Überblick
Clusteranalyse ist eine Technik des unüberwachten Lernens, die eine Menge von Objekten so in Gruppen aufteilt, dass Objekte innerhalb derselben Gruppe einander ähnlicher sind als denen in anderen Gruppen. In der Bioinformatik beantwortet die Clusteranalyse explorative Fragen, bei denen keine Grundwahrheitslabels existieren: Entdeckung neuer Krankheitssubtypen, Identifizierung koexprimierter Genmodule oder Erkennung von Mikrobiom-Gemeinschaftsstrukturen. Die Qualität der Clusteranalyse hängt entscheidend von der gewählten Ähnlichkeitsmetrik und dem Algorithmus ab, und die Ergebnisse erfordern biologische Validierung anstelle rein statistischer Metriken.
Methoden
K-Means partitioniert die Daten in eine vordefinierte Anzahl von Clustern durch Minimierung der Varianz innerhalb der Cluster; es ist schnell und skalierbar, nimmt aber kugelförmige Cluster an. Hierarchische Clusteranalyse erstellt ein Dendrogramm verschachtelter Gruppierungen unter Verwendung agglomerativer oder divisiver Strategien, mit dem Vorteil, dass die Anzahl der Cluster nach der Inspektion gewählt werden kann. DBSCAN identifiziert Cluster als dichte Regionen, die durch dünn besiedelte Gebiete getrennt sind, und handhabt beliebige Formen, während es Ausreißer erkennt. Gaußsche Mischmodelle liefern probabilistische Clusterzuweisungen und können Cluster unterschiedlicher Größe und Ausrichtung erfassen. Bei hochdimensionalen Daten wird der Clusteranalyse häufig eine Dimensionsreduktion vorangestellt. Interne Validierungsindizes wie der Silhouettenwert und externe Maße wie der angepasste Rand-Index quantifizieren die Clusterqualität, wenn Grundwahrheitsdaten verfügbar sind.
Praktisches Protokoll
Ein praktischer Cluster-Workflow beginnt mit einer normalisierten Genexpressionsmatrix von N Proben × P Genen. Der Forscher wendet zunächst eine PCA an, um die Dimensionalität auf die 20 Hauptkomponenten zu reduzieren, was die Daten entrauscht und die nachfolgende Berechnung beschleunigt. Für die hierarchische Clusteranalyse wird eine Distanzmatrix unter Verwendung der euklidischen Distanz berechnet, und die Ward-Methode minimiert die Varianz innerhalb der Cluster beim Zusammenführen von Ästen. Das Dendrogramm wird inspiziert, um die Anzahl der Cluster zu bestimmen, wobei große vertikale Abstände zwischen Fusionen als natürliche Schnittpunkte dienen. Der Silhouettenwert wird für k von 2 bis 10 berechnet, um die Wahl zu validieren, das optimale k maximiert die durchschnittliche Silhouettenbreite. Für die K-Means-Clusteranalyse wird der Algorithmus mit 20 zufälligen Initialisierungen ausgeführt, um lokale Minima zu vermeiden, und die Lösung mit der geringsten Quadratsumme innerhalb der Cluster wird ausgewählt. Die Ergebnisse werden mittels einer Heatmap mit Zeilen- und Spalten-Dendrogrammen visualisiert oder auf eine nach Clusterzugehörigkeit gefärbte UMAP-Einbettung projiziert. Es folgt die biologische Validierung: differenziell exprimierte Gene zwischen Clustern werden mit dem Wilcoxon-Rangsummentest identifiziert, und die wichtigsten Marker werden mit bekannten Zelltyp-Signaturen aus Datenbanken wie PanglaoDB oder CellMarker abgeglichen. Ein konkretes Beispiel stammt vom The Cancer Genome Atlas (TCGA), wo die Konsens-Clusteranalyse von 5.000 Tumorproben aus 33 Krebsarten neue molekulare Subtypen mit unterschiedlichen Überlebensergebnissen identifizierte. In Einzelzellstudien enthüllte die Clusteranalyse von 50.000 Zellen aus Alzheimer-Gehirnproben eine neue krankheitsassoziiierte Mikroglia-Population mit einer einzigartigen, mit Neurodegeneration verbundenen Transkriptionssignatur.
Anwendungen
Clusteranalyse identifiziert Krebs-Subtypen aus DNA-Microarray- und Genexpressionsprofilen, grenzt Zellpopulationen in Durchflusszytometrie-Daten ab und definiert operationelle taxonomische Einheiten in mikrobiellen Gemeinschaftsprofilen aus Studien der Bakteriengenetik. Sie deckt auch funktionelle Module in Protein-Protein-Interaktionsnetzwerken auf und gruppiert Patienten nach molekularen Signaturen für personalisierte Behandlungsstrategien.
