高维数据的联合与独立整合聚类及其在 Metabric 研究中的应用

在测量一系列不同的基因组、表观基因组、转录组及其他变量时，整合分析方法可以增强推断并提供新见解。聚类患者样本时亦是如此，目前已提出多种整合聚类流程。这些方法的共同点在于局限于对所有数据层均相同的联合聚类结构。我们提出了联合与独立聚类（Joint and Individual Clustering, JIC），作为 JIVE 算法（Lock 等，2013）的扩展，可同时估计联合聚类和数据类型特异性聚类。我们将该方法与另一种整合聚类方法 iCluster 进行了比较，模拟结果显示，当同时存在独立聚类和联合聚类时，JIC 具有明显优势。该方法被用于对 Metabric 研究中的患者进行聚类，整合了基因表达数据和拷贝数变异（CNA）。分析表明，两种数据类型共有三个联合聚类，而 CNA 特有七个独立聚类。即使在调整年龄和治疗因素后，联合聚类和 CNA 特异性聚类在生存率上均存在显著差异。