Übersicht
Durch die Dimensionsreduktion werden hochdimensionale Daten – bei denen jede Probe Tausende oder Zehntausende gemessener Merkmale aufweist – in einen niedrigdimensionalen Raum, typischerweise zwei oder drei Dimensionen, abgebildet, der wichtige Strukturen bewahrt. Dies dient vor allem zwei Zwecken: der Visualisierung, die es Forschern ermöglicht, Muster, Cluster und Ausreißer mit dem Auge zu erkennen; und Rauschunterdrückung, wodurch irrelevante Variationen entfernt werden, die die nachgelagerte Analyse beeinträchtigen. Biologische Daten, von Genexpressionsmatrizen bis hin zu Massenspektren, sind von Natur aus hochdimensional und oft redundant, was die Reduzierung der Dimensionalität zu einem wesentlichen Vorverarbeitungsschritt macht.
Methoden
Hauptkomponentenanalyse (PCA) findet orthogonale Achsen maximaler Varianz durch lineare Kombinationen der ursprünglichen Merkmale. Es ist schnell, deterministisch und wird häufig für die anfängliche Erkundung verwendet. t-verteilte stochastische Nachbareinbettung (t-SNE) erstellt eine Wahrscheinlichkeitsverteilung über paarweise Ähnlichkeiten im hochdimensionalen Raum und minimiert die Kullback-Leibler-Divergenz auf eine niedrigdimensionale Karte, wodurch lokale Strukturen und Cluster hervorragend sichtbar werden. Uniform Manifold Approximation and Projection (UMAP) basiert auf ähnlichen Prinzipien, bewahrt jedoch die globale Struktur besser und ist deutlich schneller. Autoencoder nutzen neuronale Netze, um nichtlineare Einbettungen zu lernen und können komplexe Mannigfaltigkeiten erfassen. Jede Methode verfügt über Hyperparameter – Perplexity für t-SNE, n_neighbors für UMAP – die die resultierende Visualisierung stark beeinflussen.
Praktisches Protokoll
Ein praktischer Workflow zur Dimensionsreduzierung für Einzelzell-RNA-seq-Daten beginnt mit einer Gene-by-Zell-Zählungsmatrix. Nach Qualitätsfilterung, Normalisierung und Log-Transformation werden die 2.000 höchstvariablen Gene ausgewählt. PCA wird zunächst angewendet, um die Matrix von etwa 20.000 Dimensionen auf 50 Hauptkomponenten zu reduzieren und so dominante Variationen zu erfassen und gleichzeitig technisches Rauschen zu entfernen. Der Forscher untersucht die erklärte Varianz mithilfe eines Gerölldiagramms und behält in der Regel die wichtigsten 20 bis 30 Komponenten für die nachfolgende Analyse bei. Diese PCA-reduzierten Koordinaten dienen als Eingabe für UMAP. Die wichtigsten Hyperparameter sind festgelegt: n_neighbors = 15, min_dist = 0,1 und n_components = 2. Die UMAP-Einbettung wird grafisch dargestellt, wobei jede Zelle durch bekannte Zelltypmarkierungen, Clusterzuordnung oder experimentelle Bedingungen gefärbt wird. Bei der Interpretation des Diagramms müssen bestimmte Zellpopulationen als isolierte Punktwolken, kontinuierliche Trajektorien, die auf Differenzierungswege hinweisen, und Ausreißerzellen identifiziert werden, die Dubletts oder seltene Populationen darstellen können. t-SNE kann als Alternative für eine feinere lokale Struktur verwendet werden, obwohl UMAP globale Beziehungen besser bewahrt. Beispielsweise ergab diese Pipeline in einer Studie mit mononukleären Zellen des peripheren Blutes 22 verschiedene Immunzelltypen aus einem einzigen 10-fachen Genomics-Lauf, darunter seltene Untergruppen dendritischer Zellen, die weniger als 1 % der Gesamtpopulation ausmachen. In der Krebsforschung hat die Dimensionsreduktion von Einzelzelltumordaten unterschiedliche subklonale Populationen mit unterschiedlichen Proliferationskapazitäten und Arzneimittelsensitivitäten aufgedeckt, die als Leitfaden für personalisierte Behandlungsstrategien dienen.
Anwendungen
Die Reduzierung der Dimensionalität ist Standardpraxis für die Untersuchung von Daten zu [DNA-Mikroarrays und Genexpression] (/de/guides/dna-microarrays-and-gene-expression.html), zur Visualisierung von Zellpopulationen in der [Durchflusszytometrie] (/de/guides/flow-cytometry.html) und zur Qualitätsprüfung in Experimenten zur [Proteomik und Massenspektrometrie] (/de/guides/proteomics-and-mass-spectrometry.html). Einzelzell-RNA-Seq-Analysepipelines verwenden routinemäßig PCA für die anfängliche Entrauschung, gefolgt von UMAP für die Visualisierung, was die Entdeckung neuer Zelltypen und -zustände aus transkriptomischen Daten ermöglicht.
