SC3聚类 | 拉普拉斯矩阵 | Laplacian matrix | 图论 | R代码

Laplacian和PCA貌似是同一种性质的方法，坐标系变换。只是拉普拉斯属于图论的范畴，术语更加专业了。

 

要看就把一篇文章看完整，再看其中有什么值得借鉴的，总结归纳理解后的东西才是属于你的。

问题：

1. 这篇文章有哪些亮点决定他能发NM？单细胞，consensus，较好的表现，包装了一些专业的术语，显得自己很专业，其实真正做的东西很少；

2. consensus方法的本质是什么？

3. 工具的评估准则？ARI，silhouette index

4. SC3的最大缺点是什么？速度太慢，超过1000个细胞就非常耗费计算和存储资源

5. 能看懂SC3这个R包的逻辑吗？核心的就4步，多种距离度量，转换，kmeans聚类，consensus；

The main sc3 method explained above is a wrapper that calls several other SC3 methods in the following order:

• sc3_prepare
• sc3_estimate_k - Tracy-Widom theory - random matrix theory (RMT)
• sc3_calc_dists
• sc3_calc_transfs
• sc3_kmeans
• sc3_calc_consens
• sc3_calc_biology

6. 有很多问题没有回答，这篇文章偏技工！核心就是kmeans，打了个复杂的包而已。

• 不同距离的度量有什么差异？
• 为什么要做两种转换PCA和laplacian？
• 为什么选择了kmeans？不知道它有天然的劣势吗
• 做consensus的理论依据是什么？凭什么说做了一致性后结果就更好？

 

 

---

 

最近在看SC3聚类这篇文章，SC3使用了这个工具。

SC3: consensus clustering of single-cell RNA-seq data

All distance matrices are then transformed using either principal component analysis (PCA) or by calculating the eigenvectors of the associated graph Laplacian (L = I – D–1/2AD–1/2, where I is the identity matrix, A is a similarity matrix (A = e–A′/max(A′)), where A′ is a distance matrix) and D is the degree matrix of A, a diagonal matrix that contains the row-sums of A on the diagonal (Dii = ΣjAij). The columns of the resulting matrices are then sorted in ascending order by their corresponding eigenvalues.

先看下该工具的功能：SC3 package manual

跑一下常规代码：