聚类热图的一个小技巧

热图是文章中必不可少的一类图形，而如何聚的好看也就成了无法避免的话题，好看不仅带来视觉的喜好，同时也更好的从至少某一方面揭示了事物的内在规律，一个好的聚类常常能带来有前景的实际应用，比如用于临床标志物的发现或者疾病的分子亚型分类。因此，如何能聚的更准确，这就成了我们关心的问题。
这个post，说是小技巧，其实大部分人都用不到，很多时候大家并不关心聚类聚错的具体数字。我却被困惑了很久，每次做聚类热图，只是看上去大概差不多了，但到底差多少？师兄是一个很认真的人，所以我每次都只能通过数格子进行统计（原谅我智商有限），这样样本量一大不仅效率低下，而且很容易数错。
今天突然想起了之前一个公众号的一个热图的代码，经过思考和尝试，终于以自己的方式解决了这个问题，虽然还不够快，但还是比数数准确多了。
统计聚类结局与实际分类的差别，本质上其实也是比较预测的混淆矩阵问题，因此，在热图中，一个关键的基础就是把样本聚类后的样本名称按顺序从图中拉下来，并根据聚类簇找到聚类的分界点，可以有两种方法实现：
1.通过代码实现,b<-pheatmap(z2),这一句可以画出heatmap（中间过程自己设），然后，关键的一句：z2_cluster <- z2[b$tree_row$order, b$tree_col$order]，这一句得到一个数值框，我们关心的是colname，因此，再运行colnames(z2_cluster)即可得到热图中聚类后的样本顺序。当然，如果样本很多比如大于100个，那可以通过write.csv()语句把它写出来。核对之后发现确实是热图中的样本顺序。
2.第二种方法也很简单，打开热图，直接从左到右复制样本名称，粘贴到excel中即可。
通过前面的步骤，就完成了第一步，此时在excel中完成如下excel数据排列：

image.png

其中的G列是聚类后样本的排序，这里保留排序以防后面打乱；在真实样本分类和聚类后分类（cluster）中间空出一列；

第二步、

接下来填充cluster一列，在热图中找到聚类树的分界

image.png

用pdf的矩形工具拉到底，找到对应的样本名，即是0和1的预测分界，该样本以上为0，以下为1(或相反，看具体聚类情况)，填写到cluster一列中；
然后将SampleId一列复制到最后H列并分列，将样本顺序按从小到大排列（注意只排聚类后的几列，这就是为什么要空出D列的原因），最后H列分列后的最后一列即为样本顺序，此时表格变为这样：

image.png

第三步、

现在，可以删掉D列了。删掉后对所有表格执行筛选操作：

image.png

现在我们来看聚类的混淆矩阵：
先看特异性，即真实类别和聚类类别均为0，先筛选“真实类别”一列为0，再看“cluster”下有几个0，发现只有一个样本即sample5；

image.png

同样的，筛选“真实类别”为1，再看“cluster”下有几个1，发现有sample1,sample2,sample3,sample4,共4个样本聚类为1分类。而真实类别下的0和1个数分别为5个和10个，因此对应的特异性和灵敏度即是：1/5=20%和4/10=40%
通过这个方法可以比较不同模型在聚类热图中的聚类情况。其实意义不大，不过如果本身只是基于某些特征做聚类热图，那还是有意义的。