识别无监督类的工具包ConsensusClusterPlus

导语

GUIDE ╲

一致性聚类（Consensus Clustering）是一个能够确定数据集（微阵列基因表达）中可能聚类的数量和成员的方法。这种方法在癌症基因组学研究中广泛普及，用于发现新的疾病的分子亚型。

方法简介

Consensus Clustering是从一组样本（items）数据(如微阵列)中进行子抽样，并确定指定簇数(k)的簇。对于每个k，计算配对的一致性值consensus values，即两个样本在同一子样本中出现的次数占同一聚类的比例，并存储在一个对称的共识矩阵（consensus matrix）中。共识矩阵汇总在几个图形展示中，使用户能够决定合理的聚类数量和成员。

R包介绍

使用ConsensusClusterPlus有三个主要步骤：

①准备输入数据

②运行程序

③计算聚类一致性（cluster-consensus）和样本一致性（item-consensus）。

1. 准备输入数据

输入的是要进行聚类的数据，这些数据可能是一个实验的结果，如mRNA表达芯片或免疫组织化学染色强度。输入数据是一个矩阵，其中列是样本，行是特征，单元格是数值。接下来我们使用ALL包的基因表达数据进行介绍。

BiocManager::install("ConsensusClusterPlus")
library(ConsensusClusterPlus)
 
library(ALL)
data(ALL)
d=exprs(ALL) #提取表达数据
d[1:5,1:5]

为了选择信息最丰富的基因进行类的识别，将数据集减少到前5000个最可变（most variable）的基因（通过中位数绝对偏差度量，MAD）。对5000个基因和MAD的选择也可以用其他统计变异筛选方法代替。用户可以决定是否使用筛选方法或使用筛选方法的类型。另一种选择是为取样基因提供权重（方法：weightsFeatures）

mads=apply(d,1,mad) #MAD测度
d=d[rev(order(mads))[1:5000],] #提取前5000个基因

如果想要转换或标准化数据，可以很容易地使用其他Bioconductor methods或一个简单语句。该包选择使用皮尔逊相关距离（Pearson correlation distance）的聚类遗传算法为默认设置。

d = sweep(d,1, apply(d,1,median,na.rm=T))
#sweep是一个循环函数
#这里首先用apply计算每列的中值
#然后用每个基因在样本中的表达值减中值，是一个标准化方法
d[1:5,1:5]

d矩阵将用于聚类计算

2. 运行 ConsensusClusterPlus

（1）运行

title="C:\\Users\\DELL\\Desktop"  #设置输出文件的保存位置
results = ConsensusClusterPlus(
         d,maxK=6, #聚类的最大类数，所以会评估聚2类、3类...6类
         reps=50, #50个重采样
         pItem=0.8,  #重采样样本为80%  
         pFeature=1, #重采样基因为80%  
         title=title, #输出文件的保存位置
         clusterAlg="hc", #聚合层次聚类算法
         distance="pearson", #Pearson 相关距离
         seed=1262118388.71279,
         #设置特定的随机种子，使例子是可重复的
         plot="png")

在我们实际计算时，建议使用更高的reps（如1,000），以及更高的 cluster count（如20）。

ConsensusClusterPlus的输出是一个列表，其中列表中的元素对应于第k个簇的结果，例如results[[2]]就是k=2的结果结果。

（2）结果展示

①例：聚两类时的consensus matrix

②例：聚两类时的hclust对象

③例：聚两类时的样本分类信息

（3）输出聚类图

①第一张图为颜色图例

②第二至六张图为聚类图

③第7张图为一致累积分布函数（Consensus Cumulative Distribution Function，CDF）图

该图展示每一种聚类（不同K）的一致累积分布函数图，以帮助用户确定当CDF达到最大时的k的选择，这样一致性和聚类置信达到最大。

④Delta Area

是CDF曲线比较k和k−1下面积的相对变化，当k = 2时，没有k -1，所以绘制的是曲线下的总面积，而不是相对增加的面积。此帮助用户确定共识的相对增加，以及没有明显增加的k值。

⑤Tracking Plot

此图显示了按颜色对每个k(行)样本(列)的各类分配。经常更改集类(在列中更改颜色)的说明成员关系不稳定。

3. 生成类和样本一致性

（1）计算cluster-consensus and item-consensus

icl = calcICL(results,title=title,plot="png")
#icl是两元素的列表，分别是cluster-consensus和item-consensus测度
icl[["clusterConsensus"]]

icl[["itemConsensus"]][1:5,]

（2）一致性图示

①聚类一致性图示

这是各类成员之间所有配对一致值的平均值分布。高值表示该类具有高稳定性，低值表示类具有低稳定性。

②样本一致性图示

是一个样本与特定类中的所有样本一致性的平均值。Item-consensus值由条形图的有色部分的高度表示，其颜色对应于通用的配色方案。条形的矩形按从下到上递增的值排列。顶部的星号表示每个样本的consensus cluster。

小编总结

今天介绍的聚类R包可以说是非常方便省事的一款聚类方法了，可以让我们直观的评估出最优的聚类分布，这个包在近期的一些生信分析中是很热门的，大家可以动手操作试试哦！