基于KMeans聚类微生物群落结构研究.docVIP

基于KMeans聚类微生物群落结构研究 　　摘要： 　　随着宏基因组学的不断发展，揭示了微生物菌群在研究中的重要作用。采用K-Means聚类算法对来源于北平顶猴阴道微生物群落OTUs数据集的27个样本进行研究，并与PCA主成分分析法进行对比。K-Means聚类将OTUs数据集分成4个Cluster，而PCA将OTUs数据集划分成5个Cluster。此外，结合样本的元数据-pH，发现样本间的pH值相似性更能与K-Means聚类的分类保持一致。相较于PCA主成分析方法，K-Means聚类能更精确地对OTUs数据集进行分类。 　　关键词： 　　K-Means聚类；PCA主成分分析法；微生物群落结构；OTUs数据集 　　DOIDOI：10.11907/rjdk.172732 　　中图分类号：TP319 　　文献标识码：A文章编号文章编号：1672-7800（2018）001-0146-03 　　Abstract：The development of macrogeome has shown that microbial flora plays an important role in the research and development of many aspects. A total of 27 samples from the OTUs data collection of the microbiological community of the North Mongolian monkey were studied by K-Means clustering algorithm and compared with the PCA principal component analysis method. K-Means clustering divides the OTUs data set into four clusters. Interestingly， PCA divides the OTUs data set into five clusters. In addition， combining the sample metadata-pH， it is found that the pH similarity between the samples is more consistent with the classification of K-Means clustering.K-Means clustering classifies the OTUs data sets more accurately than the PCA principal analysis method. 　　Key Words：K-Means clustering； principal component analysis； microbial community structure； OTUs data set 　　0引言 　　微生物群落的种群多样性一直是微生物生态学和环境学科研究的重点。近年来，微生物群落结构成为了研究热点。群落结构决定了生态功能的特性和强弱，因此群落结构的高稳定性是实现生态功能的重要因素，群落结构变化也是标记环境变化的重要指标[1-4]。通过对目标微生物的群落结构和多样性进行解析并研究其动态变化，可为挖掘群落功能信息、优化群落结构与调节群落功能提供可靠依据。 　　自新一代高通量测序技术2005年问世以来，以其数字化信?、高数据通量、高准确率以及信息量丰富等优点，被广泛应用于微生物菌群研究中[3-6]。本次研究的菌群数据集具有OTUs（Operational Taxonomic Unit）数量多、数据量大、样本信息复杂以及具有一定稀疏性等特点，且微生物群落数据特性与文本分析的变化模式类似。因此，本文提出一种非监督学习算法K-Means聚类算法对微生物群落进行研究。 　　目前，在微生物群落研究中，PCA主成分分析法也是一种常用方法。PCA 主成分分析法是把多指标转化为少数几个综合指标，使其尽可能多地保留原始变量信息，且彼此不相关[7-8]。但处理结果具有一定模糊性，不能很好地抓住数据的真实子空间结构，当遮挡幅值较大时，效果较差。而K-Means聚类算法是一种非监督学习的硬聚类算法[9]，是典型的基于原型的目标函数聚类方法的代表。它是以数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则，主要采用误差平方和准则函数作为聚类准则函数，以欧式距离作为相似度测度，具有计算速度快、操作简单、时间复杂度近似线性的特点，适合挖掘大规模数据集，且对大数据集分析有较高效率以及可伸