对参数相关的无序移动的特征驱动可视分析(Feature-Driven Visual Analytics of Chaotic Parameter-Dependent Movement)

在生物、气象等相关领域,科学家常常通过建立计算模型以观察和研究相关现象。例如,在系统生物学中,对生物现象进行抽象建立生物反应过程的模型。科学家通过输入不同的参数,分析和比较不同的模拟结果,发现参数与现象之间的相关性,建立和验证假设。本文[1]所做的工作针对系统生物学中的蛋白质与脂筏在细胞表面的运动模拟模型,提出特征驱动的可视分析系统,以帮助领域科学家分析比较不同参数下的运动模型。

揭示参数对动态移动的作用并不是一件简单的事,存在着一些需要面对的挑战:首先存在的困难是这类空间运动模拟是基于随机布朗运动的,因此物体的运动也是无秩序的;再者,在运动的过程中,物体之间会发生作用,形成动态组,对于这些动态组的研究也是必要的。如果之间将这些物体的运动直接绘制出来,那么必然会引起严重的视觉遮挡以至于连最基本的运动规律可能都无法得到。

基于这些挑战,这篇文章的作者从一个新的角度出发:不研究运动轨迹本身而提取出这些运动中的特征,通过将参数与这些特征进行可视化并提供方便有效的交互手段来帮助用户探索二者之间的关联。

首先,通过与领域专家的交流,他们提取出了四种特征来描述模拟运动的结果,包括了1)基本特征,
如速度、方向等;2)组特征:如组大小、组负载;3)区域特征:如区域大小; 4)高级特征,如高/低密度区域大小。

针对每一次模拟,在每一个时间步中,计算出这些特征的值,因此,一次模拟可以用(P,F)来表示,其中
P表示模拟的参数序列,F表示模拟的某一特征序列。在这个工作的设计中,用户每次只能观察一个特征的情况,这也是目前这个工作的有待改进之处。

通过预处理,将每个模拟的所有特征计算好。设计如下图1的可视化形式对参数与特征进行探索。
图的每一行是一次模拟。行的左侧是表示参数序列,右侧表示随时间变化的特征序列。时间由左向右。
分别使用灰度和颜色来映射数值的大小。作为总览,用户可以通过对参数和特征的排序来观察
按序变化的轨迹。

1

图1 基于特征驱动的可视化

例如,如下图2所示,可以看到脂筏大小(Raft Size)参数与组大小特征之间的强相关性。

2

 

图2 脂筏大小(Raft Size)参数与组大小特征之间的强相关性

为进行细节探索,结合曲线图和空间窗口对特定的模拟进行细节分析。在图1的上方,与下方的共享时间线,用曲线展示特征数值随时间的变化。通过点击具体的某一行来选择。同时,在空间窗口中,物体的运动轨迹被绘制出来,背景是白-灰密度图,动态组用白色环表示。由此用户可以还原运动情况。例如,观察到了脂筏的清扫效应(Sweep Effect)。脂筏会吸收其附近的蛋白质。再通过观察参数与特征(平均蛋白质-脂筏距离),发现脂筏大小(Raft Size)和流动性因子有关系。当脂筏大,流动性因子小时,这个特征值比较大。

3

 

图3 脂筏的清扫效应(Sweep Effect)

[1] Luboschik, M.; Röhlig, M.; Bittig, A. T.; Andrienko, N.; Schumann, H. & Tominski, C.; Feature-Driven Visual Analytics of Chaotic Parameter-Dependent Movement, Computer Graphics Forum, 2015

 

评论关闭。