[论文解读] 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)|Jul 25, 2011

Genomics and Phylogenetic Studies被引用 8

一句话总结

本文提出了 Edge PCA 和 Squash Clustering 两种方法，利用放置数据的系统发育结构，提升在微生物组样本比较中的可解释性。Edge PCA 将主成分可视化为参考树上加权的边，而 Squash Clustering 生成的树为有根树，其边长反映平均微生物群落之间的有意义距离，相较于 UPGMA 等经典方法，提供了更清晰的生物学解释。

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.

研究动机与目标

• 解决在将经典 PCA 和层次聚类应用于微生物组数据中的 UniFrac 距离时缺乏可解释性的问题。
• 开发明确利用系统发育放置数据的系统发育结构进行样本比较的方法。
• 实现主成分在参考系统发育树上特定边上的可视化与解释。
• 开发一种层次聚类方法，使边长对应于平均微生物群落之间的生物学上有意义的距离。
• 提升分析微生物群落差异时的透明度与生物学洞察力，尤其针对亲缘关系较近的分类群。

提出的方法

• Edge PCA 基于参考系统发育树内部边上的放置比例差异计算主成分。
• 每个主成分轴以树边上带符号的权重集合表示，通过边的粗细和颜色进行可视化。
• Squash 聚类使用一种新型的簇间距离定义，该定义结合了参考树上系统发育放置分布。
• 该方法构建一个有根聚类树，其中每个内部节点代表一个平均微生物群落分布，边长反映这些分布之间的距离。
• 该算法通过参考树的有效分割递归地分裂簇，其过程受可重建性参数引导，用于控制子簇之间的相似性。
• 模拟使用泊松分布的切割次数和二项分布的子集分配，生成合成放置数据以验证方法。

实验结果

研究问题

• RQ1 能否通过利用放置数据的系统发育结构，使微生物组数据的主成分分析更具可解释性？
• RQ2 基于边的主成分是否比经典 PCA 更有效地检测出涉及亲缘关系较近分类群的细微且一致的样本差异？
• RQ3 能否重新定义层次聚类，使其生成的树中边长对应于平均微生物群落分布之间的生物学上有意义的距离？
• RQ4 在从模拟数据重建聚类关系时，Squash Clustering 与 UPGMA 相比，是否更有效地保留了真实树的拓扑结构？
• RQ5 可重建性参数在多大程度上影响聚类树重建的准确性和相似性？

主要发现

• Edge PCA 能够成功检测出涉及亲缘关系较近分类群的微小但一致的样本差异，而经典 PCA 可能会忽略这些差异。
• Edge PCA 中的主成分轴可直接解释为参考系统发育树上特定边的加权贡献，从而实现视觉化与生物学解释。
• Squash 聚类生成的有根聚类树中，边长对应于平均微生物群落分布之间的有意义距离，而 UPGMA 使用的是较难解释的平均距离。
• 该方法为聚类树中的每个节点分配了在参考树上自然分布的质量，增强了生物学可解释性。
• 在模拟中，使用较高可重建性参数（$r_t$）的 Squash Clustering 所生成的聚类树与真实树的相似性更高，以有根 Robinson-Foulds 距离衡量。
• 六叶树的最大有根 Robinson-Foulds 距离为四，且该方法在重建树拓扑结构时对参数设置表现出敏感性。