系統發育樹

我正在研究基於成對基因數據的系統發育樹。下面是我的數據子集（test.txt）。樹不必基於任何DNA序列構建，但只是把它當作單詞來對待。系統發育樹

ID gene1 gene2 

1 ADRA1D ADK 
2 ADRA1B ADK 
3 ADRA1A ADK 
4 ADRB1 ASIC1 
5 ADRB1 ADK 
6 ADRB2 ASIC1 
7 ADRB2 ADK 
8 AGTR1 ACHE 
9 AGTR1 ADK 
10 ALOX5 ADRB1 
11 ALOX5 ADRB2 
12 ALPPL2 ADRB1 
13 ALPPL2 ADRB2 
14 AMY2A AGTR1 
15 AR ADORA1 
16 AR ADRA1D 
17 AR ADRA1B 
18 AR ADRA1A 
19 AR ADRA2A 
20 AR ADRA2B

下面是我在R代碼裏面

library(ape) 
tab=read.csv("test.txt",sep="\t",header=TRUE) 
d=dist(tab,method="euclidean") 
fit <- hclust(d, method="ward") 
plot(as.phylo(fit))

我的數字是附在這裏 enter image description here

我有一個問題，他們是如何clustered.Since成對

17 AR ADRA1B 
18 AR ADRA1A

和

2 ADRA1B ADK 
3 ADRA1A ADK

應密切聚集，因爲他們有一個共同的gene.so 17和2應該在一起，而18和3

我應該用任何其他方法，如果我錯了，在使用這種方法（歐幾里德距離）？

我應該將數據轉換爲矩陣的行和列，其中gene1是x軸，gene2是y軸，每個單元格由1或0填充？（基本上，如果它們配對將意味着1，如果沒有的話0）

更新的代碼：

table=table(tab$gene1, tab$gene2) 
    d <- dist(table,method="euclidean") 
    fit <- hclust(d, method="ward") 
    plot(as.phylo(fit))

然而，在此我只得到從基因1的基因，而不是基因2如下圖所示column.The正是我想要的，但應該從基因2的基因列以及

enter image description here

來源

2014-02-17 Rgeek

我有點不解。如何計算字符串的歐式距離？您的示例中的gene1和gene2列是否真的是字符串或因素？如果他們是因子，並且'dist'計算了因子水平上的歐氏距離，我認爲沒有什麼合理的預期。 – Georg

我不確定，但它看起來像是基於特定分類羣中存在的基因的* union *進行聚類，而我認爲'hclust'會基於每個*的身份進行聚類*基因 - 即，如果分類1具有'基因1 = A'，'基因2 = B'且分類2具有'基因2 = B'，'基因2 = A'，則它們根本不匹配... –

@Georg那些是字符串，我正在尋找方法從這個表中獲得一些關係，以便有一些聚類並構建一棵樹。我同意歐幾里德不能被使用，我只是想舉一個例子，關於我想要的。 – Rgeek

在問題的例子中有一些解釋空間。我的答案只有在每個個體中只有兩個基因存在且每行描述一個個體時纔有效。但是，如果每一行都意味着gene1發生在gene2之間，並且確實無法執行有用的集羣，在我看來。在這種情況下，我希望額外的專欄說明它們的共同發生的可能性，並且像主成分分析（PCA）可能是首選的，但我遠離成爲（分級）聚類的專家。

之前，你可以使用dist功能，你必須把你的數據轉換成合適的格式：

# convert test data into suitable format 
gene.names <- sort(unique(c(tab[,"gene1"],tab[,"gene2"]))) 
gene.matrix <- cbind(tab[,"ID"],matrix(0L,nrow=nrow(tab),ncol=length(gene.names))) 
colnames(gene.matrix) <- c("ID",gene.names) 
lapply(seq_len(nrow(tab)),function(x) gene.matrix[x,match(tab[x,c("gene1","gene2")],colnames(gene.matrix))]<<-1)

得到的gene.matrix有形狀：

 ID ACHE ADK ADORA1 ADRA1A ADRA1B ADRA1D ADRA2A ... 
[1,] 1 0 1  0  0  0  1  0 
[2,] 2 0 1  0  0  1  0  0 
[3,] 3 0 1  0  1  0  0  0 
[4,] 4 0 0  0  0  0  0  0 
...

所以每一行代表一個觀察（=個體），其中第一列標識個體，後續各列包含1（如果存在該基因）和0（如果缺失）。在這個矩陣的dist函數可以合理地應用於（ID塔中除去）：

d <- dist(gene.matrix[,-1],method="euclidean") 
fit <- hclust(d, method="ward") 
plot(as.phylo(fit))

也許，它是讀取了距離測量euclidean，manhattan等之間的差異是個好主意例如，對於ID=1和ID=2個體之間的歐氏距離是：

euclidean_dist = sqrt((0-0)^2 + (1-1)^2 + (0-0)^2 + (0-0)^2 + (0-1)^2 + ...)

而曼哈頓距離

manhattan_dist = abs(0-0) + abs(1-1) + abs(0-0) + abs(0-0) + abs(0-1) + ...

來源

2014-02-17 22:51:40 Georg

我用這個命令：table（tab $ gene1，tab $ gene2）來獲得矩陣。我想繪製基因的系統發生關係，而不是成對。我想看看他們是如何分別聚類而不是成對的。 – Rgeek

組成員的數量由聚類算法決定。我認爲您的（示例）數據中缺少一些信息以正確執行分層聚類。每行應包含個體中存在的基因的所有字符串。 – Georg

我能夠獲得我正在尋找的系統發育圖。正如我所說我想聚集單個基因（而不是配對），所以不得不稍微修改一下代碼。但是，也可以這樣做有趣。任何方式來獲得表格信息哪些是聚集在一起的（簇號）？所以我可以有一個表中有簇號和它的分配項目，在我們計算出「fit < - hclust（d，method =」ward「）」 – Rgeek

回答

相關問題