我想使用 R 对描述相同样本的两组变量执行层次聚类。一组是经过标准化和批次效应校正的微阵列基因表达数据（针对特定基因）。另一组也有一些描述相同样本的定量临床参数。但是，这些临床变量尚未经过标准化或进行任何类型的转换（即原始连续值）。
例如，其中一个变量的取值范围为 2 到 35，而另一个变量的取值范围为 0.1 到 0.9，等等。
因此，我的最终目标是实现层次聚类并同时使用两个组（合并在矩阵/数据框中），以检查这些临床变量中的哪些与特定基因聚类等：
1) 在与基因合并并执行聚类之前，是否需要对一组临床变量进行初始转换？比如：log2转换，我的部分基因表达数据也做了这个！！
2) 或者，行缩放（即输入数据中的总特征）会考虑这种差异？
3) 对于类似的分析/方法，例如构建上述总变量的相关图，简单的缩放是否足够？
【问题讨论】：
标签： r cluster-analysis bioinformatics correlation hierarchical-clustering
在没有看到你的基因表达数据的情况下，我只能根据你的描述，结合你提出的 3 个问题给你一些一般性的建议：
1) 你一定要检查每个组的分布。在 R 中，您可以使用以下一种或多种函数来可视化分布：
hist(expression_data) ##histogram
plot(density(expression_data)) ##density plot; alternative to histogram
qqnorm(expression_data); qqline(expression_data) #QQ plot
由于我的理解是您的一个表达式数据组是 log2 转换的，因此该特定组应该具有正态分布（即直方图中的钟形曲线形状和 QQ 图中的直线）。是否转换尚未转换的组将取决于您要对数据执行的操作。例如，如果您想使用 t 检验来比较两组，那么您肯定需要进行转换，因为存在与 t 检验相关的正态性假设。关于层次聚类，如果您决定在单个聚类分析中使用这两个组，那么为什么要保持一个转换而另一个不转换？
2) 按特征缩放是一种合理的方法。 Here 是来自犹他州立大学的集群讲座。统计课程，举个例子。如果您决定在 R 中使用 heatmap 函数，scale=TRUE 是您的选择。
3）我认为您的第三个问题没有明确的答案。它必须取决于您拥有多少可用功能以及您将在下游进行哪些分析。与问题 1 类似，我认为简单的缩放可能足以通过层次聚类来可视化您的数据。但是，请记住，假设您决定执行线性模型（这在微阵列基因表达数据中很常见），您可能需要考虑更复杂的数据缩放。
【讨论】：