Stan Siranovich, Crucial Connection, LLC
In der populären Presse wurde viel über „Big Data“ und seine Verwendungsmöglichkeiten geschrieben, sowohl im Guten als auch im Schlechten.Weniger ausführlich berichtet, aber ebenso revolutionär, wurde über die Entwicklung statistischer Entdeckungssoftware und Analysetechniken berichtet, mit denen Zusammenhänge aufgedeckt und anhand dieser Daten Vorhersagen getroffen werden können.Eine solche statistische Technik ist die der partiellen kleinsten Quadrate.
In dieser Postersitzung werden wir die JMP Statistical Discovery Software und die Partial Least Squares-Plattform verwenden, um die Tertiärstruktur von Proteinen zu untersuchen, die aus einem großen öffentlichen Datensatz von 45.730 Zeilen mal 10 Spalten heruntergeladen wurde.Insbesondere werden wir die Analyse der partiellen kleinsten Quadrate verwenden, um die quadratische mittlere Abweichung (Root Mean Square Deviation, RMSD) zwischen zwei Proteinen anhand von neun sehr stark korrelierten Variablen vorherzusagen.Wir werden uns mit einer Erklärung der Ausgabedaten und ihrer Bedeutung befassen und dann „unter die Haube“ schauen, welche Berechnungen oder Algorithmen die Software durchgeführt hat, um uns unser Ergebnis zu liefern.
