PCA non linéaire : une approche des données manquantes

MOTIVATION : La visualisation et l'analyse de la structure potentiellement non linéaire d'un ensemble de données devient une tâche importante en biologie moléculaire. Cela est d'autant plus difficile lorsque les données comportent des valeurs manquantes. RÉSULTATS : Ici, nous proposons un modèle inverse qui réalise une analyse en composantes principales non linéaire (NLPCA) à partir d'ensembles de données incomplets. Les valeurs manquantes sont ignorées lors de l'optimisation du modèle, mais peuvent être estimées par la suite. Les résultats sont présentés pour des ensembles de données artificiels et expérimentaux. Contrairement aux méthodes linéaires, les méthodes non linéaires ont pu fournir de meilleures estimations de valeurs manquantes pour des données à structure non linéaire. APPLICATION : Nous avons appliqué cette technique à une série temporelle de données de métabolites provenant d'une expérience de stress à froid sur la plante modèle Arabidopsis thaliana, et avons pu approximer la fonction de cartographie à partir de n'importe quel point temporel aux réponses des métabolites. Ainsi, le NLPCA inverse fournit des informations considérablement améliorées pour mieux comprendre la réponse complexe au stress à froid. CONTACT : scholz@mpimp-golm.mpg.de.