2024-06-17

两行代码10+张图的聚类神器ConsensusClusterPlus（上）

小师妹生信果 2023-06-23 19:00:29

转自公众号：R语言学徒
http://mp.weixin.qq.com/s?__biz=Mzg5MDk3Mzg4OA==&mid=2247484109&idx=1&sn=ddc1dfa14ba5ec2aeeebf3c6b21833db

{ 点击蓝字，关注我们 }

在生物信息分析的过程中，我们常常需要用到聚类分析，今天小师妹就给大家带来一个聚类神器ConsensusClusterPlus～

ConsensusClusterPlus是一个基于共识聚类（Consensus Clustering）的R包，用于对高维数据进行聚类分析。共识聚类是一种基于重复抽样的聚类方法，它通过对多次随机抽样得到的数据子集进行聚类分析，并将多次聚类结果进行整合，从而得到更加鲁棒和稳定的聚类结果。

ConsensusClusterPlus包拥有多种聚类算法选项，包括k-means、hierarchical clustering、PAM等。该包支持在不同聚类数（k值）下运行共识聚类，并且能够自动选择最优的聚类数，同时还提供了可视化工具，例如跟踪图、共识矩阵等，方便用户对聚类结果进行分析和解释。

在使用ConsensusClusterPlus时，需要设置一些参数以获得最佳的聚类结果。下面是ConsensusClusterPlus中常用的参数介绍：

d：要聚类的数据；要么是一个数据矩阵，其中 columns=items/samples 和 rows 是特征。例如，行中基因和列中微阵列的基因表达矩阵，或 ExpressionSet 对象，或距离对象（仅适用于没有特征重采样的情况）

distance：距离度量方法，可以是欧几里得距离（”euclidean”）、相关系数（”correlation”）、皮尔逊相关系数（”pearson”）等。

maxK：聚类数范围，最大聚类数，需要是一个整数值。

seed：为可重现的结果设置随机种子。

reps：重复次数，表示在每个聚类数下进行的随机抽样次数。

pItem：项目（列）的子集大小，表示在每个重复中要抽样的特征数，通常设置为数据集的平方根。

clusterAlg：聚类算法，可以是k-means（”km”）、hierarchical（”hc”）、PAM（”pam”）等。

pItemReplace：在每个重复中是否替换选定的项目（列）。

verbose：是否显示迭代过程的详细信息，如果为 TRUE，则将消息打印到屏幕以指示进度。这对于大型数据集很有用。

verbosePlot：是否显示绘图的详细信息。

tmyPal：共识矩阵的可选颜色特征向量。

ml：先前的结果，如果提供则只做图形和表格。

title：输出目录的字符值。仅当 plot 不为 NULL 或 writeTable 为 TRUE 时才创建目录。此标题可以是绝对路径或相对路径。

plot：字符值。NULL – 打印到屏幕，用于位图 png 的 ‘pdf’、’png’、’pngBMP’，有助于大型数据集。

writeTable：TRUE – 将输出和日志写入 csv。

weightsItem：用于抽样项目的权重。

weightsFeature：用于抽样特征的权重。

res：consensusClusterPlus 的结果。

innerLinkage：用于子采样的分层链接方法。

finalLinkage：共识矩阵的层次链接方法。

接下来就让小师妹以GEO数据库中的GSE10245数据集为例带你使用ConsensusClusterPlus，该数据集包含了人类肺癌组织和正常肺组织的基因表达数据。

#导入数据library(GEOquery)gse <- getGEO("GSE10245")data <- exprs(gse[[1]])#数据预处理，进行数据标准化library(limma)data <- normalizeBetweenArrays(data, method="quantile")#导入ConsensusClusterPlus包，对数据进行聚类library(ConsensusClusterPlus)ccp <- ConsensusClusterPlus(data, maxK=5, reps=100, distance="pearson", clusterAlg="km")