在R中提取聚类结果中含特定数量基因的簇内基因信息

1. 数据准备 #

先将Dropbox上的Excel文件下载到本地，再用R读取并预处理：

# 加载依赖包
library(readxl)

# 读取数据，第一列为基因特征编号
gene_df <- read_excel("Sums.xlsx")
# 将基因编号设为行名，方便后续聚类后对应基因
rownames(gene_df) <- gene_df[[1]]
# 仅保留症状标记列用于距离计算
gene_features <- gene_df[, -1]

2. 计算距离与层次聚类 #

按照要求使用binary方法计算距离，再完成层次聚类并指定高度切割：

# 计算二进制距离矩阵
dist_matrix <- dist(gene_features, method = "binary")

# 执行层次聚类（默认采用ward.D2方法，可根据数据特性更换为complete/average等）
hclust_result <- hclust(dist_matrix)

# 按高度h=0.35切割聚类树，得到每个基因的簇分配结果
cluster_assignments <- cutree(hclust_result, h = 0.35)

3. 筛选并提取含7个基因的簇 #

统计各簇的基因数量，找出符合条件的簇并输出对应基因编号：

# 统计每个簇的基因数量
cluster_counts <- table(cluster_assignments)

# 筛选出恰好包含7个基因的簇编号
target_cluster_ids <- names(cluster_counts[cluster_counts == 7])

# 逐个输出目标簇的基因列表
for (cid in target_cluster_ids) {
  cat("簇", cid, "的基因编号：\n")
  cat(rownames(gene_df)[cluster_assignments == cid], sep = "\n")
  cat("\n")
}

注意事项 #

• 若无需下载文件，可使用rdrop2包直接从Dropbox读取，但需先完成Dropbox的API授权配置
• 若聚类结果与预期的21个7基因簇有出入，可调整聚类方法或微调切割高度h的数值

内容的提问来源于stack exchange，提问作者Marina