To cite this paper use one of the standards below:
O sequenciamento do RNA (RNA-seq) é um grande avanço na biomedicina, uma vez que analisá-lo permite a construção de perfis de expressão [4]. Esta nova tecnologia mensura milhares de níveis de expressões gênicas, entretanto por limitações experimentais e financeiras, as bases de dados RNA-seq possuem um número de features (p) superior ao número de indivíduos (n), isto é conhecido como maldição da dimensionalidade [1]. Dados de expressão gênica obtidos por RNA-seq apresentam ruídos naturais e perda de significado das distâncias causados pelo alto número de features. Como forma de contornar esse fenômeno, utilizam-se técnicas de redução de dimensionalidade (RD). As técnicas de RD capturam variações ou estrutura dos dados originais para projetá-las em uma dimensão reduzida. Portanto, este estudo objetiva aplicar os métodos: Principal Component Analysis (PCA), tdistributed Stochastic Neighbor Embedding (t-SNE) e Uniform Manifold Approximation and Projection (UMAP) em dados RNA-seq de câncer de mama e avaliar o desempenho de cada um deles na preservação da estrutura dos dados originais, levando em consideração estrutura local e global. Este trabalho utilizou os dados Invasive Breast Carcinoma (TCGA GDC, 2025) [5], um repositório aberto contendo dados de RNA-seq amplamente empregado em pesquisas. A base já padronizada e tratada conta com 1102 linhas de amostras e 40796 colunas de genes. Após padronização da base foi realizado o mapeamento genético, a fim de simbolizar cada identificador do gene, e logo em seguida as etapas de pré-filtragem de genes significativos por Median Absolute Deviation (MAD) e aplicação de PCA para denoising técnico. Estas etapas refletem na qualidade final da análise, pois mitigam grande parte dos ruídos da coleta e da maldição da dimensionalidade. Deste modo, os 50 componentes principais tornam-se o novo espaço de alta dimensão. Por fim, os métodos t-SNE [2] e UMAP [3] foram aplicados neste novo espaço, enquanto que o PCA para efeito comparativo foi aplicado após a etapa do MAD. Com exceção do PCA, para cada ajuste de modelo foram aplicadas diferentes combinações de parâmetros por meio de grid search. Os critérios de avaliação dos modelos foram: trustworthiness e correlação entre distâncias, correspondentemente uma métrica local e outra global. Em seguida foi avaliada a estabilidade dos modelos a partir de 6 diferentes seeds, o modelo ajustado que apresentou melhores médias das métricas e menor variância foi escolhido como melhor. A análise comparativa das técnicas foi conduzida a partir destas métricas em 2D, 3D e 10D. A tabela 1 apresenta as médias com os respectivos desvios padrão (Std) dos melhores modelos encontrados pelo grid search. Ressalta-se que o PCA é um método determinístico, portanto não apresenta variabilidade entre execuções. O PCA assume linearidade dos dados, enquanto dados de RNA-seq apresentam estruturas complexas. No entanto, observa-se que seu desempenho foi elevado, como esperado, visto que o cálculo das métricas foi baseado no próprio espaço do PCA de 50 componentes. Os métodos t-SNE e UMAP são técnicas capazes de capturar estruturas não lineares. O t-SNE prioriza a preservação da estrutura local e, de fato, apresentou a melhor preservação local com estabilidade mantida ao aumentar as dimensões, porém apresentou instabilidades na preservação da estrutura global. Por fim, o UMAP trabalha no equilíbrio da preservação da estrutura local e global, deste modo nota-se que ele foi o modelo com melhor preservação global e bom desempenho na estrutura local, tendo alcançado estabilidade em ambas com o aumento das dimensões. De modo geral, os resultados evidenciam que os métodos analisados apresentam comportamentos distintos na preservação estrutural dos dados. O t-SNE destacou-se na preservação de relações locais, enquanto o UMAP ressaltou-se na estrutura global, mantendo boa organização de vizinhança. Nesse contexto, o PCA permanece uma etapa importante de pré-processamento para redução de ruído e custo computacional, enquanto t-SNE e UMAP se mostram abordagens adequadas para exploração estrutural de dados de RNA-seq em baixa dimensão.
Views per month
Galoá count, excluding known robots. Updated on 30/09/2026.
Views per month
Galoá count, excluding known robots. Updated on 30/09/2026.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper