8.10 Clustering als Modell biologischer Organisation

Lernziele

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

zu erklären, warum Clustering als Modellierungsansatz und nicht als rein rechnerisches Verfahren verstanden werden sollte.
die Annahmen zu erkennen, die verschiedenen Clustering-Algorithmen zugrunde liegen.
Clustering-Ergebnisse in ihrem biologischen Kontext kritisch zu bewerten.
die Beziehung zwischen Daten, mathematischen Modellen und biologischer Interpretation zu verstehen.
zu erläutern, warum Clustering Hypothesen erzeugt und keine biologischen Wahrheiten liefert.

Im Verlauf dieses Kapitels sind uns unterschiedliche Clustering-Verfahren begegnet. Manche repräsentieren Cluster durch Zentren, andere konstruieren hierarchische Beziehungen, wieder andere identifizieren dichte Regionen im Merkmalsraum. Auf den ersten Blick wirken diese Verfahren wie konkurrierende Algorithmen, die alle dasselbe rechnerische Problem lösen sollen.

Tatsächlich beantworten sie jedoch leicht unterschiedliche Fragen.

Jeder Algorithmus enthält eine andere mathematische Vorstellung davon, wie eine biologische Gruppe aussehen sollte. Deshalb macht jeder Algorithmus andere Aspekte desselben Datensatzes sichtbar.

Diese Beobachtung führt zu einer der wichtigsten Botschaften dieses Buches:

Clustering entdeckt biologische Organisation nicht direkt. Es entdeckt mathematische Struktur gemäß einem bestimmten Modell biologischer Organisation.

Diesen Unterschied zu verstehen, ist entscheidend für eine sachgerechte Interpretation von Clustering-Ergebnissen.

Daten enthalten keine Cluster

Es ist verlockend, sich Cluster als verborgene Einheiten vorzustellen, die von einem ausreichend ausgefeilten Algorithmus lediglich freigelegt werden müssten.

Diese Vorstellung ist jedoch irreführend.

Experimentelle Daten bestehen aus Messwerten. Sie enthalten Expressionsniveaus, Proteinmengen, Metabolitkonzentrationen oder zelluläre Phänotypen. Nirgends in den Daten ist markiert, wo eine biologische Gruppe beginnt und wo sie endet.

Cluster entstehen erst dann, wenn wir mathematische Annahmen einführen.

Die Wahl von

biologischen Merkmalen,
Distanzmaßen,
Clustering-Verfahren,
Optimierungskriterien
und algorithmischen Parametern

legt gemeinsam fest, was wir unter einer biologischen Gruppe überhaupt verstehen.

Unterschiedliche Entscheidungen führen zu unterschiedlichen Darstellungen derselben Daten.

In diesem Sinn ähnelt Clustering jeder anderen Form wissenschaftlicher Modellierung.

So wie verschiedene mathematische Modelle denselben biologischen Prozess aus unterschiedlichen Perspektiven beschreiben können, erfassen verschiedene Clustering-Verfahren unterschiedliche Aspekte biologischer Organisation.

Jeder Clustering-Algorithmus kodiert biologische Annahmen

Die drei in diesem Kapitel eingeführten Clustering-Paradigmen veranschaulichen diese Idee besonders deutlich.

Zentrenbasiertes Clustering nimmt an, dass biologische Gruppen durch charakteristische Prototypen repräsentiert werden können. Jede Beobachtung wird relativ zu einem repräsentativen Zentroid interpretiert.

Hierarchisches Clustering nimmt an, dass biologische Organisation verschachtelt ist. Ähnlichkeit existiert auf mehreren Skalen, von kleinen funktionellen Modulen bis hin zu großen regulatorischen Programmen.

Dichtebasiertes Clustering nimmt an, dass biologische Gruppen Regionen hoher Beobachtungsdichte sind, die durch dünn besetzte Bereiche voneinander getrennt werden.

Keine dieser Annahmen ist universell gültig.

Jede stellt vielmehr eine plausible Hypothese über die Struktur biologischer Systeme dar.

Daher können verschiedene Algorithmen selbst auf exakt demselben Datensatz zu unterschiedlichen Clusterungen führen.

Das sollte nicht als Scheitern des Clusterings missverstanden werden.

Vielmehr zeigt es, dass biologische Organisation selbst viele Facetten besitzt.

Die Bedeutung biologischer Interpretation

Ein Clustering-Algorithmus erzeugt Gruppen von Beobachtungen.

Wissenschaft sucht jedoch nach Erklärungen.

Angenommen, ein unbekanntes Gen wird immer wieder gemeinsam mit Genen geclustert, die an der Photosynthese beteiligt sind.

Dann beweist diese Beobachtung nicht, dass das Gen tatsächlich an der Photosynthese beteiligt ist.

Sie formuliert vielmehr eine biologisch plausible Hypothese, die experimentell überprüft werden kann.

Ebenso sollten wir nicht sofort schließen, dass zwei Zellpopulationen, die getrennte Cluster bilden, automatisch verschiedene Zelltypen repräsentieren.

Die beobachtete Trennung kann auch durch

technische Batch-Effekte,
experimentelle Artefakte,
Unterschiede in der Sequenziertiefe
oder andere biologische Variation

zustande kommen.

Clustering markiert daher den Beginn biologischer Interpretation und nicht deren Abschluss.

Experimentelle Validierung, vorhandenes biologisches Wissen und ergänzende rechnergestützte Analysen bleiben unerlässlich, um mathematische Struktur in biologisches Verständnis zu überführen.

Clustering als Wissensgenerierung

Eine der bemerkenswertesten Stärken des Clusterings besteht darin, dass es Entdeckungen ermöglicht, ohne dass vorab Labels bekannt sein müssen.

Historisch hat Clustering zur Identifikation beigetragen von

neuen Zelltypen,
bislang unbekannten Krankheitssubtypen,
funktionellen Genmodulen,
Proteinfamilien
und regulatorischen Programmen.

Solche Entdeckungen waren gerade deshalb möglich, weil Clustering nicht auf bereits vorhandene biologische Klassifikationen angewiesen ist.

Stattdessen identifiziert es Muster, die sich direkt aus den Daten heraus abzeichnen.

Dieser explorative Charakter macht Clustering zu einem der wichtigsten Werkzeuge moderner Biologie zur Generierung von Hypothesen.

Gleichzeitig verlangt er aber besondere wissenschaftliche Vorsicht.

Muster, die durch Clustering identifiziert werden, sind nicht automatisch bedeutungsvoll.

Sie werden erst dann zu wissenschaftlichem Wissen, wenn sie interpretiert, validiert und in vorhandenes biologisches Verständnis eingebettet werden.

Von Ähnlichkeit zu biologischem Wissen

Dieses Kapitel ist einer Abfolge gefolgt, die beispielhaft für große Teile der modernen computergestützten Biologie ist.

Zunächst haben wir biologische Objekte als Merkmalsvektoren dargestellt.

Dann haben wir mathematische Maße für Ähnlichkeit definiert.

Auf dieser Grundlage identifizierten Clustering-Verfahren Gruppen verwandter Beobachtungen.

Erst die biologische Interpretation verwandelte diese mathematischen Gruppen schließlich in Hypothesen über funktionelle Organisation.

Diese Abfolge verdeutlicht ein wiederkehrendes Thema des Buches.

Biologisches Wissen entsteht nicht unmittelbar aus experimentellen Daten.

Es entsteht vielmehr durch eine Folge sorgfältig gewählter Modelle.

Die Repräsentation bestimmt, wie biologische Objekte beschrieben werden.

Das Ähnlichkeitsmaß bestimmt, wie sie verglichen werden.

Das Clustering bestimmt, wie sie organisiert werden.

Die Interpretation bestimmt schließlich, was diese Organisation biologisch bedeutet.

Aus dieser Perspektive ist Clustering nicht einfach nur ein weiterer Algorithmus des maschinellen Lernens.

Es ist ein Rahmen, der Messwerte in biologische Hypothesen überführt.

Ausblick

Clustering bildet den ersten Schritt des Lernens aus biologischen Daten, weil es ohne Vorwissen auskommt.

Die folgenden Kapitel werden schrittweise immer leistungsfähigere Lernformen einführen.

Zunächst werden wir sehen, wie sich mathematische Modelle selbst mit Gradientenverfahren aus Daten optimieren lassen.

Dann werden wir untersuchen, wie verhindert werden kann, dass Modelle experimentelles Rauschen auswendig lernen, statt allgemeine biologische Prinzipien zu erfassen.

Schließlich werden wir diese Optimierungsstrategien nutzen, um prädiktive Modelle zu konstruieren, mit denen sich biologische Beobachtungen klassifizieren lassen, und wir werden künstliche neuronale Netze kennenlernen, die zunehmend komplexe Repräsentationen biologischer Systeme selbstständig lernen.

In diesem Sinn ist Clustering der natürliche Ausgangspunkt für modernes maschinelles Lernen.

Es zeigt, dass sinnvolle biologische Struktur direkt aus Daten entstehen kann, noch bevor wir die Antworten kennen, nach denen wir suchen.

Konzeptionelle Zusammenfassung

Clustering ist ein mathematisches Modell biologischer Organisation und keine direkte Beobachtung biologischer Realität.
Unterschiedliche Clustering-Verfahren kodieren unterschiedliche Annahmen über die Struktur biologischer Systeme.
Clustering erzeugt Hypothesen, die biologischer Interpretation und experimenteller Validierung bedürfen.
Ähnlichkeit, Repräsentation und Clustering selbst sind allesamt Modellierungsentscheidungen.
Biologisches Wissen entsteht durch das Zusammenspiel rechnergestützter Modelle und wissenschaftlicher Interpretation.
Clustering bildet die konzeptionelle Grundlage für die weiterführenden Verfahren des maschinellen Lernens in den folgenden Kapiteln.

Fragen zur Selbstkontrolle

Warum sollte Clustering als Modellierungsansatz und nicht als rein rechnerischer Algorithmus verstanden werden?
Wie spiegeln verschiedene Clustering-Verfahren unterschiedliche Annahmen über biologische Organisation wider?
Warum erfordern Clustering-Ergebnisse biologische Interpretation und experimentelle Validierung?
Erläutern Sie die Abfolge Repräsentation → Ähnlichkeit → Clustering → biologische Interpretation.
Inwiefern bereitet Clustering den konzeptionellen Boden für überwachte Verfahren des maschinellen Lernens?