Visão geral
A redução da dimensionalidade mapeia dados de alta dimensão – onde cada amostra tem milhares ou dezenas de milhares de características medidas – em um espaço de baixa dimensão, normalmente duas ou três dimensões, que preserva uma estrutura importante. Isso serve a dois propósitos principais: visualização, permitindo que os pesquisadores vejam padrões, clusters e valores discrepantes a olho nu; e remoção de ruído, removendo variações irrelevantes que degradam a análise posterior. Os dados biológicos, desde matrizes de expressão gênica até espectros de massa, são inerentemente de alta dimensão e muitas vezes redundantes, tornando a redução da dimensionalidade uma etapa essencial de pré-processamento.
Métodos
Análise de componentes principais (PCA) encontra eixos ortogonais de variação máxima por meio de combinações lineares dos recursos originais. É rápido, determinístico e amplamente utilizado para exploração inicial. incorporação estocástica de vizinho distribuída em t (t-SNE) constrói uma distribuição de probabilidade sobre semelhanças entre pares no espaço de alta dimensão e minimiza a divergência de Kullback-Leibler para um mapa de baixa dimensão, destacando-se por revelar estrutura local e clusters. Aproximação e projeção de variedade uniforme (UMAP) baseia-se em princípios semelhantes, mas preserva melhor a estrutura global e é significativamente mais rápido. Autoencoders usam redes neurais para aprender incorporações não lineares e podem capturar variedades complexas. Cada método possui hiperparâmetros, perplexidade para t-SNE, n_neighbors para UMAP, que influenciam fortemente a visualização resultante.
Protocolo Prático
Um fluxo de trabalho prático de redução de dimensionalidade para dados de RNA-seq unicelulares começa com uma matriz de contagem de genes por células. Após filtragem de qualidade, normalização e transformação logarítmica, os 2.000 principais genes altamente variáveis são selecionados. O PCA é aplicado primeiro para reduzir a matriz de aproximadamente 20.000 dimensões para 50 componentes principais, capturando a variação dominante e removendo o ruído técnico. O pesquisador inspeciona a variação explicada usando um gráfico de scree e normalmente retém os 20 a 30 componentes principais para análise posterior. Essas coordenadas reduzidas por PCA servem como entrada para UMAP. Os principais hiperparâmetros são definidos: n_neighbors = 15, min_dist = 0,1 e n_components = 2. A incorporação UMAP é plotada, com cada célula colorida por marcadores de tipo de célula conhecidos, atribuição de cluster ou condição experimental. A interpretação do gráfico envolve a identificação de populações de células distintas como nuvens de pontos isoladas, trajetórias contínuas sugerindo caminhos de diferenciação e células discrepantes que podem representar dupletos ou populações raras. O t-SNE pode ser usado como uma alternativa para uma estrutura local mais refinada, embora o UMAP preserve melhor os relacionamentos globais. Por exemplo, num estudo de células mononucleares do sangue periférico, este pipeline revelou 22 tipos distintos de células imunitárias a partir de uma única execução 10x Genomics, incluindo subconjuntos raros de células dendríticas que compreendem menos de 1% da população total. Na pesquisa do câncer, a redução da dimensionalidade dos dados de tumores unicelulares revelou populações subclonais distintas com diferentes capacidades proliferativas e sensibilidades a medicamentos, orientando estratégias de tratamento personalizadas.
Aplicativos
A redução da dimensionalidade é uma prática padrão para explorar dados de microarranjos de DNA e expressão gênica, visualizar populações de células em citometria de fluxo e inspecionar a qualidade em experimentos de proteômica e espectrometria de massa. Os pipelines de análise de RNA-seq de célula única usam rotineiramente PCA para remoção de ruído inicial seguido por UMAP para visualização, permitindo a descoberta de novos tipos e estados de células a partir de dados transcriptômicos.
