مقیاس بندی خطی در مقابل لگاریتمی

نمایش های گرافیکی داده ها هنگام انجام بیشتر تحلیل ها بسیار مهم هستند. یک نمودار مؤثر به وضوح رابطه بین پارامترهای آزمایش را نشان می دهد. مقیاس بندی گرافیکی و تبدیل هر پارامتر (یعنی کانال) را می توان به منظور تفسیر مناسب یک مجموعه داده خاص تنظیم کرد. مقیاس بهینه به ماهیت داده ها بستگی دارد. مقیاس بندی خطی و لگاریتمی دو روش متداول برای نمایش داده ها است.

مقیاس بندی خطی با ترسیم وقایع در سطل های مساوی توزیع شده و به همان اندازه حاصل می شود. بر این اساس ، فاصله بصری بین نقاط داده متناسب با فاصله عددی بین مقادیر است. حاکمان و نوارهای اندازه گیری نمونه های دیگری از مقیاس های خطی هستند. شکل 1 یک قطعه از مقادیر دلخواه با یک رابطه خطی است.

شکل 1. داده ها با یک رابطه خطی

هر فارغ التحصیلی در هر دو محور نشان دهنده تغییر ارزش یک است. این مقیاس برای کل طول نمودار ثابت است.

مقیاس های خطی برای نمایش مجموعه داده ها با مقادیر به طور مساوی در یک محدوده معین مؤثر هستند. هنگام کار با داده های فلوسیتومتری ، از مقیاس خطی معمولاً هنگام ترسیم پراکندگی به جلو (FSC) و پراکندگی جانبی (SSC) استفاده می شود. FSC و SSC به ترتیب نسبت به اندازه سلول و دانه بندی سلول هستند. این اندازه گیری ها در هیچ منطقه خاصی از مقیاس پارامترها متمرکز نشده اند ، بنابراین هر دو ویژگی این پارامتر به خوبی در یک طرح خطی نمایش داده می شوند. هنگامی که نقاط داده دامنه دینامیکی بزرگتر را مصرف می کنند ، توطئه های خطی کمتر عملی هستند.

شکل 2. پارامترهای پراکندگی نمایش داده شده در فضای خطی (سمت چپ) و ورود به سیستم ، در FlowJo.

مقیاس های لگاریتمی هنگام نمودار کردن پارامترهای با دامنه پویا گسترده بسیار قدرتمند هستند. مقیاس ورود به سیستم مبتنی بر اختلافات نمایی (یعنی ضرب) بین مقادیر است. فارغ التحصیلی های متوالی در امتداد یک محور نشان دهنده تغییرات برابر در نسبت است. شکل 2 یک طرح از مقادیر دلخواه با یک رابطه لگاریتمی است.

شکل 3. داده ها با یک رابطه لگاریتمی ؛log-10 به طور خاص.

فواصل زمانی با یک عامل ده افزایش می یابد. این امکان را برای مشاهده تغییرات درصد به جای تغییرات مطلق فراهم می کند. مقیاس را در امتداد محور x در شکل 2 در نظر بگیرید: تغییر پنج واحد بین فاصله اول و دوم قابل توجه خواهد بود. تغییر پنج واحد بین فواصل ششم و هفتم غیر قابل توجه خواهد بود. دوگانگی مقیاس ورود به سیستم امکان شناسایی تغییرات معنی دار در اطراف مقادیر کم و همچنین در اطراف ورودی بزرگتر را فراهم می کند.

مقیاس ورود به سیستم هنگام ترسیم داده های فلوسنتومتری جریان فلورسنت استفاده می شود. به منظور ترسیم یک جمعیت ناهمگن از سلول ها ، ساختار سلول مورد علاقه با رنگ فلورسنت رنگ آمیزی می شود. سلولهای مثبت (به عنوان مثال آنهایی که تعداد زیادی از ساختار هدف را دارند) نور را منتشر می کنند ، گاهی اوقات با شدت هزاران برابر بیشتر از سلولهای منفی (کسانی که دارای هدف چند یا بدون هدف هستند). مقیاس ورود به سیستم برای این نوع پارامتر مناسب است.

شکل 4. پارامترهای فلورسانس نمایش داده شده در فضای ورود به سیستم (سمت چپ) و خطی تبدیل شده ، در FlowJoⓡ.

مقیاس ورود به سیستم شامل مقادیر صفر یا پایین نیست و ممکن است به طور مناسب جزئیات دینامیکی کم یک مجموعه داده را نشان ندهد. اگر مجموعه داده های نمایش داده شده شامل مقادیر منفی باشد ، ممکن است یک صفحه نمایش خطی مناسب تر باشد. با این حال ، FlowJoⓡ دگرگونی هایی را ارائه می دهد که بهترین های هر دو جهان را در خود جای می دهد - مانند "Biexponential".

شکل 5. پارامترهای فلورسانس با مقیاس Biexponential در FlowJo spower نشان داده شده است. در هنگام ترسیم داده های فلوسیتومتری جریان فلورسنت از مقیاس ورود به سیستم استفاده می شود. به منظور ترسیم یک جمعیت ناهمگن از سلول ها ، ساختار سلول مورد علاقه با رنگ فلورسنت رنگ آمیزی می شود. سلولهای مثبت (به عنوان مثال آنهایی که تعداد زیادی از ساختار هدف را دارند) نور را منتشر می کنند ، گاهی اوقات با شدت هزاران برابر بیشتر از سلولهای منفی (کسانی که دارای هدف چند یا بدون هدف هستند). مقیاس ورود به سیستم برای این نوع پارامتر مناسب است.