聚类分析-K-means clustering 在生物信息学中的应用

聚类分析-K-means clustering 在生物信息学中的应用

聚类是一种涉及数据点分组的机器学习技术。给定一组数据点，可以使用聚类算法将每个数据点到分类到图像中的特定组中。理论上，同一组中的数据点应具有相似的属性和特征，而不同组中的数据点的属性和特征则应高度不同。聚类是无监督学习的一种方法，是用于多领域统计数据分析的常用技术。在生物学领域， 有效地将不同的基因序列集进行有效的分类、功能基因识别、对蛋白质物理化学性质进行聚类可以预测其功能，推导植物和动物的分类，推断出物种的系统发育树，获得对种群固有的结构认识等，成为后基因组时代功能基因研究的重要工具。由于聚类分析应用的广泛性，出现了大量可用的聚类分析软件。常见的聚类分析方法有 K-means clustering， 以及Hierarchical Clustering （层次聚类）。

K-means clustering 简介

K-means由于其简单，好理解，运算速度快的优点，是一种非常常见并且应用很广泛的聚类分析方法。k-means的分析原理如下：首先任取k（分析人员自己设定）个样本点作为k个簇的初始中心，也就是数据集经过聚类得到k个分组；然后对每一个样本点，计算它们与k个中心的距离，把它归入距离最小的中心所在的簇；等到所有的样本点归类完毕，重新计算k个簇的中心；重复以上过程直至样本点归入的簇不再变动（收敛）。这样就将所有的样本划分成了k个组。

K-means聚类分析方法已被成功地应用于生命科学中各领域的研究，如在生物信息学分析中，K-means聚类分析常用于聚类基因表达数据、聚类蛋白质序列、构建系统发育树等。 如蛋白质序列