Aplicación y comparativa de cuatro modelos de clustering para datos GTEx

Abstract

En el presente TFM se estudian y evalúan cuatro diferentes algoritmos de clustering: método coexp (formado porWGCNA y k-means), k-means convencional y dos modelos de mezcla finitos. En primer lugar se implementan todos los modelos de clustering, se busca el número de clusters óptimo en base a diferentes criterios estadísticos como BIC, AIC y el método de codo y por último, las particiones generadas por dichos métodos se visualizan y se comparan entre sí con la ayuda de una serie de métricas (o medidas) de validación externa. Se han usado medidas basadas en el conteo de pares (counting based measures) como el índice de Rand ajustado (Adjusted Rand Index, ARI) y en información teórica (information theoreticbased measures) como la variación de la información normalizada (Normalized Variation of Information, NVI) y distancia de información normalizada (Normalized Distance of Information, NID).

En el present TFM s'estudien i avaluen quatre diferents algorismes de clustering: mètode coexp (format porWGCNA i k-means), k-means convencional i dos models de mescla finits. En primer lloc s'implementen tots els models de clustering, es busca el nombre de clústers òptim sobre la base de diferents criteris estadístics com BIC, AIC i el mètode de colze i finalment, les particions generades per aquests mètodes es visualitzen i es comparen entre si amb l'ajuda d'una sèrie de mètriques (o mesures) de validació externa. S'han usat mesures basades en el comptatge de parells (counting based measures) com l'índex de Rand ajustat (Adjusted Rand Index, ARI) i en informació teòrica (information theoreticbased measures) com la variació de la informació normalitzada (Normalized Variation of Information, NVI) i distància d'informació normalitzada (Normalized Distance of Information, NID).

Presently TFM, it has been studied and evaluated four different clustering algorithms: coexp method (WGCNA + k-means), k-means conventional and two mixture models. First of all, it will implement all clustering models, search optimum clusters numbers statistical criteria-based as BIC, AIC and elbow method, at last, the final partitions generated by those methods are visualized are compared via external validation metrics (measures). Various clustering comparison measures have been used, counting-based measures as Adjusted Rand index (ARI) and information theoretic-based as Normalized Variation of Information (NVI) and Normalized Distance of Information (NID).