Editorial Ilmu Sosial
Open AccessOA2024
Bias Principal Component Analysis (PCA) dalam Studi Antropologi Fisik Menuntut Evaluasi Ulang Wawasan Evolusi
Sebuah studi baru mengevaluasi pendekatan dua langkah standar Generalized Procrustes Analysis (GPA) yang diikuti Principal Component Analysis (PCA) dalam antropologi fisik, dan menemukan bahwa hasil PCA tidak andal, tidak robust, maupun tidak reproducible. Para penulis memperkenalkan MORPHIX, sebuah paket Python yang menunjukkan bahwa pengklasifikasi supervised machine learning mengungguli PCA untuk klasifikasi dan deteksi taksa baru.
Nima Mohseni; E. Elhaikยท bioRxivยท 2024ยท DOI 10.1101/2023.12.06.570437
Masalah inti
Antropolog fisik, termasuk paleoantropolog, anatom, dan ontogenis, mengandalkan morfometrika geometrik untuk menganalisis bentuk fisik seperti morfologi tengkorak secara kuantitatif. Alur kerja standar melibatkan dua langkah: Generalized Procrustes Analysis (GPA) untuk menyuperimposisikan koordinat landmark, diikuti Principal Component Analysis (PCA) untuk memproyeksikan data ke variabel tak berkorelasi guna visualisasi dan interpretasi. Hasil PCA umumnya digunakan untuk menarik kesimpulan fenetik, evolusioner, dan ontogenetik. Namun, tantangan terkini terhadap penggunaan PCA dalam studi genetika telah menimbulkan kekhawatiran tentang peran sentralnya dalam morfometrika. Studi ini bertujuan mengevaluasi akurasi, robustness, dan reproducibility PCA dalam antropologi fisik, terutama mengingat kasus kontroversial seperti Homo Nesher Ramla, hominin arkaik dengan taksonomi yang dipertanyakan. Para penulis mengembangkan MORPHIX, paket Python untuk memproses data landmark tersuperimposisi dengan metode pengklasifikasi dan deteksi outlier, guna menguji PCA terhadap data benchmark tengkorak dari lima genus papionin.
Inovasi
Para penulis menggunakan data benchmark berupa tengkorak dari lima genus papionin. Mereka mengembangkan MORPHIX, paket Python yang memproses data landmark tersuperimposisi menggunakan metode pengklasifikasi dan deteksi outlier, dengan kemampuan visualisasi. Studi ini membandingkan hasil PCA dengan pengklasifikasi supervised machine learning untuk tugas klasifikasi dan deteksi taksa baru. Metodologi melibatkan penerapan GPA untuk memperoleh koordinat tersuperimposisi, lalu melakukan PCA untuk memproyeksikan data ke komponen utama. Akurasi, robustness, dan reproducibility PCA dinilai dengan membandingkan hasilnya dengan hasil dari pengklasifikasi machine learning. Para penulis juga mengkaji penggunaan PCA dalam inferensi filogenetik, dengan menggunakan kasus Homo Nesher Ramla sebagai contoh. Analisis berfokus pada apakah hasil PCA merupakan artefak data masukan dan apakah metode alternatif memberikan klasifikasi yang lebih andal.
Pendahuluan
Antropolog fisik, termasuk paleoantropolog, anatom, dan ontogenis, mengandalkan morfometrika geometrik untuk menganalisis bentuk fisik seperti morfologi tengkorak secara kuantitatif. Alur kerja standar melibatkan dua langkah: Generalized Procrustes Analysis (GPA) untuk menyuperimposisikan koordinat landmark, diikuti Principal Component Analysis (PCA) untuk memproyeksikan data ke variabel tak berkorelasi guna visualisasi dan interpretasi. Hasil PCA umumnya digunakan untuk menarik kesimpulan fenetik, evolusioner, dan ontogenetik. Namun, tantangan terkini terhadap penggunaan PCA dalam studi genetika telah menimbulkan kekhawatiran tentang peran sentralnya dalam morfometrika. Studi ini bertujuan mengevaluasi akurasi, robustness, dan reproducibility PCA dalam antropologi fisik, terutama mengingat kasus kontroversial seperti Homo Nesher Ramla, hominin arkaik dengan taksonomi yang dipertanyakan. Para penulis mengembangkan MORPHIX, paket Python untuk memproses data landmark tersuperimposisi dengan metode pengklasifikasi dan deteksi outlier, guna menguji PCA terhadap data benchmark tengkorak dari lima genus papionin.
Mengapa penting
Temuan ini menantang penggunaan PCA yang luas dalam antropologi fisik dan inferensi filogenetik. Para penulis berargumen bahwa keterbatasan PCA berasal dari sensitivitasnya terhadap data masukan, yang dapat menyebabkan interpretasi menyesatkan tentang hubungan evolusioner. Mereka mengusulkan bahwa pengklasifikasi supervised machine learning menawarkan alternatif yang lebih akurat untuk klasifikasi dan deteksi outlier. Implikasi studi ini mencakup ribuan studi terbitan yang telah mengandalkan PCA, yang menunjukkan perlunya evaluasi ulang atas klaim sebelumnya mengenai asal-usul dan kekerabatan antar- dan intra-spesies. Para penulis menekankan bahwa karya mereka dapat digunakan untuk meningkatkan rekonstruksi filogenetik dan taksonomi dengan menyediakan kerangka metodologis yang lebih andal. Mereka juga mencatat bahwa penggunaan PCA dalam studi genetika sebelumnya telah ditantang, dan temuan mereka memperluas kekhawatiran tersebut ke morfometrika. Pengembangan MORPHIX menyediakan alat bagi para peneliti untuk memproses data landmark dengan pengklasifikasi canggih dan deteksi outlier, sehingga memfasilitasi analisis yang lebih robust.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ