4、后基因组时代聚类与蛋白质亚细胞定位预测研究

后基因组时代聚类与蛋白质亚细胞定位预测研究

在当今的生物信息学领域，聚类分析和蛋白质亚细胞定位预测是两个重要的研究方向。聚类分析有助于我们对大量生物数据进行分类和理解，而蛋白质亚细胞定位预测则能为我们揭示蛋白质的功能和相互作用提供关键线索。

聚类算法的选择与评估

在聚类算法中，非负矩阵分解（NMF）虽然在模式发现方面有一定能力，但作为聚类算法并不具有竞争力。与其他经典算法如平均链接法（Average Link）相比，NMF 计算成本高昂，尤其是在处理大型数据集时，其速度至少比平均链接法慢四个数量级，且精度也不如后者。因此，不建议将 NMF 作为聚类算法使用。

聚类过程的最后一步是通过验证措施评估聚类解决方案的统计显著性。目前有多种数据驱动的内部验证措施，它们可以大致分为以下几类：
1. 假设检验 ：如在统计学中常用的一些方法。
2. 基于稳定性的技术 ：通过多次抽样和聚类来评估聚类的稳定性。
3. 留一法技术 ：通过逐个剔除样本进行聚类评估。

这些验证措施存在一定的层次结构，最快但精度较低的方法位于上层。例如，簇内平方和（WCSS）是最快的方法之一，但与最慢的方法在时间上存在至少两个数量级的差距。而且，所有这些方法在处理大型数据集和大量簇时都存在严重局限性，要么无法准确预测簇的数量，要么无法在合理时间内完成计算。

在这些验证措施中，Consensus 虽然速度较慢，但在预测数据集的正确簇数量方面非常可靠，特别是与层次聚类算法结合使用时。其性能在不同的基本聚类算法（如层次聚类和 K-means）选择下