如何通过一致性聚类实现对表达谱数据的亚型分类

Python021

如何通过一致性聚类实现对表达谱数据的亚型分类,第1张

​通过ConsensusClusterPlus包对基因表达谱执行一致性聚类（Consensus Clustering）

在大样本的组学分析中，经常需要讨论样本的分子分型。文章中最常见的方法，就是使用一种叫一致性聚类（Consensus Clustering）的方法，对转录组、蛋白组谱等数据进行聚类，最后可以将样本划分为不同的聚类群，不同聚类群的样本之间在转录组、蛋白组等分子模式上存在明显差异，但各聚类群内的样本的分子模式则较为相似，如此则实现了对大样本队列的分子分型的目的。

例如，在“Proteogenomic landscape of squamous cell lung cancer”这篇文献中，作者基于108个肺鳞状细胞癌样本的定量蛋白组数据，通过一致性聚类将108个肿瘤组织划分为5种分子亚型，即（1）炎症亚型A、（2）炎症亚型B、（3）氧化还原亚型A、（4）氧化还原亚型B以及（5）混合亚型。并在获得了分子亚型后，后续展开的详细亚型特征的描述和讨论。

好了，现在假设我们也有类似的一批组学样本队列，我们也期望通过一致性聚类实现对转录组、蛋白组或者蛋白修饰谱的分型，该如何实现呢？本节教程简介通过R语言ConsensusClusterPlus包实现一致性聚类的方法。

1准备表达谱数据集

首先准备一个基因表达矩阵，将它读入到R中。可以是转录组（如RNA-seq，芯片数据等），也可以是定量蛋白组，或者蛋白磷酸化、糖基化等修饰。具体以哪种类型的数据为主，根据实际关注的问题来。如果您更期望使用转录组进行分型，就使用RNA表达谱；如果您更期望使用蛋白组进行分型，就使用蛋白定量谱；如果您更关注蛋白修饰的分型，就使用表观修饰的组学。

本次我们以Biobase包的芯片数据集为例，展示如何对基因表达谱执行一致性聚类分析。首先来看一下示例数据，该数据集一共包含26个样本，500个基因的表达谱。

2通过ConsensusClusterPlus包执行聚类

能够执行一致性聚类的R包很多，但基本原理都是差不多的。这里我们以ConsensusClusterPlus包的方法为例作为展示。

过程大致包括两步，（1）对表达谱数据的标准化，（2）对标准化后的数据执行聚类。函数执行完毕后，R语言的当前工作目录下会生成一个文件夹（本示例以“example”未命名），里面存放了聚类结果图。

3结果说明

在本示例中，我们通过参数“maxK = 4”指定了期望划分的最大聚类群数量，即从聚2类开始，逐一增加类别数量进行尝试，直到到达指定的最大聚类群数量4为止结束。

结果中，这两张图可以帮助我们评估选择最合适的聚类数量。我们需要同时考虑这两个标准，根据左图选择CDF下降坡度更小的曲线，根据右图选择CDF更高的值。通常而言这两个标准趋势相反，也就是我们需要尽量保证CDF下降不那么剧烈且CDF值也不能太小。在这里，似乎当k=3时是最合适的。当然，有时不一定要遵守这个方法，一些研究也按照自己的研究目的选择了其它最优k值标准。

这些图展示了在不同的k值（划分的聚类群数量）下，样本的聚类情况。在示例中，似乎k=3时相对更好一些。

该图展示了在不同的k值（划分的聚类群数量）下，各样本所属的聚类群。

概念

蛋白质组学（Proteomics）一词，源于蛋白质（protein）与 基因组学（genomics）两个词的组合，意指“一种基因组所表达的全套蛋白质”，即包括一种细胞乃至一种生物所表达的全部蛋白质。蛋白质组本质上指的是在大规模水平上研究蛋白质的特征，包括蛋白质的表达水平，翻译后的修饰，蛋白与蛋白相互作用等，由此获得蛋白质水平上的关于疾病发生，细胞代谢等过程的整体而全面的认识

研究技术

二维电泳和质谱技术

应用

1.蛋白质鉴定：可以利用一维电泳和二维电泳并结合Western等技术，利用蛋白质芯片和抗体芯片及免疫共沉淀等技术对蛋白质进行鉴定研究。

2.翻译后修饰：很多mRNA表达产生的蛋白质要经历翻译后修饰如磷酸化，糖基化，酶原激活等。翻译后修饰是蛋白质调节功能的重要方式，因此对蛋白质翻译后修饰的研究对阐明蛋白质的功能具有重要作用。

3.蛋白质功能确定：如分析酶活性和确定酶底物，细胞因子的生物分析/配基-受体结合分析。可以利用基因敲除和反义技术分析基因表达产物-蛋白质的功能。另外对蛋白质表达出来后在细胞内的定位研究也在一定程度上有助于蛋白质功能的了解。Clontech的荧光蛋白表达系统就是研究蛋白质在细胞内定位的一个很好的工具。

4.对人类而言，蛋白质组学的研究最终要服务于人类的健康，主要指促进分子医学的发展。如寻找药物的靶分子。很多药物本身就是蛋白质，而很多药物的靶分子也是蛋白质。药物也可以干预蛋白质-蛋白质相互作用。

在基础医学和疾病机理研究中，了解人不同发育、生长期和不同生理、病理条件下及不同细胞类型的基因表达的特点具有特别重要的意义。这些研究可能找到直接与特定生理或病理状态相关的分子，进一步为设计作用于特定靶分子的药物奠定基础。