Aperçu Général
Le clustering est une technique d’apprentissage non supervisé qui partitionne un ensemble d’objets en groupes de sorte que les objets d’un même groupe soient plus similaires entre eux qu’à ceux des autres groupes. En bioinformatique, le clustering répond à des questions exploratoires où les étiquettes de vérité terrain n’existent pas : découvrir de nouveaux sous-types de maladies, identifier des modules de gènes co-exprimés ou détecter des structures de communautés microbiennes. La qualité du clustering dépend de manière critique de la mesure de similarité et de l’algorithme choisis, et les résultats nécessitent une validation biologique plutôt que des métriques purement statistiques.
Méthodes
K-means partitionne les données en un nombre prédéfini de clusters en minimisant la variance intra-cluster ; il est rapide et évolutif mais suppose des clusters sphériques. Le clustering hiérarchique construit un dendrogramme de regroupements imbriqués en utilisant des stratégies agglomératives ou divisives, avec l’avantage que le nombre de clusters peut être choisi après inspection. DBSCAN identifie les clusters comme des régions denses séparées par des zones dispersées et gère des formes arbitraires tout en détectant les valeurs aberrantes. Les modèles de mélange gaussien fournissent des assignations probabilistes aux clusters et peuvent capturer des clusters de différentes tailles et orientations. Pour les données de haute dimension, le clustering est souvent précédé d’une réduction de dimensionnalité. Les indices de validation interne tels que le score de silhouette et les mesures externes telles que l’indice de Rand ajusté quantifient la qualité du clustering lorsque la vérité terrain est disponible.
Protocole Pratique
Un flux de travail pratique de clustering commence par une matrice d’expression génique normalisée de N échantillons par P gènes. Le chercheur applique d’abord une ACP pour réduire la dimensionnalité aux 20 composantes principales principales, ce qui débruite les données et accélère les calculs ultérieurs. Pour le clustering hiérarchique, une matrice de distance est calculée en utilisant la distance euclidienne, et la méthode de liaison de Ward minimise la variance intra-cluster lors de la fusion des branches. Le dendrogramme est inspecté pour décider du nombre de clusters, en recherchant de grandes distances verticales entre les fusions comme points de coupure naturels. Le score de silhouette est calculé pour k de 2 à 10 pour valider le choix, le k optimal maximise la largeur moyenne de silhouette. Pour le clustering k-means, l’algorithme est exécuté avec 20 initialisations aléatoires pour éviter les minima locaux, et la solution avec la plus faible somme des carrés intra-cluster est sélectionnée. Les résultats sont visualisés via une carte de chaleur avec des dendrogrammes de lignes et de colonnes, ou projetés sur un plongement UMAP coloré par assignation de cluster. La validation biologique suit : les gènes exprimés différentiellement entre les clusters sont identifiés à l’aide d’un test de somme des rangs de Wilcoxon, et les marqueurs principaux sont recoupés avec les signatures de types cellulaires connus provenant de bases de données telles que PanglaoDB ou CellMarker. Un exemple concret provient de The Cancer Genome Atlas (TCGA), où le clustering par consensus de 5 000 échantillons de tumeurs de 33 types de cancer a identifié de nouveaux sous-types moléculaires avec des résultats de survie distincts. Dans les études unicellulaires, le clustering de 50 000 cellules d’échantillons de cerveau atteint de la maladie d’Alzheimer a révélé une nouvelle population de microglie associée à la maladie avec une signature transcriptionnelle unique liée à la neurodégénérescence.
Applications
Le clustering identifie des sous-types de cancer à partir de profils de puces à ADN et expression génique, délimite des populations cellulaires dans les données de cytométrie en flux et définit des unités taxonomiques opérationnelles dans le profilage de communautés microbiennes issu d’études de génétique bactérienne. Il révèle également des modules fonctionnels dans les réseaux d’interaction protéine-protéine et regroupe les patients par signatures moléculaires pour des stratégies de traitement personnalisées.
