Οπτικοποίηση δικτύων

Οπτικοποίηση δικτύων καλείται η προσπάθεια απεικόνισης των σχέσεων μεταξύ συνδεδεμένων οντοτήτων συνήθως σε πίνακες ή με την μορφή ακμών και κόμβων. Οι κόμβοι αντιπροσωπεύουν τις οντότητες και οι ακμές την σύνδεση που κυριαρχεί μεταξύ τους.^[1]

Με την απεικόνιση επιτυγχάνουμε:

Την παροχή και ενσωμάτωση μεγάλου όγκου δεδομένων σε μία κοινή δομή, η οποία θα είναι πλήρως κατανοητή, δίνοντας μας πλήθος οντοτήτων και τις αλληλεπιδράσεις τους.
Την κατανόηση ενός προβλήματος και την δημιουργία υποθέσεων με αποτέλεσμα την αποσαφήνιση του.
Την οπτική αναγνώριση μοτίβων που σχηματίζονται μέσα στο πλήθος των δεδομένων, επισημαίνοντας τυχόν ομοιότητες ή διαφορές.
Την διευκόλυνση λήψης αποφάσεων με τη διευκόλυνση της αξιολόγησης και της σύγκρισης των δεδομένων.^[2]^[2]

Εισαγωγή[Επεξεργασία | επεξεργασία κώδικα]

Ένα από τα πρώτα παραδείγματα χρήσης οπτικοποίησης δικτύου ήταν η δημοσίευση άρθρου, από τον ψυχοκοινωνιολόγο Jacob L. Moreno, το 1933 στο New York Times στο οποίο παρουσίασε ένα δίκτυο κοινωνικοποίησης μεταξύ μαθητών ενός δημοτικού σχολείου. Με την χρήση ακμών και κόμβων ο Moreno κατάφερε να αναγνωρίσει διάφορα μοτίβα μαθητών, που σχημάτιζαν ομάδες μεταξύ τους αλλά και τα άτομα τα οποία δεν μπορούσαν να ενσωματωθούν σε αυτές.^[3]

Σήμερα η οπτικοποίηση δικτύων χρησιμοποιείται συνεχώς για την ανάλυση δεδομένων που αφορούν τις επιστήμες της κοινωνιολογίας, της επιστήμης των ηλεκτρονικών υπολογιστών, της βιολογίας, της φυσικής, των τηλεπικοινωνιών και της οικονομίας. Τα αποτελέσματα της οπτικοποίησης μπορούν να παρουσιαστούν ως:

Στατικά (PNG, PDF, SVG)
Δυναμικά (animated GIFs, MP4, WebM)
Διαδραστικά (HTML web page με JavaScript)

Συνήθως παρουσιάζονται υπό την μορφή πινάκων (matrixes), υπο την μορφή γράφων (graphs) ή alluvial diagrams.

Η οπτικοποίηση υπό την μορφή του πίνακα είναι μία παρουσίαση όπου κάθε ξεχωριστή οντότητα τοποθετείτε σε μία στήλη ή σε μία σειρά (ή και στα δύο) και η σύνδεση μεταξύ τους παρουσιάζεται με μία αριθμητική τιμή τοποθετημένη σε ένα κελί του πίνακα το οποίο βρίσκεται στην σειρά και την γραμμή των δύο συσχετιζόμενων οντοτήτων. Για παράδειγμα, η οπτικοποίηση ενός δικτύου με άτομα που επικοινωνούν μεταξύ τους, μπορεί να πραγματοποιηθεί με ένα δυσδιάστατο πίνακα όπου τα ονόματα τους εμφανίζονται και στις στήλες και στις σειρές. Αριθμητικές τιμές αντιπροσωπεύουν το πόσες φορές επικοινώνησαν δύο άτομα μεταξύ τους με το κελί στο οποίο θα εισαχθούν να αποτελεί την διασταύρωση της στήλης με το όνομα του ενός ατόμου στην σειρά και το όνομα του άλλου στην στήλη.^[4]

Σε αντίθεση με τους πίνακες, ένας γράφος αποτελείτε από κόμβους (nodes – vertices) και ακμές (edges). Οι κόμβοι αντιπροσωπεύουν τις οντότητες που μελετώνται (π.χ. ένα γονίδιο, ένα προφίλ κοινωνικού δικτύου κτλ.) και οι ακμές παρουσιάζουν την αλληλεπίδραση μεταξύ δύο κόμβων. Κάθε ακμή μπορεί να είναι κατευθυνόμενη ή μη χαρακτηρίζοντας τον τρόπο που επηρεάζει ένας κόμβος τον άλλο.^[3]

Για την διευκόλυνση του χρήστη μπορούν να πραγματοποιηθούν αρκετές εικαστικές αλλαγές στο δίκτυο με μερικές από αυτές να είναι οι ακόλουθες:

1. Το σχήμα και το χρώμα των κόμβων

Σαν γενικός κανόνας χρησιμοποιούμε τα χρώματα για να αποτυπώσουμε την ομαδοποίηση δεδομένων που παρουσιάζουν αρκετές ομοιότητες μεταξύ τους και σχήματα για κάθε άλλο διαχωρισμό. Τα σχήματα που χρησιμοποιούνται συνήθως, χωρίς αυτό να είναι δεσμευτικό είναι ο κύκλος, το τρίγωνο και το τετράγωνο.

2. Το μέγεθος των κόμβων

Το μέγεθος των κόμβων συνήθως αποτυπώνει την ποσοτική σχέση που έχουν οι κόμβοι μεταξύ τους.

3. Κατευθυνόμενοι γράφοι

Ένας τρόπος για να παρουσιάσουμε το πώς μία οντότητα (γράφος) επηρεάζει μία άλλη είναι με την χρήση βελών ή με την χρήση κωνικών γραμμών.

4. Χρώμα των ακμών

Το χρώμα στις ακμές υποδηλώνει έναν τύπο σχέση μεταξύ των δύο οντοτήτων. Ένα παράδειγμα είναι η χρήση πράσινου χρώματος για τον χαρακτηρισμό μίας θετικής συσχέτισης και του κόκκινου χρώματος για τον χαρακτηρισμό μίας αρνητικής.

5. Το μέγεθος των ακμών

Tο μέγεθος των ακμών συνήθως χρησιμοποιείται για να αποδοθεί το ¨βάρος¨ μίας συσχέτισης, δηλαδή το πόσο σημαντικά επηρεάζει ο ένας κόμβος των άλλο.^[3]

Είδη ταξινόμησης[Επεξεργασία | επεξεργασία κώδικα]

Μόλις αποφασιστεί η σήμανση των ακμών και το κόμβων ακολουθεί η οργάνωση τους στον χώρο. Υπάρχει πληθώρα διαφορετικών αλγορίθμων οι οποίοι πραγματοποιούν την τοποθέτηση των ακμών, με την επιλογή να πραγματοποιείται ανάλογα με το αποτέλεσμα το οποίο επιζητάμε.^[5]

Ιεραρχική ταξινόμηση - Hierarchical layout[Επεξεργασία | επεξεργασία κώδικα]

Οι κόμβοι ταξινομούνται σε επίπεδα με ιεραρχική δομή και τοποθετούνται με τέτοιον τρόπο ώστε να μην υπάρχει επικάλυψη στις ακμές.

Οργανική ταξινόμηση - Organic layout [Επεξεργασία | επεξεργασία κώδικα]

Η διάταξη της οργανικής ταξινόμησης είναι συμπαγής και συνήθως συμμετρική, τοποθετώντας τους κόμβους ανά ομάδες ανάλογα με τα χαρακτηριστικά τους και σχετικά κοντά. Οι ακμές διατηρούν ομοιόμορφα μήκη και είναι πάντα ευθύγραμμα τμήματα.

Ταξινόμηση Δένδρου - Tree layout[Επεξεργασία | επεξεργασία κώδικα]

Οι διατάξεις αυτές τοποθετούν τα στοιχεία σε μορφές που χαρακτηρίζονται από την ρίζα και τα παιδιά τα οποία είναι τοποθετημένα κάτω ή γύρω από τους γονείς, ανάλογα με την κύρια κατεύθυνση της διάταξης.

Ορθογώνια ταξινόμηση - Orthogonal layout[Επεξεργασία | επεξεργασία κώδικα]

Οι ορθογώνιες διατάξεις διατάσσουν τους κόμβους έτσι ώστε κάθε ακμή να αποτελείται από μία εναλλασσόμενη ακολουθία οριζοντίων και κατακόρυφων τμημάτων. Αυτή η διάταξη δημιουργεί συμπαγή σχέδια χωρίς επικαλυπτόμενους κόμβους, λίγες διασταυρώσεις και στροφές. Είναι κατάλληλή για μικρού και μεσαίου μεγέθους δίκτυα.

Κυκλική ταξινόμηση - Circular layout[Επεξεργασία | επεξεργασία κώδικα]

Η κυκλική ταξινόμηση ταξινομεί τους κόμβους σε κύκλους. Δίνει έμφαση στην ομαδοποίηση των κόμβων χωρίς να είναι ευδιάκριτες οι αλληλεπιδράσεις τις οποίες μας δίνουν οι ακμές

Ακτινική ταξινόμηση - Radial layout[Επεξεργασία | επεξεργασία κώδικα]

Η ακτινική ταξινόμηση κατανέμει τους κόμβους ενός δικτύου σε επίπεδα τα το οποία σχηματίζουν ομόκεντρους κύκλους. Εάν το πρώτο στρώμα αποτελείται από έναν μόνο κόμβο, η θέση του καθορίζει το κέντρο αυτών των κύκλων.^[6]

Hive plots^[7][Επεξεργασία | επεξεργασία κώδικα]

Σε αυτήν την ταξινόμηση οι κόμβοι τοποθετούνται σε ένα από τους τρεις γραμμικούς άξονες(ή και περισσότερους) άξονες και οι ακμές σχεδιάζονται ως καμπύλες. Η τοποθέτηση κάθε κόμβου σε άξονα και η θέση του καθορίζεται αποκλειστικά από τη δομή και τις ιδιότητες του δικτύου.

Οπτικοποίηση Βιολογικών δικτύων[Επεξεργασία | επεξεργασία κώδικα]

Στον τομέα της βιολογίας συστημάτων συναντάμε αρκετά συχνά αναπαραστάσεις δικτύων, στις οποίες οι διάφορες βιολογικές μορφές είναι αλληλένδετες μεταξύ τους. Σε τέτοιου τύπου γραφήματα κάθε κόμβος αντιπροσωπεύει μια βιολογική μορφή και οι ακμές (συνδέσεις) αντιπροσωπεύουν τις συσχετίσεις μεταξύ τους. Ανάμεσα στους διαφόρους τύπους δικτύων, μερικά από τα πλέον χρησιμοποιούμενα είναι τα εξής:

Δίκτυα αλληλεπίδρασης πρωτεινών.
Μεταβολικά/Βιοχημικά δίκτυα, καθώς και δίκτυα μεταγωγής σήματος.
Δίκτυα συνέκφρασης γονιδίων.

Από την στιγμή που νέες τεχνικές υψηλής απόδοσης έρχονται κάθε λίγα χρόνια στο προσκήνιο, τέτοιου τύπου δίκτυα μπορούν να γνωρίσουν σημαντική αύξηση στο μέγεθος και την πολυπλοκότητά τους και κατά συνέπεια θα απαιτούνται περισσότερο αποτελεσματικοί αλγόριθμοι για ανάλυση και οπτικοποίηση.

Καθώς η βιολογία δικτύων εξελίσεται με την πάροδο του χρόνου, είναι αρκετά τα εργαλεία και οι μεθοδολογίες που έπαιξαν καθοριστικό ρόλο σε όλη αυτή την εξέλιξη. Κατά την δεκαετία του ΄90 αναπτύχθηκαν δισδιάστατες διατάξεις στατικών γραφημάτων για την οπτικοποίηση δικτύων. Επίσης στην ανάλυση ομαδοποίησης, νέες υπολογιστικές μέθοδοι όπως η MCL, αλλά και διάφορες παραλλαγές όπως Cfinder, MCODE, Clique και διάφορες άλλες, εφαρμόστηκαν σε βιολογικά δίκτυα και βοήθησαν στην ανακάλυψη πολύ σημαντικών περιοχών υψηλής συνδεσιμότητας.

Οι μέθοδοι DECAFF, SWEMODE και STM για παράδειγμα αναπτύχθηκαν προκειμένου να μπορούν να προβλέπουν συμπλέγματα πρωτεινών, τα οποία μπορούν να ενσωματώνουν σχολιασμούς γραφημάτων. Άλλα εργαλεία όπως τα DMSP, GFA και MATISSE επικεντρώθηκαν κυρίως σε δεδομένα γονιδιακής έκφρασης. Οι περισσότεροι από αυτούς τους αλγόριθμους βασίζονται στην γραμμή εντολών και λίγα μόνο εργαλεία όπως τα jClust, GIBA, Cluster Maker και NeAT αναπτύχθηκαν προκειμένου να ενσωματώσουν δεδομένα σε οπτικά περιβάλλοντα. Αν και τα περισσότερα εργαλεία οπτικοποίησης είναι αυτόνομες εφαρμογές, εγγυώνται αποτελεσματική εξερεύνηση δεδομένων. Τέτοια εργαλεία είναι για παράδειγμα τα Pajek, Osprey, VisANT και άλλα. Άλλα εργαλεία τελευταίας τεχνολογίας είναι τα Ondex, Cytoscape και Gephi.

Καθώς τα βιολογικά δίκτυα έγιναν μεγαλύτερα με την πάροδο του χρόνου, αποτελούμενα από χιλιάδες κόμβους και συνδέσεις, ήταν απαραίτητη η μετάβαση από τις δισδιάστατες (2D) στις τρισδιάστατες (3D) αναπαραστάσεις. Χρήσιμα εργαλεία σε αυτή την περίπτωση είναι τα εξής:

Arena 3D

Παρουσιάζει δισδιάστατα δίκτυα σε μια στοίβα.

BioLayout Express.

Χρησιμοποιεί ολόλκληρο τον τρισδιάστατο χώρο για την οπτικοποίηση δικτύων.

Αν και είναι συζητήσιμο κατά πόσον η τρισδιάστατη απεικόνιση είναι καλύτερη από την δισδιάστατη, η επιτάχυνση και η απόδοση θα πρέπει να λαμβάνονται υπόψη κατά τον σχεδιασμό τρισδιάστατων απεικονίσεων.

Παρακολουθώντας τα εργαλεία που δημιουργήθηκαν μετά το 2000, φαίνεται ότι το Cytoscape είναι μακράν το δημοφιλέστερο όλων στην οπτικοποίηση δικτύων. Παρομοίως το MapMan και το Reactome SkyPainter, αποτελούν τα πλέον χρησιμοποιούμενα εργαλεία στην οπτικοποίηση μονοπατιών. Τα τελευταία πέντε χρόνια το πεδίο της οπτικοποίησης δεδομένων έχει γίνει ακόμη πιο ανταγωνιστικό. Πλέον οδηγούμαστε προς την ενσωμάτωση εφαρμογών οπτικοποίησης σε προγράμματα περιήγησης ιστού. Τέλος μια από τις μεγαλύτερες προκλήσεις που αντιμετωπίζει ο συγκεκριμένος τομέας, είναι η αποτύπωση της δυναμικής των δικτύων, καθώς και ο τρόπος με τον οποίο οι τοπολογικές ιδιότητες υφίστανται αλλαγές με την πάροδο του χρόνου. Υπάρχουν αρκετές προσδοκίες για το μέλλον από την στιγμή μάλιστα που οι τεχνικές HCL αλλά και οι συσκευές εικονικής πραγματικότητας (VR) γίνονται φθηνότερες και πιο προηγμένες με την πάροδο του χρόνου^[8].

Οπτικοποίηση γονιδιώματος[Επεξεργασία | επεξεργασία κώδικα]

Η οπτικοποίηση γονιδιώματος παραμένει μια ανοικτή πρόκληση. Προκειμένου να παρακολουθήσουμε καλύτερα την πρόοδο που έχει συντελεστεί στον τομέα της οπτικοποίησης, θα πρέπει να παρακολουθήσουμε τον τρόπο με τον οποίο οι τεχνολογίες και οι τάσεις έχουν διαμορφωθεί με την πάροδο του χρόνου. Μέχρι την δεκαετία του '90, οι αλγόριθμοι στοίχισης όπως το BLAST, καθώς και οι αλγόριθμοι Smith – Waterman και Needleman – Wunsch, αποτελούσαν την κορωνίδα των αναπτυξιακών μεθόδων βιοπληροφορικής. Επίσης άλλα εργαλεία, χρήσιμα για την ευθυγράμμιση πολλαπλών ακολουθιών, όπως το ClustalW/ClustalX, χρησιμοποιούσαν βασικά σχήματα οπτικοποίησης, ενώ τα χρώματα χρησίμευαν στην υπόδειξη ταιριαστών, μη ταιριαστών καθώς και παρόμοιων νουκλεοτιδίων.

Όλα αυτά τα εργαλεία ενώ γνώρισαν μεγάλη επιτυχία κατά την εφαρμογή τους σε μικρούς αριθμούς νουκλεοτιδίων και πρωτεινικών αλληλουχιών, δεν ήταν σίγουρο κατά πόσο θα ήταν επιτυχής η εφαρμογή τους στον καθορισμό και στην σύγκριση ολόκληρου του γονιδιώματος. Λίγα χρόνια αργότερα η αλληλούχιση πρώτης γενιάς Sanger (dideoxy), επέτρεψε την αλληλούχιση του πρώτου ολοκληρωμένου ανθρώπινου γονιδιώματος. Λίγο αργότερα οι τεχνολογίες δεύτερης και τρίτης γενιάς, καθώς και οι τεχνικές αλληλούχισης ολοκληρωμένου γονιδιώματος υψηλής απόδοσης, επέτρεψαν την αλληλούχιση ολόκληρου του γονιδιώματος, με πολύ χαμηλότερο κόστος και μέσα σε ένα λογικό χρονικό πλαίσιο.

Έργα όπως το 1000 Genoms Project, το οποίο μας προσφέρει μια ολοκληρωμένη ανάλυση ανθρώπινης γενετικής ποικιλότητας, καθώς και το International HapMap Project, το οποίο μας προσφέρει πληροφορίες πάνω στην αναγνώριση κοινών γενετικών παραλλαγών, μεταξύ ανθρώπων από διαφορετικές χώρες, αποτελούν μερικά μόνο παραδείγματα της έκρηξης δεδομένων, η οποία έχει λάβει χώρα κατά την εποχή της συγκριτικής γονιδιωματικής, μετά το 2005.

Τα εργαλεία που χρησιμοποιούμε στην οπτικοποίηση γονιδιώματος χωρίζονται σε τέσσερις κατηγορίες:

Εργαλεία οπτικοποίησης και ευθυγράμμισης γονιδιώματος
εργαλεία οπτικοποίησης και συναρμολόγησης γονιδιώματος

Το SAMtools tview αποτελεί το πλέον δημοφιλές εργαλείο για την οπτικοποίηση της συναρμολόγησης γονιδιώματος.

προγράμματα περιήγησης γονιδιώματος

Ο περιηγητής γονιδιώματος (genome browser), του πανεπιστημίου της Καλιφόρνια, Σάντα Κρούζ (UCSC), το Artemis και το Ensembl, φαίνεται να αποτελούν τα πλέον δημοφιλή προγράμματα περιήγησης γονιδιώματος

εργαλεία για άμεση σύγκριση διαφορετικών γονιδιωμάτων μεταξύ τους, για αποτελεσματικότερη ανίχνευση των SNPs και των γονιδιωματικών παραλλαγών.

Τα Circos, VISTA και cBio είναι τα πλέον χρησιμοποιούμενα εργαλεία για την συγκριτική γονιδιωματική.

Τέλος το Consed και το Gap φαίνεται να αποτελούν τα πιο ευρέως χρησιμοποιούμενα προγράμματα προβολής. Το Consed συγκεκριμένα, αποτελεί ένα πρόγραμμα για την προβολή και την επεξεργασία συγκροτημάτων αλληλουχιών DNA.^[8]

Οπτικοποίηση και ανάλυση δεδομένων έκφρασης[Επεξεργασία | επεξεργασία κώδικα]

Οι μικροσυστοιχίες και η αλληλούχιση RNA, αποτελούν τις δύο βασικές τεχνικές για την μέτρηση των επιπέδων έκφρασης μεγάλου αριθμού γονιδίων. Παρά το γεγονός ότι αυτές οι δύο μέθοδοι είναι συγκρίσιμες μεταξύ τους, η τεχνολογία RNAseq τείνει να κυριαρχεί. Οι μικροσυστοιχίες από την άλλη πλευρά έχουν χαμηλότερο κόστος, ενώ σε ορισμένα περιβάλλοντα δείχνουν να είναι πιο προσαρμοστικές, καθώς η ανάλυσή τους είναι απλή και απαιτεί σχετικά λίγες υπολογιστικές υποδομές.

Αλγόριθμοι τμηματικής ομαδοποίησης μπορούν να χρησιμοποιηθούν για την ομαδοποίηση γονιδίων με παρόμοια πρότυπα συμπεριφοράς. Μια τυπική απεικόνιση που αντιπροσωπεύει αυτήν την περίπτωση είναι η scatter plotting. Έτσι κάθε σημείο αντιπροσωπεύει ένα γονίδιο και όσο κοντύτερα βρίσκονται δύο γονίδια, τόσο πιο συγγενικά είναι.

Όταν θέλουμε να ομαδοποιήσουμε γονίδια με παρόμοια πρότυπα συμπεριφοράς, τότε μπορούμε να πραγματοποιήσουμε ιεραρχική ομαδοποίηση με βάση την συσχέτιση έκφρασης. Σε αυτήν την περίπτωση μπορεί να χρησιμοποιηθεί ένας πίνακας, ο οποίος μας δείχνει τις ομοιότητες μεταξύ διαφόρων ζευγών γονιδίων.

Μια πιο προηγμένη μέθοδος οπτικοποίησης συνδυάζει δέντρα με θερμικούς χάρτες. Σε αυτήν την περίπτωση τα γονίδια ομαδοποιούνται, ανάλογα με τα επίπεδα έκφρασής τους, σε μια ιεραρχία δέντρου και ο θερμικός χάρτης είναι μια γραφική αναπαράσταση μεμονωμένων τιμών γονιδιακής έκφρασης που αντιπροσωπεύονται ως χρωματιστά. Τα πιο σκούρα χρώματα αφορούν υψηλότερη τιμή έκφρασης.^[9]

Οπτικοποίηση βιολογικών δεδομένων με χρήση δένδρων[Επεξεργασία | επεξεργασία κώδικα]

Τα δένδρα είναι απαραίτητα για τις βιολογικές μελέτες, καθώς με αυτά αναδεικνύονται οι ιεραρχικές σχέσεις των βιολογικών δεδομένων. Αποτελούν συνεδεμένους γράφους, που δεν περιέχουν κύκλους. Η ειδική κατηγορία δένδρων που εμφανίζει μεγάλο βιολογικό ενδιαφέρον λόγω της απεικόνισης και μελέτης εξελικτικών σχέσεων μεταξύ ειδών καλείται φυλογενετικό δένδρο. Πέρα από τον κλάδο της φυλογενετικής ανάλυσης και της μελέτης της εξέλιξης, τα δένδρα βρίσκουν πολύ σημαντικές εφαρμογές και σε άλλους κλάδους της βιολογίας όπως τα proteomics, transcriptomics και genomics, στην στοίχιση αλληλουχιών, στην ανάλυση clustering καθώς και σε Οντολογίες- Ιεραρχίες.

Κάθε δένδρο μπορεί να παρασταθεί σαν κλαδόγραμμα ή φυλόγραμμα. Το κλαδόγραμμα είναι ένα διάγραμμα το οποίο αποτελεί προσέγγιση της φυλογενετικής σχέσης, ενώ στο φυλόγραμμα το μήκων των κλαδιών είναι ανάλογο της εξελικτικής αλλαγής μεταξύ 2 κόμβων.

Υπάρχει πλήθως μορφών αρχείων με τους οποίους μπορεί να αποθηκευτεί ένα δένδρο για να αναγνωρίζεται από τα προγράμματα οπτικοποίησης δένδρων. Οι 3 πιο κοινές μορφές είναι οι εξής:

Τα ευρέως διαδεδομένα προγράμματα οπτικοποίησης δένδρων αποτελούν τα ακόλουθα:

Dendroscope
iTOL
HyperTree
NSPlot
HyperGeny
CTree
Phylowidget
BAOBAB
TreeIllustrator^[10]

Βιβλιογραφία[Επεξεργασία | επεξεργασία κώδικα]

↑ Wang, Lidong (2018-03-01). «Big Data and IT Network Data Visualization» (στα αγγλικά). International Journal of Mathematical, Engineering and Management Sciences 3 (1): 9–16. doi:10.33889/IJMEMS.2018.3.1-002. ISSN 2455-7749. https://ijmems.in/assets/2-ijmems-17-002-vol.-3%2c-no.-1%2c-9%e2%80%9316%2c-2018.pdf.
↑ ^2,0 ^2,1 Streeb, Dirk; El-Assady, Mennatallah; Keim, Daniel A.; Chen, Min (2021-03-01). «Why Visualize? Arguments for Visual Support in Decision Making». IEEE Computer Graphics and Applications 41 (2): 17–22. doi:10.1109/MCG.2021.3055971. ISSN 0272-1716. https://ieeexplore.ieee.org/document/9380860/.
↑ ^3,0 ^3,1 ^3,2 «Rock Content: Content Experiences your audience will love». Rock Content (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.
↑ Zoss, Angela· Maltese, Adam (2018). Network Visualization Literacy: Novel Approaches to Measurement and Instruction. Cham: Springer International Publishing. σελίδες 169–187. ISBN 978-3-319-77236-3.
↑ company, yWorks, the diagramming. «Interactive Showcase of Graph Layouts». yWorks, the diagramming experts (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.
↑ company, yWorks, the diagramming. «yWorks - the diagramming experts». yWorks, the diagramming experts (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.
↑ Krzywinski, Martin. «Hive Plots - Linear Layout for Network Visualization - Visually Interpreting Network Structure and Content Made Possible». www.hiveplot.com (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.
↑ ^8,0 ^8,1 Pavlopoulos, Georgios A. (2015). «Visualizing genome and systems biology: technologies, tools, implementation teqhniques and trends, past, present and future.». Giga Science. doi:10.1186/s13742-015-0077-2. https://academic.oup.com/gigascience/article/4/1/s13742-015-0077-2/2707594. Ανακτήθηκε στις 2/7/2022.
↑ Pavlopoulos, Georgios A. (2015). «Visualizing genome and systems biology: technologies, tools, implementation techniques and trends, past present and future.». Giga Science. doi:10.1186/s13742-015-0077-2. https://academic.oup.com/gigascience/article/4/1/s13742-015-0077-2/2707594. Ανακτήθηκε στις 2/7/2022.
↑ Pavlopoulos, Georgios A.; Soldatos, Theodoros G.; Barbosa-Silva, Adriano; Schneider, Reinhard (2010-02-22). «A reference guide for tree analysis and visualization». BioData Mining 3 (1): 1. doi:10.1186/1756-0381-3-1. ISSN 1756-0381. PMID 20175922. PMC PMC2844399. https://doi.org/10.1186/1756-0381-3-1.

[1] Wang, Lidong (2018-03-01). «Big Data and IT Network Data Visualization» (στα αγγλικά). International Journal of Mathematical, Engineering and Management Sciences 3 (1): 9–16. doi:10.33889/IJMEMS.2018.3.1-002. ISSN 2455-7749. https://ijmems.in/assets/2-ijmems-17-002-vol.-3%2c-no.-1%2c-9%e2%80%9316%2c-2018.pdf.

[Streeb_17–22-2] 2,0 ^2,1 Streeb, Dirk; El-Assady, Mennatallah; Keim, Daniel A.; Chen, Min (2021-03-01). «Why Visualize? Arguments for Visual Support in Decision Making». IEEE Computer Graphics and Applications 41 (2): 17–22. doi:10.1109/MCG.2021.3055971. ISSN 0272-1716. https://ieeexplore.ieee.org/document/9380860/.

[:0-3] 3,0 ^3,1 ^3,2 «Rock Content: Content Experiences your audience will love». Rock Content (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.

[4] Zoss, Angela· Maltese, Adam (2018). Network Visualization Literacy: Novel Approaches to Measurement and Instruction. Cham: Springer International Publishing. σελίδες 169–187. ISBN 978-3-319-77236-3.

[5] y, yWorks, the diagramming. «Interactive Showcase of Graph Layouts». yWorks, the diagramming experts (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.

[6] y, yWorks, the diagramming. «yWorks - the diagramming experts». yWorks, the diagramming experts (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.

[7] Krzywinski, Martin. «Hive Plots - Linear Layout for Network Visualization - Visually Interpreting Network Structure and Content Made Possible». www.hiveplot.com (στα Αγγλικά). Ανακτήθηκε στις 15 Ιουλίου 2022.

[Pavlopoulos_2015-8] 8,0 ^8,1 Pavlopoulos, Georgios A. (2015). «Visualizing genome and systems biology: technologies, tools, implementation teqhniques and trends, past, present and future.». Giga Science. doi:10.1186/s13742-015-0077-2. https://academic.oup.com/gigascience/article/4/1/s13742-015-0077-2/2707594. Ανακτήθηκε στις 2/7/2022.

[9] Pavlopoulos, Georgios A. (2015). «Visualizing genome and systems biology: technologies, tools, implementation techniques and trends, past present and future.». Giga Science. doi:10.1186/s13742-015-0077-2. https://academic.oup.com/gigascience/article/4/1/s13742-015-0077-2/2707594. Ανακτήθηκε στις 2/7/2022.

[10] Pavlopoulos, Georgios A.; Soldatos, Theodoros G.; Barbosa-Silva, Adriano; Schneider, Reinhard (2010-02-22). «A reference guide for tree analysis and visualization». BioData Mining 3 (1): 1. doi:10.1186/1756-0381-3-1. ISSN 1756-0381. PMID 20175922. PMC PMC2844399. https://doi.org/10.1186/1756-0381-3-1.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]