8.9 Hartes und weiches Clustering: Kann ein Gen zu mehr als einer Gruppe gehören?

Lernziele

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

zwischen hartem und weichem Clustering zu unterscheiden.
zu erklären, warum biologische Systeme starre Clusterzuordnungen oft in Frage stellen.
das Prinzip des Fuzzy-Clusterings zu beschreiben.
Clusterzugehörigkeit als Wahrscheinlichkeit oder Zugehörigkeitsgrad zu interpretieren.
einzuschätzen, wann hartes oder weiches Clustering für biologische Daten angemessener ist.

Bisher hatten alle in diesem Kapitel besprochenen Clustering-Verfahren eine wichtige Gemeinsamkeit.

Jedes biologische Objekt gehört zu genau einem Cluster.

Ob mit k-Means, hierarchischem Clustering oder DBSCAN: Jedes Gen, jedes Protein und jede Zelle erhält genau eine Clusteridentität. Solche Verfahren fasst man unter dem Begriff hartes Clustering zusammen.

Für viele Anwendungen ist diese Annahme sowohl naheliegend als auch nützlich. Wenn das Ziel darin besteht, Tausende von Genen funktionellen Kategorien zuzuordnen, vereinfacht eine eindeutige Zuordnung die nachgelagerte Analyse und Interpretation erheblich.

Biologische Systeme sind jedoch selten so klar abgegrenzt.

Viele biologische Einheiten sind gleichzeitig an mehreren Prozessen beteiligt. Damit drängt sich eine wichtige Frage auf:

Muss jedes biologische Objekt wirklich genau einem Cluster angehören?

Biologie ist selten schwarz-weiß

Hartes Clustering setzt voraus, dass biologische Gruppen gut getrennt und gegenseitig ausschließend sind.

In der Realität ist Biologie jedoch häufig durch Überlappungen, graduelle Übergänge und Multifunktionalität geprägt.

Proteine sind oft an mehreren Proteinkomplexen beteiligt.

Gene können zu verschiedenen Signalwegen beitragen.

Stoffwechselenzyme katalysieren nicht selten Reaktionen in miteinander verknüpften Stoffwechselwegen.

Auch während der Entwicklung wechseln Zellen ihre Zustände meist nicht sprunghaft, sondern durchlaufen allmähliche Übergänge.

Diese Beispiele zeigen, dass biologische Organisation häufig kontinuierlich und nicht strikt kategorial ist.

Wenn man jede Beobachtung zwangsweise genau einem Cluster zuordnet, kann dies die zugrunde liegende Biologie übermäßig vereinfachen.

Weiches Clustering

Weiches Clustering begegnet diesem Problem, indem es diskrete Zuordnungen durch Zugehörigkeitsgrade ersetzt.

Statt ein Gen ausschließlich einem Cluster zuzuweisen, schätzt weiches Clustering, wie stark dieses Gen gleichzeitig mit jedem Cluster verbunden ist.

Für ein bestimmtes Gen könnte ein Clustering-Ergebnis beispielsweise so aussehen:

Cluster	Zugehörigkeit
Photosynthese	0.82
Kohlenstoffmetabolismus	0.14
Stressantwort	0.04

Das Gen gehört damit nicht ausschließlich zu einer einzigen funktionellen Gruppe, sondern zeigt eine starke Beziehung zur Photosynthese und zugleich schwächere Ähnlichkeiten zu anderen biologischen Prozessen.

Die Zugehörigkeitswerte summieren sich in der Regel zu eins und können als Wahrscheinlichkeiten oder allgemeiner als Grade der Zugehörigkeit interpretiert werden.

Diese Darstellung trifft die biologische Realität oft besser als eine strikte Ja-Nein-Zuordnung.

Fuzzy c-Means

Einer der bekanntesten Algorithmen des weichen Clusterings ist Fuzzy c-Means (FCM).

Konzeptionell ähnelt Fuzzy c-Means stark dem k-Means-Verfahren.

Wie k-Means repräsentiert auch Fuzzy c-Means jeden Cluster durch ein Zentroid.

Im Unterschied zu k-Means werden Beobachtungen jedoch nicht ausschließlich dem nächstgelegenen Zentroid zugeordnet.

Stattdessen trägt jede Beobachtung zu jedem Zentroid bei, und zwar mit einem Gewicht, das ihrer Zugehörigkeit entspricht.

Die Optimierung verläuft daher in zwei alternierenden Schritten:

Für jede Beobachtung wird der Zugehörigkeitsgrad zu jedem Cluster geschätzt.
Die Clusterzentren werden mithilfe dieser gewichteten Zugehörigkeiten aktualisiert.

Diese beiden Schritte werden wiederholt, bis sich Zugehörigkeiten und Zentroide stabilisieren.

Fuzzy c-Means kann somit als probabilistische Verallgemeinerung von k-Means verstanden werden.

Anstatt zu fragen

Zu welchem Cluster gehört diese Beobachtung?

fragt der Algorithmus

Zu welchem Grad gehört diese Beobachtung zu jedem Cluster?

Weiches Clustering erfasst biologische Kontinuität

Weiches Clustering ist besonders nützlich, wenn biologische Zustände eher kontinuierlich als diskret sind.

Ein gutes Beispiel ist die Zelldifferenzierung.

Stammzellen verwandeln sich selten schlagartig in vollständig differenzierte Zellen. Stattdessen verläuft Differenzierung über Zwischenzustände, in denen Zellen gleichzeitig Eigenschaften des Ausgangszustands und des entstehenden Zielzustands aufweisen.

Solche Zwischenzustände einem einzigen Cluster zuzuordnen, bedeutet zwangsläufig Informationsverlust.

Weiches Clustering kann diese Übergangszustände sehr viel natürlicher abbilden.

Ähnlich zeigen auch Genregulationsnetzwerke häufig überlappende Aktivierungsprogramme. Ein Transkriptionsfaktor kann zugleich Stressantworten und Entwicklungsprozesse regulieren, sodass sein Expressionsmuster mehreren funktionellen Modulen ähnelt.

Solche Gene über abgestufte Zugehörigkeiten statt über starre Zuordnungen zu beschreiben, liefert eine reichhaltigere und oft biologisch realistischere Darstellung.

Warum hartes Clustering dennoch weit verbreitet ist

Angesichts dieser Vorteile könnte man sich fragen, warum hartes Clustering in vielen biologischen Studien dennoch dominiert.

Die Antwort ist vor allem praktischer Natur.

Viele nachgelagerte Analysen setzen voraus, dass jede Beobachtung genau einer klar definierten Gruppe angehört.

Beispiele sind

Gene-Ontology-Enrichment-Analysen,
Pathway-Enrichment,
die Identifikation von Markergenen,
differentielle Expressionsanalysen zwischen Clustern
und zahlreiche Visualisierungsverfahren.

All diese Anwendungen werden erheblich einfacher, wenn Clusterzuordnungen eindeutig sind.

Hartes Clustering liefert daher eine kompakte Zusammenfassung der Daten, die sich leicht interpretieren und kommunizieren lässt.

Weiches Clustering ist biologisch oft realistischer, erzeugt aber auch deutlich komplexere Ergebnisse.

Statt einer einzigen Zuordnung pro Beobachtung erhält man mehrere Zugehörigkeitswerte.

Ob diese zusätzliche Komplexität gerechtfertigt ist, hängt vollständig von der biologischen Fragestellung ab.

Hart oder weich? Eine Modellierungsentscheidung

Die Wahl zwischen hartem und weichem Clustering zeigt erneut, dass Clustering im Kern ein Modellierungsproblem ist.

Hartes Clustering nimmt an, dass biologische Gruppen deutlich getrennt sind.

Weiches Clustering nimmt an, dass biologische Zustände überlappen können und dass Beobachtungen mehreren Gruppen zugleich ähneln dürfen.

Keine dieser Annahmen ist universell korrekt.

Beide formulieren vielmehr unterschiedliche Hypothesen über biologische Organisation.

Welche Wahl angemessen ist, hängt daher weniger vom Algorithmus selbst als vom untersuchten biologischen System ab.

Diskrete bakterielle Spezies lassen sich oft natürlich durch hartes Clustering beschreiben.

Entwicklungstrajektorien, Regulationsnetzwerke oder heterogene Zellpopulationen profitieren dagegen häufig von einer weicheren Repräsentation.

Wer diese Annahmen versteht, kann Clustering-Verfahren auswählen, die biologischer Realität näher kommen, anstatt einfach den vertrautesten Algorithmus anzuwenden.

Konzeptionelle Zusammenfassung

Hartes Clustering ordnet jede Beobachtung genau einem Cluster zu.
Weiches Clustering beschreibt Clusterzugehörigkeit als kontinuierliche Größe.
Fuzzy c-Means erweitert k-Means um partielle Zugehörigkeiten.
Weiches Clustering erfasst überlappende biologische Funktionen und Übergangszustände auf natürliche Weise.
Die Wahl zwischen hartem und weichem Clustering hängt von der biologischen Fragestellung und nicht nur von mathematischen Erwägungen ab.
Beide Ansätze repräsentieren unterschiedliche Modelle biologischer Organisation.

Fragen zur Selbstkontrolle

Was unterscheidet hartes von weichem Clustering?
Warum lassen sich überlappende biologische Prozesse mit hartem Clustering nur schwer darstellen?
Worin unterscheidet sich Fuzzy c-Means von k-Means?
In welchen biologischen Situationen ist weiches Clustering besonders vorteilhaft?
Warum bleibt hartes Clustering für viele nachgelagerte biologische Analysen dennoch die bevorzugte Wahl?