Date: 2019-12-25 20:17:11 CET, cola version: 1.3.2
Document is loading...
All available functions which can be applied to this res_list object:
res_list
#> A 'ConsensusPartitionList' object with 24 methods.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows are extracted by 'SD, CV, MAD, ATC' methods.
#> Subgroups are detected by 'hclust, kmeans, skmeans, pam, mclust, NMF' method.
#> Number of partitions are tried for k = 2, 3, 4, 5, 6.
#> Performed in total 30000 partitions by row resampling.
#>
#> Following methods can be applied to this 'ConsensusPartitionList' object:
#> [1] "cola_report" "collect_classes" "collect_plots" "collect_stats"
#> [5] "colnames" "functional_enrichment" "get_anno_col" "get_anno"
#> [9] "get_classes" "get_matrix" "get_membership" "get_stats"
#> [13] "is_best_k" "is_stable_k" "ncol" "nrow"
#> [17] "rownames" "show" "suggest_best_k" "test_to_known_factors"
#> [21] "top_rows_heatmap" "top_rows_overlap"
#>
#> You can get result for a single method by, e.g. object["SD", "hclust"] or object["SD:hclust"]
#> or a subset of methods by object[c("SD", "CV")], c("hclust", "kmeans")]
The call of run_all_consensus_partition_methods() was:
#> run_all_consensus_partition_methods(data = mat, mc.cores = 4, anno = anno)
Dimension of the input matrix:
mat = get_matrix(res_list)
dim(mat)
#> [1] 21168 127
The density distribution for each sample is visualized as in one column in the following heatmap. The clustering is based on the distance which is the Kolmogorov-Smirnov statistic between two distributions.
library(ComplexHeatmap)
densityHeatmap(mat, top_annotation = HeatmapAnnotation(df = get_anno(res_list),
col = get_anno_col(res_list)), ylab = "value", cluster_columns = TRUE, show_column_names = FALSE,
mc.cores = 4)
Folowing table shows the best k (number of partitions) for each combination
of top-value methods and partition methods. Clicking on the method name in
the table goes to the section for a single combination of methods.
The cola vignette explains the definition of the metrics used for determining the best number of partitions.
suggest_best_k(res_list)
| The best k | 1-PAC | Mean silhouette | Concordance | Optional k | ||
|---|---|---|---|---|---|---|
| ATC:kmeans | 2 | 1.000 | 0.956 | 0.980 | ** | |
| MAD:skmeans | 2 | 1.000 | 0.967 | 0.985 | ** | |
| SD:mclust | 3 | 0.998 | 0.960 | 0.972 | ** | |
| SD:NMF | 2 | 0.997 | 0.950 | 0.980 | ** | |
| MAD:kmeans | 2 | 0.983 | 0.947 | 0.975 | ** | |
| ATC:NMF | 3 | 0.960 | 0.938 | 0.973 | ** | 2 |
| ATC:skmeans | 6 | 0.957 | 0.867 | 0.937 | ** | 2,3,5 |
| MAD:NMF | 2 | 0.950 | 0.943 | 0.976 | ** | |
| MAD:mclust | 4 | 0.923 | 0.913 | 0.957 | * | |
| SD:kmeans | 2 | 0.922 | 0.948 | 0.977 | * | |
| SD:skmeans | 3 | 0.920 | 0.921 | 0.963 | * | 2 |
| ATC:mclust | 6 | 0.919 | 0.885 | 0.921 | * | 5 |
| ATC:pam | 4 | 0.894 | 0.844 | 0.937 | ||
| MAD:pam | 6 | 0.826 | 0.844 | 0.902 | ||
| CV:NMF | 2 | 0.823 | 0.895 | 0.956 | ||
| CV:mclust | 4 | 0.763 | 0.825 | 0.905 | ||
| CV:kmeans | 2 | 0.737 | 0.885 | 0.947 | ||
| CV:skmeans | 2 | 0.736 | 0.886 | 0.948 | ||
| SD:pam | 4 | 0.609 | 0.757 | 0.846 | ||
| ATC:hclust | 3 | 0.534 | 0.729 | 0.846 | ||
| CV:pam | 4 | 0.423 | 0.554 | 0.736 | ||
| SD:hclust | 3 | 0.201 | 0.602 | 0.743 | ||
| MAD:hclust | 2 | 0.197 | 0.537 | 0.783 | ||
| CV:hclust | 3 | 0.127 | 0.432 | 0.681 |
**: 1-PAC > 0.95, *: 1-PAC > 0.9
Cumulative distribution function curves of consensus matrix for all methods.
collect_plots(res_list, fun = plot_ecdf)
Consensus heatmaps for all methods. (What is a consensus heatmap?)
collect_plots(res_list, k = 2, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 3, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 4, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 5, fun = consensus_heatmap, mc.cores = 4)
collect_plots(res_list, k = 6, fun = consensus_heatmap, mc.cores = 4)
Membership heatmaps for all methods. (What is a membership heatmap?)
collect_plots(res_list, k = 2, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 3, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 4, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 5, fun = membership_heatmap, mc.cores = 4)
collect_plots(res_list, k = 6, fun = membership_heatmap, mc.cores = 4)
Signature heatmaps for all methods. (What is a signature heatmap?)
Note in following heatmaps, rows are scaled.
collect_plots(res_list, k = 2, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 3, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 4, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 5, fun = get_signatures, mc.cores = 4)
collect_plots(res_list, k = 6, fun = get_signatures, mc.cores = 4)
The statistics used for measuring the stability of consensus partitioning. (How are they defined?)
get_stats(res_list, k = 2)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 2 0.9975 0.950 0.980 0.499 0.500 0.500
#> CV:NMF 2 0.8232 0.895 0.956 0.502 0.498 0.498
#> MAD:NMF 2 0.9504 0.943 0.976 0.502 0.498 0.498
#> ATC:NMF 2 0.9992 0.947 0.979 0.497 0.505 0.505
#> SD:skmeans 2 0.9987 0.974 0.988 0.504 0.497 0.497
#> CV:skmeans 2 0.7364 0.886 0.948 0.504 0.496 0.496
#> MAD:skmeans 2 0.9996 0.967 0.985 0.504 0.496 0.496
#> ATC:skmeans 2 1.0000 0.971 0.989 0.503 0.497 0.497
#> SD:mclust 2 0.3909 0.274 0.584 0.341 0.584 0.584
#> CV:mclust 2 0.3740 0.780 0.839 0.400 0.559 0.559
#> MAD:mclust 2 0.4753 0.830 0.844 0.389 0.554 0.554
#> ATC:mclust 2 0.5699 0.914 0.940 0.418 0.591 0.591
#> SD:kmeans 2 0.9224 0.948 0.977 0.503 0.497 0.497
#> CV:kmeans 2 0.7368 0.885 0.947 0.499 0.496 0.496
#> MAD:kmeans 2 0.9826 0.947 0.975 0.502 0.496 0.496
#> ATC:kmeans 2 1.0000 0.956 0.980 0.499 0.500 0.500
#> SD:pam 2 0.3035 0.663 0.832 0.492 0.503 0.503
#> CV:pam 2 0.0791 0.392 0.685 0.482 0.503 0.503
#> MAD:pam 2 0.2615 0.771 0.843 0.488 0.501 0.501
#> ATC:pam 2 0.6739 0.832 0.917 0.478 0.519 0.519
#> SD:hclust 2 0.1270 0.650 0.804 0.386 0.598 0.598
#> CV:hclust 2 0.0770 0.468 0.666 0.378 0.522 0.522
#> MAD:hclust 2 0.1973 0.537 0.783 0.408 0.544 0.544
#> ATC:hclust 2 0.4008 0.806 0.891 0.372 0.645 0.645
get_stats(res_list, k = 3)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 3 0.604 0.700 0.864 0.330 0.723 0.502
#> CV:NMF 3 0.516 0.682 0.842 0.315 0.753 0.543
#> MAD:NMF 3 0.580 0.693 0.854 0.325 0.716 0.492
#> ATC:NMF 3 0.960 0.938 0.973 0.306 0.717 0.504
#> SD:skmeans 3 0.920 0.921 0.963 0.315 0.703 0.474
#> CV:skmeans 3 0.684 0.813 0.908 0.319 0.780 0.583
#> MAD:skmeans 3 0.842 0.884 0.947 0.317 0.726 0.503
#> ATC:skmeans 3 0.915 0.917 0.967 0.320 0.739 0.522
#> SD:mclust 3 0.998 0.960 0.972 0.919 0.550 0.345
#> CV:mclust 3 0.489 0.813 0.839 0.501 0.714 0.516
#> MAD:mclust 3 0.823 0.912 0.932 0.654 0.711 0.512
#> ATC:mclust 3 0.692 0.721 0.880 0.570 0.709 0.522
#> SD:kmeans 3 0.580 0.775 0.862 0.300 0.775 0.576
#> CV:kmeans 3 0.421 0.647 0.793 0.298 0.796 0.608
#> MAD:kmeans 3 0.532 0.726 0.832 0.304 0.770 0.568
#> ATC:kmeans 3 0.748 0.919 0.935 0.324 0.735 0.520
#> SD:pam 3 0.374 0.649 0.791 0.320 0.753 0.543
#> CV:pam 3 0.256 0.452 0.721 0.349 0.651 0.413
#> MAD:pam 3 0.455 0.626 0.820 0.343 0.685 0.452
#> ATC:pam 3 0.554 0.769 0.811 0.341 0.710 0.496
#> SD:hclust 3 0.201 0.602 0.743 0.392 0.882 0.812
#> CV:hclust 3 0.127 0.432 0.681 0.406 0.598 0.419
#> MAD:hclust 3 0.217 0.506 0.686 0.333 0.848 0.745
#> ATC:hclust 3 0.534 0.729 0.846 0.636 0.707 0.548
get_stats(res_list, k = 4)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 4 0.667 0.705 0.855 0.1211 0.765 0.429
#> CV:NMF 4 0.487 0.586 0.760 0.1197 0.854 0.613
#> MAD:NMF 4 0.654 0.674 0.842 0.1178 0.813 0.525
#> ATC:NMF 4 0.733 0.748 0.863 0.1110 0.855 0.631
#> SD:skmeans 4 0.630 0.601 0.803 0.1228 0.867 0.633
#> CV:skmeans 4 0.521 0.555 0.751 0.1209 0.878 0.659
#> MAD:skmeans 4 0.644 0.655 0.822 0.1208 0.880 0.662
#> ATC:skmeans 4 0.850 0.829 0.871 0.1076 0.882 0.664
#> SD:mclust 4 0.694 0.870 0.924 0.0446 0.740 0.417
#> CV:mclust 4 0.763 0.825 0.905 0.1551 0.751 0.434
#> MAD:mclust 4 0.923 0.913 0.957 0.0947 0.731 0.402
#> ATC:mclust 4 0.811 0.791 0.861 0.0845 0.863 0.645
#> SD:kmeans 4 0.626 0.662 0.774 0.1256 0.856 0.611
#> CV:kmeans 4 0.533 0.649 0.717 0.1281 0.849 0.596
#> MAD:kmeans 4 0.618 0.631 0.789 0.1204 0.852 0.596
#> ATC:kmeans 4 0.741 0.648 0.793 0.1067 0.916 0.758
#> SD:pam 4 0.609 0.757 0.846 0.1358 0.889 0.683
#> CV:pam 4 0.423 0.554 0.736 0.1383 0.801 0.496
#> MAD:pam 4 0.646 0.638 0.829 0.1367 0.825 0.539
#> ATC:pam 4 0.894 0.844 0.937 0.1746 0.844 0.579
#> SD:hclust 4 0.326 0.585 0.755 0.2146 0.794 0.627
#> CV:hclust 4 0.181 0.431 0.651 0.1287 0.969 0.936
#> MAD:hclust 4 0.364 0.599 0.781 0.2033 0.761 0.550
#> ATC:hclust 4 0.526 0.670 0.789 0.0973 0.931 0.815
get_stats(res_list, k = 5)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 5 0.604 0.570 0.765 0.0682 0.895 0.625
#> CV:NMF 5 0.595 0.603 0.774 0.0773 0.844 0.504
#> MAD:NMF 5 0.606 0.609 0.778 0.0719 0.864 0.546
#> ATC:NMF 5 0.674 0.580 0.787 0.0796 0.894 0.658
#> SD:skmeans 5 0.711 0.641 0.823 0.0698 0.910 0.678
#> CV:skmeans 5 0.534 0.532 0.699 0.0662 0.909 0.675
#> MAD:skmeans 5 0.677 0.618 0.799 0.0673 0.925 0.726
#> ATC:skmeans 5 1.000 0.932 0.975 0.0777 0.931 0.738
#> SD:mclust 5 0.872 0.838 0.926 0.1284 0.885 0.642
#> CV:mclust 5 0.788 0.758 0.890 0.1151 0.850 0.549
#> MAD:mclust 5 0.861 0.848 0.933 0.0887 0.908 0.699
#> ATC:mclust 5 0.975 0.939 0.975 0.0817 0.903 0.692
#> SD:kmeans 5 0.735 0.768 0.856 0.0663 0.922 0.716
#> CV:kmeans 5 0.708 0.764 0.851 0.0715 0.929 0.738
#> MAD:kmeans 5 0.748 0.785 0.864 0.0684 0.905 0.658
#> ATC:kmeans 5 0.755 0.801 0.865 0.0751 0.859 0.545
#> SD:pam 5 0.609 0.583 0.782 0.0596 0.919 0.709
#> CV:pam 5 0.481 0.428 0.655 0.0594 0.951 0.814
#> MAD:pam 5 0.711 0.732 0.845 0.0507 0.892 0.622
#> ATC:pam 5 0.686 0.612 0.792 0.0488 0.913 0.676
#> SD:hclust 5 0.437 0.424 0.696 0.1068 0.904 0.744
#> CV:hclust 5 0.254 0.413 0.535 0.1287 0.719 0.467
#> MAD:hclust 5 0.447 0.485 0.743 0.0998 0.954 0.859
#> ATC:hclust 5 0.565 0.597 0.719 0.0970 0.924 0.771
get_stats(res_list, k = 6)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 6 0.630 0.510 0.704 0.0407 0.913 0.622
#> CV:NMF 6 0.609 0.476 0.685 0.0444 0.946 0.748
#> MAD:NMF 6 0.610 0.524 0.717 0.0413 0.931 0.686
#> ATC:NMF 6 0.697 0.644 0.803 0.0478 0.905 0.620
#> SD:skmeans 6 0.691 0.529 0.750 0.0388 0.926 0.686
#> CV:skmeans 6 0.561 0.413 0.655 0.0411 0.959 0.815
#> MAD:skmeans 6 0.673 0.526 0.747 0.0395 0.967 0.852
#> ATC:skmeans 6 0.957 0.867 0.937 0.0261 0.968 0.850
#> SD:mclust 6 0.830 0.747 0.855 0.0432 0.918 0.676
#> CV:mclust 6 0.814 0.805 0.878 0.0435 0.967 0.854
#> MAD:mclust 6 0.831 0.832 0.894 0.0481 0.924 0.698
#> ATC:mclust 6 0.919 0.885 0.921 0.0490 0.939 0.748
#> SD:kmeans 6 0.706 0.632 0.787 0.0456 0.934 0.712
#> CV:kmeans 6 0.709 0.584 0.732 0.0436 0.957 0.805
#> MAD:kmeans 6 0.730 0.669 0.805 0.0452 0.955 0.800
#> ATC:kmeans 6 0.806 0.658 0.810 0.0460 0.932 0.695
#> SD:pam 6 0.700 0.640 0.802 0.0486 0.921 0.670
#> CV:pam 6 0.580 0.525 0.690 0.0435 0.904 0.610
#> MAD:pam 6 0.826 0.844 0.902 0.0477 0.955 0.796
#> ATC:pam 6 0.732 0.632 0.798 0.0378 0.905 0.603
#> SD:hclust 6 0.475 0.391 0.669 0.0501 0.943 0.809
#> CV:hclust 6 0.335 0.511 0.645 0.0828 0.875 0.614
#> MAD:hclust 6 0.511 0.461 0.698 0.0576 0.929 0.758
#> ATC:hclust 6 0.606 0.529 0.670 0.0778 0.870 0.556
Following heatmap plots the partition for each combination of methods and the lightness correspond to the silhouette scores for samples in each method. On top the consensus subgroup is inferred from all methods by taking the mean silhouette scores as weight.
collect_stats(res_list, k = 2)
collect_stats(res_list, k = 3)
collect_stats(res_list, k = 4)
collect_stats(res_list, k = 5)
collect_stats(res_list, k = 6)
Collect partitions from all methods:
collect_classes(res_list, k = 2)
collect_classes(res_list, k = 3)
collect_classes(res_list, k = 4)
collect_classes(res_list, k = 5)
collect_classes(res_list, k = 6)
Overlap of top rows from different top-row methods:
top_rows_overlap(res_list, top_n = 1000, method = "euler")
top_rows_overlap(res_list, top_n = 2000, method = "euler")
top_rows_overlap(res_list, top_n = 3000, method = "euler")
top_rows_overlap(res_list, top_n = 4000, method = "euler")
top_rows_overlap(res_list, top_n = 5000, method = "euler")
Also visualize the correspondance of rankings between different top-row methods:
top_rows_overlap(res_list, top_n = 1000, method = "correspondance")
top_rows_overlap(res_list, top_n = 2000, method = "correspondance")
top_rows_overlap(res_list, top_n = 3000, method = "correspondance")
top_rows_overlap(res_list, top_n = 4000, method = "correspondance")
top_rows_overlap(res_list, top_n = 5000, method = "correspondance")
Heatmaps of the top rows:
top_rows_heatmap(res_list, top_n = 1000)
top_rows_heatmap(res_list, top_n = 2000)
top_rows_heatmap(res_list, top_n = 3000)
top_rows_heatmap(res_list, top_n = 4000)
top_rows_heatmap(res_list, top_n = 5000)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res_list, k = 2)
#> n disease.state(p) k
#> SD:NMF 124 5.62e-10 2
#> CV:NMF 121 2.36e-07 2
#> MAD:NMF 124 9.74e-10 2
#> ATC:NMF 124 1.50e-07 2
#> SD:skmeans 126 2.61e-10 2
#> CV:skmeans 124 6.44e-07 2
#> MAD:skmeans 126 7.15e-10 2
#> ATC:skmeans 124 9.74e-09 2
#> SD:mclust 14 NA 2
#> CV:mclust 122 2.18e-01 2
#> MAD:mclust 122 1.37e-01 2
#> ATC:mclust 126 2.65e-01 2
#> SD:kmeans 125 1.10e-10 2
#> CV:kmeans 124 2.95e-07 2
#> MAD:kmeans 123 2.77e-10 2
#> ATC:kmeans 123 1.12e-07 2
#> SD:pam 110 5.02e-09 2
#> CV:pam 54 4.24e-04 2
#> MAD:pam 121 1.14e-01 2
#> ATC:pam 123 6.17e-07 2
#> SD:hclust 107 2.55e-06 2
#> CV:hclust 70 1.03e-09 2
#> MAD:hclust 91 1.25e-09 2
#> ATC:hclust 124 1.35e-05 2
test_to_known_factors(res_list, k = 3)
#> n disease.state(p) k
#> SD:NMF 104 2.39e-09 3
#> CV:NMF 101 5.53e-11 3
#> MAD:NMF 105 1.16e-08 3
#> ATC:NMF 124 9.13e-07 3
#> SD:skmeans 125 4.92e-13 3
#> CV:skmeans 118 7.79e-12 3
#> MAD:skmeans 121 1.47e-13 3
#> ATC:skmeans 123 2.58e-07 3
#> SD:mclust 126 4.38e-08 3
#> CV:mclust 123 1.88e-08 3
#> MAD:mclust 125 2.25e-08 3
#> ATC:mclust 98 2.72e-08 3
#> SD:kmeans 119 5.87e-13 3
#> CV:kmeans 106 1.58e-12 3
#> MAD:kmeans 115 4.44e-13 3
#> ATC:kmeans 126 6.53e-07 3
#> SD:pam 113 9.04e-10 3
#> CV:pam 65 7.98e-08 3
#> MAD:pam 96 3.96e-08 3
#> ATC:pam 123 3.38e-07 3
#> SD:hclust 105 9.35e-07 3
#> CV:hclust 59 7.12e-06 3
#> MAD:hclust 77 6.00e-08 3
#> ATC:hclust 116 6.47e-07 3
test_to_known_factors(res_list, k = 4)
#> n disease.state(p) k
#> SD:NMF 107 4.45e-09 4
#> CV:NMF 97 1.55e-10 4
#> MAD:NMF 107 1.05e-07 4
#> ATC:NMF 112 1.16e-06 4
#> SD:skmeans 90 1.20e-12 4
#> CV:skmeans 86 1.71e-12 4
#> MAD:skmeans 99 3.64e-10 4
#> ATC:skmeans 117 1.49e-07 4
#> SD:mclust 125 6.40e-10 4
#> CV:mclust 120 2.19e-09 4
#> MAD:mclust 124 1.24e-09 4
#> ATC:mclust 118 3.21e-09 4
#> SD:kmeans 103 8.05e-13 4
#> CV:kmeans 95 4.43e-11 4
#> MAD:kmeans 88 1.14e-14 4
#> ATC:kmeans 95 3.33e-10 4
#> SD:pam 119 3.57e-10 4
#> CV:pam 93 5.29e-09 4
#> MAD:pam 94 1.20e-08 4
#> ATC:pam 116 8.30e-08 4
#> SD:hclust 97 1.02e-11 4
#> CV:hclust 48 5.60e-06 4
#> MAD:hclust 91 5.42e-12 4
#> ATC:hclust 113 5.92e-09 4
test_to_known_factors(res_list, k = 5)
#> n disease.state(p) k
#> SD:NMF 89 1.81e-08 5
#> CV:NMF 95 2.81e-09 5
#> MAD:NMF 97 1.88e-08 5
#> ATC:NMF 89 1.39e-05 5
#> SD:skmeans 104 3.77e-10 5
#> CV:skmeans 83 2.37e-09 5
#> MAD:skmeans 99 5.29e-10 5
#> ATC:skmeans 121 9.04e-09 5
#> SD:mclust 118 1.59e-10 5
#> CV:mclust 110 3.74e-10 5
#> MAD:mclust 116 2.48e-11 5
#> ATC:mclust 125 1.12e-09 5
#> SD:kmeans 116 1.84e-13 5
#> CV:kmeans 115 2.35e-11 5
#> MAD:kmeans 115 1.02e-13 5
#> ATC:kmeans 122 1.97e-10 5
#> SD:pam 89 3.70e-11 5
#> CV:pam 61 4.35e-08 5
#> MAD:pam 112 1.34e-10 5
#> ATC:pam 90 1.40e-08 5
#> SD:hclust 78 2.32e-13 5
#> CV:hclust 43 4.26e-10 5
#> MAD:hclust 73 1.58e-15 5
#> ATC:hclust 97 5.21e-09 5
test_to_known_factors(res_list, k = 6)
#> n disease.state(p) k
#> SD:NMF 78 2.84e-08 6
#> CV:NMF 70 2.90e-08 6
#> MAD:NMF 77 1.82e-09 6
#> ATC:NMF 99 4.27e-06 6
#> SD:skmeans 75 2.86e-08 6
#> CV:skmeans 59 7.85e-10 6
#> MAD:skmeans 81 1.21e-08 6
#> ATC:skmeans 119 1.12e-09 6
#> SD:mclust 108 5.31e-12 6
#> CV:mclust 121 8.94e-12 6
#> MAD:mclust 122 3.16e-12 6
#> ATC:mclust 120 3.59e-11 6
#> SD:kmeans 94 9.71e-12 6
#> CV:kmeans 87 1.62e-11 6
#> MAD:kmeans 101 3.40e-14 6
#> ATC:kmeans 98 1.06e-09 6
#> SD:pam 97 7.56e-11 6
#> CV:pam 78 2.51e-07 6
#> MAD:pam 123 3.25e-11 6
#> ATC:pam 99 4.99e-10 6
#> SD:hclust 63 2.84e-11 6
#> CV:hclust 74 8.65e-11 6
#> MAD:hclust 68 1.93e-14 6
#> ATC:hclust 79 1.45e-09 6
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "hclust"]
# you can also extract it by
# res = res_list["SD:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.127 0.650 0.804 0.3857 0.598 0.598
#> 3 3 0.201 0.602 0.743 0.3924 0.882 0.812
#> 4 4 0.326 0.585 0.755 0.2146 0.794 0.627
#> 5 5 0.437 0.424 0.696 0.1068 0.904 0.744
#> 6 6 0.475 0.391 0.669 0.0501 0.943 0.809
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.204 0.772427 0.032 0.968
#> GSM76116 2 0.242 0.774011 0.040 0.960
#> GSM76117 2 0.494 0.760359 0.108 0.892
#> GSM76118 2 0.402 0.767398 0.080 0.920
#> GSM76119 2 0.574 0.657302 0.136 0.864
#> GSM76120 2 0.574 0.657302 0.136 0.864
#> GSM76121 2 0.615 0.722845 0.152 0.848
#> GSM76122 2 0.416 0.769806 0.084 0.916
#> GSM76123 2 0.574 0.657302 0.136 0.864
#> GSM76124 2 0.518 0.763030 0.116 0.884
#> GSM76125 2 0.574 0.657302 0.136 0.864
#> GSM76126 2 0.343 0.741300 0.064 0.936
#> GSM76127 2 0.574 0.657302 0.136 0.864
#> GSM76128 2 0.574 0.657302 0.136 0.864
#> GSM76129 2 0.184 0.772450 0.028 0.972
#> GSM76130 2 0.574 0.657302 0.136 0.864
#> GSM76131 2 0.141 0.775084 0.020 0.980
#> GSM76132 2 0.141 0.775084 0.020 0.980
#> GSM76133 2 0.141 0.775084 0.020 0.980
#> GSM76134 2 0.163 0.771883 0.024 0.976
#> GSM76135 2 0.141 0.775084 0.020 0.980
#> GSM76136 2 0.141 0.775084 0.020 0.980
#> GSM76137 2 0.118 0.768496 0.016 0.984
#> GSM76138 2 0.163 0.769432 0.024 0.976
#> GSM76139 2 0.118 0.774240 0.016 0.984
#> GSM76140 1 0.913 0.735090 0.672 0.328
#> GSM76141 2 0.141 0.775084 0.020 0.980
#> GSM76142 2 0.141 0.775084 0.020 0.980
#> GSM76143 2 0.141 0.775084 0.020 0.980
#> GSM76144 2 0.141 0.775084 0.020 0.980
#> GSM76145 2 0.141 0.769181 0.020 0.980
#> GSM76146 2 0.141 0.775084 0.020 0.980
#> GSM76147 2 0.141 0.775084 0.020 0.980
#> GSM76148 2 0.118 0.774240 0.016 0.984
#> GSM76149 2 0.141 0.769181 0.020 0.980
#> GSM76150 2 0.141 0.769181 0.020 0.980
#> GSM76151 2 0.141 0.769181 0.020 0.980
#> GSM76152 1 0.909 0.738608 0.676 0.324
#> GSM76153 2 0.141 0.775084 0.020 0.980
#> GSM76154 2 0.141 0.769181 0.020 0.980
#> GSM76155 2 0.141 0.769181 0.020 0.980
#> GSM76156 2 0.141 0.775084 0.020 0.980
#> GSM76030 2 0.605 0.737853 0.148 0.852
#> GSM76031 1 0.891 0.754882 0.692 0.308
#> GSM76032 1 1.000 0.244773 0.504 0.496
#> GSM76033 2 0.821 0.628761 0.256 0.744
#> GSM76034 2 0.730 0.697887 0.204 0.796
#> GSM76035 2 0.781 0.672698 0.232 0.768
#> GSM76036 2 0.802 0.657133 0.244 0.756
#> GSM76037 2 0.388 0.770956 0.076 0.924
#> GSM76038 1 0.891 0.754882 0.692 0.308
#> GSM76039 2 0.998 -0.180803 0.472 0.528
#> GSM76040 2 0.802 0.657133 0.244 0.756
#> GSM76041 1 0.932 0.702114 0.652 0.348
#> GSM76042 2 0.909 0.484774 0.324 0.676
#> GSM76043 2 0.975 0.235982 0.408 0.592
#> GSM76044 2 0.904 0.495786 0.320 0.680
#> GSM76045 1 0.991 0.478382 0.556 0.444
#> GSM76046 2 0.775 0.683793 0.228 0.772
#> GSM76047 2 0.994 0.000403 0.456 0.544
#> GSM76048 2 0.925 0.469941 0.340 0.660
#> GSM76049 2 0.653 0.724348 0.168 0.832
#> GSM76050 1 0.844 0.786615 0.728 0.272
#> GSM76051 2 0.827 0.634570 0.260 0.740
#> GSM76052 2 0.821 0.628761 0.256 0.744
#> GSM76053 2 0.722 0.712540 0.200 0.800
#> GSM76054 2 0.802 0.657133 0.244 0.756
#> GSM76055 2 0.775 0.666056 0.228 0.772
#> GSM76056 1 0.999 0.345366 0.520 0.480
#> GSM76057 2 0.991 -0.009280 0.444 0.556
#> GSM76058 1 0.999 0.256342 0.516 0.484
#> GSM76059 1 0.574 0.784116 0.864 0.136
#> GSM76060 2 0.952 0.357297 0.372 0.628
#> GSM76061 2 0.895 0.513514 0.312 0.688
#> GSM76062 1 0.574 0.784116 0.864 0.136
#> GSM76063 2 0.518 0.756052 0.116 0.884
#> GSM76064 1 0.839 0.791746 0.732 0.268
#> GSM76065 2 0.416 0.772210 0.084 0.916
#> GSM76066 1 0.788 0.800967 0.764 0.236
#> GSM76067 1 0.943 0.675409 0.640 0.360
#> GSM76068 2 0.827 0.634132 0.260 0.740
#> GSM76069 1 0.969 0.617667 0.604 0.396
#> GSM76070 2 0.482 0.768274 0.104 0.896
#> GSM76071 1 0.706 0.806367 0.808 0.192
#> GSM76072 1 0.706 0.806367 0.808 0.192
#> GSM76073 1 0.615 0.793868 0.848 0.152
#> GSM76074 1 0.605 0.791570 0.852 0.148
#> GSM76075 2 1.000 -0.171766 0.492 0.508
#> GSM76076 2 0.997 -0.044990 0.468 0.532
#> GSM76077 2 0.963 0.306868 0.388 0.612
#> GSM76078 2 0.988 0.109395 0.436 0.564
#> GSM76079 1 0.574 0.784116 0.864 0.136
#> GSM76080 2 0.574 0.745154 0.136 0.864
#> GSM76081 2 0.730 0.702561 0.204 0.796
#> GSM76082 2 0.833 0.627315 0.264 0.736
#> GSM76083 2 0.997 -0.044990 0.468 0.532
#> GSM76084 2 0.563 0.747303 0.132 0.868
#> GSM76085 2 0.855 0.588109 0.280 0.720
#> GSM76086 1 0.936 0.688671 0.648 0.352
#> GSM76087 2 0.118 0.774240 0.016 0.984
#> GSM76088 2 0.961 0.314263 0.384 0.616
#> GSM76089 2 0.574 0.746121 0.136 0.864
#> GSM76090 2 0.998 -0.091178 0.476 0.524
#> GSM76091 1 0.615 0.794498 0.848 0.152
#> GSM76092 1 0.644 0.798240 0.836 0.164
#> GSM76093 1 0.574 0.784116 0.864 0.136
#> GSM76094 2 0.541 0.753209 0.124 0.876
#> GSM76095 1 0.949 0.672961 0.632 0.368
#> GSM76096 2 0.917 0.454487 0.332 0.668
#> GSM76097 2 0.706 0.695823 0.192 0.808
#> GSM76098 2 0.634 0.753664 0.160 0.840
#> GSM76099 1 0.895 0.746110 0.688 0.312
#> GSM76100 1 0.808 0.795736 0.752 0.248
#> GSM76101 1 0.574 0.784116 0.864 0.136
#> GSM76102 2 0.808 0.610992 0.248 0.752
#> GSM76103 1 0.943 0.678898 0.640 0.360
#> GSM76104 2 0.814 0.634439 0.252 0.748
#> GSM76105 2 0.482 0.763042 0.104 0.896
#> GSM76106 2 0.574 0.745154 0.136 0.864
#> GSM76107 2 0.343 0.741300 0.064 0.936
#> GSM76108 2 0.833 0.609101 0.264 0.736
#> GSM76109 1 0.574 0.784116 0.864 0.136
#> GSM76110 1 0.730 0.804304 0.796 0.204
#> GSM76111 1 0.855 0.782462 0.720 0.280
#> GSM76112 1 0.697 0.806222 0.812 0.188
#> GSM76113 2 0.584 0.751932 0.140 0.860
#> GSM76114 1 0.932 0.718062 0.652 0.348
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.2280 0.65281 0.008 0.940 0.052
#> GSM76116 2 0.2063 0.65738 0.008 0.948 0.044
#> GSM76117 2 0.3856 0.65426 0.072 0.888 0.040
#> GSM76118 2 0.3589 0.64997 0.052 0.900 0.048
#> GSM76119 3 0.5760 1.00000 0.000 0.328 0.672
#> GSM76120 3 0.5760 1.00000 0.000 0.328 0.672
#> GSM76121 2 0.5159 0.61346 0.140 0.820 0.040
#> GSM76122 2 0.4371 0.65231 0.032 0.860 0.108
#> GSM76123 3 0.5760 1.00000 0.000 0.328 0.672
#> GSM76124 2 0.4423 0.66218 0.048 0.864 0.088
#> GSM76125 3 0.5760 1.00000 0.000 0.328 0.672
#> GSM76126 2 0.5926 0.00400 0.000 0.644 0.356
#> GSM76127 3 0.5760 1.00000 0.000 0.328 0.672
#> GSM76128 3 0.5760 1.00000 0.000 0.328 0.672
#> GSM76129 2 0.2774 0.64834 0.008 0.920 0.072
#> GSM76130 3 0.5760 1.00000 0.000 0.328 0.672
#> GSM76131 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76132 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76133 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76134 2 0.2165 0.64582 0.000 0.936 0.064
#> GSM76135 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76136 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76137 2 0.2448 0.63830 0.000 0.924 0.076
#> GSM76138 2 0.2200 0.64920 0.004 0.940 0.056
#> GSM76139 2 0.1643 0.65329 0.000 0.956 0.044
#> GSM76140 1 0.5919 0.68621 0.724 0.260 0.016
#> GSM76141 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76142 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76143 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76144 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76145 2 0.1964 0.64542 0.000 0.944 0.056
#> GSM76146 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76147 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76148 2 0.1643 0.65329 0.000 0.956 0.044
#> GSM76149 2 0.2261 0.64153 0.000 0.932 0.068
#> GSM76150 2 0.2261 0.64153 0.000 0.932 0.068
#> GSM76151 2 0.2261 0.64153 0.000 0.932 0.068
#> GSM76152 1 0.5881 0.68932 0.728 0.256 0.016
#> GSM76153 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76154 2 0.2261 0.64153 0.000 0.932 0.068
#> GSM76155 2 0.1964 0.64542 0.000 0.944 0.056
#> GSM76156 2 0.1529 0.65467 0.000 0.960 0.040
#> GSM76030 2 0.5585 0.65850 0.092 0.812 0.096
#> GSM76031 1 0.5619 0.70379 0.744 0.244 0.012
#> GSM76032 2 0.9937 0.03576 0.316 0.388 0.296
#> GSM76033 2 0.8038 0.58031 0.100 0.620 0.280
#> GSM76034 2 0.7064 0.63760 0.076 0.704 0.220
#> GSM76035 2 0.7556 0.62825 0.100 0.676 0.224
#> GSM76036 2 0.7442 0.58334 0.056 0.628 0.316
#> GSM76037 2 0.3415 0.66027 0.020 0.900 0.080
#> GSM76038 1 0.5619 0.70379 0.744 0.244 0.012
#> GSM76039 2 0.8045 0.06533 0.432 0.504 0.064
#> GSM76040 2 0.7467 0.58047 0.056 0.624 0.320
#> GSM76041 1 0.8883 0.57151 0.568 0.256 0.176
#> GSM76042 2 0.8139 0.48499 0.276 0.616 0.108
#> GSM76043 2 0.9231 0.32267 0.300 0.516 0.184
#> GSM76044 2 0.8109 0.49254 0.272 0.620 0.108
#> GSM76045 1 0.9129 0.34229 0.480 0.372 0.148
#> GSM76046 2 0.7433 0.60839 0.072 0.660 0.268
#> GSM76047 2 0.9731 0.21595 0.308 0.444 0.248
#> GSM76048 2 0.8930 0.47932 0.148 0.536 0.316
#> GSM76049 2 0.5965 0.65255 0.108 0.792 0.100
#> GSM76050 1 0.7072 0.73744 0.724 0.160 0.116
#> GSM76051 2 0.7660 0.57415 0.064 0.612 0.324
#> GSM76052 2 0.8038 0.58031 0.100 0.620 0.280
#> GSM76053 2 0.7022 0.63266 0.068 0.700 0.232
#> GSM76054 2 0.7378 0.58417 0.052 0.628 0.320
#> GSM76055 2 0.6699 0.61411 0.164 0.744 0.092
#> GSM76056 2 0.8852 0.08544 0.396 0.484 0.120
#> GSM76057 2 0.8872 0.36333 0.288 0.556 0.156
#> GSM76058 2 0.9947 0.00993 0.328 0.380 0.292
#> GSM76059 1 0.0592 0.71217 0.988 0.000 0.012
#> GSM76060 2 0.8518 0.51296 0.208 0.612 0.180
#> GSM76061 2 0.7777 0.59411 0.164 0.676 0.160
#> GSM76062 1 0.2066 0.71908 0.940 0.000 0.060
#> GSM76063 2 0.5119 0.65542 0.028 0.812 0.160
#> GSM76064 1 0.7278 0.73859 0.712 0.152 0.136
#> GSM76065 2 0.3370 0.66828 0.024 0.904 0.072
#> GSM76066 1 0.6590 0.74677 0.756 0.112 0.132
#> GSM76067 1 0.9163 0.52479 0.540 0.252 0.208
#> GSM76068 2 0.7537 0.57542 0.056 0.612 0.332
#> GSM76069 1 0.7644 0.55906 0.624 0.308 0.068
#> GSM76070 2 0.4059 0.67405 0.012 0.860 0.128
#> GSM76071 1 0.5344 0.76577 0.824 0.084 0.092
#> GSM76072 1 0.5344 0.76577 0.824 0.084 0.092
#> GSM76073 1 0.1877 0.74065 0.956 0.032 0.012
#> GSM76074 1 0.1751 0.73786 0.960 0.028 0.012
#> GSM76075 2 0.9891 0.13305 0.280 0.404 0.316
#> GSM76076 2 0.9795 0.20646 0.256 0.428 0.316
#> GSM76077 2 0.8878 0.47429 0.216 0.576 0.208
#> GSM76078 2 0.9555 0.32230 0.232 0.480 0.288
#> GSM76079 1 0.0983 0.72043 0.980 0.004 0.016
#> GSM76080 2 0.5627 0.64908 0.032 0.780 0.188
#> GSM76081 2 0.6396 0.60049 0.016 0.664 0.320
#> GSM76082 2 0.7622 0.57264 0.060 0.608 0.332
#> GSM76083 2 0.9795 0.20646 0.256 0.428 0.316
#> GSM76084 2 0.5574 0.64887 0.032 0.784 0.184
#> GSM76085 2 0.8173 0.56668 0.100 0.600 0.300
#> GSM76086 1 0.9271 0.51206 0.528 0.228 0.244
#> GSM76087 2 0.1860 0.65040 0.000 0.948 0.052
#> GSM76088 2 0.8631 0.48965 0.220 0.600 0.180
#> GSM76089 2 0.5263 0.65944 0.084 0.828 0.088
#> GSM76090 2 0.9820 0.18675 0.264 0.424 0.312
#> GSM76091 1 0.3637 0.74276 0.892 0.024 0.084
#> GSM76092 1 0.2599 0.74591 0.932 0.052 0.016
#> GSM76093 1 0.0592 0.71217 0.988 0.000 0.012
#> GSM76094 2 0.4206 0.65014 0.088 0.872 0.040
#> GSM76095 1 0.6852 0.61617 0.664 0.300 0.036
#> GSM76096 2 0.8362 0.35340 0.300 0.588 0.112
#> GSM76097 2 0.6644 0.54716 0.140 0.752 0.108
#> GSM76098 2 0.6337 0.64479 0.044 0.736 0.220
#> GSM76099 1 0.6606 0.69146 0.716 0.236 0.048
#> GSM76100 1 0.4994 0.74359 0.816 0.160 0.024
#> GSM76101 1 0.0592 0.71217 0.988 0.000 0.012
#> GSM76102 2 0.8042 0.39728 0.248 0.636 0.116
#> GSM76103 1 0.9243 0.51869 0.532 0.232 0.236
#> GSM76104 2 0.7941 0.58807 0.096 0.628 0.276
#> GSM76105 2 0.4253 0.65842 0.048 0.872 0.080
#> GSM76106 2 0.5627 0.64908 0.032 0.780 0.188
#> GSM76107 2 0.5926 0.00400 0.000 0.644 0.356
#> GSM76108 2 0.7276 0.59112 0.192 0.704 0.104
#> GSM76109 1 0.0592 0.71217 0.988 0.000 0.012
#> GSM76110 1 0.3715 0.75948 0.868 0.128 0.004
#> GSM76111 1 0.5220 0.73277 0.780 0.208 0.012
#> GSM76112 1 0.5344 0.76782 0.824 0.092 0.084
#> GSM76113 2 0.6138 0.66929 0.060 0.768 0.172
#> GSM76114 1 0.8304 0.64491 0.624 0.232 0.144
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.145 0.7208 0.000 0.956 0.008 0.036
#> GSM76116 2 0.182 0.7193 0.000 0.944 0.020 0.036
#> GSM76117 2 0.383 0.7034 0.060 0.868 0.040 0.032
#> GSM76118 2 0.351 0.7089 0.040 0.884 0.036 0.040
#> GSM76119 4 0.271 0.9988 0.000 0.112 0.004 0.884
#> GSM76120 4 0.271 0.9988 0.000 0.112 0.004 0.884
#> GSM76121 2 0.500 0.6560 0.128 0.796 0.040 0.036
#> GSM76122 2 0.374 0.6985 0.020 0.864 0.028 0.088
#> GSM76123 4 0.271 0.9988 0.000 0.112 0.004 0.884
#> GSM76124 2 0.434 0.6910 0.024 0.836 0.044 0.096
#> GSM76125 4 0.271 0.9988 0.000 0.112 0.004 0.884
#> GSM76126 2 0.588 0.2099 0.004 0.552 0.028 0.416
#> GSM76127 4 0.271 0.9988 0.000 0.112 0.004 0.884
#> GSM76128 4 0.280 0.9930 0.000 0.108 0.008 0.884
#> GSM76129 2 0.181 0.7229 0.000 0.940 0.008 0.052
#> GSM76130 4 0.271 0.9988 0.000 0.112 0.004 0.884
#> GSM76131 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76132 2 0.241 0.7214 0.000 0.920 0.044 0.036
#> GSM76133 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76134 2 0.212 0.7239 0.000 0.932 0.028 0.040
#> GSM76135 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76136 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76137 2 0.306 0.7142 0.000 0.888 0.040 0.072
#> GSM76138 2 0.168 0.7225 0.000 0.948 0.012 0.040
#> GSM76139 2 0.259 0.7193 0.000 0.912 0.044 0.044
#> GSM76140 1 0.591 0.6574 0.696 0.232 0.056 0.016
#> GSM76141 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76142 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76143 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76144 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76145 2 0.161 0.7243 0.000 0.952 0.016 0.032
#> GSM76146 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76147 2 0.241 0.7214 0.000 0.920 0.044 0.036
#> GSM76148 2 0.259 0.7193 0.000 0.912 0.044 0.044
#> GSM76149 2 0.182 0.7241 0.000 0.944 0.020 0.036
#> GSM76150 2 0.182 0.7241 0.000 0.944 0.020 0.036
#> GSM76151 2 0.182 0.7241 0.000 0.944 0.020 0.036
#> GSM76152 1 0.587 0.6599 0.700 0.228 0.056 0.016
#> GSM76153 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76154 2 0.182 0.7241 0.000 0.944 0.020 0.036
#> GSM76155 2 0.161 0.7243 0.000 0.952 0.016 0.032
#> GSM76156 2 0.250 0.7207 0.000 0.916 0.044 0.040
#> GSM76030 2 0.566 0.6557 0.068 0.772 0.092 0.068
#> GSM76031 1 0.570 0.6748 0.716 0.212 0.060 0.012
#> GSM76032 3 0.319 0.6211 0.048 0.060 0.888 0.004
#> GSM76033 3 0.600 0.6186 0.004 0.316 0.628 0.052
#> GSM76034 2 0.681 -0.1942 0.020 0.480 0.448 0.052
#> GSM76035 3 0.728 0.2720 0.044 0.440 0.464 0.052
#> GSM76036 3 0.572 0.6756 0.000 0.272 0.668 0.060
#> GSM76037 2 0.320 0.7024 0.004 0.884 0.032 0.080
#> GSM76038 1 0.570 0.6748 0.716 0.212 0.060 0.012
#> GSM76039 2 0.706 0.0742 0.424 0.492 0.036 0.048
#> GSM76040 3 0.578 0.6745 0.000 0.272 0.664 0.064
#> GSM76041 3 0.723 -0.1728 0.408 0.084 0.488 0.020
#> GSM76042 2 0.820 0.3839 0.252 0.536 0.152 0.060
#> GSM76043 2 0.874 -0.1727 0.232 0.368 0.356 0.044
#> GSM76044 2 0.818 0.3910 0.248 0.540 0.152 0.060
#> GSM76045 1 0.854 0.2795 0.420 0.276 0.272 0.032
#> GSM76046 3 0.639 0.4834 0.000 0.376 0.552 0.072
#> GSM76047 3 0.788 0.5343 0.184 0.192 0.576 0.048
#> GSM76048 3 0.460 0.7126 0.004 0.184 0.780 0.032
#> GSM76049 2 0.599 0.6421 0.084 0.752 0.096 0.068
#> GSM76050 1 0.638 0.5722 0.624 0.044 0.308 0.024
#> GSM76051 3 0.556 0.6868 0.000 0.260 0.684 0.056
#> GSM76052 3 0.600 0.6186 0.004 0.316 0.628 0.052
#> GSM76053 2 0.685 -0.2482 0.012 0.468 0.452 0.068
#> GSM76054 3 0.581 0.6708 0.000 0.276 0.660 0.064
#> GSM76055 2 0.631 0.6192 0.132 0.724 0.052 0.092
#> GSM76056 2 0.868 0.1355 0.268 0.428 0.260 0.044
#> GSM76057 2 0.837 0.2420 0.164 0.488 0.296 0.052
#> GSM76058 3 0.435 0.6135 0.096 0.076 0.824 0.004
#> GSM76059 1 0.117 0.7221 0.968 0.000 0.020 0.012
#> GSM76060 2 0.796 0.2265 0.116 0.512 0.324 0.048
#> GSM76061 2 0.764 0.3834 0.104 0.576 0.268 0.052
#> GSM76062 1 0.372 0.7127 0.820 0.000 0.168 0.012
#> GSM76063 2 0.631 0.3144 0.004 0.612 0.312 0.072
#> GSM76064 1 0.631 0.5517 0.604 0.044 0.336 0.016
#> GSM76065 2 0.355 0.7099 0.004 0.868 0.048 0.080
#> GSM76066 1 0.541 0.5212 0.604 0.008 0.380 0.008
#> GSM76067 3 0.565 0.1223 0.344 0.028 0.624 0.004
#> GSM76068 3 0.556 0.6868 0.000 0.260 0.684 0.056
#> GSM76069 1 0.790 0.5098 0.552 0.276 0.116 0.056
#> GSM76070 2 0.524 0.6136 0.004 0.748 0.184 0.064
#> GSM76071 1 0.462 0.6893 0.764 0.012 0.212 0.012
#> GSM76072 1 0.458 0.6912 0.768 0.012 0.208 0.012
#> GSM76073 1 0.199 0.7413 0.944 0.016 0.024 0.016
#> GSM76074 1 0.187 0.7398 0.948 0.012 0.024 0.016
#> GSM76075 3 0.238 0.6420 0.008 0.064 0.920 0.008
#> GSM76076 3 0.238 0.6643 0.004 0.080 0.912 0.004
#> GSM76077 2 0.822 0.1440 0.132 0.480 0.336 0.052
#> GSM76078 3 0.585 0.6469 0.060 0.204 0.716 0.020
#> GSM76079 1 0.190 0.7329 0.932 0.000 0.064 0.004
#> GSM76080 2 0.623 0.0750 0.000 0.552 0.388 0.060
#> GSM76081 3 0.608 0.6206 0.000 0.312 0.620 0.068
#> GSM76082 3 0.554 0.6892 0.000 0.256 0.688 0.056
#> GSM76083 3 0.238 0.6643 0.004 0.080 0.912 0.004
#> GSM76084 2 0.622 0.0879 0.000 0.556 0.384 0.060
#> GSM76085 3 0.546 0.6863 0.004 0.264 0.692 0.040
#> GSM76086 3 0.439 0.2790 0.236 0.000 0.752 0.012
#> GSM76087 2 0.276 0.7169 0.000 0.904 0.044 0.052
#> GSM76088 2 0.806 0.2216 0.128 0.508 0.316 0.048
#> GSM76089 2 0.525 0.6707 0.060 0.796 0.080 0.064
#> GSM76090 3 0.246 0.6591 0.008 0.076 0.912 0.004
#> GSM76091 1 0.495 0.6858 0.736 0.004 0.232 0.028
#> GSM76092 1 0.263 0.7441 0.920 0.036 0.020 0.024
#> GSM76093 1 0.117 0.7221 0.968 0.000 0.020 0.012
#> GSM76094 2 0.421 0.6934 0.076 0.848 0.044 0.032
#> GSM76095 1 0.661 0.5798 0.628 0.280 0.072 0.020
#> GSM76096 2 0.803 0.3171 0.276 0.540 0.056 0.128
#> GSM76097 2 0.627 0.6184 0.120 0.728 0.052 0.100
#> GSM76098 2 0.670 0.3401 0.024 0.600 0.316 0.060
#> GSM76099 1 0.693 0.6216 0.652 0.208 0.104 0.036
#> GSM76100 1 0.515 0.7227 0.780 0.148 0.044 0.028
#> GSM76101 1 0.117 0.7221 0.968 0.000 0.020 0.012
#> GSM76102 2 0.783 0.4263 0.232 0.584 0.068 0.116
#> GSM76103 3 0.505 0.2483 0.264 0.012 0.712 0.012
#> GSM76104 3 0.608 0.5975 0.004 0.332 0.612 0.052
#> GSM76105 2 0.398 0.6934 0.028 0.856 0.032 0.084
#> GSM76106 2 0.623 0.0750 0.000 0.552 0.388 0.060
#> GSM76107 2 0.588 0.2099 0.004 0.552 0.028 0.416
#> GSM76108 2 0.686 0.5850 0.156 0.684 0.064 0.096
#> GSM76109 1 0.117 0.7221 0.968 0.000 0.020 0.012
#> GSM76110 1 0.421 0.7410 0.836 0.104 0.048 0.012
#> GSM76111 1 0.540 0.7020 0.748 0.184 0.052 0.016
#> GSM76112 1 0.498 0.6715 0.720 0.016 0.256 0.008
#> GSM76113 2 0.672 0.3998 0.040 0.628 0.280 0.052
#> GSM76114 1 0.800 0.3941 0.464 0.140 0.364 0.032
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.3475 0.45115 0.000 0.804 0.004 0.012 0.180
#> GSM76116 2 0.4030 0.36218 0.000 0.736 0.008 0.008 0.248
#> GSM76117 2 0.5262 0.24136 0.056 0.664 0.008 0.004 0.268
#> GSM76118 2 0.5127 0.27632 0.036 0.680 0.012 0.008 0.264
#> GSM76119 4 0.0794 0.82765 0.000 0.028 0.000 0.972 0.000
#> GSM76120 4 0.0794 0.82765 0.000 0.028 0.000 0.972 0.000
#> GSM76121 2 0.6005 0.10358 0.128 0.616 0.008 0.004 0.244
#> GSM76122 2 0.5012 -0.16436 0.004 0.548 0.008 0.012 0.428
#> GSM76123 4 0.0794 0.82765 0.000 0.028 0.000 0.972 0.000
#> GSM76124 5 0.5152 0.22342 0.012 0.472 0.012 0.004 0.500
#> GSM76125 4 0.0794 0.82765 0.000 0.028 0.000 0.972 0.000
#> GSM76126 4 0.7425 -0.09222 0.012 0.340 0.012 0.364 0.272
#> GSM76127 4 0.0794 0.82765 0.000 0.028 0.000 0.972 0.000
#> GSM76128 4 0.1026 0.82059 0.000 0.024 0.004 0.968 0.004
#> GSM76129 2 0.3650 0.45427 0.000 0.796 0.000 0.028 0.176
#> GSM76130 4 0.0794 0.82765 0.000 0.028 0.000 0.972 0.000
#> GSM76131 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76132 2 0.1211 0.56028 0.000 0.960 0.024 0.000 0.016
#> GSM76133 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76134 2 0.2789 0.52431 0.000 0.880 0.008 0.020 0.092
#> GSM76135 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76136 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76137 2 0.1949 0.54649 0.000 0.932 0.016 0.040 0.012
#> GSM76138 2 0.3123 0.47265 0.000 0.828 0.000 0.012 0.160
#> GSM76139 2 0.1267 0.56024 0.000 0.960 0.024 0.004 0.012
#> GSM76140 1 0.5685 0.56216 0.676 0.112 0.016 0.004 0.192
#> GSM76141 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76142 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76143 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76144 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76145 2 0.2674 0.50329 0.000 0.868 0.000 0.012 0.120
#> GSM76146 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76147 2 0.1211 0.56028 0.000 0.960 0.024 0.000 0.016
#> GSM76148 2 0.1267 0.56024 0.000 0.960 0.024 0.004 0.012
#> GSM76149 2 0.2464 0.51748 0.000 0.888 0.000 0.016 0.096
#> GSM76150 2 0.2464 0.51748 0.000 0.888 0.000 0.016 0.096
#> GSM76151 2 0.2519 0.51431 0.000 0.884 0.000 0.016 0.100
#> GSM76152 1 0.5640 0.56641 0.680 0.108 0.016 0.004 0.192
#> GSM76153 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76154 2 0.2464 0.51748 0.000 0.888 0.000 0.016 0.096
#> GSM76155 2 0.2674 0.50329 0.000 0.868 0.000 0.012 0.120
#> GSM76156 2 0.1106 0.56088 0.000 0.964 0.024 0.000 0.012
#> GSM76030 2 0.6322 0.03146 0.040 0.560 0.064 0.004 0.332
#> GSM76031 1 0.5466 0.58974 0.696 0.096 0.016 0.004 0.188
#> GSM76032 3 0.3018 0.60897 0.036 0.036 0.884 0.000 0.044
#> GSM76033 3 0.5521 0.63958 0.004 0.280 0.648 0.028 0.040
#> GSM76034 3 0.6550 0.30461 0.012 0.436 0.452 0.020 0.080
#> GSM76035 3 0.7109 0.38065 0.032 0.396 0.456 0.024 0.092
#> GSM76036 3 0.4676 0.68109 0.000 0.264 0.696 0.032 0.008
#> GSM76037 2 0.4350 0.00959 0.000 0.588 0.004 0.000 0.408
#> GSM76038 1 0.5466 0.58974 0.696 0.096 0.016 0.004 0.188
#> GSM76039 1 0.7204 -0.35218 0.404 0.312 0.020 0.000 0.264
#> GSM76040 3 0.4751 0.68030 0.000 0.264 0.692 0.036 0.008
#> GSM76041 3 0.6930 -0.13751 0.372 0.028 0.472 0.008 0.120
#> GSM76042 2 0.8219 -0.30597 0.224 0.380 0.108 0.004 0.284
#> GSM76043 3 0.8791 0.06336 0.192 0.256 0.324 0.012 0.216
#> GSM76044 2 0.8211 -0.30318 0.224 0.384 0.108 0.004 0.280
#> GSM76045 1 0.8470 0.22584 0.360 0.128 0.236 0.008 0.268
#> GSM76046 3 0.5985 0.54579 0.000 0.344 0.568 0.044 0.044
#> GSM76047 3 0.7445 0.54084 0.148 0.136 0.580 0.020 0.116
#> GSM76048 3 0.3835 0.69358 0.004 0.168 0.800 0.020 0.008
#> GSM76049 2 0.6513 -0.01201 0.048 0.544 0.068 0.004 0.336
#> GSM76050 1 0.6146 0.55518 0.592 0.008 0.280 0.008 0.112
#> GSM76051 3 0.4429 0.68742 0.000 0.256 0.712 0.028 0.004
#> GSM76052 3 0.5521 0.63958 0.004 0.280 0.648 0.028 0.040
#> GSM76053 3 0.6782 0.35315 0.008 0.408 0.464 0.040 0.080
#> GSM76054 3 0.4775 0.67774 0.000 0.268 0.688 0.036 0.008
#> GSM76055 5 0.5826 0.53745 0.072 0.332 0.016 0.000 0.580
#> GSM76056 2 0.8588 -0.23136 0.180 0.336 0.240 0.004 0.240
#> GSM76057 2 0.8023 -0.13593 0.076 0.384 0.268 0.004 0.268
#> GSM76058 3 0.3857 0.59819 0.088 0.052 0.832 0.000 0.028
#> GSM76059 1 0.1043 0.69874 0.960 0.000 0.000 0.000 0.040
#> GSM76060 2 0.7683 -0.01067 0.048 0.416 0.280 0.004 0.252
#> GSM76061 2 0.7224 0.07778 0.032 0.492 0.240 0.004 0.232
#> GSM76062 1 0.4295 0.68291 0.780 0.000 0.132 0.004 0.084
#> GSM76063 2 0.5225 0.20593 0.000 0.636 0.312 0.028 0.024
#> GSM76064 1 0.6234 0.55071 0.588 0.020 0.296 0.008 0.088
#> GSM76065 2 0.4633 0.13838 0.000 0.632 0.016 0.004 0.348
#> GSM76066 1 0.5728 0.51792 0.588 0.004 0.332 0.008 0.068
#> GSM76067 3 0.5283 0.14399 0.336 0.012 0.616 0.004 0.032
#> GSM76068 3 0.4603 0.69028 0.000 0.248 0.712 0.028 0.012
#> GSM76069 1 0.6672 0.38737 0.464 0.044 0.088 0.000 0.404
#> GSM76070 2 0.4196 0.43505 0.000 0.780 0.168 0.012 0.040
#> GSM76071 1 0.4635 0.67876 0.744 0.000 0.184 0.008 0.064
#> GSM76072 1 0.4600 0.68013 0.748 0.000 0.180 0.008 0.064
#> GSM76073 1 0.1043 0.70240 0.960 0.000 0.000 0.000 0.040
#> GSM76074 1 0.0963 0.70239 0.964 0.000 0.000 0.000 0.036
#> GSM76075 3 0.2443 0.63165 0.008 0.040 0.912 0.004 0.036
#> GSM76076 3 0.2388 0.65131 0.008 0.056 0.912 0.004 0.020
#> GSM76077 2 0.7978 -0.11700 0.064 0.348 0.300 0.004 0.284
#> GSM76078 3 0.5724 0.59533 0.036 0.188 0.688 0.004 0.084
#> GSM76079 1 0.2928 0.70664 0.872 0.000 0.032 0.004 0.092
#> GSM76080 2 0.5696 -0.06410 0.000 0.548 0.388 0.036 0.028
#> GSM76081 3 0.5121 0.64845 0.000 0.300 0.648 0.040 0.012
#> GSM76082 3 0.4497 0.69060 0.000 0.248 0.716 0.028 0.008
#> GSM76083 3 0.2388 0.65131 0.008 0.056 0.912 0.004 0.020
#> GSM76084 2 0.5687 -0.05065 0.000 0.552 0.384 0.036 0.028
#> GSM76085 3 0.4810 0.68773 0.004 0.240 0.712 0.020 0.024
#> GSM76086 3 0.4952 0.30115 0.216 0.000 0.708 0.008 0.068
#> GSM76087 2 0.1393 0.55773 0.000 0.956 0.024 0.012 0.008
#> GSM76088 2 0.7836 -0.04040 0.060 0.404 0.276 0.004 0.256
#> GSM76089 2 0.6086 0.10103 0.036 0.588 0.056 0.004 0.316
#> GSM76090 3 0.2523 0.64487 0.012 0.052 0.908 0.004 0.024
#> GSM76091 1 0.5416 0.64991 0.672 0.000 0.196 0.004 0.128
#> GSM76092 1 0.1732 0.70120 0.920 0.000 0.000 0.000 0.080
#> GSM76093 1 0.1043 0.69874 0.960 0.000 0.000 0.000 0.040
#> GSM76094 2 0.5598 0.19006 0.072 0.644 0.012 0.004 0.268
#> GSM76095 1 0.6427 0.46243 0.592 0.136 0.032 0.000 0.240
#> GSM76096 5 0.6515 0.23529 0.236 0.120 0.008 0.032 0.604
#> GSM76097 5 0.6924 0.38158 0.084 0.376 0.032 0.020 0.488
#> GSM76098 2 0.7543 -0.18874 0.012 0.392 0.308 0.020 0.268
#> GSM76099 1 0.6064 0.54653 0.560 0.016 0.076 0.004 0.344
#> GSM76100 1 0.4503 0.66496 0.764 0.032 0.020 0.004 0.180
#> GSM76101 1 0.1043 0.69874 0.960 0.000 0.000 0.000 0.040
#> GSM76102 2 0.8202 -0.45908 0.228 0.352 0.036 0.040 0.344
#> GSM76103 3 0.5213 0.27915 0.244 0.008 0.688 0.012 0.048
#> GSM76104 3 0.5657 0.62827 0.004 0.292 0.632 0.032 0.040
#> GSM76105 2 0.4855 -0.12626 0.016 0.544 0.004 0.000 0.436
#> GSM76106 2 0.5696 -0.06410 0.000 0.548 0.388 0.036 0.028
#> GSM76107 4 0.7425 -0.09222 0.012 0.340 0.012 0.364 0.272
#> GSM76108 5 0.6232 0.56658 0.100 0.288 0.028 0.000 0.584
#> GSM76109 1 0.1043 0.69874 0.960 0.000 0.000 0.000 0.040
#> GSM76110 1 0.3818 0.68050 0.812 0.028 0.016 0.000 0.144
#> GSM76111 1 0.5250 0.62246 0.708 0.084 0.020 0.000 0.188
#> GSM76112 1 0.4769 0.66847 0.720 0.000 0.216 0.008 0.056
#> GSM76113 2 0.7002 0.21368 0.024 0.556 0.260 0.024 0.136
#> GSM76114 1 0.7309 0.40427 0.404 0.020 0.328 0.004 0.244
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 2 0.3935 0.40221 0.000 0.692 0.008 0.012 0.288 0.000
#> GSM76116 2 0.4242 0.25727 0.000 0.612 0.012 0.008 0.368 0.000
#> GSM76117 2 0.5254 0.11365 0.060 0.548 0.012 0.000 0.376 0.004
#> GSM76118 2 0.5504 0.16923 0.036 0.568 0.016 0.004 0.352 0.024
#> GSM76119 4 0.0363 0.79574 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM76120 4 0.0363 0.79574 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM76121 2 0.6362 -0.02517 0.128 0.504 0.016 0.000 0.324 0.028
#> GSM76122 5 0.4941 0.30802 0.004 0.384 0.000 0.012 0.564 0.036
#> GSM76123 4 0.0363 0.79574 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM76124 5 0.4811 0.41628 0.008 0.312 0.000 0.004 0.628 0.048
#> GSM76125 4 0.0363 0.79574 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM76126 4 0.7916 -0.03908 0.008 0.252 0.008 0.340 0.244 0.148
#> GSM76127 4 0.0363 0.79574 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM76128 4 0.0551 0.78610 0.000 0.008 0.004 0.984 0.000 0.004
#> GSM76129 2 0.4671 0.40900 0.000 0.684 0.008 0.024 0.256 0.028
#> GSM76130 4 0.0363 0.79574 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM76131 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76132 2 0.0405 0.59002 0.000 0.988 0.004 0.000 0.008 0.000
#> GSM76133 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76134 2 0.3304 0.52293 0.000 0.804 0.008 0.020 0.168 0.000
#> GSM76135 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76136 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76137 2 0.2840 0.56286 0.000 0.876 0.016 0.040 0.064 0.004
#> GSM76138 2 0.3787 0.43851 0.000 0.720 0.008 0.012 0.260 0.000
#> GSM76139 2 0.0291 0.59063 0.000 0.992 0.004 0.004 0.000 0.000
#> GSM76140 1 0.5286 0.55386 0.664 0.044 0.012 0.000 0.232 0.048
#> GSM76141 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76142 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76143 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76144 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76145 2 0.3420 0.49628 0.000 0.776 0.008 0.012 0.204 0.000
#> GSM76146 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76147 2 0.0508 0.58957 0.000 0.984 0.004 0.000 0.012 0.000
#> GSM76148 2 0.0291 0.59063 0.000 0.992 0.004 0.004 0.000 0.000
#> GSM76149 2 0.3321 0.51552 0.000 0.796 0.008 0.016 0.180 0.000
#> GSM76150 2 0.3321 0.51552 0.000 0.796 0.008 0.016 0.180 0.000
#> GSM76151 2 0.3354 0.51129 0.000 0.792 0.008 0.016 0.184 0.000
#> GSM76152 1 0.5262 0.55449 0.668 0.044 0.012 0.000 0.228 0.048
#> GSM76153 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76154 2 0.3321 0.51552 0.000 0.796 0.008 0.016 0.180 0.000
#> GSM76155 2 0.3420 0.49628 0.000 0.776 0.008 0.012 0.204 0.000
#> GSM76156 2 0.0146 0.59144 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM76030 2 0.6097 -0.19662 0.036 0.444 0.064 0.004 0.440 0.012
#> GSM76031 1 0.5119 0.57361 0.684 0.036 0.012 0.000 0.216 0.052
#> GSM76032 3 0.2790 0.46981 0.008 0.020 0.856 0.000 0.000 0.116
#> GSM76033 3 0.5227 0.56436 0.004 0.240 0.664 0.028 0.056 0.008
#> GSM76034 3 0.6598 0.34406 0.012 0.372 0.456 0.020 0.124 0.016
#> GSM76035 3 0.7120 0.36536 0.024 0.340 0.456 0.020 0.120 0.040
#> GSM76036 3 0.4093 0.58475 0.000 0.240 0.720 0.032 0.004 0.004
#> GSM76037 5 0.3950 0.20454 0.000 0.432 0.000 0.000 0.564 0.004
#> GSM76038 1 0.5119 0.57361 0.684 0.036 0.012 0.000 0.216 0.052
#> GSM76039 1 0.7123 -0.29139 0.396 0.232 0.020 0.000 0.312 0.040
#> GSM76040 3 0.4161 0.58366 0.000 0.240 0.716 0.036 0.004 0.004
#> GSM76041 3 0.7368 -0.10569 0.292 0.024 0.424 0.000 0.076 0.184
#> GSM76042 5 0.8037 0.36650 0.220 0.276 0.112 0.008 0.356 0.028
#> GSM76043 3 0.8916 0.00837 0.168 0.192 0.304 0.016 0.232 0.088
#> GSM76044 5 0.7978 0.36777 0.220 0.276 0.112 0.008 0.360 0.024
#> GSM76045 1 0.8582 0.16447 0.300 0.092 0.200 0.000 0.256 0.152
#> GSM76046 3 0.5784 0.49566 0.000 0.288 0.584 0.048 0.076 0.004
#> GSM76047 3 0.7523 0.39047 0.104 0.116 0.556 0.016 0.112 0.096
#> GSM76048 3 0.3616 0.58221 0.004 0.140 0.808 0.020 0.000 0.028
#> GSM76049 5 0.6271 0.13414 0.040 0.432 0.068 0.004 0.440 0.016
#> GSM76050 1 0.6533 0.45234 0.520 0.004 0.252 0.000 0.056 0.168
#> GSM76051 3 0.3720 0.58961 0.000 0.236 0.736 0.028 0.000 0.000
#> GSM76052 3 0.5227 0.56436 0.004 0.240 0.664 0.028 0.056 0.008
#> GSM76053 3 0.6594 0.35970 0.008 0.340 0.476 0.044 0.128 0.004
#> GSM76054 3 0.4185 0.58247 0.000 0.244 0.712 0.036 0.004 0.004
#> GSM76055 5 0.5806 0.41502 0.044 0.244 0.008 0.000 0.612 0.092
#> GSM76056 2 0.8656 -0.23532 0.132 0.328 0.144 0.000 0.220 0.176
#> GSM76057 2 0.8132 -0.17255 0.040 0.356 0.160 0.000 0.236 0.208
#> GSM76058 3 0.4271 0.46346 0.052 0.048 0.780 0.000 0.004 0.116
#> GSM76059 1 0.1858 0.62048 0.904 0.000 0.004 0.000 0.000 0.092
#> GSM76060 2 0.7951 -0.07551 0.024 0.360 0.232 0.000 0.224 0.160
#> GSM76061 2 0.7411 0.00982 0.008 0.440 0.188 0.000 0.216 0.148
#> GSM76062 1 0.5211 0.56421 0.652 0.000 0.100 0.000 0.024 0.224
#> GSM76063 2 0.5344 0.17181 0.000 0.596 0.320 0.028 0.048 0.008
#> GSM76064 1 0.6671 0.44891 0.496 0.008 0.240 0.000 0.044 0.212
#> GSM76065 2 0.4326 -0.14629 0.000 0.496 0.008 0.000 0.488 0.008
#> GSM76066 1 0.6239 0.41954 0.480 0.000 0.288 0.000 0.020 0.212
#> GSM76067 3 0.5825 0.16681 0.260 0.008 0.564 0.000 0.008 0.160
#> GSM76068 3 0.3946 0.58994 0.000 0.228 0.736 0.028 0.004 0.004
#> GSM76069 5 0.7278 -0.36829 0.332 0.016 0.060 0.000 0.368 0.224
#> GSM76070 2 0.4511 0.42957 0.000 0.752 0.152 0.008 0.060 0.028
#> GSM76071 1 0.5412 0.57548 0.648 0.000 0.148 0.000 0.028 0.176
#> GSM76072 1 0.5379 0.57767 0.652 0.000 0.144 0.000 0.028 0.176
#> GSM76073 1 0.1408 0.63522 0.944 0.000 0.000 0.000 0.020 0.036
#> GSM76074 1 0.1480 0.63507 0.940 0.000 0.000 0.000 0.020 0.040
#> GSM76075 3 0.2646 0.48586 0.004 0.028 0.876 0.000 0.004 0.088
#> GSM76076 3 0.2575 0.51108 0.004 0.044 0.880 0.000 0.000 0.072
#> GSM76077 2 0.8167 -0.15251 0.036 0.308 0.256 0.000 0.248 0.152
#> GSM76078 3 0.5865 0.41950 0.008 0.156 0.644 0.000 0.064 0.128
#> GSM76079 1 0.4459 0.60524 0.712 0.000 0.020 0.000 0.048 0.220
#> GSM76080 2 0.5573 -0.11391 0.000 0.504 0.408 0.036 0.048 0.004
#> GSM76081 3 0.4531 0.55596 0.000 0.276 0.672 0.040 0.004 0.008
#> GSM76082 3 0.3807 0.59044 0.000 0.228 0.740 0.028 0.000 0.004
#> GSM76083 3 0.2575 0.51108 0.004 0.044 0.880 0.000 0.000 0.072
#> GSM76084 2 0.5568 -0.10072 0.000 0.508 0.404 0.036 0.048 0.004
#> GSM76085 3 0.4588 0.59329 0.004 0.204 0.728 0.020 0.028 0.016
#> GSM76086 3 0.4949 0.21266 0.100 0.000 0.640 0.000 0.004 0.256
#> GSM76087 2 0.0653 0.58737 0.000 0.980 0.004 0.012 0.004 0.000
#> GSM76088 2 0.8065 -0.09740 0.032 0.352 0.228 0.000 0.228 0.160
#> GSM76089 2 0.5938 -0.11153 0.032 0.480 0.056 0.004 0.416 0.012
#> GSM76090 3 0.2705 0.50298 0.004 0.040 0.876 0.000 0.004 0.076
#> GSM76091 1 0.6283 0.49239 0.524 0.000 0.124 0.000 0.060 0.292
#> GSM76092 1 0.2325 0.63274 0.892 0.000 0.000 0.000 0.048 0.060
#> GSM76093 1 0.1958 0.61874 0.896 0.000 0.004 0.000 0.000 0.100
#> GSM76094 2 0.5753 0.06079 0.076 0.532 0.020 0.000 0.360 0.012
#> GSM76095 1 0.6442 0.47060 0.560 0.072 0.032 0.000 0.272 0.064
#> GSM76096 5 0.6053 -0.27560 0.172 0.020 0.000 0.004 0.544 0.260
#> GSM76097 6 0.6673 0.33771 0.060 0.100 0.008 0.008 0.344 0.480
#> GSM76098 6 0.8003 0.29263 0.008 0.156 0.304 0.024 0.152 0.356
#> GSM76099 1 0.7055 0.34309 0.404 0.008 0.052 0.000 0.276 0.260
#> GSM76100 1 0.4731 0.60342 0.736 0.012 0.020 0.000 0.148 0.084
#> GSM76101 1 0.1958 0.61874 0.896 0.000 0.004 0.000 0.000 0.100
#> GSM76102 5 0.8342 -0.11536 0.208 0.252 0.024 0.012 0.316 0.188
#> GSM76103 3 0.5032 0.22464 0.132 0.000 0.648 0.000 0.004 0.216
#> GSM76104 3 0.5510 0.55725 0.004 0.244 0.648 0.028 0.056 0.020
#> GSM76105 5 0.4419 0.27322 0.016 0.408 0.000 0.000 0.568 0.008
#> GSM76106 2 0.5573 -0.11391 0.000 0.504 0.408 0.036 0.048 0.004
#> GSM76107 4 0.7916 -0.03908 0.008 0.252 0.008 0.340 0.244 0.148
#> GSM76108 5 0.6095 0.35732 0.064 0.208 0.016 0.000 0.616 0.096
#> GSM76109 1 0.1958 0.61874 0.896 0.000 0.004 0.000 0.000 0.100
#> GSM76110 1 0.3877 0.62773 0.796 0.020 0.016 0.000 0.144 0.024
#> GSM76111 1 0.5425 0.59209 0.676 0.048 0.020 0.000 0.200 0.056
#> GSM76112 1 0.5378 0.56848 0.648 0.000 0.164 0.000 0.024 0.164
#> GSM76113 2 0.7035 0.16072 0.020 0.480 0.280 0.024 0.176 0.020
#> GSM76114 1 0.7689 0.16671 0.284 0.000 0.280 0.000 0.208 0.228
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> SD:hclust 107 2.55e-06 2
#> SD:hclust 105 9.35e-07 3
#> SD:hclust 97 1.02e-11 4
#> SD:hclust 78 2.32e-13 5
#> SD:hclust 63 2.84e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "kmeans"]
# you can also extract it by
# res = res_list["SD:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.922 0.948 0.977 0.5026 0.497 0.497
#> 3 3 0.580 0.775 0.862 0.2996 0.775 0.576
#> 4 4 0.626 0.662 0.774 0.1256 0.856 0.611
#> 5 5 0.735 0.768 0.856 0.0663 0.922 0.716
#> 6 6 0.706 0.632 0.787 0.0456 0.934 0.712
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.981 0.000 1.000
#> GSM76116 2 0.0000 0.981 0.000 1.000
#> GSM76117 2 0.4690 0.893 0.100 0.900
#> GSM76118 2 0.5059 0.881 0.112 0.888
#> GSM76119 2 0.0000 0.981 0.000 1.000
#> GSM76120 2 0.0000 0.981 0.000 1.000
#> GSM76121 1 0.9754 0.314 0.592 0.408
#> GSM76122 2 0.0000 0.981 0.000 1.000
#> GSM76123 2 0.0000 0.981 0.000 1.000
#> GSM76124 2 0.5737 0.853 0.136 0.864
#> GSM76125 2 0.0000 0.981 0.000 1.000
#> GSM76126 2 0.0000 0.981 0.000 1.000
#> GSM76127 2 0.0000 0.981 0.000 1.000
#> GSM76128 2 0.0376 0.978 0.004 0.996
#> GSM76129 2 0.0000 0.981 0.000 1.000
#> GSM76130 2 0.0000 0.981 0.000 1.000
#> GSM76131 2 0.0000 0.981 0.000 1.000
#> GSM76132 2 0.0000 0.981 0.000 1.000
#> GSM76133 2 0.0000 0.981 0.000 1.000
#> GSM76134 2 0.0000 0.981 0.000 1.000
#> GSM76135 2 0.0000 0.981 0.000 1.000
#> GSM76136 2 0.0000 0.981 0.000 1.000
#> GSM76137 2 0.0000 0.981 0.000 1.000
#> GSM76138 2 0.0000 0.981 0.000 1.000
#> GSM76139 2 0.0000 0.981 0.000 1.000
#> GSM76140 1 0.0000 0.971 1.000 0.000
#> GSM76141 2 0.0000 0.981 0.000 1.000
#> GSM76142 2 0.0000 0.981 0.000 1.000
#> GSM76143 2 0.0000 0.981 0.000 1.000
#> GSM76144 2 0.0000 0.981 0.000 1.000
#> GSM76145 2 0.0000 0.981 0.000 1.000
#> GSM76146 2 0.0000 0.981 0.000 1.000
#> GSM76147 2 0.0000 0.981 0.000 1.000
#> GSM76148 2 0.0000 0.981 0.000 1.000
#> GSM76149 2 0.0000 0.981 0.000 1.000
#> GSM76150 2 0.0000 0.981 0.000 1.000
#> GSM76151 2 0.0000 0.981 0.000 1.000
#> GSM76152 1 0.0000 0.971 1.000 0.000
#> GSM76153 2 0.0000 0.981 0.000 1.000
#> GSM76154 2 0.0000 0.981 0.000 1.000
#> GSM76155 2 0.0000 0.981 0.000 1.000
#> GSM76156 2 0.0000 0.981 0.000 1.000
#> GSM76030 2 0.2043 0.956 0.032 0.968
#> GSM76031 1 0.0000 0.971 1.000 0.000
#> GSM76032 1 0.0000 0.971 1.000 0.000
#> GSM76033 1 0.7376 0.748 0.792 0.208
#> GSM76034 2 0.0000 0.981 0.000 1.000
#> GSM76035 1 0.2236 0.943 0.964 0.036
#> GSM76036 2 0.0000 0.981 0.000 1.000
#> GSM76037 2 0.0000 0.981 0.000 1.000
#> GSM76038 1 0.0000 0.971 1.000 0.000
#> GSM76039 1 0.0000 0.971 1.000 0.000
#> GSM76040 2 0.0000 0.981 0.000 1.000
#> GSM76041 1 0.0000 0.971 1.000 0.000
#> GSM76042 1 0.0000 0.971 1.000 0.000
#> GSM76043 1 0.0000 0.971 1.000 0.000
#> GSM76044 1 0.8386 0.631 0.732 0.268
#> GSM76045 1 0.0000 0.971 1.000 0.000
#> GSM76046 2 0.0000 0.981 0.000 1.000
#> GSM76047 1 0.0000 0.971 1.000 0.000
#> GSM76048 1 0.1633 0.953 0.976 0.024
#> GSM76049 2 0.9129 0.527 0.328 0.672
#> GSM76050 1 0.0000 0.971 1.000 0.000
#> GSM76051 1 0.9815 0.312 0.580 0.420
#> GSM76052 2 0.0000 0.981 0.000 1.000
#> GSM76053 2 0.1843 0.959 0.028 0.972
#> GSM76054 2 0.0000 0.981 0.000 1.000
#> GSM76055 2 0.5059 0.881 0.112 0.888
#> GSM76056 1 0.0000 0.971 1.000 0.000
#> GSM76057 1 0.0000 0.971 1.000 0.000
#> GSM76058 1 0.0000 0.971 1.000 0.000
#> GSM76059 1 0.0000 0.971 1.000 0.000
#> GSM76060 1 0.0000 0.971 1.000 0.000
#> GSM76061 2 0.4690 0.894 0.100 0.900
#> GSM76062 1 0.0000 0.971 1.000 0.000
#> GSM76063 2 0.0000 0.981 0.000 1.000
#> GSM76064 1 0.0000 0.971 1.000 0.000
#> GSM76065 2 0.0376 0.978 0.004 0.996
#> GSM76066 1 0.0000 0.971 1.000 0.000
#> GSM76067 1 0.0000 0.971 1.000 0.000
#> GSM76068 1 0.2423 0.940 0.960 0.040
#> GSM76069 1 0.0000 0.971 1.000 0.000
#> GSM76070 2 0.0000 0.981 0.000 1.000
#> GSM76071 1 0.0000 0.971 1.000 0.000
#> GSM76072 1 0.0000 0.971 1.000 0.000
#> GSM76073 1 0.0000 0.971 1.000 0.000
#> GSM76074 1 0.0000 0.971 1.000 0.000
#> GSM76075 1 0.0376 0.968 0.996 0.004
#> GSM76076 1 0.1184 0.959 0.984 0.016
#> GSM76077 1 0.0000 0.971 1.000 0.000
#> GSM76078 1 0.0000 0.971 1.000 0.000
#> GSM76079 1 0.0000 0.971 1.000 0.000
#> GSM76080 2 0.0000 0.981 0.000 1.000
#> GSM76081 2 0.0000 0.981 0.000 1.000
#> GSM76082 1 0.0672 0.965 0.992 0.008
#> GSM76083 1 0.8207 0.668 0.744 0.256
#> GSM76084 2 0.0000 0.981 0.000 1.000
#> GSM76085 1 0.2423 0.940 0.960 0.040
#> GSM76086 1 0.0000 0.971 1.000 0.000
#> GSM76087 2 0.0000 0.981 0.000 1.000
#> GSM76088 1 0.0000 0.971 1.000 0.000
#> GSM76089 2 0.0000 0.981 0.000 1.000
#> GSM76090 1 0.0000 0.971 1.000 0.000
#> GSM76091 1 0.0000 0.971 1.000 0.000
#> GSM76092 1 0.0000 0.971 1.000 0.000
#> GSM76093 1 0.0000 0.971 1.000 0.000
#> GSM76094 2 0.4562 0.898 0.096 0.904
#> GSM76095 1 0.0000 0.971 1.000 0.000
#> GSM76096 1 0.0000 0.971 1.000 0.000
#> GSM76097 1 0.0000 0.971 1.000 0.000
#> GSM76098 2 0.0000 0.981 0.000 1.000
#> GSM76099 1 0.0000 0.971 1.000 0.000
#> GSM76100 1 0.0000 0.971 1.000 0.000
#> GSM76101 1 0.0000 0.971 1.000 0.000
#> GSM76102 1 0.0000 0.971 1.000 0.000
#> GSM76103 1 0.0000 0.971 1.000 0.000
#> GSM76104 2 0.0376 0.978 0.004 0.996
#> GSM76105 2 0.6623 0.805 0.172 0.828
#> GSM76106 2 0.0000 0.981 0.000 1.000
#> GSM76107 2 0.0000 0.981 0.000 1.000
#> GSM76108 1 0.0000 0.971 1.000 0.000
#> GSM76109 1 0.0000 0.971 1.000 0.000
#> GSM76110 1 0.0000 0.971 1.000 0.000
#> GSM76111 1 0.0000 0.971 1.000 0.000
#> GSM76112 1 0.0000 0.971 1.000 0.000
#> GSM76113 2 0.0000 0.981 0.000 1.000
#> GSM76114 1 0.0000 0.971 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.1636 0.84894 0.016 0.964 0.020
#> GSM76116 2 0.4249 0.79594 0.108 0.864 0.028
#> GSM76117 2 0.6819 0.58693 0.328 0.644 0.028
#> GSM76118 2 0.7050 0.51144 0.372 0.600 0.028
#> GSM76119 2 0.5529 0.63368 0.000 0.704 0.296
#> GSM76120 2 0.5560 0.62794 0.000 0.700 0.300
#> GSM76121 1 0.4249 0.76006 0.864 0.108 0.028
#> GSM76122 2 0.4249 0.79594 0.108 0.864 0.028
#> GSM76123 2 0.5560 0.62794 0.000 0.700 0.300
#> GSM76124 2 0.7143 0.46248 0.396 0.576 0.028
#> GSM76125 2 0.5560 0.62794 0.000 0.700 0.300
#> GSM76126 2 0.5560 0.62794 0.000 0.700 0.300
#> GSM76127 2 0.5560 0.62794 0.000 0.700 0.300
#> GSM76128 3 0.3192 0.73241 0.000 0.112 0.888
#> GSM76129 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76130 2 0.5529 0.63368 0.000 0.704 0.296
#> GSM76131 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76134 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76135 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76136 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76137 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76138 2 0.1636 0.84894 0.016 0.964 0.020
#> GSM76139 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76140 1 0.0747 0.88860 0.984 0.000 0.016
#> GSM76141 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76145 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76146 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76149 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76150 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76151 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76152 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76153 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76154 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76155 2 0.0592 0.85383 0.000 0.988 0.012
#> GSM76156 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76030 2 0.5722 0.76021 0.132 0.800 0.068
#> GSM76031 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76032 3 0.2878 0.76101 0.096 0.000 0.904
#> GSM76033 3 0.3899 0.79294 0.056 0.056 0.888
#> GSM76034 2 0.3340 0.79798 0.000 0.880 0.120
#> GSM76035 3 0.3155 0.79086 0.044 0.040 0.916
#> GSM76036 3 0.4452 0.72838 0.000 0.192 0.808
#> GSM76037 2 0.4249 0.79594 0.108 0.864 0.028
#> GSM76038 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76039 1 0.0747 0.88860 0.984 0.000 0.016
#> GSM76040 3 0.4452 0.72838 0.000 0.192 0.808
#> GSM76041 1 0.3619 0.90479 0.864 0.000 0.136
#> GSM76042 1 0.0747 0.88860 0.984 0.000 0.016
#> GSM76043 3 0.6081 0.52700 0.344 0.004 0.652
#> GSM76044 1 0.2492 0.84346 0.936 0.048 0.016
#> GSM76045 1 0.3192 0.92337 0.888 0.000 0.112
#> GSM76046 3 0.4291 0.73208 0.000 0.180 0.820
#> GSM76047 3 0.5882 0.45053 0.348 0.000 0.652
#> GSM76048 3 0.3237 0.78726 0.056 0.032 0.912
#> GSM76049 2 0.7582 0.47121 0.380 0.572 0.048
#> GSM76050 1 0.3482 0.91151 0.872 0.000 0.128
#> GSM76051 3 0.3896 0.79320 0.052 0.060 0.888
#> GSM76052 3 0.4291 0.73208 0.000 0.180 0.820
#> GSM76053 3 0.6473 0.45142 0.016 0.332 0.652
#> GSM76054 3 0.4452 0.72838 0.000 0.192 0.808
#> GSM76055 2 0.6912 0.56580 0.344 0.628 0.028
#> GSM76056 1 0.0000 0.89598 1.000 0.000 0.000
#> GSM76057 1 0.2903 0.84718 0.924 0.048 0.028
#> GSM76058 3 0.4178 0.70847 0.172 0.000 0.828
#> GSM76059 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76060 3 0.7784 0.41709 0.388 0.056 0.556
#> GSM76061 2 0.5803 0.70345 0.212 0.760 0.028
#> GSM76062 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76063 2 0.2878 0.80724 0.000 0.904 0.096
#> GSM76064 3 0.6308 0.00455 0.492 0.000 0.508
#> GSM76065 2 0.3846 0.79410 0.108 0.876 0.016
#> GSM76066 1 0.3686 0.90103 0.860 0.000 0.140
#> GSM76067 3 0.5650 0.53277 0.312 0.000 0.688
#> GSM76068 3 0.3456 0.78773 0.060 0.036 0.904
#> GSM76069 1 0.0592 0.89072 0.988 0.000 0.012
#> GSM76070 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76071 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76072 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76073 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76074 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76075 3 0.3461 0.77920 0.076 0.024 0.900
#> GSM76076 3 0.3530 0.78275 0.068 0.032 0.900
#> GSM76077 1 0.4035 0.81203 0.880 0.040 0.080
#> GSM76078 3 0.6420 0.57369 0.288 0.024 0.688
#> GSM76079 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76080 3 0.4346 0.73111 0.000 0.184 0.816
#> GSM76081 3 0.4452 0.72838 0.000 0.192 0.808
#> GSM76082 3 0.3207 0.77062 0.084 0.012 0.904
#> GSM76083 3 0.3888 0.79330 0.048 0.064 0.888
#> GSM76084 2 0.4291 0.72991 0.000 0.820 0.180
#> GSM76085 3 0.3583 0.79089 0.056 0.044 0.900
#> GSM76086 3 0.5650 0.53277 0.312 0.000 0.688
#> GSM76087 2 0.0000 0.85537 0.000 1.000 0.000
#> GSM76088 1 0.3889 0.81523 0.884 0.032 0.084
#> GSM76089 2 0.2903 0.83156 0.048 0.924 0.028
#> GSM76090 3 0.5894 0.65941 0.220 0.028 0.752
#> GSM76091 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76092 1 0.2959 0.92569 0.900 0.000 0.100
#> GSM76093 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76094 2 0.6912 0.56222 0.344 0.628 0.028
#> GSM76095 1 0.0747 0.88860 0.984 0.000 0.016
#> GSM76096 1 0.0747 0.88860 0.984 0.000 0.016
#> GSM76097 1 0.0747 0.88860 0.984 0.000 0.016
#> GSM76098 3 0.4452 0.72838 0.000 0.192 0.808
#> GSM76099 1 0.0237 0.89787 0.996 0.000 0.004
#> GSM76100 1 0.0747 0.90244 0.984 0.000 0.016
#> GSM76101 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76102 1 0.3038 0.92191 0.896 0.000 0.104
#> GSM76103 3 0.5621 0.53958 0.308 0.000 0.692
#> GSM76104 3 0.5111 0.75722 0.036 0.144 0.820
#> GSM76105 2 0.7256 0.36207 0.440 0.532 0.028
#> GSM76106 3 0.6274 0.13300 0.000 0.456 0.544
#> GSM76107 2 0.5650 0.62357 0.000 0.688 0.312
#> GSM76108 1 0.0983 0.88539 0.980 0.004 0.016
#> GSM76109 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76110 1 0.3038 0.92579 0.896 0.000 0.104
#> GSM76111 1 0.2796 0.92464 0.908 0.000 0.092
#> GSM76112 1 0.3116 0.92569 0.892 0.000 0.108
#> GSM76113 3 0.5325 0.66237 0.004 0.248 0.748
#> GSM76114 1 0.3038 0.92552 0.896 0.000 0.104
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.5936 0.537 0.080 0.684 0.004 0.232
#> GSM76116 4 0.6555 0.401 0.080 0.340 0.004 0.576
#> GSM76117 4 0.6129 0.523 0.076 0.268 0.004 0.652
#> GSM76118 4 0.6077 0.531 0.076 0.260 0.004 0.660
#> GSM76119 2 0.7323 0.530 0.408 0.464 0.120 0.008
#> GSM76120 2 0.7273 0.525 0.408 0.460 0.128 0.004
#> GSM76121 4 0.3292 0.546 0.080 0.036 0.004 0.880
#> GSM76122 4 0.6507 0.421 0.080 0.328 0.004 0.588
#> GSM76123 2 0.7273 0.525 0.408 0.460 0.128 0.004
#> GSM76124 4 0.6050 0.535 0.076 0.256 0.004 0.664
#> GSM76125 2 0.7235 0.528 0.408 0.464 0.124 0.004
#> GSM76126 2 0.7235 0.528 0.408 0.464 0.124 0.004
#> GSM76127 2 0.7273 0.525 0.408 0.460 0.128 0.004
#> GSM76128 3 0.5223 0.538 0.408 0.004 0.584 0.004
#> GSM76129 2 0.3485 0.764 0.076 0.872 0.004 0.048
#> GSM76130 2 0.7323 0.530 0.408 0.464 0.120 0.008
#> GSM76131 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76132 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76133 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76134 2 0.3366 0.768 0.076 0.880 0.008 0.036
#> GSM76135 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76136 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76137 2 0.3884 0.765 0.092 0.856 0.016 0.036
#> GSM76138 2 0.5708 0.568 0.076 0.708 0.004 0.212
#> GSM76139 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76140 4 0.1305 0.426 0.036 0.000 0.004 0.960
#> GSM76141 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76142 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76143 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76144 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76145 2 0.3793 0.764 0.076 0.864 0.016 0.044
#> GSM76146 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76147 2 0.0524 0.788 0.004 0.988 0.000 0.008
#> GSM76148 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76149 2 0.3629 0.764 0.076 0.868 0.008 0.048
#> GSM76150 2 0.3544 0.765 0.076 0.872 0.008 0.044
#> GSM76151 2 0.3673 0.765 0.076 0.868 0.012 0.044
#> GSM76152 1 0.5320 0.957 0.572 0.000 0.012 0.416
#> GSM76153 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76154 2 0.3629 0.764 0.076 0.868 0.008 0.048
#> GSM76155 2 0.3567 0.762 0.076 0.868 0.004 0.052
#> GSM76156 2 0.0188 0.791 0.004 0.996 0.000 0.000
#> GSM76030 4 0.6492 0.376 0.060 0.372 0.008 0.560
#> GSM76031 1 0.5329 0.956 0.568 0.000 0.012 0.420
#> GSM76032 3 0.0657 0.879 0.012 0.000 0.984 0.004
#> GSM76033 3 0.1675 0.875 0.044 0.004 0.948 0.004
#> GSM76034 2 0.8603 0.375 0.088 0.520 0.200 0.192
#> GSM76035 3 0.0712 0.882 0.004 0.004 0.984 0.008
#> GSM76036 3 0.1863 0.874 0.040 0.012 0.944 0.004
#> GSM76037 4 0.6555 0.401 0.080 0.340 0.004 0.576
#> GSM76038 1 0.5417 0.958 0.572 0.000 0.016 0.412
#> GSM76039 4 0.0921 0.431 0.028 0.000 0.000 0.972
#> GSM76040 3 0.1953 0.873 0.044 0.012 0.940 0.004
#> GSM76041 1 0.6668 0.839 0.528 0.000 0.092 0.380
#> GSM76042 4 0.1211 0.413 0.040 0.000 0.000 0.960
#> GSM76043 3 0.4949 0.719 0.060 0.000 0.760 0.180
#> GSM76044 4 0.2499 0.527 0.044 0.032 0.004 0.920
#> GSM76045 1 0.6211 0.802 0.488 0.000 0.052 0.460
#> GSM76046 3 0.2040 0.872 0.048 0.012 0.936 0.004
#> GSM76047 3 0.5307 0.700 0.076 0.000 0.736 0.188
#> GSM76048 3 0.0376 0.882 0.004 0.004 0.992 0.000
#> GSM76049 4 0.6150 0.514 0.060 0.292 0.008 0.640
#> GSM76050 1 0.5971 0.924 0.584 0.000 0.048 0.368
#> GSM76051 3 0.0188 0.882 0.000 0.004 0.996 0.000
#> GSM76052 3 0.2040 0.872 0.048 0.012 0.936 0.004
#> GSM76053 3 0.7994 0.423 0.112 0.072 0.560 0.256
#> GSM76054 3 0.0844 0.880 0.004 0.012 0.980 0.004
#> GSM76055 4 0.6092 0.522 0.072 0.272 0.004 0.652
#> GSM76056 4 0.3052 0.215 0.136 0.000 0.004 0.860
#> GSM76057 4 0.6750 0.581 0.068 0.232 0.044 0.656
#> GSM76058 3 0.2530 0.838 0.100 0.000 0.896 0.004
#> GSM76059 1 0.5300 0.958 0.580 0.000 0.012 0.408
#> GSM76060 3 0.7476 0.287 0.068 0.048 0.520 0.364
#> GSM76061 4 0.5132 0.336 0.004 0.448 0.000 0.548
#> GSM76062 1 0.5376 0.954 0.588 0.000 0.016 0.396
#> GSM76063 2 0.3489 0.735 0.008 0.856 0.124 0.012
#> GSM76064 3 0.6201 0.599 0.124 0.000 0.664 0.212
#> GSM76065 4 0.4925 0.368 0.000 0.428 0.000 0.572
#> GSM76066 1 0.6391 0.874 0.588 0.000 0.084 0.328
#> GSM76067 3 0.3052 0.812 0.136 0.000 0.860 0.004
#> GSM76068 3 0.0376 0.882 0.004 0.004 0.992 0.000
#> GSM76069 4 0.2281 0.316 0.096 0.000 0.000 0.904
#> GSM76070 2 0.0657 0.787 0.004 0.984 0.000 0.012
#> GSM76071 1 0.5376 0.954 0.588 0.000 0.016 0.396
#> GSM76072 1 0.5279 0.956 0.588 0.000 0.012 0.400
#> GSM76073 1 0.5320 0.958 0.572 0.000 0.012 0.416
#> GSM76074 1 0.5329 0.956 0.568 0.000 0.012 0.420
#> GSM76075 3 0.0712 0.881 0.008 0.004 0.984 0.004
#> GSM76076 3 0.0712 0.881 0.008 0.004 0.984 0.004
#> GSM76077 4 0.6049 0.564 0.044 0.124 0.092 0.740
#> GSM76078 3 0.3681 0.817 0.104 0.004 0.856 0.036
#> GSM76079 1 0.5300 0.957 0.580 0.000 0.012 0.408
#> GSM76080 3 0.2707 0.857 0.068 0.016 0.908 0.008
#> GSM76081 3 0.1798 0.874 0.040 0.016 0.944 0.000
#> GSM76082 3 0.0712 0.881 0.008 0.004 0.984 0.004
#> GSM76083 3 0.0376 0.882 0.004 0.004 0.992 0.000
#> GSM76084 2 0.6640 0.616 0.108 0.652 0.224 0.016
#> GSM76085 3 0.0188 0.882 0.000 0.004 0.996 0.000
#> GSM76086 3 0.3105 0.810 0.140 0.000 0.856 0.004
#> GSM76087 2 0.0336 0.790 0.008 0.992 0.000 0.000
#> GSM76088 4 0.6375 0.462 0.068 0.052 0.172 0.708
#> GSM76089 2 0.6725 -0.138 0.076 0.464 0.004 0.456
#> GSM76090 3 0.2715 0.838 0.100 0.004 0.892 0.004
#> GSM76091 1 0.5387 0.953 0.584 0.000 0.016 0.400
#> GSM76092 1 0.5105 0.946 0.564 0.000 0.004 0.432
#> GSM76093 1 0.5329 0.958 0.568 0.000 0.012 0.420
#> GSM76094 4 0.6129 0.522 0.076 0.268 0.004 0.652
#> GSM76095 4 0.1557 0.388 0.056 0.000 0.000 0.944
#> GSM76096 4 0.4134 -0.260 0.260 0.000 0.000 0.740
#> GSM76097 4 0.0921 0.426 0.028 0.000 0.000 0.972
#> GSM76098 3 0.1953 0.873 0.044 0.012 0.940 0.004
#> GSM76099 4 0.4509 -0.337 0.288 0.000 0.004 0.708
#> GSM76100 1 0.5147 0.914 0.536 0.000 0.004 0.460
#> GSM76101 1 0.5329 0.958 0.568 0.000 0.012 0.420
#> GSM76102 4 0.5085 -0.610 0.376 0.000 0.008 0.616
#> GSM76103 3 0.2831 0.824 0.120 0.000 0.876 0.004
#> GSM76104 3 0.1909 0.874 0.048 0.008 0.940 0.004
#> GSM76105 4 0.5873 0.554 0.076 0.232 0.004 0.688
#> GSM76106 3 0.5057 0.751 0.140 0.060 0.784 0.016
#> GSM76107 2 0.7323 0.530 0.408 0.464 0.120 0.008
#> GSM76108 4 0.0707 0.436 0.020 0.000 0.000 0.980
#> GSM76109 1 0.5329 0.958 0.568 0.000 0.012 0.420
#> GSM76110 1 0.5220 0.952 0.568 0.000 0.008 0.424
#> GSM76111 4 0.5257 -0.761 0.444 0.000 0.008 0.548
#> GSM76112 1 0.5626 0.944 0.588 0.000 0.028 0.384
#> GSM76113 3 0.4468 0.802 0.024 0.060 0.832 0.084
#> GSM76114 4 0.5590 -0.766 0.456 0.000 0.020 0.524
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.5737 0.2156 0.000 0.460 0.000 0.084 0.456
#> GSM76116 5 0.2153 0.7837 0.000 0.044 0.000 0.040 0.916
#> GSM76117 5 0.1914 0.7931 0.004 0.032 0.000 0.032 0.932
#> GSM76118 5 0.1907 0.7943 0.000 0.028 0.000 0.044 0.928
#> GSM76119 4 0.3643 0.9328 0.000 0.212 0.008 0.776 0.004
#> GSM76120 4 0.3819 0.9369 0.000 0.208 0.016 0.772 0.004
#> GSM76121 5 0.2291 0.7932 0.036 0.000 0.000 0.056 0.908
#> GSM76122 5 0.2149 0.7875 0.000 0.036 0.000 0.048 0.916
#> GSM76123 4 0.3819 0.9369 0.000 0.208 0.016 0.772 0.004
#> GSM76124 5 0.1653 0.7979 0.004 0.024 0.000 0.028 0.944
#> GSM76125 4 0.3751 0.9348 0.000 0.212 0.012 0.772 0.004
#> GSM76126 4 0.3848 0.9295 0.000 0.196 0.012 0.780 0.012
#> GSM76127 4 0.3819 0.9369 0.000 0.208 0.016 0.772 0.004
#> GSM76128 4 0.3461 0.6356 0.000 0.000 0.224 0.772 0.004
#> GSM76129 2 0.4183 0.7440 0.000 0.780 0.000 0.084 0.136
#> GSM76130 4 0.3643 0.9328 0.000 0.212 0.008 0.776 0.004
#> GSM76131 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0162 0.8245 0.000 0.996 0.000 0.004 0.000
#> GSM76133 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.4262 0.7470 0.000 0.776 0.000 0.100 0.124
#> GSM76135 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76137 2 0.4468 0.7352 0.000 0.768 0.004 0.124 0.104
#> GSM76138 2 0.5663 0.3522 0.000 0.508 0.000 0.080 0.412
#> GSM76139 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.3389 0.7647 0.116 0.000 0.000 0.048 0.836
#> GSM76141 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.4517 0.7401 0.000 0.764 0.004 0.108 0.124
#> GSM76146 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0912 0.8206 0.000 0.972 0.000 0.012 0.016
#> GSM76148 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.4307 0.7450 0.000 0.772 0.000 0.100 0.128
#> GSM76150 2 0.4262 0.7470 0.000 0.776 0.000 0.100 0.124
#> GSM76151 2 0.4468 0.7418 0.000 0.768 0.004 0.104 0.124
#> GSM76152 1 0.2077 0.8801 0.920 0.000 0.000 0.040 0.040
#> GSM76153 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.4291 0.7441 0.000 0.772 0.000 0.092 0.136
#> GSM76155 2 0.4294 0.7380 0.000 0.768 0.000 0.080 0.152
#> GSM76156 2 0.0000 0.8251 0.000 1.000 0.000 0.000 0.000
#> GSM76030 5 0.2989 0.7698 0.000 0.072 0.000 0.060 0.868
#> GSM76031 1 0.1830 0.8852 0.932 0.000 0.000 0.040 0.028
#> GSM76032 3 0.0451 0.8884 0.004 0.000 0.988 0.000 0.008
#> GSM76033 3 0.1282 0.8793 0.000 0.000 0.952 0.044 0.004
#> GSM76034 5 0.8005 0.1391 0.000 0.248 0.212 0.116 0.424
#> GSM76035 3 0.2152 0.8730 0.004 0.000 0.920 0.044 0.032
#> GSM76036 3 0.1197 0.8775 0.000 0.000 0.952 0.048 0.000
#> GSM76037 5 0.2074 0.7852 0.000 0.044 0.000 0.036 0.920
#> GSM76038 1 0.1915 0.8792 0.928 0.000 0.000 0.040 0.032
#> GSM76039 5 0.3412 0.7381 0.152 0.000 0.000 0.028 0.820
#> GSM76040 3 0.1430 0.8762 0.000 0.000 0.944 0.052 0.004
#> GSM76041 1 0.5787 0.7136 0.704 0.000 0.112 0.092 0.092
#> GSM76042 5 0.2984 0.7633 0.108 0.000 0.000 0.032 0.860
#> GSM76043 3 0.5211 0.6851 0.012 0.000 0.708 0.104 0.176
#> GSM76044 5 0.1493 0.7964 0.028 0.000 0.000 0.024 0.948
#> GSM76045 1 0.5416 0.7059 0.716 0.000 0.040 0.088 0.156
#> GSM76046 3 0.2416 0.8543 0.000 0.000 0.888 0.100 0.012
#> GSM76047 3 0.5778 0.5585 0.016 0.000 0.632 0.096 0.256
#> GSM76048 3 0.0000 0.8889 0.000 0.000 1.000 0.000 0.000
#> GSM76049 5 0.1836 0.7951 0.000 0.032 0.000 0.036 0.932
#> GSM76050 1 0.2374 0.8570 0.912 0.000 0.052 0.020 0.016
#> GSM76051 3 0.0162 0.8886 0.000 0.000 0.996 0.004 0.000
#> GSM76052 3 0.1952 0.8663 0.000 0.000 0.912 0.084 0.004
#> GSM76053 5 0.6041 0.2739 0.000 0.008 0.344 0.104 0.544
#> GSM76054 3 0.0451 0.8885 0.000 0.000 0.988 0.008 0.004
#> GSM76055 5 0.1356 0.7985 0.004 0.028 0.000 0.012 0.956
#> GSM76056 5 0.5719 0.4698 0.284 0.000 0.000 0.120 0.596
#> GSM76057 5 0.4670 0.7501 0.040 0.032 0.016 0.124 0.788
#> GSM76058 3 0.1200 0.8832 0.016 0.000 0.964 0.012 0.008
#> GSM76059 1 0.0693 0.8887 0.980 0.000 0.000 0.008 0.012
#> GSM76060 3 0.6577 0.2884 0.016 0.004 0.508 0.124 0.348
#> GSM76061 5 0.4617 0.6924 0.000 0.148 0.000 0.108 0.744
#> GSM76062 1 0.0693 0.8883 0.980 0.000 0.000 0.008 0.012
#> GSM76063 2 0.4843 0.6314 0.000 0.760 0.136 0.072 0.032
#> GSM76064 3 0.6242 0.6224 0.052 0.000 0.644 0.124 0.180
#> GSM76065 5 0.1943 0.7923 0.000 0.056 0.000 0.020 0.924
#> GSM76066 1 0.3164 0.8190 0.868 0.000 0.084 0.028 0.020
#> GSM76067 3 0.2149 0.8694 0.036 0.000 0.924 0.028 0.012
#> GSM76068 3 0.0613 0.8883 0.004 0.000 0.984 0.004 0.008
#> GSM76069 5 0.5322 0.6184 0.188 0.000 0.000 0.140 0.672
#> GSM76070 2 0.1582 0.8068 0.000 0.944 0.000 0.028 0.028
#> GSM76071 1 0.0798 0.8856 0.976 0.000 0.000 0.016 0.008
#> GSM76072 1 0.0693 0.8863 0.980 0.000 0.000 0.012 0.008
#> GSM76073 1 0.0404 0.8888 0.988 0.000 0.000 0.000 0.012
#> GSM76074 1 0.0404 0.8888 0.988 0.000 0.000 0.000 0.012
#> GSM76075 3 0.0854 0.8874 0.004 0.000 0.976 0.008 0.012
#> GSM76076 3 0.0613 0.8883 0.004 0.000 0.984 0.004 0.008
#> GSM76077 5 0.3352 0.7674 0.016 0.008 0.016 0.104 0.856
#> GSM76078 3 0.3654 0.8189 0.020 0.000 0.836 0.108 0.036
#> GSM76079 1 0.1549 0.8834 0.944 0.000 0.000 0.040 0.016
#> GSM76080 3 0.2824 0.8371 0.000 0.000 0.864 0.116 0.020
#> GSM76081 3 0.1704 0.8694 0.000 0.000 0.928 0.068 0.004
#> GSM76082 3 0.0613 0.8883 0.004 0.000 0.984 0.004 0.008
#> GSM76083 3 0.0451 0.8885 0.000 0.000 0.988 0.004 0.008
#> GSM76084 2 0.7609 0.2524 0.000 0.484 0.260 0.148 0.108
#> GSM76085 3 0.0000 0.8889 0.000 0.000 1.000 0.000 0.000
#> GSM76086 3 0.2060 0.8691 0.036 0.000 0.928 0.024 0.012
#> GSM76087 2 0.0609 0.8201 0.000 0.980 0.000 0.020 0.000
#> GSM76088 5 0.5331 0.7060 0.036 0.012 0.080 0.128 0.744
#> GSM76089 5 0.4921 0.2152 0.000 0.360 0.000 0.036 0.604
#> GSM76090 3 0.1701 0.8787 0.016 0.000 0.944 0.028 0.012
#> GSM76091 1 0.3146 0.8460 0.844 0.000 0.000 0.128 0.028
#> GSM76092 1 0.1648 0.8833 0.940 0.000 0.000 0.040 0.020
#> GSM76093 1 0.1648 0.8833 0.940 0.000 0.000 0.040 0.020
#> GSM76094 5 0.1493 0.7963 0.000 0.028 0.000 0.024 0.948
#> GSM76095 5 0.3681 0.7262 0.148 0.000 0.000 0.044 0.808
#> GSM76096 5 0.5795 0.1390 0.412 0.000 0.000 0.092 0.496
#> GSM76097 5 0.3868 0.7267 0.140 0.000 0.000 0.060 0.800
#> GSM76098 3 0.1831 0.8649 0.000 0.000 0.920 0.076 0.004
#> GSM76099 5 0.6153 0.0895 0.408 0.000 0.000 0.132 0.460
#> GSM76100 1 0.2514 0.8740 0.896 0.000 0.000 0.060 0.044
#> GSM76101 1 0.1648 0.8833 0.940 0.000 0.000 0.040 0.020
#> GSM76102 1 0.5486 0.3594 0.572 0.000 0.000 0.076 0.352
#> GSM76103 3 0.1804 0.8752 0.024 0.000 0.940 0.024 0.012
#> GSM76104 3 0.2068 0.8595 0.000 0.000 0.904 0.092 0.004
#> GSM76105 5 0.1471 0.7975 0.004 0.024 0.000 0.020 0.952
#> GSM76106 3 0.4661 0.7081 0.000 0.008 0.744 0.180 0.068
#> GSM76107 4 0.4087 0.8967 0.000 0.168 0.008 0.784 0.040
#> GSM76108 5 0.2951 0.7617 0.112 0.000 0.000 0.028 0.860
#> GSM76109 1 0.1648 0.8833 0.940 0.000 0.000 0.040 0.020
#> GSM76110 1 0.1444 0.8888 0.948 0.000 0.000 0.040 0.012
#> GSM76111 1 0.4465 0.6915 0.732 0.000 0.000 0.056 0.212
#> GSM76112 1 0.1012 0.8854 0.968 0.000 0.000 0.020 0.012
#> GSM76113 3 0.4113 0.7579 0.000 0.008 0.788 0.048 0.156
#> GSM76114 1 0.6280 0.5344 0.588 0.000 0.016 0.156 0.240
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.4829 0.3527 0.000 0.240 0.000 0.072 0.672 0.016
#> GSM76116 5 0.2170 0.6113 0.000 0.016 0.000 0.016 0.908 0.060
#> GSM76117 5 0.1129 0.6204 0.008 0.004 0.000 0.012 0.964 0.012
#> GSM76118 5 0.1138 0.6288 0.004 0.000 0.000 0.012 0.960 0.024
#> GSM76119 4 0.2048 0.9614 0.000 0.120 0.000 0.880 0.000 0.000
#> GSM76120 4 0.2048 0.9614 0.000 0.120 0.000 0.880 0.000 0.000
#> GSM76121 5 0.4008 0.5393 0.088 0.000 0.000 0.028 0.792 0.092
#> GSM76122 5 0.0748 0.6286 0.000 0.004 0.000 0.004 0.976 0.016
#> GSM76123 4 0.2048 0.9614 0.000 0.120 0.000 0.880 0.000 0.000
#> GSM76124 5 0.2146 0.6062 0.004 0.000 0.000 0.000 0.880 0.116
#> GSM76125 4 0.2048 0.9614 0.000 0.120 0.000 0.880 0.000 0.000
#> GSM76126 4 0.3193 0.9381 0.000 0.112 0.004 0.840 0.008 0.036
#> GSM76127 4 0.2048 0.9614 0.000 0.120 0.000 0.880 0.000 0.000
#> GSM76128 4 0.2312 0.7904 0.000 0.000 0.112 0.876 0.000 0.012
#> GSM76129 2 0.5031 0.5180 0.000 0.584 0.000 0.036 0.352 0.028
#> GSM76130 4 0.2048 0.9614 0.000 0.120 0.000 0.880 0.000 0.000
#> GSM76131 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.5171 0.6467 0.000 0.628 0.000 0.080 0.272 0.020
#> GSM76135 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 2 0.5273 0.6455 0.000 0.624 0.000 0.084 0.268 0.024
#> GSM76138 5 0.4986 0.2012 0.000 0.304 0.000 0.060 0.620 0.016
#> GSM76139 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.4582 0.4649 0.168 0.000 0.000 0.032 0.732 0.068
#> GSM76141 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.6090 0.6045 0.000 0.580 0.020 0.076 0.276 0.048
#> GSM76146 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.1003 0.7877 0.000 0.964 0.000 0.016 0.020 0.000
#> GSM76148 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 2 0.5246 0.6447 0.000 0.624 0.000 0.080 0.272 0.024
#> GSM76150 2 0.5171 0.6467 0.000 0.628 0.000 0.080 0.272 0.020
#> GSM76151 2 0.5246 0.6447 0.000 0.624 0.000 0.080 0.272 0.024
#> GSM76152 1 0.3827 0.7229 0.808 0.000 0.000 0.032 0.072 0.088
#> GSM76153 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.5218 0.6427 0.000 0.624 0.000 0.076 0.276 0.024
#> GSM76155 2 0.5083 0.6397 0.000 0.628 0.000 0.068 0.284 0.020
#> GSM76156 2 0.0000 0.7956 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 5 0.4868 0.5176 0.000 0.076 0.008 0.016 0.700 0.200
#> GSM76031 1 0.3666 0.7311 0.820 0.000 0.000 0.032 0.064 0.084
#> GSM76032 3 0.2118 0.8516 0.000 0.000 0.888 0.008 0.000 0.104
#> GSM76033 3 0.2365 0.8404 0.000 0.000 0.888 0.040 0.000 0.072
#> GSM76034 5 0.8016 0.1491 0.000 0.148 0.216 0.064 0.424 0.148
#> GSM76035 3 0.4037 0.7626 0.020 0.000 0.788 0.020 0.028 0.144
#> GSM76036 3 0.0520 0.8608 0.000 0.000 0.984 0.008 0.000 0.008
#> GSM76037 5 0.1745 0.6238 0.000 0.012 0.000 0.000 0.920 0.068
#> GSM76038 1 0.3876 0.7197 0.804 0.000 0.000 0.032 0.072 0.092
#> GSM76039 5 0.5261 0.3849 0.092 0.000 0.000 0.024 0.636 0.248
#> GSM76040 3 0.0909 0.8583 0.000 0.000 0.968 0.020 0.000 0.012
#> GSM76041 6 0.5966 0.0778 0.376 0.000 0.060 0.028 0.024 0.512
#> GSM76042 5 0.5083 0.3577 0.068 0.000 0.000 0.020 0.628 0.284
#> GSM76043 6 0.5555 0.0209 0.012 0.000 0.440 0.016 0.056 0.476
#> GSM76044 5 0.3636 0.5390 0.012 0.000 0.000 0.016 0.764 0.208
#> GSM76045 1 0.5681 0.1384 0.492 0.000 0.008 0.036 0.048 0.416
#> GSM76046 3 0.3434 0.8017 0.000 0.000 0.820 0.060 0.008 0.112
#> GSM76047 6 0.5995 -0.0158 0.032 0.000 0.432 0.012 0.072 0.452
#> GSM76048 3 0.0937 0.8650 0.000 0.000 0.960 0.000 0.000 0.040
#> GSM76049 5 0.3426 0.4888 0.000 0.004 0.000 0.000 0.720 0.276
#> GSM76050 1 0.2119 0.7748 0.912 0.000 0.004 0.016 0.008 0.060
#> GSM76051 3 0.0000 0.8625 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76052 3 0.3330 0.8073 0.000 0.000 0.828 0.056 0.008 0.108
#> GSM76053 5 0.6450 0.1296 0.000 0.000 0.308 0.060 0.492 0.140
#> GSM76054 3 0.0363 0.8616 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76055 5 0.3163 0.5387 0.000 0.004 0.000 0.000 0.764 0.232
#> GSM76056 6 0.5023 0.4353 0.104 0.000 0.000 0.016 0.212 0.668
#> GSM76057 6 0.4031 0.3509 0.000 0.000 0.008 0.008 0.332 0.652
#> GSM76058 3 0.2308 0.8443 0.004 0.000 0.880 0.008 0.000 0.108
#> GSM76059 1 0.1461 0.7950 0.940 0.000 0.000 0.016 0.000 0.044
#> GSM76060 6 0.5193 0.4313 0.000 0.000 0.200 0.004 0.164 0.632
#> GSM76061 6 0.5494 0.0678 0.000 0.100 0.000 0.008 0.400 0.492
#> GSM76062 1 0.1738 0.7963 0.928 0.000 0.000 0.016 0.004 0.052
#> GSM76063 2 0.5812 0.5259 0.000 0.652 0.188 0.040 0.028 0.092
#> GSM76064 6 0.6135 0.2993 0.084 0.000 0.308 0.012 0.048 0.548
#> GSM76065 5 0.4230 0.5151 0.000 0.056 0.000 0.004 0.716 0.224
#> GSM76066 1 0.3352 0.6867 0.812 0.000 0.032 0.008 0.000 0.148
#> GSM76067 3 0.2790 0.8249 0.020 0.000 0.856 0.008 0.000 0.116
#> GSM76068 3 0.1219 0.8585 0.000 0.000 0.948 0.004 0.000 0.048
#> GSM76069 6 0.5027 0.3910 0.068 0.000 0.000 0.020 0.272 0.640
#> GSM76070 2 0.3637 0.7094 0.000 0.832 0.024 0.028 0.024 0.092
#> GSM76071 1 0.0717 0.7961 0.976 0.000 0.000 0.008 0.000 0.016
#> GSM76072 1 0.0717 0.7961 0.976 0.000 0.000 0.008 0.000 0.016
#> GSM76073 1 0.0363 0.7998 0.988 0.000 0.000 0.012 0.000 0.000
#> GSM76074 1 0.0363 0.7998 0.988 0.000 0.000 0.012 0.000 0.000
#> GSM76075 3 0.2257 0.8466 0.000 0.000 0.876 0.008 0.000 0.116
#> GSM76076 3 0.1588 0.8527 0.000 0.000 0.924 0.004 0.000 0.072
#> GSM76077 6 0.4079 0.2686 0.000 0.000 0.008 0.004 0.380 0.608
#> GSM76078 3 0.4191 0.4823 0.004 0.000 0.596 0.012 0.000 0.388
#> GSM76079 1 0.2815 0.7651 0.848 0.000 0.000 0.032 0.000 0.120
#> GSM76080 3 0.4051 0.7602 0.000 0.000 0.792 0.080 0.036 0.092
#> GSM76081 3 0.0914 0.8588 0.000 0.000 0.968 0.016 0.000 0.016
#> GSM76082 3 0.1219 0.8585 0.000 0.000 0.948 0.004 0.000 0.048
#> GSM76083 3 0.1219 0.8585 0.000 0.000 0.948 0.004 0.000 0.048
#> GSM76084 2 0.8286 0.2462 0.000 0.340 0.232 0.096 0.248 0.084
#> GSM76085 3 0.0713 0.8636 0.000 0.000 0.972 0.000 0.000 0.028
#> GSM76086 3 0.3101 0.8193 0.020 0.000 0.832 0.012 0.000 0.136
#> GSM76087 2 0.0790 0.7832 0.000 0.968 0.000 0.032 0.000 0.000
#> GSM76088 6 0.4153 0.3970 0.004 0.000 0.020 0.004 0.292 0.680
#> GSM76089 5 0.4523 0.4265 0.000 0.240 0.000 0.020 0.696 0.044
#> GSM76090 3 0.2400 0.8346 0.004 0.000 0.872 0.008 0.000 0.116
#> GSM76091 6 0.4803 -0.1344 0.424 0.000 0.000 0.044 0.004 0.528
#> GSM76092 1 0.2901 0.7607 0.840 0.000 0.000 0.032 0.000 0.128
#> GSM76093 1 0.2815 0.7651 0.848 0.000 0.000 0.032 0.000 0.120
#> GSM76094 5 0.1082 0.6314 0.000 0.004 0.000 0.000 0.956 0.040
#> GSM76095 5 0.5615 0.2101 0.088 0.000 0.000 0.028 0.556 0.328
#> GSM76096 6 0.6281 0.0517 0.132 0.000 0.000 0.040 0.396 0.432
#> GSM76097 5 0.5076 0.2080 0.040 0.000 0.000 0.020 0.528 0.412
#> GSM76098 3 0.1633 0.8493 0.000 0.000 0.932 0.024 0.000 0.044
#> GSM76099 6 0.5569 0.4206 0.144 0.000 0.000 0.028 0.204 0.624
#> GSM76100 1 0.4586 0.5608 0.640 0.000 0.000 0.036 0.012 0.312
#> GSM76101 1 0.2815 0.7651 0.848 0.000 0.000 0.032 0.000 0.120
#> GSM76102 1 0.6730 -0.0591 0.380 0.000 0.000 0.044 0.220 0.356
#> GSM76103 3 0.3004 0.8217 0.012 0.000 0.832 0.012 0.000 0.144
#> GSM76104 3 0.3368 0.8052 0.000 0.000 0.820 0.060 0.004 0.116
#> GSM76105 5 0.2006 0.6199 0.004 0.000 0.000 0.000 0.892 0.104
#> GSM76106 3 0.6181 0.5007 0.000 0.004 0.604 0.116 0.184 0.092
#> GSM76107 4 0.3330 0.9291 0.000 0.100 0.004 0.840 0.020 0.036
#> GSM76108 5 0.4680 0.2777 0.028 0.000 0.000 0.012 0.576 0.384
#> GSM76109 1 0.2815 0.7651 0.848 0.000 0.000 0.032 0.000 0.120
#> GSM76110 1 0.3170 0.7796 0.840 0.000 0.000 0.032 0.016 0.112
#> GSM76111 1 0.5884 0.3846 0.556 0.000 0.000 0.028 0.136 0.280
#> GSM76112 1 0.0603 0.7995 0.980 0.000 0.000 0.004 0.000 0.016
#> GSM76113 3 0.5718 0.4806 0.000 0.000 0.596 0.028 0.236 0.140
#> GSM76114 6 0.4584 0.4287 0.184 0.000 0.000 0.028 0.064 0.724
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> SD:kmeans 125 1.10e-10 2
#> SD:kmeans 119 5.87e-13 3
#> SD:kmeans 103 8.05e-13 4
#> SD:kmeans 116 1.84e-13 5
#> SD:kmeans 94 9.71e-12 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "skmeans"]
# you can also extract it by
# res = res_list["SD:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.999 0.974 0.988 0.5039 0.497 0.497
#> 3 3 0.920 0.921 0.963 0.3147 0.703 0.474
#> 4 4 0.630 0.601 0.803 0.1228 0.867 0.633
#> 5 5 0.711 0.641 0.823 0.0698 0.910 0.678
#> 6 6 0.691 0.529 0.750 0.0388 0.926 0.686
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
#> attr(,"optional")
#> [1] 2
There is also optional best \(k\) = 2 that is worth to check.
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.984 0.000 1.000
#> GSM76116 2 0.0000 0.984 0.000 1.000
#> GSM76117 2 0.1633 0.966 0.024 0.976
#> GSM76118 2 0.4022 0.916 0.080 0.920
#> GSM76119 2 0.0000 0.984 0.000 1.000
#> GSM76120 2 0.0000 0.984 0.000 1.000
#> GSM76121 1 0.6887 0.775 0.816 0.184
#> GSM76122 2 0.0000 0.984 0.000 1.000
#> GSM76123 2 0.0000 0.984 0.000 1.000
#> GSM76124 2 0.3274 0.936 0.060 0.940
#> GSM76125 2 0.0000 0.984 0.000 1.000
#> GSM76126 2 0.0000 0.984 0.000 1.000
#> GSM76127 2 0.0000 0.984 0.000 1.000
#> GSM76128 2 0.2948 0.941 0.052 0.948
#> GSM76129 2 0.0000 0.984 0.000 1.000
#> GSM76130 2 0.0000 0.984 0.000 1.000
#> GSM76131 2 0.0000 0.984 0.000 1.000
#> GSM76132 2 0.0000 0.984 0.000 1.000
#> GSM76133 2 0.0000 0.984 0.000 1.000
#> GSM76134 2 0.0000 0.984 0.000 1.000
#> GSM76135 2 0.0000 0.984 0.000 1.000
#> GSM76136 2 0.0000 0.984 0.000 1.000
#> GSM76137 2 0.0000 0.984 0.000 1.000
#> GSM76138 2 0.0000 0.984 0.000 1.000
#> GSM76139 2 0.0000 0.984 0.000 1.000
#> GSM76140 1 0.0000 0.992 1.000 0.000
#> GSM76141 2 0.0000 0.984 0.000 1.000
#> GSM76142 2 0.0000 0.984 0.000 1.000
#> GSM76143 2 0.0000 0.984 0.000 1.000
#> GSM76144 2 0.0000 0.984 0.000 1.000
#> GSM76145 2 0.0000 0.984 0.000 1.000
#> GSM76146 2 0.0000 0.984 0.000 1.000
#> GSM76147 2 0.0000 0.984 0.000 1.000
#> GSM76148 2 0.0000 0.984 0.000 1.000
#> GSM76149 2 0.0000 0.984 0.000 1.000
#> GSM76150 2 0.0000 0.984 0.000 1.000
#> GSM76151 2 0.0000 0.984 0.000 1.000
#> GSM76152 1 0.0000 0.992 1.000 0.000
#> GSM76153 2 0.0000 0.984 0.000 1.000
#> GSM76154 2 0.0000 0.984 0.000 1.000
#> GSM76155 2 0.0000 0.984 0.000 1.000
#> GSM76156 2 0.0000 0.984 0.000 1.000
#> GSM76030 2 0.0000 0.984 0.000 1.000
#> GSM76031 1 0.0000 0.992 1.000 0.000
#> GSM76032 1 0.0000 0.992 1.000 0.000
#> GSM76033 1 0.2423 0.956 0.960 0.040
#> GSM76034 2 0.0000 0.984 0.000 1.000
#> GSM76035 1 0.0000 0.992 1.000 0.000
#> GSM76036 2 0.0000 0.984 0.000 1.000
#> GSM76037 2 0.0000 0.984 0.000 1.000
#> GSM76038 1 0.0000 0.992 1.000 0.000
#> GSM76039 1 0.0000 0.992 1.000 0.000
#> GSM76040 2 0.0000 0.984 0.000 1.000
#> GSM76041 1 0.0000 0.992 1.000 0.000
#> GSM76042 1 0.0000 0.992 1.000 0.000
#> GSM76043 1 0.0000 0.992 1.000 0.000
#> GSM76044 1 0.4939 0.878 0.892 0.108
#> GSM76045 1 0.0000 0.992 1.000 0.000
#> GSM76046 2 0.0000 0.984 0.000 1.000
#> GSM76047 1 0.0000 0.992 1.000 0.000
#> GSM76048 1 0.0376 0.988 0.996 0.004
#> GSM76049 2 0.9323 0.483 0.348 0.652
#> GSM76050 1 0.0000 0.992 1.000 0.000
#> GSM76051 1 0.4431 0.902 0.908 0.092
#> GSM76052 2 0.0000 0.984 0.000 1.000
#> GSM76053 2 0.2948 0.941 0.052 0.948
#> GSM76054 2 0.0000 0.984 0.000 1.000
#> GSM76055 2 0.2603 0.951 0.044 0.956
#> GSM76056 1 0.0000 0.992 1.000 0.000
#> GSM76057 1 0.0000 0.992 1.000 0.000
#> GSM76058 1 0.0000 0.992 1.000 0.000
#> GSM76059 1 0.0000 0.992 1.000 0.000
#> GSM76060 1 0.0000 0.992 1.000 0.000
#> GSM76061 2 0.3879 0.919 0.076 0.924
#> GSM76062 1 0.0000 0.992 1.000 0.000
#> GSM76063 2 0.0000 0.984 0.000 1.000
#> GSM76064 1 0.0000 0.992 1.000 0.000
#> GSM76065 2 0.0000 0.984 0.000 1.000
#> GSM76066 1 0.0000 0.992 1.000 0.000
#> GSM76067 1 0.0000 0.992 1.000 0.000
#> GSM76068 1 0.0376 0.988 0.996 0.004
#> GSM76069 1 0.0000 0.992 1.000 0.000
#> GSM76070 2 0.0000 0.984 0.000 1.000
#> GSM76071 1 0.0000 0.992 1.000 0.000
#> GSM76072 1 0.0000 0.992 1.000 0.000
#> GSM76073 1 0.0000 0.992 1.000 0.000
#> GSM76074 1 0.0000 0.992 1.000 0.000
#> GSM76075 1 0.0000 0.992 1.000 0.000
#> GSM76076 1 0.0000 0.992 1.000 0.000
#> GSM76077 1 0.0000 0.992 1.000 0.000
#> GSM76078 1 0.0000 0.992 1.000 0.000
#> GSM76079 1 0.0000 0.992 1.000 0.000
#> GSM76080 2 0.0000 0.984 0.000 1.000
#> GSM76081 2 0.0000 0.984 0.000 1.000
#> GSM76082 1 0.0000 0.992 1.000 0.000
#> GSM76083 1 0.3114 0.941 0.944 0.056
#> GSM76084 2 0.0000 0.984 0.000 1.000
#> GSM76085 1 0.0672 0.985 0.992 0.008
#> GSM76086 1 0.0000 0.992 1.000 0.000
#> GSM76087 2 0.0000 0.984 0.000 1.000
#> GSM76088 1 0.0000 0.992 1.000 0.000
#> GSM76089 2 0.0000 0.984 0.000 1.000
#> GSM76090 1 0.0000 0.992 1.000 0.000
#> GSM76091 1 0.0000 0.992 1.000 0.000
#> GSM76092 1 0.0000 0.992 1.000 0.000
#> GSM76093 1 0.0000 0.992 1.000 0.000
#> GSM76094 2 0.1633 0.966 0.024 0.976
#> GSM76095 1 0.0000 0.992 1.000 0.000
#> GSM76096 1 0.0000 0.992 1.000 0.000
#> GSM76097 1 0.0000 0.992 1.000 0.000
#> GSM76098 2 0.0000 0.984 0.000 1.000
#> GSM76099 1 0.0000 0.992 1.000 0.000
#> GSM76100 1 0.0000 0.992 1.000 0.000
#> GSM76101 1 0.0000 0.992 1.000 0.000
#> GSM76102 1 0.0000 0.992 1.000 0.000
#> GSM76103 1 0.0000 0.992 1.000 0.000
#> GSM76104 2 0.7139 0.760 0.196 0.804
#> GSM76105 2 0.4431 0.903 0.092 0.908
#> GSM76106 2 0.0000 0.984 0.000 1.000
#> GSM76107 2 0.0000 0.984 0.000 1.000
#> GSM76108 1 0.0000 0.992 1.000 0.000
#> GSM76109 1 0.0000 0.992 1.000 0.000
#> GSM76110 1 0.0000 0.992 1.000 0.000
#> GSM76111 1 0.0000 0.992 1.000 0.000
#> GSM76112 1 0.0000 0.992 1.000 0.000
#> GSM76113 2 0.0672 0.978 0.008 0.992
#> GSM76114 1 0.0000 0.992 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76116 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76117 1 0.5497 0.625 0.708 0.292 0.000
#> GSM76118 1 0.3752 0.825 0.856 0.144 0.000
#> GSM76119 2 0.1964 0.949 0.000 0.944 0.056
#> GSM76120 2 0.1964 0.949 0.000 0.944 0.056
#> GSM76121 1 0.0747 0.939 0.984 0.016 0.000
#> GSM76122 2 0.1643 0.943 0.044 0.956 0.000
#> GSM76123 2 0.1964 0.949 0.000 0.944 0.056
#> GSM76124 1 0.2537 0.887 0.920 0.080 0.000
#> GSM76125 2 0.1964 0.949 0.000 0.944 0.056
#> GSM76126 2 0.2165 0.943 0.000 0.936 0.064
#> GSM76127 2 0.1964 0.949 0.000 0.944 0.056
#> GSM76128 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76129 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76130 2 0.1753 0.954 0.000 0.952 0.048
#> GSM76131 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76134 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76135 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76136 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76137 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76138 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76139 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76140 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76141 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76145 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76146 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76149 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76150 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76151 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76152 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76153 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76154 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76155 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76156 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76030 2 0.1031 0.966 0.000 0.976 0.024
#> GSM76031 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76032 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76033 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76034 2 0.3192 0.888 0.000 0.888 0.112
#> GSM76035 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76036 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76037 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76038 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76039 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76040 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76041 1 0.0237 0.947 0.996 0.000 0.004
#> GSM76042 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76043 3 0.4605 0.753 0.204 0.000 0.796
#> GSM76044 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76045 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76046 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76047 3 0.5859 0.502 0.344 0.000 0.656
#> GSM76048 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76049 1 0.5497 0.623 0.708 0.292 0.000
#> GSM76050 1 0.0424 0.944 0.992 0.000 0.008
#> GSM76051 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76052 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76053 3 0.4399 0.753 0.000 0.188 0.812
#> GSM76054 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76055 1 0.6244 0.271 0.560 0.440 0.000
#> GSM76056 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76057 1 0.0237 0.947 0.996 0.004 0.000
#> GSM76058 3 0.0592 0.940 0.012 0.000 0.988
#> GSM76059 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76060 3 0.5812 0.648 0.264 0.012 0.724
#> GSM76061 2 0.3116 0.869 0.108 0.892 0.000
#> GSM76062 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76063 2 0.1411 0.962 0.000 0.964 0.036
#> GSM76064 1 0.5968 0.397 0.636 0.000 0.364
#> GSM76065 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76066 1 0.1964 0.903 0.944 0.000 0.056
#> GSM76067 3 0.1860 0.915 0.052 0.000 0.948
#> GSM76068 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76069 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76070 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76071 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76072 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76073 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76074 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76075 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76076 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76077 1 0.0237 0.947 0.996 0.000 0.004
#> GSM76078 3 0.1964 0.912 0.056 0.000 0.944
#> GSM76079 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76080 3 0.0424 0.941 0.000 0.008 0.992
#> GSM76081 3 0.0237 0.943 0.000 0.004 0.996
#> GSM76082 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76083 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76084 2 0.2356 0.936 0.000 0.928 0.072
#> GSM76085 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76086 3 0.1964 0.912 0.056 0.000 0.944
#> GSM76087 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76088 1 0.1163 0.929 0.972 0.000 0.028
#> GSM76089 2 0.0000 0.981 0.000 1.000 0.000
#> GSM76090 3 0.1289 0.929 0.032 0.000 0.968
#> GSM76091 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76092 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76094 1 0.5431 0.636 0.716 0.284 0.000
#> GSM76095 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76096 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76097 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76098 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76099 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76100 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76101 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76102 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76103 3 0.1643 0.921 0.044 0.000 0.956
#> GSM76104 3 0.0000 0.945 0.000 0.000 1.000
#> GSM76105 1 0.3340 0.848 0.880 0.120 0.000
#> GSM76106 3 0.5706 0.517 0.000 0.320 0.680
#> GSM76107 2 0.1964 0.949 0.000 0.944 0.056
#> GSM76108 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76109 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76110 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76111 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76112 1 0.0000 0.950 1.000 0.000 0.000
#> GSM76113 3 0.2878 0.867 0.000 0.096 0.904
#> GSM76114 1 0.0000 0.950 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.4804 0.5206 0.000 0.616 0.000 0.384
#> GSM76116 4 0.5000 -0.4124 0.000 0.500 0.000 0.500
#> GSM76117 4 0.7357 0.1966 0.296 0.192 0.000 0.512
#> GSM76118 4 0.7128 0.0772 0.372 0.136 0.000 0.492
#> GSM76119 4 0.5256 0.4611 0.000 0.272 0.036 0.692
#> GSM76120 4 0.5312 0.4650 0.000 0.268 0.040 0.692
#> GSM76121 1 0.4837 0.4824 0.648 0.004 0.000 0.348
#> GSM76122 4 0.6516 -0.0531 0.092 0.332 0.000 0.576
#> GSM76123 4 0.5312 0.4650 0.000 0.268 0.040 0.692
#> GSM76124 4 0.6801 -0.1458 0.452 0.096 0.000 0.452
#> GSM76125 4 0.5256 0.4611 0.000 0.272 0.036 0.692
#> GSM76126 4 0.5393 0.4655 0.000 0.268 0.044 0.688
#> GSM76127 4 0.5312 0.4650 0.000 0.268 0.040 0.692
#> GSM76128 4 0.4819 0.0559 0.000 0.004 0.344 0.652
#> GSM76129 2 0.4103 0.6457 0.000 0.744 0.000 0.256
#> GSM76130 4 0.5228 0.4640 0.000 0.268 0.036 0.696
#> GSM76131 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76134 2 0.3907 0.6658 0.000 0.768 0.000 0.232
#> GSM76135 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76137 2 0.4967 0.2084 0.000 0.548 0.000 0.452
#> GSM76138 2 0.4331 0.6443 0.000 0.712 0.000 0.288
#> GSM76139 2 0.0188 0.7778 0.000 0.996 0.000 0.004
#> GSM76140 1 0.2704 0.8062 0.876 0.000 0.000 0.124
#> GSM76141 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76145 2 0.4164 0.6306 0.000 0.736 0.000 0.264
#> GSM76146 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0336 0.7769 0.000 0.992 0.000 0.008
#> GSM76148 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76149 2 0.3907 0.6681 0.000 0.768 0.000 0.232
#> GSM76150 2 0.3975 0.6638 0.000 0.760 0.000 0.240
#> GSM76151 2 0.4356 0.5951 0.000 0.708 0.000 0.292
#> GSM76152 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76153 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76154 2 0.3942 0.6669 0.000 0.764 0.000 0.236
#> GSM76155 2 0.3801 0.6892 0.000 0.780 0.000 0.220
#> GSM76156 2 0.0000 0.7793 0.000 1.000 0.000 0.000
#> GSM76030 2 0.4539 0.5610 0.000 0.720 0.008 0.272
#> GSM76031 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76032 3 0.0336 0.7692 0.008 0.000 0.992 0.000
#> GSM76033 3 0.4222 0.6281 0.000 0.000 0.728 0.272
#> GSM76034 4 0.6121 0.3651 0.000 0.352 0.060 0.588
#> GSM76035 3 0.3479 0.7252 0.012 0.000 0.840 0.148
#> GSM76036 3 0.3873 0.6589 0.000 0.000 0.772 0.228
#> GSM76037 2 0.4994 0.3902 0.000 0.520 0.000 0.480
#> GSM76038 1 0.1022 0.8563 0.968 0.000 0.032 0.000
#> GSM76039 1 0.2704 0.8085 0.876 0.000 0.000 0.124
#> GSM76040 3 0.4382 0.6011 0.000 0.000 0.704 0.296
#> GSM76041 1 0.4277 0.6258 0.720 0.000 0.280 0.000
#> GSM76042 1 0.3123 0.7872 0.844 0.000 0.000 0.156
#> GSM76043 3 0.3668 0.6376 0.188 0.000 0.808 0.004
#> GSM76044 1 0.4608 0.6167 0.692 0.004 0.000 0.304
#> GSM76045 1 0.3074 0.7849 0.848 0.000 0.152 0.000
#> GSM76046 3 0.4981 0.3749 0.000 0.000 0.536 0.464
#> GSM76047 3 0.5906 0.0713 0.436 0.000 0.528 0.036
#> GSM76048 3 0.0895 0.7694 0.004 0.000 0.976 0.020
#> GSM76049 2 0.7099 0.3035 0.136 0.552 0.004 0.308
#> GSM76050 1 0.3123 0.7810 0.844 0.000 0.156 0.000
#> GSM76051 3 0.1474 0.7583 0.000 0.000 0.948 0.052
#> GSM76052 3 0.4697 0.5384 0.000 0.000 0.644 0.356
#> GSM76053 4 0.4576 0.1756 0.000 0.012 0.260 0.728
#> GSM76054 3 0.3024 0.7122 0.000 0.000 0.852 0.148
#> GSM76055 4 0.7812 0.0255 0.264 0.328 0.000 0.408
#> GSM76056 1 0.1557 0.8506 0.944 0.000 0.000 0.056
#> GSM76057 1 0.8935 0.2745 0.452 0.284 0.172 0.092
#> GSM76058 3 0.1022 0.7629 0.032 0.000 0.968 0.000
#> GSM76059 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76060 3 0.7801 0.4003 0.168 0.200 0.584 0.048
#> GSM76061 2 0.4342 0.6048 0.008 0.784 0.012 0.196
#> GSM76062 1 0.1867 0.8389 0.928 0.000 0.072 0.000
#> GSM76063 2 0.4831 0.3306 0.000 0.704 0.016 0.280
#> GSM76064 3 0.5263 0.0400 0.448 0.000 0.544 0.008
#> GSM76065 2 0.4193 0.5435 0.000 0.732 0.000 0.268
#> GSM76066 1 0.4898 0.3504 0.584 0.000 0.416 0.000
#> GSM76067 3 0.1389 0.7572 0.048 0.000 0.952 0.000
#> GSM76068 3 0.0376 0.7698 0.004 0.000 0.992 0.004
#> GSM76069 1 0.2805 0.8283 0.888 0.000 0.012 0.100
#> GSM76070 2 0.1637 0.7390 0.000 0.940 0.000 0.060
#> GSM76071 1 0.1637 0.8453 0.940 0.000 0.060 0.000
#> GSM76072 1 0.0707 0.8594 0.980 0.000 0.020 0.000
#> GSM76073 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76075 3 0.0188 0.7695 0.004 0.000 0.996 0.000
#> GSM76076 3 0.0188 0.7695 0.004 0.000 0.996 0.000
#> GSM76077 1 0.8012 0.5496 0.568 0.056 0.196 0.180
#> GSM76078 3 0.1822 0.7544 0.044 0.008 0.944 0.004
#> GSM76079 1 0.0336 0.8616 0.992 0.000 0.008 0.000
#> GSM76080 4 0.5493 -0.2435 0.000 0.016 0.456 0.528
#> GSM76081 3 0.4990 0.5275 0.000 0.008 0.640 0.352
#> GSM76082 3 0.0336 0.7692 0.008 0.000 0.992 0.000
#> GSM76083 3 0.0469 0.7686 0.000 0.000 0.988 0.012
#> GSM76084 4 0.5805 0.2721 0.000 0.388 0.036 0.576
#> GSM76085 3 0.0592 0.7683 0.000 0.000 0.984 0.016
#> GSM76086 3 0.1389 0.7574 0.048 0.000 0.952 0.000
#> GSM76087 2 0.2530 0.7313 0.000 0.888 0.000 0.112
#> GSM76088 1 0.8613 0.2607 0.452 0.120 0.340 0.088
#> GSM76089 2 0.4697 0.5569 0.000 0.644 0.000 0.356
#> GSM76090 3 0.1118 0.7613 0.036 0.000 0.964 0.000
#> GSM76091 1 0.1824 0.8474 0.936 0.000 0.060 0.004
#> GSM76092 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76094 4 0.7379 0.0421 0.384 0.164 0.000 0.452
#> GSM76095 1 0.2216 0.8323 0.908 0.000 0.000 0.092
#> GSM76096 1 0.1716 0.8447 0.936 0.000 0.000 0.064
#> GSM76097 1 0.3400 0.7658 0.820 0.000 0.000 0.180
#> GSM76098 3 0.5345 0.4102 0.000 0.012 0.560 0.428
#> GSM76099 1 0.1576 0.8537 0.948 0.000 0.004 0.048
#> GSM76100 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76101 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76102 1 0.0921 0.8567 0.972 0.000 0.000 0.028
#> GSM76103 3 0.1389 0.7574 0.048 0.000 0.952 0.000
#> GSM76104 3 0.4981 0.3802 0.000 0.000 0.536 0.464
#> GSM76105 4 0.5856 -0.1774 0.464 0.032 0.000 0.504
#> GSM76106 4 0.5842 0.3430 0.000 0.092 0.220 0.688
#> GSM76107 4 0.5025 0.4679 0.000 0.252 0.032 0.716
#> GSM76108 1 0.4164 0.6788 0.736 0.000 0.000 0.264
#> GSM76109 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76111 1 0.0000 0.8624 1.000 0.000 0.000 0.000
#> GSM76112 1 0.3528 0.7455 0.808 0.000 0.192 0.000
#> GSM76113 3 0.7433 0.2390 0.000 0.208 0.504 0.288
#> GSM76114 1 0.2480 0.8315 0.904 0.000 0.088 0.008
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.6431 -0.1713 0.000 0.396 0.004 0.152 0.448
#> GSM76116 5 0.3078 0.6948 0.000 0.132 0.004 0.016 0.848
#> GSM76117 5 0.3895 0.7505 0.076 0.028 0.008 0.048 0.840
#> GSM76118 5 0.2330 0.7722 0.036 0.020 0.004 0.020 0.920
#> GSM76119 4 0.0912 0.8168 0.000 0.016 0.000 0.972 0.012
#> GSM76120 4 0.0798 0.8173 0.000 0.016 0.000 0.976 0.008
#> GSM76121 1 0.6210 0.0840 0.484 0.000 0.004 0.124 0.388
#> GSM76122 5 0.3796 0.7240 0.016 0.076 0.000 0.076 0.832
#> GSM76123 4 0.0798 0.8173 0.000 0.016 0.000 0.976 0.008
#> GSM76124 5 0.1604 0.7718 0.044 0.004 0.004 0.004 0.944
#> GSM76125 4 0.0798 0.8173 0.000 0.016 0.000 0.976 0.008
#> GSM76126 4 0.1106 0.8142 0.000 0.024 0.000 0.964 0.012
#> GSM76127 4 0.0798 0.8173 0.000 0.016 0.000 0.976 0.008
#> GSM76128 4 0.0992 0.8084 0.000 0.000 0.024 0.968 0.008
#> GSM76129 2 0.5211 0.6143 0.000 0.668 0.000 0.100 0.232
#> GSM76130 4 0.0912 0.8168 0.000 0.016 0.000 0.972 0.012
#> GSM76131 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0162 0.8017 0.000 0.996 0.000 0.000 0.004
#> GSM76133 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.5546 0.6136 0.000 0.656 0.008 0.108 0.228
#> GSM76135 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76137 4 0.6283 -0.1692 0.000 0.424 0.008 0.452 0.116
#> GSM76138 2 0.5747 0.2881 0.000 0.496 0.008 0.064 0.432
#> GSM76139 2 0.0162 0.8013 0.000 0.996 0.000 0.004 0.000
#> GSM76140 1 0.4383 0.2530 0.572 0.000 0.004 0.000 0.424
#> GSM76141 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.5842 0.5949 0.000 0.632 0.008 0.212 0.148
#> GSM76146 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0609 0.7975 0.000 0.980 0.000 0.000 0.020
#> GSM76148 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.5864 0.5673 0.000 0.612 0.008 0.120 0.260
#> GSM76150 2 0.5672 0.5846 0.000 0.632 0.008 0.104 0.256
#> GSM76151 2 0.6495 0.4730 0.000 0.532 0.008 0.264 0.196
#> GSM76152 1 0.0771 0.8051 0.976 0.000 0.004 0.000 0.020
#> GSM76153 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.5598 0.5813 0.000 0.632 0.008 0.092 0.268
#> GSM76155 2 0.5071 0.5918 0.000 0.660 0.008 0.048 0.284
#> GSM76156 2 0.0000 0.8026 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.5289 0.2516 0.000 0.556 0.036 0.008 0.400
#> GSM76031 1 0.0510 0.8034 0.984 0.000 0.000 0.000 0.016
#> GSM76032 3 0.1026 0.8072 0.004 0.000 0.968 0.024 0.004
#> GSM76033 3 0.4430 0.1357 0.000 0.000 0.540 0.456 0.004
#> GSM76034 4 0.5497 0.6099 0.004 0.212 0.032 0.692 0.060
#> GSM76035 3 0.4901 0.6061 0.052 0.000 0.696 0.244 0.008
#> GSM76036 3 0.3662 0.6024 0.000 0.000 0.744 0.252 0.004
#> GSM76037 5 0.2570 0.7272 0.000 0.108 0.004 0.008 0.880
#> GSM76038 1 0.0671 0.8039 0.980 0.000 0.004 0.000 0.016
#> GSM76039 1 0.4029 0.5415 0.680 0.000 0.004 0.000 0.316
#> GSM76040 3 0.4430 0.1422 0.000 0.000 0.540 0.456 0.004
#> GSM76041 1 0.4445 0.5436 0.676 0.000 0.300 0.000 0.024
#> GSM76042 1 0.4415 0.4075 0.604 0.000 0.008 0.000 0.388
#> GSM76043 3 0.4876 0.6189 0.200 0.000 0.724 0.012 0.064
#> GSM76044 5 0.3642 0.5760 0.232 0.000 0.008 0.000 0.760
#> GSM76045 1 0.2670 0.7717 0.888 0.000 0.080 0.004 0.028
#> GSM76046 4 0.3750 0.6201 0.000 0.000 0.232 0.756 0.012
#> GSM76047 3 0.6932 -0.0638 0.408 0.000 0.432 0.044 0.116
#> GSM76048 3 0.1764 0.7927 0.000 0.000 0.928 0.064 0.008
#> GSM76049 5 0.2845 0.7386 0.020 0.096 0.008 0.000 0.876
#> GSM76050 1 0.2249 0.7647 0.896 0.000 0.096 0.000 0.008
#> GSM76051 3 0.2011 0.7805 0.000 0.000 0.908 0.088 0.004
#> GSM76052 4 0.4383 0.2244 0.000 0.000 0.424 0.572 0.004
#> GSM76053 4 0.3533 0.7554 0.000 0.004 0.056 0.836 0.104
#> GSM76054 3 0.3246 0.6902 0.000 0.000 0.808 0.184 0.008
#> GSM76055 5 0.1851 0.7684 0.024 0.024 0.008 0.004 0.940
#> GSM76056 1 0.2825 0.7628 0.860 0.000 0.016 0.000 0.124
#> GSM76057 1 0.8567 -0.0650 0.328 0.288 0.140 0.008 0.236
#> GSM76058 3 0.0510 0.8057 0.016 0.000 0.984 0.000 0.000
#> GSM76059 1 0.0000 0.8034 1.000 0.000 0.000 0.000 0.000
#> GSM76060 3 0.6881 0.4764 0.084 0.204 0.608 0.012 0.092
#> GSM76061 2 0.3873 0.5809 0.000 0.768 0.008 0.012 0.212
#> GSM76062 1 0.0671 0.8023 0.980 0.000 0.016 0.000 0.004
#> GSM76063 2 0.3607 0.5969 0.000 0.752 0.000 0.244 0.004
#> GSM76064 1 0.5587 0.0491 0.472 0.000 0.472 0.012 0.044
#> GSM76065 5 0.4630 0.2723 0.000 0.416 0.008 0.004 0.572
#> GSM76066 1 0.4323 0.5058 0.656 0.000 0.332 0.000 0.012
#> GSM76067 3 0.1168 0.8026 0.032 0.000 0.960 0.000 0.008
#> GSM76068 3 0.1285 0.8054 0.004 0.000 0.956 0.036 0.004
#> GSM76069 1 0.4675 0.5247 0.640 0.000 0.020 0.004 0.336
#> GSM76070 2 0.1740 0.7672 0.000 0.932 0.000 0.056 0.012
#> GSM76071 1 0.0865 0.8007 0.972 0.000 0.024 0.000 0.004
#> GSM76072 1 0.0671 0.8027 0.980 0.000 0.016 0.000 0.004
#> GSM76073 1 0.0162 0.8039 0.996 0.000 0.000 0.000 0.004
#> GSM76074 1 0.0404 0.8033 0.988 0.000 0.000 0.000 0.012
#> GSM76075 3 0.0740 0.8065 0.008 0.000 0.980 0.008 0.004
#> GSM76076 3 0.0510 0.8065 0.000 0.000 0.984 0.016 0.000
#> GSM76077 5 0.6382 0.3928 0.256 0.016 0.128 0.008 0.592
#> GSM76078 3 0.1967 0.7876 0.020 0.000 0.932 0.012 0.036
#> GSM76079 1 0.0609 0.8038 0.980 0.000 0.000 0.000 0.020
#> GSM76080 4 0.1851 0.7740 0.000 0.000 0.088 0.912 0.000
#> GSM76081 4 0.4698 0.0354 0.000 0.008 0.468 0.520 0.004
#> GSM76082 3 0.1026 0.8071 0.004 0.000 0.968 0.024 0.004
#> GSM76083 3 0.1082 0.8064 0.000 0.000 0.964 0.028 0.008
#> GSM76084 4 0.5203 0.5467 0.000 0.240 0.028 0.688 0.044
#> GSM76085 3 0.1502 0.7975 0.000 0.000 0.940 0.056 0.004
#> GSM76086 3 0.1168 0.8019 0.032 0.000 0.960 0.000 0.008
#> GSM76087 2 0.2411 0.7556 0.000 0.884 0.000 0.108 0.008
#> GSM76088 1 0.8579 0.0283 0.324 0.124 0.300 0.012 0.240
#> GSM76089 2 0.5356 0.2953 0.000 0.508 0.008 0.036 0.448
#> GSM76090 3 0.0807 0.8034 0.012 0.000 0.976 0.000 0.012
#> GSM76091 1 0.1469 0.8019 0.948 0.000 0.016 0.000 0.036
#> GSM76092 1 0.0404 0.8038 0.988 0.000 0.000 0.000 0.012
#> GSM76093 1 0.0404 0.8038 0.988 0.000 0.000 0.000 0.012
#> GSM76094 5 0.3031 0.7640 0.096 0.016 0.008 0.008 0.872
#> GSM76095 1 0.3885 0.6331 0.724 0.000 0.008 0.000 0.268
#> GSM76096 1 0.3395 0.6720 0.764 0.000 0.000 0.000 0.236
#> GSM76097 1 0.4621 0.3517 0.576 0.000 0.004 0.008 0.412
#> GSM76098 4 0.3766 0.5798 0.000 0.000 0.268 0.728 0.004
#> GSM76099 1 0.3527 0.7085 0.792 0.000 0.016 0.000 0.192
#> GSM76100 1 0.1197 0.7984 0.952 0.000 0.000 0.000 0.048
#> GSM76101 1 0.0404 0.8038 0.988 0.000 0.000 0.000 0.012
#> GSM76102 1 0.2515 0.7812 0.904 0.000 0.008 0.044 0.044
#> GSM76103 3 0.1412 0.7998 0.036 0.000 0.952 0.008 0.004
#> GSM76104 4 0.2629 0.7360 0.000 0.000 0.136 0.860 0.004
#> GSM76105 5 0.1648 0.7728 0.040 0.000 0.000 0.020 0.940
#> GSM76106 4 0.0740 0.8157 0.000 0.008 0.004 0.980 0.008
#> GSM76107 4 0.0912 0.8159 0.000 0.012 0.000 0.972 0.016
#> GSM76108 5 0.4327 0.2506 0.360 0.000 0.008 0.000 0.632
#> GSM76109 1 0.0162 0.8038 0.996 0.000 0.000 0.000 0.004
#> GSM76110 1 0.0510 0.8038 0.984 0.000 0.000 0.000 0.016
#> GSM76111 1 0.1205 0.8019 0.956 0.000 0.004 0.000 0.040
#> GSM76112 1 0.1571 0.7895 0.936 0.000 0.060 0.000 0.004
#> GSM76113 3 0.8138 -0.0432 0.000 0.188 0.364 0.320 0.128
#> GSM76114 1 0.3806 0.7485 0.820 0.000 0.088 0.004 0.088
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.5204 0.46383 0.000 0.216 0.000 0.104 0.656 0.024
#> GSM76116 5 0.3368 0.36037 0.000 0.052 0.000 0.012 0.828 0.108
#> GSM76117 5 0.3957 0.32322 0.056 0.004 0.000 0.024 0.796 0.120
#> GSM76118 5 0.3630 0.23874 0.040 0.000 0.000 0.004 0.780 0.176
#> GSM76119 4 0.0622 0.78959 0.000 0.008 0.000 0.980 0.012 0.000
#> GSM76120 4 0.0622 0.78959 0.000 0.008 0.000 0.980 0.012 0.000
#> GSM76121 5 0.7312 -0.15651 0.336 0.000 0.000 0.148 0.356 0.160
#> GSM76122 5 0.5031 0.29944 0.016 0.028 0.000 0.092 0.720 0.144
#> GSM76123 4 0.0622 0.78959 0.000 0.008 0.000 0.980 0.012 0.000
#> GSM76124 5 0.4011 0.09449 0.024 0.000 0.000 0.000 0.672 0.304
#> GSM76125 4 0.0767 0.78903 0.000 0.008 0.000 0.976 0.012 0.004
#> GSM76126 4 0.1777 0.77720 0.000 0.012 0.000 0.932 0.032 0.024
#> GSM76127 4 0.0622 0.78959 0.000 0.008 0.000 0.980 0.012 0.000
#> GSM76128 4 0.0964 0.78430 0.000 0.000 0.012 0.968 0.004 0.016
#> GSM76129 2 0.5561 -0.00242 0.000 0.520 0.000 0.104 0.364 0.012
#> GSM76130 4 0.0717 0.78882 0.000 0.008 0.000 0.976 0.016 0.000
#> GSM76131 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0713 0.82138 0.000 0.972 0.000 0.000 0.028 0.000
#> GSM76133 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 5 0.5552 0.22332 0.000 0.436 0.000 0.104 0.452 0.008
#> GSM76135 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 4 0.6302 -0.10461 0.000 0.260 0.000 0.424 0.304 0.012
#> GSM76138 5 0.5073 0.44926 0.000 0.284 0.000 0.056 0.632 0.028
#> GSM76139 2 0.0405 0.83319 0.000 0.988 0.000 0.008 0.004 0.000
#> GSM76140 1 0.5547 0.21891 0.516 0.000 0.000 0.000 0.332 0.152
#> GSM76141 2 0.0146 0.83626 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76142 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0146 0.83626 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76145 2 0.6211 -0.16756 0.000 0.456 0.000 0.132 0.376 0.036
#> GSM76146 2 0.0146 0.83626 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76147 2 0.1267 0.79306 0.000 0.940 0.000 0.000 0.060 0.000
#> GSM76148 2 0.0146 0.83626 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76149 5 0.5574 0.27362 0.000 0.412 0.000 0.108 0.472 0.008
#> GSM76150 5 0.5537 0.28205 0.000 0.408 0.000 0.104 0.480 0.008
#> GSM76151 5 0.6056 0.30022 0.000 0.348 0.000 0.196 0.448 0.008
#> GSM76152 1 0.2070 0.74281 0.896 0.000 0.000 0.000 0.012 0.092
#> GSM76153 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 5 0.5310 0.30209 0.000 0.404 0.000 0.072 0.512 0.012
#> GSM76155 5 0.4715 0.22022 0.000 0.452 0.000 0.036 0.508 0.004
#> GSM76156 2 0.0000 0.83720 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 6 0.7405 -0.05775 0.000 0.296 0.040 0.032 0.304 0.328
#> GSM76031 1 0.2020 0.73921 0.896 0.000 0.000 0.000 0.008 0.096
#> GSM76032 3 0.1779 0.77744 0.000 0.000 0.920 0.016 0.000 0.064
#> GSM76033 3 0.5201 0.19895 0.000 0.000 0.500 0.408 0.000 0.092
#> GSM76034 4 0.6809 0.44319 0.000 0.232 0.024 0.544 0.096 0.104
#> GSM76035 3 0.6449 0.54015 0.040 0.000 0.580 0.188 0.028 0.164
#> GSM76036 3 0.3772 0.66738 0.000 0.000 0.772 0.180 0.008 0.040
#> GSM76037 5 0.4353 0.25489 0.000 0.056 0.000 0.004 0.696 0.244
#> GSM76038 1 0.2118 0.74045 0.888 0.000 0.000 0.000 0.008 0.104
#> GSM76039 1 0.5282 0.38285 0.600 0.000 0.000 0.000 0.172 0.228
#> GSM76040 3 0.5394 0.40815 0.000 0.000 0.588 0.316 0.040 0.056
#> GSM76041 1 0.5200 0.48326 0.632 0.000 0.172 0.000 0.004 0.192
#> GSM76042 1 0.5786 0.11717 0.468 0.000 0.000 0.000 0.188 0.344
#> GSM76043 3 0.6128 0.27360 0.188 0.000 0.556 0.004 0.028 0.224
#> GSM76044 6 0.5718 0.20378 0.164 0.000 0.000 0.000 0.396 0.440
#> GSM76045 1 0.4087 0.65132 0.744 0.000 0.064 0.000 0.004 0.188
#> GSM76046 4 0.4900 0.58274 0.000 0.000 0.176 0.680 0.008 0.136
#> GSM76047 6 0.7472 0.22207 0.264 0.000 0.272 0.036 0.048 0.380
#> GSM76048 3 0.1575 0.77679 0.000 0.000 0.936 0.032 0.000 0.032
#> GSM76049 6 0.5298 0.13769 0.016 0.048 0.008 0.000 0.384 0.544
#> GSM76050 1 0.3603 0.68328 0.812 0.000 0.080 0.004 0.004 0.100
#> GSM76051 3 0.1777 0.76872 0.000 0.000 0.928 0.024 0.004 0.044
#> GSM76052 4 0.5895 0.12122 0.000 0.000 0.372 0.484 0.020 0.124
#> GSM76053 4 0.4876 0.66311 0.000 0.000 0.056 0.720 0.072 0.152
#> GSM76054 3 0.3487 0.72387 0.000 0.000 0.824 0.100 0.016 0.060
#> GSM76055 5 0.4866 -0.17729 0.028 0.016 0.000 0.000 0.480 0.476
#> GSM76056 1 0.4146 0.52644 0.680 0.000 0.004 0.000 0.028 0.288
#> GSM76057 6 0.7786 0.40407 0.212 0.228 0.064 0.000 0.072 0.424
#> GSM76058 3 0.1700 0.76566 0.000 0.000 0.916 0.000 0.004 0.080
#> GSM76059 1 0.0458 0.75036 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM76060 6 0.7358 0.08819 0.076 0.180 0.356 0.000 0.020 0.368
#> GSM76061 2 0.5215 0.33917 0.004 0.608 0.004 0.000 0.100 0.284
#> GSM76062 1 0.1444 0.74529 0.928 0.000 0.000 0.000 0.000 0.072
#> GSM76063 2 0.5059 0.56941 0.000 0.712 0.036 0.172 0.016 0.064
#> GSM76064 1 0.6631 0.03274 0.428 0.000 0.304 0.004 0.028 0.236
#> GSM76065 2 0.6120 -0.30459 0.000 0.360 0.000 0.000 0.308 0.332
#> GSM76066 1 0.5302 0.33776 0.584 0.000 0.292 0.000 0.004 0.120
#> GSM76067 3 0.2162 0.75512 0.012 0.000 0.896 0.000 0.004 0.088
#> GSM76068 3 0.1149 0.77581 0.000 0.000 0.960 0.008 0.008 0.024
#> GSM76069 1 0.5319 0.03322 0.476 0.000 0.000 0.000 0.104 0.420
#> GSM76070 2 0.2691 0.74764 0.000 0.872 0.000 0.032 0.008 0.088
#> GSM76071 1 0.1387 0.74478 0.932 0.000 0.000 0.000 0.000 0.068
#> GSM76072 1 0.1349 0.74761 0.940 0.000 0.000 0.000 0.004 0.056
#> GSM76073 1 0.0713 0.75077 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM76074 1 0.1049 0.74927 0.960 0.000 0.000 0.000 0.008 0.032
#> GSM76075 3 0.1556 0.77059 0.000 0.000 0.920 0.000 0.000 0.080
#> GSM76076 3 0.0603 0.77669 0.000 0.000 0.980 0.004 0.000 0.016
#> GSM76077 6 0.6023 0.44219 0.140 0.012 0.052 0.000 0.172 0.624
#> GSM76078 3 0.3658 0.66515 0.008 0.008 0.760 0.000 0.008 0.216
#> GSM76079 1 0.1556 0.74577 0.920 0.000 0.000 0.000 0.000 0.080
#> GSM76080 4 0.3588 0.70129 0.000 0.000 0.144 0.804 0.020 0.032
#> GSM76081 3 0.4899 0.29402 0.000 0.000 0.560 0.388 0.016 0.036
#> GSM76082 3 0.0767 0.77592 0.000 0.000 0.976 0.008 0.004 0.012
#> GSM76083 3 0.0603 0.77660 0.000 0.000 0.980 0.004 0.000 0.016
#> GSM76084 4 0.7153 0.39596 0.000 0.176 0.064 0.532 0.172 0.056
#> GSM76085 3 0.1970 0.77545 0.000 0.000 0.912 0.028 0.000 0.060
#> GSM76086 3 0.2985 0.72091 0.036 0.000 0.844 0.000 0.004 0.116
#> GSM76087 2 0.2848 0.68571 0.000 0.828 0.000 0.160 0.008 0.004
#> GSM76088 6 0.7230 0.43736 0.204 0.092 0.132 0.000 0.048 0.524
#> GSM76089 5 0.5758 0.43530 0.000 0.288 0.004 0.032 0.580 0.096
#> GSM76090 3 0.1644 0.76454 0.000 0.000 0.920 0.000 0.004 0.076
#> GSM76091 1 0.2745 0.72038 0.860 0.000 0.020 0.000 0.008 0.112
#> GSM76092 1 0.0692 0.74861 0.976 0.000 0.000 0.000 0.004 0.020
#> GSM76093 1 0.0405 0.74910 0.988 0.000 0.000 0.000 0.004 0.008
#> GSM76094 5 0.5228 0.08644 0.080 0.008 0.000 0.012 0.632 0.268
#> GSM76095 1 0.5217 0.47440 0.608 0.000 0.000 0.000 0.160 0.232
#> GSM76096 1 0.4765 0.52674 0.672 0.000 0.000 0.000 0.132 0.196
#> GSM76097 1 0.6140 -0.07343 0.436 0.000 0.000 0.008 0.220 0.336
#> GSM76098 4 0.4174 0.38148 0.000 0.000 0.352 0.628 0.004 0.016
#> GSM76099 1 0.4822 0.44125 0.620 0.000 0.004 0.000 0.068 0.308
#> GSM76100 1 0.1657 0.74398 0.928 0.000 0.000 0.000 0.016 0.056
#> GSM76101 1 0.0405 0.74846 0.988 0.000 0.000 0.000 0.004 0.008
#> GSM76102 1 0.4249 0.67252 0.776 0.000 0.000 0.060 0.048 0.116
#> GSM76103 3 0.2894 0.72582 0.036 0.000 0.852 0.000 0.004 0.108
#> GSM76104 4 0.3603 0.70549 0.000 0.000 0.112 0.808 0.008 0.072
#> GSM76105 5 0.4419 0.03584 0.024 0.000 0.000 0.008 0.620 0.348
#> GSM76106 4 0.1596 0.78372 0.000 0.004 0.020 0.944 0.012 0.020
#> GSM76107 4 0.2036 0.76988 0.000 0.008 0.000 0.916 0.048 0.028
#> GSM76108 6 0.5879 0.30026 0.216 0.000 0.000 0.000 0.324 0.460
#> GSM76109 1 0.0363 0.74888 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM76110 1 0.1524 0.74623 0.932 0.000 0.000 0.000 0.008 0.060
#> GSM76111 1 0.2250 0.74258 0.888 0.000 0.000 0.000 0.020 0.092
#> GSM76112 1 0.2696 0.71795 0.872 0.000 0.048 0.000 0.004 0.076
#> GSM76113 3 0.8869 -0.08097 0.008 0.116 0.288 0.256 0.188 0.144
#> GSM76114 1 0.4538 0.58881 0.696 0.000 0.060 0.000 0.012 0.232
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> SD:skmeans 126 2.61e-10 2
#> SD:skmeans 125 4.92e-13 3
#> SD:skmeans 90 1.20e-12 4
#> SD:skmeans 104 3.77e-10 5
#> SD:skmeans 75 2.86e-08 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "pam"]
# you can also extract it by
# res = res_list["SD:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.304 0.663 0.832 0.4917 0.503 0.503
#> 3 3 0.374 0.649 0.791 0.3198 0.753 0.543
#> 4 4 0.609 0.757 0.846 0.1358 0.889 0.683
#> 5 5 0.609 0.583 0.782 0.0596 0.919 0.709
#> 6 6 0.700 0.640 0.802 0.0486 0.921 0.670
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.8327 0.7172 0.264 0.736
#> GSM76116 2 0.8608 0.7035 0.284 0.716
#> GSM76117 2 0.8813 0.6929 0.300 0.700
#> GSM76118 2 0.9993 0.3539 0.484 0.516
#> GSM76119 2 0.1633 0.7531 0.024 0.976
#> GSM76120 2 0.1843 0.7474 0.028 0.972
#> GSM76121 1 0.7674 0.5586 0.776 0.224
#> GSM76122 2 0.9000 0.6751 0.316 0.684
#> GSM76123 2 0.1414 0.7494 0.020 0.980
#> GSM76124 2 0.8608 0.7003 0.284 0.716
#> GSM76125 2 0.1184 0.7497 0.016 0.984
#> GSM76126 2 0.7950 0.7475 0.240 0.760
#> GSM76127 2 0.1414 0.7518 0.020 0.980
#> GSM76128 2 0.5842 0.7229 0.140 0.860
#> GSM76129 2 0.9000 0.6666 0.316 0.684
#> GSM76130 2 0.3114 0.7680 0.056 0.944
#> GSM76131 2 0.2778 0.7727 0.048 0.952
#> GSM76132 2 0.6973 0.7589 0.188 0.812
#> GSM76133 2 0.7056 0.7573 0.192 0.808
#> GSM76134 2 0.5629 0.7732 0.132 0.868
#> GSM76135 2 0.8081 0.7283 0.248 0.752
#> GSM76136 2 0.3114 0.7734 0.056 0.944
#> GSM76137 2 0.0000 0.7551 0.000 1.000
#> GSM76138 2 0.8499 0.7072 0.276 0.724
#> GSM76139 2 0.0000 0.7551 0.000 1.000
#> GSM76140 1 0.9996 -0.3129 0.512 0.488
#> GSM76141 2 0.7674 0.7440 0.224 0.776
#> GSM76142 2 0.5842 0.7720 0.140 0.860
#> GSM76143 2 0.7056 0.7573 0.192 0.808
#> GSM76144 2 0.2778 0.7725 0.048 0.952
#> GSM76145 2 0.2948 0.7733 0.052 0.948
#> GSM76146 2 0.7056 0.7573 0.192 0.808
#> GSM76147 2 0.7299 0.7535 0.204 0.796
#> GSM76148 2 0.5178 0.7745 0.116 0.884
#> GSM76149 2 0.2778 0.7725 0.048 0.952
#> GSM76150 2 0.7883 0.7371 0.236 0.764
#> GSM76151 2 0.6247 0.7687 0.156 0.844
#> GSM76152 1 0.1184 0.8151 0.984 0.016
#> GSM76153 2 0.0000 0.7551 0.000 1.000
#> GSM76154 2 0.4298 0.7758 0.088 0.912
#> GSM76155 2 0.8016 0.7313 0.244 0.756
#> GSM76156 2 0.7528 0.7494 0.216 0.784
#> GSM76030 2 0.7815 0.6434 0.232 0.768
#> GSM76031 1 0.0000 0.8121 1.000 0.000
#> GSM76032 1 0.9933 0.4095 0.548 0.452
#> GSM76033 2 0.9922 -0.1713 0.448 0.552
#> GSM76034 2 0.7602 0.7580 0.220 0.780
#> GSM76035 1 0.9580 0.5405 0.620 0.380
#> GSM76036 2 0.2043 0.7461 0.032 0.968
#> GSM76037 2 0.8909 0.6741 0.308 0.692
#> GSM76038 1 0.0938 0.8149 0.988 0.012
#> GSM76039 1 0.1184 0.8151 0.984 0.016
#> GSM76040 2 0.1843 0.7474 0.028 0.972
#> GSM76041 1 0.5842 0.7403 0.860 0.140
#> GSM76042 1 0.1184 0.8151 0.984 0.016
#> GSM76043 1 0.5842 0.7564 0.860 0.140
#> GSM76044 1 0.2603 0.8050 0.956 0.044
#> GSM76045 1 0.3431 0.8032 0.936 0.064
#> GSM76046 1 1.0000 0.2865 0.504 0.496
#> GSM76047 1 0.5294 0.7643 0.880 0.120
#> GSM76048 2 0.9552 0.1025 0.376 0.624
#> GSM76049 1 0.1633 0.8154 0.976 0.024
#> GSM76050 1 0.4161 0.7864 0.916 0.084
#> GSM76051 2 0.9815 -0.0777 0.420 0.580
#> GSM76052 2 0.2043 0.7483 0.032 0.968
#> GSM76053 2 0.6623 0.6413 0.172 0.828
#> GSM76054 2 0.9833 -0.0916 0.424 0.576
#> GSM76055 2 0.9996 0.3386 0.488 0.512
#> GSM76056 1 0.1843 0.8092 0.972 0.028
#> GSM76057 1 0.8861 0.5142 0.696 0.304
#> GSM76058 1 0.9909 0.4299 0.556 0.444
#> GSM76059 1 0.0376 0.8134 0.996 0.004
#> GSM76060 1 0.9044 0.4812 0.680 0.320
#> GSM76061 2 0.7139 0.7561 0.196 0.804
#> GSM76062 1 0.1414 0.8151 0.980 0.020
#> GSM76063 2 0.1184 0.7497 0.016 0.984
#> GSM76064 1 0.8813 0.5032 0.700 0.300
#> GSM76065 2 0.7883 0.7385 0.236 0.764
#> GSM76066 1 0.8016 0.6760 0.756 0.244
#> GSM76067 1 0.8608 0.6476 0.716 0.284
#> GSM76068 1 0.9881 0.4789 0.564 0.436
#> GSM76069 1 0.1184 0.8151 0.984 0.016
#> GSM76070 2 0.1414 0.7641 0.020 0.980
#> GSM76071 1 0.1184 0.8151 0.984 0.016
#> GSM76072 1 0.0938 0.8149 0.988 0.012
#> GSM76073 1 0.1184 0.8151 0.984 0.016
#> GSM76074 1 0.1184 0.8151 0.984 0.016
#> GSM76075 1 0.9988 0.3472 0.520 0.480
#> GSM76076 2 1.0000 -0.3176 0.500 0.500
#> GSM76077 1 0.8661 0.5502 0.712 0.288
#> GSM76078 2 1.0000 -0.3176 0.500 0.500
#> GSM76079 1 0.1184 0.8151 0.984 0.016
#> GSM76080 2 0.0938 0.7543 0.012 0.988
#> GSM76081 2 0.0938 0.7543 0.012 0.988
#> GSM76082 1 0.9087 0.6233 0.676 0.324
#> GSM76083 1 0.9815 0.4744 0.580 0.420
#> GSM76084 2 0.0938 0.7543 0.012 0.988
#> GSM76085 2 0.9815 -0.0772 0.420 0.580
#> GSM76086 1 0.9129 0.5986 0.672 0.328
#> GSM76087 2 0.6343 0.7676 0.160 0.840
#> GSM76088 1 0.8499 0.5923 0.724 0.276
#> GSM76089 2 0.8555 0.7035 0.280 0.720
#> GSM76090 1 0.9087 0.6233 0.676 0.324
#> GSM76091 1 0.2043 0.8069 0.968 0.032
#> GSM76092 1 0.1184 0.8151 0.984 0.016
#> GSM76093 1 0.0000 0.8121 1.000 0.000
#> GSM76094 2 0.8909 0.6741 0.308 0.692
#> GSM76095 1 0.2948 0.7986 0.948 0.052
#> GSM76096 1 0.0938 0.8113 0.988 0.012
#> GSM76097 1 0.3431 0.7844 0.936 0.064
#> GSM76098 2 0.1843 0.7474 0.028 0.972
#> GSM76099 1 0.1184 0.8151 0.984 0.016
#> GSM76100 1 0.1184 0.8151 0.984 0.016
#> GSM76101 1 0.1184 0.8151 0.984 0.016
#> GSM76102 2 0.9044 0.6923 0.320 0.680
#> GSM76103 1 0.8386 0.6546 0.732 0.268
#> GSM76104 2 0.2236 0.7485 0.036 0.964
#> GSM76105 2 0.9209 0.6500 0.336 0.664
#> GSM76106 2 0.1184 0.7562 0.016 0.984
#> GSM76107 2 0.8081 0.7283 0.248 0.752
#> GSM76108 1 0.1843 0.8092 0.972 0.028
#> GSM76109 1 0.1184 0.8151 0.984 0.016
#> GSM76110 1 0.1184 0.8151 0.984 0.016
#> GSM76111 1 0.4431 0.7633 0.908 0.092
#> GSM76112 1 0.2236 0.8053 0.964 0.036
#> GSM76113 2 0.3114 0.7629 0.056 0.944
#> GSM76114 1 0.0000 0.8121 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.9281 0.577 0.204 0.520 0.276
#> GSM76116 2 0.9553 0.549 0.244 0.484 0.272
#> GSM76117 2 0.9537 0.553 0.256 0.488 0.256
#> GSM76118 2 0.9267 0.431 0.380 0.460 0.160
#> GSM76119 3 0.6282 -0.147 0.004 0.384 0.612
#> GSM76120 3 0.1411 0.688 0.000 0.036 0.964
#> GSM76121 1 0.6678 0.642 0.728 0.208 0.064
#> GSM76122 2 0.9535 0.549 0.264 0.488 0.248
#> GSM76123 3 0.2261 0.665 0.000 0.068 0.932
#> GSM76124 2 0.9704 0.530 0.264 0.456 0.280
#> GSM76125 3 0.5327 0.505 0.000 0.272 0.728
#> GSM76126 2 0.7024 0.684 0.072 0.704 0.224
#> GSM76127 3 0.6169 -0.071 0.004 0.360 0.636
#> GSM76128 3 0.2879 0.685 0.024 0.052 0.924
#> GSM76129 2 0.4449 0.673 0.040 0.860 0.100
#> GSM76130 2 0.6193 0.643 0.016 0.692 0.292
#> GSM76131 2 0.3482 0.649 0.000 0.872 0.128
#> GSM76132 2 0.3412 0.672 0.000 0.876 0.124
#> GSM76133 2 0.3340 0.653 0.000 0.880 0.120
#> GSM76134 2 0.5465 0.651 0.000 0.712 0.288
#> GSM76135 2 0.0892 0.661 0.000 0.980 0.020
#> GSM76136 2 0.3879 0.649 0.000 0.848 0.152
#> GSM76137 2 0.6267 0.497 0.000 0.548 0.452
#> GSM76138 2 0.9543 0.548 0.236 0.484 0.280
#> GSM76139 2 0.3340 0.653 0.000 0.880 0.120
#> GSM76140 2 0.9293 0.385 0.400 0.440 0.160
#> GSM76141 2 0.2448 0.664 0.000 0.924 0.076
#> GSM76142 2 0.3340 0.653 0.000 0.880 0.120
#> GSM76143 2 0.3038 0.659 0.000 0.896 0.104
#> GSM76144 2 0.2711 0.662 0.000 0.912 0.088
#> GSM76145 3 0.7130 -0.379 0.024 0.432 0.544
#> GSM76146 2 0.3412 0.651 0.000 0.876 0.124
#> GSM76147 2 0.3816 0.671 0.000 0.852 0.148
#> GSM76148 2 0.3038 0.658 0.000 0.896 0.104
#> GSM76149 2 0.5882 0.621 0.000 0.652 0.348
#> GSM76150 2 0.7529 0.640 0.060 0.624 0.316
#> GSM76151 2 0.8398 0.495 0.084 0.476 0.440
#> GSM76152 1 0.0592 0.868 0.988 0.012 0.000
#> GSM76153 2 0.3412 0.651 0.000 0.876 0.124
#> GSM76154 2 0.6566 0.623 0.016 0.636 0.348
#> GSM76155 2 0.8222 0.631 0.092 0.576 0.332
#> GSM76156 2 0.2537 0.663 0.000 0.920 0.080
#> GSM76030 2 0.7815 0.608 0.096 0.644 0.260
#> GSM76031 1 0.1860 0.859 0.948 0.052 0.000
#> GSM76032 3 0.4974 0.682 0.236 0.000 0.764
#> GSM76033 3 0.3752 0.728 0.144 0.000 0.856
#> GSM76034 2 0.8160 0.641 0.104 0.608 0.288
#> GSM76035 3 0.6286 0.252 0.464 0.000 0.536
#> GSM76036 3 0.0237 0.703 0.000 0.004 0.996
#> GSM76037 2 0.9276 0.563 0.264 0.524 0.212
#> GSM76038 1 0.0237 0.867 0.996 0.000 0.004
#> GSM76039 1 0.2448 0.850 0.924 0.076 0.000
#> GSM76040 3 0.0592 0.699 0.000 0.012 0.988
#> GSM76041 1 0.2537 0.809 0.920 0.000 0.080
#> GSM76042 1 0.2590 0.850 0.924 0.072 0.004
#> GSM76043 1 0.5733 0.412 0.676 0.000 0.324
#> GSM76044 1 0.3532 0.831 0.884 0.108 0.008
#> GSM76045 1 0.1031 0.859 0.976 0.000 0.024
#> GSM76046 3 0.5529 0.609 0.296 0.000 0.704
#> GSM76047 1 0.2796 0.818 0.908 0.000 0.092
#> GSM76048 3 0.4994 0.727 0.160 0.024 0.816
#> GSM76049 1 0.1585 0.856 0.964 0.028 0.008
#> GSM76050 1 0.1031 0.859 0.976 0.000 0.024
#> GSM76051 3 0.3752 0.728 0.144 0.000 0.856
#> GSM76052 3 0.2492 0.683 0.048 0.016 0.936
#> GSM76053 3 0.4172 0.654 0.156 0.004 0.840
#> GSM76054 3 0.3879 0.727 0.152 0.000 0.848
#> GSM76055 2 0.9148 0.504 0.336 0.504 0.160
#> GSM76056 1 0.4062 0.795 0.836 0.164 0.000
#> GSM76057 1 0.9787 -0.124 0.412 0.348 0.240
#> GSM76058 3 0.4796 0.693 0.220 0.000 0.780
#> GSM76059 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76060 3 0.9704 0.182 0.264 0.280 0.456
#> GSM76061 2 0.7569 0.637 0.092 0.668 0.240
#> GSM76062 1 0.0237 0.867 0.996 0.000 0.004
#> GSM76063 3 0.4750 0.590 0.000 0.216 0.784
#> GSM76064 1 0.5497 0.542 0.708 0.000 0.292
#> GSM76065 2 0.7777 0.624 0.164 0.676 0.160
#> GSM76066 1 0.3752 0.733 0.856 0.000 0.144
#> GSM76067 1 0.5291 0.536 0.732 0.000 0.268
#> GSM76068 3 0.5733 0.545 0.324 0.000 0.676
#> GSM76069 1 0.1643 0.861 0.956 0.044 0.000
#> GSM76070 2 0.5058 0.622 0.000 0.756 0.244
#> GSM76071 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76072 1 0.1031 0.866 0.976 0.024 0.000
#> GSM76073 1 0.0424 0.868 0.992 0.008 0.000
#> GSM76074 1 0.2356 0.851 0.928 0.072 0.000
#> GSM76075 3 0.4702 0.703 0.212 0.000 0.788
#> GSM76076 3 0.4390 0.724 0.148 0.012 0.840
#> GSM76077 1 0.5726 0.625 0.760 0.024 0.216
#> GSM76078 3 0.6998 0.582 0.292 0.044 0.664
#> GSM76079 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76080 3 0.0000 0.702 0.000 0.000 1.000
#> GSM76081 3 0.1753 0.700 0.000 0.048 0.952
#> GSM76082 3 0.6062 0.445 0.384 0.000 0.616
#> GSM76083 3 0.5291 0.639 0.268 0.000 0.732
#> GSM76084 3 0.0237 0.701 0.000 0.004 0.996
#> GSM76085 3 0.3752 0.728 0.144 0.000 0.856
#> GSM76086 1 0.5431 0.514 0.716 0.000 0.284
#> GSM76087 2 0.4887 0.640 0.000 0.772 0.228
#> GSM76088 1 0.7651 0.545 0.680 0.124 0.196
#> GSM76089 2 0.9615 0.565 0.220 0.456 0.324
#> GSM76090 1 0.5254 0.543 0.736 0.000 0.264
#> GSM76091 1 0.1753 0.843 0.952 0.000 0.048
#> GSM76092 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76094 2 0.8760 0.615 0.176 0.584 0.240
#> GSM76095 1 0.3502 0.839 0.896 0.084 0.020
#> GSM76096 1 0.2537 0.849 0.920 0.080 0.000
#> GSM76097 1 0.6421 0.347 0.572 0.424 0.004
#> GSM76098 3 0.2796 0.689 0.000 0.092 0.908
#> GSM76099 1 0.1529 0.863 0.960 0.040 0.000
#> GSM76100 1 0.2448 0.852 0.924 0.076 0.000
#> GSM76101 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76102 2 0.8987 0.560 0.248 0.560 0.192
#> GSM76103 3 0.6111 0.425 0.396 0.000 0.604
#> GSM76104 3 0.0983 0.703 0.004 0.016 0.980
#> GSM76105 2 0.9647 0.542 0.268 0.468 0.264
#> GSM76106 3 0.1647 0.679 0.004 0.036 0.960
#> GSM76107 2 0.8964 0.619 0.160 0.544 0.296
#> GSM76108 1 0.3619 0.815 0.864 0.136 0.000
#> GSM76109 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76110 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76111 1 0.1905 0.863 0.956 0.028 0.016
#> GSM76112 1 0.0000 0.868 1.000 0.000 0.000
#> GSM76113 3 0.3695 0.628 0.012 0.108 0.880
#> GSM76114 1 0.0000 0.868 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.2510 0.780 0.008 0.012 0.064 0.916
#> GSM76116 4 0.2076 0.778 0.008 0.004 0.056 0.932
#> GSM76117 4 0.2275 0.776 0.020 0.004 0.048 0.928
#> GSM76118 4 0.2125 0.733 0.076 0.004 0.000 0.920
#> GSM76119 4 0.5343 0.654 0.000 0.052 0.240 0.708
#> GSM76120 3 0.2919 0.839 0.000 0.044 0.896 0.060
#> GSM76121 1 0.7353 0.454 0.508 0.120 0.012 0.360
#> GSM76122 4 0.2245 0.773 0.020 0.008 0.040 0.932
#> GSM76123 3 0.5188 0.654 0.000 0.044 0.716 0.240
#> GSM76124 4 0.2287 0.776 0.012 0.004 0.060 0.924
#> GSM76125 3 0.6192 0.618 0.000 0.244 0.652 0.104
#> GSM76126 4 0.6168 0.382 0.000 0.388 0.056 0.556
#> GSM76127 4 0.5249 0.645 0.000 0.044 0.248 0.708
#> GSM76128 3 0.3529 0.831 0.012 0.044 0.876 0.068
#> GSM76129 4 0.5161 0.185 0.004 0.476 0.000 0.520
#> GSM76130 4 0.5219 0.636 0.000 0.244 0.044 0.712
#> GSM76131 2 0.1389 0.805 0.000 0.952 0.048 0.000
#> GSM76132 2 0.5524 0.491 0.000 0.676 0.048 0.276
#> GSM76133 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76134 4 0.6238 0.621 0.000 0.236 0.112 0.652
#> GSM76135 2 0.1488 0.784 0.000 0.956 0.012 0.032
#> GSM76136 2 0.1716 0.800 0.000 0.936 0.064 0.000
#> GSM76137 4 0.6111 0.664 0.000 0.092 0.256 0.652
#> GSM76138 4 0.2164 0.780 0.004 0.004 0.068 0.924
#> GSM76139 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76140 4 0.2198 0.740 0.072 0.008 0.000 0.920
#> GSM76141 2 0.1452 0.802 0.000 0.956 0.036 0.008
#> GSM76142 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76143 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76144 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76145 4 0.5742 0.670 0.000 0.060 0.276 0.664
#> GSM76146 2 0.1389 0.806 0.000 0.952 0.048 0.000
#> GSM76147 2 0.5869 0.238 0.000 0.596 0.044 0.360
#> GSM76148 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76149 4 0.6388 0.659 0.000 0.156 0.192 0.652
#> GSM76150 4 0.5304 0.737 0.000 0.104 0.148 0.748
#> GSM76151 4 0.4434 0.732 0.000 0.016 0.228 0.756
#> GSM76152 1 0.2589 0.848 0.884 0.000 0.000 0.116
#> GSM76153 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76154 4 0.6357 0.662 0.000 0.160 0.184 0.656
#> GSM76155 4 0.4814 0.747 0.004 0.048 0.172 0.776
#> GSM76156 2 0.1302 0.806 0.000 0.956 0.044 0.000
#> GSM76030 2 0.8113 0.567 0.128 0.576 0.204 0.092
#> GSM76031 1 0.3142 0.839 0.860 0.000 0.008 0.132
#> GSM76032 3 0.1767 0.872 0.044 0.000 0.944 0.012
#> GSM76033 3 0.0000 0.882 0.000 0.000 1.000 0.000
#> GSM76034 2 0.7549 0.375 0.004 0.508 0.200 0.288
#> GSM76035 3 0.5016 0.398 0.396 0.000 0.600 0.004
#> GSM76036 3 0.0000 0.882 0.000 0.000 1.000 0.000
#> GSM76037 4 0.2324 0.765 0.020 0.028 0.020 0.932
#> GSM76038 1 0.0779 0.869 0.980 0.000 0.004 0.016
#> GSM76039 1 0.4718 0.742 0.708 0.012 0.000 0.280
#> GSM76040 3 0.0188 0.882 0.000 0.000 0.996 0.004
#> GSM76041 1 0.1109 0.867 0.968 0.000 0.004 0.028
#> GSM76042 1 0.4594 0.746 0.712 0.000 0.008 0.280
#> GSM76043 1 0.5383 0.502 0.672 0.000 0.292 0.036
#> GSM76044 1 0.4726 0.803 0.784 0.048 0.004 0.164
#> GSM76045 1 0.0895 0.868 0.976 0.000 0.004 0.020
#> GSM76046 3 0.1913 0.864 0.040 0.000 0.940 0.020
#> GSM76047 1 0.3149 0.836 0.880 0.000 0.088 0.032
#> GSM76048 3 0.1356 0.879 0.032 0.000 0.960 0.008
#> GSM76049 1 0.1356 0.869 0.960 0.000 0.008 0.032
#> GSM76050 1 0.0779 0.869 0.980 0.000 0.004 0.016
#> GSM76051 3 0.0000 0.882 0.000 0.000 1.000 0.000
#> GSM76052 3 0.1305 0.870 0.004 0.000 0.960 0.036
#> GSM76053 3 0.1151 0.876 0.008 0.000 0.968 0.024
#> GSM76054 3 0.0000 0.882 0.000 0.000 1.000 0.000
#> GSM76055 4 0.3851 0.702 0.056 0.088 0.004 0.852
#> GSM76056 1 0.6308 0.674 0.648 0.120 0.000 0.232
#> GSM76057 2 0.7108 0.634 0.032 0.636 0.204 0.128
#> GSM76058 3 0.2101 0.862 0.060 0.000 0.928 0.012
#> GSM76059 1 0.0336 0.870 0.992 0.000 0.000 0.008
#> GSM76060 2 0.7684 0.598 0.124 0.600 0.216 0.060
#> GSM76061 2 0.6405 0.647 0.004 0.660 0.204 0.132
#> GSM76062 1 0.0657 0.864 0.984 0.000 0.004 0.012
#> GSM76063 3 0.2149 0.829 0.000 0.088 0.912 0.000
#> GSM76064 1 0.5522 0.691 0.716 0.000 0.204 0.080
#> GSM76065 2 0.5991 0.592 0.008 0.672 0.064 0.256
#> GSM76066 1 0.1109 0.867 0.968 0.000 0.004 0.028
#> GSM76067 1 0.2021 0.847 0.932 0.000 0.056 0.012
#> GSM76068 3 0.3895 0.752 0.184 0.000 0.804 0.012
#> GSM76069 1 0.2704 0.843 0.876 0.000 0.000 0.124
#> GSM76070 2 0.3649 0.717 0.000 0.796 0.204 0.000
#> GSM76071 1 0.0469 0.868 0.988 0.000 0.000 0.012
#> GSM76072 1 0.3306 0.823 0.840 0.000 0.004 0.156
#> GSM76073 1 0.1716 0.861 0.936 0.000 0.000 0.064
#> GSM76074 1 0.4103 0.759 0.744 0.000 0.000 0.256
#> GSM76075 3 0.1174 0.879 0.020 0.000 0.968 0.012
#> GSM76076 3 0.0469 0.881 0.000 0.000 0.988 0.012
#> GSM76077 1 0.5062 0.709 0.752 0.000 0.184 0.064
#> GSM76078 3 0.5740 0.625 0.204 0.060 0.720 0.016
#> GSM76079 1 0.0000 0.868 1.000 0.000 0.000 0.000
#> GSM76080 3 0.0336 0.881 0.000 0.000 0.992 0.008
#> GSM76081 3 0.0336 0.881 0.000 0.008 0.992 0.000
#> GSM76082 3 0.4137 0.731 0.208 0.000 0.780 0.012
#> GSM76083 3 0.2542 0.848 0.084 0.000 0.904 0.012
#> GSM76084 3 0.1211 0.868 0.000 0.000 0.960 0.040
#> GSM76085 3 0.0000 0.882 0.000 0.000 1.000 0.000
#> GSM76086 1 0.2179 0.848 0.924 0.000 0.064 0.012
#> GSM76087 2 0.5346 0.681 0.000 0.732 0.192 0.076
#> GSM76088 1 0.4545 0.745 0.792 0.024 0.172 0.012
#> GSM76089 4 0.3903 0.762 0.008 0.012 0.156 0.824
#> GSM76090 1 0.1584 0.856 0.952 0.000 0.036 0.012
#> GSM76091 1 0.0657 0.870 0.984 0.000 0.004 0.012
#> GSM76092 1 0.0000 0.868 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.868 1.000 0.000 0.000 0.000
#> GSM76094 4 0.3008 0.766 0.020 0.044 0.032 0.904
#> GSM76095 1 0.4963 0.732 0.696 0.008 0.008 0.288
#> GSM76096 1 0.5471 0.716 0.684 0.048 0.000 0.268
#> GSM76097 2 0.6474 0.502 0.120 0.624 0.000 0.256
#> GSM76098 3 0.0657 0.880 0.000 0.004 0.984 0.012
#> GSM76099 1 0.3024 0.835 0.852 0.000 0.000 0.148
#> GSM76100 1 0.4103 0.759 0.744 0.000 0.000 0.256
#> GSM76101 1 0.0000 0.868 1.000 0.000 0.000 0.000
#> GSM76102 2 0.7040 0.478 0.028 0.580 0.076 0.316
#> GSM76103 3 0.4576 0.682 0.260 0.000 0.728 0.012
#> GSM76104 3 0.0524 0.881 0.004 0.000 0.988 0.008
#> GSM76105 4 0.2197 0.773 0.024 0.000 0.048 0.928
#> GSM76106 3 0.2401 0.820 0.004 0.000 0.904 0.092
#> GSM76107 4 0.4793 0.629 0.000 0.204 0.040 0.756
#> GSM76108 1 0.6182 0.675 0.636 0.088 0.000 0.276
#> GSM76109 1 0.0000 0.868 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0592 0.870 0.984 0.000 0.000 0.016
#> GSM76111 1 0.3891 0.818 0.828 0.020 0.004 0.148
#> GSM76112 1 0.0469 0.866 0.988 0.000 0.000 0.012
#> GSM76113 3 0.3208 0.772 0.000 0.004 0.848 0.148
#> GSM76114 1 0.1022 0.870 0.968 0.000 0.000 0.032
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.1168 0.4700 0.000 0.008 0.032 0.000 0.960
#> GSM76116 5 0.0955 0.4724 0.000 0.004 0.028 0.000 0.968
#> GSM76117 5 0.3407 0.5112 0.004 0.004 0.008 0.168 0.816
#> GSM76118 5 0.4299 0.5024 0.008 0.004 0.000 0.316 0.672
#> GSM76119 4 0.3999 0.6396 0.000 0.000 0.000 0.656 0.344
#> GSM76120 4 0.3999 0.5627 0.000 0.000 0.344 0.656 0.000
#> GSM76121 5 0.7092 0.1673 0.248 0.016 0.000 0.320 0.416
#> GSM76122 5 0.2853 0.5086 0.004 0.004 0.004 0.128 0.860
#> GSM76123 4 0.5265 0.6699 0.000 0.000 0.248 0.656 0.096
#> GSM76124 5 0.4553 0.5032 0.000 0.004 0.016 0.328 0.652
#> GSM76125 4 0.5395 0.6384 0.000 0.044 0.272 0.656 0.028
#> GSM76126 4 0.6248 0.4799 0.000 0.156 0.008 0.564 0.272
#> GSM76127 4 0.3999 0.6396 0.000 0.000 0.000 0.656 0.344
#> GSM76128 4 0.3999 0.5627 0.000 0.000 0.344 0.656 0.000
#> GSM76129 5 0.4307 -0.1447 0.000 0.496 0.000 0.000 0.504
#> GSM76130 4 0.3999 0.6396 0.000 0.000 0.000 0.656 0.344
#> GSM76131 2 0.0162 0.7625 0.000 0.996 0.004 0.000 0.000
#> GSM76132 2 0.3530 0.6066 0.000 0.784 0.012 0.000 0.204
#> GSM76133 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76134 5 0.5551 0.1838 0.000 0.284 0.104 0.000 0.612
#> GSM76135 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76137 5 0.6284 0.1592 0.000 0.080 0.252 0.056 0.612
#> GSM76138 5 0.1041 0.4715 0.000 0.004 0.032 0.000 0.964
#> GSM76139 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.4419 0.5011 0.020 0.000 0.000 0.312 0.668
#> GSM76141 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76145 5 0.4920 0.1989 0.000 0.048 0.308 0.000 0.644
#> GSM76146 2 0.0162 0.7635 0.000 0.996 0.004 0.000 0.000
#> GSM76147 2 0.4060 0.3822 0.000 0.640 0.000 0.000 0.360
#> GSM76148 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76149 5 0.5814 0.2130 0.000 0.208 0.180 0.000 0.612
#> GSM76150 5 0.4334 0.3678 0.000 0.092 0.140 0.000 0.768
#> GSM76151 5 0.4264 0.3367 0.000 0.044 0.212 0.000 0.744
#> GSM76152 1 0.5618 0.5853 0.632 0.000 0.000 0.224 0.144
#> GSM76153 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76154 5 0.5779 0.2172 0.000 0.212 0.172 0.000 0.616
#> GSM76155 5 0.4409 0.3550 0.000 0.072 0.176 0.000 0.752
#> GSM76156 2 0.0000 0.7649 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.8017 0.3917 0.176 0.500 0.180 0.016 0.128
#> GSM76031 1 0.5635 0.5977 0.636 0.000 0.000 0.168 0.196
#> GSM76032 3 0.1082 0.8469 0.028 0.000 0.964 0.000 0.008
#> GSM76033 3 0.0000 0.8560 0.000 0.000 1.000 0.000 0.000
#> GSM76034 2 0.8329 0.0464 0.000 0.364 0.180 0.180 0.276
#> GSM76035 3 0.5411 0.3562 0.368 0.000 0.572 0.056 0.004
#> GSM76036 3 0.0000 0.8560 0.000 0.000 1.000 0.000 0.000
#> GSM76037 5 0.1202 0.4860 0.004 0.004 0.000 0.032 0.960
#> GSM76038 1 0.3236 0.7442 0.828 0.000 0.000 0.152 0.020
#> GSM76039 5 0.6765 0.0948 0.272 0.000 0.000 0.344 0.384
#> GSM76040 3 0.0000 0.8560 0.000 0.000 1.000 0.000 0.000
#> GSM76041 1 0.2046 0.7754 0.916 0.000 0.000 0.068 0.016
#> GSM76042 5 0.6770 0.0928 0.276 0.000 0.000 0.340 0.384
#> GSM76043 1 0.5884 0.4870 0.612 0.000 0.276 0.096 0.016
#> GSM76044 1 0.5941 0.5373 0.588 0.000 0.000 0.168 0.244
#> GSM76045 1 0.1981 0.7765 0.920 0.000 0.000 0.064 0.016
#> GSM76046 3 0.4237 0.6740 0.032 0.000 0.780 0.168 0.020
#> GSM76047 1 0.5481 0.6835 0.700 0.000 0.072 0.188 0.040
#> GSM76048 3 0.0963 0.8456 0.036 0.000 0.964 0.000 0.000
#> GSM76049 1 0.3374 0.7612 0.844 0.000 0.004 0.108 0.044
#> GSM76050 1 0.1281 0.7802 0.956 0.000 0.000 0.032 0.012
#> GSM76051 3 0.0000 0.8560 0.000 0.000 1.000 0.000 0.000
#> GSM76052 3 0.2921 0.7573 0.000 0.000 0.856 0.124 0.020
#> GSM76053 3 0.3734 0.6895 0.000 0.000 0.796 0.168 0.036
#> GSM76054 3 0.0000 0.8560 0.000 0.000 1.000 0.000 0.000
#> GSM76055 5 0.4265 0.5067 0.008 0.012 0.000 0.268 0.712
#> GSM76056 1 0.7659 0.0759 0.420 0.072 0.000 0.188 0.320
#> GSM76057 2 0.7894 0.4020 0.024 0.528 0.180 0.112 0.156
#> GSM76058 3 0.1697 0.8242 0.060 0.000 0.932 0.000 0.008
#> GSM76059 1 0.1117 0.7776 0.964 0.000 0.000 0.016 0.020
#> GSM76060 2 0.7188 0.5176 0.064 0.600 0.196 0.036 0.104
#> GSM76061 2 0.7230 0.4154 0.000 0.548 0.180 0.088 0.184
#> GSM76062 1 0.0290 0.7737 0.992 0.000 0.000 0.000 0.008
#> GSM76063 3 0.2424 0.7419 0.000 0.132 0.868 0.000 0.000
#> GSM76064 1 0.6076 0.5340 0.652 0.000 0.184 0.040 0.124
#> GSM76065 2 0.6479 0.2430 0.000 0.528 0.024 0.116 0.332
#> GSM76066 1 0.2069 0.7761 0.924 0.000 0.012 0.052 0.012
#> GSM76067 1 0.2136 0.7485 0.904 0.000 0.088 0.000 0.008
#> GSM76068 3 0.3132 0.6884 0.172 0.000 0.820 0.000 0.008
#> GSM76069 1 0.3732 0.6939 0.792 0.000 0.000 0.032 0.176
#> GSM76070 2 0.3086 0.6452 0.000 0.816 0.180 0.004 0.000
#> GSM76071 1 0.0671 0.7780 0.980 0.000 0.000 0.016 0.004
#> GSM76072 1 0.6146 0.3782 0.560 0.000 0.000 0.240 0.200
#> GSM76073 1 0.4394 0.6867 0.764 0.000 0.000 0.136 0.100
#> GSM76074 1 0.6669 0.0150 0.400 0.000 0.000 0.232 0.368
#> GSM76075 3 0.0579 0.8525 0.008 0.000 0.984 0.000 0.008
#> GSM76076 3 0.0579 0.8525 0.008 0.000 0.984 0.000 0.008
#> GSM76077 1 0.6585 0.5539 0.592 0.000 0.164 0.204 0.040
#> GSM76078 3 0.6588 0.4812 0.168 0.048 0.640 0.128 0.016
#> GSM76079 1 0.0693 0.7771 0.980 0.000 0.000 0.008 0.012
#> GSM76080 3 0.0162 0.8553 0.000 0.000 0.996 0.000 0.004
#> GSM76081 3 0.0000 0.8560 0.000 0.000 1.000 0.000 0.000
#> GSM76082 3 0.3209 0.6815 0.180 0.000 0.812 0.000 0.008
#> GSM76083 3 0.1764 0.8204 0.064 0.000 0.928 0.000 0.008
#> GSM76084 3 0.0794 0.8448 0.000 0.000 0.972 0.000 0.028
#> GSM76085 3 0.0000 0.8560 0.000 0.000 1.000 0.000 0.000
#> GSM76086 1 0.2249 0.7467 0.896 0.000 0.096 0.000 0.008
#> GSM76087 2 0.4325 0.6190 0.000 0.756 0.180 0.000 0.064
#> GSM76088 1 0.5123 0.6461 0.744 0.064 0.156 0.028 0.008
#> GSM76089 5 0.3006 0.4072 0.000 0.004 0.156 0.004 0.836
#> GSM76090 1 0.2136 0.7474 0.904 0.000 0.088 0.000 0.008
#> GSM76091 1 0.1018 0.7781 0.968 0.000 0.000 0.016 0.016
#> GSM76092 1 0.0693 0.7777 0.980 0.000 0.000 0.008 0.012
#> GSM76093 1 0.0693 0.7771 0.980 0.000 0.000 0.008 0.012
#> GSM76094 5 0.3632 0.5112 0.004 0.020 0.000 0.176 0.800
#> GSM76095 5 0.6891 0.1173 0.268 0.004 0.000 0.340 0.388
#> GSM76096 5 0.6924 0.0815 0.288 0.004 0.000 0.332 0.376
#> GSM76097 2 0.7406 0.0537 0.060 0.432 0.000 0.160 0.348
#> GSM76098 3 0.0162 0.8553 0.000 0.004 0.996 0.000 0.000
#> GSM76099 1 0.5290 0.5826 0.676 0.000 0.000 0.140 0.184
#> GSM76100 1 0.6510 0.1004 0.444 0.000 0.000 0.196 0.360
#> GSM76101 1 0.0693 0.7771 0.980 0.000 0.000 0.008 0.012
#> GSM76102 5 0.7600 0.2535 0.016 0.248 0.020 0.328 0.388
#> GSM76103 3 0.3671 0.6233 0.236 0.000 0.756 0.000 0.008
#> GSM76104 3 0.0671 0.8491 0.000 0.000 0.980 0.004 0.016
#> GSM76105 5 0.3582 0.5147 0.008 0.000 0.000 0.224 0.768
#> GSM76106 3 0.2248 0.7865 0.000 0.000 0.900 0.012 0.088
#> GSM76107 4 0.3035 0.4824 0.000 0.032 0.000 0.856 0.112
#> GSM76108 5 0.7107 0.0806 0.280 0.012 0.000 0.336 0.372
#> GSM76109 1 0.0693 0.7771 0.980 0.000 0.000 0.008 0.012
#> GSM76110 1 0.2654 0.7728 0.884 0.000 0.000 0.084 0.032
#> GSM76111 1 0.6758 0.3326 0.500 0.008 0.004 0.288 0.200
#> GSM76112 1 0.0579 0.7736 0.984 0.000 0.000 0.008 0.008
#> GSM76113 3 0.3577 0.6823 0.000 0.000 0.808 0.032 0.160
#> GSM76114 1 0.2554 0.7768 0.892 0.000 0.000 0.072 0.036
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 6 0.1663 0.8029 0.000 0.000 0.000 0.000 0.088 0.912
#> GSM76116 6 0.1663 0.8029 0.000 0.000 0.000 0.000 0.088 0.912
#> GSM76117 6 0.3864 0.1153 0.000 0.000 0.000 0.000 0.480 0.520
#> GSM76118 5 0.3023 0.5333 0.000 0.000 0.000 0.000 0.768 0.232
#> GSM76119 4 0.0000 0.9531 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.9531 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 5 0.3269 0.6334 0.104 0.012 0.004 0.000 0.840 0.040
#> GSM76122 6 0.3774 0.3066 0.000 0.000 0.000 0.000 0.408 0.592
#> GSM76123 4 0.0000 0.9531 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.2527 0.5838 0.000 0.000 0.000 0.000 0.832 0.168
#> GSM76125 4 0.0000 0.9531 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76126 4 0.5482 0.5865 0.000 0.104 0.004 0.656 0.040 0.196
#> GSM76127 4 0.0000 0.9531 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.0000 0.9531 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76129 6 0.4444 0.1780 0.000 0.436 0.000 0.000 0.028 0.536
#> GSM76130 4 0.0000 0.9531 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.3351 0.5578 0.000 0.712 0.000 0.000 0.000 0.288
#> GSM76133 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 6 0.1421 0.8325 0.000 0.028 0.028 0.000 0.000 0.944
#> GSM76135 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 6 0.0858 0.8407 0.000 0.000 0.028 0.004 0.000 0.968
#> GSM76138 6 0.1663 0.8029 0.000 0.000 0.000 0.000 0.088 0.912
#> GSM76139 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.2841 0.5936 0.012 0.000 0.000 0.000 0.824 0.164
#> GSM76141 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 6 0.1501 0.7972 0.000 0.000 0.076 0.000 0.000 0.924
#> GSM76146 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.3810 0.1838 0.000 0.572 0.000 0.000 0.000 0.428
#> GSM76148 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 6 0.0713 0.8407 0.000 0.000 0.028 0.000 0.000 0.972
#> GSM76150 6 0.1218 0.8407 0.000 0.004 0.028 0.000 0.012 0.956
#> GSM76151 6 0.0713 0.8407 0.000 0.000 0.028 0.000 0.000 0.972
#> GSM76152 5 0.3851 0.0775 0.460 0.000 0.000 0.000 0.540 0.000
#> GSM76153 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 6 0.0713 0.8407 0.000 0.000 0.028 0.000 0.000 0.972
#> GSM76155 6 0.0713 0.8407 0.000 0.000 0.028 0.000 0.000 0.972
#> GSM76156 2 0.0000 0.8291 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.6998 0.3817 0.128 0.492 0.076 0.000 0.024 0.280
#> GSM76031 5 0.3864 -0.1074 0.480 0.000 0.000 0.000 0.520 0.000
#> GSM76032 3 0.0790 0.8422 0.032 0.000 0.968 0.000 0.000 0.000
#> GSM76033 3 0.0547 0.8520 0.000 0.000 0.980 0.000 0.000 0.020
#> GSM76034 5 0.6954 0.0156 0.000 0.336 0.076 0.000 0.396 0.192
#> GSM76035 3 0.5694 0.4143 0.296 0.000 0.572 0.000 0.100 0.032
#> GSM76036 3 0.0547 0.8520 0.000 0.000 0.980 0.000 0.000 0.020
#> GSM76037 6 0.2416 0.7482 0.000 0.000 0.000 0.000 0.156 0.844
#> GSM76038 1 0.3819 0.4225 0.652 0.000 0.008 0.000 0.340 0.000
#> GSM76039 5 0.2510 0.6217 0.100 0.000 0.000 0.000 0.872 0.028
#> GSM76040 3 0.0547 0.8520 0.000 0.000 0.980 0.000 0.000 0.020
#> GSM76041 1 0.2696 0.6958 0.856 0.000 0.028 0.000 0.116 0.000
#> GSM76042 5 0.2234 0.6178 0.124 0.000 0.000 0.000 0.872 0.004
#> GSM76043 1 0.5684 0.3733 0.540 0.000 0.324 0.000 0.120 0.016
#> GSM76044 5 0.4082 0.0553 0.432 0.000 0.004 0.000 0.560 0.004
#> GSM76045 1 0.2312 0.7023 0.876 0.000 0.012 0.000 0.112 0.000
#> GSM76046 3 0.5276 0.4107 0.012 0.000 0.556 0.004 0.364 0.064
#> GSM76047 1 0.5214 0.2232 0.520 0.000 0.040 0.000 0.412 0.028
#> GSM76048 3 0.0777 0.8481 0.024 0.000 0.972 0.000 0.000 0.004
#> GSM76049 1 0.3794 0.5940 0.724 0.000 0.000 0.000 0.248 0.028
#> GSM76050 1 0.1901 0.7177 0.912 0.000 0.008 0.000 0.076 0.004
#> GSM76051 3 0.0363 0.8518 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76052 3 0.4503 0.6280 0.000 0.000 0.680 0.000 0.240 0.080
#> GSM76053 3 0.5001 0.3631 0.000 0.000 0.540 0.000 0.384 0.076
#> GSM76054 3 0.0547 0.8520 0.000 0.000 0.980 0.000 0.000 0.020
#> GSM76055 5 0.2996 0.5407 0.000 0.000 0.000 0.000 0.772 0.228
#> GSM76056 5 0.5108 0.2128 0.396 0.044 0.000 0.000 0.540 0.020
#> GSM76057 2 0.6677 0.4266 0.044 0.556 0.076 0.000 0.252 0.072
#> GSM76058 3 0.0790 0.8423 0.032 0.000 0.968 0.000 0.000 0.000
#> GSM76059 1 0.3139 0.6821 0.812 0.000 0.000 0.000 0.160 0.028
#> GSM76060 2 0.6460 0.5822 0.096 0.636 0.096 0.000 0.100 0.072
#> GSM76061 2 0.5941 0.4904 0.004 0.600 0.076 0.000 0.244 0.076
#> GSM76062 1 0.0508 0.7199 0.984 0.000 0.012 0.000 0.000 0.004
#> GSM76063 3 0.3772 0.7211 0.000 0.160 0.772 0.000 0.000 0.068
#> GSM76064 1 0.5122 0.5303 0.704 0.000 0.092 0.000 0.140 0.064
#> GSM76065 2 0.4758 0.1105 0.000 0.500 0.032 0.000 0.460 0.008
#> GSM76066 1 0.2384 0.7073 0.884 0.000 0.032 0.000 0.084 0.000
#> GSM76067 1 0.2793 0.6431 0.800 0.000 0.200 0.000 0.000 0.000
#> GSM76068 3 0.1444 0.8174 0.072 0.000 0.928 0.000 0.000 0.000
#> GSM76069 1 0.3766 0.6321 0.720 0.000 0.000 0.000 0.256 0.024
#> GSM76070 2 0.3161 0.7403 0.000 0.840 0.076 0.000 0.004 0.080
#> GSM76071 1 0.1049 0.7227 0.960 0.000 0.008 0.000 0.032 0.000
#> GSM76072 5 0.3756 0.3044 0.352 0.000 0.004 0.000 0.644 0.000
#> GSM76073 1 0.4456 0.2897 0.524 0.000 0.000 0.000 0.448 0.028
#> GSM76074 5 0.3812 0.4208 0.264 0.000 0.000 0.000 0.712 0.024
#> GSM76075 3 0.0858 0.8449 0.028 0.000 0.968 0.000 0.000 0.004
#> GSM76076 3 0.0632 0.8445 0.024 0.000 0.976 0.000 0.000 0.000
#> GSM76077 1 0.6197 0.1262 0.452 0.000 0.068 0.000 0.400 0.080
#> GSM76078 3 0.7272 0.3201 0.148 0.044 0.484 0.000 0.256 0.068
#> GSM76079 1 0.2988 0.6885 0.828 0.000 0.000 0.000 0.144 0.028
#> GSM76080 3 0.1387 0.8345 0.000 0.000 0.932 0.000 0.000 0.068
#> GSM76081 3 0.0458 0.8520 0.000 0.000 0.984 0.000 0.000 0.016
#> GSM76082 3 0.1610 0.8117 0.084 0.000 0.916 0.000 0.000 0.000
#> GSM76083 3 0.1075 0.8339 0.048 0.000 0.952 0.000 0.000 0.000
#> GSM76084 3 0.1957 0.8213 0.000 0.000 0.888 0.000 0.000 0.112
#> GSM76085 3 0.0458 0.8521 0.000 0.000 0.984 0.000 0.000 0.016
#> GSM76086 1 0.2362 0.6846 0.860 0.000 0.136 0.000 0.000 0.004
#> GSM76087 2 0.3575 0.7200 0.000 0.796 0.076 0.000 0.000 0.128
#> GSM76088 1 0.5261 0.6192 0.736 0.072 0.068 0.000 0.064 0.060
#> GSM76089 6 0.1151 0.8373 0.000 0.000 0.032 0.000 0.012 0.956
#> GSM76090 1 0.2416 0.6733 0.844 0.000 0.156 0.000 0.000 0.000
#> GSM76091 1 0.3134 0.6865 0.808 0.000 0.000 0.000 0.168 0.024
#> GSM76092 1 0.3175 0.6855 0.808 0.000 0.000 0.000 0.164 0.028
#> GSM76093 1 0.3065 0.6856 0.820 0.000 0.000 0.000 0.152 0.028
#> GSM76094 5 0.4467 -0.0774 0.000 0.028 0.000 0.000 0.508 0.464
#> GSM76095 5 0.2377 0.6197 0.124 0.000 0.004 0.000 0.868 0.004
#> GSM76096 5 0.0865 0.6110 0.036 0.000 0.000 0.000 0.964 0.000
#> GSM76097 5 0.5059 0.1644 0.080 0.392 0.000 0.000 0.528 0.000
#> GSM76098 3 0.0632 0.8513 0.000 0.000 0.976 0.000 0.000 0.024
#> GSM76099 1 0.4139 0.3478 0.640 0.000 0.000 0.000 0.336 0.024
#> GSM76100 5 0.3584 0.3710 0.308 0.000 0.000 0.000 0.688 0.004
#> GSM76101 1 0.3065 0.6856 0.820 0.000 0.000 0.000 0.152 0.028
#> GSM76102 5 0.3371 0.6155 0.036 0.116 0.020 0.000 0.828 0.000
#> GSM76103 3 0.2996 0.6956 0.228 0.000 0.772 0.000 0.000 0.000
#> GSM76104 3 0.2624 0.8222 0.000 0.000 0.880 0.024 0.016 0.080
#> GSM76105 5 0.3727 0.2014 0.000 0.000 0.000 0.000 0.612 0.388
#> GSM76106 3 0.3122 0.7749 0.000 0.000 0.816 0.020 0.004 0.160
#> GSM76107 4 0.1141 0.9047 0.000 0.000 0.000 0.948 0.052 0.000
#> GSM76108 5 0.2595 0.5968 0.160 0.004 0.000 0.000 0.836 0.000
#> GSM76109 1 0.3065 0.6856 0.820 0.000 0.000 0.000 0.152 0.028
#> GSM76110 1 0.3074 0.6617 0.792 0.000 0.004 0.000 0.200 0.004
#> GSM76111 5 0.3942 0.4219 0.368 0.004 0.004 0.000 0.624 0.000
#> GSM76112 1 0.2531 0.6957 0.856 0.000 0.012 0.000 0.132 0.000
#> GSM76113 3 0.4228 0.6573 0.000 0.000 0.708 0.000 0.064 0.228
#> GSM76114 1 0.2553 0.6948 0.848 0.000 0.008 0.000 0.144 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> SD:pam 110 5.02e-09 2
#> SD:pam 113 9.04e-10 3
#> SD:pam 119 3.57e-10 4
#> SD:pam 89 3.70e-11 5
#> SD:pam 97 7.56e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "mclust"]
# you can also extract it by
# res = res_list["SD:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.391 0.274 0.584 0.3413 0.584 0.584
#> 3 3 0.998 0.960 0.972 0.9189 0.550 0.345
#> 4 4 0.694 0.870 0.924 0.0446 0.740 0.417
#> 5 5 0.872 0.838 0.926 0.1284 0.885 0.642
#> 6 6 0.830 0.747 0.855 0.0432 0.918 0.676
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.9933 0.1195 0.452 0.548
#> GSM76116 2 0.9977 0.0574 0.472 0.528
#> GSM76117 1 1.0000 0.0651 0.504 0.496
#> GSM76118 1 0.9998 0.0822 0.508 0.492
#> GSM76119 1 0.2948 0.4610 0.948 0.052
#> GSM76120 1 0.2948 0.4610 0.948 0.052
#> GSM76121 1 0.9998 0.0822 0.508 0.492
#> GSM76122 2 0.9993 0.0036 0.484 0.516
#> GSM76123 1 0.2948 0.4610 0.948 0.052
#> GSM76124 1 0.9998 0.0822 0.508 0.492
#> GSM76125 1 0.2948 0.4610 0.948 0.052
#> GSM76126 1 0.2948 0.4610 0.948 0.052
#> GSM76127 1 0.2948 0.4610 0.948 0.052
#> GSM76128 1 0.2948 0.4610 0.948 0.052
#> GSM76129 2 0.9963 0.0835 0.464 0.536
#> GSM76130 1 0.2948 0.4610 0.948 0.052
#> GSM76131 2 0.0000 0.5239 0.000 1.000
#> GSM76132 2 0.0000 0.5239 0.000 1.000
#> GSM76133 2 0.0000 0.5239 0.000 1.000
#> GSM76134 2 0.9866 0.1778 0.432 0.568
#> GSM76135 2 0.0000 0.5239 0.000 1.000
#> GSM76136 2 0.0000 0.5239 0.000 1.000
#> GSM76137 1 0.8909 0.3039 0.692 0.308
#> GSM76138 2 0.9922 0.1378 0.448 0.552
#> GSM76139 2 0.8555 0.4199 0.280 0.720
#> GSM76140 1 0.9998 0.0822 0.508 0.492
#> GSM76141 2 0.0000 0.5239 0.000 1.000
#> GSM76142 2 0.0000 0.5239 0.000 1.000
#> GSM76143 2 0.0000 0.5239 0.000 1.000
#> GSM76144 2 0.0000 0.5239 0.000 1.000
#> GSM76145 2 0.9998 0.0201 0.492 0.508
#> GSM76146 2 0.0000 0.5239 0.000 1.000
#> GSM76147 2 0.0000 0.5239 0.000 1.000
#> GSM76148 2 0.0000 0.5239 0.000 1.000
#> GSM76149 2 0.9323 0.3411 0.348 0.652
#> GSM76150 2 0.9754 0.2345 0.408 0.592
#> GSM76151 2 0.9933 0.1307 0.452 0.548
#> GSM76152 1 0.9998 0.0822 0.508 0.492
#> GSM76153 2 0.0000 0.5239 0.000 1.000
#> GSM76154 2 0.7528 0.4544 0.216 0.784
#> GSM76155 2 0.8608 0.4170 0.284 0.716
#> GSM76156 2 0.0000 0.5239 0.000 1.000
#> GSM76030 2 0.9977 0.0574 0.472 0.528
#> GSM76031 1 0.9998 0.0822 0.508 0.492
#> GSM76032 1 0.0000 0.4896 1.000 0.000
#> GSM76033 1 0.0938 0.4843 0.988 0.012
#> GSM76034 1 1.0000 0.0431 0.500 0.500
#> GSM76035 1 0.0000 0.4896 1.000 0.000
#> GSM76036 1 0.0000 0.4896 1.000 0.000
#> GSM76037 2 0.9993 0.0036 0.484 0.516
#> GSM76038 1 0.9998 0.0822 0.508 0.492
#> GSM76039 1 0.9998 0.0822 0.508 0.492
#> GSM76040 1 0.0000 0.4896 1.000 0.000
#> GSM76041 1 0.9996 0.0838 0.512 0.488
#> GSM76042 1 0.9998 0.0822 0.508 0.492
#> GSM76043 1 0.9795 0.1581 0.584 0.416
#> GSM76044 1 0.9998 0.0822 0.508 0.492
#> GSM76045 1 0.9998 0.0822 0.508 0.492
#> GSM76046 1 0.0938 0.4843 0.988 0.012
#> GSM76047 1 0.9686 0.1845 0.604 0.396
#> GSM76048 1 0.0000 0.4896 1.000 0.000
#> GSM76049 2 0.9977 0.0574 0.472 0.528
#> GSM76050 1 0.9881 0.1302 0.564 0.436
#> GSM76051 1 0.0000 0.4896 1.000 0.000
#> GSM76052 1 0.0000 0.4896 1.000 0.000
#> GSM76053 1 0.4690 0.4544 0.900 0.100
#> GSM76054 1 0.0000 0.4896 1.000 0.000
#> GSM76055 1 1.0000 0.0651 0.504 0.496
#> GSM76056 1 1.0000 0.0651 0.504 0.496
#> GSM76057 2 0.9977 0.0574 0.472 0.528
#> GSM76058 1 0.0000 0.4896 1.000 0.000
#> GSM76059 1 0.9998 0.0822 0.508 0.492
#> GSM76060 1 1.0000 0.0651 0.504 0.496
#> GSM76061 2 0.9977 0.0574 0.472 0.528
#> GSM76062 1 0.9998 0.0822 0.508 0.492
#> GSM76063 1 0.9087 0.2765 0.676 0.324
#> GSM76064 1 0.9044 0.2770 0.680 0.320
#> GSM76065 2 0.9896 0.1656 0.440 0.560
#> GSM76066 1 0.6973 0.4017 0.812 0.188
#> GSM76067 1 0.0000 0.4896 1.000 0.000
#> GSM76068 1 0.0000 0.4896 1.000 0.000
#> GSM76069 1 0.9998 0.0822 0.508 0.492
#> GSM76070 2 0.8813 0.4019 0.300 0.700
#> GSM76071 1 0.9998 0.0822 0.508 0.492
#> GSM76072 1 0.9998 0.0822 0.508 0.492
#> GSM76073 1 0.9998 0.0822 0.508 0.492
#> GSM76074 1 0.9998 0.0822 0.508 0.492
#> GSM76075 1 0.0000 0.4896 1.000 0.000
#> GSM76076 1 0.0000 0.4896 1.000 0.000
#> GSM76077 1 1.0000 0.0651 0.504 0.496
#> GSM76078 1 0.6438 0.4179 0.836 0.164
#> GSM76079 1 0.9998 0.0822 0.508 0.492
#> GSM76080 1 0.0376 0.4877 0.996 0.004
#> GSM76081 1 0.0000 0.4896 1.000 0.000
#> GSM76082 1 0.0000 0.4896 1.000 0.000
#> GSM76083 1 0.0000 0.4896 1.000 0.000
#> GSM76084 1 0.4022 0.4674 0.920 0.080
#> GSM76085 1 0.0000 0.4896 1.000 0.000
#> GSM76086 1 0.0000 0.4896 1.000 0.000
#> GSM76087 2 0.8955 0.3893 0.312 0.688
#> GSM76088 2 1.0000 -0.0632 0.496 0.504
#> GSM76089 2 0.9710 0.2557 0.400 0.600
#> GSM76090 1 0.0000 0.4896 1.000 0.000
#> GSM76091 1 0.9998 0.0822 0.508 0.492
#> GSM76092 1 0.9998 0.0822 0.508 0.492
#> GSM76093 1 0.9998 0.0822 0.508 0.492
#> GSM76094 1 1.0000 0.0651 0.504 0.496
#> GSM76095 1 1.0000 0.0651 0.504 0.496
#> GSM76096 1 0.9998 0.0822 0.508 0.492
#> GSM76097 1 0.9998 0.0822 0.508 0.492
#> GSM76098 1 0.0000 0.4896 1.000 0.000
#> GSM76099 1 0.9998 0.0822 0.508 0.492
#> GSM76100 1 0.9998 0.0822 0.508 0.492
#> GSM76101 1 0.9998 0.0822 0.508 0.492
#> GSM76102 1 0.9998 0.0822 0.508 0.492
#> GSM76103 1 0.0000 0.4896 1.000 0.000
#> GSM76104 1 0.1184 0.4820 0.984 0.016
#> GSM76105 1 0.9998 0.0822 0.508 0.492
#> GSM76106 1 0.2423 0.4688 0.960 0.040
#> GSM76107 1 0.2948 0.4610 0.948 0.052
#> GSM76108 1 0.9998 0.0822 0.508 0.492
#> GSM76109 1 0.9998 0.0822 0.508 0.492
#> GSM76110 1 0.9998 0.0822 0.508 0.492
#> GSM76111 1 0.9998 0.0822 0.508 0.492
#> GSM76112 1 0.9993 0.0849 0.516 0.484
#> GSM76113 1 0.9998 0.0822 0.508 0.492
#> GSM76114 1 0.9998 0.0822 0.508 0.492
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.1031 0.974 0.024 0.976 0.000
#> GSM76116 2 0.1411 0.973 0.036 0.964 0.000
#> GSM76117 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76118 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76119 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76120 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76121 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76122 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76123 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76124 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76125 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76126 3 0.3415 0.904 0.020 0.080 0.900
#> GSM76127 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76128 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76129 2 0.1411 0.973 0.036 0.964 0.000
#> GSM76130 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76131 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76134 2 0.0892 0.973 0.020 0.980 0.000
#> GSM76135 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76136 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76137 2 0.1315 0.972 0.020 0.972 0.008
#> GSM76138 2 0.1163 0.973 0.028 0.972 0.000
#> GSM76139 2 0.0592 0.972 0.012 0.988 0.000
#> GSM76140 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76141 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76145 2 0.1129 0.973 0.020 0.976 0.004
#> GSM76146 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76147 2 0.0424 0.971 0.008 0.992 0.000
#> GSM76148 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76149 2 0.0892 0.973 0.020 0.980 0.000
#> GSM76150 2 0.0892 0.973 0.020 0.980 0.000
#> GSM76151 2 0.1129 0.973 0.020 0.976 0.004
#> GSM76152 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76153 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76154 2 0.0747 0.973 0.016 0.984 0.000
#> GSM76155 2 0.0747 0.973 0.016 0.984 0.000
#> GSM76156 2 0.0000 0.967 0.000 1.000 0.000
#> GSM76030 2 0.1860 0.957 0.052 0.948 0.000
#> GSM76031 1 0.2066 0.924 0.940 0.060 0.000
#> GSM76032 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76033 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76034 2 0.1453 0.973 0.024 0.968 0.008
#> GSM76035 3 0.1711 0.966 0.032 0.008 0.960
#> GSM76036 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76037 2 0.1411 0.973 0.036 0.964 0.000
#> GSM76038 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76039 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76040 3 0.0424 0.980 0.008 0.000 0.992
#> GSM76041 1 0.0661 0.974 0.988 0.008 0.004
#> GSM76042 2 0.1643 0.970 0.044 0.956 0.000
#> GSM76043 1 0.1170 0.966 0.976 0.008 0.016
#> GSM76044 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76045 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76046 3 0.0892 0.975 0.020 0.000 0.980
#> GSM76047 1 0.0848 0.973 0.984 0.008 0.008
#> GSM76048 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76049 1 0.6079 0.352 0.612 0.388 0.000
#> GSM76050 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76051 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76052 3 0.0747 0.978 0.016 0.000 0.984
#> GSM76053 2 0.6387 0.582 0.020 0.680 0.300
#> GSM76054 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76055 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76056 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76057 1 0.0747 0.974 0.984 0.016 0.000
#> GSM76058 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76059 1 0.0000 0.975 1.000 0.000 0.000
#> GSM76060 1 0.0829 0.974 0.984 0.012 0.004
#> GSM76061 1 0.2356 0.923 0.928 0.072 0.000
#> GSM76062 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76063 2 0.3045 0.930 0.020 0.916 0.064
#> GSM76064 1 0.0848 0.972 0.984 0.008 0.008
#> GSM76065 2 0.1411 0.973 0.036 0.964 0.000
#> GSM76066 1 0.0848 0.972 0.984 0.008 0.008
#> GSM76067 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76068 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76069 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76070 2 0.0892 0.973 0.020 0.980 0.000
#> GSM76071 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76072 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76073 1 0.0000 0.975 1.000 0.000 0.000
#> GSM76074 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76075 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76076 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76077 1 0.0747 0.974 0.984 0.016 0.000
#> GSM76078 1 0.2772 0.912 0.916 0.004 0.080
#> GSM76079 1 0.0000 0.975 1.000 0.000 0.000
#> GSM76080 3 0.1031 0.975 0.024 0.000 0.976
#> GSM76081 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76082 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76083 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76084 2 0.6387 0.581 0.020 0.680 0.300
#> GSM76085 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76086 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76087 2 0.0747 0.973 0.016 0.984 0.000
#> GSM76088 1 0.0829 0.974 0.984 0.012 0.004
#> GSM76089 2 0.0892 0.973 0.020 0.980 0.000
#> GSM76090 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76091 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76092 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76093 1 0.0000 0.975 1.000 0.000 0.000
#> GSM76094 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76095 1 0.1031 0.961 0.976 0.024 0.000
#> GSM76096 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76097 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76098 3 0.0237 0.981 0.004 0.000 0.996
#> GSM76099 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76100 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76101 1 0.0000 0.975 1.000 0.000 0.000
#> GSM76102 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76103 3 0.0892 0.973 0.020 0.000 0.980
#> GSM76104 3 0.1031 0.975 0.024 0.000 0.976
#> GSM76105 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76106 3 0.1315 0.974 0.020 0.008 0.972
#> GSM76107 3 0.4397 0.854 0.028 0.116 0.856
#> GSM76108 2 0.1529 0.972 0.040 0.960 0.000
#> GSM76109 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76110 1 0.0237 0.975 0.996 0.004 0.000
#> GSM76111 1 0.0592 0.975 0.988 0.012 0.000
#> GSM76112 1 0.0424 0.976 0.992 0.008 0.000
#> GSM76113 2 0.1482 0.972 0.020 0.968 0.012
#> GSM76114 1 0.0424 0.976 0.992 0.008 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.3991 0.8829 0.172 0.808 0.020 0.000
#> GSM76116 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76117 1 0.1256 0.9316 0.964 0.008 0.000 0.028
#> GSM76118 1 0.1510 0.9266 0.956 0.016 0.000 0.028
#> GSM76119 4 0.0921 0.9376 0.000 0.000 0.028 0.972
#> GSM76120 4 0.0921 0.9376 0.000 0.000 0.028 0.972
#> GSM76121 1 0.1059 0.9327 0.972 0.000 0.016 0.012
#> GSM76122 1 0.2775 0.8606 0.896 0.084 0.000 0.020
#> GSM76123 4 0.0921 0.9376 0.000 0.000 0.028 0.972
#> GSM76124 1 0.2124 0.9059 0.932 0.040 0.000 0.028
#> GSM76125 4 0.0921 0.9376 0.000 0.000 0.028 0.972
#> GSM76126 4 0.4381 0.7629 0.160 0.008 0.028 0.804
#> GSM76127 4 0.0921 0.9376 0.000 0.000 0.028 0.972
#> GSM76128 4 0.0921 0.9376 0.000 0.000 0.028 0.972
#> GSM76129 2 0.3681 0.8848 0.176 0.816 0.008 0.000
#> GSM76130 4 0.0921 0.9376 0.000 0.000 0.028 0.972
#> GSM76131 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76134 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76135 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76137 2 0.3853 0.8894 0.160 0.820 0.020 0.000
#> GSM76138 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76139 2 0.2469 0.8769 0.108 0.892 0.000 0.000
#> GSM76140 1 0.0921 0.9347 0.972 0.000 0.000 0.028
#> GSM76141 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76145 2 0.3853 0.8894 0.160 0.820 0.020 0.000
#> GSM76146 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0817 0.8337 0.024 0.976 0.000 0.000
#> GSM76148 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76149 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76150 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76151 2 0.3853 0.8894 0.160 0.820 0.020 0.000
#> GSM76152 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76153 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76154 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76155 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76156 2 0.0000 0.8196 0.000 1.000 0.000 0.000
#> GSM76030 2 0.3853 0.8894 0.160 0.820 0.020 0.000
#> GSM76031 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76032 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76033 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76034 2 0.3853 0.8894 0.160 0.820 0.020 0.000
#> GSM76035 3 0.2647 0.7978 0.120 0.000 0.880 0.000
#> GSM76036 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76037 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76038 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76039 1 0.0921 0.9347 0.972 0.000 0.000 0.028
#> GSM76040 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76041 1 0.4134 0.6178 0.740 0.000 0.260 0.000
#> GSM76042 1 0.1042 0.9306 0.972 0.000 0.020 0.008
#> GSM76043 3 0.3942 0.6588 0.236 0.000 0.764 0.000
#> GSM76044 1 0.1109 0.9337 0.968 0.004 0.000 0.028
#> GSM76045 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76046 3 0.0188 0.9159 0.004 0.000 0.996 0.000
#> GSM76047 1 0.4989 0.0672 0.528 0.000 0.472 0.000
#> GSM76048 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76049 2 0.3946 0.8862 0.168 0.812 0.020 0.000
#> GSM76050 1 0.2216 0.8573 0.908 0.000 0.092 0.000
#> GSM76051 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76052 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76053 1 0.6275 0.5167 0.640 0.104 0.256 0.000
#> GSM76054 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76055 2 0.5731 0.4145 0.428 0.544 0.000 0.028
#> GSM76056 1 0.4220 0.5904 0.748 0.248 0.004 0.000
#> GSM76057 2 0.3946 0.8862 0.168 0.812 0.020 0.000
#> GSM76058 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76059 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76060 2 0.4050 0.8845 0.168 0.808 0.024 0.000
#> GSM76061 2 0.3946 0.8862 0.168 0.812 0.020 0.000
#> GSM76062 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76063 3 0.4944 0.6725 0.072 0.160 0.768 0.000
#> GSM76064 3 0.3649 0.7006 0.204 0.000 0.796 0.000
#> GSM76065 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76066 3 0.0921 0.8959 0.028 0.000 0.972 0.000
#> GSM76067 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76068 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76069 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76070 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76071 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76075 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76076 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76077 2 0.4855 0.7712 0.268 0.712 0.020 0.000
#> GSM76078 3 0.0336 0.9131 0.008 0.000 0.992 0.000
#> GSM76079 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76080 3 0.0469 0.9095 0.012 0.000 0.988 0.000
#> GSM76081 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76082 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76083 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76084 3 0.5770 0.5924 0.140 0.148 0.712 0.000
#> GSM76085 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76086 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76087 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76088 2 0.3991 0.8837 0.172 0.808 0.020 0.000
#> GSM76089 2 0.3172 0.8948 0.160 0.840 0.000 0.000
#> GSM76090 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76091 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76094 1 0.2699 0.8753 0.904 0.068 0.000 0.028
#> GSM76095 1 0.0336 0.9393 0.992 0.008 0.000 0.000
#> GSM76096 1 0.0592 0.9385 0.984 0.000 0.000 0.016
#> GSM76097 1 0.0921 0.9347 0.972 0.000 0.000 0.028
#> GSM76098 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76099 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76100 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76101 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76102 1 0.1059 0.9327 0.972 0.000 0.016 0.012
#> GSM76103 3 0.0000 0.9185 0.000 0.000 1.000 0.000
#> GSM76104 3 0.3024 0.7631 0.148 0.000 0.852 0.000
#> GSM76105 1 0.1109 0.9334 0.968 0.004 0.000 0.028
#> GSM76106 3 0.3105 0.7717 0.140 0.000 0.856 0.004
#> GSM76107 4 0.4010 0.7750 0.156 0.000 0.028 0.816
#> GSM76108 1 0.0921 0.9347 0.972 0.000 0.000 0.028
#> GSM76109 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76111 1 0.0000 0.9429 1.000 0.000 0.000 0.000
#> GSM76112 3 0.4624 0.5130 0.340 0.000 0.660 0.000
#> GSM76113 2 0.4701 0.8596 0.164 0.780 0.056 0.000
#> GSM76114 1 0.0000 0.9429 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.4278 0.2568 0.000 0.548 0.000 0.000 0.452
#> GSM76116 2 0.3039 0.7764 0.012 0.836 0.000 0.000 0.152
#> GSM76117 5 0.0510 0.9654 0.016 0.000 0.000 0.000 0.984
#> GSM76118 5 0.0510 0.9654 0.016 0.000 0.000 0.000 0.984
#> GSM76119 4 0.0000 0.9635 0.000 0.000 0.000 1.000 0.000
#> GSM76120 4 0.0000 0.9635 0.000 0.000 0.000 1.000 0.000
#> GSM76121 5 0.0671 0.9640 0.016 0.000 0.004 0.000 0.980
#> GSM76122 5 0.0566 0.9603 0.012 0.004 0.000 0.000 0.984
#> GSM76123 4 0.0000 0.9635 0.000 0.000 0.000 1.000 0.000
#> GSM76124 5 0.0609 0.9680 0.020 0.000 0.000 0.000 0.980
#> GSM76125 4 0.0000 0.9635 0.000 0.000 0.000 1.000 0.000
#> GSM76126 4 0.4623 0.7851 0.016 0.128 0.024 0.788 0.044
#> GSM76127 4 0.0000 0.9635 0.000 0.000 0.000 1.000 0.000
#> GSM76128 4 0.0794 0.9439 0.000 0.000 0.028 0.972 0.000
#> GSM76129 2 0.4650 0.1570 0.012 0.520 0.000 0.000 0.468
#> GSM76130 4 0.0000 0.9635 0.000 0.000 0.000 1.000 0.000
#> GSM76131 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76132 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76133 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76134 2 0.0703 0.8538 0.000 0.976 0.000 0.000 0.024
#> GSM76135 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76136 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76137 2 0.0992 0.8521 0.008 0.968 0.000 0.000 0.024
#> GSM76138 2 0.0794 0.8537 0.000 0.972 0.000 0.000 0.028
#> GSM76139 2 0.0404 0.8546 0.000 0.988 0.000 0.000 0.012
#> GSM76140 5 0.0794 0.9687 0.028 0.000 0.000 0.000 0.972
#> GSM76141 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76142 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76143 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76144 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76145 2 0.1186 0.8508 0.008 0.964 0.008 0.000 0.020
#> GSM76146 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76147 2 0.0510 0.8548 0.000 0.984 0.000 0.000 0.016
#> GSM76148 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76149 2 0.0703 0.8538 0.000 0.976 0.000 0.000 0.024
#> GSM76150 2 0.0703 0.8538 0.000 0.976 0.000 0.000 0.024
#> GSM76151 2 0.0992 0.8521 0.008 0.968 0.000 0.000 0.024
#> GSM76152 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
#> GSM76153 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76154 2 0.0703 0.8538 0.000 0.976 0.000 0.000 0.024
#> GSM76155 2 0.0703 0.8538 0.000 0.976 0.000 0.000 0.024
#> GSM76156 2 0.0162 0.8545 0.000 0.996 0.000 0.000 0.004
#> GSM76030 2 0.3052 0.8062 0.016 0.876 0.036 0.000 0.072
#> GSM76031 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
#> GSM76032 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76033 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76034 2 0.4406 0.7343 0.016 0.768 0.044 0.000 0.172
#> GSM76035 3 0.0290 0.9411 0.008 0.000 0.992 0.000 0.000
#> GSM76036 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76037 2 0.4659 0.1225 0.012 0.500 0.000 0.000 0.488
#> GSM76038 1 0.0579 0.9309 0.984 0.000 0.008 0.000 0.008
#> GSM76039 5 0.0794 0.9687 0.028 0.000 0.000 0.000 0.972
#> GSM76040 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76041 1 0.0609 0.9231 0.980 0.000 0.020 0.000 0.000
#> GSM76042 5 0.1410 0.9465 0.060 0.000 0.000 0.000 0.940
#> GSM76043 3 0.1270 0.9016 0.052 0.000 0.948 0.000 0.000
#> GSM76044 5 0.0703 0.9695 0.024 0.000 0.000 0.000 0.976
#> GSM76045 1 0.0404 0.9299 0.988 0.000 0.012 0.000 0.000
#> GSM76046 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76047 3 0.3353 0.7180 0.196 0.000 0.796 0.000 0.008
#> GSM76048 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76049 2 0.5089 0.5707 0.028 0.664 0.024 0.000 0.284
#> GSM76050 1 0.0609 0.9238 0.980 0.000 0.020 0.000 0.000
#> GSM76051 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76052 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76053 3 0.6498 -0.0377 0.016 0.120 0.436 0.000 0.428
#> GSM76054 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76055 5 0.0703 0.9695 0.024 0.000 0.000 0.000 0.976
#> GSM76056 1 0.6153 0.0223 0.460 0.132 0.000 0.000 0.408
#> GSM76057 2 0.4891 0.6775 0.036 0.732 0.036 0.000 0.196
#> GSM76058 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76059 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76060 3 0.5501 0.1381 0.036 0.412 0.536 0.000 0.016
#> GSM76061 2 0.3959 0.7546 0.024 0.808 0.028 0.000 0.140
#> GSM76062 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.3989 0.6076 0.008 0.728 0.260 0.000 0.004
#> GSM76064 3 0.2074 0.8445 0.104 0.000 0.896 0.000 0.000
#> GSM76065 2 0.3304 0.7589 0.016 0.816 0.000 0.000 0.168
#> GSM76066 1 0.3561 0.6088 0.740 0.000 0.260 0.000 0.000
#> GSM76067 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76068 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76069 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76070 2 0.0912 0.8524 0.012 0.972 0.000 0.000 0.016
#> GSM76071 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76074 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76075 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76076 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76077 2 0.6937 0.0637 0.132 0.424 0.036 0.000 0.408
#> GSM76078 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76079 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76080 3 0.0451 0.9389 0.008 0.000 0.988 0.000 0.004
#> GSM76081 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76082 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76083 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76084 2 0.4380 0.5698 0.008 0.692 0.288 0.000 0.012
#> GSM76085 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76086 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76087 2 0.0703 0.8538 0.000 0.976 0.000 0.000 0.024
#> GSM76088 2 0.7535 0.1952 0.340 0.440 0.100 0.000 0.120
#> GSM76089 2 0.0798 0.8530 0.008 0.976 0.000 0.000 0.016
#> GSM76090 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76091 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76093 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76094 5 0.0510 0.9654 0.016 0.000 0.000 0.000 0.984
#> GSM76095 5 0.1341 0.9500 0.056 0.000 0.000 0.000 0.944
#> GSM76096 5 0.1270 0.9530 0.052 0.000 0.000 0.000 0.948
#> GSM76097 5 0.0794 0.9687 0.028 0.000 0.000 0.000 0.972
#> GSM76098 3 0.0162 0.9438 0.004 0.000 0.996 0.000 0.000
#> GSM76099 1 0.0404 0.9365 0.988 0.000 0.000 0.000 0.012
#> GSM76100 1 0.3074 0.7389 0.804 0.000 0.000 0.000 0.196
#> GSM76101 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76102 5 0.3430 0.7234 0.220 0.000 0.004 0.000 0.776
#> GSM76103 3 0.0000 0.9462 0.000 0.000 1.000 0.000 0.000
#> GSM76104 3 0.0451 0.9389 0.008 0.000 0.988 0.000 0.004
#> GSM76105 5 0.0703 0.9695 0.024 0.000 0.000 0.000 0.976
#> GSM76106 3 0.0867 0.9317 0.008 0.000 0.976 0.008 0.008
#> GSM76107 4 0.1679 0.9322 0.012 0.004 0.016 0.948 0.020
#> GSM76108 5 0.0794 0.9687 0.028 0.000 0.000 0.000 0.972
#> GSM76109 1 0.0290 0.9383 0.992 0.000 0.000 0.000 0.008
#> GSM76110 1 0.0404 0.9365 0.988 0.000 0.000 0.000 0.012
#> GSM76111 1 0.3395 0.6708 0.764 0.000 0.000 0.000 0.236
#> GSM76112 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
#> GSM76113 2 0.5424 0.1032 0.020 0.492 0.464 0.000 0.024
#> GSM76114 1 0.0000 0.9376 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 2 0.4371 0.4623 0.000 0.620 0.000 0.000 0.344 0.036
#> GSM76116 2 0.2871 0.7620 0.000 0.804 0.000 0.000 0.192 0.004
#> GSM76117 5 0.0000 0.9004 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76118 5 0.0000 0.9004 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76119 4 0.0000 0.9759 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.9759 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 5 0.0909 0.8877 0.012 0.000 0.020 0.000 0.968 0.000
#> GSM76122 5 0.0000 0.9004 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76123 4 0.0000 0.9759 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.0000 0.9004 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76125 4 0.0000 0.9759 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76126 3 0.5355 -0.1383 0.000 0.040 0.472 0.460 0.012 0.016
#> GSM76127 4 0.0000 0.9759 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.1327 0.9079 0.000 0.000 0.064 0.936 0.000 0.000
#> GSM76129 2 0.4252 0.4054 0.000 0.604 0.000 0.000 0.372 0.024
#> GSM76130 4 0.0000 0.9759 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.1910 0.8662 0.000 0.892 0.000 0.000 0.000 0.108
#> GSM76132 2 0.1863 0.8669 0.000 0.896 0.000 0.000 0.000 0.104
#> GSM76133 2 0.1910 0.8662 0.000 0.892 0.000 0.000 0.000 0.108
#> GSM76134 2 0.1082 0.8745 0.000 0.956 0.000 0.000 0.004 0.040
#> GSM76135 2 0.1007 0.8786 0.000 0.956 0.000 0.000 0.000 0.044
#> GSM76136 2 0.1910 0.8662 0.000 0.892 0.000 0.000 0.000 0.108
#> GSM76137 2 0.1708 0.8678 0.000 0.932 0.024 0.000 0.004 0.040
#> GSM76138 2 0.1480 0.8722 0.000 0.940 0.000 0.000 0.020 0.040
#> GSM76139 2 0.0547 0.8795 0.000 0.980 0.000 0.000 0.000 0.020
#> GSM76140 5 0.0260 0.9011 0.008 0.000 0.000 0.000 0.992 0.000
#> GSM76141 2 0.1444 0.8747 0.000 0.928 0.000 0.000 0.000 0.072
#> GSM76142 2 0.1910 0.8662 0.000 0.892 0.000 0.000 0.000 0.108
#> GSM76143 2 0.1863 0.8669 0.000 0.896 0.000 0.000 0.000 0.104
#> GSM76144 2 0.1863 0.8669 0.000 0.896 0.000 0.000 0.000 0.104
#> GSM76145 2 0.2237 0.8431 0.000 0.896 0.080 0.000 0.004 0.020
#> GSM76146 2 0.1327 0.8763 0.000 0.936 0.000 0.000 0.000 0.064
#> GSM76147 2 0.0547 0.8794 0.000 0.980 0.000 0.000 0.000 0.020
#> GSM76148 2 0.1141 0.8781 0.000 0.948 0.000 0.000 0.000 0.052
#> GSM76149 2 0.1082 0.8745 0.000 0.956 0.000 0.000 0.004 0.040
#> GSM76150 2 0.1082 0.8745 0.000 0.956 0.000 0.000 0.004 0.040
#> GSM76151 2 0.1536 0.8708 0.000 0.940 0.016 0.000 0.004 0.040
#> GSM76152 1 0.0405 0.9235 0.988 0.000 0.008 0.000 0.004 0.000
#> GSM76153 2 0.1910 0.8662 0.000 0.892 0.000 0.000 0.000 0.108
#> GSM76154 2 0.1082 0.8745 0.000 0.956 0.000 0.000 0.004 0.040
#> GSM76155 2 0.0935 0.8758 0.000 0.964 0.000 0.000 0.004 0.032
#> GSM76156 2 0.1075 0.8782 0.000 0.952 0.000 0.000 0.000 0.048
#> GSM76030 2 0.3934 0.7469 0.012 0.780 0.068 0.000 0.140 0.000
#> GSM76031 1 0.0806 0.9171 0.972 0.000 0.020 0.000 0.008 0.000
#> GSM76032 6 0.3843 0.6860 0.000 0.000 0.452 0.000 0.000 0.548
#> GSM76033 3 0.0865 0.7014 0.000 0.000 0.964 0.000 0.000 0.036
#> GSM76034 3 0.4726 0.2950 0.000 0.352 0.600 0.000 0.036 0.012
#> GSM76035 3 0.0000 0.7180 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76036 3 0.1444 0.6631 0.000 0.000 0.928 0.000 0.000 0.072
#> GSM76037 2 0.2996 0.7260 0.000 0.772 0.000 0.000 0.228 0.000
#> GSM76038 1 0.1245 0.9029 0.952 0.000 0.032 0.000 0.016 0.000
#> GSM76039 5 0.0363 0.9002 0.012 0.000 0.000 0.000 0.988 0.000
#> GSM76040 3 0.0146 0.7173 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM76041 1 0.1575 0.8891 0.936 0.000 0.032 0.000 0.000 0.032
#> GSM76042 5 0.2019 0.8452 0.088 0.000 0.012 0.000 0.900 0.000
#> GSM76043 3 0.3092 0.5710 0.016 0.000 0.852 0.000 0.088 0.044
#> GSM76044 5 0.0000 0.9004 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76045 1 0.2101 0.8808 0.912 0.000 0.028 0.000 0.008 0.052
#> GSM76046 3 0.0000 0.7180 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76047 3 0.5722 0.1168 0.260 0.000 0.576 0.000 0.144 0.020
#> GSM76048 3 0.1007 0.6954 0.000 0.000 0.956 0.000 0.000 0.044
#> GSM76049 5 0.7454 0.2201 0.028 0.284 0.056 0.000 0.376 0.256
#> GSM76050 1 0.0865 0.9068 0.964 0.000 0.036 0.000 0.000 0.000
#> GSM76051 3 0.2883 0.3981 0.000 0.000 0.788 0.000 0.000 0.212
#> GSM76052 3 0.0146 0.7173 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM76053 3 0.3915 0.3880 0.000 0.012 0.696 0.000 0.284 0.008
#> GSM76054 3 0.1141 0.6868 0.000 0.000 0.948 0.000 0.000 0.052
#> GSM76055 5 0.0260 0.9011 0.008 0.000 0.000 0.000 0.992 0.000
#> GSM76056 1 0.7021 -0.0908 0.344 0.048 0.004 0.000 0.296 0.308
#> GSM76057 6 0.7935 -0.1777 0.044 0.292 0.084 0.000 0.272 0.308
#> GSM76058 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76059 1 0.0146 0.9266 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76060 6 0.5261 0.3570 0.028 0.080 0.112 0.000 0.056 0.724
#> GSM76061 2 0.7221 0.2835 0.024 0.444 0.080 0.000 0.144 0.308
#> GSM76062 1 0.0146 0.9253 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76063 2 0.3601 0.5819 0.000 0.684 0.312 0.000 0.000 0.004
#> GSM76064 3 0.5855 -0.0915 0.304 0.000 0.512 0.000 0.008 0.176
#> GSM76065 2 0.2989 0.7698 0.004 0.812 0.000 0.000 0.176 0.008
#> GSM76066 1 0.3612 0.7155 0.780 0.000 0.052 0.000 0.000 0.168
#> GSM76067 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76068 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76069 1 0.1124 0.9078 0.956 0.000 0.000 0.000 0.036 0.008
#> GSM76070 2 0.1151 0.8728 0.000 0.956 0.032 0.000 0.000 0.012
#> GSM76071 1 0.0000 0.9258 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9258 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.0146 0.9266 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76074 1 0.0260 0.9253 0.992 0.000 0.000 0.000 0.008 0.000
#> GSM76075 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76076 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76077 5 0.7909 0.2471 0.148 0.080 0.080 0.000 0.384 0.308
#> GSM76078 6 0.2416 0.4590 0.000 0.000 0.156 0.000 0.000 0.844
#> GSM76079 1 0.0146 0.9266 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76080 3 0.0146 0.7177 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM76081 3 0.0790 0.7040 0.000 0.000 0.968 0.000 0.000 0.032
#> GSM76082 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76083 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76084 3 0.3874 0.3101 0.000 0.356 0.636 0.000 0.000 0.008
#> GSM76085 3 0.2941 0.3781 0.000 0.000 0.780 0.000 0.000 0.220
#> GSM76086 6 0.3966 0.6883 0.004 0.000 0.444 0.000 0.000 0.552
#> GSM76087 2 0.1082 0.8745 0.000 0.956 0.000 0.000 0.004 0.040
#> GSM76088 6 0.7826 0.0620 0.196 0.084 0.084 0.000 0.180 0.456
#> GSM76089 2 0.1053 0.8742 0.000 0.964 0.020 0.000 0.004 0.012
#> GSM76090 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76091 1 0.0000 0.9258 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.0146 0.9266 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76093 1 0.0146 0.9266 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76094 5 0.0000 0.9004 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76095 5 0.1714 0.8486 0.092 0.000 0.000 0.000 0.908 0.000
#> GSM76096 5 0.1327 0.8691 0.064 0.000 0.000 0.000 0.936 0.000
#> GSM76097 5 0.0260 0.9011 0.008 0.000 0.000 0.000 0.992 0.000
#> GSM76098 3 0.0000 0.7180 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76099 1 0.1265 0.9015 0.948 0.000 0.000 0.000 0.044 0.008
#> GSM76100 1 0.1501 0.8753 0.924 0.000 0.000 0.000 0.076 0.000
#> GSM76101 1 0.0146 0.9266 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76102 5 0.2053 0.8291 0.108 0.000 0.004 0.000 0.888 0.000
#> GSM76103 6 0.3838 0.6933 0.000 0.000 0.448 0.000 0.000 0.552
#> GSM76104 3 0.0146 0.7177 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM76105 5 0.0000 0.9004 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76106 3 0.0291 0.7159 0.000 0.004 0.992 0.000 0.000 0.004
#> GSM76107 4 0.1973 0.9207 0.000 0.036 0.028 0.924 0.008 0.004
#> GSM76108 5 0.0508 0.8993 0.012 0.004 0.000 0.000 0.984 0.000
#> GSM76109 1 0.0146 0.9266 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76110 1 0.0260 0.9257 0.992 0.000 0.000 0.000 0.008 0.000
#> GSM76111 1 0.4486 0.2762 0.576 0.000 0.016 0.000 0.396 0.012
#> GSM76112 1 0.0146 0.9253 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76113 3 0.0993 0.6986 0.000 0.024 0.964 0.000 0.000 0.012
#> GSM76114 1 0.0260 0.9247 0.992 0.000 0.000 0.000 0.000 0.008
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> SD:mclust 14 NA 2
#> SD:mclust 126 4.38e-08 3
#> SD:mclust 125 6.40e-10 4
#> SD:mclust 118 1.59e-10 5
#> SD:mclust 108 5.31e-12 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["SD", "NMF"]
# you can also extract it by
# res = res_list["SD:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'SD' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.997 0.950 0.980 0.4994 0.500 0.500
#> 3 3 0.604 0.700 0.864 0.3302 0.723 0.502
#> 4 4 0.667 0.705 0.855 0.1211 0.765 0.429
#> 5 5 0.604 0.570 0.765 0.0682 0.895 0.625
#> 6 6 0.630 0.510 0.704 0.0407 0.913 0.622
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.982 0.000 1.000
#> GSM76116 2 0.0000 0.982 0.000 1.000
#> GSM76117 2 0.2043 0.957 0.032 0.968
#> GSM76118 2 0.2603 0.946 0.044 0.956
#> GSM76119 2 0.0000 0.982 0.000 1.000
#> GSM76120 2 0.0000 0.982 0.000 1.000
#> GSM76121 1 0.9970 0.129 0.532 0.468
#> GSM76122 2 0.0000 0.982 0.000 1.000
#> GSM76123 2 0.0000 0.982 0.000 1.000
#> GSM76124 2 0.0938 0.974 0.012 0.988
#> GSM76125 2 0.0000 0.982 0.000 1.000
#> GSM76126 2 0.0000 0.982 0.000 1.000
#> GSM76127 2 0.0000 0.982 0.000 1.000
#> GSM76128 2 0.0376 0.980 0.004 0.996
#> GSM76129 2 0.0000 0.982 0.000 1.000
#> GSM76130 2 0.0000 0.982 0.000 1.000
#> GSM76131 2 0.0000 0.982 0.000 1.000
#> GSM76132 2 0.0000 0.982 0.000 1.000
#> GSM76133 2 0.0000 0.982 0.000 1.000
#> GSM76134 2 0.0000 0.982 0.000 1.000
#> GSM76135 2 0.0000 0.982 0.000 1.000
#> GSM76136 2 0.0000 0.982 0.000 1.000
#> GSM76137 2 0.0000 0.982 0.000 1.000
#> GSM76138 2 0.0000 0.982 0.000 1.000
#> GSM76139 2 0.0000 0.982 0.000 1.000
#> GSM76140 1 0.0672 0.969 0.992 0.008
#> GSM76141 2 0.0000 0.982 0.000 1.000
#> GSM76142 2 0.0000 0.982 0.000 1.000
#> GSM76143 2 0.0000 0.982 0.000 1.000
#> GSM76144 2 0.0000 0.982 0.000 1.000
#> GSM76145 2 0.0000 0.982 0.000 1.000
#> GSM76146 2 0.0000 0.982 0.000 1.000
#> GSM76147 2 0.0000 0.982 0.000 1.000
#> GSM76148 2 0.0000 0.982 0.000 1.000
#> GSM76149 2 0.0000 0.982 0.000 1.000
#> GSM76150 2 0.0000 0.982 0.000 1.000
#> GSM76151 2 0.0000 0.982 0.000 1.000
#> GSM76152 1 0.0000 0.974 1.000 0.000
#> GSM76153 2 0.0000 0.982 0.000 1.000
#> GSM76154 2 0.0000 0.982 0.000 1.000
#> GSM76155 2 0.0000 0.982 0.000 1.000
#> GSM76156 2 0.0000 0.982 0.000 1.000
#> GSM76030 2 0.0000 0.982 0.000 1.000
#> GSM76031 1 0.0000 0.974 1.000 0.000
#> GSM76032 1 0.0000 0.974 1.000 0.000
#> GSM76033 2 0.5408 0.857 0.124 0.876
#> GSM76034 2 0.0000 0.982 0.000 1.000
#> GSM76035 1 0.4161 0.897 0.916 0.084
#> GSM76036 2 0.0000 0.982 0.000 1.000
#> GSM76037 2 0.0000 0.982 0.000 1.000
#> GSM76038 1 0.0000 0.974 1.000 0.000
#> GSM76039 1 0.0000 0.974 1.000 0.000
#> GSM76040 2 0.0000 0.982 0.000 1.000
#> GSM76041 1 0.0000 0.974 1.000 0.000
#> GSM76042 1 0.0000 0.974 1.000 0.000
#> GSM76043 1 0.0000 0.974 1.000 0.000
#> GSM76044 1 0.7883 0.691 0.764 0.236
#> GSM76045 1 0.0000 0.974 1.000 0.000
#> GSM76046 2 0.0000 0.982 0.000 1.000
#> GSM76047 1 0.0000 0.974 1.000 0.000
#> GSM76048 1 0.3584 0.914 0.932 0.068
#> GSM76049 2 0.9896 0.201 0.440 0.560
#> GSM76050 1 0.0000 0.974 1.000 0.000
#> GSM76051 2 0.3274 0.931 0.060 0.940
#> GSM76052 2 0.0000 0.982 0.000 1.000
#> GSM76053 2 0.0000 0.982 0.000 1.000
#> GSM76054 2 0.0000 0.982 0.000 1.000
#> GSM76055 2 0.3114 0.934 0.056 0.944
#> GSM76056 1 0.0000 0.974 1.000 0.000
#> GSM76057 1 0.0938 0.966 0.988 0.012
#> GSM76058 1 0.0000 0.974 1.000 0.000
#> GSM76059 1 0.0000 0.974 1.000 0.000
#> GSM76060 1 0.2236 0.945 0.964 0.036
#> GSM76061 2 0.2423 0.950 0.040 0.960
#> GSM76062 1 0.0000 0.974 1.000 0.000
#> GSM76063 2 0.0000 0.982 0.000 1.000
#> GSM76064 1 0.0000 0.974 1.000 0.000
#> GSM76065 2 0.0000 0.982 0.000 1.000
#> GSM76066 1 0.0000 0.974 1.000 0.000
#> GSM76067 1 0.0000 0.974 1.000 0.000
#> GSM76068 1 0.3879 0.906 0.924 0.076
#> GSM76069 1 0.0000 0.974 1.000 0.000
#> GSM76070 2 0.0000 0.982 0.000 1.000
#> GSM76071 1 0.0000 0.974 1.000 0.000
#> GSM76072 1 0.0000 0.974 1.000 0.000
#> GSM76073 1 0.0000 0.974 1.000 0.000
#> GSM76074 1 0.0000 0.974 1.000 0.000
#> GSM76075 1 0.0376 0.972 0.996 0.004
#> GSM76076 1 0.0672 0.969 0.992 0.008
#> GSM76077 1 0.0000 0.974 1.000 0.000
#> GSM76078 1 0.0000 0.974 1.000 0.000
#> GSM76079 1 0.0000 0.974 1.000 0.000
#> GSM76080 2 0.0000 0.982 0.000 1.000
#> GSM76081 2 0.0000 0.982 0.000 1.000
#> GSM76082 1 0.0000 0.974 1.000 0.000
#> GSM76083 2 0.7602 0.717 0.220 0.780
#> GSM76084 2 0.0000 0.982 0.000 1.000
#> GSM76085 1 0.9850 0.255 0.572 0.428
#> GSM76086 1 0.0000 0.974 1.000 0.000
#> GSM76087 2 0.0000 0.982 0.000 1.000
#> GSM76088 1 0.0000 0.974 1.000 0.000
#> GSM76089 2 0.0000 0.982 0.000 1.000
#> GSM76090 1 0.0000 0.974 1.000 0.000
#> GSM76091 1 0.0000 0.974 1.000 0.000
#> GSM76092 1 0.0000 0.974 1.000 0.000
#> GSM76093 1 0.0000 0.974 1.000 0.000
#> GSM76094 2 0.1414 0.968 0.020 0.980
#> GSM76095 1 0.0000 0.974 1.000 0.000
#> GSM76096 1 0.0000 0.974 1.000 0.000
#> GSM76097 1 0.0000 0.974 1.000 0.000
#> GSM76098 2 0.0000 0.982 0.000 1.000
#> GSM76099 1 0.0000 0.974 1.000 0.000
#> GSM76100 1 0.0000 0.974 1.000 0.000
#> GSM76101 1 0.0000 0.974 1.000 0.000
#> GSM76102 1 0.0376 0.972 0.996 0.004
#> GSM76103 1 0.0000 0.974 1.000 0.000
#> GSM76104 2 0.0376 0.980 0.004 0.996
#> GSM76105 2 0.4690 0.887 0.100 0.900
#> GSM76106 2 0.0000 0.982 0.000 1.000
#> GSM76107 2 0.0000 0.982 0.000 1.000
#> GSM76108 1 0.0000 0.974 1.000 0.000
#> GSM76109 1 0.0000 0.974 1.000 0.000
#> GSM76110 1 0.0000 0.974 1.000 0.000
#> GSM76111 1 0.0000 0.974 1.000 0.000
#> GSM76112 1 0.0000 0.974 1.000 0.000
#> GSM76113 2 0.0000 0.982 0.000 1.000
#> GSM76114 1 0.0000 0.974 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0747 0.8535 0.000 0.984 0.016
#> GSM76116 2 0.0892 0.8511 0.020 0.980 0.000
#> GSM76117 2 0.2711 0.8189 0.088 0.912 0.000
#> GSM76118 2 0.3267 0.7965 0.116 0.884 0.000
#> GSM76119 2 0.6045 0.3417 0.000 0.620 0.380
#> GSM76120 3 0.5178 0.6362 0.000 0.256 0.744
#> GSM76121 2 0.5948 0.3957 0.360 0.640 0.000
#> GSM76122 2 0.1643 0.8421 0.044 0.956 0.000
#> GSM76123 3 0.5706 0.5377 0.000 0.320 0.680
#> GSM76124 2 0.2625 0.8211 0.084 0.916 0.000
#> GSM76125 3 0.6154 0.3402 0.000 0.408 0.592
#> GSM76126 3 0.6309 0.0431 0.000 0.500 0.500
#> GSM76127 3 0.5760 0.5233 0.000 0.328 0.672
#> GSM76128 3 0.0237 0.8126 0.000 0.004 0.996
#> GSM76129 2 0.0424 0.8543 0.008 0.992 0.000
#> GSM76130 2 0.5733 0.4793 0.000 0.676 0.324
#> GSM76131 2 0.1529 0.8451 0.000 0.960 0.040
#> GSM76132 2 0.1411 0.8474 0.000 0.964 0.036
#> GSM76133 2 0.0000 0.8550 0.000 1.000 0.000
#> GSM76134 2 0.3116 0.7975 0.000 0.892 0.108
#> GSM76135 2 0.0237 0.8549 0.004 0.996 0.000
#> GSM76136 2 0.1753 0.8416 0.000 0.952 0.048
#> GSM76137 2 0.6111 0.2951 0.000 0.604 0.396
#> GSM76138 2 0.0848 0.8557 0.008 0.984 0.008
#> GSM76139 2 0.3267 0.7900 0.000 0.884 0.116
#> GSM76140 1 0.6274 0.1983 0.544 0.456 0.000
#> GSM76141 2 0.0000 0.8550 0.000 1.000 0.000
#> GSM76142 2 0.0237 0.8552 0.000 0.996 0.004
#> GSM76143 2 0.0237 0.8553 0.000 0.996 0.004
#> GSM76144 2 0.0000 0.8550 0.000 1.000 0.000
#> GSM76145 3 0.6305 0.1106 0.000 0.484 0.516
#> GSM76146 2 0.0237 0.8552 0.000 0.996 0.004
#> GSM76147 2 0.0424 0.8543 0.008 0.992 0.000
#> GSM76148 2 0.1289 0.8481 0.000 0.968 0.032
#> GSM76149 2 0.4291 0.7192 0.000 0.820 0.180
#> GSM76150 2 0.1964 0.8376 0.000 0.944 0.056
#> GSM76151 2 0.5678 0.4969 0.000 0.684 0.316
#> GSM76152 1 0.0424 0.8271 0.992 0.000 0.008
#> GSM76153 2 0.2066 0.8345 0.000 0.940 0.060
#> GSM76154 2 0.2448 0.8244 0.000 0.924 0.076
#> GSM76155 2 0.0424 0.8546 0.000 0.992 0.008
#> GSM76156 2 0.0424 0.8543 0.008 0.992 0.000
#> GSM76030 2 0.1399 0.8516 0.004 0.968 0.028
#> GSM76031 1 0.0747 0.8256 0.984 0.000 0.016
#> GSM76032 3 0.4796 0.5955 0.220 0.000 0.780
#> GSM76033 3 0.0000 0.8113 0.000 0.000 1.000
#> GSM76034 2 0.6126 0.2851 0.000 0.600 0.400
#> GSM76035 3 0.3192 0.7340 0.112 0.000 0.888
#> GSM76036 3 0.0592 0.8138 0.000 0.012 0.988
#> GSM76037 2 0.0747 0.8523 0.016 0.984 0.000
#> GSM76038 1 0.1031 0.8236 0.976 0.000 0.024
#> GSM76039 1 0.5968 0.4339 0.636 0.364 0.000
#> GSM76040 3 0.0424 0.8134 0.000 0.008 0.992
#> GSM76041 1 0.2261 0.8030 0.932 0.000 0.068
#> GSM76042 1 0.2625 0.7986 0.916 0.084 0.000
#> GSM76043 1 0.5650 0.5486 0.688 0.000 0.312
#> GSM76044 2 0.4974 0.6402 0.236 0.764 0.000
#> GSM76045 1 0.0592 0.8266 0.988 0.000 0.012
#> GSM76046 3 0.1163 0.8128 0.000 0.028 0.972
#> GSM76047 1 0.4931 0.6590 0.768 0.000 0.232
#> GSM76048 3 0.1163 0.7996 0.028 0.000 0.972
#> GSM76049 2 0.4504 0.7035 0.196 0.804 0.000
#> GSM76050 1 0.4062 0.7316 0.836 0.000 0.164
#> GSM76051 3 0.0237 0.8101 0.004 0.000 0.996
#> GSM76052 3 0.0424 0.8135 0.000 0.008 0.992
#> GSM76053 3 0.5560 0.5735 0.000 0.300 0.700
#> GSM76054 3 0.0592 0.8138 0.000 0.012 0.988
#> GSM76055 2 0.3116 0.8051 0.108 0.892 0.000
#> GSM76056 1 0.5678 0.5266 0.684 0.316 0.000
#> GSM76057 1 0.6204 0.2946 0.576 0.424 0.000
#> GSM76058 3 0.5363 0.4981 0.276 0.000 0.724
#> GSM76059 1 0.0424 0.8268 0.992 0.000 0.008
#> GSM76060 1 0.4293 0.7334 0.832 0.004 0.164
#> GSM76061 2 0.2066 0.8357 0.060 0.940 0.000
#> GSM76062 1 0.1289 0.8207 0.968 0.000 0.032
#> GSM76063 3 0.4121 0.7310 0.000 0.168 0.832
#> GSM76064 1 0.6008 0.4391 0.628 0.000 0.372
#> GSM76065 2 0.1529 0.8437 0.040 0.960 0.000
#> GSM76066 1 0.4452 0.7037 0.808 0.000 0.192
#> GSM76067 1 0.6252 0.2713 0.556 0.000 0.444
#> GSM76068 3 0.1643 0.7900 0.044 0.000 0.956
#> GSM76069 1 0.1289 0.8206 0.968 0.032 0.000
#> GSM76070 2 0.5397 0.5680 0.000 0.720 0.280
#> GSM76071 1 0.1964 0.8095 0.944 0.000 0.056
#> GSM76072 1 0.1289 0.8207 0.968 0.000 0.032
#> GSM76073 1 0.0000 0.8271 1.000 0.000 0.000
#> GSM76074 1 0.0000 0.8271 1.000 0.000 0.000
#> GSM76075 3 0.2448 0.7666 0.076 0.000 0.924
#> GSM76076 3 0.1529 0.7925 0.040 0.000 0.960
#> GSM76077 1 0.5070 0.6631 0.772 0.224 0.004
#> GSM76078 3 0.6225 0.0955 0.432 0.000 0.568
#> GSM76079 1 0.0424 0.8268 0.992 0.000 0.008
#> GSM76080 3 0.1643 0.8098 0.000 0.044 0.956
#> GSM76081 3 0.1643 0.8098 0.000 0.044 0.956
#> GSM76082 3 0.3340 0.7244 0.120 0.000 0.880
#> GSM76083 3 0.0000 0.8113 0.000 0.000 1.000
#> GSM76084 3 0.4654 0.6927 0.000 0.208 0.792
#> GSM76085 3 0.0592 0.8068 0.012 0.000 0.988
#> GSM76086 1 0.6154 0.3602 0.592 0.000 0.408
#> GSM76087 2 0.2066 0.8348 0.000 0.940 0.060
#> GSM76088 1 0.2384 0.8150 0.936 0.056 0.008
#> GSM76089 2 0.0237 0.8552 0.000 0.996 0.004
#> GSM76090 3 0.5621 0.4313 0.308 0.000 0.692
#> GSM76091 1 0.1163 0.8222 0.972 0.000 0.028
#> GSM76092 1 0.0000 0.8271 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.8271 1.000 0.000 0.000
#> GSM76094 2 0.2796 0.8158 0.092 0.908 0.000
#> GSM76095 1 0.6244 0.2472 0.560 0.440 0.000
#> GSM76096 1 0.5948 0.4445 0.640 0.360 0.000
#> GSM76097 2 0.6295 0.0303 0.472 0.528 0.000
#> GSM76098 3 0.1411 0.8115 0.000 0.036 0.964
#> GSM76099 1 0.1289 0.8204 0.968 0.032 0.000
#> GSM76100 1 0.2711 0.7962 0.912 0.088 0.000
#> GSM76101 1 0.0000 0.8271 1.000 0.000 0.000
#> GSM76102 1 0.2625 0.8015 0.916 0.084 0.000
#> GSM76103 1 0.6274 0.2371 0.544 0.000 0.456
#> GSM76104 3 0.0592 0.8140 0.000 0.012 0.988
#> GSM76105 2 0.3752 0.7668 0.144 0.856 0.000
#> GSM76106 3 0.3267 0.7714 0.000 0.116 0.884
#> GSM76107 2 0.4887 0.6541 0.000 0.772 0.228
#> GSM76108 2 0.5882 0.4140 0.348 0.652 0.000
#> GSM76109 1 0.0000 0.8271 1.000 0.000 0.000
#> GSM76110 1 0.1964 0.8119 0.944 0.056 0.000
#> GSM76111 1 0.2878 0.7912 0.904 0.096 0.000
#> GSM76112 1 0.2878 0.7850 0.904 0.000 0.096
#> GSM76113 3 0.5431 0.5992 0.000 0.284 0.716
#> GSM76114 1 0.0237 0.8271 0.996 0.000 0.004
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.5299 0.16246 0.004 0.388 0.008 0.600
#> GSM76116 2 0.3067 0.80775 0.008 0.880 0.008 0.104
#> GSM76117 1 0.7966 -0.00357 0.432 0.332 0.008 0.228
#> GSM76118 2 0.7270 0.44766 0.308 0.544 0.008 0.140
#> GSM76119 4 0.1118 0.76141 0.000 0.036 0.000 0.964
#> GSM76120 4 0.0336 0.76394 0.000 0.000 0.008 0.992
#> GSM76121 4 0.5703 -0.03423 0.480 0.012 0.008 0.500
#> GSM76122 4 0.7033 0.02065 0.096 0.388 0.008 0.508
#> GSM76123 4 0.0524 0.76512 0.000 0.004 0.008 0.988
#> GSM76124 2 0.5262 0.73223 0.096 0.768 0.008 0.128
#> GSM76125 4 0.1004 0.76517 0.000 0.024 0.004 0.972
#> GSM76126 4 0.0469 0.76537 0.000 0.012 0.000 0.988
#> GSM76127 4 0.0188 0.76438 0.000 0.000 0.004 0.996
#> GSM76128 4 0.1109 0.75605 0.004 0.000 0.028 0.968
#> GSM76129 2 0.4923 0.66044 0.012 0.716 0.008 0.264
#> GSM76130 4 0.1118 0.76141 0.000 0.036 0.000 0.964
#> GSM76131 2 0.1151 0.83512 0.000 0.968 0.024 0.008
#> GSM76132 2 0.0895 0.84201 0.000 0.976 0.004 0.020
#> GSM76133 2 0.0895 0.83545 0.000 0.976 0.020 0.004
#> GSM76134 2 0.4917 0.55405 0.000 0.656 0.008 0.336
#> GSM76135 2 0.0376 0.84146 0.000 0.992 0.004 0.004
#> GSM76136 2 0.0804 0.83871 0.000 0.980 0.012 0.008
#> GSM76137 4 0.2408 0.72741 0.000 0.104 0.000 0.896
#> GSM76138 2 0.3470 0.79193 0.008 0.852 0.008 0.132
#> GSM76139 2 0.1902 0.83198 0.000 0.932 0.004 0.064
#> GSM76140 1 0.2057 0.86006 0.940 0.032 0.008 0.020
#> GSM76141 2 0.0592 0.84228 0.000 0.984 0.000 0.016
#> GSM76142 2 0.0524 0.84109 0.000 0.988 0.008 0.004
#> GSM76143 2 0.1059 0.84201 0.000 0.972 0.012 0.016
#> GSM76144 2 0.0336 0.84219 0.000 0.992 0.000 0.008
#> GSM76145 2 0.6646 0.53872 0.000 0.624 0.204 0.172
#> GSM76146 2 0.0469 0.84237 0.000 0.988 0.000 0.012
#> GSM76147 2 0.0524 0.84211 0.004 0.988 0.000 0.008
#> GSM76148 2 0.1576 0.83668 0.000 0.948 0.004 0.048
#> GSM76149 2 0.3306 0.77928 0.000 0.840 0.004 0.156
#> GSM76150 2 0.4594 0.64584 0.000 0.712 0.008 0.280
#> GSM76151 4 0.3726 0.59785 0.000 0.212 0.000 0.788
#> GSM76152 1 0.0469 0.88288 0.988 0.000 0.012 0.000
#> GSM76153 2 0.0779 0.83911 0.000 0.980 0.016 0.004
#> GSM76154 2 0.2124 0.83000 0.000 0.924 0.008 0.068
#> GSM76155 2 0.1890 0.83287 0.000 0.936 0.008 0.056
#> GSM76156 2 0.0524 0.84018 0.004 0.988 0.008 0.000
#> GSM76030 2 0.1305 0.82956 0.000 0.960 0.036 0.004
#> GSM76031 1 0.0188 0.88357 0.996 0.000 0.004 0.000
#> GSM76032 3 0.2915 0.79666 0.028 0.000 0.892 0.080
#> GSM76033 4 0.4925 0.22616 0.000 0.000 0.428 0.572
#> GSM76034 4 0.3037 0.73411 0.000 0.100 0.020 0.880
#> GSM76035 4 0.7253 0.22043 0.172 0.000 0.308 0.520
#> GSM76036 3 0.3257 0.74653 0.000 0.004 0.844 0.152
#> GSM76037 2 0.3188 0.80120 0.008 0.872 0.008 0.112
#> GSM76038 1 0.1118 0.87585 0.964 0.000 0.036 0.000
#> GSM76039 1 0.1394 0.87313 0.964 0.012 0.008 0.016
#> GSM76040 3 0.4889 0.40010 0.000 0.004 0.636 0.360
#> GSM76041 1 0.4072 0.63512 0.748 0.000 0.252 0.000
#> GSM76042 1 0.1356 0.87301 0.960 0.000 0.008 0.032
#> GSM76043 3 0.5204 0.39861 0.376 0.000 0.612 0.012
#> GSM76044 1 0.6549 0.54161 0.660 0.180 0.008 0.152
#> GSM76045 1 0.2408 0.83426 0.896 0.000 0.104 0.000
#> GSM76046 4 0.2973 0.68605 0.000 0.000 0.144 0.856
#> GSM76047 1 0.5519 0.53905 0.684 0.000 0.264 0.052
#> GSM76048 3 0.3196 0.76537 0.008 0.000 0.856 0.136
#> GSM76049 2 0.1369 0.83621 0.016 0.964 0.016 0.004
#> GSM76050 1 0.1890 0.86315 0.936 0.000 0.056 0.008
#> GSM76051 3 0.2281 0.79103 0.000 0.000 0.904 0.096
#> GSM76052 4 0.4941 0.20265 0.000 0.000 0.436 0.564
#> GSM76053 4 0.1182 0.76617 0.000 0.016 0.016 0.968
#> GSM76054 3 0.2530 0.78554 0.000 0.004 0.896 0.100
#> GSM76055 2 0.5400 0.71718 0.144 0.756 0.008 0.092
#> GSM76056 2 0.5559 0.30684 0.400 0.580 0.016 0.004
#> GSM76057 2 0.3973 0.69387 0.004 0.792 0.200 0.004
#> GSM76058 3 0.1174 0.80480 0.012 0.000 0.968 0.020
#> GSM76059 1 0.0336 0.88326 0.992 0.000 0.008 0.000
#> GSM76060 3 0.4155 0.61427 0.000 0.240 0.756 0.004
#> GSM76061 2 0.2053 0.80921 0.000 0.924 0.072 0.004
#> GSM76062 1 0.2149 0.84492 0.912 0.000 0.088 0.000
#> GSM76063 3 0.3863 0.70324 0.000 0.144 0.828 0.028
#> GSM76064 3 0.5386 0.42281 0.368 0.000 0.612 0.020
#> GSM76065 2 0.0992 0.84069 0.012 0.976 0.008 0.004
#> GSM76066 3 0.4994 0.10164 0.480 0.000 0.520 0.000
#> GSM76067 3 0.2125 0.78626 0.076 0.000 0.920 0.004
#> GSM76068 3 0.2266 0.79685 0.004 0.000 0.912 0.084
#> GSM76069 1 0.0524 0.88354 0.988 0.008 0.004 0.000
#> GSM76070 2 0.3545 0.73656 0.000 0.828 0.164 0.008
#> GSM76071 1 0.1716 0.86114 0.936 0.000 0.064 0.000
#> GSM76072 1 0.1211 0.87400 0.960 0.000 0.040 0.000
#> GSM76073 1 0.0336 0.88326 0.992 0.000 0.008 0.000
#> GSM76074 1 0.0188 0.88357 0.996 0.000 0.004 0.000
#> GSM76075 3 0.0524 0.80300 0.008 0.000 0.988 0.004
#> GSM76076 3 0.1114 0.80394 0.004 0.008 0.972 0.016
#> GSM76077 2 0.5537 0.30602 0.016 0.588 0.392 0.004
#> GSM76078 3 0.2164 0.77360 0.004 0.068 0.924 0.004
#> GSM76079 1 0.0817 0.88002 0.976 0.000 0.024 0.000
#> GSM76080 4 0.4103 0.57096 0.000 0.000 0.256 0.744
#> GSM76081 3 0.4053 0.64696 0.000 0.004 0.768 0.228
#> GSM76082 3 0.2329 0.80088 0.012 0.000 0.916 0.072
#> GSM76083 3 0.1305 0.80331 0.000 0.004 0.960 0.036
#> GSM76084 4 0.5699 0.38133 0.000 0.032 0.380 0.588
#> GSM76085 3 0.1867 0.80029 0.000 0.000 0.928 0.072
#> GSM76086 3 0.2466 0.77552 0.096 0.000 0.900 0.004
#> GSM76087 2 0.4897 0.56489 0.000 0.660 0.008 0.332
#> GSM76088 3 0.5013 0.42917 0.004 0.348 0.644 0.004
#> GSM76089 2 0.0469 0.84237 0.000 0.988 0.000 0.012
#> GSM76090 3 0.0712 0.80039 0.008 0.004 0.984 0.004
#> GSM76091 1 0.2921 0.79743 0.860 0.000 0.140 0.000
#> GSM76092 1 0.0000 0.88315 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0188 0.88359 0.996 0.000 0.004 0.000
#> GSM76094 2 0.7251 0.49656 0.252 0.572 0.008 0.168
#> GSM76095 2 0.5183 0.32654 0.408 0.584 0.008 0.000
#> GSM76096 1 0.1721 0.86769 0.952 0.012 0.008 0.028
#> GSM76097 1 0.2923 0.82714 0.896 0.080 0.008 0.016
#> GSM76098 4 0.4454 0.49467 0.000 0.000 0.308 0.692
#> GSM76099 1 0.0672 0.88386 0.984 0.008 0.008 0.000
#> GSM76100 1 0.0779 0.88029 0.980 0.016 0.004 0.000
#> GSM76101 1 0.0188 0.88359 0.996 0.000 0.004 0.000
#> GSM76102 1 0.1114 0.87801 0.972 0.004 0.008 0.016
#> GSM76103 3 0.3895 0.74744 0.132 0.000 0.832 0.036
#> GSM76104 4 0.3024 0.68378 0.000 0.000 0.148 0.852
#> GSM76105 1 0.7770 0.21708 0.492 0.220 0.008 0.280
#> GSM76106 4 0.1474 0.74776 0.000 0.000 0.052 0.948
#> GSM76107 4 0.1543 0.75989 0.008 0.032 0.004 0.956
#> GSM76108 1 0.5352 0.50656 0.676 0.296 0.008 0.020
#> GSM76109 1 0.0336 0.88326 0.992 0.000 0.008 0.000
#> GSM76110 1 0.0336 0.88257 0.992 0.008 0.000 0.000
#> GSM76111 1 0.1661 0.86314 0.944 0.052 0.004 0.000
#> GSM76112 1 0.3610 0.71822 0.800 0.000 0.200 0.000
#> GSM76113 3 0.3796 0.73337 0.000 0.096 0.848 0.056
#> GSM76114 1 0.2921 0.80258 0.860 0.000 0.140 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 4 0.6812 0.1173 0.008 0.204 0.000 0.408 0.380
#> GSM76116 5 0.4914 0.3951 0.000 0.260 0.000 0.064 0.676
#> GSM76117 1 0.7476 0.1532 0.528 0.176 0.000 0.120 0.176
#> GSM76118 5 0.7063 0.3990 0.108 0.252 0.000 0.092 0.548
#> GSM76119 4 0.3160 0.6776 0.000 0.004 0.000 0.808 0.188
#> GSM76120 4 0.1830 0.7488 0.000 0.000 0.008 0.924 0.068
#> GSM76121 1 0.4153 0.5848 0.768 0.008 0.000 0.192 0.032
#> GSM76122 5 0.6440 -0.0225 0.016 0.116 0.000 0.392 0.476
#> GSM76123 4 0.1638 0.7485 0.000 0.000 0.004 0.932 0.064
#> GSM76124 5 0.3790 0.5799 0.020 0.096 0.000 0.052 0.832
#> GSM76125 4 0.1278 0.7519 0.000 0.016 0.004 0.960 0.020
#> GSM76126 4 0.2864 0.7315 0.000 0.044 0.008 0.884 0.064
#> GSM76127 4 0.1041 0.7531 0.000 0.004 0.000 0.964 0.032
#> GSM76128 4 0.0981 0.7487 0.012 0.000 0.008 0.972 0.008
#> GSM76129 2 0.4750 0.6833 0.016 0.760 0.000 0.120 0.104
#> GSM76130 4 0.3163 0.6963 0.000 0.012 0.000 0.824 0.164
#> GSM76131 2 0.0798 0.7873 0.000 0.976 0.008 0.000 0.016
#> GSM76132 2 0.0794 0.7867 0.000 0.972 0.000 0.000 0.028
#> GSM76133 2 0.0898 0.7879 0.000 0.972 0.008 0.000 0.020
#> GSM76134 2 0.3955 0.7197 0.000 0.800 0.000 0.116 0.084
#> GSM76135 2 0.0794 0.7849 0.000 0.972 0.000 0.000 0.028
#> GSM76136 2 0.1364 0.7832 0.000 0.952 0.012 0.000 0.036
#> GSM76137 4 0.3409 0.7034 0.000 0.112 0.000 0.836 0.052
#> GSM76138 2 0.5650 0.0992 0.000 0.464 0.000 0.076 0.460
#> GSM76139 2 0.1981 0.7686 0.000 0.924 0.000 0.028 0.048
#> GSM76140 1 0.5299 0.1649 0.540 0.024 0.000 0.016 0.420
#> GSM76141 2 0.0609 0.7878 0.000 0.980 0.000 0.000 0.020
#> GSM76142 2 0.1282 0.7846 0.000 0.952 0.004 0.000 0.044
#> GSM76143 2 0.0865 0.7858 0.000 0.972 0.000 0.004 0.024
#> GSM76144 2 0.0162 0.7873 0.000 0.996 0.000 0.000 0.004
#> GSM76145 5 0.8384 0.1230 0.000 0.284 0.256 0.144 0.316
#> GSM76146 2 0.2648 0.7499 0.000 0.848 0.000 0.000 0.152
#> GSM76147 2 0.1410 0.7818 0.000 0.940 0.000 0.000 0.060
#> GSM76148 2 0.1331 0.7850 0.000 0.952 0.000 0.008 0.040
#> GSM76149 2 0.3532 0.7469 0.000 0.832 0.000 0.076 0.092
#> GSM76150 2 0.4630 0.6769 0.000 0.744 0.000 0.140 0.116
#> GSM76151 4 0.5548 0.0352 0.000 0.440 0.000 0.492 0.068
#> GSM76152 1 0.2771 0.7313 0.860 0.000 0.012 0.000 0.128
#> GSM76153 2 0.0693 0.7874 0.000 0.980 0.008 0.000 0.012
#> GSM76154 2 0.3219 0.7516 0.000 0.840 0.004 0.020 0.136
#> GSM76155 2 0.3318 0.7187 0.000 0.808 0.000 0.012 0.180
#> GSM76156 2 0.1732 0.7796 0.000 0.920 0.000 0.000 0.080
#> GSM76030 2 0.4086 0.5988 0.000 0.704 0.012 0.000 0.284
#> GSM76031 1 0.2674 0.7213 0.856 0.000 0.000 0.004 0.140
#> GSM76032 3 0.2632 0.7807 0.004 0.000 0.892 0.032 0.072
#> GSM76033 3 0.5584 0.2794 0.000 0.000 0.532 0.392 0.076
#> GSM76034 4 0.3232 0.7312 0.000 0.084 0.016 0.864 0.036
#> GSM76035 4 0.7019 0.2957 0.312 0.000 0.164 0.488 0.036
#> GSM76036 3 0.3196 0.7186 0.000 0.000 0.804 0.192 0.004
#> GSM76037 5 0.4840 0.4152 0.000 0.248 0.000 0.064 0.688
#> GSM76038 1 0.2233 0.7514 0.904 0.000 0.016 0.000 0.080
#> GSM76039 1 0.3209 0.6801 0.812 0.000 0.000 0.008 0.180
#> GSM76040 3 0.5196 0.4322 0.004 0.004 0.584 0.376 0.032
#> GSM76041 1 0.6785 0.0190 0.376 0.000 0.340 0.000 0.284
#> GSM76042 5 0.4700 0.4950 0.184 0.000 0.000 0.088 0.728
#> GSM76043 3 0.5040 0.5025 0.068 0.000 0.660 0.000 0.272
#> GSM76044 5 0.4437 0.5468 0.136 0.016 0.000 0.068 0.780
#> GSM76045 1 0.5946 0.4243 0.592 0.000 0.184 0.000 0.224
#> GSM76046 4 0.5974 0.4436 0.000 0.000 0.132 0.548 0.320
#> GSM76047 5 0.7100 0.1722 0.152 0.000 0.360 0.040 0.448
#> GSM76048 3 0.2865 0.7641 0.008 0.000 0.856 0.132 0.004
#> GSM76049 2 0.4632 0.2846 0.000 0.540 0.012 0.000 0.448
#> GSM76050 1 0.1356 0.7517 0.956 0.000 0.012 0.004 0.028
#> GSM76051 3 0.3250 0.7317 0.000 0.004 0.820 0.168 0.008
#> GSM76052 3 0.5747 0.2076 0.000 0.000 0.504 0.408 0.088
#> GSM76053 4 0.4442 0.5709 0.004 0.000 0.016 0.676 0.304
#> GSM76054 3 0.2674 0.7625 0.000 0.000 0.868 0.120 0.012
#> GSM76055 5 0.4514 0.5179 0.024 0.180 0.000 0.036 0.760
#> GSM76056 2 0.6858 -0.1447 0.224 0.428 0.008 0.000 0.340
#> GSM76057 5 0.6827 0.1948 0.004 0.356 0.240 0.000 0.400
#> GSM76058 3 0.0579 0.7854 0.008 0.000 0.984 0.008 0.000
#> GSM76059 1 0.0451 0.7574 0.988 0.000 0.008 0.000 0.004
#> GSM76060 3 0.4138 0.6549 0.000 0.160 0.776 0.000 0.064
#> GSM76061 2 0.3339 0.7390 0.000 0.836 0.040 0.000 0.124
#> GSM76062 1 0.3169 0.7323 0.856 0.000 0.060 0.000 0.084
#> GSM76063 3 0.3606 0.7000 0.000 0.152 0.816 0.024 0.008
#> GSM76064 3 0.5305 0.6017 0.160 0.000 0.708 0.016 0.116
#> GSM76065 2 0.4415 0.3015 0.000 0.552 0.004 0.000 0.444
#> GSM76066 1 0.4430 0.1329 0.540 0.000 0.456 0.000 0.004
#> GSM76067 3 0.1885 0.7771 0.044 0.000 0.932 0.004 0.020
#> GSM76068 3 0.5174 0.6801 0.048 0.016 0.736 0.176 0.024
#> GSM76069 5 0.5595 0.1675 0.356 0.000 0.084 0.000 0.560
#> GSM76070 2 0.4221 0.6365 0.000 0.764 0.188 0.004 0.044
#> GSM76071 1 0.1300 0.7596 0.956 0.000 0.028 0.000 0.016
#> GSM76072 1 0.0579 0.7568 0.984 0.000 0.008 0.000 0.008
#> GSM76073 1 0.0404 0.7567 0.988 0.000 0.000 0.000 0.012
#> GSM76074 1 0.0290 0.7551 0.992 0.000 0.000 0.000 0.008
#> GSM76075 3 0.2338 0.7591 0.000 0.000 0.884 0.004 0.112
#> GSM76076 3 0.0566 0.7861 0.000 0.000 0.984 0.012 0.004
#> GSM76077 5 0.5586 0.4882 0.012 0.112 0.212 0.000 0.664
#> GSM76078 3 0.3031 0.7430 0.004 0.020 0.856 0.000 0.120
#> GSM76079 1 0.5473 0.2223 0.520 0.000 0.064 0.000 0.416
#> GSM76080 4 0.3359 0.6435 0.000 0.000 0.164 0.816 0.020
#> GSM76081 3 0.4134 0.6061 0.000 0.004 0.704 0.284 0.008
#> GSM76082 3 0.4155 0.7308 0.048 0.000 0.796 0.140 0.016
#> GSM76083 3 0.1041 0.7861 0.000 0.004 0.964 0.032 0.000
#> GSM76084 4 0.5216 0.3167 0.000 0.012 0.360 0.596 0.032
#> GSM76085 3 0.1943 0.7880 0.000 0.000 0.924 0.056 0.020
#> GSM76086 3 0.2139 0.7733 0.032 0.000 0.916 0.000 0.052
#> GSM76087 2 0.5853 0.0779 0.000 0.472 0.000 0.432 0.096
#> GSM76088 3 0.6247 -0.1192 0.000 0.144 0.432 0.000 0.424
#> GSM76089 2 0.2848 0.7465 0.000 0.840 0.000 0.004 0.156
#> GSM76090 3 0.1430 0.7756 0.004 0.000 0.944 0.000 0.052
#> GSM76091 1 0.6722 0.1421 0.456 0.004 0.232 0.000 0.308
#> GSM76092 1 0.2648 0.7101 0.848 0.000 0.000 0.000 0.152
#> GSM76093 1 0.1557 0.7599 0.940 0.000 0.008 0.000 0.052
#> GSM76094 2 0.7958 -0.1440 0.152 0.368 0.000 0.124 0.356
#> GSM76095 5 0.5873 0.5581 0.116 0.188 0.024 0.004 0.668
#> GSM76096 5 0.5748 -0.0677 0.444 0.012 0.000 0.056 0.488
#> GSM76097 1 0.3996 0.6203 0.752 0.008 0.000 0.012 0.228
#> GSM76098 4 0.4579 0.4182 0.000 0.016 0.308 0.668 0.008
#> GSM76099 5 0.5887 0.0305 0.404 0.004 0.088 0.000 0.504
#> GSM76100 1 0.2233 0.7453 0.892 0.000 0.004 0.000 0.104
#> GSM76101 1 0.1357 0.7597 0.948 0.000 0.004 0.000 0.048
#> GSM76102 1 0.3822 0.6917 0.832 0.024 0.004 0.032 0.108
#> GSM76103 3 0.3287 0.7572 0.068 0.000 0.864 0.016 0.052
#> GSM76104 4 0.3267 0.7183 0.000 0.000 0.112 0.844 0.044
#> GSM76105 5 0.7073 0.4973 0.164 0.080 0.000 0.192 0.564
#> GSM76106 4 0.1442 0.7452 0.000 0.004 0.032 0.952 0.012
#> GSM76107 4 0.2845 0.7372 0.008 0.020 0.000 0.876 0.096
#> GSM76108 5 0.5676 0.4607 0.240 0.088 0.000 0.020 0.652
#> GSM76109 1 0.0963 0.7599 0.964 0.000 0.000 0.000 0.036
#> GSM76110 1 0.1502 0.7595 0.940 0.004 0.000 0.000 0.056
#> GSM76111 1 0.4519 0.5884 0.720 0.052 0.000 0.000 0.228
#> GSM76112 1 0.1697 0.7458 0.932 0.000 0.060 0.000 0.008
#> GSM76113 3 0.3980 0.7444 0.000 0.060 0.828 0.036 0.076
#> GSM76114 5 0.6516 0.2949 0.216 0.004 0.268 0.000 0.512
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.6053 0.2701 0.008 0.244 0.000 0.124 0.584 0.040
#> GSM76116 5 0.3935 0.4088 0.000 0.144 0.000 0.024 0.784 0.048
#> GSM76117 5 0.7705 0.2023 0.288 0.232 0.000 0.052 0.372 0.056
#> GSM76118 5 0.4967 0.3953 0.032 0.136 0.000 0.028 0.736 0.068
#> GSM76119 4 0.3975 0.7078 0.000 0.004 0.000 0.772 0.112 0.112
#> GSM76120 4 0.1708 0.7628 0.000 0.000 0.004 0.932 0.040 0.024
#> GSM76121 1 0.2754 0.7133 0.880 0.000 0.000 0.048 0.048 0.024
#> GSM76122 5 0.6420 0.1730 0.000 0.060 0.000 0.264 0.520 0.156
#> GSM76123 4 0.1666 0.7642 0.000 0.000 0.008 0.936 0.036 0.020
#> GSM76124 5 0.4205 0.2130 0.000 0.008 0.008 0.016 0.692 0.276
#> GSM76125 4 0.0717 0.7614 0.000 0.000 0.008 0.976 0.000 0.016
#> GSM76126 4 0.3675 0.6723 0.008 0.004 0.000 0.732 0.004 0.252
#> GSM76127 4 0.0865 0.7627 0.000 0.000 0.000 0.964 0.036 0.000
#> GSM76128 4 0.1231 0.7620 0.012 0.000 0.012 0.960 0.004 0.012
#> GSM76129 2 0.4496 0.7099 0.000 0.740 0.000 0.072 0.028 0.160
#> GSM76130 4 0.3706 0.7206 0.000 0.004 0.000 0.796 0.096 0.104
#> GSM76131 2 0.1245 0.7780 0.000 0.952 0.016 0.000 0.000 0.032
#> GSM76132 2 0.1599 0.7685 0.000 0.940 0.008 0.000 0.028 0.024
#> GSM76133 2 0.1219 0.7775 0.000 0.948 0.004 0.000 0.000 0.048
#> GSM76134 2 0.4638 0.6696 0.000 0.744 0.008 0.040 0.156 0.052
#> GSM76135 2 0.1957 0.7629 0.000 0.888 0.000 0.000 0.000 0.112
#> GSM76136 2 0.2703 0.7391 0.000 0.824 0.004 0.000 0.000 0.172
#> GSM76137 4 0.5408 0.5289 0.000 0.152 0.000 0.668 0.132 0.048
#> GSM76138 5 0.4894 0.1059 0.000 0.360 0.000 0.016 0.584 0.040
#> GSM76139 2 0.2398 0.7671 0.000 0.888 0.004 0.028 0.000 0.080
#> GSM76140 5 0.5222 0.0489 0.368 0.016 0.004 0.008 0.568 0.036
#> GSM76141 2 0.1471 0.7762 0.000 0.932 0.000 0.004 0.000 0.064
#> GSM76142 2 0.2902 0.7272 0.000 0.800 0.000 0.000 0.004 0.196
#> GSM76143 2 0.0865 0.7788 0.000 0.964 0.000 0.000 0.000 0.036
#> GSM76144 2 0.0937 0.7783 0.000 0.960 0.000 0.000 0.000 0.040
#> GSM76145 5 0.6562 0.1466 0.000 0.324 0.104 0.032 0.504 0.036
#> GSM76146 2 0.4420 0.5978 0.000 0.640 0.000 0.004 0.036 0.320
#> GSM76147 2 0.2209 0.7574 0.000 0.900 0.004 0.000 0.072 0.024
#> GSM76148 2 0.2907 0.7447 0.000 0.828 0.000 0.020 0.000 0.152
#> GSM76149 2 0.4833 0.6351 0.000 0.704 0.000 0.048 0.196 0.052
#> GSM76150 2 0.5086 0.5998 0.000 0.668 0.000 0.064 0.228 0.040
#> GSM76151 2 0.5830 0.5698 0.000 0.632 0.008 0.108 0.200 0.052
#> GSM76152 1 0.4683 0.6054 0.688 0.000 0.036 0.000 0.240 0.036
#> GSM76153 2 0.0972 0.7780 0.000 0.964 0.008 0.000 0.000 0.028
#> GSM76154 2 0.4732 0.5789 0.000 0.660 0.000 0.024 0.276 0.040
#> GSM76155 2 0.4146 0.5842 0.000 0.680 0.000 0.004 0.288 0.028
#> GSM76156 2 0.3265 0.6871 0.000 0.748 0.000 0.000 0.004 0.248
#> GSM76030 2 0.5766 0.1008 0.000 0.472 0.004 0.004 0.388 0.132
#> GSM76031 1 0.4537 0.6032 0.696 0.000 0.016 0.000 0.236 0.052
#> GSM76032 3 0.2020 0.7371 0.000 0.000 0.920 0.020 0.020 0.040
#> GSM76033 3 0.5190 0.4051 0.000 0.000 0.592 0.328 0.052 0.028
#> GSM76034 4 0.3432 0.7491 0.000 0.032 0.020 0.852 0.056 0.040
#> GSM76035 1 0.6892 0.1320 0.464 0.000 0.056 0.352 0.076 0.052
#> GSM76036 3 0.3171 0.6769 0.000 0.000 0.784 0.204 0.000 0.012
#> GSM76037 5 0.4477 0.2975 0.000 0.068 0.000 0.028 0.740 0.164
#> GSM76038 1 0.4118 0.6342 0.740 0.000 0.032 0.000 0.208 0.020
#> GSM76039 1 0.5020 0.1612 0.548 0.000 0.000 0.000 0.372 0.080
#> GSM76040 3 0.7296 0.0947 0.016 0.040 0.404 0.384 0.116 0.040
#> GSM76041 3 0.7218 -0.2326 0.200 0.000 0.396 0.000 0.292 0.112
#> GSM76042 5 0.4533 0.1753 0.008 0.000 0.004 0.064 0.708 0.216
#> GSM76043 3 0.4308 0.5734 0.000 0.000 0.728 0.000 0.120 0.152
#> GSM76044 5 0.3161 0.2855 0.008 0.000 0.000 0.028 0.828 0.136
#> GSM76045 1 0.6084 0.4817 0.572 0.004 0.156 0.000 0.232 0.036
#> GSM76046 4 0.6888 0.1870 0.000 0.000 0.172 0.380 0.372 0.076
#> GSM76047 5 0.6690 -0.2449 0.008 0.000 0.312 0.020 0.396 0.264
#> GSM76048 3 0.3037 0.7212 0.008 0.000 0.840 0.132 0.008 0.012
#> GSM76049 5 0.6070 0.1226 0.004 0.340 0.008 0.000 0.472 0.176
#> GSM76050 1 0.1719 0.7268 0.932 0.000 0.004 0.000 0.032 0.032
#> GSM76051 3 0.4675 0.6638 0.020 0.028 0.736 0.184 0.004 0.028
#> GSM76052 3 0.6583 0.1034 0.000 0.000 0.412 0.324 0.232 0.032
#> GSM76053 4 0.4904 0.4454 0.000 0.000 0.012 0.588 0.352 0.048
#> GSM76054 3 0.4203 0.6857 0.000 0.004 0.764 0.164 0.028 0.040
#> GSM76055 5 0.4922 -0.1637 0.000 0.036 0.000 0.016 0.548 0.400
#> GSM76056 6 0.7442 0.3244 0.100 0.216 0.012 0.000 0.268 0.404
#> GSM76057 6 0.7639 0.1952 0.000 0.228 0.260 0.000 0.192 0.320
#> GSM76058 3 0.1069 0.7467 0.004 0.004 0.968 0.008 0.008 0.008
#> GSM76059 1 0.0935 0.7310 0.964 0.000 0.000 0.000 0.004 0.032
#> GSM76060 3 0.4148 0.6132 0.000 0.192 0.748 0.000 0.024 0.036
#> GSM76061 2 0.3670 0.7123 0.000 0.808 0.012 0.000 0.100 0.080
#> GSM76062 1 0.3966 0.6863 0.800 0.000 0.088 0.000 0.040 0.072
#> GSM76063 3 0.4687 0.6269 0.000 0.216 0.704 0.056 0.004 0.020
#> GSM76064 3 0.6153 0.4397 0.112 0.000 0.604 0.004 0.192 0.088
#> GSM76065 5 0.6112 -0.0918 0.000 0.308 0.000 0.000 0.372 0.320
#> GSM76066 1 0.3807 0.3924 0.628 0.000 0.368 0.000 0.000 0.004
#> GSM76067 3 0.1608 0.7433 0.036 0.000 0.940 0.004 0.004 0.016
#> GSM76068 3 0.6067 0.6255 0.076 0.072 0.672 0.132 0.008 0.040
#> GSM76069 6 0.5572 0.3658 0.052 0.000 0.040 0.000 0.432 0.476
#> GSM76070 2 0.4449 0.6103 0.000 0.736 0.188 0.004 0.024 0.048
#> GSM76071 1 0.1269 0.7349 0.956 0.000 0.020 0.000 0.012 0.012
#> GSM76072 1 0.1230 0.7323 0.956 0.000 0.008 0.000 0.028 0.008
#> GSM76073 1 0.0909 0.7337 0.968 0.000 0.000 0.000 0.020 0.012
#> GSM76074 1 0.0603 0.7318 0.980 0.000 0.000 0.000 0.004 0.016
#> GSM76075 3 0.2837 0.6989 0.000 0.000 0.856 0.000 0.056 0.088
#> GSM76076 3 0.1261 0.7481 0.000 0.004 0.956 0.028 0.004 0.008
#> GSM76077 5 0.5606 -0.1002 0.000 0.004 0.192 0.000 0.564 0.240
#> GSM76078 3 0.2563 0.7096 0.000 0.000 0.876 0.000 0.052 0.072
#> GSM76079 6 0.6926 0.4423 0.232 0.000 0.064 0.000 0.296 0.408
#> GSM76080 4 0.3881 0.6812 0.000 0.008 0.120 0.804 0.044 0.024
#> GSM76081 3 0.4590 0.5301 0.000 0.020 0.648 0.308 0.004 0.020
#> GSM76082 3 0.4417 0.7040 0.076 0.012 0.784 0.092 0.004 0.032
#> GSM76083 3 0.1484 0.7479 0.000 0.004 0.944 0.040 0.004 0.008
#> GSM76084 4 0.6116 0.2825 0.000 0.016 0.308 0.536 0.120 0.020
#> GSM76085 3 0.1844 0.7513 0.000 0.000 0.924 0.048 0.004 0.024
#> GSM76086 3 0.1577 0.7382 0.016 0.000 0.940 0.000 0.008 0.036
#> GSM76087 4 0.5723 0.4718 0.000 0.216 0.000 0.572 0.012 0.200
#> GSM76088 3 0.6750 -0.2732 0.000 0.040 0.392 0.000 0.304 0.264
#> GSM76089 2 0.4840 0.5756 0.004 0.656 0.000 0.012 0.272 0.056
#> GSM76090 3 0.0870 0.7419 0.000 0.004 0.972 0.000 0.012 0.012
#> GSM76091 6 0.7288 0.4421 0.140 0.000 0.224 0.000 0.216 0.420
#> GSM76092 1 0.5091 0.3494 0.632 0.000 0.000 0.000 0.196 0.172
#> GSM76093 1 0.3245 0.6557 0.800 0.000 0.000 0.000 0.028 0.172
#> GSM76094 5 0.8194 0.0942 0.116 0.216 0.000 0.096 0.408 0.164
#> GSM76095 5 0.6102 0.0836 0.012 0.064 0.052 0.000 0.512 0.360
#> GSM76096 6 0.5129 0.2390 0.104 0.032 0.000 0.048 0.080 0.736
#> GSM76097 6 0.7124 0.3572 0.336 0.040 0.000 0.016 0.252 0.356
#> GSM76098 4 0.4169 0.6029 0.000 0.020 0.196 0.748 0.004 0.032
#> GSM76099 6 0.6223 0.4496 0.080 0.008 0.056 0.000 0.352 0.504
#> GSM76100 1 0.4638 0.4307 0.636 0.000 0.000 0.000 0.068 0.296
#> GSM76101 1 0.3241 0.6723 0.824 0.000 0.000 0.000 0.064 0.112
#> GSM76102 6 0.5981 -0.0640 0.364 0.040 0.000 0.060 0.016 0.520
#> GSM76103 3 0.2146 0.7415 0.024 0.000 0.916 0.008 0.008 0.044
#> GSM76104 4 0.4892 0.6690 0.000 0.000 0.156 0.700 0.020 0.124
#> GSM76105 5 0.6419 0.0448 0.044 0.024 0.000 0.120 0.564 0.248
#> GSM76106 4 0.2085 0.7499 0.000 0.000 0.024 0.912 0.056 0.008
#> GSM76107 4 0.3783 0.7116 0.008 0.008 0.000 0.784 0.032 0.168
#> GSM76108 6 0.5379 0.3484 0.032 0.032 0.000 0.008 0.404 0.524
#> GSM76109 1 0.2586 0.7019 0.868 0.000 0.000 0.000 0.032 0.100
#> GSM76110 1 0.2493 0.7212 0.884 0.004 0.000 0.000 0.036 0.076
#> GSM76111 1 0.6525 0.4681 0.560 0.060 0.012 0.000 0.176 0.192
#> GSM76112 1 0.2278 0.7243 0.900 0.000 0.044 0.000 0.004 0.052
#> GSM76113 3 0.2896 0.7361 0.000 0.052 0.880 0.012 0.032 0.024
#> GSM76114 6 0.6315 0.3291 0.012 0.000 0.300 0.000 0.268 0.420
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> SD:NMF 124 5.62e-10 2
#> SD:NMF 104 2.39e-09 3
#> SD:NMF 107 4.45e-09 4
#> SD:NMF 89 1.81e-08 5
#> SD:NMF 78 2.84e-08 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "hclust"]
# you can also extract it by
# res = res_list["CV:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.077 0.468 0.666 0.3775 0.522 0.522
#> 3 3 0.127 0.432 0.681 0.4058 0.598 0.419
#> 4 4 0.181 0.431 0.651 0.1287 0.969 0.936
#> 5 5 0.254 0.413 0.535 0.1287 0.719 0.467
#> 6 6 0.335 0.511 0.645 0.0828 0.875 0.614
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.9963 0.33097 0.464 0.536
#> GSM76116 2 0.9996 0.23876 0.488 0.512
#> GSM76117 1 0.9977 -0.00857 0.528 0.472
#> GSM76118 1 0.9954 -0.04494 0.540 0.460
#> GSM76119 2 0.0672 0.47347 0.008 0.992
#> GSM76120 2 0.0672 0.47347 0.008 0.992
#> GSM76121 1 0.9710 0.26399 0.600 0.400
#> GSM76122 2 0.9909 0.38136 0.444 0.556
#> GSM76123 2 0.0672 0.47347 0.008 0.992
#> GSM76124 1 0.9552 0.26264 0.624 0.376
#> GSM76125 2 0.0672 0.47347 0.008 0.992
#> GSM76126 2 0.7950 0.60553 0.240 0.760
#> GSM76127 2 0.0672 0.47347 0.008 0.992
#> GSM76128 2 0.2043 0.46926 0.032 0.968
#> GSM76129 2 0.9795 0.46147 0.416 0.584
#> GSM76130 2 0.0672 0.47347 0.008 0.992
#> GSM76131 2 0.8608 0.65663 0.284 0.716
#> GSM76132 2 0.8661 0.65239 0.288 0.712
#> GSM76133 2 0.8443 0.66042 0.272 0.728
#> GSM76134 2 0.9933 0.38871 0.452 0.548
#> GSM76135 2 0.8499 0.66022 0.276 0.724
#> GSM76136 2 0.8499 0.66022 0.276 0.724
#> GSM76137 2 0.8713 0.63501 0.292 0.708
#> GSM76138 2 0.9970 0.33109 0.468 0.532
#> GSM76139 2 0.8386 0.65854 0.268 0.732
#> GSM76140 1 0.6438 0.63246 0.836 0.164
#> GSM76141 2 0.8443 0.66042 0.272 0.728
#> GSM76142 2 0.8499 0.66022 0.276 0.724
#> GSM76143 2 0.8443 0.66042 0.272 0.728
#> GSM76144 2 0.8443 0.66042 0.272 0.728
#> GSM76145 2 0.9933 0.36515 0.452 0.548
#> GSM76146 2 0.8555 0.65837 0.280 0.720
#> GSM76147 2 0.9427 0.58177 0.360 0.640
#> GSM76148 2 0.8443 0.66042 0.272 0.728
#> GSM76149 2 0.9881 0.41182 0.436 0.564
#> GSM76150 2 0.9881 0.41182 0.436 0.564
#> GSM76151 2 0.9866 0.42065 0.432 0.568
#> GSM76152 1 0.5946 0.63541 0.856 0.144
#> GSM76153 2 0.8443 0.66042 0.272 0.728
#> GSM76154 2 0.9881 0.41226 0.436 0.564
#> GSM76155 2 0.9909 0.39020 0.444 0.556
#> GSM76156 2 0.8499 0.66022 0.276 0.724
#> GSM76030 1 0.9954 0.06519 0.540 0.460
#> GSM76031 1 0.6531 0.62626 0.832 0.168
#> GSM76032 1 0.8499 0.60916 0.724 0.276
#> GSM76033 1 0.9732 0.44214 0.596 0.404
#> GSM76034 2 0.9993 0.05124 0.484 0.516
#> GSM76035 1 0.9732 0.38024 0.596 0.404
#> GSM76036 1 1.0000 0.13632 0.504 0.496
#> GSM76037 1 0.9988 -0.18022 0.520 0.480
#> GSM76038 1 0.6531 0.62626 0.832 0.168
#> GSM76039 1 0.9580 0.37889 0.620 0.380
#> GSM76040 1 1.0000 0.14292 0.504 0.496
#> GSM76041 1 0.8443 0.62038 0.728 0.272
#> GSM76042 1 0.8813 0.55040 0.700 0.300
#> GSM76043 1 0.8909 0.54786 0.692 0.308
#> GSM76044 1 0.8713 0.55923 0.708 0.292
#> GSM76045 1 0.6623 0.63743 0.828 0.172
#> GSM76046 1 0.9635 0.46885 0.612 0.388
#> GSM76047 1 0.8144 0.62915 0.748 0.252
#> GSM76048 1 0.9522 0.52196 0.628 0.372
#> GSM76049 1 0.9944 0.08866 0.544 0.456
#> GSM76050 1 0.2778 0.61814 0.952 0.048
#> GSM76051 1 1.0000 0.13617 0.504 0.496
#> GSM76052 1 0.9732 0.44214 0.596 0.404
#> GSM76053 1 0.9815 0.38288 0.580 0.420
#> GSM76054 1 0.9998 0.15909 0.508 0.492
#> GSM76055 1 0.9732 0.18066 0.596 0.404
#> GSM76056 1 0.3114 0.61372 0.944 0.056
#> GSM76057 1 0.4161 0.61957 0.916 0.084
#> GSM76058 1 0.8386 0.60678 0.732 0.268
#> GSM76059 1 0.0376 0.59456 0.996 0.004
#> GSM76060 1 0.9248 0.50901 0.660 0.340
#> GSM76061 1 0.9795 0.32589 0.584 0.416
#> GSM76062 1 0.0672 0.59301 0.992 0.008
#> GSM76063 2 0.9933 0.18243 0.452 0.548
#> GSM76064 1 0.7745 0.63735 0.772 0.228
#> GSM76065 1 0.9988 -0.11507 0.520 0.480
#> GSM76066 1 0.3114 0.62171 0.944 0.056
#> GSM76067 1 0.8813 0.58380 0.700 0.300
#> GSM76068 1 0.9896 0.34704 0.560 0.440
#> GSM76069 1 0.5294 0.63627 0.880 0.120
#> GSM76070 2 0.9491 0.51708 0.368 0.632
#> GSM76071 1 0.1633 0.60697 0.976 0.024
#> GSM76072 1 0.1633 0.60697 0.976 0.024
#> GSM76073 1 0.0938 0.60114 0.988 0.012
#> GSM76074 1 0.1414 0.60517 0.980 0.020
#> GSM76075 1 0.8661 0.60305 0.712 0.288
#> GSM76076 1 0.9491 0.50402 0.632 0.368
#> GSM76077 1 0.9044 0.52604 0.680 0.320
#> GSM76078 1 0.8661 0.60642 0.712 0.288
#> GSM76079 1 0.0000 0.59162 1.000 0.000
#> GSM76080 2 0.9977 0.05830 0.472 0.528
#> GSM76081 2 0.8608 0.60570 0.284 0.716
#> GSM76082 1 0.9815 0.39753 0.580 0.420
#> GSM76083 1 0.9608 0.47279 0.616 0.384
#> GSM76084 2 0.9944 0.14534 0.456 0.544
#> GSM76085 1 0.9661 0.46348 0.608 0.392
#> GSM76086 1 0.5178 0.62585 0.884 0.116
#> GSM76087 2 0.8386 0.65854 0.268 0.732
#> GSM76088 1 0.8909 0.55046 0.692 0.308
#> GSM76089 2 1.0000 0.11975 0.496 0.504
#> GSM76090 1 0.9087 0.56737 0.676 0.324
#> GSM76091 1 0.0938 0.59618 0.988 0.012
#> GSM76092 1 0.0938 0.60114 0.988 0.012
#> GSM76093 1 0.0376 0.59456 0.996 0.004
#> GSM76094 1 0.9608 0.36426 0.616 0.384
#> GSM76095 1 0.6712 0.63047 0.824 0.176
#> GSM76096 1 0.9209 0.32433 0.664 0.336
#> GSM76097 2 0.9775 0.28039 0.412 0.588
#> GSM76098 2 0.9248 0.41174 0.340 0.660
#> GSM76099 1 0.4161 0.62317 0.916 0.084
#> GSM76100 1 0.4939 0.61782 0.892 0.108
#> GSM76101 1 0.0376 0.59456 0.996 0.004
#> GSM76102 2 0.8499 0.61738 0.276 0.724
#> GSM76103 1 0.8327 0.60989 0.736 0.264
#> GSM76104 1 0.9635 0.46964 0.612 0.388
#> GSM76105 1 0.9944 -0.06604 0.544 0.456
#> GSM76106 2 0.9983 0.04451 0.476 0.524
#> GSM76107 2 0.8267 0.61455 0.260 0.740
#> GSM76108 1 0.8763 0.49804 0.704 0.296
#> GSM76109 1 0.0376 0.59456 0.996 0.004
#> GSM76110 1 0.5842 0.63464 0.860 0.140
#> GSM76111 1 0.6343 0.63691 0.840 0.160
#> GSM76112 1 0.2778 0.61600 0.952 0.048
#> GSM76113 1 0.9922 0.24901 0.552 0.448
#> GSM76114 1 0.6801 0.64482 0.820 0.180
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.517 0.57276 0.092 0.832 0.076
#> GSM76116 2 0.587 0.57687 0.116 0.796 0.088
#> GSM76117 2 0.682 0.53262 0.248 0.700 0.052
#> GSM76118 2 0.662 0.56573 0.176 0.744 0.080
#> GSM76119 3 0.627 0.82699 0.000 0.456 0.544
#> GSM76120 3 0.628 0.82755 0.000 0.460 0.540
#> GSM76121 2 0.823 0.28406 0.364 0.552 0.084
#> GSM76122 2 0.651 0.48725 0.072 0.748 0.180
#> GSM76123 3 0.628 0.82755 0.000 0.460 0.540
#> GSM76124 2 0.842 0.42049 0.252 0.608 0.140
#> GSM76125 3 0.628 0.82755 0.000 0.460 0.540
#> GSM76126 2 0.618 -0.00522 0.008 0.660 0.332
#> GSM76127 3 0.628 0.82755 0.000 0.460 0.540
#> GSM76128 3 0.658 0.79366 0.008 0.420 0.572
#> GSM76129 2 0.542 0.54998 0.080 0.820 0.100
#> GSM76130 3 0.626 0.82431 0.000 0.448 0.552
#> GSM76131 2 0.405 0.36644 0.004 0.848 0.148
#> GSM76132 2 0.411 0.37253 0.004 0.844 0.152
#> GSM76133 2 0.394 0.34824 0.000 0.844 0.156
#> GSM76134 2 0.500 0.56376 0.088 0.840 0.072
#> GSM76135 2 0.417 0.35821 0.004 0.840 0.156
#> GSM76136 2 0.417 0.35821 0.004 0.840 0.156
#> GSM76137 2 0.524 0.40272 0.032 0.808 0.160
#> GSM76138 2 0.526 0.57156 0.092 0.828 0.080
#> GSM76139 2 0.400 0.34215 0.000 0.840 0.160
#> GSM76140 1 0.733 0.50656 0.624 0.328 0.048
#> GSM76141 2 0.394 0.34824 0.000 0.844 0.156
#> GSM76142 2 0.417 0.35821 0.004 0.840 0.156
#> GSM76143 2 0.394 0.34824 0.000 0.844 0.156
#> GSM76144 2 0.394 0.34824 0.000 0.844 0.156
#> GSM76145 2 0.494 0.57788 0.104 0.840 0.056
#> GSM76146 2 0.435 0.36330 0.008 0.836 0.156
#> GSM76147 2 0.468 0.47804 0.040 0.848 0.112
#> GSM76148 2 0.394 0.34824 0.000 0.844 0.156
#> GSM76149 2 0.453 0.56785 0.088 0.860 0.052
#> GSM76150 2 0.453 0.56785 0.088 0.860 0.052
#> GSM76151 2 0.442 0.56815 0.088 0.864 0.048
#> GSM76152 1 0.748 0.52407 0.632 0.308 0.060
#> GSM76153 2 0.394 0.34824 0.000 0.844 0.156
#> GSM76154 2 0.463 0.56954 0.088 0.856 0.056
#> GSM76155 2 0.442 0.57057 0.088 0.864 0.048
#> GSM76156 2 0.417 0.35821 0.004 0.840 0.156
#> GSM76030 2 0.661 0.54609 0.236 0.716 0.048
#> GSM76031 1 0.729 0.51306 0.632 0.320 0.048
#> GSM76032 1 0.823 0.41459 0.564 0.348 0.088
#> GSM76033 2 0.861 0.01899 0.416 0.484 0.100
#> GSM76034 2 0.742 0.51673 0.232 0.680 0.088
#> GSM76035 2 0.819 0.26424 0.372 0.548 0.080
#> GSM76036 2 0.890 0.29372 0.320 0.536 0.144
#> GSM76037 2 0.678 0.54068 0.140 0.744 0.116
#> GSM76038 1 0.729 0.51306 0.632 0.320 0.048
#> GSM76039 2 0.790 0.32935 0.356 0.576 0.068
#> GSM76040 2 0.890 0.29946 0.320 0.536 0.144
#> GSM76041 1 0.847 0.40551 0.540 0.360 0.100
#> GSM76042 2 0.814 -0.06560 0.452 0.480 0.068
#> GSM76043 2 0.807 -0.06939 0.456 0.480 0.064
#> GSM76044 1 0.821 0.10351 0.464 0.464 0.072
#> GSM76045 1 0.738 0.50121 0.628 0.320 0.052
#> GSM76046 2 0.840 0.06183 0.400 0.512 0.088
#> GSM76047 1 0.811 0.44846 0.580 0.336 0.084
#> GSM76048 1 0.898 0.17602 0.448 0.424 0.128
#> GSM76049 2 0.671 0.54112 0.228 0.716 0.056
#> GSM76050 1 0.347 0.64541 0.904 0.056 0.040
#> GSM76051 2 0.895 0.28200 0.320 0.532 0.148
#> GSM76052 2 0.861 0.01899 0.416 0.484 0.100
#> GSM76053 2 0.826 0.21855 0.356 0.556 0.088
#> GSM76054 2 0.892 0.29137 0.324 0.532 0.144
#> GSM76055 2 0.776 0.50505 0.224 0.664 0.112
#> GSM76056 1 0.900 0.28137 0.504 0.356 0.140
#> GSM76057 1 0.898 0.22114 0.484 0.384 0.132
#> GSM76058 1 0.807 0.45807 0.596 0.316 0.088
#> GSM76059 1 0.140 0.63022 0.968 0.004 0.028
#> GSM76060 2 0.818 0.27507 0.352 0.564 0.084
#> GSM76061 2 0.782 0.47921 0.252 0.648 0.100
#> GSM76062 1 0.315 0.63365 0.916 0.036 0.048
#> GSM76063 2 0.753 0.51577 0.228 0.676 0.096
#> GSM76064 1 0.759 0.52023 0.632 0.300 0.068
#> GSM76065 2 0.675 0.57715 0.168 0.740 0.092
#> GSM76066 1 0.379 0.64355 0.892 0.060 0.048
#> GSM76067 1 0.836 0.37409 0.544 0.364 0.092
#> GSM76068 2 0.915 0.07371 0.384 0.468 0.148
#> GSM76069 1 0.756 0.52551 0.656 0.264 0.080
#> GSM76070 2 0.576 0.51586 0.076 0.800 0.124
#> GSM76071 1 0.244 0.64161 0.940 0.032 0.028
#> GSM76072 1 0.243 0.64322 0.940 0.036 0.024
#> GSM76073 1 0.205 0.63553 0.952 0.020 0.028
#> GSM76074 1 0.269 0.63905 0.932 0.036 0.032
#> GSM76075 1 0.823 0.38314 0.552 0.364 0.084
#> GSM76076 1 0.897 0.18449 0.460 0.412 0.128
#> GSM76077 2 0.817 0.17836 0.388 0.536 0.076
#> GSM76078 1 0.828 0.28843 0.516 0.404 0.080
#> GSM76079 1 0.165 0.62867 0.960 0.004 0.036
#> GSM76080 2 0.761 0.47827 0.244 0.664 0.092
#> GSM76081 2 0.611 0.36707 0.044 0.756 0.200
#> GSM76082 2 0.922 0.01284 0.400 0.448 0.152
#> GSM76083 1 0.907 0.13710 0.444 0.420 0.136
#> GSM76084 2 0.719 0.51208 0.224 0.696 0.080
#> GSM76085 2 0.851 -0.00313 0.424 0.484 0.092
#> GSM76086 1 0.518 0.62603 0.832 0.088 0.080
#> GSM76087 2 0.406 0.33692 0.000 0.836 0.164
#> GSM76088 2 0.820 0.22467 0.376 0.544 0.080
#> GSM76089 2 0.593 0.59322 0.164 0.780 0.056
#> GSM76090 1 0.852 0.29615 0.508 0.396 0.096
#> GSM76091 1 0.348 0.63007 0.904 0.052 0.044
#> GSM76092 1 0.234 0.63044 0.940 0.012 0.048
#> GSM76093 1 0.188 0.62539 0.952 0.004 0.044
#> GSM76094 2 0.781 0.36361 0.336 0.596 0.068
#> GSM76095 1 0.768 0.48357 0.608 0.328 0.064
#> GSM76096 2 0.945 0.19891 0.304 0.488 0.208
#> GSM76097 3 0.800 0.38178 0.096 0.284 0.620
#> GSM76098 3 0.754 0.44492 0.056 0.332 0.612
#> GSM76099 1 0.609 0.60945 0.776 0.156 0.068
#> GSM76100 1 0.548 0.62407 0.816 0.108 0.076
#> GSM76101 1 0.188 0.62539 0.952 0.004 0.044
#> GSM76102 2 0.659 0.15083 0.032 0.688 0.280
#> GSM76103 1 0.812 0.48821 0.608 0.292 0.100
#> GSM76104 2 0.851 -0.01275 0.428 0.480 0.092
#> GSM76105 2 0.717 0.55138 0.172 0.716 0.112
#> GSM76106 2 0.764 0.47724 0.248 0.660 0.092
#> GSM76107 2 0.636 0.12110 0.020 0.684 0.296
#> GSM76108 2 0.864 0.17462 0.400 0.496 0.104
#> GSM76109 1 0.175 0.62189 0.952 0.000 0.048
#> GSM76110 1 0.718 0.53876 0.648 0.304 0.048
#> GSM76111 1 0.738 0.51261 0.628 0.320 0.052
#> GSM76112 1 0.331 0.64793 0.908 0.064 0.028
#> GSM76113 2 0.745 0.45809 0.280 0.652 0.068
#> GSM76114 1 0.780 0.52850 0.636 0.276 0.088
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.385 0.57698 0.036 0.868 0.052 0.044
#> GSM76116 2 0.456 0.56514 0.056 0.832 0.040 0.072
#> GSM76117 2 0.592 0.50693 0.180 0.728 0.036 0.056
#> GSM76118 2 0.528 0.53193 0.112 0.788 0.052 0.048
#> GSM76119 4 0.358 0.96459 0.000 0.180 0.004 0.816
#> GSM76120 4 0.336 0.97084 0.000 0.176 0.000 0.824
#> GSM76121 2 0.743 0.28409 0.328 0.552 0.052 0.068
#> GSM76122 2 0.585 0.46118 0.012 0.724 0.096 0.168
#> GSM76123 4 0.336 0.97084 0.000 0.176 0.000 0.824
#> GSM76124 2 0.755 0.38379 0.172 0.632 0.088 0.108
#> GSM76125 4 0.336 0.97084 0.000 0.176 0.000 0.824
#> GSM76126 2 0.730 0.11482 0.012 0.504 0.112 0.372
#> GSM76127 4 0.336 0.97084 0.000 0.176 0.000 0.824
#> GSM76128 4 0.441 0.85683 0.012 0.152 0.028 0.808
#> GSM76129 2 0.484 0.56621 0.036 0.816 0.068 0.080
#> GSM76130 4 0.354 0.95807 0.000 0.176 0.004 0.820
#> GSM76131 2 0.540 0.45075 0.000 0.720 0.068 0.212
#> GSM76132 2 0.540 0.45263 0.000 0.720 0.068 0.212
#> GSM76133 2 0.557 0.43862 0.000 0.704 0.072 0.224
#> GSM76134 2 0.341 0.57520 0.032 0.888 0.040 0.040
#> GSM76135 2 0.553 0.44156 0.000 0.708 0.072 0.220
#> GSM76136 2 0.553 0.44156 0.000 0.708 0.072 0.220
#> GSM76137 2 0.631 0.47664 0.020 0.668 0.068 0.244
#> GSM76138 2 0.376 0.57758 0.036 0.872 0.052 0.040
#> GSM76139 2 0.560 0.43429 0.000 0.700 0.072 0.228
#> GSM76140 1 0.632 0.43065 0.592 0.352 0.036 0.020
#> GSM76141 2 0.557 0.43862 0.000 0.704 0.072 0.224
#> GSM76142 2 0.553 0.44156 0.000 0.708 0.072 0.220
#> GSM76143 2 0.557 0.43862 0.000 0.704 0.072 0.224
#> GSM76144 2 0.557 0.43862 0.000 0.704 0.072 0.224
#> GSM76145 2 0.366 0.58912 0.044 0.876 0.028 0.052
#> GSM76146 2 0.557 0.44331 0.000 0.704 0.072 0.224
#> GSM76147 2 0.485 0.52907 0.016 0.796 0.052 0.136
#> GSM76148 2 0.557 0.43862 0.000 0.704 0.072 0.224
#> GSM76149 2 0.348 0.57665 0.032 0.884 0.032 0.052
#> GSM76150 2 0.348 0.57665 0.032 0.884 0.032 0.052
#> GSM76151 2 0.374 0.57687 0.032 0.872 0.036 0.060
#> GSM76152 1 0.645 0.46852 0.612 0.320 0.040 0.028
#> GSM76153 2 0.557 0.43862 0.000 0.704 0.072 0.224
#> GSM76154 2 0.344 0.58182 0.032 0.884 0.024 0.060
#> GSM76155 2 0.313 0.57952 0.028 0.900 0.032 0.040
#> GSM76156 2 0.553 0.44156 0.000 0.708 0.072 0.220
#> GSM76030 2 0.619 0.52494 0.168 0.720 0.048 0.064
#> GSM76031 1 0.625 0.45006 0.608 0.336 0.036 0.020
#> GSM76032 1 0.867 0.38151 0.484 0.288 0.132 0.096
#> GSM76033 2 0.887 0.00329 0.348 0.420 0.100 0.132
#> GSM76034 2 0.714 0.46660 0.188 0.652 0.056 0.104
#> GSM76035 2 0.807 0.21054 0.348 0.492 0.068 0.092
#> GSM76036 2 0.907 0.22430 0.260 0.448 0.100 0.192
#> GSM76037 2 0.563 0.52669 0.060 0.772 0.064 0.104
#> GSM76038 1 0.625 0.45006 0.608 0.336 0.036 0.020
#> GSM76039 2 0.711 0.31872 0.316 0.580 0.060 0.044
#> GSM76040 2 0.900 0.23250 0.260 0.456 0.096 0.188
#> GSM76041 1 0.816 0.38059 0.492 0.336 0.108 0.064
#> GSM76042 2 0.760 -0.03896 0.392 0.488 0.068 0.052
#> GSM76043 2 0.778 -0.03615 0.388 0.480 0.072 0.060
#> GSM76044 2 0.747 -0.10977 0.424 0.464 0.076 0.036
#> GSM76045 1 0.670 0.44822 0.588 0.332 0.056 0.024
#> GSM76046 2 0.886 0.00616 0.320 0.444 0.104 0.132
#> GSM76047 1 0.830 0.40892 0.504 0.308 0.108 0.080
#> GSM76048 1 0.926 0.17060 0.372 0.348 0.124 0.156
#> GSM76049 2 0.610 0.51875 0.160 0.728 0.048 0.064
#> GSM76050 1 0.349 0.60362 0.884 0.048 0.028 0.040
#> GSM76051 2 0.911 0.20984 0.264 0.440 0.100 0.196
#> GSM76052 2 0.887 0.00329 0.348 0.420 0.100 0.132
#> GSM76053 2 0.858 0.16788 0.280 0.496 0.088 0.136
#> GSM76054 2 0.899 0.22486 0.264 0.456 0.096 0.184
#> GSM76055 2 0.703 0.45376 0.156 0.672 0.068 0.104
#> GSM76056 1 0.816 0.16536 0.432 0.404 0.108 0.056
#> GSM76057 2 0.817 -0.10384 0.396 0.440 0.104 0.060
#> GSM76058 1 0.848 0.40844 0.520 0.260 0.112 0.108
#> GSM76059 1 0.106 0.56856 0.972 0.000 0.016 0.012
#> GSM76060 2 0.730 0.29216 0.264 0.604 0.080 0.052
#> GSM76061 2 0.676 0.46841 0.164 0.688 0.084 0.064
#> GSM76062 1 0.372 0.58087 0.872 0.064 0.036 0.028
#> GSM76063 2 0.780 0.46707 0.176 0.608 0.080 0.136
#> GSM76064 1 0.770 0.48406 0.572 0.272 0.096 0.060
#> GSM76065 2 0.565 0.53948 0.076 0.772 0.060 0.092
#> GSM76066 1 0.427 0.59411 0.848 0.044 0.056 0.052
#> GSM76067 1 0.889 0.34138 0.464 0.288 0.116 0.132
#> GSM76068 2 0.938 0.01953 0.308 0.384 0.124 0.184
#> GSM76069 1 0.697 0.46689 0.612 0.280 0.072 0.036
#> GSM76070 2 0.585 0.54668 0.028 0.736 0.072 0.164
#> GSM76071 1 0.171 0.59330 0.952 0.020 0.004 0.024
#> GSM76072 1 0.192 0.59754 0.944 0.028 0.004 0.024
#> GSM76073 1 0.153 0.58198 0.960 0.016 0.012 0.012
#> GSM76074 1 0.228 0.58472 0.932 0.036 0.020 0.012
#> GSM76075 1 0.861 0.35491 0.472 0.316 0.104 0.108
#> GSM76076 1 0.935 0.18277 0.380 0.324 0.128 0.168
#> GSM76077 2 0.754 0.17859 0.308 0.560 0.076 0.056
#> GSM76078 1 0.848 0.22868 0.420 0.392 0.100 0.088
#> GSM76079 1 0.173 0.57244 0.948 0.004 0.040 0.008
#> GSM76080 2 0.792 0.42694 0.192 0.592 0.076 0.140
#> GSM76081 2 0.712 0.43738 0.032 0.600 0.088 0.280
#> GSM76082 2 0.938 -0.03127 0.328 0.364 0.116 0.192
#> GSM76083 1 0.942 0.15055 0.364 0.328 0.128 0.180
#> GSM76084 2 0.718 0.47393 0.164 0.660 0.072 0.104
#> GSM76085 2 0.892 -0.02204 0.356 0.408 0.104 0.132
#> GSM76086 1 0.582 0.57470 0.756 0.052 0.124 0.068
#> GSM76087 2 0.563 0.42834 0.000 0.696 0.072 0.232
#> GSM76088 2 0.732 0.26165 0.292 0.584 0.076 0.048
#> GSM76089 2 0.521 0.56130 0.108 0.792 0.040 0.060
#> GSM76090 1 0.901 0.26856 0.428 0.320 0.116 0.136
#> GSM76091 1 0.401 0.57522 0.856 0.080 0.032 0.032
#> GSM76092 1 0.169 0.57298 0.952 0.008 0.032 0.008
#> GSM76093 1 0.136 0.56253 0.960 0.000 0.032 0.008
#> GSM76094 2 0.698 0.34389 0.300 0.600 0.048 0.052
#> GSM76095 1 0.701 0.40871 0.552 0.356 0.064 0.028
#> GSM76096 2 0.912 0.15179 0.256 0.456 0.152 0.136
#> GSM76097 3 0.468 0.79969 0.048 0.100 0.820 0.032
#> GSM76098 3 0.619 0.77338 0.036 0.144 0.724 0.096
#> GSM76099 1 0.583 0.58037 0.740 0.156 0.076 0.028
#> GSM76100 1 0.500 0.56310 0.796 0.128 0.040 0.036
#> GSM76101 1 0.136 0.56253 0.960 0.000 0.032 0.008
#> GSM76102 2 0.769 0.23936 0.032 0.528 0.120 0.320
#> GSM76103 1 0.850 0.44441 0.532 0.232 0.124 0.112
#> GSM76104 2 0.892 -0.03532 0.360 0.404 0.104 0.132
#> GSM76105 2 0.608 0.51329 0.108 0.744 0.060 0.088
#> GSM76106 2 0.795 0.42772 0.196 0.588 0.076 0.140
#> GSM76107 2 0.749 0.20889 0.020 0.524 0.120 0.336
#> GSM76108 2 0.780 0.19433 0.348 0.512 0.076 0.064
#> GSM76109 1 0.155 0.56025 0.952 0.000 0.040 0.008
#> GSM76110 1 0.641 0.48580 0.612 0.320 0.048 0.020
#> GSM76111 1 0.677 0.45527 0.584 0.332 0.060 0.024
#> GSM76112 1 0.300 0.61286 0.904 0.048 0.020 0.028
#> GSM76113 2 0.722 0.43756 0.224 0.632 0.056 0.088
#> GSM76114 1 0.780 0.47817 0.564 0.276 0.092 0.068
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.407 0.4424 0.024 0.800 0.152 0.020 0.004
#> GSM76116 2 0.477 0.4305 0.052 0.772 0.140 0.028 0.008
#> GSM76117 2 0.573 0.2920 0.104 0.636 0.248 0.012 0.000
#> GSM76118 2 0.456 0.3884 0.068 0.768 0.148 0.016 0.000
#> GSM76119 4 0.213 0.9540 0.004 0.052 0.024 0.920 0.000
#> GSM76120 4 0.230 0.9578 0.000 0.052 0.032 0.912 0.004
#> GSM76121 2 0.717 0.1156 0.220 0.484 0.260 0.036 0.000
#> GSM76122 2 0.523 0.3302 0.080 0.756 0.024 0.116 0.024
#> GSM76123 4 0.230 0.9578 0.000 0.052 0.032 0.912 0.004
#> GSM76124 2 0.574 0.2722 0.204 0.692 0.040 0.044 0.020
#> GSM76125 4 0.205 0.9609 0.000 0.052 0.028 0.920 0.000
#> GSM76126 2 0.872 0.0601 0.092 0.396 0.152 0.300 0.060
#> GSM76127 4 0.205 0.9609 0.000 0.052 0.028 0.920 0.000
#> GSM76128 4 0.342 0.8354 0.012 0.036 0.064 0.868 0.020
#> GSM76129 2 0.569 0.4580 0.036 0.724 0.148 0.060 0.032
#> GSM76130 4 0.205 0.9464 0.004 0.048 0.024 0.924 0.000
#> GSM76131 2 0.807 0.3585 0.000 0.400 0.288 0.124 0.188
#> GSM76132 2 0.805 0.3561 0.000 0.404 0.284 0.120 0.192
#> GSM76133 2 0.815 0.3561 0.000 0.380 0.292 0.128 0.200
#> GSM76134 2 0.390 0.4549 0.004 0.800 0.164 0.020 0.012
#> GSM76135 2 0.814 0.3571 0.000 0.384 0.292 0.128 0.196
#> GSM76136 2 0.814 0.3571 0.000 0.384 0.292 0.128 0.196
#> GSM76137 3 0.789 -0.2822 0.000 0.356 0.368 0.096 0.180
#> GSM76138 2 0.387 0.4442 0.024 0.808 0.152 0.012 0.004
#> GSM76139 2 0.815 0.3521 0.000 0.380 0.292 0.128 0.200
#> GSM76140 1 0.708 0.4430 0.396 0.316 0.276 0.012 0.000
#> GSM76141 2 0.815 0.3561 0.000 0.380 0.292 0.128 0.200
#> GSM76142 2 0.814 0.3571 0.000 0.384 0.292 0.128 0.196
#> GSM76143 2 0.815 0.3561 0.000 0.380 0.292 0.128 0.200
#> GSM76144 2 0.815 0.3561 0.000 0.380 0.292 0.128 0.200
#> GSM76145 2 0.442 0.4266 0.008 0.752 0.208 0.020 0.012
#> GSM76146 2 0.827 0.3557 0.004 0.380 0.292 0.128 0.196
#> GSM76147 2 0.709 0.3749 0.000 0.536 0.256 0.068 0.140
#> GSM76148 2 0.815 0.3561 0.000 0.380 0.292 0.128 0.200
#> GSM76149 2 0.416 0.4451 0.004 0.772 0.192 0.020 0.012
#> GSM76150 2 0.416 0.4451 0.004 0.772 0.192 0.020 0.012
#> GSM76151 2 0.429 0.4468 0.004 0.764 0.196 0.024 0.012
#> GSM76152 1 0.694 0.4739 0.424 0.276 0.292 0.008 0.000
#> GSM76153 2 0.815 0.3561 0.000 0.380 0.292 0.128 0.200
#> GSM76154 2 0.423 0.4355 0.000 0.756 0.208 0.024 0.012
#> GSM76155 2 0.388 0.4414 0.000 0.784 0.188 0.016 0.012
#> GSM76156 2 0.814 0.3571 0.000 0.384 0.292 0.128 0.196
#> GSM76030 2 0.556 0.2235 0.056 0.600 0.332 0.008 0.004
#> GSM76031 1 0.699 0.4557 0.404 0.304 0.284 0.008 0.000
#> GSM76032 3 0.391 0.4344 0.144 0.028 0.808 0.020 0.000
#> GSM76033 3 0.438 0.6025 0.056 0.124 0.792 0.028 0.000
#> GSM76034 3 0.576 0.2409 0.020 0.404 0.536 0.032 0.008
#> GSM76035 3 0.605 0.4349 0.112 0.284 0.592 0.008 0.004
#> GSM76036 3 0.462 0.5419 0.016 0.116 0.792 0.052 0.024
#> GSM76037 2 0.470 0.4123 0.064 0.804 0.064 0.040 0.028
#> GSM76038 1 0.699 0.4557 0.404 0.304 0.284 0.008 0.000
#> GSM76039 2 0.692 0.0414 0.160 0.492 0.324 0.012 0.012
#> GSM76040 3 0.474 0.5370 0.020 0.124 0.784 0.048 0.024
#> GSM76041 3 0.629 0.2747 0.232 0.156 0.596 0.012 0.004
#> GSM76042 2 0.685 -0.1632 0.216 0.416 0.360 0.008 0.000
#> GSM76043 3 0.676 0.1702 0.196 0.364 0.432 0.008 0.000
#> GSM76044 2 0.682 -0.2014 0.240 0.408 0.348 0.000 0.004
#> GSM76045 3 0.699 -0.3801 0.356 0.260 0.376 0.008 0.000
#> GSM76046 3 0.497 0.5862 0.064 0.160 0.744 0.032 0.000
#> GSM76047 3 0.549 0.2808 0.220 0.108 0.664 0.008 0.000
#> GSM76048 3 0.377 0.5656 0.068 0.048 0.848 0.028 0.008
#> GSM76049 2 0.556 0.2169 0.056 0.600 0.332 0.008 0.004
#> GSM76050 1 0.474 0.6873 0.640 0.024 0.332 0.004 0.000
#> GSM76051 3 0.462 0.5466 0.020 0.108 0.796 0.052 0.024
#> GSM76052 3 0.438 0.6025 0.056 0.124 0.792 0.028 0.000
#> GSM76053 3 0.551 0.5328 0.060 0.236 0.672 0.032 0.000
#> GSM76054 3 0.483 0.5413 0.024 0.124 0.780 0.048 0.024
#> GSM76055 2 0.616 0.3404 0.152 0.684 0.104 0.036 0.024
#> GSM76056 2 0.846 -0.1990 0.308 0.340 0.252 0.024 0.076
#> GSM76057 2 0.846 -0.0940 0.268 0.372 0.256 0.024 0.080
#> GSM76058 3 0.403 0.4104 0.164 0.020 0.792 0.024 0.000
#> GSM76059 1 0.353 0.7232 0.744 0.000 0.256 0.000 0.000
#> GSM76060 3 0.631 0.3729 0.072 0.344 0.552 0.020 0.012
#> GSM76061 3 0.696 0.1719 0.068 0.388 0.480 0.024 0.040
#> GSM76062 1 0.574 0.6993 0.624 0.084 0.276 0.016 0.000
#> GSM76063 3 0.632 0.3324 0.012 0.288 0.600 0.052 0.048
#> GSM76064 3 0.617 0.0650 0.292 0.116 0.576 0.016 0.000
#> GSM76065 2 0.607 0.3714 0.068 0.676 0.196 0.032 0.028
#> GSM76066 1 0.505 0.6084 0.576 0.024 0.392 0.008 0.000
#> GSM76067 3 0.339 0.4827 0.116 0.012 0.844 0.028 0.000
#> GSM76068 3 0.382 0.5828 0.036 0.072 0.848 0.028 0.016
#> GSM76069 1 0.748 0.4218 0.420 0.252 0.296 0.016 0.016
#> GSM76070 3 0.751 -0.1650 0.000 0.380 0.408 0.104 0.108
#> GSM76071 1 0.406 0.7176 0.700 0.004 0.292 0.004 0.000
#> GSM76072 1 0.422 0.7185 0.688 0.008 0.300 0.004 0.000
#> GSM76073 1 0.364 0.7217 0.728 0.000 0.272 0.000 0.000
#> GSM76074 1 0.435 0.7299 0.704 0.028 0.268 0.000 0.000
#> GSM76075 3 0.453 0.4631 0.136 0.068 0.776 0.020 0.000
#> GSM76076 3 0.310 0.5495 0.060 0.024 0.884 0.020 0.012
#> GSM76077 3 0.658 0.3982 0.096 0.316 0.552 0.024 0.012
#> GSM76078 3 0.532 0.5042 0.112 0.148 0.716 0.024 0.000
#> GSM76079 1 0.464 0.7228 0.708 0.020 0.256 0.012 0.004
#> GSM76080 3 0.565 0.3980 0.008 0.272 0.648 0.048 0.024
#> GSM76081 3 0.798 -0.1620 0.004 0.268 0.436 0.100 0.192
#> GSM76082 3 0.411 0.5818 0.048 0.064 0.836 0.028 0.024
#> GSM76083 3 0.324 0.5530 0.052 0.024 0.880 0.028 0.016
#> GSM76084 3 0.558 0.3148 0.004 0.348 0.592 0.036 0.020
#> GSM76085 3 0.438 0.5993 0.056 0.124 0.792 0.028 0.000
#> GSM76086 3 0.478 -0.3561 0.428 0.000 0.552 0.020 0.000
#> GSM76087 2 0.822 0.3493 0.000 0.376 0.284 0.144 0.196
#> GSM76088 3 0.686 0.3386 0.140 0.324 0.508 0.016 0.012
#> GSM76089 2 0.490 0.3224 0.028 0.660 0.300 0.012 0.000
#> GSM76090 3 0.343 0.5270 0.084 0.032 0.856 0.028 0.000
#> GSM76091 1 0.588 0.6820 0.612 0.096 0.276 0.016 0.000
#> GSM76092 1 0.384 0.7274 0.736 0.004 0.256 0.000 0.004
#> GSM76093 1 0.361 0.7225 0.752 0.000 0.244 0.000 0.004
#> GSM76094 2 0.676 0.0654 0.156 0.504 0.320 0.016 0.004
#> GSM76095 1 0.734 0.3582 0.356 0.296 0.328 0.016 0.004
#> GSM76096 2 0.746 0.0381 0.336 0.492 0.040 0.076 0.056
#> GSM76097 5 0.328 0.8330 0.160 0.012 0.000 0.004 0.824
#> GSM76098 5 0.542 0.8223 0.120 0.020 0.056 0.056 0.748
#> GSM76099 1 0.691 0.6165 0.540 0.164 0.264 0.020 0.012
#> GSM76100 1 0.614 0.6778 0.624 0.112 0.240 0.012 0.012
#> GSM76101 1 0.361 0.7225 0.752 0.000 0.244 0.000 0.004
#> GSM76102 2 0.870 0.1715 0.104 0.428 0.160 0.252 0.056
#> GSM76103 3 0.428 0.3556 0.204 0.012 0.756 0.028 0.000
#> GSM76104 3 0.449 0.5957 0.060 0.128 0.784 0.028 0.000
#> GSM76105 2 0.499 0.4001 0.084 0.776 0.092 0.028 0.020
#> GSM76106 3 0.567 0.3941 0.008 0.276 0.644 0.048 0.024
#> GSM76107 2 0.862 0.1502 0.092 0.428 0.156 0.268 0.056
#> GSM76108 2 0.708 0.0710 0.252 0.520 0.196 0.016 0.016
#> GSM76109 1 0.373 0.7219 0.752 0.000 0.240 0.004 0.004
#> GSM76110 1 0.697 0.4739 0.412 0.276 0.304 0.008 0.000
#> GSM76111 1 0.711 0.4144 0.372 0.284 0.332 0.012 0.000
#> GSM76112 1 0.476 0.6849 0.624 0.016 0.352 0.008 0.000
#> GSM76113 3 0.576 0.2210 0.048 0.420 0.516 0.012 0.004
#> GSM76114 3 0.650 -0.0886 0.312 0.144 0.528 0.016 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.4995 0.56252 0.004 0.304 0.064 0.008 0.620 0.000
#> GSM76116 5 0.5159 0.58995 0.024 0.256 0.068 0.004 0.648 0.000
#> GSM76117 5 0.6869 0.52102 0.108 0.232 0.136 0.008 0.516 0.000
#> GSM76118 5 0.5448 0.59018 0.040 0.188 0.096 0.008 0.668 0.000
#> GSM76119 4 0.2062 0.95723 0.000 0.088 0.004 0.900 0.008 0.000
#> GSM76120 4 0.2009 0.95964 0.000 0.084 0.004 0.904 0.008 0.000
#> GSM76121 5 0.7805 0.38058 0.240 0.176 0.124 0.024 0.428 0.008
#> GSM76122 5 0.4379 0.42455 0.000 0.092 0.064 0.072 0.772 0.000
#> GSM76123 4 0.2009 0.95964 0.000 0.084 0.004 0.904 0.008 0.000
#> GSM76124 5 0.4750 0.39657 0.092 0.048 0.052 0.032 0.772 0.004
#> GSM76125 4 0.2009 0.96215 0.000 0.084 0.004 0.904 0.008 0.000
#> GSM76126 2 0.8264 -0.03523 0.028 0.304 0.076 0.288 0.272 0.032
#> GSM76127 4 0.2009 0.96215 0.000 0.084 0.004 0.904 0.008 0.000
#> GSM76128 4 0.1659 0.83327 0.004 0.004 0.036 0.940 0.012 0.004
#> GSM76129 5 0.6063 0.45933 0.008 0.392 0.068 0.032 0.492 0.008
#> GSM76130 4 0.2009 0.95115 0.000 0.084 0.004 0.904 0.008 0.000
#> GSM76131 2 0.0777 0.74270 0.000 0.972 0.000 0.004 0.024 0.000
#> GSM76132 2 0.1155 0.73461 0.000 0.956 0.004 0.004 0.036 0.000
#> GSM76133 2 0.0146 0.75582 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76134 5 0.5094 0.47865 0.000 0.400 0.048 0.016 0.536 0.000
#> GSM76135 2 0.0260 0.75531 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM76136 2 0.0260 0.75531 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM76137 2 0.3786 0.63294 0.000 0.816 0.052 0.068 0.064 0.000
#> GSM76138 5 0.5026 0.55883 0.004 0.312 0.064 0.008 0.612 0.000
#> GSM76139 2 0.0291 0.75335 0.000 0.992 0.000 0.004 0.004 0.000
#> GSM76140 1 0.6216 0.38269 0.484 0.032 0.152 0.000 0.332 0.000
#> GSM76141 2 0.0146 0.75582 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76142 2 0.0260 0.75531 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM76143 2 0.0146 0.75582 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76144 2 0.0146 0.75582 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76145 5 0.5745 0.47344 0.016 0.400 0.076 0.012 0.496 0.000
#> GSM76146 2 0.0458 0.75166 0.000 0.984 0.000 0.000 0.016 0.000
#> GSM76147 2 0.3712 0.43858 0.004 0.760 0.032 0.000 0.204 0.000
#> GSM76148 2 0.0146 0.75582 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76149 5 0.5126 0.47143 0.004 0.412 0.052 0.008 0.524 0.000
#> GSM76150 5 0.5126 0.47143 0.004 0.412 0.052 0.008 0.524 0.000
#> GSM76151 5 0.5136 0.46164 0.004 0.420 0.052 0.008 0.516 0.000
#> GSM76152 1 0.6175 0.43071 0.512 0.032 0.160 0.000 0.296 0.000
#> GSM76153 2 0.0146 0.75582 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76154 5 0.5356 0.46598 0.004 0.408 0.064 0.012 0.512 0.000
#> GSM76155 5 0.5268 0.47365 0.004 0.408 0.064 0.008 0.516 0.000
#> GSM76156 2 0.0260 0.75531 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM76030 5 0.7059 0.45201 0.076 0.296 0.180 0.008 0.440 0.000
#> GSM76031 1 0.6249 0.40159 0.484 0.032 0.160 0.000 0.324 0.000
#> GSM76032 3 0.5179 0.57515 0.172 0.072 0.696 0.004 0.056 0.000
#> GSM76033 3 0.6102 0.63338 0.104 0.196 0.620 0.016 0.064 0.000
#> GSM76034 3 0.7119 0.13324 0.036 0.352 0.352 0.020 0.240 0.000
#> GSM76035 3 0.7679 0.29013 0.196 0.280 0.336 0.004 0.184 0.000
#> GSM76036 3 0.6146 0.56122 0.068 0.312 0.552 0.044 0.024 0.000
#> GSM76037 5 0.4531 0.56767 0.024 0.188 0.032 0.012 0.740 0.004
#> GSM76038 1 0.6249 0.40159 0.484 0.032 0.160 0.000 0.324 0.000
#> GSM76039 5 0.7631 0.37209 0.248 0.196 0.140 0.004 0.404 0.008
#> GSM76040 3 0.6375 0.55549 0.080 0.316 0.536 0.036 0.028 0.004
#> GSM76041 3 0.6851 0.34530 0.316 0.084 0.456 0.004 0.140 0.000
#> GSM76042 5 0.7391 0.12770 0.264 0.104 0.252 0.004 0.376 0.000
#> GSM76043 5 0.7509 -0.03829 0.248 0.116 0.304 0.004 0.328 0.000
#> GSM76044 5 0.7363 0.07446 0.304 0.100 0.228 0.004 0.364 0.000
#> GSM76045 1 0.6820 0.35825 0.456 0.040 0.236 0.004 0.260 0.004
#> GSM76046 3 0.6347 0.60369 0.084 0.160 0.608 0.016 0.132 0.000
#> GSM76047 3 0.6536 0.44048 0.244 0.068 0.532 0.000 0.152 0.004
#> GSM76048 3 0.5302 0.64681 0.088 0.132 0.712 0.024 0.044 0.000
#> GSM76049 5 0.6878 0.45305 0.060 0.276 0.188 0.008 0.468 0.000
#> GSM76050 1 0.3057 0.66123 0.844 0.008 0.120 0.000 0.024 0.004
#> GSM76051 3 0.6133 0.56516 0.068 0.308 0.556 0.044 0.024 0.000
#> GSM76052 3 0.6102 0.63338 0.104 0.196 0.620 0.016 0.064 0.000
#> GSM76053 3 0.6753 0.52298 0.068 0.192 0.540 0.016 0.184 0.000
#> GSM76054 3 0.6417 0.55845 0.084 0.316 0.532 0.036 0.028 0.004
#> GSM76055 5 0.5914 0.53201 0.104 0.144 0.076 0.012 0.660 0.004
#> GSM76056 5 0.8420 -0.04123 0.292 0.156 0.188 0.012 0.312 0.040
#> GSM76057 5 0.8470 0.07191 0.232 0.156 0.208 0.016 0.348 0.040
#> GSM76058 3 0.5342 0.56685 0.212 0.088 0.664 0.012 0.024 0.000
#> GSM76059 1 0.0858 0.69024 0.968 0.000 0.028 0.000 0.000 0.004
#> GSM76060 3 0.7675 0.29901 0.128 0.228 0.360 0.012 0.272 0.000
#> GSM76061 3 0.7448 0.10111 0.076 0.308 0.312 0.012 0.292 0.000
#> GSM76062 1 0.4204 0.65813 0.740 0.000 0.132 0.000 0.128 0.000
#> GSM76063 2 0.6515 -0.30215 0.028 0.448 0.392 0.032 0.100 0.000
#> GSM76064 3 0.6625 0.21857 0.368 0.080 0.432 0.000 0.120 0.000
#> GSM76065 5 0.5899 0.55690 0.032 0.208 0.128 0.008 0.620 0.004
#> GSM76066 1 0.3917 0.47453 0.692 0.000 0.284 0.000 0.024 0.000
#> GSM76067 3 0.5264 0.60389 0.180 0.100 0.684 0.020 0.016 0.000
#> GSM76068 3 0.6004 0.61016 0.096 0.248 0.604 0.028 0.020 0.004
#> GSM76069 1 0.6798 0.39082 0.484 0.048 0.172 0.008 0.284 0.004
#> GSM76070 2 0.5104 0.37147 0.000 0.660 0.212 0.016 0.112 0.000
#> GSM76071 1 0.2044 0.69003 0.908 0.004 0.076 0.000 0.008 0.004
#> GSM76072 1 0.2357 0.68780 0.888 0.004 0.092 0.000 0.012 0.004
#> GSM76073 1 0.1349 0.69385 0.940 0.000 0.056 0.000 0.000 0.004
#> GSM76074 1 0.2128 0.70181 0.908 0.000 0.056 0.000 0.032 0.004
#> GSM76075 3 0.5856 0.58741 0.164 0.084 0.648 0.008 0.096 0.000
#> GSM76076 3 0.5166 0.63510 0.104 0.156 0.704 0.020 0.012 0.004
#> GSM76077 3 0.7533 0.33954 0.116 0.180 0.400 0.016 0.288 0.000
#> GSM76078 3 0.6825 0.59465 0.176 0.128 0.548 0.012 0.136 0.000
#> GSM76079 1 0.2968 0.68659 0.864 0.000 0.064 0.004 0.060 0.008
#> GSM76080 3 0.7017 0.37167 0.040 0.376 0.408 0.036 0.140 0.000
#> GSM76081 2 0.4741 0.54856 0.000 0.732 0.156 0.072 0.036 0.004
#> GSM76082 3 0.5986 0.61501 0.104 0.244 0.604 0.028 0.016 0.004
#> GSM76083 3 0.5244 0.62983 0.100 0.160 0.700 0.020 0.016 0.004
#> GSM76084 2 0.6633 -0.34084 0.012 0.392 0.388 0.024 0.184 0.000
#> GSM76085 3 0.6102 0.63470 0.104 0.200 0.620 0.020 0.056 0.000
#> GSM76086 3 0.4315 -0.07290 0.492 0.000 0.492 0.004 0.012 0.000
#> GSM76087 2 0.0777 0.74392 0.000 0.972 0.000 0.024 0.004 0.000
#> GSM76088 3 0.7885 0.23845 0.164 0.212 0.332 0.016 0.276 0.000
#> GSM76089 5 0.6272 0.51542 0.032 0.312 0.148 0.004 0.504 0.000
#> GSM76090 3 0.5443 0.62786 0.148 0.120 0.684 0.020 0.028 0.000
#> GSM76091 1 0.4494 0.63938 0.720 0.000 0.140 0.004 0.136 0.000
#> GSM76092 1 0.1429 0.70002 0.940 0.000 0.052 0.000 0.004 0.004
#> GSM76093 1 0.0935 0.68788 0.964 0.000 0.032 0.000 0.000 0.004
#> GSM76094 5 0.7477 0.39190 0.224 0.200 0.140 0.004 0.428 0.004
#> GSM76095 1 0.6891 0.33031 0.420 0.036 0.204 0.008 0.328 0.004
#> GSM76096 5 0.7115 0.06477 0.204 0.016 0.112 0.060 0.560 0.048
#> GSM76097 6 0.0405 0.85988 0.008 0.004 0.000 0.000 0.000 0.988
#> GSM76098 6 0.3150 0.85179 0.000 0.036 0.040 0.068 0.000 0.856
#> GSM76099 1 0.5679 0.59553 0.640 0.020 0.116 0.008 0.208 0.008
#> GSM76100 1 0.4502 0.66126 0.768 0.012 0.088 0.008 0.112 0.012
#> GSM76101 1 0.0777 0.68573 0.972 0.000 0.024 0.000 0.000 0.004
#> GSM76102 2 0.8490 -0.00473 0.044 0.308 0.088 0.224 0.304 0.032
#> GSM76103 3 0.5050 0.51862 0.240 0.064 0.668 0.008 0.020 0.000
#> GSM76104 3 0.6125 0.63491 0.104 0.192 0.624 0.024 0.056 0.000
#> GSM76105 5 0.4973 0.58611 0.052 0.180 0.040 0.008 0.716 0.004
#> GSM76106 3 0.7040 0.36539 0.040 0.376 0.404 0.036 0.144 0.000
#> GSM76107 2 0.8347 0.00277 0.032 0.308 0.084 0.240 0.304 0.032
#> GSM76108 5 0.6764 0.28244 0.296 0.124 0.092 0.000 0.484 0.004
#> GSM76109 1 0.0922 0.68337 0.968 0.000 0.024 0.000 0.004 0.004
#> GSM76110 1 0.6150 0.45064 0.520 0.032 0.160 0.000 0.288 0.000
#> GSM76111 1 0.6557 0.38477 0.456 0.032 0.200 0.000 0.308 0.004
#> GSM76112 1 0.3300 0.65390 0.816 0.008 0.152 0.000 0.020 0.004
#> GSM76113 3 0.7368 0.08061 0.076 0.288 0.324 0.008 0.304 0.000
#> GSM76114 3 0.6937 0.15887 0.304 0.040 0.432 0.008 0.212 0.004
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> CV:hclust 70 1.03e-09 2
#> CV:hclust 59 7.12e-06 3
#> CV:hclust 48 5.60e-06 4
#> CV:hclust 43 4.26e-10 5
#> CV:hclust 74 8.65e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "kmeans"]
# you can also extract it by
# res = res_list["CV:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.737 0.885 0.947 0.4985 0.496 0.496
#> 3 3 0.421 0.647 0.793 0.2978 0.796 0.608
#> 4 4 0.533 0.649 0.717 0.1281 0.849 0.596
#> 5 5 0.708 0.764 0.851 0.0715 0.929 0.738
#> 6 6 0.709 0.584 0.732 0.0436 0.957 0.805
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.921 0.000 1.000
#> GSM76116 2 0.7219 0.755 0.200 0.800
#> GSM76117 1 0.4815 0.871 0.896 0.104
#> GSM76118 1 0.5842 0.833 0.860 0.140
#> GSM76119 2 0.0000 0.921 0.000 1.000
#> GSM76120 2 0.0000 0.921 0.000 1.000
#> GSM76121 1 0.1843 0.944 0.972 0.028
#> GSM76122 1 0.6531 0.798 0.832 0.168
#> GSM76123 2 0.0000 0.921 0.000 1.000
#> GSM76124 1 0.2423 0.934 0.960 0.040
#> GSM76125 2 0.0000 0.921 0.000 1.000
#> GSM76126 2 0.0000 0.921 0.000 1.000
#> GSM76127 2 0.0000 0.921 0.000 1.000
#> GSM76128 2 0.9427 0.522 0.360 0.640
#> GSM76129 2 0.0000 0.921 0.000 1.000
#> GSM76130 2 0.0000 0.921 0.000 1.000
#> GSM76131 2 0.0000 0.921 0.000 1.000
#> GSM76132 2 0.0000 0.921 0.000 1.000
#> GSM76133 2 0.0000 0.921 0.000 1.000
#> GSM76134 2 0.0000 0.921 0.000 1.000
#> GSM76135 2 0.0000 0.921 0.000 1.000
#> GSM76136 2 0.0000 0.921 0.000 1.000
#> GSM76137 2 0.0000 0.921 0.000 1.000
#> GSM76138 2 0.0000 0.921 0.000 1.000
#> GSM76139 2 0.0000 0.921 0.000 1.000
#> GSM76140 1 0.0000 0.965 1.000 0.000
#> GSM76141 2 0.0000 0.921 0.000 1.000
#> GSM76142 2 0.0000 0.921 0.000 1.000
#> GSM76143 2 0.0000 0.921 0.000 1.000
#> GSM76144 2 0.0000 0.921 0.000 1.000
#> GSM76145 2 0.0000 0.921 0.000 1.000
#> GSM76146 2 0.0000 0.921 0.000 1.000
#> GSM76147 2 0.0000 0.921 0.000 1.000
#> GSM76148 2 0.0000 0.921 0.000 1.000
#> GSM76149 2 0.0000 0.921 0.000 1.000
#> GSM76150 2 0.0000 0.921 0.000 1.000
#> GSM76151 2 0.0000 0.921 0.000 1.000
#> GSM76152 1 0.0000 0.965 1.000 0.000
#> GSM76153 2 0.0000 0.921 0.000 1.000
#> GSM76154 2 0.0000 0.921 0.000 1.000
#> GSM76155 2 0.0000 0.921 0.000 1.000
#> GSM76156 2 0.0000 0.921 0.000 1.000
#> GSM76030 2 0.0672 0.917 0.008 0.992
#> GSM76031 1 0.0000 0.965 1.000 0.000
#> GSM76032 1 0.0000 0.965 1.000 0.000
#> GSM76033 2 0.9963 0.251 0.464 0.536
#> GSM76034 2 0.2603 0.895 0.044 0.956
#> GSM76035 1 0.8207 0.631 0.744 0.256
#> GSM76036 2 0.1843 0.906 0.028 0.972
#> GSM76037 2 0.0672 0.917 0.008 0.992
#> GSM76038 1 0.0000 0.965 1.000 0.000
#> GSM76039 1 0.0000 0.965 1.000 0.000
#> GSM76040 2 0.5178 0.842 0.116 0.884
#> GSM76041 1 0.0000 0.965 1.000 0.000
#> GSM76042 1 0.0000 0.965 1.000 0.000
#> GSM76043 1 0.0000 0.965 1.000 0.000
#> GSM76044 1 0.0000 0.965 1.000 0.000
#> GSM76045 1 0.0000 0.965 1.000 0.000
#> GSM76046 2 0.9393 0.528 0.356 0.644
#> GSM76047 1 0.0000 0.965 1.000 0.000
#> GSM76048 1 0.3584 0.905 0.932 0.068
#> GSM76049 1 0.8763 0.550 0.704 0.296
#> GSM76050 1 0.0000 0.965 1.000 0.000
#> GSM76051 2 0.7376 0.750 0.208 0.792
#> GSM76052 2 0.9460 0.512 0.364 0.636
#> GSM76053 2 0.9833 0.366 0.424 0.576
#> GSM76054 2 0.4939 0.848 0.108 0.892
#> GSM76055 1 0.9044 0.505 0.680 0.320
#> GSM76056 1 0.0000 0.965 1.000 0.000
#> GSM76057 1 0.0000 0.965 1.000 0.000
#> GSM76058 1 0.0000 0.965 1.000 0.000
#> GSM76059 1 0.0000 0.965 1.000 0.000
#> GSM76060 1 0.1184 0.953 0.984 0.016
#> GSM76061 2 0.4939 0.848 0.108 0.892
#> GSM76062 1 0.0000 0.965 1.000 0.000
#> GSM76063 2 0.0000 0.921 0.000 1.000
#> GSM76064 1 0.0000 0.965 1.000 0.000
#> GSM76065 2 0.1184 0.912 0.016 0.984
#> GSM76066 1 0.0000 0.965 1.000 0.000
#> GSM76067 1 0.0000 0.965 1.000 0.000
#> GSM76068 2 0.8661 0.646 0.288 0.712
#> GSM76069 1 0.0000 0.965 1.000 0.000
#> GSM76070 2 0.0000 0.921 0.000 1.000
#> GSM76071 1 0.0000 0.965 1.000 0.000
#> GSM76072 1 0.0000 0.965 1.000 0.000
#> GSM76073 1 0.0000 0.965 1.000 0.000
#> GSM76074 1 0.0000 0.965 1.000 0.000
#> GSM76075 1 0.0000 0.965 1.000 0.000
#> GSM76076 2 0.9248 0.559 0.340 0.660
#> GSM76077 1 0.0000 0.965 1.000 0.000
#> GSM76078 1 0.0000 0.965 1.000 0.000
#> GSM76079 1 0.0000 0.965 1.000 0.000
#> GSM76080 2 0.0000 0.921 0.000 1.000
#> GSM76081 2 0.0000 0.921 0.000 1.000
#> GSM76082 1 0.8499 0.598 0.724 0.276
#> GSM76083 2 0.7139 0.763 0.196 0.804
#> GSM76084 2 0.0000 0.921 0.000 1.000
#> GSM76085 2 0.9775 0.401 0.412 0.588
#> GSM76086 1 0.0000 0.965 1.000 0.000
#> GSM76087 2 0.0000 0.921 0.000 1.000
#> GSM76088 1 0.0000 0.965 1.000 0.000
#> GSM76089 2 0.0000 0.921 0.000 1.000
#> GSM76090 1 0.0000 0.965 1.000 0.000
#> GSM76091 1 0.0000 0.965 1.000 0.000
#> GSM76092 1 0.0000 0.965 1.000 0.000
#> GSM76093 1 0.0000 0.965 1.000 0.000
#> GSM76094 1 0.6343 0.810 0.840 0.160
#> GSM76095 1 0.0000 0.965 1.000 0.000
#> GSM76096 1 0.0000 0.965 1.000 0.000
#> GSM76097 1 0.0000 0.965 1.000 0.000
#> GSM76098 2 0.0000 0.921 0.000 1.000
#> GSM76099 1 0.0000 0.965 1.000 0.000
#> GSM76100 1 0.0000 0.965 1.000 0.000
#> GSM76101 1 0.0000 0.965 1.000 0.000
#> GSM76102 1 0.0938 0.956 0.988 0.012
#> GSM76103 1 0.0000 0.965 1.000 0.000
#> GSM76104 2 0.8813 0.624 0.300 0.700
#> GSM76105 1 0.4298 0.887 0.912 0.088
#> GSM76106 2 0.0000 0.921 0.000 1.000
#> GSM76107 2 0.0000 0.921 0.000 1.000
#> GSM76108 1 0.0000 0.965 1.000 0.000
#> GSM76109 1 0.0000 0.965 1.000 0.000
#> GSM76110 1 0.0000 0.965 1.000 0.000
#> GSM76111 1 0.0000 0.965 1.000 0.000
#> GSM76112 1 0.0000 0.965 1.000 0.000
#> GSM76113 2 0.9358 0.532 0.352 0.648
#> GSM76114 1 0.0000 0.965 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.4750 0.70106 0.000 0.784 0.216
#> GSM76116 2 0.8526 0.35919 0.120 0.572 0.308
#> GSM76117 1 0.9450 0.38727 0.492 0.212 0.296
#> GSM76118 1 0.9555 0.37614 0.476 0.224 0.300
#> GSM76119 2 0.5785 0.60800 0.000 0.668 0.332
#> GSM76120 2 0.5785 0.60094 0.000 0.668 0.332
#> GSM76121 1 0.5763 0.69518 0.740 0.016 0.244
#> GSM76122 1 0.9457 0.39326 0.484 0.204 0.312
#> GSM76123 2 0.5785 0.60094 0.000 0.668 0.332
#> GSM76124 1 0.8067 0.58630 0.616 0.100 0.284
#> GSM76125 2 0.5621 0.61723 0.000 0.692 0.308
#> GSM76126 2 0.5733 0.61055 0.000 0.676 0.324
#> GSM76127 2 0.5785 0.60094 0.000 0.668 0.332
#> GSM76128 3 0.5659 0.62770 0.052 0.152 0.796
#> GSM76129 2 0.1289 0.83187 0.000 0.968 0.032
#> GSM76130 2 0.5733 0.61055 0.000 0.676 0.324
#> GSM76131 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76134 2 0.1860 0.82662 0.000 0.948 0.052
#> GSM76135 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76136 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76137 2 0.1753 0.82767 0.000 0.952 0.048
#> GSM76138 2 0.6475 0.56875 0.028 0.692 0.280
#> GSM76139 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76140 1 0.2625 0.75028 0.916 0.000 0.084
#> GSM76141 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76145 2 0.2796 0.81158 0.000 0.908 0.092
#> GSM76146 2 0.0424 0.83214 0.000 0.992 0.008
#> GSM76147 2 0.1163 0.82840 0.000 0.972 0.028
#> GSM76148 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76149 2 0.1964 0.82503 0.000 0.944 0.056
#> GSM76150 2 0.1860 0.82662 0.000 0.948 0.052
#> GSM76151 2 0.2066 0.82510 0.000 0.940 0.060
#> GSM76152 1 0.1643 0.75425 0.956 0.000 0.044
#> GSM76153 2 0.0000 0.83317 0.000 1.000 0.000
#> GSM76154 2 0.1964 0.82503 0.000 0.944 0.056
#> GSM76155 2 0.3482 0.78886 0.000 0.872 0.128
#> GSM76156 2 0.0892 0.82824 0.000 0.980 0.020
#> GSM76030 2 0.4963 0.69008 0.008 0.792 0.200
#> GSM76031 1 0.1964 0.75345 0.944 0.000 0.056
#> GSM76032 3 0.5363 0.52677 0.276 0.000 0.724
#> GSM76033 3 0.5481 0.71023 0.108 0.076 0.816
#> GSM76034 2 0.6205 0.53795 0.008 0.656 0.336
#> GSM76035 3 0.6728 0.69346 0.184 0.080 0.736
#> GSM76036 3 0.6773 0.56626 0.024 0.340 0.636
#> GSM76037 2 0.7416 0.51513 0.068 0.656 0.276
#> GSM76038 1 0.2448 0.75678 0.924 0.000 0.076
#> GSM76039 1 0.3116 0.74969 0.892 0.000 0.108
#> GSM76040 3 0.6835 0.64417 0.040 0.284 0.676
#> GSM76041 1 0.4605 0.67680 0.796 0.000 0.204
#> GSM76042 1 0.5058 0.69585 0.756 0.000 0.244
#> GSM76043 3 0.6483 0.15635 0.392 0.008 0.600
#> GSM76044 1 0.5138 0.69247 0.748 0.000 0.252
#> GSM76045 1 0.4399 0.72472 0.812 0.000 0.188
#> GSM76046 3 0.5012 0.67515 0.080 0.080 0.840
#> GSM76047 1 0.6308 0.28490 0.508 0.000 0.492
#> GSM76048 3 0.5635 0.67164 0.180 0.036 0.784
#> GSM76049 1 0.9989 0.06959 0.352 0.336 0.312
#> GSM76050 1 0.2537 0.72744 0.920 0.000 0.080
#> GSM76051 3 0.7801 0.65752 0.088 0.276 0.636
#> GSM76052 3 0.5811 0.72208 0.092 0.108 0.800
#> GSM76053 3 0.6488 0.61276 0.160 0.084 0.756
#> GSM76054 3 0.6852 0.62788 0.036 0.300 0.664
#> GSM76055 1 0.9904 0.21149 0.400 0.316 0.284
#> GSM76056 1 0.1529 0.75133 0.960 0.000 0.040
#> GSM76057 1 0.8572 0.51155 0.580 0.132 0.288
#> GSM76058 3 0.6284 0.55380 0.304 0.016 0.680
#> GSM76059 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76060 3 0.9083 0.33964 0.256 0.196 0.548
#> GSM76061 2 0.8079 0.42002 0.112 0.628 0.260
#> GSM76062 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76063 2 0.2356 0.81754 0.000 0.928 0.072
#> GSM76064 1 0.6244 0.30678 0.560 0.000 0.440
#> GSM76065 2 0.7303 0.51620 0.076 0.680 0.244
#> GSM76066 1 0.3482 0.67824 0.872 0.000 0.128
#> GSM76067 1 0.6244 -0.00313 0.560 0.000 0.440
#> GSM76068 3 0.8195 0.68672 0.136 0.232 0.632
#> GSM76069 1 0.4842 0.70662 0.776 0.000 0.224
#> GSM76070 2 0.2066 0.82586 0.000 0.940 0.060
#> GSM76071 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76072 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76073 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76074 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76075 3 0.5581 0.65494 0.168 0.040 0.792
#> GSM76076 3 0.8007 0.68457 0.116 0.244 0.640
#> GSM76077 1 0.6621 0.63729 0.684 0.032 0.284
#> GSM76078 3 0.7327 0.38501 0.312 0.052 0.636
#> GSM76079 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76080 3 0.6045 0.46013 0.000 0.380 0.620
#> GSM76081 3 0.6168 0.41652 0.000 0.412 0.588
#> GSM76082 3 0.7829 0.71690 0.164 0.164 0.672
#> GSM76083 3 0.7694 0.64430 0.076 0.292 0.632
#> GSM76084 2 0.4452 0.71915 0.000 0.808 0.192
#> GSM76085 3 0.5740 0.72146 0.096 0.100 0.804
#> GSM76086 1 0.6252 -0.01027 0.556 0.000 0.444
#> GSM76087 2 0.1031 0.82665 0.000 0.976 0.024
#> GSM76088 1 0.8373 0.36486 0.524 0.088 0.388
#> GSM76089 2 0.4059 0.78037 0.012 0.860 0.128
#> GSM76090 3 0.6596 0.59371 0.256 0.040 0.704
#> GSM76091 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76092 1 0.0592 0.75271 0.988 0.000 0.012
#> GSM76093 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76094 1 0.9591 0.35422 0.472 0.232 0.296
#> GSM76095 1 0.4702 0.71352 0.788 0.000 0.212
#> GSM76096 1 0.4178 0.73205 0.828 0.000 0.172
#> GSM76097 1 0.4555 0.72399 0.800 0.000 0.200
#> GSM76098 3 0.6057 0.48867 0.004 0.340 0.656
#> GSM76099 1 0.3752 0.74125 0.856 0.000 0.144
#> GSM76100 1 0.1163 0.75344 0.972 0.000 0.028
#> GSM76101 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76102 1 0.3846 0.74483 0.876 0.016 0.108
#> GSM76103 3 0.6235 0.20389 0.436 0.000 0.564
#> GSM76104 3 0.5393 0.72421 0.072 0.108 0.820
#> GSM76105 1 0.8122 0.56261 0.608 0.100 0.292
#> GSM76106 3 0.6280 0.10015 0.000 0.460 0.540
#> GSM76107 2 0.5733 0.61055 0.000 0.676 0.324
#> GSM76108 1 0.4974 0.70270 0.764 0.000 0.236
#> GSM76109 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76110 1 0.1163 0.75074 0.972 0.000 0.028
#> GSM76111 1 0.1289 0.75664 0.968 0.000 0.032
#> GSM76112 1 0.1411 0.74917 0.964 0.000 0.036
#> GSM76113 3 0.5407 0.67952 0.076 0.104 0.820
#> GSM76114 1 0.4654 0.71114 0.792 0.000 0.208
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.5768 0.0880 0.000 0.456 0.028 0.516
#> GSM76116 4 0.5622 0.5913 0.028 0.256 0.020 0.696
#> GSM76117 4 0.6471 0.7105 0.152 0.140 0.020 0.688
#> GSM76118 4 0.6366 0.7102 0.160 0.124 0.020 0.696
#> GSM76119 2 0.7696 0.4592 0.000 0.436 0.232 0.332
#> GSM76120 2 0.7771 0.4374 0.000 0.424 0.256 0.320
#> GSM76121 4 0.4814 0.5904 0.316 0.000 0.008 0.676
#> GSM76122 4 0.5878 0.7014 0.176 0.092 0.012 0.720
#> GSM76123 2 0.7771 0.4374 0.000 0.424 0.256 0.320
#> GSM76124 4 0.5865 0.6782 0.232 0.060 0.012 0.696
#> GSM76125 2 0.7634 0.4597 0.000 0.464 0.236 0.300
#> GSM76126 2 0.7640 0.4568 0.000 0.456 0.228 0.316
#> GSM76127 2 0.7771 0.4374 0.000 0.424 0.256 0.320
#> GSM76128 3 0.4522 0.4934 0.000 0.000 0.680 0.320
#> GSM76129 2 0.1743 0.7627 0.000 0.940 0.004 0.056
#> GSM76130 2 0.7631 0.4645 0.000 0.456 0.224 0.320
#> GSM76131 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76134 2 0.3659 0.7301 0.000 0.840 0.024 0.136
#> GSM76135 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76137 2 0.3856 0.7400 0.000 0.832 0.032 0.136
#> GSM76138 4 0.5311 0.4611 0.000 0.328 0.024 0.648
#> GSM76139 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76140 1 0.4193 0.5524 0.732 0.000 0.000 0.268
#> GSM76141 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76145 2 0.5122 0.6809 0.000 0.756 0.080 0.164
#> GSM76146 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76147 2 0.1940 0.7501 0.000 0.924 0.000 0.076
#> GSM76148 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76149 2 0.3760 0.7293 0.000 0.836 0.028 0.136
#> GSM76150 2 0.3812 0.7272 0.000 0.832 0.028 0.140
#> GSM76151 2 0.3711 0.7282 0.000 0.836 0.024 0.140
#> GSM76152 1 0.0188 0.8501 0.996 0.000 0.000 0.004
#> GSM76153 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76154 2 0.3913 0.7218 0.000 0.824 0.028 0.148
#> GSM76155 2 0.3853 0.7139 0.000 0.820 0.020 0.160
#> GSM76156 2 0.0000 0.7727 0.000 1.000 0.000 0.000
#> GSM76030 2 0.6547 0.4906 0.000 0.616 0.124 0.260
#> GSM76031 1 0.0336 0.8488 0.992 0.000 0.000 0.008
#> GSM76032 3 0.4318 0.7920 0.068 0.000 0.816 0.116
#> GSM76033 3 0.3781 0.8110 0.024 0.016 0.856 0.104
#> GSM76034 2 0.7601 0.2763 0.000 0.472 0.232 0.296
#> GSM76035 3 0.4071 0.8126 0.036 0.016 0.844 0.104
#> GSM76036 3 0.2799 0.7939 0.000 0.108 0.884 0.008
#> GSM76037 4 0.5425 0.5476 0.020 0.288 0.012 0.680
#> GSM76038 1 0.2730 0.7893 0.896 0.000 0.016 0.088
#> GSM76039 1 0.4830 0.1484 0.608 0.000 0.000 0.392
#> GSM76040 3 0.3080 0.8047 0.000 0.096 0.880 0.024
#> GSM76041 1 0.6063 0.5103 0.680 0.000 0.196 0.124
#> GSM76042 4 0.5080 0.4405 0.420 0.000 0.004 0.576
#> GSM76043 3 0.5936 0.4428 0.044 0.000 0.576 0.380
#> GSM76044 4 0.4964 0.5102 0.380 0.000 0.004 0.616
#> GSM76045 1 0.4744 0.4587 0.704 0.000 0.012 0.284
#> GSM76046 3 0.3990 0.7826 0.004 0.012 0.808 0.176
#> GSM76047 3 0.7419 0.1179 0.168 0.000 0.436 0.396
#> GSM76048 3 0.3884 0.8127 0.036 0.016 0.856 0.092
#> GSM76049 4 0.6696 0.6682 0.084 0.204 0.040 0.672
#> GSM76050 1 0.1661 0.8056 0.944 0.000 0.052 0.004
#> GSM76051 3 0.3046 0.8015 0.016 0.096 0.884 0.004
#> GSM76052 3 0.3769 0.8135 0.020 0.024 0.860 0.096
#> GSM76053 3 0.6073 0.2512 0.028 0.008 0.496 0.468
#> GSM76054 3 0.3037 0.8025 0.000 0.100 0.880 0.020
#> GSM76055 4 0.6418 0.7038 0.140 0.180 0.008 0.672
#> GSM76056 1 0.3764 0.6266 0.784 0.000 0.000 0.216
#> GSM76057 4 0.7096 0.7032 0.152 0.164 0.036 0.648
#> GSM76058 3 0.4205 0.7847 0.124 0.000 0.820 0.056
#> GSM76059 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76060 4 0.6601 0.3528 0.024 0.060 0.296 0.620
#> GSM76061 2 0.6016 -0.0826 0.016 0.504 0.016 0.464
#> GSM76062 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76063 2 0.4740 0.7014 0.000 0.788 0.132 0.080
#> GSM76064 3 0.7085 0.4611 0.156 0.000 0.544 0.300
#> GSM76065 4 0.5577 0.4616 0.016 0.364 0.008 0.612
#> GSM76066 1 0.2944 0.7222 0.868 0.000 0.128 0.004
#> GSM76067 3 0.4546 0.6786 0.256 0.000 0.732 0.012
#> GSM76068 3 0.3313 0.8057 0.028 0.084 0.880 0.008
#> GSM76069 4 0.5155 0.3402 0.468 0.000 0.004 0.528
#> GSM76070 2 0.3996 0.7308 0.000 0.836 0.060 0.104
#> GSM76071 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76075 3 0.4225 0.8015 0.028 0.016 0.828 0.128
#> GSM76076 3 0.3051 0.8058 0.028 0.088 0.884 0.000
#> GSM76077 4 0.6702 0.6302 0.240 0.020 0.096 0.644
#> GSM76078 3 0.5543 0.7173 0.044 0.016 0.724 0.216
#> GSM76079 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76080 3 0.3978 0.7736 0.000 0.108 0.836 0.056
#> GSM76081 3 0.2928 0.7928 0.000 0.108 0.880 0.012
#> GSM76082 3 0.3450 0.8092 0.032 0.072 0.880 0.016
#> GSM76083 3 0.2922 0.7974 0.008 0.104 0.884 0.004
#> GSM76084 2 0.6690 0.5572 0.000 0.608 0.248 0.144
#> GSM76085 3 0.3725 0.8131 0.020 0.020 0.860 0.100
#> GSM76086 3 0.4797 0.6709 0.260 0.000 0.720 0.020
#> GSM76087 2 0.0937 0.7666 0.000 0.976 0.012 0.012
#> GSM76088 4 0.7551 0.5419 0.148 0.040 0.212 0.600
#> GSM76089 2 0.5453 0.4686 0.000 0.648 0.032 0.320
#> GSM76090 3 0.4720 0.7981 0.056 0.016 0.808 0.120
#> GSM76091 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76094 4 0.6366 0.7104 0.152 0.140 0.016 0.692
#> GSM76095 4 0.4967 0.3721 0.452 0.000 0.000 0.548
#> GSM76096 1 0.5388 -0.1250 0.532 0.000 0.012 0.456
#> GSM76097 4 0.5478 0.3456 0.444 0.000 0.016 0.540
#> GSM76098 3 0.3621 0.7672 0.000 0.068 0.860 0.072
#> GSM76099 1 0.4888 0.0377 0.588 0.000 0.000 0.412
#> GSM76100 1 0.1022 0.8348 0.968 0.000 0.000 0.032
#> GSM76101 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76102 1 0.4132 0.7101 0.804 0.008 0.012 0.176
#> GSM76103 3 0.4856 0.7678 0.136 0.000 0.780 0.084
#> GSM76104 3 0.4237 0.8082 0.020 0.020 0.824 0.136
#> GSM76105 4 0.6036 0.6887 0.220 0.076 0.012 0.692
#> GSM76106 3 0.6513 0.5038 0.000 0.176 0.640 0.184
#> GSM76107 2 0.7641 0.4644 0.000 0.452 0.224 0.324
#> GSM76108 4 0.5080 0.4402 0.420 0.000 0.004 0.576
#> GSM76109 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76111 1 0.2973 0.7398 0.856 0.000 0.000 0.144
#> GSM76112 1 0.0000 0.8521 1.000 0.000 0.000 0.000
#> GSM76113 3 0.5435 0.4369 0.000 0.016 0.564 0.420
#> GSM76114 4 0.5168 0.2648 0.492 0.000 0.004 0.504
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.4945 0.5536 0.000 0.248 0.020 0.036 0.696
#> GSM76116 5 0.2095 0.8136 0.000 0.060 0.008 0.012 0.920
#> GSM76117 5 0.2786 0.8150 0.024 0.060 0.008 0.012 0.896
#> GSM76118 5 0.2043 0.8206 0.008 0.048 0.004 0.012 0.928
#> GSM76119 4 0.3495 0.9456 0.000 0.160 0.028 0.812 0.000
#> GSM76120 4 0.3608 0.9470 0.000 0.148 0.040 0.812 0.000
#> GSM76121 5 0.2769 0.8176 0.064 0.020 0.000 0.024 0.892
#> GSM76122 5 0.1692 0.8283 0.008 0.020 0.008 0.016 0.948
#> GSM76123 4 0.3608 0.9470 0.000 0.148 0.040 0.812 0.000
#> GSM76124 5 0.1784 0.8281 0.020 0.016 0.004 0.016 0.944
#> GSM76125 4 0.3527 0.9403 0.000 0.172 0.024 0.804 0.000
#> GSM76126 4 0.3495 0.9453 0.000 0.160 0.028 0.812 0.000
#> GSM76127 4 0.3608 0.9470 0.000 0.148 0.040 0.812 0.000
#> GSM76128 4 0.3196 0.6847 0.004 0.000 0.192 0.804 0.000
#> GSM76129 2 0.2747 0.7985 0.000 0.888 0.004 0.048 0.060
#> GSM76130 4 0.3527 0.9403 0.000 0.172 0.024 0.804 0.000
#> GSM76131 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76132 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76133 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76134 2 0.4017 0.7706 0.000 0.812 0.016 0.056 0.116
#> GSM76135 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76136 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76137 2 0.4129 0.7672 0.000 0.808 0.016 0.076 0.100
#> GSM76138 5 0.3802 0.7484 0.000 0.120 0.020 0.036 0.824
#> GSM76139 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76140 1 0.4886 0.3877 0.596 0.000 0.000 0.032 0.372
#> GSM76141 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76142 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76143 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76144 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76145 2 0.5424 0.7080 0.000 0.716 0.064 0.056 0.164
#> GSM76146 2 0.1124 0.8116 0.000 0.960 0.004 0.036 0.000
#> GSM76147 2 0.0955 0.8097 0.000 0.968 0.004 0.000 0.028
#> GSM76148 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76149 2 0.4065 0.7688 0.000 0.808 0.016 0.056 0.120
#> GSM76150 2 0.4065 0.7688 0.000 0.808 0.016 0.056 0.120
#> GSM76151 2 0.4065 0.7688 0.000 0.808 0.016 0.056 0.120
#> GSM76152 1 0.1579 0.8445 0.944 0.000 0.000 0.024 0.032
#> GSM76153 2 0.0963 0.8137 0.000 0.964 0.000 0.036 0.000
#> GSM76154 2 0.4155 0.7612 0.000 0.796 0.016 0.048 0.140
#> GSM76155 2 0.4314 0.7457 0.000 0.776 0.020 0.036 0.168
#> GSM76156 2 0.1124 0.8116 0.000 0.960 0.004 0.036 0.000
#> GSM76030 2 0.6309 0.5914 0.000 0.612 0.096 0.048 0.244
#> GSM76031 1 0.2390 0.8326 0.912 0.000 0.012 0.032 0.044
#> GSM76032 3 0.1507 0.8804 0.012 0.000 0.952 0.012 0.024
#> GSM76033 3 0.1372 0.8822 0.000 0.004 0.956 0.016 0.024
#> GSM76034 2 0.7411 0.3345 0.000 0.460 0.204 0.052 0.284
#> GSM76035 3 0.2321 0.8810 0.016 0.000 0.916 0.024 0.044
#> GSM76036 3 0.1041 0.8823 0.000 0.004 0.964 0.032 0.000
#> GSM76037 5 0.1883 0.8181 0.000 0.048 0.008 0.012 0.932
#> GSM76038 1 0.4384 0.6998 0.764 0.000 0.020 0.032 0.184
#> GSM76039 5 0.4866 0.3591 0.392 0.000 0.000 0.028 0.580
#> GSM76040 3 0.1281 0.8813 0.000 0.012 0.956 0.032 0.000
#> GSM76041 1 0.6985 0.2969 0.472 0.000 0.336 0.032 0.160
#> GSM76042 5 0.3693 0.7782 0.124 0.000 0.008 0.044 0.824
#> GSM76043 3 0.5097 0.2739 0.004 0.000 0.568 0.032 0.396
#> GSM76044 5 0.2997 0.8120 0.072 0.004 0.008 0.036 0.880
#> GSM76045 1 0.6340 0.0262 0.476 0.000 0.080 0.028 0.416
#> GSM76046 3 0.3099 0.8122 0.000 0.000 0.848 0.028 0.124
#> GSM76047 5 0.5526 0.0142 0.012 0.000 0.464 0.040 0.484
#> GSM76048 3 0.1016 0.8859 0.004 0.004 0.972 0.008 0.012
#> GSM76049 5 0.2604 0.8151 0.004 0.056 0.016 0.020 0.904
#> GSM76050 1 0.1124 0.8415 0.960 0.000 0.036 0.004 0.000
#> GSM76051 3 0.1041 0.8823 0.000 0.004 0.964 0.032 0.000
#> GSM76052 3 0.1372 0.8829 0.000 0.004 0.956 0.016 0.024
#> GSM76053 5 0.5022 0.5549 0.008 0.012 0.272 0.028 0.680
#> GSM76054 3 0.1281 0.8813 0.000 0.012 0.956 0.032 0.000
#> GSM76055 5 0.2197 0.8280 0.008 0.036 0.004 0.028 0.924
#> GSM76056 1 0.5588 0.4653 0.604 0.000 0.000 0.104 0.292
#> GSM76057 5 0.3527 0.8130 0.004 0.024 0.028 0.092 0.852
#> GSM76058 3 0.1195 0.8802 0.028 0.000 0.960 0.000 0.012
#> GSM76059 1 0.0609 0.8539 0.980 0.000 0.000 0.020 0.000
#> GSM76060 5 0.4253 0.6915 0.000 0.008 0.204 0.032 0.756
#> GSM76061 2 0.5309 0.4016 0.004 0.564 0.012 0.024 0.396
#> GSM76062 1 0.1041 0.8502 0.964 0.000 0.000 0.032 0.004
#> GSM76063 2 0.4633 0.7304 0.000 0.784 0.100 0.076 0.040
#> GSM76064 3 0.4686 0.7152 0.056 0.000 0.740 0.012 0.192
#> GSM76065 5 0.2775 0.8015 0.000 0.100 0.004 0.020 0.876
#> GSM76066 1 0.3044 0.7417 0.840 0.000 0.148 0.008 0.004
#> GSM76067 3 0.2304 0.8572 0.068 0.000 0.908 0.020 0.004
#> GSM76068 3 0.0955 0.8831 0.000 0.004 0.968 0.028 0.000
#> GSM76069 5 0.3867 0.7617 0.144 0.000 0.004 0.048 0.804
#> GSM76070 2 0.4468 0.7550 0.000 0.800 0.064 0.076 0.060
#> GSM76071 1 0.0290 0.8548 0.992 0.000 0.000 0.008 0.000
#> GSM76072 1 0.0324 0.8541 0.992 0.000 0.004 0.004 0.000
#> GSM76073 1 0.0290 0.8548 0.992 0.000 0.000 0.008 0.000
#> GSM76074 1 0.0162 0.8549 0.996 0.000 0.000 0.004 0.000
#> GSM76075 3 0.1106 0.8817 0.000 0.000 0.964 0.012 0.024
#> GSM76076 3 0.0955 0.8831 0.000 0.004 0.968 0.028 0.000
#> GSM76077 5 0.2637 0.8209 0.008 0.008 0.032 0.048 0.904
#> GSM76078 3 0.2260 0.8561 0.000 0.000 0.908 0.028 0.064
#> GSM76079 1 0.0880 0.8535 0.968 0.000 0.000 0.032 0.000
#> GSM76080 3 0.3805 0.7998 0.000 0.020 0.828 0.108 0.044
#> GSM76081 3 0.2130 0.8542 0.000 0.012 0.908 0.080 0.000
#> GSM76082 3 0.0955 0.8831 0.000 0.004 0.968 0.028 0.000
#> GSM76083 3 0.0955 0.8831 0.000 0.004 0.968 0.028 0.000
#> GSM76084 2 0.6693 0.5582 0.000 0.608 0.184 0.076 0.132
#> GSM76085 3 0.1074 0.8840 0.000 0.004 0.968 0.012 0.016
#> GSM76086 3 0.2331 0.8527 0.068 0.000 0.908 0.008 0.016
#> GSM76087 2 0.1965 0.7796 0.000 0.904 0.000 0.096 0.000
#> GSM76088 5 0.4442 0.7772 0.036 0.008 0.104 0.048 0.804
#> GSM76089 2 0.5102 0.6278 0.000 0.660 0.020 0.032 0.288
#> GSM76090 3 0.0994 0.8860 0.004 0.004 0.972 0.016 0.004
#> GSM76091 1 0.2248 0.8280 0.900 0.000 0.000 0.088 0.012
#> GSM76092 1 0.0703 0.8545 0.976 0.000 0.000 0.024 0.000
#> GSM76093 1 0.0609 0.8547 0.980 0.000 0.000 0.020 0.000
#> GSM76094 5 0.2186 0.8251 0.016 0.044 0.004 0.012 0.924
#> GSM76095 5 0.4042 0.7520 0.156 0.000 0.008 0.044 0.792
#> GSM76096 5 0.4497 0.6741 0.208 0.000 0.000 0.060 0.732
#> GSM76097 5 0.3875 0.7577 0.124 0.000 0.000 0.072 0.804
#> GSM76098 3 0.4116 0.6826 0.000 0.004 0.732 0.248 0.016
#> GSM76099 5 0.5204 0.4093 0.368 0.000 0.000 0.052 0.580
#> GSM76100 1 0.1915 0.8400 0.928 0.000 0.000 0.032 0.040
#> GSM76101 1 0.0609 0.8547 0.980 0.000 0.000 0.020 0.000
#> GSM76102 1 0.5555 0.6514 0.672 0.004 0.004 0.136 0.184
#> GSM76103 3 0.1949 0.8726 0.040 0.000 0.932 0.012 0.016
#> GSM76104 3 0.3366 0.8266 0.000 0.008 0.844 0.116 0.032
#> GSM76105 5 0.2157 0.8280 0.016 0.024 0.004 0.028 0.928
#> GSM76106 3 0.6041 0.3933 0.000 0.052 0.580 0.324 0.044
#> GSM76107 4 0.3693 0.9451 0.000 0.156 0.032 0.808 0.004
#> GSM76108 5 0.3164 0.7889 0.104 0.000 0.000 0.044 0.852
#> GSM76109 1 0.0609 0.8547 0.980 0.000 0.000 0.020 0.000
#> GSM76110 1 0.0510 0.8542 0.984 0.000 0.000 0.016 0.000
#> GSM76111 1 0.4747 0.5532 0.676 0.000 0.004 0.036 0.284
#> GSM76112 1 0.0162 0.8549 0.996 0.000 0.000 0.004 0.000
#> GSM76113 3 0.5408 0.4070 0.000 0.020 0.584 0.032 0.364
#> GSM76114 5 0.4868 0.7360 0.144 0.000 0.032 0.068 0.756
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.3882 0.3897 0.000 0.092 0.012 0.036 0.816 0.044
#> GSM76116 5 0.0881 0.4941 0.000 0.008 0.000 0.012 0.972 0.008
#> GSM76117 5 0.2036 0.4789 0.008 0.000 0.000 0.016 0.912 0.064
#> GSM76118 5 0.1462 0.5117 0.000 0.000 0.000 0.008 0.936 0.056
#> GSM76119 4 0.2207 0.9651 0.000 0.076 0.008 0.900 0.016 0.000
#> GSM76120 4 0.1951 0.9685 0.000 0.076 0.016 0.908 0.000 0.000
#> GSM76121 5 0.4055 0.4304 0.036 0.000 0.000 0.008 0.728 0.228
#> GSM76122 5 0.3445 0.4225 0.000 0.000 0.000 0.008 0.732 0.260
#> GSM76123 4 0.1951 0.9685 0.000 0.076 0.016 0.908 0.000 0.000
#> GSM76124 5 0.3405 0.4159 0.000 0.000 0.000 0.004 0.724 0.272
#> GSM76125 4 0.1913 0.9673 0.000 0.080 0.012 0.908 0.000 0.000
#> GSM76126 4 0.3017 0.9571 0.000 0.076 0.016 0.868 0.016 0.024
#> GSM76127 4 0.1951 0.9685 0.000 0.076 0.016 0.908 0.000 0.000
#> GSM76128 4 0.1700 0.8720 0.000 0.000 0.080 0.916 0.004 0.000
#> GSM76129 2 0.4456 0.6741 0.000 0.676 0.000 0.028 0.276 0.020
#> GSM76130 4 0.2149 0.9628 0.000 0.080 0.004 0.900 0.016 0.000
#> GSM76131 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.5470 0.6559 0.000 0.592 0.024 0.044 0.320 0.020
#> GSM76135 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 2 0.5868 0.6576 0.000 0.584 0.032 0.072 0.292 0.020
#> GSM76138 5 0.2412 0.4465 0.000 0.048 0.008 0.020 0.904 0.020
#> GSM76139 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 1 0.6029 0.0589 0.412 0.000 0.000 0.012 0.412 0.164
#> GSM76141 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.6498 0.5626 0.000 0.484 0.052 0.048 0.368 0.048
#> GSM76146 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.1946 0.7563 0.000 0.912 0.000 0.012 0.072 0.004
#> GSM76148 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 2 0.5470 0.6559 0.000 0.592 0.024 0.044 0.320 0.020
#> GSM76150 2 0.5484 0.6528 0.000 0.588 0.024 0.044 0.324 0.020
#> GSM76151 2 0.5522 0.6432 0.000 0.576 0.024 0.044 0.336 0.020
#> GSM76152 1 0.3743 0.7118 0.792 0.000 0.000 0.012 0.052 0.144
#> GSM76153 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.5534 0.6395 0.000 0.572 0.024 0.044 0.340 0.020
#> GSM76155 2 0.5479 0.6205 0.000 0.556 0.024 0.036 0.364 0.020
#> GSM76156 2 0.0000 0.7637 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.6993 0.4920 0.000 0.432 0.096 0.040 0.372 0.060
#> GSM76031 1 0.4351 0.6599 0.728 0.000 0.000 0.012 0.064 0.196
#> GSM76032 3 0.3302 0.7556 0.004 0.000 0.760 0.000 0.004 0.232
#> GSM76033 3 0.3450 0.7606 0.000 0.000 0.772 0.008 0.012 0.208
#> GSM76034 5 0.8294 -0.0329 0.000 0.244 0.200 0.048 0.328 0.180
#> GSM76035 3 0.4085 0.7577 0.008 0.000 0.760 0.008 0.044 0.180
#> GSM76036 3 0.1036 0.7733 0.000 0.004 0.964 0.024 0.000 0.008
#> GSM76037 5 0.2218 0.5046 0.000 0.012 0.000 0.000 0.884 0.104
#> GSM76038 1 0.5513 0.5129 0.616 0.000 0.004 0.012 0.144 0.224
#> GSM76039 5 0.6229 -0.0303 0.380 0.000 0.000 0.016 0.412 0.192
#> GSM76040 3 0.1659 0.7668 0.000 0.004 0.940 0.028 0.008 0.020
#> GSM76041 6 0.6907 0.0492 0.348 0.000 0.208 0.000 0.064 0.380
#> GSM76042 5 0.4833 0.2316 0.028 0.000 0.008 0.008 0.568 0.388
#> GSM76043 6 0.6277 0.0982 0.004 0.000 0.344 0.008 0.220 0.424
#> GSM76044 5 0.4554 0.3090 0.024 0.000 0.008 0.004 0.616 0.348
#> GSM76045 6 0.6861 0.2567 0.304 0.000 0.056 0.004 0.200 0.436
#> GSM76046 3 0.5304 0.5911 0.000 0.000 0.612 0.012 0.112 0.264
#> GSM76047 6 0.6173 0.1430 0.008 0.000 0.312 0.008 0.188 0.484
#> GSM76048 3 0.2402 0.7857 0.000 0.000 0.856 0.000 0.004 0.140
#> GSM76049 5 0.3560 0.4220 0.000 0.008 0.012 0.004 0.772 0.204
#> GSM76050 1 0.2418 0.7673 0.884 0.000 0.008 0.008 0.004 0.096
#> GSM76051 3 0.1036 0.7735 0.000 0.004 0.964 0.024 0.000 0.008
#> GSM76052 3 0.3878 0.7471 0.000 0.000 0.748 0.008 0.032 0.212
#> GSM76053 5 0.6275 -0.2089 0.000 0.000 0.236 0.012 0.420 0.332
#> GSM76054 3 0.1659 0.7658 0.000 0.004 0.940 0.028 0.008 0.020
#> GSM76055 5 0.3721 0.4300 0.004 0.000 0.000 0.016 0.728 0.252
#> GSM76056 1 0.6221 0.1747 0.472 0.000 0.000 0.032 0.148 0.348
#> GSM76057 6 0.4688 0.0997 0.000 0.000 0.016 0.020 0.420 0.544
#> GSM76058 3 0.2946 0.7763 0.012 0.000 0.812 0.000 0.000 0.176
#> GSM76059 1 0.0777 0.7972 0.972 0.000 0.000 0.000 0.004 0.024
#> GSM76060 6 0.5811 0.2958 0.000 0.000 0.152 0.008 0.348 0.492
#> GSM76061 2 0.6073 0.3335 0.000 0.504 0.008 0.008 0.308 0.172
#> GSM76062 1 0.1757 0.7800 0.916 0.000 0.000 0.008 0.000 0.076
#> GSM76063 2 0.5500 0.6652 0.000 0.716 0.092 0.056 0.072 0.064
#> GSM76064 3 0.6276 0.5045 0.048 0.000 0.520 0.008 0.104 0.320
#> GSM76065 5 0.5473 0.2865 0.000 0.172 0.000 0.012 0.612 0.204
#> GSM76066 1 0.3914 0.6375 0.768 0.000 0.128 0.000 0.000 0.104
#> GSM76067 3 0.3266 0.7586 0.036 0.000 0.824 0.008 0.000 0.132
#> GSM76068 3 0.1321 0.7740 0.000 0.004 0.952 0.020 0.000 0.024
#> GSM76069 6 0.5293 -0.0302 0.056 0.000 0.004 0.012 0.444 0.484
#> GSM76070 2 0.5145 0.6825 0.000 0.744 0.052 0.064 0.072 0.068
#> GSM76071 1 0.0777 0.7986 0.972 0.000 0.000 0.000 0.004 0.024
#> GSM76072 1 0.1003 0.7979 0.964 0.000 0.000 0.004 0.004 0.028
#> GSM76073 1 0.0922 0.7988 0.968 0.000 0.000 0.004 0.004 0.024
#> GSM76074 1 0.1194 0.7974 0.956 0.000 0.000 0.008 0.004 0.032
#> GSM76075 3 0.3265 0.7510 0.000 0.000 0.748 0.000 0.004 0.248
#> GSM76076 3 0.1536 0.7797 0.000 0.004 0.940 0.016 0.000 0.040
#> GSM76077 6 0.4322 0.0474 0.000 0.000 0.008 0.008 0.472 0.512
#> GSM76078 3 0.4413 0.6407 0.004 0.000 0.620 0.008 0.016 0.352
#> GSM76079 1 0.1802 0.7830 0.916 0.000 0.000 0.012 0.000 0.072
#> GSM76080 3 0.4709 0.6750 0.000 0.008 0.756 0.104 0.072 0.060
#> GSM76081 3 0.2408 0.7469 0.000 0.004 0.900 0.056 0.012 0.028
#> GSM76082 3 0.1321 0.7761 0.004 0.000 0.952 0.020 0.000 0.024
#> GSM76083 3 0.1148 0.7749 0.000 0.004 0.960 0.020 0.000 0.016
#> GSM76084 2 0.7539 0.4627 0.000 0.408 0.196 0.060 0.292 0.044
#> GSM76085 3 0.2695 0.7844 0.000 0.000 0.844 0.008 0.004 0.144
#> GSM76086 3 0.3617 0.7483 0.020 0.000 0.736 0.000 0.000 0.244
#> GSM76087 2 0.1501 0.7213 0.000 0.924 0.000 0.076 0.000 0.000
#> GSM76088 6 0.5395 0.2609 0.008 0.000 0.056 0.016 0.380 0.540
#> GSM76089 2 0.5530 0.5181 0.000 0.484 0.028 0.028 0.440 0.020
#> GSM76090 3 0.2757 0.7769 0.008 0.000 0.848 0.004 0.004 0.136
#> GSM76091 1 0.3734 0.6242 0.716 0.000 0.000 0.020 0.000 0.264
#> GSM76092 1 0.1049 0.7946 0.960 0.000 0.000 0.008 0.000 0.032
#> GSM76093 1 0.1049 0.7946 0.960 0.000 0.000 0.008 0.000 0.032
#> GSM76094 5 0.2632 0.5074 0.000 0.000 0.000 0.004 0.832 0.164
#> GSM76095 5 0.5309 0.1333 0.060 0.000 0.008 0.008 0.524 0.400
#> GSM76096 5 0.6108 0.1023 0.124 0.000 0.000 0.032 0.456 0.388
#> GSM76097 6 0.5979 -0.1349 0.068 0.000 0.004 0.048 0.412 0.468
#> GSM76098 3 0.4680 0.5586 0.000 0.000 0.680 0.200 0.000 0.120
#> GSM76099 6 0.6577 0.0711 0.288 0.000 0.000 0.024 0.308 0.380
#> GSM76100 1 0.3469 0.7443 0.816 0.000 0.000 0.020 0.032 0.132
#> GSM76101 1 0.1049 0.7946 0.960 0.000 0.000 0.008 0.000 0.032
#> GSM76102 1 0.7016 0.2324 0.436 0.000 0.004 0.088 0.164 0.308
#> GSM76103 3 0.3697 0.7453 0.016 0.000 0.732 0.004 0.000 0.248
#> GSM76104 3 0.5349 0.6948 0.000 0.000 0.656 0.108 0.036 0.200
#> GSM76105 5 0.2948 0.4901 0.000 0.000 0.000 0.008 0.804 0.188
#> GSM76106 3 0.6194 0.3649 0.000 0.012 0.556 0.284 0.104 0.044
#> GSM76107 4 0.2905 0.9511 0.000 0.072 0.004 0.872 0.024 0.028
#> GSM76108 5 0.4913 0.2765 0.040 0.000 0.000 0.020 0.600 0.340
#> GSM76109 1 0.1049 0.7946 0.960 0.000 0.000 0.008 0.000 0.032
#> GSM76110 1 0.1957 0.7858 0.912 0.000 0.000 0.008 0.008 0.072
#> GSM76111 1 0.5990 0.2504 0.500 0.000 0.000 0.008 0.224 0.268
#> GSM76112 1 0.0922 0.7991 0.968 0.000 0.000 0.004 0.004 0.024
#> GSM76113 3 0.6141 0.2146 0.000 0.000 0.460 0.008 0.264 0.268
#> GSM76114 6 0.4840 0.2905 0.040 0.000 0.024 0.000 0.300 0.636
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> CV:kmeans 124 2.95e-07 2
#> CV:kmeans 106 1.58e-12 3
#> CV:kmeans 95 4.43e-11 4
#> CV:kmeans 115 2.35e-11 5
#> CV:kmeans 87 1.62e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "skmeans"]
# you can also extract it by
# res = res_list["CV:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.736 0.886 0.948 0.5037 0.496 0.496
#> 3 3 0.684 0.813 0.908 0.3189 0.780 0.583
#> 4 4 0.521 0.555 0.751 0.1209 0.878 0.659
#> 5 5 0.534 0.532 0.699 0.0662 0.909 0.675
#> 6 6 0.561 0.413 0.655 0.0411 0.959 0.815
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.94532 0.000 1.000
#> GSM76116 2 0.7056 0.75443 0.192 0.808
#> GSM76117 1 0.7674 0.73722 0.776 0.224
#> GSM76118 1 0.7528 0.74615 0.784 0.216
#> GSM76119 2 0.0000 0.94532 0.000 1.000
#> GSM76120 2 0.0000 0.94532 0.000 1.000
#> GSM76121 1 0.5519 0.84658 0.872 0.128
#> GSM76122 1 0.8144 0.69707 0.748 0.252
#> GSM76123 2 0.0000 0.94532 0.000 1.000
#> GSM76124 1 0.5629 0.84068 0.868 0.132
#> GSM76125 2 0.0000 0.94532 0.000 1.000
#> GSM76126 2 0.0000 0.94532 0.000 1.000
#> GSM76127 2 0.0000 0.94532 0.000 1.000
#> GSM76128 2 0.8499 0.65819 0.276 0.724
#> GSM76129 2 0.0000 0.94532 0.000 1.000
#> GSM76130 2 0.0000 0.94532 0.000 1.000
#> GSM76131 2 0.0000 0.94532 0.000 1.000
#> GSM76132 2 0.0000 0.94532 0.000 1.000
#> GSM76133 2 0.0000 0.94532 0.000 1.000
#> GSM76134 2 0.0000 0.94532 0.000 1.000
#> GSM76135 2 0.0000 0.94532 0.000 1.000
#> GSM76136 2 0.0000 0.94532 0.000 1.000
#> GSM76137 2 0.0000 0.94532 0.000 1.000
#> GSM76138 2 0.0000 0.94532 0.000 1.000
#> GSM76139 2 0.0000 0.94532 0.000 1.000
#> GSM76140 1 0.0000 0.94247 1.000 0.000
#> GSM76141 2 0.0000 0.94532 0.000 1.000
#> GSM76142 2 0.0000 0.94532 0.000 1.000
#> GSM76143 2 0.0000 0.94532 0.000 1.000
#> GSM76144 2 0.0000 0.94532 0.000 1.000
#> GSM76145 2 0.0000 0.94532 0.000 1.000
#> GSM76146 2 0.0000 0.94532 0.000 1.000
#> GSM76147 2 0.0000 0.94532 0.000 1.000
#> GSM76148 2 0.0000 0.94532 0.000 1.000
#> GSM76149 2 0.0000 0.94532 0.000 1.000
#> GSM76150 2 0.0000 0.94532 0.000 1.000
#> GSM76151 2 0.0000 0.94532 0.000 1.000
#> GSM76152 1 0.0000 0.94247 1.000 0.000
#> GSM76153 2 0.0000 0.94532 0.000 1.000
#> GSM76154 2 0.0000 0.94532 0.000 1.000
#> GSM76155 2 0.0000 0.94532 0.000 1.000
#> GSM76156 2 0.0000 0.94532 0.000 1.000
#> GSM76030 2 0.0000 0.94532 0.000 1.000
#> GSM76031 1 0.0000 0.94247 1.000 0.000
#> GSM76032 1 0.0000 0.94247 1.000 0.000
#> GSM76033 1 0.9988 -0.00187 0.520 0.480
#> GSM76034 2 0.0000 0.94532 0.000 1.000
#> GSM76035 1 0.7299 0.73391 0.796 0.204
#> GSM76036 2 0.2043 0.92488 0.032 0.968
#> GSM76037 2 0.0938 0.93771 0.012 0.988
#> GSM76038 1 0.0000 0.94247 1.000 0.000
#> GSM76039 1 0.0000 0.94247 1.000 0.000
#> GSM76040 2 0.2778 0.91335 0.048 0.952
#> GSM76041 1 0.0000 0.94247 1.000 0.000
#> GSM76042 1 0.0000 0.94247 1.000 0.000
#> GSM76043 1 0.0000 0.94247 1.000 0.000
#> GSM76044 1 0.0000 0.94247 1.000 0.000
#> GSM76045 1 0.0000 0.94247 1.000 0.000
#> GSM76046 2 0.8555 0.65174 0.280 0.720
#> GSM76047 1 0.0000 0.94247 1.000 0.000
#> GSM76048 1 0.4562 0.86932 0.904 0.096
#> GSM76049 1 0.8555 0.62563 0.720 0.280
#> GSM76050 1 0.0000 0.94247 1.000 0.000
#> GSM76051 2 0.5294 0.85237 0.120 0.880
#> GSM76052 2 0.8813 0.61767 0.300 0.700
#> GSM76053 2 0.9833 0.31827 0.424 0.576
#> GSM76054 2 0.2948 0.91059 0.052 0.948
#> GSM76055 1 0.8861 0.59291 0.696 0.304
#> GSM76056 1 0.0000 0.94247 1.000 0.000
#> GSM76057 1 0.4161 0.88726 0.916 0.084
#> GSM76058 1 0.0000 0.94247 1.000 0.000
#> GSM76059 1 0.0000 0.94247 1.000 0.000
#> GSM76060 1 0.4022 0.88541 0.920 0.080
#> GSM76061 2 0.3114 0.90471 0.056 0.944
#> GSM76062 1 0.0000 0.94247 1.000 0.000
#> GSM76063 2 0.0000 0.94532 0.000 1.000
#> GSM76064 1 0.0000 0.94247 1.000 0.000
#> GSM76065 2 0.0672 0.94033 0.008 0.992
#> GSM76066 1 0.0000 0.94247 1.000 0.000
#> GSM76067 1 0.0000 0.94247 1.000 0.000
#> GSM76068 2 0.7219 0.76687 0.200 0.800
#> GSM76069 1 0.0000 0.94247 1.000 0.000
#> GSM76070 2 0.0000 0.94532 0.000 1.000
#> GSM76071 1 0.0000 0.94247 1.000 0.000
#> GSM76072 1 0.0000 0.94247 1.000 0.000
#> GSM76073 1 0.0000 0.94247 1.000 0.000
#> GSM76074 1 0.0000 0.94247 1.000 0.000
#> GSM76075 1 0.1184 0.93288 0.984 0.016
#> GSM76076 2 0.8207 0.68971 0.256 0.744
#> GSM76077 1 0.0000 0.94247 1.000 0.000
#> GSM76078 1 0.0000 0.94247 1.000 0.000
#> GSM76079 1 0.0000 0.94247 1.000 0.000
#> GSM76080 2 0.0000 0.94532 0.000 1.000
#> GSM76081 2 0.0000 0.94532 0.000 1.000
#> GSM76082 1 0.9491 0.40964 0.632 0.368
#> GSM76083 2 0.5059 0.85933 0.112 0.888
#> GSM76084 2 0.0000 0.94532 0.000 1.000
#> GSM76085 2 0.9248 0.53803 0.340 0.660
#> GSM76086 1 0.0000 0.94247 1.000 0.000
#> GSM76087 2 0.0000 0.94532 0.000 1.000
#> GSM76088 1 0.0000 0.94247 1.000 0.000
#> GSM76089 2 0.0000 0.94532 0.000 1.000
#> GSM76090 1 0.0000 0.94247 1.000 0.000
#> GSM76091 1 0.0000 0.94247 1.000 0.000
#> GSM76092 1 0.0000 0.94247 1.000 0.000
#> GSM76093 1 0.0000 0.94247 1.000 0.000
#> GSM76094 1 0.8661 0.63702 0.712 0.288
#> GSM76095 1 0.0000 0.94247 1.000 0.000
#> GSM76096 1 0.1633 0.92845 0.976 0.024
#> GSM76097 1 0.2948 0.90943 0.948 0.052
#> GSM76098 2 0.0000 0.94532 0.000 1.000
#> GSM76099 1 0.0000 0.94247 1.000 0.000
#> GSM76100 1 0.0000 0.94247 1.000 0.000
#> GSM76101 1 0.0000 0.94247 1.000 0.000
#> GSM76102 1 0.2948 0.91117 0.948 0.052
#> GSM76103 1 0.0000 0.94247 1.000 0.000
#> GSM76104 2 0.6801 0.79142 0.180 0.820
#> GSM76105 1 0.5178 0.85990 0.884 0.116
#> GSM76106 2 0.0000 0.94532 0.000 1.000
#> GSM76107 2 0.0000 0.94532 0.000 1.000
#> GSM76108 1 0.0376 0.94022 0.996 0.004
#> GSM76109 1 0.0000 0.94247 1.000 0.000
#> GSM76110 1 0.0000 0.94247 1.000 0.000
#> GSM76111 1 0.0000 0.94247 1.000 0.000
#> GSM76112 1 0.0000 0.94247 1.000 0.000
#> GSM76113 2 0.9209 0.51066 0.336 0.664
#> GSM76114 1 0.0000 0.94247 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76116 2 0.3193 0.831 0.100 0.896 0.004
#> GSM76117 1 0.4974 0.703 0.764 0.236 0.000
#> GSM76118 1 0.5785 0.606 0.696 0.300 0.004
#> GSM76119 2 0.4974 0.742 0.000 0.764 0.236
#> GSM76120 2 0.5650 0.632 0.000 0.688 0.312
#> GSM76121 1 0.1964 0.859 0.944 0.056 0.000
#> GSM76122 1 0.6416 0.450 0.616 0.376 0.008
#> GSM76123 2 0.5327 0.696 0.000 0.728 0.272
#> GSM76124 1 0.3500 0.816 0.880 0.116 0.004
#> GSM76125 2 0.5098 0.727 0.000 0.752 0.248
#> GSM76126 2 0.5327 0.697 0.000 0.728 0.272
#> GSM76127 2 0.5397 0.685 0.000 0.720 0.280
#> GSM76128 3 0.0892 0.886 0.020 0.000 0.980
#> GSM76129 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76130 2 0.4654 0.771 0.000 0.792 0.208
#> GSM76131 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76134 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76135 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76136 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76137 2 0.2066 0.890 0.000 0.940 0.060
#> GSM76138 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76139 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76140 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76141 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76145 2 0.1289 0.905 0.000 0.968 0.032
#> GSM76146 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76149 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76150 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76151 2 0.0424 0.915 0.000 0.992 0.008
#> GSM76152 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76153 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76154 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76155 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76156 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76030 2 0.4399 0.772 0.000 0.812 0.188
#> GSM76031 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76032 3 0.1860 0.873 0.052 0.000 0.948
#> GSM76033 3 0.0000 0.887 0.000 0.000 1.000
#> GSM76034 2 0.5098 0.728 0.000 0.752 0.248
#> GSM76035 3 0.2261 0.866 0.068 0.000 0.932
#> GSM76036 3 0.0237 0.886 0.000 0.004 0.996
#> GSM76037 2 0.1129 0.904 0.020 0.976 0.004
#> GSM76038 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76039 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76040 3 0.0237 0.887 0.004 0.000 0.996
#> GSM76041 1 0.4702 0.697 0.788 0.000 0.212
#> GSM76042 1 0.0237 0.886 0.996 0.000 0.004
#> GSM76043 3 0.6095 0.360 0.392 0.000 0.608
#> GSM76044 1 0.0475 0.885 0.992 0.004 0.004
#> GSM76045 1 0.2066 0.853 0.940 0.000 0.060
#> GSM76046 3 0.0000 0.887 0.000 0.000 1.000
#> GSM76047 1 0.6140 0.307 0.596 0.000 0.404
#> GSM76048 3 0.0592 0.887 0.012 0.000 0.988
#> GSM76049 1 0.8742 0.149 0.456 0.436 0.108
#> GSM76050 1 0.3412 0.799 0.876 0.000 0.124
#> GSM76051 3 0.0237 0.887 0.004 0.000 0.996
#> GSM76052 3 0.0000 0.887 0.000 0.000 1.000
#> GSM76053 3 0.6151 0.744 0.160 0.068 0.772
#> GSM76054 3 0.0237 0.887 0.004 0.000 0.996
#> GSM76055 1 0.6386 0.373 0.584 0.412 0.004
#> GSM76056 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76057 1 0.8278 0.546 0.620 0.248 0.132
#> GSM76058 3 0.1529 0.879 0.040 0.000 0.960
#> GSM76059 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76060 3 0.9081 0.452 0.236 0.212 0.552
#> GSM76061 2 0.2947 0.864 0.060 0.920 0.020
#> GSM76062 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76063 2 0.4291 0.801 0.000 0.820 0.180
#> GSM76064 1 0.6154 0.283 0.592 0.000 0.408
#> GSM76065 2 0.1129 0.904 0.020 0.976 0.004
#> GSM76066 1 0.5216 0.620 0.740 0.000 0.260
#> GSM76067 3 0.4974 0.684 0.236 0.000 0.764
#> GSM76068 3 0.0237 0.887 0.004 0.000 0.996
#> GSM76069 1 0.0237 0.886 0.996 0.000 0.004
#> GSM76070 2 0.1529 0.902 0.000 0.960 0.040
#> GSM76071 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76072 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76073 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76074 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76075 3 0.0237 0.888 0.004 0.000 0.996
#> GSM76076 3 0.0237 0.887 0.004 0.000 0.996
#> GSM76077 1 0.3973 0.823 0.880 0.032 0.088
#> GSM76078 3 0.6159 0.707 0.196 0.048 0.756
#> GSM76079 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76080 3 0.4178 0.732 0.000 0.172 0.828
#> GSM76081 3 0.3192 0.808 0.000 0.112 0.888
#> GSM76082 3 0.0424 0.887 0.008 0.000 0.992
#> GSM76083 3 0.0237 0.886 0.000 0.004 0.996
#> GSM76084 2 0.5465 0.663 0.000 0.712 0.288
#> GSM76085 3 0.0000 0.887 0.000 0.000 1.000
#> GSM76086 3 0.5058 0.672 0.244 0.000 0.756
#> GSM76087 2 0.0000 0.917 0.000 1.000 0.000
#> GSM76088 1 0.8405 0.473 0.604 0.132 0.264
#> GSM76089 2 0.0237 0.916 0.000 0.996 0.004
#> GSM76090 3 0.1964 0.870 0.056 0.000 0.944
#> GSM76091 1 0.0747 0.880 0.984 0.000 0.016
#> GSM76092 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76094 1 0.5956 0.567 0.672 0.324 0.004
#> GSM76095 1 0.0237 0.886 0.996 0.000 0.004
#> GSM76096 1 0.0237 0.886 0.996 0.000 0.004
#> GSM76097 1 0.0237 0.886 0.996 0.004 0.000
#> GSM76098 3 0.2878 0.825 0.000 0.096 0.904
#> GSM76099 1 0.0237 0.886 0.996 0.000 0.004
#> GSM76100 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76101 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76102 1 0.2165 0.853 0.936 0.064 0.000
#> GSM76103 3 0.4178 0.770 0.172 0.000 0.828
#> GSM76104 3 0.1525 0.873 0.004 0.032 0.964
#> GSM76105 1 0.3043 0.837 0.908 0.084 0.008
#> GSM76106 3 0.5948 0.337 0.000 0.360 0.640
#> GSM76107 2 0.5098 0.728 0.000 0.752 0.248
#> GSM76108 1 0.0237 0.886 0.996 0.000 0.004
#> GSM76109 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76110 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76111 1 0.0000 0.887 1.000 0.000 0.000
#> GSM76112 1 0.0237 0.886 0.996 0.000 0.004
#> GSM76113 3 0.6222 0.762 0.092 0.132 0.776
#> GSM76114 1 0.1860 0.862 0.948 0.000 0.052
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.5549 0.4639 0.004 0.584 0.016 0.396
#> GSM76116 4 0.5483 -0.1464 0.016 0.448 0.000 0.536
#> GSM76117 4 0.7868 0.0863 0.404 0.176 0.012 0.408
#> GSM76118 4 0.7685 0.3014 0.256 0.224 0.008 0.512
#> GSM76119 4 0.7226 0.2187 0.000 0.388 0.144 0.468
#> GSM76120 4 0.7512 0.2627 0.000 0.348 0.192 0.460
#> GSM76121 1 0.6122 0.3964 0.576 0.032 0.012 0.380
#> GSM76122 4 0.6261 0.3318 0.204 0.120 0.004 0.672
#> GSM76123 4 0.7460 0.2605 0.000 0.348 0.184 0.468
#> GSM76124 4 0.7232 -0.0108 0.360 0.132 0.004 0.504
#> GSM76125 4 0.7243 0.2005 0.000 0.404 0.144 0.452
#> GSM76126 4 0.7332 0.2141 0.000 0.396 0.156 0.448
#> GSM76127 4 0.7441 0.2586 0.000 0.352 0.180 0.468
#> GSM76128 3 0.6436 0.3073 0.048 0.008 0.492 0.452
#> GSM76129 2 0.3649 0.6973 0.000 0.796 0.000 0.204
#> GSM76130 4 0.7007 0.1488 0.000 0.432 0.116 0.452
#> GSM76131 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0336 0.7737 0.000 0.992 0.000 0.008
#> GSM76133 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76134 2 0.3444 0.7266 0.000 0.816 0.000 0.184
#> GSM76135 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76137 2 0.5878 0.4236 0.000 0.632 0.056 0.312
#> GSM76138 2 0.5088 0.3720 0.000 0.572 0.004 0.424
#> GSM76139 2 0.2271 0.7368 0.000 0.916 0.008 0.076
#> GSM76140 1 0.3024 0.7727 0.852 0.000 0.000 0.148
#> GSM76141 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76145 2 0.6054 0.5787 0.000 0.656 0.088 0.256
#> GSM76146 2 0.0336 0.7737 0.000 0.992 0.000 0.008
#> GSM76147 2 0.2011 0.7527 0.000 0.920 0.000 0.080
#> GSM76148 2 0.0469 0.7707 0.000 0.988 0.000 0.012
#> GSM76149 2 0.3266 0.7334 0.000 0.832 0.000 0.168
#> GSM76150 2 0.3219 0.7336 0.000 0.836 0.000 0.164
#> GSM76151 2 0.4387 0.6812 0.000 0.752 0.012 0.236
#> GSM76152 1 0.0817 0.8172 0.976 0.000 0.000 0.024
#> GSM76153 2 0.0000 0.7742 0.000 1.000 0.000 0.000
#> GSM76154 2 0.3400 0.7214 0.000 0.820 0.000 0.180
#> GSM76155 2 0.3569 0.7115 0.000 0.804 0.000 0.196
#> GSM76156 2 0.0921 0.7687 0.000 0.972 0.000 0.028
#> GSM76030 2 0.6463 0.4984 0.000 0.644 0.160 0.196
#> GSM76031 1 0.1767 0.8167 0.944 0.000 0.012 0.044
#> GSM76032 3 0.4039 0.6932 0.080 0.000 0.836 0.084
#> GSM76033 3 0.2469 0.7138 0.000 0.000 0.892 0.108
#> GSM76034 2 0.7803 -0.0662 0.008 0.460 0.196 0.336
#> GSM76035 3 0.6208 0.6064 0.144 0.004 0.684 0.168
#> GSM76036 3 0.2704 0.7008 0.000 0.000 0.876 0.124
#> GSM76037 4 0.5404 -0.2177 0.012 0.476 0.000 0.512
#> GSM76038 1 0.2408 0.8125 0.920 0.000 0.036 0.044
#> GSM76039 1 0.2704 0.7889 0.876 0.000 0.000 0.124
#> GSM76040 3 0.2704 0.7064 0.000 0.000 0.876 0.124
#> GSM76041 1 0.5697 0.5363 0.664 0.000 0.280 0.056
#> GSM76042 1 0.4690 0.7070 0.724 0.000 0.016 0.260
#> GSM76043 3 0.7261 0.2402 0.340 0.000 0.500 0.160
#> GSM76044 1 0.5271 0.6054 0.640 0.000 0.020 0.340
#> GSM76045 1 0.4688 0.7368 0.792 0.000 0.128 0.080
#> GSM76046 3 0.4522 0.5759 0.000 0.000 0.680 0.320
#> GSM76047 1 0.7534 0.1447 0.448 0.000 0.360 0.192
#> GSM76048 3 0.3308 0.7234 0.036 0.000 0.872 0.092
#> GSM76049 4 0.9238 0.2513 0.232 0.296 0.088 0.384
#> GSM76050 1 0.3196 0.7418 0.856 0.000 0.136 0.008
#> GSM76051 3 0.1792 0.7184 0.000 0.000 0.932 0.068
#> GSM76052 3 0.2530 0.7144 0.000 0.000 0.888 0.112
#> GSM76053 4 0.7445 -0.0604 0.084 0.040 0.328 0.548
#> GSM76054 3 0.1867 0.7194 0.000 0.000 0.928 0.072
#> GSM76055 4 0.7189 0.1926 0.300 0.168 0.000 0.532
#> GSM76056 1 0.2773 0.7969 0.880 0.004 0.000 0.116
#> GSM76057 4 0.9735 0.1772 0.280 0.284 0.140 0.296
#> GSM76058 3 0.2845 0.6960 0.076 0.000 0.896 0.028
#> GSM76059 1 0.0000 0.8146 1.000 0.000 0.000 0.000
#> GSM76060 3 0.9395 0.1187 0.128 0.252 0.412 0.208
#> GSM76061 2 0.5098 0.5916 0.028 0.764 0.024 0.184
#> GSM76062 1 0.1004 0.8158 0.972 0.000 0.004 0.024
#> GSM76063 2 0.5582 0.5059 0.000 0.728 0.136 0.136
#> GSM76064 3 0.6887 0.0164 0.440 0.000 0.456 0.104
#> GSM76065 2 0.4761 0.4234 0.004 0.664 0.000 0.332
#> GSM76066 1 0.5252 0.4343 0.644 0.000 0.336 0.020
#> GSM76067 3 0.4776 0.5622 0.272 0.000 0.712 0.016
#> GSM76068 3 0.1743 0.7239 0.004 0.000 0.940 0.056
#> GSM76069 1 0.4220 0.7118 0.748 0.000 0.004 0.248
#> GSM76070 2 0.3485 0.6932 0.000 0.856 0.028 0.116
#> GSM76071 1 0.1059 0.8159 0.972 0.000 0.012 0.016
#> GSM76072 1 0.0779 0.8169 0.980 0.000 0.004 0.016
#> GSM76073 1 0.0188 0.8152 0.996 0.000 0.000 0.004
#> GSM76074 1 0.0336 0.8150 0.992 0.000 0.000 0.008
#> GSM76075 3 0.2329 0.7095 0.012 0.000 0.916 0.072
#> GSM76076 3 0.0817 0.7222 0.000 0.000 0.976 0.024
#> GSM76077 1 0.8756 0.1943 0.380 0.056 0.192 0.372
#> GSM76078 3 0.6506 0.5870 0.132 0.040 0.704 0.124
#> GSM76079 1 0.1398 0.8168 0.956 0.000 0.004 0.040
#> GSM76080 3 0.6773 0.3312 0.000 0.108 0.544 0.348
#> GSM76081 3 0.5664 0.5421 0.000 0.076 0.696 0.228
#> GSM76082 3 0.1488 0.7243 0.012 0.000 0.956 0.032
#> GSM76083 3 0.1118 0.7229 0.000 0.000 0.964 0.036
#> GSM76084 2 0.7717 -0.0163 0.000 0.444 0.252 0.304
#> GSM76085 3 0.1211 0.7242 0.000 0.000 0.960 0.040
#> GSM76086 3 0.4995 0.5771 0.248 0.000 0.720 0.032
#> GSM76087 2 0.3351 0.6680 0.000 0.844 0.008 0.148
#> GSM76088 1 0.9754 0.0126 0.328 0.152 0.268 0.252
#> GSM76089 2 0.4401 0.6415 0.000 0.724 0.004 0.272
#> GSM76090 3 0.3320 0.6916 0.068 0.000 0.876 0.056
#> GSM76091 1 0.2282 0.8103 0.924 0.000 0.024 0.052
#> GSM76092 1 0.0000 0.8146 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.8146 1.000 0.000 0.000 0.000
#> GSM76094 4 0.7575 0.1327 0.356 0.200 0.000 0.444
#> GSM76095 1 0.4910 0.6946 0.704 0.000 0.020 0.276
#> GSM76096 1 0.3649 0.7487 0.796 0.000 0.000 0.204
#> GSM76097 1 0.4896 0.6571 0.704 0.012 0.004 0.280
#> GSM76098 3 0.6831 0.3067 0.000 0.112 0.536 0.352
#> GSM76099 1 0.3088 0.7949 0.864 0.000 0.008 0.128
#> GSM76100 1 0.1022 0.8153 0.968 0.000 0.000 0.032
#> GSM76101 1 0.0000 0.8146 1.000 0.000 0.000 0.000
#> GSM76102 1 0.5186 0.6286 0.752 0.084 0.000 0.164
#> GSM76103 3 0.5312 0.5747 0.236 0.000 0.712 0.052
#> GSM76104 3 0.6657 0.4687 0.016 0.076 0.612 0.296
#> GSM76105 4 0.5933 -0.1134 0.408 0.040 0.000 0.552
#> GSM76106 4 0.7408 0.0237 0.000 0.172 0.364 0.464
#> GSM76107 4 0.7052 0.2394 0.000 0.372 0.128 0.500
#> GSM76108 1 0.4624 0.6110 0.660 0.000 0.000 0.340
#> GSM76109 1 0.0188 0.8149 0.996 0.000 0.000 0.004
#> GSM76110 1 0.0469 0.8152 0.988 0.000 0.000 0.012
#> GSM76111 1 0.1867 0.8162 0.928 0.000 0.000 0.072
#> GSM76112 1 0.1489 0.8076 0.952 0.000 0.044 0.004
#> GSM76113 3 0.8900 0.2497 0.124 0.128 0.468 0.280
#> GSM76114 1 0.5314 0.7246 0.740 0.000 0.084 0.176
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.7186 -0.00686 0.000 0.324 0.016 0.284 0.376
#> GSM76116 5 0.5713 0.42102 0.004 0.200 0.000 0.156 0.640
#> GSM76117 5 0.7837 0.40946 0.292 0.100 0.012 0.128 0.468
#> GSM76118 5 0.7348 0.55457 0.132 0.132 0.008 0.156 0.572
#> GSM76119 4 0.4211 0.70484 0.000 0.148 0.032 0.792 0.028
#> GSM76120 4 0.3485 0.71447 0.000 0.124 0.048 0.828 0.000
#> GSM76121 1 0.7817 -0.07608 0.428 0.028 0.028 0.224 0.292
#> GSM76122 5 0.6797 0.45211 0.092 0.052 0.012 0.264 0.580
#> GSM76123 4 0.3489 0.71641 0.000 0.144 0.036 0.820 0.000
#> GSM76124 5 0.5997 0.51148 0.176 0.036 0.016 0.088 0.684
#> GSM76125 4 0.3985 0.69936 0.000 0.196 0.028 0.772 0.004
#> GSM76126 4 0.4096 0.69455 0.000 0.192 0.024 0.772 0.012
#> GSM76127 4 0.3413 0.71664 0.000 0.124 0.044 0.832 0.000
#> GSM76128 4 0.3796 0.61300 0.020 0.008 0.152 0.812 0.008
#> GSM76129 2 0.5211 0.60935 0.000 0.676 0.000 0.212 0.112
#> GSM76130 4 0.3805 0.68922 0.000 0.192 0.016 0.784 0.008
#> GSM76131 2 0.0451 0.76265 0.000 0.988 0.000 0.008 0.004
#> GSM76132 2 0.0807 0.76145 0.000 0.976 0.000 0.012 0.012
#> GSM76133 2 0.0162 0.76229 0.000 0.996 0.000 0.004 0.000
#> GSM76134 2 0.5864 0.60028 0.000 0.632 0.008 0.200 0.160
#> GSM76135 2 0.0510 0.76283 0.000 0.984 0.000 0.016 0.000
#> GSM76136 2 0.0324 0.76240 0.000 0.992 0.000 0.004 0.004
#> GSM76137 2 0.6153 0.25207 0.000 0.484 0.016 0.416 0.084
#> GSM76138 5 0.6988 0.06224 0.004 0.340 0.016 0.184 0.456
#> GSM76139 2 0.2753 0.70262 0.000 0.856 0.000 0.136 0.008
#> GSM76140 1 0.4211 0.60469 0.752 0.000 0.016 0.016 0.216
#> GSM76141 2 0.0290 0.76160 0.000 0.992 0.000 0.008 0.000
#> GSM76142 2 0.0162 0.76229 0.000 0.996 0.000 0.004 0.000
#> GSM76143 2 0.0290 0.76160 0.000 0.992 0.000 0.008 0.000
#> GSM76144 2 0.0290 0.76160 0.000 0.992 0.000 0.008 0.000
#> GSM76145 2 0.7125 0.47634 0.000 0.532 0.060 0.240 0.168
#> GSM76146 2 0.1168 0.75704 0.000 0.960 0.000 0.008 0.032
#> GSM76147 2 0.2036 0.74397 0.000 0.920 0.000 0.024 0.056
#> GSM76148 2 0.1041 0.76054 0.000 0.964 0.000 0.032 0.004
#> GSM76149 2 0.5744 0.61499 0.000 0.664 0.016 0.160 0.160
#> GSM76150 2 0.5817 0.56393 0.000 0.612 0.000 0.184 0.204
#> GSM76151 2 0.6315 0.52109 0.000 0.560 0.008 0.260 0.172
#> GSM76152 1 0.2325 0.72514 0.904 0.000 0.028 0.000 0.068
#> GSM76153 2 0.0162 0.76229 0.000 0.996 0.000 0.004 0.000
#> GSM76154 2 0.5758 0.58905 0.000 0.644 0.008 0.148 0.200
#> GSM76155 2 0.5973 0.53666 0.000 0.616 0.012 0.132 0.240
#> GSM76156 2 0.0865 0.75845 0.000 0.972 0.000 0.004 0.024
#> GSM76030 2 0.7781 0.32121 0.000 0.480 0.132 0.168 0.220
#> GSM76031 1 0.2264 0.72239 0.912 0.000 0.024 0.004 0.060
#> GSM76032 3 0.4478 0.68040 0.108 0.000 0.792 0.064 0.036
#> GSM76033 3 0.4780 0.55891 0.000 0.000 0.692 0.248 0.060
#> GSM76034 4 0.7776 0.21278 0.004 0.368 0.092 0.396 0.140
#> GSM76035 3 0.7822 0.37892 0.192 0.004 0.460 0.256 0.088
#> GSM76036 3 0.3700 0.58432 0.000 0.000 0.752 0.240 0.008
#> GSM76037 5 0.6422 0.30798 0.008 0.300 0.000 0.164 0.528
#> GSM76038 1 0.3640 0.70360 0.840 0.000 0.052 0.016 0.092
#> GSM76039 1 0.4033 0.61997 0.744 0.000 0.004 0.016 0.236
#> GSM76040 3 0.4658 0.61306 0.000 0.008 0.720 0.228 0.044
#> GSM76041 1 0.5977 0.47281 0.624 0.000 0.244 0.020 0.112
#> GSM76042 1 0.6503 0.20372 0.472 0.000 0.044 0.072 0.412
#> GSM76043 3 0.7583 0.23745 0.252 0.000 0.460 0.068 0.220
#> GSM76044 5 0.5958 -0.07975 0.448 0.000 0.028 0.048 0.476
#> GSM76045 1 0.4939 0.64544 0.744 0.000 0.116 0.016 0.124
#> GSM76046 4 0.6274 -0.07275 0.000 0.000 0.424 0.428 0.148
#> GSM76047 1 0.7886 0.09418 0.404 0.000 0.296 0.088 0.212
#> GSM76048 3 0.5330 0.63934 0.064 0.000 0.720 0.168 0.048
#> GSM76049 5 0.7566 0.47503 0.088 0.216 0.060 0.068 0.568
#> GSM76050 1 0.4287 0.65674 0.792 0.000 0.128 0.016 0.064
#> GSM76051 3 0.2886 0.66619 0.000 0.000 0.844 0.148 0.008
#> GSM76052 3 0.5602 0.48115 0.004 0.000 0.612 0.292 0.092
#> GSM76053 4 0.7932 0.23206 0.052 0.020 0.196 0.428 0.304
#> GSM76054 3 0.3495 0.66585 0.000 0.000 0.816 0.152 0.032
#> GSM76055 5 0.5079 0.56295 0.108 0.068 0.000 0.068 0.756
#> GSM76056 1 0.4568 0.59157 0.716 0.008 0.024 0.004 0.248
#> GSM76057 5 0.8785 0.34225 0.252 0.228 0.164 0.016 0.340
#> GSM76058 3 0.2666 0.69049 0.076 0.000 0.892 0.012 0.020
#> GSM76059 1 0.1267 0.72548 0.960 0.000 0.012 0.004 0.024
#> GSM76060 3 0.8795 -0.17023 0.100 0.284 0.312 0.032 0.272
#> GSM76061 2 0.5538 0.52463 0.036 0.696 0.032 0.020 0.216
#> GSM76062 1 0.1753 0.72623 0.936 0.000 0.032 0.000 0.032
#> GSM76063 2 0.5893 0.50581 0.000 0.660 0.100 0.204 0.036
#> GSM76064 1 0.7332 0.07985 0.404 0.000 0.372 0.044 0.180
#> GSM76065 2 0.4968 0.35616 0.012 0.612 0.000 0.020 0.356
#> GSM76066 1 0.4938 0.45394 0.636 0.000 0.324 0.004 0.036
#> GSM76067 3 0.3848 0.63626 0.196 0.000 0.780 0.012 0.012
#> GSM76068 3 0.3497 0.67437 0.020 0.000 0.828 0.140 0.012
#> GSM76069 1 0.5554 0.31735 0.540 0.000 0.040 0.016 0.404
#> GSM76070 2 0.4523 0.67077 0.000 0.776 0.036 0.148 0.040
#> GSM76071 1 0.1653 0.72689 0.944 0.000 0.028 0.004 0.024
#> GSM76072 1 0.2152 0.72595 0.924 0.000 0.032 0.012 0.032
#> GSM76073 1 0.1836 0.72585 0.936 0.000 0.016 0.008 0.040
#> GSM76074 1 0.1960 0.72463 0.928 0.000 0.020 0.004 0.048
#> GSM76075 3 0.3086 0.68938 0.020 0.000 0.876 0.036 0.068
#> GSM76076 3 0.1544 0.68668 0.000 0.000 0.932 0.068 0.000
#> GSM76077 5 0.6815 0.27420 0.276 0.012 0.168 0.012 0.532
#> GSM76078 3 0.5648 0.61278 0.092 0.032 0.724 0.020 0.132
#> GSM76079 1 0.2206 0.72153 0.912 0.000 0.016 0.004 0.068
#> GSM76080 4 0.6014 0.42397 0.000 0.060 0.304 0.596 0.040
#> GSM76081 3 0.5980 0.11312 0.000 0.052 0.512 0.408 0.028
#> GSM76082 3 0.2935 0.69217 0.024 0.000 0.876 0.088 0.012
#> GSM76083 3 0.2179 0.68304 0.000 0.000 0.896 0.100 0.004
#> GSM76084 4 0.8085 0.07530 0.000 0.320 0.156 0.380 0.144
#> GSM76085 3 0.3278 0.66372 0.000 0.000 0.824 0.156 0.020
#> GSM76086 3 0.4329 0.59938 0.224 0.000 0.740 0.008 0.028
#> GSM76087 2 0.4268 0.53187 0.000 0.708 0.000 0.268 0.024
#> GSM76088 5 0.8722 0.19298 0.304 0.124 0.208 0.024 0.340
#> GSM76089 2 0.6669 0.49038 0.000 0.568 0.036 0.156 0.240
#> GSM76090 3 0.2283 0.69092 0.040 0.000 0.916 0.008 0.036
#> GSM76091 1 0.3765 0.68849 0.820 0.000 0.064 0.004 0.112
#> GSM76092 1 0.1121 0.72662 0.956 0.000 0.000 0.000 0.044
#> GSM76093 1 0.0609 0.72498 0.980 0.000 0.000 0.000 0.020
#> GSM76094 5 0.8114 0.49058 0.236 0.116 0.008 0.192 0.448
#> GSM76095 1 0.5281 0.40042 0.580 0.000 0.028 0.016 0.376
#> GSM76096 1 0.5900 0.33853 0.560 0.000 0.008 0.092 0.340
#> GSM76097 1 0.6666 0.17529 0.492 0.020 0.012 0.096 0.380
#> GSM76098 4 0.5342 0.45332 0.000 0.040 0.308 0.632 0.020
#> GSM76099 1 0.4851 0.55103 0.680 0.000 0.032 0.012 0.276
#> GSM76100 1 0.2727 0.70125 0.868 0.000 0.000 0.016 0.116
#> GSM76101 1 0.0510 0.72396 0.984 0.000 0.000 0.000 0.016
#> GSM76102 1 0.7031 0.39366 0.596 0.060 0.016 0.192 0.136
#> GSM76103 3 0.5638 0.56414 0.232 0.000 0.668 0.044 0.056
#> GSM76104 4 0.6360 0.33894 0.004 0.044 0.324 0.564 0.064
#> GSM76105 5 0.5546 0.48951 0.200 0.020 0.000 0.100 0.680
#> GSM76106 4 0.4057 0.66561 0.000 0.056 0.128 0.804 0.012
#> GSM76107 4 0.4196 0.69342 0.000 0.168 0.012 0.780 0.040
#> GSM76108 5 0.5691 -0.05006 0.428 0.000 0.008 0.060 0.504
#> GSM76109 1 0.0771 0.72402 0.976 0.000 0.004 0.000 0.020
#> GSM76110 1 0.1483 0.72729 0.952 0.000 0.012 0.008 0.028
#> GSM76111 1 0.3489 0.69950 0.824 0.000 0.016 0.012 0.148
#> GSM76112 1 0.2284 0.71945 0.912 0.000 0.056 0.004 0.028
#> GSM76113 3 0.9378 0.10769 0.096 0.132 0.356 0.236 0.180
#> GSM76114 1 0.6227 0.43666 0.568 0.000 0.120 0.016 0.296
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.6308 0.4112 0.004 0.176 0.000 0.180 0.576 0.064
#> GSM76116 5 0.5073 0.4196 0.004 0.108 0.000 0.044 0.712 0.132
#> GSM76117 5 0.7080 0.1895 0.236 0.032 0.012 0.064 0.536 0.120
#> GSM76118 5 0.7136 0.3172 0.128 0.072 0.012 0.060 0.576 0.152
#> GSM76119 4 0.2811 0.6499 0.000 0.084 0.000 0.868 0.036 0.012
#> GSM76120 4 0.2417 0.6585 0.000 0.088 0.008 0.888 0.012 0.004
#> GSM76121 1 0.8220 -0.1356 0.380 0.036 0.008 0.196 0.216 0.164
#> GSM76122 5 0.7718 0.1900 0.088 0.032 0.004 0.180 0.396 0.300
#> GSM76123 4 0.1588 0.6575 0.000 0.072 0.000 0.924 0.004 0.000
#> GSM76124 5 0.7353 0.1405 0.116 0.032 0.016 0.056 0.432 0.348
#> GSM76125 4 0.2442 0.6443 0.000 0.144 0.000 0.852 0.004 0.000
#> GSM76126 4 0.4314 0.5937 0.000 0.220 0.016 0.728 0.024 0.012
#> GSM76127 4 0.1757 0.6571 0.000 0.076 0.000 0.916 0.008 0.000
#> GSM76128 4 0.3205 0.6147 0.008 0.008 0.092 0.856 0.016 0.020
#> GSM76129 2 0.5745 0.3800 0.000 0.568 0.000 0.200 0.220 0.012
#> GSM76130 4 0.2909 0.6369 0.000 0.136 0.000 0.836 0.028 0.000
#> GSM76131 2 0.0291 0.7033 0.000 0.992 0.000 0.004 0.000 0.004
#> GSM76132 2 0.1003 0.6988 0.000 0.964 0.000 0.004 0.028 0.004
#> GSM76133 2 0.0146 0.7034 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76134 2 0.6340 0.2326 0.000 0.452 0.004 0.240 0.292 0.012
#> GSM76135 2 0.0405 0.7026 0.000 0.988 0.000 0.000 0.008 0.004
#> GSM76136 2 0.1059 0.7007 0.000 0.964 0.000 0.004 0.016 0.016
#> GSM76137 4 0.6962 0.0977 0.000 0.320 0.028 0.428 0.196 0.028
#> GSM76138 5 0.6097 0.4032 0.000 0.200 0.004 0.072 0.604 0.120
#> GSM76139 2 0.2504 0.6453 0.000 0.856 0.004 0.136 0.000 0.004
#> GSM76140 1 0.5413 0.4560 0.628 0.000 0.008 0.004 0.188 0.172
#> GSM76141 2 0.0146 0.7034 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76142 2 0.0146 0.7034 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76143 2 0.0291 0.7033 0.000 0.992 0.000 0.004 0.000 0.004
#> GSM76144 2 0.0291 0.7033 0.000 0.992 0.000 0.004 0.000 0.004
#> GSM76145 5 0.8086 0.0623 0.000 0.316 0.080 0.188 0.336 0.080
#> GSM76146 2 0.1806 0.6896 0.000 0.928 0.000 0.008 0.044 0.020
#> GSM76147 2 0.2243 0.6666 0.000 0.880 0.000 0.004 0.112 0.004
#> GSM76148 2 0.0603 0.7018 0.000 0.980 0.000 0.016 0.004 0.000
#> GSM76149 2 0.6076 0.2512 0.000 0.468 0.012 0.188 0.332 0.000
#> GSM76150 2 0.6375 0.1594 0.000 0.420 0.004 0.200 0.360 0.016
#> GSM76151 2 0.6454 0.1426 0.000 0.404 0.008 0.252 0.328 0.008
#> GSM76152 1 0.3890 0.5971 0.752 0.000 0.008 0.000 0.036 0.204
#> GSM76153 2 0.0000 0.7029 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.5915 0.1325 0.000 0.432 0.004 0.124 0.428 0.012
#> GSM76155 2 0.6280 0.1507 0.000 0.460 0.004 0.072 0.392 0.072
#> GSM76156 2 0.0405 0.7027 0.000 0.988 0.000 0.000 0.008 0.004
#> GSM76030 2 0.8694 -0.0999 0.004 0.332 0.144 0.144 0.244 0.132
#> GSM76031 1 0.4116 0.5925 0.764 0.000 0.008 0.012 0.044 0.172
#> GSM76032 3 0.5914 0.5470 0.060 0.000 0.632 0.084 0.016 0.208
#> GSM76033 3 0.6318 0.4909 0.004 0.000 0.528 0.260 0.036 0.172
#> GSM76034 4 0.8761 0.1987 0.004 0.236 0.132 0.320 0.168 0.140
#> GSM76035 3 0.8634 0.1788 0.196 0.008 0.364 0.200 0.108 0.124
#> GSM76036 3 0.4350 0.5763 0.000 0.000 0.696 0.256 0.020 0.028
#> GSM76037 5 0.6532 0.3939 0.012 0.184 0.004 0.052 0.568 0.180
#> GSM76038 1 0.5682 0.4991 0.648 0.000 0.056 0.012 0.076 0.208
#> GSM76039 1 0.4456 0.5606 0.728 0.000 0.000 0.008 0.104 0.160
#> GSM76040 3 0.5528 0.5787 0.000 0.000 0.640 0.220 0.076 0.064
#> GSM76041 1 0.6843 0.0964 0.484 0.000 0.280 0.012 0.060 0.164
#> GSM76042 6 0.6809 0.1684 0.360 0.000 0.016 0.028 0.196 0.400
#> GSM76043 6 0.7823 0.0700 0.132 0.000 0.312 0.052 0.116 0.388
#> GSM76044 6 0.7103 0.2251 0.268 0.000 0.020 0.036 0.276 0.400
#> GSM76045 1 0.6367 0.3740 0.564 0.000 0.136 0.008 0.060 0.232
#> GSM76046 4 0.7217 -0.0994 0.000 0.000 0.284 0.356 0.088 0.272
#> GSM76047 6 0.8198 0.2750 0.272 0.000 0.196 0.084 0.092 0.356
#> GSM76048 3 0.6383 0.5643 0.060 0.000 0.628 0.116 0.052 0.144
#> GSM76049 5 0.7889 0.1039 0.072 0.084 0.064 0.032 0.420 0.328
#> GSM76050 1 0.4330 0.5641 0.772 0.000 0.120 0.004 0.032 0.072
#> GSM76051 3 0.3277 0.6505 0.000 0.000 0.812 0.156 0.024 0.008
#> GSM76052 3 0.7237 0.3713 0.004 0.000 0.440 0.256 0.124 0.176
#> GSM76053 4 0.8008 0.0175 0.028 0.008 0.112 0.364 0.208 0.280
#> GSM76054 3 0.4916 0.6300 0.000 0.000 0.716 0.156 0.064 0.064
#> GSM76055 5 0.6553 0.1283 0.100 0.020 0.000 0.048 0.480 0.352
#> GSM76056 1 0.5120 0.4702 0.660 0.020 0.004 0.000 0.080 0.236
#> GSM76057 6 0.8821 0.0748 0.156 0.240 0.096 0.008 0.204 0.296
#> GSM76058 3 0.3443 0.6341 0.068 0.000 0.840 0.016 0.008 0.068
#> GSM76059 1 0.0862 0.6487 0.972 0.000 0.004 0.000 0.008 0.016
#> GSM76060 6 0.8847 0.1098 0.080 0.236 0.180 0.020 0.156 0.328
#> GSM76061 2 0.7280 0.2443 0.036 0.528 0.056 0.016 0.176 0.188
#> GSM76062 1 0.2651 0.6501 0.880 0.000 0.016 0.004 0.016 0.084
#> GSM76063 2 0.6938 0.3402 0.000 0.536 0.076 0.252 0.068 0.068
#> GSM76064 1 0.7532 -0.1860 0.356 0.000 0.356 0.024 0.096 0.168
#> GSM76065 2 0.6232 0.0736 0.008 0.500 0.000 0.012 0.280 0.200
#> GSM76066 1 0.5151 0.3343 0.616 0.000 0.284 0.000 0.012 0.088
#> GSM76067 3 0.4203 0.4691 0.216 0.000 0.716 0.000 0.000 0.068
#> GSM76068 3 0.3057 0.6593 0.008 0.000 0.852 0.108 0.016 0.016
#> GSM76069 1 0.6430 -0.1219 0.412 0.000 0.016 0.008 0.188 0.376
#> GSM76070 2 0.6020 0.4788 0.000 0.636 0.016 0.180 0.088 0.080
#> GSM76071 1 0.2528 0.6515 0.892 0.000 0.024 0.000 0.028 0.056
#> GSM76072 1 0.2715 0.6446 0.872 0.000 0.012 0.000 0.028 0.088
#> GSM76073 1 0.1629 0.6529 0.940 0.000 0.004 0.004 0.028 0.024
#> GSM76074 1 0.1116 0.6493 0.960 0.000 0.004 0.000 0.008 0.028
#> GSM76075 3 0.4485 0.5915 0.004 0.000 0.716 0.036 0.024 0.220
#> GSM76076 3 0.1952 0.6600 0.000 0.000 0.920 0.052 0.012 0.016
#> GSM76077 6 0.7601 0.1757 0.124 0.020 0.100 0.020 0.284 0.452
#> GSM76078 3 0.6827 0.3737 0.048 0.060 0.552 0.012 0.064 0.264
#> GSM76079 1 0.2784 0.6400 0.848 0.000 0.012 0.000 0.008 0.132
#> GSM76080 4 0.6009 0.4012 0.000 0.040 0.248 0.604 0.084 0.024
#> GSM76081 3 0.6461 0.1027 0.000 0.044 0.456 0.400 0.064 0.036
#> GSM76082 3 0.2460 0.6620 0.020 0.000 0.896 0.064 0.004 0.016
#> GSM76083 3 0.2001 0.6618 0.000 0.000 0.900 0.092 0.004 0.004
#> GSM76084 4 0.8035 0.1741 0.000 0.236 0.096 0.396 0.204 0.068
#> GSM76085 3 0.4626 0.6402 0.000 0.000 0.724 0.144 0.016 0.116
#> GSM76086 3 0.4962 0.4649 0.192 0.000 0.676 0.000 0.012 0.120
#> GSM76087 2 0.4225 0.4932 0.000 0.696 0.000 0.264 0.028 0.012
#> GSM76088 6 0.8555 0.2293 0.160 0.196 0.132 0.004 0.128 0.380
#> GSM76089 5 0.7294 0.1294 0.000 0.312 0.056 0.120 0.452 0.060
#> GSM76090 3 0.2679 0.6362 0.012 0.000 0.872 0.008 0.008 0.100
#> GSM76091 1 0.4459 0.5499 0.712 0.000 0.036 0.004 0.020 0.228
#> GSM76092 1 0.1707 0.6523 0.928 0.000 0.004 0.000 0.012 0.056
#> GSM76093 1 0.1155 0.6506 0.956 0.000 0.004 0.000 0.004 0.036
#> GSM76094 5 0.8798 0.1340 0.184 0.140 0.004 0.124 0.288 0.260
#> GSM76095 1 0.6453 -0.0357 0.424 0.000 0.028 0.008 0.152 0.388
#> GSM76096 1 0.6532 0.2172 0.524 0.000 0.004 0.072 0.132 0.268
#> GSM76097 1 0.7568 0.0766 0.464 0.024 0.008 0.096 0.184 0.224
#> GSM76098 4 0.5871 0.4016 0.000 0.052 0.264 0.604 0.016 0.064
#> GSM76099 1 0.5921 0.3596 0.588 0.000 0.028 0.012 0.112 0.260
#> GSM76100 1 0.3232 0.6277 0.844 0.000 0.004 0.008 0.056 0.088
#> GSM76101 1 0.0837 0.6498 0.972 0.000 0.004 0.000 0.004 0.020
#> GSM76102 1 0.7182 0.2124 0.528 0.048 0.012 0.212 0.040 0.160
#> GSM76103 3 0.6151 0.3300 0.232 0.000 0.556 0.024 0.008 0.180
#> GSM76104 4 0.6865 0.2875 0.004 0.020 0.236 0.524 0.052 0.164
#> GSM76105 5 0.6954 0.1141 0.164 0.000 0.004 0.084 0.452 0.296
#> GSM76106 4 0.4080 0.6026 0.000 0.028 0.120 0.796 0.040 0.016
#> GSM76107 4 0.4116 0.6221 0.000 0.140 0.000 0.776 0.048 0.036
#> GSM76108 6 0.6981 0.1611 0.340 0.004 0.004 0.036 0.268 0.348
#> GSM76109 1 0.0777 0.6490 0.972 0.000 0.000 0.000 0.004 0.024
#> GSM76110 1 0.1881 0.6522 0.924 0.000 0.004 0.004 0.016 0.052
#> GSM76111 1 0.4509 0.6035 0.744 0.000 0.020 0.012 0.052 0.172
#> GSM76112 1 0.2429 0.6428 0.896 0.000 0.064 0.008 0.004 0.028
#> GSM76113 3 0.9398 -0.0849 0.068 0.080 0.264 0.192 0.152 0.244
#> GSM76114 1 0.6293 0.0254 0.440 0.000 0.072 0.004 0.072 0.412
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> CV:skmeans 124 6.44e-07 2
#> CV:skmeans 118 7.79e-12 3
#> CV:skmeans 86 1.71e-12 4
#> CV:skmeans 83 2.37e-09 5
#> CV:skmeans 59 7.85e-10 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "pam"]
# you can also extract it by
# res = res_list["CV:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.0791 0.392 0.685 0.4821 0.503 0.503
#> 3 3 0.2556 0.452 0.721 0.3493 0.651 0.413
#> 4 4 0.4231 0.554 0.736 0.1383 0.801 0.496
#> 5 5 0.4807 0.428 0.655 0.0594 0.951 0.814
#> 6 6 0.5803 0.525 0.690 0.0435 0.904 0.610
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.9954 0.3307 0.460 0.540
#> GSM76116 1 0.9909 -0.1939 0.556 0.444
#> GSM76117 2 1.0000 0.2819 0.496 0.504
#> GSM76118 2 0.9909 0.3042 0.444 0.556
#> GSM76119 2 0.9393 0.2856 0.356 0.644
#> GSM76120 2 0.7056 0.4961 0.192 0.808
#> GSM76121 1 0.3114 0.6294 0.944 0.056
#> GSM76122 1 0.9393 0.0324 0.644 0.356
#> GSM76123 2 0.4562 0.5213 0.096 0.904
#> GSM76124 1 0.8267 0.2485 0.740 0.260
#> GSM76125 2 0.2423 0.5338 0.040 0.960
#> GSM76126 2 0.7815 0.5072 0.232 0.768
#> GSM76127 2 0.4022 0.5232 0.080 0.920
#> GSM76128 1 0.9988 0.1270 0.520 0.480
#> GSM76129 2 0.9954 0.3192 0.460 0.540
#> GSM76130 2 0.9775 0.2851 0.412 0.588
#> GSM76131 2 0.8207 0.5002 0.256 0.744
#> GSM76132 2 0.8813 0.4911 0.300 0.700
#> GSM76133 2 0.9427 0.4096 0.360 0.640
#> GSM76134 2 0.5629 0.5544 0.132 0.868
#> GSM76135 2 0.9552 0.4006 0.376 0.624
#> GSM76136 2 0.3274 0.5497 0.060 0.940
#> GSM76137 2 0.4431 0.5504 0.092 0.908
#> GSM76138 1 0.9866 -0.1684 0.568 0.432
#> GSM76139 2 0.4022 0.5504 0.080 0.920
#> GSM76140 1 0.2423 0.6296 0.960 0.040
#> GSM76141 2 0.9866 0.3529 0.432 0.568
#> GSM76142 2 0.9754 0.3974 0.408 0.592
#> GSM76143 2 0.9393 0.4116 0.356 0.644
#> GSM76144 2 0.5737 0.5506 0.136 0.864
#> GSM76145 2 0.8608 0.5104 0.284 0.716
#> GSM76146 1 1.0000 -0.2994 0.500 0.500
#> GSM76147 2 0.9954 0.3205 0.460 0.540
#> GSM76148 2 0.7056 0.5390 0.192 0.808
#> GSM76149 2 0.7219 0.5411 0.200 0.800
#> GSM76150 2 0.9909 0.3512 0.444 0.556
#> GSM76151 2 0.9833 0.3941 0.424 0.576
#> GSM76152 1 0.0938 0.6425 0.988 0.012
#> GSM76153 2 0.4431 0.5491 0.092 0.908
#> GSM76154 2 0.7674 0.5310 0.224 0.776
#> GSM76155 2 0.9909 0.3507 0.444 0.556
#> GSM76156 2 0.9608 0.3949 0.384 0.616
#> GSM76030 2 0.8081 0.5187 0.248 0.752
#> GSM76031 1 0.4815 0.6067 0.896 0.104
#> GSM76032 1 0.9170 0.3138 0.668 0.332
#> GSM76033 1 0.9427 0.2867 0.640 0.360
#> GSM76034 1 0.9988 -0.2769 0.520 0.480
#> GSM76035 2 0.9358 0.1729 0.352 0.648
#> GSM76036 2 0.5294 0.4907 0.120 0.880
#> GSM76037 2 0.9993 0.2954 0.484 0.516
#> GSM76038 1 0.4431 0.6157 0.908 0.092
#> GSM76039 1 0.7745 0.4698 0.772 0.228
#> GSM76040 2 0.6343 0.4581 0.160 0.840
#> GSM76041 2 0.9795 0.0417 0.416 0.584
#> GSM76042 1 0.3584 0.6375 0.932 0.068
#> GSM76043 1 0.4161 0.6401 0.916 0.084
#> GSM76044 1 0.5946 0.6140 0.856 0.144
#> GSM76045 1 0.9552 0.3707 0.624 0.376
#> GSM76046 2 0.9993 -0.1018 0.484 0.516
#> GSM76047 1 0.9000 0.4561 0.684 0.316
#> GSM76048 2 0.8443 0.3983 0.272 0.728
#> GSM76049 1 0.9522 0.2836 0.628 0.372
#> GSM76050 1 0.7602 0.5481 0.780 0.220
#> GSM76051 2 0.8081 0.3362 0.248 0.752
#> GSM76052 2 0.9044 0.2634 0.320 0.680
#> GSM76053 2 0.9661 0.1211 0.392 0.608
#> GSM76054 2 0.9358 0.1508 0.352 0.648
#> GSM76055 2 0.9815 0.3674 0.420 0.580
#> GSM76056 1 0.9209 0.2419 0.664 0.336
#> GSM76057 1 0.9580 0.2426 0.620 0.380
#> GSM76058 1 0.9933 0.1774 0.548 0.452
#> GSM76059 1 0.5519 0.6012 0.872 0.128
#> GSM76060 1 0.9710 0.1724 0.600 0.400
#> GSM76061 2 0.9850 0.3619 0.428 0.572
#> GSM76062 1 0.2236 0.6444 0.964 0.036
#> GSM76063 2 0.2948 0.5236 0.052 0.948
#> GSM76064 1 0.9087 0.4443 0.676 0.324
#> GSM76065 2 0.9988 0.2906 0.480 0.520
#> GSM76066 1 0.9775 0.2347 0.588 0.412
#> GSM76067 2 0.9358 0.1413 0.352 0.648
#> GSM76068 2 0.5408 0.5214 0.124 0.876
#> GSM76069 1 0.8499 0.4265 0.724 0.276
#> GSM76070 2 0.3733 0.5499 0.072 0.928
#> GSM76071 1 0.3274 0.6420 0.940 0.060
#> GSM76072 1 0.0672 0.6424 0.992 0.008
#> GSM76073 1 0.6247 0.6006 0.844 0.156
#> GSM76074 1 0.1414 0.6408 0.980 0.020
#> GSM76075 2 0.9963 -0.0216 0.464 0.536
#> GSM76076 2 0.9170 0.1727 0.332 0.668
#> GSM76077 1 0.9209 0.3643 0.664 0.336
#> GSM76078 1 0.9170 0.3627 0.668 0.332
#> GSM76079 1 0.4022 0.6344 0.920 0.080
#> GSM76080 2 0.3431 0.5383 0.064 0.936
#> GSM76081 2 0.2778 0.5221 0.048 0.952
#> GSM76082 2 0.9522 0.1587 0.372 0.628
#> GSM76083 2 0.9044 0.1797 0.320 0.680
#> GSM76084 2 0.3584 0.5401 0.068 0.932
#> GSM76085 2 0.8443 0.3144 0.272 0.728
#> GSM76086 1 0.9732 0.2399 0.596 0.404
#> GSM76087 2 0.9815 0.3804 0.420 0.580
#> GSM76088 1 0.9552 0.3454 0.624 0.376
#> GSM76089 2 0.9635 0.3940 0.388 0.612
#> GSM76090 2 0.9491 0.1146 0.368 0.632
#> GSM76091 1 0.6623 0.5478 0.828 0.172
#> GSM76092 1 0.3431 0.6381 0.936 0.064
#> GSM76093 1 0.4431 0.6262 0.908 0.092
#> GSM76094 2 0.9998 0.2789 0.492 0.508
#> GSM76095 1 0.0000 0.6416 1.000 0.000
#> GSM76096 1 0.1633 0.6368 0.976 0.024
#> GSM76097 1 0.9909 0.0378 0.556 0.444
#> GSM76098 2 0.6247 0.5254 0.156 0.844
#> GSM76099 1 0.6712 0.5484 0.824 0.176
#> GSM76100 1 0.0376 0.6421 0.996 0.004
#> GSM76101 1 0.1843 0.6421 0.972 0.028
#> GSM76102 1 0.8813 0.1457 0.700 0.300
#> GSM76103 2 0.9983 -0.0623 0.476 0.524
#> GSM76104 2 0.9954 0.0290 0.460 0.540
#> GSM76105 2 0.9996 0.2866 0.488 0.512
#> GSM76106 2 0.6973 0.5504 0.188 0.812
#> GSM76107 2 0.9977 0.2864 0.472 0.528
#> GSM76108 1 0.7219 0.4978 0.800 0.200
#> GSM76109 1 0.0672 0.6425 0.992 0.008
#> GSM76110 1 0.0938 0.6427 0.988 0.012
#> GSM76111 1 0.0376 0.6420 0.996 0.004
#> GSM76112 1 0.4431 0.6310 0.908 0.092
#> GSM76113 2 0.8555 0.5166 0.280 0.720
#> GSM76114 1 0.4815 0.6102 0.896 0.104
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 3 0.9840 -0.04318 0.336 0.256 0.408
#> GSM76116 1 0.9136 0.13845 0.456 0.144 0.400
#> GSM76117 1 0.9738 -0.03808 0.444 0.252 0.304
#> GSM76118 1 0.9301 0.18963 0.472 0.168 0.360
#> GSM76119 3 0.7916 0.22905 0.088 0.292 0.620
#> GSM76120 3 0.5356 0.46127 0.020 0.196 0.784
#> GSM76121 1 0.3434 0.63836 0.904 0.032 0.064
#> GSM76122 1 0.9207 0.16020 0.508 0.172 0.320
#> GSM76123 3 0.2434 0.58096 0.024 0.036 0.940
#> GSM76124 1 0.7944 0.31873 0.616 0.088 0.296
#> GSM76125 3 0.6274 -0.05595 0.000 0.456 0.544
#> GSM76126 2 0.8043 0.38746 0.072 0.556 0.372
#> GSM76127 3 0.4995 0.51788 0.032 0.144 0.824
#> GSM76128 3 0.5541 0.52659 0.252 0.008 0.740
#> GSM76129 2 0.8853 0.55480 0.264 0.568 0.168
#> GSM76130 3 0.8257 0.00968 0.084 0.372 0.544
#> GSM76131 2 0.1860 0.69109 0.000 0.948 0.052
#> GSM76132 2 0.2806 0.71038 0.032 0.928 0.040
#> GSM76133 2 0.0237 0.70519 0.004 0.996 0.000
#> GSM76134 2 0.5591 0.57143 0.000 0.696 0.304
#> GSM76135 2 0.0747 0.70798 0.016 0.984 0.000
#> GSM76136 2 0.0000 0.70411 0.000 1.000 0.000
#> GSM76137 2 0.6180 0.38648 0.000 0.584 0.416
#> GSM76138 3 0.9464 -0.08028 0.408 0.180 0.412
#> GSM76139 2 0.1860 0.68783 0.000 0.948 0.052
#> GSM76140 1 0.1337 0.64680 0.972 0.012 0.016
#> GSM76141 2 0.2356 0.70658 0.072 0.928 0.000
#> GSM76142 2 0.2165 0.70027 0.064 0.936 0.000
#> GSM76143 2 0.0000 0.70411 0.000 1.000 0.000
#> GSM76144 2 0.0747 0.70623 0.016 0.984 0.000
#> GSM76145 3 0.9569 -0.04339 0.240 0.280 0.480
#> GSM76146 2 0.2902 0.69580 0.064 0.920 0.016
#> GSM76147 2 0.7607 0.58691 0.280 0.644 0.076
#> GSM76148 2 0.0000 0.70411 0.000 1.000 0.000
#> GSM76149 2 0.5737 0.60602 0.012 0.732 0.256
#> GSM76150 2 0.9305 0.47885 0.188 0.504 0.308
#> GSM76151 2 0.9536 0.47415 0.260 0.488 0.252
#> GSM76152 1 0.0000 0.64717 1.000 0.000 0.000
#> GSM76153 2 0.0000 0.70411 0.000 1.000 0.000
#> GSM76154 2 0.7549 0.32184 0.040 0.524 0.436
#> GSM76155 2 0.8543 0.53825 0.128 0.580 0.292
#> GSM76156 2 0.0237 0.70434 0.004 0.996 0.000
#> GSM76030 2 0.7782 0.49315 0.096 0.648 0.256
#> GSM76031 1 0.5882 0.33765 0.652 0.000 0.348
#> GSM76032 3 0.6095 0.36978 0.392 0.000 0.608
#> GSM76033 3 0.5529 0.45955 0.296 0.000 0.704
#> GSM76034 2 0.9566 0.34986 0.360 0.440 0.200
#> GSM76035 3 0.7718 0.36984 0.320 0.068 0.612
#> GSM76036 3 0.0237 0.58624 0.004 0.000 0.996
#> GSM76037 1 0.9863 -0.13353 0.416 0.284 0.300
#> GSM76038 1 0.5178 0.46845 0.744 0.000 0.256
#> GSM76039 1 0.3832 0.62444 0.888 0.036 0.076
#> GSM76040 3 0.3764 0.59819 0.068 0.040 0.892
#> GSM76041 1 0.8046 0.15684 0.536 0.068 0.396
#> GSM76042 1 0.4062 0.58905 0.836 0.000 0.164
#> GSM76043 1 0.4978 0.55008 0.780 0.004 0.216
#> GSM76044 1 0.5760 0.40596 0.672 0.000 0.328
#> GSM76045 1 0.7283 0.44825 0.672 0.068 0.260
#> GSM76046 3 0.5706 0.43441 0.320 0.000 0.680
#> GSM76047 1 0.7796 0.24958 0.552 0.056 0.392
#> GSM76048 3 0.2261 0.59101 0.068 0.000 0.932
#> GSM76049 1 0.7821 0.47489 0.660 0.224 0.116
#> GSM76050 1 0.7153 0.37403 0.652 0.048 0.300
#> GSM76051 3 0.4505 0.59033 0.092 0.048 0.860
#> GSM76052 3 0.5774 0.50217 0.232 0.020 0.748
#> GSM76053 3 0.5656 0.49413 0.264 0.008 0.728
#> GSM76054 3 0.5220 0.52350 0.208 0.012 0.780
#> GSM76055 1 0.9852 -0.06006 0.420 0.292 0.288
#> GSM76056 1 0.8186 0.26897 0.604 0.292 0.104
#> GSM76057 2 0.8619 0.30333 0.368 0.524 0.108
#> GSM76058 3 0.5397 0.47077 0.280 0.000 0.720
#> GSM76059 1 0.2947 0.63743 0.920 0.060 0.020
#> GSM76060 3 0.9849 0.13582 0.260 0.332 0.408
#> GSM76061 2 0.7622 0.55661 0.272 0.648 0.080
#> GSM76062 1 0.2261 0.63996 0.932 0.000 0.068
#> GSM76063 3 0.5988 0.34969 0.000 0.368 0.632
#> GSM76064 3 0.7187 -0.06637 0.480 0.024 0.496
#> GSM76065 2 0.5864 0.58685 0.288 0.704 0.008
#> GSM76066 1 0.6422 0.33983 0.660 0.016 0.324
#> GSM76067 3 0.7990 0.18256 0.404 0.064 0.532
#> GSM76068 3 0.6398 0.46730 0.060 0.192 0.748
#> GSM76069 1 0.6062 0.56973 0.776 0.064 0.160
#> GSM76070 2 0.3973 0.66689 0.032 0.880 0.088
#> GSM76071 1 0.3752 0.60419 0.856 0.000 0.144
#> GSM76072 1 0.1753 0.64494 0.952 0.000 0.048
#> GSM76073 1 0.5042 0.59962 0.836 0.060 0.104
#> GSM76074 1 0.0000 0.64717 1.000 0.000 0.000
#> GSM76075 3 0.4654 0.51695 0.208 0.000 0.792
#> GSM76076 3 0.6341 0.49348 0.032 0.252 0.716
#> GSM76077 1 0.8261 0.43677 0.616 0.124 0.260
#> GSM76078 3 0.7600 0.39840 0.328 0.060 0.612
#> GSM76079 1 0.4047 0.58722 0.848 0.004 0.148
#> GSM76080 3 0.4609 0.55970 0.052 0.092 0.856
#> GSM76081 3 0.5465 0.37650 0.000 0.288 0.712
#> GSM76082 3 0.7901 0.43701 0.312 0.080 0.608
#> GSM76083 3 0.8505 0.51214 0.144 0.256 0.600
#> GSM76084 3 0.4836 0.55958 0.072 0.080 0.848
#> GSM76085 3 0.3644 0.58211 0.124 0.004 0.872
#> GSM76086 3 0.6305 0.08112 0.484 0.000 0.516
#> GSM76087 2 0.4379 0.69826 0.072 0.868 0.060
#> GSM76088 1 0.9749 0.13257 0.444 0.260 0.296
#> GSM76089 2 0.9852 0.35745 0.292 0.420 0.288
#> GSM76090 3 0.8574 0.12986 0.432 0.096 0.472
#> GSM76091 1 0.4978 0.57052 0.780 0.004 0.216
#> GSM76092 1 0.1620 0.64893 0.964 0.024 0.012
#> GSM76093 1 0.2926 0.64193 0.924 0.040 0.036
#> GSM76094 1 0.9880 -0.28321 0.384 0.356 0.260
#> GSM76095 1 0.1031 0.64703 0.976 0.000 0.024
#> GSM76096 1 0.0424 0.64807 0.992 0.000 0.008
#> GSM76097 2 0.7742 0.48869 0.288 0.632 0.080
#> GSM76098 3 0.6129 0.38477 0.016 0.284 0.700
#> GSM76099 1 0.4539 0.60338 0.836 0.016 0.148
#> GSM76100 1 0.0237 0.64777 0.996 0.000 0.004
#> GSM76101 1 0.1170 0.64812 0.976 0.008 0.016
#> GSM76102 1 0.9073 0.18135 0.544 0.184 0.272
#> GSM76103 3 0.7012 0.47260 0.308 0.040 0.652
#> GSM76104 3 0.4099 0.57168 0.140 0.008 0.852
#> GSM76105 1 0.9372 0.13528 0.500 0.200 0.300
#> GSM76106 3 0.8176 0.33666 0.224 0.140 0.636
#> GSM76107 2 0.9783 0.39330 0.264 0.436 0.300
#> GSM76108 1 0.4370 0.61971 0.868 0.076 0.056
#> GSM76109 1 0.0747 0.64677 0.984 0.000 0.016
#> GSM76110 1 0.1031 0.64759 0.976 0.000 0.024
#> GSM76111 1 0.0237 0.64777 0.996 0.000 0.004
#> GSM76112 1 0.4931 0.53068 0.784 0.004 0.212
#> GSM76113 3 0.6482 0.41104 0.244 0.040 0.716
#> GSM76114 1 0.5948 0.31735 0.640 0.000 0.360
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.3392 0.6484 0.016 0.080 0.024 0.880
#> GSM76116 4 0.2570 0.6500 0.028 0.004 0.052 0.916
#> GSM76117 4 0.2076 0.6458 0.008 0.056 0.004 0.932
#> GSM76118 4 0.3734 0.6228 0.116 0.012 0.020 0.852
#> GSM76119 4 0.7182 0.0867 0.012 0.096 0.412 0.480
#> GSM76120 3 0.4237 0.7105 0.000 0.152 0.808 0.040
#> GSM76121 4 0.6920 -0.4394 0.456 0.028 0.048 0.468
#> GSM76122 4 0.2870 0.6437 0.036 0.012 0.044 0.908
#> GSM76123 3 0.3351 0.7237 0.000 0.008 0.844 0.148
#> GSM76124 4 0.3383 0.6158 0.076 0.000 0.052 0.872
#> GSM76125 3 0.6567 0.4761 0.000 0.308 0.588 0.104
#> GSM76126 2 0.8386 -0.0522 0.024 0.412 0.240 0.324
#> GSM76127 3 0.6203 0.0881 0.024 0.016 0.492 0.468
#> GSM76128 3 0.2142 0.7518 0.056 0.000 0.928 0.016
#> GSM76129 4 0.4991 0.3208 0.004 0.388 0.000 0.608
#> GSM76130 4 0.7729 0.2607 0.016 0.156 0.336 0.492
#> GSM76131 2 0.2164 0.7254 0.004 0.924 0.004 0.068
#> GSM76132 2 0.2868 0.6609 0.000 0.864 0.000 0.136
#> GSM76133 2 0.0000 0.7567 0.000 1.000 0.000 0.000
#> GSM76134 4 0.6323 0.2526 0.048 0.384 0.008 0.560
#> GSM76135 2 0.0188 0.7567 0.000 0.996 0.000 0.004
#> GSM76136 2 0.0000 0.7567 0.000 1.000 0.000 0.000
#> GSM76137 4 0.7540 0.3150 0.032 0.304 0.112 0.552
#> GSM76138 4 0.2186 0.6519 0.012 0.008 0.048 0.932
#> GSM76139 2 0.1863 0.7371 0.012 0.944 0.004 0.040
#> GSM76140 1 0.4428 0.6462 0.720 0.000 0.004 0.276
#> GSM76141 2 0.1118 0.7466 0.000 0.964 0.000 0.036
#> GSM76142 2 0.0336 0.7542 0.000 0.992 0.000 0.008
#> GSM76143 2 0.0000 0.7567 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0188 0.7555 0.000 0.996 0.000 0.004
#> GSM76145 4 0.4751 0.6191 0.020 0.064 0.104 0.812
#> GSM76146 2 0.1004 0.7522 0.000 0.972 0.004 0.024
#> GSM76147 2 0.5161 0.0719 0.004 0.520 0.000 0.476
#> GSM76148 2 0.0000 0.7567 0.000 1.000 0.000 0.000
#> GSM76149 4 0.6200 0.1594 0.020 0.452 0.020 0.508
#> GSM76150 4 0.4374 0.5496 0.008 0.228 0.004 0.760
#> GSM76151 4 0.5298 0.5051 0.008 0.272 0.024 0.696
#> GSM76152 1 0.4250 0.6574 0.724 0.000 0.000 0.276
#> GSM76153 2 0.0000 0.7567 0.000 1.000 0.000 0.000
#> GSM76154 4 0.7449 0.4137 0.044 0.236 0.116 0.604
#> GSM76155 4 0.5648 0.4152 0.004 0.324 0.032 0.640
#> GSM76156 2 0.0000 0.7567 0.000 1.000 0.000 0.000
#> GSM76030 2 0.7912 0.0362 0.156 0.440 0.020 0.384
#> GSM76031 1 0.5252 0.5412 0.644 0.000 0.336 0.020
#> GSM76032 3 0.4017 0.7031 0.128 0.000 0.828 0.044
#> GSM76033 3 0.2676 0.7336 0.092 0.000 0.896 0.012
#> GSM76034 4 0.6587 0.3576 0.016 0.320 0.064 0.600
#> GSM76035 1 0.7736 0.0284 0.424 0.012 0.408 0.156
#> GSM76036 3 0.1284 0.7583 0.012 0.000 0.964 0.024
#> GSM76037 4 0.1247 0.6470 0.012 0.016 0.004 0.968
#> GSM76038 1 0.4775 0.7028 0.784 0.000 0.140 0.076
#> GSM76039 4 0.5330 -0.4529 0.476 0.004 0.004 0.516
#> GSM76040 3 0.1843 0.7623 0.028 0.008 0.948 0.016
#> GSM76041 1 0.5277 0.6746 0.768 0.008 0.108 0.116
#> GSM76042 1 0.7285 0.5905 0.516 0.000 0.176 0.308
#> GSM76043 1 0.7730 0.5296 0.444 0.000 0.264 0.292
#> GSM76044 1 0.5512 0.6979 0.728 0.000 0.172 0.100
#> GSM76045 1 0.3473 0.6939 0.876 0.008 0.044 0.072
#> GSM76046 3 0.4387 0.6677 0.144 0.000 0.804 0.052
#> GSM76047 1 0.7833 0.5385 0.484 0.008 0.260 0.248
#> GSM76048 3 0.1798 0.7621 0.016 0.000 0.944 0.040
#> GSM76049 1 0.6293 0.4864 0.584 0.044 0.012 0.360
#> GSM76050 1 0.3743 0.6816 0.824 0.000 0.160 0.016
#> GSM76051 3 0.2716 0.7559 0.028 0.008 0.912 0.052
#> GSM76052 3 0.7210 0.2574 0.276 0.000 0.540 0.184
#> GSM76053 3 0.4992 0.6613 0.132 0.000 0.772 0.096
#> GSM76054 3 0.1471 0.7596 0.012 0.004 0.960 0.024
#> GSM76055 4 0.2742 0.6402 0.076 0.024 0.000 0.900
#> GSM76056 4 0.7682 -0.0663 0.328 0.200 0.004 0.468
#> GSM76057 2 0.7577 0.1470 0.108 0.476 0.024 0.392
#> GSM76058 3 0.2255 0.7522 0.068 0.000 0.920 0.012
#> GSM76059 1 0.2987 0.7087 0.880 0.000 0.016 0.104
#> GSM76060 2 0.9046 0.0947 0.064 0.384 0.276 0.276
#> GSM76061 2 0.5580 0.3338 0.016 0.572 0.004 0.408
#> GSM76062 1 0.2466 0.7011 0.916 0.000 0.028 0.056
#> GSM76063 3 0.5199 0.6363 0.004 0.240 0.720 0.036
#> GSM76064 1 0.7697 0.5132 0.476 0.004 0.308 0.212
#> GSM76065 2 0.5250 0.4219 0.024 0.660 0.000 0.316
#> GSM76066 1 0.4793 0.6640 0.756 0.000 0.204 0.040
#> GSM76067 1 0.6220 0.5516 0.672 0.008 0.228 0.092
#> GSM76068 3 0.7527 0.5950 0.172 0.044 0.612 0.172
#> GSM76069 1 0.6072 0.5918 0.624 0.004 0.056 0.316
#> GSM76070 2 0.4582 0.6774 0.060 0.832 0.064 0.044
#> GSM76071 1 0.4740 0.7212 0.788 0.000 0.080 0.132
#> GSM76072 1 0.5697 0.6228 0.656 0.000 0.052 0.292
#> GSM76073 1 0.3803 0.7184 0.836 0.000 0.032 0.132
#> GSM76074 1 0.4304 0.6360 0.716 0.000 0.000 0.284
#> GSM76075 3 0.1109 0.7548 0.028 0.000 0.968 0.004
#> GSM76076 3 0.4530 0.7351 0.068 0.092 0.824 0.016
#> GSM76077 1 0.6514 0.4475 0.528 0.008 0.056 0.408
#> GSM76078 3 0.5776 0.5451 0.208 0.016 0.716 0.060
#> GSM76079 1 0.3991 0.7176 0.832 0.000 0.048 0.120
#> GSM76080 3 0.5607 0.6444 0.040 0.012 0.700 0.248
#> GSM76081 3 0.7337 0.5884 0.044 0.164 0.632 0.160
#> GSM76082 3 0.6744 0.4864 0.312 0.012 0.592 0.084
#> GSM76083 3 0.7019 0.6375 0.204 0.072 0.656 0.068
#> GSM76084 3 0.5858 0.5956 0.044 0.008 0.656 0.292
#> GSM76085 3 0.1411 0.7549 0.020 0.000 0.960 0.020
#> GSM76086 1 0.5203 0.3984 0.576 0.000 0.416 0.008
#> GSM76087 2 0.3024 0.6608 0.000 0.852 0.000 0.148
#> GSM76088 1 0.8523 0.3842 0.500 0.224 0.060 0.216
#> GSM76089 4 0.3787 0.6130 0.036 0.124 0.000 0.840
#> GSM76090 1 0.6345 0.5352 0.664 0.012 0.236 0.088
#> GSM76091 1 0.7133 0.6135 0.548 0.000 0.172 0.280
#> GSM76092 1 0.2589 0.7105 0.884 0.000 0.000 0.116
#> GSM76093 1 0.2563 0.7060 0.908 0.000 0.020 0.072
#> GSM76094 4 0.3547 0.5983 0.016 0.144 0.000 0.840
#> GSM76095 1 0.6042 0.5454 0.560 0.000 0.048 0.392
#> GSM76096 1 0.5333 0.5772 0.624 0.008 0.008 0.360
#> GSM76097 2 0.6371 0.3934 0.072 0.600 0.004 0.324
#> GSM76098 3 0.6158 0.6505 0.008 0.128 0.696 0.168
#> GSM76099 1 0.6007 0.6043 0.604 0.000 0.056 0.340
#> GSM76100 1 0.5039 0.5356 0.592 0.000 0.004 0.404
#> GSM76101 1 0.2345 0.7066 0.900 0.000 0.000 0.100
#> GSM76102 4 0.7139 0.4746 0.148 0.104 0.080 0.668
#> GSM76103 3 0.4100 0.7462 0.092 0.000 0.832 0.076
#> GSM76104 3 0.3109 0.7284 0.100 0.004 0.880 0.016
#> GSM76105 4 0.1575 0.6485 0.028 0.004 0.012 0.956
#> GSM76106 3 0.6566 0.3534 0.044 0.016 0.508 0.432
#> GSM76107 4 0.7188 0.4629 0.032 0.264 0.100 0.604
#> GSM76108 1 0.5228 0.6346 0.664 0.024 0.000 0.312
#> GSM76109 1 0.3501 0.7006 0.848 0.000 0.020 0.132
#> GSM76110 1 0.2149 0.7070 0.912 0.000 0.000 0.088
#> GSM76111 1 0.4741 0.6021 0.668 0.000 0.004 0.328
#> GSM76112 1 0.3758 0.7048 0.848 0.000 0.104 0.048
#> GSM76113 3 0.5669 0.3094 0.016 0.004 0.516 0.464
#> GSM76114 1 0.6097 0.4991 0.580 0.000 0.364 0.056
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.3474 0.5328 0.008 0.064 0.024 0.040 0.864
#> GSM76116 5 0.2512 0.5280 0.008 0.004 0.048 0.032 0.908
#> GSM76117 5 0.4001 0.5012 0.004 0.040 0.008 0.144 0.804
#> GSM76118 5 0.5246 0.4733 0.056 0.008 0.016 0.216 0.704
#> GSM76119 4 0.6993 0.1810 0.000 0.032 0.152 0.440 0.376
#> GSM76120 3 0.6349 0.2022 0.004 0.108 0.468 0.412 0.008
#> GSM76121 5 0.8110 -0.1247 0.280 0.024 0.044 0.272 0.380
#> GSM76122 5 0.4054 0.4912 0.016 0.008 0.024 0.148 0.804
#> GSM76123 3 0.5308 0.2543 0.000 0.000 0.532 0.416 0.052
#> GSM76124 5 0.5715 0.3874 0.052 0.000 0.056 0.224 0.668
#> GSM76125 4 0.6938 -0.2601 0.000 0.132 0.416 0.416 0.036
#> GSM76126 2 0.8318 -0.0644 0.004 0.344 0.156 0.336 0.160
#> GSM76127 4 0.6466 0.2120 0.000 0.000 0.204 0.480 0.316
#> GSM76128 3 0.4705 0.2982 0.008 0.000 0.504 0.484 0.004
#> GSM76129 5 0.4288 0.4132 0.000 0.324 0.000 0.012 0.664
#> GSM76130 4 0.6812 0.2008 0.000 0.028 0.140 0.476 0.356
#> GSM76131 2 0.1830 0.7427 0.000 0.924 0.000 0.008 0.068
#> GSM76132 2 0.2690 0.6605 0.000 0.844 0.000 0.000 0.156
#> GSM76133 2 0.0000 0.7735 0.000 1.000 0.000 0.000 0.000
#> GSM76134 5 0.5776 0.3819 0.012 0.260 0.008 0.080 0.640
#> GSM76135 2 0.0162 0.7731 0.000 0.996 0.000 0.000 0.004
#> GSM76136 2 0.0000 0.7735 0.000 1.000 0.000 0.000 0.000
#> GSM76137 5 0.6071 0.3709 0.004 0.240 0.044 0.072 0.640
#> GSM76138 5 0.2043 0.5234 0.008 0.004 0.048 0.012 0.928
#> GSM76139 2 0.1830 0.7484 0.000 0.932 0.000 0.028 0.040
#> GSM76140 1 0.6446 0.4217 0.544 0.000 0.008 0.248 0.200
#> GSM76141 2 0.0703 0.7669 0.000 0.976 0.000 0.000 0.024
#> GSM76142 2 0.0000 0.7735 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0162 0.7733 0.000 0.996 0.000 0.000 0.004
#> GSM76144 2 0.0162 0.7731 0.000 0.996 0.000 0.000 0.004
#> GSM76145 5 0.4241 0.4967 0.000 0.028 0.080 0.084 0.808
#> GSM76146 2 0.1285 0.7639 0.000 0.956 0.004 0.004 0.036
#> GSM76147 5 0.4980 -0.0489 0.000 0.484 0.000 0.028 0.488
#> GSM76148 2 0.0000 0.7735 0.000 1.000 0.000 0.000 0.000
#> GSM76149 5 0.5418 0.3378 0.004 0.328 0.016 0.036 0.616
#> GSM76150 5 0.3484 0.5143 0.000 0.152 0.004 0.024 0.820
#> GSM76151 5 0.3705 0.4908 0.000 0.192 0.012 0.008 0.788
#> GSM76152 1 0.6349 0.4140 0.524 0.000 0.000 0.244 0.232
#> GSM76153 2 0.0000 0.7735 0.000 1.000 0.000 0.000 0.000
#> GSM76154 5 0.6103 0.3999 0.008 0.164 0.068 0.080 0.680
#> GSM76155 5 0.4380 0.4326 0.000 0.256 0.020 0.008 0.716
#> GSM76156 2 0.0000 0.7735 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.7629 0.0626 0.088 0.444 0.016 0.092 0.360
#> GSM76031 1 0.6773 0.3359 0.380 0.000 0.344 0.276 0.000
#> GSM76032 3 0.4532 0.6172 0.088 0.000 0.792 0.080 0.040
#> GSM76033 3 0.2793 0.6332 0.036 0.000 0.876 0.088 0.000
#> GSM76034 5 0.7304 0.3132 0.000 0.244 0.068 0.176 0.512
#> GSM76035 3 0.8056 0.0109 0.356 0.004 0.360 0.180 0.100
#> GSM76036 3 0.0579 0.6567 0.008 0.000 0.984 0.000 0.008
#> GSM76037 5 0.1121 0.5353 0.000 0.000 0.000 0.044 0.956
#> GSM76038 1 0.6420 0.5001 0.584 0.000 0.124 0.260 0.032
#> GSM76039 5 0.6814 -0.1117 0.244 0.000 0.004 0.332 0.420
#> GSM76040 3 0.1168 0.6611 0.008 0.000 0.960 0.032 0.000
#> GSM76041 1 0.5716 0.5227 0.700 0.000 0.084 0.152 0.064
#> GSM76042 4 0.8202 -0.2477 0.232 0.000 0.140 0.396 0.232
#> GSM76043 1 0.8387 0.2096 0.352 0.000 0.216 0.168 0.264
#> GSM76044 1 0.6726 0.4970 0.588 0.000 0.192 0.168 0.052
#> GSM76045 1 0.3800 0.5421 0.836 0.000 0.028 0.084 0.052
#> GSM76046 3 0.4848 0.5666 0.092 0.000 0.736 0.164 0.008
#> GSM76047 1 0.8130 0.3661 0.400 0.000 0.232 0.244 0.124
#> GSM76048 3 0.2006 0.6618 0.020 0.000 0.932 0.024 0.024
#> GSM76049 1 0.6643 0.4094 0.564 0.028 0.008 0.116 0.284
#> GSM76050 1 0.4763 0.5253 0.740 0.000 0.152 0.104 0.004
#> GSM76051 3 0.2196 0.6567 0.004 0.000 0.916 0.056 0.024
#> GSM76052 3 0.7564 0.2588 0.200 0.000 0.516 0.136 0.148
#> GSM76053 3 0.5497 0.5043 0.068 0.000 0.676 0.228 0.028
#> GSM76054 3 0.1121 0.6592 0.004 0.004 0.968 0.008 0.016
#> GSM76055 5 0.3877 0.5016 0.024 0.000 0.000 0.212 0.764
#> GSM76056 5 0.7913 0.0391 0.308 0.128 0.000 0.148 0.416
#> GSM76057 2 0.8319 -0.0541 0.080 0.384 0.028 0.172 0.336
#> GSM76058 3 0.3586 0.6468 0.076 0.000 0.828 0.096 0.000
#> GSM76059 1 0.4141 0.5046 0.736 0.000 0.000 0.236 0.028
#> GSM76060 2 0.8884 0.0327 0.048 0.348 0.304 0.104 0.196
#> GSM76061 2 0.4886 0.3795 0.000 0.596 0.000 0.032 0.372
#> GSM76062 1 0.1806 0.5487 0.940 0.000 0.016 0.028 0.016
#> GSM76063 3 0.4348 0.5544 0.000 0.216 0.744 0.008 0.032
#> GSM76064 1 0.7350 0.3948 0.496 0.000 0.292 0.108 0.104
#> GSM76065 2 0.5449 0.3992 0.008 0.644 0.000 0.080 0.268
#> GSM76066 1 0.5189 0.5094 0.724 0.000 0.176 0.064 0.036
#> GSM76067 1 0.5920 0.4682 0.680 0.000 0.168 0.084 0.068
#> GSM76068 3 0.7416 0.4987 0.124 0.040 0.592 0.076 0.168
#> GSM76069 1 0.6660 0.4312 0.556 0.000 0.028 0.168 0.248
#> GSM76070 2 0.3943 0.6983 0.012 0.832 0.044 0.096 0.016
#> GSM76071 1 0.6490 0.5168 0.612 0.000 0.072 0.224 0.092
#> GSM76072 1 0.7464 0.1951 0.388 0.000 0.044 0.356 0.212
#> GSM76073 1 0.5792 0.5146 0.616 0.000 0.036 0.296 0.052
#> GSM76074 1 0.6365 0.3600 0.516 0.000 0.000 0.272 0.212
#> GSM76075 3 0.1877 0.6487 0.012 0.000 0.924 0.064 0.000
#> GSM76076 3 0.4502 0.6259 0.096 0.076 0.796 0.004 0.028
#> GSM76077 1 0.7661 0.3016 0.408 0.000 0.056 0.268 0.268
#> GSM76078 3 0.6386 0.4104 0.116 0.016 0.596 0.260 0.012
#> GSM76079 1 0.4829 0.5427 0.732 0.000 0.044 0.200 0.024
#> GSM76080 3 0.5433 0.5443 0.004 0.008 0.676 0.088 0.224
#> GSM76081 3 0.6675 0.5074 0.012 0.116 0.640 0.076 0.156
#> GSM76082 3 0.6673 0.4346 0.300 0.000 0.552 0.068 0.080
#> GSM76083 3 0.7121 0.5268 0.180 0.060 0.620 0.068 0.072
#> GSM76084 3 0.5455 0.4773 0.000 0.004 0.624 0.080 0.292
#> GSM76085 3 0.1942 0.6454 0.012 0.000 0.920 0.068 0.000
#> GSM76086 1 0.5811 0.3092 0.552 0.000 0.340 0.108 0.000
#> GSM76087 2 0.2773 0.6671 0.000 0.836 0.000 0.000 0.164
#> GSM76088 1 0.8653 0.3271 0.464 0.192 0.056 0.144 0.144
#> GSM76089 5 0.3449 0.5322 0.004 0.088 0.000 0.064 0.844
#> GSM76090 1 0.6037 0.4590 0.680 0.004 0.164 0.084 0.068
#> GSM76091 1 0.7760 0.3012 0.456 0.000 0.136 0.128 0.280
#> GSM76092 1 0.2616 0.5536 0.888 0.000 0.000 0.076 0.036
#> GSM76093 1 0.3527 0.5353 0.804 0.000 0.000 0.172 0.024
#> GSM76094 5 0.5063 0.4591 0.000 0.120 0.004 0.164 0.712
#> GSM76095 4 0.7554 -0.1777 0.268 0.000 0.040 0.356 0.336
#> GSM76096 4 0.7108 -0.2559 0.344 0.004 0.008 0.388 0.256
#> GSM76097 2 0.6523 0.4251 0.032 0.588 0.000 0.164 0.216
#> GSM76098 3 0.5773 0.5510 0.020 0.116 0.692 0.012 0.160
#> GSM76099 1 0.6648 0.3306 0.540 0.000 0.020 0.180 0.260
#> GSM76100 1 0.6808 0.1346 0.360 0.000 0.000 0.300 0.340
#> GSM76101 1 0.3550 0.5378 0.796 0.000 0.000 0.184 0.020
#> GSM76102 5 0.8138 0.0447 0.088 0.064 0.072 0.348 0.428
#> GSM76103 3 0.4208 0.6507 0.048 0.000 0.812 0.096 0.044
#> GSM76104 3 0.3663 0.6102 0.044 0.004 0.820 0.132 0.000
#> GSM76105 5 0.2773 0.5072 0.000 0.000 0.000 0.164 0.836
#> GSM76106 3 0.6685 0.3543 0.004 0.008 0.496 0.172 0.320
#> GSM76107 4 0.7815 -0.0551 0.020 0.176 0.052 0.452 0.300
#> GSM76108 1 0.6410 0.3916 0.556 0.016 0.000 0.148 0.280
#> GSM76109 1 0.4513 0.5072 0.744 0.000 0.008 0.200 0.048
#> GSM76110 1 0.2608 0.5575 0.888 0.000 0.004 0.088 0.020
#> GSM76111 1 0.6729 0.1992 0.408 0.000 0.000 0.328 0.264
#> GSM76112 1 0.4616 0.5108 0.752 0.000 0.052 0.180 0.016
#> GSM76113 3 0.5687 0.2723 0.000 0.000 0.484 0.080 0.436
#> GSM76114 1 0.6484 0.3015 0.484 0.000 0.368 0.136 0.012
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.3460 0.6748 0.012 0.044 0.012 0.024 0.856 0.052
#> GSM76116 5 0.2507 0.6522 0.072 0.000 0.016 0.008 0.892 0.012
#> GSM76117 5 0.3665 0.5755 0.168 0.008 0.004 0.004 0.792 0.024
#> GSM76118 5 0.6287 0.5434 0.224 0.004 0.008 0.028 0.560 0.176
#> GSM76119 4 0.2771 0.8492 0.016 0.024 0.048 0.888 0.024 0.000
#> GSM76120 4 0.2575 0.8380 0.004 0.072 0.044 0.880 0.000 0.000
#> GSM76121 1 0.6665 0.0639 0.348 0.008 0.008 0.004 0.328 0.304
#> GSM76122 5 0.3295 0.5732 0.184 0.000 0.004 0.004 0.796 0.012
#> GSM76123 4 0.2003 0.8344 0.000 0.000 0.116 0.884 0.000 0.000
#> GSM76124 5 0.4637 0.4268 0.316 0.000 0.012 0.008 0.640 0.024
#> GSM76125 4 0.2602 0.8291 0.000 0.072 0.020 0.884 0.024 0.000
#> GSM76126 4 0.8159 0.3883 0.052 0.268 0.092 0.444 0.056 0.088
#> GSM76127 4 0.2345 0.8429 0.012 0.000 0.052 0.904 0.028 0.004
#> GSM76128 4 0.1958 0.8370 0.004 0.000 0.100 0.896 0.000 0.000
#> GSM76129 5 0.4214 0.5210 0.044 0.276 0.000 0.000 0.680 0.000
#> GSM76130 4 0.2405 0.8458 0.000 0.016 0.080 0.892 0.008 0.004
#> GSM76131 2 0.1697 0.7766 0.004 0.936 0.000 0.004 0.020 0.036
#> GSM76132 2 0.2871 0.6412 0.000 0.804 0.000 0.004 0.192 0.000
#> GSM76133 2 0.0000 0.7946 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 5 0.5659 0.5415 0.004 0.160 0.004 0.040 0.656 0.136
#> GSM76135 2 0.0146 0.7946 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76136 2 0.0000 0.7946 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 5 0.6042 0.5408 0.004 0.152 0.036 0.032 0.648 0.128
#> GSM76138 5 0.1419 0.6614 0.016 0.000 0.004 0.016 0.952 0.012
#> GSM76139 2 0.1596 0.7800 0.004 0.944 0.004 0.008 0.008 0.032
#> GSM76140 1 0.4830 0.5566 0.680 0.000 0.000 0.004 0.176 0.140
#> GSM76141 2 0.0603 0.7915 0.004 0.980 0.000 0.000 0.016 0.000
#> GSM76142 2 0.0000 0.7946 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0146 0.7947 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76144 2 0.0146 0.7945 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76145 5 0.4509 0.6496 0.040 0.004 0.060 0.008 0.772 0.116
#> GSM76146 2 0.1340 0.7849 0.008 0.948 0.004 0.000 0.040 0.000
#> GSM76147 5 0.4763 0.0604 0.040 0.440 0.000 0.004 0.516 0.000
#> GSM76148 2 0.0000 0.7946 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 5 0.4889 0.5039 0.000 0.248 0.008 0.024 0.676 0.044
#> GSM76150 5 0.3874 0.6589 0.008 0.112 0.000 0.016 0.804 0.060
#> GSM76151 5 0.2592 0.6649 0.004 0.116 0.000 0.016 0.864 0.000
#> GSM76152 1 0.5223 0.5546 0.624 0.000 0.000 0.004 0.220 0.152
#> GSM76153 2 0.0000 0.7946 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 5 0.5887 0.5650 0.004 0.116 0.036 0.040 0.672 0.132
#> GSM76155 5 0.4070 0.5775 0.000 0.208 0.012 0.016 0.748 0.016
#> GSM76156 2 0.0000 0.7946 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.7089 0.0113 0.012 0.416 0.012 0.028 0.304 0.228
#> GSM76031 1 0.6011 0.2299 0.496 0.000 0.304 0.012 0.000 0.188
#> GSM76032 3 0.4283 0.6512 0.052 0.000 0.788 0.012 0.044 0.104
#> GSM76033 3 0.2790 0.6700 0.032 0.000 0.868 0.012 0.000 0.088
#> GSM76034 5 0.7220 0.3905 0.196 0.196 0.052 0.008 0.512 0.036
#> GSM76035 6 0.5841 0.2018 0.044 0.004 0.308 0.028 0.032 0.584
#> GSM76036 3 0.0363 0.7016 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76037 5 0.2563 0.6520 0.068 0.000 0.000 0.008 0.884 0.040
#> GSM76038 1 0.5464 0.4101 0.632 0.000 0.140 0.000 0.024 0.204
#> GSM76039 1 0.5923 0.3316 0.500 0.000 0.000 0.012 0.324 0.164
#> GSM76040 3 0.0964 0.7063 0.004 0.000 0.968 0.012 0.000 0.016
#> GSM76041 6 0.3999 0.5619 0.112 0.000 0.056 0.020 0.012 0.800
#> GSM76042 1 0.6760 0.3207 0.556 0.000 0.116 0.012 0.144 0.172
#> GSM76043 6 0.7405 0.2261 0.192 0.000 0.140 0.004 0.252 0.412
#> GSM76044 6 0.5940 0.4737 0.196 0.000 0.168 0.008 0.028 0.600
#> GSM76045 6 0.4158 0.5208 0.148 0.000 0.024 0.024 0.024 0.780
#> GSM76046 3 0.4953 0.5181 0.100 0.000 0.692 0.016 0.004 0.188
#> GSM76047 6 0.6477 0.4541 0.144 0.000 0.244 0.024 0.036 0.552
#> GSM76048 3 0.2370 0.7029 0.008 0.000 0.896 0.008 0.012 0.076
#> GSM76049 6 0.4657 0.5113 0.048 0.016 0.008 0.028 0.140 0.760
#> GSM76050 6 0.3998 0.5380 0.084 0.000 0.132 0.004 0.004 0.776
#> GSM76051 3 0.2034 0.6986 0.004 0.000 0.912 0.024 0.000 0.060
#> GSM76052 3 0.6886 0.1796 0.080 0.000 0.504 0.016 0.132 0.268
#> GSM76053 3 0.5713 0.4806 0.200 0.000 0.632 0.016 0.020 0.132
#> GSM76054 3 0.0881 0.7058 0.000 0.000 0.972 0.008 0.012 0.008
#> GSM76055 5 0.5781 0.5749 0.208 0.004 0.004 0.020 0.612 0.152
#> GSM76056 5 0.7794 -0.1125 0.248 0.132 0.000 0.016 0.344 0.260
#> GSM76057 2 0.8340 -0.0126 0.132 0.360 0.024 0.028 0.260 0.196
#> GSM76058 3 0.3607 0.6675 0.012 0.000 0.768 0.016 0.000 0.204
#> GSM76059 1 0.4293 0.4668 0.740 0.000 0.000 0.060 0.016 0.184
#> GSM76060 2 0.8346 0.1453 0.064 0.364 0.264 0.008 0.184 0.116
#> GSM76061 2 0.5318 0.4759 0.016 0.624 0.000 0.016 0.284 0.060
#> GSM76062 6 0.4077 0.3681 0.280 0.000 0.000 0.016 0.012 0.692
#> GSM76063 3 0.4080 0.6079 0.004 0.208 0.740 0.004 0.000 0.044
#> GSM76064 6 0.4691 0.5102 0.012 0.000 0.268 0.008 0.040 0.672
#> GSM76065 2 0.5324 0.4359 0.100 0.636 0.000 0.008 0.244 0.012
#> GSM76066 6 0.4144 0.5388 0.064 0.000 0.124 0.008 0.020 0.784
#> GSM76067 6 0.2315 0.5562 0.016 0.000 0.084 0.008 0.000 0.892
#> GSM76068 3 0.5330 0.5316 0.000 0.000 0.588 0.016 0.088 0.308
#> GSM76069 6 0.4549 0.4961 0.096 0.000 0.004 0.016 0.144 0.740
#> GSM76070 2 0.4453 0.6994 0.064 0.800 0.040 0.028 0.012 0.056
#> GSM76071 1 0.6134 0.4805 0.588 0.000 0.052 0.016 0.092 0.252
#> GSM76072 1 0.3552 0.5623 0.800 0.000 0.012 0.004 0.160 0.024
#> GSM76073 1 0.5195 0.4739 0.696 0.000 0.028 0.056 0.028 0.192
#> GSM76074 1 0.4218 0.5671 0.736 0.000 0.000 0.000 0.156 0.108
#> GSM76075 3 0.2056 0.6899 0.004 0.000 0.904 0.012 0.000 0.080
#> GSM76076 3 0.4063 0.6494 0.000 0.080 0.768 0.004 0.004 0.144
#> GSM76077 6 0.5773 0.4191 0.228 0.000 0.024 0.016 0.112 0.620
#> GSM76078 3 0.6146 0.3841 0.228 0.012 0.552 0.016 0.000 0.192
#> GSM76079 1 0.5242 0.3186 0.604 0.000 0.020 0.052 0.008 0.316
#> GSM76080 3 0.5878 0.5737 0.012 0.004 0.644 0.040 0.172 0.128
#> GSM76081 3 0.6401 0.5614 0.004 0.072 0.632 0.036 0.120 0.136
#> GSM76082 6 0.4313 -0.2908 0.000 0.000 0.480 0.012 0.004 0.504
#> GSM76083 3 0.4624 0.4937 0.000 0.024 0.592 0.008 0.004 0.372
#> GSM76084 3 0.6026 0.4947 0.008 0.000 0.584 0.036 0.244 0.128
#> GSM76085 3 0.1787 0.6891 0.008 0.000 0.920 0.004 0.000 0.068
#> GSM76086 6 0.5036 0.4386 0.060 0.000 0.284 0.016 0.004 0.636
#> GSM76087 2 0.3043 0.6418 0.008 0.792 0.000 0.000 0.200 0.000
#> GSM76088 6 0.5983 0.4559 0.076 0.172 0.024 0.016 0.048 0.664
#> GSM76089 5 0.4192 0.6632 0.024 0.044 0.000 0.016 0.784 0.132
#> GSM76090 6 0.3016 0.5487 0.048 0.000 0.092 0.008 0.000 0.852
#> GSM76091 6 0.6802 0.3189 0.156 0.000 0.084 0.008 0.236 0.516
#> GSM76092 6 0.4964 0.3310 0.336 0.000 0.000 0.056 0.012 0.596
#> GSM76093 1 0.4667 0.3467 0.632 0.000 0.000 0.056 0.004 0.308
#> GSM76094 5 0.4912 0.5306 0.192 0.080 0.000 0.004 0.700 0.024
#> GSM76095 1 0.3859 0.4870 0.692 0.000 0.008 0.000 0.292 0.008
#> GSM76096 1 0.3376 0.5427 0.792 0.000 0.000 0.004 0.180 0.024
#> GSM76097 2 0.6712 0.5220 0.120 0.604 0.004 0.048 0.072 0.152
#> GSM76098 3 0.5980 0.5965 0.004 0.124 0.656 0.012 0.124 0.080
#> GSM76099 6 0.6380 0.2031 0.324 0.000 0.008 0.012 0.208 0.448
#> GSM76100 1 0.5623 0.4102 0.532 0.000 0.000 0.004 0.312 0.152
#> GSM76101 1 0.4870 0.1813 0.568 0.000 0.000 0.056 0.004 0.372
#> GSM76102 1 0.5705 0.3743 0.576 0.028 0.024 0.008 0.332 0.032
#> GSM76103 3 0.3917 0.6881 0.020 0.000 0.812 0.016 0.060 0.092
#> GSM76104 3 0.3909 0.6434 0.088 0.004 0.804 0.012 0.004 0.088
#> GSM76105 5 0.3683 0.5762 0.192 0.000 0.000 0.000 0.764 0.044
#> GSM76106 3 0.7420 0.4763 0.036 0.004 0.516 0.140 0.168 0.136
#> GSM76107 4 0.6779 0.5684 0.144 0.104 0.036 0.608 0.096 0.012
#> GSM76108 6 0.5759 0.2942 0.220 0.000 0.000 0.004 0.240 0.536
#> GSM76109 1 0.4280 0.4460 0.708 0.000 0.000 0.056 0.004 0.232
#> GSM76110 6 0.4296 0.2189 0.440 0.000 0.000 0.008 0.008 0.544
#> GSM76111 1 0.3653 0.5475 0.748 0.000 0.000 0.004 0.228 0.020
#> GSM76112 1 0.4397 0.4224 0.672 0.000 0.032 0.012 0.000 0.284
#> GSM76113 3 0.6913 0.2675 0.056 0.000 0.444 0.020 0.344 0.136
#> GSM76114 6 0.5639 0.3711 0.100 0.000 0.356 0.012 0.004 0.528
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> CV:pam 54 4.24e-04 2
#> CV:pam 65 7.98e-08 3
#> CV:pam 93 5.29e-09 4
#> CV:pam 61 4.35e-08 5
#> CV:pam 78 2.51e-07 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "mclust"]
# you can also extract it by
# res = res_list["CV:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.374 0.780 0.839 0.4002 0.559 0.559
#> 3 3 0.489 0.813 0.839 0.5006 0.714 0.516
#> 4 4 0.763 0.825 0.905 0.1551 0.751 0.434
#> 5 5 0.788 0.758 0.890 0.1151 0.850 0.549
#> 6 6 0.814 0.805 0.878 0.0435 0.967 0.854
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 1 0.6438 0.7936 0.836 0.164
#> GSM76116 1 0.8661 0.8690 0.712 0.288
#> GSM76117 1 0.8955 0.8743 0.688 0.312
#> GSM76118 1 0.8955 0.8743 0.688 0.312
#> GSM76119 2 0.6712 0.7749 0.176 0.824
#> GSM76120 2 0.6531 0.7761 0.168 0.832
#> GSM76121 1 0.8955 0.8743 0.688 0.312
#> GSM76122 1 0.8813 0.8732 0.700 0.300
#> GSM76123 2 0.6531 0.7761 0.168 0.832
#> GSM76124 1 0.8955 0.8743 0.688 0.312
#> GSM76125 2 0.6531 0.7761 0.168 0.832
#> GSM76126 2 0.6712 0.7745 0.176 0.824
#> GSM76127 2 0.6531 0.7761 0.168 0.832
#> GSM76128 2 0.6531 0.7761 0.168 0.832
#> GSM76129 1 0.5946 0.7840 0.856 0.144
#> GSM76130 2 0.6623 0.7757 0.172 0.828
#> GSM76131 1 0.0376 0.6829 0.996 0.004
#> GSM76132 1 0.0376 0.6829 0.996 0.004
#> GSM76133 1 0.0376 0.6829 0.996 0.004
#> GSM76134 1 0.5059 0.7622 0.888 0.112
#> GSM76135 1 0.0376 0.6829 0.996 0.004
#> GSM76136 1 0.0376 0.6829 0.996 0.004
#> GSM76137 2 0.9522 0.5498 0.372 0.628
#> GSM76138 1 0.7528 0.8353 0.784 0.216
#> GSM76139 1 0.3879 0.7401 0.924 0.076
#> GSM76140 1 0.8909 0.8748 0.692 0.308
#> GSM76141 1 0.0376 0.6829 0.996 0.004
#> GSM76142 1 0.0376 0.6829 0.996 0.004
#> GSM76143 1 0.0376 0.6829 0.996 0.004
#> GSM76144 1 0.0376 0.6829 0.996 0.004
#> GSM76145 1 0.8555 0.8676 0.720 0.280
#> GSM76146 1 0.0376 0.6829 0.996 0.004
#> GSM76147 1 0.0938 0.6899 0.988 0.012
#> GSM76148 1 0.0376 0.6829 0.996 0.004
#> GSM76149 1 0.3733 0.7377 0.928 0.072
#> GSM76150 1 0.4161 0.7459 0.916 0.084
#> GSM76151 1 0.5946 0.7785 0.856 0.144
#> GSM76152 1 0.8909 0.8748 0.692 0.308
#> GSM76153 1 0.0376 0.6829 0.996 0.004
#> GSM76154 1 0.2948 0.7238 0.948 0.052
#> GSM76155 1 0.4431 0.7526 0.908 0.092
#> GSM76156 1 0.1184 0.6934 0.984 0.016
#> GSM76030 1 0.8861 0.8736 0.696 0.304
#> GSM76031 1 0.8955 0.8743 0.688 0.312
#> GSM76032 2 0.0000 0.8480 0.000 1.000
#> GSM76033 2 0.1414 0.8433 0.020 0.980
#> GSM76034 1 0.8861 0.8649 0.696 0.304
#> GSM76035 2 0.0000 0.8480 0.000 1.000
#> GSM76036 2 0.0000 0.8480 0.000 1.000
#> GSM76037 1 0.8608 0.8670 0.716 0.284
#> GSM76038 1 0.8909 0.8748 0.692 0.308
#> GSM76039 1 0.8909 0.8748 0.692 0.308
#> GSM76040 2 0.0000 0.8480 0.000 1.000
#> GSM76041 1 0.9286 0.8437 0.656 0.344
#> GSM76042 1 0.8909 0.8748 0.692 0.308
#> GSM76043 1 0.9248 0.8484 0.660 0.340
#> GSM76044 1 0.8955 0.8743 0.688 0.312
#> GSM76045 1 0.8955 0.8743 0.688 0.312
#> GSM76046 2 0.5629 0.8033 0.132 0.868
#> GSM76047 1 0.9608 0.7846 0.616 0.384
#> GSM76048 2 0.0000 0.8480 0.000 1.000
#> GSM76049 1 0.8955 0.8743 0.688 0.312
#> GSM76050 2 0.9775 -0.2499 0.412 0.588
#> GSM76051 2 0.0000 0.8480 0.000 1.000
#> GSM76052 2 0.0000 0.8480 0.000 1.000
#> GSM76053 2 0.9732 -0.2179 0.404 0.596
#> GSM76054 2 0.0000 0.8480 0.000 1.000
#> GSM76055 1 0.8955 0.8743 0.688 0.312
#> GSM76056 1 0.8955 0.8743 0.688 0.312
#> GSM76057 1 0.8207 0.8528 0.744 0.256
#> GSM76058 2 0.0000 0.8480 0.000 1.000
#> GSM76059 1 0.8909 0.8748 0.692 0.308
#> GSM76060 1 0.8661 0.8681 0.712 0.288
#> GSM76061 1 0.7376 0.8238 0.792 0.208
#> GSM76062 1 0.8909 0.8748 0.692 0.308
#> GSM76063 1 0.9000 0.8501 0.684 0.316
#> GSM76064 2 0.9775 -0.2301 0.412 0.588
#> GSM76065 1 0.8081 0.8516 0.752 0.248
#> GSM76066 2 0.9922 -0.3862 0.448 0.552
#> GSM76067 2 0.0000 0.8480 0.000 1.000
#> GSM76068 2 0.0000 0.8480 0.000 1.000
#> GSM76069 1 0.8909 0.8748 0.692 0.308
#> GSM76070 1 0.5294 0.7652 0.880 0.120
#> GSM76071 1 0.8909 0.8748 0.692 0.308
#> GSM76072 1 0.8909 0.8748 0.692 0.308
#> GSM76073 1 0.8909 0.8748 0.692 0.308
#> GSM76074 1 0.8909 0.8748 0.692 0.308
#> GSM76075 2 0.0000 0.8480 0.000 1.000
#> GSM76076 2 0.0000 0.8480 0.000 1.000
#> GSM76077 1 0.8955 0.8743 0.688 0.312
#> GSM76078 1 0.9358 0.8337 0.648 0.352
#> GSM76079 1 0.8909 0.8748 0.692 0.308
#> GSM76080 2 0.0672 0.8463 0.008 0.992
#> GSM76081 2 0.0000 0.8480 0.000 1.000
#> GSM76082 2 0.0000 0.8480 0.000 1.000
#> GSM76083 2 0.0000 0.8480 0.000 1.000
#> GSM76084 2 0.9775 -0.0383 0.412 0.588
#> GSM76085 2 0.0000 0.8480 0.000 1.000
#> GSM76086 2 0.0000 0.8480 0.000 1.000
#> GSM76087 1 0.3274 0.7290 0.940 0.060
#> GSM76088 1 0.8861 0.8738 0.696 0.304
#> GSM76089 1 0.7376 0.8232 0.792 0.208
#> GSM76090 2 0.0000 0.8480 0.000 1.000
#> GSM76091 1 0.8909 0.8748 0.692 0.308
#> GSM76092 1 0.8909 0.8748 0.692 0.308
#> GSM76093 1 0.8909 0.8748 0.692 0.308
#> GSM76094 1 0.8955 0.8743 0.688 0.312
#> GSM76095 1 0.8909 0.8748 0.692 0.308
#> GSM76096 1 0.8955 0.8743 0.688 0.312
#> GSM76097 1 0.8955 0.8743 0.688 0.312
#> GSM76098 2 0.3584 0.8271 0.068 0.932
#> GSM76099 1 0.8909 0.8748 0.692 0.308
#> GSM76100 1 0.8909 0.8748 0.692 0.308
#> GSM76101 1 0.8909 0.8748 0.692 0.308
#> GSM76102 1 0.8955 0.8743 0.688 0.312
#> GSM76103 2 0.0000 0.8480 0.000 1.000
#> GSM76104 2 0.3733 0.8255 0.072 0.928
#> GSM76105 1 0.8955 0.8743 0.688 0.312
#> GSM76106 2 0.5629 0.7970 0.132 0.868
#> GSM76107 2 0.6623 0.7757 0.172 0.828
#> GSM76108 1 0.8955 0.8743 0.688 0.312
#> GSM76109 1 0.8909 0.8748 0.692 0.308
#> GSM76110 1 0.8909 0.8748 0.692 0.308
#> GSM76111 1 0.8909 0.8748 0.692 0.308
#> GSM76112 1 0.8909 0.8748 0.692 0.308
#> GSM76113 1 0.8955 0.8743 0.688 0.312
#> GSM76114 1 0.8909 0.8748 0.692 0.308
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.1453 0.816 0.024 0.968 0.008
#> GSM76116 2 0.1411 0.819 0.036 0.964 0.000
#> GSM76117 2 0.1643 0.817 0.044 0.956 0.000
#> GSM76118 2 0.1529 0.818 0.040 0.960 0.000
#> GSM76119 3 0.6482 0.959 0.024 0.296 0.680
#> GSM76120 3 0.6507 0.970 0.028 0.284 0.688
#> GSM76121 2 0.1964 0.813 0.056 0.944 0.000
#> GSM76122 2 0.1529 0.818 0.040 0.960 0.000
#> GSM76123 3 0.6507 0.970 0.028 0.284 0.688
#> GSM76124 2 0.1529 0.818 0.040 0.960 0.000
#> GSM76125 3 0.6507 0.970 0.028 0.284 0.688
#> GSM76126 3 0.6570 0.963 0.028 0.292 0.680
#> GSM76127 3 0.6507 0.970 0.028 0.284 0.688
#> GSM76128 3 0.6388 0.972 0.024 0.284 0.692
#> GSM76129 2 0.1170 0.820 0.016 0.976 0.008
#> GSM76130 3 0.6507 0.970 0.028 0.284 0.688
#> GSM76131 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76132 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76133 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76134 2 0.2116 0.819 0.012 0.948 0.040
#> GSM76135 2 0.5775 0.705 0.012 0.728 0.260
#> GSM76136 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76137 2 0.6129 0.280 0.016 0.700 0.284
#> GSM76138 2 0.1163 0.819 0.028 0.972 0.000
#> GSM76139 2 0.4963 0.744 0.008 0.792 0.200
#> GSM76140 1 0.6111 0.401 0.604 0.396 0.000
#> GSM76141 2 0.5517 0.699 0.004 0.728 0.268
#> GSM76142 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76143 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76144 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76145 2 0.1774 0.809 0.016 0.960 0.024
#> GSM76146 2 0.5578 0.719 0.012 0.748 0.240
#> GSM76147 2 0.4261 0.779 0.012 0.848 0.140
#> GSM76148 2 0.5553 0.696 0.004 0.724 0.272
#> GSM76149 2 0.2939 0.813 0.012 0.916 0.072
#> GSM76150 2 0.3031 0.811 0.012 0.912 0.076
#> GSM76151 2 0.1337 0.817 0.016 0.972 0.012
#> GSM76152 1 0.1411 0.815 0.964 0.036 0.000
#> GSM76153 2 0.5517 0.699 0.004 0.728 0.268
#> GSM76154 2 0.3129 0.805 0.008 0.904 0.088
#> GSM76155 2 0.1636 0.822 0.016 0.964 0.020
#> GSM76156 2 0.5220 0.740 0.012 0.780 0.208
#> GSM76030 2 0.3888 0.747 0.064 0.888 0.048
#> GSM76031 1 0.3752 0.810 0.856 0.144 0.000
#> GSM76032 3 0.6062 0.976 0.016 0.276 0.708
#> GSM76033 3 0.5588 0.981 0.004 0.276 0.720
#> GSM76034 2 0.1905 0.801 0.016 0.956 0.028
#> GSM76035 3 0.6062 0.978 0.016 0.276 0.708
#> GSM76036 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76037 2 0.1411 0.819 0.036 0.964 0.000
#> GSM76038 1 0.4346 0.798 0.816 0.184 0.000
#> GSM76039 2 0.4235 0.740 0.176 0.824 0.000
#> GSM76040 3 0.5763 0.980 0.008 0.276 0.716
#> GSM76041 1 0.6143 0.750 0.720 0.256 0.024
#> GSM76042 2 0.5397 0.503 0.280 0.720 0.000
#> GSM76043 1 0.6570 0.711 0.680 0.292 0.028
#> GSM76044 2 0.1753 0.815 0.048 0.952 0.000
#> GSM76045 1 0.5254 0.760 0.736 0.264 0.000
#> GSM76046 3 0.5690 0.976 0.004 0.288 0.708
#> GSM76047 1 0.6420 0.716 0.688 0.288 0.024
#> GSM76048 3 0.5588 0.981 0.004 0.276 0.720
#> GSM76049 1 0.6111 0.608 0.604 0.396 0.000
#> GSM76050 1 0.7003 0.718 0.692 0.248 0.060
#> GSM76051 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76052 3 0.5588 0.981 0.004 0.276 0.720
#> GSM76053 2 0.5899 0.401 0.020 0.736 0.244
#> GSM76054 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76055 2 0.1643 0.819 0.044 0.956 0.000
#> GSM76056 1 0.5431 0.751 0.716 0.284 0.000
#> GSM76057 1 0.5902 0.723 0.680 0.316 0.004
#> GSM76058 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76059 1 0.0747 0.806 0.984 0.016 0.000
#> GSM76060 1 0.5902 0.723 0.680 0.316 0.004
#> GSM76061 1 0.6008 0.711 0.664 0.332 0.004
#> GSM76062 1 0.1129 0.809 0.976 0.020 0.004
#> GSM76063 2 0.3995 0.688 0.016 0.868 0.116
#> GSM76064 1 0.6976 0.723 0.700 0.236 0.064
#> GSM76065 2 0.1647 0.821 0.036 0.960 0.004
#> GSM76066 1 0.6578 0.746 0.724 0.224 0.052
#> GSM76067 3 0.5728 0.979 0.008 0.272 0.720
#> GSM76068 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76069 1 0.2625 0.816 0.916 0.084 0.000
#> GSM76070 2 0.2599 0.818 0.016 0.932 0.052
#> GSM76071 1 0.1129 0.809 0.976 0.020 0.004
#> GSM76072 1 0.1267 0.811 0.972 0.024 0.004
#> GSM76073 1 0.1031 0.808 0.976 0.024 0.000
#> GSM76074 1 0.2448 0.812 0.924 0.076 0.000
#> GSM76075 3 0.5763 0.980 0.008 0.276 0.716
#> GSM76076 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76077 1 0.5497 0.744 0.708 0.292 0.000
#> GSM76078 1 0.6541 0.707 0.672 0.304 0.024
#> GSM76079 1 0.0747 0.806 0.984 0.016 0.000
#> GSM76080 3 0.5588 0.980 0.004 0.276 0.720
#> GSM76081 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76082 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76083 3 0.5553 0.979 0.004 0.272 0.724
#> GSM76084 2 0.5881 0.357 0.016 0.728 0.256
#> GSM76085 3 0.5588 0.981 0.004 0.276 0.720
#> GSM76086 3 0.5728 0.979 0.008 0.272 0.720
#> GSM76087 2 0.3120 0.813 0.012 0.908 0.080
#> GSM76088 1 0.5815 0.725 0.692 0.304 0.004
#> GSM76089 2 0.0892 0.818 0.020 0.980 0.000
#> GSM76090 3 0.5728 0.981 0.008 0.272 0.720
#> GSM76091 1 0.1031 0.811 0.976 0.024 0.000
#> GSM76092 1 0.0892 0.806 0.980 0.020 0.000
#> GSM76093 1 0.0747 0.806 0.984 0.016 0.000
#> GSM76094 2 0.1529 0.818 0.040 0.960 0.000
#> GSM76095 1 0.4974 0.783 0.764 0.236 0.000
#> GSM76096 2 0.1753 0.816 0.048 0.952 0.000
#> GSM76097 2 0.1643 0.818 0.044 0.956 0.000
#> GSM76098 3 0.6096 0.974 0.016 0.280 0.704
#> GSM76099 1 0.2066 0.817 0.940 0.060 0.000
#> GSM76100 1 0.3340 0.804 0.880 0.120 0.000
#> GSM76101 1 0.0892 0.806 0.980 0.020 0.000
#> GSM76102 2 0.1964 0.813 0.056 0.944 0.000
#> GSM76103 3 0.6665 0.961 0.036 0.276 0.688
#> GSM76104 3 0.6062 0.975 0.016 0.276 0.708
#> GSM76105 2 0.1529 0.818 0.040 0.960 0.000
#> GSM76106 3 0.6129 0.973 0.016 0.284 0.700
#> GSM76107 3 0.6507 0.970 0.028 0.284 0.688
#> GSM76108 2 0.1529 0.818 0.040 0.960 0.000
#> GSM76109 1 0.0892 0.806 0.980 0.020 0.000
#> GSM76110 1 0.1163 0.810 0.972 0.028 0.000
#> GSM76111 1 0.3340 0.817 0.880 0.120 0.000
#> GSM76112 1 0.1774 0.805 0.960 0.016 0.024
#> GSM76113 1 0.7534 0.506 0.532 0.428 0.040
#> GSM76114 1 0.2165 0.819 0.936 0.064 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.3442 0.860 0.084 0.876 0.028 0.012
#> GSM76116 2 0.4359 0.787 0.164 0.804 0.016 0.016
#> GSM76117 1 0.2718 0.851 0.912 0.056 0.020 0.012
#> GSM76118 1 0.5355 0.608 0.692 0.276 0.016 0.016
#> GSM76119 4 0.1936 0.984 0.000 0.032 0.028 0.940
#> GSM76120 4 0.2036 0.985 0.000 0.032 0.032 0.936
#> GSM76121 1 0.2188 0.864 0.936 0.032 0.012 0.020
#> GSM76122 1 0.5292 0.645 0.712 0.252 0.016 0.020
#> GSM76123 4 0.2036 0.985 0.000 0.032 0.032 0.936
#> GSM76124 1 0.5953 0.241 0.548 0.420 0.012 0.020
#> GSM76125 4 0.2123 0.982 0.004 0.032 0.028 0.936
#> GSM76126 4 0.4175 0.905 0.016 0.084 0.056 0.844
#> GSM76127 4 0.2036 0.985 0.000 0.032 0.032 0.936
#> GSM76128 4 0.2036 0.985 0.000 0.032 0.032 0.936
#> GSM76129 2 0.1820 0.886 0.036 0.944 0.020 0.000
#> GSM76130 4 0.1936 0.984 0.000 0.032 0.028 0.940
#> GSM76131 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76132 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76133 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76134 2 0.1631 0.886 0.016 0.956 0.020 0.008
#> GSM76135 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76136 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76137 2 0.2384 0.881 0.016 0.928 0.040 0.016
#> GSM76138 2 0.2364 0.883 0.036 0.928 0.028 0.008
#> GSM76139 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76140 1 0.0712 0.880 0.984 0.004 0.004 0.008
#> GSM76141 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76142 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76143 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76144 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76145 2 0.3556 0.843 0.020 0.864 0.104 0.012
#> GSM76146 2 0.1256 0.876 0.000 0.964 0.008 0.028
#> GSM76147 2 0.0524 0.880 0.000 0.988 0.008 0.004
#> GSM76148 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76149 2 0.1516 0.887 0.016 0.960 0.016 0.008
#> GSM76150 2 0.1516 0.887 0.016 0.960 0.016 0.008
#> GSM76151 2 0.1516 0.887 0.016 0.960 0.016 0.008
#> GSM76152 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76153 2 0.1022 0.871 0.000 0.968 0.000 0.032
#> GSM76154 2 0.1631 0.886 0.016 0.956 0.020 0.008
#> GSM76155 2 0.1631 0.886 0.016 0.956 0.020 0.008
#> GSM76156 2 0.0707 0.875 0.000 0.980 0.000 0.020
#> GSM76030 2 0.2781 0.868 0.016 0.904 0.072 0.008
#> GSM76031 1 0.1174 0.875 0.968 0.012 0.020 0.000
#> GSM76032 3 0.1114 0.899 0.016 0.008 0.972 0.004
#> GSM76033 3 0.1796 0.888 0.016 0.032 0.948 0.004
#> GSM76034 2 0.4464 0.827 0.100 0.824 0.064 0.012
#> GSM76035 3 0.1598 0.895 0.020 0.020 0.956 0.004
#> GSM76036 3 0.0524 0.893 0.008 0.000 0.988 0.004
#> GSM76037 2 0.3933 0.820 0.132 0.836 0.024 0.008
#> GSM76038 1 0.1362 0.873 0.964 0.012 0.020 0.004
#> GSM76039 1 0.0657 0.879 0.984 0.004 0.000 0.012
#> GSM76040 3 0.0804 0.900 0.012 0.008 0.980 0.000
#> GSM76041 1 0.4008 0.644 0.756 0.000 0.244 0.000
#> GSM76042 1 0.1114 0.877 0.972 0.008 0.016 0.004
#> GSM76043 1 0.5593 0.654 0.708 0.080 0.212 0.000
#> GSM76044 1 0.2874 0.848 0.904 0.064 0.012 0.020
#> GSM76045 1 0.0657 0.879 0.984 0.004 0.012 0.000
#> GSM76046 3 0.3544 0.843 0.016 0.036 0.876 0.072
#> GSM76047 1 0.4933 0.573 0.688 0.016 0.296 0.000
#> GSM76048 3 0.1369 0.897 0.016 0.016 0.964 0.004
#> GSM76049 2 0.4376 0.791 0.172 0.796 0.028 0.004
#> GSM76050 3 0.4941 0.253 0.436 0.000 0.564 0.000
#> GSM76051 3 0.0469 0.881 0.000 0.000 0.988 0.012
#> GSM76052 3 0.1484 0.896 0.016 0.020 0.960 0.004
#> GSM76053 1 0.7679 0.336 0.504 0.172 0.312 0.012
#> GSM76054 3 0.0376 0.890 0.004 0.000 0.992 0.004
#> GSM76055 2 0.5882 0.208 0.436 0.536 0.012 0.016
#> GSM76056 1 0.5386 0.436 0.632 0.344 0.024 0.000
#> GSM76057 2 0.2958 0.869 0.072 0.896 0.028 0.004
#> GSM76058 3 0.0592 0.900 0.016 0.000 0.984 0.000
#> GSM76059 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76060 2 0.3544 0.859 0.076 0.872 0.044 0.008
#> GSM76061 2 0.2546 0.880 0.044 0.920 0.028 0.008
#> GSM76062 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76063 2 0.4821 0.693 0.016 0.740 0.236 0.008
#> GSM76064 3 0.4372 0.608 0.268 0.004 0.728 0.000
#> GSM76065 2 0.3663 0.833 0.120 0.852 0.020 0.008
#> GSM76066 3 0.2530 0.824 0.112 0.000 0.888 0.000
#> GSM76067 3 0.0592 0.900 0.016 0.000 0.984 0.000
#> GSM76068 3 0.0469 0.881 0.000 0.000 0.988 0.012
#> GSM76069 1 0.0188 0.880 0.996 0.004 0.000 0.000
#> GSM76070 2 0.3144 0.863 0.016 0.892 0.072 0.020
#> GSM76071 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76075 3 0.0779 0.900 0.016 0.004 0.980 0.000
#> GSM76076 3 0.0469 0.881 0.000 0.000 0.988 0.012
#> GSM76077 2 0.5403 0.504 0.348 0.628 0.024 0.000
#> GSM76078 3 0.5245 0.441 0.016 0.320 0.660 0.004
#> GSM76079 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76080 3 0.1943 0.886 0.016 0.032 0.944 0.008
#> GSM76081 3 0.1151 0.897 0.008 0.024 0.968 0.000
#> GSM76082 3 0.0469 0.881 0.000 0.000 0.988 0.012
#> GSM76083 3 0.0469 0.881 0.000 0.000 0.988 0.012
#> GSM76084 3 0.6034 0.216 0.016 0.408 0.556 0.020
#> GSM76085 3 0.0927 0.900 0.016 0.008 0.976 0.000
#> GSM76086 3 0.0592 0.900 0.016 0.000 0.984 0.000
#> GSM76087 2 0.1762 0.886 0.016 0.952 0.020 0.012
#> GSM76088 2 0.4462 0.786 0.180 0.788 0.028 0.004
#> GSM76089 2 0.2039 0.883 0.016 0.940 0.036 0.008
#> GSM76090 3 0.0592 0.900 0.016 0.000 0.984 0.000
#> GSM76091 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76094 1 0.5473 0.570 0.672 0.296 0.012 0.020
#> GSM76095 1 0.4923 0.620 0.716 0.264 0.008 0.012
#> GSM76096 1 0.2284 0.861 0.932 0.036 0.020 0.012
#> GSM76097 1 0.2074 0.867 0.940 0.032 0.012 0.016
#> GSM76098 3 0.2074 0.885 0.016 0.032 0.940 0.012
#> GSM76099 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76100 1 0.0564 0.880 0.988 0.004 0.004 0.004
#> GSM76101 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76102 1 0.2188 0.864 0.936 0.032 0.012 0.020
#> GSM76103 3 0.0592 0.900 0.016 0.000 0.984 0.000
#> GSM76104 3 0.2981 0.865 0.016 0.032 0.904 0.048
#> GSM76105 1 0.2684 0.853 0.912 0.060 0.012 0.016
#> GSM76106 3 0.2895 0.868 0.016 0.032 0.908 0.044
#> GSM76107 4 0.2123 0.982 0.004 0.032 0.028 0.936
#> GSM76108 1 0.2761 0.850 0.908 0.064 0.012 0.016
#> GSM76109 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76111 1 0.0000 0.881 1.000 0.000 0.000 0.000
#> GSM76112 1 0.3528 0.718 0.808 0.000 0.192 0.000
#> GSM76113 2 0.6962 0.577 0.180 0.616 0.196 0.008
#> GSM76114 1 0.0000 0.881 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.5318 0.4259 0.000 0.316 0.032 0.024 0.628
#> GSM76116 5 0.4452 -0.1651 0.000 0.496 0.004 0.000 0.500
#> GSM76117 5 0.1725 0.7878 0.044 0.000 0.020 0.000 0.936
#> GSM76118 5 0.1393 0.7925 0.024 0.012 0.008 0.000 0.956
#> GSM76119 4 0.0000 0.9747 0.000 0.000 0.000 1.000 0.000
#> GSM76120 4 0.0000 0.9747 0.000 0.000 0.000 1.000 0.000
#> GSM76121 5 0.0794 0.7974 0.028 0.000 0.000 0.000 0.972
#> GSM76122 5 0.1243 0.7949 0.028 0.000 0.004 0.008 0.960
#> GSM76123 4 0.0000 0.9747 0.000 0.000 0.000 1.000 0.000
#> GSM76124 5 0.1211 0.7857 0.016 0.024 0.000 0.000 0.960
#> GSM76125 4 0.0000 0.9747 0.000 0.000 0.000 1.000 0.000
#> GSM76126 4 0.2854 0.8736 0.000 0.084 0.028 0.880 0.008
#> GSM76127 4 0.0000 0.9747 0.000 0.000 0.000 1.000 0.000
#> GSM76128 4 0.1270 0.9219 0.000 0.000 0.052 0.948 0.000
#> GSM76129 5 0.4538 0.2111 0.000 0.452 0.000 0.008 0.540
#> GSM76130 4 0.0000 0.9747 0.000 0.000 0.000 1.000 0.000
#> GSM76131 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.1074 0.8664 0.000 0.968 0.012 0.016 0.004
#> GSM76135 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76137 2 0.1471 0.8618 0.000 0.952 0.024 0.020 0.004
#> GSM76138 2 0.4323 0.6859 0.000 0.744 0.024 0.012 0.220
#> GSM76139 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.3452 0.6212 0.244 0.000 0.000 0.000 0.756
#> GSM76141 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.3552 0.7657 0.000 0.812 0.164 0.012 0.012
#> GSM76146 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.1018 0.8662 0.000 0.968 0.016 0.016 0.000
#> GSM76150 2 0.1278 0.8647 0.000 0.960 0.016 0.020 0.004
#> GSM76151 2 0.1074 0.8664 0.000 0.968 0.012 0.016 0.004
#> GSM76152 1 0.0404 0.8821 0.988 0.000 0.000 0.000 0.012
#> GSM76153 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.1267 0.8643 0.000 0.960 0.024 0.012 0.004
#> GSM76155 2 0.1306 0.8653 0.000 0.960 0.016 0.016 0.008
#> GSM76156 2 0.0000 0.8692 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.3333 0.7322 0.000 0.788 0.208 0.000 0.004
#> GSM76031 1 0.2625 0.8073 0.876 0.000 0.016 0.000 0.108
#> GSM76032 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76033 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76034 2 0.4985 0.7160 0.000 0.740 0.068 0.028 0.164
#> GSM76035 3 0.0162 0.9002 0.004 0.000 0.996 0.000 0.000
#> GSM76036 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76037 2 0.4138 0.4321 0.000 0.616 0.000 0.000 0.384
#> GSM76038 1 0.3085 0.7970 0.852 0.000 0.032 0.000 0.116
#> GSM76039 5 0.1732 0.7787 0.080 0.000 0.000 0.000 0.920
#> GSM76040 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76041 1 0.2124 0.8132 0.900 0.000 0.096 0.000 0.004
#> GSM76042 5 0.3274 0.6489 0.220 0.000 0.000 0.000 0.780
#> GSM76043 3 0.5233 0.5936 0.192 0.000 0.680 0.000 0.128
#> GSM76044 5 0.0880 0.7973 0.032 0.000 0.000 0.000 0.968
#> GSM76045 1 0.4481 0.6299 0.720 0.000 0.048 0.000 0.232
#> GSM76046 3 0.1697 0.8620 0.000 0.000 0.932 0.060 0.008
#> GSM76047 3 0.6037 0.0999 0.392 0.000 0.488 0.000 0.120
#> GSM76048 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76049 2 0.7955 -0.0535 0.164 0.384 0.116 0.000 0.336
#> GSM76050 1 0.2230 0.7999 0.884 0.000 0.116 0.000 0.000
#> GSM76051 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76052 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76053 3 0.5806 0.2731 0.036 0.016 0.552 0.012 0.384
#> GSM76054 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76055 5 0.0992 0.7846 0.008 0.024 0.000 0.000 0.968
#> GSM76056 5 0.5707 0.0677 0.444 0.028 0.032 0.000 0.496
#> GSM76057 2 0.6733 0.3119 0.076 0.536 0.072 0.000 0.316
#> GSM76058 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76059 1 0.0404 0.8827 0.988 0.000 0.000 0.000 0.012
#> GSM76060 3 0.6179 0.3748 0.052 0.312 0.580 0.000 0.056
#> GSM76061 2 0.2740 0.8310 0.004 0.888 0.044 0.000 0.064
#> GSM76062 1 0.0000 0.8785 1.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.3462 0.7404 0.000 0.792 0.196 0.012 0.000
#> GSM76064 3 0.3491 0.6722 0.228 0.000 0.768 0.000 0.004
#> GSM76065 2 0.3109 0.7312 0.000 0.800 0.000 0.000 0.200
#> GSM76066 1 0.2891 0.7331 0.824 0.000 0.176 0.000 0.000
#> GSM76067 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76068 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76069 1 0.4045 0.3980 0.644 0.000 0.000 0.000 0.356
#> GSM76070 2 0.2521 0.8370 0.000 0.900 0.068 0.024 0.008
#> GSM76071 1 0.0404 0.8827 0.988 0.000 0.000 0.000 0.012
#> GSM76072 1 0.0510 0.8820 0.984 0.000 0.000 0.000 0.016
#> GSM76073 1 0.0404 0.8827 0.988 0.000 0.000 0.000 0.012
#> GSM76074 1 0.0510 0.8820 0.984 0.000 0.000 0.000 0.016
#> GSM76075 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76076 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76077 5 0.7271 0.1015 0.364 0.192 0.036 0.000 0.408
#> GSM76078 3 0.2906 0.8072 0.012 0.080 0.880 0.000 0.028
#> GSM76079 1 0.0290 0.8745 0.992 0.000 0.000 0.000 0.008
#> GSM76080 3 0.0290 0.8980 0.000 0.000 0.992 0.008 0.000
#> GSM76081 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76082 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76083 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76084 2 0.4981 0.3344 0.000 0.560 0.412 0.024 0.004
#> GSM76085 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76086 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76087 2 0.0865 0.8657 0.000 0.972 0.004 0.024 0.000
#> GSM76088 2 0.8514 -0.1472 0.280 0.292 0.180 0.000 0.248
#> GSM76089 2 0.1774 0.8516 0.000 0.932 0.052 0.000 0.016
#> GSM76090 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76091 1 0.0162 0.8767 0.996 0.000 0.000 0.000 0.004
#> GSM76092 1 0.0404 0.8827 0.988 0.000 0.000 0.000 0.012
#> GSM76093 1 0.0404 0.8827 0.988 0.000 0.000 0.000 0.012
#> GSM76094 5 0.0955 0.7971 0.028 0.000 0.004 0.000 0.968
#> GSM76095 5 0.3508 0.5994 0.252 0.000 0.000 0.000 0.748
#> GSM76096 5 0.0794 0.7974 0.028 0.000 0.000 0.000 0.972
#> GSM76097 5 0.0794 0.7974 0.028 0.000 0.000 0.000 0.972
#> GSM76098 3 0.0794 0.8856 0.000 0.000 0.972 0.028 0.000
#> GSM76099 1 0.3876 0.4920 0.684 0.000 0.000 0.000 0.316
#> GSM76100 5 0.4249 0.2065 0.432 0.000 0.000 0.000 0.568
#> GSM76101 1 0.0404 0.8827 0.988 0.000 0.000 0.000 0.012
#> GSM76102 5 0.0794 0.7974 0.028 0.000 0.000 0.000 0.972
#> GSM76103 3 0.0000 0.9026 0.000 0.000 1.000 0.000 0.000
#> GSM76104 3 0.1915 0.8595 0.000 0.000 0.928 0.032 0.040
#> GSM76105 5 0.0794 0.7974 0.028 0.000 0.000 0.000 0.972
#> GSM76106 3 0.3550 0.6656 0.000 0.000 0.760 0.236 0.004
#> GSM76107 4 0.0162 0.9719 0.000 0.000 0.000 0.996 0.004
#> GSM76108 5 0.0794 0.7974 0.028 0.000 0.000 0.000 0.972
#> GSM76109 1 0.0404 0.8827 0.988 0.000 0.000 0.000 0.012
#> GSM76110 1 0.0510 0.8820 0.984 0.000 0.000 0.000 0.016
#> GSM76111 1 0.4510 0.2013 0.560 0.000 0.008 0.000 0.432
#> GSM76112 1 0.0566 0.8820 0.984 0.000 0.004 0.000 0.012
#> GSM76113 3 0.5636 0.5906 0.020 0.188 0.676 0.000 0.116
#> GSM76114 1 0.3039 0.7175 0.808 0.000 0.000 0.000 0.192
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.4344 0.63377 0.000 0.148 0.016 0.004 0.756 0.076
#> GSM76116 5 0.3930 0.14641 0.004 0.420 0.000 0.000 0.576 0.000
#> GSM76117 5 0.1951 0.81822 0.060 0.000 0.004 0.000 0.916 0.020
#> GSM76118 5 0.0291 0.87429 0.004 0.000 0.000 0.000 0.992 0.004
#> GSM76119 4 0.0000 0.96019 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.96019 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76122 5 0.0291 0.87334 0.004 0.000 0.000 0.004 0.992 0.000
#> GSM76123 4 0.0000 0.96019 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76125 4 0.1075 0.92611 0.000 0.000 0.048 0.952 0.000 0.000
#> GSM76126 4 0.3718 0.80371 0.000 0.012 0.088 0.824 0.020 0.056
#> GSM76127 4 0.0000 0.96019 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.0935 0.93429 0.000 0.000 0.032 0.964 0.000 0.004
#> GSM76129 5 0.3265 0.60659 0.000 0.248 0.000 0.000 0.748 0.004
#> GSM76130 4 0.0000 0.96019 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.1788 0.86818 0.000 0.916 0.004 0.004 0.000 0.076
#> GSM76135 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 2 0.3161 0.83322 0.000 0.840 0.080 0.004 0.000 0.076
#> GSM76138 2 0.4705 0.63770 0.000 0.680 0.004 0.004 0.236 0.076
#> GSM76139 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.2597 0.70178 0.176 0.000 0.000 0.000 0.824 0.000
#> GSM76141 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.3710 0.78366 0.000 0.788 0.144 0.004 0.000 0.064
#> GSM76146 2 0.0146 0.88073 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76147 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 2 0.1845 0.86818 0.000 0.916 0.008 0.004 0.000 0.072
#> GSM76150 2 0.1901 0.86759 0.000 0.912 0.008 0.004 0.000 0.076
#> GSM76151 2 0.1788 0.86818 0.000 0.916 0.004 0.004 0.000 0.076
#> GSM76152 1 0.0260 0.87555 0.992 0.000 0.000 0.000 0.008 0.000
#> GSM76153 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.1845 0.86806 0.000 0.916 0.008 0.004 0.000 0.072
#> GSM76155 2 0.1932 0.86782 0.000 0.912 0.004 0.004 0.004 0.076
#> GSM76156 2 0.0000 0.88144 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.3176 0.81814 0.000 0.832 0.084 0.000 0.000 0.084
#> GSM76031 1 0.2623 0.76742 0.852 0.000 0.016 0.000 0.132 0.000
#> GSM76032 3 0.0458 0.87612 0.000 0.000 0.984 0.000 0.000 0.016
#> GSM76033 3 0.0260 0.87278 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM76034 2 0.5593 0.63500 0.000 0.648 0.208 0.004 0.072 0.068
#> GSM76035 3 0.0363 0.87196 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76036 3 0.2442 0.87428 0.000 0.000 0.852 0.000 0.004 0.144
#> GSM76037 2 0.3971 0.25406 0.004 0.548 0.000 0.000 0.448 0.000
#> GSM76038 1 0.1320 0.85610 0.948 0.000 0.016 0.000 0.036 0.000
#> GSM76039 5 0.0547 0.86610 0.020 0.000 0.000 0.000 0.980 0.000
#> GSM76040 3 0.1644 0.88182 0.000 0.000 0.920 0.000 0.004 0.076
#> GSM76041 1 0.1492 0.84424 0.940 0.000 0.036 0.000 0.000 0.024
#> GSM76042 5 0.1957 0.78145 0.112 0.000 0.000 0.000 0.888 0.000
#> GSM76043 3 0.2982 0.79332 0.032 0.000 0.856 0.000 0.016 0.096
#> GSM76044 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76045 1 0.4246 0.37766 0.636 0.000 0.012 0.000 0.012 0.340
#> GSM76046 3 0.1713 0.85534 0.000 0.000 0.928 0.044 0.000 0.028
#> GSM76047 3 0.4330 0.57369 0.236 0.000 0.708 0.000 0.044 0.012
#> GSM76048 3 0.0260 0.87221 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM76049 6 0.5665 0.78645 0.148 0.112 0.016 0.000 0.052 0.672
#> GSM76050 1 0.1556 0.82116 0.920 0.000 0.080 0.000 0.000 0.000
#> GSM76051 3 0.2482 0.87065 0.000 0.000 0.848 0.000 0.004 0.148
#> GSM76052 3 0.0458 0.87053 0.000 0.000 0.984 0.000 0.000 0.016
#> GSM76053 3 0.3833 0.56188 0.000 0.000 0.708 0.004 0.272 0.016
#> GSM76054 3 0.2402 0.87441 0.000 0.000 0.856 0.000 0.004 0.140
#> GSM76055 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76056 6 0.5162 0.75365 0.208 0.012 0.012 0.000 0.096 0.672
#> GSM76057 6 0.3763 0.75751 0.036 0.128 0.016 0.000 0.012 0.808
#> GSM76058 3 0.2595 0.86795 0.000 0.000 0.836 0.000 0.004 0.160
#> GSM76059 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76060 6 0.3630 0.78148 0.064 0.100 0.020 0.000 0.000 0.816
#> GSM76061 2 0.4654 0.14173 0.016 0.504 0.016 0.000 0.000 0.464
#> GSM76062 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.3633 0.78473 0.000 0.792 0.148 0.004 0.000 0.056
#> GSM76064 3 0.3311 0.69599 0.204 0.000 0.780 0.000 0.004 0.012
#> GSM76065 2 0.3043 0.73692 0.004 0.796 0.000 0.000 0.196 0.004
#> GSM76066 1 0.1829 0.82632 0.920 0.000 0.024 0.000 0.000 0.056
#> GSM76067 3 0.2595 0.86795 0.000 0.000 0.836 0.000 0.004 0.160
#> GSM76068 3 0.2558 0.86899 0.000 0.000 0.840 0.000 0.004 0.156
#> GSM76069 1 0.4977 0.48149 0.648 0.000 0.000 0.000 0.164 0.188
#> GSM76070 2 0.3253 0.82341 0.000 0.832 0.096 0.004 0.000 0.068
#> GSM76071 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0146 0.87671 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76073 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76074 1 0.1957 0.79676 0.888 0.000 0.000 0.000 0.112 0.000
#> GSM76075 3 0.1387 0.88092 0.000 0.000 0.932 0.000 0.000 0.068
#> GSM76076 3 0.2558 0.86899 0.000 0.000 0.840 0.000 0.004 0.156
#> GSM76077 6 0.4332 0.79499 0.200 0.020 0.012 0.000 0.028 0.740
#> GSM76078 6 0.2520 0.64070 0.012 0.008 0.108 0.000 0.000 0.872
#> GSM76079 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76080 3 0.0858 0.86432 0.000 0.000 0.968 0.004 0.000 0.028
#> GSM76081 3 0.2442 0.87549 0.000 0.000 0.852 0.000 0.004 0.144
#> GSM76082 3 0.2558 0.86899 0.000 0.000 0.840 0.000 0.004 0.156
#> GSM76083 3 0.2558 0.86899 0.000 0.000 0.840 0.000 0.004 0.156
#> GSM76084 2 0.4651 0.57004 0.000 0.636 0.304 0.004 0.000 0.056
#> GSM76085 3 0.0713 0.87883 0.000 0.000 0.972 0.000 0.000 0.028
#> GSM76086 3 0.2340 0.87336 0.000 0.000 0.852 0.000 0.000 0.148
#> GSM76087 2 0.1570 0.86975 0.000 0.944 0.004 0.016 0.028 0.008
#> GSM76088 6 0.4069 0.80688 0.188 0.028 0.012 0.000 0.012 0.760
#> GSM76089 2 0.2039 0.86447 0.000 0.908 0.016 0.004 0.000 0.072
#> GSM76090 3 0.2595 0.86795 0.000 0.000 0.836 0.000 0.004 0.160
#> GSM76091 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76094 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76095 5 0.5527 -0.00783 0.136 0.000 0.000 0.000 0.484 0.380
#> GSM76096 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76097 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76098 3 0.1265 0.85495 0.000 0.000 0.948 0.008 0.000 0.044
#> GSM76099 1 0.4321 0.59126 0.712 0.000 0.000 0.000 0.204 0.084
#> GSM76100 1 0.3409 0.56821 0.700 0.000 0.000 0.000 0.300 0.000
#> GSM76101 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76102 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76103 3 0.1714 0.88156 0.000 0.000 0.908 0.000 0.000 0.092
#> GSM76104 3 0.1364 0.85255 0.000 0.000 0.944 0.004 0.004 0.048
#> GSM76105 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76106 3 0.3555 0.69475 0.000 0.000 0.776 0.184 0.000 0.040
#> GSM76107 4 0.0146 0.95753 0.000 0.000 0.000 0.996 0.004 0.000
#> GSM76108 5 0.0146 0.87615 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76109 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.0260 0.87594 0.992 0.000 0.000 0.000 0.008 0.000
#> GSM76111 1 0.4094 0.56888 0.700 0.000 0.004 0.000 0.264 0.032
#> GSM76112 1 0.0000 0.87778 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76113 3 0.2296 0.82838 0.004 0.000 0.900 0.004 0.024 0.068
#> GSM76114 1 0.3884 0.59946 0.724 0.000 0.000 0.000 0.036 0.240
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> CV:mclust 122 2.18e-01 2
#> CV:mclust 123 1.88e-08 3
#> CV:mclust 120 2.19e-09 4
#> CV:mclust 110 3.74e-10 5
#> CV:mclust 121 8.94e-12 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["CV", "NMF"]
# you can also extract it by
# res = res_list["CV:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'CV' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.823 0.895 0.956 0.5017 0.498 0.498
#> 3 3 0.516 0.682 0.842 0.3149 0.753 0.543
#> 4 4 0.487 0.586 0.760 0.1197 0.854 0.613
#> 5 5 0.595 0.603 0.774 0.0773 0.844 0.504
#> 6 6 0.609 0.476 0.685 0.0444 0.946 0.748
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.942 0.000 1.000
#> GSM76116 2 0.0376 0.940 0.004 0.996
#> GSM76117 1 0.7602 0.717 0.780 0.220
#> GSM76118 2 0.9963 0.152 0.464 0.536
#> GSM76119 2 0.0000 0.942 0.000 1.000
#> GSM76120 2 0.0000 0.942 0.000 1.000
#> GSM76121 1 0.4022 0.895 0.920 0.080
#> GSM76122 2 0.9358 0.475 0.352 0.648
#> GSM76123 2 0.0000 0.942 0.000 1.000
#> GSM76124 1 0.7950 0.686 0.760 0.240
#> GSM76125 2 0.0000 0.942 0.000 1.000
#> GSM76126 2 0.0000 0.942 0.000 1.000
#> GSM76127 2 0.0000 0.942 0.000 1.000
#> GSM76128 2 0.9661 0.400 0.392 0.608
#> GSM76129 2 0.0000 0.942 0.000 1.000
#> GSM76130 2 0.0000 0.942 0.000 1.000
#> GSM76131 2 0.0000 0.942 0.000 1.000
#> GSM76132 2 0.0000 0.942 0.000 1.000
#> GSM76133 2 0.0000 0.942 0.000 1.000
#> GSM76134 2 0.0000 0.942 0.000 1.000
#> GSM76135 2 0.0000 0.942 0.000 1.000
#> GSM76136 2 0.0000 0.942 0.000 1.000
#> GSM76137 2 0.0000 0.942 0.000 1.000
#> GSM76138 2 0.0000 0.942 0.000 1.000
#> GSM76139 2 0.0000 0.942 0.000 1.000
#> GSM76140 1 0.0000 0.963 1.000 0.000
#> GSM76141 2 0.0000 0.942 0.000 1.000
#> GSM76142 2 0.0000 0.942 0.000 1.000
#> GSM76143 2 0.0000 0.942 0.000 1.000
#> GSM76144 2 0.0000 0.942 0.000 1.000
#> GSM76145 2 0.0000 0.942 0.000 1.000
#> GSM76146 2 0.0000 0.942 0.000 1.000
#> GSM76147 2 0.0000 0.942 0.000 1.000
#> GSM76148 2 0.0000 0.942 0.000 1.000
#> GSM76149 2 0.0000 0.942 0.000 1.000
#> GSM76150 2 0.0000 0.942 0.000 1.000
#> GSM76151 2 0.0000 0.942 0.000 1.000
#> GSM76152 1 0.0000 0.963 1.000 0.000
#> GSM76153 2 0.0000 0.942 0.000 1.000
#> GSM76154 2 0.0000 0.942 0.000 1.000
#> GSM76155 2 0.0000 0.942 0.000 1.000
#> GSM76156 2 0.0000 0.942 0.000 1.000
#> GSM76030 2 0.0000 0.942 0.000 1.000
#> GSM76031 1 0.0000 0.963 1.000 0.000
#> GSM76032 1 0.0000 0.963 1.000 0.000
#> GSM76033 1 0.8861 0.552 0.696 0.304
#> GSM76034 2 0.0000 0.942 0.000 1.000
#> GSM76035 1 0.2423 0.932 0.960 0.040
#> GSM76036 2 0.0000 0.942 0.000 1.000
#> GSM76037 2 0.0000 0.942 0.000 1.000
#> GSM76038 1 0.0000 0.963 1.000 0.000
#> GSM76039 1 0.0000 0.963 1.000 0.000
#> GSM76040 2 0.0376 0.940 0.004 0.996
#> GSM76041 1 0.0000 0.963 1.000 0.000
#> GSM76042 1 0.0000 0.963 1.000 0.000
#> GSM76043 1 0.0000 0.963 1.000 0.000
#> GSM76044 1 0.0000 0.963 1.000 0.000
#> GSM76045 1 0.0000 0.963 1.000 0.000
#> GSM76046 2 0.4022 0.879 0.080 0.920
#> GSM76047 1 0.0000 0.963 1.000 0.000
#> GSM76048 1 0.0938 0.956 0.988 0.012
#> GSM76049 1 0.9732 0.284 0.596 0.404
#> GSM76050 1 0.0000 0.963 1.000 0.000
#> GSM76051 2 0.1184 0.931 0.016 0.984
#> GSM76052 2 0.6887 0.769 0.184 0.816
#> GSM76053 2 0.9286 0.509 0.344 0.656
#> GSM76054 2 0.0000 0.942 0.000 1.000
#> GSM76055 2 0.9833 0.308 0.424 0.576
#> GSM76056 1 0.0000 0.963 1.000 0.000
#> GSM76057 1 0.1414 0.950 0.980 0.020
#> GSM76058 1 0.0000 0.963 1.000 0.000
#> GSM76059 1 0.0000 0.963 1.000 0.000
#> GSM76060 1 0.6048 0.815 0.852 0.148
#> GSM76061 2 0.0000 0.942 0.000 1.000
#> GSM76062 1 0.0000 0.963 1.000 0.000
#> GSM76063 2 0.0000 0.942 0.000 1.000
#> GSM76064 1 0.0000 0.963 1.000 0.000
#> GSM76065 2 0.0000 0.942 0.000 1.000
#> GSM76066 1 0.0000 0.963 1.000 0.000
#> GSM76067 1 0.0000 0.963 1.000 0.000
#> GSM76068 2 0.9866 0.280 0.432 0.568
#> GSM76069 1 0.0000 0.963 1.000 0.000
#> GSM76070 2 0.0000 0.942 0.000 1.000
#> GSM76071 1 0.0000 0.963 1.000 0.000
#> GSM76072 1 0.0000 0.963 1.000 0.000
#> GSM76073 1 0.0000 0.963 1.000 0.000
#> GSM76074 1 0.0000 0.963 1.000 0.000
#> GSM76075 1 0.1184 0.952 0.984 0.016
#> GSM76076 2 0.8555 0.630 0.280 0.720
#> GSM76077 1 0.0000 0.963 1.000 0.000
#> GSM76078 1 0.0672 0.958 0.992 0.008
#> GSM76079 1 0.0000 0.963 1.000 0.000
#> GSM76080 2 0.0000 0.942 0.000 1.000
#> GSM76081 2 0.0000 0.942 0.000 1.000
#> GSM76082 1 0.3274 0.915 0.940 0.060
#> GSM76083 2 0.0000 0.942 0.000 1.000
#> GSM76084 2 0.0000 0.942 0.000 1.000
#> GSM76085 2 0.8661 0.617 0.288 0.712
#> GSM76086 1 0.0000 0.963 1.000 0.000
#> GSM76087 2 0.0000 0.942 0.000 1.000
#> GSM76088 1 0.0000 0.963 1.000 0.000
#> GSM76089 2 0.0000 0.942 0.000 1.000
#> GSM76090 1 0.0000 0.963 1.000 0.000
#> GSM76091 1 0.0000 0.963 1.000 0.000
#> GSM76092 1 0.0000 0.963 1.000 0.000
#> GSM76093 1 0.0000 0.963 1.000 0.000
#> GSM76094 2 0.6247 0.802 0.156 0.844
#> GSM76095 1 0.0000 0.963 1.000 0.000
#> GSM76096 1 0.0000 0.963 1.000 0.000
#> GSM76097 1 0.0000 0.963 1.000 0.000
#> GSM76098 2 0.0000 0.942 0.000 1.000
#> GSM76099 1 0.0000 0.963 1.000 0.000
#> GSM76100 1 0.0000 0.963 1.000 0.000
#> GSM76101 1 0.0000 0.963 1.000 0.000
#> GSM76102 1 0.5946 0.821 0.856 0.144
#> GSM76103 1 0.0000 0.963 1.000 0.000
#> GSM76104 2 0.3431 0.893 0.064 0.936
#> GSM76105 1 0.8813 0.557 0.700 0.300
#> GSM76106 2 0.0000 0.942 0.000 1.000
#> GSM76107 2 0.0000 0.942 0.000 1.000
#> GSM76108 1 0.0000 0.963 1.000 0.000
#> GSM76109 1 0.0000 0.963 1.000 0.000
#> GSM76110 1 0.0000 0.963 1.000 0.000
#> GSM76111 1 0.0000 0.963 1.000 0.000
#> GSM76112 1 0.0000 0.963 1.000 0.000
#> GSM76113 2 0.6148 0.806 0.152 0.848
#> GSM76114 1 0.0000 0.963 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0983 0.8392 0.016 0.980 0.004
#> GSM76116 2 0.1289 0.8308 0.032 0.968 0.000
#> GSM76117 2 0.5948 0.3528 0.360 0.640 0.000
#> GSM76118 2 0.4291 0.7056 0.180 0.820 0.000
#> GSM76119 2 0.3879 0.7757 0.000 0.848 0.152
#> GSM76120 3 0.5835 0.4615 0.000 0.340 0.660
#> GSM76121 1 0.6169 0.4947 0.636 0.360 0.004
#> GSM76122 2 0.3686 0.7477 0.140 0.860 0.000
#> GSM76123 3 0.6062 0.3568 0.000 0.384 0.616
#> GSM76124 2 0.4702 0.6591 0.212 0.788 0.000
#> GSM76125 3 0.6111 0.3209 0.000 0.396 0.604
#> GSM76126 3 0.6299 0.0888 0.000 0.476 0.524
#> GSM76127 3 0.5905 0.4359 0.000 0.352 0.648
#> GSM76128 3 0.4915 0.6870 0.184 0.012 0.804
#> GSM76129 2 0.1482 0.8430 0.012 0.968 0.020
#> GSM76130 2 0.4605 0.7130 0.000 0.796 0.204
#> GSM76131 2 0.3038 0.8184 0.000 0.896 0.104
#> GSM76132 2 0.1411 0.8431 0.000 0.964 0.036
#> GSM76133 2 0.1529 0.8424 0.000 0.960 0.040
#> GSM76134 2 0.3192 0.8087 0.000 0.888 0.112
#> GSM76135 2 0.0592 0.8395 0.012 0.988 0.000
#> GSM76136 2 0.1753 0.8415 0.000 0.952 0.048
#> GSM76137 2 0.6180 0.2696 0.000 0.584 0.416
#> GSM76138 2 0.0892 0.8367 0.020 0.980 0.000
#> GSM76139 2 0.4178 0.7561 0.000 0.828 0.172
#> GSM76140 1 0.3551 0.7764 0.868 0.132 0.000
#> GSM76141 2 0.1163 0.8439 0.000 0.972 0.028
#> GSM76142 2 0.1289 0.8432 0.000 0.968 0.032
#> GSM76143 2 0.2261 0.8337 0.000 0.932 0.068
#> GSM76144 2 0.1163 0.8435 0.000 0.972 0.028
#> GSM76145 2 0.4291 0.7557 0.000 0.820 0.180
#> GSM76146 2 0.0592 0.8395 0.012 0.988 0.000
#> GSM76147 2 0.0592 0.8395 0.012 0.988 0.000
#> GSM76148 2 0.2066 0.8376 0.000 0.940 0.060
#> GSM76149 2 0.4291 0.7533 0.000 0.820 0.180
#> GSM76150 2 0.1753 0.8413 0.000 0.952 0.048
#> GSM76151 2 0.3619 0.7899 0.000 0.864 0.136
#> GSM76152 1 0.0661 0.8156 0.988 0.008 0.004
#> GSM76153 2 0.4235 0.7602 0.000 0.824 0.176
#> GSM76154 2 0.2066 0.8395 0.000 0.940 0.060
#> GSM76155 2 0.0592 0.8395 0.012 0.988 0.000
#> GSM76156 2 0.0592 0.8395 0.012 0.988 0.000
#> GSM76030 3 0.5650 0.4953 0.000 0.312 0.688
#> GSM76031 1 0.0237 0.8147 0.996 0.000 0.004
#> GSM76032 1 0.5926 0.3934 0.644 0.000 0.356
#> GSM76033 3 0.3941 0.6912 0.156 0.000 0.844
#> GSM76034 2 0.5529 0.5700 0.000 0.704 0.296
#> GSM76035 3 0.5905 0.4397 0.352 0.000 0.648
#> GSM76036 3 0.0747 0.7602 0.000 0.016 0.984
#> GSM76037 2 0.1031 0.8351 0.024 0.976 0.000
#> GSM76038 1 0.0424 0.8155 0.992 0.008 0.000
#> GSM76039 1 0.3038 0.7919 0.896 0.104 0.000
#> GSM76040 3 0.1015 0.7638 0.012 0.008 0.980
#> GSM76041 1 0.1964 0.7960 0.944 0.000 0.056
#> GSM76042 1 0.2711 0.7982 0.912 0.088 0.000
#> GSM76043 1 0.3295 0.7725 0.896 0.008 0.096
#> GSM76044 1 0.6154 0.4007 0.592 0.408 0.000
#> GSM76045 1 0.1337 0.8150 0.972 0.012 0.016
#> GSM76046 3 0.3375 0.7614 0.044 0.048 0.908
#> GSM76047 1 0.2796 0.7717 0.908 0.000 0.092
#> GSM76048 3 0.5363 0.5544 0.276 0.000 0.724
#> GSM76049 2 0.6819 -0.1151 0.476 0.512 0.012
#> GSM76050 1 0.3551 0.7336 0.868 0.000 0.132
#> GSM76051 3 0.1289 0.7591 0.032 0.000 0.968
#> GSM76052 3 0.1832 0.7643 0.036 0.008 0.956
#> GSM76053 3 0.9546 0.3849 0.312 0.216 0.472
#> GSM76054 3 0.0892 0.7606 0.000 0.020 0.980
#> GSM76055 2 0.5016 0.6121 0.240 0.760 0.000
#> GSM76056 1 0.4931 0.7229 0.784 0.212 0.004
#> GSM76057 1 0.7059 0.2499 0.520 0.460 0.020
#> GSM76058 3 0.5982 0.4630 0.328 0.004 0.668
#> GSM76059 1 0.0747 0.8126 0.984 0.000 0.016
#> GSM76060 1 0.7153 0.6925 0.708 0.200 0.092
#> GSM76061 2 0.1620 0.8351 0.012 0.964 0.024
#> GSM76062 1 0.0747 0.8126 0.984 0.000 0.016
#> GSM76063 3 0.5529 0.5267 0.000 0.296 0.704
#> GSM76064 1 0.4654 0.6489 0.792 0.000 0.208
#> GSM76065 2 0.1163 0.8331 0.028 0.972 0.000
#> GSM76066 1 0.3340 0.7472 0.880 0.000 0.120
#> GSM76067 1 0.6095 0.3045 0.608 0.000 0.392
#> GSM76068 3 0.2261 0.7461 0.068 0.000 0.932
#> GSM76069 1 0.2682 0.8029 0.920 0.076 0.004
#> GSM76070 2 0.5291 0.6374 0.000 0.732 0.268
#> GSM76071 1 0.0892 0.8113 0.980 0.000 0.020
#> GSM76072 1 0.0747 0.8126 0.984 0.000 0.016
#> GSM76073 1 0.0592 0.8133 0.988 0.000 0.012
#> GSM76074 1 0.0424 0.8142 0.992 0.000 0.008
#> GSM76075 3 0.6771 0.2008 0.440 0.012 0.548
#> GSM76076 3 0.2063 0.7555 0.044 0.008 0.948
#> GSM76077 1 0.5938 0.6866 0.732 0.248 0.020
#> GSM76078 1 0.6962 0.4799 0.648 0.036 0.316
#> GSM76079 1 0.0829 0.8154 0.984 0.012 0.004
#> GSM76080 3 0.1289 0.7570 0.000 0.032 0.968
#> GSM76081 3 0.1411 0.7558 0.000 0.036 0.964
#> GSM76082 3 0.3412 0.7117 0.124 0.000 0.876
#> GSM76083 3 0.1015 0.7643 0.012 0.008 0.980
#> GSM76084 3 0.4931 0.6126 0.000 0.232 0.768
#> GSM76085 3 0.2280 0.7545 0.052 0.008 0.940
#> GSM76086 1 0.5785 0.4451 0.668 0.000 0.332
#> GSM76087 2 0.2066 0.8380 0.000 0.940 0.060
#> GSM76088 1 0.5635 0.7410 0.784 0.180 0.036
#> GSM76089 2 0.1964 0.8412 0.000 0.944 0.056
#> GSM76090 3 0.6587 0.2503 0.424 0.008 0.568
#> GSM76091 1 0.0892 0.8124 0.980 0.000 0.020
#> GSM76092 1 0.0424 0.8155 0.992 0.008 0.000
#> GSM76093 1 0.0592 0.8138 0.988 0.000 0.012
#> GSM76094 2 0.3619 0.7496 0.136 0.864 0.000
#> GSM76095 1 0.5497 0.6253 0.708 0.292 0.000
#> GSM76096 1 0.6008 0.4818 0.628 0.372 0.000
#> GSM76097 1 0.6045 0.4651 0.620 0.380 0.000
#> GSM76098 3 0.1289 0.7570 0.000 0.032 0.968
#> GSM76099 1 0.2301 0.8073 0.936 0.060 0.004
#> GSM76100 1 0.2711 0.7987 0.912 0.088 0.000
#> GSM76101 1 0.0592 0.8133 0.988 0.000 0.012
#> GSM76102 1 0.5656 0.6155 0.712 0.284 0.004
#> GSM76103 1 0.5785 0.4458 0.668 0.000 0.332
#> GSM76104 3 0.4790 0.7409 0.056 0.096 0.848
#> GSM76105 2 0.5560 0.5002 0.300 0.700 0.000
#> GSM76106 3 0.2625 0.7318 0.000 0.084 0.916
#> GSM76107 2 0.5785 0.5533 0.004 0.696 0.300
#> GSM76108 1 0.6274 0.2689 0.544 0.456 0.000
#> GSM76109 1 0.0592 0.8133 0.988 0.000 0.012
#> GSM76110 1 0.1411 0.8113 0.964 0.036 0.000
#> GSM76111 1 0.3038 0.7916 0.896 0.104 0.000
#> GSM76112 1 0.1643 0.8011 0.956 0.000 0.044
#> GSM76113 3 0.9817 0.3329 0.272 0.300 0.428
#> GSM76114 1 0.2031 0.8141 0.952 0.032 0.016
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.5384 0.5360 0.028 0.648 0.000 0.324
#> GSM76116 2 0.5998 0.5990 0.088 0.664 0.000 0.248
#> GSM76117 1 0.7048 0.3702 0.556 0.284 0.000 0.160
#> GSM76118 2 0.6538 0.5383 0.232 0.628 0.000 0.140
#> GSM76119 4 0.3810 0.6684 0.000 0.188 0.008 0.804
#> GSM76120 4 0.4114 0.7535 0.000 0.060 0.112 0.828
#> GSM76121 1 0.6023 0.4534 0.612 0.060 0.000 0.328
#> GSM76122 2 0.7448 0.2774 0.176 0.452 0.000 0.372
#> GSM76123 4 0.4389 0.7546 0.000 0.072 0.116 0.812
#> GSM76124 2 0.7202 0.4694 0.152 0.548 0.004 0.296
#> GSM76125 4 0.5018 0.7353 0.000 0.088 0.144 0.768
#> GSM76126 4 0.3726 0.7554 0.008 0.092 0.040 0.860
#> GSM76127 4 0.3996 0.7552 0.000 0.060 0.104 0.836
#> GSM76128 4 0.4856 0.6490 0.084 0.000 0.136 0.780
#> GSM76129 2 0.5472 0.5539 0.044 0.676 0.000 0.280
#> GSM76130 4 0.3718 0.7039 0.000 0.168 0.012 0.820
#> GSM76131 2 0.2483 0.7545 0.000 0.916 0.052 0.032
#> GSM76132 2 0.1624 0.7621 0.000 0.952 0.020 0.028
#> GSM76133 2 0.1820 0.7602 0.000 0.944 0.036 0.020
#> GSM76134 2 0.3583 0.6846 0.000 0.816 0.004 0.180
#> GSM76135 2 0.0859 0.7636 0.008 0.980 0.004 0.008
#> GSM76136 2 0.1833 0.7602 0.000 0.944 0.032 0.024
#> GSM76137 4 0.5791 0.5999 0.000 0.284 0.060 0.656
#> GSM76138 2 0.4015 0.7207 0.052 0.832 0.000 0.116
#> GSM76139 2 0.4139 0.6907 0.000 0.816 0.040 0.144
#> GSM76140 1 0.4071 0.7196 0.832 0.064 0.000 0.104
#> GSM76141 2 0.1940 0.7515 0.000 0.924 0.000 0.076
#> GSM76142 2 0.1388 0.7610 0.000 0.960 0.012 0.028
#> GSM76143 2 0.2376 0.7495 0.000 0.916 0.016 0.068
#> GSM76144 2 0.1610 0.7608 0.000 0.952 0.016 0.032
#> GSM76145 2 0.6310 0.6029 0.004 0.672 0.188 0.136
#> GSM76146 2 0.2161 0.7591 0.016 0.932 0.004 0.048
#> GSM76147 2 0.1406 0.7591 0.024 0.960 0.000 0.016
#> GSM76148 2 0.2610 0.7452 0.000 0.900 0.012 0.088
#> GSM76149 2 0.3215 0.7309 0.000 0.876 0.032 0.092
#> GSM76150 2 0.3400 0.6981 0.000 0.820 0.000 0.180
#> GSM76151 2 0.4360 0.5989 0.000 0.744 0.008 0.248
#> GSM76152 1 0.2981 0.7455 0.904 0.016 0.048 0.032
#> GSM76153 2 0.3128 0.7371 0.000 0.884 0.076 0.040
#> GSM76154 2 0.2002 0.7626 0.000 0.936 0.020 0.044
#> GSM76155 2 0.2197 0.7576 0.024 0.928 0.000 0.048
#> GSM76156 2 0.1745 0.7579 0.020 0.952 0.008 0.020
#> GSM76030 3 0.7220 0.0942 0.000 0.384 0.472 0.144
#> GSM76031 1 0.2553 0.7486 0.916 0.008 0.016 0.060
#> GSM76032 3 0.5716 0.5322 0.272 0.000 0.668 0.060
#> GSM76033 3 0.4446 0.5748 0.028 0.000 0.776 0.196
#> GSM76034 4 0.6023 0.4423 0.000 0.328 0.060 0.612
#> GSM76035 3 0.7823 0.2648 0.272 0.000 0.408 0.320
#> GSM76036 3 0.3978 0.5283 0.000 0.012 0.796 0.192
#> GSM76037 2 0.5471 0.6106 0.048 0.684 0.000 0.268
#> GSM76038 1 0.3280 0.7460 0.892 0.020 0.048 0.040
#> GSM76039 1 0.3525 0.7180 0.860 0.040 0.000 0.100
#> GSM76040 3 0.2310 0.6257 0.004 0.008 0.920 0.068
#> GSM76041 1 0.5204 0.5602 0.712 0.004 0.252 0.032
#> GSM76042 1 0.6051 0.6501 0.692 0.068 0.016 0.224
#> GSM76043 1 0.7392 0.0401 0.452 0.020 0.432 0.096
#> GSM76044 1 0.7687 0.3716 0.492 0.256 0.004 0.248
#> GSM76045 1 0.5725 0.6619 0.748 0.048 0.160 0.044
#> GSM76046 3 0.5482 0.2663 0.004 0.012 0.572 0.412
#> GSM76047 1 0.6530 0.5055 0.632 0.008 0.264 0.096
#> GSM76048 3 0.5751 0.6040 0.164 0.000 0.712 0.124
#> GSM76049 2 0.7202 0.5005 0.224 0.632 0.092 0.052
#> GSM76050 1 0.3404 0.6981 0.864 0.000 0.104 0.032
#> GSM76051 3 0.3355 0.5654 0.000 0.004 0.836 0.160
#> GSM76052 3 0.3108 0.6222 0.016 0.000 0.872 0.112
#> GSM76053 4 0.5052 0.6434 0.028 0.060 0.116 0.796
#> GSM76054 3 0.1938 0.6237 0.000 0.012 0.936 0.052
#> GSM76055 2 0.6834 0.5194 0.224 0.600 0.000 0.176
#> GSM76056 1 0.6023 0.5324 0.644 0.304 0.024 0.028
#> GSM76057 2 0.8304 0.3396 0.184 0.532 0.224 0.060
#> GSM76058 3 0.2814 0.6416 0.132 0.000 0.868 0.000
#> GSM76059 1 0.1837 0.7370 0.944 0.000 0.028 0.028
#> GSM76060 3 0.8637 0.3419 0.160 0.296 0.472 0.072
#> GSM76061 2 0.5479 0.6131 0.016 0.740 0.192 0.052
#> GSM76062 1 0.2334 0.7298 0.908 0.000 0.088 0.004
#> GSM76063 3 0.5662 0.4481 0.000 0.236 0.692 0.072
#> GSM76064 1 0.5650 0.1403 0.544 0.000 0.432 0.024
#> GSM76065 2 0.4123 0.7168 0.044 0.820 0.000 0.136
#> GSM76066 1 0.4744 0.5626 0.736 0.000 0.240 0.024
#> GSM76067 3 0.5339 0.3550 0.384 0.000 0.600 0.016
#> GSM76068 3 0.4139 0.5614 0.024 0.000 0.800 0.176
#> GSM76069 1 0.5876 0.6925 0.760 0.084 0.080 0.076
#> GSM76070 2 0.7357 0.2845 0.000 0.500 0.320 0.180
#> GSM76071 1 0.2142 0.7341 0.928 0.000 0.056 0.016
#> GSM76072 1 0.2300 0.7323 0.920 0.000 0.064 0.016
#> GSM76073 1 0.1610 0.7393 0.952 0.000 0.016 0.032
#> GSM76074 1 0.1661 0.7386 0.944 0.000 0.004 0.052
#> GSM76075 3 0.5186 0.6278 0.128 0.016 0.780 0.076
#> GSM76076 3 0.1388 0.6395 0.012 0.000 0.960 0.028
#> GSM76077 1 0.9259 0.1449 0.368 0.296 0.252 0.084
#> GSM76078 3 0.7124 0.5568 0.156 0.116 0.664 0.064
#> GSM76079 1 0.4172 0.7243 0.844 0.028 0.096 0.032
#> GSM76080 3 0.4985 -0.0598 0.000 0.000 0.532 0.468
#> GSM76081 3 0.5062 0.3535 0.000 0.020 0.680 0.300
#> GSM76082 3 0.3876 0.6108 0.040 0.000 0.836 0.124
#> GSM76083 3 0.2271 0.6189 0.000 0.008 0.916 0.076
#> GSM76084 3 0.6164 0.3613 0.000 0.092 0.644 0.264
#> GSM76085 3 0.1890 0.6343 0.008 0.000 0.936 0.056
#> GSM76086 3 0.4957 0.4679 0.320 0.000 0.668 0.012
#> GSM76087 2 0.4643 0.5276 0.000 0.656 0.000 0.344
#> GSM76088 3 0.8836 0.1978 0.280 0.228 0.432 0.060
#> GSM76089 2 0.1624 0.7647 0.000 0.952 0.020 0.028
#> GSM76090 3 0.4732 0.6159 0.200 0.020 0.768 0.012
#> GSM76091 1 0.3680 0.7166 0.852 0.012 0.120 0.016
#> GSM76092 1 0.1059 0.7439 0.972 0.000 0.012 0.016
#> GSM76093 1 0.1471 0.7438 0.960 0.004 0.024 0.012
#> GSM76094 2 0.6390 0.5452 0.224 0.644 0.000 0.132
#> GSM76095 1 0.8237 0.4249 0.520 0.292 0.080 0.108
#> GSM76096 1 0.6301 0.5439 0.636 0.104 0.000 0.260
#> GSM76097 1 0.5066 0.6640 0.764 0.088 0.000 0.148
#> GSM76098 4 0.5060 0.3086 0.000 0.004 0.412 0.584
#> GSM76099 1 0.3841 0.7365 0.868 0.052 0.048 0.032
#> GSM76100 1 0.2500 0.7387 0.916 0.044 0.000 0.040
#> GSM76101 1 0.1520 0.7416 0.956 0.000 0.020 0.024
#> GSM76102 1 0.5193 0.4945 0.656 0.020 0.000 0.324
#> GSM76103 3 0.4720 0.4656 0.324 0.000 0.672 0.004
#> GSM76104 4 0.5384 0.2100 0.008 0.004 0.420 0.568
#> GSM76105 1 0.7786 0.0890 0.388 0.244 0.000 0.368
#> GSM76106 4 0.4963 0.5747 0.000 0.020 0.284 0.696
#> GSM76107 4 0.4392 0.7297 0.040 0.120 0.016 0.824
#> GSM76108 1 0.7346 0.3755 0.520 0.280 0.000 0.200
#> GSM76109 1 0.1724 0.7382 0.948 0.000 0.020 0.032
#> GSM76110 1 0.0844 0.7474 0.980 0.012 0.004 0.004
#> GSM76111 1 0.3902 0.7339 0.860 0.080 0.024 0.036
#> GSM76112 1 0.3143 0.7091 0.876 0.000 0.100 0.024
#> GSM76113 3 0.8261 0.4917 0.160 0.096 0.568 0.176
#> GSM76114 1 0.6676 0.5902 0.676 0.052 0.204 0.068
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.5618 0.4713 0.004 0.152 0.000 0.192 0.652
#> GSM76116 5 0.3244 0.6646 0.008 0.084 0.000 0.048 0.860
#> GSM76117 1 0.6433 0.4354 0.600 0.156 0.000 0.032 0.212
#> GSM76118 5 0.5111 0.6244 0.044 0.152 0.000 0.064 0.740
#> GSM76119 4 0.3183 0.6974 0.000 0.016 0.000 0.828 0.156
#> GSM76120 4 0.2153 0.7829 0.000 0.000 0.044 0.916 0.040
#> GSM76121 1 0.5684 0.5122 0.644 0.004 0.000 0.156 0.196
#> GSM76122 5 0.4251 0.6314 0.016 0.044 0.000 0.156 0.784
#> GSM76123 4 0.2589 0.7831 0.000 0.008 0.048 0.900 0.044
#> GSM76124 5 0.3001 0.6790 0.012 0.044 0.004 0.056 0.884
#> GSM76125 4 0.1568 0.7758 0.000 0.020 0.036 0.944 0.000
#> GSM76126 4 0.1405 0.7792 0.016 0.020 0.000 0.956 0.008
#> GSM76127 4 0.1630 0.7831 0.000 0.004 0.036 0.944 0.016
#> GSM76128 4 0.3143 0.7594 0.044 0.000 0.068 0.872 0.016
#> GSM76129 2 0.5222 0.6229 0.024 0.676 0.000 0.256 0.044
#> GSM76130 4 0.2727 0.7356 0.000 0.016 0.000 0.868 0.116
#> GSM76131 2 0.0898 0.8340 0.000 0.972 0.020 0.008 0.000
#> GSM76132 2 0.0833 0.8376 0.000 0.976 0.004 0.004 0.016
#> GSM76133 2 0.0671 0.8346 0.000 0.980 0.016 0.004 0.000
#> GSM76134 2 0.3395 0.7986 0.000 0.844 0.004 0.104 0.048
#> GSM76135 2 0.1597 0.8344 0.000 0.940 0.000 0.048 0.012
#> GSM76136 2 0.1869 0.8396 0.000 0.936 0.008 0.028 0.028
#> GSM76137 4 0.4393 0.6335 0.000 0.208 0.012 0.748 0.032
#> GSM76138 5 0.3165 0.6564 0.000 0.116 0.000 0.036 0.848
#> GSM76139 2 0.2110 0.8233 0.000 0.912 0.016 0.072 0.000
#> GSM76140 5 0.4292 0.5793 0.216 0.012 0.000 0.024 0.748
#> GSM76141 2 0.1697 0.8329 0.000 0.932 0.000 0.060 0.008
#> GSM76142 2 0.0807 0.8385 0.000 0.976 0.000 0.012 0.012
#> GSM76143 2 0.1281 0.8333 0.000 0.956 0.012 0.032 0.000
#> GSM76144 2 0.1267 0.8374 0.000 0.960 0.004 0.024 0.012
#> GSM76145 5 0.5329 0.5566 0.000 0.116 0.144 0.024 0.716
#> GSM76146 2 0.4087 0.7287 0.000 0.756 0.000 0.036 0.208
#> GSM76147 2 0.1732 0.8319 0.000 0.920 0.000 0.000 0.080
#> GSM76148 2 0.2361 0.8194 0.000 0.892 0.000 0.096 0.012
#> GSM76149 2 0.2149 0.8309 0.000 0.924 0.012 0.036 0.028
#> GSM76150 2 0.4194 0.7703 0.000 0.788 0.004 0.128 0.080
#> GSM76151 2 0.4969 0.6112 0.000 0.676 0.004 0.264 0.056
#> GSM76152 1 0.4930 0.2172 0.548 0.000 0.028 0.000 0.424
#> GSM76153 2 0.1012 0.8342 0.000 0.968 0.020 0.012 0.000
#> GSM76154 2 0.3151 0.8010 0.000 0.836 0.000 0.020 0.144
#> GSM76155 2 0.4193 0.6906 0.000 0.720 0.000 0.024 0.256
#> GSM76156 2 0.2124 0.8353 0.000 0.916 0.000 0.028 0.056
#> GSM76030 2 0.4991 0.6577 0.000 0.724 0.200 0.044 0.032
#> GSM76031 5 0.5270 0.2176 0.404 0.000 0.024 0.016 0.556
#> GSM76032 3 0.5110 0.5162 0.016 0.000 0.644 0.032 0.308
#> GSM76033 3 0.5770 0.5490 0.004 0.000 0.608 0.116 0.272
#> GSM76034 4 0.4282 0.7401 0.000 0.108 0.036 0.804 0.052
#> GSM76035 1 0.7179 -0.1123 0.380 0.000 0.324 0.280 0.016
#> GSM76036 3 0.2929 0.6588 0.000 0.000 0.840 0.152 0.008
#> GSM76037 5 0.4205 0.6337 0.004 0.124 0.000 0.084 0.788
#> GSM76038 5 0.5133 0.2528 0.388 0.000 0.044 0.000 0.568
#> GSM76039 1 0.2177 0.7569 0.908 0.004 0.000 0.008 0.080
#> GSM76040 3 0.2053 0.7233 0.000 0.004 0.924 0.048 0.024
#> GSM76041 1 0.6015 0.2181 0.516 0.000 0.360 0.000 0.124
#> GSM76042 5 0.2917 0.6795 0.052 0.000 0.012 0.052 0.884
#> GSM76043 5 0.5101 0.3937 0.040 0.000 0.296 0.012 0.652
#> GSM76044 5 0.2631 0.6815 0.036 0.012 0.004 0.044 0.904
#> GSM76045 5 0.6934 0.1193 0.368 0.004 0.228 0.004 0.396
#> GSM76046 5 0.5053 0.4790 0.000 0.000 0.216 0.096 0.688
#> GSM76047 5 0.5639 0.3684 0.060 0.000 0.304 0.020 0.616
#> GSM76048 3 0.3319 0.7021 0.016 0.000 0.848 0.116 0.020
#> GSM76049 2 0.6253 0.5383 0.036 0.628 0.104 0.004 0.228
#> GSM76050 1 0.2141 0.7575 0.916 0.000 0.064 0.004 0.016
#> GSM76051 3 0.2672 0.6752 0.008 0.004 0.872 0.116 0.000
#> GSM76052 3 0.5473 0.5577 0.004 0.000 0.620 0.080 0.296
#> GSM76053 5 0.4766 0.5462 0.000 0.000 0.072 0.220 0.708
#> GSM76054 3 0.2178 0.7237 0.000 0.008 0.920 0.048 0.024
#> GSM76055 5 0.5427 0.6091 0.044 0.180 0.000 0.068 0.708
#> GSM76056 1 0.5332 0.4889 0.648 0.268 0.000 0.004 0.080
#> GSM76057 5 0.7238 0.3198 0.028 0.288 0.212 0.004 0.468
#> GSM76058 3 0.1997 0.7324 0.036 0.000 0.924 0.000 0.040
#> GSM76059 1 0.0566 0.7770 0.984 0.000 0.012 0.000 0.004
#> GSM76060 3 0.5725 0.4645 0.000 0.108 0.608 0.004 0.280
#> GSM76061 2 0.2664 0.8139 0.000 0.892 0.064 0.004 0.040
#> GSM76062 1 0.2867 0.7526 0.880 0.000 0.044 0.004 0.072
#> GSM76063 3 0.4500 0.6071 0.000 0.180 0.760 0.040 0.020
#> GSM76064 3 0.5929 0.4687 0.260 0.000 0.584 0.000 0.156
#> GSM76065 2 0.4838 0.5261 0.004 0.632 0.000 0.028 0.336
#> GSM76066 1 0.3439 0.6746 0.800 0.000 0.188 0.004 0.008
#> GSM76067 3 0.4380 0.3608 0.376 0.000 0.616 0.000 0.008
#> GSM76068 3 0.5231 0.6005 0.100 0.036 0.744 0.116 0.004
#> GSM76069 5 0.5283 0.5363 0.232 0.008 0.084 0.000 0.676
#> GSM76070 2 0.6968 0.3690 0.000 0.520 0.296 0.132 0.052
#> GSM76071 1 0.1403 0.7779 0.952 0.000 0.024 0.000 0.024
#> GSM76072 1 0.1267 0.7777 0.960 0.000 0.024 0.004 0.012
#> GSM76073 1 0.0671 0.7767 0.980 0.000 0.000 0.004 0.016
#> GSM76074 1 0.0671 0.7764 0.980 0.000 0.000 0.004 0.016
#> GSM76075 3 0.4387 0.4930 0.004 0.000 0.652 0.008 0.336
#> GSM76076 3 0.1121 0.7241 0.004 0.008 0.968 0.016 0.004
#> GSM76077 5 0.4524 0.5840 0.040 0.028 0.164 0.000 0.768
#> GSM76078 3 0.5099 0.4206 0.020 0.016 0.596 0.000 0.368
#> GSM76079 1 0.5685 0.1556 0.520 0.000 0.084 0.000 0.396
#> GSM76080 4 0.4227 0.2498 0.000 0.000 0.420 0.580 0.000
#> GSM76081 3 0.4686 0.3571 0.000 0.016 0.644 0.332 0.008
#> GSM76082 3 0.3793 0.6652 0.068 0.004 0.832 0.088 0.008
#> GSM76083 3 0.2165 0.7072 0.004 0.016 0.920 0.056 0.004
#> GSM76084 3 0.6366 0.3812 0.000 0.020 0.556 0.300 0.124
#> GSM76085 3 0.2843 0.7246 0.000 0.000 0.876 0.048 0.076
#> GSM76086 3 0.3683 0.7000 0.096 0.000 0.828 0.004 0.072
#> GSM76087 4 0.5718 -0.0101 0.000 0.420 0.000 0.496 0.084
#> GSM76088 3 0.6948 0.0708 0.048 0.096 0.452 0.004 0.400
#> GSM76089 2 0.2054 0.8296 0.000 0.916 0.008 0.004 0.072
#> GSM76090 3 0.3018 0.7205 0.036 0.008 0.872 0.000 0.084
#> GSM76091 1 0.4513 0.6685 0.764 0.000 0.104 0.004 0.128
#> GSM76092 1 0.0771 0.7786 0.976 0.000 0.004 0.000 0.020
#> GSM76093 1 0.0579 0.7780 0.984 0.000 0.008 0.000 0.008
#> GSM76094 2 0.8003 -0.0258 0.184 0.388 0.000 0.112 0.316
#> GSM76095 5 0.3649 0.6616 0.056 0.020 0.056 0.012 0.856
#> GSM76096 5 0.6907 0.2918 0.332 0.028 0.000 0.160 0.480
#> GSM76097 1 0.2815 0.7529 0.892 0.028 0.000 0.024 0.056
#> GSM76098 4 0.3737 0.6352 0.008 0.004 0.224 0.764 0.000
#> GSM76099 1 0.5472 0.4190 0.616 0.016 0.040 0.004 0.324
#> GSM76100 1 0.1205 0.7717 0.956 0.004 0.000 0.000 0.040
#> GSM76101 1 0.0693 0.7780 0.980 0.000 0.008 0.000 0.012
#> GSM76102 1 0.5295 0.6180 0.716 0.024 0.000 0.160 0.100
#> GSM76103 3 0.3180 0.7171 0.068 0.000 0.856 0.000 0.076
#> GSM76104 4 0.6613 0.1112 0.008 0.000 0.352 0.468 0.172
#> GSM76105 5 0.7804 0.2945 0.208 0.084 0.000 0.284 0.424
#> GSM76106 4 0.3093 0.6940 0.000 0.000 0.168 0.824 0.008
#> GSM76107 4 0.2374 0.7632 0.016 0.020 0.000 0.912 0.052
#> GSM76108 5 0.5870 0.5828 0.196 0.060 0.000 0.072 0.672
#> GSM76109 1 0.0566 0.7782 0.984 0.000 0.004 0.000 0.012
#> GSM76110 1 0.0963 0.7746 0.964 0.000 0.000 0.000 0.036
#> GSM76111 1 0.5140 0.1856 0.540 0.012 0.020 0.000 0.428
#> GSM76112 1 0.1670 0.7663 0.936 0.000 0.052 0.000 0.012
#> GSM76113 5 0.5850 -0.0897 0.008 0.004 0.448 0.060 0.480
#> GSM76114 5 0.4604 0.5698 0.080 0.004 0.168 0.000 0.748
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.4370 0.44269 0.012 0.084 0.004 0.052 0.792 0.056
#> GSM76116 5 0.3155 0.50143 0.000 0.044 0.004 0.028 0.860 0.064
#> GSM76117 5 0.6682 0.14362 0.312 0.100 0.000 0.004 0.484 0.100
#> GSM76118 5 0.2828 0.49613 0.004 0.068 0.000 0.016 0.876 0.036
#> GSM76119 4 0.4006 0.68256 0.000 0.008 0.000 0.772 0.084 0.136
#> GSM76120 4 0.1959 0.75146 0.000 0.000 0.020 0.924 0.024 0.032
#> GSM76121 1 0.5653 0.42719 0.624 0.012 0.000 0.072 0.252 0.040
#> GSM76122 5 0.6385 0.13663 0.012 0.020 0.000 0.160 0.476 0.332
#> GSM76123 4 0.1620 0.75277 0.000 0.000 0.024 0.940 0.012 0.024
#> GSM76124 5 0.5103 0.28418 0.004 0.004 0.012 0.044 0.588 0.348
#> GSM76125 4 0.1536 0.75048 0.000 0.012 0.024 0.944 0.000 0.020
#> GSM76126 4 0.2928 0.73082 0.012 0.024 0.000 0.860 0.004 0.100
#> GSM76127 4 0.1605 0.74675 0.000 0.000 0.016 0.940 0.032 0.012
#> GSM76128 4 0.2574 0.72659 0.020 0.000 0.048 0.896 0.008 0.028
#> GSM76129 2 0.5037 0.68897 0.004 0.720 0.000 0.108 0.116 0.052
#> GSM76130 4 0.4116 0.69070 0.000 0.020 0.000 0.776 0.084 0.120
#> GSM76131 2 0.1262 0.75388 0.000 0.956 0.016 0.000 0.008 0.020
#> GSM76132 2 0.1485 0.75655 0.000 0.944 0.000 0.004 0.024 0.028
#> GSM76133 2 0.1059 0.75422 0.000 0.964 0.016 0.004 0.000 0.016
#> GSM76134 2 0.5312 0.63709 0.000 0.644 0.004 0.028 0.244 0.080
#> GSM76135 2 0.2265 0.74925 0.000 0.904 0.000 0.028 0.012 0.056
#> GSM76136 2 0.2969 0.72694 0.000 0.852 0.008 0.024 0.004 0.112
#> GSM76137 4 0.7206 0.17324 0.000 0.292 0.036 0.468 0.132 0.072
#> GSM76138 5 0.2645 0.50287 0.000 0.056 0.008 0.000 0.880 0.056
#> GSM76139 2 0.2653 0.73182 0.000 0.876 0.004 0.064 0.000 0.056
#> GSM76140 5 0.3184 0.49163 0.088 0.004 0.004 0.008 0.852 0.044
#> GSM76141 2 0.2036 0.74803 0.000 0.916 0.000 0.028 0.008 0.048
#> GSM76142 2 0.2295 0.74627 0.000 0.900 0.004 0.016 0.008 0.072
#> GSM76143 2 0.0622 0.75419 0.000 0.980 0.000 0.008 0.000 0.012
#> GSM76144 2 0.1116 0.75411 0.000 0.960 0.000 0.008 0.004 0.028
#> GSM76145 5 0.4726 0.48456 0.000 0.068 0.092 0.012 0.760 0.068
#> GSM76146 2 0.4882 0.66411 0.000 0.712 0.000 0.044 0.076 0.168
#> GSM76147 2 0.2179 0.75426 0.000 0.900 0.000 0.000 0.064 0.036
#> GSM76148 2 0.3739 0.69426 0.000 0.800 0.004 0.080 0.004 0.112
#> GSM76149 2 0.4572 0.70181 0.000 0.756 0.024 0.012 0.128 0.080
#> GSM76150 2 0.5132 0.64618 0.000 0.656 0.000 0.044 0.244 0.056
#> GSM76151 2 0.5772 0.61034 0.000 0.604 0.004 0.056 0.260 0.076
#> GSM76152 5 0.5972 0.13473 0.416 0.000 0.032 0.000 0.448 0.104
#> GSM76153 2 0.1320 0.75415 0.000 0.948 0.016 0.000 0.000 0.036
#> GSM76154 2 0.5242 0.57277 0.000 0.596 0.008 0.008 0.316 0.072
#> GSM76155 2 0.4593 0.56736 0.000 0.604 0.000 0.004 0.352 0.040
#> GSM76156 2 0.2674 0.74028 0.000 0.868 0.008 0.008 0.008 0.108
#> GSM76030 2 0.6891 0.56672 0.008 0.564 0.084 0.020 0.184 0.140
#> GSM76031 5 0.6065 0.33108 0.268 0.000 0.036 0.004 0.560 0.132
#> GSM76032 3 0.5229 0.47849 0.008 0.000 0.656 0.008 0.124 0.204
#> GSM76033 3 0.6434 0.37339 0.004 0.000 0.536 0.080 0.272 0.108
#> GSM76034 4 0.5439 0.68388 0.000 0.104 0.044 0.704 0.028 0.120
#> GSM76035 1 0.7754 0.17944 0.432 0.000 0.180 0.248 0.068 0.072
#> GSM76036 3 0.3301 0.59377 0.000 0.000 0.788 0.188 0.000 0.024
#> GSM76037 5 0.5547 0.35991 0.004 0.052 0.000 0.072 0.636 0.236
#> GSM76038 5 0.5246 0.38740 0.228 0.000 0.032 0.000 0.652 0.088
#> GSM76039 1 0.4031 0.56763 0.748 0.004 0.000 0.000 0.188 0.060
#> GSM76040 3 0.4647 0.64236 0.000 0.004 0.756 0.064 0.108 0.068
#> GSM76041 1 0.7118 0.06052 0.384 0.000 0.268 0.000 0.268 0.080
#> GSM76042 5 0.4395 0.41089 0.028 0.000 0.004 0.020 0.708 0.240
#> GSM76043 5 0.6211 0.21387 0.012 0.000 0.268 0.008 0.508 0.204
#> GSM76044 5 0.2660 0.50116 0.016 0.004 0.000 0.008 0.872 0.100
#> GSM76045 5 0.7231 0.07209 0.328 0.000 0.192 0.000 0.368 0.112
#> GSM76046 5 0.6466 0.28440 0.000 0.000 0.164 0.080 0.544 0.212
#> GSM76047 6 0.6840 0.04423 0.016 0.000 0.296 0.016 0.332 0.340
#> GSM76048 3 0.3824 0.64048 0.012 0.000 0.796 0.148 0.020 0.024
#> GSM76049 2 0.6648 0.26589 0.012 0.400 0.024 0.000 0.376 0.188
#> GSM76050 1 0.3620 0.63731 0.824 0.000 0.036 0.000 0.084 0.056
#> GSM76051 3 0.3905 0.59291 0.004 0.008 0.776 0.164 0.000 0.048
#> GSM76052 5 0.5952 0.15403 0.008 0.000 0.352 0.036 0.524 0.080
#> GSM76053 5 0.6139 0.34896 0.000 0.000 0.056 0.204 0.576 0.164
#> GSM76054 3 0.5110 0.62409 0.000 0.016 0.732 0.068 0.100 0.084
#> GSM76055 5 0.6857 -0.04903 0.036 0.064 0.000 0.080 0.420 0.400
#> GSM76056 1 0.6612 -0.10424 0.408 0.132 0.016 0.000 0.036 0.408
#> GSM76057 6 0.6877 0.36372 0.028 0.100 0.176 0.000 0.136 0.560
#> GSM76058 3 0.1933 0.65459 0.032 0.000 0.924 0.000 0.012 0.032
#> GSM76059 1 0.1194 0.68542 0.956 0.000 0.008 0.000 0.004 0.032
#> GSM76060 3 0.5838 0.39459 0.000 0.064 0.600 0.000 0.092 0.244
#> GSM76061 2 0.3854 0.69973 0.000 0.780 0.044 0.000 0.016 0.160
#> GSM76062 1 0.4162 0.45973 0.700 0.000 0.020 0.000 0.016 0.264
#> GSM76063 3 0.4753 0.60658 0.000 0.108 0.752 0.072 0.008 0.060
#> GSM76064 3 0.6800 0.35881 0.252 0.000 0.508 0.008 0.152 0.080
#> GSM76065 2 0.6309 0.24816 0.008 0.456 0.000 0.012 0.188 0.336
#> GSM76066 1 0.4062 0.55170 0.744 0.000 0.192 0.000 0.004 0.060
#> GSM76067 3 0.6072 0.08089 0.404 0.000 0.460 0.000 0.060 0.076
#> GSM76068 3 0.6414 0.51684 0.128 0.044 0.628 0.120 0.000 0.080
#> GSM76069 6 0.6076 0.40972 0.152 0.000 0.048 0.000 0.228 0.572
#> GSM76070 2 0.7617 0.16257 0.000 0.392 0.228 0.160 0.008 0.212
#> GSM76071 1 0.2152 0.68230 0.912 0.000 0.012 0.000 0.040 0.036
#> GSM76072 1 0.2371 0.67740 0.900 0.000 0.016 0.000 0.052 0.032
#> GSM76073 1 0.2189 0.67138 0.904 0.000 0.004 0.000 0.060 0.032
#> GSM76074 1 0.1498 0.68212 0.940 0.000 0.000 0.000 0.032 0.028
#> GSM76075 3 0.5054 0.46089 0.000 0.000 0.640 0.004 0.124 0.232
#> GSM76076 3 0.2508 0.65725 0.012 0.016 0.900 0.048 0.000 0.024
#> GSM76077 6 0.6012 0.06383 0.008 0.004 0.156 0.000 0.380 0.452
#> GSM76078 3 0.5528 0.40646 0.004 0.004 0.596 0.000 0.172 0.224
#> GSM76079 6 0.6587 0.31540 0.376 0.000 0.092 0.000 0.100 0.432
#> GSM76080 4 0.4945 0.33287 0.000 0.000 0.324 0.612 0.032 0.032
#> GSM76081 3 0.5063 0.26458 0.000 0.004 0.556 0.376 0.004 0.060
#> GSM76082 3 0.5504 0.56773 0.128 0.008 0.696 0.084 0.004 0.080
#> GSM76083 3 0.2973 0.64039 0.004 0.016 0.864 0.084 0.000 0.032
#> GSM76084 3 0.6616 0.17639 0.000 0.008 0.464 0.348 0.120 0.060
#> GSM76085 3 0.3017 0.65426 0.000 0.000 0.860 0.064 0.016 0.060
#> GSM76086 3 0.3895 0.61683 0.060 0.000 0.800 0.000 0.032 0.108
#> GSM76087 4 0.5821 0.45569 0.000 0.240 0.000 0.576 0.024 0.160
#> GSM76088 3 0.6215 -0.03428 0.008 0.024 0.448 0.000 0.124 0.396
#> GSM76089 2 0.5419 0.56615 0.000 0.588 0.008 0.008 0.304 0.092
#> GSM76090 3 0.2831 0.64196 0.016 0.000 0.872 0.000 0.048 0.064
#> GSM76091 6 0.5645 0.16879 0.396 0.000 0.108 0.000 0.012 0.484
#> GSM76092 1 0.1913 0.67763 0.908 0.000 0.000 0.000 0.012 0.080
#> GSM76093 1 0.1858 0.66604 0.904 0.000 0.004 0.000 0.000 0.092
#> GSM76094 2 0.8244 0.07061 0.132 0.340 0.000 0.072 0.296 0.160
#> GSM76095 5 0.5298 0.24536 0.020 0.000 0.060 0.004 0.584 0.332
#> GSM76096 6 0.6725 0.33570 0.172 0.048 0.000 0.144 0.056 0.580
#> GSM76097 1 0.5235 0.31605 0.588 0.032 0.000 0.032 0.008 0.340
#> GSM76098 4 0.4348 0.61123 0.028 0.000 0.200 0.732 0.000 0.040
#> GSM76099 6 0.5301 0.27474 0.368 0.000 0.028 0.000 0.052 0.552
#> GSM76100 1 0.3014 0.59920 0.804 0.000 0.000 0.000 0.012 0.184
#> GSM76101 1 0.1387 0.67526 0.932 0.000 0.000 0.000 0.000 0.068
#> GSM76102 1 0.7154 0.05608 0.376 0.056 0.000 0.220 0.012 0.336
#> GSM76103 3 0.3841 0.62782 0.068 0.000 0.812 0.020 0.008 0.092
#> GSM76104 4 0.7184 0.15175 0.004 0.000 0.296 0.428 0.124 0.148
#> GSM76105 6 0.7845 0.14705 0.148 0.016 0.000 0.220 0.284 0.332
#> GSM76106 4 0.3648 0.65769 0.000 0.000 0.128 0.808 0.040 0.024
#> GSM76107 4 0.3643 0.70408 0.012 0.020 0.000 0.800 0.012 0.156
#> GSM76108 6 0.6776 0.35990 0.128 0.032 0.000 0.076 0.200 0.564
#> GSM76109 1 0.1858 0.66469 0.904 0.000 0.004 0.000 0.000 0.092
#> GSM76110 1 0.1745 0.68024 0.924 0.000 0.000 0.000 0.056 0.020
#> GSM76111 1 0.6388 -0.19183 0.412 0.004 0.012 0.000 0.344 0.228
#> GSM76112 1 0.2119 0.68157 0.904 0.000 0.036 0.000 0.000 0.060
#> GSM76113 3 0.6834 -0.00168 0.012 0.004 0.408 0.020 0.320 0.236
#> GSM76114 6 0.6387 0.17673 0.028 0.000 0.204 0.000 0.308 0.460
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> CV:NMF 121 2.36e-07 2
#> CV:NMF 101 5.53e-11 3
#> CV:NMF 97 1.55e-10 4
#> CV:NMF 95 2.81e-09 5
#> CV:NMF 70 2.90e-08 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "hclust"]
# you can also extract it by
# res = res_list["MAD:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.197 0.537 0.783 0.4084 0.544 0.544
#> 3 3 0.217 0.506 0.686 0.3328 0.848 0.745
#> 4 4 0.364 0.599 0.781 0.2033 0.761 0.550
#> 5 5 0.447 0.485 0.743 0.0998 0.954 0.859
#> 6 6 0.511 0.461 0.698 0.0576 0.929 0.758
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0938 0.7412 0.012 0.988
#> GSM76116 2 0.2043 0.7365 0.032 0.968
#> GSM76117 2 0.8207 0.5333 0.256 0.744
#> GSM76118 2 0.3114 0.7289 0.056 0.944
#> GSM76119 2 0.4161 0.6711 0.084 0.916
#> GSM76120 2 0.4161 0.6711 0.084 0.916
#> GSM76121 2 0.8443 0.5162 0.272 0.728
#> GSM76122 2 0.0672 0.7408 0.008 0.992
#> GSM76123 2 0.4161 0.6711 0.084 0.916
#> GSM76124 2 0.2043 0.7375 0.032 0.968
#> GSM76125 2 0.4161 0.6711 0.084 0.916
#> GSM76126 2 0.3114 0.7259 0.056 0.944
#> GSM76127 2 0.4161 0.6711 0.084 0.916
#> GSM76128 2 0.4298 0.6714 0.088 0.912
#> GSM76129 2 0.0938 0.7410 0.012 0.988
#> GSM76130 2 0.4161 0.6711 0.084 0.916
#> GSM76131 2 0.0376 0.7406 0.004 0.996
#> GSM76132 2 0.0376 0.7406 0.004 0.996
#> GSM76133 2 0.0376 0.7406 0.004 0.996
#> GSM76134 2 0.0672 0.7412 0.008 0.992
#> GSM76135 2 0.0376 0.7406 0.004 0.996
#> GSM76136 2 0.0376 0.7406 0.004 0.996
#> GSM76137 2 0.1184 0.7413 0.016 0.984
#> GSM76138 2 0.0938 0.7412 0.012 0.988
#> GSM76139 2 0.0376 0.7406 0.004 0.996
#> GSM76140 1 0.9850 0.4850 0.572 0.428
#> GSM76141 2 0.0376 0.7406 0.004 0.996
#> GSM76142 2 0.0376 0.7406 0.004 0.996
#> GSM76143 2 0.0376 0.7406 0.004 0.996
#> GSM76144 2 0.0376 0.7406 0.004 0.996
#> GSM76145 2 0.0376 0.7403 0.004 0.996
#> GSM76146 2 0.0376 0.7406 0.004 0.996
#> GSM76147 2 0.0376 0.7406 0.004 0.996
#> GSM76148 2 0.0376 0.7406 0.004 0.996
#> GSM76149 2 0.0672 0.7412 0.008 0.992
#> GSM76150 2 0.0672 0.7412 0.008 0.992
#> GSM76151 2 0.0938 0.7413 0.012 0.988
#> GSM76152 1 0.9815 0.4967 0.580 0.420
#> GSM76153 2 0.0376 0.7406 0.004 0.996
#> GSM76154 2 0.0672 0.7412 0.008 0.992
#> GSM76155 2 0.0376 0.7403 0.004 0.996
#> GSM76156 2 0.0376 0.7406 0.004 0.996
#> GSM76030 2 0.6623 0.6544 0.172 0.828
#> GSM76031 1 0.9795 0.5097 0.584 0.416
#> GSM76032 1 0.9170 0.6199 0.668 0.332
#> GSM76033 2 0.9983 -0.1844 0.476 0.524
#> GSM76034 2 0.8909 0.4320 0.308 0.692
#> GSM76035 2 0.9393 0.3232 0.356 0.644
#> GSM76036 2 0.9977 -0.1594 0.472 0.528
#> GSM76037 2 0.1633 0.7389 0.024 0.976
#> GSM76038 1 0.9795 0.5097 0.584 0.416
#> GSM76039 2 0.9963 -0.1342 0.464 0.536
#> GSM76040 2 0.9954 -0.1079 0.460 0.540
#> GSM76041 1 0.7674 0.7087 0.776 0.224
#> GSM76042 2 0.9000 0.4157 0.316 0.684
#> GSM76043 1 1.0000 0.2881 0.504 0.496
#> GSM76044 2 0.9000 0.4157 0.316 0.684
#> GSM76045 1 0.9963 0.3977 0.536 0.464
#> GSM76046 2 0.9963 -0.1388 0.464 0.536
#> GSM76047 1 0.9866 0.4658 0.568 0.432
#> GSM76048 1 0.9954 0.3759 0.540 0.460
#> GSM76049 2 0.8207 0.5502 0.256 0.744
#> GSM76050 1 0.5519 0.7111 0.872 0.128
#> GSM76051 2 0.9988 -0.1905 0.480 0.520
#> GSM76052 2 0.9983 -0.1844 0.476 0.524
#> GSM76053 2 0.8909 0.4270 0.308 0.692
#> GSM76054 2 0.9954 -0.1079 0.460 0.540
#> GSM76055 2 0.5294 0.7012 0.120 0.880
#> GSM76056 2 0.9944 -0.0904 0.456 0.544
#> GSM76057 2 0.9933 -0.0723 0.452 0.548
#> GSM76058 1 0.9686 0.5260 0.604 0.396
#> GSM76059 1 0.4161 0.6984 0.916 0.084
#> GSM76060 2 0.9686 0.1576 0.396 0.604
#> GSM76061 2 0.9635 0.1896 0.388 0.612
#> GSM76062 1 0.4298 0.7010 0.912 0.088
#> GSM76063 2 0.7056 0.6221 0.192 0.808
#> GSM76064 1 0.9170 0.6404 0.668 0.332
#> GSM76065 2 0.3733 0.7252 0.072 0.928
#> GSM76066 1 0.5737 0.7126 0.864 0.136
#> GSM76067 1 0.7745 0.7016 0.772 0.228
#> GSM76068 1 0.9993 0.3028 0.516 0.484
#> GSM76069 1 0.8813 0.6559 0.700 0.300
#> GSM76070 2 0.6531 0.6517 0.168 0.832
#> GSM76071 1 0.4431 0.7029 0.908 0.092
#> GSM76072 1 0.4562 0.7044 0.904 0.096
#> GSM76073 1 0.4298 0.7011 0.912 0.088
#> GSM76074 1 0.4298 0.7011 0.912 0.088
#> GSM76075 1 0.9661 0.5332 0.608 0.392
#> GSM76076 1 0.9661 0.5341 0.608 0.392
#> GSM76077 2 0.9866 0.0176 0.432 0.568
#> GSM76078 2 0.9983 -0.2040 0.476 0.524
#> GSM76079 1 0.4161 0.6984 0.916 0.084
#> GSM76080 2 0.8016 0.5591 0.244 0.756
#> GSM76081 2 0.9815 0.0580 0.420 0.580
#> GSM76082 1 0.9993 0.3028 0.516 0.484
#> GSM76083 1 0.9795 0.4894 0.584 0.416
#> GSM76084 2 0.7528 0.5919 0.216 0.784
#> GSM76085 1 0.9988 0.3094 0.520 0.480
#> GSM76086 1 0.7453 0.7064 0.788 0.212
#> GSM76087 2 0.0376 0.7406 0.004 0.996
#> GSM76088 2 0.9775 0.1017 0.412 0.588
#> GSM76089 2 0.5519 0.6913 0.128 0.872
#> GSM76090 1 0.9754 0.5057 0.592 0.408
#> GSM76091 1 0.6343 0.7054 0.840 0.160
#> GSM76092 1 0.4431 0.7015 0.908 0.092
#> GSM76093 1 0.4161 0.6984 0.916 0.084
#> GSM76094 2 0.8499 0.4955 0.276 0.724
#> GSM76095 1 0.9977 0.3783 0.528 0.472
#> GSM76096 2 0.9635 0.2100 0.388 0.612
#> GSM76097 2 0.7674 0.5990 0.224 0.776
#> GSM76098 2 0.8443 0.5285 0.272 0.728
#> GSM76099 1 0.9044 0.6266 0.680 0.320
#> GSM76100 1 0.6973 0.6991 0.812 0.188
#> GSM76101 1 0.4161 0.6984 0.916 0.084
#> GSM76102 2 0.5842 0.6855 0.140 0.860
#> GSM76103 1 0.7602 0.7054 0.780 0.220
#> GSM76104 2 0.9970 -0.1391 0.468 0.532
#> GSM76105 2 0.3431 0.7273 0.064 0.936
#> GSM76106 2 0.8016 0.5591 0.244 0.756
#> GSM76107 2 0.2778 0.7312 0.048 0.952
#> GSM76108 2 0.5294 0.7012 0.120 0.880
#> GSM76109 1 0.4161 0.6984 0.916 0.084
#> GSM76110 1 0.9393 0.5967 0.644 0.356
#> GSM76111 1 0.9775 0.5135 0.588 0.412
#> GSM76112 1 0.4815 0.7066 0.896 0.104
#> GSM76113 2 0.8813 0.4593 0.300 0.700
#> GSM76114 1 0.8909 0.6591 0.692 0.308
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.1129 0.66188 0.004 0.976 0.020
#> GSM76116 2 0.2187 0.66729 0.024 0.948 0.028
#> GSM76117 2 0.7222 0.50501 0.244 0.684 0.072
#> GSM76118 2 0.3263 0.66631 0.048 0.912 0.040
#> GSM76119 3 0.5178 0.99570 0.000 0.256 0.744
#> GSM76120 3 0.5178 0.99570 0.000 0.256 0.744
#> GSM76121 2 0.7746 0.48274 0.244 0.656 0.100
#> GSM76122 2 0.2860 0.63164 0.004 0.912 0.084
#> GSM76123 3 0.5178 0.99570 0.000 0.256 0.744
#> GSM76124 2 0.3276 0.64515 0.024 0.908 0.068
#> GSM76125 3 0.5178 0.99570 0.000 0.256 0.744
#> GSM76126 2 0.6724 -0.02788 0.012 0.568 0.420
#> GSM76127 3 0.5178 0.99570 0.000 0.256 0.744
#> GSM76128 3 0.4974 0.97432 0.000 0.236 0.764
#> GSM76129 2 0.2749 0.64457 0.012 0.924 0.064
#> GSM76130 3 0.5178 0.99570 0.000 0.256 0.744
#> GSM76131 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76132 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76133 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76134 2 0.0237 0.66778 0.004 0.996 0.000
#> GSM76135 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76136 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76137 2 0.2173 0.66273 0.008 0.944 0.048
#> GSM76138 2 0.1129 0.66188 0.004 0.976 0.020
#> GSM76139 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76140 1 0.7491 0.43735 0.620 0.324 0.056
#> GSM76141 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76142 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76143 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76144 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76145 2 0.1129 0.66078 0.004 0.976 0.020
#> GSM76146 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76147 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76148 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76149 2 0.0237 0.66778 0.004 0.996 0.000
#> GSM76150 2 0.0237 0.66778 0.004 0.996 0.000
#> GSM76151 2 0.0475 0.66909 0.004 0.992 0.004
#> GSM76152 1 0.7378 0.44755 0.628 0.320 0.052
#> GSM76153 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76154 2 0.0237 0.66778 0.004 0.996 0.000
#> GSM76155 2 0.1129 0.66078 0.004 0.976 0.020
#> GSM76156 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76030 2 0.5744 0.63718 0.128 0.800 0.072
#> GSM76031 1 0.7417 0.45683 0.632 0.312 0.056
#> GSM76032 1 0.9536 0.37332 0.488 0.260 0.252
#> GSM76033 2 0.9804 0.11748 0.296 0.432 0.272
#> GSM76034 2 0.8331 0.48472 0.208 0.628 0.164
#> GSM76035 2 0.8835 0.41462 0.244 0.576 0.180
#> GSM76036 2 0.9806 0.10789 0.292 0.432 0.276
#> GSM76037 2 0.2998 0.64328 0.016 0.916 0.068
#> GSM76038 1 0.7417 0.45683 0.632 0.312 0.056
#> GSM76039 1 0.8273 0.08051 0.476 0.448 0.076
#> GSM76040 2 0.9759 0.13962 0.284 0.444 0.272
#> GSM76041 1 0.7666 0.60077 0.684 0.168 0.148
#> GSM76042 2 0.8168 0.42127 0.280 0.612 0.108
#> GSM76043 2 0.9300 -0.07651 0.412 0.428 0.160
#> GSM76044 2 0.8168 0.42127 0.280 0.612 0.108
#> GSM76045 1 0.9177 0.15674 0.452 0.400 0.148
#> GSM76046 2 0.9790 0.13534 0.292 0.436 0.272
#> GSM76047 1 0.9753 0.11786 0.400 0.372 0.228
#> GSM76048 2 0.9914 -0.06523 0.348 0.380 0.272
#> GSM76049 2 0.7047 0.56842 0.204 0.712 0.084
#> GSM76050 1 0.3589 0.65676 0.900 0.048 0.052
#> GSM76051 2 0.9833 0.08602 0.300 0.424 0.276
#> GSM76052 2 0.9804 0.11748 0.296 0.432 0.272
#> GSM76053 2 0.8410 0.47828 0.216 0.620 0.164
#> GSM76054 2 0.9759 0.13962 0.284 0.444 0.272
#> GSM76055 2 0.5377 0.63655 0.112 0.820 0.068
#> GSM76056 2 0.8752 0.26860 0.320 0.548 0.132
#> GSM76057 2 0.8793 0.28678 0.308 0.552 0.140
#> GSM76058 1 0.9842 0.21003 0.412 0.328 0.260
#> GSM76059 1 0.0237 0.63303 0.996 0.000 0.004
#> GSM76060 2 0.8838 0.39128 0.220 0.580 0.200
#> GSM76061 2 0.8728 0.41344 0.208 0.592 0.200
#> GSM76062 1 0.1765 0.64164 0.956 0.004 0.040
#> GSM76063 2 0.6500 0.60990 0.100 0.760 0.140
#> GSM76064 1 0.8460 0.49246 0.600 0.264 0.136
#> GSM76065 2 0.4316 0.65768 0.044 0.868 0.088
#> GSM76066 1 0.5467 0.65377 0.816 0.072 0.112
#> GSM76067 1 0.8026 0.56729 0.656 0.164 0.180
#> GSM76068 2 0.9804 0.01946 0.336 0.416 0.248
#> GSM76069 1 0.6715 0.58862 0.716 0.228 0.056
#> GSM76070 2 0.5449 0.64110 0.068 0.816 0.116
#> GSM76071 1 0.0829 0.63830 0.984 0.004 0.012
#> GSM76072 1 0.1170 0.64184 0.976 0.008 0.016
#> GSM76073 1 0.0424 0.63395 0.992 0.000 0.008
#> GSM76074 1 0.0424 0.63395 0.992 0.000 0.008
#> GSM76075 1 0.9842 0.24705 0.420 0.308 0.272
#> GSM76076 1 0.9830 0.23942 0.420 0.316 0.264
#> GSM76077 2 0.9033 0.32743 0.272 0.548 0.180
#> GSM76078 2 0.9624 0.15077 0.292 0.468 0.240
#> GSM76079 1 0.0424 0.63629 0.992 0.000 0.008
#> GSM76080 2 0.7562 0.55322 0.148 0.692 0.160
#> GSM76081 2 0.9536 0.22598 0.260 0.488 0.252
#> GSM76082 2 0.9804 0.01946 0.336 0.416 0.248
#> GSM76083 1 0.9892 0.17209 0.392 0.340 0.268
#> GSM76084 2 0.7097 0.58323 0.128 0.724 0.148
#> GSM76085 2 0.9913 -0.02044 0.336 0.388 0.276
#> GSM76086 1 0.8085 0.56530 0.648 0.148 0.204
#> GSM76087 2 0.0424 0.66568 0.000 0.992 0.008
#> GSM76088 2 0.8907 0.36695 0.248 0.568 0.184
#> GSM76089 2 0.4845 0.65863 0.104 0.844 0.052
#> GSM76090 1 0.9873 0.20631 0.404 0.328 0.268
#> GSM76091 1 0.5263 0.65845 0.828 0.088 0.084
#> GSM76092 1 0.0829 0.63582 0.984 0.004 0.012
#> GSM76093 1 0.0424 0.63297 0.992 0.000 0.008
#> GSM76094 2 0.7523 0.47081 0.260 0.660 0.080
#> GSM76095 1 0.8270 0.31790 0.540 0.376 0.084
#> GSM76096 2 0.9054 0.00236 0.404 0.460 0.136
#> GSM76097 2 0.7821 0.48307 0.224 0.660 0.116
#> GSM76098 2 0.8556 0.45063 0.232 0.604 0.164
#> GSM76099 1 0.6335 0.56989 0.724 0.240 0.036
#> GSM76100 1 0.3805 0.63145 0.884 0.092 0.024
#> GSM76101 1 0.0237 0.63303 0.996 0.000 0.004
#> GSM76102 2 0.7844 0.44025 0.120 0.660 0.220
#> GSM76103 1 0.8148 0.56172 0.644 0.156 0.200
#> GSM76104 2 0.9776 0.13943 0.284 0.440 0.276
#> GSM76105 2 0.4179 0.65136 0.052 0.876 0.072
#> GSM76106 2 0.7562 0.55322 0.148 0.692 0.160
#> GSM76107 2 0.6307 0.28817 0.012 0.660 0.328
#> GSM76108 2 0.5377 0.63655 0.112 0.820 0.068
#> GSM76109 1 0.0237 0.63303 0.996 0.000 0.004
#> GSM76110 1 0.6723 0.53640 0.704 0.248 0.048
#> GSM76111 1 0.7504 0.45888 0.628 0.312 0.060
#> GSM76112 1 0.1919 0.64747 0.956 0.020 0.024
#> GSM76113 2 0.8030 0.51494 0.204 0.652 0.144
#> GSM76114 1 0.7972 0.56306 0.644 0.240 0.116
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.0672 0.77180 0.000 0.984 0.008 0.008
#> GSM76116 2 0.1786 0.76623 0.008 0.948 0.036 0.008
#> GSM76117 2 0.6679 0.52958 0.204 0.656 0.124 0.016
#> GSM76118 2 0.2945 0.75160 0.024 0.904 0.056 0.016
#> GSM76119 4 0.1022 0.99452 0.000 0.032 0.000 0.968
#> GSM76120 4 0.1022 0.99452 0.000 0.032 0.000 0.968
#> GSM76121 2 0.7314 0.49679 0.208 0.620 0.136 0.036
#> GSM76122 2 0.2772 0.75211 0.004 0.908 0.048 0.040
#> GSM76123 4 0.1022 0.99452 0.000 0.032 0.000 0.968
#> GSM76124 2 0.3030 0.74845 0.020 0.900 0.060 0.020
#> GSM76125 4 0.1022 0.99452 0.000 0.032 0.000 0.968
#> GSM76126 2 0.7147 0.19404 0.012 0.472 0.092 0.424
#> GSM76127 4 0.1022 0.99452 0.000 0.032 0.000 0.968
#> GSM76128 4 0.0524 0.96701 0.000 0.008 0.004 0.988
#> GSM76129 2 0.2699 0.75258 0.000 0.904 0.028 0.068
#> GSM76130 4 0.1022 0.99452 0.000 0.032 0.000 0.968
#> GSM76131 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76132 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76133 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76134 2 0.1305 0.77308 0.000 0.960 0.036 0.004
#> GSM76135 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76136 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76137 2 0.2908 0.74867 0.000 0.896 0.064 0.040
#> GSM76138 2 0.0524 0.77190 0.000 0.988 0.008 0.004
#> GSM76139 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76140 1 0.6214 0.51649 0.604 0.332 0.060 0.004
#> GSM76141 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76142 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76143 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76144 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76145 2 0.1042 0.77289 0.000 0.972 0.020 0.008
#> GSM76146 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76147 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76148 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76149 2 0.1305 0.77308 0.000 0.960 0.036 0.004
#> GSM76150 2 0.1305 0.77308 0.000 0.960 0.036 0.004
#> GSM76151 2 0.1398 0.77266 0.000 0.956 0.040 0.004
#> GSM76152 1 0.6023 0.52708 0.612 0.328 0.060 0.000
#> GSM76153 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76154 2 0.1305 0.77308 0.000 0.960 0.036 0.004
#> GSM76155 2 0.0927 0.77250 0.000 0.976 0.016 0.008
#> GSM76156 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76030 2 0.5458 0.57339 0.052 0.712 0.232 0.004
#> GSM76031 1 0.6160 0.53717 0.616 0.320 0.060 0.004
#> GSM76032 3 0.3587 0.63934 0.104 0.032 0.860 0.004
#> GSM76033 3 0.4244 0.72985 0.000 0.168 0.800 0.032
#> GSM76034 3 0.6695 0.24768 0.040 0.448 0.488 0.024
#> GSM76035 3 0.7057 0.35472 0.072 0.400 0.508 0.020
#> GSM76036 3 0.4466 0.73139 0.004 0.156 0.800 0.040
#> GSM76037 2 0.2761 0.75006 0.012 0.908 0.064 0.016
#> GSM76038 1 0.6160 0.53717 0.616 0.320 0.060 0.004
#> GSM76039 1 0.7241 0.13950 0.460 0.428 0.100 0.012
#> GSM76040 3 0.4648 0.72744 0.004 0.172 0.784 0.040
#> GSM76041 3 0.6411 0.14328 0.424 0.056 0.516 0.004
#> GSM76042 2 0.7312 0.37933 0.208 0.572 0.212 0.008
#> GSM76043 3 0.7756 0.24136 0.248 0.328 0.424 0.000
#> GSM76044 2 0.7312 0.38094 0.212 0.572 0.208 0.008
#> GSM76045 3 0.7907 0.06079 0.328 0.308 0.364 0.000
#> GSM76046 3 0.4549 0.71923 0.000 0.188 0.776 0.036
#> GSM76047 3 0.5751 0.67212 0.124 0.164 0.712 0.000
#> GSM76048 3 0.3556 0.72110 0.012 0.104 0.864 0.020
#> GSM76049 2 0.6476 0.43248 0.112 0.616 0.272 0.000
#> GSM76050 1 0.4448 0.60764 0.784 0.024 0.188 0.004
#> GSM76051 3 0.4370 0.73079 0.004 0.148 0.808 0.040
#> GSM76052 3 0.4244 0.72985 0.000 0.168 0.800 0.032
#> GSM76053 3 0.6528 0.30641 0.032 0.432 0.512 0.024
#> GSM76054 3 0.4648 0.72744 0.004 0.172 0.784 0.040
#> GSM76055 2 0.4814 0.69927 0.096 0.804 0.088 0.012
#> GSM76056 2 0.7733 0.12520 0.228 0.476 0.292 0.004
#> GSM76057 2 0.7694 0.12557 0.216 0.480 0.300 0.004
#> GSM76058 3 0.3383 0.70274 0.052 0.076 0.872 0.000
#> GSM76059 1 0.0188 0.70278 0.996 0.000 0.004 0.000
#> GSM76060 3 0.6498 0.27756 0.072 0.440 0.488 0.000
#> GSM76061 3 0.6506 0.23014 0.072 0.456 0.472 0.000
#> GSM76062 1 0.3402 0.66236 0.832 0.000 0.164 0.004
#> GSM76063 2 0.5573 0.24752 0.000 0.604 0.368 0.028
#> GSM76064 3 0.7473 0.27122 0.360 0.132 0.496 0.012
#> GSM76065 2 0.3734 0.73731 0.020 0.852 0.116 0.012
#> GSM76066 1 0.5182 0.35901 0.632 0.008 0.356 0.004
#> GSM76067 3 0.5266 0.38066 0.324 0.016 0.656 0.004
#> GSM76068 3 0.3612 0.73264 0.012 0.144 0.840 0.004
#> GSM76069 1 0.6675 0.58585 0.644 0.204 0.144 0.008
#> GSM76070 2 0.4560 0.46699 0.000 0.700 0.296 0.004
#> GSM76071 1 0.1022 0.70597 0.968 0.000 0.032 0.000
#> GSM76072 1 0.1576 0.70779 0.948 0.004 0.048 0.000
#> GSM76073 1 0.0188 0.70363 0.996 0.000 0.004 0.000
#> GSM76074 1 0.0336 0.70590 0.992 0.000 0.008 0.000
#> GSM76075 3 0.2400 0.68025 0.028 0.044 0.924 0.004
#> GSM76076 3 0.2385 0.68566 0.028 0.052 0.920 0.000
#> GSM76077 3 0.6580 0.29593 0.080 0.416 0.504 0.000
#> GSM76078 3 0.5446 0.61630 0.044 0.276 0.680 0.000
#> GSM76079 1 0.1489 0.70503 0.952 0.000 0.044 0.004
#> GSM76080 2 0.6243 0.06929 0.008 0.540 0.412 0.040
#> GSM76081 3 0.4922 0.69072 0.000 0.228 0.736 0.036
#> GSM76082 3 0.3612 0.73264 0.012 0.144 0.840 0.004
#> GSM76083 3 0.2522 0.70363 0.016 0.076 0.908 0.000
#> GSM76084 2 0.5883 0.15849 0.000 0.572 0.388 0.040
#> GSM76085 3 0.4374 0.73221 0.016 0.132 0.820 0.032
#> GSM76086 3 0.4283 0.45262 0.256 0.000 0.740 0.004
#> GSM76087 2 0.0921 0.77516 0.000 0.972 0.028 0.000
#> GSM76088 3 0.6926 0.26283 0.108 0.432 0.460 0.000
#> GSM76089 2 0.4759 0.63465 0.032 0.764 0.200 0.004
#> GSM76090 3 0.2742 0.70223 0.024 0.076 0.900 0.000
#> GSM76091 1 0.5796 0.55082 0.672 0.056 0.268 0.004
#> GSM76092 1 0.0895 0.70794 0.976 0.004 0.020 0.000
#> GSM76093 1 0.0376 0.70247 0.992 0.000 0.004 0.004
#> GSM76094 2 0.6868 0.50122 0.228 0.632 0.124 0.016
#> GSM76095 1 0.7097 0.36507 0.508 0.372 0.116 0.004
#> GSM76096 2 0.8480 -0.13288 0.388 0.424 0.096 0.092
#> GSM76097 2 0.7243 0.48653 0.216 0.636 0.076 0.072
#> GSM76098 2 0.8469 0.33512 0.168 0.528 0.224 0.080
#> GSM76099 1 0.6181 0.61431 0.680 0.216 0.096 0.008
#> GSM76100 1 0.3333 0.70171 0.876 0.088 0.032 0.004
#> GSM76101 1 0.0188 0.70278 0.996 0.000 0.004 0.000
#> GSM76102 2 0.7954 0.48596 0.100 0.600 0.128 0.172
#> GSM76103 3 0.4746 0.44156 0.276 0.008 0.712 0.004
#> GSM76104 3 0.4734 0.72551 0.004 0.180 0.776 0.040
#> GSM76105 2 0.3684 0.73892 0.036 0.868 0.080 0.016
#> GSM76106 2 0.6243 0.06929 0.008 0.540 0.412 0.040
#> GSM76107 2 0.6921 0.44722 0.012 0.584 0.100 0.304
#> GSM76108 2 0.4877 0.69817 0.096 0.800 0.092 0.012
#> GSM76109 1 0.0188 0.70278 0.996 0.000 0.004 0.000
#> GSM76110 1 0.5200 0.61039 0.700 0.264 0.036 0.000
#> GSM76111 1 0.6071 0.53279 0.612 0.324 0.064 0.000
#> GSM76112 1 0.3216 0.68081 0.864 0.004 0.124 0.008
#> GSM76113 2 0.6457 0.00928 0.044 0.516 0.428 0.012
#> GSM76114 1 0.7393 0.28144 0.492 0.152 0.352 0.004
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.1731 0.64434 0.000 0.932 0.004 0.004 0.060
#> GSM76116 2 0.3016 0.59740 0.000 0.848 0.020 0.000 0.132
#> GSM76117 2 0.7801 0.07546 0.176 0.496 0.100 0.008 0.220
#> GSM76118 2 0.4290 0.56368 0.016 0.796 0.040 0.008 0.140
#> GSM76119 4 0.0609 0.87938 0.000 0.020 0.000 0.980 0.000
#> GSM76120 4 0.0609 0.87938 0.000 0.020 0.000 0.980 0.000
#> GSM76121 2 0.8242 -0.05908 0.184 0.440 0.108 0.016 0.252
#> GSM76122 2 0.4326 0.39672 0.000 0.708 0.000 0.028 0.264
#> GSM76123 4 0.0609 0.87938 0.000 0.020 0.000 0.980 0.000
#> GSM76124 2 0.4487 0.31973 0.004 0.660 0.004 0.008 0.324
#> GSM76125 4 0.0609 0.87938 0.000 0.020 0.000 0.980 0.000
#> GSM76126 4 0.7797 -0.40789 0.008 0.300 0.040 0.364 0.288
#> GSM76127 4 0.0609 0.87938 0.000 0.020 0.000 0.980 0.000
#> GSM76128 4 0.0404 0.84723 0.000 0.000 0.000 0.988 0.012
#> GSM76129 2 0.3634 0.59425 0.000 0.844 0.020 0.056 0.080
#> GSM76130 4 0.0609 0.87938 0.000 0.020 0.000 0.980 0.000
#> GSM76131 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76132 2 0.0992 0.66936 0.000 0.968 0.024 0.000 0.008
#> GSM76133 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76134 2 0.1646 0.66617 0.000 0.944 0.032 0.004 0.020
#> GSM76135 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76136 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76137 2 0.2822 0.63360 0.000 0.888 0.064 0.036 0.012
#> GSM76138 2 0.1662 0.64628 0.000 0.936 0.004 0.004 0.056
#> GSM76139 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76140 1 0.6472 0.41896 0.576 0.192 0.020 0.000 0.212
#> GSM76141 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76142 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76143 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76144 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76145 2 0.1960 0.65241 0.000 0.928 0.020 0.004 0.048
#> GSM76146 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76147 2 0.0992 0.66936 0.000 0.968 0.024 0.000 0.008
#> GSM76148 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76149 2 0.1646 0.66617 0.000 0.944 0.032 0.004 0.020
#> GSM76150 2 0.1646 0.66617 0.000 0.944 0.032 0.004 0.020
#> GSM76151 2 0.1728 0.66607 0.000 0.940 0.036 0.004 0.020
#> GSM76152 1 0.6421 0.42810 0.584 0.192 0.020 0.000 0.204
#> GSM76153 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76154 2 0.1739 0.66556 0.000 0.940 0.032 0.004 0.024
#> GSM76155 2 0.1862 0.65234 0.000 0.932 0.016 0.004 0.048
#> GSM76156 2 0.1153 0.66940 0.000 0.964 0.024 0.004 0.008
#> GSM76030 2 0.6880 0.30744 0.044 0.556 0.208 0.000 0.192
#> GSM76031 1 0.6412 0.43506 0.584 0.180 0.020 0.000 0.216
#> GSM76032 3 0.3265 0.64268 0.092 0.016 0.860 0.000 0.032
#> GSM76033 3 0.3801 0.69118 0.000 0.112 0.828 0.028 0.032
#> GSM76034 3 0.6924 0.30763 0.036 0.364 0.500 0.020 0.080
#> GSM76035 3 0.7106 0.39111 0.068 0.324 0.520 0.016 0.072
#> GSM76036 3 0.3556 0.68804 0.000 0.116 0.836 0.036 0.012
#> GSM76037 2 0.4135 0.32869 0.000 0.656 0.004 0.000 0.340
#> GSM76038 1 0.6412 0.43506 0.584 0.180 0.020 0.000 0.216
#> GSM76039 1 0.7861 0.00596 0.436 0.284 0.068 0.008 0.204
#> GSM76040 3 0.3590 0.68487 0.000 0.128 0.828 0.036 0.008
#> GSM76041 3 0.5896 0.16418 0.396 0.008 0.516 0.000 0.080
#> GSM76042 2 0.8296 -0.11017 0.184 0.380 0.176 0.000 0.260
#> GSM76043 3 0.8266 0.05629 0.232 0.172 0.396 0.000 0.200
#> GSM76044 2 0.8284 -0.10503 0.188 0.384 0.172 0.000 0.256
#> GSM76045 3 0.8350 -0.08243 0.308 0.160 0.332 0.000 0.200
#> GSM76046 3 0.4184 0.67980 0.000 0.112 0.808 0.032 0.048
#> GSM76047 3 0.5670 0.62290 0.116 0.076 0.712 0.000 0.096
#> GSM76048 3 0.2199 0.69068 0.000 0.060 0.916 0.016 0.008
#> GSM76049 2 0.7744 0.12593 0.096 0.464 0.236 0.000 0.204
#> GSM76050 1 0.4221 0.58130 0.764 0.004 0.188 0.000 0.044
#> GSM76051 3 0.3456 0.68902 0.000 0.108 0.844 0.036 0.012
#> GSM76052 3 0.3801 0.69118 0.000 0.112 0.828 0.028 0.032
#> GSM76053 3 0.6713 0.35770 0.028 0.352 0.524 0.020 0.076
#> GSM76054 3 0.3590 0.68487 0.000 0.128 0.828 0.036 0.008
#> GSM76055 5 0.5756 0.01857 0.044 0.464 0.020 0.000 0.472
#> GSM76056 2 0.8233 -0.06662 0.152 0.392 0.252 0.000 0.204
#> GSM76057 2 0.8181 -0.05556 0.140 0.396 0.260 0.000 0.204
#> GSM76058 3 0.2529 0.68270 0.032 0.036 0.908 0.000 0.024
#> GSM76059 1 0.0000 0.68626 1.000 0.000 0.000 0.000 0.000
#> GSM76060 3 0.6867 0.28462 0.056 0.392 0.460 0.000 0.092
#> GSM76061 3 0.6879 0.24233 0.056 0.408 0.444 0.000 0.092
#> GSM76062 1 0.3780 0.62792 0.808 0.000 0.132 0.000 0.060
#> GSM76063 2 0.5301 0.19555 0.000 0.576 0.380 0.024 0.020
#> GSM76064 3 0.7130 0.27580 0.324 0.052 0.496 0.004 0.124
#> GSM76065 2 0.5231 0.32216 0.004 0.624 0.056 0.000 0.316
#> GSM76066 1 0.4682 0.36390 0.620 0.000 0.356 0.000 0.024
#> GSM76067 3 0.4642 0.40639 0.308 0.000 0.660 0.000 0.032
#> GSM76068 3 0.2339 0.69383 0.000 0.100 0.892 0.004 0.004
#> GSM76069 1 0.6389 0.46948 0.584 0.036 0.108 0.000 0.272
#> GSM76070 2 0.4339 0.42113 0.000 0.684 0.296 0.000 0.020
#> GSM76071 1 0.1195 0.68666 0.960 0.000 0.028 0.000 0.012
#> GSM76072 1 0.1907 0.68409 0.928 0.000 0.044 0.000 0.028
#> GSM76073 1 0.0510 0.68534 0.984 0.000 0.000 0.000 0.016
#> GSM76074 1 0.0771 0.68736 0.976 0.000 0.004 0.000 0.020
#> GSM76075 3 0.2061 0.67185 0.004 0.024 0.928 0.004 0.040
#> GSM76076 3 0.2036 0.67474 0.008 0.028 0.928 0.000 0.036
#> GSM76077 3 0.7017 0.31112 0.064 0.368 0.468 0.000 0.100
#> GSM76078 3 0.5452 0.55519 0.024 0.252 0.664 0.000 0.060
#> GSM76079 1 0.1668 0.68522 0.940 0.000 0.028 0.000 0.032
#> GSM76080 2 0.5838 0.00211 0.004 0.508 0.428 0.032 0.028
#> GSM76081 3 0.4039 0.65390 0.000 0.184 0.776 0.036 0.004
#> GSM76082 3 0.2339 0.69383 0.000 0.100 0.892 0.004 0.004
#> GSM76083 3 0.1800 0.68591 0.000 0.048 0.932 0.000 0.020
#> GSM76084 2 0.5565 0.10872 0.000 0.544 0.400 0.036 0.020
#> GSM76085 3 0.3538 0.69768 0.008 0.084 0.856 0.028 0.024
#> GSM76086 3 0.4646 0.50087 0.228 0.000 0.712 0.000 0.060
#> GSM76087 2 0.1026 0.66941 0.000 0.968 0.024 0.004 0.004
#> GSM76088 3 0.7260 0.27238 0.084 0.384 0.432 0.000 0.100
#> GSM76089 2 0.6230 0.40081 0.028 0.624 0.180 0.000 0.168
#> GSM76090 3 0.2308 0.68322 0.004 0.048 0.912 0.000 0.036
#> GSM76091 1 0.5958 0.47597 0.592 0.000 0.204 0.000 0.204
#> GSM76092 1 0.0912 0.68899 0.972 0.000 0.012 0.000 0.016
#> GSM76093 1 0.0162 0.68618 0.996 0.000 0.000 0.000 0.004
#> GSM76094 2 0.7939 0.00637 0.204 0.464 0.092 0.008 0.232
#> GSM76095 1 0.7539 0.27525 0.484 0.220 0.076 0.000 0.220
#> GSM76096 5 0.6226 0.06058 0.304 0.048 0.016 0.036 0.596
#> GSM76097 5 0.6267 0.43489 0.076 0.192 0.048 0.020 0.664
#> GSM76098 5 0.7222 0.37737 0.028 0.184 0.204 0.028 0.556
#> GSM76099 1 0.5742 0.45239 0.584 0.024 0.052 0.000 0.340
#> GSM76100 1 0.2994 0.65545 0.864 0.004 0.016 0.004 0.112
#> GSM76101 1 0.0000 0.68626 1.000 0.000 0.000 0.000 0.000
#> GSM76102 5 0.8293 0.49584 0.080 0.316 0.056 0.112 0.436
#> GSM76103 3 0.4768 0.48337 0.252 0.004 0.696 0.000 0.048
#> GSM76104 3 0.4025 0.68720 0.000 0.124 0.812 0.036 0.028
#> GSM76105 2 0.5326 0.23394 0.024 0.592 0.024 0.000 0.360
#> GSM76106 2 0.5838 0.00211 0.004 0.508 0.428 0.032 0.028
#> GSM76107 5 0.7731 0.37713 0.008 0.324 0.040 0.244 0.384
#> GSM76108 2 0.5832 -0.19040 0.044 0.468 0.024 0.000 0.464
#> GSM76109 1 0.0000 0.68626 1.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.5263 0.50469 0.680 0.144 0.000 0.000 0.176
#> GSM76111 1 0.6475 0.43231 0.584 0.188 0.024 0.000 0.204
#> GSM76112 1 0.3122 0.65239 0.852 0.000 0.120 0.004 0.024
#> GSM76113 2 0.6890 -0.04519 0.036 0.440 0.420 0.008 0.096
#> GSM76114 1 0.6802 0.29138 0.436 0.004 0.304 0.000 0.256
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 2 0.3570 0.5455 0.000 0.768 0.004 0.004 0.208 0.016
#> GSM76116 2 0.4222 0.4099 0.000 0.676 0.016 0.000 0.292 0.016
#> GSM76117 5 0.7859 0.4647 0.152 0.320 0.088 0.004 0.384 0.052
#> GSM76118 2 0.5200 0.3012 0.008 0.616 0.036 0.004 0.312 0.024
#> GSM76119 4 0.0547 0.8684 0.000 0.020 0.000 0.980 0.000 0.000
#> GSM76120 4 0.0547 0.8684 0.000 0.020 0.000 0.980 0.000 0.000
#> GSM76121 5 0.8168 0.4509 0.156 0.288 0.092 0.008 0.384 0.072
#> GSM76122 2 0.4974 -0.1186 0.000 0.528 0.000 0.024 0.420 0.028
#> GSM76123 4 0.0547 0.8684 0.000 0.020 0.000 0.980 0.000 0.000
#> GSM76124 5 0.4664 0.2129 0.000 0.476 0.000 0.004 0.488 0.032
#> GSM76125 4 0.0547 0.8684 0.000 0.020 0.000 0.980 0.000 0.000
#> GSM76126 4 0.8039 -0.4273 0.000 0.244 0.024 0.336 0.212 0.184
#> GSM76127 4 0.0547 0.8684 0.000 0.020 0.000 0.980 0.000 0.000
#> GSM76128 4 0.0692 0.8305 0.000 0.000 0.000 0.976 0.004 0.020
#> GSM76129 2 0.5377 0.4316 0.000 0.668 0.020 0.052 0.220 0.040
#> GSM76130 4 0.0547 0.8684 0.000 0.020 0.000 0.980 0.000 0.000
#> GSM76131 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76132 2 0.0000 0.6625 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76134 2 0.2983 0.6177 0.000 0.844 0.012 0.004 0.128 0.012
#> GSM76135 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76136 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76137 2 0.3966 0.5995 0.000 0.808 0.036 0.028 0.108 0.020
#> GSM76138 2 0.3451 0.5531 0.000 0.776 0.004 0.004 0.204 0.012
#> GSM76139 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76140 1 0.5674 0.3939 0.552 0.068 0.008 0.000 0.344 0.028
#> GSM76141 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76142 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76143 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76144 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76145 2 0.3559 0.5735 0.000 0.788 0.016 0.004 0.180 0.012
#> GSM76146 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76147 2 0.0000 0.6625 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76148 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76149 2 0.3025 0.6155 0.000 0.840 0.012 0.004 0.132 0.012
#> GSM76150 2 0.3025 0.6155 0.000 0.840 0.012 0.004 0.132 0.012
#> GSM76151 2 0.3116 0.6141 0.000 0.836 0.016 0.004 0.132 0.012
#> GSM76152 1 0.5717 0.4066 0.556 0.068 0.008 0.000 0.336 0.032
#> GSM76153 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76154 2 0.3066 0.6128 0.000 0.836 0.012 0.004 0.136 0.012
#> GSM76155 2 0.3469 0.5748 0.000 0.792 0.012 0.004 0.180 0.012
#> GSM76156 2 0.0146 0.6632 0.000 0.996 0.000 0.004 0.000 0.000
#> GSM76030 2 0.6997 -0.2120 0.036 0.408 0.184 0.000 0.348 0.024
#> GSM76031 1 0.5616 0.4111 0.560 0.064 0.008 0.000 0.340 0.028
#> GSM76032 3 0.3885 0.6147 0.064 0.008 0.800 0.000 0.116 0.012
#> GSM76033 3 0.3865 0.6708 0.000 0.064 0.816 0.024 0.084 0.012
#> GSM76034 3 0.7038 0.2638 0.028 0.284 0.476 0.016 0.176 0.020
#> GSM76035 3 0.7103 0.3113 0.056 0.248 0.500 0.012 0.168 0.016
#> GSM76036 3 0.3710 0.6630 0.000 0.076 0.832 0.028 0.044 0.020
#> GSM76037 5 0.4751 0.2320 0.000 0.452 0.000 0.000 0.500 0.048
#> GSM76038 1 0.5616 0.4111 0.560 0.064 0.008 0.000 0.340 0.028
#> GSM76039 1 0.7505 -0.1469 0.400 0.148 0.060 0.004 0.344 0.044
#> GSM76040 3 0.3707 0.6620 0.000 0.092 0.828 0.028 0.032 0.020
#> GSM76041 3 0.6238 0.1612 0.340 0.004 0.452 0.000 0.192 0.012
#> GSM76042 5 0.7570 0.4571 0.148 0.236 0.148 0.000 0.444 0.024
#> GSM76043 5 0.7676 0.1523 0.184 0.092 0.336 0.000 0.356 0.032
#> GSM76044 5 0.7583 0.4591 0.152 0.240 0.144 0.000 0.440 0.024
#> GSM76045 5 0.7698 0.0930 0.264 0.088 0.284 0.000 0.340 0.024
#> GSM76046 3 0.4213 0.6578 0.000 0.060 0.788 0.028 0.112 0.012
#> GSM76047 3 0.5391 0.6002 0.092 0.048 0.672 0.000 0.184 0.004
#> GSM76048 3 0.2288 0.6691 0.000 0.028 0.912 0.012 0.036 0.012
#> GSM76049 2 0.7629 -0.3304 0.068 0.348 0.216 0.000 0.332 0.036
#> GSM76050 1 0.4660 0.5571 0.716 0.004 0.168 0.000 0.104 0.008
#> GSM76051 3 0.3503 0.6666 0.000 0.072 0.844 0.028 0.040 0.016
#> GSM76052 3 0.3865 0.6708 0.000 0.064 0.816 0.024 0.084 0.012
#> GSM76053 3 0.6870 0.2979 0.028 0.284 0.496 0.016 0.160 0.016
#> GSM76054 3 0.3707 0.6620 0.000 0.092 0.828 0.028 0.032 0.020
#> GSM76055 5 0.6403 0.3660 0.020 0.292 0.012 0.000 0.496 0.180
#> GSM76056 2 0.8304 -0.1450 0.064 0.372 0.180 0.008 0.264 0.112
#> GSM76057 2 0.8279 -0.1355 0.060 0.376 0.188 0.008 0.256 0.112
#> GSM76058 3 0.2658 0.6619 0.024 0.016 0.884 0.000 0.072 0.004
#> GSM76059 1 0.0405 0.6720 0.988 0.000 0.000 0.000 0.008 0.004
#> GSM76060 3 0.6920 0.2557 0.032 0.364 0.412 0.000 0.164 0.028
#> GSM76061 3 0.6908 0.2289 0.032 0.380 0.400 0.000 0.160 0.028
#> GSM76062 1 0.4827 0.5825 0.724 0.000 0.076 0.008 0.164 0.028
#> GSM76063 2 0.5693 0.2166 0.000 0.556 0.336 0.020 0.076 0.012
#> GSM76064 3 0.6658 0.2703 0.272 0.012 0.460 0.000 0.232 0.024
#> GSM76065 2 0.5858 -0.2738 0.004 0.456 0.052 0.000 0.436 0.052
#> GSM76066 1 0.5435 0.3608 0.572 0.000 0.300 0.000 0.120 0.008
#> GSM76067 3 0.5290 0.3956 0.272 0.000 0.596 0.000 0.128 0.004
#> GSM76068 3 0.2395 0.6740 0.000 0.072 0.896 0.004 0.012 0.016
#> GSM76069 1 0.7053 0.4107 0.476 0.004 0.092 0.004 0.260 0.164
#> GSM76070 2 0.4204 0.3521 0.000 0.696 0.260 0.000 0.040 0.004
#> GSM76071 1 0.1599 0.6717 0.940 0.000 0.024 0.000 0.028 0.008
#> GSM76072 1 0.2328 0.6707 0.904 0.000 0.032 0.000 0.044 0.020
#> GSM76073 1 0.0993 0.6717 0.964 0.000 0.000 0.000 0.024 0.012
#> GSM76074 1 0.1168 0.6729 0.956 0.000 0.000 0.000 0.028 0.016
#> GSM76075 3 0.2821 0.6420 0.000 0.004 0.856 0.004 0.116 0.020
#> GSM76076 3 0.2238 0.6492 0.004 0.008 0.904 0.000 0.068 0.016
#> GSM76077 3 0.7300 0.2522 0.032 0.316 0.404 0.000 0.200 0.048
#> GSM76078 3 0.5679 0.5297 0.016 0.220 0.612 0.000 0.144 0.008
#> GSM76079 1 0.3113 0.6530 0.844 0.000 0.024 0.004 0.116 0.012
#> GSM76080 2 0.6418 -0.0055 0.004 0.444 0.400 0.024 0.112 0.016
#> GSM76081 3 0.4193 0.6319 0.000 0.144 0.780 0.028 0.028 0.020
#> GSM76082 3 0.2395 0.6740 0.000 0.072 0.896 0.004 0.012 0.016
#> GSM76083 3 0.1861 0.6635 0.000 0.020 0.928 0.000 0.036 0.016
#> GSM76084 2 0.6295 0.0925 0.000 0.476 0.372 0.028 0.108 0.016
#> GSM76085 3 0.3264 0.6791 0.000 0.048 0.860 0.024 0.052 0.016
#> GSM76086 3 0.5586 0.4706 0.172 0.000 0.612 0.000 0.196 0.020
#> GSM76087 2 0.0405 0.6621 0.000 0.988 0.000 0.004 0.008 0.000
#> GSM76088 3 0.7235 0.2311 0.056 0.360 0.388 0.000 0.168 0.028
#> GSM76089 2 0.6571 -0.0489 0.024 0.480 0.160 0.000 0.316 0.020
#> GSM76090 3 0.2449 0.6560 0.000 0.020 0.888 0.000 0.080 0.012
#> GSM76091 1 0.7037 0.3831 0.460 0.000 0.140 0.008 0.292 0.100
#> GSM76092 1 0.1555 0.6720 0.940 0.000 0.008 0.000 0.040 0.012
#> GSM76093 1 0.0520 0.6719 0.984 0.000 0.000 0.000 0.008 0.008
#> GSM76094 5 0.7774 0.4758 0.176 0.292 0.080 0.004 0.404 0.044
#> GSM76095 1 0.6636 0.2191 0.452 0.104 0.044 0.000 0.376 0.024
#> GSM76096 5 0.6452 -0.2913 0.240 0.000 0.000 0.020 0.384 0.356
#> GSM76097 6 0.2863 0.3893 0.024 0.012 0.012 0.004 0.068 0.880
#> GSM76098 6 0.4579 0.3743 0.004 0.016 0.160 0.012 0.060 0.748
#> GSM76099 1 0.6627 0.3707 0.460 0.000 0.036 0.004 0.284 0.216
#> GSM76100 1 0.3241 0.6453 0.836 0.000 0.012 0.000 0.108 0.044
#> GSM76101 1 0.0405 0.6716 0.988 0.000 0.000 0.000 0.004 0.008
#> GSM76102 6 0.8730 0.2471 0.064 0.248 0.036 0.084 0.276 0.292
#> GSM76103 3 0.5360 0.4713 0.200 0.000 0.628 0.000 0.160 0.012
#> GSM76104 3 0.4020 0.6708 0.000 0.080 0.808 0.032 0.068 0.012
#> GSM76105 5 0.5272 0.3515 0.012 0.396 0.012 0.000 0.536 0.044
#> GSM76106 2 0.6418 -0.0055 0.004 0.444 0.400 0.024 0.112 0.016
#> GSM76107 6 0.8150 0.3038 0.000 0.252 0.024 0.212 0.228 0.284
#> GSM76108 5 0.6460 0.3701 0.020 0.292 0.016 0.000 0.496 0.176
#> GSM76109 1 0.0405 0.6716 0.988 0.000 0.000 0.000 0.004 0.008
#> GSM76110 1 0.4850 0.4904 0.660 0.052 0.000 0.000 0.264 0.024
#> GSM76111 1 0.5742 0.4090 0.556 0.068 0.012 0.000 0.336 0.028
#> GSM76112 1 0.3831 0.6372 0.804 0.000 0.092 0.000 0.080 0.024
#> GSM76113 3 0.6819 -0.0334 0.020 0.324 0.384 0.004 0.260 0.008
#> GSM76114 1 0.7408 0.2284 0.332 0.000 0.232 0.000 0.312 0.124
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> MAD:hclust 91 1.25e-09 2
#> MAD:hclust 77 6.00e-08 3
#> MAD:hclust 91 5.42e-12 4
#> MAD:hclust 73 1.58e-15 5
#> MAD:hclust 68 1.93e-14 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "kmeans"]
# you can also extract it by
# res = res_list["MAD:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.983 0.947 0.975 0.5019 0.496 0.496
#> 3 3 0.532 0.726 0.832 0.3043 0.770 0.568
#> 4 4 0.618 0.631 0.789 0.1204 0.852 0.596
#> 5 5 0.748 0.785 0.864 0.0684 0.905 0.658
#> 6 6 0.730 0.669 0.805 0.0452 0.955 0.800
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0672 0.975 0.008 0.992
#> GSM76116 2 0.0672 0.975 0.008 0.992
#> GSM76117 2 0.3584 0.932 0.068 0.932
#> GSM76118 2 0.2236 0.959 0.036 0.964
#> GSM76119 2 0.0000 0.972 0.000 1.000
#> GSM76120 2 0.0000 0.972 0.000 1.000
#> GSM76121 1 0.4939 0.868 0.892 0.108
#> GSM76122 2 0.0672 0.975 0.008 0.992
#> GSM76123 2 0.0000 0.972 0.000 1.000
#> GSM76124 2 0.1184 0.972 0.016 0.984
#> GSM76125 2 0.0000 0.972 0.000 1.000
#> GSM76126 2 0.0000 0.972 0.000 1.000
#> GSM76127 2 0.0000 0.972 0.000 1.000
#> GSM76128 2 0.9732 0.311 0.404 0.596
#> GSM76129 2 0.0672 0.975 0.008 0.992
#> GSM76130 2 0.0000 0.972 0.000 1.000
#> GSM76131 2 0.0672 0.975 0.008 0.992
#> GSM76132 2 0.0672 0.975 0.008 0.992
#> GSM76133 2 0.0672 0.975 0.008 0.992
#> GSM76134 2 0.0672 0.975 0.008 0.992
#> GSM76135 2 0.0672 0.975 0.008 0.992
#> GSM76136 2 0.0672 0.975 0.008 0.992
#> GSM76137 2 0.0376 0.974 0.004 0.996
#> GSM76138 2 0.0672 0.975 0.008 0.992
#> GSM76139 2 0.0672 0.975 0.008 0.992
#> GSM76140 1 0.0000 0.977 1.000 0.000
#> GSM76141 2 0.0672 0.975 0.008 0.992
#> GSM76142 2 0.0672 0.975 0.008 0.992
#> GSM76143 2 0.0672 0.975 0.008 0.992
#> GSM76144 2 0.0672 0.975 0.008 0.992
#> GSM76145 2 0.0376 0.974 0.004 0.996
#> GSM76146 2 0.0672 0.975 0.008 0.992
#> GSM76147 2 0.0672 0.975 0.008 0.992
#> GSM76148 2 0.0672 0.975 0.008 0.992
#> GSM76149 2 0.0376 0.974 0.004 0.996
#> GSM76150 2 0.0672 0.975 0.008 0.992
#> GSM76151 2 0.0376 0.974 0.004 0.996
#> GSM76152 1 0.0000 0.977 1.000 0.000
#> GSM76153 2 0.0672 0.975 0.008 0.992
#> GSM76154 2 0.0672 0.975 0.008 0.992
#> GSM76155 2 0.0672 0.975 0.008 0.992
#> GSM76156 2 0.0672 0.975 0.008 0.992
#> GSM76030 2 0.2043 0.963 0.032 0.968
#> GSM76031 1 0.0000 0.977 1.000 0.000
#> GSM76032 1 0.0376 0.976 0.996 0.004
#> GSM76033 1 0.3733 0.914 0.928 0.072
#> GSM76034 2 0.1184 0.970 0.016 0.984
#> GSM76035 1 0.0376 0.976 0.996 0.004
#> GSM76036 2 0.1414 0.968 0.020 0.980
#> GSM76037 2 0.0672 0.975 0.008 0.992
#> GSM76038 1 0.0000 0.977 1.000 0.000
#> GSM76039 1 0.0000 0.977 1.000 0.000
#> GSM76040 2 0.1414 0.968 0.020 0.980
#> GSM76041 1 0.0000 0.977 1.000 0.000
#> GSM76042 1 0.0000 0.977 1.000 0.000
#> GSM76043 1 0.0000 0.977 1.000 0.000
#> GSM76044 1 0.9775 0.262 0.588 0.412
#> GSM76045 1 0.0000 0.977 1.000 0.000
#> GSM76046 2 0.2043 0.960 0.032 0.968
#> GSM76047 1 0.0376 0.976 0.996 0.004
#> GSM76048 1 0.0376 0.976 0.996 0.004
#> GSM76049 2 0.9323 0.499 0.348 0.652
#> GSM76050 1 0.0000 0.977 1.000 0.000
#> GSM76051 1 0.5294 0.859 0.880 0.120
#> GSM76052 2 0.2948 0.944 0.052 0.948
#> GSM76053 2 0.3114 0.941 0.056 0.944
#> GSM76054 2 0.1414 0.968 0.020 0.980
#> GSM76055 2 0.2236 0.959 0.036 0.964
#> GSM76056 1 0.0000 0.977 1.000 0.000
#> GSM76057 1 0.0376 0.975 0.996 0.004
#> GSM76058 1 0.0376 0.976 0.996 0.004
#> GSM76059 1 0.0000 0.977 1.000 0.000
#> GSM76060 1 0.0000 0.977 1.000 0.000
#> GSM76061 2 0.4562 0.904 0.096 0.904
#> GSM76062 1 0.0000 0.977 1.000 0.000
#> GSM76063 2 0.0376 0.974 0.004 0.996
#> GSM76064 1 0.0376 0.976 0.996 0.004
#> GSM76065 2 0.0672 0.975 0.008 0.992
#> GSM76066 1 0.0000 0.977 1.000 0.000
#> GSM76067 1 0.0376 0.976 0.996 0.004
#> GSM76068 1 0.0376 0.976 0.996 0.004
#> GSM76069 1 0.0000 0.977 1.000 0.000
#> GSM76070 2 0.0376 0.974 0.004 0.996
#> GSM76071 1 0.0000 0.977 1.000 0.000
#> GSM76072 1 0.0000 0.977 1.000 0.000
#> GSM76073 1 0.0000 0.977 1.000 0.000
#> GSM76074 1 0.0000 0.977 1.000 0.000
#> GSM76075 1 0.0376 0.976 0.996 0.004
#> GSM76076 1 0.0376 0.976 0.996 0.004
#> GSM76077 1 0.0000 0.977 1.000 0.000
#> GSM76078 1 0.0000 0.977 1.000 0.000
#> GSM76079 1 0.0000 0.977 1.000 0.000
#> GSM76080 2 0.1184 0.970 0.016 0.984
#> GSM76081 2 0.0376 0.974 0.004 0.996
#> GSM76082 1 0.0376 0.976 0.996 0.004
#> GSM76083 1 0.1843 0.957 0.972 0.028
#> GSM76084 2 0.0376 0.974 0.004 0.996
#> GSM76085 1 0.0376 0.976 0.996 0.004
#> GSM76086 1 0.0376 0.976 0.996 0.004
#> GSM76087 2 0.0672 0.975 0.008 0.992
#> GSM76088 1 0.0000 0.977 1.000 0.000
#> GSM76089 2 0.0672 0.975 0.008 0.992
#> GSM76090 1 0.0376 0.976 0.996 0.004
#> GSM76091 1 0.0000 0.977 1.000 0.000
#> GSM76092 1 0.0000 0.977 1.000 0.000
#> GSM76093 1 0.0000 0.977 1.000 0.000
#> GSM76094 2 0.2948 0.947 0.052 0.948
#> GSM76095 1 0.0000 0.977 1.000 0.000
#> GSM76096 1 0.0000 0.977 1.000 0.000
#> GSM76097 1 0.0000 0.977 1.000 0.000
#> GSM76098 2 0.1414 0.968 0.020 0.980
#> GSM76099 1 0.0000 0.977 1.000 0.000
#> GSM76100 1 0.0000 0.977 1.000 0.000
#> GSM76101 1 0.0000 0.977 1.000 0.000
#> GSM76102 1 0.0000 0.977 1.000 0.000
#> GSM76103 1 0.0376 0.976 0.996 0.004
#> GSM76104 1 0.9993 0.044 0.516 0.484
#> GSM76105 2 0.5946 0.849 0.144 0.856
#> GSM76106 2 0.0376 0.974 0.004 0.996
#> GSM76107 2 0.0000 0.972 0.000 1.000
#> GSM76108 1 0.2423 0.942 0.960 0.040
#> GSM76109 1 0.0000 0.977 1.000 0.000
#> GSM76110 1 0.0000 0.977 1.000 0.000
#> GSM76111 1 0.0000 0.977 1.000 0.000
#> GSM76112 1 0.0000 0.977 1.000 0.000
#> GSM76113 2 0.4815 0.891 0.104 0.896
#> GSM76114 1 0.0000 0.977 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.3272 0.826 0.016 0.904 0.080
#> GSM76116 2 0.6107 0.769 0.116 0.784 0.100
#> GSM76117 2 0.8372 0.529 0.336 0.564 0.100
#> GSM76118 2 0.7916 0.631 0.264 0.636 0.100
#> GSM76119 2 0.5926 0.629 0.000 0.644 0.356
#> GSM76120 2 0.5988 0.607 0.000 0.632 0.368
#> GSM76121 1 0.3459 0.758 0.892 0.012 0.096
#> GSM76122 2 0.6107 0.769 0.116 0.784 0.100
#> GSM76123 2 0.5988 0.607 0.000 0.632 0.368
#> GSM76124 2 0.7634 0.668 0.232 0.668 0.100
#> GSM76125 2 0.5948 0.618 0.000 0.640 0.360
#> GSM76126 2 0.6045 0.601 0.000 0.620 0.380
#> GSM76127 2 0.6026 0.603 0.000 0.624 0.376
#> GSM76128 3 0.1411 0.717 0.000 0.036 0.964
#> GSM76129 2 0.2356 0.829 0.000 0.928 0.072
#> GSM76130 2 0.5882 0.638 0.000 0.652 0.348
#> GSM76131 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76132 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76133 2 0.0000 0.833 0.000 1.000 0.000
#> GSM76134 2 0.2066 0.830 0.000 0.940 0.060
#> GSM76135 2 0.0000 0.833 0.000 1.000 0.000
#> GSM76136 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76137 2 0.2356 0.828 0.000 0.928 0.072
#> GSM76138 2 0.3141 0.828 0.020 0.912 0.068
#> GSM76139 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76140 1 0.1647 0.824 0.960 0.004 0.036
#> GSM76141 2 0.0000 0.833 0.000 1.000 0.000
#> GSM76142 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76143 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76144 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76145 2 0.2165 0.830 0.000 0.936 0.064
#> GSM76146 2 0.0000 0.833 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.833 0.000 1.000 0.000
#> GSM76148 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76149 2 0.2165 0.830 0.000 0.936 0.064
#> GSM76150 2 0.2165 0.830 0.000 0.936 0.064
#> GSM76151 2 0.2165 0.830 0.000 0.936 0.064
#> GSM76152 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76153 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76154 2 0.2165 0.830 0.000 0.936 0.064
#> GSM76155 2 0.1964 0.831 0.000 0.944 0.056
#> GSM76156 2 0.0000 0.833 0.000 1.000 0.000
#> GSM76030 2 0.8517 0.510 0.128 0.584 0.288
#> GSM76031 1 0.3340 0.863 0.880 0.000 0.120
#> GSM76032 3 0.4452 0.727 0.192 0.000 0.808
#> GSM76033 3 0.3349 0.756 0.108 0.004 0.888
#> GSM76034 2 0.7192 0.460 0.028 0.560 0.412
#> GSM76035 3 0.3784 0.756 0.132 0.004 0.864
#> GSM76036 3 0.5455 0.646 0.020 0.204 0.776
#> GSM76037 2 0.5538 0.776 0.116 0.812 0.072
#> GSM76038 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76039 1 0.1647 0.824 0.960 0.004 0.036
#> GSM76040 3 0.5219 0.653 0.016 0.196 0.788
#> GSM76041 1 0.3340 0.861 0.880 0.000 0.120
#> GSM76042 1 0.1289 0.830 0.968 0.000 0.032
#> GSM76043 3 0.6244 0.366 0.440 0.000 0.560
#> GSM76044 1 0.4087 0.742 0.880 0.068 0.052
#> GSM76045 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76046 3 0.5473 0.665 0.052 0.140 0.808
#> GSM76047 3 0.6045 0.493 0.380 0.000 0.620
#> GSM76048 3 0.3983 0.753 0.144 0.004 0.852
#> GSM76049 2 0.8967 0.334 0.380 0.488 0.132
#> GSM76050 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76051 3 0.3682 0.757 0.116 0.008 0.876
#> GSM76052 3 0.4931 0.680 0.032 0.140 0.828
#> GSM76053 3 0.7671 0.290 0.072 0.300 0.628
#> GSM76054 3 0.5356 0.655 0.020 0.196 0.784
#> GSM76055 2 0.7569 0.664 0.240 0.668 0.092
#> GSM76056 1 0.0475 0.840 0.992 0.004 0.004
#> GSM76057 1 0.6239 0.611 0.768 0.160 0.072
#> GSM76058 3 0.4555 0.720 0.200 0.000 0.800
#> GSM76059 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76060 1 0.8341 -0.342 0.468 0.080 0.452
#> GSM76061 2 0.6544 0.692 0.164 0.752 0.084
#> GSM76062 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76063 2 0.5397 0.647 0.000 0.720 0.280
#> GSM76064 3 0.6062 0.466 0.384 0.000 0.616
#> GSM76065 2 0.4136 0.771 0.116 0.864 0.020
#> GSM76066 1 0.3551 0.850 0.868 0.000 0.132
#> GSM76067 3 0.6026 0.478 0.376 0.000 0.624
#> GSM76068 3 0.4409 0.740 0.172 0.004 0.824
#> GSM76069 1 0.0424 0.840 0.992 0.000 0.008
#> GSM76070 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76071 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76072 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76073 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76074 1 0.3340 0.863 0.880 0.000 0.120
#> GSM76075 3 0.4575 0.742 0.184 0.004 0.812
#> GSM76076 3 0.4465 0.738 0.176 0.004 0.820
#> GSM76077 1 0.5915 0.644 0.792 0.080 0.128
#> GSM76078 3 0.6282 0.486 0.384 0.004 0.612
#> GSM76079 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76080 3 0.4452 0.631 0.000 0.192 0.808
#> GSM76081 3 0.4887 0.608 0.000 0.228 0.772
#> GSM76082 3 0.4291 0.735 0.180 0.000 0.820
#> GSM76083 3 0.4033 0.756 0.136 0.008 0.856
#> GSM76084 2 0.5497 0.651 0.000 0.708 0.292
#> GSM76085 3 0.4110 0.752 0.152 0.004 0.844
#> GSM76086 3 0.6026 0.478 0.376 0.000 0.624
#> GSM76087 2 0.0237 0.833 0.000 0.996 0.004
#> GSM76088 1 0.5166 0.687 0.828 0.056 0.116
#> GSM76089 2 0.4179 0.816 0.052 0.876 0.072
#> GSM76090 3 0.5785 0.611 0.300 0.004 0.696
#> GSM76091 1 0.3116 0.863 0.892 0.000 0.108
#> GSM76092 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76093 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76094 2 0.8312 0.552 0.324 0.576 0.100
#> GSM76095 1 0.1129 0.833 0.976 0.004 0.020
#> GSM76096 1 0.1765 0.822 0.956 0.004 0.040
#> GSM76097 1 0.1765 0.822 0.956 0.004 0.040
#> GSM76098 3 0.4733 0.632 0.004 0.196 0.800
#> GSM76099 1 0.0592 0.842 0.988 0.000 0.012
#> GSM76100 1 0.0747 0.845 0.984 0.000 0.016
#> GSM76101 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76102 1 0.3112 0.852 0.900 0.004 0.096
#> GSM76103 3 0.5988 0.494 0.368 0.000 0.632
#> GSM76104 3 0.4725 0.743 0.088 0.060 0.852
#> GSM76105 1 0.8602 -0.151 0.492 0.408 0.100
#> GSM76106 3 0.4399 0.628 0.000 0.188 0.812
#> GSM76107 2 0.6095 0.595 0.000 0.608 0.392
#> GSM76108 1 0.2339 0.808 0.940 0.012 0.048
#> GSM76109 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76110 1 0.3038 0.864 0.896 0.000 0.104
#> GSM76111 1 0.1163 0.852 0.972 0.000 0.028
#> GSM76112 1 0.3267 0.864 0.884 0.000 0.116
#> GSM76113 3 0.6393 0.640 0.088 0.148 0.764
#> GSM76114 1 0.2261 0.860 0.932 0.000 0.068
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.4608 0.5340 0.000 0.692 0.004 0.304
#> GSM76116 4 0.5007 0.3756 0.000 0.356 0.008 0.636
#> GSM76117 4 0.6171 0.4606 0.064 0.284 0.008 0.644
#> GSM76118 4 0.5980 0.4493 0.048 0.300 0.008 0.644
#> GSM76119 4 0.7206 -0.0864 0.000 0.400 0.140 0.460
#> GSM76120 4 0.7349 -0.0650 0.000 0.384 0.160 0.456
#> GSM76121 4 0.5040 0.0361 0.364 0.000 0.008 0.628
#> GSM76122 4 0.5583 0.4231 0.024 0.320 0.008 0.648
#> GSM76123 4 0.7349 -0.0650 0.000 0.384 0.160 0.456
#> GSM76124 4 0.5925 0.4453 0.044 0.304 0.008 0.644
#> GSM76125 4 0.7240 -0.0868 0.000 0.400 0.144 0.456
#> GSM76126 4 0.7344 -0.0588 0.000 0.380 0.160 0.460
#> GSM76127 4 0.7319 -0.0643 0.000 0.384 0.156 0.460
#> GSM76128 3 0.4972 0.3562 0.000 0.000 0.544 0.456
#> GSM76129 2 0.3355 0.7707 0.000 0.836 0.004 0.160
#> GSM76130 4 0.7206 -0.0864 0.000 0.400 0.140 0.460
#> GSM76131 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76134 2 0.2654 0.8176 0.000 0.888 0.004 0.108
#> GSM76135 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76137 2 0.3142 0.7992 0.000 0.860 0.008 0.132
#> GSM76138 2 0.4584 0.5322 0.000 0.696 0.004 0.300
#> GSM76139 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76140 1 0.5250 0.3697 0.552 0.000 0.008 0.440
#> GSM76141 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76145 2 0.2859 0.8146 0.000 0.880 0.008 0.112
#> GSM76146 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0188 0.8615 0.000 0.996 0.000 0.004
#> GSM76148 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76149 2 0.2714 0.8166 0.000 0.884 0.004 0.112
#> GSM76150 2 0.2831 0.8105 0.000 0.876 0.004 0.120
#> GSM76151 2 0.2976 0.8081 0.000 0.872 0.008 0.120
#> GSM76152 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76153 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76154 2 0.2714 0.8166 0.000 0.884 0.004 0.112
#> GSM76155 2 0.2714 0.8166 0.000 0.884 0.004 0.112
#> GSM76156 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76030 4 0.6760 0.3862 0.004 0.352 0.092 0.552
#> GSM76031 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76032 3 0.1716 0.8917 0.064 0.000 0.936 0.000
#> GSM76033 3 0.1151 0.8958 0.024 0.000 0.968 0.008
#> GSM76034 4 0.7899 0.1859 0.000 0.324 0.304 0.372
#> GSM76035 3 0.1022 0.8977 0.032 0.000 0.968 0.000
#> GSM76036 3 0.1191 0.8868 0.004 0.024 0.968 0.004
#> GSM76037 4 0.4889 0.3746 0.000 0.360 0.004 0.636
#> GSM76038 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76039 1 0.5158 0.3195 0.524 0.000 0.004 0.472
#> GSM76040 3 0.1191 0.8868 0.004 0.024 0.968 0.004
#> GSM76041 1 0.0524 0.8407 0.988 0.000 0.008 0.004
#> GSM76042 4 0.5155 -0.2471 0.468 0.000 0.004 0.528
#> GSM76043 3 0.5066 0.7623 0.120 0.000 0.768 0.112
#> GSM76044 4 0.6382 0.0151 0.380 0.052 0.008 0.560
#> GSM76045 1 0.1489 0.8290 0.952 0.000 0.004 0.044
#> GSM76046 3 0.1022 0.8844 0.000 0.000 0.968 0.032
#> GSM76047 3 0.4359 0.8213 0.100 0.000 0.816 0.084
#> GSM76048 3 0.1118 0.8969 0.036 0.000 0.964 0.000
#> GSM76049 4 0.7575 0.4649 0.100 0.292 0.044 0.564
#> GSM76050 1 0.0376 0.8440 0.992 0.000 0.004 0.004
#> GSM76051 3 0.1022 0.8968 0.032 0.000 0.968 0.000
#> GSM76052 3 0.1114 0.8939 0.016 0.004 0.972 0.008
#> GSM76053 3 0.6340 0.2959 0.000 0.076 0.580 0.344
#> GSM76054 3 0.1004 0.8878 0.004 0.024 0.972 0.000
#> GSM76055 4 0.6101 0.4499 0.060 0.308 0.004 0.628
#> GSM76056 1 0.4994 0.3094 0.520 0.000 0.000 0.480
#> GSM76057 4 0.7671 0.4225 0.132 0.360 0.020 0.488
#> GSM76058 3 0.2589 0.8658 0.116 0.000 0.884 0.000
#> GSM76059 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76060 4 0.8646 0.1154 0.084 0.124 0.368 0.424
#> GSM76061 2 0.5508 -0.2758 0.000 0.508 0.016 0.476
#> GSM76062 1 0.0000 0.8461 1.000 0.000 0.000 0.000
#> GSM76063 2 0.4188 0.5399 0.000 0.752 0.244 0.004
#> GSM76064 3 0.4547 0.8132 0.104 0.000 0.804 0.092
#> GSM76065 4 0.5158 0.2982 0.000 0.472 0.004 0.524
#> GSM76066 1 0.0707 0.8344 0.980 0.000 0.020 0.000
#> GSM76067 3 0.3448 0.8267 0.168 0.000 0.828 0.004
#> GSM76068 3 0.1716 0.8917 0.064 0.000 0.936 0.000
#> GSM76069 1 0.4855 0.4699 0.600 0.000 0.000 0.400
#> GSM76070 2 0.0000 0.8634 0.000 1.000 0.000 0.000
#> GSM76071 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76072 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76073 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76074 1 0.0188 0.8462 0.996 0.000 0.000 0.004
#> GSM76075 3 0.1388 0.8974 0.028 0.000 0.960 0.012
#> GSM76076 3 0.1302 0.8963 0.044 0.000 0.956 0.000
#> GSM76077 4 0.8630 0.4299 0.164 0.188 0.116 0.532
#> GSM76078 3 0.4022 0.8369 0.096 0.000 0.836 0.068
#> GSM76079 1 0.0000 0.8461 1.000 0.000 0.000 0.000
#> GSM76080 3 0.1151 0.8841 0.000 0.024 0.968 0.008
#> GSM76081 3 0.1256 0.8825 0.000 0.028 0.964 0.008
#> GSM76082 3 0.1716 0.8917 0.064 0.000 0.936 0.000
#> GSM76083 3 0.1022 0.8968 0.032 0.000 0.968 0.000
#> GSM76084 2 0.6083 0.5232 0.000 0.672 0.216 0.112
#> GSM76085 3 0.0921 0.8967 0.028 0.000 0.972 0.000
#> GSM76086 3 0.3306 0.8362 0.156 0.000 0.840 0.004
#> GSM76087 2 0.0336 0.8613 0.000 0.992 0.000 0.008
#> GSM76088 4 0.8927 0.3282 0.248 0.192 0.092 0.468
#> GSM76089 4 0.5168 0.0723 0.000 0.496 0.004 0.500
#> GSM76090 3 0.3099 0.8650 0.104 0.000 0.876 0.020
#> GSM76091 1 0.2266 0.8088 0.912 0.000 0.004 0.084
#> GSM76092 1 0.0000 0.8461 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.8461 1.000 0.000 0.000 0.000
#> GSM76094 4 0.6127 0.4583 0.060 0.288 0.008 0.644
#> GSM76095 1 0.4998 0.2950 0.512 0.000 0.000 0.488
#> GSM76096 1 0.4741 0.5811 0.668 0.000 0.004 0.328
#> GSM76097 4 0.5158 -0.2476 0.472 0.000 0.004 0.524
#> GSM76098 3 0.1059 0.8851 0.000 0.016 0.972 0.012
#> GSM76099 1 0.4564 0.5850 0.672 0.000 0.000 0.328
#> GSM76100 1 0.2081 0.8069 0.916 0.000 0.000 0.084
#> GSM76101 1 0.0000 0.8461 1.000 0.000 0.000 0.000
#> GSM76102 1 0.4283 0.6702 0.740 0.000 0.004 0.256
#> GSM76103 3 0.3306 0.8362 0.156 0.000 0.840 0.004
#> GSM76104 3 0.1284 0.8951 0.024 0.000 0.964 0.012
#> GSM76105 4 0.6685 0.4877 0.148 0.200 0.008 0.644
#> GSM76106 3 0.3529 0.7491 0.000 0.012 0.836 0.152
#> GSM76107 4 0.7310 -0.0364 0.000 0.360 0.160 0.480
#> GSM76108 4 0.5151 -0.2297 0.464 0.000 0.004 0.532
#> GSM76109 1 0.0000 0.8461 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.8461 1.000 0.000 0.000 0.000
#> GSM76111 1 0.3356 0.7416 0.824 0.000 0.000 0.176
#> GSM76112 1 0.0376 0.8440 0.992 0.000 0.004 0.004
#> GSM76113 3 0.4630 0.7026 0.000 0.036 0.768 0.196
#> GSM76114 1 0.4252 0.6729 0.744 0.000 0.004 0.252
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.6017 0.340 0.000 0.480 0.000 0.116 0.404
#> GSM76116 5 0.2645 0.736 0.000 0.068 0.000 0.044 0.888
#> GSM76117 5 0.2507 0.764 0.028 0.020 0.000 0.044 0.908
#> GSM76118 5 0.2338 0.760 0.016 0.032 0.000 0.036 0.916
#> GSM76119 4 0.3456 0.925 0.000 0.184 0.016 0.800 0.000
#> GSM76120 4 0.3602 0.929 0.000 0.180 0.024 0.796 0.000
#> GSM76121 5 0.3215 0.759 0.092 0.000 0.000 0.056 0.852
#> GSM76122 5 0.2234 0.755 0.004 0.044 0.000 0.036 0.916
#> GSM76123 4 0.3602 0.929 0.000 0.180 0.024 0.796 0.000
#> GSM76124 5 0.1904 0.765 0.020 0.028 0.000 0.016 0.936
#> GSM76125 4 0.3550 0.927 0.000 0.184 0.020 0.796 0.000
#> GSM76126 4 0.4044 0.910 0.000 0.148 0.028 0.800 0.024
#> GSM76127 4 0.3602 0.929 0.000 0.180 0.024 0.796 0.000
#> GSM76128 4 0.3074 0.717 0.000 0.000 0.196 0.804 0.000
#> GSM76129 2 0.5091 0.660 0.000 0.692 0.000 0.112 0.196
#> GSM76130 4 0.3456 0.925 0.000 0.184 0.016 0.800 0.000
#> GSM76131 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.4316 0.750 0.000 0.772 0.000 0.120 0.108
#> GSM76135 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76137 2 0.4600 0.736 0.000 0.756 0.004 0.136 0.104
#> GSM76138 2 0.5630 0.465 0.000 0.560 0.000 0.088 0.352
#> GSM76139 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.4691 0.610 0.276 0.000 0.000 0.044 0.680
#> GSM76141 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.4473 0.749 0.000 0.768 0.004 0.112 0.116
#> GSM76146 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0798 0.824 0.000 0.976 0.000 0.016 0.008
#> GSM76148 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.4316 0.750 0.000 0.772 0.000 0.120 0.108
#> GSM76150 2 0.4316 0.750 0.000 0.772 0.000 0.120 0.108
#> GSM76151 2 0.4316 0.750 0.000 0.772 0.000 0.120 0.108
#> GSM76152 1 0.0771 0.931 0.976 0.000 0.000 0.020 0.004
#> GSM76153 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.4317 0.749 0.000 0.772 0.000 0.116 0.112
#> GSM76155 2 0.3946 0.763 0.000 0.800 0.000 0.080 0.120
#> GSM76156 2 0.0000 0.829 0.000 1.000 0.000 0.000 0.000
#> GSM76030 5 0.3138 0.751 0.000 0.032 0.032 0.060 0.876
#> GSM76031 1 0.1012 0.928 0.968 0.000 0.000 0.020 0.012
#> GSM76032 3 0.0854 0.930 0.008 0.000 0.976 0.004 0.012
#> GSM76033 3 0.1117 0.926 0.000 0.000 0.964 0.020 0.016
#> GSM76034 5 0.5549 0.530 0.000 0.032 0.252 0.056 0.660
#> GSM76035 3 0.1507 0.928 0.012 0.000 0.952 0.012 0.024
#> GSM76036 3 0.0798 0.929 0.000 0.000 0.976 0.016 0.008
#> GSM76037 5 0.2291 0.747 0.000 0.056 0.000 0.036 0.908
#> GSM76038 1 0.1012 0.928 0.968 0.000 0.000 0.020 0.012
#> GSM76039 5 0.4292 0.636 0.272 0.000 0.000 0.024 0.704
#> GSM76040 3 0.1018 0.928 0.000 0.000 0.968 0.016 0.016
#> GSM76041 1 0.2760 0.885 0.892 0.000 0.016 0.064 0.028
#> GSM76042 5 0.3495 0.740 0.152 0.000 0.000 0.032 0.816
#> GSM76043 3 0.4582 0.778 0.016 0.000 0.768 0.072 0.144
#> GSM76044 5 0.2110 0.771 0.072 0.000 0.000 0.016 0.912
#> GSM76045 1 0.3599 0.812 0.832 0.000 0.004 0.060 0.104
#> GSM76046 3 0.1818 0.914 0.000 0.000 0.932 0.044 0.024
#> GSM76047 3 0.4181 0.802 0.016 0.000 0.796 0.052 0.136
#> GSM76048 3 0.0290 0.931 0.008 0.000 0.992 0.000 0.000
#> GSM76049 5 0.2741 0.757 0.004 0.024 0.004 0.080 0.888
#> GSM76050 1 0.0566 0.933 0.984 0.000 0.000 0.012 0.004
#> GSM76051 3 0.0566 0.930 0.004 0.000 0.984 0.012 0.000
#> GSM76052 3 0.1300 0.924 0.000 0.000 0.956 0.028 0.016
#> GSM76053 5 0.4990 0.371 0.000 0.000 0.360 0.040 0.600
#> GSM76054 3 0.0912 0.929 0.000 0.000 0.972 0.012 0.016
#> GSM76055 5 0.1854 0.764 0.008 0.036 0.000 0.020 0.936
#> GSM76056 5 0.4832 0.694 0.176 0.000 0.000 0.104 0.720
#> GSM76057 5 0.4196 0.732 0.008 0.056 0.012 0.116 0.808
#> GSM76058 3 0.0968 0.929 0.012 0.000 0.972 0.004 0.012
#> GSM76059 1 0.0566 0.934 0.984 0.000 0.000 0.012 0.004
#> GSM76060 5 0.6394 0.322 0.004 0.012 0.340 0.116 0.528
#> GSM76061 5 0.4473 0.715 0.000 0.112 0.004 0.116 0.768
#> GSM76062 1 0.0566 0.933 0.984 0.000 0.000 0.004 0.012
#> GSM76063 2 0.5344 0.377 0.000 0.636 0.304 0.028 0.032
#> GSM76064 3 0.4297 0.814 0.020 0.000 0.792 0.056 0.132
#> GSM76065 5 0.2782 0.752 0.000 0.072 0.000 0.048 0.880
#> GSM76066 1 0.2130 0.890 0.924 0.000 0.044 0.016 0.016
#> GSM76067 3 0.1787 0.916 0.032 0.000 0.940 0.016 0.012
#> GSM76068 3 0.0867 0.930 0.008 0.000 0.976 0.008 0.008
#> GSM76069 5 0.5575 0.561 0.280 0.000 0.000 0.108 0.612
#> GSM76070 2 0.1579 0.800 0.000 0.944 0.000 0.024 0.032
#> GSM76071 1 0.0693 0.933 0.980 0.000 0.000 0.012 0.008
#> GSM76072 1 0.0566 0.933 0.984 0.000 0.000 0.012 0.004
#> GSM76073 1 0.0451 0.934 0.988 0.000 0.000 0.008 0.004
#> GSM76074 1 0.0566 0.933 0.984 0.000 0.000 0.012 0.004
#> GSM76075 3 0.1074 0.929 0.004 0.000 0.968 0.012 0.016
#> GSM76076 3 0.0981 0.929 0.008 0.000 0.972 0.008 0.012
#> GSM76077 5 0.3195 0.746 0.004 0.004 0.032 0.100 0.860
#> GSM76078 3 0.3243 0.863 0.012 0.000 0.860 0.092 0.036
#> GSM76079 1 0.0807 0.932 0.976 0.000 0.000 0.012 0.012
#> GSM76080 3 0.1579 0.920 0.000 0.000 0.944 0.032 0.024
#> GSM76081 3 0.1211 0.926 0.000 0.000 0.960 0.024 0.016
#> GSM76082 3 0.0981 0.929 0.008 0.000 0.972 0.008 0.012
#> GSM76083 3 0.0854 0.930 0.004 0.000 0.976 0.008 0.012
#> GSM76084 2 0.7442 0.342 0.000 0.516 0.236 0.140 0.108
#> GSM76085 3 0.0324 0.931 0.004 0.000 0.992 0.004 0.000
#> GSM76086 3 0.1612 0.919 0.024 0.000 0.948 0.012 0.016
#> GSM76087 2 0.0703 0.821 0.000 0.976 0.000 0.024 0.000
#> GSM76088 5 0.4616 0.735 0.044 0.016 0.028 0.120 0.792
#> GSM76089 5 0.5058 0.115 0.000 0.384 0.000 0.040 0.576
#> GSM76090 3 0.1518 0.924 0.012 0.000 0.952 0.020 0.016
#> GSM76091 1 0.5169 0.627 0.700 0.000 0.004 0.120 0.176
#> GSM76092 1 0.0693 0.932 0.980 0.000 0.000 0.008 0.012
#> GSM76093 1 0.0579 0.933 0.984 0.000 0.000 0.008 0.008
#> GSM76094 5 0.2184 0.767 0.028 0.020 0.000 0.028 0.924
#> GSM76095 5 0.3922 0.722 0.180 0.000 0.000 0.040 0.780
#> GSM76096 5 0.5345 0.335 0.404 0.000 0.000 0.056 0.540
#> GSM76097 5 0.3691 0.732 0.156 0.000 0.000 0.040 0.804
#> GSM76098 3 0.1310 0.927 0.000 0.000 0.956 0.024 0.020
#> GSM76099 5 0.5953 0.343 0.384 0.000 0.000 0.112 0.504
#> GSM76100 1 0.2300 0.889 0.908 0.000 0.000 0.040 0.052
#> GSM76101 1 0.0579 0.933 0.984 0.000 0.000 0.008 0.008
#> GSM76102 5 0.5652 0.175 0.460 0.000 0.004 0.064 0.472
#> GSM76103 3 0.1507 0.921 0.024 0.000 0.952 0.012 0.012
#> GSM76104 3 0.1469 0.920 0.000 0.000 0.948 0.036 0.016
#> GSM76105 5 0.1891 0.768 0.032 0.016 0.000 0.016 0.936
#> GSM76106 3 0.4264 0.700 0.000 0.000 0.744 0.212 0.044
#> GSM76107 4 0.4026 0.837 0.000 0.080 0.016 0.816 0.088
#> GSM76108 5 0.2722 0.764 0.108 0.000 0.000 0.020 0.872
#> GSM76109 1 0.0579 0.933 0.984 0.000 0.000 0.008 0.008
#> GSM76110 1 0.0771 0.931 0.976 0.000 0.000 0.020 0.004
#> GSM76111 1 0.5037 0.319 0.616 0.000 0.000 0.048 0.336
#> GSM76112 1 0.1179 0.929 0.964 0.000 0.004 0.016 0.016
#> GSM76113 3 0.4445 0.570 0.000 0.000 0.676 0.024 0.300
#> GSM76114 5 0.6428 0.239 0.400 0.000 0.008 0.136 0.456
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.4899 0.36652 0.000 0.220 0.000 0.088 0.676 0.016
#> GSM76116 5 0.1901 0.55964 0.000 0.028 0.000 0.008 0.924 0.040
#> GSM76117 5 0.1053 0.57819 0.004 0.000 0.000 0.012 0.964 0.020
#> GSM76118 5 0.0458 0.58205 0.000 0.000 0.000 0.000 0.984 0.016
#> GSM76119 4 0.1910 0.95118 0.000 0.108 0.000 0.892 0.000 0.000
#> GSM76120 4 0.1910 0.95118 0.000 0.108 0.000 0.892 0.000 0.000
#> GSM76121 5 0.3317 0.54206 0.036 0.000 0.000 0.024 0.836 0.104
#> GSM76122 5 0.0508 0.58158 0.000 0.000 0.000 0.004 0.984 0.012
#> GSM76123 4 0.1910 0.95118 0.000 0.108 0.000 0.892 0.000 0.000
#> GSM76124 5 0.1267 0.57576 0.000 0.000 0.000 0.000 0.940 0.060
#> GSM76125 4 0.1910 0.95118 0.000 0.108 0.000 0.892 0.000 0.000
#> GSM76126 4 0.3421 0.91471 0.000 0.084 0.008 0.840 0.016 0.052
#> GSM76127 4 0.1910 0.95118 0.000 0.108 0.000 0.892 0.000 0.000
#> GSM76128 4 0.2432 0.82261 0.000 0.000 0.080 0.888 0.008 0.024
#> GSM76129 2 0.5961 0.30735 0.000 0.476 0.000 0.080 0.396 0.048
#> GSM76130 4 0.1910 0.95118 0.000 0.108 0.000 0.892 0.000 0.000
#> GSM76131 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.4829 0.68779 0.000 0.692 0.000 0.096 0.196 0.016
#> GSM76135 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 2 0.4911 0.68620 0.000 0.688 0.000 0.096 0.196 0.020
#> GSM76138 5 0.5381 -0.00679 0.000 0.372 0.000 0.076 0.536 0.016
#> GSM76139 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.4323 0.45469 0.180 0.000 0.000 0.028 0.744 0.048
#> GSM76141 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.5578 0.66278 0.000 0.656 0.024 0.092 0.204 0.024
#> GSM76146 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.0508 0.81103 0.000 0.984 0.000 0.004 0.012 0.000
#> GSM76148 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 2 0.4857 0.68581 0.000 0.688 0.000 0.096 0.200 0.016
#> GSM76150 2 0.4829 0.68779 0.000 0.692 0.000 0.096 0.196 0.016
#> GSM76151 2 0.4829 0.68779 0.000 0.692 0.000 0.096 0.196 0.016
#> GSM76152 1 0.3273 0.80902 0.848 0.000 0.000 0.036 0.044 0.072
#> GSM76153 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.4857 0.68581 0.000 0.688 0.000 0.096 0.200 0.016
#> GSM76155 2 0.4802 0.68627 0.000 0.688 0.000 0.084 0.212 0.016
#> GSM76156 2 0.0000 0.81491 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 5 0.5092 0.19229 0.000 0.016 0.044 0.008 0.604 0.328
#> GSM76031 1 0.3217 0.81046 0.852 0.000 0.000 0.036 0.044 0.068
#> GSM76032 3 0.2146 0.86083 0.000 0.000 0.880 0.004 0.000 0.116
#> GSM76033 3 0.1615 0.86195 0.000 0.000 0.928 0.004 0.004 0.064
#> GSM76034 5 0.6225 0.18154 0.000 0.016 0.328 0.012 0.496 0.148
#> GSM76035 3 0.3083 0.84158 0.008 0.000 0.856 0.016 0.024 0.096
#> GSM76036 3 0.0363 0.86747 0.000 0.000 0.988 0.012 0.000 0.000
#> GSM76037 5 0.2052 0.56547 0.000 0.028 0.000 0.004 0.912 0.056
#> GSM76038 1 0.3329 0.80865 0.844 0.000 0.000 0.040 0.040 0.076
#> GSM76039 5 0.5187 0.38740 0.184 0.000 0.000 0.024 0.668 0.124
#> GSM76040 3 0.0951 0.86486 0.000 0.000 0.968 0.008 0.004 0.020
#> GSM76041 1 0.5203 0.29447 0.516 0.000 0.008 0.032 0.020 0.424
#> GSM76042 5 0.4754 0.35656 0.044 0.000 0.000 0.024 0.664 0.268
#> GSM76043 3 0.5199 0.35378 0.004 0.000 0.516 0.016 0.044 0.420
#> GSM76044 5 0.3536 0.50064 0.012 0.000 0.000 0.020 0.784 0.184
#> GSM76045 1 0.5189 0.36449 0.540 0.000 0.000 0.036 0.032 0.392
#> GSM76046 3 0.2255 0.85044 0.000 0.000 0.892 0.004 0.016 0.088
#> GSM76047 3 0.4903 0.61751 0.008 0.000 0.620 0.020 0.028 0.324
#> GSM76048 3 0.1327 0.86735 0.000 0.000 0.936 0.000 0.000 0.064
#> GSM76049 5 0.3954 0.10698 0.004 0.000 0.000 0.004 0.620 0.372
#> GSM76050 1 0.1926 0.83152 0.912 0.000 0.000 0.020 0.000 0.068
#> GSM76051 3 0.0909 0.86814 0.000 0.000 0.968 0.012 0.000 0.020
#> GSM76052 3 0.2149 0.85315 0.000 0.000 0.900 0.004 0.016 0.080
#> GSM76053 5 0.5603 0.19374 0.000 0.000 0.336 0.004 0.520 0.140
#> GSM76054 3 0.1053 0.86510 0.000 0.000 0.964 0.012 0.004 0.020
#> GSM76055 5 0.3136 0.44769 0.004 0.000 0.000 0.000 0.768 0.228
#> GSM76056 6 0.4897 0.66785 0.064 0.000 0.000 0.016 0.272 0.648
#> GSM76057 6 0.4613 0.63787 0.008 0.016 0.000 0.016 0.328 0.632
#> GSM76058 3 0.2113 0.86223 0.004 0.000 0.896 0.008 0.000 0.092
#> GSM76059 1 0.0858 0.84902 0.968 0.000 0.000 0.004 0.000 0.028
#> GSM76060 6 0.5342 0.58387 0.004 0.008 0.096 0.016 0.216 0.660
#> GSM76061 6 0.5234 0.52478 0.004 0.052 0.000 0.016 0.376 0.552
#> GSM76062 1 0.0865 0.85177 0.964 0.000 0.000 0.000 0.000 0.036
#> GSM76063 2 0.6224 0.13591 0.000 0.468 0.392 0.020 0.024 0.096
#> GSM76064 3 0.5463 0.60349 0.016 0.000 0.604 0.020 0.060 0.300
#> GSM76065 5 0.4569 0.20384 0.000 0.028 0.000 0.016 0.636 0.320
#> GSM76066 1 0.2917 0.77867 0.840 0.000 0.008 0.016 0.000 0.136
#> GSM76067 3 0.3668 0.81808 0.032 0.000 0.800 0.024 0.000 0.144
#> GSM76068 3 0.1913 0.86273 0.000 0.000 0.908 0.012 0.000 0.080
#> GSM76069 6 0.5117 0.65171 0.096 0.000 0.000 0.020 0.228 0.656
#> GSM76070 2 0.3051 0.72780 0.000 0.860 0.016 0.020 0.012 0.092
#> GSM76071 1 0.1297 0.84327 0.948 0.000 0.000 0.012 0.000 0.040
#> GSM76072 1 0.1296 0.84510 0.952 0.000 0.000 0.012 0.004 0.032
#> GSM76073 1 0.0862 0.84878 0.972 0.000 0.000 0.008 0.004 0.016
#> GSM76074 1 0.0881 0.84855 0.972 0.000 0.000 0.008 0.008 0.012
#> GSM76075 3 0.2362 0.85468 0.000 0.000 0.860 0.004 0.000 0.136
#> GSM76076 3 0.1745 0.86313 0.000 0.000 0.920 0.012 0.000 0.068
#> GSM76077 6 0.4326 0.59284 0.008 0.000 0.000 0.016 0.368 0.608
#> GSM76078 3 0.4468 0.36453 0.004 0.000 0.488 0.020 0.000 0.488
#> GSM76079 1 0.2301 0.82674 0.884 0.000 0.000 0.020 0.000 0.096
#> GSM76080 3 0.2136 0.84984 0.000 0.000 0.908 0.012 0.016 0.064
#> GSM76081 3 0.1138 0.86464 0.000 0.000 0.960 0.012 0.004 0.024
#> GSM76082 3 0.1913 0.86273 0.000 0.000 0.908 0.012 0.000 0.080
#> GSM76083 3 0.1686 0.86334 0.000 0.000 0.924 0.012 0.000 0.064
#> GSM76084 2 0.7908 0.25661 0.000 0.380 0.300 0.092 0.168 0.060
#> GSM76085 3 0.1387 0.86946 0.000 0.000 0.932 0.000 0.000 0.068
#> GSM76086 3 0.3183 0.83029 0.008 0.000 0.812 0.016 0.000 0.164
#> GSM76087 2 0.0603 0.80825 0.000 0.980 0.000 0.016 0.004 0.000
#> GSM76088 6 0.4551 0.65716 0.012 0.004 0.008 0.016 0.300 0.660
#> GSM76089 5 0.4628 0.34396 0.000 0.268 0.000 0.012 0.668 0.052
#> GSM76090 3 0.2734 0.83987 0.004 0.000 0.840 0.008 0.000 0.148
#> GSM76091 6 0.5227 0.35461 0.316 0.000 0.004 0.028 0.048 0.604
#> GSM76092 1 0.2126 0.83429 0.904 0.000 0.000 0.020 0.004 0.072
#> GSM76093 1 0.2069 0.83548 0.908 0.000 0.000 0.020 0.004 0.068
#> GSM76094 5 0.0858 0.58017 0.000 0.000 0.000 0.004 0.968 0.028
#> GSM76095 5 0.5461 0.27219 0.100 0.000 0.000 0.024 0.604 0.272
#> GSM76096 5 0.6652 -0.03923 0.220 0.000 0.000 0.040 0.416 0.324
#> GSM76097 5 0.5184 0.26369 0.048 0.000 0.000 0.028 0.580 0.344
#> GSM76098 3 0.1829 0.86094 0.000 0.000 0.920 0.012 0.004 0.064
#> GSM76099 6 0.5586 0.57374 0.152 0.000 0.000 0.024 0.208 0.616
#> GSM76100 1 0.3888 0.73991 0.776 0.000 0.000 0.028 0.028 0.168
#> GSM76101 1 0.2069 0.83548 0.908 0.000 0.000 0.020 0.004 0.068
#> GSM76102 5 0.6657 -0.05269 0.268 0.000 0.000 0.032 0.392 0.308
#> GSM76103 3 0.3147 0.83641 0.008 0.000 0.816 0.016 0.000 0.160
#> GSM76104 3 0.2405 0.84793 0.000 0.000 0.880 0.004 0.016 0.100
#> GSM76105 5 0.1444 0.56924 0.000 0.000 0.000 0.000 0.928 0.072
#> GSM76106 3 0.4519 0.73599 0.000 0.000 0.760 0.100 0.060 0.080
#> GSM76107 4 0.3368 0.86898 0.000 0.044 0.000 0.844 0.056 0.056
#> GSM76108 5 0.4284 0.37376 0.020 0.000 0.000 0.016 0.676 0.288
#> GSM76109 1 0.2069 0.83548 0.908 0.000 0.000 0.020 0.004 0.068
#> GSM76110 1 0.2883 0.83010 0.868 0.000 0.000 0.036 0.020 0.076
#> GSM76111 1 0.6508 0.19899 0.476 0.000 0.000 0.040 0.268 0.216
#> GSM76112 1 0.1196 0.85143 0.952 0.000 0.000 0.008 0.000 0.040
#> GSM76113 3 0.4884 0.63623 0.000 0.000 0.676 0.008 0.200 0.116
#> GSM76114 6 0.4892 0.59130 0.144 0.000 0.008 0.028 0.096 0.724
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> MAD:kmeans 123 2.77e-10 2
#> MAD:kmeans 115 4.44e-13 3
#> MAD:kmeans 88 1.14e-14 4
#> MAD:kmeans 115 1.02e-13 5
#> MAD:kmeans 101 3.40e-14 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "skmeans"]
# you can also extract it by
# res = res_list["MAD:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.967 0.985 0.5043 0.496 0.496
#> 3 3 0.842 0.884 0.947 0.3172 0.726 0.503
#> 4 4 0.644 0.655 0.822 0.1208 0.880 0.662
#> 5 5 0.677 0.618 0.799 0.0673 0.925 0.726
#> 6 6 0.673 0.526 0.747 0.0395 0.967 0.852
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.987 0.000 1.000
#> GSM76116 2 0.0000 0.987 0.000 1.000
#> GSM76117 2 0.1843 0.965 0.028 0.972
#> GSM76118 2 0.0376 0.984 0.004 0.996
#> GSM76119 2 0.0000 0.987 0.000 1.000
#> GSM76120 2 0.0000 0.987 0.000 1.000
#> GSM76121 1 0.1633 0.963 0.976 0.024
#> GSM76122 2 0.0000 0.987 0.000 1.000
#> GSM76123 2 0.0000 0.987 0.000 1.000
#> GSM76124 2 0.0000 0.987 0.000 1.000
#> GSM76125 2 0.0000 0.987 0.000 1.000
#> GSM76126 2 0.0000 0.987 0.000 1.000
#> GSM76127 2 0.0000 0.987 0.000 1.000
#> GSM76128 1 0.8955 0.559 0.688 0.312
#> GSM76129 2 0.0000 0.987 0.000 1.000
#> GSM76130 2 0.0000 0.987 0.000 1.000
#> GSM76131 2 0.0000 0.987 0.000 1.000
#> GSM76132 2 0.0000 0.987 0.000 1.000
#> GSM76133 2 0.0000 0.987 0.000 1.000
#> GSM76134 2 0.0000 0.987 0.000 1.000
#> GSM76135 2 0.0000 0.987 0.000 1.000
#> GSM76136 2 0.0000 0.987 0.000 1.000
#> GSM76137 2 0.0000 0.987 0.000 1.000
#> GSM76138 2 0.0000 0.987 0.000 1.000
#> GSM76139 2 0.0000 0.987 0.000 1.000
#> GSM76140 1 0.0000 0.982 1.000 0.000
#> GSM76141 2 0.0000 0.987 0.000 1.000
#> GSM76142 2 0.0000 0.987 0.000 1.000
#> GSM76143 2 0.0000 0.987 0.000 1.000
#> GSM76144 2 0.0000 0.987 0.000 1.000
#> GSM76145 2 0.0000 0.987 0.000 1.000
#> GSM76146 2 0.0000 0.987 0.000 1.000
#> GSM76147 2 0.0000 0.987 0.000 1.000
#> GSM76148 2 0.0000 0.987 0.000 1.000
#> GSM76149 2 0.0000 0.987 0.000 1.000
#> GSM76150 2 0.0000 0.987 0.000 1.000
#> GSM76151 2 0.0000 0.987 0.000 1.000
#> GSM76152 1 0.0000 0.982 1.000 0.000
#> GSM76153 2 0.0000 0.987 0.000 1.000
#> GSM76154 2 0.0000 0.987 0.000 1.000
#> GSM76155 2 0.0000 0.987 0.000 1.000
#> GSM76156 2 0.0000 0.987 0.000 1.000
#> GSM76030 2 0.0938 0.978 0.012 0.988
#> GSM76031 1 0.0000 0.982 1.000 0.000
#> GSM76032 1 0.0000 0.982 1.000 0.000
#> GSM76033 1 0.1414 0.967 0.980 0.020
#> GSM76034 2 0.0000 0.987 0.000 1.000
#> GSM76035 1 0.0000 0.982 1.000 0.000
#> GSM76036 2 0.0000 0.987 0.000 1.000
#> GSM76037 2 0.0000 0.987 0.000 1.000
#> GSM76038 1 0.0000 0.982 1.000 0.000
#> GSM76039 1 0.0000 0.982 1.000 0.000
#> GSM76040 2 0.0000 0.987 0.000 1.000
#> GSM76041 1 0.0000 0.982 1.000 0.000
#> GSM76042 1 0.0000 0.982 1.000 0.000
#> GSM76043 1 0.0000 0.982 1.000 0.000
#> GSM76044 1 0.9170 0.497 0.668 0.332
#> GSM76045 1 0.0000 0.982 1.000 0.000
#> GSM76046 2 0.0938 0.978 0.012 0.988
#> GSM76047 1 0.0000 0.982 1.000 0.000
#> GSM76048 1 0.0000 0.982 1.000 0.000
#> GSM76049 2 0.8909 0.563 0.308 0.692
#> GSM76050 1 0.0000 0.982 1.000 0.000
#> GSM76051 1 0.2948 0.936 0.948 0.052
#> GSM76052 2 0.3879 0.918 0.076 0.924
#> GSM76053 2 0.3733 0.923 0.072 0.928
#> GSM76054 2 0.0000 0.987 0.000 1.000
#> GSM76055 2 0.0672 0.981 0.008 0.992
#> GSM76056 1 0.0000 0.982 1.000 0.000
#> GSM76057 1 0.0938 0.973 0.988 0.012
#> GSM76058 1 0.0000 0.982 1.000 0.000
#> GSM76059 1 0.0000 0.982 1.000 0.000
#> GSM76060 1 0.0000 0.982 1.000 0.000
#> GSM76061 2 0.4022 0.914 0.080 0.920
#> GSM76062 1 0.0000 0.982 1.000 0.000
#> GSM76063 2 0.0000 0.987 0.000 1.000
#> GSM76064 1 0.0000 0.982 1.000 0.000
#> GSM76065 2 0.0000 0.987 0.000 1.000
#> GSM76066 1 0.0000 0.982 1.000 0.000
#> GSM76067 1 0.0000 0.982 1.000 0.000
#> GSM76068 1 0.0000 0.982 1.000 0.000
#> GSM76069 1 0.0000 0.982 1.000 0.000
#> GSM76070 2 0.0000 0.987 0.000 1.000
#> GSM76071 1 0.0000 0.982 1.000 0.000
#> GSM76072 1 0.0000 0.982 1.000 0.000
#> GSM76073 1 0.0000 0.982 1.000 0.000
#> GSM76074 1 0.0000 0.982 1.000 0.000
#> GSM76075 1 0.0000 0.982 1.000 0.000
#> GSM76076 1 0.0000 0.982 1.000 0.000
#> GSM76077 1 0.0376 0.979 0.996 0.004
#> GSM76078 1 0.0000 0.982 1.000 0.000
#> GSM76079 1 0.0000 0.982 1.000 0.000
#> GSM76080 2 0.0000 0.987 0.000 1.000
#> GSM76081 2 0.0000 0.987 0.000 1.000
#> GSM76082 1 0.0000 0.982 1.000 0.000
#> GSM76083 1 0.1414 0.967 0.980 0.020
#> GSM76084 2 0.0000 0.987 0.000 1.000
#> GSM76085 1 0.0000 0.982 1.000 0.000
#> GSM76086 1 0.0000 0.982 1.000 0.000
#> GSM76087 2 0.0000 0.987 0.000 1.000
#> GSM76088 1 0.0000 0.982 1.000 0.000
#> GSM76089 2 0.0000 0.987 0.000 1.000
#> GSM76090 1 0.0000 0.982 1.000 0.000
#> GSM76091 1 0.0000 0.982 1.000 0.000
#> GSM76092 1 0.0000 0.982 1.000 0.000
#> GSM76093 1 0.0000 0.982 1.000 0.000
#> GSM76094 2 0.1414 0.972 0.020 0.980
#> GSM76095 1 0.0000 0.982 1.000 0.000
#> GSM76096 1 0.0000 0.982 1.000 0.000
#> GSM76097 1 0.0000 0.982 1.000 0.000
#> GSM76098 2 0.0000 0.987 0.000 1.000
#> GSM76099 1 0.0000 0.982 1.000 0.000
#> GSM76100 1 0.0000 0.982 1.000 0.000
#> GSM76101 1 0.0000 0.982 1.000 0.000
#> GSM76102 1 0.0000 0.982 1.000 0.000
#> GSM76103 1 0.0000 0.982 1.000 0.000
#> GSM76104 1 0.8327 0.650 0.736 0.264
#> GSM76105 2 0.5059 0.878 0.112 0.888
#> GSM76106 2 0.0000 0.987 0.000 1.000
#> GSM76107 2 0.0000 0.987 0.000 1.000
#> GSM76108 1 0.1843 0.959 0.972 0.028
#> GSM76109 1 0.0000 0.982 1.000 0.000
#> GSM76110 1 0.0000 0.982 1.000 0.000
#> GSM76111 1 0.0000 0.982 1.000 0.000
#> GSM76112 1 0.0000 0.982 1.000 0.000
#> GSM76113 2 0.4562 0.895 0.096 0.904
#> GSM76114 1 0.0000 0.982 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76116 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76117 1 0.6095 0.385 0.608 0.392 0.000
#> GSM76118 1 0.6244 0.246 0.560 0.440 0.000
#> GSM76119 2 0.2711 0.897 0.000 0.912 0.088
#> GSM76120 2 0.2959 0.888 0.000 0.900 0.100
#> GSM76121 1 0.0237 0.944 0.996 0.000 0.004
#> GSM76122 2 0.2261 0.895 0.068 0.932 0.000
#> GSM76123 2 0.2959 0.888 0.000 0.900 0.100
#> GSM76124 2 0.6180 0.248 0.416 0.584 0.000
#> GSM76125 2 0.2796 0.894 0.000 0.908 0.092
#> GSM76126 2 0.4346 0.802 0.000 0.816 0.184
#> GSM76127 2 0.2959 0.888 0.000 0.900 0.100
#> GSM76128 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76129 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76130 2 0.2625 0.899 0.000 0.916 0.084
#> GSM76131 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76134 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76135 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76136 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76137 2 0.0592 0.939 0.000 0.988 0.012
#> GSM76138 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76139 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76140 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76141 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76145 2 0.0237 0.943 0.000 0.996 0.004
#> GSM76146 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76149 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76150 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76151 2 0.0237 0.943 0.000 0.996 0.004
#> GSM76152 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76153 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76154 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76155 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76156 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76030 2 0.5147 0.760 0.020 0.800 0.180
#> GSM76031 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76032 3 0.0592 0.928 0.012 0.000 0.988
#> GSM76033 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76034 2 0.5178 0.689 0.000 0.744 0.256
#> GSM76035 3 0.0424 0.930 0.008 0.000 0.992
#> GSM76036 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76037 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76038 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76039 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76040 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76041 1 0.0237 0.944 0.996 0.000 0.004
#> GSM76042 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76043 3 0.6204 0.335 0.424 0.000 0.576
#> GSM76044 1 0.0592 0.938 0.988 0.012 0.000
#> GSM76045 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76046 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76047 3 0.4750 0.751 0.216 0.000 0.784
#> GSM76048 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76049 1 0.7091 0.284 0.560 0.416 0.024
#> GSM76050 1 0.0592 0.938 0.988 0.000 0.012
#> GSM76051 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76052 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76053 3 0.5254 0.604 0.000 0.264 0.736
#> GSM76054 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76055 2 0.5465 0.578 0.288 0.712 0.000
#> GSM76056 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76057 1 0.2682 0.883 0.920 0.076 0.004
#> GSM76058 3 0.0892 0.925 0.020 0.000 0.980
#> GSM76059 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76060 3 0.6956 0.576 0.300 0.040 0.660
#> GSM76061 2 0.3752 0.858 0.096 0.884 0.020
#> GSM76062 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76063 2 0.4346 0.795 0.000 0.816 0.184
#> GSM76064 3 0.5098 0.705 0.248 0.000 0.752
#> GSM76065 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76066 1 0.2165 0.890 0.936 0.000 0.064
#> GSM76067 3 0.2878 0.876 0.096 0.000 0.904
#> GSM76068 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76069 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76070 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76071 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76072 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76073 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76074 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76075 3 0.0237 0.931 0.004 0.000 0.996
#> GSM76076 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76077 1 0.2434 0.906 0.940 0.024 0.036
#> GSM76078 3 0.2537 0.888 0.080 0.000 0.920
#> GSM76079 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76080 3 0.0237 0.929 0.000 0.004 0.996
#> GSM76081 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76082 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76083 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76084 2 0.3038 0.887 0.000 0.896 0.104
#> GSM76085 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76086 3 0.2711 0.882 0.088 0.000 0.912
#> GSM76087 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76088 1 0.2939 0.876 0.916 0.012 0.072
#> GSM76089 2 0.0000 0.944 0.000 1.000 0.000
#> GSM76090 3 0.1643 0.912 0.044 0.000 0.956
#> GSM76091 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76092 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76094 1 0.6008 0.432 0.628 0.372 0.000
#> GSM76095 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76096 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76097 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76098 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76099 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76100 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76101 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76102 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76103 3 0.2711 0.882 0.088 0.000 0.912
#> GSM76104 3 0.0000 0.931 0.000 0.000 1.000
#> GSM76105 1 0.3412 0.835 0.876 0.124 0.000
#> GSM76106 3 0.3686 0.803 0.000 0.140 0.860
#> GSM76107 2 0.3116 0.882 0.000 0.892 0.108
#> GSM76108 1 0.0237 0.944 0.996 0.004 0.000
#> GSM76109 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76110 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76111 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76112 1 0.0000 0.947 1.000 0.000 0.000
#> GSM76113 3 0.3425 0.841 0.004 0.112 0.884
#> GSM76114 1 0.0000 0.947 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.5000 -0.2569 0.000 0.496 0.000 0.504
#> GSM76116 2 0.4955 0.4397 0.000 0.556 0.000 0.444
#> GSM76117 4 0.7398 0.2748 0.376 0.168 0.000 0.456
#> GSM76118 4 0.7389 0.2873 0.272 0.212 0.000 0.516
#> GSM76119 4 0.3895 0.6468 0.000 0.132 0.036 0.832
#> GSM76120 4 0.3931 0.6487 0.000 0.128 0.040 0.832
#> GSM76121 1 0.4746 0.3804 0.632 0.000 0.000 0.368
#> GSM76122 4 0.5910 0.3376 0.088 0.236 0.000 0.676
#> GSM76123 4 0.3931 0.6487 0.000 0.128 0.040 0.832
#> GSM76124 4 0.7421 0.2708 0.268 0.220 0.000 0.512
#> GSM76125 4 0.3895 0.6468 0.000 0.132 0.036 0.832
#> GSM76126 4 0.3991 0.6486 0.000 0.120 0.048 0.832
#> GSM76127 4 0.3931 0.6487 0.000 0.128 0.040 0.832
#> GSM76128 4 0.4444 0.4914 0.020 0.008 0.184 0.788
#> GSM76129 2 0.4916 0.3276 0.000 0.576 0.000 0.424
#> GSM76130 4 0.3803 0.6454 0.000 0.132 0.032 0.836
#> GSM76131 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76134 2 0.4103 0.6134 0.000 0.744 0.000 0.256
#> GSM76135 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76137 2 0.4981 0.2019 0.000 0.536 0.000 0.464
#> GSM76138 2 0.4585 0.5692 0.000 0.668 0.000 0.332
#> GSM76139 2 0.0469 0.7671 0.000 0.988 0.000 0.012
#> GSM76140 1 0.2011 0.8579 0.920 0.000 0.000 0.080
#> GSM76141 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76145 2 0.4522 0.5315 0.000 0.680 0.000 0.320
#> GSM76146 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0469 0.7675 0.000 0.988 0.000 0.012
#> GSM76148 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76149 2 0.4250 0.5897 0.000 0.724 0.000 0.276
#> GSM76150 2 0.4331 0.5746 0.000 0.712 0.000 0.288
#> GSM76151 2 0.4790 0.4221 0.000 0.620 0.000 0.380
#> GSM76152 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76153 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76154 2 0.4040 0.6273 0.000 0.752 0.000 0.248
#> GSM76155 2 0.3726 0.6664 0.000 0.788 0.000 0.212
#> GSM76156 2 0.0000 0.7713 0.000 1.000 0.000 0.000
#> GSM76030 2 0.4410 0.6656 0.000 0.808 0.064 0.128
#> GSM76031 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76032 3 0.0817 0.7842 0.024 0.000 0.976 0.000
#> GSM76033 3 0.3726 0.6992 0.000 0.000 0.788 0.212
#> GSM76034 4 0.6300 0.5161 0.000 0.252 0.108 0.640
#> GSM76035 3 0.4285 0.7308 0.040 0.000 0.804 0.156
#> GSM76036 3 0.3123 0.7312 0.000 0.000 0.844 0.156
#> GSM76037 2 0.4920 0.5499 0.004 0.628 0.000 0.368
#> GSM76038 1 0.0336 0.8911 0.992 0.000 0.008 0.000
#> GSM76039 1 0.1940 0.8619 0.924 0.000 0.000 0.076
#> GSM76040 3 0.3873 0.6829 0.000 0.000 0.772 0.228
#> GSM76041 1 0.3688 0.7447 0.792 0.000 0.208 0.000
#> GSM76042 1 0.1637 0.8739 0.940 0.000 0.000 0.060
#> GSM76043 3 0.4936 0.3330 0.372 0.000 0.624 0.004
#> GSM76044 1 0.3895 0.7599 0.804 0.012 0.000 0.184
#> GSM76045 1 0.2944 0.8247 0.868 0.000 0.128 0.004
#> GSM76046 3 0.4981 0.3757 0.000 0.000 0.536 0.464
#> GSM76047 3 0.5558 0.4490 0.324 0.000 0.640 0.036
#> GSM76048 3 0.0817 0.7852 0.000 0.000 0.976 0.024
#> GSM76049 2 0.7521 0.4205 0.184 0.612 0.044 0.160
#> GSM76050 1 0.1940 0.8641 0.924 0.000 0.076 0.000
#> GSM76051 3 0.0592 0.7866 0.000 0.000 0.984 0.016
#> GSM76052 3 0.4222 0.6452 0.000 0.000 0.728 0.272
#> GSM76053 4 0.4391 0.3207 0.000 0.008 0.252 0.740
#> GSM76054 3 0.2589 0.7527 0.000 0.000 0.884 0.116
#> GSM76055 2 0.7475 0.1931 0.180 0.448 0.000 0.372
#> GSM76056 1 0.2275 0.8733 0.928 0.020 0.004 0.048
#> GSM76057 2 0.8407 0.2256 0.244 0.524 0.160 0.072
#> GSM76058 3 0.0817 0.7842 0.024 0.000 0.976 0.000
#> GSM76059 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76060 3 0.7227 0.3811 0.092 0.308 0.572 0.028
#> GSM76061 2 0.3190 0.7098 0.008 0.880 0.016 0.096
#> GSM76062 1 0.1022 0.8842 0.968 0.000 0.032 0.000
#> GSM76063 2 0.4706 0.5724 0.000 0.788 0.072 0.140
#> GSM76064 3 0.4139 0.6638 0.176 0.000 0.800 0.024
#> GSM76065 2 0.2921 0.6906 0.000 0.860 0.000 0.140
#> GSM76066 1 0.4585 0.5426 0.668 0.000 0.332 0.000
#> GSM76067 3 0.1474 0.7741 0.052 0.000 0.948 0.000
#> GSM76068 3 0.0336 0.7871 0.008 0.000 0.992 0.000
#> GSM76069 1 0.2197 0.8797 0.928 0.000 0.024 0.048
#> GSM76070 2 0.1211 0.7567 0.000 0.960 0.000 0.040
#> GSM76071 1 0.1211 0.8811 0.960 0.000 0.040 0.000
#> GSM76072 1 0.0592 0.8893 0.984 0.000 0.016 0.000
#> GSM76073 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76074 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76075 3 0.0000 0.7870 0.000 0.000 1.000 0.000
#> GSM76076 3 0.0000 0.7870 0.000 0.000 1.000 0.000
#> GSM76077 1 0.9048 0.3406 0.476 0.172 0.224 0.128
#> GSM76078 3 0.2467 0.7618 0.052 0.024 0.920 0.004
#> GSM76079 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76080 3 0.5399 0.3390 0.000 0.012 0.520 0.468
#> GSM76081 3 0.4697 0.6087 0.000 0.008 0.696 0.296
#> GSM76082 3 0.0336 0.7871 0.008 0.000 0.992 0.000
#> GSM76083 3 0.0000 0.7870 0.000 0.000 1.000 0.000
#> GSM76084 4 0.6337 0.0284 0.000 0.468 0.060 0.472
#> GSM76085 3 0.0592 0.7868 0.000 0.000 0.984 0.016
#> GSM76086 3 0.1389 0.7752 0.048 0.000 0.952 0.000
#> GSM76087 2 0.3311 0.6897 0.000 0.828 0.000 0.172
#> GSM76088 1 0.8897 0.1275 0.388 0.268 0.292 0.052
#> GSM76089 2 0.3801 0.6914 0.000 0.780 0.000 0.220
#> GSM76090 3 0.1118 0.7798 0.036 0.000 0.964 0.000
#> GSM76091 1 0.2760 0.8275 0.872 0.000 0.128 0.000
#> GSM76092 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76093 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76094 4 0.7081 0.1378 0.424 0.124 0.000 0.452
#> GSM76095 1 0.2149 0.8582 0.912 0.000 0.000 0.088
#> GSM76096 1 0.1389 0.8796 0.952 0.000 0.000 0.048
#> GSM76097 1 0.1940 0.8671 0.924 0.000 0.000 0.076
#> GSM76098 3 0.5476 0.4583 0.000 0.020 0.584 0.396
#> GSM76099 1 0.0921 0.8851 0.972 0.000 0.000 0.028
#> GSM76100 1 0.0188 0.8898 0.996 0.000 0.000 0.004
#> GSM76101 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76102 1 0.2412 0.8501 0.908 0.000 0.008 0.084
#> GSM76103 3 0.1389 0.7755 0.048 0.000 0.952 0.000
#> GSM76104 3 0.5163 0.3370 0.000 0.004 0.516 0.480
#> GSM76105 4 0.5912 0.0837 0.440 0.036 0.000 0.524
#> GSM76106 4 0.4508 0.5099 0.000 0.036 0.184 0.780
#> GSM76107 4 0.3616 0.6483 0.000 0.112 0.036 0.852
#> GSM76108 1 0.3074 0.8058 0.848 0.000 0.000 0.152
#> GSM76109 1 0.0188 0.8914 0.996 0.000 0.004 0.000
#> GSM76110 1 0.0000 0.8905 1.000 0.000 0.000 0.000
#> GSM76111 1 0.0000 0.8905 1.000 0.000 0.000 0.000
#> GSM76112 1 0.2973 0.8129 0.856 0.000 0.144 0.000
#> GSM76113 3 0.8334 0.1575 0.028 0.236 0.456 0.280
#> GSM76114 1 0.3718 0.7827 0.820 0.000 0.168 0.012
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.6765 0.0661 0.000 0.304 0.000 0.296 0.400
#> GSM76116 5 0.4737 0.5075 0.000 0.224 0.000 0.068 0.708
#> GSM76117 5 0.5471 0.6811 0.176 0.036 0.000 0.084 0.704
#> GSM76118 5 0.4506 0.7145 0.076 0.048 0.000 0.080 0.796
#> GSM76119 4 0.1364 0.7750 0.000 0.036 0.000 0.952 0.012
#> GSM76120 4 0.1251 0.7773 0.000 0.036 0.000 0.956 0.008
#> GSM76121 1 0.6675 0.0755 0.476 0.004 0.000 0.240 0.280
#> GSM76122 5 0.6046 0.5309 0.036 0.080 0.000 0.268 0.616
#> GSM76123 4 0.1251 0.7773 0.000 0.036 0.000 0.956 0.008
#> GSM76124 5 0.3229 0.7162 0.040 0.032 0.000 0.056 0.872
#> GSM76125 4 0.1251 0.7773 0.000 0.036 0.000 0.956 0.008
#> GSM76126 4 0.1195 0.7753 0.000 0.028 0.000 0.960 0.012
#> GSM76127 4 0.1251 0.7773 0.000 0.036 0.000 0.956 0.008
#> GSM76128 4 0.1285 0.7659 0.004 0.000 0.036 0.956 0.004
#> GSM76129 2 0.6578 0.2813 0.000 0.468 0.000 0.284 0.248
#> GSM76130 4 0.1281 0.7753 0.000 0.032 0.000 0.956 0.012
#> GSM76131 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76132 2 0.0000 0.7528 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76134 2 0.5631 0.5357 0.000 0.636 0.000 0.164 0.200
#> GSM76135 2 0.0000 0.7528 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76137 4 0.6118 -0.0977 0.000 0.404 0.000 0.468 0.128
#> GSM76138 2 0.6266 0.2335 0.000 0.472 0.000 0.152 0.376
#> GSM76139 2 0.0609 0.7491 0.000 0.980 0.000 0.020 0.000
#> GSM76140 1 0.4182 0.4308 0.644 0.000 0.000 0.004 0.352
#> GSM76141 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76142 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76143 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76144 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76145 2 0.6231 0.4699 0.000 0.560 0.004 0.260 0.176
#> GSM76146 2 0.0324 0.7528 0.000 0.992 0.000 0.004 0.004
#> GSM76147 2 0.1041 0.7412 0.000 0.964 0.000 0.004 0.032
#> GSM76148 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76149 2 0.6035 0.4801 0.000 0.580 0.000 0.204 0.216
#> GSM76150 2 0.5867 0.5021 0.000 0.604 0.000 0.180 0.216
#> GSM76151 2 0.6352 0.3887 0.000 0.504 0.000 0.308 0.188
#> GSM76152 1 0.1202 0.8170 0.960 0.000 0.004 0.004 0.032
#> GSM76153 2 0.0162 0.7537 0.000 0.996 0.000 0.004 0.000
#> GSM76154 2 0.5759 0.5123 0.000 0.616 0.000 0.160 0.224
#> GSM76155 2 0.5379 0.5327 0.000 0.648 0.000 0.108 0.244
#> GSM76156 2 0.0000 0.7528 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.6282 0.2604 0.000 0.536 0.072 0.036 0.356
#> GSM76031 1 0.0955 0.8166 0.968 0.000 0.000 0.004 0.028
#> GSM76032 3 0.0771 0.7735 0.004 0.000 0.976 0.000 0.020
#> GSM76033 3 0.4213 0.5149 0.000 0.000 0.680 0.308 0.012
#> GSM76034 4 0.5941 0.6106 0.000 0.164 0.072 0.680 0.084
#> GSM76035 3 0.5813 0.5716 0.116 0.000 0.660 0.200 0.024
#> GSM76036 3 0.3492 0.6722 0.000 0.000 0.796 0.188 0.016
#> GSM76037 5 0.4201 0.5734 0.000 0.204 0.000 0.044 0.752
#> GSM76038 1 0.1547 0.8177 0.948 0.000 0.016 0.004 0.032
#> GSM76039 1 0.3550 0.6720 0.760 0.000 0.000 0.004 0.236
#> GSM76040 3 0.4184 0.5603 0.000 0.000 0.700 0.284 0.016
#> GSM76041 1 0.4426 0.6801 0.748 0.000 0.196 0.004 0.052
#> GSM76042 1 0.4194 0.6283 0.708 0.000 0.004 0.012 0.276
#> GSM76043 3 0.5656 0.3715 0.316 0.000 0.592 0.004 0.088
#> GSM76044 5 0.4029 0.4039 0.316 0.000 0.000 0.004 0.680
#> GSM76045 1 0.3058 0.7820 0.860 0.000 0.096 0.000 0.044
#> GSM76046 4 0.5162 0.4394 0.000 0.000 0.308 0.628 0.064
#> GSM76047 3 0.6790 0.3543 0.288 0.000 0.536 0.040 0.136
#> GSM76048 3 0.2177 0.7579 0.004 0.000 0.908 0.080 0.008
#> GSM76049 5 0.5014 0.6130 0.048 0.168 0.020 0.016 0.748
#> GSM76050 1 0.2130 0.8001 0.908 0.000 0.080 0.000 0.012
#> GSM76051 3 0.2172 0.7530 0.000 0.000 0.908 0.076 0.016
#> GSM76052 3 0.4767 0.2577 0.000 0.000 0.560 0.420 0.020
#> GSM76053 4 0.5226 0.6233 0.004 0.008 0.088 0.704 0.196
#> GSM76054 3 0.3304 0.6900 0.000 0.000 0.816 0.168 0.016
#> GSM76055 5 0.2993 0.6984 0.040 0.060 0.004 0.012 0.884
#> GSM76056 1 0.4314 0.7199 0.776 0.028 0.012 0.008 0.176
#> GSM76057 2 0.8190 -0.0493 0.192 0.424 0.100 0.012 0.272
#> GSM76058 3 0.0451 0.7736 0.004 0.000 0.988 0.000 0.008
#> GSM76059 1 0.0451 0.8180 0.988 0.000 0.004 0.000 0.008
#> GSM76060 3 0.7538 0.2932 0.088 0.288 0.496 0.008 0.120
#> GSM76061 2 0.4598 0.5480 0.004 0.740 0.028 0.016 0.212
#> GSM76062 1 0.1211 0.8175 0.960 0.000 0.024 0.000 0.016
#> GSM76063 2 0.5105 0.5400 0.000 0.716 0.080 0.188 0.016
#> GSM76064 3 0.5997 0.4554 0.272 0.000 0.608 0.020 0.100
#> GSM76065 2 0.4367 0.2330 0.000 0.580 0.000 0.004 0.416
#> GSM76066 1 0.4597 0.5629 0.672 0.000 0.300 0.004 0.024
#> GSM76067 3 0.1725 0.7614 0.044 0.000 0.936 0.000 0.020
#> GSM76068 3 0.1329 0.7723 0.004 0.000 0.956 0.032 0.008
#> GSM76069 1 0.4919 0.5850 0.656 0.000 0.028 0.012 0.304
#> GSM76070 2 0.1117 0.7410 0.000 0.964 0.000 0.020 0.016
#> GSM76071 1 0.1661 0.8149 0.940 0.000 0.036 0.000 0.024
#> GSM76072 1 0.1117 0.8191 0.964 0.000 0.016 0.000 0.020
#> GSM76073 1 0.0451 0.8180 0.988 0.000 0.004 0.000 0.008
#> GSM76074 1 0.0771 0.8177 0.976 0.000 0.000 0.004 0.020
#> GSM76075 3 0.1041 0.7736 0.000 0.000 0.964 0.004 0.032
#> GSM76076 3 0.0451 0.7736 0.000 0.000 0.988 0.008 0.004
#> GSM76077 5 0.6981 0.4347 0.188 0.060 0.144 0.012 0.596
#> GSM76078 3 0.2491 0.7507 0.016 0.004 0.904 0.008 0.068
#> GSM76079 1 0.1243 0.8184 0.960 0.000 0.008 0.004 0.028
#> GSM76080 4 0.4290 0.4698 0.000 0.000 0.304 0.680 0.016
#> GSM76081 3 0.5098 0.2786 0.000 0.012 0.564 0.404 0.020
#> GSM76082 3 0.1280 0.7731 0.008 0.000 0.960 0.024 0.008
#> GSM76083 3 0.1082 0.7712 0.000 0.000 0.964 0.028 0.008
#> GSM76084 4 0.6617 0.2703 0.000 0.320 0.052 0.540 0.088
#> GSM76085 3 0.1281 0.7704 0.000 0.000 0.956 0.032 0.012
#> GSM76086 3 0.1012 0.7707 0.012 0.000 0.968 0.000 0.020
#> GSM76087 2 0.2377 0.7011 0.000 0.872 0.000 0.128 0.000
#> GSM76088 1 0.8748 -0.1233 0.312 0.192 0.188 0.012 0.296
#> GSM76089 2 0.5289 0.2053 0.000 0.500 0.000 0.048 0.452
#> GSM76090 3 0.0609 0.7717 0.000 0.000 0.980 0.000 0.020
#> GSM76091 1 0.4185 0.7470 0.796 0.000 0.112 0.008 0.084
#> GSM76092 1 0.0324 0.8181 0.992 0.000 0.004 0.000 0.004
#> GSM76093 1 0.0324 0.8181 0.992 0.000 0.004 0.000 0.004
#> GSM76094 5 0.5210 0.6877 0.164 0.028 0.000 0.084 0.724
#> GSM76095 1 0.4618 0.5105 0.636 0.000 0.004 0.016 0.344
#> GSM76096 1 0.3462 0.7270 0.792 0.000 0.000 0.012 0.196
#> GSM76097 1 0.4201 0.5287 0.664 0.000 0.000 0.008 0.328
#> GSM76098 4 0.4801 0.2525 0.000 0.008 0.396 0.584 0.012
#> GSM76099 1 0.4235 0.7003 0.748 0.000 0.020 0.012 0.220
#> GSM76100 1 0.1124 0.8171 0.960 0.000 0.004 0.000 0.036
#> GSM76101 1 0.0324 0.8181 0.992 0.000 0.004 0.000 0.004
#> GSM76102 1 0.3796 0.7539 0.820 0.000 0.004 0.100 0.076
#> GSM76103 3 0.1626 0.7652 0.044 0.000 0.940 0.000 0.016
#> GSM76104 4 0.4161 0.5075 0.000 0.000 0.280 0.704 0.016
#> GSM76105 5 0.3019 0.7126 0.088 0.000 0.000 0.048 0.864
#> GSM76106 4 0.2037 0.7607 0.000 0.012 0.064 0.920 0.004
#> GSM76107 4 0.1668 0.7670 0.000 0.028 0.000 0.940 0.032
#> GSM76108 5 0.4375 0.2803 0.364 0.000 0.004 0.004 0.628
#> GSM76109 1 0.0324 0.8181 0.992 0.000 0.004 0.000 0.004
#> GSM76110 1 0.0510 0.8187 0.984 0.000 0.000 0.000 0.016
#> GSM76111 1 0.1991 0.8073 0.916 0.000 0.004 0.004 0.076
#> GSM76112 1 0.2233 0.7984 0.904 0.000 0.080 0.000 0.016
#> GSM76113 3 0.9212 -0.0639 0.052 0.180 0.324 0.276 0.168
#> GSM76114 1 0.5263 0.6838 0.708 0.000 0.128 0.012 0.152
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.5896 0.40413 0.000 0.160 0.000 0.228 0.580 0.032
#> GSM76116 5 0.3449 0.52949 0.000 0.080 0.000 0.044 0.836 0.040
#> GSM76117 5 0.5087 0.48816 0.112 0.020 0.000 0.048 0.732 0.088
#> GSM76118 5 0.3365 0.53825 0.016 0.016 0.000 0.040 0.848 0.080
#> GSM76119 4 0.0603 0.74394 0.000 0.004 0.000 0.980 0.016 0.000
#> GSM76120 4 0.0405 0.74505 0.000 0.004 0.000 0.988 0.008 0.000
#> GSM76121 1 0.7351 0.08306 0.396 0.000 0.004 0.168 0.300 0.132
#> GSM76122 5 0.5773 0.46584 0.012 0.044 0.000 0.168 0.648 0.128
#> GSM76123 4 0.0508 0.74490 0.000 0.004 0.000 0.984 0.012 0.000
#> GSM76124 5 0.3551 0.52092 0.012 0.024 0.000 0.008 0.808 0.148
#> GSM76125 4 0.0508 0.74490 0.000 0.004 0.000 0.984 0.012 0.000
#> GSM76126 4 0.1225 0.73647 0.000 0.000 0.000 0.952 0.012 0.036
#> GSM76127 4 0.0291 0.74478 0.000 0.004 0.000 0.992 0.004 0.000
#> GSM76128 4 0.1176 0.73868 0.000 0.000 0.020 0.956 0.000 0.024
#> GSM76129 2 0.6624 -0.10708 0.000 0.356 0.000 0.264 0.352 0.028
#> GSM76130 4 0.0603 0.74394 0.000 0.004 0.000 0.980 0.016 0.000
#> GSM76131 2 0.0146 0.71197 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76132 2 0.0000 0.71270 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0146 0.71197 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76134 2 0.5819 0.17557 0.000 0.476 0.000 0.148 0.368 0.008
#> GSM76135 2 0.0291 0.71090 0.000 0.992 0.000 0.000 0.004 0.004
#> GSM76136 2 0.0146 0.71197 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76137 4 0.6257 0.06510 0.000 0.284 0.004 0.476 0.224 0.012
#> GSM76138 5 0.5819 0.17997 0.000 0.320 0.000 0.112 0.540 0.028
#> GSM76139 2 0.0291 0.71182 0.000 0.992 0.000 0.000 0.004 0.004
#> GSM76140 1 0.5312 0.34452 0.524 0.000 0.000 0.000 0.364 0.112
#> GSM76141 2 0.0146 0.71250 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76142 2 0.0000 0.71270 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0291 0.71161 0.000 0.992 0.000 0.000 0.004 0.004
#> GSM76144 2 0.0146 0.71250 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76145 2 0.6958 0.13228 0.000 0.420 0.004 0.240 0.280 0.056
#> GSM76146 2 0.0000 0.71270 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.1297 0.69524 0.000 0.948 0.000 0.000 0.040 0.012
#> GSM76148 2 0.0146 0.71250 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76149 2 0.5936 0.10403 0.000 0.440 0.000 0.148 0.400 0.012
#> GSM76150 2 0.5894 0.11035 0.000 0.444 0.000 0.156 0.392 0.008
#> GSM76151 5 0.6388 -0.02905 0.000 0.348 0.000 0.280 0.360 0.012
#> GSM76152 1 0.2651 0.75152 0.872 0.000 0.004 0.000 0.036 0.088
#> GSM76153 2 0.0000 0.71270 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.5820 0.15564 0.000 0.468 0.000 0.120 0.396 0.016
#> GSM76155 2 0.5442 0.17572 0.000 0.496 0.000 0.076 0.412 0.016
#> GSM76156 2 0.0291 0.71090 0.000 0.992 0.000 0.000 0.004 0.004
#> GSM76030 2 0.7614 -0.23336 0.008 0.368 0.056 0.024 0.252 0.292
#> GSM76031 1 0.2404 0.75021 0.884 0.000 0.000 0.000 0.036 0.080
#> GSM76032 3 0.1814 0.74601 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76033 3 0.4948 0.53064 0.000 0.000 0.648 0.252 0.008 0.092
#> GSM76034 4 0.7424 0.38799 0.000 0.124 0.068 0.516 0.100 0.192
#> GSM76035 3 0.6822 0.36297 0.172 0.000 0.532 0.148 0.004 0.144
#> GSM76036 3 0.2812 0.70712 0.000 0.000 0.856 0.096 0.000 0.048
#> GSM76037 5 0.4278 0.52254 0.000 0.088 0.000 0.028 0.768 0.116
#> GSM76038 1 0.2611 0.75159 0.880 0.000 0.012 0.000 0.028 0.080
#> GSM76039 1 0.4392 0.65550 0.720 0.000 0.000 0.000 0.144 0.136
#> GSM76040 3 0.5085 0.53992 0.000 0.000 0.664 0.228 0.028 0.080
#> GSM76041 1 0.5162 0.56971 0.668 0.000 0.136 0.000 0.020 0.176
#> GSM76042 1 0.5761 0.48743 0.572 0.000 0.004 0.008 0.192 0.224
#> GSM76043 3 0.6767 0.00889 0.272 0.000 0.424 0.000 0.048 0.256
#> GSM76044 5 0.6028 0.17189 0.200 0.000 0.000 0.012 0.500 0.288
#> GSM76045 1 0.4493 0.64939 0.728 0.000 0.080 0.000 0.016 0.176
#> GSM76046 4 0.6073 0.44756 0.000 0.000 0.224 0.560 0.036 0.180
#> GSM76047 3 0.7378 -0.06213 0.220 0.000 0.376 0.032 0.048 0.324
#> GSM76048 3 0.2034 0.74850 0.000 0.000 0.912 0.024 0.004 0.060
#> GSM76049 5 0.5735 0.17225 0.020 0.064 0.008 0.004 0.500 0.404
#> GSM76050 1 0.2866 0.73687 0.860 0.000 0.052 0.000 0.004 0.084
#> GSM76051 3 0.1124 0.74340 0.000 0.000 0.956 0.008 0.000 0.036
#> GSM76052 3 0.5389 0.31161 0.000 0.000 0.548 0.344 0.008 0.100
#> GSM76053 4 0.6260 0.46151 0.000 0.008 0.060 0.584 0.136 0.212
#> GSM76054 3 0.3216 0.71036 0.000 0.000 0.848 0.072 0.020 0.060
#> GSM76055 5 0.4421 0.40948 0.020 0.016 0.000 0.004 0.672 0.288
#> GSM76056 1 0.5178 0.39264 0.556 0.004 0.004 0.000 0.072 0.364
#> GSM76057 6 0.7132 0.45628 0.096 0.280 0.028 0.000 0.112 0.484
#> GSM76058 3 0.1588 0.74447 0.004 0.000 0.924 0.000 0.000 0.072
#> GSM76059 1 0.0692 0.75949 0.976 0.000 0.000 0.000 0.004 0.020
#> GSM76060 6 0.7394 0.48235 0.084 0.188 0.228 0.000 0.032 0.468
#> GSM76061 2 0.5688 0.07247 0.008 0.552 0.008 0.000 0.116 0.316
#> GSM76062 1 0.1686 0.75713 0.924 0.000 0.012 0.000 0.000 0.064
#> GSM76063 2 0.6427 0.29486 0.000 0.600 0.088 0.156 0.016 0.140
#> GSM76064 3 0.7282 -0.03208 0.280 0.000 0.404 0.020 0.056 0.240
#> GSM76065 2 0.5737 0.03951 0.000 0.500 0.000 0.000 0.304 0.196
#> GSM76066 1 0.4393 0.58051 0.716 0.000 0.172 0.000 0.000 0.112
#> GSM76067 3 0.3013 0.68658 0.088 0.000 0.844 0.000 0.000 0.068
#> GSM76068 3 0.1074 0.74804 0.012 0.000 0.960 0.000 0.000 0.028
#> GSM76069 1 0.5372 0.23226 0.488 0.000 0.004 0.000 0.096 0.412
#> GSM76070 2 0.2745 0.61794 0.000 0.860 0.000 0.020 0.008 0.112
#> GSM76071 1 0.1606 0.75656 0.932 0.000 0.008 0.000 0.004 0.056
#> GSM76072 1 0.1483 0.75827 0.944 0.000 0.012 0.000 0.008 0.036
#> GSM76073 1 0.1010 0.76017 0.960 0.000 0.000 0.000 0.004 0.036
#> GSM76074 1 0.1225 0.75950 0.952 0.000 0.000 0.000 0.012 0.036
#> GSM76075 3 0.2191 0.73670 0.000 0.000 0.876 0.000 0.004 0.120
#> GSM76076 3 0.0632 0.74649 0.000 0.000 0.976 0.000 0.000 0.024
#> GSM76077 6 0.6208 0.35298 0.088 0.036 0.052 0.000 0.208 0.616
#> GSM76078 3 0.3969 0.57623 0.012 0.008 0.708 0.000 0.004 0.268
#> GSM76079 1 0.1753 0.75477 0.912 0.000 0.000 0.000 0.004 0.084
#> GSM76080 4 0.4969 0.50400 0.000 0.000 0.284 0.628 0.008 0.080
#> GSM76081 3 0.4593 0.52391 0.000 0.000 0.680 0.256 0.016 0.048
#> GSM76082 3 0.0858 0.74755 0.004 0.000 0.968 0.000 0.000 0.028
#> GSM76083 3 0.0692 0.74696 0.000 0.000 0.976 0.004 0.000 0.020
#> GSM76084 4 0.7532 0.28366 0.000 0.220 0.100 0.488 0.132 0.060
#> GSM76085 3 0.1531 0.74862 0.000 0.000 0.928 0.004 0.000 0.068
#> GSM76086 3 0.2752 0.71354 0.036 0.000 0.856 0.000 0.000 0.108
#> GSM76087 2 0.3071 0.58363 0.000 0.804 0.000 0.180 0.000 0.016
#> GSM76088 6 0.6870 0.50536 0.176 0.088 0.064 0.000 0.092 0.580
#> GSM76089 5 0.5693 0.17352 0.000 0.344 0.000 0.048 0.544 0.064
#> GSM76090 3 0.1663 0.73620 0.000 0.000 0.912 0.000 0.000 0.088
#> GSM76091 1 0.4220 0.63326 0.708 0.000 0.040 0.000 0.008 0.244
#> GSM76092 1 0.0692 0.76056 0.976 0.000 0.000 0.000 0.004 0.020
#> GSM76093 1 0.0260 0.75888 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM76094 5 0.5670 0.44431 0.096 0.028 0.000 0.048 0.680 0.148
#> GSM76095 1 0.5771 0.37392 0.508 0.000 0.000 0.000 0.244 0.248
#> GSM76096 1 0.5433 0.53201 0.608 0.000 0.000 0.008 0.208 0.176
#> GSM76097 1 0.6019 0.44016 0.548 0.000 0.000 0.024 0.204 0.224
#> GSM76098 4 0.4819 0.18815 0.000 0.004 0.424 0.532 0.004 0.036
#> GSM76099 1 0.4904 0.52082 0.600 0.000 0.000 0.000 0.084 0.316
#> GSM76100 1 0.2060 0.75227 0.900 0.000 0.000 0.000 0.016 0.084
#> GSM76101 1 0.0458 0.75855 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM76102 1 0.6050 0.54051 0.616 0.000 0.004 0.104 0.088 0.188
#> GSM76103 3 0.3411 0.70288 0.060 0.000 0.816 0.000 0.004 0.120
#> GSM76104 4 0.4932 0.54412 0.000 0.000 0.240 0.660 0.012 0.088
#> GSM76105 5 0.3626 0.49736 0.028 0.000 0.000 0.012 0.784 0.176
#> GSM76106 4 0.2556 0.71710 0.000 0.000 0.076 0.884 0.012 0.028
#> GSM76107 4 0.2003 0.71975 0.000 0.000 0.000 0.912 0.044 0.044
#> GSM76108 5 0.6016 0.02802 0.248 0.000 0.000 0.000 0.412 0.340
#> GSM76109 1 0.0146 0.75851 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76110 1 0.1408 0.75855 0.944 0.000 0.000 0.000 0.020 0.036
#> GSM76111 1 0.3394 0.73066 0.804 0.000 0.000 0.000 0.052 0.144
#> GSM76112 1 0.2201 0.74283 0.900 0.000 0.048 0.000 0.000 0.052
#> GSM76113 6 0.9420 0.13897 0.036 0.140 0.232 0.176 0.176 0.240
#> GSM76114 1 0.5344 0.43670 0.576 0.000 0.076 0.000 0.020 0.328
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> MAD:skmeans 126 7.15e-10 2
#> MAD:skmeans 121 1.47e-13 3
#> MAD:skmeans 99 3.64e-10 4
#> MAD:skmeans 99 5.29e-10 5
#> MAD:skmeans 81 1.21e-08 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "pam"]
# you can also extract it by
# res = res_list["MAD:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 6.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.261 0.771 0.843 0.4880 0.501 0.501
#> 3 3 0.455 0.626 0.820 0.3434 0.685 0.452
#> 4 4 0.646 0.638 0.829 0.1367 0.825 0.539
#> 5 5 0.711 0.732 0.845 0.0507 0.892 0.622
#> 6 6 0.826 0.844 0.902 0.0477 0.955 0.796
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 6
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 1 0.8081 0.8072 0.752 0.248
#> GSM76116 1 0.8016 0.8093 0.756 0.244
#> GSM76117 1 0.7376 0.8230 0.792 0.208
#> GSM76118 1 0.7376 0.8223 0.792 0.208
#> GSM76119 2 0.3114 0.8187 0.056 0.944
#> GSM76120 2 0.0000 0.8254 0.000 1.000
#> GSM76121 1 0.4815 0.8255 0.896 0.104
#> GSM76122 1 0.7139 0.8248 0.804 0.196
#> GSM76123 2 0.0000 0.8254 0.000 1.000
#> GSM76124 1 0.7453 0.8268 0.788 0.212
#> GSM76125 2 0.0000 0.8254 0.000 1.000
#> GSM76126 1 0.9209 0.7541 0.664 0.336
#> GSM76127 2 0.0000 0.8254 0.000 1.000
#> GSM76128 2 0.5519 0.8066 0.128 0.872
#> GSM76129 1 0.7528 0.8209 0.784 0.216
#> GSM76130 2 0.9552 0.1218 0.376 0.624
#> GSM76131 2 0.7056 0.7060 0.192 0.808
#> GSM76132 1 0.8608 0.7745 0.716 0.284
#> GSM76133 1 0.8144 0.8046 0.748 0.252
#> GSM76134 2 0.9087 0.4145 0.324 0.676
#> GSM76135 1 0.8016 0.8093 0.756 0.244
#> GSM76136 2 0.5059 0.7951 0.112 0.888
#> GSM76137 2 0.5294 0.7889 0.120 0.880
#> GSM76138 1 0.7815 0.8156 0.768 0.232
#> GSM76139 2 0.2948 0.8194 0.052 0.948
#> GSM76140 1 0.5178 0.8251 0.884 0.116
#> GSM76141 1 0.8016 0.8093 0.756 0.244
#> GSM76142 1 0.9833 0.5175 0.576 0.424
#> GSM76143 1 0.8144 0.8046 0.748 0.252
#> GSM76144 2 0.7528 0.6668 0.216 0.784
#> GSM76145 2 0.6343 0.7508 0.160 0.840
#> GSM76146 1 0.8081 0.8072 0.752 0.248
#> GSM76147 1 0.8081 0.8072 0.752 0.248
#> GSM76148 2 0.9815 0.0456 0.420 0.580
#> GSM76149 2 0.5842 0.7715 0.140 0.860
#> GSM76150 1 0.8144 0.8046 0.748 0.252
#> GSM76151 2 0.6438 0.7467 0.164 0.836
#> GSM76152 1 0.0000 0.8204 1.000 0.000
#> GSM76153 2 0.2948 0.8196 0.052 0.948
#> GSM76154 2 0.5842 0.7722 0.140 0.860
#> GSM76155 1 0.8144 0.8046 0.748 0.252
#> GSM76156 1 0.8144 0.8057 0.748 0.252
#> GSM76030 2 0.9775 0.4318 0.412 0.588
#> GSM76031 1 0.2778 0.7985 0.952 0.048
#> GSM76032 2 0.7376 0.7704 0.208 0.792
#> GSM76033 2 0.6623 0.7974 0.172 0.828
#> GSM76034 1 0.8608 0.7984 0.716 0.284
#> GSM76035 2 0.5059 0.8309 0.112 0.888
#> GSM76036 2 0.2603 0.8360 0.044 0.956
#> GSM76037 1 0.7376 0.8223 0.792 0.208
#> GSM76038 1 0.3274 0.7971 0.940 0.060
#> GSM76039 1 0.2603 0.8336 0.956 0.044
#> GSM76040 2 0.0938 0.8268 0.012 0.988
#> GSM76041 2 0.9087 0.7039 0.324 0.676
#> GSM76042 1 0.1184 0.8171 0.984 0.016
#> GSM76043 2 0.9635 0.5630 0.388 0.612
#> GSM76044 1 0.2603 0.8293 0.956 0.044
#> GSM76045 2 0.9209 0.7027 0.336 0.664
#> GSM76046 2 0.5294 0.8284 0.120 0.880
#> GSM76047 2 0.9358 0.5895 0.352 0.648
#> GSM76048 2 0.5519 0.8264 0.128 0.872
#> GSM76049 1 0.4690 0.8173 0.900 0.100
#> GSM76050 1 0.9909 -0.1949 0.556 0.444
#> GSM76051 2 0.4161 0.8346 0.084 0.916
#> GSM76052 2 0.2948 0.8217 0.052 0.948
#> GSM76053 2 0.5059 0.8354 0.112 0.888
#> GSM76054 2 0.4298 0.8379 0.088 0.912
#> GSM76055 1 0.6887 0.8300 0.816 0.184
#> GSM76056 1 0.3584 0.8338 0.932 0.068
#> GSM76057 1 0.6048 0.8252 0.852 0.148
#> GSM76058 2 0.6343 0.8067 0.160 0.840
#> GSM76059 1 0.1414 0.8150 0.980 0.020
#> GSM76060 1 0.6973 0.8000 0.812 0.188
#> GSM76061 1 0.8081 0.8072 0.752 0.248
#> GSM76062 1 0.5629 0.7002 0.868 0.132
#> GSM76063 2 0.0000 0.8254 0.000 1.000
#> GSM76064 1 0.7219 0.8057 0.800 0.200
#> GSM76065 1 0.8081 0.8072 0.752 0.248
#> GSM76066 2 0.8763 0.7358 0.296 0.704
#> GSM76067 2 0.7950 0.7731 0.240 0.760
#> GSM76068 2 0.6148 0.8299 0.152 0.848
#> GSM76069 1 0.3733 0.8310 0.928 0.072
#> GSM76070 2 0.3114 0.8188 0.056 0.944
#> GSM76071 1 0.1633 0.8131 0.976 0.024
#> GSM76072 1 0.3114 0.8102 0.944 0.056
#> GSM76073 1 0.0000 0.8204 1.000 0.000
#> GSM76074 1 0.0672 0.8188 0.992 0.008
#> GSM76075 2 0.6048 0.8134 0.148 0.852
#> GSM76076 2 0.5408 0.8227 0.124 0.876
#> GSM76077 1 0.5178 0.8319 0.884 0.116
#> GSM76078 2 0.6343 0.8130 0.160 0.840
#> GSM76079 1 0.1843 0.8116 0.972 0.028
#> GSM76080 2 0.2603 0.8206 0.044 0.956
#> GSM76081 2 0.2778 0.8193 0.048 0.952
#> GSM76082 2 0.7219 0.8121 0.200 0.800
#> GSM76083 2 0.5842 0.8189 0.140 0.860
#> GSM76084 2 0.2778 0.8193 0.048 0.952
#> GSM76085 2 0.5519 0.8245 0.128 0.872
#> GSM76086 2 0.7056 0.7829 0.192 0.808
#> GSM76087 1 0.8207 0.8049 0.744 0.256
#> GSM76088 1 0.9661 0.2192 0.608 0.392
#> GSM76089 1 0.8081 0.8072 0.752 0.248
#> GSM76090 2 0.7139 0.8141 0.196 0.804
#> GSM76091 1 0.4690 0.8038 0.900 0.100
#> GSM76092 1 0.0000 0.8204 1.000 0.000
#> GSM76093 1 0.1184 0.8166 0.984 0.016
#> GSM76094 1 0.7299 0.8234 0.796 0.204
#> GSM76095 1 0.3879 0.8142 0.924 0.076
#> GSM76096 1 0.3114 0.8042 0.944 0.056
#> GSM76097 1 0.3584 0.8340 0.932 0.068
#> GSM76098 2 0.2603 0.8206 0.044 0.956
#> GSM76099 1 0.3114 0.8311 0.944 0.056
#> GSM76100 1 0.0376 0.8224 0.996 0.004
#> GSM76101 1 0.0376 0.8197 0.996 0.004
#> GSM76102 1 0.7453 0.8127 0.788 0.212
#> GSM76103 2 0.5946 0.8137 0.144 0.856
#> GSM76104 2 0.4161 0.8253 0.084 0.916
#> GSM76105 1 0.7219 0.8254 0.800 0.200
#> GSM76106 2 0.5946 0.7708 0.144 0.856
#> GSM76107 1 0.8661 0.7988 0.712 0.288
#> GSM76108 1 0.3584 0.8340 0.932 0.068
#> GSM76109 1 0.0000 0.8204 1.000 0.000
#> GSM76110 1 0.0000 0.8204 1.000 0.000
#> GSM76111 1 0.0672 0.8240 0.992 0.008
#> GSM76112 1 0.3114 0.7995 0.944 0.056
#> GSM76113 2 0.4298 0.8171 0.088 0.912
#> GSM76114 1 0.3114 0.8016 0.944 0.056
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.9494 0.16713 0.404 0.412 0.184
#> GSM76116 2 0.7498 0.27460 0.412 0.548 0.040
#> GSM76117 1 0.7624 0.22116 0.580 0.368 0.052
#> GSM76118 1 0.8215 0.09904 0.540 0.380 0.080
#> GSM76119 3 0.5901 0.70918 0.048 0.176 0.776
#> GSM76120 3 0.2448 0.83682 0.000 0.076 0.924
#> GSM76121 1 0.5507 0.63237 0.808 0.136 0.056
#> GSM76122 2 0.8138 0.14208 0.452 0.480 0.068
#> GSM76123 3 0.3192 0.81533 0.000 0.112 0.888
#> GSM76124 1 0.7271 0.29047 0.608 0.352 0.040
#> GSM76125 3 0.4504 0.76658 0.000 0.196 0.804
#> GSM76126 2 0.9745 0.25034 0.348 0.420 0.232
#> GSM76127 3 0.4002 0.78402 0.000 0.160 0.840
#> GSM76128 3 0.4489 0.82963 0.108 0.036 0.856
#> GSM76129 2 0.5036 0.66300 0.172 0.808 0.020
#> GSM76130 2 0.8349 0.46854 0.108 0.584 0.308
#> GSM76131 2 0.2356 0.75237 0.000 0.928 0.072
#> GSM76132 2 0.1031 0.74796 0.000 0.976 0.024
#> GSM76133 2 0.2261 0.75314 0.000 0.932 0.068
#> GSM76134 2 0.1529 0.74303 0.000 0.960 0.040
#> GSM76135 2 0.0000 0.74648 0.000 1.000 0.000
#> GSM76136 2 0.2356 0.75237 0.000 0.928 0.072
#> GSM76137 2 0.6527 0.26641 0.008 0.588 0.404
#> GSM76138 2 0.8322 0.19704 0.428 0.492 0.080
#> GSM76139 2 0.2261 0.75245 0.000 0.932 0.068
#> GSM76140 1 0.5058 0.63841 0.820 0.148 0.032
#> GSM76141 2 0.0000 0.74648 0.000 1.000 0.000
#> GSM76142 2 0.1411 0.75422 0.000 0.964 0.036
#> GSM76143 2 0.1860 0.75484 0.000 0.948 0.052
#> GSM76144 2 0.2165 0.75475 0.000 0.936 0.064
#> GSM76145 2 0.7208 0.44588 0.040 0.620 0.340
#> GSM76146 2 0.2356 0.75237 0.000 0.928 0.072
#> GSM76147 2 0.1964 0.75538 0.000 0.944 0.056
#> GSM76148 2 0.1411 0.75396 0.000 0.964 0.036
#> GSM76149 2 0.5443 0.57847 0.004 0.736 0.260
#> GSM76150 2 0.2269 0.74206 0.016 0.944 0.040
#> GSM76151 3 0.8191 0.20283 0.076 0.396 0.528
#> GSM76152 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76153 2 0.2261 0.75405 0.000 0.932 0.068
#> GSM76154 2 0.5216 0.56787 0.000 0.740 0.260
#> GSM76155 2 0.5689 0.64647 0.184 0.780 0.036
#> GSM76156 2 0.0424 0.74872 0.000 0.992 0.008
#> GSM76030 2 0.7026 0.62531 0.152 0.728 0.120
#> GSM76031 1 0.0747 0.76572 0.984 0.000 0.016
#> GSM76032 3 0.3412 0.83453 0.124 0.000 0.876
#> GSM76033 3 0.1643 0.86059 0.044 0.000 0.956
#> GSM76034 2 0.8887 0.35991 0.368 0.504 0.128
#> GSM76035 3 0.2998 0.86681 0.068 0.016 0.916
#> GSM76036 3 0.1015 0.86199 0.008 0.012 0.980
#> GSM76037 2 0.7575 0.16005 0.456 0.504 0.040
#> GSM76038 1 0.0424 0.76652 0.992 0.000 0.008
#> GSM76039 1 0.2680 0.74373 0.924 0.068 0.008
#> GSM76040 3 0.0592 0.85894 0.000 0.012 0.988
#> GSM76041 1 0.7279 0.19777 0.588 0.036 0.376
#> GSM76042 1 0.0237 0.76699 0.996 0.000 0.004
#> GSM76043 3 0.6497 0.54062 0.336 0.016 0.648
#> GSM76044 1 0.2200 0.75280 0.940 0.056 0.004
#> GSM76045 1 0.8085 0.26502 0.584 0.084 0.332
#> GSM76046 3 0.2356 0.86238 0.072 0.000 0.928
#> GSM76047 1 0.6818 0.36045 0.628 0.024 0.348
#> GSM76048 3 0.3669 0.86505 0.064 0.040 0.896
#> GSM76049 1 0.6490 0.36971 0.628 0.360 0.012
#> GSM76050 1 0.4750 0.56754 0.784 0.000 0.216
#> GSM76051 3 0.1482 0.86436 0.020 0.012 0.968
#> GSM76052 3 0.1182 0.86257 0.012 0.012 0.976
#> GSM76053 3 0.4357 0.84290 0.052 0.080 0.868
#> GSM76054 3 0.2229 0.86336 0.012 0.044 0.944
#> GSM76055 1 0.7561 -0.00787 0.516 0.444 0.040
#> GSM76056 1 0.6255 0.45641 0.684 0.300 0.016
#> GSM76057 2 0.7213 0.62081 0.212 0.700 0.088
#> GSM76058 3 0.2796 0.85172 0.092 0.000 0.908
#> GSM76059 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76060 2 0.9072 0.42449 0.300 0.532 0.168
#> GSM76061 2 0.6728 0.66158 0.184 0.736 0.080
#> GSM76062 1 0.2860 0.72258 0.912 0.004 0.084
#> GSM76063 3 0.2448 0.85129 0.000 0.076 0.924
#> GSM76064 1 0.5119 0.69158 0.812 0.028 0.160
#> GSM76065 2 0.4469 0.74268 0.060 0.864 0.076
#> GSM76066 1 0.6225 0.00455 0.568 0.000 0.432
#> GSM76067 1 0.6309 -0.18825 0.500 0.000 0.500
#> GSM76068 3 0.3356 0.86025 0.036 0.056 0.908
#> GSM76069 1 0.2703 0.74772 0.928 0.056 0.016
#> GSM76070 2 0.2959 0.75007 0.000 0.900 0.100
#> GSM76071 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76072 1 0.1482 0.76136 0.968 0.020 0.012
#> GSM76073 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76074 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76075 3 0.2448 0.85763 0.076 0.000 0.924
#> GSM76076 3 0.2096 0.86000 0.052 0.004 0.944
#> GSM76077 1 0.5449 0.67809 0.816 0.116 0.068
#> GSM76078 3 0.6063 0.76856 0.132 0.084 0.784
#> GSM76079 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76080 3 0.2261 0.84810 0.000 0.068 0.932
#> GSM76081 3 0.2537 0.84871 0.000 0.080 0.920
#> GSM76082 3 0.5067 0.83603 0.116 0.052 0.832
#> GSM76083 3 0.2682 0.85970 0.076 0.004 0.920
#> GSM76084 3 0.2066 0.85024 0.000 0.060 0.940
#> GSM76085 3 0.1905 0.86463 0.028 0.016 0.956
#> GSM76086 3 0.6180 0.34076 0.416 0.000 0.584
#> GSM76087 2 0.2448 0.75192 0.000 0.924 0.076
#> GSM76088 1 0.7072 0.07428 0.504 0.476 0.020
#> GSM76089 2 0.7250 0.51820 0.288 0.656 0.056
#> GSM76090 3 0.7838 0.18433 0.460 0.052 0.488
#> GSM76091 1 0.2261 0.75060 0.932 0.000 0.068
#> GSM76092 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76094 2 0.7672 0.11601 0.468 0.488 0.044
#> GSM76095 1 0.2339 0.74837 0.940 0.012 0.048
#> GSM76096 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76097 1 0.6527 0.20360 0.588 0.404 0.008
#> GSM76098 3 0.2959 0.85007 0.000 0.100 0.900
#> GSM76099 1 0.2496 0.74218 0.928 0.068 0.004
#> GSM76100 1 0.0237 0.76686 0.996 0.000 0.004
#> GSM76101 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76102 1 0.8619 -0.00103 0.524 0.368 0.108
#> GSM76103 3 0.3272 0.84448 0.104 0.004 0.892
#> GSM76104 3 0.2318 0.85821 0.028 0.028 0.944
#> GSM76105 1 0.7584 -0.09621 0.488 0.472 0.040
#> GSM76106 3 0.4475 0.80192 0.064 0.072 0.864
#> GSM76107 1 0.9767 -0.09695 0.432 0.320 0.248
#> GSM76108 1 0.3607 0.71312 0.880 0.112 0.008
#> GSM76109 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76110 1 0.0000 0.76714 1.000 0.000 0.000
#> GSM76111 1 0.1129 0.76316 0.976 0.020 0.004
#> GSM76112 1 0.0892 0.76250 0.980 0.000 0.020
#> GSM76113 3 0.4277 0.81681 0.016 0.132 0.852
#> GSM76114 1 0.1529 0.75978 0.960 0.000 0.040
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.1471 0.61150 0.004 0.024 0.012 0.960
#> GSM76116 4 0.0524 0.61711 0.008 0.004 0.000 0.988
#> GSM76117 4 0.1339 0.62071 0.024 0.004 0.008 0.964
#> GSM76118 4 0.1004 0.62070 0.024 0.000 0.004 0.972
#> GSM76119 3 0.5925 0.18597 0.000 0.036 0.512 0.452
#> GSM76120 3 0.2376 0.85537 0.000 0.016 0.916 0.068
#> GSM76121 4 0.6334 0.10414 0.416 0.024 0.024 0.536
#> GSM76122 4 0.0859 0.61798 0.008 0.008 0.004 0.980
#> GSM76123 3 0.3647 0.78440 0.000 0.016 0.832 0.152
#> GSM76124 4 0.0592 0.61975 0.016 0.000 0.000 0.984
#> GSM76125 3 0.5594 0.67648 0.000 0.192 0.716 0.092
#> GSM76126 4 0.6595 0.38882 0.000 0.268 0.124 0.608
#> GSM76127 3 0.5459 0.30204 0.000 0.016 0.552 0.432
#> GSM76128 3 0.2604 0.85814 0.056 0.012 0.916 0.016
#> GSM76129 2 0.4907 0.25778 0.000 0.580 0.000 0.420
#> GSM76130 4 0.7292 0.09599 0.000 0.388 0.152 0.460
#> GSM76131 2 0.0592 0.85627 0.000 0.984 0.016 0.000
#> GSM76132 2 0.3217 0.75503 0.000 0.860 0.012 0.128
#> GSM76133 2 0.0657 0.85803 0.000 0.984 0.012 0.004
#> GSM76134 4 0.4998 -0.05580 0.000 0.488 0.000 0.512
#> GSM76135 2 0.1022 0.84816 0.000 0.968 0.000 0.032
#> GSM76136 2 0.0592 0.85627 0.000 0.984 0.016 0.000
#> GSM76137 4 0.7253 0.18961 0.000 0.172 0.308 0.520
#> GSM76138 4 0.0524 0.61542 0.004 0.008 0.000 0.988
#> GSM76139 2 0.0895 0.85593 0.000 0.976 0.004 0.020
#> GSM76140 4 0.2868 0.59000 0.136 0.000 0.000 0.864
#> GSM76141 2 0.0921 0.85126 0.000 0.972 0.000 0.028
#> GSM76142 2 0.0672 0.85815 0.000 0.984 0.008 0.008
#> GSM76143 2 0.0779 0.85743 0.000 0.980 0.004 0.016
#> GSM76144 2 0.0657 0.85803 0.000 0.984 0.012 0.004
#> GSM76145 4 0.7179 0.24720 0.000 0.276 0.180 0.544
#> GSM76146 2 0.0592 0.85627 0.000 0.984 0.016 0.000
#> GSM76147 2 0.0804 0.85847 0.000 0.980 0.008 0.012
#> GSM76148 2 0.0524 0.85769 0.000 0.988 0.008 0.004
#> GSM76149 4 0.7235 0.13969 0.000 0.356 0.152 0.492
#> GSM76150 4 0.5285 -0.01576 0.000 0.468 0.008 0.524
#> GSM76151 4 0.6430 0.23106 0.000 0.092 0.312 0.596
#> GSM76152 1 0.0707 0.83499 0.980 0.000 0.000 0.020
#> GSM76153 2 0.0592 0.85627 0.000 0.984 0.016 0.000
#> GSM76154 4 0.7158 0.16387 0.000 0.340 0.148 0.512
#> GSM76155 4 0.4193 0.39432 0.000 0.268 0.000 0.732
#> GSM76156 2 0.0707 0.85466 0.000 0.980 0.000 0.020
#> GSM76030 2 0.7383 0.48286 0.220 0.616 0.044 0.120
#> GSM76031 1 0.3557 0.76350 0.856 0.000 0.036 0.108
#> GSM76032 3 0.1557 0.87527 0.056 0.000 0.944 0.000
#> GSM76033 3 0.0895 0.88496 0.004 0.020 0.976 0.000
#> GSM76034 4 0.6961 0.01349 0.012 0.452 0.076 0.460
#> GSM76035 3 0.3174 0.85787 0.076 0.008 0.888 0.028
#> GSM76036 3 0.1174 0.88669 0.000 0.020 0.968 0.012
#> GSM76037 4 0.0657 0.61955 0.012 0.004 0.000 0.984
#> GSM76038 1 0.0779 0.83702 0.980 0.000 0.004 0.016
#> GSM76039 4 0.4955 0.00162 0.444 0.000 0.000 0.556
#> GSM76040 3 0.1284 0.88733 0.000 0.024 0.964 0.012
#> GSM76041 1 0.2227 0.82122 0.928 0.000 0.036 0.036
#> GSM76042 1 0.5290 0.11793 0.516 0.000 0.008 0.476
#> GSM76043 3 0.6607 0.51428 0.236 0.004 0.632 0.128
#> GSM76044 1 0.1824 0.82482 0.936 0.000 0.004 0.060
#> GSM76045 1 0.2197 0.80579 0.916 0.000 0.004 0.080
#> GSM76046 3 0.1843 0.88611 0.028 0.016 0.948 0.008
#> GSM76047 1 0.3684 0.78509 0.868 0.016 0.080 0.036
#> GSM76048 3 0.1994 0.88596 0.008 0.004 0.936 0.052
#> GSM76049 1 0.2466 0.79287 0.900 0.000 0.004 0.096
#> GSM76050 1 0.0336 0.83681 0.992 0.000 0.008 0.000
#> GSM76051 3 0.1229 0.88665 0.004 0.020 0.968 0.008
#> GSM76052 3 0.1042 0.88642 0.000 0.020 0.972 0.008
#> GSM76053 3 0.3135 0.86300 0.012 0.012 0.884 0.092
#> GSM76054 3 0.1724 0.88784 0.000 0.020 0.948 0.032
#> GSM76055 4 0.0921 0.62074 0.028 0.000 0.000 0.972
#> GSM76056 4 0.7348 0.35925 0.232 0.240 0.000 0.528
#> GSM76057 2 0.6141 0.49567 0.040 0.656 0.024 0.280
#> GSM76058 3 0.1297 0.88583 0.020 0.016 0.964 0.000
#> GSM76059 1 0.0707 0.83486 0.980 0.000 0.000 0.020
#> GSM76060 2 0.7867 0.42401 0.104 0.592 0.088 0.216
#> GSM76061 2 0.5386 0.32117 0.000 0.612 0.020 0.368
#> GSM76062 1 0.0188 0.83685 0.996 0.000 0.000 0.004
#> GSM76063 3 0.2313 0.88463 0.000 0.044 0.924 0.032
#> GSM76064 1 0.5854 0.68622 0.736 0.020 0.096 0.148
#> GSM76065 2 0.4100 0.74147 0.012 0.820 0.016 0.152
#> GSM76066 1 0.0469 0.83461 0.988 0.000 0.012 0.000
#> GSM76067 1 0.1867 0.80795 0.928 0.000 0.072 0.000
#> GSM76068 3 0.2838 0.87936 0.016 0.020 0.908 0.056
#> GSM76069 1 0.2402 0.80676 0.912 0.000 0.012 0.076
#> GSM76070 2 0.3080 0.79276 0.000 0.880 0.024 0.096
#> GSM76071 1 0.0524 0.83732 0.988 0.000 0.004 0.008
#> GSM76072 4 0.5935 -0.05476 0.468 0.000 0.036 0.496
#> GSM76073 1 0.1940 0.80192 0.924 0.000 0.000 0.076
#> GSM76074 1 0.4994 0.11669 0.520 0.000 0.000 0.480
#> GSM76075 3 0.1406 0.88558 0.024 0.016 0.960 0.000
#> GSM76076 3 0.1520 0.88669 0.024 0.020 0.956 0.000
#> GSM76077 1 0.5199 0.63300 0.724 0.020 0.016 0.240
#> GSM76078 3 0.5838 0.71126 0.128 0.112 0.740 0.020
#> GSM76079 1 0.0000 0.83621 1.000 0.000 0.000 0.000
#> GSM76080 3 0.2522 0.87515 0.000 0.016 0.908 0.076
#> GSM76081 3 0.2596 0.87654 0.000 0.024 0.908 0.068
#> GSM76082 3 0.3245 0.85940 0.064 0.000 0.880 0.056
#> GSM76083 3 0.1610 0.88527 0.032 0.016 0.952 0.000
#> GSM76084 3 0.2775 0.87147 0.000 0.020 0.896 0.084
#> GSM76085 3 0.1174 0.88669 0.000 0.020 0.968 0.012
#> GSM76086 1 0.4594 0.58792 0.712 0.008 0.280 0.000
#> GSM76087 2 0.1807 0.83185 0.000 0.940 0.008 0.052
#> GSM76088 1 0.3419 0.79433 0.884 0.044 0.016 0.056
#> GSM76089 4 0.3855 0.52096 0.004 0.164 0.012 0.820
#> GSM76090 1 0.3245 0.79042 0.880 0.000 0.056 0.064
#> GSM76091 1 0.3091 0.81210 0.896 0.008 0.048 0.048
#> GSM76092 1 0.0188 0.83707 0.996 0.000 0.000 0.004
#> GSM76093 1 0.0000 0.83621 1.000 0.000 0.000 0.000
#> GSM76094 4 0.2111 0.60858 0.024 0.044 0.000 0.932
#> GSM76095 4 0.6382 -0.04779 0.464 0.020 0.028 0.488
#> GSM76096 1 0.5292 0.10348 0.512 0.000 0.008 0.480
#> GSM76097 4 0.6457 0.20446 0.064 0.384 0.004 0.548
#> GSM76098 3 0.2521 0.87961 0.000 0.024 0.912 0.064
#> GSM76099 4 0.5167 -0.13678 0.488 0.000 0.004 0.508
#> GSM76100 1 0.4994 0.11669 0.520 0.000 0.000 0.480
#> GSM76101 1 0.0000 0.83621 1.000 0.000 0.000 0.000
#> GSM76102 4 0.7756 0.27111 0.116 0.328 0.036 0.520
#> GSM76103 3 0.1822 0.88155 0.044 0.008 0.944 0.004
#> GSM76104 3 0.1724 0.88231 0.032 0.020 0.948 0.000
#> GSM76105 4 0.1151 0.62072 0.024 0.000 0.008 0.968
#> GSM76106 3 0.3569 0.76083 0.000 0.000 0.804 0.196
#> GSM76107 4 0.6628 0.48110 0.012 0.132 0.200 0.656
#> GSM76108 4 0.5119 -0.00851 0.440 0.004 0.000 0.556
#> GSM76109 1 0.0000 0.83621 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0188 0.83620 0.996 0.000 0.000 0.004
#> GSM76111 1 0.4999 0.08240 0.508 0.000 0.000 0.492
#> GSM76112 1 0.0376 0.83705 0.992 0.000 0.004 0.004
#> GSM76113 3 0.3636 0.80905 0.000 0.008 0.820 0.172
#> GSM76114 1 0.1211 0.82804 0.960 0.000 0.040 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.2660 0.673 0.000 0.000 0.008 0.128 0.864
#> GSM76116 5 0.2488 0.677 0.000 0.000 0.004 0.124 0.872
#> GSM76117 5 0.1883 0.713 0.012 0.000 0.008 0.048 0.932
#> GSM76118 5 0.1644 0.712 0.008 0.000 0.004 0.048 0.940
#> GSM76119 4 0.0000 0.912 0.000 0.000 0.000 1.000 0.000
#> GSM76120 4 0.1671 0.915 0.000 0.000 0.076 0.924 0.000
#> GSM76121 5 0.4288 0.667 0.240 0.012 0.016 0.000 0.732
#> GSM76122 5 0.2508 0.703 0.012 0.004 0.004 0.084 0.896
#> GSM76123 4 0.1410 0.921 0.000 0.000 0.060 0.940 0.000
#> GSM76124 5 0.1800 0.715 0.020 0.000 0.000 0.048 0.932
#> GSM76125 4 0.1892 0.911 0.000 0.004 0.080 0.916 0.000
#> GSM76126 4 0.2520 0.891 0.000 0.048 0.000 0.896 0.056
#> GSM76127 4 0.0000 0.912 0.000 0.000 0.000 1.000 0.000
#> GSM76128 4 0.2793 0.888 0.000 0.000 0.088 0.876 0.036
#> GSM76129 2 0.5338 0.429 0.000 0.604 0.000 0.072 0.324
#> GSM76130 4 0.0000 0.912 0.000 0.000 0.000 1.000 0.000
#> GSM76131 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.2291 0.768 0.000 0.908 0.000 0.056 0.036
#> GSM76133 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.5923 0.488 0.000 0.572 0.000 0.140 0.288
#> GSM76135 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76137 3 0.8463 -0.133 0.000 0.248 0.296 0.164 0.292
#> GSM76138 5 0.2488 0.677 0.000 0.004 0.000 0.124 0.872
#> GSM76139 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.2674 0.697 0.140 0.000 0.000 0.004 0.856
#> GSM76141 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76145 5 0.8152 -0.229 0.000 0.336 0.204 0.120 0.340
#> GSM76146 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.8133 0.292 0.000 0.392 0.212 0.124 0.272
#> GSM76150 2 0.6021 0.460 0.000 0.552 0.000 0.144 0.304
#> GSM76151 3 0.7459 0.107 0.000 0.084 0.404 0.124 0.388
#> GSM76152 1 0.1908 0.860 0.908 0.000 0.000 0.000 0.092
#> GSM76153 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.8178 0.261 0.000 0.372 0.216 0.124 0.288
#> GSM76155 5 0.6287 -0.046 0.000 0.368 0.008 0.124 0.500
#> GSM76156 2 0.0000 0.806 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.6426 0.528 0.216 0.604 0.036 0.000 0.144
#> GSM76031 1 0.3732 0.761 0.792 0.000 0.032 0.000 0.176
#> GSM76032 3 0.0510 0.871 0.016 0.000 0.984 0.000 0.000
#> GSM76033 3 0.0324 0.873 0.004 0.000 0.992 0.000 0.004
#> GSM76034 5 0.5214 0.468 0.000 0.300 0.052 0.008 0.640
#> GSM76035 3 0.2209 0.840 0.056 0.000 0.912 0.000 0.032
#> GSM76036 3 0.0162 0.874 0.000 0.000 0.996 0.000 0.004
#> GSM76037 5 0.2233 0.689 0.000 0.004 0.000 0.104 0.892
#> GSM76038 1 0.1894 0.873 0.920 0.000 0.008 0.000 0.072
#> GSM76039 5 0.3274 0.683 0.220 0.000 0.000 0.000 0.780
#> GSM76040 3 0.0162 0.873 0.004 0.000 0.996 0.000 0.000
#> GSM76041 1 0.2482 0.854 0.892 0.000 0.084 0.000 0.024
#> GSM76042 5 0.4046 0.634 0.296 0.000 0.008 0.000 0.696
#> GSM76043 3 0.5635 0.510 0.196 0.000 0.636 0.000 0.168
#> GSM76044 1 0.2248 0.871 0.900 0.000 0.012 0.000 0.088
#> GSM76045 1 0.2358 0.841 0.888 0.000 0.008 0.000 0.104
#> GSM76046 3 0.1095 0.870 0.008 0.000 0.968 0.012 0.012
#> GSM76047 1 0.3215 0.836 0.852 0.000 0.056 0.000 0.092
#> GSM76048 3 0.0865 0.874 0.004 0.000 0.972 0.000 0.024
#> GSM76049 1 0.2516 0.815 0.860 0.000 0.000 0.000 0.140
#> GSM76050 1 0.1012 0.886 0.968 0.000 0.012 0.000 0.020
#> GSM76051 3 0.0000 0.873 0.000 0.000 1.000 0.000 0.000
#> GSM76052 3 0.0324 0.874 0.004 0.000 0.992 0.000 0.004
#> GSM76053 3 0.2179 0.826 0.000 0.000 0.888 0.000 0.112
#> GSM76054 3 0.0404 0.875 0.000 0.000 0.988 0.000 0.012
#> GSM76055 5 0.1877 0.708 0.012 0.000 0.000 0.064 0.924
#> GSM76056 5 0.5423 0.632 0.168 0.152 0.004 0.000 0.676
#> GSM76057 2 0.5133 0.452 0.032 0.620 0.012 0.000 0.336
#> GSM76058 3 0.0000 0.873 0.000 0.000 1.000 0.000 0.000
#> GSM76059 1 0.1671 0.868 0.924 0.000 0.000 0.000 0.076
#> GSM76060 2 0.6653 0.492 0.104 0.604 0.080 0.000 0.212
#> GSM76061 2 0.4403 0.298 0.000 0.608 0.008 0.000 0.384
#> GSM76062 1 0.0451 0.885 0.988 0.000 0.004 0.000 0.008
#> GSM76063 3 0.2139 0.850 0.000 0.052 0.916 0.000 0.032
#> GSM76064 1 0.4737 0.692 0.708 0.000 0.068 0.000 0.224
#> GSM76065 2 0.3242 0.722 0.000 0.816 0.012 0.000 0.172
#> GSM76066 1 0.0510 0.884 0.984 0.000 0.016 0.000 0.000
#> GSM76067 1 0.2329 0.831 0.876 0.000 0.124 0.000 0.000
#> GSM76068 3 0.1282 0.866 0.004 0.000 0.952 0.000 0.044
#> GSM76069 1 0.2416 0.843 0.888 0.000 0.012 0.000 0.100
#> GSM76070 2 0.3018 0.750 0.000 0.860 0.012 0.012 0.116
#> GSM76071 1 0.1478 0.873 0.936 0.000 0.000 0.000 0.064
#> GSM76072 5 0.3910 0.646 0.272 0.000 0.008 0.000 0.720
#> GSM76073 1 0.2020 0.843 0.900 0.000 0.000 0.000 0.100
#> GSM76074 5 0.3752 0.632 0.292 0.000 0.000 0.000 0.708
#> GSM76075 3 0.0290 0.873 0.008 0.000 0.992 0.000 0.000
#> GSM76076 3 0.0162 0.874 0.004 0.000 0.996 0.000 0.000
#> GSM76077 1 0.4769 0.555 0.656 0.008 0.016 0.004 0.316
#> GSM76078 3 0.5549 0.642 0.140 0.100 0.712 0.000 0.048
#> GSM76079 1 0.0451 0.885 0.988 0.000 0.004 0.000 0.008
#> GSM76080 3 0.2068 0.838 0.000 0.000 0.904 0.004 0.092
#> GSM76081 3 0.1430 0.863 0.000 0.000 0.944 0.004 0.052
#> GSM76082 3 0.1753 0.863 0.032 0.000 0.936 0.000 0.032
#> GSM76083 3 0.0290 0.874 0.008 0.000 0.992 0.000 0.000
#> GSM76084 3 0.1410 0.861 0.000 0.000 0.940 0.000 0.060
#> GSM76085 3 0.0162 0.873 0.004 0.000 0.996 0.000 0.000
#> GSM76086 1 0.3730 0.651 0.712 0.000 0.288 0.000 0.000
#> GSM76087 2 0.2153 0.777 0.000 0.916 0.000 0.040 0.044
#> GSM76088 1 0.3161 0.832 0.860 0.044 0.004 0.000 0.092
#> GSM76089 5 0.5559 0.387 0.000 0.228 0.012 0.100 0.660
#> GSM76090 1 0.3159 0.832 0.856 0.000 0.088 0.000 0.056
#> GSM76091 1 0.2149 0.871 0.916 0.000 0.036 0.000 0.048
#> GSM76092 1 0.0451 0.885 0.988 0.000 0.004 0.000 0.008
#> GSM76093 1 0.1270 0.875 0.948 0.000 0.000 0.000 0.052
#> GSM76094 5 0.2492 0.717 0.016 0.028 0.004 0.040 0.912
#> GSM76095 5 0.4311 0.645 0.264 0.004 0.020 0.000 0.712
#> GSM76096 5 0.3861 0.636 0.284 0.000 0.004 0.000 0.712
#> GSM76097 5 0.4774 0.543 0.044 0.264 0.004 0.000 0.688
#> GSM76098 3 0.1934 0.863 0.000 0.008 0.932 0.020 0.040
#> GSM76099 5 0.4335 0.551 0.324 0.004 0.008 0.000 0.664
#> GSM76100 5 0.3796 0.632 0.300 0.000 0.000 0.000 0.700
#> GSM76101 1 0.1121 0.877 0.956 0.000 0.000 0.000 0.044
#> GSM76102 5 0.5417 0.642 0.124 0.144 0.024 0.000 0.708
#> GSM76103 3 0.0794 0.867 0.028 0.000 0.972 0.000 0.000
#> GSM76104 3 0.2650 0.810 0.068 0.004 0.892 0.000 0.036
#> GSM76105 5 0.1331 0.710 0.000 0.000 0.008 0.040 0.952
#> GSM76106 3 0.5245 0.477 0.000 0.000 0.640 0.280 0.080
#> GSM76107 4 0.3463 0.840 0.000 0.032 0.008 0.836 0.124
#> GSM76108 5 0.3607 0.650 0.244 0.004 0.000 0.000 0.752
#> GSM76109 1 0.1270 0.875 0.948 0.000 0.000 0.000 0.052
#> GSM76110 1 0.0510 0.886 0.984 0.000 0.000 0.000 0.016
#> GSM76111 5 0.3636 0.651 0.272 0.000 0.000 0.000 0.728
#> GSM76112 1 0.1341 0.875 0.944 0.000 0.000 0.000 0.056
#> GSM76113 3 0.3391 0.742 0.000 0.000 0.800 0.012 0.188
#> GSM76114 1 0.1041 0.883 0.964 0.000 0.032 0.000 0.004
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 6 0.0146 0.965 0.000 0.000 0.004 0.000 0.000 0.996
#> GSM76116 6 0.0000 0.968 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM76117 5 0.2969 0.763 0.000 0.000 0.000 0.000 0.776 0.224
#> GSM76118 5 0.2854 0.776 0.000 0.000 0.000 0.000 0.792 0.208
#> GSM76119 4 0.0000 0.988 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.988 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 5 0.0717 0.834 0.016 0.000 0.000 0.000 0.976 0.008
#> GSM76122 5 0.3797 0.461 0.000 0.000 0.000 0.000 0.580 0.420
#> GSM76123 4 0.0000 0.988 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.2823 0.777 0.000 0.000 0.000 0.000 0.796 0.204
#> GSM76125 4 0.0000 0.988 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76126 4 0.0291 0.982 0.000 0.004 0.000 0.992 0.004 0.000
#> GSM76127 4 0.0000 0.988 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.0000 0.988 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76129 2 0.5704 0.236 0.000 0.504 0.000 0.024 0.092 0.380
#> GSM76130 4 0.0000 0.988 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.2562 0.771 0.000 0.828 0.000 0.000 0.000 0.172
#> GSM76133 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 6 0.0000 0.968 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM76135 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 6 0.0000 0.968 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM76138 6 0.0632 0.951 0.000 0.000 0.000 0.000 0.024 0.976
#> GSM76139 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.1049 0.833 0.008 0.000 0.000 0.000 0.960 0.032
#> GSM76141 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 6 0.0000 0.968 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM76146 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.0713 0.881 0.000 0.972 0.000 0.000 0.000 0.028
#> GSM76148 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 6 0.0405 0.959 0.000 0.004 0.008 0.000 0.000 0.988
#> GSM76150 6 0.0000 0.968 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM76151 6 0.0146 0.966 0.000 0.004 0.000 0.000 0.000 0.996
#> GSM76152 1 0.3050 0.822 0.764 0.000 0.000 0.000 0.236 0.000
#> GSM76153 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 6 0.0000 0.968 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM76155 6 0.0146 0.966 0.000 0.004 0.000 0.000 0.000 0.996
#> GSM76156 2 0.0000 0.892 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.5560 0.612 0.204 0.644 0.028 0.000 0.008 0.116
#> GSM76031 1 0.3819 0.722 0.672 0.000 0.012 0.000 0.316 0.000
#> GSM76032 3 0.0146 0.910 0.004 0.000 0.996 0.000 0.000 0.000
#> GSM76033 3 0.0146 0.910 0.000 0.000 0.996 0.000 0.004 0.000
#> GSM76034 5 0.4089 0.768 0.000 0.132 0.032 0.000 0.780 0.056
#> GSM76035 3 0.3278 0.821 0.088 0.000 0.824 0.000 0.000 0.088
#> GSM76036 3 0.0000 0.910 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76037 6 0.3052 0.655 0.000 0.004 0.000 0.000 0.216 0.780
#> GSM76038 1 0.2883 0.838 0.788 0.000 0.000 0.000 0.212 0.000
#> GSM76039 5 0.1890 0.833 0.024 0.000 0.000 0.000 0.916 0.060
#> GSM76040 3 0.0000 0.910 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76041 1 0.0260 0.883 0.992 0.000 0.000 0.000 0.008 0.000
#> GSM76042 5 0.1204 0.830 0.056 0.000 0.000 0.000 0.944 0.000
#> GSM76043 3 0.5569 0.407 0.280 0.000 0.540 0.000 0.180 0.000
#> GSM76044 1 0.2152 0.885 0.904 0.000 0.004 0.000 0.068 0.024
#> GSM76045 1 0.0260 0.883 0.992 0.000 0.000 0.000 0.008 0.000
#> GSM76046 3 0.1448 0.900 0.012 0.000 0.948 0.016 0.024 0.000
#> GSM76047 1 0.1218 0.883 0.956 0.000 0.028 0.000 0.012 0.004
#> GSM76048 3 0.0508 0.911 0.004 0.000 0.984 0.000 0.000 0.012
#> GSM76049 1 0.1196 0.877 0.952 0.000 0.000 0.000 0.008 0.040
#> GSM76050 1 0.1663 0.887 0.912 0.000 0.000 0.000 0.088 0.000
#> GSM76051 3 0.0000 0.910 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76052 3 0.0363 0.910 0.000 0.000 0.988 0.000 0.012 0.000
#> GSM76053 3 0.2230 0.867 0.000 0.000 0.892 0.000 0.024 0.084
#> GSM76054 3 0.0363 0.911 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76055 5 0.3819 0.647 0.012 0.000 0.000 0.000 0.672 0.316
#> GSM76056 5 0.5856 0.681 0.156 0.132 0.000 0.000 0.632 0.080
#> GSM76057 2 0.4526 0.726 0.028 0.756 0.008 0.000 0.136 0.072
#> GSM76058 3 0.0363 0.910 0.012 0.000 0.988 0.000 0.000 0.000
#> GSM76059 1 0.2996 0.832 0.772 0.000 0.000 0.000 0.228 0.000
#> GSM76060 2 0.5552 0.611 0.200 0.640 0.044 0.000 0.116 0.000
#> GSM76061 2 0.3627 0.668 0.000 0.752 0.004 0.000 0.224 0.020
#> GSM76062 1 0.0146 0.884 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM76063 3 0.1908 0.881 0.000 0.056 0.916 0.000 0.000 0.028
#> GSM76064 1 0.3748 0.806 0.816 0.000 0.040 0.000 0.084 0.060
#> GSM76065 2 0.2803 0.822 0.000 0.864 0.004 0.000 0.048 0.084
#> GSM76066 1 0.0405 0.883 0.988 0.000 0.008 0.000 0.004 0.000
#> GSM76067 1 0.0363 0.882 0.988 0.000 0.012 0.000 0.000 0.000
#> GSM76068 3 0.0909 0.909 0.020 0.000 0.968 0.000 0.000 0.012
#> GSM76069 1 0.0951 0.884 0.968 0.000 0.004 0.000 0.020 0.008
#> GSM76070 2 0.1753 0.848 0.000 0.912 0.004 0.000 0.000 0.084
#> GSM76071 1 0.2793 0.843 0.800 0.000 0.000 0.000 0.200 0.000
#> GSM76072 5 0.0260 0.831 0.008 0.000 0.000 0.000 0.992 0.000
#> GSM76073 1 0.2996 0.819 0.772 0.000 0.000 0.000 0.228 0.000
#> GSM76074 5 0.0260 0.829 0.008 0.000 0.000 0.000 0.992 0.000
#> GSM76075 3 0.0000 0.910 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76076 3 0.0547 0.910 0.020 0.000 0.980 0.000 0.000 0.000
#> GSM76077 1 0.4855 0.586 0.672 0.004 0.000 0.000 0.200 0.124
#> GSM76078 3 0.5820 0.619 0.124 0.128 0.664 0.000 0.068 0.016
#> GSM76079 1 0.1556 0.888 0.920 0.000 0.000 0.000 0.080 0.000
#> GSM76080 3 0.1858 0.875 0.000 0.000 0.904 0.004 0.000 0.092
#> GSM76081 3 0.1010 0.903 0.000 0.000 0.960 0.004 0.000 0.036
#> GSM76082 3 0.0937 0.905 0.040 0.000 0.960 0.000 0.000 0.000
#> GSM76083 3 0.0547 0.910 0.020 0.000 0.980 0.000 0.000 0.000
#> GSM76084 3 0.1714 0.877 0.000 0.000 0.908 0.000 0.000 0.092
#> GSM76085 3 0.0000 0.910 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76086 1 0.2664 0.742 0.816 0.000 0.184 0.000 0.000 0.000
#> GSM76087 2 0.2912 0.803 0.000 0.844 0.000 0.040 0.000 0.116
#> GSM76088 1 0.0976 0.882 0.968 0.008 0.000 0.000 0.008 0.016
#> GSM76089 6 0.1401 0.933 0.004 0.028 0.000 0.000 0.020 0.948
#> GSM76090 1 0.0603 0.882 0.980 0.000 0.016 0.000 0.000 0.004
#> GSM76091 1 0.1802 0.869 0.916 0.000 0.012 0.000 0.072 0.000
#> GSM76092 1 0.1075 0.887 0.952 0.000 0.000 0.000 0.048 0.000
#> GSM76093 1 0.2697 0.855 0.812 0.000 0.000 0.000 0.188 0.000
#> GSM76094 5 0.3011 0.784 0.004 0.004 0.000 0.000 0.800 0.192
#> GSM76095 5 0.0603 0.833 0.016 0.000 0.004 0.000 0.980 0.000
#> GSM76096 5 0.0146 0.830 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76097 5 0.5078 0.706 0.064 0.176 0.000 0.000 0.696 0.064
#> GSM76098 3 0.1555 0.900 0.000 0.008 0.940 0.012 0.000 0.040
#> GSM76099 5 0.3835 0.646 0.300 0.000 0.000 0.000 0.684 0.016
#> GSM76100 5 0.0713 0.833 0.028 0.000 0.000 0.000 0.972 0.000
#> GSM76101 1 0.2762 0.851 0.804 0.000 0.000 0.000 0.196 0.000
#> GSM76102 5 0.0692 0.832 0.000 0.020 0.004 0.000 0.976 0.000
#> GSM76103 3 0.1327 0.891 0.064 0.000 0.936 0.000 0.000 0.000
#> GSM76104 3 0.2320 0.824 0.000 0.004 0.864 0.000 0.132 0.000
#> GSM76105 5 0.2964 0.777 0.004 0.000 0.000 0.000 0.792 0.204
#> GSM76106 3 0.5343 0.413 0.000 0.000 0.572 0.324 0.092 0.012
#> GSM76107 4 0.1501 0.909 0.000 0.000 0.000 0.924 0.076 0.000
#> GSM76108 5 0.4191 0.753 0.180 0.000 0.000 0.000 0.732 0.088
#> GSM76109 1 0.2762 0.851 0.804 0.000 0.000 0.000 0.196 0.000
#> GSM76110 1 0.1663 0.888 0.912 0.000 0.000 0.000 0.088 0.000
#> GSM76111 5 0.0713 0.832 0.028 0.000 0.000 0.000 0.972 0.000
#> GSM76112 1 0.2854 0.844 0.792 0.000 0.000 0.000 0.208 0.000
#> GSM76113 3 0.3586 0.725 0.000 0.000 0.756 0.000 0.028 0.216
#> GSM76114 1 0.1003 0.884 0.964 0.000 0.020 0.000 0.016 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> MAD:pam 121 1.14e-01 2
#> MAD:pam 96 3.96e-08 3
#> MAD:pam 94 1.20e-08 4
#> MAD:pam 112 1.34e-10 5
#> MAD:pam 123 3.25e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "mclust"]
# you can also extract it by
# res = res_list["MAD:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.475 0.830 0.844 0.3890 0.554 0.554
#> 3 3 0.823 0.912 0.932 0.6538 0.711 0.512
#> 4 4 0.923 0.913 0.957 0.0947 0.731 0.402
#> 5 5 0.861 0.848 0.933 0.0887 0.908 0.699
#> 6 6 0.831 0.832 0.894 0.0481 0.924 0.698
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 1 0.8386 0.8819 0.732 0.268
#> GSM76116 1 0.7950 0.8719 0.760 0.240
#> GSM76117 1 0.8608 0.8897 0.716 0.284
#> GSM76118 1 0.8608 0.8897 0.716 0.284
#> GSM76119 2 0.1414 0.9114 0.020 0.980
#> GSM76120 2 0.1414 0.9114 0.020 0.980
#> GSM76121 1 0.8608 0.8897 0.716 0.284
#> GSM76122 1 0.8499 0.8880 0.724 0.276
#> GSM76123 2 0.1414 0.9114 0.020 0.980
#> GSM76124 1 0.8555 0.8890 0.720 0.280
#> GSM76125 2 0.1414 0.9114 0.020 0.980
#> GSM76126 2 0.1414 0.9114 0.020 0.980
#> GSM76127 2 0.1414 0.9114 0.020 0.980
#> GSM76128 2 0.1414 0.9114 0.020 0.980
#> GSM76129 1 0.8386 0.8850 0.732 0.268
#> GSM76130 2 0.1414 0.9114 0.020 0.980
#> GSM76131 1 0.0000 0.7004 1.000 0.000
#> GSM76132 1 0.0000 0.7004 1.000 0.000
#> GSM76133 1 0.0000 0.7004 1.000 0.000
#> GSM76134 1 0.4161 0.7687 0.916 0.084
#> GSM76135 1 0.0376 0.7037 0.996 0.004
#> GSM76136 1 0.0000 0.7004 1.000 0.000
#> GSM76137 2 0.9323 0.2521 0.348 0.652
#> GSM76138 1 0.7139 0.8437 0.804 0.196
#> GSM76139 1 0.3274 0.7497 0.940 0.060
#> GSM76140 1 0.8608 0.8897 0.716 0.284
#> GSM76141 1 0.0000 0.7004 1.000 0.000
#> GSM76142 1 0.0000 0.7004 1.000 0.000
#> GSM76143 1 0.0000 0.7004 1.000 0.000
#> GSM76144 1 0.0000 0.7004 1.000 0.000
#> GSM76145 1 0.8327 0.8841 0.736 0.264
#> GSM76146 1 0.0000 0.7004 1.000 0.000
#> GSM76147 1 0.0000 0.7004 1.000 0.000
#> GSM76148 1 0.0000 0.7004 1.000 0.000
#> GSM76149 1 0.4161 0.7687 0.916 0.084
#> GSM76150 1 0.4161 0.7687 0.916 0.084
#> GSM76151 1 0.9000 0.8304 0.684 0.316
#> GSM76152 1 0.8608 0.8897 0.716 0.284
#> GSM76153 1 0.0000 0.7004 1.000 0.000
#> GSM76154 1 0.4022 0.7657 0.920 0.080
#> GSM76155 1 0.4022 0.7657 0.920 0.080
#> GSM76156 1 0.0000 0.7004 1.000 0.000
#> GSM76030 1 0.8499 0.8880 0.724 0.276
#> GSM76031 1 0.8608 0.8897 0.716 0.284
#> GSM76032 2 0.0000 0.9221 0.000 1.000
#> GSM76033 2 0.0000 0.9221 0.000 1.000
#> GSM76034 1 0.8608 0.8873 0.716 0.284
#> GSM76035 2 0.0000 0.9221 0.000 1.000
#> GSM76036 2 0.0000 0.9221 0.000 1.000
#> GSM76037 1 0.8144 0.8788 0.748 0.252
#> GSM76038 1 0.8608 0.8897 0.716 0.284
#> GSM76039 1 0.8608 0.8897 0.716 0.284
#> GSM76040 2 0.0000 0.9221 0.000 1.000
#> GSM76041 1 0.8608 0.8897 0.716 0.284
#> GSM76042 1 0.8608 0.8897 0.716 0.284
#> GSM76043 1 0.9522 0.7688 0.628 0.372
#> GSM76044 1 0.8608 0.8897 0.716 0.284
#> GSM76045 1 0.8608 0.8897 0.716 0.284
#> GSM76046 2 0.0000 0.9221 0.000 1.000
#> GSM76047 2 0.9710 -0.0842 0.400 0.600
#> GSM76048 2 0.0000 0.9221 0.000 1.000
#> GSM76049 1 0.8499 0.8880 0.724 0.276
#> GSM76050 1 0.9710 0.7144 0.600 0.400
#> GSM76051 2 0.0000 0.9221 0.000 1.000
#> GSM76052 2 0.0000 0.9221 0.000 1.000
#> GSM76053 2 0.8813 0.3550 0.300 0.700
#> GSM76054 2 0.0000 0.9221 0.000 1.000
#> GSM76055 1 0.8499 0.8880 0.724 0.276
#> GSM76056 1 0.8555 0.8890 0.720 0.280
#> GSM76057 1 0.8443 0.8867 0.728 0.272
#> GSM76058 2 0.0000 0.9221 0.000 1.000
#> GSM76059 1 0.8608 0.8897 0.716 0.284
#> GSM76060 1 0.8499 0.8880 0.724 0.276
#> GSM76061 1 0.8386 0.8849 0.732 0.268
#> GSM76062 1 0.8608 0.8897 0.716 0.284
#> GSM76063 2 0.9044 0.3126 0.320 0.680
#> GSM76064 2 0.2236 0.8866 0.036 0.964
#> GSM76065 1 0.8267 0.8818 0.740 0.260
#> GSM76066 2 0.9988 -0.4148 0.480 0.520
#> GSM76067 2 0.0000 0.9221 0.000 1.000
#> GSM76068 2 0.0000 0.9221 0.000 1.000
#> GSM76069 1 0.8608 0.8897 0.716 0.284
#> GSM76070 1 0.4431 0.7747 0.908 0.092
#> GSM76071 1 0.8608 0.8897 0.716 0.284
#> GSM76072 1 0.8608 0.8897 0.716 0.284
#> GSM76073 1 0.8608 0.8897 0.716 0.284
#> GSM76074 1 0.8608 0.8897 0.716 0.284
#> GSM76075 2 0.0000 0.9221 0.000 1.000
#> GSM76076 2 0.0000 0.9221 0.000 1.000
#> GSM76077 1 0.8608 0.8897 0.716 0.284
#> GSM76078 1 0.9460 0.7848 0.636 0.364
#> GSM76079 1 0.8608 0.8897 0.716 0.284
#> GSM76080 2 0.0000 0.9221 0.000 1.000
#> GSM76081 2 0.0000 0.9221 0.000 1.000
#> GSM76082 2 0.0000 0.9221 0.000 1.000
#> GSM76083 2 0.0000 0.9221 0.000 1.000
#> GSM76084 2 0.8016 0.5468 0.244 0.756
#> GSM76085 2 0.0000 0.9221 0.000 1.000
#> GSM76086 2 0.0000 0.9221 0.000 1.000
#> GSM76087 1 0.4161 0.7687 0.916 0.084
#> GSM76088 1 0.8443 0.8867 0.728 0.272
#> GSM76089 1 0.8207 0.8810 0.744 0.256
#> GSM76090 2 0.0000 0.9221 0.000 1.000
#> GSM76091 1 0.8608 0.8897 0.716 0.284
#> GSM76092 1 0.8608 0.8897 0.716 0.284
#> GSM76093 1 0.8608 0.8897 0.716 0.284
#> GSM76094 1 0.8555 0.8890 0.720 0.280
#> GSM76095 1 0.8608 0.8897 0.716 0.284
#> GSM76096 1 0.8608 0.8897 0.716 0.284
#> GSM76097 1 0.8608 0.8897 0.716 0.284
#> GSM76098 2 0.0000 0.9221 0.000 1.000
#> GSM76099 1 0.8608 0.8897 0.716 0.284
#> GSM76100 1 0.8608 0.8897 0.716 0.284
#> GSM76101 1 0.8608 0.8897 0.716 0.284
#> GSM76102 1 0.8608 0.8897 0.716 0.284
#> GSM76103 2 0.0000 0.9221 0.000 1.000
#> GSM76104 2 0.0000 0.9221 0.000 1.000
#> GSM76105 1 0.8608 0.8897 0.716 0.284
#> GSM76106 2 0.0938 0.9160 0.012 0.988
#> GSM76107 2 0.1414 0.9114 0.020 0.980
#> GSM76108 1 0.8608 0.8897 0.716 0.284
#> GSM76109 1 0.8608 0.8897 0.716 0.284
#> GSM76110 1 0.8608 0.8897 0.716 0.284
#> GSM76111 1 0.8608 0.8897 0.716 0.284
#> GSM76112 1 0.8861 0.8695 0.696 0.304
#> GSM76113 1 0.8608 0.8897 0.716 0.284
#> GSM76114 1 0.8608 0.8897 0.716 0.284
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.3276 0.922 0.068 0.908 0.024
#> GSM76116 2 0.3637 0.922 0.084 0.892 0.024
#> GSM76117 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76118 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76119 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76120 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76121 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76122 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76123 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76124 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76125 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76126 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76127 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76128 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76129 2 0.3722 0.922 0.088 0.888 0.024
#> GSM76130 3 0.3045 0.938 0.064 0.020 0.916
#> GSM76131 2 0.0237 0.892 0.004 0.996 0.000
#> GSM76132 2 0.0000 0.890 0.000 1.000 0.000
#> GSM76133 2 0.0237 0.892 0.004 0.996 0.000
#> GSM76134 2 0.3276 0.922 0.068 0.908 0.024
#> GSM76135 2 0.0424 0.893 0.008 0.992 0.000
#> GSM76136 2 0.0237 0.892 0.004 0.996 0.000
#> GSM76137 2 0.5970 0.819 0.060 0.780 0.160
#> GSM76138 2 0.3550 0.922 0.080 0.896 0.024
#> GSM76139 2 0.2486 0.919 0.060 0.932 0.008
#> GSM76140 2 0.4270 0.913 0.116 0.860 0.024
#> GSM76141 2 0.0000 0.890 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.890 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.890 0.000 1.000 0.000
#> GSM76144 2 0.0237 0.892 0.004 0.996 0.000
#> GSM76145 2 0.3337 0.920 0.060 0.908 0.032
#> GSM76146 2 0.0000 0.890 0.000 1.000 0.000
#> GSM76147 2 0.0592 0.896 0.012 0.988 0.000
#> GSM76148 2 0.0000 0.890 0.000 1.000 0.000
#> GSM76149 2 0.3276 0.922 0.068 0.908 0.024
#> GSM76150 2 0.3181 0.922 0.064 0.912 0.024
#> GSM76151 2 0.3406 0.922 0.068 0.904 0.028
#> GSM76152 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76153 2 0.0237 0.892 0.004 0.996 0.000
#> GSM76154 2 0.2947 0.921 0.060 0.920 0.020
#> GSM76155 2 0.2846 0.920 0.056 0.924 0.020
#> GSM76156 2 0.0424 0.895 0.008 0.992 0.000
#> GSM76030 2 0.7188 0.160 0.488 0.488 0.024
#> GSM76031 1 0.0424 0.960 0.992 0.008 0.000
#> GSM76032 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76033 3 0.0237 0.963 0.004 0.000 0.996
#> GSM76034 2 0.4357 0.915 0.080 0.868 0.052
#> GSM76035 3 0.2400 0.938 0.064 0.004 0.932
#> GSM76036 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76037 2 0.3637 0.922 0.084 0.892 0.024
#> GSM76038 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76039 2 0.4291 0.890 0.152 0.840 0.008
#> GSM76040 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76041 1 0.0592 0.957 0.988 0.000 0.012
#> GSM76042 2 0.6587 0.428 0.424 0.568 0.008
#> GSM76043 1 0.1860 0.939 0.948 0.000 0.052
#> GSM76044 2 0.4121 0.917 0.108 0.868 0.024
#> GSM76045 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76046 3 0.1399 0.957 0.028 0.004 0.968
#> GSM76047 1 0.2356 0.921 0.928 0.000 0.072
#> GSM76048 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76049 1 0.5536 0.710 0.776 0.200 0.024
#> GSM76050 1 0.1529 0.947 0.960 0.000 0.040
#> GSM76051 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76052 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76053 2 0.5970 0.828 0.060 0.780 0.160
#> GSM76054 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76055 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76056 1 0.1129 0.953 0.976 0.004 0.020
#> GSM76057 1 0.2187 0.942 0.948 0.028 0.024
#> GSM76058 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76059 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76060 1 0.2318 0.940 0.944 0.028 0.028
#> GSM76061 1 0.2187 0.942 0.948 0.028 0.024
#> GSM76062 1 0.0661 0.959 0.988 0.004 0.008
#> GSM76063 2 0.6887 0.722 0.060 0.704 0.236
#> GSM76064 1 0.5815 0.566 0.692 0.004 0.304
#> GSM76065 2 0.3550 0.922 0.080 0.896 0.024
#> GSM76066 1 0.1411 0.946 0.964 0.000 0.036
#> GSM76067 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76068 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76069 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76070 2 0.3325 0.923 0.076 0.904 0.020
#> GSM76071 1 0.0747 0.955 0.984 0.000 0.016
#> GSM76072 1 0.0661 0.959 0.988 0.004 0.008
#> GSM76073 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76074 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76075 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76076 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76077 1 0.2056 0.944 0.952 0.024 0.024
#> GSM76078 1 0.2527 0.936 0.936 0.020 0.044
#> GSM76079 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76080 3 0.1525 0.956 0.032 0.004 0.964
#> GSM76081 3 0.0237 0.963 0.000 0.004 0.996
#> GSM76082 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76083 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76084 2 0.7451 0.604 0.060 0.636 0.304
#> GSM76085 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76086 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76087 2 0.3083 0.922 0.060 0.916 0.024
#> GSM76088 1 0.2187 0.942 0.948 0.028 0.024
#> GSM76089 2 0.3461 0.922 0.076 0.900 0.024
#> GSM76090 3 0.0592 0.962 0.012 0.000 0.988
#> GSM76091 1 0.0592 0.957 0.988 0.000 0.012
#> GSM76092 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76093 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76094 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76095 1 0.5220 0.684 0.780 0.208 0.012
#> GSM76096 2 0.4121 0.917 0.108 0.868 0.024
#> GSM76097 2 0.4277 0.904 0.132 0.852 0.016
#> GSM76098 3 0.1399 0.957 0.028 0.004 0.968
#> GSM76099 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76100 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76101 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76102 2 0.4121 0.917 0.108 0.868 0.024
#> GSM76103 3 0.0000 0.964 0.000 0.000 1.000
#> GSM76104 3 0.2301 0.940 0.060 0.004 0.936
#> GSM76105 2 0.4045 0.919 0.104 0.872 0.024
#> GSM76106 3 0.2651 0.939 0.060 0.012 0.928
#> GSM76107 3 0.4179 0.900 0.072 0.052 0.876
#> GSM76108 2 0.4270 0.913 0.116 0.860 0.024
#> GSM76109 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76110 1 0.0237 0.961 0.996 0.004 0.000
#> GSM76111 1 0.0661 0.959 0.988 0.004 0.008
#> GSM76112 1 0.0892 0.952 0.980 0.000 0.020
#> GSM76113 2 0.6183 0.766 0.236 0.732 0.032
#> GSM76114 1 0.0237 0.961 0.996 0.004 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.1677 0.934 0.040 0.948 0.012 0.000
#> GSM76116 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76117 1 0.0469 0.952 0.988 0.000 0.000 0.012
#> GSM76118 1 0.1488 0.925 0.956 0.032 0.000 0.012
#> GSM76119 4 0.0469 0.990 0.000 0.000 0.012 0.988
#> GSM76120 4 0.0469 0.990 0.000 0.000 0.012 0.988
#> GSM76121 1 0.0469 0.948 0.988 0.000 0.012 0.000
#> GSM76122 1 0.2473 0.871 0.908 0.080 0.000 0.012
#> GSM76123 4 0.0469 0.990 0.000 0.000 0.012 0.988
#> GSM76124 1 0.4606 0.601 0.724 0.264 0.000 0.012
#> GSM76125 4 0.0469 0.990 0.000 0.000 0.012 0.988
#> GSM76126 4 0.1471 0.965 0.024 0.004 0.012 0.960
#> GSM76127 4 0.0469 0.990 0.000 0.000 0.012 0.988
#> GSM76128 4 0.0469 0.990 0.000 0.000 0.012 0.988
#> GSM76129 2 0.3625 0.809 0.160 0.828 0.012 0.000
#> GSM76130 4 0.0469 0.990 0.000 0.000 0.012 0.988
#> GSM76131 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76134 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76135 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76137 2 0.2644 0.917 0.032 0.916 0.008 0.044
#> GSM76138 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76139 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76140 1 0.0469 0.952 0.988 0.000 0.000 0.012
#> GSM76141 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76145 2 0.1488 0.936 0.032 0.956 0.012 0.000
#> GSM76146 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76148 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76149 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76150 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76151 2 0.1488 0.936 0.032 0.956 0.012 0.000
#> GSM76152 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76153 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76154 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76155 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76156 2 0.0000 0.930 0.000 1.000 0.000 0.000
#> GSM76030 2 0.1488 0.936 0.032 0.956 0.012 0.000
#> GSM76031 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76032 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76033 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76034 2 0.3279 0.876 0.096 0.872 0.032 0.000
#> GSM76035 3 0.0921 0.931 0.028 0.000 0.972 0.000
#> GSM76036 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76037 2 0.1584 0.935 0.036 0.952 0.012 0.000
#> GSM76038 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76039 1 0.0469 0.952 0.988 0.000 0.000 0.012
#> GSM76040 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76041 1 0.2921 0.805 0.860 0.000 0.140 0.000
#> GSM76042 1 0.0469 0.948 0.988 0.000 0.012 0.000
#> GSM76043 3 0.3074 0.795 0.152 0.000 0.848 0.000
#> GSM76044 1 0.0469 0.952 0.988 0.000 0.000 0.012
#> GSM76045 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76046 3 0.0336 0.946 0.008 0.000 0.992 0.000
#> GSM76047 3 0.1792 0.901 0.068 0.000 0.932 0.000
#> GSM76048 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76049 2 0.2179 0.917 0.064 0.924 0.012 0.000
#> GSM76050 1 0.3123 0.784 0.844 0.000 0.156 0.000
#> GSM76051 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76052 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76053 1 0.7006 0.295 0.528 0.132 0.340 0.000
#> GSM76054 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76055 2 0.4891 0.592 0.308 0.680 0.000 0.012
#> GSM76056 2 0.5360 0.287 0.436 0.552 0.012 0.000
#> GSM76057 2 0.1488 0.936 0.032 0.956 0.012 0.000
#> GSM76058 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76059 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76060 2 0.2197 0.923 0.048 0.928 0.024 0.000
#> GSM76061 2 0.1488 0.936 0.032 0.956 0.012 0.000
#> GSM76062 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76063 3 0.1733 0.918 0.028 0.024 0.948 0.000
#> GSM76064 3 0.1940 0.892 0.076 0.000 0.924 0.000
#> GSM76065 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76066 3 0.2281 0.874 0.096 0.000 0.904 0.000
#> GSM76067 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76068 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76069 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76070 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76071 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76075 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76076 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76077 2 0.4098 0.757 0.204 0.784 0.012 0.000
#> GSM76078 3 0.1724 0.916 0.032 0.020 0.948 0.000
#> GSM76079 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76080 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76081 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76082 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76083 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76084 3 0.4057 0.741 0.032 0.152 0.816 0.000
#> GSM76085 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76086 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76087 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76088 2 0.3217 0.855 0.128 0.860 0.012 0.000
#> GSM76089 2 0.1022 0.940 0.032 0.968 0.000 0.000
#> GSM76090 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76091 1 0.3444 0.741 0.816 0.000 0.184 0.000
#> GSM76092 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76094 1 0.0937 0.944 0.976 0.012 0.000 0.012
#> GSM76095 1 0.0469 0.948 0.988 0.000 0.012 0.000
#> GSM76096 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76097 1 0.0469 0.952 0.988 0.000 0.000 0.012
#> GSM76098 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76099 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76100 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76101 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76102 1 0.0469 0.948 0.988 0.000 0.012 0.000
#> GSM76103 3 0.0000 0.951 0.000 0.000 1.000 0.000
#> GSM76104 3 0.1022 0.928 0.032 0.000 0.968 0.000
#> GSM76105 1 0.0469 0.952 0.988 0.000 0.000 0.012
#> GSM76106 3 0.2483 0.900 0.032 0.000 0.916 0.052
#> GSM76107 4 0.1388 0.962 0.028 0.000 0.012 0.960
#> GSM76108 1 0.0469 0.952 0.988 0.000 0.000 0.012
#> GSM76109 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76111 1 0.0000 0.955 1.000 0.000 0.000 0.000
#> GSM76112 3 0.4888 0.325 0.412 0.000 0.588 0.000
#> GSM76113 2 0.3697 0.858 0.100 0.852 0.048 0.000
#> GSM76114 1 0.0000 0.955 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.3906 0.5357 0.004 0.704 0.000 0.000 0.292
#> GSM76116 2 0.1331 0.8677 0.008 0.952 0.000 0.000 0.040
#> GSM76117 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76118 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76119 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76120 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76121 5 0.3573 0.7084 0.036 0.000 0.152 0.000 0.812
#> GSM76122 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76123 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76124 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76125 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76126 4 0.0451 0.9830 0.004 0.000 0.008 0.988 0.000
#> GSM76127 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76128 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76129 5 0.4473 0.2960 0.008 0.412 0.000 0.000 0.580
#> GSM76130 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76131 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76135 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76137 2 0.1026 0.8798 0.004 0.968 0.000 0.024 0.004
#> GSM76138 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76139 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76140 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76141 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76146 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76150 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76151 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76152 1 0.0290 0.9367 0.992 0.000 0.000 0.000 0.008
#> GSM76153 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76155 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76156 2 0.0000 0.8914 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.3967 0.7148 0.008 0.772 0.200 0.000 0.020
#> GSM76031 1 0.0404 0.9361 0.988 0.000 0.000 0.000 0.012
#> GSM76032 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76033 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76034 2 0.6398 0.4775 0.016 0.576 0.228 0.000 0.180
#> GSM76035 3 0.0162 0.9436 0.004 0.000 0.996 0.000 0.000
#> GSM76036 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76037 2 0.3728 0.6140 0.008 0.748 0.000 0.000 0.244
#> GSM76038 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76039 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76040 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76041 1 0.0609 0.9206 0.980 0.000 0.020 0.000 0.000
#> GSM76042 1 0.4126 0.3402 0.620 0.000 0.000 0.000 0.380
#> GSM76043 3 0.1792 0.8715 0.084 0.000 0.916 0.000 0.000
#> GSM76044 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76045 1 0.0162 0.9347 0.996 0.000 0.004 0.000 0.000
#> GSM76046 3 0.0162 0.9453 0.000 0.000 0.996 0.000 0.004
#> GSM76047 3 0.2074 0.8482 0.104 0.000 0.896 0.000 0.000
#> GSM76048 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76049 2 0.4458 0.7557 0.036 0.796 0.084 0.000 0.084
#> GSM76050 1 0.0290 0.9326 0.992 0.000 0.008 0.000 0.000
#> GSM76051 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76052 3 0.0162 0.9453 0.000 0.000 0.996 0.000 0.004
#> GSM76053 3 0.6519 0.3170 0.032 0.300 0.552 0.000 0.116
#> GSM76054 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76055 5 0.0992 0.8561 0.008 0.024 0.000 0.000 0.968
#> GSM76056 1 0.6882 0.0779 0.440 0.304 0.008 0.000 0.248
#> GSM76057 2 0.4208 0.7363 0.024 0.788 0.156 0.000 0.032
#> GSM76058 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76059 1 0.0290 0.9366 0.992 0.000 0.000 0.000 0.008
#> GSM76060 2 0.5557 0.2515 0.044 0.520 0.424 0.000 0.012
#> GSM76061 2 0.3379 0.7658 0.008 0.828 0.148 0.000 0.016
#> GSM76062 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76063 3 0.3766 0.6038 0.004 0.268 0.728 0.000 0.000
#> GSM76064 3 0.0510 0.9354 0.016 0.000 0.984 0.000 0.000
#> GSM76065 2 0.0451 0.8888 0.008 0.988 0.000 0.000 0.004
#> GSM76066 1 0.2852 0.7265 0.828 0.000 0.172 0.000 0.000
#> GSM76067 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76068 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76069 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76070 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76071 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.0404 0.9361 0.988 0.000 0.000 0.000 0.012
#> GSM76074 1 0.0404 0.9361 0.988 0.000 0.000 0.000 0.012
#> GSM76075 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76076 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76077 2 0.7365 0.4107 0.208 0.512 0.208 0.000 0.072
#> GSM76078 3 0.1074 0.9242 0.012 0.016 0.968 0.000 0.004
#> GSM76079 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76080 3 0.0162 0.9453 0.000 0.000 0.996 0.000 0.004
#> GSM76081 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76082 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76083 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76084 3 0.4331 0.2890 0.004 0.400 0.596 0.000 0.000
#> GSM76085 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76086 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76087 2 0.0324 0.8915 0.004 0.992 0.000 0.000 0.004
#> GSM76088 2 0.6987 0.4330 0.216 0.524 0.224 0.000 0.036
#> GSM76089 2 0.0579 0.8869 0.008 0.984 0.000 0.000 0.008
#> GSM76090 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76091 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.0404 0.9361 0.988 0.000 0.000 0.000 0.012
#> GSM76093 1 0.0404 0.9361 0.988 0.000 0.000 0.000 0.012
#> GSM76094 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76095 5 0.3774 0.5841 0.296 0.000 0.000 0.000 0.704
#> GSM76096 5 0.3039 0.7328 0.192 0.000 0.000 0.000 0.808
#> GSM76097 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76098 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76099 1 0.0703 0.9291 0.976 0.000 0.000 0.000 0.024
#> GSM76100 1 0.1792 0.8761 0.916 0.000 0.000 0.000 0.084
#> GSM76101 1 0.0404 0.9361 0.988 0.000 0.000 0.000 0.012
#> GSM76102 5 0.5785 0.4246 0.320 0.000 0.112 0.000 0.568
#> GSM76103 3 0.0000 0.9466 0.000 0.000 1.000 0.000 0.000
#> GSM76104 3 0.0162 0.9436 0.004 0.000 0.996 0.000 0.000
#> GSM76105 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76106 3 0.1410 0.8999 0.000 0.000 0.940 0.060 0.000
#> GSM76107 4 0.0000 0.9979 0.000 0.000 0.000 1.000 0.000
#> GSM76108 5 0.0404 0.8790 0.012 0.000 0.000 0.000 0.988
#> GSM76109 1 0.0404 0.9361 0.988 0.000 0.000 0.000 0.012
#> GSM76110 1 0.0794 0.9270 0.972 0.000 0.000 0.000 0.028
#> GSM76111 1 0.2561 0.8063 0.856 0.000 0.000 0.000 0.144
#> GSM76112 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
#> GSM76113 2 0.5624 0.2941 0.016 0.532 0.408 0.000 0.044
#> GSM76114 1 0.0000 0.9364 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 2 0.5531 0.3821 0.000 0.528 0.000 0.000 0.316 0.156
#> GSM76116 2 0.3413 0.7955 0.000 0.812 0.000 0.000 0.108 0.080
#> GSM76117 5 0.0000 0.8734 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76118 5 0.0000 0.8734 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76119 4 0.0000 0.9870 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.9870 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 5 0.1806 0.8216 0.088 0.000 0.004 0.000 0.908 0.000
#> GSM76122 5 0.0000 0.8734 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76123 4 0.0000 0.9870 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.0000 0.8734 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76125 4 0.0000 0.9870 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76126 4 0.1820 0.9155 0.000 0.000 0.012 0.924 0.008 0.056
#> GSM76127 4 0.0000 0.9870 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.0146 0.9838 0.000 0.000 0.000 0.996 0.004 0.000
#> GSM76129 5 0.4305 0.5174 0.000 0.216 0.000 0.000 0.708 0.076
#> GSM76130 4 0.0000 0.9870 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76132 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76133 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76134 2 0.2668 0.8248 0.000 0.828 0.000 0.000 0.004 0.168
#> GSM76135 2 0.0146 0.8607 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76136 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76137 2 0.3459 0.7819 0.000 0.768 0.000 0.016 0.004 0.212
#> GSM76138 2 0.3094 0.8234 0.000 0.824 0.000 0.000 0.036 0.140
#> GSM76139 2 0.1588 0.8532 0.000 0.924 0.000 0.000 0.004 0.072
#> GSM76140 5 0.0146 0.8717 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76141 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76142 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76143 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76144 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76145 2 0.3018 0.8196 0.000 0.816 0.004 0.000 0.012 0.168
#> GSM76146 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76147 2 0.0260 0.8602 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM76148 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76149 2 0.2668 0.8248 0.000 0.828 0.000 0.000 0.004 0.168
#> GSM76150 2 0.2668 0.8248 0.000 0.828 0.000 0.000 0.004 0.168
#> GSM76151 2 0.2871 0.8096 0.000 0.804 0.000 0.000 0.004 0.192
#> GSM76152 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76153 2 0.0146 0.8605 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76154 2 0.2402 0.8371 0.000 0.856 0.000 0.000 0.004 0.140
#> GSM76155 2 0.1531 0.8550 0.000 0.928 0.000 0.000 0.004 0.068
#> GSM76156 2 0.0291 0.8604 0.000 0.992 0.000 0.000 0.004 0.004
#> GSM76030 2 0.5592 0.0993 0.008 0.552 0.080 0.000 0.016 0.344
#> GSM76031 1 0.0458 0.9588 0.984 0.000 0.000 0.000 0.016 0.000
#> GSM76032 3 0.1765 0.8694 0.000 0.000 0.904 0.000 0.000 0.096
#> GSM76033 3 0.0865 0.8703 0.000 0.000 0.964 0.000 0.000 0.036
#> GSM76034 3 0.7665 -0.0683 0.004 0.212 0.364 0.000 0.224 0.196
#> GSM76035 3 0.2046 0.8561 0.032 0.000 0.916 0.000 0.008 0.044
#> GSM76036 3 0.0363 0.8758 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76037 2 0.3104 0.7311 0.000 0.800 0.000 0.000 0.184 0.016
#> GSM76038 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76039 5 0.0363 0.8701 0.012 0.000 0.000 0.000 0.988 0.000
#> GSM76040 3 0.2048 0.8479 0.000 0.000 0.880 0.000 0.000 0.120
#> GSM76041 1 0.0146 0.9661 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76042 5 0.3151 0.6442 0.252 0.000 0.000 0.000 0.748 0.000
#> GSM76043 3 0.3801 0.7725 0.132 0.000 0.792 0.000 0.012 0.064
#> GSM76044 5 0.0000 0.8734 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76045 1 0.1765 0.8901 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76046 3 0.2135 0.8443 0.000 0.000 0.872 0.000 0.000 0.128
#> GSM76047 3 0.3449 0.8004 0.116 0.000 0.808 0.000 0.000 0.076
#> GSM76048 3 0.0937 0.8694 0.000 0.000 0.960 0.000 0.000 0.040
#> GSM76049 6 0.6067 0.7631 0.084 0.268 0.016 0.000 0.048 0.584
#> GSM76050 1 0.0260 0.9628 0.992 0.000 0.008 0.000 0.000 0.000
#> GSM76051 3 0.1204 0.8751 0.000 0.000 0.944 0.000 0.000 0.056
#> GSM76052 3 0.2092 0.8462 0.000 0.000 0.876 0.000 0.000 0.124
#> GSM76053 5 0.6912 0.1354 0.044 0.032 0.380 0.000 0.420 0.124
#> GSM76054 3 0.0363 0.8742 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76055 5 0.0458 0.8623 0.000 0.016 0.000 0.000 0.984 0.000
#> GSM76056 6 0.5767 0.6361 0.276 0.132 0.000 0.000 0.024 0.568
#> GSM76057 6 0.4984 0.7037 0.028 0.344 0.012 0.000 0.016 0.600
#> GSM76058 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76059 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76060 6 0.5606 0.7364 0.052 0.192 0.076 0.000 0.016 0.664
#> GSM76061 6 0.4820 0.6795 0.016 0.364 0.012 0.000 0.016 0.592
#> GSM76062 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.4880 0.5165 0.000 0.652 0.256 0.000 0.008 0.084
#> GSM76064 3 0.2452 0.8447 0.056 0.000 0.892 0.000 0.008 0.044
#> GSM76065 2 0.0632 0.8566 0.000 0.976 0.000 0.000 0.024 0.000
#> GSM76066 1 0.1297 0.9198 0.948 0.000 0.040 0.000 0.000 0.012
#> GSM76067 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76068 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76069 1 0.1204 0.9307 0.944 0.000 0.000 0.000 0.000 0.056
#> GSM76070 2 0.0653 0.8583 0.000 0.980 0.004 0.000 0.012 0.004
#> GSM76071 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76074 1 0.0260 0.9640 0.992 0.000 0.000 0.000 0.008 0.000
#> GSM76075 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76076 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76077 6 0.5866 0.7598 0.176 0.184 0.012 0.000 0.020 0.608
#> GSM76078 6 0.4339 0.3711 0.000 0.032 0.316 0.000 0.004 0.648
#> GSM76079 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76080 3 0.2135 0.8443 0.000 0.000 0.872 0.000 0.000 0.128
#> GSM76081 3 0.0000 0.8753 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76082 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76083 3 0.1765 0.8693 0.000 0.000 0.904 0.000 0.000 0.096
#> GSM76084 2 0.5124 0.5892 0.000 0.652 0.188 0.000 0.008 0.152
#> GSM76085 3 0.1007 0.8762 0.000 0.000 0.956 0.000 0.000 0.044
#> GSM76086 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76087 2 0.2595 0.8288 0.000 0.836 0.000 0.000 0.004 0.160
#> GSM76088 6 0.5757 0.7638 0.168 0.188 0.012 0.000 0.016 0.616
#> GSM76089 2 0.1838 0.8511 0.000 0.916 0.000 0.000 0.016 0.068
#> GSM76090 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76091 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76094 5 0.0000 0.8734 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76095 5 0.4721 0.5625 0.212 0.000 0.000 0.000 0.672 0.116
#> GSM76096 5 0.2092 0.7955 0.124 0.000 0.000 0.000 0.876 0.000
#> GSM76097 5 0.0146 0.8729 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76098 3 0.2135 0.8443 0.000 0.000 0.872 0.000 0.000 0.128
#> GSM76099 1 0.1411 0.9248 0.936 0.000 0.000 0.000 0.004 0.060
#> GSM76100 1 0.1267 0.9177 0.940 0.000 0.000 0.000 0.060 0.000
#> GSM76101 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76102 5 0.2300 0.7777 0.144 0.000 0.000 0.000 0.856 0.000
#> GSM76103 3 0.1814 0.8684 0.000 0.000 0.900 0.000 0.000 0.100
#> GSM76104 3 0.1970 0.8540 0.000 0.000 0.900 0.000 0.008 0.092
#> GSM76105 5 0.0000 0.8734 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76106 3 0.3604 0.7735 0.000 0.000 0.788 0.036 0.008 0.168
#> GSM76107 4 0.0260 0.9792 0.000 0.000 0.000 0.992 0.008 0.000
#> GSM76108 5 0.0146 0.8732 0.004 0.000 0.000 0.000 0.996 0.000
#> GSM76109 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.0632 0.9530 0.976 0.000 0.000 0.000 0.024 0.000
#> GSM76111 1 0.3874 0.6812 0.760 0.000 0.000 0.000 0.172 0.068
#> GSM76112 1 0.0000 0.9679 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76113 3 0.5175 0.6048 0.008 0.088 0.696 0.000 0.036 0.172
#> GSM76114 1 0.1267 0.9279 0.940 0.000 0.000 0.000 0.000 0.060
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> MAD:mclust 122 1.37e-01 2
#> MAD:mclust 125 2.25e-08 3
#> MAD:mclust 124 1.24e-09 4
#> MAD:mclust 116 2.48e-11 5
#> MAD:mclust 122 3.16e-12 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["MAD", "NMF"]
# you can also extract it by
# res = res_list["MAD:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'MAD' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.950 0.943 0.976 0.5016 0.498 0.498
#> 3 3 0.580 0.693 0.854 0.3254 0.716 0.492
#> 4 4 0.654 0.674 0.842 0.1178 0.813 0.525
#> 5 5 0.606 0.609 0.778 0.0719 0.864 0.546
#> 6 6 0.610 0.524 0.717 0.0413 0.931 0.686
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.979 0.000 1.000
#> GSM76116 2 0.0000 0.979 0.000 1.000
#> GSM76117 2 0.7056 0.763 0.192 0.808
#> GSM76118 2 0.1414 0.963 0.020 0.980
#> GSM76119 2 0.0000 0.979 0.000 1.000
#> GSM76120 2 0.0000 0.979 0.000 1.000
#> GSM76121 1 0.7219 0.752 0.800 0.200
#> GSM76122 2 0.0000 0.979 0.000 1.000
#> GSM76123 2 0.0000 0.979 0.000 1.000
#> GSM76124 2 0.0000 0.979 0.000 1.000
#> GSM76125 2 0.0000 0.979 0.000 1.000
#> GSM76126 2 0.0000 0.979 0.000 1.000
#> GSM76127 2 0.0000 0.979 0.000 1.000
#> GSM76128 2 0.7299 0.744 0.204 0.796
#> GSM76129 2 0.0000 0.979 0.000 1.000
#> GSM76130 2 0.0000 0.979 0.000 1.000
#> GSM76131 2 0.0000 0.979 0.000 1.000
#> GSM76132 2 0.0000 0.979 0.000 1.000
#> GSM76133 2 0.0000 0.979 0.000 1.000
#> GSM76134 2 0.0000 0.979 0.000 1.000
#> GSM76135 2 0.0000 0.979 0.000 1.000
#> GSM76136 2 0.0000 0.979 0.000 1.000
#> GSM76137 2 0.0000 0.979 0.000 1.000
#> GSM76138 2 0.0000 0.979 0.000 1.000
#> GSM76139 2 0.0000 0.979 0.000 1.000
#> GSM76140 1 0.0000 0.970 1.000 0.000
#> GSM76141 2 0.0000 0.979 0.000 1.000
#> GSM76142 2 0.0000 0.979 0.000 1.000
#> GSM76143 2 0.0000 0.979 0.000 1.000
#> GSM76144 2 0.0000 0.979 0.000 1.000
#> GSM76145 2 0.0000 0.979 0.000 1.000
#> GSM76146 2 0.0000 0.979 0.000 1.000
#> GSM76147 2 0.0000 0.979 0.000 1.000
#> GSM76148 2 0.0000 0.979 0.000 1.000
#> GSM76149 2 0.0000 0.979 0.000 1.000
#> GSM76150 2 0.0000 0.979 0.000 1.000
#> GSM76151 2 0.0000 0.979 0.000 1.000
#> GSM76152 1 0.0000 0.970 1.000 0.000
#> GSM76153 2 0.0000 0.979 0.000 1.000
#> GSM76154 2 0.0000 0.979 0.000 1.000
#> GSM76155 2 0.0000 0.979 0.000 1.000
#> GSM76156 2 0.0000 0.979 0.000 1.000
#> GSM76030 2 0.0376 0.976 0.004 0.996
#> GSM76031 1 0.0000 0.970 1.000 0.000
#> GSM76032 1 0.0000 0.970 1.000 0.000
#> GSM76033 1 0.9909 0.212 0.556 0.444
#> GSM76034 2 0.0000 0.979 0.000 1.000
#> GSM76035 1 0.1633 0.952 0.976 0.024
#> GSM76036 2 0.0000 0.979 0.000 1.000
#> GSM76037 2 0.0000 0.979 0.000 1.000
#> GSM76038 1 0.0000 0.970 1.000 0.000
#> GSM76039 1 0.0000 0.970 1.000 0.000
#> GSM76040 2 0.0000 0.979 0.000 1.000
#> GSM76041 1 0.0000 0.970 1.000 0.000
#> GSM76042 1 0.0000 0.970 1.000 0.000
#> GSM76043 1 0.0000 0.970 1.000 0.000
#> GSM76044 1 0.9129 0.517 0.672 0.328
#> GSM76045 1 0.0000 0.970 1.000 0.000
#> GSM76046 2 0.0000 0.979 0.000 1.000
#> GSM76047 1 0.0000 0.970 1.000 0.000
#> GSM76048 1 0.0000 0.970 1.000 0.000
#> GSM76049 2 0.9552 0.396 0.376 0.624
#> GSM76050 1 0.0000 0.970 1.000 0.000
#> GSM76051 1 0.9608 0.390 0.616 0.384
#> GSM76052 2 0.0000 0.979 0.000 1.000
#> GSM76053 2 0.0376 0.976 0.004 0.996
#> GSM76054 2 0.0000 0.979 0.000 1.000
#> GSM76055 2 0.0938 0.970 0.012 0.988
#> GSM76056 1 0.0000 0.970 1.000 0.000
#> GSM76057 1 0.6712 0.784 0.824 0.176
#> GSM76058 1 0.0000 0.970 1.000 0.000
#> GSM76059 1 0.0000 0.970 1.000 0.000
#> GSM76060 1 0.3114 0.923 0.944 0.056
#> GSM76061 2 0.0938 0.970 0.012 0.988
#> GSM76062 1 0.0000 0.970 1.000 0.000
#> GSM76063 2 0.0000 0.979 0.000 1.000
#> GSM76064 1 0.0000 0.970 1.000 0.000
#> GSM76065 2 0.0000 0.979 0.000 1.000
#> GSM76066 1 0.0000 0.970 1.000 0.000
#> GSM76067 1 0.0000 0.970 1.000 0.000
#> GSM76068 1 0.0000 0.970 1.000 0.000
#> GSM76069 1 0.0000 0.970 1.000 0.000
#> GSM76070 2 0.0000 0.979 0.000 1.000
#> GSM76071 1 0.0000 0.970 1.000 0.000
#> GSM76072 1 0.0000 0.970 1.000 0.000
#> GSM76073 1 0.0000 0.970 1.000 0.000
#> GSM76074 1 0.0000 0.970 1.000 0.000
#> GSM76075 1 0.0376 0.967 0.996 0.004
#> GSM76076 1 0.0000 0.970 1.000 0.000
#> GSM76077 1 0.2423 0.938 0.960 0.040
#> GSM76078 1 0.0000 0.970 1.000 0.000
#> GSM76079 1 0.0000 0.970 1.000 0.000
#> GSM76080 2 0.0000 0.979 0.000 1.000
#> GSM76081 2 0.0000 0.979 0.000 1.000
#> GSM76082 1 0.0000 0.970 1.000 0.000
#> GSM76083 2 0.6048 0.824 0.148 0.852
#> GSM76084 2 0.0000 0.979 0.000 1.000
#> GSM76085 1 0.2948 0.927 0.948 0.052
#> GSM76086 1 0.0000 0.970 1.000 0.000
#> GSM76087 2 0.0000 0.979 0.000 1.000
#> GSM76088 1 0.0000 0.970 1.000 0.000
#> GSM76089 2 0.0000 0.979 0.000 1.000
#> GSM76090 1 0.0000 0.970 1.000 0.000
#> GSM76091 1 0.0000 0.970 1.000 0.000
#> GSM76092 1 0.0000 0.970 1.000 0.000
#> GSM76093 1 0.0000 0.970 1.000 0.000
#> GSM76094 2 0.1843 0.956 0.028 0.972
#> GSM76095 1 0.0000 0.970 1.000 0.000
#> GSM76096 1 0.0000 0.970 1.000 0.000
#> GSM76097 1 0.0000 0.970 1.000 0.000
#> GSM76098 2 0.0000 0.979 0.000 1.000
#> GSM76099 1 0.0000 0.970 1.000 0.000
#> GSM76100 1 0.0000 0.970 1.000 0.000
#> GSM76101 1 0.0000 0.970 1.000 0.000
#> GSM76102 1 0.0000 0.970 1.000 0.000
#> GSM76103 1 0.0000 0.970 1.000 0.000
#> GSM76104 2 0.2423 0.945 0.040 0.960
#> GSM76105 2 0.8608 0.606 0.284 0.716
#> GSM76106 2 0.0000 0.979 0.000 1.000
#> GSM76107 2 0.0000 0.979 0.000 1.000
#> GSM76108 1 0.1414 0.955 0.980 0.020
#> GSM76109 1 0.0000 0.970 1.000 0.000
#> GSM76110 1 0.0000 0.970 1.000 0.000
#> GSM76111 1 0.0000 0.970 1.000 0.000
#> GSM76112 1 0.0000 0.970 1.000 0.000
#> GSM76113 2 0.0376 0.976 0.004 0.996
#> GSM76114 1 0.0000 0.970 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.1525 0.8206 0.004 0.964 0.032
#> GSM76116 2 0.0892 0.8236 0.020 0.980 0.000
#> GSM76117 2 0.4605 0.7024 0.204 0.796 0.000
#> GSM76118 2 0.3941 0.7481 0.156 0.844 0.000
#> GSM76119 2 0.6095 0.2972 0.000 0.608 0.392
#> GSM76120 3 0.5291 0.6134 0.000 0.268 0.732
#> GSM76121 1 0.5706 0.4880 0.680 0.320 0.000
#> GSM76122 2 0.1860 0.8130 0.052 0.948 0.000
#> GSM76123 3 0.5397 0.5973 0.000 0.280 0.720
#> GSM76124 2 0.3412 0.7726 0.124 0.876 0.000
#> GSM76125 3 0.5835 0.4946 0.000 0.340 0.660
#> GSM76126 3 0.5733 0.5257 0.000 0.324 0.676
#> GSM76127 3 0.5465 0.5849 0.000 0.288 0.712
#> GSM76128 3 0.0848 0.8079 0.008 0.008 0.984
#> GSM76129 2 0.0747 0.8246 0.016 0.984 0.000
#> GSM76130 2 0.6045 0.3317 0.000 0.620 0.380
#> GSM76131 2 0.1031 0.8207 0.000 0.976 0.024
#> GSM76132 2 0.1163 0.8197 0.000 0.972 0.028
#> GSM76133 2 0.0237 0.8249 0.000 0.996 0.004
#> GSM76134 2 0.3752 0.7342 0.000 0.856 0.144
#> GSM76135 2 0.0747 0.8244 0.016 0.984 0.000
#> GSM76136 2 0.1163 0.8194 0.000 0.972 0.028
#> GSM76137 2 0.6235 0.1650 0.000 0.564 0.436
#> GSM76138 2 0.0592 0.8248 0.012 0.988 0.000
#> GSM76139 2 0.1643 0.8122 0.000 0.956 0.044
#> GSM76140 1 0.5363 0.5691 0.724 0.276 0.000
#> GSM76141 2 0.0237 0.8249 0.000 0.996 0.004
#> GSM76142 2 0.0424 0.8244 0.000 0.992 0.008
#> GSM76143 2 0.0592 0.8237 0.000 0.988 0.012
#> GSM76144 2 0.0237 0.8249 0.000 0.996 0.004
#> GSM76145 2 0.6305 -0.0212 0.000 0.516 0.484
#> GSM76146 2 0.0237 0.8249 0.000 0.996 0.004
#> GSM76147 2 0.0747 0.8244 0.016 0.984 0.000
#> GSM76148 2 0.1163 0.8196 0.000 0.972 0.028
#> GSM76149 2 0.4887 0.6292 0.000 0.772 0.228
#> GSM76150 2 0.2711 0.7849 0.000 0.912 0.088
#> GSM76151 2 0.5678 0.4775 0.000 0.684 0.316
#> GSM76152 1 0.0475 0.8471 0.992 0.004 0.004
#> GSM76153 2 0.1289 0.8178 0.000 0.968 0.032
#> GSM76154 2 0.3116 0.7689 0.000 0.892 0.108
#> GSM76155 2 0.0661 0.8252 0.008 0.988 0.004
#> GSM76156 2 0.0747 0.8244 0.016 0.984 0.000
#> GSM76030 2 0.5667 0.7222 0.060 0.800 0.140
#> GSM76031 1 0.0747 0.8466 0.984 0.000 0.016
#> GSM76032 3 0.6026 0.2480 0.376 0.000 0.624
#> GSM76033 3 0.0592 0.8040 0.012 0.000 0.988
#> GSM76034 3 0.6302 0.1085 0.000 0.480 0.520
#> GSM76035 3 0.4452 0.6328 0.192 0.000 0.808
#> GSM76036 3 0.0747 0.8102 0.000 0.016 0.984
#> GSM76037 2 0.1163 0.8216 0.028 0.972 0.000
#> GSM76038 1 0.1031 0.8454 0.976 0.000 0.024
#> GSM76039 1 0.4842 0.6583 0.776 0.224 0.000
#> GSM76040 3 0.0747 0.8102 0.000 0.016 0.984
#> GSM76041 1 0.1860 0.8367 0.948 0.000 0.052
#> GSM76042 1 0.0892 0.8427 0.980 0.020 0.000
#> GSM76043 1 0.4796 0.7051 0.780 0.000 0.220
#> GSM76044 2 0.5363 0.5975 0.276 0.724 0.000
#> GSM76045 1 0.0424 0.8480 0.992 0.000 0.008
#> GSM76046 3 0.1289 0.8096 0.000 0.032 0.968
#> GSM76047 1 0.5016 0.6806 0.760 0.000 0.240
#> GSM76048 3 0.2066 0.7785 0.060 0.000 0.940
#> GSM76049 2 0.4702 0.6935 0.212 0.788 0.000
#> GSM76050 1 0.3482 0.7900 0.872 0.000 0.128
#> GSM76051 3 0.0592 0.8038 0.012 0.000 0.988
#> GSM76052 3 0.0592 0.8101 0.000 0.012 0.988
#> GSM76053 3 0.6244 0.2376 0.000 0.440 0.560
#> GSM76054 3 0.0892 0.8103 0.000 0.020 0.980
#> GSM76055 2 0.2711 0.7945 0.088 0.912 0.000
#> GSM76056 1 0.5988 0.3799 0.632 0.368 0.000
#> GSM76057 2 0.6451 0.2301 0.436 0.560 0.004
#> GSM76058 3 0.5678 0.4004 0.316 0.000 0.684
#> GSM76059 1 0.0747 0.8466 0.984 0.000 0.016
#> GSM76060 1 0.5901 0.7438 0.776 0.048 0.176
#> GSM76061 2 0.1765 0.8188 0.040 0.956 0.004
#> GSM76062 1 0.1163 0.8443 0.972 0.000 0.028
#> GSM76063 3 0.3192 0.7663 0.000 0.112 0.888
#> GSM76064 1 0.6008 0.4802 0.628 0.000 0.372
#> GSM76065 2 0.1643 0.8163 0.044 0.956 0.000
#> GSM76066 1 0.4178 0.7524 0.828 0.000 0.172
#> GSM76067 1 0.5926 0.5120 0.644 0.000 0.356
#> GSM76068 3 0.2448 0.7663 0.076 0.000 0.924
#> GSM76069 1 0.0592 0.8447 0.988 0.012 0.000
#> GSM76070 2 0.4291 0.6962 0.000 0.820 0.180
#> GSM76071 1 0.2165 0.8312 0.936 0.000 0.064
#> GSM76072 1 0.1753 0.8380 0.952 0.000 0.048
#> GSM76073 1 0.0829 0.8480 0.984 0.004 0.012
#> GSM76074 1 0.0661 0.8476 0.988 0.004 0.008
#> GSM76075 3 0.2448 0.7673 0.076 0.000 0.924
#> GSM76076 3 0.2356 0.7700 0.072 0.000 0.928
#> GSM76077 1 0.6082 0.5349 0.692 0.296 0.012
#> GSM76078 1 0.6192 0.3788 0.580 0.000 0.420
#> GSM76079 1 0.0424 0.8476 0.992 0.000 0.008
#> GSM76080 3 0.1289 0.8095 0.000 0.032 0.968
#> GSM76081 3 0.1860 0.8024 0.000 0.052 0.948
#> GSM76082 3 0.3816 0.6932 0.148 0.000 0.852
#> GSM76083 3 0.0424 0.8052 0.008 0.000 0.992
#> GSM76084 3 0.4796 0.6696 0.000 0.220 0.780
#> GSM76085 3 0.1289 0.7946 0.032 0.000 0.968
#> GSM76086 1 0.5926 0.5094 0.644 0.000 0.356
#> GSM76087 2 0.1753 0.8101 0.000 0.952 0.048
#> GSM76088 1 0.3851 0.7675 0.860 0.136 0.004
#> GSM76089 2 0.0983 0.8250 0.004 0.980 0.016
#> GSM76090 3 0.6180 0.1149 0.416 0.000 0.584
#> GSM76091 1 0.2261 0.8293 0.932 0.000 0.068
#> GSM76092 1 0.0424 0.8453 0.992 0.008 0.000
#> GSM76093 1 0.0000 0.8470 1.000 0.000 0.000
#> GSM76094 2 0.4062 0.7404 0.164 0.836 0.000
#> GSM76095 2 0.6302 0.0900 0.480 0.520 0.000
#> GSM76096 1 0.5591 0.5285 0.696 0.304 0.000
#> GSM76097 2 0.6308 0.0488 0.492 0.508 0.000
#> GSM76098 3 0.1753 0.8042 0.000 0.048 0.952
#> GSM76099 1 0.1411 0.8365 0.964 0.036 0.000
#> GSM76100 1 0.1860 0.8287 0.948 0.052 0.000
#> GSM76101 1 0.0237 0.8462 0.996 0.004 0.000
#> GSM76102 1 0.2301 0.8275 0.936 0.060 0.004
#> GSM76103 1 0.6045 0.4629 0.620 0.000 0.380
#> GSM76104 3 0.0237 0.8063 0.004 0.000 0.996
#> GSM76105 2 0.4452 0.7142 0.192 0.808 0.000
#> GSM76106 3 0.2448 0.7904 0.000 0.076 0.924
#> GSM76107 2 0.5882 0.4095 0.000 0.652 0.348
#> GSM76108 2 0.5785 0.4887 0.332 0.668 0.000
#> GSM76109 1 0.0237 0.8476 0.996 0.000 0.004
#> GSM76110 1 0.1163 0.8396 0.972 0.028 0.000
#> GSM76111 1 0.3038 0.7966 0.896 0.104 0.000
#> GSM76112 1 0.2959 0.8097 0.900 0.000 0.100
#> GSM76113 3 0.8073 0.4269 0.080 0.344 0.576
#> GSM76114 1 0.1031 0.8456 0.976 0.000 0.024
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.5276 -0.01776 0.004 0.432 0.004 0.560
#> GSM76116 2 0.2727 0.80561 0.012 0.900 0.004 0.084
#> GSM76117 1 0.7559 0.07956 0.468 0.356 0.004 0.172
#> GSM76118 2 0.6051 0.64115 0.192 0.692 0.004 0.112
#> GSM76119 4 0.1489 0.78797 0.000 0.044 0.004 0.952
#> GSM76120 4 0.1022 0.80010 0.000 0.000 0.032 0.968
#> GSM76121 1 0.5833 0.20945 0.532 0.024 0.004 0.440
#> GSM76122 2 0.6634 0.31725 0.072 0.512 0.004 0.412
#> GSM76123 4 0.1398 0.79911 0.000 0.004 0.040 0.956
#> GSM76124 2 0.4816 0.73937 0.080 0.792 0.004 0.124
#> GSM76125 4 0.1798 0.80164 0.000 0.016 0.040 0.944
#> GSM76126 4 0.0188 0.80011 0.000 0.000 0.004 0.996
#> GSM76127 4 0.0592 0.80165 0.000 0.000 0.016 0.984
#> GSM76128 4 0.1109 0.79830 0.004 0.000 0.028 0.968
#> GSM76129 2 0.5545 0.49337 0.020 0.612 0.004 0.364
#> GSM76130 4 0.1302 0.78638 0.000 0.044 0.000 0.956
#> GSM76131 2 0.0817 0.82613 0.000 0.976 0.024 0.000
#> GSM76132 2 0.0188 0.83245 0.000 0.996 0.000 0.004
#> GSM76133 2 0.0817 0.82613 0.000 0.976 0.024 0.000
#> GSM76134 2 0.4564 0.56069 0.000 0.672 0.000 0.328
#> GSM76135 2 0.0000 0.83206 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0921 0.82490 0.000 0.972 0.028 0.000
#> GSM76137 4 0.2924 0.75547 0.000 0.100 0.016 0.884
#> GSM76138 2 0.2441 0.81317 0.012 0.916 0.004 0.068
#> GSM76139 2 0.0817 0.83080 0.000 0.976 0.000 0.024
#> GSM76140 1 0.3875 0.75613 0.852 0.076 0.004 0.068
#> GSM76141 2 0.0188 0.83245 0.000 0.996 0.000 0.004
#> GSM76142 2 0.0000 0.83206 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0336 0.83262 0.000 0.992 0.000 0.008
#> GSM76144 2 0.0188 0.83245 0.000 0.996 0.000 0.004
#> GSM76145 2 0.7584 0.16197 0.000 0.448 0.348 0.204
#> GSM76146 2 0.0336 0.83262 0.000 0.992 0.000 0.008
#> GSM76147 2 0.0376 0.83264 0.004 0.992 0.000 0.004
#> GSM76148 2 0.0469 0.83239 0.000 0.988 0.000 0.012
#> GSM76149 2 0.3751 0.71190 0.000 0.800 0.004 0.196
#> GSM76150 2 0.4804 0.46240 0.000 0.616 0.000 0.384
#> GSM76151 4 0.3972 0.63051 0.000 0.204 0.008 0.788
#> GSM76152 1 0.0000 0.83770 1.000 0.000 0.000 0.000
#> GSM76153 2 0.0707 0.82736 0.000 0.980 0.020 0.000
#> GSM76154 2 0.1022 0.82953 0.000 0.968 0.000 0.032
#> GSM76155 2 0.1118 0.82797 0.000 0.964 0.000 0.036
#> GSM76156 2 0.0000 0.83206 0.000 1.000 0.000 0.000
#> GSM76030 2 0.4158 0.66504 0.008 0.768 0.224 0.000
#> GSM76031 1 0.0657 0.83635 0.984 0.000 0.004 0.012
#> GSM76032 3 0.5142 0.68146 0.192 0.000 0.744 0.064
#> GSM76033 4 0.4933 0.19156 0.000 0.000 0.432 0.568
#> GSM76034 4 0.3004 0.78839 0.000 0.060 0.048 0.892
#> GSM76035 4 0.7681 0.05853 0.252 0.000 0.292 0.456
#> GSM76036 3 0.3306 0.71733 0.000 0.004 0.840 0.156
#> GSM76037 2 0.2515 0.81133 0.012 0.912 0.004 0.072
#> GSM76038 1 0.0707 0.83582 0.980 0.000 0.020 0.000
#> GSM76039 1 0.2549 0.80283 0.916 0.024 0.004 0.056
#> GSM76040 3 0.4072 0.61640 0.000 0.000 0.748 0.252
#> GSM76041 1 0.2760 0.77594 0.872 0.000 0.128 0.000
#> GSM76042 1 0.1398 0.82519 0.956 0.000 0.004 0.040
#> GSM76043 1 0.4855 0.33027 0.600 0.000 0.400 0.000
#> GSM76044 1 0.6932 0.20338 0.532 0.360 0.004 0.104
#> GSM76045 1 0.2081 0.81043 0.916 0.000 0.084 0.000
#> GSM76046 4 0.3356 0.70465 0.000 0.000 0.176 0.824
#> GSM76047 1 0.5384 0.45384 0.648 0.000 0.324 0.028
#> GSM76048 3 0.5131 0.56736 0.028 0.000 0.692 0.280
#> GSM76049 2 0.2399 0.81333 0.032 0.920 0.048 0.000
#> GSM76050 1 0.1722 0.82399 0.944 0.000 0.048 0.008
#> GSM76051 3 0.2408 0.75365 0.000 0.000 0.896 0.104
#> GSM76052 3 0.5000 -0.00864 0.000 0.000 0.504 0.496
#> GSM76053 4 0.0804 0.80043 0.000 0.012 0.008 0.980
#> GSM76054 3 0.2530 0.75297 0.000 0.004 0.896 0.100
#> GSM76055 2 0.3353 0.79617 0.060 0.880 0.004 0.056
#> GSM76056 2 0.5228 0.51417 0.312 0.664 0.024 0.000
#> GSM76057 2 0.4428 0.58708 0.004 0.720 0.276 0.000
#> GSM76058 3 0.1807 0.76987 0.052 0.000 0.940 0.008
#> GSM76059 1 0.0592 0.83664 0.984 0.000 0.016 0.000
#> GSM76060 3 0.4485 0.58983 0.012 0.248 0.740 0.000
#> GSM76061 2 0.2868 0.76066 0.000 0.864 0.136 0.000
#> GSM76062 1 0.1792 0.81804 0.932 0.000 0.068 0.000
#> GSM76063 3 0.3037 0.72408 0.000 0.100 0.880 0.020
#> GSM76064 1 0.6261 0.03142 0.504 0.000 0.440 0.056
#> GSM76065 2 0.0779 0.83095 0.016 0.980 0.000 0.004
#> GSM76066 1 0.4454 0.52572 0.692 0.000 0.308 0.000
#> GSM76067 3 0.4155 0.63324 0.240 0.000 0.756 0.004
#> GSM76068 3 0.2060 0.77394 0.016 0.000 0.932 0.052
#> GSM76069 1 0.0707 0.83679 0.980 0.000 0.020 0.000
#> GSM76070 2 0.4222 0.59874 0.000 0.728 0.272 0.000
#> GSM76071 1 0.1637 0.82092 0.940 0.000 0.060 0.000
#> GSM76072 1 0.1022 0.83247 0.968 0.000 0.032 0.000
#> GSM76073 1 0.0376 0.83772 0.992 0.000 0.004 0.004
#> GSM76074 1 0.0524 0.83729 0.988 0.000 0.004 0.008
#> GSM76075 3 0.1004 0.77355 0.024 0.000 0.972 0.004
#> GSM76076 3 0.0927 0.77356 0.008 0.000 0.976 0.016
#> GSM76077 2 0.6759 0.32084 0.108 0.548 0.344 0.000
#> GSM76078 3 0.2722 0.74974 0.032 0.064 0.904 0.000
#> GSM76079 1 0.1022 0.83353 0.968 0.000 0.032 0.000
#> GSM76080 4 0.4477 0.50919 0.000 0.000 0.312 0.688
#> GSM76081 3 0.4248 0.64591 0.000 0.012 0.768 0.220
#> GSM76082 3 0.3164 0.77050 0.052 0.000 0.884 0.064
#> GSM76083 3 0.1209 0.77170 0.000 0.004 0.964 0.032
#> GSM76084 3 0.6222 0.16266 0.000 0.056 0.532 0.412
#> GSM76085 3 0.2197 0.76479 0.004 0.000 0.916 0.080
#> GSM76086 3 0.3791 0.68244 0.200 0.000 0.796 0.004
#> GSM76087 2 0.3907 0.69555 0.000 0.768 0.000 0.232
#> GSM76088 3 0.5668 0.11263 0.024 0.444 0.532 0.000
#> GSM76089 2 0.0524 0.83254 0.004 0.988 0.000 0.008
#> GSM76090 3 0.1452 0.76930 0.036 0.008 0.956 0.000
#> GSM76091 1 0.3266 0.73666 0.832 0.000 0.168 0.000
#> GSM76092 1 0.0000 0.83770 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0336 0.83769 0.992 0.000 0.008 0.000
#> GSM76094 2 0.7032 0.51285 0.256 0.584 0.004 0.156
#> GSM76095 2 0.5770 0.34187 0.392 0.580 0.020 0.008
#> GSM76096 1 0.2778 0.79316 0.900 0.016 0.004 0.080
#> GSM76097 1 0.3496 0.77238 0.872 0.072 0.004 0.052
#> GSM76098 4 0.4382 0.53885 0.000 0.000 0.296 0.704
#> GSM76099 1 0.0592 0.83738 0.984 0.000 0.016 0.000
#> GSM76100 1 0.0188 0.83715 0.996 0.000 0.000 0.004
#> GSM76101 1 0.0000 0.83770 1.000 0.000 0.000 0.000
#> GSM76102 1 0.2048 0.81364 0.928 0.000 0.008 0.064
#> GSM76103 3 0.4635 0.59204 0.268 0.000 0.720 0.012
#> GSM76104 4 0.3528 0.68603 0.000 0.000 0.192 0.808
#> GSM76105 1 0.7804 0.18308 0.456 0.232 0.004 0.308
#> GSM76106 4 0.2469 0.76025 0.000 0.000 0.108 0.892
#> GSM76107 4 0.1697 0.78220 0.028 0.016 0.004 0.952
#> GSM76108 1 0.6314 -0.04588 0.484 0.464 0.004 0.048
#> GSM76109 1 0.0376 0.83772 0.992 0.000 0.004 0.004
#> GSM76110 1 0.0376 0.83630 0.992 0.000 0.004 0.004
#> GSM76111 1 0.0524 0.83753 0.988 0.008 0.004 0.000
#> GSM76112 1 0.2281 0.79861 0.904 0.000 0.096 0.000
#> GSM76113 3 0.5486 0.68139 0.052 0.140 0.768 0.040
#> GSM76114 1 0.2814 0.77560 0.868 0.000 0.132 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 4 0.6185 0.2756 0.000 0.124 0.004 0.500 0.372
#> GSM76116 5 0.4989 0.5134 0.000 0.168 0.000 0.124 0.708
#> GSM76117 1 0.5482 0.5651 0.728 0.132 0.004 0.052 0.084
#> GSM76118 5 0.6816 0.4774 0.084 0.236 0.004 0.088 0.588
#> GSM76119 4 0.3109 0.7104 0.000 0.000 0.000 0.800 0.200
#> GSM76120 4 0.1894 0.7975 0.000 0.000 0.008 0.920 0.072
#> GSM76121 1 0.5183 0.5258 0.692 0.004 0.004 0.220 0.080
#> GSM76122 5 0.6046 0.1068 0.016 0.068 0.004 0.376 0.536
#> GSM76123 4 0.1697 0.8005 0.000 0.000 0.008 0.932 0.060
#> GSM76124 5 0.3279 0.5937 0.012 0.052 0.004 0.064 0.868
#> GSM76125 4 0.0290 0.7932 0.000 0.000 0.008 0.992 0.000
#> GSM76126 4 0.1041 0.8010 0.000 0.004 0.000 0.964 0.032
#> GSM76127 4 0.1124 0.8016 0.000 0.000 0.004 0.960 0.036
#> GSM76128 4 0.0960 0.7948 0.004 0.000 0.008 0.972 0.016
#> GSM76129 2 0.5259 0.6030 0.004 0.688 0.004 0.216 0.088
#> GSM76130 4 0.2970 0.7330 0.000 0.000 0.004 0.828 0.168
#> GSM76131 2 0.0671 0.8286 0.000 0.980 0.016 0.000 0.004
#> GSM76132 2 0.0898 0.8310 0.000 0.972 0.008 0.000 0.020
#> GSM76133 2 0.0451 0.8295 0.000 0.988 0.008 0.000 0.004
#> GSM76134 2 0.3477 0.7540 0.000 0.824 0.000 0.136 0.040
#> GSM76135 2 0.0404 0.8306 0.000 0.988 0.000 0.000 0.012
#> GSM76136 2 0.1403 0.8294 0.000 0.952 0.024 0.000 0.024
#> GSM76137 4 0.2789 0.7535 0.000 0.092 0.008 0.880 0.020
#> GSM76138 2 0.5876 0.1190 0.000 0.472 0.004 0.084 0.440
#> GSM76139 2 0.0727 0.8303 0.000 0.980 0.004 0.012 0.004
#> GSM76140 5 0.5144 0.3119 0.340 0.012 0.004 0.024 0.620
#> GSM76141 2 0.0566 0.8311 0.000 0.984 0.000 0.004 0.012
#> GSM76142 2 0.1282 0.8295 0.000 0.952 0.004 0.000 0.044
#> GSM76143 2 0.0451 0.8284 0.000 0.988 0.008 0.000 0.004
#> GSM76144 2 0.0510 0.8309 0.000 0.984 0.000 0.000 0.016
#> GSM76145 5 0.8390 0.0674 0.000 0.152 0.260 0.252 0.336
#> GSM76146 2 0.2890 0.7657 0.000 0.836 0.004 0.000 0.160
#> GSM76147 2 0.1571 0.8231 0.000 0.936 0.004 0.000 0.060
#> GSM76148 2 0.0955 0.8313 0.000 0.968 0.000 0.004 0.028
#> GSM76149 2 0.3344 0.7783 0.000 0.848 0.012 0.112 0.028
#> GSM76150 2 0.5252 0.4779 0.000 0.616 0.000 0.316 0.068
#> GSM76151 4 0.4613 0.5977 0.000 0.200 0.000 0.728 0.072
#> GSM76152 1 0.4086 0.6040 0.704 0.000 0.012 0.000 0.284
#> GSM76153 2 0.0510 0.8278 0.000 0.984 0.016 0.000 0.000
#> GSM76154 2 0.2632 0.8140 0.000 0.892 0.004 0.032 0.072
#> GSM76155 2 0.3670 0.7344 0.000 0.796 0.004 0.020 0.180
#> GSM76156 2 0.2011 0.8113 0.000 0.908 0.004 0.000 0.088
#> GSM76030 2 0.4075 0.7279 0.004 0.800 0.100 0.000 0.096
#> GSM76031 1 0.2852 0.7259 0.828 0.000 0.000 0.000 0.172
#> GSM76032 3 0.3601 0.7132 0.032 0.000 0.824 0.008 0.136
#> GSM76033 3 0.5740 0.5615 0.000 0.000 0.616 0.232 0.152
#> GSM76034 4 0.2396 0.8001 0.000 0.004 0.024 0.904 0.068
#> GSM76035 1 0.6441 0.2080 0.500 0.000 0.172 0.324 0.004
#> GSM76036 3 0.2848 0.7211 0.000 0.000 0.840 0.156 0.004
#> GSM76037 5 0.4317 0.5600 0.000 0.160 0.000 0.076 0.764
#> GSM76038 1 0.2519 0.7631 0.884 0.000 0.016 0.000 0.100
#> GSM76039 1 0.2971 0.7408 0.836 0.000 0.000 0.008 0.156
#> GSM76040 3 0.4013 0.6674 0.004 0.008 0.756 0.224 0.008
#> GSM76041 1 0.6474 0.2595 0.472 0.000 0.328 0.000 0.200
#> GSM76042 5 0.3694 0.5898 0.076 0.000 0.012 0.076 0.836
#> GSM76043 3 0.5157 0.2644 0.040 0.000 0.520 0.000 0.440
#> GSM76044 5 0.3240 0.5952 0.036 0.024 0.000 0.072 0.868
#> GSM76045 1 0.6561 0.1892 0.452 0.000 0.216 0.000 0.332
#> GSM76046 5 0.6478 0.1630 0.000 0.000 0.220 0.292 0.488
#> GSM76047 3 0.5384 0.3626 0.052 0.000 0.564 0.004 0.380
#> GSM76048 3 0.3918 0.7335 0.044 0.000 0.804 0.144 0.008
#> GSM76049 2 0.4329 0.5409 0.000 0.672 0.016 0.000 0.312
#> GSM76050 1 0.0898 0.7710 0.972 0.000 0.008 0.000 0.020
#> GSM76051 3 0.3620 0.7114 0.008 0.004 0.816 0.156 0.016
#> GSM76052 3 0.4930 0.6362 0.000 0.000 0.696 0.220 0.084
#> GSM76053 4 0.4746 0.4600 0.000 0.000 0.024 0.600 0.376
#> GSM76054 3 0.3018 0.7366 0.000 0.012 0.860 0.116 0.012
#> GSM76055 5 0.4453 0.5807 0.008 0.164 0.000 0.064 0.764
#> GSM76056 2 0.6188 0.3170 0.116 0.572 0.016 0.000 0.296
#> GSM76057 5 0.6673 0.2251 0.000 0.332 0.244 0.000 0.424
#> GSM76058 3 0.1588 0.7488 0.028 0.000 0.948 0.016 0.008
#> GSM76059 1 0.0162 0.7746 0.996 0.000 0.004 0.000 0.000
#> GSM76060 3 0.4406 0.6421 0.000 0.128 0.764 0.000 0.108
#> GSM76061 2 0.1741 0.8232 0.000 0.936 0.040 0.000 0.024
#> GSM76062 1 0.4078 0.7091 0.784 0.000 0.068 0.000 0.148
#> GSM76063 3 0.3154 0.7102 0.000 0.104 0.860 0.024 0.012
#> GSM76064 3 0.5620 0.5771 0.244 0.000 0.660 0.032 0.064
#> GSM76065 2 0.4114 0.4632 0.000 0.624 0.000 0.000 0.376
#> GSM76066 1 0.3961 0.5738 0.736 0.000 0.248 0.000 0.016
#> GSM76067 3 0.3759 0.6480 0.220 0.000 0.764 0.000 0.016
#> GSM76068 3 0.6116 0.6271 0.116 0.036 0.680 0.152 0.016
#> GSM76069 5 0.5588 0.2737 0.292 0.000 0.104 0.000 0.604
#> GSM76070 2 0.3760 0.6914 0.000 0.784 0.188 0.000 0.028
#> GSM76071 1 0.0898 0.7784 0.972 0.000 0.008 0.000 0.020
#> GSM76072 1 0.0451 0.7753 0.988 0.000 0.004 0.000 0.008
#> GSM76073 1 0.0290 0.7728 0.992 0.000 0.000 0.000 0.008
#> GSM76074 1 0.0290 0.7745 0.992 0.000 0.000 0.000 0.008
#> GSM76075 3 0.3665 0.6777 0.008 0.000 0.784 0.008 0.200
#> GSM76076 3 0.1393 0.7477 0.008 0.012 0.956 0.024 0.000
#> GSM76077 5 0.4549 0.4110 0.008 0.032 0.244 0.000 0.716
#> GSM76078 3 0.3437 0.6874 0.004 0.012 0.808 0.000 0.176
#> GSM76079 1 0.5818 0.1594 0.464 0.000 0.092 0.000 0.444
#> GSM76080 4 0.3491 0.5804 0.000 0.000 0.228 0.768 0.004
#> GSM76081 3 0.4313 0.5898 0.000 0.012 0.704 0.276 0.008
#> GSM76082 3 0.4960 0.6908 0.100 0.000 0.740 0.144 0.016
#> GSM76083 3 0.1924 0.7442 0.000 0.004 0.924 0.064 0.008
#> GSM76084 3 0.5451 0.2582 0.000 0.012 0.508 0.444 0.036
#> GSM76085 3 0.1753 0.7476 0.000 0.000 0.936 0.032 0.032
#> GSM76086 3 0.2927 0.7263 0.060 0.000 0.872 0.000 0.068
#> GSM76087 2 0.6138 0.1082 0.000 0.464 0.004 0.420 0.112
#> GSM76088 5 0.5791 -0.0827 0.004 0.076 0.448 0.000 0.472
#> GSM76089 2 0.1628 0.8273 0.000 0.936 0.000 0.008 0.056
#> GSM76090 3 0.2116 0.7328 0.008 0.004 0.912 0.000 0.076
#> GSM76091 3 0.6515 0.0306 0.192 0.000 0.420 0.000 0.388
#> GSM76092 1 0.2011 0.7719 0.908 0.000 0.004 0.000 0.088
#> GSM76093 1 0.1341 0.7807 0.944 0.000 0.000 0.000 0.056
#> GSM76094 5 0.8432 0.3266 0.248 0.268 0.000 0.160 0.324
#> GSM76095 5 0.3331 0.5964 0.024 0.044 0.068 0.000 0.864
#> GSM76096 5 0.5947 0.4260 0.252 0.020 0.004 0.092 0.632
#> GSM76097 1 0.3883 0.7131 0.800 0.028 0.000 0.012 0.160
#> GSM76098 4 0.3989 0.5267 0.000 0.008 0.260 0.728 0.004
#> GSM76099 5 0.5645 0.0830 0.376 0.000 0.084 0.000 0.540
#> GSM76100 1 0.2020 0.7712 0.900 0.000 0.000 0.000 0.100
#> GSM76101 1 0.1270 0.7801 0.948 0.000 0.000 0.000 0.052
#> GSM76102 1 0.4156 0.6943 0.784 0.004 0.004 0.044 0.164
#> GSM76103 3 0.2871 0.7252 0.088 0.000 0.872 0.000 0.040
#> GSM76104 4 0.4739 0.6265 0.008 0.000 0.212 0.724 0.056
#> GSM76105 5 0.7095 0.3786 0.172 0.044 0.000 0.280 0.504
#> GSM76106 4 0.1892 0.7508 0.000 0.000 0.080 0.916 0.004
#> GSM76107 4 0.2853 0.7590 0.004 0.004 0.004 0.860 0.128
#> GSM76108 5 0.5002 0.5864 0.104 0.112 0.000 0.032 0.752
#> GSM76109 1 0.1410 0.7801 0.940 0.000 0.000 0.000 0.060
#> GSM76110 1 0.1608 0.7798 0.928 0.000 0.000 0.000 0.072
#> GSM76111 1 0.5549 0.2258 0.512 0.032 0.020 0.000 0.436
#> GSM76112 1 0.1168 0.7743 0.960 0.000 0.032 0.000 0.008
#> GSM76113 3 0.5444 0.6136 0.008 0.044 0.692 0.032 0.224
#> GSM76114 5 0.5426 0.2488 0.084 0.000 0.308 0.000 0.608
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.5580 0.4744 0.020 0.148 0.000 0.152 0.660 0.020
#> GSM76116 5 0.5624 0.4045 0.000 0.096 0.000 0.032 0.584 0.288
#> GSM76117 1 0.6986 0.1093 0.460 0.116 0.000 0.024 0.328 0.072
#> GSM76118 5 0.6157 0.4685 0.024 0.160 0.000 0.040 0.616 0.160
#> GSM76119 4 0.4050 0.6037 0.000 0.000 0.000 0.716 0.236 0.048
#> GSM76120 4 0.1701 0.7348 0.000 0.000 0.000 0.920 0.072 0.008
#> GSM76121 1 0.3885 0.6358 0.780 0.000 0.000 0.100 0.116 0.004
#> GSM76122 5 0.5265 0.4750 0.004 0.052 0.000 0.160 0.692 0.092
#> GSM76123 4 0.1226 0.7406 0.000 0.000 0.004 0.952 0.040 0.004
#> GSM76124 5 0.4795 0.4172 0.000 0.032 0.004 0.024 0.652 0.288
#> GSM76125 4 0.0717 0.7404 0.000 0.008 0.000 0.976 0.016 0.000
#> GSM76126 4 0.3219 0.7212 0.004 0.016 0.004 0.856 0.076 0.044
#> GSM76127 4 0.1340 0.7385 0.000 0.000 0.004 0.948 0.040 0.008
#> GSM76128 4 0.1710 0.7385 0.020 0.000 0.008 0.940 0.020 0.012
#> GSM76129 2 0.4952 0.6892 0.000 0.724 0.000 0.108 0.100 0.068
#> GSM76130 4 0.3679 0.6406 0.000 0.000 0.000 0.760 0.200 0.040
#> GSM76131 2 0.0603 0.7751 0.000 0.980 0.000 0.000 0.004 0.016
#> GSM76132 2 0.1829 0.7696 0.000 0.920 0.004 0.000 0.064 0.012
#> GSM76133 2 0.0909 0.7751 0.000 0.968 0.000 0.000 0.012 0.020
#> GSM76134 2 0.4637 0.6732 0.000 0.728 0.004 0.040 0.184 0.044
#> GSM76135 2 0.1572 0.7737 0.000 0.936 0.000 0.000 0.036 0.028
#> GSM76136 2 0.2350 0.7659 0.000 0.900 0.008 0.008 0.016 0.068
#> GSM76137 4 0.5665 0.4741 0.000 0.164 0.008 0.648 0.144 0.036
#> GSM76138 5 0.4964 0.2846 0.000 0.312 0.000 0.016 0.616 0.056
#> GSM76139 2 0.2259 0.7710 0.000 0.912 0.004 0.024 0.024 0.036
#> GSM76140 5 0.4936 0.3067 0.300 0.012 0.000 0.000 0.624 0.064
#> GSM76141 2 0.1410 0.7740 0.000 0.944 0.000 0.004 0.008 0.044
#> GSM76142 2 0.3162 0.7434 0.000 0.844 0.000 0.008 0.068 0.080
#> GSM76143 2 0.0862 0.7753 0.000 0.972 0.000 0.004 0.008 0.016
#> GSM76144 2 0.1478 0.7735 0.000 0.944 0.000 0.004 0.020 0.032
#> GSM76145 5 0.5772 0.4420 0.000 0.112 0.164 0.040 0.660 0.024
#> GSM76146 2 0.5117 0.5951 0.000 0.660 0.000 0.016 0.208 0.116
#> GSM76147 2 0.2449 0.7656 0.000 0.884 0.004 0.004 0.092 0.016
#> GSM76148 2 0.2838 0.7578 0.000 0.872 0.000 0.024 0.032 0.072
#> GSM76149 2 0.5499 0.6386 0.000 0.672 0.012 0.056 0.188 0.072
#> GSM76150 2 0.5400 0.5944 0.000 0.632 0.000 0.096 0.240 0.032
#> GSM76151 2 0.6747 0.2870 0.000 0.452 0.004 0.276 0.224 0.044
#> GSM76152 1 0.5654 0.4082 0.580 0.004 0.028 0.004 0.312 0.072
#> GSM76153 2 0.1147 0.7758 0.000 0.960 0.004 0.004 0.004 0.028
#> GSM76154 2 0.4909 0.6099 0.000 0.668 0.004 0.016 0.248 0.064
#> GSM76155 2 0.4656 0.3967 0.000 0.544 0.000 0.008 0.420 0.028
#> GSM76156 2 0.3274 0.7383 0.000 0.824 0.000 0.000 0.080 0.096
#> GSM76030 2 0.5960 0.4633 0.000 0.548 0.024 0.004 0.132 0.292
#> GSM76031 1 0.4912 0.4547 0.612 0.000 0.008 0.004 0.324 0.052
#> GSM76032 3 0.2998 0.7147 0.000 0.000 0.852 0.004 0.068 0.076
#> GSM76033 3 0.5745 0.6284 0.000 0.000 0.632 0.140 0.172 0.056
#> GSM76034 4 0.3361 0.7154 0.000 0.004 0.016 0.836 0.040 0.104
#> GSM76035 1 0.6420 0.1247 0.472 0.000 0.100 0.372 0.036 0.020
#> GSM76036 3 0.2845 0.7076 0.000 0.000 0.820 0.172 0.004 0.004
#> GSM76037 5 0.5715 0.2056 0.000 0.088 0.000 0.024 0.456 0.432
#> GSM76038 1 0.4628 0.5262 0.676 0.004 0.016 0.004 0.272 0.028
#> GSM76039 1 0.4305 0.5466 0.700 0.000 0.000 0.000 0.068 0.232
#> GSM76040 3 0.6705 0.5581 0.032 0.008 0.568 0.200 0.156 0.036
#> GSM76041 1 0.7087 -0.0753 0.352 0.000 0.312 0.004 0.056 0.276
#> GSM76042 6 0.5203 -0.0802 0.020 0.000 0.008 0.032 0.424 0.516
#> GSM76043 3 0.4857 0.5257 0.000 0.000 0.668 0.004 0.116 0.212
#> GSM76044 5 0.4888 0.4212 0.012 0.012 0.004 0.032 0.652 0.288
#> GSM76045 1 0.7010 0.3547 0.504 0.000 0.176 0.004 0.152 0.164
#> GSM76046 5 0.7277 0.2208 0.000 0.000 0.216 0.228 0.420 0.136
#> GSM76047 3 0.5491 0.1477 0.008 0.000 0.512 0.012 0.068 0.400
#> GSM76048 3 0.4292 0.7247 0.060 0.000 0.768 0.140 0.028 0.004
#> GSM76049 2 0.5862 0.1836 0.000 0.440 0.004 0.000 0.168 0.388
#> GSM76050 1 0.1882 0.6945 0.920 0.000 0.000 0.008 0.060 0.012
#> GSM76051 3 0.4220 0.6760 0.020 0.012 0.760 0.184 0.008 0.016
#> GSM76052 3 0.5870 0.5491 0.000 0.000 0.564 0.232 0.184 0.020
#> GSM76053 4 0.5732 0.1473 0.000 0.000 0.032 0.496 0.392 0.080
#> GSM76054 3 0.6152 0.6119 0.008 0.036 0.636 0.196 0.084 0.040
#> GSM76055 6 0.4859 0.2806 0.004 0.084 0.000 0.008 0.228 0.676
#> GSM76056 6 0.5171 0.3649 0.080 0.300 0.008 0.000 0.004 0.608
#> GSM76057 6 0.6057 0.3762 0.000 0.168 0.284 0.000 0.024 0.524
#> GSM76058 3 0.1015 0.7422 0.012 0.000 0.968 0.012 0.004 0.004
#> GSM76059 1 0.1267 0.6979 0.940 0.000 0.000 0.000 0.000 0.060
#> GSM76060 3 0.4471 0.6614 0.000 0.124 0.756 0.000 0.040 0.080
#> GSM76061 2 0.4073 0.7084 0.000 0.776 0.028 0.000 0.052 0.144
#> GSM76062 1 0.4110 0.6631 0.792 0.000 0.080 0.000 0.052 0.076
#> GSM76063 3 0.3964 0.6876 0.000 0.128 0.796 0.044 0.008 0.024
#> GSM76064 3 0.6795 0.3291 0.088 0.000 0.528 0.032 0.080 0.272
#> GSM76065 6 0.4887 0.2492 0.000 0.324 0.000 0.000 0.080 0.596
#> GSM76066 1 0.3385 0.6185 0.796 0.000 0.172 0.000 0.004 0.028
#> GSM76067 3 0.4174 0.6293 0.224 0.000 0.732 0.012 0.012 0.020
#> GSM76068 3 0.6956 0.5156 0.200 0.036 0.564 0.132 0.012 0.056
#> GSM76069 6 0.4284 0.4712 0.064 0.004 0.096 0.000 0.052 0.784
#> GSM76070 2 0.4527 0.6020 0.000 0.712 0.192 0.000 0.008 0.088
#> GSM76071 1 0.1630 0.7043 0.940 0.000 0.016 0.000 0.024 0.020
#> GSM76072 1 0.0865 0.7000 0.964 0.000 0.000 0.000 0.036 0.000
#> GSM76073 1 0.0993 0.7024 0.964 0.000 0.000 0.000 0.012 0.024
#> GSM76074 1 0.1074 0.7020 0.960 0.000 0.000 0.000 0.012 0.028
#> GSM76075 3 0.3252 0.6937 0.000 0.000 0.824 0.000 0.068 0.108
#> GSM76076 3 0.1905 0.7421 0.008 0.008 0.932 0.032 0.004 0.016
#> GSM76077 6 0.6127 0.1380 0.000 0.008 0.240 0.000 0.292 0.460
#> GSM76078 3 0.3468 0.6978 0.000 0.004 0.816 0.000 0.092 0.088
#> GSM76079 6 0.5989 0.3158 0.288 0.000 0.088 0.000 0.064 0.560
#> GSM76080 4 0.3073 0.6525 0.000 0.000 0.152 0.824 0.016 0.008
#> GSM76081 3 0.4642 0.4232 0.000 0.008 0.596 0.368 0.008 0.020
#> GSM76082 3 0.5036 0.6525 0.168 0.004 0.708 0.088 0.004 0.028
#> GSM76083 3 0.1872 0.7395 0.008 0.004 0.920 0.064 0.004 0.000
#> GSM76084 4 0.5901 -0.1581 0.000 0.000 0.428 0.452 0.072 0.048
#> GSM76085 3 0.2216 0.7455 0.000 0.000 0.908 0.052 0.016 0.024
#> GSM76086 3 0.2220 0.7295 0.012 0.000 0.908 0.000 0.036 0.044
#> GSM76087 4 0.6881 0.0152 0.000 0.368 0.000 0.400 0.128 0.104
#> GSM76088 6 0.5354 0.2070 0.000 0.028 0.396 0.000 0.052 0.524
#> GSM76089 2 0.5274 0.6017 0.000 0.644 0.004 0.008 0.200 0.144
#> GSM76090 3 0.1697 0.7353 0.004 0.004 0.936 0.000 0.020 0.036
#> GSM76091 6 0.5378 0.3012 0.072 0.004 0.368 0.000 0.012 0.544
#> GSM76092 1 0.3819 0.4124 0.624 0.000 0.000 0.000 0.004 0.372
#> GSM76093 1 0.2738 0.6537 0.820 0.000 0.004 0.000 0.000 0.176
#> GSM76094 6 0.8161 0.0726 0.124 0.216 0.000 0.064 0.212 0.384
#> GSM76095 5 0.5539 0.2788 0.004 0.032 0.068 0.000 0.584 0.312
#> GSM76096 6 0.6589 0.2354 0.148 0.016 0.004 0.044 0.240 0.548
#> GSM76097 6 0.5371 0.0691 0.384 0.060 0.000 0.008 0.012 0.536
#> GSM76098 4 0.3527 0.6764 0.008 0.012 0.136 0.820 0.012 0.012
#> GSM76099 6 0.4280 0.4830 0.112 0.020 0.084 0.000 0.008 0.776
#> GSM76100 1 0.3890 0.5410 0.692 0.004 0.004 0.000 0.008 0.292
#> GSM76101 1 0.2632 0.6603 0.832 0.000 0.000 0.000 0.004 0.164
#> GSM76102 1 0.7723 0.0568 0.352 0.044 0.004 0.052 0.232 0.316
#> GSM76103 3 0.2265 0.7276 0.024 0.000 0.896 0.000 0.004 0.076
#> GSM76104 4 0.5778 0.4285 0.004 0.000 0.260 0.576 0.144 0.016
#> GSM76105 6 0.6331 0.2983 0.048 0.064 0.000 0.080 0.188 0.620
#> GSM76106 4 0.1777 0.7244 0.000 0.000 0.044 0.928 0.024 0.004
#> GSM76107 4 0.3654 0.6901 0.004 0.004 0.000 0.808 0.100 0.084
#> GSM76108 6 0.4678 0.4245 0.048 0.108 0.000 0.008 0.080 0.756
#> GSM76109 1 0.2595 0.6660 0.836 0.000 0.000 0.000 0.004 0.160
#> GSM76110 1 0.2333 0.7007 0.896 0.004 0.000 0.000 0.060 0.040
#> GSM76111 5 0.7226 -0.1463 0.368 0.044 0.032 0.000 0.372 0.184
#> GSM76112 1 0.2696 0.6805 0.856 0.000 0.028 0.000 0.000 0.116
#> GSM76113 3 0.5594 0.6356 0.000 0.036 0.688 0.040 0.088 0.148
#> GSM76114 6 0.5291 0.3625 0.016 0.000 0.336 0.000 0.076 0.572
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> MAD:NMF 124 9.74e-10 2
#> MAD:NMF 105 1.16e-08 3
#> MAD:NMF 107 1.05e-07 4
#> MAD:NMF 97 1.88e-08 5
#> MAD:NMF 77 1.82e-09 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "hclust"]
# you can also extract it by
# res = res_list["ATC:hclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'hclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.401 0.806 0.891 0.3717 0.645 0.645
#> 3 3 0.534 0.729 0.846 0.6362 0.707 0.548
#> 4 4 0.526 0.670 0.789 0.0973 0.931 0.815
#> 5 5 0.565 0.597 0.719 0.0970 0.924 0.771
#> 6 6 0.606 0.529 0.670 0.0778 0.870 0.556
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.885 0.000 1.000
#> GSM76116 2 0.1633 0.882 0.024 0.976
#> GSM76117 2 0.1633 0.882 0.024 0.976
#> GSM76118 2 0.1633 0.882 0.024 0.976
#> GSM76119 2 0.0000 0.885 0.000 1.000
#> GSM76120 2 0.0000 0.885 0.000 1.000
#> GSM76121 2 0.4939 0.858 0.108 0.892
#> GSM76122 2 0.1633 0.882 0.024 0.976
#> GSM76123 2 0.0000 0.885 0.000 1.000
#> GSM76124 2 0.3584 0.865 0.068 0.932
#> GSM76125 2 0.0000 0.885 0.000 1.000
#> GSM76126 2 0.4939 0.858 0.108 0.892
#> GSM76127 2 0.0000 0.885 0.000 1.000
#> GSM76128 2 0.1633 0.884 0.024 0.976
#> GSM76129 2 0.1633 0.882 0.024 0.976
#> GSM76130 2 0.0000 0.885 0.000 1.000
#> GSM76131 2 0.0000 0.885 0.000 1.000
#> GSM76132 2 0.0000 0.885 0.000 1.000
#> GSM76133 2 0.0000 0.885 0.000 1.000
#> GSM76134 2 0.0000 0.885 0.000 1.000
#> GSM76135 2 0.0000 0.885 0.000 1.000
#> GSM76136 2 0.0000 0.885 0.000 1.000
#> GSM76137 2 0.0000 0.885 0.000 1.000
#> GSM76138 2 0.0000 0.885 0.000 1.000
#> GSM76139 2 0.0000 0.885 0.000 1.000
#> GSM76140 2 0.4161 0.860 0.084 0.916
#> GSM76141 2 0.0000 0.885 0.000 1.000
#> GSM76142 2 0.0000 0.885 0.000 1.000
#> GSM76143 2 0.0000 0.885 0.000 1.000
#> GSM76144 2 0.0000 0.885 0.000 1.000
#> GSM76145 2 0.0000 0.885 0.000 1.000
#> GSM76146 2 0.0000 0.885 0.000 1.000
#> GSM76147 2 0.0000 0.885 0.000 1.000
#> GSM76148 2 0.0000 0.885 0.000 1.000
#> GSM76149 2 0.0000 0.885 0.000 1.000
#> GSM76150 2 0.0000 0.885 0.000 1.000
#> GSM76151 2 0.0000 0.885 0.000 1.000
#> GSM76152 1 0.9993 0.206 0.516 0.484
#> GSM76153 2 0.0000 0.885 0.000 1.000
#> GSM76154 2 0.0000 0.885 0.000 1.000
#> GSM76155 2 0.0000 0.885 0.000 1.000
#> GSM76156 2 0.0000 0.885 0.000 1.000
#> GSM76030 2 0.0672 0.884 0.008 0.992
#> GSM76031 1 0.9522 0.545 0.628 0.372
#> GSM76032 2 0.8499 0.679 0.276 0.724
#> GSM76033 2 0.8443 0.684 0.272 0.728
#> GSM76034 2 0.7745 0.749 0.228 0.772
#> GSM76035 2 0.7745 0.749 0.228 0.772
#> GSM76036 2 0.7528 0.751 0.216 0.784
#> GSM76037 2 0.0938 0.884 0.012 0.988
#> GSM76038 1 0.9522 0.545 0.628 0.372
#> GSM76039 2 0.6148 0.796 0.152 0.848
#> GSM76040 2 0.7528 0.751 0.216 0.784
#> GSM76041 1 0.5842 0.819 0.860 0.140
#> GSM76042 2 0.7299 0.750 0.204 0.796
#> GSM76043 2 0.8608 0.665 0.284 0.716
#> GSM76044 2 0.3114 0.870 0.056 0.944
#> GSM76045 1 0.8443 0.741 0.728 0.272
#> GSM76046 2 0.4939 0.851 0.108 0.892
#> GSM76047 2 0.7745 0.749 0.228 0.772
#> GSM76048 2 0.8016 0.719 0.244 0.756
#> GSM76049 2 0.0672 0.884 0.008 0.992
#> GSM76050 1 0.6623 0.800 0.828 0.172
#> GSM76051 2 0.8443 0.684 0.272 0.728
#> GSM76052 2 0.4939 0.851 0.108 0.892
#> GSM76053 2 0.2423 0.882 0.040 0.960
#> GSM76054 2 0.7674 0.746 0.224 0.776
#> GSM76055 2 0.3431 0.867 0.064 0.936
#> GSM76056 2 0.6438 0.783 0.164 0.836
#> GSM76057 2 0.8144 0.697 0.252 0.748
#> GSM76058 2 0.8443 0.684 0.272 0.728
#> GSM76059 1 0.0000 0.823 1.000 0.000
#> GSM76060 2 0.3114 0.875 0.056 0.944
#> GSM76061 2 0.3114 0.875 0.056 0.944
#> GSM76062 1 0.0000 0.823 1.000 0.000
#> GSM76063 2 0.0000 0.885 0.000 1.000
#> GSM76064 1 0.5842 0.819 0.860 0.140
#> GSM76065 2 0.0938 0.884 0.012 0.988
#> GSM76066 1 0.5842 0.819 0.860 0.140
#> GSM76067 2 0.8813 0.639 0.300 0.700
#> GSM76068 2 0.7674 0.743 0.224 0.776
#> GSM76069 1 0.2423 0.830 0.960 0.040
#> GSM76070 2 0.0000 0.885 0.000 1.000
#> GSM76071 1 0.7815 0.778 0.768 0.232
#> GSM76072 1 0.7815 0.778 0.768 0.232
#> GSM76073 1 0.8499 0.736 0.724 0.276
#> GSM76074 1 0.7674 0.782 0.776 0.224
#> GSM76075 2 0.8499 0.679 0.276 0.724
#> GSM76076 2 0.8499 0.679 0.276 0.724
#> GSM76077 2 0.2948 0.875 0.052 0.948
#> GSM76078 2 0.8081 0.720 0.248 0.752
#> GSM76079 1 0.0000 0.823 1.000 0.000
#> GSM76080 2 0.2948 0.872 0.052 0.948
#> GSM76081 2 0.2948 0.872 0.052 0.948
#> GSM76082 2 0.8443 0.683 0.272 0.728
#> GSM76083 2 0.8499 0.679 0.276 0.724
#> GSM76084 2 0.2948 0.872 0.052 0.948
#> GSM76085 2 0.8443 0.684 0.272 0.728
#> GSM76086 1 0.2948 0.827 0.948 0.052
#> GSM76087 2 0.0000 0.885 0.000 1.000
#> GSM76088 2 0.8207 0.690 0.256 0.744
#> GSM76089 2 0.0672 0.884 0.008 0.992
#> GSM76090 2 0.8813 0.639 0.300 0.700
#> GSM76091 1 0.0000 0.823 1.000 0.000
#> GSM76092 1 0.2423 0.830 0.960 0.040
#> GSM76093 1 0.0000 0.823 1.000 0.000
#> GSM76094 2 0.1633 0.882 0.024 0.976
#> GSM76095 2 0.4161 0.860 0.084 0.916
#> GSM76096 1 0.6887 0.788 0.816 0.184
#> GSM76097 2 0.6801 0.767 0.180 0.820
#> GSM76098 2 0.7376 0.760 0.208 0.792
#> GSM76099 1 0.0000 0.823 1.000 0.000
#> GSM76100 1 0.8499 0.736 0.724 0.276
#> GSM76101 1 0.0000 0.823 1.000 0.000
#> GSM76102 2 0.9775 0.322 0.412 0.588
#> GSM76103 2 0.9954 0.160 0.460 0.540
#> GSM76104 2 0.4939 0.851 0.108 0.892
#> GSM76105 2 0.1633 0.882 0.024 0.976
#> GSM76106 2 0.2948 0.872 0.052 0.948
#> GSM76107 2 0.4690 0.862 0.100 0.900
#> GSM76108 2 0.3584 0.866 0.068 0.932
#> GSM76109 1 0.0000 0.823 1.000 0.000
#> GSM76110 1 0.8443 0.741 0.728 0.272
#> GSM76111 1 0.8443 0.741 0.728 0.272
#> GSM76112 1 0.0000 0.823 1.000 0.000
#> GSM76113 2 0.4298 0.861 0.088 0.912
#> GSM76114 1 0.5059 0.823 0.888 0.112
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0829 0.8992 0.004 0.984 0.012
#> GSM76116 2 0.1315 0.8904 0.020 0.972 0.008
#> GSM76117 2 0.1315 0.8904 0.020 0.972 0.008
#> GSM76118 2 0.1315 0.8904 0.020 0.972 0.008
#> GSM76119 3 0.2165 0.7226 0.000 0.064 0.936
#> GSM76120 3 0.2165 0.7226 0.000 0.064 0.936
#> GSM76121 3 0.6518 0.6879 0.080 0.168 0.752
#> GSM76122 2 0.1315 0.8904 0.020 0.972 0.008
#> GSM76123 3 0.2165 0.7226 0.000 0.064 0.936
#> GSM76124 2 0.3083 0.8599 0.060 0.916 0.024
#> GSM76125 3 0.2165 0.7226 0.000 0.064 0.936
#> GSM76126 3 0.6380 0.6925 0.076 0.164 0.760
#> GSM76127 3 0.2165 0.7226 0.000 0.064 0.936
#> GSM76128 3 0.1529 0.7201 0.000 0.040 0.960
#> GSM76129 2 0.1315 0.8904 0.020 0.972 0.008
#> GSM76130 3 0.2165 0.7226 0.000 0.064 0.936
#> GSM76131 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76132 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76133 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76134 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76135 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76136 2 0.0892 0.8963 0.000 0.980 0.020
#> GSM76137 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76138 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76139 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76140 2 0.3031 0.8529 0.076 0.912 0.012
#> GSM76141 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76142 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76143 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76144 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76145 2 0.1163 0.8922 0.000 0.972 0.028
#> GSM76146 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76147 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76148 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76149 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76150 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76151 2 0.1031 0.8948 0.000 0.976 0.024
#> GSM76152 1 0.6678 0.2484 0.512 0.480 0.008
#> GSM76153 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76154 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76155 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76156 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76030 2 0.0661 0.8969 0.004 0.988 0.008
#> GSM76031 1 0.7670 0.6117 0.620 0.312 0.068
#> GSM76032 3 0.4702 0.7188 0.212 0.000 0.788
#> GSM76033 3 0.4654 0.7205 0.208 0.000 0.792
#> GSM76034 2 0.9383 -0.0988 0.176 0.460 0.364
#> GSM76035 2 0.9383 -0.0988 0.176 0.460 0.364
#> GSM76036 3 0.4999 0.7420 0.152 0.028 0.820
#> GSM76037 2 0.0475 0.8952 0.004 0.992 0.004
#> GSM76038 1 0.7670 0.6117 0.620 0.312 0.068
#> GSM76039 2 0.4326 0.7779 0.144 0.844 0.012
#> GSM76040 3 0.4999 0.7420 0.152 0.028 0.820
#> GSM76041 1 0.5492 0.7259 0.816 0.080 0.104
#> GSM76042 2 0.7205 0.5908 0.192 0.708 0.100
#> GSM76043 3 0.9793 0.2131 0.236 0.376 0.388
#> GSM76044 2 0.2339 0.8721 0.048 0.940 0.012
#> GSM76045 1 0.5692 0.6998 0.724 0.268 0.008
#> GSM76046 3 0.7507 0.5907 0.068 0.288 0.644
#> GSM76047 2 0.9383 -0.0988 0.176 0.460 0.364
#> GSM76048 3 0.5277 0.7321 0.180 0.024 0.796
#> GSM76049 2 0.0424 0.8977 0.000 0.992 0.008
#> GSM76050 1 0.5931 0.7026 0.792 0.084 0.124
#> GSM76051 3 0.4654 0.7205 0.208 0.000 0.792
#> GSM76052 3 0.7507 0.5907 0.068 0.288 0.644
#> GSM76053 2 0.6819 0.4523 0.028 0.644 0.328
#> GSM76054 3 0.7180 0.7042 0.168 0.116 0.716
#> GSM76055 2 0.2550 0.8663 0.056 0.932 0.012
#> GSM76056 2 0.4353 0.7655 0.156 0.836 0.008
#> GSM76057 2 0.8021 0.4425 0.232 0.644 0.124
#> GSM76058 3 0.4654 0.7205 0.208 0.000 0.792
#> GSM76059 1 0.0424 0.7485 0.992 0.000 0.008
#> GSM76060 2 0.2339 0.8750 0.048 0.940 0.012
#> GSM76061 2 0.2339 0.8750 0.048 0.940 0.012
#> GSM76062 1 0.0424 0.7485 0.992 0.000 0.008
#> GSM76063 2 0.2796 0.8434 0.000 0.908 0.092
#> GSM76064 1 0.5492 0.7259 0.816 0.080 0.104
#> GSM76065 2 0.0475 0.8952 0.004 0.992 0.004
#> GSM76066 1 0.5492 0.7259 0.816 0.080 0.104
#> GSM76067 3 0.4974 0.6989 0.236 0.000 0.764
#> GSM76068 3 0.5239 0.7390 0.160 0.032 0.808
#> GSM76069 1 0.1765 0.7593 0.956 0.040 0.004
#> GSM76070 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76071 1 0.5493 0.7223 0.756 0.232 0.012
#> GSM76072 1 0.5493 0.7223 0.756 0.232 0.012
#> GSM76073 1 0.5728 0.6963 0.720 0.272 0.008
#> GSM76074 1 0.5406 0.7242 0.764 0.224 0.012
#> GSM76075 3 0.4702 0.7188 0.212 0.000 0.788
#> GSM76076 3 0.4702 0.7188 0.212 0.000 0.788
#> GSM76077 2 0.2116 0.8784 0.040 0.948 0.012
#> GSM76078 2 0.9423 0.0361 0.204 0.492 0.304
#> GSM76079 1 0.0424 0.7485 0.992 0.000 0.008
#> GSM76080 3 0.6224 0.6165 0.016 0.296 0.688
#> GSM76081 3 0.6255 0.6126 0.016 0.300 0.684
#> GSM76082 3 0.5503 0.7198 0.208 0.020 0.772
#> GSM76083 3 0.4702 0.7188 0.212 0.000 0.788
#> GSM76084 3 0.6284 0.6095 0.016 0.304 0.680
#> GSM76085 3 0.4654 0.7205 0.208 0.000 0.792
#> GSM76086 1 0.2878 0.7064 0.904 0.000 0.096
#> GSM76087 2 0.0592 0.8997 0.000 0.988 0.012
#> GSM76088 2 0.8058 0.4325 0.236 0.640 0.124
#> GSM76089 2 0.0424 0.8977 0.000 0.992 0.008
#> GSM76090 3 0.4974 0.6989 0.236 0.000 0.764
#> GSM76091 1 0.1163 0.7453 0.972 0.000 0.028
#> GSM76092 1 0.1765 0.7593 0.956 0.040 0.004
#> GSM76093 1 0.0424 0.7485 0.992 0.000 0.008
#> GSM76094 2 0.1315 0.8904 0.020 0.972 0.008
#> GSM76095 2 0.3031 0.8529 0.076 0.912 0.012
#> GSM76096 1 0.5331 0.6213 0.792 0.024 0.184
#> GSM76097 2 0.4749 0.7405 0.172 0.816 0.012
#> GSM76098 3 0.5111 0.7431 0.144 0.036 0.820
#> GSM76099 1 0.0424 0.7485 0.992 0.000 0.008
#> GSM76100 1 0.5728 0.6963 0.720 0.272 0.008
#> GSM76101 1 0.0424 0.7485 0.992 0.000 0.008
#> GSM76102 1 0.9962 0.0270 0.364 0.292 0.344
#> GSM76103 3 0.8261 0.3111 0.396 0.080 0.524
#> GSM76104 3 0.7507 0.5907 0.068 0.288 0.644
#> GSM76105 2 0.1315 0.8904 0.020 0.972 0.008
#> GSM76106 3 0.6224 0.6165 0.016 0.296 0.688
#> GSM76107 3 0.6062 0.6942 0.064 0.160 0.776
#> GSM76108 2 0.2651 0.8638 0.060 0.928 0.012
#> GSM76109 1 0.0424 0.7485 0.992 0.000 0.008
#> GSM76110 1 0.5692 0.6998 0.724 0.268 0.008
#> GSM76111 1 0.5692 0.6998 0.724 0.268 0.008
#> GSM76112 1 0.1529 0.7409 0.960 0.000 0.040
#> GSM76113 3 0.7533 0.5345 0.052 0.348 0.600
#> GSM76114 1 0.4920 0.7197 0.840 0.052 0.108
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.0592 0.8435 0.000 0.984 0.000 0.016
#> GSM76116 2 0.2255 0.8287 0.012 0.920 0.000 0.068
#> GSM76117 2 0.2329 0.8278 0.012 0.916 0.000 0.072
#> GSM76118 2 0.2329 0.8278 0.012 0.916 0.000 0.072
#> GSM76119 4 0.4245 0.5976 0.000 0.020 0.196 0.784
#> GSM76120 4 0.4245 0.5976 0.000 0.020 0.196 0.784
#> GSM76121 4 0.7596 0.5691 0.020 0.132 0.332 0.516
#> GSM76122 2 0.2402 0.8263 0.012 0.912 0.000 0.076
#> GSM76123 4 0.4245 0.5976 0.000 0.020 0.196 0.784
#> GSM76124 2 0.3575 0.7974 0.020 0.852 0.004 0.124
#> GSM76125 4 0.4245 0.5976 0.000 0.020 0.196 0.784
#> GSM76126 4 0.7569 0.5667 0.020 0.128 0.336 0.516
#> GSM76127 4 0.4245 0.5976 0.000 0.020 0.196 0.784
#> GSM76128 4 0.3801 0.5664 0.000 0.000 0.220 0.780
#> GSM76129 2 0.2329 0.8278 0.012 0.916 0.000 0.072
#> GSM76130 4 0.4245 0.5976 0.000 0.020 0.196 0.784
#> GSM76131 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76132 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76133 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76134 2 0.0000 0.8429 0.000 1.000 0.000 0.000
#> GSM76135 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76136 2 0.1209 0.8357 0.000 0.964 0.004 0.032
#> GSM76137 2 0.0000 0.8429 0.000 1.000 0.000 0.000
#> GSM76138 2 0.0000 0.8429 0.000 1.000 0.000 0.000
#> GSM76139 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76140 2 0.3781 0.7909 0.028 0.844 0.004 0.124
#> GSM76141 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76142 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76143 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76144 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76145 2 0.1452 0.8329 0.000 0.956 0.008 0.036
#> GSM76146 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76147 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76148 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76149 2 0.0000 0.8429 0.000 1.000 0.000 0.000
#> GSM76150 2 0.0000 0.8429 0.000 1.000 0.000 0.000
#> GSM76151 2 0.1209 0.8371 0.000 0.964 0.004 0.032
#> GSM76152 2 0.8970 -0.2505 0.356 0.400 0.100 0.144
#> GSM76153 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76154 2 0.0000 0.8429 0.000 1.000 0.000 0.000
#> GSM76155 2 0.0000 0.8429 0.000 1.000 0.000 0.000
#> GSM76156 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76030 2 0.0895 0.8427 0.004 0.976 0.000 0.020
#> GSM76031 1 0.9316 0.5190 0.440 0.236 0.168 0.156
#> GSM76032 3 0.0376 0.8225 0.004 0.000 0.992 0.004
#> GSM76033 3 0.0524 0.8232 0.004 0.000 0.988 0.008
#> GSM76034 2 0.8650 -0.1478 0.044 0.388 0.360 0.208
#> GSM76035 2 0.8650 -0.1478 0.044 0.388 0.360 0.208
#> GSM76036 3 0.2124 0.7916 0.000 0.028 0.932 0.040
#> GSM76037 2 0.1256 0.8404 0.008 0.964 0.000 0.028
#> GSM76038 1 0.9316 0.5190 0.440 0.236 0.168 0.156
#> GSM76039 2 0.5170 0.7201 0.064 0.764 0.008 0.164
#> GSM76040 3 0.2124 0.7916 0.000 0.028 0.932 0.040
#> GSM76041 1 0.6742 0.6383 0.664 0.052 0.220 0.064
#> GSM76042 2 0.7545 0.5463 0.080 0.624 0.100 0.196
#> GSM76043 3 0.9179 -0.0826 0.088 0.308 0.392 0.212
#> GSM76044 2 0.2662 0.8214 0.016 0.900 0.000 0.084
#> GSM76045 1 0.8444 0.6340 0.548 0.188 0.100 0.164
#> GSM76046 4 0.7969 0.4534 0.004 0.252 0.360 0.384
#> GSM76047 2 0.8650 -0.1478 0.044 0.388 0.360 0.208
#> GSM76048 3 0.1707 0.8068 0.004 0.024 0.952 0.020
#> GSM76049 2 0.0895 0.8422 0.004 0.976 0.000 0.020
#> GSM76050 1 0.7448 0.5932 0.600 0.052 0.252 0.096
#> GSM76051 3 0.0524 0.8232 0.004 0.000 0.988 0.008
#> GSM76052 4 0.7969 0.4534 0.004 0.252 0.360 0.384
#> GSM76053 2 0.6656 0.3426 0.008 0.616 0.100 0.276
#> GSM76054 3 0.4599 0.6050 0.008 0.108 0.812 0.072
#> GSM76055 2 0.3166 0.8036 0.016 0.868 0.000 0.116
#> GSM76056 2 0.5309 0.7115 0.072 0.756 0.008 0.164
#> GSM76057 2 0.8068 0.4261 0.060 0.560 0.224 0.156
#> GSM76058 3 0.0524 0.8232 0.004 0.000 0.988 0.008
#> GSM76059 1 0.0817 0.7046 0.976 0.000 0.024 0.000
#> GSM76060 2 0.3472 0.8098 0.024 0.868 0.008 0.100
#> GSM76061 2 0.3472 0.8098 0.024 0.868 0.008 0.100
#> GSM76062 1 0.0817 0.7046 0.976 0.000 0.024 0.000
#> GSM76063 2 0.2796 0.7844 0.000 0.892 0.016 0.092
#> GSM76064 1 0.6674 0.6382 0.668 0.052 0.220 0.060
#> GSM76065 2 0.1256 0.8404 0.008 0.964 0.000 0.028
#> GSM76066 1 0.6742 0.6383 0.664 0.052 0.220 0.064
#> GSM76067 3 0.0921 0.8097 0.028 0.000 0.972 0.000
#> GSM76068 3 0.2486 0.7884 0.004 0.028 0.920 0.048
#> GSM76069 1 0.3136 0.7189 0.900 0.032 0.036 0.032
#> GSM76070 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76071 1 0.8131 0.6585 0.584 0.152 0.100 0.164
#> GSM76072 1 0.8131 0.6585 0.584 0.152 0.100 0.164
#> GSM76073 1 0.8474 0.6306 0.544 0.192 0.100 0.164
#> GSM76074 1 0.8051 0.6596 0.592 0.144 0.100 0.164
#> GSM76075 3 0.0376 0.8225 0.004 0.000 0.992 0.004
#> GSM76076 3 0.0376 0.8225 0.004 0.000 0.992 0.004
#> GSM76077 2 0.3253 0.8121 0.016 0.876 0.008 0.100
#> GSM76078 2 0.7951 -0.0198 0.024 0.424 0.404 0.148
#> GSM76079 1 0.0817 0.7046 0.976 0.000 0.024 0.000
#> GSM76080 4 0.7851 0.5676 0.000 0.288 0.312 0.400
#> GSM76081 4 0.7860 0.5645 0.000 0.292 0.312 0.396
#> GSM76082 3 0.1985 0.8112 0.024 0.020 0.944 0.012
#> GSM76083 3 0.0376 0.8225 0.004 0.000 0.992 0.004
#> GSM76084 4 0.7869 0.5602 0.000 0.296 0.312 0.392
#> GSM76085 3 0.0524 0.8232 0.004 0.000 0.988 0.008
#> GSM76086 1 0.3528 0.6235 0.808 0.000 0.192 0.000
#> GSM76087 2 0.0817 0.8403 0.000 0.976 0.000 0.024
#> GSM76088 2 0.8131 0.4200 0.064 0.556 0.224 0.156
#> GSM76089 2 0.0895 0.8422 0.004 0.976 0.000 0.020
#> GSM76090 3 0.0921 0.8097 0.028 0.000 0.972 0.000
#> GSM76091 1 0.2149 0.6925 0.912 0.000 0.088 0.000
#> GSM76092 1 0.2841 0.7170 0.912 0.032 0.024 0.032
#> GSM76093 1 0.0817 0.7046 0.976 0.000 0.024 0.000
#> GSM76094 2 0.2329 0.8278 0.012 0.916 0.000 0.072
#> GSM76095 2 0.3781 0.7909 0.028 0.844 0.004 0.124
#> GSM76096 1 0.5180 0.5862 0.740 0.000 0.196 0.064
#> GSM76097 2 0.5673 0.6908 0.084 0.736 0.012 0.168
#> GSM76098 3 0.2565 0.7758 0.000 0.032 0.912 0.056
#> GSM76099 1 0.0921 0.7054 0.972 0.000 0.028 0.000
#> GSM76100 1 0.8508 0.6285 0.540 0.192 0.100 0.168
#> GSM76101 1 0.0817 0.7046 0.976 0.000 0.024 0.000
#> GSM76102 3 0.9148 0.1134 0.184 0.220 0.464 0.132
#> GSM76103 3 0.6564 0.5024 0.196 0.040 0.684 0.080
#> GSM76104 4 0.7969 0.4534 0.004 0.252 0.360 0.384
#> GSM76105 2 0.2329 0.8278 0.012 0.916 0.000 0.072
#> GSM76106 4 0.7851 0.5676 0.000 0.288 0.312 0.400
#> GSM76107 4 0.7500 0.5844 0.020 0.128 0.316 0.536
#> GSM76108 2 0.3350 0.8016 0.016 0.864 0.004 0.116
#> GSM76109 1 0.0817 0.7046 0.976 0.000 0.024 0.000
#> GSM76110 1 0.8444 0.6340 0.548 0.188 0.100 0.164
#> GSM76111 1 0.8444 0.6340 0.548 0.188 0.100 0.164
#> GSM76112 1 0.2408 0.6859 0.896 0.000 0.104 0.000
#> GSM76113 2 0.8295 -0.6019 0.012 0.340 0.316 0.332
#> GSM76114 1 0.6273 0.6235 0.672 0.024 0.244 0.060
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 2 0.1270 0.7364 0.000 0.948 0.000 0.000 0.052
#> GSM76116 2 0.3039 0.6692 0.000 0.808 0.000 0.000 0.192
#> GSM76117 2 0.3074 0.6670 0.000 0.804 0.000 0.000 0.196
#> GSM76118 2 0.3074 0.6670 0.000 0.804 0.000 0.000 0.196
#> GSM76119 4 0.0290 0.6579 0.000 0.008 0.000 0.992 0.000
#> GSM76120 4 0.0290 0.6579 0.000 0.008 0.000 0.992 0.000
#> GSM76121 4 0.6691 0.6067 0.000 0.076 0.072 0.548 0.304
#> GSM76122 2 0.3109 0.6630 0.000 0.800 0.000 0.000 0.200
#> GSM76123 4 0.0290 0.6579 0.000 0.008 0.000 0.992 0.000
#> GSM76124 2 0.3636 0.5933 0.000 0.728 0.000 0.000 0.272
#> GSM76125 4 0.0290 0.6579 0.000 0.008 0.000 0.992 0.000
#> GSM76126 4 0.6626 0.6094 0.000 0.072 0.072 0.556 0.300
#> GSM76127 4 0.0290 0.6579 0.000 0.008 0.000 0.992 0.000
#> GSM76128 4 0.0693 0.6467 0.000 0.000 0.012 0.980 0.008
#> GSM76129 2 0.3074 0.6670 0.000 0.804 0.000 0.000 0.196
#> GSM76130 4 0.0290 0.6579 0.000 0.008 0.000 0.992 0.000
#> GSM76131 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76132 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76133 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76134 2 0.0000 0.7410 0.000 1.000 0.000 0.000 0.000
#> GSM76135 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76136 2 0.3962 0.6477 0.000 0.744 0.004 0.012 0.240
#> GSM76137 2 0.0000 0.7410 0.000 1.000 0.000 0.000 0.000
#> GSM76138 2 0.0000 0.7410 0.000 1.000 0.000 0.000 0.000
#> GSM76139 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76140 2 0.3730 0.5646 0.000 0.712 0.000 0.000 0.288
#> GSM76141 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76142 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76143 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76144 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76145 2 0.4096 0.6501 0.000 0.744 0.004 0.020 0.232
#> GSM76146 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76147 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76148 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76149 2 0.0000 0.7410 0.000 1.000 0.000 0.000 0.000
#> GSM76150 2 0.0000 0.7410 0.000 1.000 0.000 0.000 0.000
#> GSM76151 2 0.3106 0.6988 0.000 0.840 0.000 0.020 0.140
#> GSM76152 5 0.6685 0.2577 0.244 0.340 0.000 0.000 0.416
#> GSM76153 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76154 2 0.0000 0.7410 0.000 1.000 0.000 0.000 0.000
#> GSM76155 2 0.0000 0.7410 0.000 1.000 0.000 0.000 0.000
#> GSM76156 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76030 2 0.1270 0.7360 0.000 0.948 0.000 0.000 0.052
#> GSM76031 5 0.7287 0.0336 0.316 0.176 0.048 0.000 0.460
#> GSM76032 3 0.0000 0.9055 0.000 0.000 1.000 0.000 0.000
#> GSM76033 3 0.0324 0.9059 0.000 0.000 0.992 0.004 0.004
#> GSM76034 5 0.8002 0.4024 0.000 0.264 0.224 0.104 0.408
#> GSM76035 5 0.8002 0.4024 0.000 0.264 0.224 0.104 0.408
#> GSM76036 3 0.2585 0.8699 0.000 0.024 0.904 0.048 0.024
#> GSM76037 2 0.2280 0.7102 0.000 0.880 0.000 0.000 0.120
#> GSM76038 5 0.7287 0.0336 0.316 0.176 0.048 0.000 0.460
#> GSM76039 2 0.4196 0.4181 0.004 0.640 0.000 0.000 0.356
#> GSM76040 3 0.2585 0.8699 0.000 0.024 0.904 0.048 0.024
#> GSM76041 1 0.6015 0.5236 0.612 0.032 0.080 0.000 0.276
#> GSM76042 2 0.5870 -0.0182 0.016 0.516 0.012 0.036 0.420
#> GSM76043 5 0.8505 0.3184 0.032 0.188 0.248 0.104 0.428
#> GSM76044 2 0.3210 0.6617 0.000 0.788 0.000 0.000 0.212
#> GSM76045 1 0.6373 0.1682 0.424 0.164 0.000 0.000 0.412
#> GSM76046 4 0.8285 0.4162 0.000 0.164 0.236 0.388 0.212
#> GSM76047 5 0.8002 0.4024 0.000 0.264 0.224 0.104 0.408
#> GSM76048 3 0.2150 0.8845 0.004 0.020 0.928 0.032 0.016
#> GSM76049 2 0.1851 0.7270 0.000 0.912 0.000 0.000 0.088
#> GSM76050 1 0.6469 0.4296 0.524 0.032 0.096 0.000 0.348
#> GSM76051 3 0.0162 0.9062 0.000 0.000 0.996 0.004 0.000
#> GSM76052 4 0.8285 0.4162 0.000 0.164 0.236 0.388 0.212
#> GSM76053 2 0.7134 -0.0712 0.000 0.488 0.036 0.272 0.204
#> GSM76054 3 0.5311 0.6569 0.000 0.056 0.728 0.064 0.152
#> GSM76055 2 0.3534 0.6068 0.000 0.744 0.000 0.000 0.256
#> GSM76056 2 0.4264 0.4106 0.004 0.620 0.000 0.000 0.376
#> GSM76057 5 0.5579 0.2568 0.000 0.420 0.072 0.000 0.508
#> GSM76058 3 0.0162 0.9062 0.000 0.000 0.996 0.004 0.000
#> GSM76059 1 0.0000 0.6690 1.000 0.000 0.000 0.000 0.000
#> GSM76060 2 0.3480 0.6478 0.000 0.752 0.000 0.000 0.248
#> GSM76061 2 0.3480 0.6478 0.000 0.752 0.000 0.000 0.248
#> GSM76062 1 0.0000 0.6690 1.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.5283 0.5625 0.000 0.672 0.008 0.080 0.240
#> GSM76064 1 0.5974 0.5286 0.620 0.032 0.080 0.000 0.268
#> GSM76065 2 0.2377 0.7209 0.000 0.872 0.000 0.000 0.128
#> GSM76066 1 0.6015 0.5236 0.612 0.032 0.080 0.000 0.276
#> GSM76067 3 0.0771 0.8932 0.020 0.000 0.976 0.000 0.004
#> GSM76068 3 0.2966 0.8622 0.004 0.020 0.888 0.056 0.032
#> GSM76069 1 0.2570 0.6568 0.888 0.028 0.000 0.000 0.084
#> GSM76070 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76071 1 0.6118 0.2745 0.468 0.128 0.000 0.000 0.404
#> GSM76072 1 0.6118 0.2745 0.468 0.128 0.000 0.000 0.404
#> GSM76073 1 0.6396 0.1544 0.420 0.168 0.000 0.000 0.412
#> GSM76074 1 0.6081 0.2811 0.476 0.124 0.000 0.000 0.400
#> GSM76075 3 0.0000 0.9055 0.000 0.000 1.000 0.000 0.000
#> GSM76076 3 0.0000 0.9055 0.000 0.000 1.000 0.000 0.000
#> GSM76077 2 0.3395 0.6560 0.000 0.764 0.000 0.000 0.236
#> GSM76078 5 0.7154 0.4445 0.000 0.280 0.248 0.024 0.448
#> GSM76079 1 0.0000 0.6690 1.000 0.000 0.000 0.000 0.000
#> GSM76080 4 0.7531 0.5823 0.000 0.192 0.180 0.516 0.112
#> GSM76081 4 0.7556 0.5784 0.000 0.196 0.180 0.512 0.112
#> GSM76082 3 0.2008 0.8915 0.020 0.020 0.936 0.016 0.008
#> GSM76083 3 0.0000 0.9055 0.000 0.000 1.000 0.000 0.000
#> GSM76084 4 0.7579 0.5733 0.000 0.200 0.180 0.508 0.112
#> GSM76085 3 0.0162 0.9062 0.000 0.000 0.996 0.004 0.000
#> GSM76086 1 0.3282 0.5747 0.804 0.000 0.188 0.000 0.008
#> GSM76087 2 0.2929 0.7096 0.000 0.820 0.000 0.000 0.180
#> GSM76088 5 0.5574 0.2680 0.000 0.416 0.072 0.000 0.512
#> GSM76089 2 0.1732 0.7295 0.000 0.920 0.000 0.000 0.080
#> GSM76090 3 0.0771 0.8932 0.020 0.000 0.976 0.000 0.004
#> GSM76091 1 0.1768 0.6528 0.924 0.000 0.072 0.000 0.004
#> GSM76092 1 0.2325 0.6582 0.904 0.028 0.000 0.000 0.068
#> GSM76093 1 0.0000 0.6690 1.000 0.000 0.000 0.000 0.000
#> GSM76094 2 0.3074 0.6670 0.000 0.804 0.000 0.000 0.196
#> GSM76095 2 0.3730 0.5646 0.000 0.712 0.000 0.000 0.288
#> GSM76096 1 0.4555 0.5509 0.720 0.000 0.056 0.000 0.224
#> GSM76097 2 0.4482 0.3565 0.012 0.612 0.000 0.000 0.376
#> GSM76098 3 0.3097 0.8482 0.000 0.024 0.876 0.068 0.032
#> GSM76099 1 0.0290 0.6696 0.992 0.000 0.000 0.000 0.008
#> GSM76100 5 0.6396 -0.2478 0.416 0.168 0.000 0.000 0.416
#> GSM76101 1 0.0000 0.6690 1.000 0.000 0.000 0.000 0.000
#> GSM76102 5 0.8293 0.3917 0.120 0.152 0.304 0.016 0.408
#> GSM76103 3 0.6916 0.2087 0.140 0.024 0.532 0.012 0.292
#> GSM76104 4 0.8285 0.4162 0.000 0.164 0.236 0.388 0.212
#> GSM76105 2 0.3074 0.6670 0.000 0.804 0.000 0.000 0.196
#> GSM76106 4 0.7531 0.5823 0.000 0.192 0.180 0.516 0.112
#> GSM76107 4 0.6309 0.6206 0.000 0.068 0.060 0.596 0.276
#> GSM76108 2 0.3561 0.6015 0.000 0.740 0.000 0.000 0.260
#> GSM76109 1 0.0000 0.6690 1.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.6373 0.1682 0.424 0.164 0.000 0.000 0.412
#> GSM76111 1 0.6373 0.1682 0.424 0.164 0.000 0.000 0.412
#> GSM76112 1 0.2193 0.6455 0.900 0.000 0.092 0.000 0.008
#> GSM76113 4 0.8142 0.4572 0.000 0.224 0.180 0.424 0.172
#> GSM76114 1 0.5797 0.5393 0.624 0.012 0.104 0.000 0.260
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.3531 0.5355 0.000 0.328 0.000 0.000 0.672 0.000
#> GSM76116 5 0.2092 0.6755 0.000 0.124 0.000 0.000 0.876 0.000
#> GSM76117 5 0.1957 0.6778 0.000 0.112 0.000 0.000 0.888 0.000
#> GSM76118 5 0.1957 0.6778 0.000 0.112 0.000 0.000 0.888 0.000
#> GSM76119 4 0.0000 0.4652 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.4652 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 6 0.6283 -0.0556 0.016 0.096 0.004 0.324 0.032 0.528
#> GSM76122 5 0.1910 0.6776 0.000 0.108 0.000 0.000 0.892 0.000
#> GSM76123 4 0.0000 0.4652 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.1074 0.6557 0.000 0.028 0.000 0.000 0.960 0.012
#> GSM76125 4 0.0000 0.4652 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76126 6 0.6162 -0.0589 0.016 0.096 0.004 0.328 0.024 0.532
#> GSM76127 4 0.0000 0.4652 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.0951 0.4444 0.000 0.004 0.008 0.968 0.000 0.020
#> GSM76129 5 0.1957 0.6778 0.000 0.112 0.000 0.000 0.888 0.000
#> GSM76130 4 0.0000 0.4652 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76132 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76133 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76134 5 0.3857 0.3070 0.000 0.468 0.000 0.000 0.532 0.000
#> GSM76135 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76136 2 0.4391 0.7125 0.000 0.756 0.004 0.020 0.144 0.076
#> GSM76137 5 0.3857 0.3070 0.000 0.468 0.000 0.000 0.532 0.000
#> GSM76138 5 0.3857 0.3070 0.000 0.468 0.000 0.000 0.532 0.000
#> GSM76139 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76140 5 0.1938 0.6492 0.052 0.020 0.000 0.000 0.920 0.008
#> GSM76141 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76142 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76143 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76144 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76145 2 0.4322 0.7277 0.000 0.760 0.004 0.020 0.148 0.068
#> GSM76146 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76147 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76148 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76149 5 0.3857 0.3070 0.000 0.468 0.000 0.000 0.532 0.000
#> GSM76150 5 0.3857 0.3070 0.000 0.468 0.000 0.000 0.532 0.000
#> GSM76151 2 0.5224 0.4369 0.000 0.592 0.000 0.020 0.320 0.068
#> GSM76152 1 0.4300 0.2025 0.540 0.008 0.000 0.000 0.444 0.008
#> GSM76153 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76154 5 0.3857 0.3070 0.000 0.468 0.000 0.000 0.532 0.000
#> GSM76155 5 0.3857 0.3070 0.000 0.468 0.000 0.000 0.532 0.000
#> GSM76156 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76030 5 0.3684 0.4844 0.000 0.372 0.000 0.000 0.628 0.000
#> GSM76031 1 0.5258 0.4096 0.636 0.008 0.028 0.000 0.272 0.056
#> GSM76032 3 0.0146 0.8961 0.000 0.004 0.996 0.000 0.000 0.000
#> GSM76033 3 0.0291 0.8977 0.000 0.000 0.992 0.004 0.000 0.004
#> GSM76034 6 0.9515 0.2687 0.200 0.196 0.184 0.036 0.176 0.208
#> GSM76035 6 0.9515 0.2687 0.200 0.196 0.184 0.036 0.176 0.208
#> GSM76036 3 0.2554 0.8587 0.000 0.044 0.892 0.040 0.000 0.024
#> GSM76037 5 0.2969 0.6313 0.000 0.224 0.000 0.000 0.776 0.000
#> GSM76038 1 0.5258 0.4096 0.636 0.008 0.028 0.000 0.272 0.056
#> GSM76039 5 0.2100 0.5995 0.112 0.004 0.000 0.000 0.884 0.000
#> GSM76040 3 0.2554 0.8587 0.000 0.044 0.892 0.040 0.000 0.024
#> GSM76041 1 0.4970 0.5159 0.708 0.020 0.056 0.000 0.024 0.192
#> GSM76042 5 0.6141 0.3665 0.184 0.108 0.000 0.020 0.624 0.064
#> GSM76043 1 0.9609 -0.4445 0.236 0.164 0.212 0.060 0.132 0.196
#> GSM76044 5 0.2502 0.6700 0.020 0.084 0.000 0.000 0.884 0.012
#> GSM76045 1 0.3175 0.5055 0.744 0.000 0.000 0.000 0.256 0.000
#> GSM76046 4 0.9292 0.1328 0.056 0.192 0.212 0.256 0.064 0.220
#> GSM76047 6 0.9515 0.2687 0.200 0.196 0.184 0.036 0.176 0.208
#> GSM76048 3 0.2247 0.8726 0.004 0.040 0.912 0.024 0.000 0.020
#> GSM76049 5 0.3266 0.5967 0.000 0.272 0.000 0.000 0.728 0.000
#> GSM76050 1 0.5477 0.4840 0.684 0.020 0.060 0.000 0.060 0.176
#> GSM76051 3 0.0146 0.8978 0.000 0.000 0.996 0.004 0.000 0.000
#> GSM76052 4 0.9292 0.1328 0.056 0.192 0.212 0.256 0.064 0.220
#> GSM76053 5 0.8603 -0.0912 0.044 0.200 0.028 0.184 0.372 0.172
#> GSM76054 3 0.5964 0.6233 0.056 0.068 0.700 0.036 0.036 0.104
#> GSM76055 5 0.0777 0.6593 0.004 0.024 0.000 0.000 0.972 0.000
#> GSM76056 5 0.3539 0.5750 0.136 0.044 0.000 0.000 0.808 0.012
#> GSM76057 5 0.7639 0.1275 0.240 0.208 0.024 0.000 0.416 0.112
#> GSM76058 3 0.0146 0.8978 0.000 0.000 0.996 0.004 0.000 0.000
#> GSM76059 1 0.3620 0.5308 0.648 0.000 0.000 0.000 0.000 0.352
#> GSM76060 5 0.5704 0.4085 0.092 0.380 0.000 0.000 0.504 0.024
#> GSM76061 5 0.5704 0.4085 0.092 0.380 0.000 0.000 0.504 0.024
#> GSM76062 1 0.3620 0.5308 0.648 0.000 0.000 0.000 0.000 0.352
#> GSM76063 2 0.5131 0.6198 0.000 0.720 0.008 0.064 0.120 0.088
#> GSM76064 1 0.4892 0.5166 0.712 0.020 0.056 0.000 0.020 0.192
#> GSM76065 5 0.3151 0.6147 0.000 0.252 0.000 0.000 0.748 0.000
#> GSM76066 1 0.4941 0.5158 0.712 0.020 0.056 0.000 0.024 0.188
#> GSM76067 3 0.0837 0.8829 0.020 0.004 0.972 0.000 0.000 0.004
#> GSM76068 3 0.3067 0.8499 0.004 0.044 0.872 0.040 0.004 0.036
#> GSM76069 1 0.4151 0.5518 0.692 0.000 0.000 0.000 0.044 0.264
#> GSM76070 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76071 1 0.3658 0.5226 0.752 0.000 0.000 0.000 0.216 0.032
#> GSM76072 1 0.3658 0.5226 0.752 0.000 0.000 0.000 0.216 0.032
#> GSM76073 1 0.3198 0.5024 0.740 0.000 0.000 0.000 0.260 0.000
#> GSM76074 1 0.3460 0.5237 0.760 0.000 0.000 0.000 0.220 0.020
#> GSM76075 3 0.0146 0.8961 0.000 0.004 0.996 0.000 0.000 0.000
#> GSM76076 3 0.0146 0.8961 0.000 0.004 0.996 0.000 0.000 0.000
#> GSM76077 5 0.5638 0.4012 0.084 0.388 0.000 0.000 0.504 0.024
#> GSM76078 2 0.9121 -0.4536 0.212 0.240 0.200 0.008 0.168 0.172
#> GSM76079 1 0.3620 0.5299 0.648 0.000 0.000 0.000 0.000 0.352
#> GSM76080 4 0.8208 0.2912 0.000 0.212 0.164 0.344 0.044 0.236
#> GSM76081 4 0.8242 0.2908 0.000 0.208 0.164 0.344 0.048 0.236
#> GSM76082 3 0.2205 0.8822 0.020 0.036 0.916 0.008 0.000 0.020
#> GSM76083 3 0.0146 0.8961 0.000 0.004 0.996 0.000 0.000 0.000
#> GSM76084 4 0.8273 0.2885 0.000 0.204 0.164 0.344 0.052 0.236
#> GSM76085 3 0.0146 0.8978 0.000 0.000 0.996 0.004 0.000 0.000
#> GSM76086 1 0.5854 0.4364 0.488 0.004 0.184 0.000 0.000 0.324
#> GSM76087 2 0.2340 0.8786 0.000 0.852 0.000 0.000 0.148 0.000
#> GSM76088 5 0.7651 0.1178 0.244 0.208 0.024 0.000 0.412 0.112
#> GSM76089 5 0.3428 0.5708 0.000 0.304 0.000 0.000 0.696 0.000
#> GSM76090 3 0.0837 0.8829 0.020 0.004 0.972 0.000 0.000 0.004
#> GSM76091 1 0.4859 0.5124 0.584 0.000 0.072 0.000 0.000 0.344
#> GSM76092 1 0.4291 0.5469 0.664 0.000 0.000 0.000 0.044 0.292
#> GSM76093 1 0.3620 0.5308 0.648 0.000 0.000 0.000 0.000 0.352
#> GSM76094 5 0.1957 0.6778 0.000 0.112 0.000 0.000 0.888 0.000
#> GSM76095 5 0.1938 0.6492 0.052 0.020 0.000 0.000 0.920 0.008
#> GSM76096 6 0.4338 -0.4545 0.420 0.016 0.000 0.000 0.004 0.560
#> GSM76097 5 0.2378 0.5570 0.152 0.000 0.000 0.000 0.848 0.000
#> GSM76098 3 0.3169 0.8377 0.000 0.044 0.864 0.048 0.008 0.036
#> GSM76099 1 0.3547 0.5353 0.668 0.000 0.000 0.000 0.000 0.332
#> GSM76100 1 0.3221 0.4999 0.736 0.000 0.000 0.000 0.264 0.000
#> GSM76101 1 0.3620 0.5308 0.648 0.000 0.000 0.000 0.000 0.352
#> GSM76102 1 0.8478 -0.1387 0.348 0.076 0.252 0.004 0.160 0.160
#> GSM76103 3 0.6730 0.1981 0.308 0.056 0.496 0.004 0.012 0.124
#> GSM76104 4 0.9292 0.1328 0.056 0.192 0.212 0.256 0.064 0.220
#> GSM76105 5 0.1957 0.6778 0.000 0.112 0.000 0.000 0.888 0.000
#> GSM76106 4 0.8208 0.2912 0.000 0.212 0.164 0.344 0.044 0.236
#> GSM76107 6 0.5707 -0.1022 0.004 0.096 0.000 0.368 0.016 0.516
#> GSM76108 5 0.0891 0.6593 0.008 0.024 0.000 0.000 0.968 0.000
#> GSM76109 1 0.3620 0.5308 0.648 0.000 0.000 0.000 0.000 0.352
#> GSM76110 1 0.3175 0.5055 0.744 0.000 0.000 0.000 0.256 0.000
#> GSM76111 1 0.3175 0.5055 0.744 0.000 0.000 0.000 0.256 0.000
#> GSM76112 1 0.5168 0.5070 0.564 0.004 0.088 0.000 0.000 0.344
#> GSM76113 4 0.9261 0.1845 0.060 0.208 0.164 0.280 0.064 0.224
#> GSM76114 1 0.4942 0.5115 0.700 0.020 0.080 0.000 0.008 0.192
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> ATC:hclust 124 1.35e-05 2
#> ATC:hclust 116 6.47e-07 3
#> ATC:hclust 113 5.92e-09 4
#> ATC:hclust 97 5.21e-09 5
#> ATC:hclust 79 1.45e-09 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "kmeans"]
# you can also extract it by
# res = res_list["ATC:kmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'kmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 2.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.956 0.980 0.4994 0.500 0.500
#> 3 3 0.748 0.919 0.935 0.3241 0.735 0.520
#> 4 4 0.741 0.648 0.793 0.1067 0.916 0.758
#> 5 5 0.755 0.801 0.865 0.0751 0.859 0.545
#> 6 6 0.806 0.658 0.810 0.0460 0.932 0.695
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 2
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.983 0.000 1.000
#> GSM76116 2 0.0000 0.983 0.000 1.000
#> GSM76117 2 0.0000 0.983 0.000 1.000
#> GSM76118 2 0.0000 0.983 0.000 1.000
#> GSM76119 2 0.0938 0.976 0.012 0.988
#> GSM76120 2 0.0938 0.976 0.012 0.988
#> GSM76121 1 0.0938 0.975 0.988 0.012
#> GSM76122 2 0.0000 0.983 0.000 1.000
#> GSM76123 2 0.0938 0.976 0.012 0.988
#> GSM76124 2 0.0000 0.983 0.000 1.000
#> GSM76125 2 0.0938 0.976 0.012 0.988
#> GSM76126 1 0.0000 0.974 1.000 0.000
#> GSM76127 2 0.0938 0.976 0.012 0.988
#> GSM76128 1 0.0000 0.974 1.000 0.000
#> GSM76129 2 0.0000 0.983 0.000 1.000
#> GSM76130 2 0.0938 0.976 0.012 0.988
#> GSM76131 2 0.0000 0.983 0.000 1.000
#> GSM76132 2 0.0000 0.983 0.000 1.000
#> GSM76133 2 0.0000 0.983 0.000 1.000
#> GSM76134 2 0.0000 0.983 0.000 1.000
#> GSM76135 2 0.0000 0.983 0.000 1.000
#> GSM76136 2 0.0000 0.983 0.000 1.000
#> GSM76137 2 0.0000 0.983 0.000 1.000
#> GSM76138 2 0.0000 0.983 0.000 1.000
#> GSM76139 2 0.0000 0.983 0.000 1.000
#> GSM76140 2 0.0000 0.983 0.000 1.000
#> GSM76141 2 0.0000 0.983 0.000 1.000
#> GSM76142 2 0.0000 0.983 0.000 1.000
#> GSM76143 2 0.0000 0.983 0.000 1.000
#> GSM76144 2 0.0000 0.983 0.000 1.000
#> GSM76145 2 0.0000 0.983 0.000 1.000
#> GSM76146 2 0.0000 0.983 0.000 1.000
#> GSM76147 2 0.0000 0.983 0.000 1.000
#> GSM76148 2 0.0000 0.983 0.000 1.000
#> GSM76149 2 0.0000 0.983 0.000 1.000
#> GSM76150 2 0.0000 0.983 0.000 1.000
#> GSM76151 2 0.0000 0.983 0.000 1.000
#> GSM76152 1 0.0938 0.975 0.988 0.012
#> GSM76153 2 0.0000 0.983 0.000 1.000
#> GSM76154 2 0.0000 0.983 0.000 1.000
#> GSM76155 2 0.0000 0.983 0.000 1.000
#> GSM76156 2 0.0000 0.983 0.000 1.000
#> GSM76030 2 0.0000 0.983 0.000 1.000
#> GSM76031 1 0.0938 0.975 0.988 0.012
#> GSM76032 1 0.0000 0.974 1.000 0.000
#> GSM76033 1 0.0000 0.974 1.000 0.000
#> GSM76034 2 0.0000 0.983 0.000 1.000
#> GSM76035 1 0.0376 0.974 0.996 0.004
#> GSM76036 1 0.0000 0.974 1.000 0.000
#> GSM76037 2 0.0000 0.983 0.000 1.000
#> GSM76038 1 0.0938 0.975 0.988 0.012
#> GSM76039 2 0.1184 0.970 0.016 0.984
#> GSM76040 1 0.0000 0.974 1.000 0.000
#> GSM76041 1 0.0938 0.975 0.988 0.012
#> GSM76042 2 0.9170 0.495 0.332 0.668
#> GSM76043 1 0.0000 0.974 1.000 0.000
#> GSM76044 2 0.0000 0.983 0.000 1.000
#> GSM76045 1 0.0938 0.975 0.988 0.012
#> GSM76046 2 0.5059 0.875 0.112 0.888
#> GSM76047 1 0.0938 0.975 0.988 0.012
#> GSM76048 1 0.0000 0.974 1.000 0.000
#> GSM76049 2 0.0000 0.983 0.000 1.000
#> GSM76050 1 0.0938 0.975 0.988 0.012
#> GSM76051 1 0.0000 0.974 1.000 0.000
#> GSM76052 1 0.9552 0.398 0.624 0.376
#> GSM76053 2 0.0000 0.983 0.000 1.000
#> GSM76054 1 0.9393 0.447 0.644 0.356
#> GSM76055 2 0.0000 0.983 0.000 1.000
#> GSM76056 2 0.0000 0.983 0.000 1.000
#> GSM76057 2 0.8813 0.560 0.300 0.700
#> GSM76058 1 0.0000 0.974 1.000 0.000
#> GSM76059 1 0.0938 0.975 0.988 0.012
#> GSM76060 2 0.0000 0.983 0.000 1.000
#> GSM76061 2 0.0000 0.983 0.000 1.000
#> GSM76062 1 0.0938 0.975 0.988 0.012
#> GSM76063 2 0.0672 0.979 0.008 0.992
#> GSM76064 1 0.0938 0.975 0.988 0.012
#> GSM76065 2 0.0000 0.983 0.000 1.000
#> GSM76066 1 0.0938 0.975 0.988 0.012
#> GSM76067 1 0.0000 0.974 1.000 0.000
#> GSM76068 1 0.0000 0.974 1.000 0.000
#> GSM76069 1 0.0938 0.975 0.988 0.012
#> GSM76070 2 0.0000 0.983 0.000 1.000
#> GSM76071 1 0.0938 0.975 0.988 0.012
#> GSM76072 1 0.0938 0.975 0.988 0.012
#> GSM76073 1 0.0938 0.975 0.988 0.012
#> GSM76074 1 0.0938 0.975 0.988 0.012
#> GSM76075 1 0.0000 0.974 1.000 0.000
#> GSM76076 1 0.0000 0.974 1.000 0.000
#> GSM76077 2 0.0000 0.983 0.000 1.000
#> GSM76078 1 0.9393 0.454 0.644 0.356
#> GSM76079 1 0.0938 0.975 0.988 0.012
#> GSM76080 2 0.0938 0.976 0.012 0.988
#> GSM76081 2 0.0938 0.976 0.012 0.988
#> GSM76082 1 0.0000 0.974 1.000 0.000
#> GSM76083 1 0.0000 0.974 1.000 0.000
#> GSM76084 2 0.0938 0.976 0.012 0.988
#> GSM76085 1 0.0000 0.974 1.000 0.000
#> GSM76086 1 0.0000 0.974 1.000 0.000
#> GSM76087 2 0.0000 0.983 0.000 1.000
#> GSM76088 1 0.0938 0.975 0.988 0.012
#> GSM76089 2 0.0000 0.983 0.000 1.000
#> GSM76090 1 0.0000 0.974 1.000 0.000
#> GSM76091 1 0.0000 0.974 1.000 0.000
#> GSM76092 1 0.0938 0.975 0.988 0.012
#> GSM76093 1 0.0938 0.975 0.988 0.012
#> GSM76094 2 0.0000 0.983 0.000 1.000
#> GSM76095 2 0.0000 0.983 0.000 1.000
#> GSM76096 1 0.0938 0.975 0.988 0.012
#> GSM76097 2 0.7139 0.749 0.196 0.804
#> GSM76098 1 0.0000 0.974 1.000 0.000
#> GSM76099 1 0.0938 0.975 0.988 0.012
#> GSM76100 1 0.0938 0.975 0.988 0.012
#> GSM76101 1 0.0938 0.975 0.988 0.012
#> GSM76102 1 0.0376 0.974 0.996 0.004
#> GSM76103 1 0.0000 0.974 1.000 0.000
#> GSM76104 1 0.0000 0.974 1.000 0.000
#> GSM76105 2 0.0000 0.983 0.000 1.000
#> GSM76106 2 0.0938 0.976 0.012 0.988
#> GSM76107 2 0.0938 0.976 0.012 0.988
#> GSM76108 2 0.0000 0.983 0.000 1.000
#> GSM76109 1 0.0938 0.975 0.988 0.012
#> GSM76110 1 0.0938 0.975 0.988 0.012
#> GSM76111 1 0.0938 0.975 0.988 0.012
#> GSM76112 1 0.0000 0.974 1.000 0.000
#> GSM76113 2 0.0672 0.979 0.008 0.992
#> GSM76114 1 0.0938 0.975 0.988 0.012
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.2878 0.947 0.000 0.904 0.096
#> GSM76116 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76117 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76118 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76119 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76120 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76121 1 0.5393 0.849 0.820 0.108 0.072
#> GSM76122 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76123 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76124 2 0.0829 0.926 0.012 0.984 0.004
#> GSM76125 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76126 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76127 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76128 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76129 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76130 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76131 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76132 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76133 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76134 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76135 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76136 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76137 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76138 2 0.2878 0.947 0.000 0.904 0.096
#> GSM76139 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76140 2 0.0661 0.928 0.008 0.988 0.004
#> GSM76141 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76142 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76143 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76144 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76145 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76146 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76147 2 0.3038 0.947 0.000 0.896 0.104
#> GSM76148 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76149 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76150 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76151 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76152 1 0.3349 0.878 0.888 0.108 0.004
#> GSM76153 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76154 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76155 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76156 2 0.3038 0.947 0.000 0.896 0.104
#> GSM76030 2 0.1860 0.943 0.000 0.948 0.052
#> GSM76031 1 0.0592 0.940 0.988 0.000 0.012
#> GSM76032 3 0.3192 0.928 0.112 0.000 0.888
#> GSM76033 3 0.3192 0.928 0.112 0.000 0.888
#> GSM76034 2 0.1411 0.939 0.000 0.964 0.036
#> GSM76035 3 0.3340 0.921 0.120 0.000 0.880
#> GSM76036 3 0.2711 0.927 0.088 0.000 0.912
#> GSM76037 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76038 1 0.0592 0.940 0.988 0.000 0.012
#> GSM76039 1 0.5722 0.665 0.704 0.292 0.004
#> GSM76040 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76041 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76042 1 0.6455 0.800 0.764 0.128 0.108
#> GSM76043 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76044 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76045 1 0.0237 0.939 0.996 0.000 0.004
#> GSM76046 3 0.0592 0.907 0.000 0.012 0.988
#> GSM76047 1 0.6572 0.757 0.748 0.080 0.172
#> GSM76048 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76049 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76050 1 0.0592 0.940 0.988 0.000 0.012
#> GSM76051 3 0.3192 0.928 0.112 0.000 0.888
#> GSM76052 3 0.0661 0.912 0.008 0.004 0.988
#> GSM76053 2 0.5327 0.753 0.000 0.728 0.272
#> GSM76054 3 0.1525 0.919 0.032 0.004 0.964
#> GSM76055 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76056 2 0.0829 0.926 0.012 0.984 0.004
#> GSM76057 2 0.0829 0.926 0.012 0.984 0.004
#> GSM76058 3 0.3340 0.923 0.120 0.000 0.880
#> GSM76059 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76060 2 0.0237 0.932 0.000 0.996 0.004
#> GSM76061 2 0.0000 0.932 0.000 1.000 0.000
#> GSM76062 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76063 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76064 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76065 2 0.0424 0.934 0.000 0.992 0.008
#> GSM76066 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76067 1 0.5650 0.472 0.688 0.000 0.312
#> GSM76068 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76069 1 0.1163 0.930 0.972 0.028 0.000
#> GSM76070 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76071 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76072 1 0.0000 0.940 1.000 0.000 0.000
#> GSM76073 1 0.2496 0.908 0.928 0.068 0.004
#> GSM76074 1 0.1163 0.930 0.972 0.028 0.000
#> GSM76075 3 0.3192 0.928 0.112 0.000 0.888
#> GSM76076 3 0.3192 0.928 0.112 0.000 0.888
#> GSM76077 2 0.0661 0.928 0.008 0.988 0.004
#> GSM76078 3 0.1832 0.920 0.036 0.008 0.956
#> GSM76079 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76080 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76081 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76082 3 0.3340 0.923 0.120 0.000 0.880
#> GSM76083 3 0.3192 0.928 0.112 0.000 0.888
#> GSM76084 3 0.2796 0.827 0.000 0.092 0.908
#> GSM76085 3 0.3192 0.928 0.112 0.000 0.888
#> GSM76086 1 0.0747 0.936 0.984 0.000 0.016
#> GSM76087 2 0.3116 0.947 0.000 0.892 0.108
#> GSM76088 1 0.3349 0.878 0.888 0.108 0.004
#> GSM76089 2 0.2165 0.944 0.000 0.936 0.064
#> GSM76090 3 0.3340 0.923 0.120 0.000 0.880
#> GSM76091 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76092 1 0.0000 0.940 1.000 0.000 0.000
#> GSM76093 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76094 2 0.0661 0.928 0.008 0.988 0.004
#> GSM76095 2 0.0829 0.926 0.012 0.984 0.004
#> GSM76096 1 0.0237 0.940 0.996 0.000 0.004
#> GSM76097 1 0.3573 0.870 0.876 0.120 0.004
#> GSM76098 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76099 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76100 1 0.2496 0.908 0.928 0.068 0.004
#> GSM76101 1 0.0000 0.940 1.000 0.000 0.000
#> GSM76102 1 0.1289 0.928 0.968 0.000 0.032
#> GSM76103 3 0.4750 0.819 0.216 0.000 0.784
#> GSM76104 3 0.3116 0.928 0.108 0.000 0.892
#> GSM76105 2 0.0424 0.930 0.008 0.992 0.000
#> GSM76106 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76107 3 0.0592 0.906 0.000 0.012 0.988
#> GSM76108 2 0.0661 0.928 0.008 0.988 0.004
#> GSM76109 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76110 1 0.2200 0.915 0.940 0.056 0.004
#> GSM76111 1 0.2096 0.917 0.944 0.052 0.004
#> GSM76112 1 0.0424 0.941 0.992 0.000 0.008
#> GSM76113 3 0.0592 0.907 0.000 0.012 0.988
#> GSM76114 1 0.0424 0.941 0.992 0.000 0.008
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.4955 0.0446 0.000 0.556 0.000 0.444
#> GSM76116 2 0.4985 -0.0311 0.000 0.532 0.000 0.468
#> GSM76117 2 0.4998 -0.0983 0.000 0.512 0.000 0.488
#> GSM76118 4 0.4996 0.1294 0.000 0.484 0.000 0.516
#> GSM76119 3 0.0895 0.7516 0.000 0.020 0.976 0.004
#> GSM76120 3 0.0657 0.7552 0.000 0.012 0.984 0.004
#> GSM76121 4 0.4697 0.3747 0.356 0.000 0.000 0.644
#> GSM76122 2 0.5000 -0.1230 0.000 0.504 0.000 0.496
#> GSM76123 3 0.0657 0.7552 0.000 0.012 0.984 0.004
#> GSM76124 4 0.4978 0.4674 0.004 0.384 0.000 0.612
#> GSM76125 3 0.0895 0.7516 0.000 0.020 0.976 0.004
#> GSM76126 3 0.4277 0.8318 0.000 0.000 0.720 0.280
#> GSM76127 3 0.1209 0.7446 0.000 0.032 0.964 0.004
#> GSM76128 3 0.1716 0.7802 0.000 0.000 0.936 0.064
#> GSM76129 2 0.5000 -0.1243 0.000 0.504 0.000 0.496
#> GSM76130 3 0.1209 0.7446 0.000 0.032 0.964 0.004
#> GSM76131 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76134 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76135 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76137 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76138 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76139 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76140 4 0.4817 0.4590 0.000 0.388 0.000 0.612
#> GSM76141 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76145 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76146 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76148 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76149 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76150 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76151 2 0.0188 0.7790 0.000 0.996 0.000 0.004
#> GSM76152 4 0.4877 0.2582 0.408 0.000 0.000 0.592
#> GSM76153 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76154 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76155 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76156 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76030 2 0.4605 0.3335 0.000 0.664 0.000 0.336
#> GSM76031 1 0.2921 0.8595 0.860 0.000 0.000 0.140
#> GSM76032 3 0.6136 0.8117 0.060 0.000 0.584 0.356
#> GSM76033 3 0.4697 0.8314 0.000 0.000 0.644 0.356
#> GSM76034 2 0.4855 0.1722 0.000 0.600 0.000 0.400
#> GSM76035 3 0.5168 0.7495 0.004 0.000 0.500 0.496
#> GSM76036 3 0.4500 0.8342 0.000 0.000 0.684 0.316
#> GSM76037 2 0.4972 0.0098 0.000 0.544 0.000 0.456
#> GSM76038 1 0.2921 0.8595 0.860 0.000 0.000 0.140
#> GSM76039 4 0.5467 0.4054 0.364 0.024 0.000 0.612
#> GSM76040 3 0.4697 0.8314 0.000 0.000 0.644 0.356
#> GSM76041 1 0.2011 0.8735 0.920 0.000 0.000 0.080
#> GSM76042 4 0.5250 0.3939 0.344 0.004 0.012 0.640
#> GSM76043 3 0.5137 0.7889 0.004 0.000 0.544 0.452
#> GSM76044 2 0.5000 -0.1388 0.000 0.500 0.000 0.500
#> GSM76045 1 0.2921 0.8595 0.860 0.000 0.000 0.140
#> GSM76046 3 0.1716 0.7786 0.000 0.000 0.936 0.064
#> GSM76047 4 0.4955 0.2497 0.344 0.000 0.008 0.648
#> GSM76048 3 0.4713 0.8313 0.000 0.000 0.640 0.360
#> GSM76049 2 0.4998 -0.0983 0.000 0.512 0.000 0.488
#> GSM76050 1 0.2921 0.8595 0.860 0.000 0.000 0.140
#> GSM76051 3 0.4872 0.8309 0.004 0.000 0.640 0.356
#> GSM76052 3 0.4222 0.8279 0.000 0.000 0.728 0.272
#> GSM76053 3 0.7517 -0.1031 0.000 0.212 0.484 0.304
#> GSM76054 3 0.4564 0.8338 0.000 0.000 0.672 0.328
#> GSM76055 2 0.5000 -0.1388 0.000 0.500 0.000 0.500
#> GSM76056 4 0.4978 0.4674 0.004 0.384 0.000 0.612
#> GSM76057 2 0.5161 -0.1153 0.004 0.520 0.000 0.476
#> GSM76058 3 0.6233 0.7999 0.060 0.000 0.552 0.388
#> GSM76059 1 0.0000 0.8698 1.000 0.000 0.000 0.000
#> GSM76060 2 0.4382 0.4172 0.000 0.704 0.000 0.296
#> GSM76061 2 0.1302 0.7487 0.000 0.956 0.000 0.044
#> GSM76062 1 0.0000 0.8698 1.000 0.000 0.000 0.000
#> GSM76063 2 0.2542 0.6752 0.000 0.904 0.084 0.012
#> GSM76064 1 0.2081 0.8732 0.916 0.000 0.000 0.084
#> GSM76065 2 0.1637 0.7378 0.000 0.940 0.000 0.060
#> GSM76066 1 0.2081 0.8732 0.916 0.000 0.000 0.084
#> GSM76067 1 0.7260 0.0356 0.464 0.000 0.148 0.388
#> GSM76068 3 0.4713 0.8314 0.000 0.000 0.640 0.360
#> GSM76069 1 0.2345 0.8685 0.900 0.000 0.000 0.100
#> GSM76070 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76071 1 0.2868 0.8614 0.864 0.000 0.000 0.136
#> GSM76072 1 0.2647 0.8648 0.880 0.000 0.000 0.120
#> GSM76073 1 0.2704 0.8593 0.876 0.000 0.000 0.124
#> GSM76074 1 0.2589 0.8635 0.884 0.000 0.000 0.116
#> GSM76075 3 0.5778 0.8214 0.040 0.000 0.604 0.356
#> GSM76076 3 0.5929 0.8180 0.048 0.000 0.596 0.356
#> GSM76077 4 0.4925 0.3506 0.000 0.428 0.000 0.572
#> GSM76078 3 0.4964 0.8268 0.004 0.000 0.616 0.380
#> GSM76079 1 0.0000 0.8698 1.000 0.000 0.000 0.000
#> GSM76080 3 0.2399 0.7618 0.000 0.032 0.920 0.048
#> GSM76081 3 0.2399 0.7618 0.000 0.032 0.920 0.048
#> GSM76082 3 0.6233 0.7999 0.060 0.000 0.552 0.388
#> GSM76083 3 0.5855 0.8198 0.044 0.000 0.600 0.356
#> GSM76084 3 0.4212 0.5948 0.000 0.216 0.772 0.012
#> GSM76085 3 0.4697 0.8314 0.000 0.000 0.644 0.356
#> GSM76086 1 0.5099 0.4021 0.612 0.000 0.008 0.380
#> GSM76087 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76088 1 0.4972 0.1619 0.544 0.000 0.000 0.456
#> GSM76089 2 0.0000 0.7822 0.000 1.000 0.000 0.000
#> GSM76090 3 0.6233 0.7999 0.060 0.000 0.552 0.388
#> GSM76091 1 0.0336 0.8684 0.992 0.000 0.000 0.008
#> GSM76092 1 0.0188 0.8692 0.996 0.000 0.000 0.004
#> GSM76093 1 0.0000 0.8698 1.000 0.000 0.000 0.000
#> GSM76094 4 0.4877 0.4100 0.000 0.408 0.000 0.592
#> GSM76095 4 0.4978 0.4674 0.004 0.384 0.000 0.612
#> GSM76096 1 0.0188 0.8692 0.996 0.000 0.000 0.004
#> GSM76097 4 0.5189 0.3799 0.372 0.012 0.000 0.616
#> GSM76098 3 0.4697 0.8320 0.000 0.000 0.644 0.356
#> GSM76099 1 0.0000 0.8698 1.000 0.000 0.000 0.000
#> GSM76100 1 0.2704 0.8593 0.876 0.000 0.000 0.124
#> GSM76101 1 0.0188 0.8692 0.996 0.000 0.000 0.004
#> GSM76102 1 0.5052 0.7415 0.720 0.000 0.036 0.244
#> GSM76103 3 0.6735 0.7705 0.096 0.000 0.516 0.388
#> GSM76104 3 0.4454 0.8339 0.000 0.000 0.692 0.308
#> GSM76105 2 0.5000 -0.1230 0.000 0.504 0.000 0.496
#> GSM76106 3 0.1488 0.7453 0.000 0.032 0.956 0.012
#> GSM76107 3 0.1488 0.7453 0.000 0.032 0.956 0.012
#> GSM76108 4 0.4978 0.4674 0.004 0.384 0.000 0.612
#> GSM76109 1 0.0000 0.8698 1.000 0.000 0.000 0.000
#> GSM76110 1 0.2647 0.8617 0.880 0.000 0.000 0.120
#> GSM76111 1 0.3024 0.8552 0.852 0.000 0.000 0.148
#> GSM76112 1 0.0592 0.8686 0.984 0.000 0.000 0.016
#> GSM76113 3 0.5740 0.6473 0.000 0.208 0.700 0.092
#> GSM76114 1 0.0817 0.8685 0.976 0.000 0.000 0.024
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.4197 0.7425 0.000 0.244 0.000 0.028 0.728
#> GSM76116 5 0.3819 0.7604 0.000 0.228 0.000 0.016 0.756
#> GSM76117 5 0.3562 0.7879 0.000 0.196 0.000 0.016 0.788
#> GSM76118 5 0.3053 0.8064 0.000 0.164 0.000 0.008 0.828
#> GSM76119 4 0.2597 0.8839 0.000 0.024 0.092 0.884 0.000
#> GSM76120 4 0.2519 0.8811 0.000 0.016 0.100 0.884 0.000
#> GSM76121 5 0.3585 0.6757 0.088 0.000 0.052 0.016 0.844
#> GSM76122 5 0.3427 0.7944 0.000 0.192 0.000 0.012 0.796
#> GSM76123 4 0.2519 0.8811 0.000 0.016 0.100 0.884 0.000
#> GSM76124 5 0.1557 0.7982 0.000 0.052 0.000 0.008 0.940
#> GSM76125 4 0.2597 0.8839 0.000 0.024 0.092 0.884 0.000
#> GSM76126 3 0.4863 0.5319 0.000 0.000 0.656 0.296 0.048
#> GSM76127 4 0.2628 0.8831 0.000 0.028 0.088 0.884 0.000
#> GSM76128 4 0.3661 0.6702 0.000 0.000 0.276 0.724 0.000
#> GSM76129 5 0.3427 0.7925 0.000 0.192 0.000 0.012 0.796
#> GSM76130 4 0.2628 0.8831 0.000 0.028 0.088 0.884 0.000
#> GSM76131 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.0703 0.9506 0.000 0.976 0.000 0.024 0.000
#> GSM76135 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0162 0.9540 0.000 0.996 0.000 0.000 0.004
#> GSM76137 2 0.0703 0.9506 0.000 0.976 0.000 0.024 0.000
#> GSM76138 2 0.1403 0.9356 0.000 0.952 0.000 0.024 0.024
#> GSM76139 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.1571 0.8019 0.000 0.060 0.000 0.004 0.936
#> GSM76141 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.1012 0.9452 0.000 0.968 0.000 0.020 0.012
#> GSM76146 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0162 0.9550 0.000 0.996 0.000 0.000 0.004
#> GSM76148 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.0992 0.9475 0.000 0.968 0.000 0.024 0.008
#> GSM76150 2 0.0703 0.9506 0.000 0.976 0.000 0.024 0.000
#> GSM76151 2 0.1211 0.9444 0.000 0.960 0.000 0.024 0.016
#> GSM76152 5 0.4575 0.5666 0.212 0.000 0.040 0.012 0.736
#> GSM76153 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.0703 0.9506 0.000 0.976 0.000 0.024 0.000
#> GSM76155 2 0.0992 0.9475 0.000 0.968 0.000 0.024 0.008
#> GSM76156 2 0.0162 0.9550 0.000 0.996 0.000 0.000 0.004
#> GSM76030 5 0.4897 0.3283 0.000 0.460 0.000 0.024 0.516
#> GSM76031 1 0.3946 0.8596 0.804 0.000 0.048 0.008 0.140
#> GSM76032 3 0.1270 0.8129 0.000 0.000 0.948 0.052 0.000
#> GSM76033 3 0.1478 0.8118 0.000 0.000 0.936 0.064 0.000
#> GSM76034 5 0.6243 0.5387 0.032 0.296 0.036 0.032 0.604
#> GSM76035 3 0.4951 0.6622 0.092 0.000 0.744 0.020 0.144
#> GSM76036 3 0.2929 0.7373 0.000 0.000 0.820 0.180 0.000
#> GSM76037 5 0.4065 0.7201 0.000 0.264 0.000 0.016 0.720
#> GSM76038 1 0.3667 0.8637 0.812 0.000 0.048 0.000 0.140
#> GSM76039 5 0.1717 0.7643 0.052 0.008 0.000 0.004 0.936
#> GSM76040 3 0.1544 0.8108 0.000 0.000 0.932 0.068 0.000
#> GSM76041 1 0.3622 0.8722 0.820 0.000 0.056 0.000 0.124
#> GSM76042 5 0.0912 0.7535 0.016 0.000 0.000 0.012 0.972
#> GSM76043 3 0.4640 0.6811 0.076 0.000 0.764 0.016 0.144
#> GSM76044 5 0.3123 0.7996 0.000 0.184 0.000 0.004 0.812
#> GSM76045 1 0.3710 0.8625 0.808 0.000 0.048 0.000 0.144
#> GSM76046 4 0.4302 0.7492 0.000 0.000 0.208 0.744 0.048
#> GSM76047 5 0.4469 0.6061 0.148 0.000 0.056 0.020 0.776
#> GSM76048 3 0.1478 0.8118 0.000 0.000 0.936 0.064 0.000
#> GSM76049 5 0.3353 0.7910 0.000 0.196 0.000 0.008 0.796
#> GSM76050 1 0.3667 0.8637 0.812 0.000 0.048 0.000 0.140
#> GSM76051 3 0.1478 0.8118 0.000 0.000 0.936 0.064 0.000
#> GSM76052 3 0.4883 0.5292 0.000 0.000 0.652 0.300 0.048
#> GSM76053 4 0.5748 0.6444 0.000 0.032 0.068 0.644 0.256
#> GSM76054 3 0.4237 0.6862 0.000 0.000 0.752 0.200 0.048
#> GSM76055 5 0.3246 0.8001 0.000 0.184 0.000 0.008 0.808
#> GSM76056 5 0.1341 0.8005 0.000 0.056 0.000 0.000 0.944
#> GSM76057 5 0.6190 0.6032 0.060 0.216 0.052 0.016 0.656
#> GSM76058 3 0.0000 0.8044 0.000 0.000 1.000 0.000 0.000
#> GSM76059 1 0.2166 0.8476 0.912 0.000 0.012 0.072 0.004
#> GSM76060 2 0.4670 -0.0628 0.000 0.548 0.004 0.008 0.440
#> GSM76061 2 0.2017 0.8818 0.000 0.912 0.000 0.008 0.080
#> GSM76062 1 0.2006 0.8480 0.916 0.000 0.012 0.072 0.000
#> GSM76063 2 0.2830 0.8296 0.000 0.876 0.000 0.080 0.044
#> GSM76064 1 0.3641 0.8718 0.820 0.000 0.060 0.000 0.120
#> GSM76065 2 0.2813 0.7580 0.000 0.832 0.000 0.000 0.168
#> GSM76066 1 0.3688 0.8708 0.816 0.000 0.060 0.000 0.124
#> GSM76067 3 0.2011 0.7550 0.088 0.000 0.908 0.000 0.004
#> GSM76068 3 0.1845 0.8115 0.000 0.000 0.928 0.056 0.016
#> GSM76069 1 0.2377 0.8782 0.872 0.000 0.000 0.000 0.128
#> GSM76070 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76071 1 0.3578 0.8674 0.820 0.000 0.048 0.000 0.132
#> GSM76072 1 0.2966 0.8750 0.848 0.000 0.016 0.000 0.136
#> GSM76073 1 0.2648 0.8718 0.848 0.000 0.000 0.000 0.152
#> GSM76074 1 0.2516 0.8758 0.860 0.000 0.000 0.000 0.140
#> GSM76075 3 0.1270 0.8129 0.000 0.000 0.948 0.052 0.000
#> GSM76076 3 0.1270 0.8129 0.000 0.000 0.948 0.052 0.000
#> GSM76077 5 0.2416 0.8103 0.000 0.100 0.000 0.012 0.888
#> GSM76078 3 0.4389 0.7301 0.044 0.000 0.796 0.044 0.116
#> GSM76079 1 0.2166 0.8476 0.912 0.000 0.012 0.072 0.004
#> GSM76080 4 0.4174 0.8552 0.000 0.028 0.124 0.804 0.044
#> GSM76081 4 0.4220 0.8561 0.000 0.028 0.128 0.800 0.044
#> GSM76082 3 0.0794 0.7944 0.028 0.000 0.972 0.000 0.000
#> GSM76083 3 0.1270 0.8129 0.000 0.000 0.948 0.052 0.000
#> GSM76084 4 0.6290 0.5774 0.000 0.288 0.076 0.588 0.048
#> GSM76085 3 0.1478 0.8118 0.000 0.000 0.936 0.064 0.000
#> GSM76086 3 0.3213 0.7203 0.064 0.000 0.860 0.072 0.004
#> GSM76087 2 0.0000 0.9564 0.000 1.000 0.000 0.000 0.000
#> GSM76088 5 0.5466 0.1769 0.368 0.000 0.052 0.008 0.572
#> GSM76089 2 0.1403 0.9358 0.000 0.952 0.000 0.024 0.024
#> GSM76090 3 0.1357 0.7828 0.048 0.000 0.948 0.000 0.004
#> GSM76091 1 0.2166 0.8474 0.912 0.000 0.012 0.072 0.004
#> GSM76092 1 0.2054 0.8487 0.916 0.000 0.008 0.072 0.004
#> GSM76093 1 0.2166 0.8476 0.912 0.000 0.012 0.072 0.004
#> GSM76094 5 0.1965 0.8092 0.000 0.096 0.000 0.000 0.904
#> GSM76095 5 0.1430 0.7989 0.000 0.052 0.000 0.004 0.944
#> GSM76096 1 0.2228 0.8456 0.908 0.000 0.012 0.076 0.004
#> GSM76097 5 0.1704 0.7533 0.068 0.000 0.000 0.004 0.928
#> GSM76098 3 0.2921 0.7735 0.000 0.000 0.856 0.124 0.020
#> GSM76099 1 0.2166 0.8476 0.912 0.000 0.012 0.072 0.004
#> GSM76100 1 0.2605 0.8734 0.852 0.000 0.000 0.000 0.148
#> GSM76101 1 0.2166 0.8476 0.912 0.000 0.012 0.072 0.004
#> GSM76102 3 0.6434 0.3868 0.264 0.000 0.552 0.012 0.172
#> GSM76103 3 0.1662 0.7772 0.056 0.000 0.936 0.004 0.004
#> GSM76104 3 0.4665 0.6083 0.000 0.000 0.692 0.260 0.048
#> GSM76105 5 0.3282 0.7984 0.000 0.188 0.000 0.008 0.804
#> GSM76106 4 0.3658 0.8729 0.000 0.028 0.084 0.844 0.044
#> GSM76107 4 0.2490 0.8813 0.000 0.020 0.080 0.896 0.004
#> GSM76108 5 0.1430 0.7984 0.000 0.052 0.000 0.004 0.944
#> GSM76109 1 0.2166 0.8476 0.912 0.000 0.012 0.072 0.004
#> GSM76110 1 0.2648 0.8718 0.848 0.000 0.000 0.000 0.152
#> GSM76111 1 0.3867 0.8603 0.804 0.000 0.048 0.004 0.144
#> GSM76112 1 0.2792 0.8477 0.884 0.000 0.040 0.072 0.004
#> GSM76113 3 0.8070 -0.1310 0.000 0.096 0.348 0.316 0.240
#> GSM76114 1 0.2278 0.8667 0.908 0.000 0.060 0.000 0.032
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.3418 0.8390 0.000 0.068 0.004 0.020 0.840 0.068
#> GSM76116 5 0.1882 0.9075 0.000 0.060 0.000 0.008 0.920 0.012
#> GSM76117 5 0.1483 0.9259 0.000 0.036 0.000 0.008 0.944 0.012
#> GSM76118 5 0.0777 0.9354 0.000 0.024 0.004 0.000 0.972 0.000
#> GSM76119 4 0.0713 0.7842 0.000 0.000 0.028 0.972 0.000 0.000
#> GSM76120 4 0.0713 0.7842 0.000 0.000 0.028 0.972 0.000 0.000
#> GSM76121 6 0.3620 0.3441 0.000 0.000 0.000 0.000 0.352 0.648
#> GSM76122 5 0.1080 0.9331 0.000 0.032 0.004 0.004 0.960 0.000
#> GSM76123 4 0.0713 0.7842 0.000 0.000 0.028 0.972 0.000 0.000
#> GSM76124 5 0.0653 0.9318 0.000 0.004 0.004 0.000 0.980 0.012
#> GSM76125 4 0.0713 0.7842 0.000 0.000 0.028 0.972 0.000 0.000
#> GSM76126 6 0.6123 -0.3359 0.000 0.000 0.344 0.308 0.000 0.348
#> GSM76127 4 0.0713 0.7842 0.000 0.000 0.028 0.972 0.000 0.000
#> GSM76128 4 0.2980 0.6510 0.000 0.000 0.180 0.808 0.000 0.012
#> GSM76129 5 0.1268 0.9296 0.000 0.036 0.000 0.008 0.952 0.004
#> GSM76130 4 0.0713 0.7842 0.000 0.000 0.028 0.972 0.000 0.000
#> GSM76131 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.2224 0.8747 0.000 0.904 0.000 0.020 0.012 0.064
#> GSM76135 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0146 0.8964 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76137 2 0.2224 0.8747 0.000 0.904 0.000 0.020 0.012 0.064
#> GSM76138 2 0.2772 0.8647 0.000 0.876 0.000 0.020 0.036 0.068
#> GSM76139 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.0653 0.9318 0.000 0.004 0.004 0.000 0.980 0.012
#> GSM76141 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.3068 0.8363 0.000 0.840 0.000 0.020 0.016 0.124
#> GSM76146 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.0146 0.8974 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76148 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 2 0.2282 0.8735 0.000 0.900 0.000 0.020 0.012 0.068
#> GSM76150 2 0.2224 0.8747 0.000 0.904 0.000 0.020 0.012 0.064
#> GSM76151 2 0.3438 0.8156 0.000 0.812 0.000 0.020 0.024 0.144
#> GSM76152 6 0.5380 0.2354 0.104 0.000 0.004 0.000 0.368 0.524
#> GSM76153 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.2224 0.8747 0.000 0.904 0.000 0.020 0.012 0.064
#> GSM76155 2 0.2624 0.8679 0.000 0.884 0.000 0.020 0.028 0.068
#> GSM76156 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.5820 0.0607 0.000 0.444 0.000 0.024 0.432 0.100
#> GSM76031 6 0.4588 -0.3189 0.448 0.000 0.004 0.000 0.028 0.520
#> GSM76032 3 0.0665 0.8655 0.008 0.000 0.980 0.008 0.004 0.000
#> GSM76033 3 0.0458 0.8650 0.000 0.000 0.984 0.016 0.000 0.000
#> GSM76034 6 0.4654 0.2449 0.000 0.088 0.004 0.024 0.148 0.736
#> GSM76035 6 0.2300 0.4325 0.000 0.000 0.144 0.000 0.000 0.856
#> GSM76036 3 0.3377 0.7276 0.000 0.000 0.808 0.136 0.000 0.056
#> GSM76037 5 0.1882 0.9075 0.000 0.060 0.000 0.008 0.920 0.012
#> GSM76038 6 0.4588 -0.3189 0.448 0.000 0.004 0.000 0.028 0.520
#> GSM76039 5 0.1843 0.9068 0.004 0.000 0.004 0.000 0.912 0.080
#> GSM76040 3 0.1528 0.8449 0.000 0.000 0.936 0.016 0.000 0.048
#> GSM76041 1 0.4504 0.4850 0.540 0.000 0.004 0.000 0.024 0.432
#> GSM76042 5 0.2697 0.7897 0.000 0.000 0.000 0.000 0.812 0.188
#> GSM76043 6 0.2823 0.3886 0.000 0.000 0.204 0.000 0.000 0.796
#> GSM76044 5 0.1713 0.9337 0.000 0.028 0.000 0.000 0.928 0.044
#> GSM76045 6 0.4588 -0.3189 0.448 0.000 0.004 0.000 0.028 0.520
#> GSM76046 4 0.5184 0.6108 0.000 0.000 0.112 0.572 0.000 0.316
#> GSM76047 6 0.1836 0.4334 0.012 0.000 0.008 0.004 0.048 0.928
#> GSM76048 3 0.0622 0.8639 0.000 0.000 0.980 0.012 0.000 0.008
#> GSM76049 5 0.2119 0.9263 0.000 0.036 0.000 0.008 0.912 0.044
#> GSM76050 6 0.4588 -0.3189 0.448 0.000 0.004 0.000 0.028 0.520
#> GSM76051 3 0.0458 0.8650 0.000 0.000 0.984 0.016 0.000 0.000
#> GSM76052 6 0.6052 -0.2482 0.000 0.000 0.364 0.256 0.000 0.380
#> GSM76053 4 0.4930 0.5748 0.000 0.000 0.008 0.540 0.048 0.404
#> GSM76054 3 0.5719 0.1819 0.000 0.000 0.460 0.168 0.000 0.372
#> GSM76055 5 0.1644 0.9340 0.000 0.028 0.000 0.000 0.932 0.040
#> GSM76056 5 0.2256 0.9000 0.000 0.004 0.004 0.008 0.892 0.092
#> GSM76057 6 0.5313 0.3510 0.000 0.100 0.008 0.008 0.260 0.624
#> GSM76058 3 0.0622 0.8646 0.008 0.000 0.980 0.000 0.000 0.012
#> GSM76059 1 0.0000 0.6849 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76060 2 0.6296 0.1065 0.000 0.408 0.000 0.012 0.240 0.340
#> GSM76061 2 0.3419 0.7850 0.000 0.820 0.000 0.008 0.116 0.056
#> GSM76062 1 0.0000 0.6849 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.4390 0.5506 0.000 0.676 0.000 0.048 0.004 0.272
#> GSM76064 1 0.4563 0.4309 0.504 0.000 0.008 0.000 0.020 0.468
#> GSM76065 2 0.4101 0.5003 0.000 0.664 0.000 0.000 0.308 0.028
#> GSM76066 1 0.4542 0.4670 0.532 0.000 0.008 0.000 0.020 0.440
#> GSM76067 3 0.1194 0.8526 0.008 0.000 0.956 0.000 0.004 0.032
#> GSM76068 3 0.3190 0.6872 0.000 0.000 0.772 0.008 0.000 0.220
#> GSM76069 1 0.4353 0.5631 0.612 0.000 0.004 0.000 0.024 0.360
#> GSM76070 2 0.0146 0.8964 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM76071 1 0.4576 0.4651 0.532 0.000 0.004 0.000 0.028 0.436
#> GSM76072 1 0.4439 0.4757 0.540 0.000 0.000 0.000 0.028 0.432
#> GSM76073 1 0.4654 0.4240 0.512 0.000 0.004 0.000 0.032 0.452
#> GSM76074 1 0.4210 0.5748 0.636 0.000 0.000 0.000 0.028 0.336
#> GSM76075 3 0.0653 0.8656 0.004 0.000 0.980 0.012 0.004 0.000
#> GSM76076 3 0.0551 0.8660 0.008 0.000 0.984 0.004 0.004 0.000
#> GSM76077 5 0.2255 0.9098 0.000 0.004 0.000 0.016 0.892 0.088
#> GSM76078 6 0.4609 0.0488 0.000 0.000 0.344 0.036 0.008 0.612
#> GSM76079 1 0.0146 0.6838 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76080 4 0.4601 0.6718 0.000 0.000 0.060 0.628 0.000 0.312
#> GSM76081 4 0.4637 0.6756 0.000 0.000 0.064 0.628 0.000 0.308
#> GSM76082 3 0.0806 0.8610 0.008 0.000 0.972 0.000 0.000 0.020
#> GSM76083 3 0.0551 0.8660 0.008 0.000 0.984 0.004 0.004 0.000
#> GSM76084 4 0.5992 0.4757 0.000 0.164 0.012 0.464 0.000 0.360
#> GSM76085 3 0.0458 0.8650 0.000 0.000 0.984 0.016 0.000 0.000
#> GSM76086 3 0.1888 0.8215 0.068 0.000 0.916 0.000 0.004 0.012
#> GSM76087 2 0.0000 0.8981 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76088 6 0.5428 0.2295 0.160 0.000 0.008 0.008 0.188 0.636
#> GSM76089 2 0.3103 0.8510 0.000 0.856 0.000 0.020 0.064 0.060
#> GSM76090 3 0.1036 0.8576 0.008 0.000 0.964 0.000 0.004 0.024
#> GSM76091 1 0.0405 0.6794 0.988 0.000 0.000 0.000 0.004 0.008
#> GSM76092 1 0.0000 0.6849 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.6849 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76094 5 0.0508 0.9322 0.000 0.004 0.000 0.000 0.984 0.012
#> GSM76095 5 0.0748 0.9315 0.000 0.004 0.004 0.000 0.976 0.016
#> GSM76096 1 0.0146 0.6838 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76097 5 0.1843 0.9068 0.004 0.000 0.004 0.000 0.912 0.080
#> GSM76098 3 0.4525 0.5729 0.000 0.000 0.684 0.088 0.000 0.228
#> GSM76099 1 0.0260 0.6821 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM76100 1 0.4385 0.5751 0.636 0.000 0.004 0.000 0.032 0.328
#> GSM76101 1 0.0000 0.6849 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76102 6 0.2651 0.4330 0.028 0.000 0.112 0.000 0.000 0.860
#> GSM76103 3 0.0935 0.8540 0.004 0.000 0.964 0.000 0.000 0.032
#> GSM76104 3 0.6112 -0.1567 0.000 0.000 0.368 0.300 0.000 0.332
#> GSM76105 5 0.0713 0.9350 0.000 0.028 0.000 0.000 0.972 0.000
#> GSM76106 4 0.4101 0.6885 0.000 0.000 0.028 0.664 0.000 0.308
#> GSM76107 4 0.1334 0.7822 0.000 0.000 0.032 0.948 0.000 0.020
#> GSM76108 5 0.1296 0.9268 0.000 0.004 0.004 0.000 0.948 0.044
#> GSM76109 1 0.0000 0.6849 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.4441 0.5620 0.620 0.000 0.004 0.000 0.032 0.344
#> GSM76111 6 0.4584 -0.3123 0.444 0.000 0.004 0.000 0.028 0.524
#> GSM76112 1 0.0891 0.6764 0.968 0.000 0.008 0.000 0.000 0.024
#> GSM76113 6 0.6554 -0.2508 0.000 0.052 0.108 0.280 0.024 0.536
#> GSM76114 1 0.4045 0.5080 0.564 0.000 0.008 0.000 0.000 0.428
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> ATC:kmeans 123 1.12e-07 2
#> ATC:kmeans 126 6.53e-07 3
#> ATC:kmeans 95 3.33e-10 4
#> ATC:kmeans 122 1.97e-10 5
#> ATC:kmeans 98 1.06e-09 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "skmeans"]
# you can also extract it by
# res = res_list["ATC:skmeans"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'skmeans' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 6.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 1.000 0.971 0.989 0.5034 0.497 0.497
#> 3 3 0.915 0.917 0.967 0.3199 0.739 0.522
#> 4 4 0.850 0.829 0.871 0.1076 0.882 0.664
#> 5 5 1.000 0.932 0.975 0.0777 0.931 0.738
#> 6 6 0.957 0.867 0.937 0.0261 0.968 0.850
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 6
#> attr(,"optional")
#> [1] 2 3 5
There is also optional best \(k\) = 2 3 5 that is worth to check.
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.000 0.992 0.000 1.000
#> GSM76116 2 0.000 0.992 0.000 1.000
#> GSM76117 2 0.000 0.992 0.000 1.000
#> GSM76118 2 0.000 0.992 0.000 1.000
#> GSM76119 2 0.000 0.992 0.000 1.000
#> GSM76120 2 0.000 0.992 0.000 1.000
#> GSM76121 1 0.000 0.984 1.000 0.000
#> GSM76122 2 0.000 0.992 0.000 1.000
#> GSM76123 2 0.000 0.992 0.000 1.000
#> GSM76124 2 0.000 0.992 0.000 1.000
#> GSM76125 2 0.000 0.992 0.000 1.000
#> GSM76126 1 0.000 0.984 1.000 0.000
#> GSM76127 2 0.000 0.992 0.000 1.000
#> GSM76128 1 0.000 0.984 1.000 0.000
#> GSM76129 2 0.000 0.992 0.000 1.000
#> GSM76130 2 0.000 0.992 0.000 1.000
#> GSM76131 2 0.000 0.992 0.000 1.000
#> GSM76132 2 0.000 0.992 0.000 1.000
#> GSM76133 2 0.000 0.992 0.000 1.000
#> GSM76134 2 0.000 0.992 0.000 1.000
#> GSM76135 2 0.000 0.992 0.000 1.000
#> GSM76136 2 0.000 0.992 0.000 1.000
#> GSM76137 2 0.000 0.992 0.000 1.000
#> GSM76138 2 0.000 0.992 0.000 1.000
#> GSM76139 2 0.000 0.992 0.000 1.000
#> GSM76140 2 0.000 0.992 0.000 1.000
#> GSM76141 2 0.000 0.992 0.000 1.000
#> GSM76142 2 0.000 0.992 0.000 1.000
#> GSM76143 2 0.000 0.992 0.000 1.000
#> GSM76144 2 0.000 0.992 0.000 1.000
#> GSM76145 2 0.000 0.992 0.000 1.000
#> GSM76146 2 0.000 0.992 0.000 1.000
#> GSM76147 2 0.000 0.992 0.000 1.000
#> GSM76148 2 0.000 0.992 0.000 1.000
#> GSM76149 2 0.000 0.992 0.000 1.000
#> GSM76150 2 0.000 0.992 0.000 1.000
#> GSM76151 2 0.000 0.992 0.000 1.000
#> GSM76152 1 0.000 0.984 1.000 0.000
#> GSM76153 2 0.000 0.992 0.000 1.000
#> GSM76154 2 0.000 0.992 0.000 1.000
#> GSM76155 2 0.000 0.992 0.000 1.000
#> GSM76156 2 0.000 0.992 0.000 1.000
#> GSM76030 2 0.000 0.992 0.000 1.000
#> GSM76031 1 0.000 0.984 1.000 0.000
#> GSM76032 1 0.000 0.984 1.000 0.000
#> GSM76033 1 0.000 0.984 1.000 0.000
#> GSM76034 2 0.000 0.992 0.000 1.000
#> GSM76035 1 0.000 0.984 1.000 0.000
#> GSM76036 1 0.000 0.984 1.000 0.000
#> GSM76037 2 0.000 0.992 0.000 1.000
#> GSM76038 1 0.000 0.984 1.000 0.000
#> GSM76039 2 0.634 0.805 0.160 0.840
#> GSM76040 1 0.000 0.984 1.000 0.000
#> GSM76041 1 0.000 0.984 1.000 0.000
#> GSM76042 1 0.000 0.984 1.000 0.000
#> GSM76043 1 0.000 0.984 1.000 0.000
#> GSM76044 2 0.000 0.992 0.000 1.000
#> GSM76045 1 0.000 0.984 1.000 0.000
#> GSM76046 1 0.936 0.461 0.648 0.352
#> GSM76047 1 0.000 0.984 1.000 0.000
#> GSM76048 1 0.000 0.984 1.000 0.000
#> GSM76049 2 0.000 0.992 0.000 1.000
#> GSM76050 1 0.000 0.984 1.000 0.000
#> GSM76051 1 0.000 0.984 1.000 0.000
#> GSM76052 1 0.242 0.946 0.960 0.040
#> GSM76053 2 0.000 0.992 0.000 1.000
#> GSM76054 1 0.000 0.984 1.000 0.000
#> GSM76055 2 0.000 0.992 0.000 1.000
#> GSM76056 2 0.000 0.992 0.000 1.000
#> GSM76057 1 1.000 0.045 0.508 0.492
#> GSM76058 1 0.000 0.984 1.000 0.000
#> GSM76059 1 0.000 0.984 1.000 0.000
#> GSM76060 2 0.000 0.992 0.000 1.000
#> GSM76061 2 0.000 0.992 0.000 1.000
#> GSM76062 1 0.000 0.984 1.000 0.000
#> GSM76063 2 0.000 0.992 0.000 1.000
#> GSM76064 1 0.000 0.984 1.000 0.000
#> GSM76065 2 0.000 0.992 0.000 1.000
#> GSM76066 1 0.000 0.984 1.000 0.000
#> GSM76067 1 0.000 0.984 1.000 0.000
#> GSM76068 1 0.000 0.984 1.000 0.000
#> GSM76069 1 0.000 0.984 1.000 0.000
#> GSM76070 2 0.000 0.992 0.000 1.000
#> GSM76071 1 0.000 0.984 1.000 0.000
#> GSM76072 1 0.000 0.984 1.000 0.000
#> GSM76073 1 0.000 0.984 1.000 0.000
#> GSM76074 1 0.000 0.984 1.000 0.000
#> GSM76075 1 0.000 0.984 1.000 0.000
#> GSM76076 1 0.000 0.984 1.000 0.000
#> GSM76077 2 0.000 0.992 0.000 1.000
#> GSM76078 1 0.224 0.950 0.964 0.036
#> GSM76079 1 0.000 0.984 1.000 0.000
#> GSM76080 2 0.000 0.992 0.000 1.000
#> GSM76081 2 0.000 0.992 0.000 1.000
#> GSM76082 1 0.000 0.984 1.000 0.000
#> GSM76083 1 0.000 0.984 1.000 0.000
#> GSM76084 2 0.000 0.992 0.000 1.000
#> GSM76085 1 0.000 0.984 1.000 0.000
#> GSM76086 1 0.000 0.984 1.000 0.000
#> GSM76087 2 0.000 0.992 0.000 1.000
#> GSM76088 1 0.000 0.984 1.000 0.000
#> GSM76089 2 0.000 0.992 0.000 1.000
#> GSM76090 1 0.000 0.984 1.000 0.000
#> GSM76091 1 0.000 0.984 1.000 0.000
#> GSM76092 1 0.000 0.984 1.000 0.000
#> GSM76093 1 0.000 0.984 1.000 0.000
#> GSM76094 2 0.000 0.992 0.000 1.000
#> GSM76095 2 0.000 0.992 0.000 1.000
#> GSM76096 1 0.000 0.984 1.000 0.000
#> GSM76097 2 0.917 0.498 0.332 0.668
#> GSM76098 1 0.000 0.984 1.000 0.000
#> GSM76099 1 0.000 0.984 1.000 0.000
#> GSM76100 1 0.000 0.984 1.000 0.000
#> GSM76101 1 0.000 0.984 1.000 0.000
#> GSM76102 1 0.000 0.984 1.000 0.000
#> GSM76103 1 0.000 0.984 1.000 0.000
#> GSM76104 1 0.000 0.984 1.000 0.000
#> GSM76105 2 0.000 0.992 0.000 1.000
#> GSM76106 2 0.000 0.992 0.000 1.000
#> GSM76107 2 0.000 0.992 0.000 1.000
#> GSM76108 2 0.000 0.992 0.000 1.000
#> GSM76109 1 0.000 0.984 1.000 0.000
#> GSM76110 1 0.000 0.984 1.000 0.000
#> GSM76111 1 0.000 0.984 1.000 0.000
#> GSM76112 1 0.000 0.984 1.000 0.000
#> GSM76113 2 0.000 0.992 0.000 1.000
#> GSM76114 1 0.000 0.984 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76116 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76117 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76118 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76119 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76120 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76121 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76122 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76123 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76124 2 0.5016 0.6980 0.240 0.760 0.000
#> GSM76125 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76126 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76127 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76128 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76129 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76130 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76131 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76134 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76135 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76136 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76137 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76138 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76139 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76140 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76141 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76145 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76146 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76149 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76150 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76151 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76152 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76153 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76154 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76155 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76156 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76030 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76031 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76032 3 0.0424 0.9365 0.008 0.000 0.992
#> GSM76033 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76034 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76035 3 0.6235 0.2847 0.436 0.000 0.564
#> GSM76036 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76037 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76038 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76039 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76040 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76041 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76042 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76043 3 0.5760 0.5457 0.328 0.000 0.672
#> GSM76044 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76045 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76046 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76047 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76048 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76049 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76050 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76051 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76052 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76053 3 0.5497 0.5718 0.000 0.292 0.708
#> GSM76054 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76055 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76056 2 0.5465 0.6148 0.288 0.712 0.000
#> GSM76057 1 0.6286 0.0629 0.536 0.464 0.000
#> GSM76058 3 0.4452 0.7617 0.192 0.000 0.808
#> GSM76059 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76060 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76061 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76062 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76063 2 0.3340 0.8491 0.000 0.880 0.120
#> GSM76064 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76065 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76066 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76067 1 0.6260 0.0890 0.552 0.000 0.448
#> GSM76068 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76069 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76070 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76071 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76072 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76073 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76074 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76075 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76076 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76077 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76078 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76079 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76080 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76081 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76082 3 0.4504 0.7569 0.196 0.000 0.804
#> GSM76083 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76084 3 0.0592 0.9322 0.000 0.012 0.988
#> GSM76085 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76086 1 0.5363 0.5614 0.724 0.000 0.276
#> GSM76087 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76088 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76089 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76090 3 0.4452 0.7617 0.192 0.000 0.808
#> GSM76091 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76092 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76094 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76095 2 0.5016 0.6980 0.240 0.760 0.000
#> GSM76096 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76097 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76098 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76099 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76100 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76101 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76102 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76103 3 0.5968 0.4711 0.364 0.000 0.636
#> GSM76104 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76105 2 0.0000 0.9784 0.000 1.000 0.000
#> GSM76106 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76107 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76108 2 0.3941 0.8157 0.156 0.844 0.000
#> GSM76109 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76110 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76111 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76112 1 0.0000 0.9633 1.000 0.000 0.000
#> GSM76113 3 0.0000 0.9421 0.000 0.000 1.000
#> GSM76114 1 0.0000 0.9633 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.4989 -0.499 0.000 0.528 0.000 0.472
#> GSM76116 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76117 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76118 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76119 3 0.4889 0.769 0.000 0.004 0.636 0.360
#> GSM76120 3 0.4713 0.770 0.000 0.000 0.640 0.360
#> GSM76121 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76122 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76123 3 0.4713 0.770 0.000 0.000 0.640 0.360
#> GSM76124 4 0.5093 0.827 0.012 0.348 0.000 0.640
#> GSM76125 3 0.4889 0.769 0.000 0.004 0.636 0.360
#> GSM76126 3 0.0921 0.859 0.000 0.000 0.972 0.028
#> GSM76127 3 0.5024 0.767 0.000 0.008 0.632 0.360
#> GSM76128 3 0.0921 0.859 0.000 0.000 0.972 0.028
#> GSM76129 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76130 3 0.5024 0.767 0.000 0.008 0.632 0.360
#> GSM76131 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76134 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76135 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76137 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76138 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76139 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76140 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76141 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76145 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76146 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76148 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76149 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76150 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76151 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76152 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76153 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76154 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76155 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76156 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76030 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76031 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76032 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76033 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76034 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76035 3 0.4103 0.563 0.256 0.000 0.744 0.000
#> GSM76036 3 0.0188 0.861 0.000 0.000 0.996 0.004
#> GSM76037 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76038 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76039 4 0.4713 0.354 0.360 0.000 0.000 0.640
#> GSM76040 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76041 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76042 4 0.4713 0.354 0.360 0.000 0.000 0.640
#> GSM76043 3 0.1389 0.832 0.048 0.000 0.952 0.000
#> GSM76044 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76045 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76046 3 0.4713 0.770 0.000 0.000 0.640 0.360
#> GSM76047 1 0.0817 0.950 0.976 0.000 0.024 0.000
#> GSM76048 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76049 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76050 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76051 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76052 3 0.4624 0.775 0.000 0.000 0.660 0.340
#> GSM76053 4 0.7900 -0.345 0.000 0.344 0.296 0.360
#> GSM76054 3 0.0817 0.860 0.000 0.000 0.976 0.024
#> GSM76055 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76056 4 0.5492 0.805 0.032 0.328 0.000 0.640
#> GSM76057 2 0.5355 0.254 0.360 0.620 0.000 0.020
#> GSM76058 3 0.0469 0.856 0.012 0.000 0.988 0.000
#> GSM76059 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76060 2 0.0188 0.910 0.000 0.996 0.000 0.004
#> GSM76061 2 0.0188 0.910 0.000 0.996 0.000 0.004
#> GSM76062 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76063 2 0.4713 0.413 0.000 0.640 0.000 0.360
#> GSM76064 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76065 4 0.4761 0.818 0.000 0.372 0.000 0.628
#> GSM76066 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76067 1 0.4898 0.372 0.584 0.000 0.416 0.000
#> GSM76068 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76069 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76070 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76071 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76075 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76076 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76077 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76078 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76079 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76080 3 0.5024 0.767 0.000 0.008 0.632 0.360
#> GSM76081 3 0.5024 0.767 0.000 0.008 0.632 0.360
#> GSM76082 3 0.0469 0.856 0.012 0.000 0.988 0.000
#> GSM76083 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76084 2 0.7820 -0.159 0.000 0.384 0.256 0.360
#> GSM76085 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76086 1 0.4730 0.489 0.636 0.000 0.364 0.000
#> GSM76087 2 0.0000 0.915 0.000 1.000 0.000 0.000
#> GSM76088 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76089 2 0.0188 0.910 0.000 0.996 0.000 0.004
#> GSM76090 3 0.0469 0.856 0.012 0.000 0.988 0.000
#> GSM76091 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76094 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76095 4 0.5093 0.827 0.012 0.348 0.000 0.640
#> GSM76096 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76097 4 0.4713 0.354 0.360 0.000 0.000 0.640
#> GSM76098 3 0.0000 0.861 0.000 0.000 1.000 0.000
#> GSM76099 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76100 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76101 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76102 1 0.1867 0.903 0.928 0.000 0.072 0.000
#> GSM76103 3 0.1637 0.823 0.060 0.000 0.940 0.000
#> GSM76104 3 0.1557 0.855 0.000 0.000 0.944 0.056
#> GSM76105 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76106 3 0.5024 0.767 0.000 0.008 0.632 0.360
#> GSM76107 3 0.5024 0.767 0.000 0.008 0.632 0.360
#> GSM76108 4 0.4713 0.835 0.000 0.360 0.000 0.640
#> GSM76109 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76111 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76112 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM76113 3 0.5024 0.767 0.000 0.008 0.632 0.360
#> GSM76114 1 0.0000 0.971 1.000 0.000 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.4304 0.0941 0.000 0.484 0.000 0.000 0.516
#> GSM76116 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76117 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76118 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76119 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76120 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76121 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76122 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76123 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76124 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76125 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76126 3 0.4304 -0.0332 0.000 0.000 0.516 0.484 0.000
#> GSM76127 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76128 4 0.3895 0.5260 0.000 0.000 0.320 0.680 0.000
#> GSM76129 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76130 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76131 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76135 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76137 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76138 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76139 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76141 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76146 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76150 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76151 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76152 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76153 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76155 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76156 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76031 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76032 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76033 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76034 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76035 3 0.0162 0.9477 0.004 0.000 0.996 0.000 0.000
#> GSM76036 3 0.0609 0.9350 0.000 0.000 0.980 0.020 0.000
#> GSM76037 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76038 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76039 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76040 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76041 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76042 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76043 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76044 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76045 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76046 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76047 1 0.0963 0.9615 0.964 0.000 0.036 0.000 0.000
#> GSM76048 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76049 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76050 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76051 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76052 3 0.4294 0.1025 0.000 0.000 0.532 0.468 0.000
#> GSM76053 4 0.0162 0.9443 0.000 0.004 0.000 0.996 0.000
#> GSM76054 3 0.1197 0.9083 0.000 0.000 0.952 0.048 0.000
#> GSM76055 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76056 5 0.0162 0.9478 0.000 0.000 0.000 0.004 0.996
#> GSM76057 2 0.6275 0.3749 0.252 0.556 0.000 0.004 0.188
#> GSM76058 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76059 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76060 2 0.0162 0.9827 0.000 0.996 0.000 0.004 0.000
#> GSM76061 2 0.0162 0.9827 0.000 0.996 0.000 0.004 0.000
#> GSM76062 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.0162 0.9822 0.000 0.996 0.000 0.004 0.000
#> GSM76064 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76065 5 0.4060 0.4487 0.000 0.360 0.000 0.000 0.640
#> GSM76066 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76067 3 0.0162 0.9477 0.004 0.000 0.996 0.000 0.000
#> GSM76068 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76069 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76070 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76071 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76075 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76076 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76077 5 0.0162 0.9478 0.000 0.000 0.000 0.004 0.996
#> GSM76078 3 0.0162 0.9483 0.000 0.000 0.996 0.004 0.000
#> GSM76079 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76080 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76081 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76082 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76083 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76084 4 0.0162 0.9443 0.000 0.004 0.000 0.996 0.000
#> GSM76085 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76086 3 0.0162 0.9477 0.004 0.000 0.996 0.000 0.000
#> GSM76087 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76088 1 0.0162 0.9941 0.996 0.000 0.000 0.004 0.000
#> GSM76089 2 0.0000 0.9858 0.000 1.000 0.000 0.000 0.000
#> GSM76090 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76091 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76094 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76095 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76096 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76097 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76098 3 0.0162 0.9483 0.000 0.000 0.996 0.004 0.000
#> GSM76099 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76100 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76101 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76102 1 0.0963 0.9615 0.964 0.000 0.036 0.000 0.000
#> GSM76103 3 0.0000 0.9509 0.000 0.000 1.000 0.000 0.000
#> GSM76104 4 0.4171 0.3467 0.000 0.000 0.396 0.604 0.000
#> GSM76105 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76106 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76107 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76108 5 0.0000 0.9504 0.000 0.000 0.000 0.000 1.000
#> GSM76109 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76111 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76112 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
#> GSM76113 4 0.0162 0.9482 0.000 0.000 0.004 0.996 0.000
#> GSM76114 1 0.0000 0.9974 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 2 0.5361 0.0260 0.000 0.448 0.000 0.000 0.444 0.108
#> GSM76116 5 0.0865 0.9235 0.000 0.000 0.000 0.000 0.964 0.036
#> GSM76117 5 0.0865 0.9235 0.000 0.000 0.000 0.000 0.964 0.036
#> GSM76118 5 0.0632 0.9280 0.000 0.000 0.000 0.000 0.976 0.024
#> GSM76119 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 1 0.2888 0.8532 0.852 0.000 0.000 0.000 0.056 0.092
#> GSM76122 5 0.0865 0.9239 0.000 0.000 0.000 0.000 0.964 0.036
#> GSM76123 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.0632 0.9276 0.000 0.000 0.000 0.000 0.976 0.024
#> GSM76125 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76126 3 0.4685 0.0320 0.000 0.000 0.520 0.436 0.000 0.044
#> GSM76127 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.3684 0.5003 0.000 0.000 0.332 0.664 0.000 0.004
#> GSM76129 5 0.0937 0.9206 0.000 0.000 0.000 0.000 0.960 0.040
#> GSM76130 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76135 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76138 2 0.1663 0.9011 0.000 0.912 0.000 0.000 0.000 0.088
#> GSM76139 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.0865 0.9239 0.000 0.000 0.000 0.000 0.964 0.036
#> GSM76141 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.1267 0.9110 0.000 0.940 0.000 0.000 0.000 0.060
#> GSM76146 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76150 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76151 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76152 1 0.0865 0.9598 0.964 0.000 0.000 0.000 0.000 0.036
#> GSM76153 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76155 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76156 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.1387 0.9097 0.000 0.932 0.000 0.000 0.000 0.068
#> GSM76031 1 0.0547 0.9685 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM76032 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76033 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76034 2 0.3351 0.6668 0.000 0.712 0.000 0.000 0.000 0.288
#> GSM76035 3 0.2178 0.8342 0.000 0.000 0.868 0.000 0.000 0.132
#> GSM76036 3 0.0972 0.9304 0.000 0.000 0.964 0.028 0.000 0.008
#> GSM76037 5 0.0146 0.9316 0.000 0.000 0.000 0.000 0.996 0.004
#> GSM76038 1 0.0458 0.9697 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM76039 5 0.0865 0.9188 0.000 0.000 0.000 0.000 0.964 0.036
#> GSM76040 3 0.0260 0.9527 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM76041 1 0.0547 0.9676 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM76042 5 0.0790 0.9222 0.000 0.000 0.000 0.000 0.968 0.032
#> GSM76043 3 0.0146 0.9537 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM76044 5 0.0363 0.9294 0.000 0.000 0.000 0.000 0.988 0.012
#> GSM76045 1 0.0146 0.9719 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76046 4 0.0790 0.8740 0.000 0.000 0.000 0.968 0.000 0.032
#> GSM76047 1 0.3122 0.7976 0.804 0.000 0.020 0.000 0.000 0.176
#> GSM76048 3 0.0146 0.9545 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM76049 5 0.0547 0.9294 0.000 0.000 0.000 0.000 0.980 0.020
#> GSM76050 1 0.0458 0.9700 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM76051 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76052 4 0.5022 0.1375 0.000 0.000 0.432 0.496 0.000 0.072
#> GSM76053 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76054 3 0.1757 0.8765 0.000 0.000 0.916 0.076 0.000 0.008
#> GSM76055 5 0.0363 0.9294 0.000 0.000 0.000 0.000 0.988 0.012
#> GSM76056 6 0.3428 0.5114 0.000 0.000 0.000 0.000 0.304 0.696
#> GSM76057 6 0.4478 0.6515 0.080 0.164 0.000 0.000 0.020 0.736
#> GSM76058 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76059 1 0.0000 0.9720 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76060 6 0.3446 0.5077 0.000 0.308 0.000 0.000 0.000 0.692
#> GSM76061 2 0.3756 0.2435 0.000 0.600 0.000 0.000 0.000 0.400
#> GSM76062 1 0.0000 0.9720 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.0291 0.9217 0.000 0.992 0.000 0.004 0.000 0.004
#> GSM76064 1 0.0713 0.9645 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM76065 5 0.4264 -0.0462 0.000 0.492 0.000 0.000 0.492 0.016
#> GSM76066 1 0.0363 0.9720 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM76067 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76068 3 0.0260 0.9527 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM76069 1 0.0790 0.9618 0.968 0.000 0.000 0.000 0.000 0.032
#> GSM76070 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76071 1 0.0458 0.9705 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM76072 1 0.0363 0.9707 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM76073 1 0.0713 0.9664 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM76074 1 0.0547 0.9685 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM76075 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76076 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76077 6 0.3684 0.4019 0.000 0.000 0.000 0.000 0.372 0.628
#> GSM76078 6 0.3620 0.3420 0.000 0.000 0.352 0.000 0.000 0.648
#> GSM76079 1 0.0363 0.9703 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM76080 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76081 4 0.0146 0.8945 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM76082 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76083 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76084 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76085 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76086 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76087 2 0.0000 0.9259 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76088 6 0.3198 0.5439 0.260 0.000 0.000 0.000 0.000 0.740
#> GSM76089 2 0.1610 0.9036 0.000 0.916 0.000 0.000 0.000 0.084
#> GSM76090 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76091 1 0.0547 0.9676 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM76092 1 0.0146 0.9718 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM76093 1 0.0000 0.9720 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76094 5 0.0000 0.9315 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76095 5 0.0363 0.9311 0.000 0.000 0.000 0.000 0.988 0.012
#> GSM76096 1 0.0363 0.9718 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM76097 5 0.0865 0.9188 0.000 0.000 0.000 0.000 0.964 0.036
#> GSM76098 3 0.0891 0.9343 0.000 0.000 0.968 0.024 0.000 0.008
#> GSM76099 1 0.0547 0.9676 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM76100 1 0.0458 0.9697 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM76101 1 0.0000 0.9720 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76102 1 0.3065 0.8166 0.820 0.000 0.028 0.000 0.000 0.152
#> GSM76103 3 0.0000 0.9563 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76104 4 0.4815 0.3306 0.000 0.000 0.384 0.556 0.000 0.060
#> GSM76105 5 0.0000 0.9315 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76106 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76107 4 0.0000 0.8966 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76108 5 0.0458 0.9281 0.000 0.000 0.000 0.000 0.984 0.016
#> GSM76109 1 0.0000 0.9720 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.0363 0.9712 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM76111 1 0.0260 0.9717 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM76112 1 0.0363 0.9710 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM76113 4 0.0146 0.8945 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM76114 1 0.0547 0.9682 0.980 0.000 0.000 0.000 0.000 0.020
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> ATC:skmeans 124 9.74e-09 2
#> ATC:skmeans 123 2.58e-07 3
#> ATC:skmeans 117 1.49e-07 4
#> ATC:skmeans 121 9.04e-09 5
#> ATC:skmeans 119 1.12e-09 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "pam"]
# you can also extract it by
# res = res_list["ATC:pam"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'pam' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 4.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.674 0.832 0.917 0.4780 0.519 0.519
#> 3 3 0.554 0.769 0.811 0.3408 0.710 0.496
#> 4 4 0.894 0.844 0.937 0.1746 0.844 0.579
#> 5 5 0.686 0.612 0.792 0.0488 0.913 0.676
#> 6 6 0.732 0.632 0.798 0.0378 0.905 0.603
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.867 0.000 1.000
#> GSM76116 2 0.0000 0.867 0.000 1.000
#> GSM76117 2 0.0000 0.867 0.000 1.000
#> GSM76118 2 0.0000 0.867 0.000 1.000
#> GSM76119 2 0.9129 0.637 0.328 0.672
#> GSM76120 2 0.9129 0.637 0.328 0.672
#> GSM76121 2 0.9129 0.637 0.328 0.672
#> GSM76122 2 0.0000 0.867 0.000 1.000
#> GSM76123 2 0.9129 0.637 0.328 0.672
#> GSM76124 2 0.9129 0.637 0.328 0.672
#> GSM76125 2 0.9129 0.637 0.328 0.672
#> GSM76126 1 0.8555 0.552 0.720 0.280
#> GSM76127 2 0.9129 0.637 0.328 0.672
#> GSM76128 1 0.8713 0.524 0.708 0.292
#> GSM76129 2 0.0000 0.867 0.000 1.000
#> GSM76130 2 0.8386 0.693 0.268 0.732
#> GSM76131 2 0.0000 0.867 0.000 1.000
#> GSM76132 2 0.0000 0.867 0.000 1.000
#> GSM76133 2 0.0000 0.867 0.000 1.000
#> GSM76134 2 0.0000 0.867 0.000 1.000
#> GSM76135 2 0.0000 0.867 0.000 1.000
#> GSM76136 2 0.0000 0.867 0.000 1.000
#> GSM76137 2 0.0000 0.867 0.000 1.000
#> GSM76138 2 0.0000 0.867 0.000 1.000
#> GSM76139 2 0.0000 0.867 0.000 1.000
#> GSM76140 2 0.0000 0.867 0.000 1.000
#> GSM76141 2 0.0000 0.867 0.000 1.000
#> GSM76142 2 0.0000 0.867 0.000 1.000
#> GSM76143 2 0.0000 0.867 0.000 1.000
#> GSM76144 2 0.0000 0.867 0.000 1.000
#> GSM76145 2 0.0000 0.867 0.000 1.000
#> GSM76146 2 0.0000 0.867 0.000 1.000
#> GSM76147 2 0.0000 0.867 0.000 1.000
#> GSM76148 2 0.0000 0.867 0.000 1.000
#> GSM76149 2 0.0000 0.867 0.000 1.000
#> GSM76150 2 0.0000 0.867 0.000 1.000
#> GSM76151 2 0.0000 0.867 0.000 1.000
#> GSM76152 1 0.0672 0.951 0.992 0.008
#> GSM76153 2 0.0000 0.867 0.000 1.000
#> GSM76154 2 0.0000 0.867 0.000 1.000
#> GSM76155 2 0.0000 0.867 0.000 1.000
#> GSM76156 2 0.0000 0.867 0.000 1.000
#> GSM76030 2 0.0000 0.867 0.000 1.000
#> GSM76031 1 0.0000 0.957 1.000 0.000
#> GSM76032 1 0.0000 0.957 1.000 0.000
#> GSM76033 1 0.4022 0.883 0.920 0.080
#> GSM76034 2 0.0000 0.867 0.000 1.000
#> GSM76035 1 0.2043 0.930 0.968 0.032
#> GSM76036 2 0.9129 0.637 0.328 0.672
#> GSM76037 2 0.0000 0.867 0.000 1.000
#> GSM76038 1 0.0000 0.957 1.000 0.000
#> GSM76039 2 0.9170 0.631 0.332 0.668
#> GSM76040 2 0.9129 0.637 0.328 0.672
#> GSM76041 1 0.0000 0.957 1.000 0.000
#> GSM76042 2 0.9754 0.496 0.408 0.592
#> GSM76043 1 0.5408 0.821 0.876 0.124
#> GSM76044 2 0.0000 0.867 0.000 1.000
#> GSM76045 1 0.0000 0.957 1.000 0.000
#> GSM76046 2 0.9129 0.637 0.328 0.672
#> GSM76047 2 0.9996 0.280 0.488 0.512
#> GSM76048 1 0.4022 0.883 0.920 0.080
#> GSM76049 2 0.0000 0.867 0.000 1.000
#> GSM76050 1 0.0000 0.957 1.000 0.000
#> GSM76051 1 0.4022 0.883 0.920 0.080
#> GSM76052 2 0.9129 0.637 0.328 0.672
#> GSM76053 2 0.0000 0.867 0.000 1.000
#> GSM76054 2 0.9129 0.637 0.328 0.672
#> GSM76055 2 0.0000 0.867 0.000 1.000
#> GSM76056 2 0.4022 0.806 0.080 0.920
#> GSM76057 2 0.9686 0.520 0.396 0.604
#> GSM76058 1 0.0000 0.957 1.000 0.000
#> GSM76059 1 0.0000 0.957 1.000 0.000
#> GSM76060 2 0.0000 0.867 0.000 1.000
#> GSM76061 2 0.0000 0.867 0.000 1.000
#> GSM76062 1 0.0000 0.957 1.000 0.000
#> GSM76063 2 0.0000 0.867 0.000 1.000
#> GSM76064 1 0.0000 0.957 1.000 0.000
#> GSM76065 2 0.0000 0.867 0.000 1.000
#> GSM76066 1 0.0000 0.957 1.000 0.000
#> GSM76067 1 0.0000 0.957 1.000 0.000
#> GSM76068 1 0.9248 0.393 0.660 0.340
#> GSM76069 1 0.0000 0.957 1.000 0.000
#> GSM76070 2 0.0000 0.867 0.000 1.000
#> GSM76071 1 0.0000 0.957 1.000 0.000
#> GSM76072 1 0.0000 0.957 1.000 0.000
#> GSM76073 1 0.0000 0.957 1.000 0.000
#> GSM76074 1 0.0000 0.957 1.000 0.000
#> GSM76075 1 0.0000 0.957 1.000 0.000
#> GSM76076 1 0.0000 0.957 1.000 0.000
#> GSM76077 2 0.0000 0.867 0.000 1.000
#> GSM76078 2 0.9129 0.637 0.328 0.672
#> GSM76079 1 0.0000 0.957 1.000 0.000
#> GSM76080 2 0.9044 0.645 0.320 0.680
#> GSM76081 2 0.9129 0.637 0.328 0.672
#> GSM76082 1 0.0000 0.957 1.000 0.000
#> GSM76083 1 0.4022 0.883 0.920 0.080
#> GSM76084 2 0.0000 0.867 0.000 1.000
#> GSM76085 1 0.0000 0.957 1.000 0.000
#> GSM76086 1 0.0000 0.957 1.000 0.000
#> GSM76087 2 0.0000 0.867 0.000 1.000
#> GSM76088 1 0.0000 0.957 1.000 0.000
#> GSM76089 2 0.0000 0.867 0.000 1.000
#> GSM76090 1 0.0000 0.957 1.000 0.000
#> GSM76091 1 0.0000 0.957 1.000 0.000
#> GSM76092 1 0.0000 0.957 1.000 0.000
#> GSM76093 1 0.0000 0.957 1.000 0.000
#> GSM76094 2 0.0376 0.865 0.004 0.996
#> GSM76095 2 0.8081 0.710 0.248 0.752
#> GSM76096 1 0.0000 0.957 1.000 0.000
#> GSM76097 1 0.9129 0.402 0.672 0.328
#> GSM76098 2 0.9129 0.637 0.328 0.672
#> GSM76099 1 0.0000 0.957 1.000 0.000
#> GSM76100 1 0.0000 0.957 1.000 0.000
#> GSM76101 1 0.0000 0.957 1.000 0.000
#> GSM76102 1 0.0000 0.957 1.000 0.000
#> GSM76103 1 0.0000 0.957 1.000 0.000
#> GSM76104 2 0.9129 0.637 0.328 0.672
#> GSM76105 2 0.0000 0.867 0.000 1.000
#> GSM76106 2 0.9129 0.637 0.328 0.672
#> GSM76107 2 0.9129 0.637 0.328 0.672
#> GSM76108 2 0.0000 0.867 0.000 1.000
#> GSM76109 1 0.0000 0.957 1.000 0.000
#> GSM76110 1 0.0000 0.957 1.000 0.000
#> GSM76111 1 0.0000 0.957 1.000 0.000
#> GSM76112 1 0.0000 0.957 1.000 0.000
#> GSM76113 2 0.9129 0.637 0.328 0.672
#> GSM76114 1 0.0000 0.957 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76116 2 0.6788 0.821 0.120 0.744 0.136
#> GSM76117 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76118 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76119 3 0.0000 0.720 0.000 0.000 1.000
#> GSM76120 3 0.0000 0.720 0.000 0.000 1.000
#> GSM76121 1 0.4605 0.523 0.796 0.000 0.204
#> GSM76122 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76123 3 0.0000 0.720 0.000 0.000 1.000
#> GSM76124 2 0.8722 0.702 0.216 0.592 0.192
#> GSM76125 3 0.0000 0.720 0.000 0.000 1.000
#> GSM76126 3 0.5785 0.638 0.332 0.000 0.668
#> GSM76127 3 0.0237 0.717 0.004 0.000 0.996
#> GSM76128 3 0.4452 0.667 0.192 0.000 0.808
#> GSM76129 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76130 3 0.1964 0.678 0.056 0.000 0.944
#> GSM76131 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76134 2 0.1031 0.832 0.000 0.976 0.024
#> GSM76135 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76136 2 0.4002 0.829 0.000 0.840 0.160
#> GSM76137 2 0.4452 0.826 0.000 0.808 0.192
#> GSM76138 2 0.7133 0.813 0.096 0.712 0.192
#> GSM76139 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76140 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76141 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76145 2 0.4452 0.826 0.000 0.808 0.192
#> GSM76146 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76149 2 0.4452 0.826 0.000 0.808 0.192
#> GSM76150 2 0.1031 0.832 0.000 0.976 0.024
#> GSM76151 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76152 1 0.1031 0.783 0.976 0.000 0.024
#> GSM76153 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76154 2 0.1031 0.832 0.000 0.976 0.024
#> GSM76155 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76156 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76030 2 0.4452 0.826 0.000 0.808 0.192
#> GSM76031 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76032 3 0.5835 0.630 0.340 0.000 0.660
#> GSM76033 3 0.5785 0.639 0.332 0.000 0.668
#> GSM76034 2 0.8168 0.687 0.108 0.612 0.280
#> GSM76035 1 0.3752 0.883 0.856 0.000 0.144
#> GSM76036 3 0.1031 0.725 0.024 0.000 0.976
#> GSM76037 2 0.3918 0.818 0.120 0.868 0.012
#> GSM76038 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76039 1 0.6902 0.415 0.732 0.100 0.168
#> GSM76040 3 0.4002 0.726 0.160 0.000 0.840
#> GSM76041 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76042 1 0.4504 0.543 0.804 0.000 0.196
#> GSM76043 1 0.3941 0.875 0.844 0.000 0.156
#> GSM76044 2 0.7245 0.812 0.120 0.712 0.168
#> GSM76045 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76046 3 0.4002 0.726 0.160 0.000 0.840
#> GSM76047 1 0.5431 0.687 0.716 0.000 0.284
#> GSM76048 3 0.5785 0.639 0.332 0.000 0.668
#> GSM76049 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76050 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76051 3 0.5785 0.639 0.332 0.000 0.668
#> GSM76052 3 0.3686 0.727 0.140 0.000 0.860
#> GSM76053 2 0.7796 0.783 0.112 0.660 0.228
#> GSM76054 3 0.3619 0.726 0.136 0.000 0.864
#> GSM76055 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76056 2 0.9301 0.505 0.360 0.472 0.168
#> GSM76057 1 0.5397 0.661 0.720 0.000 0.280
#> GSM76058 3 0.5835 0.630 0.340 0.000 0.660
#> GSM76059 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76060 2 0.5791 0.806 0.048 0.784 0.168
#> GSM76061 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76062 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76063 2 0.4504 0.825 0.000 0.804 0.196
#> GSM76064 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76065 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76066 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76067 1 0.3619 0.890 0.864 0.000 0.136
#> GSM76068 3 0.5591 0.660 0.304 0.000 0.696
#> GSM76069 1 0.3267 0.903 0.884 0.000 0.116
#> GSM76070 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76071 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76072 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76073 1 0.0237 0.809 0.996 0.000 0.004
#> GSM76074 1 0.0000 0.805 1.000 0.000 0.000
#> GSM76075 3 0.5785 0.639 0.332 0.000 0.668
#> GSM76076 3 0.5835 0.630 0.340 0.000 0.660
#> GSM76077 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76078 3 0.4002 0.726 0.160 0.000 0.840
#> GSM76079 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76080 3 0.1529 0.729 0.040 0.000 0.960
#> GSM76081 3 0.0000 0.720 0.000 0.000 1.000
#> GSM76082 3 0.5859 0.623 0.344 0.000 0.656
#> GSM76083 3 0.5835 0.630 0.340 0.000 0.660
#> GSM76084 2 0.6291 0.456 0.000 0.532 0.468
#> GSM76085 3 0.5785 0.639 0.332 0.000 0.668
#> GSM76086 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76087 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76088 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76089 2 0.0000 0.831 0.000 1.000 0.000
#> GSM76090 3 0.5882 0.616 0.348 0.000 0.652
#> GSM76091 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76092 1 0.3267 0.903 0.884 0.000 0.116
#> GSM76093 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76094 2 0.7605 0.804 0.124 0.684 0.192
#> GSM76095 2 0.8399 0.744 0.188 0.624 0.188
#> GSM76096 1 0.3267 0.903 0.884 0.000 0.116
#> GSM76097 1 0.1289 0.778 0.968 0.000 0.032
#> GSM76098 3 0.1753 0.730 0.048 0.000 0.952
#> GSM76099 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76100 1 0.0000 0.805 1.000 0.000 0.000
#> GSM76101 1 0.3267 0.903 0.884 0.000 0.116
#> GSM76102 1 0.3752 0.883 0.856 0.000 0.144
#> GSM76103 1 0.3482 0.898 0.872 0.000 0.128
#> GSM76104 3 0.4002 0.726 0.160 0.000 0.840
#> GSM76105 2 0.7542 0.806 0.120 0.688 0.192
#> GSM76106 3 0.8684 -0.384 0.108 0.392 0.500
#> GSM76107 3 0.3340 0.607 0.120 0.000 0.880
#> GSM76108 2 0.7535 0.805 0.132 0.692 0.176
#> GSM76109 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76110 1 0.0000 0.805 1.000 0.000 0.000
#> GSM76111 1 0.0237 0.809 0.996 0.000 0.004
#> GSM76112 1 0.3340 0.905 0.880 0.000 0.120
#> GSM76113 3 0.9062 -0.121 0.136 0.412 0.452
#> GSM76114 1 0.3340 0.905 0.880 0.000 0.120
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 4 0.4907 0.2707 0.000 0.420 0.000 0.580
#> GSM76116 4 0.5000 0.0120 0.000 0.500 0.000 0.500
#> GSM76117 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76118 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76119 3 0.1022 0.9308 0.000 0.000 0.968 0.032
#> GSM76120 3 0.0707 0.9350 0.000 0.000 0.980 0.020
#> GSM76121 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76122 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76123 3 0.0707 0.9350 0.000 0.000 0.980 0.020
#> GSM76124 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76125 3 0.1022 0.9308 0.000 0.000 0.968 0.032
#> GSM76126 3 0.7253 0.2047 0.152 0.000 0.484 0.364
#> GSM76127 3 0.1022 0.9308 0.000 0.000 0.968 0.032
#> GSM76128 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76129 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76130 3 0.1022 0.9308 0.000 0.000 0.968 0.032
#> GSM76131 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76134 2 0.0592 0.9245 0.000 0.984 0.000 0.016
#> GSM76135 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0707 0.9226 0.000 0.980 0.000 0.020
#> GSM76137 2 0.1022 0.9158 0.000 0.968 0.000 0.032
#> GSM76138 2 0.4222 0.5873 0.000 0.728 0.000 0.272
#> GSM76139 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76140 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76141 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76145 2 0.1022 0.9158 0.000 0.968 0.000 0.032
#> GSM76146 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76148 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76149 2 0.1022 0.9158 0.000 0.968 0.000 0.032
#> GSM76150 2 0.0592 0.9245 0.000 0.984 0.000 0.016
#> GSM76151 4 0.5000 0.0226 0.000 0.496 0.000 0.504
#> GSM76152 4 0.4830 0.3165 0.392 0.000 0.000 0.608
#> GSM76153 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76154 2 0.0469 0.9262 0.000 0.988 0.000 0.012
#> GSM76155 2 0.4998 -0.0259 0.000 0.512 0.000 0.488
#> GSM76156 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76030 2 0.1022 0.9158 0.000 0.968 0.000 0.032
#> GSM76031 1 0.0188 0.9464 0.996 0.000 0.004 0.000
#> GSM76032 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76033 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76034 4 0.2814 0.7985 0.000 0.132 0.000 0.868
#> GSM76035 1 0.0895 0.9359 0.976 0.000 0.020 0.004
#> GSM76036 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76037 2 0.4985 0.0135 0.000 0.532 0.000 0.468
#> GSM76038 1 0.0188 0.9464 0.996 0.000 0.004 0.000
#> GSM76039 4 0.0707 0.8886 0.020 0.000 0.000 0.980
#> GSM76040 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76041 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76042 4 0.0921 0.8833 0.028 0.000 0.000 0.972
#> GSM76043 4 0.3485 0.7893 0.116 0.000 0.028 0.856
#> GSM76044 4 0.0592 0.8915 0.000 0.016 0.000 0.984
#> GSM76045 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76046 3 0.0817 0.9339 0.000 0.000 0.976 0.024
#> GSM76047 1 0.1940 0.8852 0.924 0.000 0.000 0.076
#> GSM76048 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76049 2 0.0592 0.9222 0.000 0.984 0.000 0.016
#> GSM76050 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76051 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76052 3 0.0817 0.9339 0.000 0.000 0.976 0.024
#> GSM76053 4 0.3356 0.7489 0.000 0.176 0.000 0.824
#> GSM76054 3 0.1022 0.9308 0.000 0.000 0.968 0.032
#> GSM76055 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76056 4 0.0592 0.8915 0.000 0.016 0.000 0.984
#> GSM76057 4 0.1388 0.8821 0.012 0.028 0.000 0.960
#> GSM76058 3 0.3123 0.7966 0.156 0.000 0.844 0.000
#> GSM76059 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76060 2 0.4933 0.1923 0.000 0.568 0.000 0.432
#> GSM76061 2 0.0188 0.9284 0.000 0.996 0.000 0.004
#> GSM76062 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76063 2 0.1022 0.9158 0.000 0.968 0.000 0.032
#> GSM76064 1 0.0188 0.9464 0.996 0.000 0.004 0.000
#> GSM76065 2 0.1474 0.8864 0.000 0.948 0.000 0.052
#> GSM76066 1 0.0188 0.9464 0.996 0.000 0.004 0.000
#> GSM76067 1 0.2081 0.8844 0.916 0.000 0.084 0.000
#> GSM76068 3 0.0188 0.9371 0.000 0.000 0.996 0.004
#> GSM76069 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76070 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76071 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76074 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76075 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76076 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76077 4 0.2216 0.8362 0.000 0.092 0.000 0.908
#> GSM76078 3 0.0592 0.9356 0.000 0.000 0.984 0.016
#> GSM76079 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76080 3 0.1022 0.9308 0.000 0.000 0.968 0.032
#> GSM76081 3 0.1022 0.9308 0.000 0.000 0.968 0.032
#> GSM76082 3 0.3444 0.7603 0.184 0.000 0.816 0.000
#> GSM76083 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76084 3 0.5800 0.2057 0.000 0.420 0.548 0.032
#> GSM76085 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76086 1 0.1022 0.9295 0.968 0.000 0.032 0.000
#> GSM76087 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76088 1 0.4456 0.6033 0.716 0.004 0.000 0.280
#> GSM76089 2 0.0000 0.9300 0.000 1.000 0.000 0.000
#> GSM76090 3 0.3074 0.8013 0.152 0.000 0.848 0.000
#> GSM76091 1 0.0592 0.9392 0.984 0.000 0.016 0.000
#> GSM76092 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76094 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76095 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76096 1 0.4817 0.3662 0.612 0.000 0.000 0.388
#> GSM76097 4 0.1022 0.8808 0.032 0.000 0.000 0.968
#> GSM76098 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76099 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76100 1 0.3569 0.7388 0.804 0.000 0.000 0.196
#> GSM76101 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76102 1 0.0188 0.9464 0.996 0.000 0.004 0.000
#> GSM76103 1 0.1022 0.9295 0.968 0.000 0.032 0.000
#> GSM76104 3 0.0000 0.9376 0.000 0.000 1.000 0.000
#> GSM76105 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76106 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76107 4 0.0000 0.8978 0.000 0.000 0.000 1.000
#> GSM76108 4 0.0188 0.8964 0.004 0.000 0.000 0.996
#> GSM76109 1 0.0000 0.9471 1.000 0.000 0.000 0.000
#> GSM76110 1 0.4998 0.0603 0.512 0.000 0.000 0.488
#> GSM76111 1 0.0188 0.9452 0.996 0.000 0.000 0.004
#> GSM76112 1 0.0188 0.9464 0.996 0.000 0.004 0.000
#> GSM76113 4 0.1867 0.8527 0.000 0.072 0.000 0.928
#> GSM76114 1 0.0188 0.9464 0.996 0.000 0.004 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.6732 0.04550 0.000 0.316 0.000 0.272 0.412
#> GSM76116 5 0.4150 0.31599 0.000 0.388 0.000 0.000 0.612
#> GSM76117 5 0.1043 0.78635 0.000 0.040 0.000 0.000 0.960
#> GSM76118 5 0.1043 0.78635 0.000 0.040 0.000 0.000 0.960
#> GSM76119 4 0.4114 0.28494 0.000 0.000 0.376 0.624 0.000
#> GSM76120 4 0.4114 0.28494 0.000 0.000 0.376 0.624 0.000
#> GSM76121 5 0.0794 0.74693 0.000 0.000 0.000 0.028 0.972
#> GSM76122 5 0.1043 0.78635 0.000 0.040 0.000 0.000 0.960
#> GSM76123 4 0.4114 0.28494 0.000 0.000 0.376 0.624 0.000
#> GSM76124 5 0.1205 0.78608 0.004 0.040 0.000 0.000 0.956
#> GSM76125 4 0.4114 0.28494 0.000 0.000 0.376 0.624 0.000
#> GSM76126 4 0.6459 0.19635 0.020 0.000 0.296 0.548 0.136
#> GSM76127 4 0.4114 0.28494 0.000 0.000 0.376 0.624 0.000
#> GSM76128 3 0.4278 0.00576 0.000 0.000 0.548 0.452 0.000
#> GSM76129 5 0.4129 0.58527 0.000 0.040 0.000 0.204 0.756
#> GSM76130 4 0.2074 0.45182 0.000 0.000 0.104 0.896 0.000
#> GSM76131 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.4164 0.69980 0.000 0.784 0.000 0.120 0.096
#> GSM76135 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.3662 0.66455 0.000 0.744 0.000 0.252 0.004
#> GSM76137 2 0.5400 0.56095 0.000 0.632 0.000 0.272 0.096
#> GSM76138 2 0.6271 0.43051 0.000 0.532 0.000 0.272 0.196
#> GSM76139 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.1043 0.78635 0.000 0.040 0.000 0.000 0.960
#> GSM76141 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.5551 0.51499 0.000 0.600 0.000 0.304 0.096
#> GSM76146 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.5400 0.56095 0.000 0.632 0.000 0.272 0.096
#> GSM76150 2 0.4869 0.64279 0.000 0.712 0.000 0.192 0.096
#> GSM76151 2 0.6791 0.14875 0.000 0.384 0.000 0.304 0.312
#> GSM76152 5 0.3837 0.40926 0.308 0.000 0.000 0.000 0.692
#> GSM76153 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.2740 0.75519 0.000 0.876 0.000 0.028 0.096
#> GSM76155 2 0.6710 0.22400 0.000 0.424 0.000 0.272 0.304
#> GSM76156 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.5353 0.56565 0.000 0.636 0.000 0.272 0.092
#> GSM76031 1 0.5013 0.76198 0.760 0.000 0.096 0.092 0.052
#> GSM76032 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76033 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76034 5 0.6094 0.10512 0.000 0.128 0.000 0.384 0.488
#> GSM76035 1 0.6775 0.45811 0.540 0.000 0.284 0.136 0.040
#> GSM76036 3 0.3039 0.51464 0.000 0.000 0.808 0.192 0.000
#> GSM76037 5 0.4278 0.20024 0.000 0.452 0.000 0.000 0.548
#> GSM76038 1 0.4945 0.76398 0.764 0.000 0.096 0.092 0.048
#> GSM76039 5 0.2471 0.70707 0.136 0.000 0.000 0.000 0.864
#> GSM76040 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76041 1 0.0000 0.84169 1.000 0.000 0.000 0.000 0.000
#> GSM76042 5 0.0290 0.76017 0.008 0.000 0.000 0.000 0.992
#> GSM76043 3 0.7065 0.29410 0.080 0.000 0.492 0.092 0.336
#> GSM76044 5 0.2471 0.73045 0.000 0.136 0.000 0.000 0.864
#> GSM76045 1 0.3086 0.81425 0.864 0.000 0.004 0.092 0.040
#> GSM76046 3 0.5761 0.15789 0.000 0.000 0.492 0.420 0.088
#> GSM76047 1 0.6220 0.44592 0.540 0.000 0.000 0.272 0.188
#> GSM76048 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76049 2 0.1197 0.79829 0.000 0.952 0.000 0.000 0.048
#> GSM76050 1 0.3210 0.81311 0.860 0.000 0.008 0.092 0.040
#> GSM76051 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76052 4 0.5952 0.21227 0.000 0.000 0.304 0.560 0.136
#> GSM76053 4 0.6072 0.03607 0.000 0.124 0.000 0.484 0.392
#> GSM76054 3 0.6069 0.03181 0.000 0.000 0.524 0.340 0.136
#> GSM76055 5 0.1043 0.78635 0.000 0.040 0.000 0.000 0.960
#> GSM76056 5 0.3019 0.72614 0.048 0.088 0.000 0.000 0.864
#> GSM76057 5 0.3265 0.69285 0.008 0.096 0.000 0.040 0.856
#> GSM76058 3 0.2505 0.67785 0.020 0.000 0.888 0.092 0.000
#> GSM76059 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76060 2 0.6476 0.24405 0.000 0.480 0.000 0.208 0.312
#> GSM76061 2 0.0162 0.82652 0.000 0.996 0.000 0.000 0.004
#> GSM76062 1 0.0000 0.84169 1.000 0.000 0.000 0.000 0.000
#> GSM76063 4 0.5854 -0.19152 0.000 0.436 0.000 0.468 0.096
#> GSM76064 1 0.4953 0.75716 0.760 0.000 0.108 0.092 0.040
#> GSM76065 2 0.0404 0.82017 0.000 0.988 0.000 0.000 0.012
#> GSM76066 1 0.4953 0.75716 0.760 0.000 0.108 0.092 0.040
#> GSM76067 3 0.6319 0.37868 0.280 0.000 0.588 0.092 0.040
#> GSM76068 3 0.2504 0.68400 0.000 0.000 0.896 0.064 0.040
#> GSM76069 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76070 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76071 1 0.2927 0.81516 0.868 0.000 0.000 0.092 0.040
#> GSM76072 1 0.0000 0.84169 1.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76074 1 0.0000 0.84169 1.000 0.000 0.000 0.000 0.000
#> GSM76075 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76076 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76077 5 0.3141 0.69140 0.000 0.152 0.000 0.016 0.832
#> GSM76078 4 0.5125 -0.05671 0.000 0.000 0.416 0.544 0.040
#> GSM76079 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76080 4 0.4455 0.47576 0.000 0.004 0.096 0.768 0.132
#> GSM76081 4 0.5770 0.31124 0.000 0.000 0.372 0.532 0.096
#> GSM76082 3 0.3696 0.65442 0.028 0.000 0.840 0.092 0.040
#> GSM76083 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76084 4 0.6539 0.35135 0.000 0.216 0.076 0.612 0.096
#> GSM76085 3 0.0000 0.71299 0.000 0.000 1.000 0.000 0.000
#> GSM76086 3 0.5452 0.38844 0.292 0.000 0.616 0.092 0.000
#> GSM76087 2 0.0000 0.82873 0.000 1.000 0.000 0.000 0.000
#> GSM76088 1 0.7019 0.45121 0.520 0.084 0.000 0.092 0.304
#> GSM76089 2 0.0162 0.82740 0.000 0.996 0.000 0.004 0.000
#> GSM76090 3 0.2505 0.67785 0.020 0.000 0.888 0.092 0.000
#> GSM76091 1 0.2953 0.74494 0.844 0.000 0.144 0.012 0.000
#> GSM76092 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76093 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76094 5 0.1043 0.78635 0.000 0.040 0.000 0.000 0.960
#> GSM76095 5 0.1331 0.78531 0.008 0.040 0.000 0.000 0.952
#> GSM76096 1 0.3659 0.62950 0.768 0.000 0.000 0.012 0.220
#> GSM76097 5 0.2471 0.70707 0.136 0.000 0.000 0.000 0.864
#> GSM76098 3 0.4062 0.49573 0.000 0.000 0.764 0.196 0.040
#> GSM76099 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76100 1 0.1281 0.82685 0.956 0.000 0.000 0.012 0.032
#> GSM76101 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76102 1 0.5001 0.75460 0.756 0.000 0.112 0.092 0.040
#> GSM76103 3 0.6337 0.36586 0.284 0.000 0.584 0.092 0.040
#> GSM76104 3 0.3684 0.53449 0.000 0.000 0.720 0.280 0.000
#> GSM76105 5 0.1043 0.78635 0.000 0.040 0.000 0.000 0.960
#> GSM76106 4 0.4015 0.25352 0.000 0.000 0.000 0.652 0.348
#> GSM76107 5 0.3452 0.52811 0.000 0.000 0.000 0.244 0.756
#> GSM76108 5 0.2471 0.70707 0.136 0.000 0.000 0.000 0.864
#> GSM76109 1 0.0404 0.84113 0.988 0.000 0.000 0.012 0.000
#> GSM76110 1 0.3876 0.45245 0.684 0.000 0.000 0.000 0.316
#> GSM76111 1 0.4277 0.75355 0.768 0.000 0.000 0.076 0.156
#> GSM76112 1 0.4094 0.78679 0.816 0.000 0.104 0.040 0.040
#> GSM76113 4 0.5095 0.15228 0.000 0.040 0.000 0.560 0.400
#> GSM76114 1 0.4854 0.76390 0.768 0.000 0.100 0.092 0.040
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 2 0.7314 0.2868 0.000 0.376 0.000 0.112 0.252 0.260
#> GSM76116 5 0.4062 0.1044 0.000 0.440 0.000 0.000 0.552 0.008
#> GSM76117 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76118 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76119 4 0.1957 0.6828 0.000 0.000 0.112 0.888 0.000 0.000
#> GSM76120 4 0.1957 0.6828 0.000 0.000 0.112 0.888 0.000 0.000
#> GSM76121 5 0.1444 0.8081 0.000 0.000 0.000 0.000 0.928 0.072
#> GSM76122 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76123 4 0.1957 0.6828 0.000 0.000 0.112 0.888 0.000 0.000
#> GSM76124 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76125 4 0.1957 0.6828 0.000 0.000 0.112 0.888 0.000 0.000
#> GSM76126 6 0.3062 0.3922 0.000 0.000 0.024 0.160 0.000 0.816
#> GSM76127 4 0.1957 0.6828 0.000 0.000 0.112 0.888 0.000 0.000
#> GSM76128 4 0.3330 0.4474 0.000 0.000 0.284 0.716 0.000 0.000
#> GSM76129 5 0.4247 0.5143 0.000 0.000 0.000 0.060 0.700 0.240
#> GSM76130 4 0.0000 0.6485 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.3215 0.6936 0.000 0.756 0.000 0.004 0.000 0.240
#> GSM76135 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.4261 0.6813 0.000 0.732 0.000 0.112 0.000 0.156
#> GSM76137 2 0.4954 0.6097 0.000 0.628 0.000 0.112 0.000 0.260
#> GSM76138 2 0.5900 0.5690 0.000 0.580 0.000 0.112 0.048 0.260
#> GSM76139 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76141 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.5283 0.5653 0.000 0.588 0.000 0.148 0.000 0.264
#> GSM76146 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76149 2 0.4954 0.6097 0.000 0.628 0.000 0.112 0.000 0.260
#> GSM76150 2 0.4247 0.6625 0.000 0.700 0.000 0.060 0.000 0.240
#> GSM76151 2 0.7159 0.3754 0.000 0.436 0.000 0.148 0.152 0.264
#> GSM76152 5 0.4023 0.6096 0.144 0.000 0.000 0.000 0.756 0.100
#> GSM76153 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.2996 0.7022 0.000 0.772 0.000 0.000 0.000 0.228
#> GSM76155 2 0.6893 0.4391 0.000 0.476 0.000 0.112 0.152 0.260
#> GSM76156 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.4954 0.6097 0.000 0.628 0.000 0.112 0.000 0.260
#> GSM76031 6 0.3884 0.5288 0.240 0.000 0.000 0.000 0.036 0.724
#> GSM76032 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76033 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76034 6 0.4402 0.2881 0.000 0.000 0.000 0.116 0.168 0.716
#> GSM76035 6 0.4206 0.5468 0.092 0.000 0.176 0.000 0.000 0.732
#> GSM76036 3 0.2969 0.5984 0.000 0.000 0.776 0.224 0.000 0.000
#> GSM76037 5 0.3851 0.0571 0.000 0.460 0.000 0.000 0.540 0.000
#> GSM76038 6 0.4012 0.5413 0.240 0.000 0.024 0.000 0.012 0.724
#> GSM76039 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76040 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76041 1 0.3266 0.6834 0.728 0.000 0.000 0.000 0.000 0.272
#> GSM76042 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76043 6 0.5711 0.3754 0.008 0.000 0.276 0.000 0.168 0.548
#> GSM76044 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76045 6 0.3288 0.5084 0.276 0.000 0.000 0.000 0.000 0.724
#> GSM76046 6 0.5718 0.3529 0.000 0.000 0.284 0.204 0.000 0.512
#> GSM76047 6 0.5286 0.5196 0.216 0.000 0.000 0.120 0.020 0.644
#> GSM76048 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76049 2 0.1910 0.7345 0.000 0.892 0.000 0.000 0.108 0.000
#> GSM76050 6 0.3288 0.5084 0.276 0.000 0.000 0.000 0.000 0.724
#> GSM76051 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76052 6 0.5461 0.3666 0.000 0.000 0.168 0.272 0.000 0.560
#> GSM76053 6 0.7403 -0.2371 0.000 0.136 0.000 0.272 0.220 0.372
#> GSM76054 6 0.4095 0.2612 0.000 0.000 0.064 0.208 0.000 0.728
#> GSM76055 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76056 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76057 5 0.2809 0.6856 0.004 0.004 0.000 0.000 0.824 0.168
#> GSM76058 3 0.0363 0.8699 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76059 1 0.0000 0.8515 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76060 2 0.7233 0.0150 0.000 0.388 0.000 0.108 0.292 0.212
#> GSM76061 2 0.0260 0.7913 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM76062 1 0.2491 0.7523 0.836 0.000 0.000 0.000 0.000 0.164
#> GSM76063 2 0.5963 0.3129 0.000 0.452 0.000 0.272 0.000 0.276
#> GSM76064 6 0.3884 0.5434 0.240 0.000 0.036 0.000 0.000 0.724
#> GSM76065 2 0.1714 0.7164 0.000 0.908 0.000 0.000 0.092 0.000
#> GSM76066 6 0.3884 0.5434 0.240 0.000 0.036 0.000 0.000 0.724
#> GSM76067 6 0.3862 0.1082 0.000 0.000 0.476 0.000 0.000 0.524
#> GSM76068 6 0.4897 0.1906 0.000 0.000 0.448 0.060 0.000 0.492
#> GSM76069 1 0.1444 0.8439 0.928 0.000 0.000 0.000 0.000 0.072
#> GSM76070 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76071 6 0.3288 0.5084 0.276 0.000 0.000 0.000 0.000 0.724
#> GSM76072 1 0.2883 0.7551 0.788 0.000 0.000 0.000 0.000 0.212
#> GSM76073 1 0.1444 0.8439 0.928 0.000 0.000 0.000 0.000 0.072
#> GSM76074 1 0.2527 0.7921 0.832 0.000 0.000 0.000 0.000 0.168
#> GSM76075 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76076 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76077 5 0.4733 0.5363 0.000 0.120 0.000 0.004 0.688 0.188
#> GSM76078 6 0.5887 0.3906 0.000 0.000 0.252 0.272 0.000 0.476
#> GSM76079 1 0.0000 0.8515 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76080 4 0.3868 0.1554 0.000 0.000 0.000 0.504 0.000 0.496
#> GSM76081 4 0.5265 0.5626 0.000 0.000 0.148 0.592 0.000 0.260
#> GSM76082 6 0.3854 0.1421 0.000 0.000 0.464 0.000 0.000 0.536
#> GSM76083 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76084 4 0.6675 -0.0474 0.000 0.304 0.032 0.384 0.000 0.280
#> GSM76085 3 0.0000 0.8774 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76086 3 0.2527 0.7149 0.000 0.000 0.832 0.000 0.000 0.168
#> GSM76087 2 0.0000 0.7944 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76088 6 0.4252 0.5345 0.220 0.040 0.000 0.000 0.016 0.724
#> GSM76089 2 0.1082 0.7826 0.000 0.956 0.000 0.000 0.004 0.040
#> GSM76090 3 0.1957 0.7750 0.000 0.000 0.888 0.000 0.000 0.112
#> GSM76091 1 0.1141 0.8221 0.948 0.000 0.052 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.8515 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.8515 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76094 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76095 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76096 1 0.3978 0.6700 0.744 0.000 0.000 0.000 0.192 0.064
#> GSM76097 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76098 6 0.5673 0.2640 0.000 0.000 0.372 0.160 0.000 0.468
#> GSM76099 1 0.1444 0.8439 0.928 0.000 0.000 0.000 0.000 0.072
#> GSM76100 1 0.2365 0.8333 0.888 0.000 0.000 0.000 0.040 0.072
#> GSM76101 1 0.0000 0.8515 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76102 6 0.4134 0.5448 0.240 0.000 0.052 0.000 0.000 0.708
#> GSM76103 3 0.3774 0.1577 0.000 0.000 0.592 0.000 0.000 0.408
#> GSM76104 3 0.4906 0.4431 0.000 0.000 0.652 0.136 0.000 0.212
#> GSM76105 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76106 4 0.6050 0.2264 0.000 0.000 0.000 0.412 0.312 0.276
#> GSM76107 5 0.3354 0.6457 0.000 0.000 0.000 0.168 0.796 0.036
#> GSM76108 5 0.0000 0.8656 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76109 1 0.0000 0.8515 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.5062 0.6428 0.636 0.000 0.000 0.000 0.196 0.168
#> GSM76111 6 0.5398 0.3731 0.240 0.000 0.000 0.000 0.180 0.580
#> GSM76112 1 0.5357 0.1322 0.536 0.000 0.124 0.000 0.000 0.340
#> GSM76113 6 0.3266 0.2521 0.000 0.000 0.000 0.272 0.000 0.728
#> GSM76114 6 0.3884 0.5434 0.240 0.000 0.036 0.000 0.000 0.724
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> ATC:pam 123 6.17e-07 2
#> ATC:pam 123 3.38e-07 3
#> ATC:pam 116 8.30e-08 4
#> ATC:pam 90 1.40e-08 5
#> ATC:pam 99 4.99e-10 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "mclust"]
# you can also extract it by
# res = res_list["ATC:mclust"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'mclust' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 6.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.570 0.914 0.940 0.4180 0.591 0.591
#> 3 3 0.692 0.721 0.880 0.5703 0.709 0.522
#> 4 4 0.811 0.791 0.861 0.0845 0.863 0.645
#> 5 5 0.975 0.939 0.975 0.0817 0.903 0.692
#> 6 6 0.919 0.885 0.921 0.0490 0.939 0.748
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 6
#> attr(,"optional")
#> [1] 5
There is also optional best \(k\) = 5 that is worth to check.
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 1 0.000 0.913 1.000 0.000
#> GSM76116 1 0.000 0.913 1.000 0.000
#> GSM76117 1 0.000 0.913 1.000 0.000
#> GSM76118 1 0.000 0.913 1.000 0.000
#> GSM76119 2 0.000 0.982 0.000 1.000
#> GSM76120 2 0.000 0.982 0.000 1.000
#> GSM76121 1 0.653 0.888 0.832 0.168
#> GSM76122 1 0.000 0.913 1.000 0.000
#> GSM76123 2 0.000 0.982 0.000 1.000
#> GSM76124 1 0.000 0.913 1.000 0.000
#> GSM76125 2 0.000 0.982 0.000 1.000
#> GSM76126 2 0.000 0.982 0.000 1.000
#> GSM76127 2 0.000 0.982 0.000 1.000
#> GSM76128 2 0.000 0.982 0.000 1.000
#> GSM76129 1 0.000 0.913 1.000 0.000
#> GSM76130 2 0.000 0.982 0.000 1.000
#> GSM76131 1 0.000 0.913 1.000 0.000
#> GSM76132 1 0.000 0.913 1.000 0.000
#> GSM76133 1 0.000 0.913 1.000 0.000
#> GSM76134 1 0.000 0.913 1.000 0.000
#> GSM76135 1 0.000 0.913 1.000 0.000
#> GSM76136 1 0.000 0.913 1.000 0.000
#> GSM76137 1 0.000 0.913 1.000 0.000
#> GSM76138 1 0.000 0.913 1.000 0.000
#> GSM76139 1 0.000 0.913 1.000 0.000
#> GSM76140 1 0.000 0.913 1.000 0.000
#> GSM76141 1 0.000 0.913 1.000 0.000
#> GSM76142 1 0.000 0.913 1.000 0.000
#> GSM76143 1 0.000 0.913 1.000 0.000
#> GSM76144 1 0.000 0.913 1.000 0.000
#> GSM76145 1 0.000 0.913 1.000 0.000
#> GSM76146 1 0.000 0.913 1.000 0.000
#> GSM76147 1 0.000 0.913 1.000 0.000
#> GSM76148 1 0.000 0.913 1.000 0.000
#> GSM76149 1 0.000 0.913 1.000 0.000
#> GSM76150 1 0.000 0.913 1.000 0.000
#> GSM76151 1 0.373 0.904 0.928 0.072
#> GSM76152 1 0.653 0.888 0.832 0.168
#> GSM76153 1 0.000 0.913 1.000 0.000
#> GSM76154 1 0.000 0.913 1.000 0.000
#> GSM76155 1 0.000 0.913 1.000 0.000
#> GSM76156 1 0.000 0.913 1.000 0.000
#> GSM76030 1 0.000 0.913 1.000 0.000
#> GSM76031 1 0.653 0.888 0.832 0.168
#> GSM76032 2 0.000 0.982 0.000 1.000
#> GSM76033 2 0.000 0.982 0.000 1.000
#> GSM76034 1 0.653 0.888 0.832 0.168
#> GSM76035 1 0.653 0.888 0.832 0.168
#> GSM76036 2 0.000 0.982 0.000 1.000
#> GSM76037 1 0.000 0.913 1.000 0.000
#> GSM76038 1 0.653 0.888 0.832 0.168
#> GSM76039 1 0.118 0.911 0.984 0.016
#> GSM76040 2 0.000 0.982 0.000 1.000
#> GSM76041 1 0.653 0.888 0.832 0.168
#> GSM76042 1 0.653 0.888 0.832 0.168
#> GSM76043 1 0.680 0.877 0.820 0.180
#> GSM76044 1 0.000 0.913 1.000 0.000
#> GSM76045 1 0.653 0.888 0.832 0.168
#> GSM76046 2 0.000 0.982 0.000 1.000
#> GSM76047 1 0.653 0.888 0.832 0.168
#> GSM76048 2 0.000 0.982 0.000 1.000
#> GSM76049 1 0.000 0.913 1.000 0.000
#> GSM76050 1 0.653 0.888 0.832 0.168
#> GSM76051 2 0.000 0.982 0.000 1.000
#> GSM76052 2 0.000 0.982 0.000 1.000
#> GSM76053 2 1.000 -0.198 0.488 0.512
#> GSM76054 2 0.000 0.982 0.000 1.000
#> GSM76055 1 0.000 0.913 1.000 0.000
#> GSM76056 1 0.625 0.890 0.844 0.156
#> GSM76057 1 0.653 0.888 0.832 0.168
#> GSM76058 2 0.000 0.982 0.000 1.000
#> GSM76059 1 0.653 0.888 0.832 0.168
#> GSM76060 1 0.118 0.911 0.984 0.016
#> GSM76061 1 0.000 0.913 1.000 0.000
#> GSM76062 1 0.653 0.888 0.832 0.168
#> GSM76063 1 0.605 0.892 0.852 0.148
#> GSM76064 1 0.653 0.888 0.832 0.168
#> GSM76065 1 0.000 0.913 1.000 0.000
#> GSM76066 1 0.653 0.888 0.832 0.168
#> GSM76067 2 0.000 0.982 0.000 1.000
#> GSM76068 2 0.000 0.982 0.000 1.000
#> GSM76069 1 0.653 0.888 0.832 0.168
#> GSM76070 1 0.000 0.913 1.000 0.000
#> GSM76071 1 0.653 0.888 0.832 0.168
#> GSM76072 1 0.653 0.888 0.832 0.168
#> GSM76073 1 0.653 0.888 0.832 0.168
#> GSM76074 1 0.653 0.888 0.832 0.168
#> GSM76075 2 0.000 0.982 0.000 1.000
#> GSM76076 2 0.000 0.982 0.000 1.000
#> GSM76077 1 0.141 0.911 0.980 0.020
#> GSM76078 1 0.653 0.888 0.832 0.168
#> GSM76079 1 0.653 0.888 0.832 0.168
#> GSM76080 2 0.000 0.982 0.000 1.000
#> GSM76081 2 0.000 0.982 0.000 1.000
#> GSM76082 2 0.000 0.982 0.000 1.000
#> GSM76083 2 0.000 0.982 0.000 1.000
#> GSM76084 2 0.327 0.913 0.060 0.940
#> GSM76085 2 0.000 0.982 0.000 1.000
#> GSM76086 2 0.000 0.982 0.000 1.000
#> GSM76087 1 0.000 0.913 1.000 0.000
#> GSM76088 1 0.653 0.888 0.832 0.168
#> GSM76089 1 0.000 0.913 1.000 0.000
#> GSM76090 2 0.000 0.982 0.000 1.000
#> GSM76091 1 0.653 0.888 0.832 0.168
#> GSM76092 1 0.653 0.888 0.832 0.168
#> GSM76093 1 0.653 0.888 0.832 0.168
#> GSM76094 1 0.000 0.913 1.000 0.000
#> GSM76095 1 0.000 0.913 1.000 0.000
#> GSM76096 1 0.653 0.888 0.832 0.168
#> GSM76097 1 0.260 0.908 0.956 0.044
#> GSM76098 2 0.000 0.982 0.000 1.000
#> GSM76099 1 0.653 0.888 0.832 0.168
#> GSM76100 1 0.653 0.888 0.832 0.168
#> GSM76101 1 0.653 0.888 0.832 0.168
#> GSM76102 1 0.653 0.888 0.832 0.168
#> GSM76103 2 0.000 0.982 0.000 1.000
#> GSM76104 2 0.000 0.982 0.000 1.000
#> GSM76105 1 0.000 0.913 1.000 0.000
#> GSM76106 2 0.000 0.982 0.000 1.000
#> GSM76107 2 0.000 0.982 0.000 1.000
#> GSM76108 1 0.000 0.913 1.000 0.000
#> GSM76109 1 0.653 0.888 0.832 0.168
#> GSM76110 1 0.653 0.888 0.832 0.168
#> GSM76111 1 0.653 0.888 0.832 0.168
#> GSM76112 1 0.653 0.888 0.832 0.168
#> GSM76113 1 0.730 0.852 0.796 0.204
#> GSM76114 1 0.653 0.888 0.832 0.168
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.6339 0.3236 0.360 0.632 0.008
#> GSM76116 2 0.6169 0.3283 0.360 0.636 0.004
#> GSM76117 2 0.6228 0.2959 0.372 0.624 0.004
#> GSM76118 1 0.6468 0.2879 0.552 0.444 0.004
#> GSM76119 3 0.1031 0.9283 0.024 0.000 0.976
#> GSM76120 3 0.1031 0.9283 0.024 0.000 0.976
#> GSM76121 1 0.1878 0.7634 0.952 0.044 0.004
#> GSM76122 1 0.6476 0.2776 0.548 0.448 0.004
#> GSM76123 3 0.1031 0.9283 0.024 0.000 0.976
#> GSM76124 1 0.6373 0.3644 0.588 0.408 0.004
#> GSM76125 3 0.1031 0.9283 0.024 0.000 0.976
#> GSM76126 3 0.1620 0.9313 0.024 0.012 0.964
#> GSM76127 3 0.1031 0.9283 0.024 0.000 0.976
#> GSM76128 3 0.1163 0.9277 0.028 0.000 0.972
#> GSM76129 1 0.6518 0.1706 0.512 0.484 0.004
#> GSM76130 3 0.1031 0.9283 0.024 0.000 0.976
#> GSM76131 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76134 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76135 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76136 2 0.3966 0.7425 0.100 0.876 0.024
#> GSM76137 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76138 2 0.0747 0.8515 0.016 0.984 0.000
#> GSM76139 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76140 1 0.6398 0.3488 0.580 0.416 0.004
#> GSM76141 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76142 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76143 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76145 2 0.8372 0.3011 0.100 0.564 0.336
#> GSM76146 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76147 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76149 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76150 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76151 2 0.8573 0.2016 0.104 0.524 0.372
#> GSM76152 1 0.0237 0.7856 0.996 0.000 0.004
#> GSM76153 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76154 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76155 2 0.0592 0.8535 0.012 0.988 0.000
#> GSM76156 2 0.0237 0.8591 0.004 0.996 0.000
#> GSM76030 2 0.1399 0.8422 0.028 0.968 0.004
#> GSM76031 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76032 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76033 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76034 2 0.9920 0.0421 0.272 0.368 0.360
#> GSM76035 1 0.6724 0.0879 0.568 0.012 0.420
#> GSM76036 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76037 2 0.6209 0.3075 0.368 0.628 0.004
#> GSM76038 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76039 1 0.6264 0.4133 0.616 0.380 0.004
#> GSM76040 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76041 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76042 1 0.5517 0.5663 0.728 0.268 0.004
#> GSM76043 3 0.6735 0.3788 0.424 0.012 0.564
#> GSM76044 1 0.6489 0.2562 0.540 0.456 0.004
#> GSM76045 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76046 3 0.1620 0.9313 0.024 0.012 0.964
#> GSM76047 1 0.2261 0.7403 0.932 0.000 0.068
#> GSM76048 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76049 2 0.6209 0.3075 0.368 0.628 0.004
#> GSM76050 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76051 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76052 3 0.0829 0.9363 0.004 0.012 0.984
#> GSM76053 3 0.8129 0.5215 0.124 0.244 0.632
#> GSM76054 3 0.0829 0.9363 0.004 0.012 0.984
#> GSM76055 1 0.6468 0.2879 0.552 0.444 0.004
#> GSM76056 1 0.6159 0.6269 0.756 0.196 0.048
#> GSM76057 1 0.7271 0.2839 0.608 0.040 0.352
#> GSM76058 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76059 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76060 1 0.9684 0.1276 0.428 0.220 0.352
#> GSM76061 2 0.2066 0.8150 0.060 0.940 0.000
#> GSM76062 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76063 3 0.8404 0.4107 0.120 0.288 0.592
#> GSM76064 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76065 2 0.4931 0.5884 0.232 0.768 0.000
#> GSM76066 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76067 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76068 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76069 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76070 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76071 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76072 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76073 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76074 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76075 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76076 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76077 1 0.6369 0.5012 0.668 0.316 0.016
#> GSM76078 3 0.6721 0.4576 0.380 0.016 0.604
#> GSM76079 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76080 3 0.0829 0.9363 0.004 0.012 0.984
#> GSM76081 3 0.0829 0.9363 0.004 0.012 0.984
#> GSM76082 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76083 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76084 3 0.6902 0.6764 0.100 0.168 0.732
#> GSM76085 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76086 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76087 2 0.0000 0.8615 0.000 1.000 0.000
#> GSM76088 1 0.6404 0.3189 0.644 0.012 0.344
#> GSM76089 2 0.0592 0.8535 0.012 0.988 0.000
#> GSM76090 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76091 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76092 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76094 1 0.6442 0.3152 0.564 0.432 0.004
#> GSM76095 1 0.6373 0.3644 0.588 0.408 0.004
#> GSM76096 1 0.1337 0.7777 0.972 0.016 0.012
#> GSM76097 1 0.5956 0.4965 0.672 0.324 0.004
#> GSM76098 3 0.0592 0.9357 0.000 0.012 0.988
#> GSM76099 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76100 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76101 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76102 1 0.5431 0.4570 0.716 0.000 0.284
#> GSM76103 3 0.0829 0.9375 0.004 0.012 0.984
#> GSM76104 3 0.0829 0.9364 0.004 0.012 0.984
#> GSM76105 1 0.6468 0.2879 0.552 0.444 0.004
#> GSM76106 3 0.1620 0.9313 0.024 0.012 0.964
#> GSM76107 3 0.1031 0.9283 0.024 0.000 0.976
#> GSM76108 1 0.6386 0.3569 0.584 0.412 0.004
#> GSM76109 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76110 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76111 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76112 1 0.0000 0.7877 1.000 0.000 0.000
#> GSM76113 3 0.4865 0.8083 0.136 0.032 0.832
#> GSM76114 1 0.0000 0.7877 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 1 0.4898 0.2727 0.584 0.416 0.000 0.000
#> GSM76116 1 0.3486 0.4849 0.812 0.188 0.000 0.000
#> GSM76117 1 0.2011 0.5929 0.920 0.080 0.000 0.000
#> GSM76118 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76119 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76120 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76121 1 0.7490 0.7142 0.528 0.024 0.112 0.336
#> GSM76122 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76123 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76124 1 0.1867 0.5978 0.928 0.072 0.000 0.000
#> GSM76125 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76126 3 0.1022 0.8983 0.000 0.000 0.968 0.032
#> GSM76127 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76128 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76129 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76130 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76131 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76132 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76134 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76135 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0336 0.8984 0.000 0.992 0.008 0.000
#> GSM76137 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76138 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76139 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76140 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76141 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76143 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76145 2 0.1302 0.8738 0.000 0.956 0.044 0.000
#> GSM76146 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76148 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76149 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76150 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76151 2 0.1867 0.8503 0.000 0.928 0.072 0.000
#> GSM76152 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76153 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76154 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76155 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76156 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76030 2 0.1576 0.8706 0.048 0.948 0.004 0.000
#> GSM76031 1 0.5657 0.7740 0.540 0.000 0.024 0.436
#> GSM76032 3 0.0336 0.9344 0.000 0.000 0.992 0.008
#> GSM76033 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76034 2 0.3400 0.7206 0.000 0.820 0.180 0.000
#> GSM76035 3 0.0921 0.8928 0.028 0.000 0.972 0.000
#> GSM76036 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76037 1 0.3907 0.4014 0.768 0.232 0.000 0.000
#> GSM76038 1 0.6055 0.7631 0.520 0.000 0.044 0.436
#> GSM76039 1 0.1716 0.6002 0.936 0.064 0.000 0.000
#> GSM76040 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76041 1 0.5827 0.7700 0.532 0.000 0.032 0.436
#> GSM76042 1 0.8001 0.7081 0.508 0.060 0.100 0.332
#> GSM76043 3 0.0188 0.9370 0.004 0.000 0.996 0.000
#> GSM76044 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76045 1 0.5360 0.7789 0.552 0.000 0.012 0.436
#> GSM76046 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76047 1 0.8613 0.6212 0.428 0.048 0.196 0.328
#> GSM76048 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76049 2 0.4222 0.6751 0.272 0.728 0.000 0.000
#> GSM76050 1 0.5466 0.7775 0.548 0.000 0.016 0.436
#> GSM76051 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76052 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76053 3 0.1722 0.8441 0.008 0.048 0.944 0.000
#> GSM76054 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76055 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76056 2 0.7219 0.1244 0.100 0.484 0.012 0.404
#> GSM76057 2 0.8463 0.2340 0.084 0.484 0.116 0.316
#> GSM76058 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76059 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76060 2 0.4387 0.7338 0.052 0.804 0.144 0.000
#> GSM76061 2 0.1302 0.8747 0.044 0.956 0.000 0.000
#> GSM76062 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76063 2 0.4999 -0.0673 0.000 0.508 0.492 0.000
#> GSM76064 1 0.6702 0.7295 0.476 0.000 0.088 0.436
#> GSM76065 2 0.1867 0.8523 0.072 0.928 0.000 0.000
#> GSM76066 1 0.6602 0.7366 0.484 0.000 0.080 0.436
#> GSM76067 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76068 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76069 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76070 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76071 1 0.5360 0.7789 0.552 0.000 0.012 0.436
#> GSM76072 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76073 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76074 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76075 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76076 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76077 2 0.3966 0.7823 0.072 0.840 0.088 0.000
#> GSM76078 3 0.4916 -0.0619 0.000 0.424 0.576 0.000
#> GSM76079 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76080 3 0.1022 0.8885 0.000 0.032 0.968 0.000
#> GSM76081 3 0.0592 0.9254 0.000 0.000 0.984 0.016
#> GSM76082 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76083 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76084 3 0.1389 0.8605 0.000 0.048 0.952 0.000
#> GSM76085 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76086 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76087 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76088 2 0.7903 0.0597 0.124 0.448 0.032 0.396
#> GSM76089 2 0.0000 0.9030 0.000 1.000 0.000 0.000
#> GSM76090 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76091 1 0.6750 0.7254 0.472 0.000 0.092 0.436
#> GSM76092 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76093 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76094 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76095 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76096 1 0.4955 0.7796 0.556 0.000 0.000 0.444
#> GSM76097 1 0.3081 0.6357 0.888 0.048 0.000 0.064
#> GSM76098 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76099 1 0.5564 0.7761 0.544 0.000 0.020 0.436
#> GSM76100 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76101 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76102 1 0.7687 0.4655 0.448 0.000 0.312 0.240
#> GSM76103 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76104 3 0.0000 0.9426 0.000 0.000 1.000 0.000
#> GSM76105 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76106 3 0.2032 0.8486 0.000 0.036 0.936 0.028
#> GSM76107 4 0.4941 1.0000 0.000 0.000 0.436 0.564
#> GSM76108 1 0.1940 0.5964 0.924 0.076 0.000 0.000
#> GSM76109 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76110 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76111 1 0.4941 0.7823 0.564 0.000 0.000 0.436
#> GSM76112 1 0.6653 0.7332 0.480 0.000 0.084 0.436
#> GSM76113 3 0.1302 0.8643 0.000 0.044 0.956 0.000
#> GSM76114 1 0.6380 0.7493 0.500 0.000 0.064 0.436
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76116 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76117 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76118 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76119 4 0.0000 0.973 0.000 0.000 0.000 1.000 0.000
#> GSM76120 4 0.0000 0.973 0.000 0.000 0.000 1.000 0.000
#> GSM76121 5 0.1981 0.882 0.028 0.000 0.048 0.000 0.924
#> GSM76122 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76123 4 0.0000 0.973 0.000 0.000 0.000 1.000 0.000
#> GSM76124 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76125 4 0.0000 0.973 0.000 0.000 0.000 1.000 0.000
#> GSM76126 3 0.0609 0.956 0.000 0.000 0.980 0.020 0.000
#> GSM76127 4 0.0000 0.973 0.000 0.000 0.000 1.000 0.000
#> GSM76128 4 0.1608 0.917 0.000 0.000 0.072 0.928 0.000
#> GSM76129 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76130 4 0.0000 0.973 0.000 0.000 0.000 1.000 0.000
#> GSM76131 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76134 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76135 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76137 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76138 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76139 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76140 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76141 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76145 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76146 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76147 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76148 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76149 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76150 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76151 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76152 5 0.4287 0.106 0.460 0.000 0.000 0.000 0.540
#> GSM76153 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76154 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76155 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76156 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76030 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76031 1 0.1965 0.888 0.904 0.000 0.000 0.000 0.096
#> GSM76032 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76033 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76034 2 0.1608 0.903 0.000 0.928 0.072 0.000 0.000
#> GSM76035 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76036 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76037 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76038 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76039 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76040 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76041 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76042 5 0.1579 0.907 0.032 0.000 0.024 0.000 0.944
#> GSM76043 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76044 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76045 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76046 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76047 2 0.5422 0.388 0.348 0.580 0.072 0.000 0.000
#> GSM76048 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76049 2 0.3177 0.728 0.000 0.792 0.000 0.000 0.208
#> GSM76050 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76051 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76052 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76053 2 0.1608 0.903 0.000 0.928 0.072 0.000 0.000
#> GSM76054 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76055 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76056 2 0.1831 0.895 0.076 0.920 0.004 0.000 0.000
#> GSM76057 2 0.1608 0.903 0.000 0.928 0.072 0.000 0.000
#> GSM76058 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76059 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76060 2 0.1608 0.903 0.000 0.928 0.072 0.000 0.000
#> GSM76061 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76062 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76063 2 0.1608 0.903 0.000 0.928 0.072 0.000 0.000
#> GSM76064 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76065 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76066 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76067 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76068 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76069 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76070 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76071 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76074 1 0.2230 0.866 0.884 0.000 0.000 0.000 0.116
#> GSM76075 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76076 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76077 2 0.0703 0.945 0.000 0.976 0.024 0.000 0.000
#> GSM76078 3 0.2690 0.771 0.000 0.156 0.844 0.000 0.000
#> GSM76079 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76080 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76081 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76082 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76083 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76084 3 0.1043 0.929 0.000 0.040 0.960 0.000 0.000
#> GSM76085 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76086 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76087 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76088 2 0.2773 0.843 0.112 0.868 0.020 0.000 0.000
#> GSM76089 2 0.0000 0.964 0.000 1.000 0.000 0.000 0.000
#> GSM76090 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76091 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76093 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76094 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76095 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76096 1 0.3242 0.736 0.784 0.000 0.000 0.000 0.216
#> GSM76097 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76098 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76099 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76100 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76101 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76102 3 0.2561 0.794 0.144 0.000 0.856 0.000 0.000
#> GSM76103 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76104 3 0.0000 0.972 0.000 0.000 1.000 0.000 0.000
#> GSM76105 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76106 3 0.3210 0.732 0.000 0.000 0.788 0.212 0.000
#> GSM76107 4 0.1608 0.917 0.000 0.000 0.072 0.928 0.000
#> GSM76108 5 0.0000 0.960 0.000 0.000 0.000 0.000 1.000
#> GSM76109 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76110 1 0.1732 0.905 0.920 0.000 0.000 0.000 0.080
#> GSM76111 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76112 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
#> GSM76113 3 0.2471 0.802 0.000 0.136 0.864 0.000 0.000
#> GSM76114 1 0.0000 0.978 1.000 0.000 0.000 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.0622 0.9379 0.000 0.000 0.012 0.000 0.980 0.008
#> GSM76116 5 0.0260 0.9455 0.000 0.000 0.000 0.000 0.992 0.008
#> GSM76117 5 0.0260 0.9455 0.000 0.000 0.000 0.000 0.992 0.008
#> GSM76118 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76119 4 0.0000 0.9960 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76120 4 0.0000 0.9960 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76121 5 0.1682 0.8852 0.052 0.000 0.020 0.000 0.928 0.000
#> GSM76122 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76123 4 0.0000 0.9960 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76124 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76125 4 0.0000 0.9960 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76126 3 0.0790 0.8698 0.000 0.000 0.968 0.032 0.000 0.000
#> GSM76127 4 0.0000 0.9960 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76128 4 0.0260 0.9891 0.000 0.000 0.008 0.992 0.000 0.000
#> GSM76129 5 0.0260 0.9455 0.000 0.000 0.000 0.000 0.992 0.008
#> GSM76130 4 0.0000 0.9960 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM76131 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76132 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76133 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76134 2 0.0363 0.9307 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM76135 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76136 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76137 2 0.0363 0.9307 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM76138 2 0.0547 0.9285 0.000 0.980 0.000 0.000 0.000 0.020
#> GSM76139 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76140 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76141 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76142 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76143 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76144 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76145 2 0.0260 0.9298 0.000 0.992 0.008 0.000 0.000 0.000
#> GSM76146 2 0.0260 0.9322 0.000 0.992 0.000 0.000 0.000 0.008
#> GSM76147 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76148 2 0.0146 0.9331 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76149 2 0.0146 0.9331 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76150 2 0.0363 0.9307 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM76151 2 0.0820 0.9229 0.000 0.972 0.016 0.000 0.000 0.012
#> GSM76152 5 0.3717 0.3219 0.384 0.000 0.000 0.000 0.616 0.000
#> GSM76153 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76154 2 0.0146 0.9331 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM76155 2 0.0547 0.9285 0.000 0.980 0.000 0.000 0.000 0.020
#> GSM76156 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76030 2 0.0363 0.9312 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM76031 1 0.1531 0.8871 0.928 0.000 0.004 0.000 0.068 0.000
#> GSM76032 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76033 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76034 2 0.3634 0.4357 0.000 0.644 0.356 0.000 0.000 0.000
#> GSM76035 3 0.1501 0.8388 0.076 0.000 0.924 0.000 0.000 0.000
#> GSM76036 6 0.3727 0.7623 0.000 0.000 0.388 0.000 0.000 0.612
#> GSM76037 5 0.0405 0.9430 0.000 0.004 0.000 0.000 0.988 0.008
#> GSM76038 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76039 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76040 3 0.3050 0.4747 0.000 0.000 0.764 0.000 0.000 0.236
#> GSM76041 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76042 5 0.0547 0.9323 0.000 0.000 0.020 0.000 0.980 0.000
#> GSM76043 3 0.0865 0.8675 0.036 0.000 0.964 0.000 0.000 0.000
#> GSM76044 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76045 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76046 3 0.0000 0.8777 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76047 3 0.4100 0.6823 0.176 0.064 0.752 0.000 0.000 0.008
#> GSM76048 6 0.3464 0.8985 0.000 0.000 0.312 0.000 0.000 0.688
#> GSM76049 5 0.3541 0.5747 0.000 0.260 0.000 0.000 0.728 0.012
#> GSM76050 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76051 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76052 3 0.0000 0.8777 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76053 3 0.3314 0.6314 0.000 0.224 0.764 0.000 0.000 0.012
#> GSM76054 3 0.0000 0.8777 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76055 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76056 2 0.6952 0.0344 0.064 0.416 0.020 0.000 0.376 0.124
#> GSM76057 2 0.4514 0.7313 0.060 0.768 0.028 0.000 0.020 0.124
#> GSM76058 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76059 1 0.1765 0.9151 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76060 2 0.1480 0.8973 0.000 0.940 0.020 0.000 0.000 0.040
#> GSM76061 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76062 1 0.0865 0.9283 0.964 0.000 0.000 0.000 0.000 0.036
#> GSM76063 2 0.3706 0.3704 0.000 0.620 0.380 0.000 0.000 0.000
#> GSM76064 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76065 2 0.1333 0.8925 0.000 0.944 0.000 0.000 0.048 0.008
#> GSM76066 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76067 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76068 3 0.0000 0.8777 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76069 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76070 2 0.0000 0.9337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM76071 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76072 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76073 1 0.1765 0.9151 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76074 1 0.3277 0.8583 0.824 0.000 0.000 0.000 0.084 0.092
#> GSM76075 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76076 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76077 2 0.4211 0.4065 0.000 0.616 0.016 0.000 0.364 0.004
#> GSM76078 3 0.2669 0.7142 0.000 0.156 0.836 0.000 0.000 0.008
#> GSM76079 1 0.1714 0.9160 0.908 0.000 0.000 0.000 0.000 0.092
#> GSM76080 3 0.0000 0.8777 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76081 3 0.0000 0.8777 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76082 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76083 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76084 3 0.1327 0.8428 0.000 0.064 0.936 0.000 0.000 0.000
#> GSM76085 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76086 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76087 2 0.0260 0.9322 0.000 0.992 0.000 0.000 0.000 0.008
#> GSM76088 1 0.5793 0.2945 0.532 0.324 0.020 0.000 0.000 0.124
#> GSM76089 2 0.0547 0.9285 0.000 0.980 0.000 0.000 0.000 0.020
#> GSM76090 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76091 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76092 1 0.1765 0.9151 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76093 1 0.1765 0.9151 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76094 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76095 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76096 1 0.3277 0.8583 0.824 0.000 0.000 0.000 0.084 0.092
#> GSM76097 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76098 3 0.0363 0.8692 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM76099 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76100 1 0.1765 0.9151 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76101 1 0.1765 0.9151 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76102 3 0.2219 0.7861 0.136 0.000 0.864 0.000 0.000 0.000
#> GSM76103 6 0.3101 0.9793 0.000 0.000 0.244 0.000 0.000 0.756
#> GSM76104 3 0.0000 0.8777 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM76105 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76106 3 0.1910 0.8158 0.000 0.000 0.892 0.108 0.000 0.000
#> GSM76107 4 0.0363 0.9854 0.000 0.000 0.012 0.988 0.000 0.000
#> GSM76108 5 0.0000 0.9481 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM76109 1 0.1765 0.9151 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM76110 1 0.2629 0.8953 0.868 0.000 0.000 0.000 0.040 0.092
#> GSM76111 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76112 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM76113 3 0.0865 0.8660 0.000 0.036 0.964 0.000 0.000 0.000
#> GSM76114 1 0.0000 0.9331 1.000 0.000 0.000 0.000 0.000 0.000
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> ATC:mclust 126 2.65e-01 2
#> ATC:mclust 98 2.72e-08 3
#> ATC:mclust 118 3.21e-09 4
#> ATC:mclust 125 1.12e-09 5
#> ATC:mclust 120 3.59e-11 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
The object with results only for a single top-value method and a single partition method can be extracted as:
res = res_list["ATC", "NMF"]
# you can also extract it by
# res = res_list["ATC:NMF"]
A summary of res and all the functions that can be applied to it:
res
#> A 'ConsensusPartition' object with k = 2, 3, 4, 5, 6.
#> On a matrix with 21168 rows and 127 columns.
#> Top rows (1000, 2000, 3000, 4000, 5000) are extracted by 'ATC' method.
#> Subgroups are detected by 'NMF' method.
#> Performed in total 1250 partitions by row resampling.
#> Best k for subgroups seems to be 3.
#>
#> Following methods can be applied to this 'ConsensusPartition' object:
#> [1] "cola_report" "collect_classes" "collect_plots"
#> [4] "collect_stats" "colnames" "compare_signatures"
#> [7] "consensus_heatmap" "dimension_reduction" "functional_enrichment"
#> [10] "get_anno_col" "get_anno" "get_classes"
#> [13] "get_consensus" "get_matrix" "get_membership"
#> [16] "get_param" "get_signatures" "get_stats"
#> [19] "is_best_k" "is_stable_k" "membership_heatmap"
#> [22] "ncol" "nrow" "plot_ecdf"
#> [25] "rownames" "select_partition_number" "show"
#> [28] "suggest_best_k" "test_to_known_factors"
collect_plots() function collects all the plots made from res for all k (number of partitions)
into one single page to provide an easy and fast comparison between different k.
collect_plots(res)
The plots are:
k and the heatmap of
predicted classes for each k.k.k.k.All the plots in panels can be made by individual functions and they are plotted later in this section.
select_partition_number() produces several plots showing different
statistics for choosing “optimized” k. There are following statistics:
k;k, the area increased is defined as \(A_k - A_{k-1}\).The detailed explanations of these statistics can be found in the cola vignette.
Generally speaking, lower PAC score, higher mean silhouette score or higher
concordance corresponds to better partition. Rand index and Jaccard index
measure how similar the current partition is compared to partition with k-1.
If they are too similar, we won't accept k is better than k-1.
select_partition_number(res)
The numeric values for all these statistics can be obtained by get_stats().
get_stats(res)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> 2 2 0.999 0.947 0.979 0.4968 0.505 0.505
#> 3 3 0.960 0.938 0.973 0.3059 0.717 0.504
#> 4 4 0.733 0.748 0.863 0.1110 0.855 0.631
#> 5 5 0.674 0.580 0.787 0.0796 0.894 0.658
#> 6 6 0.697 0.644 0.803 0.0478 0.905 0.620
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 3
#> attr(,"optional")
#> [1] 2
There is also optional best \(k\) = 2 that is worth to check.
Following shows the table of the partitions (You need to click the show/hide
code output link to see it). The membership matrix (columns with name p*)
is inferred by
clue::cl_consensus()
function with the SE method. Basically the value in the membership matrix
represents the probability to belong to a certain group. The finall class
label for an item is determined with the group with highest probability it
belongs to.
In get_classes() function, the entropy is calculated from the membership
matrix and the silhouette score is calculated from the consensus matrix.
cbind(get_classes(res, k = 2), get_membership(res, k = 2))
#> class entropy silhouette p1 p2
#> GSM76115 2 0.0000 0.9716 0.000 1.000
#> GSM76116 2 0.0000 0.9716 0.000 1.000
#> GSM76117 2 0.0000 0.9716 0.000 1.000
#> GSM76118 2 0.0000 0.9716 0.000 1.000
#> GSM76119 2 0.0000 0.9716 0.000 1.000
#> GSM76120 2 0.0000 0.9716 0.000 1.000
#> GSM76121 1 0.8016 0.6755 0.756 0.244
#> GSM76122 2 0.0000 0.9716 0.000 1.000
#> GSM76123 2 0.0000 0.9716 0.000 1.000
#> GSM76124 2 0.0000 0.9716 0.000 1.000
#> GSM76125 2 0.0000 0.9716 0.000 1.000
#> GSM76126 1 0.0000 0.9860 1.000 0.000
#> GSM76127 2 0.0000 0.9716 0.000 1.000
#> GSM76128 1 0.0000 0.9860 1.000 0.000
#> GSM76129 2 0.0000 0.9716 0.000 1.000
#> GSM76130 2 0.0000 0.9716 0.000 1.000
#> GSM76131 2 0.0000 0.9716 0.000 1.000
#> GSM76132 2 0.0000 0.9716 0.000 1.000
#> GSM76133 2 0.0000 0.9716 0.000 1.000
#> GSM76134 2 0.0000 0.9716 0.000 1.000
#> GSM76135 2 0.0000 0.9716 0.000 1.000
#> GSM76136 2 0.0000 0.9716 0.000 1.000
#> GSM76137 2 0.0000 0.9716 0.000 1.000
#> GSM76138 2 0.0000 0.9716 0.000 1.000
#> GSM76139 2 0.0000 0.9716 0.000 1.000
#> GSM76140 2 0.0000 0.9716 0.000 1.000
#> GSM76141 2 0.0000 0.9716 0.000 1.000
#> GSM76142 2 0.0000 0.9716 0.000 1.000
#> GSM76143 2 0.0000 0.9716 0.000 1.000
#> GSM76144 2 0.0000 0.9716 0.000 1.000
#> GSM76145 2 0.0000 0.9716 0.000 1.000
#> GSM76146 2 0.0000 0.9716 0.000 1.000
#> GSM76147 2 0.0000 0.9716 0.000 1.000
#> GSM76148 2 0.0000 0.9716 0.000 1.000
#> GSM76149 2 0.0000 0.9716 0.000 1.000
#> GSM76150 2 0.0000 0.9716 0.000 1.000
#> GSM76151 2 0.0000 0.9716 0.000 1.000
#> GSM76152 1 0.0938 0.9762 0.988 0.012
#> GSM76153 2 0.0000 0.9716 0.000 1.000
#> GSM76154 2 0.0000 0.9716 0.000 1.000
#> GSM76155 2 0.0000 0.9716 0.000 1.000
#> GSM76156 2 0.0000 0.9716 0.000 1.000
#> GSM76030 2 0.0000 0.9716 0.000 1.000
#> GSM76031 1 0.0000 0.9860 1.000 0.000
#> GSM76032 1 0.0000 0.9860 1.000 0.000
#> GSM76033 1 0.0000 0.9860 1.000 0.000
#> GSM76034 2 0.0000 0.9716 0.000 1.000
#> GSM76035 1 0.0000 0.9860 1.000 0.000
#> GSM76036 1 0.4431 0.8957 0.908 0.092
#> GSM76037 2 0.0000 0.9716 0.000 1.000
#> GSM76038 1 0.0000 0.9860 1.000 0.000
#> GSM76039 2 0.0938 0.9611 0.012 0.988
#> GSM76040 1 0.0000 0.9860 1.000 0.000
#> GSM76041 1 0.0000 0.9860 1.000 0.000
#> GSM76042 2 0.8955 0.5488 0.312 0.688
#> GSM76043 1 0.0000 0.9860 1.000 0.000
#> GSM76044 2 0.0000 0.9716 0.000 1.000
#> GSM76045 1 0.0000 0.9860 1.000 0.000
#> GSM76046 2 0.6247 0.8018 0.156 0.844
#> GSM76047 1 0.4022 0.9088 0.920 0.080
#> GSM76048 1 0.0000 0.9860 1.000 0.000
#> GSM76049 2 0.0000 0.9716 0.000 1.000
#> GSM76050 1 0.0000 0.9860 1.000 0.000
#> GSM76051 1 0.0000 0.9860 1.000 0.000
#> GSM76052 2 0.9881 0.2347 0.436 0.564
#> GSM76053 2 0.0000 0.9716 0.000 1.000
#> GSM76054 2 0.9993 0.0719 0.484 0.516
#> GSM76055 2 0.0000 0.9716 0.000 1.000
#> GSM76056 2 0.0000 0.9716 0.000 1.000
#> GSM76057 2 0.0672 0.9647 0.008 0.992
#> GSM76058 1 0.0000 0.9860 1.000 0.000
#> GSM76059 1 0.0000 0.9860 1.000 0.000
#> GSM76060 2 0.0000 0.9716 0.000 1.000
#> GSM76061 2 0.0000 0.9716 0.000 1.000
#> GSM76062 1 0.0000 0.9860 1.000 0.000
#> GSM76063 2 0.0000 0.9716 0.000 1.000
#> GSM76064 1 0.0000 0.9860 1.000 0.000
#> GSM76065 2 0.0000 0.9716 0.000 1.000
#> GSM76066 1 0.0000 0.9860 1.000 0.000
#> GSM76067 1 0.0000 0.9860 1.000 0.000
#> GSM76068 1 0.0000 0.9860 1.000 0.000
#> GSM76069 1 0.0000 0.9860 1.000 0.000
#> GSM76070 2 0.0000 0.9716 0.000 1.000
#> GSM76071 1 0.0000 0.9860 1.000 0.000
#> GSM76072 1 0.0000 0.9860 1.000 0.000
#> GSM76073 1 0.0000 0.9860 1.000 0.000
#> GSM76074 1 0.0000 0.9860 1.000 0.000
#> GSM76075 1 0.0000 0.9860 1.000 0.000
#> GSM76076 1 0.0000 0.9860 1.000 0.000
#> GSM76077 2 0.0000 0.9716 0.000 1.000
#> GSM76078 2 0.9954 0.1573 0.460 0.540
#> GSM76079 1 0.0000 0.9860 1.000 0.000
#> GSM76080 2 0.0000 0.9716 0.000 1.000
#> GSM76081 2 0.0000 0.9716 0.000 1.000
#> GSM76082 1 0.0000 0.9860 1.000 0.000
#> GSM76083 1 0.0000 0.9860 1.000 0.000
#> GSM76084 2 0.0000 0.9716 0.000 1.000
#> GSM76085 1 0.0000 0.9860 1.000 0.000
#> GSM76086 1 0.0000 0.9860 1.000 0.000
#> GSM76087 2 0.0000 0.9716 0.000 1.000
#> GSM76088 1 0.7883 0.6895 0.764 0.236
#> GSM76089 2 0.0000 0.9716 0.000 1.000
#> GSM76090 1 0.0000 0.9860 1.000 0.000
#> GSM76091 1 0.0000 0.9860 1.000 0.000
#> GSM76092 1 0.0000 0.9860 1.000 0.000
#> GSM76093 1 0.0000 0.9860 1.000 0.000
#> GSM76094 2 0.0000 0.9716 0.000 1.000
#> GSM76095 2 0.0000 0.9716 0.000 1.000
#> GSM76096 1 0.0000 0.9860 1.000 0.000
#> GSM76097 2 0.4161 0.8893 0.084 0.916
#> GSM76098 1 0.2043 0.9582 0.968 0.032
#> GSM76099 1 0.0000 0.9860 1.000 0.000
#> GSM76100 1 0.0000 0.9860 1.000 0.000
#> GSM76101 1 0.0000 0.9860 1.000 0.000
#> GSM76102 1 0.0000 0.9860 1.000 0.000
#> GSM76103 1 0.0000 0.9860 1.000 0.000
#> GSM76104 1 0.1843 0.9619 0.972 0.028
#> GSM76105 2 0.0000 0.9716 0.000 1.000
#> GSM76106 2 0.0000 0.9716 0.000 1.000
#> GSM76107 2 0.0000 0.9716 0.000 1.000
#> GSM76108 2 0.0000 0.9716 0.000 1.000
#> GSM76109 1 0.0000 0.9860 1.000 0.000
#> GSM76110 1 0.0000 0.9860 1.000 0.000
#> GSM76111 1 0.0000 0.9860 1.000 0.000
#> GSM76112 1 0.0000 0.9860 1.000 0.000
#> GSM76113 2 0.0000 0.9716 0.000 1.000
#> GSM76114 1 0.0000 0.9860 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM76115 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76116 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76117 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76118 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76119 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76120 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76121 2 0.4605 0.744 0.204 0.796 0.000
#> GSM76122 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76123 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76124 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76125 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76126 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76127 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76128 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76129 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76130 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76131 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76132 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76133 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76134 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76135 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76136 2 0.1753 0.938 0.000 0.952 0.048
#> GSM76137 2 0.0237 0.975 0.000 0.996 0.004
#> GSM76138 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76139 2 0.0237 0.975 0.000 0.996 0.004
#> GSM76140 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76141 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76142 2 0.0237 0.975 0.000 0.996 0.004
#> GSM76143 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76144 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76145 2 0.1643 0.942 0.000 0.956 0.044
#> GSM76146 2 0.0237 0.975 0.000 0.996 0.004
#> GSM76147 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76148 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76149 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76150 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76151 2 0.0747 0.966 0.000 0.984 0.016
#> GSM76152 1 0.5397 0.597 0.720 0.280 0.000
#> GSM76153 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76154 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76155 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76156 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76030 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76031 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76032 3 0.1031 0.946 0.024 0.000 0.976
#> GSM76033 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76034 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76035 3 0.5968 0.453 0.364 0.000 0.636
#> GSM76036 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76037 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76038 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76039 2 0.0747 0.966 0.016 0.984 0.000
#> GSM76040 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76041 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76042 2 0.1529 0.945 0.040 0.960 0.000
#> GSM76043 3 0.4235 0.789 0.176 0.000 0.824
#> GSM76044 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76045 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76046 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76047 2 0.6192 0.288 0.420 0.580 0.000
#> GSM76048 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76049 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76050 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76051 3 0.0237 0.957 0.004 0.000 0.996
#> GSM76052 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76053 2 0.3038 0.878 0.000 0.896 0.104
#> GSM76054 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76055 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76056 2 0.0747 0.966 0.016 0.984 0.000
#> GSM76057 2 0.0237 0.975 0.004 0.996 0.000
#> GSM76058 3 0.1289 0.940 0.032 0.000 0.968
#> GSM76059 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76060 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76061 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76062 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76063 3 0.5058 0.681 0.000 0.244 0.756
#> GSM76064 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76065 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76066 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76067 1 0.5859 0.452 0.656 0.000 0.344
#> GSM76068 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76069 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76070 2 0.0237 0.975 0.000 0.996 0.004
#> GSM76071 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76072 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76073 1 0.0892 0.956 0.980 0.020 0.000
#> GSM76074 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76075 3 0.0237 0.957 0.004 0.000 0.996
#> GSM76076 3 0.0892 0.948 0.020 0.000 0.980
#> GSM76077 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76078 3 0.1643 0.922 0.000 0.044 0.956
#> GSM76079 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76080 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76081 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76082 3 0.1529 0.934 0.040 0.000 0.960
#> GSM76083 3 0.0237 0.957 0.004 0.000 0.996
#> GSM76084 3 0.1031 0.942 0.000 0.024 0.976
#> GSM76085 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76086 1 0.1529 0.937 0.960 0.000 0.040
#> GSM76087 2 0.0237 0.975 0.000 0.996 0.004
#> GSM76088 2 0.5621 0.562 0.308 0.692 0.000
#> GSM76089 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76090 3 0.2165 0.914 0.064 0.000 0.936
#> GSM76091 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76092 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76093 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76094 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76095 2 0.0237 0.975 0.004 0.996 0.000
#> GSM76096 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76097 2 0.1031 0.959 0.024 0.976 0.000
#> GSM76098 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76099 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76100 1 0.0892 0.956 0.980 0.020 0.000
#> GSM76101 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76102 1 0.0892 0.956 0.980 0.000 0.020
#> GSM76103 3 0.3551 0.846 0.132 0.000 0.868
#> GSM76104 3 0.0000 0.959 0.000 0.000 1.000
#> GSM76105 2 0.0000 0.977 0.000 1.000 0.000
#> GSM76106 3 0.0592 0.951 0.000 0.012 0.988
#> GSM76107 3 0.0424 0.954 0.000 0.008 0.992
#> GSM76108 2 0.0237 0.975 0.004 0.996 0.000
#> GSM76109 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76110 1 0.0747 0.960 0.984 0.016 0.000
#> GSM76111 1 0.0592 0.963 0.988 0.012 0.000
#> GSM76112 1 0.0000 0.972 1.000 0.000 0.000
#> GSM76113 3 0.4654 0.731 0.000 0.208 0.792
#> GSM76114 1 0.0000 0.972 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM76115 2 0.4509 0.684 0.004 0.708 0.000 0.288
#> GSM76116 2 0.1022 0.895 0.000 0.968 0.000 0.032
#> GSM76117 2 0.0817 0.899 0.000 0.976 0.000 0.024
#> GSM76118 2 0.5432 0.700 0.068 0.716 0.000 0.216
#> GSM76119 4 0.3649 0.832 0.000 0.000 0.204 0.796
#> GSM76120 4 0.4164 0.833 0.000 0.000 0.264 0.736
#> GSM76121 1 0.4635 0.718 0.756 0.028 0.000 0.216
#> GSM76122 2 0.5496 0.625 0.036 0.652 0.000 0.312
#> GSM76123 4 0.4277 0.828 0.000 0.000 0.280 0.720
#> GSM76124 1 0.7158 0.437 0.512 0.148 0.000 0.340
#> GSM76125 4 0.4277 0.828 0.000 0.000 0.280 0.720
#> GSM76126 4 0.3610 0.832 0.000 0.000 0.200 0.800
#> GSM76127 4 0.3024 0.804 0.000 0.000 0.148 0.852
#> GSM76128 4 0.4008 0.836 0.000 0.000 0.244 0.756
#> GSM76129 2 0.0707 0.901 0.000 0.980 0.000 0.020
#> GSM76130 4 0.2647 0.783 0.000 0.000 0.120 0.880
#> GSM76131 2 0.0188 0.907 0.000 0.996 0.004 0.000
#> GSM76132 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76133 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76134 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76135 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76136 2 0.0592 0.900 0.000 0.984 0.016 0.000
#> GSM76137 2 0.0336 0.907 0.000 0.992 0.000 0.008
#> GSM76138 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76139 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76140 2 0.5962 0.646 0.180 0.692 0.000 0.128
#> GSM76141 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76142 2 0.0188 0.907 0.000 0.996 0.004 0.000
#> GSM76143 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76144 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76145 2 0.0188 0.907 0.000 0.996 0.004 0.000
#> GSM76146 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76147 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76148 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76149 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76150 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76151 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76152 1 0.2796 0.810 0.892 0.016 0.000 0.092
#> GSM76153 2 0.0188 0.907 0.000 0.996 0.004 0.000
#> GSM76154 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76155 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76156 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76030 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76031 1 0.0592 0.848 0.984 0.000 0.000 0.016
#> GSM76032 3 0.1792 0.695 0.000 0.000 0.932 0.068
#> GSM76033 3 0.2345 0.658 0.000 0.000 0.900 0.100
#> GSM76034 2 0.0188 0.907 0.000 0.996 0.004 0.000
#> GSM76035 3 0.3355 0.709 0.160 0.004 0.836 0.000
#> GSM76036 3 0.4304 0.250 0.000 0.000 0.716 0.284
#> GSM76037 2 0.1302 0.888 0.000 0.956 0.000 0.044
#> GSM76038 1 0.1637 0.821 0.940 0.000 0.060 0.000
#> GSM76039 1 0.6452 0.527 0.624 0.260 0.000 0.116
#> GSM76040 3 0.3764 0.458 0.000 0.000 0.784 0.216
#> GSM76041 1 0.3024 0.720 0.852 0.000 0.148 0.000
#> GSM76042 1 0.5088 0.494 0.572 0.004 0.000 0.424
#> GSM76043 3 0.4831 0.676 0.208 0.000 0.752 0.040
#> GSM76044 2 0.1389 0.886 0.000 0.952 0.000 0.048
#> GSM76045 1 0.1022 0.842 0.968 0.000 0.032 0.000
#> GSM76046 4 0.4477 0.807 0.000 0.000 0.312 0.688
#> GSM76047 2 0.7453 0.248 0.260 0.508 0.232 0.000
#> GSM76048 3 0.3266 0.561 0.000 0.000 0.832 0.168
#> GSM76049 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76050 1 0.0707 0.848 0.980 0.000 0.020 0.000
#> GSM76051 3 0.0707 0.721 0.000 0.000 0.980 0.020
#> GSM76052 3 0.1474 0.704 0.000 0.000 0.948 0.052
#> GSM76053 4 0.3734 0.770 0.000 0.044 0.108 0.848
#> GSM76054 3 0.1474 0.705 0.000 0.000 0.948 0.052
#> GSM76055 2 0.5916 0.635 0.072 0.656 0.000 0.272
#> GSM76056 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76057 2 0.2011 0.854 0.000 0.920 0.080 0.000
#> GSM76058 3 0.1940 0.735 0.076 0.000 0.924 0.000
#> GSM76059 1 0.0707 0.848 0.980 0.000 0.020 0.000
#> GSM76060 2 0.0817 0.895 0.000 0.976 0.024 0.000
#> GSM76061 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76062 1 0.1211 0.836 0.960 0.000 0.040 0.000
#> GSM76063 2 0.4720 0.515 0.000 0.672 0.324 0.004
#> GSM76064 3 0.4804 0.450 0.384 0.000 0.616 0.000
#> GSM76065 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76066 3 0.4855 0.421 0.400 0.000 0.600 0.000
#> GSM76067 3 0.3569 0.691 0.196 0.000 0.804 0.000
#> GSM76068 3 0.1118 0.716 0.000 0.000 0.964 0.036
#> GSM76069 1 0.0707 0.848 0.980 0.000 0.020 0.000
#> GSM76070 2 0.0188 0.907 0.000 0.996 0.004 0.000
#> GSM76071 1 0.1716 0.818 0.936 0.000 0.064 0.000
#> GSM76072 1 0.0707 0.848 0.980 0.000 0.020 0.000
#> GSM76073 1 0.0779 0.848 0.980 0.004 0.000 0.016
#> GSM76074 1 0.2149 0.819 0.912 0.000 0.000 0.088
#> GSM76075 3 0.1118 0.716 0.000 0.000 0.964 0.036
#> GSM76076 3 0.0469 0.730 0.012 0.000 0.988 0.000
#> GSM76077 2 0.0000 0.908 0.000 1.000 0.000 0.000
#> GSM76078 3 0.3718 0.600 0.012 0.168 0.820 0.000
#> GSM76079 1 0.0707 0.848 0.980 0.000 0.020 0.000
#> GSM76080 4 0.4624 0.783 0.000 0.000 0.340 0.660
#> GSM76081 4 0.4866 0.698 0.000 0.000 0.404 0.596
#> GSM76082 3 0.2345 0.733 0.100 0.000 0.900 0.000
#> GSM76083 3 0.0188 0.726 0.000 0.000 0.996 0.004
#> GSM76084 4 0.7162 0.576 0.000 0.136 0.392 0.472
#> GSM76085 3 0.1022 0.717 0.000 0.000 0.968 0.032
#> GSM76086 3 0.4331 0.604 0.288 0.000 0.712 0.000
#> GSM76087 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76088 2 0.4454 0.556 0.000 0.692 0.308 0.000
#> GSM76089 2 0.0188 0.908 0.000 0.996 0.000 0.004
#> GSM76090 3 0.2149 0.735 0.088 0.000 0.912 0.000
#> GSM76091 1 0.4994 -0.150 0.520 0.000 0.480 0.000
#> GSM76092 1 0.0000 0.850 1.000 0.000 0.000 0.000
#> GSM76093 1 0.0707 0.848 0.980 0.000 0.020 0.000
#> GSM76094 2 0.5775 0.678 0.092 0.696 0.000 0.212
#> GSM76095 2 0.7172 0.169 0.376 0.484 0.000 0.140
#> GSM76096 1 0.4040 0.712 0.752 0.000 0.000 0.248
#> GSM76097 1 0.6194 0.597 0.668 0.200 0.000 0.132
#> GSM76098 3 0.3837 0.435 0.000 0.000 0.776 0.224
#> GSM76099 1 0.0336 0.849 0.992 0.000 0.000 0.008
#> GSM76100 1 0.1661 0.835 0.944 0.004 0.000 0.052
#> GSM76101 1 0.0469 0.849 0.988 0.000 0.000 0.012
#> GSM76102 3 0.4948 0.339 0.440 0.000 0.560 0.000
#> GSM76103 3 0.2868 0.721 0.136 0.000 0.864 0.000
#> GSM76104 4 0.4713 0.761 0.000 0.000 0.360 0.640
#> GSM76105 2 0.5994 0.610 0.068 0.636 0.000 0.296
#> GSM76106 4 0.3569 0.830 0.000 0.000 0.196 0.804
#> GSM76107 4 0.0188 0.669 0.000 0.000 0.004 0.996
#> GSM76108 2 0.7506 0.258 0.308 0.484 0.000 0.208
#> GSM76109 1 0.0000 0.850 1.000 0.000 0.000 0.000
#> GSM76110 1 0.2011 0.823 0.920 0.000 0.000 0.080
#> GSM76111 1 0.0592 0.849 0.984 0.000 0.016 0.000
#> GSM76112 3 0.4989 0.250 0.472 0.000 0.528 0.000
#> GSM76113 4 0.7734 0.480 0.000 0.236 0.344 0.420
#> GSM76114 1 0.4406 0.442 0.700 0.000 0.300 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM76115 5 0.5635 0.32891 0.000 0.428 0.000 0.076 0.496
#> GSM76116 5 0.4973 0.40999 0.000 0.408 0.004 0.024 0.564
#> GSM76117 2 0.4425 0.16768 0.000 0.600 0.000 0.008 0.392
#> GSM76118 5 0.4763 0.62130 0.008 0.192 0.000 0.068 0.732
#> GSM76119 4 0.0963 0.82033 0.000 0.000 0.036 0.964 0.000
#> GSM76120 4 0.1544 0.82027 0.000 0.000 0.068 0.932 0.000
#> GSM76121 5 0.6319 0.22486 0.320 0.084 0.000 0.036 0.560
#> GSM76122 5 0.5105 0.58150 0.000 0.264 0.000 0.076 0.660
#> GSM76123 4 0.1608 0.81948 0.000 0.000 0.072 0.928 0.000
#> GSM76124 5 0.3423 0.39460 0.060 0.016 0.000 0.068 0.856
#> GSM76125 4 0.1608 0.81948 0.000 0.000 0.072 0.928 0.000
#> GSM76126 4 0.4638 0.50430 0.000 0.000 0.028 0.648 0.324
#> GSM76127 4 0.0771 0.81672 0.000 0.000 0.020 0.976 0.004
#> GSM76128 4 0.1911 0.81552 0.004 0.000 0.036 0.932 0.028
#> GSM76129 2 0.4745 0.00226 0.000 0.560 0.004 0.012 0.424
#> GSM76130 4 0.0880 0.79384 0.000 0.000 0.000 0.968 0.032
#> GSM76131 2 0.0162 0.79440 0.000 0.996 0.000 0.000 0.004
#> GSM76132 2 0.0290 0.79427 0.000 0.992 0.000 0.000 0.008
#> GSM76133 2 0.0703 0.79260 0.000 0.976 0.000 0.000 0.024
#> GSM76134 2 0.2011 0.74684 0.000 0.908 0.004 0.000 0.088
#> GSM76135 2 0.0000 0.79479 0.000 1.000 0.000 0.000 0.000
#> GSM76136 2 0.0162 0.79440 0.000 0.996 0.000 0.000 0.004
#> GSM76137 2 0.2787 0.69176 0.000 0.856 0.004 0.004 0.136
#> GSM76138 2 0.3861 0.44462 0.000 0.712 0.004 0.000 0.284
#> GSM76139 2 0.0693 0.79194 0.000 0.980 0.008 0.000 0.012
#> GSM76140 2 0.5991 -0.21974 0.064 0.484 0.004 0.012 0.436
#> GSM76141 2 0.0290 0.79504 0.000 0.992 0.000 0.000 0.008
#> GSM76142 2 0.0162 0.79440 0.000 0.996 0.000 0.000 0.004
#> GSM76143 2 0.0162 0.79491 0.000 0.996 0.000 0.000 0.004
#> GSM76144 2 0.0162 0.79495 0.000 0.996 0.000 0.000 0.004
#> GSM76145 2 0.1661 0.78038 0.000 0.940 0.024 0.000 0.036
#> GSM76146 2 0.0510 0.79374 0.000 0.984 0.000 0.000 0.016
#> GSM76147 2 0.0162 0.79495 0.000 0.996 0.000 0.000 0.004
#> GSM76148 2 0.0162 0.79495 0.000 0.996 0.000 0.000 0.004
#> GSM76149 2 0.2970 0.66254 0.000 0.828 0.004 0.000 0.168
#> GSM76150 2 0.2179 0.73131 0.000 0.888 0.000 0.000 0.112
#> GSM76151 2 0.4025 0.42307 0.000 0.700 0.008 0.000 0.292
#> GSM76152 1 0.5681 0.09879 0.500 0.048 0.008 0.004 0.440
#> GSM76153 2 0.0404 0.79428 0.000 0.988 0.000 0.000 0.012
#> GSM76154 2 0.1892 0.75793 0.000 0.916 0.004 0.000 0.080
#> GSM76155 2 0.4029 0.36792 0.000 0.680 0.004 0.000 0.316
#> GSM76156 2 0.0703 0.79361 0.000 0.976 0.000 0.000 0.024
#> GSM76030 2 0.1357 0.78358 0.000 0.948 0.004 0.000 0.048
#> GSM76031 1 0.2850 0.65496 0.872 0.000 0.036 0.000 0.092
#> GSM76032 3 0.3106 0.72120 0.000 0.000 0.840 0.140 0.020
#> GSM76033 3 0.4410 0.09277 0.000 0.000 0.556 0.440 0.004
#> GSM76034 2 0.1830 0.77696 0.000 0.932 0.040 0.000 0.028
#> GSM76035 3 0.5256 0.65848 0.168 0.076 0.728 0.016 0.012
#> GSM76036 4 0.4135 0.50702 0.000 0.000 0.340 0.656 0.004
#> GSM76037 5 0.4994 0.22723 0.000 0.464 0.016 0.008 0.512
#> GSM76038 1 0.4850 0.46490 0.700 0.000 0.224 0.000 0.076
#> GSM76039 1 0.6272 0.35705 0.508 0.092 0.020 0.000 0.380
#> GSM76040 4 0.4747 0.02999 0.000 0.000 0.488 0.496 0.016
#> GSM76041 1 0.6563 0.45041 0.456 0.000 0.220 0.000 0.324
#> GSM76042 1 0.6640 0.33090 0.444 0.004 0.004 0.164 0.384
#> GSM76043 3 0.3340 0.73429 0.044 0.000 0.852 0.096 0.008
#> GSM76044 2 0.5357 0.16756 0.032 0.600 0.020 0.000 0.348
#> GSM76045 1 0.5447 0.50722 0.660 0.000 0.168 0.000 0.172
#> GSM76046 4 0.2561 0.78226 0.000 0.000 0.144 0.856 0.000
#> GSM76047 3 0.6536 0.03545 0.116 0.408 0.456 0.000 0.020
#> GSM76048 3 0.4988 0.18320 0.004 0.000 0.556 0.416 0.024
#> GSM76049 2 0.4430 0.44483 0.008 0.708 0.020 0.000 0.264
#> GSM76050 1 0.0992 0.68673 0.968 0.000 0.024 0.000 0.008
#> GSM76051 3 0.2074 0.74049 0.000 0.000 0.896 0.104 0.000
#> GSM76052 3 0.3496 0.65913 0.000 0.000 0.788 0.200 0.012
#> GSM76053 4 0.1403 0.79621 0.000 0.024 0.000 0.952 0.024
#> GSM76054 3 0.2674 0.71923 0.000 0.000 0.856 0.140 0.004
#> GSM76055 5 0.6305 0.36376 0.104 0.272 0.020 0.008 0.596
#> GSM76056 2 0.5392 0.34079 0.060 0.664 0.020 0.000 0.256
#> GSM76057 2 0.2012 0.75147 0.000 0.920 0.060 0.000 0.020
#> GSM76058 3 0.1430 0.75761 0.004 0.000 0.944 0.052 0.000
#> GSM76059 1 0.0865 0.68711 0.972 0.000 0.024 0.000 0.004
#> GSM76060 2 0.0865 0.79167 0.000 0.972 0.004 0.000 0.024
#> GSM76061 2 0.1408 0.78056 0.000 0.948 0.008 0.000 0.044
#> GSM76062 1 0.1914 0.69030 0.924 0.000 0.060 0.000 0.016
#> GSM76063 2 0.3095 0.68080 0.000 0.868 0.092 0.024 0.016
#> GSM76064 3 0.3875 0.65738 0.072 0.000 0.804 0.000 0.124
#> GSM76065 2 0.4235 0.54131 0.020 0.764 0.020 0.000 0.196
#> GSM76066 3 0.4599 0.36796 0.384 0.000 0.600 0.000 0.016
#> GSM76067 3 0.2124 0.73401 0.096 0.000 0.900 0.004 0.000
#> GSM76068 3 0.5072 0.54277 0.024 0.012 0.688 0.260 0.016
#> GSM76069 1 0.5869 0.42826 0.484 0.004 0.084 0.000 0.428
#> GSM76070 2 0.0566 0.79310 0.000 0.984 0.004 0.000 0.012
#> GSM76071 1 0.2813 0.64851 0.868 0.000 0.108 0.000 0.024
#> GSM76072 1 0.0955 0.68745 0.968 0.000 0.028 0.000 0.004
#> GSM76073 1 0.1740 0.68676 0.932 0.000 0.012 0.000 0.056
#> GSM76074 1 0.2953 0.62463 0.844 0.000 0.012 0.000 0.144
#> GSM76075 3 0.2068 0.74526 0.000 0.000 0.904 0.092 0.004
#> GSM76076 3 0.1638 0.75337 0.000 0.000 0.932 0.064 0.004
#> GSM76077 2 0.1768 0.77216 0.000 0.924 0.004 0.000 0.072
#> GSM76078 3 0.2533 0.71624 0.000 0.096 0.888 0.008 0.008
#> GSM76079 1 0.3731 0.66906 0.800 0.000 0.040 0.000 0.160
#> GSM76080 4 0.2325 0.81435 0.000 0.028 0.068 0.904 0.000
#> GSM76081 4 0.2488 0.79458 0.000 0.004 0.124 0.872 0.000
#> GSM76082 3 0.2788 0.75714 0.064 0.000 0.888 0.040 0.008
#> GSM76083 3 0.1831 0.74980 0.000 0.000 0.920 0.076 0.004
#> GSM76084 4 0.5165 0.54534 0.000 0.240 0.064 0.684 0.012
#> GSM76085 3 0.2583 0.72562 0.000 0.000 0.864 0.132 0.004
#> GSM76086 3 0.2304 0.72687 0.100 0.000 0.892 0.000 0.008
#> GSM76087 2 0.1442 0.78299 0.000 0.952 0.012 0.004 0.032
#> GSM76088 2 0.6891 -0.02300 0.020 0.492 0.204 0.000 0.284
#> GSM76089 2 0.1410 0.78333 0.000 0.940 0.000 0.000 0.060
#> GSM76090 3 0.1278 0.75787 0.020 0.000 0.960 0.016 0.004
#> GSM76091 1 0.5289 0.17654 0.500 0.000 0.452 0.000 0.048
#> GSM76092 1 0.4484 0.58527 0.668 0.000 0.024 0.000 0.308
#> GSM76093 1 0.2230 0.69361 0.912 0.000 0.044 0.000 0.044
#> GSM76094 5 0.5540 0.55307 0.012 0.324 0.000 0.060 0.604
#> GSM76095 5 0.5921 0.28438 0.056 0.452 0.000 0.020 0.472
#> GSM76096 1 0.5547 0.46438 0.532 0.000 0.004 0.060 0.404
#> GSM76097 1 0.5729 0.35767 0.484 0.048 0.016 0.000 0.452
#> GSM76098 4 0.4256 0.28483 0.000 0.000 0.436 0.564 0.000
#> GSM76099 1 0.5730 0.54383 0.576 0.000 0.108 0.000 0.316
#> GSM76100 1 0.4599 0.53629 0.624 0.000 0.020 0.000 0.356
#> GSM76101 1 0.2046 0.69193 0.916 0.000 0.016 0.000 0.068
#> GSM76102 1 0.5257 0.32781 0.640 0.008 0.296 0.000 0.056
#> GSM76103 3 0.4342 0.67819 0.188 0.000 0.764 0.024 0.024
#> GSM76104 4 0.2249 0.81145 0.000 0.000 0.096 0.896 0.008
#> GSM76105 5 0.4055 0.51893 0.028 0.088 0.000 0.064 0.820
#> GSM76106 4 0.0693 0.81516 0.000 0.000 0.012 0.980 0.008
#> GSM76107 4 0.3305 0.62618 0.000 0.000 0.000 0.776 0.224
#> GSM76108 5 0.6230 0.06809 0.264 0.120 0.016 0.004 0.596
#> GSM76109 1 0.1907 0.69348 0.928 0.000 0.028 0.000 0.044
#> GSM76110 1 0.2930 0.66824 0.832 0.000 0.004 0.000 0.164
#> GSM76111 1 0.5983 0.26492 0.556 0.028 0.060 0.000 0.356
#> GSM76112 3 0.4682 0.25170 0.420 0.000 0.564 0.000 0.016
#> GSM76113 2 0.7849 -0.21341 0.004 0.432 0.088 0.172 0.304
#> GSM76114 3 0.5329 0.49955 0.184 0.000 0.672 0.000 0.144
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM76115 5 0.2631 0.6873 0.004 0.128 0.000 0.000 0.856 0.012
#> GSM76116 5 0.3977 0.6798 0.000 0.144 0.000 0.000 0.760 0.096
#> GSM76117 5 0.4518 0.5167 0.000 0.348 0.004 0.000 0.612 0.036
#> GSM76118 5 0.2999 0.6740 0.004 0.072 0.000 0.000 0.852 0.072
#> GSM76119 4 0.0632 0.8516 0.000 0.000 0.000 0.976 0.024 0.000
#> GSM76120 4 0.0363 0.8537 0.000 0.000 0.000 0.988 0.012 0.000
#> GSM76121 5 0.3039 0.6624 0.052 0.068 0.000 0.000 0.860 0.020
#> GSM76122 5 0.2274 0.6842 0.008 0.088 0.000 0.000 0.892 0.012
#> GSM76123 4 0.0405 0.8554 0.000 0.000 0.008 0.988 0.004 0.000
#> GSM76124 5 0.2695 0.5792 0.004 0.008 0.000 0.000 0.844 0.144
#> GSM76125 4 0.0291 0.8548 0.000 0.000 0.004 0.992 0.004 0.000
#> GSM76126 5 0.5140 0.3925 0.008 0.000 0.040 0.244 0.664 0.044
#> GSM76127 4 0.1074 0.8479 0.000 0.000 0.000 0.960 0.028 0.012
#> GSM76128 4 0.1419 0.8531 0.004 0.000 0.012 0.952 0.016 0.016
#> GSM76129 5 0.3911 0.6589 0.000 0.256 0.000 0.000 0.712 0.032
#> GSM76130 4 0.1124 0.8462 0.000 0.000 0.000 0.956 0.036 0.008
#> GSM76131 2 0.1080 0.8304 0.000 0.960 0.000 0.004 0.004 0.032
#> GSM76132 2 0.0551 0.8320 0.000 0.984 0.000 0.004 0.008 0.004
#> GSM76133 2 0.2020 0.8180 0.000 0.896 0.000 0.000 0.008 0.096
#> GSM76134 2 0.2653 0.7760 0.000 0.868 0.004 0.000 0.100 0.028
#> GSM76135 2 0.0551 0.8330 0.000 0.984 0.000 0.004 0.004 0.008
#> GSM76136 2 0.1167 0.8351 0.000 0.960 0.008 0.000 0.012 0.020
#> GSM76137 2 0.3094 0.7341 0.000 0.824 0.000 0.000 0.140 0.036
#> GSM76138 2 0.4459 0.4645 0.008 0.668 0.004 0.000 0.288 0.032
#> GSM76139 2 0.1874 0.8180 0.000 0.928 0.000 0.028 0.016 0.028
#> GSM76140 5 0.5399 0.4007 0.048 0.380 0.000 0.000 0.536 0.036
#> GSM76141 2 0.1806 0.8194 0.000 0.908 0.000 0.004 0.000 0.088
#> GSM76142 2 0.0881 0.8327 0.000 0.972 0.000 0.008 0.012 0.008
#> GSM76143 2 0.1788 0.8235 0.000 0.916 0.000 0.004 0.004 0.076
#> GSM76144 2 0.0862 0.8323 0.000 0.972 0.000 0.004 0.016 0.008
#> GSM76145 2 0.2666 0.7856 0.000 0.872 0.008 0.000 0.092 0.028
#> GSM76146 2 0.1806 0.8180 0.000 0.928 0.000 0.008 0.044 0.020
#> GSM76147 2 0.0632 0.8293 0.000 0.976 0.000 0.000 0.024 0.000
#> GSM76148 2 0.1275 0.8340 0.000 0.956 0.000 0.016 0.012 0.016
#> GSM76149 2 0.3834 0.5783 0.000 0.728 0.004 0.000 0.244 0.024
#> GSM76150 2 0.2794 0.7444 0.000 0.840 0.004 0.000 0.144 0.012
#> GSM76151 2 0.4720 0.4014 0.004 0.640 0.008 0.000 0.304 0.044
#> GSM76152 1 0.6073 0.2483 0.528 0.096 0.000 0.000 0.320 0.056
#> GSM76153 2 0.2006 0.8140 0.000 0.892 0.000 0.004 0.000 0.104
#> GSM76154 2 0.2547 0.7724 0.000 0.868 0.004 0.000 0.112 0.016
#> GSM76155 5 0.4407 0.1647 0.000 0.480 0.000 0.000 0.496 0.024
#> GSM76156 2 0.1391 0.8289 0.000 0.944 0.000 0.000 0.040 0.016
#> GSM76030 2 0.2956 0.8049 0.000 0.840 0.000 0.000 0.040 0.120
#> GSM76031 1 0.0520 0.7802 0.984 0.000 0.000 0.000 0.008 0.008
#> GSM76032 3 0.2871 0.7018 0.000 0.000 0.804 0.192 0.004 0.000
#> GSM76033 4 0.3817 0.2727 0.000 0.000 0.432 0.568 0.000 0.000
#> GSM76034 2 0.4879 0.6998 0.008 0.752 0.088 0.004 0.072 0.076
#> GSM76035 3 0.5079 0.7274 0.104 0.064 0.752 0.024 0.016 0.040
#> GSM76036 4 0.2340 0.7870 0.000 0.000 0.148 0.852 0.000 0.000
#> GSM76037 5 0.5237 0.5722 0.000 0.212 0.004 0.000 0.624 0.160
#> GSM76038 1 0.2255 0.7544 0.908 0.000 0.024 0.000 0.044 0.024
#> GSM76039 6 0.4033 0.5600 0.156 0.080 0.000 0.000 0.004 0.760
#> GSM76040 4 0.2597 0.7619 0.000 0.000 0.176 0.824 0.000 0.000
#> GSM76041 6 0.4687 0.3414 0.068 0.000 0.308 0.000 0.000 0.624
#> GSM76042 6 0.6123 0.4507 0.136 0.000 0.000 0.068 0.212 0.584
#> GSM76043 3 0.2390 0.8055 0.008 0.000 0.896 0.052 0.000 0.044
#> GSM76044 6 0.4443 0.4465 0.008 0.300 0.000 0.000 0.036 0.656
#> GSM76045 1 0.5018 0.6039 0.708 0.012 0.068 0.000 0.180 0.032
#> GSM76046 4 0.1801 0.8469 0.000 0.004 0.040 0.932 0.012 0.012
#> GSM76047 3 0.6991 0.2519 0.120 0.308 0.480 0.000 0.048 0.044
#> GSM76048 4 0.4490 0.2761 0.008 0.000 0.420 0.556 0.004 0.012
#> GSM76049 6 0.5022 0.0563 0.000 0.432 0.000 0.000 0.072 0.496
#> GSM76050 1 0.1285 0.7840 0.944 0.000 0.004 0.000 0.000 0.052
#> GSM76051 3 0.1267 0.8020 0.000 0.000 0.940 0.060 0.000 0.000
#> GSM76052 3 0.4393 0.6155 0.000 0.008 0.704 0.248 0.024 0.016
#> GSM76053 4 0.0622 0.8516 0.000 0.000 0.000 0.980 0.008 0.012
#> GSM76054 3 0.2513 0.7583 0.000 0.000 0.852 0.140 0.000 0.008
#> GSM76055 6 0.3969 0.4770 0.004 0.044 0.000 0.000 0.212 0.740
#> GSM76056 6 0.4564 0.0459 0.008 0.472 0.000 0.000 0.020 0.500
#> GSM76057 2 0.2739 0.8105 0.000 0.876 0.024 0.000 0.024 0.076
#> GSM76058 3 0.0935 0.8108 0.000 0.000 0.964 0.032 0.004 0.000
#> GSM76059 1 0.0972 0.7853 0.964 0.000 0.008 0.000 0.000 0.028
#> GSM76060 2 0.2526 0.8113 0.000 0.876 0.004 0.000 0.024 0.096
#> GSM76061 2 0.3479 0.7431 0.000 0.796 0.008 0.004 0.020 0.172
#> GSM76062 1 0.2176 0.7724 0.896 0.000 0.024 0.000 0.000 0.080
#> GSM76063 2 0.3226 0.7827 0.000 0.864 0.020 0.052 0.036 0.028
#> GSM76064 3 0.2886 0.7401 0.016 0.000 0.836 0.000 0.004 0.144
#> GSM76065 2 0.4517 0.0987 0.000 0.524 0.000 0.000 0.032 0.444
#> GSM76066 3 0.3903 0.5622 0.304 0.000 0.680 0.000 0.004 0.012
#> GSM76067 3 0.0260 0.8087 0.008 0.000 0.992 0.000 0.000 0.000
#> GSM76068 3 0.5666 0.2388 0.024 0.028 0.548 0.368 0.008 0.024
#> GSM76069 6 0.3287 0.5523 0.148 0.008 0.008 0.000 0.016 0.820
#> GSM76070 2 0.3496 0.7746 0.000 0.824 0.004 0.016 0.040 0.116
#> GSM76071 1 0.0767 0.7802 0.976 0.000 0.004 0.000 0.008 0.012
#> GSM76072 1 0.1049 0.7851 0.960 0.000 0.000 0.000 0.008 0.032
#> GSM76073 1 0.2163 0.7680 0.892 0.004 0.000 0.000 0.008 0.096
#> GSM76074 1 0.1951 0.7555 0.908 0.000 0.000 0.000 0.076 0.016
#> GSM76075 3 0.1075 0.8070 0.000 0.000 0.952 0.048 0.000 0.000
#> GSM76076 3 0.1074 0.8114 0.000 0.000 0.960 0.028 0.000 0.012
#> GSM76077 2 0.2771 0.8159 0.000 0.868 0.004 0.000 0.068 0.060
#> GSM76078 3 0.3078 0.7377 0.000 0.112 0.848 0.004 0.020 0.016
#> GSM76079 1 0.4241 0.3769 0.608 0.000 0.024 0.000 0.000 0.368
#> GSM76080 4 0.0717 0.8557 0.000 0.000 0.016 0.976 0.000 0.008
#> GSM76081 4 0.1845 0.8369 0.000 0.008 0.072 0.916 0.004 0.000
#> GSM76082 3 0.0692 0.8116 0.004 0.000 0.976 0.020 0.000 0.000
#> GSM76083 3 0.1003 0.8115 0.000 0.000 0.964 0.020 0.000 0.016
#> GSM76084 4 0.3909 0.6311 0.000 0.204 0.004 0.756 0.024 0.012
#> GSM76085 3 0.2219 0.7603 0.000 0.000 0.864 0.136 0.000 0.000
#> GSM76086 3 0.0692 0.8077 0.020 0.000 0.976 0.000 0.000 0.004
#> GSM76087 2 0.4253 0.7105 0.000 0.752 0.004 0.052 0.016 0.176
#> GSM76088 6 0.5258 0.4875 0.000 0.240 0.120 0.000 0.012 0.628
#> GSM76089 2 0.2776 0.8142 0.000 0.860 0.000 0.000 0.052 0.088
#> GSM76090 3 0.0665 0.8092 0.008 0.000 0.980 0.004 0.000 0.008
#> GSM76091 3 0.4809 0.5519 0.140 0.000 0.668 0.000 0.000 0.192
#> GSM76092 6 0.4310 0.0695 0.440 0.000 0.020 0.000 0.000 0.540
#> GSM76093 1 0.2896 0.7246 0.824 0.000 0.016 0.000 0.000 0.160
#> GSM76094 5 0.3706 0.6757 0.004 0.104 0.000 0.000 0.796 0.096
#> GSM76095 5 0.5031 0.4881 0.036 0.352 0.000 0.000 0.584 0.028
#> GSM76096 5 0.6122 -0.1793 0.196 0.000 0.004 0.004 0.404 0.392
#> GSM76097 6 0.4970 0.5412 0.104 0.028 0.000 0.000 0.172 0.696
#> GSM76098 4 0.3383 0.6419 0.000 0.000 0.268 0.728 0.004 0.000
#> GSM76099 6 0.5592 0.2865 0.308 0.000 0.092 0.000 0.028 0.572
#> GSM76100 6 0.4317 0.1868 0.408 0.000 0.004 0.000 0.016 0.572
#> GSM76101 1 0.2730 0.7311 0.836 0.000 0.012 0.000 0.000 0.152
#> GSM76102 1 0.3478 0.7226 0.848 0.000 0.036 0.016 0.060 0.040
#> GSM76103 3 0.4849 0.6056 0.288 0.000 0.652 0.028 0.012 0.020
#> GSM76104 4 0.1699 0.8505 0.000 0.000 0.032 0.936 0.016 0.016
#> GSM76105 5 0.3054 0.6212 0.000 0.036 0.000 0.000 0.828 0.136
#> GSM76106 4 0.1644 0.8407 0.000 0.000 0.000 0.932 0.040 0.028
#> GSM76107 4 0.4756 0.2841 0.000 0.000 0.000 0.540 0.408 0.052
#> GSM76108 6 0.3764 0.5121 0.012 0.032 0.000 0.000 0.184 0.772
#> GSM76109 1 0.2446 0.7522 0.864 0.000 0.012 0.000 0.000 0.124
#> GSM76110 1 0.3470 0.6164 0.740 0.000 0.012 0.000 0.000 0.248
#> GSM76111 1 0.6543 0.1303 0.480 0.136 0.004 0.000 0.324 0.056
#> GSM76112 3 0.4466 0.1611 0.476 0.000 0.500 0.000 0.004 0.020
#> GSM76113 2 0.6783 0.1421 0.032 0.536 0.040 0.036 0.300 0.056
#> GSM76114 3 0.2889 0.7563 0.044 0.000 0.856 0.000 0.004 0.096
Heatmaps for the consensus matrix. It visualizes the probability of two samples to be in a same group.
consensus_heatmap(res, k = 2)
consensus_heatmap(res, k = 3)
consensus_heatmap(res, k = 4)
consensus_heatmap(res, k = 5)
consensus_heatmap(res, k = 6)
Heatmaps for the membership of samples in all partitions to see how consistent they are:
membership_heatmap(res, k = 2)
membership_heatmap(res, k = 3)
membership_heatmap(res, k = 4)
membership_heatmap(res, k = 5)
membership_heatmap(res, k = 6)
As soon as we have had the classes for columns, we can look for signatures which are significantly different between classes which can be candidate marks for certain classes. Following are the heatmaps for signatures.
Signature heatmaps where rows are scaled:
get_signatures(res, k = 2)
get_signatures(res, k = 3)
get_signatures(res, k = 4)
get_signatures(res, k = 5)
get_signatures(res, k = 6)
Signature heatmaps where rows are not scaled:
get_signatures(res, k = 2, scale_rows = FALSE)
get_signatures(res, k = 3, scale_rows = FALSE)
get_signatures(res, k = 4, scale_rows = FALSE)
get_signatures(res, k = 5, scale_rows = FALSE)
get_signatures(res, k = 6, scale_rows = FALSE)
Compare the overlap of signatures from different k:
compare_signatures(res)
get_signature() returns a data frame invisibly. TO get the list of signatures, the function
call should be assigned to a variable explicitly. In following code, if plot argument is set
to FALSE, no heatmap is plotted while only the differential analysis is performed.
# code only for demonstration
tb = get_signature(res, k = ..., plot = FALSE)
An example of the output of tb is:
#> which_row fdr mean_1 mean_2 scaled_mean_1 scaled_mean_2 km
#> 1 38 0.042760348 8.373488 9.131774 -0.5533452 0.5164555 1
#> 2 40 0.018707592 7.106213 8.469186 -0.6173731 0.5762149 1
#> 3 55 0.019134737 10.221463 11.207825 -0.6159697 0.5749050 1
#> 4 59 0.006059896 5.921854 7.869574 -0.6899429 0.6439467 1
#> 5 60 0.018055526 8.928898 10.211722 -0.6204761 0.5791110 1
#> 6 98 0.009384629 15.714769 14.887706 0.6635654 -0.6193277 2
...
The columns in tb are:
which_row: row indices corresponding to the input matrix.fdr: FDR for the differential test. mean_x: The mean value in group x.scaled_mean_x: The mean value in group x after rows are scaled.km: Row groups if k-means clustering is applied to rows.UMAP plot which shows how samples are separated.
dimension_reduction(res, k = 2, method = "UMAP")
dimension_reduction(res, k = 3, method = "UMAP")
dimension_reduction(res, k = 4, method = "UMAP")
dimension_reduction(res, k = 5, method = "UMAP")
dimension_reduction(res, k = 6, method = "UMAP")
Following heatmap shows how subgroups are split when increasing k:
collect_classes(res)
Test correlation between subgroups and known annotations. If the known annotation is numeric, one-way ANOVA test is applied, and if the known annotation is discrete, chi-squared contingency table test is applied.
test_to_known_factors(res)
#> n disease.state(p) k
#> ATC:NMF 124 1.50e-07 2
#> ATC:NMF 124 9.13e-07 3
#> ATC:NMF 112 1.16e-06 4
#> ATC:NMF 89 1.39e-05 5
#> ATC:NMF 99 4.27e-06 6
If matrix rows can be associated to genes, consider to use functional_enrichment(res,
...) to perform function enrichment for the signature genes. See this vignette for more detailed explanations.
sessionInfo()
#> R version 3.6.0 (2019-04-26)
#> Platform: x86_64-pc-linux-gnu (64-bit)
#> Running under: CentOS Linux 7 (Core)
#>
#> Matrix products: default
#> BLAS: /usr/lib64/libblas.so.3.4.2
#> LAPACK: /usr/lib64/liblapack.so.3.4.2
#>
#> locale:
#> [1] LC_CTYPE=en_GB.UTF-8 LC_NUMERIC=C LC_TIME=en_GB.UTF-8
#> [4] LC_COLLATE=en_GB.UTF-8 LC_MONETARY=en_GB.UTF-8 LC_MESSAGES=en_GB.UTF-8
#> [7] LC_PAPER=en_GB.UTF-8 LC_NAME=C LC_ADDRESS=C
#> [10] LC_TELEPHONE=C LC_MEASUREMENT=en_GB.UTF-8 LC_IDENTIFICATION=C
#>
#> attached base packages:
#> [1] grid stats graphics grDevices utils datasets methods base
#>
#> other attached packages:
#> [1] genefilter_1.66.0 ComplexHeatmap_2.3.1 markdown_1.1 knitr_1.26
#> [5] GetoptLong_0.1.7 cola_1.3.2
#>
#> loaded via a namespace (and not attached):
#> [1] circlize_0.4.8 shape_1.4.4 xfun_0.11 slam_0.1-46
#> [5] lattice_0.20-38 splines_3.6.0 colorspace_1.4-1 vctrs_0.2.0
#> [9] stats4_3.6.0 blob_1.2.0 XML_3.98-1.20 survival_2.44-1.1
#> [13] rlang_0.4.2 pillar_1.4.2 DBI_1.0.0 BiocGenerics_0.30.0
#> [17] bit64_0.9-7 RColorBrewer_1.1-2 matrixStats_0.55.0 stringr_1.4.0
#> [21] GlobalOptions_0.1.1 evaluate_0.14 memoise_1.1.0 Biobase_2.44.0
#> [25] IRanges_2.18.3 parallel_3.6.0 AnnotationDbi_1.46.1 highr_0.8
#> [29] Rcpp_1.0.3 xtable_1.8-4 backports_1.1.5 S4Vectors_0.22.1
#> [33] annotate_1.62.0 skmeans_0.2-11 bit_1.1-14 microbenchmark_1.4-7
#> [37] brew_1.0-6 impute_1.58.0 rjson_0.2.20 png_0.1-7
#> [41] digest_0.6.23 stringi_1.4.3 polyclip_1.10-0 clue_0.3-57
#> [45] tools_3.6.0 bitops_1.0-6 magrittr_1.5 eulerr_6.0.0
#> [49] RCurl_1.95-4.12 RSQLite_2.1.4 tibble_2.1.3 cluster_2.1.0
#> [53] crayon_1.3.4 pkgconfig_2.0.3 zeallot_0.1.0 Matrix_1.2-17
#> [57] xml2_1.2.2 httr_1.4.1 R6_2.4.1 mclust_5.4.5
#> [61] compiler_3.6.0