[유전체 분석] R을 이용한 clustering

Clustering

데이터를 기반으로 비슷한 특성을 갖는 값들을 집단으로 분류하는 과정이다.

비지도 학습으로 집단의 개수, 분류 기준에 따라 결과가 달라진다.

---

목차.

 

유전체 분석에서 많이 사용되는 clustering 방법

    1. Hierarchical clustering

    2. Consensus clustering

    3. NMF clustering

 

Expression Set의 데이터 전처리(cluster 하기 위한)

---

유전체 분석에서 많이 사용되는 clustering 방법

● Hierarchical clustering

 

가장 일반적으로 사용되는 방법이다.

가장 비슷하다고 생각되는 것을 묶어가며 군집화 한다. 최종적으로 1개의 군집이 될 때까지 진행한 뒤 그래프를 기준으로 적당한 클러스터 개수에서 분류한다. 아래 그림에서 빨간 선을 기준으로 clustering 하면 총 2개의 집단으로 나눈다.(초록, 빨강)

 

▶ 가장 비슷하다는 기준은 거리를 이용한다. 거리가 가까울수록 비슷한 sample이 된다.

 

- Euclidean distance: 일반적인 거리, 실생활에서 사용하는 직선거리를 의미한다.

 

- Manhattan distance: 좌표를 따라 움직이는 거리, 축을 따라 움직여 차이나는 값을 의미한다.

 

- Correlation distance: 실제 값이 아닌 상관계수를 거리로 사용한다. 값의 차이가 아닌 변화의 추세를 이용한다.

 

거리 예시

A = (1 , 2), B = (4,-2)


Euclidean distance  = $\sqrt{(4-1)^2 +(2-(-2))^2} = 5$


Manhattan distance = $|4-1| + |2-(-2)| = 7$

 

▶ 기준 거리 값, 집단과 집단 간의 거리의 기준을 정해야 한다.

 

- 가장 가까운 sample 간 거리 : single linkage

 

- 가장 먼 sample간 거리 : complete linkage

 

- 모든 sample의 거리 평균 : average linkage

▶ R 코드

# 거리행렬 구하기

d <- dist(행렬, diatance = 'euclidean') # 원하는 거리 종류를 입력한다. 각 행을 하나의 sample로 인식

# hierarchical clustering

hc <- hclust(d, method = 'single') # 거리 행렬과 거리 기준을 입력한다.

# 그래프 보기

plot(hc)

# 클러스터 개수를 정해 sample별로 나누기

cutree(hc, k=3) # k값에 나눌 집단의 개수를 넣는다.

 

▶ Heatmap

 

2차원 데이터를 시각화하는 방법이다. 유전체 데이터의 경우 column은 유전자 row는 sample인 경우가 대다수이다.

어떤 sample에서 특정 유전자의 발현량을 색으로 나타내서 전체적인 특징을 눈으로 파악할 수 있게 도와준다.

또 R의 heatmap 함수들은 column별, row별 hierarchical clusteringa을 함께 진행하기 때문에 집단별 특징을 파악하는데 유용하다.

 

▶ R 코드

# R base

heatmap(sclae(행렬))

# gplot library

library(gplot)

hc2 <- heatmap.2(sclae(행렬))

# pheatmap libarary

library(pheatmap)

pheatmap(sclae(행렬))

# Heatmap에서 hclust 가져오기

as.hclust(hc2$colDendrogram) # rowDendrogram도 가능

cutree(as.hclust(hc2$colDendrogram), k=3)

---

Consensus Clustering

Bioconducter package 'ConsensusClusterPlus'를 이용한 방법이다.

여러 클러스터링 방법을 앙상블 하여 나타낸 군집을 나타낸다. 군집의 개수를 정할 수 있는 다양한 그래프를 보여준다.

 

▶ consensus matrix

 

특정 개수의 군집으로 나누었을 때 공통으로 분류되는 비율을 색으로 보여주는 그래프, 그래프가 깔끔할수록 좋은 개수다.

 

아래 그림에서 k=7일 때 가장 깔끔한 모습을 보인다. (모자이크처럼 지지직 거리는 부분이 없다.)

▶ consensus CDF & Delta area

 

consensus CDF

 

클러스터 개수에 따라 consensus index 값들의 누적 값 그래프이다. 색 0~1을 기준으로 전체 에서의 비율의 값을 누적 그래프로 표현

(index = 0인 점의 의미: 색 0(흰색)의 비율, index = 0.5의 의미: 색 0.5 보다 작은 값들의 비율)

Delta area

 

각 클러스터 개수의 consensus CDF에서 index가 0.9인 값과 0.1인 값의 차이를 나타낸 그래프 elbow method처럼 아래로 툭 튀어나온 클러스터의 값을 군집 개수로 정한다.

▶ R 코드

library(ConsensusClusterPlus)

# clustering

# plot = 저장할 방식,title = 저장할 폴더 이름

# 폴더안에 그래프를 저장해준다. consensus matrix, cdf, delta area

cc <- ConsensusClusterPlus(행렬, maxK=5,plot='png',title='ALL')

# 군집 개수 정하고 분류 가져오기

cc[[3]]$consensusClass # 3개의 군집으로 나눈 결과 가져온다.

---

NMF clustering

행렬 분해를 이용한 분류 방법, 음수가 없는 데이터를 음수가 없는 행렬로 분해한다. 유전체 데이터에서 발현량을 측정값으로 사용하기 때문에 유전자별, sample별로 분해할 때 음수의 값을 가질 수 없다. 따라서 유전체 분석에서 NMF는 유용한 방법이다.

또한 유전자별, sample별로 분해하기 때문에 특정 군집에서 어떤 유전자가 대표적인 유전자 인지 알 수 있다는 장점이 있다.

chphenetic plot에서 값이 1에 가까운 지점을 군집 개수로 한다.

 

▶ R 코드

library(NMF)

# clustering

nmf <- NMF(행렬, rank = 2:5) # 오래걸린다

# 결과 시각화

nmf$fit # 결과

consensusmap(nmf$fit) # consensus matrix

plot(nmf$fit) # cophenetic plot을 포함한 여러 그래프

# 군집 개수별 결과 가져오기

predict(nmf$fit[[1]]) # rank에서 지정한 값들의 순서를 입력한다. 이번 예시에서는 k=2를 가져오기 위해 1 

---

Expression Set의 데이터 전처리(cluster 하기 위한)

Expression Set 중 assayData를 이용하여 클러스터링을 진행하기 위해 각 방법별 전 처리과정이 필요하다.

 

● assayData

# ExpressionSet에서 assayData 가져오기

expr <- exprs(ExpressionSet)

● 변화가 있는 유전자 고르기

 

mad를 이용하여 변화가 있는 값을 골라낸다. mad에 대한 설명

[기초 통계학 :: R 실습] MAD(Median Absolute Deviation)을 이용한 아웃라이어 색출하기!

# mad값 구하기

mad_gene <- apply(expr,1,mad) # row 별로 적용

# mad값 분포 확인 후 기준값을 정하고 필터링

quantile(mad_gene) # 중앙값을 기준으로 하겠다. 중앙값=0.7이라 가정

f.expr <- expr[mad_gene>0.7,]

 

● distance 구하기

 

dist() 함수는 row를 하나의 sample로 하여 거리를 구한다. expr에서는 column이 sample이므로 t() 함수를 이용해 전치한다.

d <- dist(t(f.expr))

 

● heatmap 그리기

 

heatmap에서 색으로 변화를 보기 때문에 center를 0으로 맞춰주는 것이 좋다.

gene_mean <- apply(f.expr,1,mean) # gene 별

f.cen.expr <- f.expr - gene.mean

 

● NMF

 

NMF를 진행하기 위해서는 음의 값이 없어야 한다. (기본적으로 발현량은 0보다 크다.)

f.expr을 사용한다.