经系统检测,您当前使用的浏览器可能不符合交互需求。

为获得更好的交互体验,推荐您使用以下浏览器。

Firefox

点击下载

Chrome

点击下载

层级聚类树

描述说明:层级聚类树利用树枝结构描述和比较不同类别的数据点间的相似性和差异关系,通过计算每个数据点间的相似性,对所有数据点进行聚类并构建树状结构,得到树状关系形式用于可视化分析。
  • 详细说明
  • 撰写评论

    利用树枝结构描述和比较不同类别的数据点间的相似性和差异关系。层级聚类树[1]通过计算每个数据点间的相似性,对所有数据点进行聚类,数据点之间的距离代表相似性,距离越小,相似度越高。层级聚类树提供average、single、complete 三种层级聚类算法及Euclidean、Manhattan、Canberra、Maximum、Minkowski、Binary等六种常见距离算法构建树状结构,得到树状关系形式用于可视化分析。


    1、以微生物多样性分析为例,输入的二维数据表为otu_table,如图1。数据表的制作方法参照参数设置页面说明。

    图 1

    2、设置层级聚类方式:average (UPGMA,Unweighted pair group method with arithmetic mean)、single、complete。

    3、设置距离算法:提供6种常见的距离算法,用户可依据需要任意选择,点击保存并运行生成相应的结果图。

    4、图表工具可用于修改分组颜色,更改主标题。


    树枝长度代表不同样本间的距离,颜色代表不同的分组,树枝靠得越近,表明样本的相似度越高。图中Con_3、Con_1、Con_4、Con_2是属于Con组的4个样本,且树枝较为靠近,表明它们具有较高的相似度。


    [1] Schlaeppi K, Dombrowski N, Oter R G, et al. Quantitative divergence of the bacterial root microbiota in Arabidopsis thaliana relatives.[J]. Proceedings of the National Academy of Sciences of the United States of America, 2014, 111(2):585-92.


    最新评论:

    ( 正在加载... )