Ikhtisar
Seleksi fitur adalah proses mengidentifikasi variabel masukan yang paling relevan untuk pembangunan model prediktif. Dalam bioinformatika, kumpulan data sering mengandung puluhan ribu fitur (gen, varian, metabolit) pada sampel yang relatif sedikit, sebuah skenario yang dikenal sebagai kutukan dimensionalitas. Mengurangi ruang fitur ini mengurangi overfitting, mempercepat pelatihan, dan menghasilkan model yang lebih interpretabel yang dapat langsung mengungkap mekanisme biologis yang mendasarinya. Alat komputasi mengimplementasikan berbagai strategi seleksi yang sesuai dengan skala data dan tujuan biologis yang berbeda.
Metode
Metode filter memberi peringkat fitur secara independen dari model pembelajaran menggunakan ukuran statistik seperti korelasi Pearson, informasi timbal balik, uji χ², atau ANOVA. Metode wrapper mengevaluasi subkumpulan fitur dengan melatih dan mengevaluasi model secara iteratif, menggunakan seleksi maju, eliminasi mundur, atau eliminasi fitur rekursif. Metode tertanam melakukan seleksi fitur selama pelatihan model melalui regularisasi LASSO atau Ridge, atau melalui skor kepentingan fitur yang berasal dari pohon keputusan. Pendekatan reduksi dimensionalitas seperti PCA, t-SNE, dan UMAP mentransformasi fitur asli ke ruang berdimensi lebih rendah, sering kali mempertahankan varian maksimum sambil kehilangan interpretabilitas langsung.
Protokol Praktis
Alur kerja seleksi fitur untuk data ekspresi gen dimulai dengan matriks ternormalisasi dari 20.000 gen × 200 sampel. Peneliti pertama-tama menyaring gen dengan varian rendah, menghapus gen dengan varian di bawah persentil ke-10 di semua sampel, mengurangi ruang menjadi sekitar 10.000 gen. Uji t moderat atau ANOVA satu arah diterapkan, dan gen diperingkat berdasarkan nilai p. LASSO dengan regularisasi L1 dijalankan menggunakan validasi silang 10 lipat untuk memilih nilai lambda optimal, biasanya memilih lambda.1se untuk mendapatkan model jarang dengan lebih sedikit fitur. Fitur yang terpilih, seringkali 30–50 gen, diperiksa relevansi biologisnya melalui pengayaan ontologi gen dan perbandingan dengan literatur. Mesin vektor dukung (SVM) dilatih hanya menggunakan fitur yang terpilih, biasanya mencapai 85–90% akurasi klasifikasi pada data validasi eksternal dibandingkan dengan 70–75% saat menggunakan semua fitur. Eliminasi fitur rekursif dengan SVM mengonfirmasi peringkat: akurasi mulai menurun setelah menghapus 25 gen teratas, memvalidasi pentingnya subkumpulan yang dipilih. 10 fitur teratas divisualisasikan dalam peta panas dengan anotasi kelompok, dan rasio kemungkinan dihitung untuk setiap fitur guna memberikan wawasan yang dapat ditindaklanjuti kepada kolaborator biolog. Contohnya adalah studi subtipe kanker payudara di mana seleksi fitur mereduksi panel 500 gen menjadi 14 gen tanda tangan, mencapai sensitivitas dan spesifisitas di atas 90% pada sampel biopsi independen. Panel 14 gen divalidasi melalui qPCR pada 500 sampel klinis tambahan, menunjukkan bahwa gen yang terpilih menangkap jalur biologis kunci, proliferasi, respons imun, dan metabolisme estrogen, dan berkorelasi dengan hasil kelangsungan hidup pasien.
Aplikasi
Seleksi fitur mengidentifikasi panel biomarker untuk diagnosis penyakit dari data mikroarray DNA dan qPCR, memprioritaskan varian kausal dalam studi asosiasi genom-lebar (GWAS), dan mereduksi dimensi citra dalam analisis mikroskopi dan histopatologi.
