SC3 - consensus clustering of si

SC3本质上来说还是k-means聚类，但是在聚类前后进行了一些特殊的操作。首先对原始数据进行基因过滤以及PCA或者laplacian变换降维，减少数据噪声聚聚类结果的影响。最后计算多次的聚类结果的一致性，帮助我们得到最优的聚类结果。

一、方法步骤

输入：表达矩阵，行为基因，列为细胞，表达值可以是TPM、CPM、UMI count、FPKM、RPKM

（1）基因过滤：过滤掉表达细胞比例较少的稀有基因和表达比例特别高的ubiquitous genes

（2）计算距离矩阵：如图所示3种方法分别计算细胞的距离矩阵。（得到3个距离矩阵）

（3）降维：分别进行PCA和laplacian转化（此处的laplacian具体原理不了解），得到3*2个转化矩阵，然后分别选取特征值最高的前d个特征向量（比如PCA中分别选取PC1、PC1+PC2、PC1+…+PCd）。得到3*2*d个降维矩阵

（4）K-means聚类：对降维矩阵进行聚类。得到3*2*d个聚类结果

（5）计算一致性：对每一个聚类结果计算一个二值相似性矩阵，两个细胞在同一个cluster则为1，反之为0。将所有的二值相似性矩阵取均值得到最后的一致性矩阵。

（6）一致性矩阵聚类：用层次聚类对一致性矩阵聚类。

二、使用该方法的注意事项

（1）第4中的聚类的类别数目和最后一次的类别数目原则上是可以不一样的，但是为了降低算法的复杂度，该方法将两个参数K设为一致的。

（2）第二步降维处理的时候，有一个问题，到底降到多少维呢？作者经过大量的数据表明：原向量维数的4%-7%是一个比较合适的目标维数。

（3）由于算法的复杂度较高，因此在聚类之前不经要过滤低质量的基因，通常要对表达谱进行高变异基因的筛选。

（4）根据实际SC3 R包的操作发现，输入需要包括原始表达谱和标化后的表达谱（通常是log2转化后的表达谱，也可以是经过特殊标化的表达谱，比如标化了样本间的差异的表达谱）

（5）聚类完成后，我们可以根据一致性矩阵计算轮廓系数（0到1之间，越大越好），帮助我们得到最优的类别数目。

三、方法优缺点

（1）聚类效能好，但是算法复杂度高，所以比较耗时