聚类分析是一种广泛使用的统计方法，它根据选定的统计距离函数将观察到的数据集划分为几个子类或簇。聚类算法可分为两类:层次聚类方法和非层次聚类方法。这两种算法都将观察到的数据集划分为子组，从而将具有相似代谢组学特征的数据集放在每个子组中。

层次聚类（HCL）通过使用以下程序生成树状图来对齐数据集：

• 计算两个样本的相似性使用一个特定的度量，如皮尔逊相关，欧几里德，互信息和协方差值;
• 将最相似的样本作为邻居对齐或将它们作为单个簇配对；
• 重复步骤1和2，直到所有样品对齐。

非层次聚类(non-HCL)也将数据划分为子类，但没有任何层次组织。K-均值法和模糊c-均值法是非hcl的典型例子。在k -means方法中，首先随机选择k个数据点来接近每个簇的平均值，然后为每个簇计算一个新的平均值，并将模式重新分配给新的平均值。这个集群过程会不断重复，直到集群意味着没有模式从一个集群移动到另一个集群。K-means方法只将每个数据点分配到一个簇中，而模糊c-means方法允许将一个数据点分配到几个簇中。模糊c-均值也计算属于每个聚类的一个数据点的概率。当样本的集群数量未知时，这些分析被广泛应用，并且可以应用于一次性快照分析和时间过程数据。

Creative Proteomics提供的聚类分析服务，包括:

• 树状图服务
• 热图服务
• k - means服务
• SOM服务

如何下订单:

*如果贵公司需要签署保密协议，请通过电子邮件与我们联系