Estudo Comparativo de Métodos de Redução de Dimensionalidade para Dados de RNA-seq de Câncer de Mama

- 337363
Abstract
Favorite this paper
How to cite this paper?
Abstract

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.

Share your ideas or questions with the authors!

Did you know that the greatest stimulus in scientific and cultural development is curiosity? Leave your questions or suggestions to the author!

Sign in to interact

Have a question or suggestion? Share your feedback with the authors!

Institutions
  • 1 Unesp FCT
  • 2 UNESP
Track
  • ST02 - Biomathematics
Keywords
Redução de Dimensionalidade
Manifold Learning
RNA-seq
Câncer de Mama