Data Visualization Methodological Foundations of Biomedical - - PowerPoint PPT Presentation

Data ¡Visualization

Methodological ¡Foundations ¡of ¡ Biomedical ¡Informatics October ¡13, ¡2015 Kelly ¡Ruggles, ¡Ph.D. ¡

Data ¡Visualization ¡in ¡Biology ¡and ¡Medicine

• Challenge ¡is ¡to ¡explore ¡and ¡communicate ¡large ¡amounts ¡of ¡data ¡

without ¡being ¡overwhelmed

• Data ¡visualization ¡takes ¡advantages ¡of ¡our ¡ability ¡to ¡recognize ¡

patterns

• Visualization ¡is ¡most ¡useful ¡in ¡situations ¡when ¡
• Do ¡not ¡yet ¡know ¡the ¡regularities ¡in ¡the ¡data
• Allows ¡for ¡exploration ¡of ¡data ¡for ¡patterns
• Complementing ¡ algorithmic ¡approaches

Poor ¡visualization ¡examples

Poor ¡visualization ¡examples

Poor ¡visualization ¡examples

Good ¡visualization ¡examples

Good ¡visualization ¡examples

Good ¡visualization ¡examples

Visualization ¡Tools

• Static ¡visualization
• Matlab
• Matplotlib
• R ¡(ggplot2)
• Dynamic ¡visualization
• JavaScript
• D3: ¡JavaScript ¡library ¡for ¡producing ¡ dynamic ¡data ¡visualizations ¡in ¡web ¡

browsers

Plot ¡Types

• 1. ¡Bar ¡charts ¡and ¡box ¡plots
• 2. ¡Sets ¡and ¡Intersections
• 3. ¡Scatters ¡and ¡Regressions
• 4. ¡Heat ¡maps ¡and ¡clustergrams
• 5. ¡Networks
• 6. ¡Genome-­‑wide ¡visualization
• 7. ¡Data ¡integration
• 8. ¡ ¡3D ¡and ¡multi-­‑dimensional

Demo ¡dataset

• iTRAQ MS/MS ¡proteomic ¡data ¡from ¡CPTAC ¡breast ¡tumor ¡samples
• 83 ¡tumor ¡samples
• Dataset ¡with ¡missing ¡data: ¡12,553 ¡proteins
• Dataset ¡with ¡missing ¡data ¡removed: ¡7,975 ¡protein
• Data ¡has ¡been ¡log ¡normalized ¡and ¡median ¡centered ¡for ¡each ¡sample ¡

• 1. ¡Bar ¡charts ¡and ¡box ¡plots
• Used ¡to ¡visualize ¡quantities ¡associated ¡with ¡a ¡set ¡of ¡items
• Bar ¡charts ¡are ¡useful ¡for ¡counts, ¡boxplots ¡for ¡distributions
• Stacked ¡bar ¡charts ¡are ¡useful ¡in ¡comparing ¡contributions ¡to ¡the ¡total

Bar ¡charts ¡in ¡Lipidomics Bar ¡and ¡stacked ¡bar ¡Proteomics

• 1. ¡Bar ¡charts ¡and ¡box ¡plots
• When ¡dealing ¡with ¡quantities ¡sampled ¡from ¡a ¡population ¡then ¡use ¡

either ¡error ¡bars ¡or ¡box ¡plots

• For ¡both ¡box ¡plots ¡and ¡bar ¡charts, ¡consider ¡ordering ¡the ¡bars ¡by ¡

height ¡and ¡boxes ¡by ¡the ¡median ¡to ¡make ¡figures ¡easier ¡to ¡read ¡ (unless ¡the ¡order ¡is ¡important ¡to ¡maintain)

http://www.nature.com/nmeth/journal/v11/n2/full/nmeth.2807.html

• 2. ¡Sets ¡and ¡Intersections ¡(Euler/Venn)
• Use ¡to ¡visualize ¡the ¡intersections ¡of ¡3-­‑4 ¡sets ¡but ¡beyond ¡this ¡is ¡challenging
• Euler ¡vs. ¡Venn: ¡
• Venns have ¡regions ¡for ¡all ¡possible ¡combinations ¡of ¡groups ¡whether ¡or ¡not ¡there ¡

are ¡things ¡in ¡those ¡regions ¡or ¡not

• Eulers only ¡show ¡overlapping ¡regions ¡if ¡something ¡exists ¡in ¡that ¡overlap ¡

• 2. ¡Sets ¡and ¡Intersections

http://www.informationisbeautiful.net/

• 2. ¡Sets ¡and ¡Intersections ¡(more ¡than ¡4 ¡sets)
• Encode ¡all ¡intersection ¡sets ¡in ¡a ¡matrix ¡and ¡color ¡code ¡the ¡number ¡of ¡

elements ¡in ¡each ¡intersection

Genes ¡mutated ¡in ¡tumors ¡of ¡patients ¡with ¡gliobastoma multiforme Intersection ¡is ¡the ¡number ¡patients ¡with ¡co-­‑mutation

• 3. ¡Scatter ¡plots

All ¡reps ¡failed All ¡reps ¡passed Some ¡reps ¡passed

• Used ¡to ¡look ¡at ¡relationship ¡between ¡two ¡variables ¡(typically ¡includes ¡

a ¡regression ¡analysis)

• Add ¡color ¡and ¡size ¡to ¡add ¡more ¡dimensions ¡to ¡the ¡data ¡

• 3. ¡Scatter ¡plots ¡and ¡regression
• Scatter ¡Matrix: ¡allows ¡you ¡to ¡look ¡at ¡relationship ¡between ¡each ¡

permutation ¡of ¡each ¡variable ¡combination ¡

• 3. ¡Scatter ¡plots

• 4. ¡Heatmaps and ¡clustergrams
• 2D ¡table ¡with ¡color ¡shading ¡used ¡to ¡represent ¡quantitation
• Well ¡suited ¡for ¡high-­‑throughput ¡data ¡(gene ¡expression, ¡transcriptomic)
• Requires ¡meaningful ¡labeling ¡or ¡rows/columns ¡(often ¡not ¡well ¡done)

Toussaint ¡Loua, ¡1873

Hierarchical ¡Clustering

• Used ¡to ¡identify ¡groups ¡that ¡have ¡similar ¡expression ¡patterns
• The ¡more ¡homogenous, ¡the ¡poorer ¡the ¡separation
• Two ¡types: ¡
• Agglomerative ¡(bottom ¡up): ¡most ¡commonly ¡used ¡
• everything ¡starts ¡in ¡its ¡own ¡cluster ¡and ¡are ¡merged ¡
• More ¡precise ¡at ¡bottom ¡of ¡the ¡tree, ¡identifying ¡more, ¡smaller ¡ clusters
• Divisive ¡(top ¡down): ¡
• everything ¡starts ¡in ¡one ¡cluster ¡and ¡is ¡split
• More ¡precise ¡at ¡top ¡of ¡the ¡tree, ¡identifying ¡fewer ¡but ¡larger ¡clusters

Hierarchical ¡Clustering

• Given ¡N ¡items ¡(genes) ¡to ¡be ¡clustered ¡and ¡an ¡NxN distance ¡matrix
• Assign ¡each ¡item ¡to ¡a ¡cluster ¡so ¡you ¡have ¡N ¡clusters ¡each ¡with ¡1 ¡item
• Find ¡closest ¡(most ¡similar) ¡pair ¡of ¡clusters ¡and ¡merge ¡them ¡into ¡a ¡single ¡

cluster

• Computer ¡distances ¡(similarities) ¡between ¡the ¡new ¡cluster ¡and ¡each ¡of ¡the ¡
• ld ¡clusters
• Repeat ¡steps ¡2 ¡and ¡3 ¡until ¡all ¡items ¡are ¡clustered ¡into ¡a ¡single ¡cluster ¡of ¡size ¡N

Hierarchical ¡Clustering

• Factor ¡proximity ¡and ¡cluster ¡shape ¡are ¡established ¡based ¡on ¡two ¡

similarity ¡measures

• Distance ¡metric ¡
• Euclidean ¡distance. ¡More ¡sensitive ¡to ¡scaling/fluctuations ¡in ¡the ¡data ¡
• Pearson ¡correlation
• Linkage ¡method: ¡affects ¡the ¡distance ¡between ¡clusters
• Average ¡linkage-­‑ based ¡on ¡average ¡distance ¡between ¡cluster ¡features
• Complete ¡linkage-­‑ based ¡on ¡maximum ¡distance ¡between ¡cluster ¡features

http://www.nature.com/nmeth/journal/v9/n3/full/nmeth.1902.html

• 4. ¡Heatmaps and ¡Clustergrams

Ruggles ¡and ¡Rajan, ¡2014

• 5. ¡Networks
• Complex ¡interactions ¡between ¡proteins, ¡DNA, ¡RNA, ¡small ¡molecules ¡
• Hubs: ¡single ¡nodes ¡connected ¡to ¡many ¡other ¡nodes
• Clusters: ¡sets ¡of ¡interconnected ¡nodes
• Directed ¡vs. ¡undirected ¡

Directed Undirected Undirected http://www.nature.com/nmeth/journal/v9/n2/full/nmeth.1862.html

• 5. ¡Networks
• Layouts ¡can ¡dramatically ¡change ¡how ¡we ¡see ¡the ¡data ¡
• Large ¡and ¡complex ¡dataset ¡= ¡hairball
• Adjacency ¡matrix ¡is ¡an ¡alternative ¡for ¡large ¡datasets ¡
• Can ¡be ¡difficult ¡to ¡understand ¡the ¡connections
• Could ¡instead ¡focus ¡on ¡a ¡smaller ¡subset ¡of ¡the ¡data

http://www.nature.com/nmeth/journal/v9/n2/full/nmeth.1862.html

• 5. ¡Networks ¡example

http://www.informationisbeautiful.net/

• 5. ¡Tools ¡for ¡creating ¡networks
• Tools: ¡
• Cytoscape
• Gephi
• String
• Reactome (cytoscape plug-­‑in)

http://www.spandidos-­‑publications.com/ijmm/33/6/1586

• 6. ¡Genome-­‑wide ¡visualization
• Typical ¡anaysis: ¡
• Uses ¡a ¡location ¡on ¡the ¡reference ¡genome ¡to ¡order ¡the ¡data
• Arranges ¡linear ¡coordinate ¡data ¡on ¡the ¡x-­‑axis, ¡label ¡data ¡value ¡on ¡the ¡y
• Limitations: ¡
• Cannot ¡represent ¡

the ¡entire ¡genome ¡ in ¡one ¡figure ¡and ¡ maintain ¡resolution

• Poor ¡overview ¡of ¡

small ¡genomic ¡ features ¡such ¡as ¡ genes

• Genome ¡browsers ¡

get ¡around ¡this ¡by ¡ allow ¡for ¡zooming ¡ but ¡difficult ¡to ¡do ¡for ¡ static ¡figures

Mapped Protein

Proteogenomic Expression Log2(Basal/Luminal)

−5 5 CNV −5 5 mRNA # genes −2.5 2.5 Peptides 0.5 1 1.5 2 x 108 −2.5 2.5 Phospho

PRKCZ ARID1A JAK1 LDLRAP1 CLCA1 HMGCS2 NRAS

Chromosome 1

• 6. ¡Genome-­‑wide ¡visualization

• 6. ¡Genome-­‑wide ¡visualization
• Circos plots

• 6. ¡Tools ¡for ¡genome-­‑wide ¡visualization
• Netgestalt
• UCSC ¡genome ¡browser
• IGV

Variants Proteomic ¡ Quantitation RNA-­‑Seq ¡Data ¡ Proteomic ¡ Mapping Predicted ¡gene ¡ expression

• 6. ¡Genome-­‑wide ¡visualization
• Many ¡stacked ¡rows ¡for ¡different ¡data ¡types ¡aligned ¡to ¡the ¡reference ¡

genome ¡can ¡make ¡it ¡difficult ¡to ¡see ¡patterns ¡in ¡the ¡data

• To ¡manage ¡an ¡overwhelming ¡amount ¡of ¡data/complexity ¡one ¡can ¡

summarize ¡(abridged) ¡or ¡compact ¡(preserves ¡ original) ¡the ¡data. ¡

• Heatmaps can ¡be ¡used ¡to ¡compact ¡data ¡

Collapsed ¡to ¡single ¡track ¡ Heatmap replaces ¡peak ¡heights

3D ¡and ¡multidimensional ¡plots

• Adds ¡level ¡of ¡visual ¡complexity ¡that ¡makes ¡data ¡difficult ¡to ¡

understand ¡and ¡therefore ¡usually ¡better ¡to ¡plot ¡on ¡2D ¡plane ¡

Colors

• Rainbow ¡colormap (jet): ¡not ¡ideal ¡for ¡quantitative ¡data ¡because ¡it’s ¡not ¡

clear ¡how ¡colors ¡are ¡ordered

• 3 ¡hues ¡make ¡low ¡and ¡high ¡ends ¡distinct
• 2 ¡hues ¡highlight ¡1 ¡extreme
• Colorblind: ¡don’t ¡use ¡red-­‑green ¡combo
• Can ¡check ¡in ¡Illustrator ¡and ¡Photoshop ¡for ¡color-­‑blindness ¡(View ¡> ¡

Proof ¡Setup ¡> ¡Color ¡Blindness)

Colors

• Choose ¡your ¡own ¡colors! ¡
• Use ¡hot/bold ¡colors ¡when ¡you ¡want ¡to ¡draw ¡attention ¡and ¡

cooler/muted ¡colors ¡for ¡less ¡important ¡data

http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1003833

JavaScript ¡and ¡D3

• Allows ¡for ¡rich ¡user ¡interactivity

http://bl.ocks.org/mbostock/4062045 http://www.theguardian.com/world/interactive/2013/feb/12/state-­‑of-­‑ the-­‑union-­‑reading-­‑level http://bl.ocks.org/mbostock/4343214 http://www.informationisbeautiful.net/visualizations/snake-­‑oil-­‑ supplements/

General ¡Best ¡Practices

• Know ¡your ¡audience
• Adapt ¡to ¡your ¡medium ¡
• manuscript ¡figure ¡vs. ¡website
• Do ¡not ¡trust ¡the ¡defaults! ¡ ¡
• Font ¡size, ¡colors, ¡ticks, ¡markers ¡and ¡statistical ¡test ¡inputs
• Don’t ¡mislead ¡the ¡reader
• Make ¡sure ¡scaling ¡is ¡accurate
• Pie ¡charts ¡and ¡3-­‑D ¡skyscraper ¡charts ¡can ¡be ¡misleading
• The ¡simpler ¡the ¡better
• Avoid ¡“chart ¡junk”
• Unnecessary ¡colors, ¡labels, ¡colored ¡backgrounds, ¡ useless ¡gridlines, ¡
• Message ¡> ¡Beauty ¡
• Get ¡the ¡right ¡tool
• D3, ¡matlab, ¡matplotlib, ¡R
• Cytoscape, ¡circos
• Illustrator ¡

http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1003833

Resources

• Circos
• D3: ¡http://d3js.org/
• Matlab
• Matplotlib
• R
• Adobe ¡Illustrator ¡(free ¡through ¡NYU)
• Color ¡codes ¡https://web.njit.edu/~kevin/rgb.txt.html

Inspirations

• VIZBI ¡http://vizbi.org/
• Nate ¡Silver ¡Five ¡Thirty ¡Eight ¡

http://fivethirtyeight.com/contributors/nate-­‑silver/

• Points ¡of ¡view ¡Nature ¡Methods ¡blog ¡

http://blogs.nature.com/methagora/2013/07/data-­‑visualization-­‑ points-­‑of-­‑view.html

• Information ¡is ¡beautiful ¡http://www.informationisbeautiful.net/
• Information ¡aesthetics ¡http://infosthetics.com/
• Flowing ¡data ¡http://flowingdata.com/

Homework

• 1. ¡Using ¡your ¡dataset, ¡create ¡3 ¡clustergrams using ¡different ¡distance ¡

metrics/linkage ¡methods

• 2. ¡Using ¡the ¡plot ¡type ¡of ¡your ¡choice ¡(NOT ¡heatmap or ¡clustergram) ¡

highlight ¡at ¡least ¡3 ¡dimensions ¡of ¡your ¡data ¡in ¡a ¡static ¡figure. ¡ ¡Pay ¡ attention ¡to ¡color! ¡