Aperçu
La réduction de dimensionnalité mappe les données de grande dimension (dans lesquelles chaque échantillon comporte des milliers ou des dizaines de milliers de caractéristiques mesurées) dans un espace de faible dimension, généralement à deux ou trois dimensions, qui préserve une structure importante. Cela répond à deux objectifs principaux : la visualisation, permettant aux chercheurs de voir visuellement les modèles, les clusters et les valeurs aberrantes ; et le débruitage, supprimant les variations non pertinentes qui dégradent l’analyse en aval. Les données biologiques, depuis les matrices d’expression génique jusqu’aux spectres de masse, sont intrinsèquement de grande dimension et souvent redondantes, ce qui fait de la réduction de dimensionnalité une étape de prétraitement essentielle.
Méthodes
L’analyse en composantes principales (ACP) trouve des axes orthogonaux de variance maximale grâce à des combinaisons linéaires des caractéristiques d’origine. Il est rapide, déterministe et largement utilisé pour l’exploration initiale. l’intégration de voisins stochastiques distribués en t (t-SNE) construit une distribution de probabilité sur des similitudes par paires dans un espace de grande dimension et minimise la divergence de Kullback-Leibler en une carte de faible dimension, excellant dans la révélation de la structure et des clusters locaux. Uniform Manifold Approximation and Projection (UMAP) s’appuie sur des principes similaires mais préserve mieux la structure globale et est nettement plus rapide. Les auto-encodeurs utilisent des réseaux de neurones pour apprendre des intégrations non linéaires et peuvent capturer des variétés complexes. Chaque méthode possède des hyperparamètres – perplexité pour t-SNE, n_neighbours pour UMAP – qui influencent fortement la visualisation résultante.
Protocole pratique
Un flux de travail pratique de réduction de dimensionnalité pour les données de séquençage d’ARN unicellulaire commence par une matrice de comptage gènes par cellules. Après filtrage de qualité, normalisation et transformation logarithmique, les 2 000 gènes les plus variables sont sélectionnés. La PCA est appliquée en premier pour réduire la matrice d’environ 20 000 dimensions à 50 composants principaux, capturant ainsi la variation dominante tout en supprimant le bruit technique. Le chercheur inspecte la variance expliquée à l’aide d’un éboulis et conserve généralement les 20 à 30 principaux composants pour une analyse en aval. Ces coordonnées réduites par PCA servent d’entrée pour UMAP. Les hyperparamètres clés sont définis : n_neighbors = 15, min_dist = 0,1 et n_components = 2. L’intégration UMAP est tracée, chaque cellule étant colorée par des marqueurs de type cellulaire connus, une affectation de regroupement ou une condition expérimentale. L’interprétation du tracé implique l’identification de populations cellulaires distinctes sous forme de nuages de points isolés, de trajectoires continues suggérant des voies de différenciation et de cellules aberrantes pouvant représenter des doublets ou des populations rares. Le t-SNE peut être utilisé comme alternative pour une structure locale plus fine, bien que l’UMAP préserve mieux les relations globales. Par exemple, dans une étude sur les cellules mononucléées du sang périphérique, ce pipeline a révélé 22 types de cellules immunitaires distincts à partir d’une seule analyse 10x Genomics, y compris de rares sous-ensembles de cellules dendritiques représentant moins de 1 % de la population totale. Dans la recherche sur le cancer, la réduction de la dimensionnalité des données sur les tumeurs unicellulaires a révélé des populations sous-clonales distinctes présentant différentes capacités de prolifération et sensibilités aux médicaments, guidant ainsi des stratégies de traitement personnalisées. ### Candidatures
La réduction de la dimensionnalité est une pratique standard pour explorer les données puces à ADN et expression génique, visualiser les populations cellulaires dans la cytométrie en flux et inspecter la qualité des expériences protéomique et spectrométrie de masse. Les pipelines d’analyse d’ARN-seq unicellulaire utilisent régulièrement la PCA pour le débruitage initial, suivi de l’UMAP pour la visualisation, permettant la découverte de nouveaux types et états de cellules à partir de données transcriptomiques.
