R中邻接矩阵计算基因Jaccard相似度仅返回0/1值问题求解

计算结果仅返回0、1两类值，本质是输入格式或函数参数配置错误，常见诱因有三类：

• 邻接矩阵被存为字符型/因子型：比如通路存在标记为"存在"/"缺失"、"yes"/"no"，或读入数据时0/1被自动识别为因子，底层计算时仅做完全匹配判断——两个基因的通路关联模式完全一致返回1，否则全部返回0
• 函数参数错配：调用Jaccard计算方法时未明确指定输入为二元特征，函数误将0/1值当作连续值计算；或矩阵本身包含0/1以外的权重值（如富集分数、突变频率），被函数默认的二值化规则错误截断，最终仅能输出全同/全异两类结果
• 稀疏矩阵兼容问题：如果输入是稀疏格式的邻接矩阵，部分旧版本函数不支持稀疏二元矩阵的向量化运算，会退化为标量完全匹配逻辑，无法输出区间值

第一步：校验并修正输入矩阵格式 #

先运行代码确认输入符合二元Jaccard的计算要求：

# 假设你的基因-通路邻接矩阵变量名为gene_path_mat，行是基因，列是通路
# 1. 检查矩阵元素的数据类型，必须为数值型（integer/numeric）
class(gene_path_mat[1,1])
# 如果返回值为character/factor，先统一转成0/1数值矩阵，以下示例为"present"标记存在的场景，可根据自己的标记规则修改判断逻辑
gene_path_mat <- apply(gene_path_mat, 2, function(col) as.numeric(col == "present"))
rownames(gene_path_mat) <- 基因名向量 # 格式转换后记得补回基因名作为行名

# 2. 检查矩阵取值范围，标准二元邻接矩阵仅允许0（基因不在对应通路中）、1（基因在对应通路中）两类值
unique(as.vector(gene_path_mat))
# 如果存在0/1以外的取值，要么提前做二值化（比如大于0记为1，否则记为0），要么换用加权Jaccard算法

第二步：选择正确的函数与参数配置 #

不要直接调用通用距离函数的默认参数，二元Jaccard计算需要显式声明数据类型：

场景1：输入为纯0/1二元邻接矩阵 #

用proxy::simil计算时必须显式指定二元计算模式，避免函数自动推断类型出错：

library(proxy)
jaccard_simil <- proxy::simil(
  x = gene_path_mat,
  method = "Jaccard",
  by_rows = TRUE, # 明确按行（即基因维度）计算两两相似度
  diag = FALSE,
  upper = FALSE,
  type = "binary" # 核心参数：告知函数输入为0/1二元特征，不要按连续值逻辑计算
)
# 转为普通矩阵格式方便后续分析
jaccard_simil_mat <- as.matrix(jaccard_simil)

场景2：输入为带权重的邻接矩阵 #

如果矩阵中存储的是基因与通路的关联权重（如富集得分、关联强度），不要使用普通二元Jaccard，换用加权Jaccard（又称Ruzicka相似度）计算：

library(vegan)
# binary = FALSE 表示启用加权Jaccard计算逻辑
jaccard_dist <- vegan::vegdist(gene_path_mat, method = "jaccard", binary = FALSE)
weighted_jaccard_simil_mat <- 1 - as.matrix(jaccard_dist)

第三步：结果合理性校验 #

计算完成后随机抽取3-5对基因手动验算，确认结果逻辑正确：

Jaccard相似度核心公式为：两个基因共同关联的通路数量 / 两个基因关联的通路总并集数量。例如基因A关联3个通路，基因B关联4个通路，两者共同关联的通路有2个，则相似度应为2/(3+4-2) ≈ 0.4，不属于0或1。
如果手动核验多对基因后，确认任意两个基因的关联通路要么无交集、要么完全重合，那0/1的结果是符合数据实际情况的，无需额外调整。

内容的提问来源于stack exchange，提问作者Nikita Srivastav