福建医科大学：凝聚法聚类过程详解与基因表达数据分析

凝聚法聚类过程是一种在生物医学数据分析领域广泛应用的统计方法，特别是在基因表达数据分析中，用于寻找样本或变量之间的相似性和组织结构。其核心步骤可以概括为以下几个关键环节： 1. 初始阶段：首先，将所有n个样品（或变量）视为独立的类别，每个单独成一类，形成初始的n类体系。 2. 合并步骤：然后，根据预先设定的"距离"准则（例如欧氏距离、曼哈顿距离等几何距离，或者线性/非线性相关系数等度量方法），计算样本或变量之间的相似度。这个过程通常涉及构建一个距离矩阵，记录每对样本或变量之间的距离。 3. 聚类合并：每次迭代中，选择两个距离最近的类别进行合并，形成新的更大类别。这一步骤会重复进行，直到所有样本（或变量）都归入同一类别，形成了最终的聚类结果。 4. 质量控制：在基因表达数据的聚类分析中，除了聚类过程外，还会用到实验样本的质量控制来确保数据的准确性和一致性。比如，可以通过比较样本是否按照已知类别分布来评估聚类效果，或者发现潜在的亚型。 5. 目的明确：对于样本聚类（Q型聚类），主要目标可能包括检测实验样本的异质性，而对基因的R型聚类则有助于识别功能相关的基因和共表达模式。 6. 距离尺度函数的选择：在计算相似性时，选择适合的距离尺度函数至关重要。例如，欧氏距离考虑了所有维度间的相对比例，曼哈顿距离则只考虑绝对距离，这些都反映了不同的距离度量策略。 7. 计算工具：在实际操作中，如MATLAB等统计软件提供了便利的工具，如`pdist`函数，可以方便地计算样本间的距离，这对于大规模数据分析尤其有用。 通过凝聚法聚类过程，研究人员能够揭示复杂数据集中的内在结构，为后续的数据解读和生物学研究提供有价值的信息。这种方法属于无监督学习，因为它不需要预先知道数据的分类，而是依赖于数据本身的相似性来构建类别结构。