QIIME ile 16S rRna Analizi Örnek Çalışma

QIIME ve QIIME ile ne nasıl çalışılacağına dair daha önceden iki yazı yazmıştım. Artık öğrendiklerimizi uygulayacağımız bir veriseti bulalım ve işe koyulalım.

Hastane Mikrobiyom Projesinden bahsetmiştim yine. Bu projenin verilerini nasıl indirebileceğimizi de bir yazımda bahsetmiştim. Şimdi indirilen veri üzerinde OTU seçimi yapacağız ve Beta ve Alfa uzaklıklarını belirleyeceğiz. QIIME kullanarak örnekleri birbiri ile karşılaştırıp, hangi tür mikropları içerdiğini görsel olarak ifade edeceğiz. Doküman ingilizce olarak hazırlandı. Aşağıdaki başlıkları içermektedir.

QIIME ile 16S rRNA Veri Analizi Örnek Çalışması

16S rRNA SEQUENCING DATA ANALYSIS TUTORIAL WITH QIIME
How to Obtain Microbiome Data
How to Setup QIIME
Essential files for QIIME
Sequence File (.fna)
Quality File (.qual)
Mapping File
Basic Statistics on Sequence Data
Otu Picking
Basic Statistics on OTU Table
OTU Heatmap
Data Analysis
Summarize Communities by Taxonomic Composition
Investigating Alpha Diversity
Identifying Differentially Abundant OTUs
Normalizing OTU Table
Beta-diversity and PCoA
Jackknifed Beta Diversity Analysis
Make Bootstrapped Tree
Comparing Categories

844 total views, no views today

“Sağlam” Temel Bileşenler Analizi -Robust PCA

PCA bir şekli, görüntüyü ve ya hareketi tanımlamada kullanılan yaygın bir yöntem. PCA küçük kareler yöntemini kullandığı için aykırı noktalar işim içine girdiğinde iyi sonuç vermeyebilir. Sonucu çarptırabilir. PCA veriyi temsil etmek için rank’ı k olan alt uzay oluşturur.

Gerçek hayattada genelde resimler önünde “noise” yada “outlier” denecek bozulmalar -mesela resimdeki yüzün önünde el resminin olması gibi – olabilir. Bu gibi durumları göz önüne alarak bu noise veriden düşük boyutlu bir lineer alt uzay oluşturarak- Robust PCA – yöntemi geliştirilmiştir.

RPCA yönteminde birveri matirisini M = L + S şeklinde ikiye bölmek istiyoruz, öyle ki L low rank, S sparse matris (yani, çoğu 0 olan matris) olacak şekilde.

Uygulama:

1- Videodaki arkaplan ve öndeki nesnelerin ayrıştırılması için, arkaplan low rank matris olarak tanımlanabilir.

 

 

 

 

 

 

2- Yüz fotograflarındaki parlamayı silmek için kullanılabilir.

 

 

 

 

 

İlginç bir şekilde, fotograftaki kontrast değiştirildiğinde düşük boyutlu matris yüzü tanınacak şekilde ortaya çıkarabilir

 

 

 

 

 

 

Kaynak:

https://statweb.stanford.edu/~candes/math301/Lectures/rpca.pdf

http://perception.csl.illinois.edu/matrix-rank/introduction.html

770 total views, no views today