Consensus Clustering

Consensus Clustering(一致性聚类)，无监督聚类方法，是一种常见的癌症亚型分类研究方法（如乳腺癌中的PAM50），可根据不同组学数据集将样本区分成几个亚型，从而发现新的疾病亚型或者对不同亚型进行比较分析( Justification for using consensus clustering(wiki) )

Consensus Clustering的思路是：采用重抽样方法抽取一定样本的数据集，指定聚类数目k并计算不同聚类数目下的合理性(PAC方法)

PAC可用来优化聚类模型选择最优的K值， wiki 解释如下：

The “proportion of ambiguous clustering” (PAC) measure quantifies this middle segment; and is defined as the fraction of sample pairs with consensus indices falling in the interval (u1, u2) ∈ [0, 1] where u1 is a value close to 0 and u2 is a value close to 1 (for instance u1=0.1 and u2=0.9). A low value of PAC indicates a flat middle segment, and a low rate of discordant assignments across permuted clustering runs. We can therefore infer the optimal number of clusters by the K value having the lowest PAC

从上图可得：一般常用的方法是考虑CDF下降坡度小（在u1-u2范围内的曲线），但有时不一定要遵守这个方法 how to choose optimal K in Consensus clustering ，可以选择其他K值最优的方法或者按照自己的研究目的来选

除了Consensus Clustering外，还有些大文章会用non-negative matrix factorization (NMF) consensus cluster（R包-NMF）来寻找亚型，如文章：Proteomics identifies new therapeutic targets of early-stage hepatocellular carcinoma(Nature)

Consensus Clustering实现比较简单，有现成的R包ConsensusClusterPlus，操作比较简单，只需要一个表达矩阵(如 rawdata.txt )，如下：

data <- read.table(file = "rawdata.txt", sep = "\t", header = T, stringsAsFactors = F, row.names = 1, check.names = F)
# 过滤50%缺失值的
data2 <- data[apply(data, 1, function(x){sum(is.na(x)) < ncol(data)/2}),]
data2 <- as.matrix(data2)

res <- ConsensusClusterPlus(data2, maxK = 10, reps = 1000, pItem = 0.8, pFeature = 1, clusterAlg = "pam", corUse = "complete.obs", seed=123456, plot="png", writeTable=T)

其结果将会输出k从2-10各个情况下的分型情况，聚类的方法用的是 pam ，抽样比例为0.8，最后输出png图和csv表格文件

结果文件：

按照上述选择k值的方法，根据这个数据的结果，感觉k值可以暂时选择7~当然也可以根据研究背景的选择来定

确定亚型后，接着可以基于各个亚型来分析：比如绘制不同亚型的表达模型热图、看看某个分类下不同亚型的表达高低差异、做不同亚型之间基因表达的显著性差异以及结合PCA或者共表达网络等等