Ikhtisar
Visualisasi interaktif memberdayakan peneliti untuk mengeksplorasi data biologis secara dinamis dibandingkan secara pasif melihat plot statis. Dengan mengaktifkan zooming, panning, brushing, filtering, dan linked views, alat interaktif memungkinkan pengguna menginterogasi data dari berbagai perspektif secara real time. Pendekatan eksplorasi ini sangat berguna terutama untuk kumpulan data berdimensi tinggi dan berskala besar yang pertanyaannya belum ditentukan sepenuhnya sebelumnya. Teknologi web modern, D3.js, Plotly, Bokeh, dan Shiny, telah membuat interaktivitas canggih dapat diakses tanpa keahlian pemrograman khusus.
Konsep Utama
Menautkan dan menyikat menghubungkan beberapa tampilan dari kumpulan data yang sama: memilih titik dalam plot sebar menyorot baris yang sesuai dalam tabel atau wilayah dalam peta panas. Pemfilteran dinamis memungkinkan pengguna untuk mengelompokkan data dengan membatasi variabel numerik atau memilih grup kategori, dengan semua visualisasi diperbarui secara instan. Rendering tingkat detail menangani data berukuran besar dengan menampilkan representasi agregat pada zoom rendah dan titik individual pada zoom tinggi. Render sisi klien versus sisi server menentukan skalabilitas: alat berbasis web seperti browser genomik sering kali menggunakan rendering ubin sisi server untuk kumpulan data seluruh genom.
Aplikasi
Visualisasi interaktif mengubah cara peneliti bekerja dengan data dengan throughput tinggi. Dalam analisis microarray DNA dan ekspresi gen, peta panas interaktif memungkinkan pengguna mengelompokkan gen dan sampel sambil menyesuaikan skala warna secara dinamis. Pengurutan generasi berikutnya proyek mendapat manfaat dari browser genom interaktif yang melapisi beberapa jalur eksperimental. Proteomik dan spektrometri massa eksplorasi data menggunakan plot sebar interaktif dan plot gunung berapi tempat pengguna dapat mengklik titik individual untuk mengambil identifikasi peptida.
Protokol Praktis
Untuk membuat plot sebar interaktif hasil PCA menggunakan Plotly, mulailah dengan matriks ekspresi gen sebagai Pandas DataFrame. Jalankan PCA menggunakan sklearn.decomposition.PCA: sesuaikan model pada matriks ekspresi yang dialihkan (sampel x gen), lalu ekstrak tiga komponen utama pertama. Bangun DataFrame dengan nilai PC1, PC2, PC3 ditambah metadata sampel (misalnya, kondisi, batch, jenis jaringan). Di Plotly Express, panggil px.scatter_3d(data_frame, x='PC1', y='PC2', z='PC3', color='condition', hover_name='sample_id') untuk menghasilkan plot sebar 3D interaktif. Hasilnya adalah visualisasi yang sepenuhnya interaktif: pengguna dapat memutar plot dengan menyeret, mengarahkan kursor ke titik mana pun untuk melihat nama sampel dan koordinat, dan mengaktifkan/menonaktifkan grup dengan mengklik legenda. Untuk Bokeh, persamaannya adalah: from bokeh.plotting import figure, show; p = figure(); p.scatter('PC1', 'PC2', source=data, color='condition'), dengan show(p) meluncurkan halaman HTML interaktif dengan tooltips pan, zoom, dan hover. Misalnya, kumpulan data RNA-seq sel tunggal yang terdiri dari 10.000 sel dapat divisualisasikan sebagai plot t-SNE atau UMAP interaktif: peneliti mewarnai sel berdasarkan jenis sel yang disimpulkan, lalu mengarahkan kursor ke sel individual untuk menampilkan 5 gen teratas yang diekspresikan. Pilih klaster yang diinginkan dengan menggunakan alat pilih kotak untuk menggambar persegi panjang di sekelilingnya, lalu himpunan lebih lanjut datanya dan klaster ulang untuk menemukan subpopulasi. Penyikatan tertaut menghubungkan plot sebar ke peta panas gen penanda, memilih sebuah klaster akan segera memperbarui peta panas tersebut untuk menampilkan ekspresi gen rata-rata untuk kelompok tersebut, sehingga mengungkap tanda tangan transkripsional yang mendefinisikan setiap populasi sel.
