基于hclust的聚类分支标注与树切割需求技术问询

针对你的两个需求和疑问，直接给你具体的R实现方案和解释：

hclust的树高默认是距离值，如果你的距离矩阵是用1 - cor(seq_matrix)生成的（相关性越高，距离越小），那相关度可通过1 - 树高转换为百分比。推荐用ggtree包实现标注，代码示例：

library(ggtree)
library(dplyr)

# 假设你已生成hclust结果：hc
hc <- hclust(dist(1 - cor(seq_matrix)), method = "complete")

# 转换为phylo格式（ggtree支持的树对象）
tree <- as.phylo(hc)

# 将树高转换为相关度并生成百分比标签
tree$edge.length <- 1 - tree$edge.length
tree$edge.label <- paste0(round(tree$edge.length * 100, 1), "%")

# 绘制带标注的聚类树
ggtree(tree) + 
  geom_text(aes(label = edge.label), hjust = -0.1, size = 3) +
  geom_tiplab(size = 3)

如果你的距离计算方式不同（比如默认欧氏距离），需要对应调整相关度的转换逻辑。

首先手动定义目标分组：

• 单序列组：c("r4", "e", "r12", "r21ee", "r2")
• 聚类A：c("r.is.almost.r1", "r1", "r.is.r1")
• 聚类B：c("r21", "r21e")

步骤1：构建自定义分组 #

# 获取所有序列名称
all_seqs <- hc$labels

# 创建分组向量
group <- rep(NA, length(all_seqs))
names(group) <- all_seqs

# 给单序列组赋值（每个单独成组）
single_seqs <- c("r4", "e", "r12", "r21ee", "r2")
group[single_seqs] <- single_seqs

# 给聚类A、B赋值
group[c("r.is.almost.r1", "r1", "r.is.r1")] <- "Cluster_A"
group[c("r21", "r21e")] <- "Cluster_B"

三种命名方案实现 #

方案1：合并名称（组内所有序列名拼接）

# 定义名称合并函数
merge_names <- function(seq_names) {
  paste(seq_names, collapse = "_")
}

# 生成合并后的组名
named_groups <- tapply(names(group), group, merge_names)
# 示例结果：Cluster_A -> "r.is.almost.r1_r1_r.is.r1"

方案2：选中心序列（组内平均距离最小的序列）

# 获取距离矩阵
dist_mat <- as.matrix(dist(1 - cor(seq_matrix)))

# 定义找中心序列的函数
find_center <- function(seq_names) {
  # 计算组内每个序列到其他序列的平均距离
  avg_dist <- apply(dist_mat[seq_names, seq_names], 1, mean)
  # 返回平均距离最小的序列名
  names(which.min(avg_dist))
}

# 生成以中心序列命名的组名
named_groups <- tapply(names(group), group, find_center)
# 示例结果：Cluster_A -> 三个序列中平均距离最小的那个（比如r1）

方案3：指定优先名称（按预设优先级选取）

# 预设优先级列表（按你想要的优先顺序排列）
priority_list <- c("r1", "r21", "r4", "e", "r12", "r21ee", "r2")

# 定义找优先名称的函数
find_priority <- function(seq_names) {
  # 从优先级列表中取第一个出现在组内的序列
  priority_list[priority_list %in% seq_names][1]
}

# 生成按优先级命名的组名
named_groups <- tapply(names(group), group, find_priority)
# 示例结果：Cluster_A -> "r1"（因r1在优先级列表中）

1. 聚类树的树高含义 #

hclust的树高代表两个簇合并时的距离值，具体含义完全取决于你最初计算的距离矩阵：

• 若用1 - cor(seq_matrix)作为距离：树高越小，簇间平均相关性越高；树高为0时，相关性100%。
• 若用默认欧氏距离：树高代表簇间样本的平均欧氏距离，数值越小说明簇内样本越相似。
  简言之：树高是簇间相似性的反向指标——树高越小，簇越相似。

2. 负相关序列为何会被聚类？ #

这完全取决于你使用的距离计算方式：

• 若用1 - abs(cor(seq_matrix))：正相关和负相关的距离值一致（取了绝对值），负相关序列会被判定为“相似”，从而被聚在一起。
• 若用1 - cor(seq_matrix)：负相关时cor值为负，距离会变成1 - 负数 = 大于1的数值，距离极大，几乎不会被聚在一起。
  先检查你的距离计算代码，确认是否误用了带绝对值的相关距离函数。

内容的提问来源于stack exchange，提问作者ivo Welch