bulk基因聚类图kmeans绘制与分析

小杜的生信笔记，自2021年11月开始做的知识分享，主要内容是 R语言绘图教程 、 转录组上游分析 、 转录组下游分析 等内容。凡事在社群同学，可免费获得自2021年11月份至今全部教程，教程配备事例数据和相关代码，我们会持续更新中。

K-means聚类分析概述

聚类分析用于将表达模式相同或相近的基因聚集成类，进而识别未知基因的功能或已知基因的未知功能，这些同类基因可能具有相似的功能，共同参与同一代谢过程或存在于同一细胞通路中。K-means称为K-均值聚类；k-means聚类的基本思想是根据预先设定的分类数目，在样本空间随机选择相应数目的点做为起始聚类中心点；然后将空间中到每个起始中心点距离最近的点作为一个集合，完成第一次聚类；获得第一次聚类集合所有点的平均值做为新的中心点，进行第二次聚类；直到得到的聚类中心点不再变化或达到尝试的上限，则完成了聚类过程。

聚类分析的重要性

在多组学分析中，趋势图是常见的图形之一，而聚类分析则是构建这类图形的基础。通过聚类，我们可以识别相似表达模式的基因，进而进行更深入的生物学解读。

推荐分析包 ClusterGVis

ClusterGVis 包可以使用 k-means 或 mfuzz 进行聚类分析。具体操作，自己动手做一下即可。

数据准备与预处理

一般，我们输入的都是 宽数据矩阵，如下所示：

cluster 是我们已经做好分类的列。

转换成长数据矩阵

data2 <- pivot_longer(data1, cols = -c(sample, cluster), names_to = "group", values_to = "value")

调整列的顺序

data2 <- data2[, c("sample", "value", "group", "cluster")]
data2

绘制趋势图

计算均值

df2 %
  group_by(cluster, group) %>%
  summarise(value = mean(value))
df2

绘制方法一

ggplot(data2, aes(x = group, y = value)+)
gm_line(aes(group = sample), color = "grey90", size = 0.5)+
  ##'@X轴因子固定，结合自己的数据进行修改
  scale_x_discrete(limits = c("sample1", "sample2", "sample3", "sample4", "sample5")) +
  geom_line(data = df2, aes(x = group, y = value, group = 1), color = "red", size = 1)+
  facet_wrap(~ factor(cluster), nrow = 2)

绘制方法二

ggplot(data2, aes(x = group, y = value)+)
gm_line(aes(group = sample), color = "grey90")+
  ##'@X轴因子固定，结合自己的数据进行修改
  scale_x_discrete(limits = c("sample1", "sample2", "sample3", "sample4", "sample5"))+
  stat_summary(aes(group = 1), fun.y = "mean", geom = "line", size = 1, color = "red")+
  theme_classic(base_size = 14)+
  theme(axis.ticks.length = unit(0.1,'cm'),
        axis.text.x = element_text(angle = 45,
                                       hjust = 1,color = 'black'),
        strip.background = element_blank())+
  facet_wrap(~factor(cluster), nrow = 2)+
  ylab('Normalized expression') + xlab(NULL)

图形其余美化，结合自己的需求进行调整即可。

聚类分析的应用

聚类分析在基因表达数据中的应用

聚类分析在基因表达数据中可以用于鉴定共表达基因，这对于理解基因的功能和调控网络至关重要。

鉴定共表达基因

通过聚类分析，我们可以将表达模式相似的基因聚为一类，进而分析这些基因的生物学功能。

聚类分析在蛋白质组学中的应用

在蛋白质组学中，聚类分析同样重要，可以帮助我们识别参与相同生物学过程的蛋白质。

识别关键蛋白质

通过分析蛋白质表达模式的聚类，我们可以识别在特定生物学过程中起关键作用的蛋白质。

FAQ

问：什么是K-means聚类？

答：K-means聚类是一种将数据点分成K个簇的算法，使得簇内的点尽可能相似，簇间的点尽可能不同。

问：如何选择合适的K值？

答：选择合适的K值可以通过多种方法，如肘部法则、轮廓系数等，这些方法可以帮助我们评估不同K值下的聚类效果。

问：K-means聚类有哪些优缺点？

答：K-means聚类的优点包括简单、高效，适用于大规模数据集；缺点包括对初始质心敏感，可能需要多次运行以获得稳定结果，且对噪声和离群点敏感。

问：如何处理聚类结果中的离群点？

答：处理离群点可以采用多种策略，如在聚类前预处理数据以识别和移除离群点，或者使用对离群点不敏感的聚类算法，如K-medoids。

问：聚类分析在生物信息学中有哪些应用？

答：聚类分析在生物信息学中有广泛的应用，包括基因表达数据的分析、蛋白质组学数据的分析、代谢组学数据的分析等，可以帮助我们识别共表达的基因、关键蛋白质和重要代谢物。