خوشهبندی تومور از روی بیان ژن
خوشهبندی تومور از روی بیان ژن¶

گروه علوم کامپیوتر، دانشگاه فردوسی مشهد
پرسش¶
پاتولوژیست با نگاه به بافت زیر میکروسکوپ نام تومور را تعیین میکند. ریزآرایه از همان نمونه پرسش دیگری میپرسد: از میان چند هزار ژن، کدامها و با چه شدتی رونویسی میشوند؟ اگر منشأ بافتی در این نمایهٔ بیان نوشته شده باشد، آنگاه الگوریتم خوشهبندی — که هرگز تشخیص را ندیده است — باید بتواند آن را بازیابی کند. این ادعایی قویتر از «نمونهها گروهبندی میشوند» است: میگوید تشخیص درون اندازهگیریها هست.
آزمایش بهقدری کوچک است که بتوان گامبهگام دنبالش کرد، و نمونهٔ خوبی است برای شروع، چون الگوریتم همان k-means متعارف است و تمام قضاوت در تفسیر خروجی است.
داده¶
ماتریسی با ۶۸۳۰ سطر (ژن) × ۶۴ ستون (نمونه) از مقادیر بیان.
اشیائی که خوشهبندی میشوند نمونهها هستند. نمونهٔ بردار ۶۸۳۰ اندازهگیریاش است، یعنی نقطهای در . دو نمونه نزدیکاند اگر تمام نمایهشان همخوان باشد، نه اگر در یک ژن خاص توافق داشته باشند.
هر نمونه یک برچسب پاتولوژی هم دارد: پستان، CNS، کولون، K562، لوسمی، MCF7، ملانوم، NSCLC، تخمدان، پروستات، کلیه، یا نامعلوم. (K562 و MCF7 ردهٔ سلولیاند نه تومور اولیه، و این نکته بعداً مهم میشود.)
برچسبها در زمان خوشهبندی کنار گذاشته میشوند و فقط بعد از آن به کار میآیند تا ببینیم هر خوشه در عمل چه چیزی در خود جمع کرده است.
با و تعداد جهتها بسیار بیشتر از تعداد نقاط است: فاصلهها در همان وضعیتی محاسبه میشوند که در صفحهٔ نفرین بُعد توصیف شده است. هر فاصله فقط از ۶۴ نقطه برآورد میشود، پس هیچ مرز خوشهای اینجا از نظر آماری تیز نیست.
تصمیم دربارهٔ معنای «شبیه»¶
k-means پیش از هر چیز به یک فاصله نیاز دارد، و روی دادهٔ بیان، این انتخاب بیشتر از خود الگوریتم کار میکند:
فاصلهٔ اقلیدسی روی مقادیر خام زیر سلطهٔ پروردترین ژنها و روشنایی کلی آرایه است.
فاصلهٔ همبستگی ( بین دو نمایه) شکل را مقایسه میکند نه سطح را، و معمولاً انتخاب پیشفرض دادهٔ بیان است، چون یک نمونه میتواند بهطور کلی روشنتر باشد بیآنکه بافت دیگری باشد.
استانداردسازی هر ژن (کمکردن میانگین و تقسیم بر انحراف معیار آن ژن روی نمونهها) همهٔ ۶۸۳۰ ژن را همسنگ میکند و باعث میشود «توافقهای کوچک زیاد» بهاندازهٔ «یک توافق بزرگ» حساب شود.
هر چه انتخاب شود باید گزارش شود: دو تحلیل از یک ماتریس با دو فاصلهٔ متفاوت، دو آزمایش متفاوتاند و میتوانند کاملاً در اینکه کدام نمونهها همسایهاند اختلاف داشته باشند.
اجرای k-means¶
برای ثابت، k-means دو گام را تا وقتی تخصیص تغییر نکند تکرار میکند:
هر نمونه را به نزدیکترین مرکز نسبت بده؛
هر مرکز را به میانگین نمونههای خودش ببر.
کمیتی که کاهش میدهد مجموع مجذور فاصلههای درونخوشهای است:
این مثال دو نکتهٔ عملی را ملموس میکند:
را الگوریتم برآورد نمیکند. را برحسب رسم میکنیم و دنبال آرنج میگردیم؛ روی دادهای مثل این، نمودار بهقدری هموار پایین میآید که هیچ مقدار برجسته نمیشود، پس باید بر اساس هدف کار انتخاب شود. اینجا ثابت شده است، که درشتیِ آگاهانهای است: یازده نوع بافت در سه گروه فشرده میشود.
k-means در یک کمینهٔ محلی میایستد. شروعهای تصادفی مختلف جوابهای مختلف میدهند؛ یک اجرا نتیجه نیست. حفاظ استاندارد، اجرای چندباره و نگهداشتن جواب با کمترین WSS است.
نتیجه¶
اجرای k-means با و سپس باز کردن پاکت — یعنی شمردن اینکه کدام برچسب پاتولوژی در کدام خوشه افتاده است — این جدول را میدهد:
| خوشه | پستان | CNS | کولون | K562 | لوسمی | MCF7 | ملانوم | NSCLC | تخمدان | پروستات | کلیه | نامعلوم | جمع |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ۱ | ۳ | ۵ | ۰ | ۰ | ۰ | ۰ | ۱ | ۷ | ۶ | ۲ | ۹ | ۱ | ۳۴ |
| ۲ | ۲ | ۰ | ۰ | ۲ | ۶ | ۲ | ۷ | ۲ | ۰ | ۰ | ۰ | ۰ | ۲۱ |
| ۳ | ۲ | ۰ | ۷ | ۰ | ۰ | ۰ | ۰ | ۰ | ۰ | ۰ | ۰ | ۰ | ۹ |
جدول را سطربهسطر بخوانید، نه با چشم دوختن به یک خانهٔ جلبتوجه:
خوشهٔ ۳ عملاً همان سرطانهای کولون است: هر هفت نمونهٔ کولون، بهاضافهٔ دو نمونهٔ پستان. گروهی که ۷۸٪ یک بافت است، بیآنکه الگوریتم بداند بافتها چه هستند، پیدا شده.
خوشهٔ ۲ تومورهای خون و پوست را جمع میکند: شش لوسمی همراه با ردههای K562 و MCF7، ملانومها و دو نمونهٔ NSCLC.
خوشهٔ ۱ باقیمانده است: CNS، تخمدان، کلیه، پروستات، بیشتر NSCLC، چند نمونهٔ پستان و یک ملانوم. بزرگترین و ناخالصترین گروه، که وقتی یازده نوع در سه جعبه فشرده شود، انتظارش میرود.
جدولی از این جنس — خوشهها در برابر برچسبهای معلوم — گزارش درست یک خوشهبندی است وقتی برچسب وجود دارد، چون هم خلوص هر خوشه را نشان میدهد و هم اشتباهها را. خلاصهای که فقط بگوید «خوشهها با نوع بافت منطبقاند» دقیقاً همان اطلاعاتی را پنهان میکند که خواننده لازم دارد.
برچسبی که اشتباه بود¶
دو نمونهٔ پستان که داخل خوشهٔ غالبِ ملانوم افتاده بودند، بعد از خوشهبندی دوباره بررسی شدند. آنها سرطان پستان نبودند: ملانومهایی بودند که به پستان متاستاز داده بودند.
این ارزشمندترین نتیجهٔ کل این مثال است، و باید دقیق گفت چه اتفاقی افتاد. خوشهبندی «حقیقت را کشف نکرد»؛ یک ظن تولید کرد — این دو نمایه شبیه آن گروهاند، نه شبیه گروهی که برچسبشان ادعا میکند. بعد پاتولوژیست بررسی کرد و ظن تأیید شد. یادگیری بدون ناظر میتواند خلاف برچسبها درست باشد، ولی فقط یک بررسی پیگیر این را به دانش تبدیل میکند. بدون آن بازبینی، نتیجهٔ صادقانه این بود: «دو نمونه با برچسبشان ناسازگارند، به دلایلی نامعلوم».
آنچه k-means اینجا نمیدهد¶
دو محدودیت روش در این کاربرد تیز خودشان را نشان میدهند:
هیچ ترتیبی درون خوشه نیست. k-means مجموعه برمیگرداند. اعضای خوشهٔ ۱ فقط الفبایی فهرست میشوند، که هیچ نمیگوید کدامشان به هم شبیهترند؛ خوانندهای که میخواهد بداند «این نُه نمونه یک زیرگروهاند» کمکی نمیگیرد.
هیچ تودرتویی بین ها نیست. جواب لزوماً ریزترکردنِ جواب نیست: با تغییر ، خوشهها میتوانند شکسته، ادغام و بازآرایی شوند. جدولی که برای یک ساخته شده با تغییر تعداد گروهها قابل توسعه نیست، پس هر تغییر هزینهٔ تفسیر تازه دارد.
هر دو با یک تغییر در گزارش درمان میشوند: خوشهبندی سلسلهمراتبی یک دندروگرام برمیگرداند که نمونهها را روی یک خط مرتب میکند و خانوادهای تودرتو از افرازها میدهد — یک تصویر که بعد از دیدن ساختار، هر تعداد خوشه از آن خوانده میشود. در مطالعهای مثل این که تعداد گروهها نامعلوم است و ترتیب درون گروه معنا دارد، دندروگرام شیء آگاهدهندهتری است و k-means خلاصهٔ ارزانتر. بنگرید به خوشهبندی سلسلهمراتبی.
محدودیتهای نتیجه¶
. یک نمونهٔ غیرمعمول میتواند مرکز را به سمت خود بکشد، و جابهجایی یک نمونه بین خوشهها جدول را محسوس تغییر میدهد. توافق قوی است ولی آزمون معناداری نیست.
انتخاب ژن یک تصمیم مدلسازی است. خوشهبندی هر ۶۸۳۰ ژن یک جواب میدهد؛ محدودکردن به ژنهایی که بیشترین تغییر را دارند، یا با بقا همبستهاند، همهٔ فاصلهها را عوض میکند و میتواند خوشهها را تغییر دهد.
مقادیر گمشده و پیشپردازش. ماتریس بیان پرنوفه و اغلب ناقص است؛ نحوهٔ پرکردن جای خالی (میانگین سطر، نزدیکترین همسایه، برازش کمرتبه) بهاندازهٔ تغییر فاصله، نمونهها را جابهجا میکند.
یک اجرا چیزی را ثابت نمیکند. با مقداردهی تصادفی، بهترینِ چندین اجرا را گزارش کنید و بررسی کنید که همان افراز چند بار بازتولید میشود.
خلاصه¶
خوشهبندی نمایههای بیان، منشأ بافتی را بهقدر کافی بازیابی میکند که مفید باشد، بیآنکه هیچ برچسبی ببیند.
بخش جالب نتیجه جدول توافقی است، نه خود خوشهها: هم گروههای تمیز را نشان میدهد و هم گروههای مخلوط را.
خوشهای که با برچسب ناسازگار است، فرضیهای دربارهٔ برچسب است که باید بیرون از الگوریتم بررسی شود.
وقتی تعداد گروهها نامعلوم است و ترتیب درون گروه مهم، دندروگرام به پرسشهای بیشتری از مجموعهای از مراکز پاسخ میدهد.
هر فاصله را پرنوفه میکند؛ پیشپردازش و تعداد اجراها را گزارش کنید، وگرنه نتیجه بازتولیدپذیر نیست.
پرسشهای کلاس¶
چرا نمونهها خوشهبندی میشوند و نه ۶۸۳۰ ژن؟ خوشهای از ژنها چه معنایی دارد و از آن چه میآموزید؟
جدول یازده نوع بافت و دارد. کدام انواع را انتظار دارید اول ادغام شوند، و آیا جدول با انتظار شما میخواند؟
اگر آن دو نمونهٔ «پستان» هرگز بازبینی نمیشدند، نتیجهٔ درست آزمایش چه بود؟
خوشهٔ ۲ لوسمی، K562، MCF7 و ملانوم را مخلوط میکند. این شکست k-means است، شکست فاصله، یا شکست فشردن یازده نوع در سه خوشه؟
چگونه بررسی میکنید که یک خوشه پایدار است و نه نتیجهٔ تصادف مقداردهی اولیه؟
تمرینها¶
ماتریس فاصلهٔ همبستگی ماتریس را محاسبه کنید، خوشهبندی سلسلهمراتبی با پیوند میانگین اجرا کنید و دو شکاف اول را با خوشههای ۳ و ۲ بالا مقایسه کنید.
k-means را با ۵۰ شروع تصادفی اجرا کنید و ثبت کنید جدول بالا چند بار عیناً بازتولید میشود. پاسخ دربارهٔ نتیجهٔ گزارششده چه میگوید؟
ژنها را قبل از خوشهبندی استاندارد کنید و جدول حاصل را با جدول نشاندادهشده مقایسه کنید. کدام خوشهها از این تغییر جان سالم به در میبرند؟
را برای رسم کنید. آرنج هست؟ اگر نیست، معیاری جز آرنج برای انتخاب و هزینهاش را بگویید.
منبع و مطالعهٔ بیشتر¶
دادهٔ این مثال (ردههای سلولی تومور NCI60) و تحلیلی که بالا خلاصه شد از بند ۱۴.۳.۸، «نمونه: دادهٔ میکروآرایهٔ تومور انسانی»، صص ۵۱۲–۵۱۴ از hastie2009esl است؛ جدول، همان جدول توافقی سه خوشهٔ k-means با برچسبهای پاتولوژی در آن بند است و خبر دو نمونهٔ بدبرچسب هم همانجا آمده است. وضعیت بُعد بالا در فضاهای با ابعاد بالا و گزارش جایگزین — دندروگرام — در خوشهبندی سلسلهمراتبی بحث شده است.