Блог

У меня есть список объектов hclust, полученных в результате незначительных изменений в одной переменной (для вычисления матрицы расстояний)

• теперь я хотел бы создать консенсусное дерево из этого списка.

Существует ли универсальный пакет для этого? Я пробиваюсь через некоторый код из maanova, и, кажется, это работает — но это некрасиво и требует большого взлома, поскольку я не выполняю «обычную» начальную загрузку (это химические данные).

/Palle Villesen, Denmark

 c1_list <- seq(10,100,by=10)
c2 <- 30
e<- 1
mboot <- list()
for (i in 1: length(c1_list) ) {
   c1 <- c1_list[i]
   cat("Doing C1=",c1,"...")
   x <- hclust(custom_euclidean(t(log2(data[, all] 1)), c1,c2,e), method='average')
   cat("..donen")
   mboot[[i]] <- x # To get hclust object back use mbot[[i]] to get i'th object
}

#### Now extract the robust groups from mboot...
  

Сначала взгляните на код Аллана Такера для консенсусной кластеризации, связанный с его статьей «Консенсусная кластеризация и функциональная интерпретация данных экспрессии генов».

Вот несколько других указателей:

• Вы упомянули, что используете пакет maanova; это позволяет построить консенсусное дерево из результата кластера начальной загрузки с помощью consensus() функции. Вы пробовали это?
• Пакет ape предназначен для анализа филогенетического дерева, поэтому, возможно, он не совсем уместен, но вы могли бы изучить его. В R-Help есть пример использования hclust.
• Аналогично, в пакете nem, который является частью bioconductor, есть несколько примеров.

Хм, это звучит как ускоряющий подход, применяемый к кластеризации, и быстрый поиск в Google показывает довольно существующую литературу по ускорению кластеризации. Может быть, это начало?

Что касается R-кода, всегда существуют представления задач по кластеризации и машинному обучению.