|
各位基因,请和谐表达,勿聚众闹事…
物以类聚
芯片、测序仪等高通量工具把人类对于基因的研究带入了组学时代,大量数据喷涌而来,如何解读成了重中之重。所谓物以类聚,从茫茫表达谱中抽提类似的基因,进而研究其协调/差异表达的原因和机制,考察富集的功能和通路等,不失为组学研究的好方法。
何为相似
如何评价“相似”成了首要问题。这里有几个常用的距离指标(其中c表示某特定条件):
Euclidean distance | dij=∑c(ei,c−ej,c)2−−−−−−−−−−−−√ |
Pearson correlation | dij=1−∑c(ei,c−eˉˉˉi)(ej,c−eˉˉˉj)∑c(ei,c−eˉˉˉi)2∑c(ej,c−eˉˉˉj)2√ |
Uncentered correlation (angular separation, cosine angle) | dij=1−∑cei,cej,c∑ce2i,c∑ce2j,c√ |
不同的距离函数有着不同的应用背景,各有各的用处,各有各的偏性,我们也可以自己提出合适的评价指标。然而基因表达涉及到的因素太过复杂,没有哪一个函数能够适用于所有的分析。
何以聚类
把相似的基因聚在一起的算法有很多种,常用的主要有:
hierarchical clustering | 根据数据点之间的距离远近,构造具有层次关系的嵌套树 |
k-means | 将数据点预设分成K簇,先随机选择,再不断逼近 |
self organizing map (SOM) | 假设数据点之间存在一定的拓扑结构,不断循环计算数据点的同时保持拓扑结构的映射关系 |
聚来聚去
不管用什么算法,目前都缺少一种指标来评价究竟哪种最好,也许是因为根本不知道基因表达分类的真实情况,我们只是自己强行将它们分成不同类别罢了。数据分析始终是仁者见仁,智者见智的事,多换几种算法,多做几组图表总是好的,当然也有前人的一些经验可以借鉴:
一般来说单链接聚类效果最差,全链接聚类有可能好于平均链接聚类
在数据量较大、类别较多的情况下,SOM优于k-means
Euclidean distance更适于log尺度的数据,Pearson correlation适于真实值
聚类作为数据挖掘常用的手段之一,在做基因表达分析时也因遵循数据处理的一般原则,比如考察数据是否正态分布,处理奇异点、边界值和缺失值等。
原文链接https://wenlongshen.github.io/2017/01/08/Gene-Expression-Clustering/
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-2 17:25
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社