Ikhtisar
Klastering adalah teknik pembelajaran tak terawasi yang mempartisi sekumpulan objek ke dalam kelompok-kelompok, sehingga objek dalam kelompok yang sama lebih mirip satu sama lain dibandingkan dengan objek di kelompok lain. Dalam bioinformatika, klastering menjawab pertanyaan eksploratori di mana tidak ada label kebenaran dasar: menemukan subtip penyakit baru, mengidentifikasi modul gen yang ko-ekspresi, atau mendeteksi struktur komunitas mikroba. Kualitas klastering sangat bergantung pada ukuran kemiripan dan algoritme yang dipilih, dan hasilnya memerlukan validasi biologis daripada metrik statistik murni.
Metode
K-means mempartisi data ke dalam sejumlah kelompok yang telah ditentukan dengan meminimalkan varians dalam kelompok, cepat dan skalabel tetapi mengasumsikan kelompok berbentuk bola. Klastering hierarkis membangun dendrogram dari pengelompokan bersarang menggunakan strategi aglomeratif atau divisif, dengan keuntungan bahwa jumlah kelompok dapat dipilih setelah inspeksi. DBSCAN mengidentifikasi kelompok sebagai region padat yang dipisahkan oleh area jarang dan menangani bentuk arbitrer sambil mendeteksi pencilan. Model campuran Gaussian memberikan penugasan probabilistik ke kelompok dan dapat menangkap kelompok dengan ukuran dan orientasi berbeda. Untuk data berdimensi tinggi, klastering sering didahului oleh reduksi dimensionalitas. Indeks validasi internal seperti skor siluet dan ukuran eksternal seperti indeks Rand yang disesuaikan mengkuantifikasi kualitas klastering ketika data kebenaran dasar tersedia.
Protokol Praktis
Alur kerja klastering praktis dimulai dengan matriks ekspresi gen yang telah dinormalisasi dari N sampel × P gen. Peneliti pertama-tama menerapkan PCA untuk mereduksi dimensionalitas ke 20 komponen utama teratas, yang menghilangkan noise dari data dan mempercepat komputasi selanjutnya. Untuk klastering hierarkis, matriks jarak dihitung menggunakan jarak Euclidean, dan metode hubungan Ward meminimalkan varians dalam kelompok saat menggabungkan cabang. Dendrogram diperiksa untuk memutuskan jumlah kelompok, mencari jarak vertikal besar antara penggabungan sebagai titik potong alami. Skor siluet dihitung untuk k dari 2 hingga 10 untuk memvalidasi pilihan, k optimal memaksimalkan lebar siluet rata-rata. Untuk klastering k-means, algoritme dijalankan dengan 20 inisialisasi acak untuk menghindari minimum lokal, dan solusi dengan jumlah kuadrat dalam kelompok terkecil dipilih. Hasil divisualisasikan melalui peta panas dengan dendrogram baris dan kolom, atau diproyeksikan ke dalam embeddings UMAP yang diwarnai berdasarkan penugasan kelompok. Validasi biologis menyusul: gen yang diekspresikan secara diferensial antar kelompok diidentifikasi menggunakan uji jumlah peringkat Wilcoxon, dan penanda utama dicocokkan dengan tanda tangan tipe sel yang diketahui dari basis data seperti PanglaoDB atau CellMarker. Contoh konkret berasal dari The Cancer Genome Atlas (TCGA), di mana klastering konsensus dari 5.000 sampel tumor di 33 jenis kanker mengidentifikasi subtip molekuler baru dengan hasil kelangsungan hidup yang berbeda. Dalam studi sel tunggal, klastering 50.000 sel dari sampel otak penyakit Alzheimer mengungkapkan populasi mikroglia baru yang terkait penyakit dengan tanda tangan transkripsi unik yang terkait dengan neurodegenerasi.
Aplikasi
Klastering mengidentifikasi subtip kanker dari profil mikroarray DNA dan ekspresi gen, menggambarkan populasi sel dalam data sitometri aliran, dan mendefinisikan unit taksonomi operasional dalam profil komunitas mikroba dari studi genetika bakteri. Ini juga mengungkap modul fungsional dalam jaringan interaksi protein-protein dan mengelompokkan pasien berdasarkan tanda tangan molekuler untuk strategi pengobatan yang dipersonalisasi.
