生物信息学概论——聚类分析TCGA-BRCA数据

资源下载地址：https://download.csdn.net/download/sheziqiong/85909111
资源下载地址：https://download.csdn.net/download/sheziqiong/85909111

生物信息学概论 Homework2

UCSC (University of California at Santa Cruz) 中的 Cancer Genome Browser (https://genome-cancer.ucsc.edu/) 平台提供了大量的肿瘤数据，尤其是包含了不同肿瘤的多层次组学数据并提供免费下载。本次我们从其中下载了500多例病人乳腺癌的基因芯片数据(转录组)并已经过预处理，保存在 GeneMatrix.txt 和 clinical_data.txt 这两个文件中。

作业内容为：

利用R软件或其他数据分析语言，进行该数据的聚类分析。

利用层次聚类，对该组数据样本按照基因表达水平进行聚类，看聚类效果如何。即是否能够按照基因表达水平，将病人进行分类。距离可以选择average。

注，R中有相应的聚类函数，请利用并尽可能输出图示（如heatmap），表明你的结果。
实现PCA，并利用你实现的PCA对该组数据的基因表达进行降维处理。请选择你认为合适的主成分数目，给出原因，再次对病人依据你给的特征进行聚类，并与1比较。数据文件说明:
1. GeneMatrix.txt：基因表达值文件，含有行名和列名，一行为一个基因，一列为一个病人
2. clinical_data.txt：记录了病人的若干信息，每一行为一个病人，病人的编号和GeneMatrix.txt中的相同。GeneMatrix中病人只涵盖了这里的一部分，注意，在病人的若干描述中，有一项为ER_Status_nature2012，可以根据这个对病人进行分类，你可以按照这个分类标准，对你的聚类进行一定的评估，看结果是否符合预期。

Report：聚类分析病人乳腺癌的基因芯片数据（转录组）

1. 层次聚类GeneMatrix样本

利用层次聚类，将GeneMatrix中数据样本（共522个病例），按照基因表达水平（共389个不同的基因）进行聚类：

GeneMatrix <- read.table(file = "./GeneMatrix.txt", header = TRUE, sep = "\t", row.names = 1) # 读取GeneMatrix.txt数据
GeneMatrix <- t(scale(GeneMatrix)) # 数据标准化，矩阵转置
distance <- dist(GeneMatrix, method = "euclidean") # 计算距离
fit <- hclust(distance, method = "average") # 层次聚类


![在这里插入图片描述](https://img-blog.csdnimg.cn/9215da0341e4444888862716168ce88d.png#pic_center)**2. 对GeneMatrix样本进行PCA降维后再进行层次聚类**利用PCA对该组数据的基因表达进行降维处理：```R
pca <- prcomp(GeneMatrix, center = FALSE, scale = FALSE) # PCA主成分分析

因为前172个主成分能够表征全部数据95.004%的信息，信息损失率小于5%，因此采用的主成分数目为172。

screeplot(pca, type = "barplot", npcs = length(pca$sdev), main = "Scree Plot", xlab = "Principal Component") # 可视化PCA后Variance数据

plot(summary(pca)$importance[3:3, 1:389], ylim = c(0.0, 1.0), xlab = "Principal Component", ylab = "Cumulative Proportion", type = "l", las = 1) # 选取PCA后Cumulative Proportion数据作图
abline(v = 172, lwd = 1, lty = 3, col = "blue")
abline(h = 0.95, lwd = 1, lty = 3, col = "blue")
axis(side = 2, at = c(0.95), las = 2, labels = c("0.95"))
axis(side = 1, at = c(172), labels = c("172"))
pca.data <- data.frame(pca$x[,1:172]) # 选取前172个主成分

依据该172个特征，再次对病人进行聚类，聚类效果如图所示（代码与1中同理，具体可详见 cluster.R 文件）：

与1比较，可以看出聚类效果相似（左图为PCA降维前热点图，右图为PCA降维后热点图），验证了PCA的正确性，该172个主成分可以聚类该组数据。

3. 依据clinical_data中的分类标准来检验层次聚类及PCA的正确性

最后，根据clinical_data中ER_Status_nature2012的指标（仅选取GeneMatrix与clinical_data所共有的病例，即对二者病例取交集，共440个）进行分类：

# 导入clinical_data数据，并保留ER_Status_nature2012列
clinical_data <- read.table(file = "./clinical_data.txt", header = TRUE, sep = "\t", row.names = 1)
ER_Status_nature2012 <- clinical_data[7:7]分类效果如图所示（代码与1中同理，具体可详见 [cluster.R](code/cluster.R) 文件）：![在这里插入图片描述](https://img-blog.csdnimg.cn/185b8d1e72514304ab6e3b00e6a26603.png#pic_center)![在这里插入图片描述](https://img-blog.csdnimg.cn/eff24f5a2ad242cdb7937674747c95d5.png#pic_center)与1、2比较，可以看出分类效果相似（从左至右依次为1、2、3的热点图），即按照这个分类标准评估1、2中的聚类，结果符合预期，验证了层次聚类及PCA的正确性。[资源下载地址](https://download.csdn.net/download/sheziqiong/85909111)：https://download.csdn.net/download/sheziqiong/85909111
[资源下载地址](https://download.csdn.net/download/sheziqiong/85909111)：https://download.csdn.net/download/sheziqiong/85909111