Ny metod ökar förståelsen för vetenskapliga data

Tommy Löfstedt beskriver i sin avhandling matematiska metoder för att dela upp stora mängder data från experiment i sina olika beståndsdelar så att de olika delarna kan analyseras och tolkas var för sig. Avhandlingen försvaras vid Umeå universitet fredag 15 juni.

Under 1900-talet har mängden information, s.k. data, som samlas in i vetenskapliga experiment inom exempelvis kemi eller biologi mångfaldigats. Utöver detta har även möjligheterna att analysera data på flera olika sätt ökat. Detta ställer ökande krav på de metoder som används för att analysera sådana stora uppsättningar data.

De data som samlas in i ett experiment innehåller ofta beståndsdelar från flera olika, ömsesidigt oberoende källor. Förutom t.ex. genetiska, biologiska eller kemiska skillnader mellan prover kan brus eller störningar t.ex. från ljus-, luftfuktighets- eller temperaturskillnader under dygnet, strålning eller vibrationer från närstående maskiner vara anledningen. Det kan också finnas olikheter som uppstår av skillnader i hantering då olika forskare behandlar proverna, eller små fel i varje steg som fortplantas över tid. Skillnader mellan prover kan också fångas upp olika i olika mätmetoder och olika mätmetoder är olika känsliga för variationer av brus och störningar. Vissa uppmätta data kan därför innehålla gemensamma element som inte existerar i andra data, osv.

De olika beståndsdelarna kan störa varandra och vara ihopblandade, och genom det hämma tolkningen av data. Tommy Löfstedt beskriver i sin avhandling en ny matematisk metod, OnPLS, för att dela upp varje uppsättning data i sina olika beståndsdelar så att de olika delarna kan analyseras och tolkas var för sig.

Tommy Löfstedt har använt OnPLS för att beskriva både simulerade data, för att illustrera funktionen och förmågorna hos metoden OnPLS, samt för faktiska mätningar på metaboliter, proteiner och gener i aspar, och på data från olika livsmedel.

Ökad kunskap om de olika beståndsdelarna i data kan användas till att förbättra eller förfina tillvägagångssättet vid statistiska analyser inom vitt skilda vetenskapliga områden: produktutveckling inom livmedels- och läkemedelsindustrin, förbättra diagnoser i medicinska tillämpningar (t.ex. för cancer eller diabetes), eller förändra trädegenskaper inom skogsindustrin (där resultaten kan ge allt från bättre virke till större verkningsgrad för biobränslen), för att nämna några områden.

– Den föreslagna metoden är väldigt generell, vilket gör att det potentiella tillämpningsområdet är mycket stort, säger Tommy Löfstedt.

Tommy Löfstedt är uppvuxen i Hoting i Jämtlands län och har utbildat sig till matematiker samt civilingenjör i teknisk datavetenskap vid Umeå universitet.

Om disputationen:
Fredagen den 15 juni försvarar Tommy Löfstedt, Kemiska institutionen vid Umeå universitet, sin avhandling med titeln ”OnPLS: Orthogonal Projections to Latent Structures in Multiblock and Path Model Data Analysis”.
Disputationen äger rum kl. 10.00 i sal KB3A9, KBC-huset.
Fakultetsopponent är Professor emeritus, Michel Tenenhaus, École des Hautes Études Commerciales de Paris, Paris, Frankrike.

Läs hela eller delar av avhandlingen på:
http://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-55438

 
För mer information, kontakta gärna:
Tommy Löfstedt, kemiska institutionen
Telefon: 090-786 71 02
E-post: tommy.lofstedt@chem.umu.se