Clustering samples

Sample을 두 그룹으로 Clustering 하는 process입니다. Clustering 알고리즘은 3가지가 있습니다. --clustering 옵션에서 silhouette, nmf, splice_site 중 하나를 선택하여 실행할 수 있습니다..

Silhouette

Silhouette는 coverage값에 따른 exon의 앞쪽 position의 오차범위에 뒤쪽 position의 평균이 들어가지 않을 때 이를 clustering 하는 과정입니다.

Clustering을 할 때, exon을 두 개 선택하게 됩니다. 아래 설명을 위해 Exon 1 과 Exon 7 을 선택했다고 가정합시다.

../_images/clustering_silhouette.png

선택한 첫번째 Exon은 Exon 1 입니다. Exon 1 과 Exon 2 를 붙여서 보면, Exon의 경계에서 coverage 그래프 간의 차이가 생기게 됩니다.

이 때 Exon 1 의 끝에서 --silhouette_dintv 만큼의 구간의 CI 신뢰구간을 구해줍니다. Exon 2 의 시작에서 --silhouette_dintv 만큼의 구간의 전체 평균이 이 CI 신뢰구간에 들어가지 않으면, clustering 합니다.

또, Exon 8 의 끝에서 --silhouette_dintv 만큼의 구간의 CI 신뢰구간을 구해줍니다. Exon 7 의 시작에서 --silhouette_dintv 만큼의 구간의 전체 평균이 이 CI 신뢰구간에 들어가지 않으면, clustering 합니다. 두 조건을 모두 만족해야 clustering이 됩니다.

Exon 2 의 평균을 Tau 로 설정합니다. 이보다 작은 값들만 최종 clustering하게 됩니다.

위에서 CI 와 Tau 값을 조정하면서 Silhouette score를 측정합니다. 그 중 Silhouette score가 가장 높을 때, 최종 clustering 결과로 결정합니다.

이 과정에서 CI와 Tau 값에 따른 두 그룹의 proportion과 score를 각각 저장합니다. 그 뒤, CI/Tau/Score 그래프 와 Ratio/Score 그래프 를 그려 저장합니다.

NMF

NMF를 이용하여 exon의 시작과 끝 앞뒤로 interval 을 둔 범위의 coverage 값을 모든 sample에 대해 불러옵니다. 이 값을 NMF(Non-nefative matrix factorization)을 이용하여 W와 H 행렬로 나눕니다. W와 H행렬의 각각 행과 열은 2로 나누어 줍니다. 이때 W행은 sample 만큼의 행과 2열로 구성됩니다. 해당 sample의 행에서 0번째 열보다 1번째 열이 더 클 경우 clustering합니다.

이 때, interval 에 따라 이 과정을 반복하며 Silhouette score를 계산합니다. interval 중, 제일 높은 Silhouette score를 받은 interval 과 clustering 결과를 저장하고 이를 NMF의 clustering 결과로 합니다.

Splice site

Genetic variants 데이터 중 effect의 이름이 splice_site 가 있는 것들을 모아 줍니다. splice_site 가 있는 sample을 모두 선택하여 clustering 하여 줍니다.