Ikhtisar
Reduksi dimensi memetakan data berdimensi tinggi, di mana setiap sampel memiliki ribuan atau puluhan ribu fitur terukur, ke dalam ruang berdimensi rendah, biasanya dua atau tiga dimensi, yang mempertahankan struktur penting. Hal ini memiliki dua tujuan utama: visualisasi, memungkinkan peneliti melihat pola, kelompok, dan outlier secara langsung; dan mencela, menghilangkan variasi tidak relevan yang menurunkan analisis hilir. Data biologis, mulai dari matriks ekspresi gen hingga spektrum massa, pada dasarnya berdimensi tinggi dan seringkali berlebihan, sehingga reduksi dimensi menjadi langkah pra-pemrosesan yang penting.
Metode
Analisis komponen utama (PCA) menemukan sumbu ortogonal dari varian maksimum melalui kombinasi linier fitur aslinya. Ini cepat, deterministik, dan banyak digunakan untuk eksplorasi awal. penyematan tetangga stokastik terdistribusi-t (t-SNE) membangun distribusi probabilitas atas kesamaan berpasangan dalam ruang berdimensi tinggi dan meminimalkan divergensi Kullback-Leibler ke peta berdimensi rendah, sehingga unggul dalam mengungkap struktur dan cluster lokal. Uniform Manifold Approximation and Projection (UMAP) dibuat berdasarkan prinsip serupa, namun mempertahankan struktur global dengan lebih baik dan jauh lebih cepat. Autoencoder menggunakan jaringan neural untuk mempelajari penyematan non-linier dan dapat menangkap manifold yang kompleks. Setiap metode memiliki hyperparameter, kebingungan untuk t-SNE, n_neighbours untuk UMAP, yang sangat mempengaruhi visualisasi yang dihasilkan.
Protokol Praktis
Alur kerja pengurangan dimensi praktis untuk data RNA-seq sel tunggal dimulai dengan matriks jumlah gen demi sel. Setelah pemfilteran kualitas, normalisasi, dan transformasi log, 2.000 gen teratas yang sangat bervariasi dipilih. PCA diterapkan pertama kali untuk mengurangi matriks dari sekitar 20.000 dimensi menjadi 50 komponen utama, menangkap variasi dominan sekaligus menghilangkan gangguan teknis. Peneliti memeriksa varians yang dijelaskan menggunakan scree plot dan biasanya menyimpan 20-30 komponen teratas untuk analisis hilir. Koordinat tereduksi PCA ini berfungsi sebagai masukan untuk UMAP. Hyperparameter kunci disetel: n_neighbours = 15, min_dist = 0,1, dan n_components = 2. Penyematan UMAP diplot, dengan setiap sel diwarnai oleh penanda jenis sel yang diketahui, penetapan pengelompokan, atau kondisi eksperimental. Menafsirkan plot melibatkan identifikasi populasi sel yang berbeda sebagai awan titik terisolasi, lintasan kontinu yang menunjukkan jalur diferensiasi, dan sel outlier yang mungkin mewakili populasi ganda atau langka. t-SNE dapat digunakan sebagai alternatif untuk struktur lokal yang lebih baik, meskipun UMAP menjaga hubungan global dengan lebih baik. Misalnya, dalam studi sel mononuklear darah tepi, jalur pipa ini mengungkapkan 22 jenis sel kekebalan yang berbeda dari satu percobaan 10x Genomics, termasuk subset sel dendritik langka yang berjumlah kurang dari 1% dari total populasi. Dalam penelitian kanker, pengurangan dimensi data tumor sel tunggal telah mengungkap populasi subklonal yang berbeda dengan kapasitas proliferasi dan sensitivitas obat yang berbeda, sehingga memandu strategi pengobatan yang dipersonalisasi.
Aplikasi
Pengurangan dimensi adalah praktik standar untuk mengeksplorasi data microarray DNA dan ekspresi gen, memvisualisasikan populasi sel dalam flow cytometry, dan memeriksa kualitas dalam eksperimen proteomik dan spektrometri massa. Jalur analisis RNA-seq sel tunggal secara rutin menggunakan PCA untuk denoising awal diikuti oleh UMAP untuk visualisasi, memungkinkan penemuan jenis dan status sel baru dari data transkriptomik.
