Leviämiskoe 2.0

Tutkimus on joskus hyvin suoraviivaista ja yksinkertaista, kuten vaikkapa tartuntatehokkuusprojektissamme, mutta usein matkaan mahtuu paljon yllättäviä käänteitä ja odottamattomia muutoksia. Myös leviämiskokeen kanssa kävi näin.

Kun analysoimme dataa jonka saimme kokeestamme, huomasimme, että käyttämämme yksinkertaistus johtaa huonoihin tuloksiin. Analysoimme tilannetta yksiulotteisena, aivan kuin tauti olisi levinnyt vain koealojen pitkän sivun suuntaisesti, vaikka tosiasiassa itiöt tietysti roiskuvat joka suuntaan. Yksinkertaistus, jossa leviämisen dynamiikkaa tarkastellaan vain yhdessä suunnassa, näytti toistuvan myös muussa tutkimuksessa. Satuin kuitenkin huomaamaan, että leviämisen mallintaminen kahdessa ulottuvuudessa johtaakin erilaiseen lopputulokseen.

Pikkuhiljaa tajusimmekin tehneemme alunperin huonoa työtä datan analysoinnissa ja päätimme tietysti korjata tuon. Samalla koko artikkelin teema muuttui hieman, sillä laitoimme enemmän painoarvoa tuon yleisen virheellisen yksinkertaistuksen korjaamiseen, ja siirsimme varsinaista kokeellista työtä vähän pienempään rooliin. Näiden yllätysten takia koko artikkeli piti käytännössä kirjoittaa uudelleen ja kaikki analyysi toistaa, minkä parissa menikin pitkälti koko viime talvi. Huh huh.

Keskeinen havaintomme nykyisessä versiossa onkin, että leviämistä tutkittaessa leviämislähteen muoto vaikuttaa merkittävästi siihen, minkälainen leviämisgradientti syntyy. (Gradientti tarkoittaa yleisesti muutosta jossain suureessa [mitattavassa asiassa] kun siirrytään paikasta toiseen) Siis, kun siirrytään kauemmas lähteestä, leviäjien määrä vähenee, mutta tuon vähenemän vauhti ja ”laatu” riippuu lähteen muodosta. Tätä havainnollistaa alla oleva kuva.

Erilaisia lähteitä ja niistä syntyviä leviämisgradientteja. 1: pistelähde, 2: pitkulainen lähde mittauksen suunnassa (20cm pitkä), 3: pitkulalähde poikittain, äärettömän pitkä, 4: 20cm syvä ”aluelähde”, äärettömän pitkä poikittain. Paneelissa B käytetty eksponenttiaalista leviämisydintä (kernel), eli funktio joka kuvaa leviämisgradienttia pistelähteestä, perustuu eksponenttijakaumalle. C: normaalijakaumaan perustuva ydin. D: ”Power-law” ydin. B-paneelissa tapaukset 1 ja 2 tuottavat saman muodon, C-paneelissa 1 ja 3, sekä 2 ja 4 keskenään samanlaisia.

Kun analysoimme kerätyt tuloksemme uuden oppimamme tiedon mukaisesti, myös tulokset muuttuivat. Kiteytettynä: 99% uusista infektioista tapahtuu metrin sisällä pistelähteestä.

Leviämiskokeen tuloksia. A: tautitasot infektioalueella ennen leviämistä. Vihreä tautilinja (3D7) tuottaa enemmän pyknidioita eli itiöpesäkkeitä kuin sininen (1A5). B: Tautitasoja eri etäisyyksillä leviämisen jälkeen. Punainen viiva kuvaa taustainfektion tasoa, eli luonnollista tautimäärää kontrollialoilla. C: Data-analyysin visualisointi. Käytimme bootstrap- eli saapasnauhamenetelmää (jonka nimi muuten viittaa Paroni von Münchhauseniin, voin kertoa lisää jos vaaditte), jossa dataa kierrättämällä saadaan arvioi mittausten luotettavuudesta. Kuvassa mustalla kerätty data ja vihreällä kierrätetyn datan tuloksia kuvaamassa epävarmuuttamme mittauksen suhteen. Pystyviivat kuvaavat 99% rajaa, jos lähde olisi piste 20cm kohdalla. Huomaa että kaikissa kohdissa 0-40cm kuvaa alkuperäistä infektioaluetta ja siten esim 60cm data on kerätty 20cm päässä alkuperäisen alueen reunasta.

Näitä tuloksia ei muuten ole julkaistu missään aiemmin, paitsi esitelty pienissä konferensseissa. Tätä voisi siis kutsua ensiesiintymiseksi. Toki tämäkin on jo vertaisarvioinnissa kun väitöskirjaani arvioidaan. Lisäksi preprint-versio tullee vapaasti saataville parin-kolmen kuukauden sisään, kunhan saamme artikkelin valmiiksi sellaiseen kuntoon, että sen kehtaa lähettää journaaliin arvioitavaksi.

Vastaa