Récemment, Georges Grinstein, responsable du programme de bioinformatique et codirecteur de l’Institut de visualisation et de recherche de la perception de l’Université du Massachusetts Lowell, était dans nos studios pour animer une diffusion Web et faire la promotion de son prochain séminaire Exploring Data Visualization in Life Sciences Research. J'ai eu l'occasion de m'asseoir avec le Dr Grinstein et de lui poser des questions sur la nature changeante de données des sciences de la vie , analyse et les nouvelles technologies qui nous permettent de visualiser de nouvelles informations sur ce que nos données nous disent.
Pourquoi pensez-vous qu'il est important de visualiser les données et les résultats d'analyse des sciences de la vie?
Sans pour autant visualisation , nous dépendons de chiffres, qui représentent le plus souvent des résumés ou des agrégations, des statistiques ou d’autres résultats calculés. Celles-ci peuvent faire allusion à la structure dans les données mais sont souvent trop précises pour montrer les structures associées. Je pense souvent que ces chiffres sont représentatifs non seulement des données, mais également des alias des données.
Quand faut-il visualiser les données des sciences de la vie?
Cela dépend de la tâche, mais mon instinct dit presque toujours.
Bien que la visualisation de ce type de données puisse apporter de nouvelles informations, y a-t-il des dangers à compter sur les éléments visuels?
Oui, il y a danger si l'on saute aux conclusions sans valider les "informations" analytiquement ou visuellement. Je considère ces idées comme des hypothèses et doivent donc être validées. Mais la visualisation apporte vraiment de nouvelles idées (et il existe de nombreuses visualisations différentes).
Les ensembles de données sont extrêmement volumineux. Avez-vous besoin de faire quelque chose avec vos données avant de commencer à en créer des représentations visuelles?
Cela dépend aussi de la tâche. Certains algorithmes et visualisations ne peuvent pas traiter des données volumineuses, ou prennent beaucoup trop de temps pour générer des résultats. Dans de tels cas, la réduction des données doit s'effectuer à l'aide de techniques telles que le sous-ensemble, la réduction dimensionnelle et l'échantillonnage, pour n'en nommer que quelques-uns. Et si l'on souhaite interagir avec un grand ensemble de données, cela peut être délicat.
Quelle est la prochaine étape dans les formats de visualisation et les tendances?
Voici quatre tendances que vous devriez connaître:
1. Couplage beaucoup plus étroit entre analyse et visualisation.
2 Plus d'interaction avec les visualisations de données plus volumineuses.
3 Parallélisation de nombreux algorithmes et visualisations.
4 Précalcul de grands ensembles de données pour gagner du temps lors des étapes de découverte ultérieures.
Le Dr Grinstein fera une présentation aux séminaires d’exploration de la visualisation de données dans les sciences de la vie, le 24 avril, au Broad Institute de Cambridge, dans le Massachusetts, et le 25 avril, au Chauncey Conference Center, à Princeton, au New Jersey. Visitez notre site Web pour plus d'informations sur - y compris comment vous inscrire - au Cambridge ou Princeton séminaires.
