[논문 리뷰] Edge principal components and squash clustering: using the special structure of phylogenetic placement data for sample comparison

Frederick A. Matsen, Steven N. Evans|arXiv (Cornell University)|2011. 07. 25.

Genomics and Phylogenetic Studies인용 수 8

한 줄 요약

이 논문은 미생물군집 샘플 간 비교의 해석 가능성을 향상시키기 위해 배치 데이터의 계통발생적 구조를 활용하는 Edge PCA 및 Squash Clustering라는 두 가지 방법을 제안한다. Edge PCA는 주성분을 기준 나무의 가중치가 부여된 간선으로 시각화하는 반면, Squash Clustering는 평균화된 미생물군집 간의 의미 있는 거리가 반영된 루트가 있는 나무를 생성하여 기존의 UPGMA와 같은 방법보다 더 명확한 생물학적 해석을 가능하게 한다.

ABSTRACT

Principal components (PCA) and hierarchical clustering are two of the most heavily used techniques for analyzing the differences between nucleic acid sequence samples sampled from a given environment. However, a classical application of these techniques to distances computed between samples can lack transparency because there is no ready interpretation of the axes of classical PCA plots, and it is difficult to assign any clear intuitive meaning to either the internal nodes or the edge lengths of trees produced by distance-based hierarchical clustering methods such as UPGMA. We show that more interesting and interpretable results are produced by two new methods that leverage the special structure of phylogenetic placement data. Edge principal components analysis enables the detection of important differences between samples that contain closely related taxa. Each principal component axis is simply a collection of signed weights on the edges of the phylogenetic tree, and these weights are easily visualized by a suitable thickening and coloring of the edges. Squash clustering outputs a (rooted) clustering tree in which each internal node corresponds to an appropriate "average" of the original samples at the leaves below the node. Moreover, the length of an edge is a suitably defined distance between the averaged samples associated with the two incident nodes, rather than the less interpretable average of distances produced by UPGMA. We present these methods and illustrate their use with data from the microbiome of the human vagina.

연구 동기 및 목표

• 미생물군집 데이터에 UniFrac 거리에 기초한 고전적 PCA 및 계층적 군집화를 적용할 때 해석 가능성이 떨어지는 문제를 해결하기 위해.
• 계통발생적 배치 데이터의 계통발생적 구조를 명시적으로 활용하여 샘플 간 비교를 위한 방법을 개발하기 위해.
• 주성분을 기준 계통발생 나무의 특정 간선에 대한 기여도로 시각화하고 해석할 수 있도록 하기 위해.
• 각 간선 길이가 평균화된 미생물군집 간의 생물학적으로 의미 있는 거리에 해당하는 계층적 군집화 방법을 만들기 위해.
• 특히 밀접하게 관련된 분류군에 대해 미생물군집 차이를 분석할 때 투명성과 생물학적 통찰을 향상시키기 위해.

제안 방법

• Edge PCA는 기준 계통발생 나무의 내부 간선을 기준으로 한 배치 비율의 차이를 바탕으로 주성분을 계산한다.
• 각 주성분 축은 나무 간선에 부여된 부호가 있는 가중치 집합으로 표현되며, 간선 두께와 색상으로 시각화된다.
• Squash Clustering는 기준 나무 상의 계통발생적 배치 분포를 통합한 새로운 거리 정의를 사용한다.
• 이 방법은 각 내부 노드가 평균화된 미생물군집 분포를 나타내고, 간선 길이가 그 분포 간의 거리를 반영하는 루트가 있는 군집 나무를 구축한다.
• 알고리즘은 재구성 가능성 매개변수를 기반으로 하여 기준 나무의 효과적인 분할을 사용해 클러스터를 반복적으로 분할한다.
• 시뮬레이션은 포isson 분포를 따르는 컷 수와 이항 분포를 따르는 부분집합 할당을 사용하여 검증을 위한 합성 배치 데이터를 생성한다.

실험 결과

연구 질문

• RQ1 배치 데이터의 계통발생적 구조를 활용함으로써, 미생물군집 데이터의 주성분 분석을 더 해석 가능하게 만들 수 있는가?
• RQ2 간선 기반 주성분은 고전적 PCA보다 밀접하게 관련된 분류군을 포함한 샘플 간 미세하고 일관된 차이를 더 효과적으로 탐지하는가?
• RQ3 계층적 군집화를 재정의하여 간선 길이가 평균화된 미생물군집 간의 생물학적으로 의미 있는 거리에 해당하는 나무를 생성할 수 있는가?
• RQ4 시뮬레이션 데이터로부터 군집 관계를 재구성할 때 Squash Clustering는 UPGMA에 비해 진짜 나무 구조를 얼마나 잘 유지하는가?
• RQ5 재구성 가능성 매개변수는 군집 나무 재구성의 정확성과 유사성에 얼마나 큰 영향을 미치는가?

주요 결과

• Edge PCA는 고전적 PCA가 간과할 수 있는, 밀접하게 관련된 분류군을 포함한 샘플 간의 미세하지만 일관된 차이를 성공적으로 탐지한다.
• Edge PCA의 주성분 축은 기준 계통발생 나무의 특정 간선에 대한 가중 기여도로 직접 해석 가능하여 시각적 및 생물학적 해석이 가능하다.
• Squash Clustering는 평균화된 미생물군집 분포 간의 의미 있는 거리에 해당하는 간선 길이를 가진 루트가 있는 군집 나무를 생성하지만, UPGMA는 더 해석하기 어려운 평균 거리를 사용한다.
• 이 방법은 군집 나무의 각 노드에 기준 나무 상의 자연스러운 질량 분포를 할당하여 생물학적 해석 가능성을 향상시킨다.
• 시뮬레이션 결과, 높은 재구성 가능성 매개변수($r_t$)를 가진 Squash Clustering는 루트가 있는 Robinson-Foulds 거리로 측정했을 때 진짜 나무와 더 유사한 군집 나무를 생성하였다.
• 6개의 잎을 가진 나무의 최대 루트가 있는 Robinson-Foulds 거리는 4였고, 이는 방법이 나무 구조 재구성에서 매개변수 설정에 민감하게 반응하는 것으로 나타났다.