-
Notifications
You must be signed in to change notification settings - Fork 1
/
03_classification.Rmd
950 lines (682 loc) · 42.6 KB
/
03_classification.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
---
title: "Классификация и ординация"
author: "Марина Варфоломеева"
output:
html_document:
toc: yes
toc_depth: 2
toc_float:
collapsed: no
theme: flatly
highlight: haddock
include:
after_body: _footer.html
css: my_styles.css
lib_dir: site_libs
self_contained: no
bibliography:
- "bibs/references.bib"
- "bibs/03_packages.bib"
csl: "bibs/ecology.csl"
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library("knitcitations")
cleanbib()
options("citation_format" = "pandoc")
library(knitr)
# Knitr hooks
knitr::knit_hooks$set(
hide_button = function(before, options, envir) {
if (is.character(options$hide_button)) {
button_text = options$hide_button
} else {
button_text = "Решение"
}
block_label <- paste0("hide_button", options$label)
if (before) {
return(paste0(sep = "\n",
'<button class="btn btn-primary btn-sm" data-toggle="collapse" data-target="#', block_label, '"> ', button_text, ' </button>\n',
'<div id="', block_label, '" class="collapse">\n'))
} else {
return("</div><br />\n")
}
},
output = function(x, options){
x <- gsub(x, pattern = "<", replacement = "<")
x <- gsub(x, pattern = ">", replacement = ">")
paste0(
"<pre class=\"r-output\"><code>",
fansi::sgr_to_html(x = x, warn = TRUE, term.cap = "256"),
# ansistrings::ansi_to_html(text = x, fullpage = FALSE),
"</code></pre>"
)
}
)
```
```{r libs-funs, include=FALSE}
library(knitr)
library(DiagrammeR)
library(ggplot2)
library(gridExtra)
theme_set(theme_bw())
library(cowplot)
library(dplyr)
library(vegan)
library(dendextend)
```
---
В этом разделе мы поговорим о том, как делать кластерный анализ и строить тепловые карты экспрессии в R `r citep(citation())`.
- [Код к этому занятию](03_classification.R)
- Данные о протеоме жабр гребешка _Pecten maximus_ от авторов пакета `prot2D` [@Artigaud_2013]:
- [pecten.xlsx](data/pecten.xlsx)
- [pecten.zip](data/pecten.zip)
- Данные о протеоме сыворотки крови пациентов, страдающих разной степенью гиперплазии предстательной железы, из пакета `digeR` [@fan2009diger]:
- [prostate.xlsx](data/prostate.xlsx)
- [prostate.zip](data/prostate.zip)
- Пакеты (инсталлируйте при необходимости)
```{r eval=FALSE}
# Из репозитория CRAN
install.packages(c("dendextend", "ape", "vegan", "pvclust", "gplots", "NMF"), dependencies = TRUE)
```
---
# Многомерные данные
## Облако точек в многомерном пространстве
Когда признаков много, можно представить все объекты как облако точек в многомерном пространстве.
![](./images/Migration-DonMcCullough-Flickr.jpg)
Migration by Don McCullough on [Flickr](https://flic.kr/p/fEFhCj)
Для изображения N объектов в идеале нужно N-1 измерений
- 2 объекта = 1D прямая
- 3 объекта = 2D плоскость
- 4 объекта = 3D объем
- ...
- N объектов = (N-1)-мерное пространство
Многомерное пространство сложно изобразить. Есть два пути:
- Выбрать наиболее информативную проекцию (не все можно хорошо спроецировать).
- Сохранить отношения между объектами (придется исказить расстояния).
<img src="images/BlackShadows-FerranJorda-Flickr.jpg" alt="Ежик в тумане" height=400px>
black shadows for a white horses / les negres ombres dels cavalls blancs by Ferran Jordà on [Flickr](https://flic.kr/p/9XJxiL)
# Коэффициенты сходства-различия
Различия
$d \ge 0$
```{r echo=FALSE, fig.width=4.5, fig.height=0.5}
DiagrammeR("images/dist.gv", type = "grViz")
```
Сходства
$0 \le S \le 1$ или $-1 \le S \le 1$
```{r echo=FALSE, fig.width=4.5, fig.height=0.5}
DiagrammeR("images/sim.gv", type = "grViz")
```
- Используются в качестве исходных данных для многих видов многомерных анализов, в т.ч. для иерархического кластерного анализа
- Из сходств можно получить различия и наоборот
- Свои собственные коэффициенты существуют для количественных и качественных признаков
## Евклидово расстояние
```{r echo=FALSE, message=FALSE, fig.width=4, fig.height=3}
dat <- data.frame(X1 = c(5, 2), X2 = c(1, 4))
theme_set(theme_linedraw())
ggplot(dat, aes(x = X1, y = X2)) + geom_point(size = 6, colour = "steelblue") + scale_x_continuous(breaks = 0:6) + scale_y_continuous(breaks = 0:6) + coord_fixed(expand = 0, xlim = c(0, 6), ylim = c(0, 6)) + geom_line() + geom_segment(aes(xend = c(0, 0), yend = X2), linetype = "dashed") + geom_segment(aes(xend = X1, yend = c(0, 0)), linetype = "dashed") + geom_text(aes(label = paste0("(", X1, ", ", X2, ")")), hjust = 0, vjust = -1)
```
Для двумерного пространства Евклидово расстояние рассчитывается так:
```{r echo=FALSE, fig.width=2, fig.height=0.4}
ggplot() + annotate(geom = "text", x = 0, y = 0, label = "d == sqrt((x[11] - x[12])^{2} + (x[21] - x[22])^{2}) ", parse = TRUE, size = 4) + theme_void()
```
Т.е. Евклидово расстояние в этом гипотетическом примере будет
```{r echo=FALSE, fig.width=2, fig.height=0.4}
ggplot() + annotate(geom = "text", x = 0, y = 0, label = "sqrt((5 - 2)^{2} + (4 - 1)^{2})==4.24", parse = TRUE, size = 4) + theme_void()
```
Для пространства с большим числом измерений формула Евклидова расстояния выглядит так:
```{r echo=FALSE, fig.width=2, fig.height=0.4}
ggplot() + annotate(geom = "text", x = 0, y = 0, label = "d == sqrt(sum((X[ik] - X[jk]))^{2})", parse = TRUE, size = 4) + theme_void()
```
Евклидово расстояние --- это метрика.
Для всех метрик (расстояний) справедливы три свойства:
1) Адекватность:
$$d_{A, A} = 0$$
```{r, echo=FALSE, fig.width=4, fig.height=.5}
DiagrammeR("images/adequa.gv", type = "grViz")
```
2) Симметричность:
$$d_{A, B} = d_{B, A}$$
```{r, echo=FALSE, fig.width=4, fig.height=.5}
# DiagrammeR("images/symmetry.mmd")
DiagrammeR("images/symmetry.gv", type = "grViz")
```
3) Триангулярность:
$$d_{A, B} \le d_{A, C} + d_{C, B}$$
__Триангулярность есть только у метрик!__ Именно потому, что для них выполняется неравенство треугольника, они имеют право называться __расстояниями__, а не просто мерами различия.
```{r, echo=FALSE, fig.width=4, fig.height=1}
DiagrammeR("images/triang.gv", type = "grViz")
```
## Коэффициент Жаккара
Если используются бинарные данные, то посчитать сходство можно, учитывая присутствие-отсутствие признаков.
| объект I / объект J | признак есть | признака нет |
| ----- |-----|-----|
| признак есть | a | b |
| признака нет | c | d |
- $I$, $J$ --- объекты
- $a$ --- число сходств по наличию признака
- $b$ --- число отличий $I$ от $J$
- $c$ --- число различий $J$ от $I$
- $d$ --- число сходств по отсутствию признака
- $n_J$ --- число признаков у объекта $J$
- $n_I$ --- число признаков у объекта $I$
- $n = a + b + c + d$ --- общее число признаков
Коэффициентов сходства-различия для качественных данных придумано великое множество.
Коэффициент Жаккара рассчитывается по формуле:
$S = a / (a + b + c)$, причем $0 \le S \le 1$
Соответствующий коэффициент различия Жаккара можно посчитать так:
$d = 1 - a / (a + b + c) = (b + c) / (a + b + c)$
У коэффициента Жаккара есть одно забавное свойство. Обратите внимание, в знаменателе фигурирует не общее число признаков --- сходство по отсутствию не учитывается! Это свойство очень полезно для работы с протеомными данными. Пятно может отсутствовать на геле не только потому, что белка не было в пробе, но и в силу самых разных других причин (например, экспрессия ниже порога определения, плохо прокрашен образец и проч.).
Например, пусть у нас есть три пробы, у которых мы нашли всего 5 пятен.
```{r echo=FALSE, results='asis'}
tab <- data.frame(Objects = paste("Object ", 1:3),
'Spot 1' = c(1, 1, 0),
'Spot 2' = c(1, 1, 0),
'Spot 3' = c(0, 1, 0),
'Spot 4' = c(1, 1, 1),
'Spot 5' = c(0, 0, 0))
kable(tab, format = "markdown")
```
Чтобы оценить различие между этими пробами, можно посчитать коэффициент Жаккара.
```{r echo=FALSE, results='asis'}
djac_samples <- as.data.frame(as.matrix(round(dist(tab[, -1], method = "binary"), 2)))
colnames(djac_samples) <- rownames(djac_samples) <- paste0("Object ", 1:3)
kable(djac_samples, format = "markdown")
```
Точно так же, чтобы оценить различие белков, можно посчитать коэффициент Жаккара между белками.
```{r echo=FALSE, results='asis'}
djac_spot <- as.data.frame(as.matrix(round(dist(t(tab[, -1]), method = "binary"), 2)))
colnames(djac_spot) <- rownames(djac_spot) <- paste0("Spot ", 1:5)
kable(djac_spot, format = "markdown")
```
# Визуализация многомерных данных
- Дендрограммы
- Танглграммы
- Тепловые карты
- Ординация
# Иерархическая кластеризация
Существует много методов классификации: методы кластеризации на основании расстояний и методы кластеризации на основании признаков.
В этом курсе мы будем затрагивать только __методы иерархической кластеризации на основании расстояний__.
Классификация данных проходит в несколько этапов. Результат кластеризации будет сильнее всего зависеть (1) от выбора коэффициента сходства-различия и (2) от алгоритма кластеризации. Нет формальных способов выбрать наиболее подходящий коэффициент и алгоритм.
```{r echo=FALSE, fig.width=6, fig.height=4, cache=FALSE}
DiagrammeR("images/clust-stages.gv", type = "grViz")
```
## Алгоритмы иерархической кластеризации на основании расстояний
Мы рассмотрим несколько алгоритмов, которые строят иерархическую кластеризацию объектов на основании матрицы различий между ними:
- Метод ближайшего соседа
- Метод отдаленного соседа
- Метод среднегруппового расстояния
```{r, echo=FALSE, fig.height=5, message=FALSE }
cl_dat <- data.frame(cl = c(rep("A", 5), rep("B", 4)),
x = c(1, 2.7, 2, 1.5, 2, 5, 6, 5.5, 5.8),
y = c(1, 1.2, 3, 2, 1.5, 1.2, 1, 3, 2))
segm_between <- function(ind1, ind2, dat){
i_betw <- expand.grid(ind1, ind2)
segm <- lapply(1:nrow(i_betw), function(i) cbind(dat[i_betw[i, 1], ], dat[i_betw[i, 2], ]))
segm <- Reduce(rbind, segm)
colnames(segm) <- c("x", "y", "xend", "yend")
return(segm)
}
segm_within <- function(ind1, ind2, dat){
# for ward
dat1 <- dat[ind1, ]
dat2 <- dat[ind2, ]
with1 <- segm_between(1:nrow(dat1), nrow(dat1)+1, rbind(dat1, colMeans(dat1)))
with2 <- segm_between(1:nrow(dat2), nrow(dat2)+1, rbind(dat2, colMeans(dat2)))
segm <- rbind(with1, with2)
return(segm)
}
betw_segm <- segm_between(1:5, 6:9, cl_dat[, 2:3])
with_segm <- segm_within(1:5, 6:9, cl_dat[, 2:3])
cl_means <- cl_dat %>% group_by(cl) %>% summarise(
x = mean(x), y = mean(y)
)
betw <- as.matrix(dist(cl_dat[, 2:3]))[6:9, 1:5]
# which.min(betw)
# which.max(betw)
th <- theme_classic() + theme(axis.line = element_blank(), axis.title = element_blank(), axis.ticks = element_blank(), axis.text = element_blank(), legend.position = "none")
gg <- ggplot(cl_dat, aes(x = x, y = y, colour = cl)) + geom_point() + stat_ellipse(level = 0.8) + geom_point(data = cl_means, size = 4, shape = 5) + th
gg_single <- gg + annotate(geom = "segment", x = 2.7, y = 1.2, xend = 5, yend = 1.2, colour = "grey60")
gg_complete <- gg + annotate(geom = "segment", x = 1, y = 1, xend = 6, yend = 1, colour = "grey60")
gg_average <- gg + geom_segment(data = betw_segm, aes(x = x, y = y, xend = xend, yend = yend, colour = NULL), colour = "grey60")
gg_ward <- gg + geom_segment(data = with_segm, aes(x = x, y = y, xend = xend, yend = yend, colour = NULL), colour = "grey60")
grid.arrange(gg_single + ggtitle("Метод ближайшего соседа"), gg_complete + ggtitle("Метод отдаленного соседа"), gg_average + ggtitle("Метод среднегруппового расстояния"), ncol = 3)
```
## Метод ближайшего соседа (= nearest neighbour = single linkage)
- к кластеру присоединяется ближайший к нему кластер/объект
- кластеры объединяются в один на расстоянии, которое равно расстоянию между ближайшими объектами этих кластеров
```{r, echo=FALSE, fig.width=4.5, fig.height=2.5}
gg_single + ggtitle("Метод ближайшего соседа")
```
Особенности:
- Может быть сложно интерпретировать, если нужны группы
- объекты на дендрограмме часто не образуют четко разделенных групп
- часто получаются цепочки кластеров (объекты присоединяются как бы по-одному)
- Хорош для выявления градиентов
```{r ani-dat, include=FALSE, cache=TRUE, purl=FALSE, warning=FALSE}
# Данные
dat <- data.frame(x = c(9, 19, 27, 32, 38, 50), y = c(42, 40, 10, 30, 60, 35))
rownames(dat) <- LETTERS[1:6]
# Кластеризация
hc_s <- hclust(dist(dat), method = "single")
hc_c <- hclust(dist(dat), method = "complete")
hc_a <- hclust(dist(dat), method = "average")
cluster_ani <- function(dat, gg_dat, dist_fun = "vegdist", dist_method = "euclidean", hclust_method = "average", k = nrow(dat)){
library(vegan)
library(ggplot2)
library(ggalt)
library(dendextend)
library(cowplot)
if (dist_fun == "vegdist") {
d <- vegdist(dat, method = dist_method)
} else if (dist_fun == "dist") {
d <- vegdist(dat, method = dist_method)
} else {
stop("dist_fun should be either `vegdist` or `dist`")
}
hc <- hclust(d, method = hclust_method)
den <- as.dendrogram(hc)
# ordination plot
gg_ord <- ggplot(data = gg_dat, aes(x = MDS1, y = MDS2, label = rownames(gg_dat))) +
coord_fixed() +
geom_point() +
geom_text(hjust = 1.1, vjust = 1.1) +
geom_encircle(aes(group = cutree(hc, k = k)), colour = "red", s_shape = 0, expand = 0.01) +
scale_y_continuous(expand=c(0.1,0.1))
gg_tree <- function(){
# dendrogram plot
par(mar = c(2, 2, 0, 0))
if (k == 1) {
plot(den)
} else {
plot(den)
rect.dendrogram(den, k = k, lty = 1, lwd = 1, border = "red")
}
}
# together
plot_grid(gg_ord, gg_tree, nrow = 1, rel_widths = c(0.6, 0.4), hjust = 0, vjust = 1, scale = c(0.8, 0.9))
}
suppressWarnings(ord <- metaMDS(dat, distance = "euclidean", autotransform = FALSE))
gg_dat <- data.frame(ord$points)
gg_list_s <- lapply(6:1, function(x) cluster_ani(dat, gg_dat, hclust_method = "single", k = x))
gg_list_c <- lapply(6:1, function(x) cluster_ani(dat, gg_dat, hclust_method = "complete", k = x))
gg_list_a <- lapply(6:1, function(x) cluster_ani(dat, gg_dat, hclust_method = "average", k = x))
gg_list_w <- lapply(6:1, function(x) cluster_ani(dat, gg_dat, hclust_method = "ward.D2", k = x))
par(mar = c(4, 4, 2, 1))
```
```{r single-ani, echo=FALSE, purl=FALSE, fig.width=8, fig.height=5, fig.show='animate', interval=3, animation.hook='gifski', aniopts='control,loop', results='hide', warning=FALSE}
sapply(gg_list_s, plot)
```
## Метод отдаленного соседа (= furthest neighbour = complete linkage)
- к кластеру присоединяется отдаленный кластер/объект
- кластеры объединяются в один на расстоянии, которое равно расстоянию между самыми отдаленными объектами этих кластеров (следствие - чем более крупная группа, тем сложнее к ней присоединиться)
```{r, echo=FALSE, fig.width=4.5, fig.height=2.5}
gg_complete + ggtitle("Метод отдаленного соседа")
```
Особенности:
- На дендрограмме образуется много отдельных некрупных групп
- Хорош для поиска дискретных групп в данных
```{r complete-ani, echo=FALSE, purl=FALSE, fig.width=8, fig.height=5, fig.show='animate', interval=3, animation.hook='gifski', aniopts='control,loop', results='hide', warning=FALSE}
invisible(sapply(gg_list_c, plot))
```
## Метод невзвешенного попарного среднего (= UPGMA = Unweighted Pair Group Method with Arithmetic mean)
- кластеры объединяются в один на расстоянии, которое равно среднему значению всех возможных расстояний между объектами из разных кластеров.
```{r, echo=FALSE, fig.width=4.5, fig.height=2.5}
gg_average + ggtitle("Метод среднегруппового расстояния")
```
Особенности:
- UPGMA и WUPGMС иногда могут приводить к инверсиям на дендрограммах
![Инверсии на дендрограммах](images/clust-revert.png)
<small>из Borcard et al., 2011</small>
```{r average-ani, echo=FALSE, purl=FALSE, fig.width=8, fig.height=5, fig.show='animate', interval=3, animation.hook='gifski', aniopts='control,loop', results='hide', warning=FALSE}
sapply(gg_list_a, plot)
```
## Кластерный анализ в R: гребешки
Вспомним, на чем мы остановились в прошлый раз.
```{r}
library(readxl)
library(limma)
# Данные об экспрессии
pecten <- read_excel(path = "data/pecten.xlsx", sheet = "exprs")
spot_names <- pecten$Spot
pecten <- as.matrix(pecten[, -1])
rownames(pecten) <- spot_names
# Данные о пробах
pecten.fac <- read_excel(path = "data/pecten.xlsx", sheet = "pheno")
pecten.fac <- data.frame(pecten.fac)
pecten.fac$Condition <- factor(pecten.fac$Condition)
# Логарифмируем данные
pecten_log <- log2(pecten)
# Квантильная нормализация
pecten_norm <- normalizeQuantiles(as.matrix(pecten_log))
```
Названия проб в этом файле --- длинные непонятные аббревиатуры.
```{r}
colnames(pecten_norm)
```
Вместо них нужно создать осмысленные и краткие лейблы для проб.
Информацию о лейблах возьмем из датафрейма с факторами
```{r}
head(pecten.fac)
colnames(pecten_norm) <- make.unique(as.character(pecten.fac$Condition))
```
Чтобы строить деревья для проб, нам понадобится транспонировать исходные данные
```{r}
tpecten_norm <- t(pecten_norm)
```
Давайте построим деревья при помощи нескольких алгоритмов кластеризации (по стандартизованным данным, с использованием Евклидова расстояния) и сравним их. Нам понадобится матрица расстояний.
```{r}
d <- dist(x = tpecten_norm, method = "euclidean")
```
```{r fig.height=5, fig.width=10}
# Метод ближайшего соседа
hc_single <- hclust(d, method = "single")
```
Деревья можно визуализировать при помощи базовой графики, но у нее довольно мало возможностей для настройки внешнего вида.
```{r}
# ?plot.hclust
plot(hc_single)
```
Визуализируем средствами пакета `ape` `r citep(citation("ape"))`.
```{r}
library(ape)
ph_single <- as.phylo(hc_single)
# ?plot.phylo
plot(ph_single, type = "phylogram", cex = 0.7)
axisPhylo()
```
Визуализируем средствами `dendextend` `r citep(citation("dendextend"))`.
```{r message=FALSE}
library(dendextend)
den_single <- as.dendrogram(hc_single)
# ?plot.dendrogram
op <- par(mar = c(4, 4, 1, 4), cex = 0.7)
plot(den_single, horiz = TRUE)
```
При желании можно раскрасить лейблы. Это можно сделать вручную, просто передав вектор нужных цветов в том порядке, в котором идут лейблы на дендрограмме.
Чтобы не пришлось вручную создавать вектор цветов, можно попробовать при помощи функции вытащить информацию из лейблов на дендрограмме. Эта функция берет дендрограмму, экстрагирует из нее порядок лейблов, берет первые несколько букв в имени лейбла и на основании этого фактора создает вектор цветов.
```{r}
library(RColorBrewer)
get_colours <- function(dend, n_chars, palette = "Dark2"){
labs <- get_leaves_attr(dend, "label")
group <- substr(labs, start = 0, stop = n_chars)
group <- factor(group)
cols <- brewer.pal(length(levels(group)), name = palette)[group]
return(cols)
}
```
Теперь можно легко раскрасить группы на дендрограмме, ориентируясь на первые несколько символов в названии лейбла.
```{r}
cols <- get_colours(dend = den_single, n_chars = 2)
den_single_c <- color_labels(dend = den_single, col = cols)
plot(den_single_c, horiz = TRUE)
```
### Задание 1
Постройте дендрограммы, описывающие сходство проб, при помощи методов отдаленного соседа и среднегруппового расстояния.
#### Метод отдаленного соседа в R
```{r, hide_button=TRUE}
# Метод отдаленного соседа
hc_compl <- hclust(d, method = "complete")
den_compl <- as.dendrogram(hc_compl)
den_compl_c <- color_labels(den_compl, col = get_colours(den_compl, n_chars = 2))
plot(den_compl_c, horiz = TRUE)
```
#### Метод невзвешенного попарного среднего в R
```{r, hide_button=TRUE}
# Метод невзвешенного попарного среднего
hc_avg <- hclust(d, method = "average")
den_avg <- as.dendrogram(hc_avg)
den_avg_c <- color_labels(den_avg, col = get_colours(den_avg, n_chars = 2))
plot(den_avg_c, horiz = TRUE)
```
## Кофенетическая корреляция
Кофенетическая корреляция --- метод оценки соответствия расстояний на дендрограмме расстояниям либо в исходном многомерном пространстве, либо на другой дендрограмме.
Кофенетическое расстояние --- расстояние между объектами на дендрограмме. Его можно рассчитать при помощи функции из пакета `ape`, например.
```{r}
cophenetic(ph_single)
```
Кофенетическую корреляцию можно рассчитать как Пирсоновскую корреляцию (обычную) между матрицами исходных и кофенетических расстояний между всеми парами объектов
```{r}
cor(d, as.dist(cophenetic(ph_single)))
```
Метод, который дает наибольшую кофенетическую корреляцию дает кластеры лучше всего отражающие исходные данные.
### Задание 2
Оцените при помощи кофенетической корреляции качество кластеризаций, полученных разными методами. Какой метод дает лучший результат?
```{r, hide_button=TRUE}
cor(d, as.dist(cophenetic(as.phylo(hc_compl))))
cor(d, as.dist(cophenetic(as.phylo(hc_avg))))
```
## Бутстреп-поддержка ветвей
Вычисление бутстреп-поддержки ветвей дендрограммы поможет оценить, насколько стабильна полученная кластеризация.
"An approximately unbiased test of phylogenetic tree selection" (Shimodaria, 2002)
Этот тест использует специальный вариант бутстрепа --- multiscale bootstrap. Мы не просто многократно берем бутстреп-выборки и оцениваем для них вероятность получения топологий (BP p-value), эти выборки еще и будут с разным числом объектов. По изменению BP при разных объемах выборки можно вычислить AU (approximately unbiased p-value).
```{r}
library(pvclust)
```
```{r pvclust, cache=TRUE}
# итераций должно быть 10000 и больше, здесь мало для скорости
cl_boot <- pvclust(pecten_norm, method.hclust = "average", nboot = 100,
method.dist = "euclidean", iseed = 278456)
```
Дерево с величинами поддержки
AU --- approximately unbiased p-values (красный),
BP --- bootstrap p-values (зеленый)
```{r pvclust-tree, fig.width=10, fig.height=6}
plot(cl_boot)
# pvrect(cl_boot) # достоверные ветвления
```
Если для кластера AU p-value > 0.95, то нулевую гипотезу о том, что он не существует отвергают на уровне значимости 0.05.
Но сами AU p-values оцениваются при помощи бутстрепа, а значит, тоже не точно. Стандартные ошибки можно оценить чтобы оценить точность оценки самих AU. Для диагностики качества оценок AU нам понадобится график стандартных ошибок для AU p-value. Чем больше было бутстреп-итераций, тем точнее будет оценка.
```{r}
seplot(cl_boot)
seplot(cl_boot, identify = TRUE)
```
Например, для кластера 8 $AU =$ `r round(cl_boot$msfit[[8]]$p[1], 8)`, а ее стандартная ошибка $SE =$ `r round(cl_boot$msfit[[8]]$se[1], 8)`. Границы 95% доверительного интервала к AU p-value: `r round(cl_boot$msfit[[8]]$p[1] - 1.96 * cl_boot$msfit[[8]]$se[1], 8)` и `r round(cl_boot$msfit[[8]]$p[1] + 1.96 * cl_boot$msfit[[8]]$se[1], 8)`. Такая оценка значимости не точна.
```{r}
print(cl_boot)
```
### Задание 3
Повторите бутстреп с 1000 итераций. Чему теперь будет равна стандартная ошибка AU p-value для 8 кластера. Используйте тот же сид, что в прошлом примере.
```{r pvclust1, cache=TRUE, hide_button=TRUE}
cl_boot <- pvclust(pecten_norm, method.hclust = "average", nboot = 1000,
method.dist = "euclidean", iseed = 278456, quiet = TRUE)
```
```{r}
print(cl_boot)
```
# Танглграмма
Два дерева (с непохожим ветвлением) выравнивают, вращая случайным образом ветви вокруг оснований. Итеративный алгоритм. Картина каждый раз может получиться немного разная, особенно в сложных случаях.
```{r tang}
set.seed(395)
untang_w <- untangle_step_rotate_2side(den_single, den_avg, print_times = F)
# танглграмма
tanglegram(untang_w[[1]], untang_w[[2]],
highlight_distinct_edges = FALSE,
common_subtrees_color_lines = F,
main = "Tanglegram",
main_left = "Single linkage",
main_right = "UPGMA",
columns_width = c(8, 1, 8),
margin_top = 3.2, margin_bottom = 2.5,
margin_inner = 4, margin_outer = 0.5,
lwd = 1.2, edge.lwd = 1.2,
lab.cex = 1, cex_main = 1)
```
# Тепловая карта
```{r message=FALSE, warning=FALSE}
library(gplots) # для тепловых карт
# Палитры для тепловых карт
pal_green <- colorpanel(75, low = "black", mid = "darkgreen", high = "yellow")
# library(spatstat) # to convert palette to grayscale
# pal_gray <- to.grey(pal_green, weights=c(1,1,1))
```
```{r, fig.height=15}
dat <- as.matrix(pecten_norm)
heatmap.2(dat, col = pal_green, scale = "none",
key = TRUE, symkey = FALSE,
density.info = "none", trace = "none",
cexRow = 1, cexCol = 1,
keysize = 1, margins = c(8, 5))
# Настройка внешнего вида
heatmap.2(dat, col = pal_green, scale = "none",
key = TRUE, symkey = FALSE,
density.info = "none", trace = "none",
cexRow = 1, cexCol = 1, keysize = 1,
margins = c(8, 5),
key.par = list(mgp = c(1.5, 0.9, 0),
mar = c(3, 1, 3, 0.1), cex = 1),
key.title = NA, key.xlab = NA)
```
Еще один вариант
```{r echo=FALSE, fig.height=15, message=FALSE, warning=FALSE}
library(NMF)
aheatmap(dat, color = "-RdBu:256", scale = "none",
annCol = pecten.fac$Group,
hclustfun = "average")
```
# Ординация
Из множества методов ординации здесь мы рассмотрим только неметрическое многомерное шкалирование.
## Неметрическое многомерное шкалирование
Неметрическое многомерное шкалирование (Nonmetric Multidimensional Scaling, nMDS) --- метод визуализации отношений между объектами в пространстве с небольшим числом измерений (обычно 2).
Исходные данные для nMDS --- матрица расстояний между объектами в многомерном пространстве.
```{r echo=FALSE, purl=FALSE, include=FALSE}
# Загрузка пакетов ###############################
# Чтение файлов
library(readxl)
# Обработка данных
library(tidyr)
library(dplyr)
library(broom)
# Графики
library(ggmap)
theme_set(theme_bw())
# Многомерная статистика
library(vegan)
# Карта пригородов Санкт-Петербурга ##############
# Матрица расстояний
dist_spb <- read_excel("data/dist_spb.xlsx", sheet = "dist")
D <- as.matrix(dist_spb[, -1]) %>%
`rownames<-`(dist_spb$name) %>%
as.dist()
# Координаты городов
coord <- read_excel("data/dist_spb.xlsx", sheet = "coord")
# Фон карты
load(file = "data/dist_spb_dat.RData")
```
## Расстояния по автодорогам между пригородами Санкт-Петербурга
```{r dist-table, echo=FALSE, purl=FALSE, max.print=14}
rmarkdown::paged_table(as.data.frame(dist_spb))
```
Расстояния по автодорогам не совсем "евклидовы": например, из Кронштадта до Санкт-Петербурга нельзя добраться по прямой.
```{r gg-spb, message = FALSE, echo=FALSE, purl=FALSE, fig.height=5, fig.width=7}
# Карта окрестностей спб
gg_spb <- ggmap(map_dat) +
geom_point(data = coord, aes(x = lng, y = lat,
size = population/1000),
alpha = 0.8, colour = "grey20") +
geom_text(data = coord, aes(x = lng, y = lat,
label = name),
vjust = -0.3, hjust = -0.05) +
theme(legend.position = "none") +
labs(x = "Долгота", y = "Широта",
size = "Население,\nтыс. чел.")
gg_spb
```
При помощи nMDS ординации можно восстановить карту, сохраняя ранги расстояний между объектами.
```{r ord-spb, echo=FALSE, purl=FALSE, fig.height=3.5, fig.width=5, results='hide'}
op <- par(mar = c(3, 3, 0.1, 0.1), mgp = c(2, 1, 0))
spb_ord <- metaMDS(D)
ordiplot(spb_ord, type = "t")
```
Что странного в этой карте?
## Важные свойства nMDS
1. Ординация __сохраняет ранг расстояний между объектами__ (похожие располагаются близко, непохожие --- далеко; если объект А похож на B, больше чем на C, то и на ординации он, скорее всего, окажется ближе к B, чем к C).
2. На ординации имеет смысл только взаиморасположение объектов. Облако точек в осях MDS можно вращать, перемещать, зеркально отражать. Суть ординации от этого не изменится.
3. Значения координат точек в ординации лишены смысла (их вообще можно не приводить на итоговой ординации).
## Как работает nMDS
nMDS старается сохранить отношения между объектами. Взаиморасположение точек на плоскости ординации подобно взаиморасположению точек исходном многомерном пространстве признаков, но значения не полностью совпадают. У хорошей ординации nMDS ранги расстояний должны совпадать с рангами коэффициентов различия в исходном многомерном пространстве. Это значит, что в идеале, бOльшим расстояниям в исходном пространстве должны соответствовать бOльшие расстояния на ординации, а меньшим --- меньшие (т.е. должны сохраняться ранги расстояний).
__Стресс (Stress)__ --- мера качества ординации. Он показывает, насколько соответствуют друг другу взаиморасположение точек на плоскости ординации и в исходном многомерном пространстве признаков.
$$ Stress(1) = \sqrt{\frac{\sum_{h < i}{(d_{h,i} - \hat d_{h,i})^2}}{\sum_{h < i}{d_{{h,i}}^2}}}$$
- $d$ --- наблюдаемое значение коэффициента различия между двумя точками
- $\hat d$ --- значение, предсказанное монотонной регрессией
Хорошо, когда $Stress(1) < 0.2$.
## Алгоритм MDS (для двумерного случая)
<img src="images/ezhik.jpg" alt="Ежик в тумане" width=460px>
<!-- Марка СССР Ёжик в тумане (1988, ЦФА №5919). [Википедия](https://ru.wikipedia.org/wiki/%D0%A4%D0%B0%D0%B9%D0%BB:1988_CPA_5919.jpg) -->
1. Вычисляем матрицу коэффициентов различия между объектами.
2. Распределяем объекты на плоскости в случайном порядке (или при помощи PCoA).
3. Вычисляем стресс.
4. Сдвигаем точки по плоскости так, чтобы минимизировать стресс.
5. Повторяем шаги 2-4 несколько раз, чтобы избежать локальных минимумов стресса.
6. Обычно финальную ординацию поворачивают, чтобы вдоль оси X было максимальное варьирование.
## Ограничения nMDS
- nMDS --- метод визуализации данных.
- Коэффициент различия и трансформация данных должны быть выбраны исходя из того, какие именно свойства объектов должны быть визуализированы.
- Число измерений, выбранное для решения, может влиять на результат.
## nMDS ординация в R: гребешки
```{r}
library(vegan)
pecten_ord <- metaMDS(tpecten_norm,
distance = "euclidean",
autotransform = FALSE)
```
Простейший график ординации проб:
```{r}
ordiplot(pecten_ord, type = "t", display = "sites")
```
Хорошая ли получилась ординация, можно узнать по величине стресса:
```{r}
pecten_ord$stress
```
Давайте теперь раскрасим график ординации.
```{r}
# Палитры
pal_col <- c("steelblue", "orangered")
pal_sh <- c(17, 19)
# Украшенный график nMDS ординации
ordiplot(pecten_ord, type = "n", display = "sites")
points(pecten_ord,
col = pal_col[pecten.fac$Condition],
pch = pal_sh[pecten.fac$Condition])
legend("topleft",
levels(pecten.fac$Condition),
col = pal_col,
pch = pal_sh,
bty = "n",
xpd = T)
# График nMDS ординации, где обведено облако проб одной категории
ordiplot(pecten_ord, type = "n", display = "sites")
points(pecten_ord,
col = pal_col[pecten.fac$Condition],
pch = pal_sh[pecten.fac$Condition])
ordihull(pecten_ord, groups = pecten.fac$Condition, col = pal_col, label = TRUE)
```
Можно сопоставить результаты ординации и классификации. Видно, что дендрограмма лишь очень условно отображает исходное многомерное пространство.
```{r}
# График nMDS ординации с наложенной дендрограммой
ordiplot(pecten_ord, type = "n", display = "sites")
points(pecten_ord,
col = pal_col[pecten.fac$Condition],
pch = pal_sh[pecten.fac$Condition])
ordicluster(pecten_ord, cluster = hc_avg)
legend("topleft",
levels(pecten.fac$Condition),
col = pal_col,
pch = pal_sh,
bty = "n",
xpd = T)
```
# Задание для самостоятельной работы
Для выполнения этого задания вы можете использовать либо свои собственные данные, либо (уже логарифмированные) данные о протеоме сыворотки крови пациентов, страдающих разной степенью гиперплазии предстательной железы, из пакета `digeR` [@fan2009diger]:
- [prostate.xlsx](data/prostate.xlsx)
- [prostate.zip](data/prostate.zip)
В качестве исходных данных используйте матрицу евклидовых расстояний между пробами.
- Постройте дендрограмму. Используйте алгоритм кластеризации, который лучше всего отражает матрицу исходных расстояний на дендрограмме)
- Постройте танглграмму из двух дендрограмм, полученных методом ближайшего соседа и методом невзвешенного попарного среднего.
- Постройте тепловую карту.
- Постройте ординацию методом nMDS.
На ваш взгляд, для каких целей лучше всего подходит каждый из использованных методов визуализации?
# Ссылки
```{r include=FALSE}
write.bibtex(file="bibs/03_packages.bib")
```