6.1 聚类介绍
当我们标准化数据并消除了混杂因素，我们就可以进行与当前生物学问题相关的分析。分析的具体性质取决于数据。不过，有些分析在广泛的背景下很有用，我们将在接下来的几章中讨论其中的一些。我们将从scRNA-seq数据的聚类开始。
6.1.1 简介
ScRNA-seq最有前景的应用之一是基于转录谱从头发现和注释细胞类型。从计算角度来看，这是一个难题，因为它相当于无监督聚类。也就是说，我们需要在对标签没有任何先验知识的情况下，根据转录组的相似性来识别细胞群。大多数情况下我们甚至不知道先验的聚类数量。由于噪音水平高（技术和生物）且维度数量众多（即基因），这个问题变得更具挑战性。
6.1.2 降维
处理大型数据集时，应用降维方法通常会有所帮助。通过将数据投影到低维子空间，通常能够显著减少噪音量。另一个优势是，在2维或3维子空间中可视化数据通常更容易。我们已经讨论了PCA（5.2.2）和t-SNE（5.2.3）。
6.1.3 聚类方法
无监督聚类在许多不同的应用场景中很有用，并且在机器学习中得到广泛的研究。一些最流行的方法是层次聚类（hierarchical）、k均值聚类（k-means）和基于图的聚类（graph-based）。
6.1.3.1 层次聚类
在层次聚类中，可以使用自下而上或自上而下的方法。在前一种情况下，每个细胞最初被分配到其自己的聚类，随后将聚类对合并以创建层次结构：
采用自上而下的策略，我们首先将观测值放在一个聚类中，然后递归地拆分每个聚类以形成层次结构。此策略的优点之一是该方法具有确定性。
6.1.3.2 k均值
在k均值聚类中，目标是将N个对象（细胞）划分为k个不同的聚类。以迭代方式分配聚类中心，并将每个细胞分配到其最近的聚类：
大多数scRNA-seq分析方法在某些节点都包含k均值步骤。
6.1.3.3 基于图的方法
过去二十年，人们对分析各个领域的网络产生了浓厚兴趣。其中一个目标是识别网络中的节点分组或模块。
通过构建每个节点代表一个细胞的图（graph），网络分析的一些方法可以应用于scRNA-seq数据。注意，构建图并为边分配权重并非易事。基于图的方法的一个优点是其中一些方法计算效率很高，可以应用于包含数百万个节点的网络。
6.1.4 聚类的挑战
- 聚类数k是什么？
- 什么是细胞类型？
- 可扩展性：在过去几年中，scRNA-seq实验中的细胞数量增长了几个数量级，从~
增长到~
。
- 工具可能不够友好。
6.1.5 scRNA-seq数据工具
6.1.5.1 SINCERA
- SINCERA（Guo 等，2015）基于层次聚类。
- 数据在聚类之前转换为z-score。
- 通过查找层次结构中的第一个单例群来确定k。
6.1.5.2 SC3
- SC3（Kiselev 等，2017）基于PCA和数据谱降维。
- 利用k均值。
- 额外执行共识聚类。
6.1.5.3 tSNE + k-means
- 基于tSNE图。
- 利用k均值。
6.1.5.4 Seurat聚类
Seurat聚类基于与SNN-Cliq类似的社区检测方法，以及之前提出的用于分析CyTOF数据的方法（Levine等，2015）。由于Seurat已经变得更像一个用于scRNA-seq数据分析的一体化工具，我们专门用一个章节来更详细地讨论它。
6.1.6 聚类比较
为了比较两组聚类标签，我们可以使用调兰德指数（adjusted Rand index）。该指数是两个数据聚类之间相似性的度量。调兰德指数的值处于[0;1]区间内，其中1表示两个聚类相同，0表示偶然预期的相似度。
往期内容：
重生之我在剑桥大学学习单细胞RNA-seq分析——5. scRNA-seq数据的基本质量控制 (QC) 和探索（4）
重生之我在剑桥大学学习单细胞RNA-seq分析——5. scRNA-seq数据的基本质量控制 (QC) 和探索（5）
重生之我在剑桥大学学习单细胞RNA-seq分析——5. scRNA-seq数据的基本质量控制 (QC) 和探索（6）
