The necessity of data-driven optimization of the number of principal components in scRNA-seq analysis - examples on real and simulated data
تُظهر هذه الدراسة أنه في حين أن القيم الافتراضية الثابتة لعدد المكونات الرئيسية غالبًا ما تنجح، إلا أن التحسين القائم على البيانات يُعد ضروريًا لتحليل بيانات تسلسل الحمض النووي الريبي أحادي الخلية (scRNA-seq) نظرًا لتباين النطاقات المثلى عبر مجموعات البيانات المتنوعة، وهي تقدم توصيات عملية لاختيار هذه الأساليب بناءً على تقييم شامل للبيانات الحقيقية والمحاكات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول فهم مدينة صاخبة من خلال الاستماع إلى كل محادثة تجري في كل زاوية من زوايا الشوارع في آن واحد. إن حجم المعلومات الهائل سيكون مربكاً، وسوف يغرق الأنماط ذات المعنى في بحر من الضجيج. هذا هو التحدي الذي يواجهه العلماء عندما يدرسون الخلايا الفردية باستخدام تقنية تسمى "تسلسل الحمض النووي الريبوزي أحادي الخلية" (single-cell RNA sequencing). تسمح هذه الطريقة للباحثين بالاستماع إلى النشاط الجيني لآلاف الخلايا في وقت واحد، وقياس نشاط عشرات الآلاف من الجينات في كل خلية منها. والنتيجة هي مجموعة بيانات ضخمة وعالية الأبعاد، حيث يتجاوز عدد السمات الجينية غالباً عدد الخلايا التي تتم دراستها. ولإدراك هذا التعقيد، يجب على العلماء تبسيط البيانات دون فقدان القصص البيولوجية الحيوية الكامنة فيها.
الأداة الأكثر شيوعاً لهذا التبسيط هي تقنية رياضية تسمى "تحليل المكونات الرئيسية" (principal component analysis). فكر في هذه العملية كأنها بحث عن الزوايا الأكثر أهمية التي يمكن من خلالها رؤية جسم معقد. فبدلاً من النظر إلى كل جين على حدة، تقوم هذه الطريقة بدمجها في مجموعة أصغر من المتغيرات الجديدة المركبة التي تسمى "المكونات الرئيسية". تلتقط هذه المكونات الأنماط الأكثر أهمية للتباين في البيانات، مما يسمح للباحثين بضغط المعلومات إلى حجم يمكن إدارته. وتُستخدم هذه الرؤية المضغوطة للخطوات التالية من التحليل، مثل تجميع الخلايا المتشابهة معاً لتحديد أنواع الخلايا المختلفة. ومع ذلك، ظل هناك سؤال جوهري بلا إجابة لفترة طويلة: ما هو العدد الدقيق لهذه المكونات التي يجب الاحتفاظ بها؟ غالباً ما تعتمد برمجيات المعالجة القياسية رقم خمسين كمبدأ افتراضي، وهو رقم اختير بناءً على العرف أكثر من كونه مبنياً على أدلة. فإذا تم الاحتفاظ بعدد قليل جداً، فقد يغفل التحليل عن الاختلافات البيولوجية الدقيقة ولكن المهمة. أما إذا تم الاحتفاظ بعدد كبير جداً، فسيصبح التحليل مزدحماً بالضجيج والأخطاء التقنية، مما يجعل النتائج أقل موثوقية.
وضع فريق من الباحثين من الدنمارك هدفهم لحل حالة عدم اليقين هذه عبر اختبار ما إذا كان الرقم الافتراضي القياسي وهو خمسون مكوناً هو الخيار الصحيح بالفعل. قاموا بجمع خمسة وعشرين مجموعة بيانات من العالم الحقيقي من مختبرات مختلفة، وأنشأوا سبع وثلاثين مجموعة بيانات إضافية باستخدام عمليات محاكاة حاسوبية حيث كانت الإجابات الحقيقية معروفة مسبقاً. ومن خلال تشغيل تحليلهم عبر نطاق واسٍ من أعداد المكونات، من عشرة إلى ألف، راقبوا كيف تتغير جودة تجميع الخلايا. وكشفت نتائجهم أنه بالنسبة لمعظم مجموعات البيانات، توجد "نقطة مثالية" واسعة يعمل فيها التحليل بشكل جيد، وتتراوح عادة بين عشرة ومائة مكون. ومن المصادفات أن الرقم الافتراضي القياسي وهو خمسون يقع براحة ضمن هذا النطاق، مما يفسر سبب شعبيته. ومع ذلك، كشفت الدراسة أيضاً أن هذه القاعدة ليست عالمية؛ فبالنسبة لبعض مجموعات البيانات المحددة، كان العدد الأمثل للمكونات أقل بكثير أو أعلى بك jauh، وكان الالتزام الصارم بالرقم خمسين يؤدي إلى نتائج أسوأ.
ثم وضع الباحثون ثمانية أساليب مختلفة تعتمد على البيانات تحت الاختبار لمعرفة ما إذا كان بإمكانها تحديد العدد الصحيح من المكونات لكل مجموعة بيانات على حدة. استخدمت هذه الأساليب استراتيجيات إحصائية متنوعة، مثل البحث عن انخبات مفاجئة في أهمية المكونات أو مقارنة البيانات الحقيقية بالضجيج المحاكى. وأظهرت النتائج أنه لا يوجد أسلوب واحد مثالي لكل حالة. فبعض الأساليب تميل إلى اقتراح الاحتفاظ بعدد قليل جداً من المكونات، بينما تقترح أخرى الاحتفاظ بعدد كبير جداً. ومع ذلك، فإن بعض النهج، بما في ذلك الأساليب القائمة على عتبات الارتباط ومقارنات المحاكاة، أدت أداءً جيداً باستمرار عبر مجموعات البيانات المختلفة. وخلصت الدراسة إلى أنه بينما يعمل الرقم الافتراضي خمسون في كثير من الحالات، إلا أنه غير كافٍ لمواجهة التعقيد والتنوع المتزايد في البيانات البيولوجية الحديثة. ويجادل المؤلفون بأن على العلماء الابتعيد عن القيم الافتراضية الثابتة واستخدام الأساليب القائمة على البيانات لتحديد العدد الأمثل من المكونات لكل تجربة محددة. ويضمن هذا التحول التقاط الإشارة البيولوجية الحقيقية دون أن يتم تضليلها بالضجيج، مما يؤدي إلى اكتشافات أكثر دقة وموثوقية حول كيفية عمل الخلايا وتفاعلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.