TCGA的logTPM数据进行ConsensusClusterPlus共识聚类时，算法中clusterAlg和distance最好选择什么？

在使用ConsensusClusterPlus对TCGA的logTPM数据进行共识聚类时，选择clusterAlg和distance的最佳选项会根据数据集的特点和研究目的而异。以下是一些常见的选择建议：

1. clusterAlg（聚类算法）：常见的选择有层次聚类算法（hierarchical clustering）和k均值聚类算法（k-means clustering）。
- 层次聚类算法在处理复杂数据结构时表现良好，可以帮助发现数据中的层次结构。
- k均值聚类算法在处理大规模数据时更高效，适用于需要确定聚类中心的情况。

2. distance（距离度量）：常见的选择有欧几里得距离（Euclidean distance）、曼哈顿距离（Manhattan distance）、相关系数（correlation coefficient）等。
- 欧几里得距离适用于数值型特征，对异常值敏感。
- 曼哈顿距离适用于数值型特征，对异常值不敏感。
- 相关系数适用于表达基因之间关系的特征，如基因表达量。

在选择clusterAlg和distance时，可以尝试不同组合，并使用合适的聚类评估指标（如轮廓系数、Calinski-Harabasz指数等）来评估聚类的质量。此外，根据特定的研究问题和数据集的特点，也可以尝试其他聚类算法和距离度量方法。