无监督学习：基因表达谱数据聚类分析

"福建医科大学的课程介绍了基因表达谱数据的聚类分析，这是一种在无先验知识的情况下，通过无监督学习来研究样本或实验之间相似性的多变量技术。聚类分析常用于生物芯片数据的处理，旨在发现样本或基因的自然群体结构。" 在聚类分析中，关键在于确定对象之间的相似性并应用合适的聚类算法。相似性指标是衡量对象间相似程度的标准，常见的有欧氏距离、曼哈顿距离、切氏距离等几何距离，以及线性和非线性相关系数、向量间角度等。这些指标在计算两个数据点在n维空间中的距离时需满足对称性、非负性和三角不等性等基本性质。 例如，欧氏距离是最直观的距离度量，它在所有维度上直接计算两向量的直线距离。但欧氏距离对异常值敏感，因此有时会使用平方欧氏距离或标化欧氏距离来减小异常值的影响。曼哈顿距离则是沿着坐标轴方向的绝对距离之和，适用于城市街区这样的网格状结构。此外，还有切氏距离和广义欧氏距离等其他度量方式。 聚类分析分为Q型和R型。Q型聚类是对样本进行聚类，有助于质量控制、验证样本分组的正确性，以及发现潜在的亚型。而R型聚类则关注于基因，通过识别功能相关的基因和共表达模式来揭示基因之间的关系。 在实际操作中，MATLAB等工具提供了计算这些距离和进行聚类分析的功能，如pdist函数可以用来计算各种距离，进而为后续的聚类算法（如层次聚类、K均值聚类等）提供输入。通过聚类分析，研究者能从海量的基因表达数据中发现潜在的生物学规律和模式，这对于理解基因功能、疾病机制以及药物研发等领域都具有重要意义。