1.4.2 聚类算法

为什么需要聚类？
聚类是"无监督学习"——不需要预先知道类别标签，让数据"自己分组"。在生物信息学中，聚类用于发现数据中自然存在的群体结构。
K-Means聚类：
- 原理：预先指定K个类别，迭代地将每个样本分配到最近的中心点，然后更新中心点
- 类比：老师让学生们按"身高相似"分组，先随机指定K个组长，然后每个人找身高最接近的组长，组长再更新为组内平均身高，反复直到稳定
- 生物应用：基因表达模式聚类、患者分型、微生物群落分类
- 优点：简单、高效
- 局限：需要预先指定K值、对初始值敏感、假设簇是球形
层次聚类（Hierarchical Clustering）：
- 原理：自底向上（凝聚）或自顶向下（分裂）地构建树状结构
- 类比：从每片叶子（单个样本）开始，不断合并"最相似"的两组，直到形成一棵树
- 生物应用：基因表达热图（heatmap）的标准聚类方法、进化树构建、样本关系分析
- 优点：不需要预先指定类别数、输出树状图（dendrogram）直观展示关系
- 局限：计算复杂度高、对噪声敏感
DBSCAN（基于密度的聚类）：
- 原理：将"高密度区域"识别为簇，可以自动发现任意形状的簇
- 生物应用：发现细胞亚群、识别异常样本
- 优点：能发现任意形状的簇、自动识别噪声
- 局限：对密度不均匀的数据效果不佳
聚类在生物信息学中的经典应用：
- 基因共表达网络：聚类表达模式相似的基因，推断功能模块
- 癌症分子分型：基于基因表达谱将癌症患者分为不同亚型，指导治疗
- 细胞类型鉴定：聚类单细胞数据，发现新的细胞类型