8.4 Was macht einen guten Cluster aus?

Lernziele

Nach der Bearbeitung dieses Abschnitts sollten Sie in der Lage sein,

zu erklären, warum Clustering im Kern ein Optimierungsproblem ist.
die Eigenschaften eines guten Clusters zu beschreiben.
zwischen Ähnlichkeit innerhalb eines Clusters und Trennung zwischen Clustern zu unterscheiden.
zu erläutern, warum es keine universelle Definition eines Clusters gibt.
Clustering als Modellierungsansatz und nicht als rein objektives Verfahren zu verstehen.

Nachdem wir ein mathematisches Maß für Ähnlichkeit eingeführt haben, können wir nun zur ursprünglichen biologischen Frage zurückkehren:

Wie lassen sich ähnliche biologische Objekte automatisch zu Gruppen zusammenfassen?

Auf den ersten Blick scheint die Antwort einfach zu sein. Wenn sich Gene ähnlich verhalten, sollten sie demselben Cluster zugeordnet werden. Doch damit stellt sich sofort eine grundlegendere Frage:

Was genau ist eigentlich ein guter Cluster?

Menschen erkennen Cluster oft intuitiv. Diese Intuition in eine mathematische Form zu bringen, ist jedoch überraschend schwierig. Die Antwort hängt nicht nur von den Daten ab, sondern auch davon, wie wir den Begriff eines Clusters selbst definieren.

Genau deshalb ist Clustering nicht nur ein algorithmisches Problem, sondern ein Modellierungsproblem.

Von paarweiser Ähnlichkeit zu biologischen Gruppen

Stellen wir uns ein kleines Experiment vor, in dem die Expressionsprofile von zehn Genen unter mehreren Umweltbedingungen gemessen wurden.

Einige Gene zeigen nahezu identische Reaktionen, andere verhalten sich deutlich verschieden. Betrachtet man die einzelnen Profile, lassen sich mögliche funktionell verwandte Gruppen mitunter schon visuell erahnen.

Für wenige Gene mag eine solche Sichtprüfung ausreichen.

Moderne biologische Datensätze umfassen jedoch Tausende oder sogar Millionen Beobachtungen. Ein typisches RNA-Sequenzierungsexperiment erfasst die Expression von mehr als 20.000 Genen, und Einzelzell-Transkriptomik kann Hunderttausende einzelner Zellen charakterisieren.

Unter diesen Bedingungen ist eine visuelle Inspektion unmöglich.

Stattdessen müssen Clustering-Verfahren Gruppen automatisch identifizieren, indem sie die mathematischen Beziehungen zwischen allen Beobachtungen gleichzeitig auswerten.

Die biologische Frage

Welche Gene gehören zusammen?

wird damit zu einem mathematischen Optimierungsproblem.

Die Intuition hinter gutem Clustering

Auch wenn es keine allgemein akzeptierte mathematische Definition eines Clusters gibt, teilen die meisten Menschen eine bemerkenswert ähnliche Intuition.

Ein guter Cluster enthält Objekte, die sich untereinander stark ähneln und sich zugleich klar von Objekten außerhalb des Clusters unterscheiden.

Diese Vorstellung lässt sich mit zwei einander ergänzenden Begriffen formulieren.

Ähnlichkeit innerhalb des Clusters

Objekte desselben Clusters sollten einander möglichst stark ähneln.

Äquivalent dazu sollten die Distanzen zwischen Mitgliedern desselben Clusters klein sein.

Trennung zwischen Clustern

Verschiedene Cluster sollten klar voneinander abgrenzbar sein.

Objekte aus unterschiedlichen Clustern sollten daher vergleichsweise große Distanzen aufweisen.

Diese beiden Ziele stehen häufig in Konkurrenz zueinander.

Wenn man sehr viele kleine Cluster bildet, steigt die Ähnlichkeit innerhalb jedes einzelnen Clusters, zugleich verliert aber die Trennung zwischen den Gruppen an Bedeutung. Fasst man umgekehrt sehr viele Beobachtungen in wenigen großen Clustern zusammen, bleibt die Abgrenzung zwischen Gruppen eventuell erhalten, während die innere Kohärenz leidet.

Ziel des Clusterings ist es daher, ein sinnvolles Gleichgewicht zwischen diesen konkurrierenden Anforderungen zu finden.

Clustering als Optimierungsproblem

Aus mathematischer Sicht sucht Clustering eine Aufteilung der Daten, die eine bestimmte Zielfunktion optimiert.

Verschiedene Verfahren definieren diese Zielfunktion unterschiedlich, doch alle folgen demselben allgemeinen Prinzip:

Objekte innerhalb desselben Clusters sollen einander ähnlicher sein als Objekte, die verschiedenen Clustern zugeordnet sind.

Diese Formulierung macht einen wichtigen Unterschied sichtbar.

Clustering-Verfahren suchen nicht direkt nach biologischen Funktionen.

Sie suchen vielmehr nach mathematischen Strukturen, die ein vorgegebenes Optimierungskriterium erfüllen.

Erst im Anschluss interpretieren wir diese mathematischen Gruppen biologisch.

Mit anderen Worten: Clustering entdeckt Muster in der Repräsentation biologischer Objekte, nicht notwendigerweise in der Biologie selbst.

Es gibt keine universelle Definition eines Clusters

Man könnte erwarten, dass die Mathematik eine präzise Definition dafür liefert, was ein Cluster ist.

Überraschenderweise ist das nicht der Fall.

Betrachten wir etwa verschiedene Datensätze: Manche enthalten kompakte, klar getrennte Gruppen, die fast jeder sofort als Cluster bezeichnen würde. Andere zeigen langgezogene, gekrümmte oder überlappende Strukturen, bei denen die Einordnung deutlich schwieriger ist.

Selbst menschliche Beobachterinnen und Beobachter würden sich hier nicht immer auf eine “richtige” Gruppierung einigen.

Diese Mehrdeutigkeit weist auf einen wichtigen Sachverhalt hin:

Cluster sind keine physikalischen Objekte, die nur darauf warten, entdeckt zu werden.

Vielmehr sind sie mathematische Beschreibungen von Struktur.

Deshalb verwenden unterschiedliche Clustering-Verfahren unterschiedliche Vorstellungen davon, wie ein Cluster aussehen soll.

Manche Methoden setzen voraus, dass Cluster ungefähr kugelförmig sind.

Andere modellieren Cluster als hierarchisch verschachtelte Organisation.

Wieder andere identifizieren Bereiche hoher Punktdichte, ohne starke Annahmen über die geometrische Form zu machen.

Jede dieser Definitionen ist mathematisch legitim.

Jede betont andere biologische Eigenschaften.

Und jede kann auf demselben Datensatz zu anderen Ergebnissen führen.

Modellierung biologischer Organisation

Daraus ergibt sich eine wichtige konzeptionelle Einsicht.

Wenn wir ein Clustering-Verfahren auswählen, entscheiden wir uns nicht nur für eine rechnerische Prozedur.

Wir wählen zugleich ein mathematisches Modell biologischer Organisation.

Ein zentrenbasiertes Verfahren nimmt an, dass biologische Gruppen um repräsentative Prototypen organisiert sind.

Ein hierarchisches Verfahren nimmt an, dass biologische Ähnlichkeit in verschachtelten Beziehungen angeordnet ist.

Ein dichtebasiertes Verfahren nimmt an, dass biologische Gruppen als dichte Regionen auftreten, die durch dünn besetzte Bereiche voneinander getrennt werden.

Keine dieser Annahmen ist allgemein gültig.

Jede formuliert vielmehr eine andere Hypothese darüber, wie biologische Systeme organisiert sind.

Daher können verschiedene Algorithmen unterschiedliche Aspekte desselben Datensatzes sichtbar machen.

Diese zugrunde liegenden Annahmen zu verstehen, ist mindestens ebenso wichtig wie das Verständnis der Algorithmen selbst.

Im weiteren Verlauf dieses Kapitels werden wir sehen, wie unterschiedliche Clustering-Verfahren diese Ideen konkret umsetzen und unter welchen biologischen Bedingungen welcher Ansatz besonders passend ist.

Konzeptionelle Zusammenfassung

Clustering überführt biologische Ähnlichkeit in Gruppen verwandter Beobachtungen.
Ein guter Cluster verbindet hohe innere Ähnlichkeit mit einer klaren Trennung von anderen Clustern.
Clustering lässt sich als Optimierungsproblem formulieren.
Es gibt keine allgemein akzeptierte mathematische Definition eines Clusters.
Unterschiedliche Clustering-Verfahren kodieren unterschiedliche Annahmen über biologische Organisation.
Die Wahl eines Clustering-Verfahrens ist daher eine Modellierungsentscheidung und nicht nur eine technische Auswahl.

Fragen zur Selbstkontrolle

Welche zwei grundlegenden Eigenschaften zeichnen einen guten Cluster aus?
Warum kann Clustering als Optimierungsproblem aufgefasst werden?
Warum gibt es keine universelle mathematische Definition eines Clusters?
Wie können verschiedene Clustering-Verfahren auf demselben Datensatz zu unterschiedlichen Ergebnissen kommen?
Warum bedeutet die Wahl eines Clustering-Verfahrens zugleich die Wahl eines Modells biologischer Organisation?