Questão de Biologia — Bioinformática — VUNESP 2024

Análise Fatorial: variáveis observadas e fatores latentes

Gabarito: letra E. A análise fatorial é a técnica estatística que modela a relação entre variáveis observadas (como os níveis de expressão de milhares de genes) e variáveis ocultas, chamadas de fatores latentes, que não são diretamente medidas, mas que explicam a correlação entre as observadas. É exatamente essa capacidade de considerar tanto o observado quanto o oculto que a distingue das demais alternativas.

A análise fatorial é um método de análise multivariada que busca explicar a variabilidade e as correlações entre um conjunto de variáveis observadas por meio de um número menor de variáveis não observadas, os fatores latentes. Imagine que você mede a expressão de 20.000 genes em células tumorais. Muitos desses genes estão correlacionados porque são regulados por vias metabólicas comuns — essas vias são os fatores latentes. A análise fatorial identifica esses fatores, permitindo reduzir a dimensionalidade dos dados e entender a estrutura subjacente. Diferente da PCA, que apenas transforma as variáveis em componentes ortogonais que capturam a variância total, a análise fatorial modela explicitamente a covariância entre as variáveis, assumindo que ela é gerada por fatores comuns. Na prática, o pesquisador aplicaria a análise fatorial para descobrir quais grupos de genes co-expressos correspondem a vias metabólicas ativadas ou suprimidas no tumor, mesmo sem conhecer previamente essas vias.

A confusão mais comum é entre análise fatorial e PCA. Ambas reduzem a dimensionalidade, mas a PCA é uma técnica de transformação que maximiza a variância explicada, sem distinguir entre variância comum e específica; a análise fatorial, por outro lado, particiona a variância em variância comum (explicada pelos fatores) e variância única (erro ou especificidade). Enquanto a PCA é frequentemente usada como ferramenta exploratória ou de pré-processamento, a análise fatorial é usada quando se quer identificar constructos latentes, como vias metabólicas. Outras alternativas, como modelos de mistura Gaussianos, são usados para clustering probabilístico; LDA é uma técnica supervisionada de classificação; e clustering hierárquico agrupa observações por similaridade, sem modelar variáveis ocultas.

A pegadinha da banca está em atrair o candidato para a PCA, que é a técnica de redução de dimensionalidade mais conhecida em bioinformática. No entanto, o enunciado destaca "variáveis ocultas", um termo-chave que remete diretamente aos fatores latentes da análise fatorial. A PCA não modela variáveis ocultas; ela apenas cria combinações lineares das variáveis observadas. Portanto, a alternativa E é a única que atende plenamente ao requisito de considerar tanto o observado quanto o oculto.

Guarde a distinção central: PCA = combinação linear de variáveis observadas (sem latentes); Análise Fatorial = modelagem de fatores latentes que explicam as correlações. É essa fronteira que separa a alternativa correta das demais.

Alternativa A — ❌ Incorreta

A PCA (análise de componentes principais) é uma técnica de redução de dimensionalidade que transforma um conjunto de variáveis correlacionadas em um conjunto menor de componentes não correlacionados, que são combinações lineares das variáveis originais. Ela não modela variáveis ocultas — os componentes são construídos a partir das variáveis observadas, sem assumir a existência de fatores latentes. O enunciado pede explicitamente uma técnica que considere "variáveis ocultas", o que a PCA não faz. A confusão é comum porque ambas reduzem a dimensionalidade, mas a PCA é puramente uma transformação dos dados observados.

Alternativa B — ❌ Incorreta

Os modelos de mistura Gaussianos são uma técnica de clustering probabilístico que assume que os dados são gerados por uma mistura de distribuições normais (gaussianas). Embora envolvam variáveis latentes (a atribuição de cada observação a um componente da mistura), o objetivo é agrupar observações, não identificar fatores que expliquem a estrutura de correlação entre variáveis. No contexto de expressão gênica, seria usado para agrupar células ou amostras, não para analisar vias metabólicas subjacentes. A alternativa erra ao não se alinhar com o objetivo de "analisar as vias metabólicas" por meio de fatores latentes.

Alternativa C — ❌ Incorreta

A análise discriminante linear (LDA) é uma técnica supervisionada de classificação que busca encontrar uma combinação linear de variáveis que melhor separa duas ou mais classes predefinidas. Ela não considera variáveis ocultas e exige que as classes sejam conhecidas a priori, o que não é o caso do enunciado, que fala em "analisar as vias metabólicas" sem mencionar grupos predefinidos. A LDA é usada para classificação, não para descoberta de estrutura latente.

Alternativa D — ❌ Incorreta

O clustering hierárquico é um método de agrupamento que constrói uma hierarquia de clusters, seja por aglomeração (bottom-up) ou divisão (top-down). Ele agrupa observações com base em medidas de similaridade, mas não modela variáveis ocultas nem explica a correlação entre variáveis. No contexto de expressão gênica, seria usado para agrupar genes ou amostras com padrões de expressão semelhantes, mas não para identificar fatores latentes que representem vias metabólicas.

Alternativa E — ✅ Correta ⟵ GABARITO

A análise fatorial é a técnica que modela a relação entre variáveis observadas e variáveis latentes (fatores). Ela assume que a correlação entre as variáveis observadas é explicada por um número menor de fatores não observados. No contexto do enunciado, os níveis de expressão gênica (variáveis observadas) são influenciados por vias metabólicas (fatores latentes). A análise fatorial permite identificar esses fatores, reduzindo a dimensionalidade e revelando a estrutura subjacente dos dados. É exatamente o que o pesquisador precisa para "analisar as vias metabólicas" considerando tanto o observado quanto o oculto.

Gabarito: letra E