Stan Siranovich, Crucial Connection, LLC
In der Boulevardpresse wurde viel über „Big Data“ und seine Anwendungsmöglichkeiten geschrieben – sowohl positive als auch negative. Weniger bekannt, aber ebenso revolutionär, ist die Entwicklung statistischer Software und analytischer Verfahren, mit denen sich Zusammenhänge aufdecken und Vorhersagen anhand dieser Daten treffen lassen. Ein solches statistisches Verfahren ist die Methode der partiellen kleinsten Quadrate.
In dieser Postersession verwenden wir die JMP Statistical Discovery Software und die Partial-Least-Squares-Plattform, um die Tertiärstruktur von Proteinen zu untersuchen. Die Daten stammen aus einem großen öffentlichen Datensatz mit 45.730 Zeilen und 10 Spalten. Insbesondere verwenden wir die Partial-Least-Squares-Analyse, um die mittlere quadratische Abweichung (RMSD) zwischen zwei Proteinen anhand von neun stark korrelierten Variablen vorherzusagen. Wir erläutern die Ausgabedaten und ihre Bedeutung und werfen anschließend einen Blick hinter die Kulissen der Berechnungen oder Algorithmen, die die Software zur Ermittlung unseres Ergebnisses durchgeführt hat.
