چرا داده های زیستی high-dimensional هستند و این چه مشکلی ایجاد می کند؟

در بسیاری از حوزه های زیست شناسی و علوم پزشکی، داده هایی تولید می شوند که در نگاه اول فقط بزرگ به نظر می رسند، اما مسئله اصلی آن ها صرفا زیاد بودن حجم داده نیست. چالش مهم تر این است که هر نمونه زیستی با تعداد بسیار زیادی ویژگی توصیف می شود. به همین دلیل، یکی از پرسش های پایه در بیوانفورماتیک و زیست داده کاوی این است که داده high-dimensional یعنی چه و چرا این مفهوم در تحلیل داده های زیستی تا این اندازه اهمیت دارد.

در مطالعات ژنومیک، ترنسکریپتومیک، پروتئومیک، متابولومیک و حتی تصویربرداری زیستی، پژوهشگر معمولا برای هر نمونه با تعداد زیادی اندازه گیری روبه رو است. این اندازه گیری ها می توانند شامل سطح بیان هزاران ژن، فراوانی تعداد زیادی پروتئین، غلظت متابولیت های مختلف یا مجموعه ای از ویژگی های استخراج شده از تصویر باشند. در نتیجه، هر نمونه زیستی نه با چند متغیر محدود، بلکه با مجموعه ای وسیع از متغیرها نمایش داده می شود.

در عین حال، تعداد نمونه ها در بسیاری از پژوهش های زیستی محدود است. محدودیت های اخلاقی، هزینه بالای آزمایش ها، دشواری دسترسی به نمونه های انسانی، ناهمگنی زیستی و زمان بر بودن فرایندهای آزمایشگاهی باعث می شود پژوهشگر اغلب با وضعیتی مواجه شود که در آن تعداد ویژگی ها بسیار بیشتر از تعداد نمونه هاست. این نسبت نامتوازن، یکی از مهم ترین دلایل دشوار شدن تحلیل داده های زیستی است.

شناخت دقیق مفهوم ابعاد بالا فقط یک بحث نظری نیست، بلکه مستقیما بر انتخاب روش های آماری، الگوریتم های یادگیری ماشین، شیوه اعتبارسنجی نتایج و حتی تفسیر زیستی یافته ها اثر می گذارد. به همین دلیل، فهم درست این موضوع برای دانشجویان زیست شناسی، بیوانفورماتیک، علوم داده و رشته های مرتبط ضروری است. در ادامه، ابتدا روشن می کنیم داده high-dimensional دقیقا به چه معناست، سپس توضیح می دهیم چرا داده های زیستی معمولا در این دسته قرار می گیرند و در نهایت بررسی می کنیم این ویژگی چه مشکلاتی در تحلیل ایجاد می کند و چگونه می توان با آن برخورد علمی و موثر داشت

داده high-dimensional یعنی چه؟

برای پاسخ به این پرسش، ابتدا باید مشخص کنیم منظور از بعد یا dimension در علم داده چیست. در ساده ترین تعریف، هر ویژگی یا متغیری که برای توصیف یک نمونه اندازه گیری می شود، یک بعد از داده را تشکیل می دهد. بنابراین، تعداد ابعاد یک مجموعه داده عملا برابر با تعداد ویژگی هایی است که برای هر نمونه ثبت شده اند.

اگر برای هر فرد فقط سه ویژگی مانند قد، وزن و فشار خون داشته باشیم، داده ما سه بعدی است. اگر بخواهیم هر فرد را به عنوان یک نقطه در دستگاه مختصات رسم کنیم، چون سه ویژگی برای هر فرد اندازه‌گیری شده است، هر ویژگی بر روی یکی از محورهای مختصات قرار می‌گیرد و علت استفاده از نام بُعد نیز به این دلیل است. اگر همین مثال را با متغیرهای بیشتری مانند سن، قند خون، سطح کلسترول، ضربان قلب و شاخص توده بدنی گسترش دهیم، تعداد ابعاد نیز افزایش پیدا می کند اما ما بیشتر از سه بُعد را نمی‌توانیم در دستگاه مختصات مصور کنیم و این به محدودیت انسانی ما در درک دنیایی بیشتر از سه بعد برمی‌گردد. لازم به ذکر است که در زیست شناسی تعداد این ویژگی ها یا بعدها می تواند از چند مورد به صدها، هزاران یا حتی ده ها هزار متغیر برسد.

اصطلاح high-dimensional زمانی به کار می رود که تعداد ویژگی ها آن قدر زیاد باشد که ساختار داده دیگر با شهود معمول ما قابل درک نباشد و رفتار آماری آن نیز با داده های کم بعد تفاوت جدی پیدا کند. در چنین وضعیتی، هر نمونه به صورت یک نقطه در فضایی با تعداد زیادی بعد در نظر گرفته می شود. گرچه تصور مستقیم چنین فضایی برای انسان ممکن نیست، اما از نظر ریاضی کاملا تعریف پذیر است و ابزارهای آماری و محاسباتی برای تحلیل آن وجود دارد.

برای مثال، در یک آزمایش RNA-seq ممکن است برای هر نمونه سطح بیان بیش از بیست هزار ژن اندازه گیری شود. اگر هر ژن را یک ویژگی در نظر بگیریم، هر نمونه عملا یک نقطه در فضایی با بیش از بیست هزار بعد خواهد بود. این یعنی داده نه فقط بزرگ، بلکه از نظر ساختار نیز بسیار پر بعد است. همین نکته باعث می شود روش هایی که برای داده های ساده تر مناسب هستند، در اینجا به راحتی پاسخ گو نباشند.

نکته مهم این است که high-dimensional بودن صرفا به بزرگ بودن فایل داده یا زیاد بودن تعداد ردیف ها مربوط نیست. ممکن است مجموعه ای شامل میلیون ها نمونه اما تنها چند ویژگی باشد که در این صورت از نظر تعداد ابعاد، داده کم بعد محسوب می شود. در مقابل، ممکن است فقط پنجاه نمونه داشته باشیم اما برای هر نمونه ده ها هزار ویژگی ثبت شده باشد. این مجموعه داده از نظر تحلیلی به شدت high-dimensional است، حتی اگر تعداد نمونه های آن کم باشد. در نتیجه، وقتی می گوییم یک داده high-dimensional است، منظور این است که هر نمونه با تعداد بسیار زیادی متغیر توصیف می شود و همین فراوانی ویژگی ها بر رفتار آماری، روش تحلیل و کیفیت نتیجه گیری تاثیر عمیق می گذارد.

چرا داده های زیستی معمولا high-dimensional هستند؟

داده های زیستی به طور طبیعی به سمت ابعاد بالا میل دارند، زیرا موجودات زنده از سامانه هایی بسیار پیچیده و چندلایه تشکیل شده اند. عملکرد یک سلول حاصل تعامل هزاران ژن، پروتئین، RNA، متابولیت، مسیرهای تنظیمی و عوامل محیطی است. اگر هدف پژوهشگر درک نسبتا جامع از وضعیت زیستی یک نمونه باشد، ناچار است تعداد زیادی از این اجزا را به طور هم زمان اندازه گیری کند.

یکی از عوامل اصلی این وضعیت، پیشرفت فناوری های اندازه گیری در زیست شناسی مدرن است. در گذشته، بسیاری از مطالعات فقط روی چند ژن یا چند پروتئین خاص متمرکز بودند، زیرا ابزارها اجازه اندازه گیری هم زمان تعداد زیادی مولکول را نمی دادند. اما امروز فناوری هایی مانند توالی یابی نسل جدید، ریزآرایه ها، طیف سنجی جرمی، سیتومتری پیشرفته، تصویربرداری با وضوح بالا و روش های تک سلولی امکان تولید داده هایی با تعداد بسیار زیادی ویژگی را فراهم کرده اند. در نتیجه، حتی یک آزمایش واحد می تواند برای هر نمونه هزاران تا ده ها هزار اندازه گیری ایجاد کند.

عامل مهم دیگر این است که زیست شناسی امروز بیشتر از گذشته بر نگاه سامانه ای تکیه دارد. پژوهشگر تنها به دنبال بررسی یک مولکول منفرد نیست، بلکه می خواهد شبکه ها، مسیرها و الگوهای کلی تنظیم زیستی را بشناسد. برای رسیدن به این هدف، جمع آوری داده های گسترده و چندلایه ضروری است. به همین دلیل، افزایش تعداد ویژگی ها نه یک اتفاق تصادفی، بلکه بخشی از منطق طراحی بسیاری از آزمایش های زیستی مدرن است.

مثال از داده های ژنومی و ترانسکریپتومی

در داده های ژنومی و به ویژه در مطالعات بیان ژن، high-dimensional بودن کاملا آشکار است. در یک نمونه انسانی، می توان سطح بیان هزاران ژن را به طور هم زمان اندازه گیری کرد. اگرچه همه این ژن ها در یک شرایط خاص فعال نیستند، اما تعداد ویژگی های بالقوه همچنان بسیار زیاد است. در مطالعات RNA-seq، ثبت بیان بیش از بیست هزار ژن امری رایج است. بنابراین هر نمونه با برداری بسیار بلند از مقادیر عددی توصیف می شود.

در مطالعات مرتبط با تنوع ژنتیکی نیز شرایط مشابهی وجود دارد. برای مثال، در تحلیل داده های SNP، پژوهشگر ممکن است صدها هزار یا حتی میلیون ها جایگاه ژنتیکی را در افراد مختلف بررسی کند. در اینجا نیز هر جایگاه می تواند به عنوان یک ویژگی در نظر گرفته شود. چنین داده هایی به شدت high-dimensional هستند و در بسیاری از موارد از نظر تعداد ویژگی ها بسیار بزرگ تر از مجموعه داده های رایج در علوم دیگرند.

افزون بر این، داده های تک سلولی (single-cell) بعد تازه ای به مسئله اضافه کرده اند. در مطالعات single-cell RNA-seq، برای هر سلول سطح بیان هزاران ژن اندازه گیری می شود. اگرچه تعداد سلول ها ممکن است زیاد باشد، اما پیچیدگی داده به دلیل ابعاد زیاد، نویز بالا، صفرهای فراوان و ناهمگنی شدید زیستی همچنان بسیار بالاست. این نوع داده ها نشان می دهند که high-dimensional بودن در زیست شناسی فقط مربوط به اندازه بزرگ داده نیست، بلکه با ساختار درونی و ماهیت زیستی آن نیز پیوند دارد.

مثال از داده های پروتئومی و متابولومی

در پروتئومیکس، هدف معمولا اندازه گیری فراوانی یا تغییرات تعداد زیادی پروتئین در یک نمونه زیستی است. پروتئین ها اجزای عملکردی اصلی سلول هستند و تغییر در سطح آن ها می تواند بازتاب مستقیم تری از وضعیت فیزیولوژیک یا پاتولوژیک نمونه باشد. فناوری های مبتنی بر طیف سنجی جرمی قادرند در یک آزمایش صدها تا هزاران پروتئین را شناسایی و کمیت سنجی کنند. در نتیجه، هر نمونه پروتئومی نیز مجموعه بزرگی از ویژگی ها را در خود دارد.

پیچیدگی پروتئومیکس فقط به تعداد پروتئین ها محدود نمی شود. ایزوفرم های مختلف، تغییرات پس از ترجمه مانند فسفریلاسیون و گلیکوزیلاسیون، و تفاوت های وابسته به بافت یا شرایط آزمایشگاهی، همگی می توانند تعداد متغیرهای قابل مطالعه را افزایش دهند. به همین دلیل، تحلیل پروتئومی اغلب با داده هایی روبه رو است که هم پر بعد هستند و هم از نظر تفسیر زیستی چند لایه و پیچیده اند.

در متابولومیکس نیز با وضعیتی مشابه مواجه هستیم. متابولیت ها مولکول های کوچکی هستند که در مسیرهای متابولیکی نقش دارند و تغییرات آن ها می تواند نشان دهنده وضعیت واقعی عملکرد سلول، بافت یا ارگانیسم باشد. در این حوزه، تعداد زیادی ترکیب شیمیایی شامل اسیدهای آمینه، قندها، لیپیدها، نوکلئوتیدها و بسیاری مولکول های دیگر اندازه گیری می شوند. هر یک از این مولکول ها یک ویژگی مستقل به حساب می آید و در کنار هم فضایی با ابعاد بالا ایجاد می کنند.

جذابیت متابولومیکس در این است که اطلاعاتی نزدیک به فنوتیپ ارائه می دهد، اما همین مزیت با دشواری تحلیلی همراه است. بسیاری از متابولیت ها به شدت به رژیم غذایی، شرایط محیطی، زمان نمونه گیری و وضعیت فیزیولوژیک وابسته اند. بنابراین پژوهشگر نه تنها با تعداد زیادی ویژگی، بلکه با شبکه ای پیچیده از همبستگی ها و عوامل مخدوش کننده نیز روبه رو است.

به طور کلی، در بیشتر فناوری های اُمیکس منطق کار مشابه است: هرچه تصویر جامع تری از سامانه زیستی بخواهیم، باید تعداد بیشتری ویژگی را هم زمان اندازه گیری کنیم. این همان دلیل بنیادی است که داده های زیستی را به طور طبیعی در رده داده های high-dimensional قرار می دهد.

تفاوت داده های زیستی با داده های معمول در تعداد ویژگی ها

یکی از تفاوت های بنیادی داده های زیستی با بسیاری از مجموعه داده های رایج در علوم مهندسی، اقتصاد یا کاربردهای روزمره علم داده، نسبت میان تعداد ویژگی ها و تعداد نمونه هاست. در بسیاری از مسائل کلاسیک، داده ها شامل تعداد محدودی ویژگی و تعداد زیادی نمونه هستند. برای مثال، در یک مسئله پیش بینی قیمت خانه ممکن است تنها چند ده متغیر مانند متراژ، تعداد اتاق، سن ساختمان و موقعیت جغرافیایی در دسترس باشد، در حالی که داده های هزاران خانه جمع آوری شده اند. در چنین شرایطی، تحلیل آماری نسبتا پایدارتر و مدل سازی ساده تر است.

اما در داده های زیستی معمولا با وضعیتی برعکس روبه رو می شویم. تعداد ویژگی ها بسیار زیاد است، در حالی که تعداد نمونه ها به دلایل عملی و زیستی محدود می ماند. برای مثال، ممکن است فقط شصت نمونه بیمار و سالم در اختیار داشته باشیم، اما برای هر نمونه بیش از بیست هزار ژن اندازه گیری شده باشد. این شرایط که گاهی با p بسیار بزرگ تر از n توصیف می شود، یعنی تعداد ویژگی ها از تعداد نمونه ها بسیار بیشتر است، یکی از شاخص ترین خصوصیات داده های زیستی مدرن است.

داده های زیستی همچنین از نظر همبستگی درونی با داده های معمول تفاوت دارند. بسیاری از ویژگی های زیستی مستقل از هم نیستند، بلکه در مسیرها و شبکه های مولکولی به هم مرتبط اند. چندین ژن ممکن است تحت کنترل یک فاکتور رونویسی مشترک باشند، گروهی از پروتئین ها در یک مسیر سیگنالینگ نقش داشته باشند و مجموعه ای از متابولیت ها در یک چرخه متابولیکی به یکدیگر وابسته باشند. بنابراین تعداد زیاد ویژگی ها لزوما به معنای اطلاعات کاملا مستقل نیست، بلکه اغلب با ساختاری پیچیده از وابستگی ها همراه است.

تفاوت دیگر این است که در داده های زیستی، نویز آزمایشگاهی و تغییرپذیری زیستی معمولا بالاست. دو نمونه که در ظاهر مشابه اند، ممکن است به دلیل تفاوت های ژنتیکی، شرایط محیطی، زمان نمونه گیری، روش آماده سازی نمونه یا خطاهای فنی، الگوهای متفاوتی نشان دهند. بنابراین داده های زیستی فقط دارای بعدهای زیاد نیستند، بلکه بعدهای زیاد آن ها با عدم قطعیت و ناهمگنی نیز همراه است.

همین تفاوت ها سبب می شود روش هایی که در بسیاری از مسائل استاندارد علم داده عملکرد خوبی دارند، در تحلیل داده های زیستی به سادگی قابل استفاده نباشند. پژوهشگر ناچار است به سراغ روش هایی برود که برای ابعاد بالا، تعداد نمونه محدود، همبستگی پیچیده و نویز زیاد طراحی شده اند. به همین دلیل، درک ماهیت ویژه داده های زیستی پیش شرط مهمی برای تحلیل درست آن هاست.

مشکل اصلی داده های high-dimensional چیست؟ پدیده curse of dimensionality

مهم ترین مسئله نظری در داده های با ابعاد زیاد، پدیده ای است که به آن curse of dimensionality یا نفرین ابعاد گفته می شود. این اصطلاح به مجموعه ای از مشکلات اشاره دارد که با افزایش تعداد ابعاد ظاهر می شوند و باعث می شوند شهود ما از داده های کم بعد دیگر معتبر نباشد. در فضای کم بعد، فاصله ها، تراکم نمونه ها و الگوهای خوشه بندی تا حدی قابل فهم و قابل مدیریت هستند. اما با افزایش شدید تعداد ویژگی ها، رفتار هندسی و آماری داده ها به طور اساسی تغییر می کند.

یکی از پیامدهای مهم این پدیده آن است که فضای داده با افزایش ابعاد به سرعت رقیق می شود. به بیان ساده، وقتی تعداد ابعاد زیاد می شود، نمونه ها در فضایی بسیار بزرگ پخش می شوند و نواحی خالی فراوانی میان آن ها به وجود می آید. در چنین شرایطی، برای اینکه بتوان الگوهای واقعی را با اطمینان شناسایی کرد، به تعداد بسیار بیشتری نمونه نیاز است. اگر این تعداد نمونه فراهم نشود، بسیاری از الگوهایی که مدل تشخیص می دهد ممکن است صرفا حاصل تصادف باشند.

مشکل دیگر این است که مفهوم فاصله در ابعاد بالا دچار تغییر می شود. در بسیاری از الگوریتم ها، شباهت میان نمونه ها بر اساس فاصله محاسبه می شود. اما در داده های بسیار با ابعاد زیاد، فاصله نزدیک ترین نمونه ها و دورترین نمونه ها به هم نزدیک می شود و قدرت تفکیک معیارهای فاصله کاهش می یابد. در نتیجه، روش هایی مانند نزدیک ترین همسایه ها، خوشه بندی مبتنی بر فاصله یا برخی روش های تصویربرداری داده ممکن است کارایی خود را از دست بدهند یا تفسیر آن ها دشوار شود.

نفرین ابعاد همچنین خطر کشف روابط کاذب را افزایش می دهد. وقتی هزاران ویژگی به طور هم زمان بررسی می شوند، احتمال اینکه برخی از آن ها فقط به صورت تصادفی با متغیر هدف همبستگی نشان دهند بالا می رود. اگر اصلاح های آماری لازم انجام نشود، پژوهشگر ممکن است به نتیجه گیری های ظاهرا جذاب اما نادرست برسد. این مسئله در پژوهش های زیستی اهمیت ویژه ای دارد، زیرا ممکن است یک ژن، پروتئین یا متابولیت به اشتباه به عنوان نشانگر زیستی معرفی شود.

از سوی دیگر، افزایش ابعاد اغلب باعث می شود مرز میان سیگنال واقعی و نویز مبهم تر شود. هرچه تعداد ویژگی ها بیشتر باشد، امکان آنکه بخشی از این ویژگی ها اطلاعات کم، داده های پرت، نویز فنی یا تغییرات نامرتبط با پرسش پژوهش داشته باشند بیشتر می شود. اگر مدل بدون کنترل مناسب روی این داده ها آموزش ببیند، ممکن است ساختارهای تصادفی را به عنوان الگوهای زیستی واقعی تفسیر کند.

بنابراین، نفرین ابعاد فقط یک اصطلاح نظری نیست، بلکه توضیح می دهد چرا افزایش تعداد متغیرها لزوما به معنای افزایش قدرت تحلیل نیست. در بسیاری از موارد، اگر ابعاد زیاد بدون راهبرد تحلیلی مناسب وارد مدل شوند، استخراج دانش قابل اعتماد دشوارتر می شود، نه آسان تر.

چالش های عملی داده های high-dimensional در تحلیل زیستی

بیش برازش (overfitting) در مدل های یادگیری ماشین

یکی از شناخته شده ترین مشکلات عملی در داده های high-dimensional، بیش برازش یا overfitting است. بیش برازش زمانی رخ می دهد که مدل به جای یادگیری الگوهای عمومی و تکرارپذیر، جزئیات خاص و تصادفی داده های آموزش را حفظ کند. این مسئله در داده های زیستی بسیار رایج است، زیرا مدل با تعداد بسیار زیادی ویژگی و تعداد محدودی نمونه روبه رو است و به راحتی می تواند روابطی را یاد بگیرد که فقط در همان مجموعه داده خاص وجود دارند.

برای مثال، ممکن است مدلی بر اساس داده های بیان ژن بتواند با دقت بسیار بالا نمونه های سرطانی و غیرسرطانی را در مجموعه آموزش از هم جدا کند، اما وقتی روی داده های جدید آزموده می شود، عملکرد آن به طور محسوس افت کند. علت این است که مدل شاید از ترکیبی از ژن ها استفاده کرده که در مجموعه آموزش تصادفا الگوی خوبی ساخته اند، اما این الگو در جمعیت عمومی پایدار نیست.

در زیست پزشکی، بیش برازش فقط یک مشکل فنی نیست، بلکه می تواند پیامدهای علمی و کاربردی جدی داشته باشد. اگر یک امضای مولکولی یا نشانگر زیستی بر پایه مدلی بیش برازش شده معرفی شود، ممکن است در مطالعات مستقل بازتولید نشود و به تصمیم گیری های نادرست منجر گردد. به همین دلیل، کنترل بیش برازش از مهم ترین اصول تحلیل داده های زیستی است.

نیاز به نمونه های زیاد

از نظر آماری، هرچه تعداد ویژگی ها بیشتر باشد، برای برآورد پایدارتر روابط میان متغیرها به نمونه های بیشتری نیاز داریم. اما در عمل، جمع آوری نمونه در پژوهش های زیستی معمولا دشوار است. تهیه نمونه های انسانی با محدودیت های اخلاقی و بالینی همراه است، نمونه های بافتی همیشه در دسترس نیستند، هزینه آزمایش های اُُمیکس بالاست و گاهی شرایط بیماری یا ویژگی های جمعیت مورد مطالعه اجازه افزایش آسان حجم نمونه را نمی دهد.

این محدودیت باعث می شود بسیاری از مطالعات زیستی در وضعیتی انجام شوند که از نظر ابعاد و نمونه تعادل مطلوبی ندارند. حتی در پروژه های بزرگ نیز ممکن است پس از کنترل کیفیت، حذف نمونه های نامعتبر و در نظر گرفتن زیرگروه های بالینی، تعداد نمونه های قابل استفاده به شکل قابل توجهی کاهش پیدا کند. در نتیجه، کمبود نمونه یک چالش دائمی در تحلیل داده های high-dimensional است.

کم بودن نمونه ها فقط دقت مدل را کاهش نمی دهد، بلکه توان آماری را نیز محدود می کند. یعنی احتمال اینکه پژوهشگر بتواند اثرات واقعی اما کوچک را شناسایی کند کمتر می شود. از سوی دیگر، خطر مثبت کاذب نیز افزایش می یابد. این ترکیب نامطلوب، تحلیل زیستی را به کاری حساس و نیازمند طراحی دقیق تبدیل می کند.

دشواری در تفسیر نتایج

حتی اگر یک مدل از نظر پیش بینی عملکرد خوبی داشته باشد، در داده های high-dimensional تفسیر نتایج همیشه ساده نیست. در مسائل زیستی، هدف غالبا فقط دسته بندی یا پیش بینی نیست، بلکه فهم سازوکارهای زیستی نیز اهمیت دارد. پژوهشگر می خواهد بداند کدام ژن ها، پروتئین ها یا مسیرها در پدیده مورد مطالعه نقش اصلی دارند و این نقش چگونه با دانش زیستی موجود سازگار است.

اما وقتی هزاران ویژگی وارد تحلیل می شوند، جدا کردن متغیرهای واقعا مهم از متغیرهایی که فقط همراهی آماری نشان می دهند آسان نیست. افزون بر این، بسیاری از مدل های قدرتمند یادگیری ماشین، به ویژه مدل های پیچیده تر، به صورت جعبه سیاه عمل می کنند و مشخص نیست تصمیم نهایی آن ها دقیقا بر چه ترکیبی از ویژگی ها استوار بوده است. این موضوع برای پژوهشگر زیستی که به دنبال توضیح مکانیزم هاست، یک محدودیت جدی محسوب می شود.

تفسیر نتایج در زیست شناسی همچنین نیازمند اتصال یافته های آماری به معنا و زمینه زیستی است. برای مثال، اگر فهرستی از ژن های مهم به دست آید، باید بررسی شود آیا این ژن ها در یک مسیر تنظیمی مشترک قرار دارند، آیا با بیماری مورد نظر ارتباط پیشین دارند، آیا با نوع سلول خاصی مرتبط اند و آیا نتیجه در مجموعه داده های دیگر نیز دیده می شود یا نه. بنابراین تفسیر در داده های با ابعاد زیاد صرفا خواندن خروجی مدل نیست، بلکه نیازمند تلفیق تحلیل آماری با دانش زیستی است.

چالش های محاسباتی و فنی

داده های high-dimensional معمولا از نظر محاسباتی نیز سنگین هستند. ذخیره سازی، پیش پردازش، نرمال سازی، کنترل کیفیت، رفع اثر بچ، انتخاب ویژگی، آموزش مدل و اعتبارسنجی همگی در ابعاد بالا زمان و توان پردازشی بیشتری می طلبند. این موضوع به ویژه در پروژه های مالتی اُمیکسی، داده های تک سلولی (single-cell) و مطالعات جمعیتی بزرگ، بسیار پررنگ است.

علاوه بر این، داده های زیستی اغلب با مشکلات فنی مانند مقادیر گمشده، اختلاف پلتفرم های اندازه گیری، اثر دسته یا batch effect، تفاوت در عمق توالی یابی، تغییرپذیری آزمایشگاهی و ناهمگنی نمونه ها همراه هستند. در داده های کم بعد، گاهی می توان برخی از این مشکلات را ساده تر مدیریت کرد، اما در داده های با ابعاد زیاد، این عوامل به راحتی می توانند ساختار کل تحلیل را تحت تاثیر قرار دهند.

به همین دلیل، کار با داده های high-dimensional در زیست شناسی فقط به انتخاب یک الگوریتم خوب محدود نمی شود. موفقیت تحلیل به زنجیره ای از تصمیم های درست در مرحله طراحی مطالعه، تولید داده، کنترل کیفیت، پیش پردازش، مدل سازی و تفسیر وابسته است.

چگونه با داده های high-dimensional در زیست داده کاوی برخورد می شود؟

برای تحلیل موثر داده های با ابعاد زیاد، مجموعه ای از راهبردهای آماری، محاسباتی و زیستی به کار گرفته می شود. هیچ روش واحدی برای همه مسائل مناسب نیست، اما چند اصل کلی در بیشتر مطالعات موفق مشترک اند.

یکی از مهم ترین رویکردها، کاهش ابعاد است. در این روش ها تلاش می شود ساختار اصلی داده با تعداد کمتری متغیر خلاصه شود. تحلیل مولفه های اصلی یا PCA از رایج ترین نمونه هاست که برای مشاهده الگوهای کلی، بررسی خوشه بندی نمونه ها، شناسایی داده های پرت و ارزیابی اثر عوامل فنی بسیار کاربرد دارد. روش های دیگری مانند t-SNE و UMAP نیز بیشتر برای نمایش دیداری داده های پیچیده، به ویژه در داده های تک سلولی (single-cell)، استفاده می شوند. البته باید توجه داشت که کاهش ابعاد لزوما به معنای حفظ تفسیر مستقیم زیستی همه ویژگی ها نیست، بلکه بیشتر ابزاری برای فشرده سازی و آشکارسازی ساختار داده است.

رویکرد مهم دیگر، انتخاب ویژگی است. در اینجا هدف آن است که از میان هزاران متغیر، مجموعه ای کوچک تر اما informative تر انتخاب شود. این انتخاب می تواند بر اساس آزمون های آماری، معیارهای اطلاعاتی، روش های یادگیری ماشین یا ترکیبی از آن ها انجام شود. انتخاب ویژگی اگر به درستی انجام شود، هم خطر بیش برازش را کاهش می دهد و هم تفسیر مدل را ساده تر می کند. در عین حال، باید با دقت انجام شود، زیرا حذف نادرست برخی ویژگی ها ممکن است بخشی از سیگنال زیستی را از بین ببرد.

regularization نیز از ابزارهای کلیدی در این حوزه است. روش هایی مانند Ridge، Lasso و Elastic Net با اعمال جریمه بر پیچیدگی مدل، مانع آن می شوند که مدل بیش از حد خود را با داده های آموزش تطبیق دهد. این روش ها در شرایطی که تعداد ویژگی ها زیاد و همبستگی میان آن ها بالا باشد، بسیار مفیدند و در تحلیل های ژنومی و پروتئومی کاربرد گسترده ای دارند.

اعتبارسنجی دقیق نیز نقش اساسی دارد. استفاده از تقسیم بندی درست داده به مجموعه های آموزش و آزمون، اعتبارسنجی متقاطع، و مهم تر از همه آزمون مدل روی مجموعه داده های مستقل، برای اطمینان از واقعی بودن یافته ها ضروری است. در داده های high-dimensional، اگر مراحل انتخاب ویژگی و تنظیم مدل به درستی در فرایند اعتبارسنجی ادغام نشوند، به راحتی خوش بینی کاذب ایجاد می شود و عملکرد مدل بیش از واقعیت برآورد می گردد.

علاوه بر این، دانش زیستی باید در فرایند تحلیل وارد شود. به جای تکیه کامل بر تک تک ویژگی ها، گاهی بهتر است تحلیل در سطح مسیرها، شبکه های ژنی، ماژول های هم بیان یا گروه های عملکردی انجام شود. این کار نه تنها می تواند پایداری نتایج را افزایش دهد، بلکه تفسیر آن ها را نیز از نظر زیستی معنادارتر می کند. برای مثال، به جای تمرکز بر یک ژن منفرد، می توان بررسی کرد آیا مجموعه ای از ژن های دخیل در پاسخ ایمنی یا متابولیسم انرژی به طور هماهنگ تغییر کرده اند یا نه.

طراحی مطالعه نیز در موفقیت تحلیل بسیار تعیین کننده است. انتخاب درست گروه های مورد مقایسه، کنترل عوامل مخدوش کننده مانند سن، جنس، وضعیت دارویی یا شرایط نمونه گیری، تصادفی سازی مناسب و استانداردسازی مراحل آزمایشگاهی، همگی کیفیت داده نهایی را افزایش می دهند. در واقع، بسیاری از مشکلاتی که بعدا در تحلیل دیده می شوند، ریشه در طراحی اولیه مطالعه دارند.

در سال های اخیر، تلفیق داده های مالتی اُمیکسی نیز به یکی از رویکردهای مهم تبدیل شده است. ترکیب اطلاعات ژنومی، ترنسکریپتومی، پروتئومی و متابولومی می تواند تصویر کامل تری از سامانه زیستی ارائه دهد، اما در عین حال چالش ابعاد بالا را پیچیده تر می کند. برای این منظور، روش های یکپارچه سازی داده و مدل های چندلایه توسعه یافته اند که تلاش می کنند روابط میان سطوح مختلف زیستی را به شکلی منسجم تحلیل کنند.

در نهایت، برخورد موفق با داده های high-dimensional نیازمند نگاه متعادل است. نه باید از تعداد زیاد ویژگی ها هراس داشت و نه باید تصور کرد صرف داشتن داده های بیشتر به طور خودکار به کشف علمی بهتر منجر می شود. آنچه اهمیت دارد، ترکیب درست طراحی آزمایش، پیش پردازش دقیق، انتخاب روش مناسب، اعتبارسنجی سخت گیرانه و تفسیر زیستی سنجیده است.

جمع بندی

داده های زیستی به این دلیل high-dimensional هستند که سامانه های زیستی ذاتا پیچیده اند و فناوری های مدرن امکان اندازه گیری هم زمان تعداد زیادی مولکول و ویژگی را فراهم کرده اند. در چنین داده هایی، هر نمونه با صدها، هزاران یا حتی ده ها هزار متغیر توصیف می شود. این ویژگی به پژوهشگر اجازه می دهد تصویری گسترده تر از وضعیت مولکولی سلول، بافت یا ارگانیسم به دست آورد، اما در عین حال تحلیل داده را به مراتب دشوارتر می کند. مهم ترین چالش این داده ها به پدیده نفرین ابعاد مربوط است؛ وضعیتی که در آن افزایش تعداد ویژگی ها باعث رقیق شدن فضای داده، کاهش کارایی برخی معیارهای فاصله، افزایش خطر کشف روابط کاذب و بالا رفتن احتمال بیش برازش می شود. در عمل نیز محدود بودن تعداد نمونه ها، دشواری تفسیر نتایج، وجود نویز و ناهمگنی زیستی و هزینه های محاسباتی، مسئله را پیچیده تر می کنند. با این حال، high-dimensional بودن لزوما یک مانع غیرقابل عبور نیست. با استفاده از روش هایی مانند کاهش ابعاد، انتخاب ویژگی، منظم سازی، اعتبارسنجی مناسب و تکیه بر دانش زیستی، می توان از این داده های پیچیده اطلاعات ارزشمند استخراج کرد. در واقع، بخش مهمی از بیوانفورماتیک و زیست داده کاوی مدرن بر همین تلاش استوار است: تبدیل داده های بسیار با ابعاد زیاد و پیچیده به یافته هایی قابل اعتماد، قابل تفسیر و از نظر زیستی معنادار.