ixxmu
commented
1 year ago R语言机器学习系列|使用Mfuzz包进行基因表达时间趋势分析并聚类分群 by 科研生信充电宝
R语言机器学习系列
R
使用Mfuzz包进行基因表达时间趋势分析并聚类分群
- 07·09-
宜分享
使用Mfuzz包进行基因表达时间趋势分析并聚类分群
Brief Introduction
01
Mfuzz包简介：
什么是Mfuzz包？
Mfuzz包是一个用于模糊聚类（Fuzzy clustering）的R包，它提供了一套强大的工具，用于对基因表达数据进行聚类分析。模糊聚类是一种聚类方法，它允许样本在不同聚类簇之间具有模糊的隶属度，而不是严格地分配到一个确定的聚类簇中。
Mfuzz包的主要功能包括以下几个方面：
模糊C均值聚类算法（Fuzzy c-means clustering）：Mfuzz包实现了模糊C均值聚类算法，它是一种常用的模糊聚类算法。该算法通过最小化样本与聚类中心之间的距离，将样本分配到不同聚类簇中。在模糊C均值聚类中，每个样本可以属于多个聚类簇，而不是严格地属于一个特定的聚类簇。
模糊聚类评估：Mfuzz包提供了一些方法来评估模糊聚类的质量。例如，可以使用模糊聚类分配矩阵（Fuzzy clustering allocation matrix）来度量样本在不同聚类簇之间的隶属度。此外，还可以计算模糊分割矩阵（Fuzzy partition matrix）和模糊鸢尾图（Fuzzy silhouette plot）来评估聚类的紧密性和分离性。
可视化工具：Mfuzz包提供了一些可视化工具，用于直观地展示模糊聚类的结果。例如，可以绘制模糊聚类图形（Fuzzy clustering plots）来可视化聚类簇之间的相似性和差异性。还可以绘制基因的模糊聚类图（Fuzzy clustering heatmaps）来展示基因表达模式。
模糊聚类在基因表达数据分析中具有广泛的应用。它可以帮助我们发现基因表达的模式和结构，识别不同条件下的表达模式相似的基因群，以及探索样本之间的相似性和差异性。
您可以根据Mfuzz包的官方文档：
https://www.bioconductor.org/packages/release/bioc/html/Mfuzz.html
和官方网站：
http://mfuzz.sysbiolab.eu
进一步了解Mfuzz包的功能和用法。这些资源将提供更详细的信息，包括函数的参数和用法示例。
02
模糊C均值聚类算法简介：
模糊C均值聚类算法（Fuzzy c-means clustering）是一种常用的模糊聚类算法，用于将样本分配到不同聚类簇中。与传统的硬聚类方法（如k-means聚类）不同，模糊C均值聚类允许样本具有模糊的隶属度，即一个样本可以属于多个聚类簇，而不是严格地属于一个特定的聚类簇。
模糊C均值聚类算法的原理如下：
初始化：随机选择聚类中心（也称为原型向量）和一个模糊性指数（m）。
计算样本的隶属度：对于每个样本，计算它对于每个聚类中心的隶属度。隶属度表示样本属于每个聚类的程度，通常使用模糊隶属度矩阵（fuzzy membership matrix）来表示。
更新聚类中心：根据样本的隶属度，更新每个聚类中心的值，以使其更好地代表属于该聚类的样本。
重复步骤2和步骤3，直到满足停止准则（例如最大迭代次数或聚类中心的变化小于某个阈值）。
在模糊C均值聚类中，模糊性指数（m）是一个控制模糊程度的参数，通常取大于1的值。较大的m值会导致更模糊的隶属度分配，即样本可以在多个聚类中心之间具有较高的隶属度。
模糊C均值聚类算法的优势包括：
模糊隶属度：与硬聚类方法相比，模糊C均值聚类可以提供样本属于不同聚类的程度，而不是仅仅给出样本所属的唯一聚类。
对噪声和异常值的鲁棒性：由于模糊隶属度的存在，模糊C均值聚类对于噪声和异常值相对较为鲁棒，能够更好地处理这些数据的影响。
适用于数据不确定性建模：模糊C均值聚类适用于需要考虑数据不确定性的情况，能够更好地反映数据的模糊性和多样性。
软划分结果的解释性：模糊C均值聚类可以提供对样本所属聚类的模糊程度的信息，使结果更具解释性和可解释性。
然而，模糊C均值聚类也存在一些挑战和限制，包括对初始聚类中心的敏感性、计算复杂度较高以及难以处理大规模数据集等。
总而言之，模糊C均值聚类是一种强大的聚类方法，可以用于处理样本属于多个聚类的情况，提供更多样化和模糊化的聚类结果。它在基因表达数据分析和其他领域中都具有广泛的应用。
03
在聚类基因或蛋白时为什么使用Mfuzz：
聚类是基因表达数据分析的重要工具，无论是在转录物水平还是在蛋白质水平。
无监督分类通常可以揭示隐藏在基因表达数据集中的结构。目前应用的绝大多数聚类算法，使用的是硬聚类(hard partition)，即每个基因或蛋白质被精确地分配到一个聚类。对于可以区分开的数据，硬聚类是合适的。然而，这通常不适应于基因表达数据的情况，其中基因/蛋白质簇经常重叠。此外，硬聚类通常对噪声高度敏感。
软聚类（soft partition）的优势：
它生成可访问的内部簇结构，即它表明相应的簇如何很好地代表基因/蛋白质。这些附加信息可用于搜索调控元件；
其次，可以定义cluster之间的整体关系，以及一个全局集群结构；
此外，软聚类具有更强的噪声鲁棒性，可以避免基因的预过滤。这可以防止从数据分析中排除生物学相关基因/蛋白质；
04
R实例：使用Mfuzz包进行基因表达
时间趋势分析并聚类分群
① 加载和安装包：
现在，我们想要安装Mfuzz包：
# 清除变量rm(list = ls())# 设置路径setwd("D:\\2023_07_09_原创_使用Mfuzz包进行基因表达时间趋势分析并聚类分群")# 得到当前路径getwd()# 安装Mfuzz包if (!requireNamespace("BiocManager", quietly = TRUE))install.packages("BiocManager")BiocManager::install("Mfuzz")# 加载数据包library(Mfuzz)
② 导入基因在不同时间的表达量数据集：
接下来，我们将使用一个示例数据集进行模糊聚类分析。
# 导入xlsx格式数据library(readxl)# 读取xlsx格式文件data <- read_excel("D:\\2023_07_09_原创_使用Mfuzz包进行基因表达时间趋势分析并聚类分群\\gene_expression.xlsx", sheet = 1)# 查看数据前5行head(data)
可以看到我们的数据集是不同基因在Day1、Day15、Day30、Day45、Day60、Day75的表达量。
注意：在导入数据时，应按照这样的结构导入数据，如果每一个样本有多个重复，请先计算平均值后再导入。
接下来，我们美化表格显示数据：
# 加载显示表格的包library(tidyverse)library(broom)library(broom.mixed)library(gt)# 美化输出信息head(data) %>% gt() %>% fmt_auto()
③ 数据格式转换：
接下来，我们将data转为matrix格式，并且基因名作为行名：
# 将第一列作为行名data <- as.data.frame(data, stringsAsFactors = FALSE) # 将数据转换为数据框对象rownames(data)<-data[,1] #将数据框的第一列作为行名data<-data[,-1] #将数据框的第一列删除，只留下剩余的列作为数据head(data)# 将data转为matrixdata <- as.matrix(data)
④ 构建Mfuzz对象并进行预处理：
接下来，我们将构建Mfuzz对象，并处理缺失值或者异常值，最后再标准化数据。
#构建Mfuzz对象mfuzz_class <- new('ExpressionSet',exprs = data)#预处理缺失值或者异常值mfuzz_class <- filter.NA(mfuzz_class, thres = 0.25)mfuzz_class <- fill.NA(mfuzz_class, mode = 'mean')# 基因过滤mfuzz_class <- filter.std(mfuzz_class, min.std = 0)
过滤阈值是指定的，目前没有严格的过滤程序存在，因此我们避免了对基因数据进行任何先前的过滤。这可以防止可能具有生物学重要性的基因丢失。
#标准化数据mfuzz_class <- standardise(mfuzz_class)
⑤ 使用Mfuzz进行聚类：
接下来，我们将使用一个示例数据集进行模糊聚类分析。
# Mfuzz 基于 fuzzy c-means 的算法进行聚类#需手动定义目标聚类群的个数，例如这里我们设定为 10，即期望获得 10 组聚类群#需要设定随机数种子，以避免再次运行时获得不同的结果set.seed(123)cluster_num <- 10# 将使用mfuzz包中的mfuzz函数进行模糊聚类mfuzz_cluster <- mfuzz(mfuzz_class, c = cluster_num, m = mestimate(mfuzz_class))
注意：对于模糊c均值聚类，需要事先选择m和聚类个数c。
⑥ 聚类结果可视化：
接下来，我们对聚类结果进行可视化展示。
# Mfuzz聚类可视化作图#time.labels 参数设置时间轴，需要和原基因表达数据集中的列对应#颜色、线宽、坐标轴、字体等细节也可以添加其他参数调整，此处略，详见函数帮助mfuzz.plot2(mfuzz_class, cl = mfuzz_cluster, mfrow = c(2, 5), time.labels = colnames(data))
注意：聚类通常用于揭示基因表达的调控机制。众所周知，基因的调节通常不是以on-off的方式进行的，而是以循序渐进的方式进行的，这使得更好控制基因的功能。聚类算法应该能区分基因与主要聚类模式的紧密程度。
软聚类（soft cluster）是这个目的的一个很好的候选方法，因为它可以将基因i 在聚类j中分配一个 membership μij。membership的值可以在0到1之间连续变化。这个特性使得soft cluster能够提供更多关于基因表达数据结构的信息。
对于软聚类（soft cluster），聚类中心Cj是所有聚类成员的加权的结果，显示了聚类的整体表达模式。隶属度μij表示聚类cj对基因i的代表程度。μij值较低表明cj对基因i的表达较差。μij值较大，说明基因i的表达与簇质心cj高度相关。membership μij在mfuzzy .plot生成的图中以颜色编码。这有助于识别基因簇中的时间模式。
⑦ 聚类结果提取：
接下来继续在上述已获得的聚类结果中，提取10个聚类群中包含的gene集合。
7.1 查看每个聚类群中各自包含的gene数量
# 查看每个聚类群中各自包含的gene数量cluster_size <- mfuzz_cluster$sizenames(cluster_size) <- 1:cluster_numcluster_size
7.2 查看每个gene所属的聚类群
#查看每个gene所属的聚类群head(mfuzz_cluster$cluster)
7.3 查看各gene的 membership 值
Mfuzz 通过计算一个叫 membership 的统计量判断蛋白质所属的聚类群，以最大的 membership 值为准
# Mfuzz 通过计算一个叫 membership 的统计量判断蛋白质所属的聚类群，以最大的 membership 值为准# 查看各gene的 membership 值head(mfuzz_cluster$membership)
注意：membership也可以表示向量之间的相似性。如果两个基因表达载体对一个特定的c簇具有较高的membership，则它们通常彼此相似。这是定义集群核心的基础。我们证明membership大于所选阈值α的基因属于聚类的α-核心。
7.4 提取所有gene所属的聚类群导出
#最后，提取所有gene所属的聚类群，并和它们的原始表达值整合在一起gene_cluster <- mfuzz_cluster$clustergene_cluster <- cbind(data[names(gene_cluster), ], gene_cluster)head(gene_cluster)write.csv(gene_cluster, 'gene_cluster.csv')
7.5 提取分析过程中标准化后的表达值并导出
# 提取分析过程中标准化后的表达值（绘制曲线图用的那个值，而非原始蛋白表达值）gene_cluster <- mfuzz_cluster$clustergene_standard <- mfuzz_class@assayData$exprsgene_standard_cluster <- cbind(gene_standard[names(gene_cluster), ], gene_cluster)head(gene_standard_cluster)write.csv(gene_standard_cluster, 'gene_standard_cluster.csv')
现在：
长按扫码关注：科研生信充电宝
10元赞赏本文，即喜欢作者~
即可直接解锁：
《使用Mfuzz包进行基因表达时间趋势分析并聚类分群》全套代码和源文件
看到这里你还不心动吗？
赶紧关注、转发、点赞、分享，领取你的专属福利吧~
好啦，以上就是今天推文的全部内容啦！
今天的分享就到这里啦~
另外，本公众号建立了R语言和Python学习分享群，联系后台，拉您入群。
或直接添加小编，拉您入群：
版权声明：本文内容由互联网用户自发贡献，版权归作者所有，本公众号不拥有所有权，也不承担相关法律责任。
如果您发现本公众号中有涉嫌抄袭的内容，欢迎发送邮件至：kysxcdb@163.com 进行举报，一经查实，本公众号将立刻删除涉嫌侵权内容。
BIOINFOR
微信号｜科研生信充电宝
· BIOINFOR ·
永远相信美好的事情
即将发生
https://mp.weixin.qq.com/s/wi8eR2iuhbWge5UGs2nQGA