层次聚类在生物信息学中广泛应用于挖掘基因表达谱、蛋白质组学、代谢组学等高通量数据的模式识别和数据挖掘。具体而言，层次聚类可以将大量的高维数据转化为低维的聚类树，从而揭示数据之间的内在关系和相似性。

在基因表达谱聚类中，层次聚类可以将基因按照其表达模式分成不同的簇，从而发现具有类似表达模式的基因集合，进一步挖掘基因调控网络和生物学意义。

在蛋白质组学聚类中，层次聚类可以将蛋白质按照其功能类别和表达模式分成不同簇，进一步研究蛋白质功能和相互作用网络。在代谢组学聚类中，层次聚类可以将代谢产物按照其代谢途径和生理功能分成不同簇，进一步研究代谢网络和生物学意义。在生物序列聚类中，层次聚类可以将不同序列按照其相似性和功能特征分成不同簇，进一步研究序列演化和生物学意义。

层次聚类结果的可视化通常是一棵树形结构，也称为树状图（dendrogram）。在树状图中，每个节点代表一个聚类簇，节点的高度表示该聚类簇与其它聚类簇的距离或相似性。树状图的根节点代表所有样本的聚类簇，叶节点代表单个样本。

树状图的横轴通常表示样本或特征，纵轴表示距离或相似性。在树状图中，每个样本或特征在叶节点处，其所属的聚类簇可以通过根节点到叶节点的路径来确定。在树状图中，聚类簇的数量由横轴上的划分线（或虚线）决定，可以通过调整划分线的位置来控制聚类簇的数量。

在观察树状图时，可以通过以下方式来解读聚类结果：

“hclust”函数是R语言中的一个层次聚类函数，用于对数据进行层次聚类分析。该函数基于距离矩阵，可以通过不同的距离度量方法（如欧氏距离、曼哈顿距离、皮尔逊相关系数等）来计算样本之间的距离。在进行层次聚类时，该函数可以使用不同的聚类算法（如单链接、完全链接、平均链接等）来计算样本之间的相似性，从而将样本分成不同的簇。

“hclust”函数的基本语法如下：

其中，d是一个距离矩阵或相似性矩阵，method是聚类算法的选择（默认为“complete”，即完全链接算法）。该函数的返回值是一个树形结构，表示样本之间的层次聚类关系。可以通过plot函数将树形结构可视化，从而更好地理解聚类结果。

除了基本语法外，”hclust”函数还可以通过其他参数进行定制化设置，如：

“method”参数可以设置聚类算法的选择，包括单链接算法（”single”）、完全链接算法（”complete”）、平均链接算法（”average”）等；

“members”参数可以设置每个簇的最小样本数；

“dist.method”参数可以设置距离度量方法的选择，包括欧氏距离（”euclidean”）、曼哈顿距离（”manhattan”）等。

“hclust”函数在生物信息学中广泛应用于基因表达谱、蛋白质组学、代谢组学等高通量数据的聚类分析。通过”hclust”函数，可以将样本或特征分成不同的簇，揭示数据之间的内在关系和相似性，进一步挖掘数据的生物学意义。

以biopsy数据为例，首先我们对数据进行预处理，将变量的类型转换成数值类型，提取出只含有特征变量的矩阵。

其中每个样本对应一个行，每个聚类簇对应一种颜色，可以直观地展示样本之间的相似性和聚类簇之间的差异。

小师妹今天主要介绍了层次聚类（Hierarchical Clustering）算法的基本原理、应用场景和实现方法。层次聚类是一种无需预先指定聚类簇数量的聚类方法，可以根据数据的内在结构和相似性将样本或特征分成不同的簇，通常用于数据挖掘、生物信息学、社会网络分析等领域。

更多方便实用的小工具在云生信平台等着你哦

http://www.biocloudservice.com/home.html