告知直接面向消费者的交互式个人基因组报告的设计

简介

概述

近年来，终端用户可获得的个人基因组数据有了显著增长。寻求基因组检测服务的相关教育程度不同的消费者面临着前所未有的关于自己的敏感信息[1]，通常在网上或以互动形式进行[2］．这些消费者不一定是遗传学专家。他们涵盖了从好奇或关心的门外行人，到受过教育的早期采用者，再到遗传学专家。虽然基因检测可用于这些不同的人群，但如果没有专门的培训，结果数据报告可能很难理解。此外，基因组数据的内在复杂性因遗传学研究的更新频率而变得更加复杂。

因此，消费者如何理解和使用他们的个人基因组信息不仅对社会和政策制定者至关重要，而且对人机交互(HCI)研究人员来说也是一个紧迫的问题。具体来说，个人基因组信息的高度个性化和动态性提出了以下问题:支持具有不同水平相关知识的消费者有意义地参与个人基因组信息的功能要求是什么?我们如何设计与个人基因组信息的有效交互?我们如何评估与个人基因组信息相互作用的有效性?为了解决这些问题，本文探讨了人机交互在帮助消费者理解和参与个人基因组学方面可以发挥的作用。

我们提出了三个补充研究活动的发现:

1.研究1:了解用户。研究1包括对早期采用者的定性研究，以了解用户在使用其个人基因组信息时的动机、需求和信息实践。

2.研究2:告知用户。研究2包括与早期采用者的设计研讨会，其中评估当前最先进的基因组报告，并探索交互式报告的各种现有和可能的功能。

3.研究3:探究用户。研究3根据先前定性研究中确定的需求和做法设计和测试替代性交互式报告。这些设计使用了不同的可视化，并通过亚马逊机械土耳其用户的在线实验进行了测试，以调查界面设计和数据可视化的变化如何影响用户对在线个人基因组报告的理解、偏好和态度。

综上所述，这些研究有助于理解和改善人们接触和理解个人基因组信息的方式。

背景

个人基因组学

人类基因组计划(HGP)于2003年4月公布了人类基因组的完整参考序列。这个国际合作研究项目历时13年，耗资27亿美元，目标是对所有人类基因进行完整的测绘和理解。HGP DNA序列是由几个匿名志愿者的DNA合成的。第一个人的基因组测序于2007年完成。从那时起，更多的人获得了他们的基因组或部分基因组的匿名测序用于研究，但直到2013年6月，只有大约500人获得了完整的结果。3.］．单个人类基因组测序的成本已经从2003年的27亿美元下降到2013年的5000美元左右，这一成本下降的速度远远快于摩尔定律的速度[3.］．不断降低的测序成本和技术进步为大众提供了个性化医疗的希望，基因组信息整合到医疗保健中，以提供个性化的风险评估，量身定制的生活方式改变建议，以及降低风险的药物[4］．

与个人基因组学的在线互动

DNA测序成本的急剧下降导致了个人基因组数据的广泛获取。越来越多的大规模努力，代表数百万人的总和，已经在进行。例如，英国政府最近宣布，他们计划在2017年之前对10万名英国公民进行个人基因组测序并返回。在美国，退伍军人管理局(Veterans Administration)正在努力招募100万名退伍军人参加一项结合基因图谱的研究。

在大型集中式服务的另一端，目前有几家公司直接向消费者提供服务。例如，Illumina为消费者提供(处方)基因组测序服务。直接面向消费者的基因检测(DTCGT)是一项相对较新的、正在发展中的在线服务，它使个人能够在没有医疗保健提供者强制参与的情况下，通过将唾液样本发送到DTCGT公司，以数百美元的价格获得遗传信息。迄今为止，DTCGT通常不提供全基因组或外显子组测序，相反，这些测试使用单核苷酸多态性(SNP)芯片技术，该技术查看已知在不同人群中变化的数千个非常短的DNA片段[1］．结果通过在线交互式报告发布。一些流行的DTCGT服务还提供非健康相关信息的交互式在线报告，包括性状和祖先信息(例如，AncestryDNA [5]及家谱DNA [6])。23andMe服务[7]还提供了约250种疾病的风险评估结果，然而，截至2013年12月，直接向消费者报告健康相关信息已停止，因为它正在接受美国食品和药物管理局(FDA)的审查，该审查旨在确定测试结果是否准确，是否充分传达给消费者，并为消费者所理解[8］．

传统上，医学基因检测针对单个基因座，并针对特定的医学背景(例如，在调查疑似遗传疾病时)进行。在一名医学专家的调解下，以口头程序返回结果。基因组规模测试的成本下降，加上其对越来越广泛的个体的应用，意味着可能的基因测试结果的数量已经比传统环境大了几个数量级。虽然专家顾问仍可作为数据结果初步交流的一部分，但以同样的口头方式提出结果是不可行的。因此，以交互式计算机为媒介向个人展示这些数据已成为让个人获得其基因组规模测试结果的核心方面。例如，Illumina的基因组测序服务在结果返回后提供初始遗传咨询，但数据也通过Illumina MyGenome应用程序在苹果iPad上以数字方式返回给消费者，该应用程序允许用户浏览自己的基因组，将其与参考基因组进行比较，并查看提供约250种疾病风险评估的健康报告。

此外，个人将越来越多地持续获得广泛的基因检测数据。在美国，患者现在有直接获取临床试验数据的合法权利[9］．此外，到目前为止，上述所有DTCGT服务还将原始基因分型数据返回给用户，用户反过来可以积极地使用他们的个人基因组数据，例如，通过了解特定的基因变异或感兴趣的条件。事实上，有人观察到，基因组数据的消费者在不同的服务之间传输数据，以利用不同的功能，使他们能够更深入地使用数据。例如，23andMe用户可以将他们的数据导出到AncestryDNA进行系谱研究，或者导出到个人基因组计划(Personal Genome Project, PGP)数据库(在前面的部分中讨论过)，以便与感兴趣的人共享。由于这些数据本质上是数字化的，并且由于其解释经常根据新的研究结果进行更新，我们预计将越来越多地关注在线交互式报告方法的开发，以执行自动再分析。

总之，鉴于个人基因组学领域的最新进展和快速下降的测序成本，对个人了解自己的基因组规模数据及其健康影响的需求似乎不可避免地会大幅增加。个人基因组信息的个人和复杂性质以及用户与它的交互提出了重要的HCI问题。

个人基因组计划

个人基因组计划[10是一个非营利组织，旨在通过建立一个由10万名志愿者组成的公共基因数据库，提高对遗传和环境对人类特征影响的科学理解。[11-13］．参与者必须愿意与科学界和公众分享他们的基因组序列以及健康数据。该组织由四个国家的站点组成。运行时间最长的PGP网站建立在哈佛医学院乔治·丘奇的实验室。哈佛PGP成立于2005年。它从10个被称为PGP-10的完全确定的个体开始，然后慢慢扩大规模。如今，超过4000名美国公民通过“公开同意”的程序参与了该项目[14公开分享他们的基因组信息。我们与个人基因组计划建立了设计伙伴关系，并与其研究人员密切合作。

个人基因组学的用户视角

很少有经验数据表明，那些进行了基因组测序并与数据互动的人的态度和动机[15］．只有少数研究招募了真正收到自己个人基因组信息的DTCGT消费者。在这些研究中，好奇心被认为是参与者进行基因组测试的主要动机[15］．大多数受访者想更多地了解自己，对自己的基因构成感到好奇，或者想了解个人的遗传风险因素。参与者还表示，他们将利用从测试中获得的信息对自己未来的健康负责[16］．其他主题包括对宗谱学的迷恋、对研究的贡献和娱乐[15］．研究亦指出DTCGT使用者的若干顾虑，包括隐私、测试结果的性质及其未来影响[17-20.］．截至2013年6月，世界上只有少数用户完成了他们的整个基因组测序并返回了他们——500人[3.据我们所知，还没有研究调查过这类用户的观点。需要进一步的研究来了解个人基因组用户的动机和关注点、信息需求和实践，以及影响信息共享意愿的因素。

相关工作:基因组学的人机交互

到目前为止，很少有HCI研究关注直接用户与个人基因组信息的接触。Lachance等[3.]研究了一些网站的特点，在这些网站上，消费者可以直接购买和接受基因检测，而不需要医疗保健提供者的强制参与。他们的发现表明，大多数用户很难找到并理解大多数网站上的重要信息。其他努力则更广泛地考虑了用户与基因组和生物信息的互动，主要集中在大型生物数据集的新型交互技术上。例如，Shaer等人[21]讨论了在基因组学的发现和学习中应用有形和具身交互的机遇和挑战。库兹涅佐夫等人[22]描述了HCI在支持不断增长的diy生物学(DIYbio)公民科学家社区方面可能发挥的作用。Schkolne等[23]开发了一种沉浸式的有形界面，以支持科学家设计新的DNA分子。此外，还开发了几个桌面系统来探索大型生物数据集的交互式可视化——deeptree [24]和PhyloGenie [25]允许用户探索和学习系统发育树。与我们的工作最密切相关的是G-nome Surfer [26]，这是一个桌面用户界面，用于协作探索和学习基因组信息。然而，这个工具并不是为了支持消费者探索自己的个人基因组数据而设计的。

方法

研究1:了解用户

为了深入了解有兴趣直接接触其基因组信息的消费者的信息需求和实践，我们进行了一项探索性质的研究[27］．我们从个人基因组计划志愿者社区招募了63名研究参与者(29名女性，46%)，年龄在21至71岁之间，平均年龄为47岁(SD 14)。这些早期采用者由各种基因检测服务的用户组成，他们已经花时间使用不同的可用工具来探索他们的数据，从而使我们能够了解使用一系列基因检测服务的消费者的现有信息实践和需求。这些早期采用者和他们的数据之间的交互为探索未来吸引更多样化人群的数据可视化提供了强大的基础。

参与者完成了一份由10个开放式问题组成的在线问卷表1)关于他们对个人基因组服务和数据的参与情况。每个用户的响应长度平均为252个字。我们使用内容分析法对数据进行分析。两名独立的编码员对数据进行了初步审查，然后根据频率将其分解为高级类别。类别分析，以确定主题。由此，我们报告了关于用户信息实践和需求的结果。

研究2:告知用户

为了进一步了解用户如何参与并从他们的注释个人基因组报告中学习，我们对个人基因组用户进行了定性研究。参与者再次从PGP志愿者社区招募。之所以选择这一群体，是因为他们对现有数据和工具有深刻的理解，而且他们很可能是任何个人基因组学新工具的第一批采用者。这项研究是在2014年4月马萨诸塞州剑桥市个人基因组计划组织的基因组、环境和性状(GET)会议期间举行的一次研讨会。

这项研究的重点是围绕特定基因组报告工具GET-Evidence的相互作用[12]，这是一份提供给所有PGP志愿者的交互式个人基因组报告。我们选择研究这个特殊的工具，因为它是消费者可以获得的最全面的基因变异报告之一。其他直接面向消费者的基因检测提供商向用户返回与他们的特征和祖先相关的信息，但不提供与健康相关的报告。截至2013年12月，23andMe服务提供了约250种疾病的风险评估结果，当时他们暂停报告与健康相关的解释，同时接受FDA审查，审查测试结果是否准确，是否充分传达给消费者，并被消费者理解[8］．所有直接面向消费者的基因检测服务也将原始基因分型数据返回给用户，这些数据可用于商业提供商报告之外的数据，例如，通过查找有关特定基因变异或感兴趣的条件的信息。

获取证据报告以表格形式提供详细信息，包括已报告的导致特定疾病或性状的基因变异列表、每种变异在人群中出现的频率、每种变异的潜在影响和这种影响的确定性(例如，已确定的致病性、可能的保护性、不确定的良性)、每种变异的临床重要性(即低、中或高)，以及描述目前对某种变异的知识的摘要。评论和其他文章和外部资源的链接也可用。该表是根据临床重要性排序的，但用户可以根据上述特征(例如，根据潜在影响)进一步对报告进行排序。图1显示GET-Evidence报告的截图。

在简要介绍了我们的研究目标之后，我们招募了36名PGP志愿者，其中15名女性(42%)，年龄在21岁至83岁之间，平均年龄为45岁(SD 19岁)。我们对每位参与者进行了深入的、半结构化的访谈。我们要求用户解释他们使用个人基因组信息的目标，分享他们的信息实践，并向我们展示他们如何使用工具从他们的数据中学习。我们还要求参与者向我们介绍他们在探索个人GET-Evidence报告时的工作流程(见图1） ［28］．最后，为了引出关于可视化和与个人基因组学交互的新方法的想法，我们向用户展示了树状图可视化(参见图2） ［29的个人基因组数据。参与者的个人基因组数据从PGP公共数据库检索。我们选择树图作为讨论展示个人基因组数据的新方法的起点，因为它们已经成功地应用于基因本体的可视化[30.］．然而，它们在消费者个人基因组学中的应用是全新的。我们要求用户将表格报告与新的可视化报告进行比较，并提出进一步的想法，以提高他们对数据的参与度。

GET-Evidence报告的原型树图可视化(参见图2)是使用谷歌Charts应用程序编程接口(API)创建的。它提供了与原始表格式GET-Evidence报告相同的信息和解释。树状图根据基因变异的临床重要性进行分组:低、中、高。每个变体都用一个矩形表示，其大小与其重要性成正比。颜色代表特定基因变异的影响:致病的、良性的或保护性的。颜色的饱和度代表确定基因变异影响的科学发现的确定性，其中高饱和度的颜色代表高确定性。使用红绿配色方案(红致病，绿保护)，因为它在生物学中被广泛接受，通常用于基因表达的可视化。当鼠标悬停在某一特定变体的图块上方时，会显示关于该基因变体的附加信息，包括摘要。树图两层之间的导航是通过选择来处理的。

收集的数据包括参与者访谈的录音、详细的笔记、用户在探索数据时的行为记录，以及对在线问卷的回答。录音随后被转录，并由两个独立的编码员使用内容分析方法分析数据。

‎ 查看此图

‎ 查看此图

研究3:探究用户

概述

研究2的结果表明，报告的可视化摘要可能有助于非专家用户导航和理解个人基因组数据，我们根据研究结果进行了一项受试者之间的实验研究，比较了不同交互式可视化基因组报告对非专家理解基因组数据的影响。这些交互式报告是根据在研究2中获得的见解设计的。

专门为这项研究开发了一个实验性网站，其中使用GET-Evidence解释的不同版本的个人基因组学报告(见图3-9)。本研究的对照条件是一个可分类的表格(见图3)，与现有的表格式GET-Evidence报告类似。来自其他现有直接面向消费者的基因检测服务(如23andMe)的遗传风险报告不包括在本次评估中，因为它们提供的是对数据的医学解释而不是基因解释。

我们使用MySQL、PHP、JavaScript、谷歌Charts和D3库实现了实验性Web平台。参与者通过亚马逊土耳其机器人(Amazon Mechanical Turk)招募，并获得1美元的时间报酬。Mechanical Turk是一个在线任务众包市场，广泛用于人机交互和医疗信息研究[31-33］．我们限制美国用户参与至少100个之前的人类智能任务(HITs)， 99%或更高的批准率。

参加者首先使用个人遗传学教育计划所开发的资料，学习人类基因组及个人基因组学[34］．他们对材料的理解是通过一个简短的六题测试来评估的。如果参与者不能正确回答6个问题中的至少3个，他们的数据就不会被用于分析。然后向他们提供了为这项研究开发的七个版本的GET-Evidence报告中的一个。

‎ 查看此图

‎ 查看此图

实验条件

基于用户需求和前两项研究中获得的反馈，我们开发了六种交互式可视化个人基因组学报告的替代设计。我们特别关注研究1中确定的三个功能需求(如结果部分所讨论的):审查带注释的报告(R1)，集成数据资源(特别是科学文献的摘要和链接)(R2)，以及使非专家也能访问内容(R6)。

开发的干预措施(即交互式报告)在用于可视化摘要的可视化技术和用于探索数据的交互技术方面各不相同。图3-9显示七个实验条件:一个表格控制条件(图3)及六份视觉互动报告。

基于我们在研究2中的发现(稍后将详细讨论)，我们在所有视觉条件下使用了一种新的红白蓝颜色编码方案来表示特定基因变体的影响和确定性。颜色代表冲击致病性(红色)、良性(白色)或保护性(蓝色)。饱和度代表确定基因变异影响的科学发现的确定性，其中高饱和度的颜色对应高确定性。我们还为所有报告添加了一个可单击的术语表。

参与者被随机分配到以下七个条件中的一个:模仿GET-Evidence报告的表格报告(对照条件)(图3， n=105)，柱状图(图4， n=103)，气泡图(图5， n=115)，树状图(图6， n=102)、热图(图7， n=104)、可缩放树图(图8， n=96)，或可缩放分区(图9, n = 105)。

我们在不同的版本中使用了相同的个人基因组数据，以便对报告进行直接比较。这种使用虚构数据集来评估用户理解能力的方法是个人基因组学研究中的常见做法，例如Haga at al [35]和考夫曼等人[36］．我们选择了一个虚构的数据集，其中性别和种族没有特定的影响。实际的个人基因组报告包括关于性别和种族的信息，因为它可能会对特定的变异产生影响。一旦参与者观看了模拟基因组报告，他们被要求回答两种类型的问题:(1)理解性问题，衡量交互式可视化在传达基因组信息方面的有效性;(2)主观问题，关于用户认为报告可理解的程度。与会者还回答了一些开放式问题，请他们就有用的功能和有待改进的领域发表看法。

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

可视化的问题

参与者被要求回答一些问题，以测试他们对分配给他们的视觉报告的基因组信息的理解(见表2， Q1到Q9)。这些理解性问题是与哈佛个人基因组计划的研究主管合作编写的。参与者还回答了关于他们对信息的看法的问题表2(问题10至问题18)，并填报基本人口资料。参与者的回答被记录在数据库中，并在不同的实验条件下比较他们的表现和意见。

结果

研究1

人口统计资料

共有83%(52/63)的参与者拥有学位，32%(20/63)的参与者拥有博士学位，30%(19/63)的参与者在生命科学相关领域工作。这一人口统计与罗杰斯创新扩散理论中对早期采用者的描述是一致的。37］．早期采用者往往受过高等教育，拥有专业知识(虽然不一定是手头的主题知识)，愿意参与新技术的试验。

所有参与者都事先获得了他们的个人基因组数据。一些用户从不止一个服务机构获得了基因组数据。表3描述研究参与者使用的基因检测服务。

现有的工具

参与者被问及他们使用的网站和计算工具来处理他们的个人基因组信息，以及他们如何使用这些工具从他们的数据中学习。我们发现大约11%(7/63)的参与者使用了基因检测服务提供的工具之外的工具。另有10%(6/63)的参与者试图使用服务提供商提供的工具来探索他们的基因组，但发现这些工具太复杂、令人困惑或“不方便使用”。表4列出我们的研究参与者使用的工具和网站，并突出显示每个工具的主要功能。

功能需求

虽然参与者报告说，他们被一系列不同的问题所激励，从了解他们的特征，到识别健康风险，到了解他们的祖先，他们使用现有的工具来执行六项常见的信息任务:审查带注释的报告，整合资源，整理信息，比较基因组，共享信息，以及使内容易于访问。表5描述这些信息任务，并提供激励每个任务的示例报价。

这些任务构成了为消费者直接接触个人基因组信息而设计的新型交互系统的功能要求:

1.任务R1:审阅带注释的报告。与会者描述了解释现有表格和密集文本报告的困难。他们表达了对可视化的渴望，以使信息更容易探索和理解。

2.任务R2:整合资源。与会者表示，需要将各种数据资源，包括带注释的基因组、科学出版物、各种公共数据库和与健康有关的数据整合成一个单一工具。

3.任务R3:整理信息。参与者明确表示需要收集、关联、组织和存储在他们的基因组独立研究中发现的各种信息工件(例如，科学论文、流行文章、医生预约笔记、基因变异和视频)。

4.任务R4:比较基因组。参与者要求能够对几个人的数据进行三角测量，以了解家庭内部的联系。

5.任务R5:促进信息共享。与会者强调需要工具来促进与家人、朋友和遗传研究人员的信息共享。

6.任务R6:使内容可访问。与会者指出，需要调整个人基因组报告的内容和语言，以适应非专家的需求。用户还要求在报告中纳入教育材料，并指出可采取行动的信息。

研究2

人口统计资料

共有88%(32/36)的参与者拥有学位，31%(11/36)的参与者拥有博士学位，47%(17/36)的参与者在生命科学相关领域工作。所有用户之前都可以访问他们的检测服务的个人基因组报告(例如，23andMe报告)。图10说明个人基因检测服务的分布情况。总共有11%(4/36)的用户在研究前2个月内第一次看到他们的结果，6%(2/36)在3到6个月内第一次看到结果，83%(30/36)在研究前6个月以上收到结果。约三分之一的参与者以前曾获得PGP生成的GET-Evidence报告。三分之二的用户在研讨会上首次审阅了GET-Evidence报告。

‎ 查看此图

动机和影响

大多数参与者提供了不止一个探索他们基因数据的原因，包括了解家庭和个人健康风险，深入了解祖先，满足好奇心，推进科学，促进开源科学。具体而言，36%(13/36)的人将了解健康风险列为探索个人基因组信息的主要原因，而超过66%(24/36)的人将推进遗传、科学和健康研究列为主要原因。共有14%(5/36)的用户指出，推动开源数据是一种动力，19%(7/36)的用户提到了好奇心。参与者还被要求描述他们对遗传特征和健康风险的了解如何影响他们的生活。图11展示他们的反应。多个用户列出了影响力的多个方面。

‎ 查看此图

表报告

用户花了大约10分钟浏览他们的表格式GET-Evidence报告。大多数用户首先检查表，并尝试根据各种变体的影响对其进行排序。用户优先考虑具有公认的致病影响和高度临床重要性的变异。其中一位解释说:“对我来说，最有趣的是什么是高度临床重要的——我放大那些说高度、致病性和公认的东西。”

许多用户评论了所呈现信息的数量和性质:“对我来说，它看起来很笨重，更像是原始数据，可以进行更多的排序，”以及“让我看看最重要的向量和整个列表。”另一位用户评论道:“这太让人受不了了，我更喜欢通过高重要性来过滤。”用户要求更高级的排序和过滤机制:“能够对列表进行排序，这样你就可以一起看到所有致病突变，或者根据它们被研究的程度对突变进行排序。”共有4个用户根本没有意识到表可以排序，他们逐个扫描表项以寻找重要的变量:“扫描行很困难。”一些用户要求直接搜索功能，包括详细的摘要条目。

视觉报告

为了发起关于显示个人遗传信息的替代方法的对话，我们要求用户使用树状图报告来探索他们自己的数据(参见图2)．

用户花了大约10分钟的时间使用树状图报告探索他们的数据，然后是关于遗传数据交互式可视化表示的优点和缺点的半结构化访谈。

大约三分之一的参与者表达了对树图可视化的强烈偏好。用一位参与者的话来说，“我更喜欢这样。它提供了快速的视觉总结，并根据大小对低和中等大小进行加权，这样我就可以快速确定需要关注的内容。”这些用户中的许多人发现颜色编码特别有用:“颜色阴影可以很容易地区分哪些等位基因是保护性的或致病的。”其他人建议包含颜色键，使用红绿色差用户可访问的配色方案，以及更好地区分良性和致病变异。

另一方面，许多用户评论树图导航，要么觉得它令人困惑，要么更喜欢一次性看到所有信息:“我不喜欢导航，因为[我]需要做额外的操作来访问所需的浏览标准。”虽然我们将一些混乱归因于谷歌可视化API实现的导航机制，但我们也发现了平衡突出显示重要信息与向用户展示整个数据集概览需求的重要性。

非专家的可访问性

用户要求“非科学家友好型”报告，提供对词汇表的访问并使用非技术性语言。大约一半的用户评论了报告中使用的技术术语，他们觉得很难理解:“对于一个不懂科学的人来说，这是压倒性的。”特别是，一些用户询问了以下术语:等位基因频率、纯合子、致病和良性。一些用户指出，用作标签的变体名称太长，对非科学家来说太吓人，并建议在科学变体名称之外添加其他信息。

复杂性和不确定性

我们了解到，向消费者展示个人基因组信息最具挑战性的方面之一是解释的复杂性和不确定性。基因变异与医疗条件或特征之间的联系是通过科学研究确定的，这些研究所提供的证据强度各不相同。《全球获取证据报告》将证据分为三类:已确定的、可能的和不确定的。因此，许多用户评论了理解某些变异的潜在影响和临床重要性的挑战。例如，一名用户问道，“临床影响低的变异是否只是尚未被很好地描述的变异?”在使用树状图报告后，另一位用户指出，“有这么多不充分的证据，它成功地传达了这一点。”

此外，许多复杂的疾病，如糖尿病或各种癌症，都与多个基因有关，而不是单一的基因变异。一位参与者要求:“更好地理解这些因素是如何结合在一起影响我的。”另一位用户建议:“将相似的疾病归在一起会很有帮助。例如，我有一个保护性的黄斑变性SNP和一个阴性的黄斑变性SNP，仅看这份报告很难把它们联系起来。”此外，个体可能是某种特征的携带者，这意味着她或他不会受到特定基因变异的影响，但他们的孩子可能会。正如一位用户解释的那样，“我对那些可能对我(作为携带者)没有影响，但如果我未来的孩子得到两个副本，可能会影响他们的等位基因也很感兴趣，所以能有一份单独的报告来显示这些等位基因就太好了。”

提供的证据

一些用户要求报告提供科学数据来源的直接链接，同时对研究的严谨性进行评分:“包括相关研究的链接-支持它。”

将基因变异与疾病联系起来

最后，36名参与者中有6名(17%)建议将结果报告的重点放在身体状况而不是基因变异上:“健康状况比显示的变异/特征更有帮助。我更希望看到瓷砖标签上的医疗状况没有变化。”与会者还要求提供关于如何减轻其遗传易感性特定疾病的风险的信息。然而，2013年12月，美国食品和药物管理局(Food and Drug Administration)下令23andMe等提供个人基因组检测的公司停止向客户提供此类健康报告[8］．FDA对将直接面向消费者的基因检测用于医疗目的表示担忧，因为这些检测在预测疾病风险方面存在不确定性和不准确性。因此，根据几位参与者的要求，对个人基因组数据进行新的医学解释超出了我们的调查范围。

研究3

概述

这项研究共招募了745名参与者。那些在辅导后测试中有3个或更多错误回答(总共6个)的参与者被排除在分析之外。因此，分析中使用的样本为731人，平均年龄为36.6岁(SD 11.9)。受访者中40.6%(297/731)为女性，56.8%(415/731)拥有学士学位，2.2%(16/731)拥有博士学位，7.8%(57/731)在生命科学相关领域工作。虽然我们的第一项研究针对的是早期采用者，他们可能是生物学或遗传学领域的专家，但这项研究针对的是更多样化的人群。用户平均只花了12分钟(SD 8)浏览这些报告。

理解分数

理解性问题评估的是用户识别特定疾病风险增加的变量的能力，以及理解解释背后科学证据的确定性的能力。根据用户对9道选择题的回答，总分在0到10分之间。表2；Q3, Q4, Q5, Q7, Q8)，填写空格(表2；Q1, Q2和Q6)，并选择所有适用的(表2九方)。“选择所有适用的”问题有多个答案，每个答案都有不同的分数。参与者发现临床重要变异的能力，包括致病性和保护性，也进行了评估。在七个实验条件下，参与者对理解问题的反应进行了比较，使用方差分析(ANOVA)，然后进行了事后的Tukey测试。表6提供这些发现的摘要。

分析揭示了报告类型之间的显著差异(见图12)．可缩放树图和可缩放分区报告被发现在沟通基因组数据方面比其他条件下的可视化效果更差——分别为5.08和4.63(满分10分)。事实上，使用可缩放树图报告获得的分数与所有非可缩放报告相比，导致理解分数显著降低(P<.001)，与柱状图(6.21/10)、气泡图(6.30/10)和热图报告(6.25/10)相比，可缩放分区报告导致理解显著降低(P<措施)。此外，表格报告(5.65/10)的效果也明显低于气泡图报告(P= .04点)。

参与者被要求用李克特5分制(表2的事情)。七个报告类型之间的反应比较是使用方差分析，然后是事后的Tukey 's检验。分析表明，感知理解在气泡图中最高(4.31 / 5,SD 1.52)，在可缩放树图中最低(3.29,SD 1.87)图13)．气泡图被认为比可缩放树图(3.29,SD 1.87，P=.01)和表格对照条件(3.62,SD 1.74，P= . 05)。

我们发现，在生命科学相关领域工作的参与者和非生命科学相关领域工作的参与者在理解能力(生命科学领域的人得分更高)和理解能力(生命科学领域的人更容易理解)方面的结果存在显著差异。然而，当对生命科学人群中的可视化类型进行统计分析比较时，发现可视化类型之间的差异与整个人群中可视化类型之间的差异相似。

‎ 查看此图

‎ 查看此图

定性结果

大约39.2%(240/612)的参与者回答了开放式问题，没有被分配到没有使用颜色编码的控制条件，他们对颜色编码方案有积极的反映。例如，一位参与者指出，“彩色编码的图表使我们更容易看到有害和有益的基因，以及它们潜在的严重程度。”另一位参与者提到，“使用不同的颜色使一些信息非常容易立即看到。”只有3.1%(19/612)的参与者对颜色编码给出了负面反馈。大约33.9%(243/716)的用户仍然认为基因变异摘要过于专业，难以理解，尽管5.7%(41/716)指出他们发现术语表有帮助。大约9.8%(60/612)的参与者(不包括控制条件的参与者)表示，当鼠标悬停时在工具提示中显示信息是无效的。用户指出在导航和关闭工具提示时遇到了麻烦，以及在显示的工具提示遮挡可视化部分时维护上下文。

大约25.0%(48/192)的参与者参与了可缩放可视化干预(见图8而且9)评论说，他们觉得变焦令人困惑。例如，一位参与者描述“……进进出出太多……一旦信息崩溃，就很难导航了。”另一个人提到，“信息在某种图表或可能不止一个图表中更容易理解，而不是交互式图表。一个图表可能有一个简要的概述，下一个图表可能有更多的细节。我发现图表令人沮丧且耗时，因为信息不能一次性访问。”在控制条件下，共有12.5%(13/104)的参与者将表格中列的排序能力描述为可视化中最有用的功能。一位用户指出，“能够改变信息的排序方式，可以更容易地确定哪些信息是重要的。”然而，定性数据并没有解释为什么气泡图在理解测试中表现得这么好。

讨论

研究1

研究1的发现揭示了个人基因组学早期采用者的信息实践和需求。我们确定了新的直接面向消费者的个人基因组交互工具的初步功能需求，包括:(1)R1:审阅注释报告，(2)R2:整合资源，(3)R3:管理信息，(4)R4:比较基因组，(5)R5:促进信息共享，以及(6)R6:使内容可访问。然而，这项研究的发现也强调了进一步研究交互式基因组报告的细节元素的必要性，这些元素在本研究中没有被探讨。特别是，扩展我们对Task R1的理解，它可以说代表了现有直接面向消费者的个人基因组工具的最基本功能，以了解用户如何使用交互式遗传报告来了解他们的基因组数据。研究2的开放式问题包括:用户如何处理他们的个人基因组报告?是什么让基因组报告难以理解?哪些特征可以使基因组信息更容易获得?

研究2

为了解决这些问题，我们与个人基因组计划参与者进行了一次研讨会，重点关注他们与注释个人基因组报告的互动。我们这次研讨会的目标是更细致地了解用户目前如何使用基因组数据，他们如何从自己的个人基因组数据中学习，以及哪些因素影响他们的理解和偏好。

研究结果表明，个人基因组学的早期采用者是由各种因素驱动的，不一定是通过他们的个人基因组信息来寻找具体问题的答案。相反，他们寻找的是具有明确致病影响且具有高度临床重要性的基因变异的信息。研究结果还强调了导致直接面向消费者的基因组报告难以理解的因素，包括大量文本信息、科学和技术术语以及解释的复杂性和不确定性。最后，一些特征被发现可能有助于使个人基因组信息更容易获得和理解，包括以下:(1)根据临床重要性和潜在影响突出重要变异的可视化摘要(如树状图)，(2)使用非技术语言并提供术语表，以及(3)允许用户搜索和排序报告。

参与这项研究的用户群体再次与罗杰斯的创新扩散理论所描述的早期采用者一致[37——这些用户往往受过高等教育，拥有专业知识，并愿意参与新技术的试验。因此，关于如何使一般非专家用户群体能够使用个人基因组学，仍存在许多悬而未决的问题。

随着直接面向消费者的基因检测服务越来越多地面向公众，研究非专家与基因组报告的相互作用也很重要。通过对早期采用者的研究获得的见解，我们针对非专家开发了几种新的交互式可视化个人基因组报告。研究3的重点是调查基因组报告的替代视觉设计如何影响非专家对个人基因组信息的理解。

研究3

本实验的结果表明，与现有报告相比，HCI干预可以提高不同消费者群体的交互式个人基因组报告的可理解性。研究结果还强调了以下对交互式、可视化个人基因组报告设计的影响:

1.缩放性可能会影响理解性。研究结果表明，虽然可缩放的报告(见图8而且9)可能提供额外的信息层，但它们似乎在向非专家用户传递个人基因组信息方面不太有效。这可能是因为大多数非专业用户不太熟悉这样的界面，或者因为可视化摘要可以更好地维护上下文。提供额外的解释和辅导可以帮助用户从这种交互工具中获益更多。

2.概述和熟悉度。研究结果还表明，非缩放报告类型通过可视化摘要(即柱状图、气泡图和热图)提供了整个报告的概述，在传达个人基因组信息方面可能比表格更好。使用气泡图界面获得的理解分数是唯一达到统计显著性的分数，但研究结果需要更多的研究来比较不同的报告类型和交互特征。

3.理解和感知可理解性。在研究的报告类型中，基于泡沫的报告结合了高分的客观理解(使用理解测试)和高分的主观感知理解能力(见数字12而且13)．这一发现表明，这种报告类型比其他报告类型更可能对非专业用户有用。未来的工作将探索使这种报告类型比其他类型更有效和更可取的因素。

4.用颜色传达冲击力和确定性。研究2的结果表明，在研究他们的报告时，用户优先定位具有明确致病影响的变体。使用颜色编码，利用色调和饱和度，被发现在帮助用户识别高优先级基因变异方面是有效的。根据在研究2中收到的反馈，我们为研究3选择了三色编码方案，而不是双色编码方案——红色(致病)、白色(良性)、蓝色(保护性)。基于定性结果，该配色方案对色觉不足的用户来说是可行的。

5.悬停和工具提示。为了简化大量文本的表格设计，当用户将鼠标悬停在基因变体上时，所有六种交互式可视化都在工具提示中显示了每个基因变体的摘要。调查结果确定了悬停和工具提示的几个可用性考虑因素和问题，包括(1)触发显示工具提示的动作——尽管故意选择限制了流体探索，悬停可能会在没有用户意图的情况下触发显示工具提示，(2)可视元素应该足够大，允许用户悬停在特定元素之上，(3)显示时，工具提示遮挡了可视化的部分，隐藏对维护上下文很重要的信息——可以应用几种设计技术来解决这个问题，包括半透明的工具提示，扩展可视化层，在替代区域而不是在工具提示中显示信息，以及(4)工具提示应该支持哪些交互功能——参与者要求能够在工具提示中搜索，并保存和共享工具提示的内容。

结论及未来工作

我们介绍了三个相辅相成的研究结果，这些研究结合了定性和定量方法，为个人基因组报告的设计提供了信息。我们的发现为设计师和研究人员提供了有用的见解，他们对HCI在使个人基因组学为消费者所理解和有用方面所发挥的作用感兴趣。研究1探讨了早期采用者的信息实践和需求，并确定了新的直接面向消费者的个人基因组交互工具的初步功能需求。通过面对面访谈和用户演示来扩展研究1，研究2试图了解用户为什么以及如何参与交互式遗传报告以了解他们的个人基因组数据。在前两项研究结果的基础上，研究3侧重于根据前面确定的需求和实践设计和测试替代交互式报告。这些设计使用了不同的交互式可视化，并通过亚马逊土耳其机器人用户的在线实验进行了测试，以调查界面设计和数据可视化的变化如何影响用户对个人基因组报告的理解以及偏好和态度。

据我们所知，这篇论文提出了第一个关注信息实践、需求和非专家参与个人基因组学的设计考虑因素的研究。未来的工作可能会集中在角色人口统计和其他个人属性对用户对不同报表类型的理解的影响上。例如，新出现的研究表明，个性特征对用户如何感知数据可视化很重要[38］．了解用户的背景和性格如何影响他们对个人基因组报告的理解和采取行动的可能性是很重要的。我们还计划将定性和实验研究的发现应用于新的交互工具的设计和开发，使消费者能够参与并理解他们的个人基因组信息。