Visão Geral
Clustering é uma técnica de aprendizado não supervisionado que particiona um conjunto de objetos em grupos, de modo que os objetos dentro do mesmo grupo são mais semelhantes entre si do que aos de outros grupos. Em bioinformática, o clustering aborda questões exploratórias onde não existem rótulos de referência: descobrir novos subtipos de doenças, identificar módulos de genes coexpressos ou detectar estruturas de comunidades microbianas. A qualidade do clustering depende criticamente da medida de similaridade e do algoritmo escolhidos, e os resultados requerem validação biológica em vez de métricas puramente estatísticas.
Métodos
K-means particiona os dados em um número predefinido de grupos minimizando a variância dentro do grupo, é rápido e escalável mas assume grupos esféricos. Clustering hierárquico constrói um dendrograma de agrupamentos aninhados usando estratégias aglomerativas ou divisivas, com a vantagem de que o número de grupos pode ser escolhido após a inspeção. DBSCAN identifica grupos como regiões densas separadas por áreas esparsas e lida com formas arbitrárias enquanto detecta outliers. Modelos de mistura gaussiana fornecem atribuições probabilísticas a grupos e podem capturar grupos com diferentes tamanhos e orientações. Para dados de alta dimensão, o clustering é frequentemente precedido por redução de dimensionalidade. Índices de validação interna como o escore de silhueta e medidas externas como o índice Rand ajustado quantificam a qualidade do clustering quando dados de referência estão disponíveis.
Protocolo Prático
Um fluxo de trabalho prático de clustering começa com uma matriz de expressão gênica normalizada de N amostras por P genes. O pesquisador primeiro aplica PCA para reduzir a dimensionalidade aos 20 componentes principais principais, o que remove ruído dos dados e acelera o cálculo subsequente. Para clustering hierárquico, uma matriz de distância é calculada usando distância euclidiana, e o método de ligação de Ward minimiza a variância dentro do grupo ao mesclar ramos. O dendrograma é inspecionado para decidir o número de grupos, procurando grandes distâncias verticais entre fusões como pontos de corte naturais. O escore de silhueta é calculado para k de 2 a 10 para validar a escolha, o k ótimo maximiza a largura média da silhueta. Para clustering k-means, o algoritmo é executado com 20 inicializações aleatórias para evitar mínimos locais, e a solução com a menor soma de quadrados dentro do grupo é selecionada. Os resultados são visualizados através de um mapa de calor com dendrogramas de linhas e colunas, ou projetados em uma incorporação UMAP colorida por atribuição de grupo. A validação biológica segue: genes diferencialmente expressos entre grupos são identificados usando o teste de soma de postos de Wilcoxon, e os marcadores principais são comparados com assinaturas de tipos celulares conhecidos de bancos de dados como PanglaoDB ou CellMarker. Um exemplo concreto vem do The Cancer Genome Atlas (TCGA), onde o clustering por consenso de 5.000 amostras de tumores em 33 tipos de câncer identificou novos subtipos moleculares com desfechos de sobrevida distintos. Em estudos de célula única, o clustering de 50.000 células de amostras de cérebro com doença de Alzheimer revelou uma nova população de micróglia associada à doença com uma assinatura transcricional única ligada à neurodegeneração.
Aplicações
Clustering identifica subtipos de câncer a partir de perfis de microarranjos de DNA e expressão gênica, delimita populações celulares em dados de citometria de fluxo e define unidades taxonômicas operacionais em perfis de comunidades microbianas de estudos de genética bacteriana. Também revela módulos funcionais em redes de interação proteína-proteína e agrupa pacientes por assinaturas moleculares para estratégias de tratamento personalizado.
