és az alcsoportok a tulajdonságban is eltérnek, akkor minden csoportjelző marker „találat” lesz.
És most a csapda, amit a küszöb nem old meg. Tegyük fel, hogy a mintád kétféle tájfajtából áll, és az egyik csoport átlagosan jobb hozamú — akár a genetikától teljesen független okból, mondjuk mert máshol termesztik. Ekkor minden marker, amely a két csoportot megkülönbözteti, kapcsolatot mutat a hozammal. Nem hamis pozitív a szó statisztikai értelmében: a kapcsolat valóban ott van az adatban. Csak nem oksági, és a nemesítésben haszontalan.
Ez ugyanaz a szerkezet, mint a 0. hét Simpson-paradoxonja, csak húszezer változóval. A szokásos kezelés: a populációszerkezet főkomponenseit beveszik a modellbe zavaró változóként — így a marker csak azt magyarázhatja, ami a csoporthovatartozás fölött marad. Az oldalsó rajz a `stat-simpson` demóé. Genomikában a tábla helyét az alcsoport veszi át: ha a minta populációkra bomlik, minden csoportjelző marker találatnak látszik.
Az ábra betöltése…
Ez ugyanaz a paradoxon, csak ismerősebb adaton — az 5. hétről már láttad. Kilenc tábla, mindegyiken nitrogén és hozam. Táblán BELÜL a meredekség pozitív, nulla egész nulla-egy-egy-négy, és mind a kilencen pozitív. Összevonva mínusz nulla egész nulla-négy-három-kilenc: ellentétes előjel, ugyanabból az adatból. Az ok nem statisztikai, hanem agronómiai: a gyengébb táblákra megy több nitrogén. A genomikában a tábla helyét az alcsoport veszi át. Ha a minta populációkra bomlik, és a populációk a tulajdonságban is eltérnek, akkor minden csoportjelző marker találatnak fog látszani — pedig csak a származást jelzi.
A védekezés mindkét esetben ugyanaz: a csoportot bele kell venni a modellbe. Agronómiában ez a tábla mint hatás, genomikában a populációszerkezet első néhány főkomponense. Ha nincs benne, az eredmény nem hibás — csak nem arra a kérdésre válaszol, amit feltettünk.
Itt válik szét a két megközelítés, és ez a blokk gyakorlati tanulsága. A markerkeresés azt kérdezi: melyik marker hat. Ez akkor működik, ha van néhány nagy hatású marker — betegségellenállóságnál gyakran van ilyen. A hozam viszont nem így működik: sok száz kis hatás eredője. Ott nem markert keresünk, hanem az összeset együtt használjuk tenyészérték becslésére. A küszöb ilyenkor nem is kell — nem listát közlünk, hanem rangsorolunk.
Ezért mondja a modul, hogy a „szignifikáns markert találtam” a nemesítésben ritkán a helyes cél. A gyakorlati kérdés az, hogy melyik vonalat vigyük tovább — és arra a becslés válaszol, nem a lista.
Az ábra betöltése…
A korábbi dián csak huszonhárom pontot tudtam megmutatni a húszezerből, mert a keretrendszer rajza nem visz el ennyit. Itt a demó saját ábrája az összessel. Most látod, mi az igazi arány: a szürke felhő a tizenkilencezer-kilencszázkilencvenöt nem ható marker, és a nulla nulla ötös vonal fölött ebből majdnem ezer ül. Az öt narancs pont a valódi hatás — kettő közülük a felső vonal alatt marad, tehát elveszne.
Ezt az ábratípust Manhattan-diagramnak hívják, a felhőből kiemelkedő csúcsok miatt. A valódi vizsgálatban a markerek kromoszóma szerint vannak sorba rendezve, és a szomszédos markerek együtt emelkednek ki — mert kapcsoltan öröklődnek. Az egyetlen magányos csúcs inkább gyanús, mint meggyőző.
Az örökölhetőség felső korlát a genomikus becslés magyarázóerejére. A fölötte lévő eredmény gyanú, nem siker.
Egy szám, amit érdemes minden ilyen projekt elején kiírni a táblára. Az örökölhetőség azt mondja meg, a megfigyelt változékonyság mekkora hányada magyarázható genetikai különbséggel. Ha egy tulajdonság örökölhetősége nulla egész három, akkor a legjobb genomikus modell sem magyarázhat többet harminc százaléknál — a maradék a környezet és a mérés. Aki ennél jobb eredményt közöl, az vagy szivárogtat, vagy a környezetet tanulta meg.
Ez a mondat pontosan úgy működik, mint a 8. hét figyelmeztetése a 0,98-as illeszkedésről. Ott térbeli szivárgás volt a gyanú forrása, itt a rokonság: ha ugyanaz a család a tanítóban és a teszten van, a modell a rokonságot tanulja meg. Az oldalsó rajz a `bio-gwas` demóé. A megtalálható rész felülről korlátos, és a korlátot a mintaszám meg az örökölhetőség adja, nem a módszer. A fölötte lévő eredmény szivárgás.
A `bio-gwas` demó mérése: az öt valódi markerhatás, és amit a genomszintű küszöb meghagy.
Itt látszik, miért nem a markerlista a cél. A generátorba öt valódi hatást raktunk, és tudjuk, mekkorák — szórásegységben nulla egész negyvenöt, harmincöt, huszonnyolc, húsz és tizennégy. A genomszintű küszöb a felső hármat találja meg. A két gyengébbet levágja: nem azért, mert nincsenek ott, hanem mert ennyi megfigyeléssel nem lehet megkülönböztetni őket a zajtól. A megtalálható rész tehát felülről korlátos, és ezt a korlátot a mintaszám és az örökölhetőség adja, nem a módszer. Aki a korlát fölötti magyarázóerőt közöl, az nem jobb modellt talált, hanem szivárgást.
Ez a dia a nemesítés egyik leggyakoribb félreértését célozza. A „nem találtunk szignifikáns markert” mondat nem azt jelenti, hogy a tulajdonság nem örökletes. Azt jelenti, hogy sok kicsi hatásból áll össze — és pontosan ezért működik a genomikus szelekció, amely az összes markert együtt használja, küszöb nélkül.
A megfigyelt változatosság genetikai hányada. A szűk értelmű h² az, ami a szelekcióban számít.
A harmadik képlet a nemesítők alapegyenlete: ha a kiválasztott egyedek átlaga S-sel jobb az állomány átlagánál, az utódnemzedék várhatóan h²·S-sel lesz jobb. h² = 0,3 mellett a kiválasztás nyereségének 70 százaléka nem öröklődik.
Ezért van az, hogy egy marker alapú modell 0,45-ös pontossága NEM feltétlenül gyenge: ha az örökölhetőség 0,5, akkor a modell a rendelkezésre álló jel kilencven százalékát megfogta. A modell értékelésekor a h² a viszonyítási alap, nem az 1,0.
Rokonság szerinti szétvágás, nem véletlen. És a tétel ne essen egybe a vizsgált csoporttal.
És ebből következik a blokk utolsó gyakorlati szabálya. A nyolcadik héten azt mondtuk, hogy ugyanabból a táblából ne kerüljön minta a tanítóba és a tesztbe. Itt ugyanez a rokonságra vonatkozik. Ha egy vonal testvére benne van a tanítóhalmazban, akkor a teszteredmény hazudik — a modell a családot ismerte fel, nem a genetikát. És ugyanígy a tétel: ha az egyik csoportot tavaly, a másikat idén genotipizálták, akkor a tételhatás és a csoport szétválaszthatatlan.
A rokonság szerinti szétvágás a 8. hét blokkos keresztvalidációjának a rokona: ott a hely kötötte össze a mintákat, itt a leszármazás. Mindkettő ugyanazt a hibát okozza — a modell a csoportot tanulja meg a jelenség helyett. Az oldalsó rajz a `cv-leakage` demóé — képi adat, de a szerkezete a rokonságé. Genomikán az „egyed” szerepét a testvérvonal, a közös keresztezési partner és a tétel tölti be.
A `cv-leakage` demó mérése: 100 egyed, egyedenként 5 felvétel, kétféle szétvágással.
Mérés arra, mit csinál a rossz szétvágás, ha a megfigyelések nem függetlenek. Ez képi adat, de a szerkezete ugyanaz, mint a rokonságé: száz növény, mindegyikről öt felvétel. Ha képenként sorsolunk, a pontosság kilencvenkilenc egész nyolc. Ha növény szerint vágunk — egy növény minden képe egy oldalra kerül —, hatvannégy egész nulla. Harmincöt egész nyolc százalékpont a különbség, és nem a modellről szól. A mechanizmus is látszik: véletlen szétvágásnál a teszt képek kilencvennyolc egész négy százalékának a legközelebbi szomszédja ugyanannak a növénynek egy másik felvétele. A modell nem a betegséget ismeri fel, hanem az egyedet. Genomikán a testvérvonal pontosan ezt csinálja.
Genomikai adaton az „egyed” szerepét a rokonsági csoport tölti be: testvérvonalak, ugyanaz a keresztezési partner, ugyanaz a tétel. A szétvágásnak ezek mentén kell mennie. A tétel külön is veszélyes: ha egybeesik a vizsgált csoporttal, akkor a kettő hatása szétválaszthatatlan, és ez már nem elemzési, hanem tervezési hiba.
Zárt adat, zárási hatás, és mit mér valójában a korreláció
Harmadik blokk. A talajmikrobiom vizsgálata ma olcsó, és ezért egyre több agrárprojektben megjelenik. A baj az, hogy a kimenete olyan adatfajta, amire a szokásos statisztikai reflexeink nem működnek — és ez nem nyilvánvaló addig, amíg valaki meg nem méri. Most meg fogjuk mérni.
A leolvasásszám a szekvenálásról szól, nem a talajról. Ezért hányaddal dolgozunk — és ettől az összeg rögzített.
Az első dolog, amit tisztázni kell. A 16S-vizsgálat leolvasásokat ad, és a leolvasások száma mintánként más — attól függ, mennyi került a szekvenálóba, nem attól, mennyi baktérium volt a talajban. Ezért mindenki relatív gyakoriságra vált: hány százalékát teszi ki egy taxon a leolvasásoknak. Ez elkerülhetetlen, és ez a forrása minden további bajnak. Az összeg ugyanis ettől kezdve rögzített: mindig száz százalék.
Van kísérleti kiút: ismert mennyiségű idegen DNS hozzáadása belső etalonként. Ekkor a hányadból abszolút mennyiség lesz. Ritkán csinálják, és a projektben érdemes megkérdezni, csinálták-e. Az oldalsó rajz a `bio-compositional` demóé. Ha a domináns taxon abszolút mennyisége nő a talajban, a többi hányada MIND csökken — anélkül, hogy bármelyikük megfogyott volna. Ez nem ökológia, hanem az összeg rögzítettsége.
A `bio-compositional` demó beállítása: 120 talajminta, 12 taxon, egy domináns.
Hogy lássuk, miért nem ártatlan a hányad: ebben a mérésben tizenkét taxon osztozik a leolvasásokon, és az egyik egymaga negyvenkilenc egész négy százalékot visz. A többi tizenegy átlagosan négy egész hat százalékot. Most gondold végig, mi történik, ha a domináns taxon abszolút mennyisége megnő a talajban. A leolvasásszám nem nő, mert a szekvenáló kapacitása rögzített — tehát a többi taxon hányada MIND lecsökken, anélkül hogy a talajban bármelyikük megfogyott volna. Ez nem ökológia, hanem az összeg rögzítettsége. Ezért nem lehet a hányadokat úgy olvasni, mintha mennyiségek lennének.
A leolvasásszám a szekvenálásról szól, nem a talajról: a gépbe töltött könyvtár mélysége határozza meg. Ezért nevezzük az ilyen adatot zártnak — az összeg rögzített, és ebből minden további furcsaság következik.
Mért ↔ számolt: 3 taxon −0,500 ↔ −0,500 · 6: −0,200 ↔ −0,200 · 12: −0,090 ↔ −0,091 · 40: −0,025 ↔ −0,026 · 200: −0,005 ↔ −0,005
A képlet egyenlő nagyságú, független részekre érvényes. Valódi mintában a részek nem egyenlők — és éppen ez teszi a jelenséget veszélyessé, ahogy a következő dia mutatja.
Ezt a táblázatot érdemes megjegyezni, mert megnyugtatónak látszik: sok taxonnál a hatás eltűnik. A következő dia megmutatja, miért nem igaz ez a megnyugvás.
12 taxon, egyikük a leolvasások 49,4 %-a. Az abszolút mennyiségek függetlenek — minden korreláció, ami itt látszik, a zárás műve.
Ez a blokk legfontosabb ábrája. Ugyanaz a száztizenhúsz minta, tizenkét taxon, amelyek abszolút mennyisége egymástól független — ezt tudjuk, mert mi állítottuk elő. A relatív gyakoriságon az átlagos korreláció mínusz nulla nulla kettő: gyakorlatilag nulla. Ha csak ezt nézed, azt mondod, nincs baj. De bontsd szét. A domináns taxon párjainál mínusz nulla egész négy, a többi páron plusz nulla egész nyolc. Az átlag azért nulla, mert a kettő kioltja egymást.
A mechanizmus egyszerű: ha egy taxon a leolvasások felét kiteszi, akkor amikor ő nő, mindenki más hányada csökken — tehát vele mindenki negatívan korrelál. A többiek pedig egymással enyhén pozitívan, mert mind ugyanazzal szemben mozognak.
Az ábra betöltése…
A hisztogram azt mondta meg, hogy VAN hamis korreláció. Ez megmondja, HOL. Két korrelációs mátrix, ugyanazokra a taxonokra. Bal oldalt az abszolút bőség: egyenletesen halvány, nincs szerkezet — ahogy kell, hiszen függetlennek állítottuk elő. Jobb oldalt a relatív gyakoriság. Nézd meg az első sort és az első oszlopot: végig sötétkék, vagyis erősen negatív. Az a domináns taxon. És nézd meg a maradék mezőt: enyhén piros, tehát gyengén pozitív. Egyik sem ökológia.
A színskála eltérő (diverging), nullára középre állítva. Korrelációnál ez nem ízlés: a nulla kitüntetett érték, és csak a szimmetrikus skála mutatja meg, melyik cella van a nulla melyik oldalán. Egy szekvenciális skálán ugyanez az ábra összefüggő átmenetnek látszana.
A cella betöltése…
Most jön az a rész, amit szeretnék, ha megjegyeznél — nem a számot, hanem az eljárást. Amikor ezt a demót megírtam, azt a mondatot írtam a végére, hogy a centrált logaritmikus arány visszahozza a korrelációt a nullához. Ezt olvastam, ezt hittem. Aztán lefuttattam, és mínusz nulla nulla kilencet kaptam — rosszabbat, mint a nyers relatív gyakoriságon. Nem a mérést javítottam ki, hanem a mondatot.
Az ok utólag világos: a CLR-változók összege nullára áll be, tehát a CLR maga is zárást hoz. A CLR a távolságokhoz és a főkomponens-elemzéshez jó — páronkénti kapcsolathoz nem. Ez nem a CLR hibája, hanem az enyém volt: rossz eszközt akartam rossz kérdésre.
log(a/s) − log(b/s) = log(a) − log(b). Az osztó kiesik — ezért használható zárt adaton.
Mi az, ami működik? Az, amiből az osztó kiesik. Ha két taxon hányadának a logaritmusát kivonod egymásból, akkor az összeg, amivel osztottunk, eltűnik: log a per s mínusz log b per s egyenlő log a mínusz log b. Ez nem trükk, hanem a zárt adat egyetlen értelmes algebrája. Az erre épülő arányossági mérőszám azt kérdezi, hogy a két taxon log-arányának szórása kicsi-e — és ez a kérdés attól független, mire normáltunk.
A demó ezt is lemérte: az arányossági mérőszám átlaga 0,057, tehát nulla közeli — ahogy független mennyiségeknél kell. A korreláció nem ezt adta. Az oldalsó rajz a `bio-compositional` demóé, és a CLR-ről szól: nem javítja meg, hanem rontja, mert maga is nullára összegződik. Ami működik, az a páronkénti log-arány — az osztó kiesik belőle.
A `bio-compositional` demó mérése: az átlagos páronkénti korreláció három ábrázolásmódon.
Ezt a diát a saját tévedésem miatt kellett átírni, ezért érdemes megnézni. Az abszolút bőségen az átlagos korreláció mínusz nulla egész nulla-nulla-három — nulla körül, ahogy előállítottuk. A relatív gyakoriságon mínusz nulla egész nulla-nulla-kettő: látszólag semmi. A centrált log-arányon mínusz nulla egész nulla-kilenc-egy — vagyis a CLR nem javítja meg, hanem rontja. Az ok az, hogy a CLR maga is nullára összegződik: kicseréli az egyik zárást egy másikra. Ami tényleg működik, az a páronkénti log-arány, amiből az arányosság számolható: ott nulla egész nulla-öt-hét jön ki. A log-arány tehát nem azért jó, mert transzformáció, hanem mert az OSZTÓ kiesik belőle.
Az arányosság (ρ = 0,057) szándékosan nincs rajta ezen az ábrán: az nem korrelációs együttható, hanem másik mérőszám, és két különböző mennyiséget nem szabad egy tengelyre tenni. Az összevetésük a `bio-compositional` demó teljes kimenetében megvan.
Egy mikrobiom-tanulmány azt közli, hogy két talajbaktérium-csoport erősen negatívan korrelál, és ebből versengésre következtet. Az egyik csoport a leolvasások negyven százalékát teszi ki. Mi az első ellenvetésed?
Egy mikrobiom-tanulmány azt közli, hogy két talajbaktérium-csoport erősen negatívan korrelál, és ebből versengésre következtet. Az egyik csoport a leolvasások negyven százalékát teszi ki. Mi az első ellenvetésed?
Mélyebb szekvenálás = több megtalált ritka taxon = magasabb mért diverzitás, változatlan talajon.
Egy második, kevésbé látványos csapda, ami ugyanoda vezet. A diverzitás — hányféle taxont találtunk — függ attól, hány leolvasás jutott a mintára. Mélyebben szekvenálva több ritka taxont látsz meg, tehát magasabb diverzitást mérsz, ugyanazon a talajon. Ha a mintáid mélysége eltér, akkor a diverzitáskülönbségük részben a szekvenálásról szól, nem a talajról.
A szokásos kezelés a ritkítási görbe: minden mintát ugyanarra a mélységre vágunk vissza, és megnézzük, ellapult-e már a görbe. Ha nem, akkor a minta alulszekvenált, és a diverzitása alsó becslés. Az oldalsó rajz a `bio-compositional` demóé: a mért és a képlet szerinti érték három tizedesjegyig egyezik. A mélység és a taxonszám ugyanannak a zártságnak a két arca — mindkettő a mérésről szól, nem a talajról.
Az ábra betöltése…
A demó teljes ábrája. Bal oldalt a taxonpárok korrelációinak eloszlása három alakban: az abszolút bőség nulla körül, ahogy kell; a relatív gyakoriság szélesebben; a centrált log-arány pedig — és ez az, amit rosszul tudtam — még szélesebben. Jobb oldalt a mért átlag és a képlet: három taxontól kétszázig három tizedesjegyig egyeznek. Ha egy elméleti képlet és egy szimuláció ilyen pontosan egyezik, akkor mindkettőt jól csináltuk.
A jobb oldali ábra vízszintes tengelye logaritmikus, mert a taxonszám három és kétszáz között mozog. Lineáris tengelyen a bal oldali négy pont egymásra csúszna — ez ugyanaz a döntés, amit az 5. héten a csonkolt tengelynél tárgyaltunk, csak a másik tengelyen.
| lépés | mit ad | amit nem mond ki |
|---|---|---|
| minőségszűrés, párosítás | tisztított leolvasások | a mélység mintánként eltérő marad |
| leolvasás-feldolgozás (DADA2, QIIME 2) | ASV- vagy OTU-táblázat | innentől az adat HÁNYAD, nem sejtszám |
| taxonómiai besorolás | ki melyik taxon | a besorolás adatbázisfüggő és hiányos |
| normálás, ritkítás | összevethető minták | a ritkítás adatot dob el — és ezt ki kell mondani |
| diverzitás, összehasonlítás | alfa- és béta-diverzitás | a korreláció kompozicionális adaton hamis jelet ad |
A mikrobiom-oldalon is végig kell nézni a láncot, mert itt van egy csapda, amiről a lánc vége nem szól. A nyers leolvasásból a feldolgozó lánc taxon-táblázatot csinál, és ez a táblázat HÁNYADOKAT tartalmaz, nem sejtszámot. A program nem mondja ki, hogy ettől kezdve kompozicionális adattal dolgozol — a felhasználónak kell tudnia. Nézd meg a harmadik oszlopot: minden lépésnél odaírtam, mit NEM kap meg az ember.
A negyedik sor a legvitatottabb a szakirodalomban: a ritkítás összevethetővé teszi a mintákat, de mintánként véletlenszerűen eldob leolvasásokat. A log-arány alapú megközelítések ezt kerülik el — és a `bio-compositional` demó megméri, mit old meg a CLR, és mit nem.
Három mérőszám, három súlyozás: a ritkák számítanak-e, és mennyire.
A három egyetlen családba tartozik (Hill-számok): a súlyozás kitevője 0, 1 és 2. Ezért érdemes mindhármat kiírni — külön-külön mindegyik félrevezethet.
Mindhárom mérőszám HÁNYADOKBÓL számol, tehát a leolvasási mélység befolyásolja őket: mélyebb mintában több ritka taxon jelenik meg, és a fajgazdagság magától nő. Ezért nem szabad eltérő mélységű mintákat diverzitásban összevetni normálás nélkül — és ezért vitatott a ritkítás, ami viszont adatot dob el.
Ha a tétel egybeesik a csoporttal, a hatásuk szétválaszthatatlan. Ez tervezési kérdés, nem elemzési.
És a harmadik, ami minden szekvenálásos projektet fenyeget. A feldolgozás körülménye — melyik futtatás, melyik kit, melyik labor — nyomot hagy az adaton, és ez a nyom gyakran erősebb, mint a biológiai jel. A veszélyes eset nem az, hogy van tételhatás. Az, hogy a tétel egybeesik a vizsgált csoporttal: a kezelt mintákat kedden dolgozták fel, a kontrollt csütörtökön. Ekkor a kettő szétválaszthatatlan, és nincs az a statisztika, amivel utólag ki lehetne bogozni.
A védekezés a mintavétel és a feldolgozás tervezésénél történik: a csoportokat el kell keverni a tételek között. Ez ugyanaz a gondolat, mint a véletlenítés a kísérlettervezésben — és utólag pótolhatatlan. Az oldalsó rajz a `cv-domainshift` demóé. Talajmintán a tétel ugyanezt teszi: a kivonókészlet sorozata, a szekvenálási futás, a mintavevő személye mind nyomot hagy — és ha a tétel egybeesik a kezeléssel, semmilyen statisztika nem választja szét őket.
A `cv-domainshift` demó mérése: ugyanaz a modell, más felvételi körülmények között.
A tételhatást talajmintán nehéz kimérni, mert nem tudjuk, mi lett volna a másik tétellel. Képi adaton viszont igen, és a szerkezete ugyanaz. Ugyanaz a modell, ugyanaz az adat, egyetlen különbség: a felvételek más megvilágításban készültek. Azonos fényen kilencvenegy egész egy százalék, eltolt fényen hetvenkilenc egész öt — tizenegy egész hat pontos esés. És ami a legkellemetlenebb: a modell erről nem szól. A döntéseihez tartozó magabiztossága alig változik. A csatornánkénti fehéregyensúly a romlás nyolcvanöt százalékát visszahozza, de ez utólagos javítás. A helyes válasz a mintavétel tervezésénél van: a tétel ne essen egybe a vizsgált csoporttal.
Talajmintán a tétel ugyanezt teszi: a kivonókészlet gyártási sorozata, a szekvenálási futás, a mintavevő személye mind nyomot hagy. Ha ezek egybeesnek a kezeléssel, az elemzés nem tudja szétválasztani őket — és semmilyen statisztika nem javítja meg utólag. Ezért kell a kezeléseket a tételeken belül kiegyensúlyozni, még a mintavétel előtt.
Egy jó teszt is rosszul szól, ha a kórokozó ritka
Utolsó blokk, és ez az, ahol az adatból döntés lesz. Egy növényvédelmi laborban a kérdés nem az, hogy jó-e a teszt. Az, hogy mit tegyünk, ha pozitív. És kiderül, hogy erre a teszt jellemzőiből önmagában nem lehet válaszolni.
| szám | mit mond | miről szól |
|---|---|---|
| Érzékenység | megtalálja-e a fertőzöttet | a tesztről |
| Fajlagosság | hallgat-e az egészségesre | a tesztről |
| Alapgyakoriság | milyen gyakori a kórokozó | az ÁLLOMÁNYRÓL — és mégis ez dönt |
A tesztekről rendszerint két számot közölnek. Az érzékenység azt mondja meg, a fertőzöttet mekkora eséllyel találja meg. A fajlagosság azt, hogy az egészségesre mekkora eséllyel nem szól. Mindkettő a tesztről szól, és mindkettő rögzített. De az a kérdés, ami téged érdekel — hogy egy pozitív eredmény mit jelent — ebből a kettőből nem válaszolható meg. Kell hozzá egy harmadik szám: hogy milyen gyakori a kórokozó abban az állományban, ahol vizsgálsz.
Ezért nem lehet egy tesztet „jónak” vagy „rossznak” minősíteni önmagában. Ugyanaz a teszt egy fertőzött állományban használható, egy tiszta állomány szűrésére viszont majdnem haszontalan.
A pozitív lelet jelentése a fertőzöttségtől függ — ugyanaz a teszt, más állomány, más következtetés.
A mi tesztünkre: (1 − 0,99) ÷ ((1 − 0,99) + 0,95) = 0,01 ÷ 0,96 = 1,04 %. A demó mérése ugyanezt adja: az 50 %-os fordulópont 1,04 % fertőzöttségnél van.
Az oldalsó rajz a `bio-diagnosis` demóé. Nézd meg a bal szélső oszlopot: 0,1 százalékos fertőzöttségnél a pozitívak 8,7 százaléka valódi — vagyis tizenegy pozitívból tíz téves. A teszt közben 95 és 99 százalékos, tehát kifogástalan. A hiba nem a tesztben van, hanem abban, hogy a leletet a fertőzöttség ismerete nélkül olvassák.
A `bio-diagnosis` demó tesztje: 95 % érzékenység, 99 % fajlagosság.
PPV=0,95 * 0,01 / (0,95 * 0,01 + (1 - 0,99) * (1 - 0,01))=0,49arány
Húzd a csúszkát, és nézd, mi mozdul.
Három csúszka, és ez a dia egy egész félévnyi félreértést old meg. Az alapbeállítás a demóé: kilencvenöt százalék érzékenység, kilencvenkilenc százalék fajlagosság, egy százalék fertőzöttség — és a pozitívaknak alig a fele valódi. Most told a fertőzöttséget nulla egész egy százalékra, ahogy egy mentes állományban van: a pozitívak kevesebb mint tíz százaléka valódi. A teszt közben nem lett rosszabb. Csak az állomány lett más. Aztán próbáld a másik irányt: told a fajlagosságot kilencvenkilenc egész kilencre. Ez a dia magyarázza meg, miért nem szabad tünetmentes állományt szűrni ok nélkül.
A demó ugyanezt hat fertőzöttségi szinten megméri, és az 50 %-os fordulópontot 1,04 %-nál találja. A zárt alak ugyanez: (1 − fajl) ÷ ((1 − fajl) + érz) = 0,01 ÷ 0,96 = 1,04 %. A csúszkán ez a pont az, ahol az eredmény 0,5 fölé lép.
Érzékenység 95 %, fajlagosság 99 %. A vízszintes tengely a fertőzöttség százalékban.
Itt a mérés. Kilencvenöt százalékos érzékenység, kilencvenkilenc százalékos fajlagosság — ez jó tesztnek számít. A vízszintes tengelyen a fertőzöttség, a függőlegesen az, hogy a pozitívak hány százaléka valódi. Nézd meg a bal oldalt. Ezrelékes fertőzöttségnél a pozitívak nyolc egész hét százaléka valódi: minden tizenegyedik riasztás igaz, a többi tíz téves. Egy százaléknál negyvenkilenc: minden második.
A jegyzetfüzetben ugyanez logaritmikus vízszintes tengellyel áll, mert a lényeg a bal szélen történik. Itt lineáris tengelyen van, hogy a meredek szakasz alakja látszódjék — a két ábra ugyanazt az adatot mutatja, két döntéssel.
A cella betöltése…
A demó kiszámolja azt a pontot is, ahol a pozitívak fele valódi: egy egész nulla négy százalékos fertőzöttségnél. Ez alatt a riasztásaid többsége téves. Érdemes ezt a számot megnézni közelebbről — nem a tesztről szól, hanem arról, hogy a fajlagosság hiánya, az az egy százalék, mennyi téves riasztást termel. Ezer mintából tíz téves pozitív jön ki mindig, függetlenül a fertőzöttségtől. A valódiak száma viszont a fertőzöttséggel együtt mozog.
Ez a szám a szűrés tervezésének a kiindulópontja: ha az állományod becsült fertőzöttsége a fordulópont alatt van, akkor a szűrés eredménye önmagában nem döntési alap, hanem előválogatás egy második körhöz.
Három út van, és mindhárom valódi költséggel jár. Növelheted a fajlagosságot — de ez rendszerint drágább tesztet jelent. Csinálhatsz megerősítő vizsgálatot a pozitívakon: az első kör olcsó és érzékeny, a második drága és fajlagos. Vagy szűkítheted, hol szűrsz: ha a kockázatos állományokra koncentrálsz, az alapgyakoriság ott magasabb, és ugyanaz a teszt hasznosabb lesz. Ez utóbbi a legolcsóbb, és a legtöbben elfelejtik.
A harmadik út azért kerül gyakran szóba utoljára, mert nem laborkérdésnek látszik. Pedig ugyanaz a döntés: hol vizsgálunk, az ugyanúgy befolyásolja az eredmény jelentését, mint az, hogy mivel.
1 %-os fertőzöttségnél, tízes gyűjtésnél: 200 teszt 1000 helyett — ötszörös megtakarítás.
A ritka kórokozó szűrésének a szokásos eszköze. Tíz mintát összeöntesz, és egyszer vizsgálod meg. Ha negatív, mind a tíz negatív — egy teszttel tíz mintát zártál le. Ha pozitív, akkor a tízet külön is meg kell nézni. Egyszázalékos fertőzöttségnél a demó szerint ezer minta kétszáz teszttel elintézhető, ezer helyett. Ötszörös megtakarítás. De van egy ár, amit a számítás nem tartalmaz.
A demó ezt a becslést szándékosan optimistán adja meg, és ezt ki is írja: a gyűjtött minta érzékenységét ugyanakkorának veszi, mint az egyediét. Az oldalsó rajz a `bio-diagnosis` demóé, 1 %-os fertőzöttségnél. Az ötszörös megtakarítás valódi — de két kört kell szervezni, és a hígulás ára a következő dián jön.
A `bio-diagnosis` demó számítása: 1000 minta átvizsgálása 1 %-os fertőzöttségnél.
A gyűjtött vizsgálat számtana egyszerű, és ezen az ábrán el is fér. Ezer mintát kell átnézni, egy százalékos fertőzöttség mellett. Egyenként vizsgálva ezer teszt. Tízesével gyűjtve először száz teszt fut le a gyűjtött mintákra, aztán azokat a tízeseket, amelyek pozitívak lettek, egyenként is meg kell vizsgálni — ez összesen kétszáz teszt. Ötször kevesebb. A megtakarítás valódi, de két dolgot fizetsz érte. Az egyik: két kört kell szervezni, tehát hosszabb az átfutás. A másik a következő dián jön, és az a fontosabb.
A gyűjtés mérete nem szabadon választható: a fertőzöttséghez kell igazítani. Ha a fertőzöttség magas, szinte minden gyűjtött minta pozitív lesz, és akkor a második kör az egészet újra végigviszi — ilyenkor a gyűjtés nemhogy nem spórol, hanem drágább.
Tíz mintában egy fertőzött = tizedannyi célmolekula. A gyűjtött vizsgálat érzékenysége kisebb, és a gyenge fertőzésnél a legkisebb.
Ez az ár. Ha tíz mintában egy fertőzött van, akkor a célmolekulából tizedannyi jut a vizsgálatba. A gyenge fertőzés így a kimutatási határ alá csúszhat — vagyis a gyűjtött minta érzékenysége kisebb, mint az egyedié, és éppen a kezdődő, még kezelhető fertőzéseknél a legrosszabb. Szeretném, ha ezt a mondatot megjegyeznéd: a megtakarítást a demó megmondja, a hígulást neked kell hozzátenni.
A gyűjtésméret ezért nem szabadon választható: a kimutatási határ és a várható fertőzési szint együtt szabja meg a felső korlátját. Ha a demó számából indulsz ki, és a hígulást nem számolod, akkor túl nagy gyűjtést tervezel. Az oldalsó rajz a `bio-diagnosis` demóé. A gyűjtés a teszt ÉRZÉKENYSÉGÉT rontja — tíz mintában egy fertőzött tizedannyi célmolekula —, és az érzékenység romlása ezen a görbén lefelé mozdít.
Az ábra betöltése…
És a demó saját ábrája, ahol a vízszintes tengely logaritmikus. Ez azért kell, mert a lényeg a bal szélen történik: ezrelékes és egyszázalékos fertőzöttség között zuhan a pozitív prediktív érték nyolc egész hétről negyvenkilencre. Lineáris tengelyen ez az egész szakasz az ábra bal két százalékába préselődne, és pont az nem látszana, amiről a blokk szól.
A logaritmikus tengely itt nem szépítés, hanem a kérdéshez illő kódolás: a ritka kórokozók tartománya nagyságrendeken át szóródik, és a döntés is ott dől el. Ugyanez a szabály, mint a csonkolt tengelynél — a tengely akkor jó, ha a döntési tartomány kitölti az ábrát.
Egy szűrési programban ezer mintát vizsgálnak évente, és a pozitívakat mind kezelik. A becsült fertőzöttség fél százalék, a teszt fajlagossága kilencvenkilenc százalék. A gazda azt kérdezi, miért kezelünk annyi tünetmentes állományt. Mit válaszolsz?
Egy szűrési programban ezer mintát vizsgálnak évente, és a pozitívakat mind kezelik. A becsült fertőzöttség fél százalék, a teszt fajlagossága kilencvenkilenc százalék. A gazda azt kérdezi, miért kezelünk annyi tünetmentes állományt. Mit válaszolsz?
Nyolc projekt, belépő, közép és haladó szinten. Mindegyik nyilvános adaton, egyetlen laptopon fut.
Ezzel a modul végére értünk. Nyolc projekt van kidolgozva, és mind fut egyetlen laptopon, nyilvános adaton — laborhozzáférés nélkül. Kettő a nemesítéshez tartozik, kettő a mikrobiomhoz, egy a diagnosztikához, egy a tárolási kérdéshez, és kettő a köztes témákhoz. Amit mindegyikben ugyanúgy kérek: az első oldalon álljon ott, hány megfigyelés van hány változóval szemben, és mi az alapgyakoriság.
A beadás része a felhasznált adatkészlet hivatkozása és licence. Ez nem formalitás: a nyilvános genomikai készletek licencei eltérnek, és van, amelyik a származtatott adat közzétételét is szabályozza.
a szekvenáló darabokat ad, a lefedettség pedig azt, hányszor olvastunk le egy bázist
a nyers formátum, és a bázisonkénti hibavalószínűség logaritmikus kódolása
k hosszú darabok, és a gyakoriságuk eloszlása; a csúcs helye a lefedettségből jön
egybázisos eltérés, és a húszezer próbához igazított szigorúbb határ
az ÖSSZES marker együtt, és a belőle becsült rangsor
hányad, nem sejtszám; a rögzített összeg hamis negatív korrelációt szül
a fertőzöttség, és belőle az, hogy egy pozitív lelet mögött mennyi az esély
Egy mondatban, amit szeretnék, ha megmaradna: a szekvenálásból jövő adat nem azért nehéz, mert biológia. Azért, mert több benne a változó, mint a megfigyelés, mert hányadokból áll, és mert ritka eseményről szól. Mind a három olyan tulajdonság, amire a kurzus eddigi hetei felkészítettek.
| Rövidítés | Feloldás | Mit jelent |
|---|---|---|
| FASTQ | FASTA + Quality | nyers leolvasás minőségértékekkel; négy sor rekordonként |
| SAM | Sequence Alignment/Map | az illesztés szöveges formátuma: melyik leolvasás hova került |
| BAM | Binary Alignment/Map | ugyanaz tömörítve és indexelve — az index miatt olvasható ki egyetlen régió |
| VCF | Variant Call Format | a variánsok táblázata: pozíció, allél, minőség, mintánkénti genotípus |
| SNP | Single Nucleotide Polymorphism | egyetlen bázis eltérése; a nemesítési markerek többsége ilyen |
| GWAS | Genome-Wide Association Study | genomszintű asszociációvizsgálat: minden markerre külön próba |
| FDR | False Discovery Rate | a találatok között a tévesek várható aránya |
| PPV | Positive Predictive Value | a pozitívak közül hány valódi — a fertőzöttségtől függ, nem csak a teszttől |
| OTU | Operational Taxonomic Unit | hasonlósági küszöb szerint összevont leolvasáscsoport |
| ASV | Amplicon Sequence Variant | pontos szekvenciaváltozat, küszöb nélkül — az OTU újabb váltása |
| CLR | Centered Log-Ratio | centrált log-arány: a kompozicionális adat szokásos átalakítása |
| qPCR | quantitative Polymerase Chain Reaction | mennyiségi PCR: a célmolekula mennyiségét is megadja |
| DNS | dezoxiribonukleinsav | a genetikai információ hordozója; angolul DNA |
| ASCII | American Standard Code for Information Interchange | karakterkódolás; a Phred-érték + 33 ebben a kódban áll a FASTQ-ban |
| TP, FP, FN, TN | a zavarási mátrix négy cellája | valódi találat, téves riasztás, kimaradt eset, helyes nem — a 8. hét vezeti be |
| BWA | Burrows–Wheeler Aligner | rövid leolvasások illesztője; programnév, a mögötte álló algoritmusról elnevezve |
| GATK | Genome Analysis ToolKit | variánshívó eszköztár; programnév |
| PLINK, QIIME, DADA2, FastQC | programnevek, nem rövidítések | genotípus-elemzés, amplikon-lánc, leolvasás-feldolgozás, minőségellenőrzés |
A bioinformatika a kurzus legrövidítésesebb területe, és ez nem véletlen: a lánc lépéseit FÁJLFORMÁTUMOK kötik össze, és a formátumoknak betűszó a nevük. Ha ezt a táblát ismered, egy idegen lánc leírását is végig tudod olvasni.
A BWA, a minimap2, a samtools, a GATK, a PLINK, a QIIME 2, a DADA2 és a FastQC nem rövidítés, hanem programnév — de a táblázatban is jó tudni őket: ezek a lánc szokásos eszközei, és a nevükre keresve minden lépéshez találsz dokumentációt.
Az ábra betöltése…
A modul négy típusa. A pontfelhő panel itt fontosabb, mint amennyit a helye sugall: a Manhattan-ábra húszezer markere csak így fér el egy rajzon, és a küszöb fölé kerülő néhány pont ebből látszik. Vedd észre, hogy ezen az egy panelen a vízszintes tengely NEM sorszám, hanem egy másik mennyiség — ettől lesz pontfelhő, és nem vonal.
Az ábra a `w05-encoding` demóé (`chartindex 5`). A paneleket a demó `TIPUSKESZLETEK` táblája sorolja fel, és pontosan annyi panel van rajta, ahány típust a következő dia táblázata felsorol — ezt a `check_diagramok.py` ellenőrzi is.
| diagramtípus | mit olvasol le róla | mire NEM jó |
|---|---|---|
| oszlop | kategóriák nagyságrendje és sorrendje — a hossz maga az érték | időbeli alakulás: a sorrend nem látszik rajta |
| vonal | időbeli alakulás: a meredekség és a fordulópontok | kategóriák összevetése: a vonal sorrendet állít oda is, ahol nincs |
| pontfelhő | két mennyiség együttmozgása, egy pont egy megfigyelés | időbeli sorrend: a pontokból nem derül ki, melyik volt előbb |
| demóábra | amit a keretrendszer rajza nem tud: log tengely, hőtérkép, kis sokszorosok | saját adatod: ez a demó kimenete, nem szerkeszthető a dián |
A modul diagramtípusai. A pontfelhő itt egyetlen helyen áll, de ott kihagyhatatlan: a Manhattan-ábra húszezer markere csak így fér el, és a küszöb fölé kerülő néhány pont ebből látszik.
A felsorolás nem kézi lista: a `check_diagramok.py` ellenőrzi, hogy pontosan ezek a típusok szerepelnek-e a diasorban — ha egy új dia más típust hoz be, vagy egy típus kikopik, az építés szól.