Date: 2019-12-25 20:17:16 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 108 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 108
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 | ||
|---|---|---|---|---|---|---|
| CV:kmeans | 2 | 1.000 | 0.958 | 0.983 | ** | |
| ATC:skmeans | 2 | 1.000 | 0.988 | 0.995 | ** | |
| ATC:mclust | 2 | 1.000 | 0.958 | 0.983 | ** | |
| ATC:kmeans | 3 | 0.999 | 0.975 | 0.989 | ** | 2 |
| SD:kmeans | 2 | 0.961 | 0.939 | 0.976 | ** | |
| MAD:kmeans | 2 | 0.961 | 0.920 | 0.971 | ** | |
| MAD:pam | 6 | 0.945 | 0.877 | 0.952 | * | 4 |
| SD:pam | 6 | 0.942 | 0.868 | 0.949 | * | 4 |
| CV:skmeans | 3 | 0.938 | 0.932 | 0.971 | * | 2 |
| ATC:pam | 4 | 0.926 | 0.903 | 0.936 | * | 2,3 |
| SD:skmeans | 5 | 0.924 | 0.869 | 0.945 | * | 2,3 |
| ATC:NMF | 2 | 0.924 | 0.915 | 0.966 | * | |
| MAD:skmeans | 6 | 0.913 | 0.874 | 0.933 | * | 2,3,5 |
| CV:pam | 6 | 0.908 | 0.854 | 0.940 | * | |
| MAD:NMF | 2 | 0.868 | 0.886 | 0.956 | ||
| SD:NMF | 2 | 0.817 | 0.882 | 0.952 | ||
| CV:mclust | 5 | 0.785 | 0.744 | 0.888 | ||
| SD:mclust | 5 | 0.783 | 0.806 | 0.873 | ||
| MAD:mclust | 5 | 0.781 | 0.807 | 0.898 | ||
| CV:NMF | 2 | 0.715 | 0.859 | 0.938 | ||
| ATC:hclust | 2 | 0.586 | 0.686 | 0.877 | ||
| SD:hclust | 2 | 0.548 | 0.870 | 0.923 | ||
| CV:hclust | 2 | 0.503 | 0.745 | 0.887 | ||
| MAD:hclust | 2 | 0.463 | 0.831 | 0.906 |
**: 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 0.817 0.882 0.952 0.463 0.534 0.534
#> CV:NMF 2 0.715 0.859 0.938 0.442 0.540 0.540
#> MAD:NMF 2 0.868 0.886 0.956 0.475 0.516 0.516
#> ATC:NMF 2 0.924 0.915 0.966 0.502 0.496 0.496
#> SD:skmeans 2 1.000 0.971 0.989 0.504 0.497 0.497
#> CV:skmeans 2 1.000 0.955 0.983 0.504 0.496 0.496
#> MAD:skmeans 2 1.000 0.961 0.985 0.504 0.497 0.497
#> ATC:skmeans 2 1.000 0.988 0.995 0.503 0.498 0.498
#> SD:mclust 2 0.327 0.464 0.759 0.377 0.504 0.504
#> CV:mclust 2 0.604 0.857 0.882 0.396 0.509 0.509
#> MAD:mclust 2 0.340 0.791 0.789 0.380 0.595 0.595
#> ATC:mclust 2 1.000 0.958 0.983 0.406 0.587 0.587
#> SD:kmeans 2 0.961 0.939 0.976 0.501 0.498 0.498
#> CV:kmeans 2 1.000 0.958 0.983 0.499 0.504 0.504
#> MAD:kmeans 2 0.961 0.920 0.971 0.499 0.502 0.502
#> ATC:kmeans 2 1.000 0.968 0.987 0.496 0.502 0.502
#> SD:pam 2 0.798 0.885 0.951 0.486 0.520 0.520
#> CV:pam 2 0.749 0.875 0.947 0.482 0.509 0.509
#> MAD:pam 2 0.826 0.928 0.968 0.481 0.525 0.525
#> ATC:pam 2 1.000 0.965 0.983 0.462 0.545 0.545
#> SD:hclust 2 0.548 0.870 0.923 0.463 0.525 0.525
#> CV:hclust 2 0.503 0.745 0.887 0.474 0.509 0.509
#> MAD:hclust 2 0.463 0.831 0.906 0.472 0.525 0.525
#> ATC:hclust 2 0.586 0.686 0.877 0.470 0.498 0.498
get_stats(res_list, k = 3)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 3 0.751 0.813 0.918 0.308 0.799 0.645
#> CV:NMF 3 0.715 0.806 0.911 0.366 0.801 0.651
#> MAD:NMF 3 0.602 0.754 0.872 0.296 0.809 0.650
#> ATC:NMF 3 0.545 0.461 0.742 0.226 0.885 0.775
#> SD:skmeans 3 0.954 0.941 0.972 0.283 0.846 0.694
#> CV:skmeans 3 0.938 0.932 0.971 0.287 0.815 0.642
#> MAD:skmeans 3 0.969 0.928 0.968 0.286 0.834 0.671
#> ATC:skmeans 3 0.788 0.907 0.924 0.241 0.864 0.728
#> SD:mclust 3 0.365 0.737 0.760 0.495 0.652 0.465
#> CV:mclust 3 0.334 0.626 0.773 0.433 0.699 0.494
#> MAD:mclust 3 0.426 0.778 0.819 0.469 0.824 0.711
#> ATC:mclust 3 0.464 0.555 0.716 0.410 0.721 0.533
#> SD:kmeans 3 0.612 0.680 0.857 0.307 0.723 0.498
#> CV:kmeans 3 0.634 0.696 0.858 0.314 0.746 0.532
#> MAD:kmeans 3 0.665 0.732 0.852 0.319 0.736 0.517
#> ATC:kmeans 3 0.999 0.975 0.989 0.354 0.718 0.493
#> SD:pam 3 0.896 0.918 0.965 0.332 0.657 0.437
#> CV:pam 3 0.608 0.812 0.892 0.345 0.669 0.438
#> MAD:pam 3 0.871 0.914 0.963 0.353 0.661 0.444
#> ATC:pam 3 0.981 0.944 0.973 0.398 0.809 0.650
#> SD:hclust 3 0.583 0.694 0.859 0.395 0.783 0.596
#> CV:hclust 3 0.516 0.659 0.792 0.357 0.763 0.560
#> MAD:hclust 3 0.544 0.691 0.845 0.357 0.796 0.616
#> ATC:hclust 3 0.597 0.577 0.768 0.366 0.853 0.708
get_stats(res_list, k = 4)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 4 0.617 0.692 0.844 0.2155 0.775 0.485
#> CV:NMF 4 0.594 0.665 0.824 0.2029 0.784 0.507
#> MAD:NMF 4 0.606 0.677 0.833 0.1948 0.768 0.466
#> ATC:NMF 4 0.500 0.409 0.706 0.1540 0.781 0.541
#> SD:skmeans 4 0.830 0.892 0.933 0.1061 0.907 0.745
#> CV:skmeans 4 0.854 0.885 0.938 0.0953 0.924 0.788
#> MAD:skmeans 4 0.844 0.857 0.916 0.1035 0.910 0.752
#> ATC:skmeans 4 0.771 0.762 0.890 0.0837 0.945 0.854
#> SD:mclust 4 0.499 0.705 0.768 0.2026 0.811 0.599
#> CV:mclust 4 0.578 0.725 0.839 0.2199 0.883 0.708
#> MAD:mclust 4 0.582 0.618 0.768 0.2065 0.780 0.533
#> ATC:mclust 4 0.460 0.471 0.709 0.1691 0.823 0.563
#> SD:kmeans 4 0.778 0.764 0.884 0.1291 0.799 0.490
#> CV:kmeans 4 0.687 0.760 0.860 0.1312 0.786 0.463
#> MAD:kmeans 4 0.705 0.739 0.856 0.1259 0.830 0.550
#> ATC:kmeans 4 0.696 0.634 0.764 0.1014 0.881 0.660
#> SD:pam 4 1.000 0.949 0.982 0.1040 0.894 0.714
#> CV:pam 4 0.762 0.869 0.930 0.1136 0.929 0.793
#> MAD:pam 4 0.978 0.936 0.975 0.1049 0.883 0.689
#> ATC:pam 4 0.926 0.903 0.936 0.1293 0.878 0.670
#> SD:hclust 4 0.669 0.718 0.838 0.1244 0.894 0.702
#> CV:hclust 4 0.584 0.650 0.757 0.1297 0.828 0.554
#> MAD:hclust 4 0.585 0.602 0.743 0.1226 0.846 0.592
#> ATC:hclust 4 0.608 0.408 0.666 0.1381 0.781 0.481
get_stats(res_list, k = 5)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 5 0.538 0.491 0.702 0.0472 0.925 0.737
#> CV:NMF 5 0.558 0.519 0.722 0.0589 0.854 0.545
#> MAD:NMF 5 0.538 0.469 0.669 0.0456 0.913 0.703
#> ATC:NMF 5 0.508 0.362 0.667 0.0679 0.803 0.495
#> SD:skmeans 5 0.924 0.869 0.945 0.0723 0.918 0.723
#> CV:skmeans 5 0.895 0.882 0.945 0.0683 0.938 0.795
#> MAD:skmeans 5 0.972 0.897 0.955 0.0679 0.919 0.729
#> ATC:skmeans 5 0.798 0.706 0.866 0.0447 0.965 0.897
#> SD:mclust 5 0.783 0.806 0.873 0.1585 0.884 0.633
#> CV:mclust 5 0.785 0.744 0.888 0.1454 0.793 0.423
#> MAD:mclust 5 0.781 0.807 0.898 0.1657 0.889 0.626
#> ATC:mclust 5 0.581 0.606 0.765 0.1166 0.857 0.578
#> SD:kmeans 5 0.760 0.745 0.850 0.0765 0.870 0.555
#> CV:kmeans 5 0.742 0.694 0.849 0.0742 0.860 0.527
#> MAD:kmeans 5 0.741 0.721 0.832 0.0713 0.879 0.580
#> ATC:kmeans 5 0.698 0.668 0.772 0.0641 0.847 0.504
#> SD:pam 5 0.849 0.776 0.901 0.1084 0.886 0.621
#> CV:pam 5 0.773 0.678 0.839 0.1004 0.818 0.460
#> MAD:pam 5 0.861 0.840 0.921 0.1034 0.895 0.643
#> ATC:pam 5 0.800 0.678 0.854 0.0798 0.952 0.825
#> SD:hclust 5 0.669 0.739 0.815 0.0618 0.946 0.806
#> CV:hclust 5 0.633 0.646 0.757 0.0677 0.872 0.577
#> MAD:hclust 5 0.659 0.680 0.780 0.0703 0.912 0.699
#> ATC:hclust 5 0.680 0.674 0.769 0.0742 0.790 0.378
get_stats(res_list, k = 6)
#> k 1-PAC mean_silhouette concordance area_increased Rand Jaccard
#> SD:NMF 6 0.599 0.485 0.667 0.0587 0.827 0.449
#> CV:NMF 6 0.612 0.471 0.697 0.0571 0.842 0.473
#> MAD:NMF 6 0.617 0.477 0.708 0.0614 0.821 0.436
#> ATC:NMF 6 0.585 0.496 0.717 0.0556 0.849 0.509
#> SD:skmeans 6 0.896 0.872 0.929 0.0438 0.941 0.758
#> CV:skmeans 6 0.895 0.864 0.924 0.0480 0.952 0.809
#> MAD:skmeans 6 0.913 0.874 0.933 0.0489 0.939 0.750
#> ATC:skmeans 6 0.795 0.594 0.825 0.0320 0.919 0.759
#> SD:mclust 6 0.783 0.766 0.861 0.0482 0.939 0.724
#> CV:mclust 6 0.840 0.763 0.887 0.0506 0.921 0.644
#> MAD:mclust 6 0.815 0.810 0.892 0.0538 0.946 0.750
#> ATC:mclust 6 0.633 0.610 0.784 0.0746 0.911 0.637
#> SD:kmeans 6 0.815 0.724 0.842 0.0442 0.944 0.734
#> CV:kmeans 6 0.794 0.719 0.844 0.0441 0.919 0.632
#> MAD:kmeans 6 0.799 0.703 0.835 0.0443 0.919 0.638
#> ATC:kmeans 6 0.802 0.864 0.871 0.0486 0.952 0.775
#> SD:pam 6 0.942 0.868 0.949 0.0533 0.881 0.515
#> CV:pam 6 0.908 0.854 0.940 0.0526 0.900 0.579
#> MAD:pam 6 0.945 0.877 0.952 0.0520 0.889 0.540
#> ATC:pam 6 0.794 0.677 0.836 0.0403 0.927 0.708
#> SD:hclust 6 0.716 0.730 0.826 0.0575 0.934 0.717
#> CV:hclust 6 0.733 0.719 0.824 0.0510 0.935 0.706
#> MAD:hclust 6 0.682 0.626 0.732 0.0494 0.972 0.882
#> ATC:hclust 6 0.717 0.592 0.764 0.0440 0.940 0.734
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 time(p) agent(p) individual(p) k
#> SD:NMF 100 0.630 0.530 8.01e-05 2
#> CV:NMF 100 0.374 0.528 9.10e-04 2
#> MAD:NMF 99 0.763 0.525 5.85e-05 2
#> ATC:NMF 102 0.695 0.570 2.71e-05 2
#> SD:skmeans 106 0.769 0.350 2.30e-04 2
#> CV:skmeans 105 0.826 0.410 2.10e-04 2
#> MAD:skmeans 105 0.812 0.283 1.69e-04 2
#> ATC:skmeans 108 0.746 0.582 3.81e-05 2
#> SD:mclust 70 0.896 0.397 1.39e-10 2
#> CV:mclust 107 0.696 0.992 2.92e-15 2
#> MAD:mclust 108 0.974 0.155 2.31e-09 2
#> ATC:mclust 105 0.967 0.202 9.12e-10 2
#> SD:kmeans 104 0.845 0.418 1.03e-04 2
#> CV:kmeans 105 0.785 0.429 3.67e-05 2
#> MAD:kmeans 102 0.799 0.494 8.23e-05 2
#> ATC:kmeans 107 0.835 0.732 5.81e-05 2
#> SD:pam 100 0.976 0.502 1.08e-05 2
#> CV:pam 101 0.995 0.566 6.91e-06 2
#> MAD:pam 105 0.996 0.527 5.48e-06 2
#> ATC:pam 107 0.993 0.339 8.77e-07 2
#> SD:hclust 106 0.986 0.657 9.75e-07 2
#> CV:hclust 95 0.858 0.388 2.52e-05 2
#> MAD:hclust 100 0.978 0.702 7.07e-06 2
#> ATC:hclust 85 0.704 0.778 1.55e-05 2
test_to_known_factors(res_list, k = 3)
#> n time(p) agent(p) individual(p) k
#> SD:NMF 100 0.754 0.7148 2.66e-12 3
#> CV:NMF 99 0.941 0.5879 9.68e-13 3
#> MAD:NMF 97 0.794 0.8146 2.55e-11 3
#> ATC:NMF 48 NA NA NA 3
#> SD:skmeans 107 0.693 0.5550 3.79e-11 3
#> CV:skmeans 105 0.603 0.7501 3.71e-13 3
#> MAD:skmeans 104 0.523 0.5745 1.17e-10 3
#> ATC:skmeans 108 0.443 0.2945 1.67e-08 3
#> SD:mclust 104 0.996 0.7338 7.83e-23 3
#> CV:mclust 83 0.993 0.9860 5.37e-24 3
#> MAD:mclust 106 0.997 0.8337 1.42e-20 3
#> ATC:mclust 70 0.705 0.3463 8.02e-13 3
#> SD:kmeans 90 0.201 0.2840 8.68e-06 3
#> CV:kmeans 98 0.785 0.1464 2.77e-06 3
#> MAD:kmeans 94 0.370 0.2276 1.33e-06 3
#> ATC:kmeans 107 0.631 0.0268 7.64e-08 3
#> SD:pam 104 0.637 0.2195 2.66e-16 3
#> CV:pam 102 0.777 0.3103 1.49e-13 3
#> MAD:pam 104 0.669 0.2413 1.43e-16 3
#> ATC:pam 106 0.618 0.0212 1.33e-05 3
#> SD:hclust 87 0.459 0.5054 4.81e-06 3
#> CV:hclust 93 0.620 0.2956 7.42e-10 3
#> MAD:hclust 93 0.357 0.5409 5.36e-07 3
#> ATC:hclust 90 0.779 0.0540 6.05e-08 3
test_to_known_factors(res_list, k = 4)
#> n time(p) agent(p) individual(p) k
#> SD:NMF 92 0.991 0.19467 3.08e-21 4
#> CV:NMF 87 1.000 0.03495 5.40e-21 4
#> MAD:NMF 90 0.992 0.11802 2.38e-20 4
#> ATC:NMF 57 0.696 0.53248 1.39e-11 4
#> SD:skmeans 107 0.907 0.42542 3.46e-20 4
#> CV:skmeans 104 0.965 0.36948 4.08e-22 4
#> MAD:skmeans 105 0.985 0.31155 3.98e-21 4
#> ATC:skmeans 91 0.341 0.54982 2.54e-08 4
#> SD:mclust 92 0.998 0.67818 2.55e-27 4
#> CV:mclust 96 0.982 0.78550 1.04e-31 4
#> MAD:mclust 60 0.958 0.84818 5.57e-20 4
#> ATC:mclust 52 0.353 0.10264 7.79e-08 4
#> SD:kmeans 95 0.961 0.36398 1.76e-19 4
#> CV:kmeans 95 0.957 0.41031 2.13e-17 4
#> MAD:kmeans 95 0.954 0.35388 9.02e-19 4
#> ATC:kmeans 96 0.750 0.00440 3.52e-07 4
#> SD:pam 106 0.543 0.30007 1.49e-18 4
#> CV:pam 105 0.660 0.19909 3.75e-18 4
#> MAD:pam 106 0.454 0.23478 1.07e-18 4
#> ATC:pam 105 0.782 0.00154 1.10e-05 4
#> SD:hclust 90 0.629 0.62386 5.76e-19 4
#> CV:hclust 88 0.868 0.53765 2.10e-19 4
#> MAD:hclust 75 0.813 0.66910 3.73e-18 4
#> ATC:hclust 49 0.968 0.03716 1.33e-02 4
test_to_known_factors(res_list, k = 5)
#> n time(p) agent(p) individual(p) k
#> SD:NMF 64 0.9745 0.05943 2.49e-13 5
#> CV:NMF 68 0.8063 0.24691 3.19e-17 5
#> MAD:NMF 56 0.9690 0.04026 4.35e-15 5
#> ATC:NMF 38 0.9620 0.29156 2.40e-06 5
#> SD:skmeans 102 0.9911 0.61243 1.71e-28 5
#> CV:skmeans 102 0.9848 0.69888 8.54e-28 5
#> MAD:skmeans 103 0.9692 0.77416 3.43e-26 5
#> ATC:skmeans 87 0.4005 0.49000 2.98e-11 5
#> SD:mclust 98 0.9933 0.68932 2.89e-41 5
#> CV:mclust 89 0.9997 0.58497 1.47e-42 5
#> MAD:mclust 98 0.9676 0.67292 7.06e-39 5
#> ATC:mclust 84 0.1945 0.52565 4.48e-21 5
#> SD:kmeans 93 0.7489 0.22912 4.62e-24 5
#> CV:kmeans 90 0.8653 0.25602 1.55e-20 5
#> MAD:kmeans 88 0.8808 0.09883 2.28e-22 5
#> ATC:kmeans 79 0.0197 0.00722 9.73e-04 5
#> SD:pam 88 0.2454 0.26328 4.42e-24 5
#> CV:pam 92 0.4493 0.00485 1.83e-19 5
#> MAD:pam 104 0.0953 0.26374 4.09e-25 5
#> ATC:pam 90 0.6183 0.00552 1.07e-07 5
#> SD:hclust 97 0.8622 0.86147 8.16e-27 5
#> CV:hclust 82 0.9113 0.22280 2.48e-20 5
#> MAD:hclust 91 0.5875 0.53821 2.25e-26 5
#> ATC:hclust 89 0.3160 0.19171 6.79e-10 5
test_to_known_factors(res_list, k = 6)
#> n time(p) agent(p) individual(p) k
#> SD:NMF 58 0.205 0.1989 7.13e-16 6
#> CV:NMF 65 0.754 0.2388 1.81e-17 6
#> MAD:NMF 66 0.269 0.0312 2.51e-16 6
#> ATC:NMF 63 0.347 0.1272 1.32e-08 6
#> SD:skmeans 103 0.997 0.2029 2.09e-35 6
#> CV:skmeans 103 0.999 0.2296 1.05e-33 6
#> MAD:skmeans 102 0.997 0.2279 4.26e-35 6
#> ATC:skmeans 66 0.615 0.7880 2.17e-11 6
#> SD:mclust 97 0.995 0.2128 6.34e-42 6
#> CV:mclust 97 0.983 0.3754 9.36e-44 6
#> MAD:mclust 101 0.994 0.1372 5.54e-39 6
#> ATC:mclust 78 0.743 0.1114 9.61e-26 6
#> SD:kmeans 90 0.946 0.0742 9.80e-25 6
#> CV:kmeans 91 0.941 0.1112 1.18e-21 6
#> MAD:kmeans 87 0.946 0.1701 6.47e-26 6
#> ATC:kmeans 106 0.155 0.0348 3.88e-11 6
#> SD:pam 99 0.173 0.1025 7.70e-29 6
#> CV:pam 99 0.172 0.0473 2.02e-26 6
#> MAD:pam 100 0.395 0.1187 4.85e-28 6
#> ATC:pam 85 0.592 0.0639 1.33e-10 6
#> SD:hclust 96 0.884 0.3341 1.45e-26 6
#> CV:hclust 93 0.910 0.3837 4.27e-28 6
#> MAD:hclust 90 0.753 0.8891 1.62e-31 6
#> ATC:hclust 77 0.592 0.2035 7.50e-13 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 108 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 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 0.548 0.870 0.923 0.4633 0.525 0.525
#> 3 3 0.583 0.694 0.859 0.3954 0.783 0.596
#> 4 4 0.669 0.718 0.838 0.1244 0.894 0.702
#> 5 5 0.669 0.739 0.815 0.0618 0.946 0.806
#> 6 6 0.716 0.730 0.826 0.0575 0.934 0.717
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
#> GSM87863 1 0.6247 0.805 0.844 0.156
#> GSM87887 1 0.3431 0.896 0.936 0.064
#> GSM87896 2 0.0000 0.901 0.000 1.000
#> GSM87934 2 0.0000 0.901 0.000 1.000
#> GSM87943 2 0.0000 0.901 0.000 1.000
#> GSM87853 2 0.0000 0.901 0.000 1.000
#> GSM87906 2 0.7528 0.824 0.216 0.784
#> GSM87920 1 0.8661 0.581 0.712 0.288
#> GSM87924 2 0.0000 0.901 0.000 1.000
#> GSM87858 2 0.0000 0.901 0.000 1.000
#> GSM87882 2 0.4939 0.890 0.108 0.892
#> GSM87891 2 0.0000 0.901 0.000 1.000
#> GSM87917 1 0.0000 0.933 1.000 0.000
#> GSM87929 2 0.6887 0.850 0.184 0.816
#> GSM87948 1 0.0000 0.933 1.000 0.000
#> GSM87868 1 0.0000 0.933 1.000 0.000
#> GSM87873 2 0.0000 0.901 0.000 1.000
#> GSM87901 2 0.7602 0.820 0.220 0.780
#> GSM87910 1 0.0000 0.933 1.000 0.000
#> GSM87938 2 0.0000 0.901 0.000 1.000
#> GSM87953 1 0.0000 0.933 1.000 0.000
#> GSM87864 1 0.6247 0.805 0.844 0.156
#> GSM87888 2 0.5294 0.885 0.120 0.880
#> GSM87897 2 0.7299 0.835 0.204 0.796
#> GSM87935 2 0.0000 0.901 0.000 1.000
#> GSM87944 1 0.0000 0.933 1.000 0.000
#> GSM87854 2 0.1414 0.902 0.020 0.980
#> GSM87878 1 0.3431 0.896 0.936 0.064
#> GSM87907 2 0.4431 0.894 0.092 0.908
#> GSM87921 2 0.6438 0.863 0.164 0.836
#> GSM87925 2 0.0000 0.901 0.000 1.000
#> GSM87957 1 0.0000 0.933 1.000 0.000
#> GSM87859 2 0.0000 0.901 0.000 1.000
#> GSM87883 1 0.0000 0.933 1.000 0.000
#> GSM87892 2 0.0000 0.901 0.000 1.000
#> GSM87930 2 0.0000 0.901 0.000 1.000
#> GSM87949 1 0.0000 0.933 1.000 0.000
#> GSM87869 1 0.0000 0.933 1.000 0.000
#> GSM87874 2 0.0000 0.901 0.000 1.000
#> GSM87902 2 0.7602 0.820 0.220 0.780
#> GSM87911 2 0.6887 0.851 0.184 0.816
#> GSM87939 2 0.2948 0.900 0.052 0.948
#> GSM87954 1 0.0000 0.933 1.000 0.000
#> GSM87865 1 0.6048 0.815 0.852 0.148
#> GSM87889 2 0.7528 0.826 0.216 0.784
#> GSM87898 2 0.8499 0.754 0.276 0.724
#> GSM87915 1 0.0376 0.932 0.996 0.004
#> GSM87936 2 0.0000 0.901 0.000 1.000
#> GSM87945 2 0.0000 0.901 0.000 1.000
#> GSM87855 2 0.0000 0.901 0.000 1.000
#> GSM87879 2 0.5294 0.885 0.120 0.880
#> GSM87922 2 0.3584 0.899 0.068 0.932
#> GSM87926 2 0.2948 0.900 0.052 0.948
#> GSM87958 1 0.0000 0.933 1.000 0.000
#> GSM87860 2 0.0000 0.901 0.000 1.000
#> GSM87884 1 0.0000 0.933 1.000 0.000
#> GSM87893 2 0.0000 0.901 0.000 1.000
#> GSM87918 2 0.7815 0.807 0.232 0.768
#> GSM87931 2 0.0000 0.901 0.000 1.000
#> GSM87950 1 0.0000 0.933 1.000 0.000
#> GSM87870 1 0.6048 0.815 0.852 0.148
#> GSM87875 2 0.0000 0.901 0.000 1.000
#> GSM87903 2 0.7528 0.824 0.216 0.784
#> GSM87912 1 0.0376 0.932 0.996 0.004
#> GSM87940 2 0.0000 0.901 0.000 1.000
#> GSM87866 1 0.6048 0.815 0.852 0.148
#> GSM87899 2 0.7299 0.835 0.204 0.796
#> GSM87937 2 0.0000 0.901 0.000 1.000
#> GSM87946 1 0.0000 0.933 1.000 0.000
#> GSM87856 2 0.0000 0.901 0.000 1.000
#> GSM87880 2 0.5294 0.885 0.120 0.880
#> GSM87908 2 0.7602 0.820 0.220 0.780
#> GSM87923 2 0.3584 0.899 0.068 0.932
#> GSM87927 2 0.4161 0.897 0.084 0.916
#> GSM87959 1 0.0000 0.933 1.000 0.000
#> GSM87861 2 0.0000 0.901 0.000 1.000
#> GSM87885 2 0.7602 0.822 0.220 0.780
#> GSM87894 1 0.2603 0.909 0.956 0.044
#> GSM87932 1 0.0672 0.930 0.992 0.008
#> GSM87951 1 0.0000 0.933 1.000 0.000
#> GSM87871 1 0.9833 0.210 0.576 0.424
#> GSM87876 2 0.6887 0.852 0.184 0.816
#> GSM87904 2 0.4431 0.894 0.092 0.908
#> GSM87913 1 0.5178 0.848 0.884 0.116
#> GSM87941 2 0.4161 0.897 0.084 0.916
#> GSM87955 1 0.0000 0.933 1.000 0.000
#> GSM87867 1 0.9988 -0.070 0.520 0.480
#> GSM87890 2 0.0938 0.902 0.012 0.988
#> GSM87900 2 0.7376 0.831 0.208 0.792
#> GSM87916 2 0.1633 0.903 0.024 0.976
#> GSM87947 1 0.0376 0.932 0.996 0.004
#> GSM87857 2 0.0000 0.901 0.000 1.000
#> GSM87881 2 0.5408 0.884 0.124 0.876
#> GSM87909 2 0.8499 0.754 0.276 0.724
#> GSM87928 1 0.0672 0.930 0.992 0.008
#> GSM87960 1 0.0000 0.933 1.000 0.000
#> GSM87862 2 0.4298 0.895 0.088 0.912
#> GSM87886 1 0.0000 0.933 1.000 0.000
#> GSM87895 2 0.4431 0.894 0.092 0.908
#> GSM87919 1 0.0000 0.933 1.000 0.000
#> GSM87933 2 0.1184 0.902 0.016 0.984
#> GSM87952 1 0.0000 0.933 1.000 0.000
#> GSM87872 2 0.7219 0.838 0.200 0.800
#> GSM87877 1 0.2423 0.913 0.960 0.040
#> GSM87905 2 0.8499 0.754 0.276 0.724
#> GSM87914 2 0.7815 0.807 0.232 0.768
#> GSM87942 2 0.7219 0.839 0.200 0.800
#> GSM87956 1 0.0000 0.933 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.5216 0.71767 0.740 0.260 0.000
#> GSM87887 1 0.4062 0.83154 0.836 0.164 0.000
#> GSM87896 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87934 3 0.6252 0.32648 0.000 0.444 0.556
#> GSM87943 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87853 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87906 2 0.3043 0.75675 0.008 0.908 0.084
#> GSM87920 1 0.6513 0.40848 0.592 0.400 0.008
#> GSM87924 3 0.6215 0.35229 0.000 0.428 0.572
#> GSM87858 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87882 2 0.3192 0.75041 0.000 0.888 0.112
#> GSM87891 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87929 2 0.2066 0.76569 0.000 0.940 0.060
#> GSM87948 1 0.1643 0.91530 0.956 0.044 0.000
#> GSM87868 1 0.0592 0.92472 0.988 0.012 0.000
#> GSM87873 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87901 2 0.0424 0.76095 0.008 0.992 0.000
#> GSM87910 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87938 3 0.6252 0.32648 0.000 0.444 0.556
#> GSM87953 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87864 1 0.5216 0.71767 0.740 0.260 0.000
#> GSM87888 2 0.2959 0.75642 0.000 0.900 0.100
#> GSM87897 2 0.2711 0.75581 0.000 0.912 0.088
#> GSM87935 3 0.6215 0.35229 0.000 0.428 0.572
#> GSM87944 1 0.0592 0.92472 0.988 0.012 0.000
#> GSM87854 3 0.4293 0.65283 0.004 0.164 0.832
#> GSM87878 1 0.4062 0.83154 0.836 0.164 0.000
#> GSM87907 2 0.6008 0.44042 0.000 0.628 0.372
#> GSM87921 2 0.4654 0.67655 0.000 0.792 0.208
#> GSM87925 3 0.6215 0.35229 0.000 0.428 0.572
#> GSM87957 1 0.0747 0.92427 0.984 0.016 0.000
#> GSM87859 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87883 1 0.0747 0.92427 0.984 0.016 0.000
#> GSM87892 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87930 3 0.6244 0.33475 0.000 0.440 0.560
#> GSM87949 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87869 1 0.0592 0.92472 0.988 0.012 0.000
#> GSM87874 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87902 2 0.0424 0.76095 0.008 0.992 0.000
#> GSM87911 2 0.4861 0.68865 0.008 0.800 0.192
#> GSM87939 2 0.6309 -0.18683 0.000 0.504 0.496
#> GSM87954 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87865 1 0.5098 0.73365 0.752 0.248 0.000
#> GSM87889 2 0.3499 0.75184 0.072 0.900 0.028
#> GSM87898 2 0.2537 0.72994 0.080 0.920 0.000
#> GSM87915 1 0.0892 0.92243 0.980 0.020 0.000
#> GSM87936 3 0.6215 0.35229 0.000 0.428 0.572
#> GSM87945 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87855 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87879 2 0.2959 0.75642 0.000 0.900 0.100
#> GSM87922 2 0.5591 0.55569 0.000 0.696 0.304
#> GSM87926 2 0.6309 -0.18683 0.000 0.504 0.496
#> GSM87958 1 0.0592 0.92472 0.988 0.012 0.000
#> GSM87860 3 0.2625 0.70809 0.000 0.084 0.916
#> GSM87884 1 0.0747 0.92427 0.984 0.016 0.000
#> GSM87893 3 0.0000 0.74025 0.000 0.000 1.000
#> GSM87918 2 0.0892 0.76072 0.020 0.980 0.000
#> GSM87931 3 0.6252 0.32648 0.000 0.444 0.556
#> GSM87950 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87870 1 0.5098 0.73365 0.752 0.248 0.000
#> GSM87875 3 0.1289 0.73314 0.000 0.032 0.968
#> GSM87903 2 0.3043 0.75675 0.008 0.908 0.084
#> GSM87912 1 0.0892 0.92243 0.980 0.020 0.000
#> GSM87940 3 0.6252 0.32648 0.000 0.444 0.556
#> GSM87866 1 0.5098 0.73365 0.752 0.248 0.000
#> GSM87899 2 0.2711 0.75581 0.000 0.912 0.088
#> GSM87937 3 0.6215 0.35229 0.000 0.428 0.572
#> GSM87946 1 0.0592 0.92472 0.988 0.012 0.000
#> GSM87856 3 0.0237 0.73975 0.000 0.004 0.996
#> GSM87880 2 0.2959 0.75642 0.000 0.900 0.100
#> GSM87908 2 0.0424 0.76095 0.008 0.992 0.000
#> GSM87923 2 0.5835 0.50315 0.000 0.660 0.340
#> GSM87927 2 0.6079 0.25576 0.000 0.612 0.388
#> GSM87959 1 0.0424 0.92447 0.992 0.008 0.000
#> GSM87861 3 0.1529 0.73038 0.000 0.040 0.960
#> GSM87885 2 0.3590 0.74966 0.076 0.896 0.028
#> GSM87894 1 0.2356 0.89795 0.928 0.072 0.000
#> GSM87932 1 0.2959 0.86786 0.900 0.100 0.000
#> GSM87951 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87871 2 0.7575 -0.00322 0.456 0.504 0.040
#> GSM87876 2 0.3683 0.76280 0.044 0.896 0.060
#> GSM87904 2 0.6008 0.44042 0.000 0.628 0.372
#> GSM87913 1 0.4504 0.79577 0.804 0.196 0.000
#> GSM87941 2 0.6079 0.25576 0.000 0.612 0.388
#> GSM87955 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87867 2 0.6209 0.29232 0.368 0.628 0.004
#> GSM87890 2 0.4750 0.65508 0.000 0.784 0.216
#> GSM87900 2 0.0237 0.76189 0.000 0.996 0.004
#> GSM87916 2 0.4504 0.67180 0.000 0.804 0.196
#> GSM87947 1 0.1753 0.91362 0.952 0.048 0.000
#> GSM87857 3 0.1860 0.72586 0.000 0.052 0.948
#> GSM87881 2 0.2878 0.75845 0.000 0.904 0.096
#> GSM87909 2 0.2537 0.72994 0.080 0.920 0.000
#> GSM87928 1 0.2959 0.86786 0.900 0.100 0.000
#> GSM87960 1 0.0592 0.92472 0.988 0.012 0.000
#> GSM87862 2 0.5621 0.51466 0.000 0.692 0.308
#> GSM87886 1 0.0747 0.92427 0.984 0.016 0.000
#> GSM87895 2 0.6008 0.44042 0.000 0.628 0.372
#> GSM87919 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87933 3 0.6295 0.24643 0.000 0.472 0.528
#> GSM87952 1 0.0000 0.92342 1.000 0.000 0.000
#> GSM87872 2 0.0829 0.76549 0.004 0.984 0.012
#> GSM87877 1 0.3116 0.87928 0.892 0.108 0.000
#> GSM87905 2 0.2537 0.72994 0.080 0.920 0.000
#> GSM87914 2 0.0892 0.76072 0.020 0.980 0.000
#> GSM87942 2 0.0983 0.76535 0.004 0.980 0.016
#> GSM87956 1 0.0000 0.92342 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.4452 0.729 0.732 0.260 0.000 0.008
#> GSM87887 1 0.4015 0.828 0.832 0.116 0.000 0.052
#> GSM87896 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87934 4 0.2480 0.810 0.000 0.008 0.088 0.904
#> GSM87943 3 0.0779 0.943 0.000 0.004 0.980 0.016
#> GSM87853 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87906 2 0.3725 0.595 0.000 0.812 0.008 0.180
#> GSM87920 1 0.6466 0.506 0.588 0.320 0.000 0.092
#> GSM87924 4 0.2530 0.809 0.000 0.004 0.100 0.896
#> GSM87858 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87882 2 0.5716 0.399 0.000 0.552 0.028 0.420
#> GSM87891 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87917 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87929 2 0.4972 0.362 0.000 0.544 0.000 0.456
#> GSM87948 1 0.1302 0.901 0.956 0.044 0.000 0.000
#> GSM87868 1 0.0469 0.910 0.988 0.012 0.000 0.000
#> GSM87873 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87901 2 0.0817 0.645 0.000 0.976 0.000 0.024
#> GSM87910 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87938 4 0.2480 0.810 0.000 0.008 0.088 0.904
#> GSM87953 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87864 1 0.4452 0.729 0.732 0.260 0.000 0.008
#> GSM87888 2 0.5526 0.418 0.000 0.564 0.020 0.416
#> GSM87897 2 0.4194 0.575 0.000 0.764 0.008 0.228
#> GSM87935 4 0.2530 0.809 0.000 0.004 0.100 0.896
#> GSM87944 1 0.0469 0.910 0.988 0.012 0.000 0.000
#> GSM87854 3 0.5053 0.747 0.004 0.076 0.772 0.148
#> GSM87878 1 0.4015 0.828 0.832 0.116 0.000 0.052
#> GSM87907 2 0.7733 0.273 0.000 0.440 0.256 0.304
#> GSM87921 2 0.6727 0.325 0.000 0.496 0.092 0.412
#> GSM87925 4 0.2530 0.809 0.000 0.004 0.100 0.896
#> GSM87957 1 0.0592 0.909 0.984 0.016 0.000 0.000
#> GSM87859 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87883 1 0.0592 0.909 0.984 0.016 0.000 0.000
#> GSM87892 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87930 4 0.2546 0.809 0.000 0.008 0.092 0.900
#> GSM87949 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87869 1 0.0469 0.910 0.988 0.012 0.000 0.000
#> GSM87874 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87902 2 0.0817 0.645 0.000 0.976 0.000 0.024
#> GSM87911 2 0.6672 0.448 0.004 0.576 0.092 0.328
#> GSM87939 4 0.3245 0.774 0.000 0.064 0.056 0.880
#> GSM87954 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87865 1 0.4103 0.741 0.744 0.256 0.000 0.000
#> GSM87889 2 0.6098 0.515 0.068 0.616 0.000 0.316
#> GSM87898 2 0.2329 0.629 0.072 0.916 0.000 0.012
#> GSM87915 1 0.1042 0.908 0.972 0.020 0.000 0.008
#> GSM87936 4 0.2530 0.809 0.000 0.004 0.100 0.896
#> GSM87945 3 0.0779 0.943 0.000 0.004 0.980 0.016
#> GSM87855 3 0.1209 0.939 0.000 0.004 0.964 0.032
#> GSM87879 2 0.5526 0.418 0.000 0.564 0.020 0.416
#> GSM87922 4 0.6517 0.162 0.000 0.288 0.108 0.604
#> GSM87926 4 0.3245 0.774 0.000 0.064 0.056 0.880
#> GSM87958 1 0.0469 0.910 0.988 0.012 0.000 0.000
#> GSM87860 3 0.3088 0.856 0.000 0.008 0.864 0.128
#> GSM87884 1 0.0592 0.909 0.984 0.016 0.000 0.000
#> GSM87893 3 0.0469 0.949 0.000 0.000 0.988 0.012
#> GSM87918 2 0.2002 0.648 0.020 0.936 0.000 0.044
#> GSM87931 4 0.2480 0.810 0.000 0.008 0.088 0.904
#> GSM87950 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87870 1 0.4103 0.741 0.744 0.256 0.000 0.000
#> GSM87875 3 0.2125 0.909 0.000 0.004 0.920 0.076
#> GSM87903 2 0.3725 0.595 0.000 0.812 0.008 0.180
#> GSM87912 1 0.1042 0.908 0.972 0.020 0.000 0.008
#> GSM87940 4 0.2480 0.810 0.000 0.008 0.088 0.904
#> GSM87866 1 0.4103 0.741 0.744 0.256 0.000 0.000
#> GSM87899 2 0.4194 0.575 0.000 0.764 0.008 0.228
#> GSM87937 4 0.2530 0.809 0.000 0.004 0.100 0.896
#> GSM87946 1 0.0469 0.910 0.988 0.012 0.000 0.000
#> GSM87856 3 0.1489 0.934 0.000 0.004 0.952 0.044
#> GSM87880 2 0.5526 0.418 0.000 0.564 0.020 0.416
#> GSM87908 2 0.0707 0.643 0.000 0.980 0.000 0.020
#> GSM87923 4 0.7099 0.133 0.000 0.280 0.168 0.552
#> GSM87927 4 0.4238 0.660 0.000 0.176 0.028 0.796
#> GSM87959 1 0.0336 0.909 0.992 0.008 0.000 0.000
#> GSM87861 3 0.2271 0.910 0.000 0.008 0.916 0.076
#> GSM87885 2 0.6160 0.512 0.072 0.612 0.000 0.316
#> GSM87894 1 0.2053 0.888 0.924 0.072 0.000 0.004
#> GSM87932 1 0.3144 0.856 0.884 0.044 0.000 0.072
#> GSM87951 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87871 1 0.7369 0.021 0.448 0.420 0.008 0.124
#> GSM87876 2 0.6123 0.502 0.040 0.612 0.012 0.336
#> GSM87904 2 0.7733 0.273 0.000 0.440 0.256 0.304
#> GSM87913 1 0.3610 0.802 0.800 0.200 0.000 0.000
#> GSM87941 4 0.4238 0.660 0.000 0.176 0.028 0.796
#> GSM87955 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87867 2 0.6110 0.176 0.368 0.576 0.000 0.056
#> GSM87890 4 0.6452 -0.136 0.000 0.464 0.068 0.468
#> GSM87900 2 0.1867 0.648 0.000 0.928 0.000 0.072
#> GSM87916 4 0.6395 -0.112 0.000 0.460 0.064 0.476
#> GSM87947 1 0.1389 0.900 0.952 0.048 0.000 0.000
#> GSM87857 3 0.2675 0.883 0.000 0.008 0.892 0.100
#> GSM87881 2 0.5535 0.416 0.000 0.560 0.020 0.420
#> GSM87909 2 0.2329 0.629 0.072 0.916 0.000 0.012
#> GSM87928 1 0.3144 0.856 0.884 0.044 0.000 0.072
#> GSM87960 1 0.0469 0.910 0.988 0.012 0.000 0.000
#> GSM87862 2 0.7198 0.397 0.000 0.548 0.256 0.196
#> GSM87886 1 0.0592 0.909 0.984 0.016 0.000 0.000
#> GSM87895 2 0.7733 0.273 0.000 0.440 0.256 0.304
#> GSM87919 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87933 4 0.3156 0.790 0.000 0.048 0.068 0.884
#> GSM87952 1 0.0779 0.907 0.980 0.004 0.000 0.016
#> GSM87872 2 0.2593 0.648 0.004 0.892 0.000 0.104
#> GSM87877 1 0.2469 0.868 0.892 0.108 0.000 0.000
#> GSM87905 2 0.2329 0.629 0.072 0.916 0.000 0.012
#> GSM87914 2 0.2002 0.648 0.020 0.936 0.000 0.044
#> GSM87942 2 0.4889 0.511 0.004 0.636 0.000 0.360
#> GSM87956 1 0.0779 0.907 0.980 0.004 0.000 0.016
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 1 0.4497 0.70867 0.732 0.208 0.000 0.000 0.060
#> GSM87887 1 0.3493 0.79690 0.832 0.060 0.000 0.000 0.108
#> GSM87896 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87934 4 0.0162 0.88685 0.000 0.000 0.004 0.996 0.000
#> GSM87943 3 0.2408 0.89714 0.000 0.000 0.892 0.016 0.092
#> GSM87853 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87906 2 0.3326 0.64325 0.000 0.824 0.000 0.152 0.024
#> GSM87920 1 0.6157 0.52528 0.592 0.296 0.000 0.068 0.044
#> GSM87924 4 0.0693 0.88646 0.000 0.000 0.008 0.980 0.012
#> GSM87858 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87882 5 0.5987 0.75688 0.000 0.144 0.012 0.224 0.620
#> GSM87891 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87917 1 0.3074 0.82861 0.804 0.000 0.000 0.000 0.196
#> GSM87929 5 0.6394 0.59139 0.000 0.204 0.000 0.292 0.504
#> GSM87948 1 0.1300 0.84897 0.956 0.016 0.000 0.000 0.028
#> GSM87868 1 0.0000 0.85675 1.000 0.000 0.000 0.000 0.000
#> GSM87873 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87901 2 0.0404 0.68987 0.000 0.988 0.000 0.000 0.012
#> GSM87910 1 0.3074 0.82861 0.804 0.000 0.000 0.000 0.196
#> GSM87938 4 0.0324 0.88614 0.000 0.000 0.004 0.992 0.004
#> GSM87953 1 0.2966 0.83294 0.816 0.000 0.000 0.000 0.184
#> GSM87864 1 0.4497 0.70867 0.732 0.208 0.000 0.000 0.060
#> GSM87888 5 0.5904 0.76392 0.000 0.152 0.008 0.216 0.624
#> GSM87897 2 0.3994 0.61579 0.000 0.772 0.000 0.188 0.040
#> GSM87935 4 0.0693 0.88646 0.000 0.000 0.008 0.980 0.012
#> GSM87944 1 0.0000 0.85675 1.000 0.000 0.000 0.000 0.000
#> GSM87854 3 0.6250 0.71172 0.008 0.064 0.672 0.112 0.144
#> GSM87878 1 0.3493 0.79690 0.832 0.060 0.000 0.000 0.108
#> GSM87907 2 0.7529 0.33192 0.000 0.448 0.232 0.264 0.056
#> GSM87921 5 0.6863 0.47411 0.000 0.268 0.008 0.272 0.452
#> GSM87925 4 0.0693 0.88646 0.000 0.000 0.008 0.980 0.012
#> GSM87957 1 0.0324 0.85700 0.992 0.004 0.000 0.000 0.004
#> GSM87859 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87883 1 0.0566 0.85418 0.984 0.004 0.000 0.000 0.012
#> GSM87892 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87930 4 0.0290 0.88687 0.000 0.000 0.008 0.992 0.000
#> GSM87949 1 0.3074 0.82861 0.804 0.000 0.000 0.000 0.196
#> GSM87869 1 0.0000 0.85675 1.000 0.000 0.000 0.000 0.000
#> GSM87874 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87902 2 0.0404 0.68987 0.000 0.988 0.000 0.000 0.012
#> GSM87911 5 0.7227 0.33473 0.012 0.340 0.008 0.232 0.408
#> GSM87939 4 0.1750 0.84828 0.000 0.036 0.000 0.936 0.028
#> GSM87954 1 0.2966 0.83294 0.816 0.000 0.000 0.000 0.184
#> GSM87865 1 0.4337 0.71932 0.744 0.204 0.000 0.000 0.052
#> GSM87889 5 0.6468 0.69948 0.072 0.188 0.000 0.112 0.628
#> GSM87898 2 0.1608 0.67500 0.072 0.928 0.000 0.000 0.000
#> GSM87915 1 0.1956 0.85630 0.916 0.008 0.000 0.000 0.076
#> GSM87936 4 0.0693 0.88646 0.000 0.000 0.008 0.980 0.012
#> GSM87945 3 0.2408 0.89714 0.000 0.000 0.892 0.016 0.092
#> GSM87855 3 0.2850 0.89255 0.000 0.000 0.872 0.036 0.092
#> GSM87879 5 0.5904 0.76392 0.000 0.152 0.008 0.216 0.624
#> GSM87922 4 0.5710 -0.37154 0.000 0.060 0.008 0.468 0.464
#> GSM87926 4 0.1750 0.84828 0.000 0.036 0.000 0.936 0.028
#> GSM87958 1 0.0162 0.85707 0.996 0.000 0.000 0.000 0.004
#> GSM87860 3 0.3339 0.84241 0.000 0.000 0.840 0.112 0.048
#> GSM87884 1 0.0566 0.85418 0.984 0.004 0.000 0.000 0.012
#> GSM87893 3 0.0290 0.91999 0.000 0.000 0.992 0.008 0.000
#> GSM87918 2 0.1885 0.68812 0.020 0.936 0.000 0.012 0.032
#> GSM87931 4 0.0162 0.88685 0.000 0.000 0.004 0.996 0.000
#> GSM87950 1 0.3074 0.82861 0.804 0.000 0.000 0.000 0.196
#> GSM87870 1 0.4337 0.71932 0.744 0.204 0.000 0.000 0.052
#> GSM87875 3 0.3608 0.86404 0.000 0.000 0.824 0.064 0.112
#> GSM87903 2 0.3326 0.64325 0.000 0.824 0.000 0.152 0.024
#> GSM87912 1 0.1956 0.85630 0.916 0.008 0.000 0.000 0.076
#> GSM87940 4 0.0324 0.88614 0.000 0.000 0.004 0.992 0.004
#> GSM87866 1 0.4337 0.71932 0.744 0.204 0.000 0.000 0.052
#> GSM87899 2 0.3994 0.61579 0.000 0.772 0.000 0.188 0.040
#> GSM87937 4 0.0693 0.88646 0.000 0.000 0.008 0.980 0.012
#> GSM87946 1 0.0000 0.85675 1.000 0.000 0.000 0.000 0.000
#> GSM87856 3 0.3201 0.88306 0.000 0.000 0.852 0.052 0.096
#> GSM87880 5 0.5904 0.76392 0.000 0.152 0.008 0.216 0.624
#> GSM87908 2 0.0290 0.69024 0.000 0.992 0.000 0.000 0.008
#> GSM87923 5 0.6772 0.33176 0.000 0.068 0.068 0.412 0.452
#> GSM87927 4 0.3681 0.70307 0.000 0.148 0.000 0.808 0.044
#> GSM87959 1 0.0880 0.85794 0.968 0.000 0.000 0.000 0.032
#> GSM87861 3 0.2438 0.89182 0.000 0.000 0.900 0.060 0.040
#> GSM87885 5 0.6521 0.69586 0.076 0.188 0.000 0.112 0.624
#> GSM87894 1 0.1981 0.83711 0.920 0.064 0.000 0.000 0.016
#> GSM87932 1 0.3980 0.76914 0.708 0.008 0.000 0.000 0.284
#> GSM87951 1 0.3074 0.82861 0.804 0.000 0.000 0.000 0.196
#> GSM87871 1 0.7066 0.00415 0.448 0.388 0.000 0.080 0.084
#> GSM87876 5 0.6453 0.72450 0.044 0.184 0.008 0.128 0.636
#> GSM87904 2 0.7529 0.33192 0.000 0.448 0.232 0.264 0.056
#> GSM87913 1 0.3565 0.76895 0.800 0.176 0.000 0.000 0.024
#> GSM87941 4 0.3681 0.70307 0.000 0.148 0.000 0.808 0.044
#> GSM87955 1 0.2966 0.83294 0.816 0.000 0.000 0.000 0.184
#> GSM87867 2 0.5971 0.17228 0.364 0.544 0.000 0.016 0.076
#> GSM87890 5 0.5976 0.61495 0.000 0.116 0.000 0.376 0.508
#> GSM87900 2 0.1753 0.68592 0.000 0.936 0.000 0.032 0.032
#> GSM87916 5 0.6069 0.50729 0.000 0.120 0.000 0.432 0.448
#> GSM87947 1 0.1399 0.84790 0.952 0.020 0.000 0.000 0.028
#> GSM87857 3 0.4057 0.83743 0.000 0.000 0.792 0.088 0.120
#> GSM87881 5 0.6055 0.76330 0.004 0.152 0.008 0.216 0.620
#> GSM87909 2 0.1608 0.67500 0.072 0.928 0.000 0.000 0.000
#> GSM87928 1 0.3980 0.76914 0.708 0.008 0.000 0.000 0.284
#> GSM87960 1 0.0000 0.85675 1.000 0.000 0.000 0.000 0.000
#> GSM87862 2 0.8214 0.07071 0.000 0.392 0.240 0.140 0.228
#> GSM87886 1 0.0566 0.85418 0.984 0.004 0.000 0.000 0.012
#> GSM87895 2 0.7529 0.33192 0.000 0.448 0.232 0.264 0.056
#> GSM87919 1 0.3074 0.82861 0.804 0.000 0.000 0.000 0.196
#> GSM87933 4 0.2208 0.82678 0.000 0.020 0.000 0.908 0.072
#> GSM87952 1 0.3074 0.82861 0.804 0.000 0.000 0.000 0.196
#> GSM87872 2 0.4749 0.42384 0.008 0.700 0.000 0.040 0.252
#> GSM87877 1 0.2588 0.82796 0.892 0.060 0.000 0.000 0.048
#> GSM87905 2 0.1608 0.67500 0.072 0.928 0.000 0.000 0.000
#> GSM87914 2 0.1885 0.68812 0.020 0.936 0.000 0.012 0.032
#> GSM87942 5 0.6192 0.66363 0.004 0.236 0.000 0.188 0.572
#> GSM87956 1 0.2966 0.83294 0.816 0.000 0.000 0.000 0.184
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.3896 0.681 0.000 0.196 0.000 0.000 0.056 0.748
#> GSM87887 6 0.3934 0.681 0.052 0.036 0.000 0.000 0.116 0.796
#> GSM87896 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87934 4 0.0146 0.938 0.000 0.000 0.000 0.996 0.004 0.000
#> GSM87943 3 0.2504 0.895 0.088 0.000 0.880 0.004 0.028 0.000
#> GSM87853 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.3081 0.689 0.012 0.824 0.000 0.152 0.012 0.000
#> GSM87920 6 0.5831 0.483 0.024 0.292 0.000 0.012 0.096 0.576
#> GSM87924 4 0.0653 0.937 0.012 0.000 0.004 0.980 0.004 0.000
#> GSM87858 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87882 5 0.2062 0.761 0.000 0.008 0.004 0.088 0.900 0.000
#> GSM87891 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87917 1 0.2941 0.835 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87929 5 0.6004 0.566 0.100 0.084 0.000 0.216 0.600 0.000
#> GSM87948 6 0.0806 0.776 0.000 0.008 0.000 0.000 0.020 0.972
#> GSM87868 6 0.1007 0.767 0.044 0.000 0.000 0.000 0.000 0.956
#> GSM87873 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0363 0.729 0.000 0.988 0.000 0.000 0.012 0.000
#> GSM87910 1 0.2941 0.835 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87938 4 0.0291 0.938 0.004 0.000 0.000 0.992 0.004 0.000
#> GSM87953 1 0.3862 0.529 0.524 0.000 0.000 0.000 0.000 0.476
#> GSM87864 6 0.3896 0.681 0.000 0.196 0.000 0.000 0.056 0.748
#> GSM87888 5 0.1812 0.763 0.000 0.008 0.000 0.080 0.912 0.000
#> GSM87897 2 0.3983 0.676 0.012 0.768 0.000 0.164 0.056 0.000
#> GSM87935 4 0.0653 0.937 0.012 0.000 0.004 0.980 0.004 0.000
#> GSM87944 6 0.1075 0.765 0.048 0.000 0.000 0.000 0.000 0.952
#> GSM87854 3 0.6298 0.716 0.088 0.064 0.660 0.064 0.116 0.008
#> GSM87878 6 0.3934 0.681 0.052 0.036 0.000 0.000 0.116 0.796
#> GSM87907 2 0.7311 0.422 0.016 0.448 0.228 0.220 0.088 0.000
#> GSM87921 5 0.6840 0.435 0.088 0.240 0.000 0.192 0.480 0.000
#> GSM87925 4 0.0653 0.937 0.012 0.000 0.004 0.980 0.004 0.000
#> GSM87957 6 0.1663 0.742 0.088 0.000 0.000 0.000 0.000 0.912
#> GSM87859 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 6 0.1075 0.764 0.048 0.000 0.000 0.000 0.000 0.952
#> GSM87892 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87930 4 0.0291 0.938 0.000 0.000 0.004 0.992 0.004 0.000
#> GSM87949 1 0.2941 0.835 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87869 6 0.1007 0.767 0.044 0.000 0.000 0.000 0.000 0.956
#> GSM87874 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87902 2 0.0363 0.729 0.000 0.988 0.000 0.000 0.012 0.000
#> GSM87911 5 0.7203 0.291 0.088 0.312 0.000 0.164 0.424 0.012
#> GSM87939 4 0.1649 0.905 0.016 0.008 0.000 0.936 0.040 0.000
#> GSM87954 1 0.3862 0.529 0.524 0.000 0.000 0.000 0.000 0.476
#> GSM87865 6 0.3746 0.690 0.000 0.192 0.000 0.000 0.048 0.760
#> GSM87889 5 0.2575 0.711 0.000 0.044 0.000 0.004 0.880 0.072
#> GSM87898 2 0.1444 0.715 0.000 0.928 0.000 0.000 0.000 0.072
#> GSM87915 6 0.3043 0.596 0.196 0.004 0.000 0.000 0.004 0.796
#> GSM87936 4 0.0653 0.937 0.012 0.000 0.004 0.980 0.004 0.000
#> GSM87945 3 0.2504 0.895 0.088 0.000 0.880 0.004 0.028 0.000
#> GSM87855 3 0.2924 0.891 0.084 0.000 0.864 0.024 0.028 0.000
#> GSM87879 5 0.1812 0.763 0.000 0.008 0.000 0.080 0.912 0.000
#> GSM87922 5 0.5644 0.438 0.088 0.024 0.000 0.368 0.520 0.000
#> GSM87926 4 0.1649 0.905 0.016 0.008 0.000 0.936 0.040 0.000
#> GSM87958 6 0.1714 0.738 0.092 0.000 0.000 0.000 0.000 0.908
#> GSM87860 3 0.3246 0.848 0.016 0.000 0.844 0.068 0.072 0.000
#> GSM87884 6 0.1075 0.764 0.048 0.000 0.000 0.000 0.000 0.952
#> GSM87893 3 0.0000 0.919 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87918 2 0.1708 0.724 0.004 0.932 0.000 0.000 0.040 0.024
#> GSM87931 4 0.0146 0.938 0.000 0.000 0.000 0.996 0.004 0.000
#> GSM87950 1 0.2941 0.835 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87870 6 0.3746 0.690 0.000 0.192 0.000 0.000 0.048 0.760
#> GSM87875 3 0.3702 0.863 0.088 0.000 0.812 0.020 0.080 0.000
#> GSM87903 2 0.3081 0.689 0.012 0.824 0.000 0.152 0.012 0.000
#> GSM87912 6 0.3043 0.596 0.196 0.004 0.000 0.000 0.004 0.796
#> GSM87940 4 0.0291 0.938 0.004 0.000 0.000 0.992 0.004 0.000
#> GSM87866 6 0.3746 0.690 0.000 0.192 0.000 0.000 0.048 0.760
#> GSM87899 2 0.3983 0.676 0.012 0.768 0.000 0.164 0.056 0.000
#> GSM87937 4 0.0653 0.937 0.012 0.000 0.004 0.980 0.004 0.000
#> GSM87946 6 0.1075 0.765 0.048 0.000 0.000 0.000 0.000 0.952
#> GSM87856 3 0.3344 0.880 0.088 0.000 0.840 0.032 0.040 0.000
#> GSM87880 5 0.1812 0.763 0.000 0.008 0.000 0.080 0.912 0.000
#> GSM87908 2 0.0260 0.729 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM87923 5 0.6758 0.483 0.088 0.040 0.060 0.292 0.520 0.000
#> GSM87927 4 0.3694 0.783 0.020 0.116 0.000 0.808 0.056 0.000
#> GSM87959 6 0.2378 0.662 0.152 0.000 0.000 0.000 0.000 0.848
#> GSM87861 3 0.2213 0.890 0.012 0.000 0.908 0.048 0.032 0.000
#> GSM87885 5 0.2718 0.710 0.004 0.044 0.000 0.004 0.876 0.072
#> GSM87894 6 0.1411 0.777 0.004 0.060 0.000 0.000 0.000 0.936
#> GSM87932 1 0.2588 0.744 0.860 0.004 0.000 0.000 0.012 0.124
#> GSM87951 1 0.2941 0.835 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87871 6 0.6217 0.125 0.000 0.384 0.000 0.052 0.104 0.460
#> GSM87876 5 0.2078 0.725 0.000 0.040 0.000 0.004 0.912 0.044
#> GSM87904 2 0.7311 0.422 0.016 0.448 0.228 0.220 0.088 0.000
#> GSM87913 6 0.3638 0.700 0.036 0.172 0.000 0.000 0.008 0.784
#> GSM87941 4 0.3694 0.783 0.020 0.116 0.000 0.808 0.056 0.000
#> GSM87955 1 0.3862 0.529 0.524 0.000 0.000 0.000 0.000 0.476
#> GSM87867 2 0.5182 0.107 0.000 0.532 0.000 0.000 0.096 0.372
#> GSM87890 5 0.3221 0.659 0.000 0.000 0.000 0.264 0.736 0.000
#> GSM87900 2 0.1563 0.728 0.000 0.932 0.000 0.012 0.056 0.000
#> GSM87916 5 0.4089 0.540 0.012 0.004 0.000 0.352 0.632 0.000
#> GSM87947 6 0.0909 0.776 0.000 0.012 0.000 0.000 0.020 0.968
#> GSM87857 3 0.4275 0.835 0.088 0.000 0.780 0.060 0.072 0.000
#> GSM87881 5 0.2162 0.763 0.000 0.012 0.000 0.088 0.896 0.004
#> GSM87909 2 0.1444 0.715 0.000 0.928 0.000 0.000 0.000 0.072
#> GSM87928 1 0.2588 0.744 0.860 0.004 0.000 0.000 0.012 0.124
#> GSM87960 6 0.1267 0.761 0.060 0.000 0.000 0.000 0.000 0.940
#> GSM87862 2 0.7360 0.119 0.004 0.352 0.236 0.096 0.312 0.000
#> GSM87886 6 0.1075 0.764 0.048 0.000 0.000 0.000 0.000 0.952
#> GSM87895 2 0.7311 0.422 0.016 0.448 0.228 0.220 0.088 0.000
#> GSM87919 1 0.2941 0.835 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87933 4 0.2544 0.828 0.012 0.004 0.000 0.864 0.120 0.000
#> GSM87952 1 0.2941 0.835 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87872 2 0.4319 0.439 0.000 0.648 0.000 0.024 0.320 0.008
#> GSM87877 6 0.2066 0.771 0.000 0.052 0.000 0.000 0.040 0.908
#> GSM87905 2 0.1444 0.715 0.000 0.928 0.000 0.000 0.000 0.072
#> GSM87914 2 0.1708 0.724 0.004 0.932 0.000 0.000 0.040 0.024
#> GSM87942 5 0.5317 0.650 0.120 0.084 0.000 0.104 0.692 0.000
#> GSM87956 1 0.3862 0.529 0.524 0.000 0.000 0.000 0.000 0.476
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 time(p) agent(p) individual(p) k
#> SD:hclust 106 0.986 0.657 9.75e-07 2
#> SD:hclust 87 0.459 0.505 4.81e-06 3
#> SD:hclust 90 0.629 0.624 5.76e-19 4
#> SD:hclust 97 0.862 0.861 8.16e-27 5
#> SD:hclust 96 0.884 0.334 1.45e-26 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 108 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 0.961 0.939 0.976 0.5008 0.498 0.498
#> 3 3 0.612 0.680 0.857 0.3067 0.723 0.498
#> 4 4 0.778 0.764 0.884 0.1291 0.799 0.490
#> 5 5 0.760 0.745 0.850 0.0765 0.870 0.555
#> 6 6 0.815 0.724 0.842 0.0442 0.944 0.734
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
#> GSM87863 1 0.000 0.971 1.000 0.000
#> GSM87887 1 0.000 0.971 1.000 0.000
#> GSM87896 2 0.000 0.978 0.000 1.000
#> GSM87934 2 0.000 0.978 0.000 1.000
#> GSM87943 2 0.000 0.978 0.000 1.000
#> GSM87853 2 0.000 0.978 0.000 1.000
#> GSM87906 2 0.000 0.978 0.000 1.000
#> GSM87920 1 0.000 0.971 1.000 0.000
#> GSM87924 2 0.000 0.978 0.000 1.000
#> GSM87858 2 0.000 0.978 0.000 1.000
#> GSM87882 2 0.000 0.978 0.000 1.000
#> GSM87891 2 0.000 0.978 0.000 1.000
#> GSM87917 1 0.000 0.971 1.000 0.000
#> GSM87929 2 0.000 0.978 0.000 1.000
#> GSM87948 1 0.000 0.971 1.000 0.000
#> GSM87868 1 0.000 0.971 1.000 0.000
#> GSM87873 2 0.000 0.978 0.000 1.000
#> GSM87901 1 0.881 0.572 0.700 0.300
#> GSM87910 1 0.000 0.971 1.000 0.000
#> GSM87938 2 0.000 0.978 0.000 1.000
#> GSM87953 1 0.000 0.971 1.000 0.000
#> GSM87864 1 0.000 0.971 1.000 0.000
#> GSM87888 2 0.000 0.978 0.000 1.000
#> GSM87897 2 0.000 0.978 0.000 1.000
#> GSM87935 2 0.000 0.978 0.000 1.000
#> GSM87944 1 0.000 0.971 1.000 0.000
#> GSM87854 2 0.000 0.978 0.000 1.000
#> GSM87878 1 0.000 0.971 1.000 0.000
#> GSM87907 2 0.000 0.978 0.000 1.000
#> GSM87921 2 0.000 0.978 0.000 1.000
#> GSM87925 2 0.000 0.978 0.000 1.000
#> GSM87957 1 0.000 0.971 1.000 0.000
#> GSM87859 2 0.000 0.978 0.000 1.000
#> GSM87883 1 0.000 0.971 1.000 0.000
#> GSM87892 2 0.000 0.978 0.000 1.000
#> GSM87930 2 0.000 0.978 0.000 1.000
#> GSM87949 1 0.000 0.971 1.000 0.000
#> GSM87869 1 0.000 0.971 1.000 0.000
#> GSM87874 2 0.000 0.978 0.000 1.000
#> GSM87902 1 0.958 0.393 0.620 0.380
#> GSM87911 2 0.706 0.748 0.192 0.808
#> GSM87939 2 0.000 0.978 0.000 1.000
#> GSM87954 1 0.000 0.971 1.000 0.000
#> GSM87865 1 0.000 0.971 1.000 0.000
#> GSM87889 1 0.000 0.971 1.000 0.000
#> GSM87898 1 0.000 0.971 1.000 0.000
#> GSM87915 1 0.000 0.971 1.000 0.000
#> GSM87936 2 0.000 0.978 0.000 1.000
#> GSM87945 2 0.000 0.978 0.000 1.000
#> GSM87855 2 0.000 0.978 0.000 1.000
#> GSM87879 2 0.000 0.978 0.000 1.000
#> GSM87922 2 0.000 0.978 0.000 1.000
#> GSM87926 2 0.000 0.978 0.000 1.000
#> GSM87958 1 0.000 0.971 1.000 0.000
#> GSM87860 2 0.000 0.978 0.000 1.000
#> GSM87884 1 0.000 0.971 1.000 0.000
#> GSM87893 2 0.000 0.978 0.000 1.000
#> GSM87918 1 0.876 0.579 0.704 0.296
#> GSM87931 2 0.000 0.978 0.000 1.000
#> GSM87950 1 0.000 0.971 1.000 0.000
#> GSM87870 1 0.000 0.971 1.000 0.000
#> GSM87875 2 0.000 0.978 0.000 1.000
#> GSM87903 2 0.000 0.978 0.000 1.000
#> GSM87912 1 0.000 0.971 1.000 0.000
#> GSM87940 2 0.000 0.978 0.000 1.000
#> GSM87866 1 0.000 0.971 1.000 0.000
#> GSM87899 2 0.000 0.978 0.000 1.000
#> GSM87937 2 0.000 0.978 0.000 1.000
#> GSM87946 1 0.000 0.971 1.000 0.000
#> GSM87856 2 0.000 0.978 0.000 1.000
#> GSM87880 2 0.000 0.978 0.000 1.000
#> GSM87908 1 0.969 0.350 0.604 0.396
#> GSM87923 2 0.000 0.978 0.000 1.000
#> GSM87927 2 0.000 0.978 0.000 1.000
#> GSM87959 1 0.000 0.971 1.000 0.000
#> GSM87861 2 0.000 0.978 0.000 1.000
#> GSM87885 1 0.000 0.971 1.000 0.000
#> GSM87894 1 0.000 0.971 1.000 0.000
#> GSM87932 1 0.000 0.971 1.000 0.000
#> GSM87951 1 0.000 0.971 1.000 0.000
#> GSM87871 2 0.671 0.772 0.176 0.824
#> GSM87876 1 0.000 0.971 1.000 0.000
#> GSM87904 2 0.000 0.978 0.000 1.000
#> GSM87913 1 0.000 0.971 1.000 0.000
#> GSM87941 2 0.000 0.978 0.000 1.000
#> GSM87955 1 0.000 0.971 1.000 0.000
#> GSM87867 1 0.000 0.971 1.000 0.000
#> GSM87890 2 0.000 0.978 0.000 1.000
#> GSM87900 2 0.000 0.978 0.000 1.000
#> GSM87916 2 0.000 0.978 0.000 1.000
#> GSM87947 1 0.000 0.971 1.000 0.000
#> GSM87857 2 0.000 0.978 0.000 1.000
#> GSM87881 2 0.000 0.978 0.000 1.000
#> GSM87909 1 0.000 0.971 1.000 0.000
#> GSM87928 1 0.000 0.971 1.000 0.000
#> GSM87960 1 0.000 0.971 1.000 0.000
#> GSM87862 2 0.000 0.978 0.000 1.000
#> GSM87886 1 0.000 0.971 1.000 0.000
#> GSM87895 2 0.000 0.978 0.000 1.000
#> GSM87919 1 0.000 0.971 1.000 0.000
#> GSM87933 2 0.000 0.978 0.000 1.000
#> GSM87952 1 0.000 0.971 1.000 0.000
#> GSM87872 2 0.000 0.978 0.000 1.000
#> GSM87877 1 0.000 0.971 1.000 0.000
#> GSM87905 1 0.000 0.971 1.000 0.000
#> GSM87914 2 0.978 0.277 0.412 0.588
#> GSM87942 2 0.978 0.277 0.412 0.588
#> GSM87956 1 0.000 0.971 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.5926 0.3456 0.356 0.644 0.000
#> GSM87887 1 0.4178 0.8223 0.828 0.172 0.000
#> GSM87896 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87934 3 0.6225 0.5064 0.000 0.432 0.568
#> GSM87943 3 0.5138 0.4730 0.000 0.252 0.748
#> GSM87853 3 0.1411 0.6944 0.000 0.036 0.964
#> GSM87906 2 0.1163 0.7540 0.000 0.972 0.028
#> GSM87920 2 0.5835 0.3966 0.340 0.660 0.000
#> GSM87924 3 0.2448 0.6882 0.000 0.076 0.924
#> GSM87858 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87882 2 0.3412 0.6786 0.000 0.876 0.124
#> GSM87891 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87929 2 0.5016 0.4380 0.000 0.760 0.240
#> GSM87948 1 0.1643 0.9174 0.956 0.044 0.000
#> GSM87868 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87901 2 0.1453 0.7560 0.024 0.968 0.008
#> GSM87910 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87938 3 0.6225 0.5064 0.000 0.432 0.568
#> GSM87953 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87864 1 0.5678 0.6129 0.684 0.316 0.000
#> GSM87888 2 0.1643 0.7497 0.000 0.956 0.044
#> GSM87897 2 0.1289 0.7533 0.000 0.968 0.032
#> GSM87935 3 0.6225 0.5064 0.000 0.432 0.568
#> GSM87944 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87854 2 0.4750 0.5906 0.000 0.784 0.216
#> GSM87878 1 0.4235 0.8189 0.824 0.176 0.000
#> GSM87907 3 0.5859 0.5502 0.000 0.344 0.656
#> GSM87921 2 0.0424 0.7529 0.000 0.992 0.008
#> GSM87925 3 0.6225 0.5064 0.000 0.432 0.568
#> GSM87957 1 0.2356 0.9029 0.928 0.072 0.000
#> GSM87859 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87930 3 0.6215 0.5103 0.000 0.428 0.572
#> GSM87949 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87902 2 0.1774 0.7559 0.024 0.960 0.016
#> GSM87911 2 0.1399 0.7550 0.004 0.968 0.028
#> GSM87939 3 0.6302 0.4027 0.000 0.480 0.520
#> GSM87954 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87865 1 0.5706 0.6055 0.680 0.320 0.000
#> GSM87889 2 0.4555 0.6294 0.200 0.800 0.000
#> GSM87898 1 0.4974 0.7407 0.764 0.236 0.000
#> GSM87915 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87936 3 0.6225 0.5064 0.000 0.432 0.568
#> GSM87945 3 0.1529 0.6935 0.000 0.040 0.960
#> GSM87855 3 0.2261 0.6788 0.000 0.068 0.932
#> GSM87879 2 0.3192 0.6924 0.000 0.888 0.112
#> GSM87922 2 0.5810 0.1925 0.000 0.664 0.336
#> GSM87926 2 0.6291 -0.2888 0.000 0.532 0.468
#> GSM87958 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87860 3 0.1529 0.6935 0.000 0.040 0.960
#> GSM87884 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.7015 0.000 0.000 1.000
#> GSM87918 2 0.1453 0.7560 0.024 0.968 0.008
#> GSM87931 3 0.6244 0.4922 0.000 0.440 0.560
#> GSM87950 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87870 1 0.5138 0.7200 0.748 0.252 0.000
#> GSM87875 3 0.2261 0.6788 0.000 0.068 0.932
#> GSM87903 2 0.1289 0.7534 0.000 0.968 0.032
#> GSM87912 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87940 3 0.6225 0.5064 0.000 0.432 0.568
#> GSM87866 1 0.3267 0.8733 0.884 0.116 0.000
#> GSM87899 2 0.6095 0.2050 0.000 0.608 0.392
#> GSM87937 3 0.6225 0.5064 0.000 0.432 0.568
#> GSM87946 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87856 3 0.5138 0.4730 0.000 0.252 0.748
#> GSM87880 2 0.1643 0.7497 0.000 0.956 0.044
#> GSM87908 2 0.1774 0.7559 0.024 0.960 0.016
#> GSM87923 2 0.5926 0.1885 0.000 0.644 0.356
#> GSM87927 2 0.1643 0.7297 0.000 0.956 0.044
#> GSM87959 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87861 3 0.1529 0.6935 0.000 0.040 0.960
#> GSM87885 2 0.4346 0.6429 0.184 0.816 0.000
#> GSM87894 1 0.2959 0.8848 0.900 0.100 0.000
#> GSM87932 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87871 2 0.2031 0.7533 0.032 0.952 0.016
#> GSM87876 2 0.4555 0.6294 0.200 0.800 0.000
#> GSM87904 2 0.6291 -0.0772 0.000 0.532 0.468
#> GSM87913 1 0.3267 0.8733 0.884 0.116 0.000
#> GSM87941 2 0.1860 0.7234 0.000 0.948 0.052
#> GSM87955 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87867 2 0.5098 0.5817 0.248 0.752 0.000
#> GSM87890 3 0.6244 0.4922 0.000 0.440 0.560
#> GSM87900 2 0.1411 0.7381 0.000 0.964 0.036
#> GSM87916 2 0.6252 -0.2174 0.000 0.556 0.444
#> GSM87947 1 0.2356 0.9029 0.928 0.072 0.000
#> GSM87857 3 0.5178 0.4703 0.000 0.256 0.744
#> GSM87881 2 0.0424 0.7529 0.000 0.992 0.008
#> GSM87909 2 0.1529 0.7503 0.040 0.960 0.000
#> GSM87928 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87862 2 0.6026 0.1253 0.000 0.624 0.376
#> GSM87886 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87895 3 0.5733 0.5656 0.000 0.324 0.676
#> GSM87919 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87933 3 0.6302 0.4027 0.000 0.480 0.520
#> GSM87952 1 0.0000 0.9373 1.000 0.000 0.000
#> GSM87872 2 0.0424 0.7529 0.000 0.992 0.008
#> GSM87877 1 0.4178 0.8223 0.828 0.172 0.000
#> GSM87905 2 0.6299 -0.0703 0.476 0.524 0.000
#> GSM87914 2 0.0000 0.7502 0.000 1.000 0.000
#> GSM87942 2 0.1411 0.7321 0.000 0.964 0.036
#> GSM87956 1 0.0000 0.9373 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.1211 0.8213 0.000 0.960 0.040 0.000
#> GSM87887 2 0.6062 0.0310 0.452 0.512 0.028 0.008
#> GSM87896 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87934 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87943 3 0.1302 0.8302 0.000 0.044 0.956 0.000
#> GSM87853 3 0.1118 0.8545 0.000 0.000 0.964 0.036
#> GSM87906 2 0.3808 0.7187 0.000 0.812 0.012 0.176
#> GSM87920 2 0.1411 0.8193 0.020 0.960 0.020 0.000
#> GSM87924 4 0.1302 0.9149 0.000 0.000 0.044 0.956
#> GSM87858 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87882 2 0.3398 0.7983 0.000 0.872 0.060 0.068
#> GSM87891 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87917 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87929 4 0.1004 0.9066 0.000 0.024 0.004 0.972
#> GSM87948 1 0.4855 0.6143 0.712 0.268 0.020 0.000
#> GSM87868 1 0.2563 0.8572 0.908 0.072 0.020 0.000
#> GSM87873 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87901 2 0.1042 0.8256 0.000 0.972 0.008 0.020
#> GSM87910 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87938 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87953 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87864 2 0.3991 0.6938 0.172 0.808 0.020 0.000
#> GSM87888 2 0.2840 0.8136 0.000 0.900 0.044 0.056
#> GSM87897 2 0.3895 0.7089 0.000 0.804 0.012 0.184
#> GSM87935 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87944 1 0.2563 0.8572 0.908 0.072 0.020 0.000
#> GSM87854 2 0.2319 0.8176 0.000 0.924 0.036 0.040
#> GSM87878 2 0.5655 0.4339 0.316 0.648 0.028 0.008
#> GSM87907 3 0.6878 0.4171 0.000 0.128 0.556 0.316
#> GSM87921 2 0.3672 0.7321 0.000 0.824 0.012 0.164
#> GSM87925 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87957 1 0.5108 0.5427 0.672 0.308 0.020 0.000
#> GSM87859 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87883 1 0.1913 0.8808 0.940 0.040 0.020 0.000
#> GSM87892 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87930 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87949 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87874 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87902 2 0.1042 0.8256 0.000 0.972 0.008 0.020
#> GSM87911 2 0.1520 0.8253 0.000 0.956 0.024 0.020
#> GSM87939 4 0.1256 0.9283 0.000 0.008 0.028 0.964
#> GSM87954 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87865 2 0.2909 0.7774 0.092 0.888 0.020 0.000
#> GSM87889 2 0.1722 0.8192 0.000 0.944 0.048 0.008
#> GSM87898 2 0.4623 0.6991 0.168 0.792 0.020 0.020
#> GSM87915 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87936 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87945 3 0.1022 0.8546 0.000 0.000 0.968 0.032
#> GSM87855 3 0.1022 0.8546 0.000 0.000 0.968 0.032
#> GSM87879 2 0.2996 0.8099 0.000 0.892 0.044 0.064
#> GSM87922 4 0.6265 0.1008 0.000 0.444 0.056 0.500
#> GSM87926 4 0.1174 0.9238 0.000 0.012 0.020 0.968
#> GSM87958 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87860 3 0.1209 0.8526 0.000 0.004 0.964 0.032
#> GSM87884 1 0.1913 0.8808 0.940 0.040 0.020 0.000
#> GSM87893 3 0.1716 0.8526 0.000 0.000 0.936 0.064
#> GSM87918 2 0.1042 0.8256 0.000 0.972 0.008 0.020
#> GSM87931 4 0.1256 0.9283 0.000 0.008 0.028 0.964
#> GSM87950 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87870 2 0.5323 0.3588 0.352 0.628 0.020 0.000
#> GSM87875 3 0.0817 0.8524 0.000 0.000 0.976 0.024
#> GSM87903 2 0.3808 0.7187 0.000 0.812 0.012 0.176
#> GSM87912 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87940 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87866 2 0.5606 -0.0528 0.480 0.500 0.020 0.000
#> GSM87899 3 0.7644 0.1743 0.000 0.380 0.412 0.208
#> GSM87937 4 0.0921 0.9286 0.000 0.000 0.028 0.972
#> GSM87946 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87856 3 0.1389 0.8300 0.000 0.048 0.952 0.000
#> GSM87880 2 0.2675 0.8165 0.000 0.908 0.044 0.048
#> GSM87908 2 0.1042 0.8256 0.000 0.972 0.008 0.020
#> GSM87923 2 0.6806 0.2628 0.000 0.544 0.112 0.344
#> GSM87927 4 0.2101 0.8696 0.000 0.060 0.012 0.928
#> GSM87959 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87861 3 0.1022 0.8546 0.000 0.000 0.968 0.032
#> GSM87885 2 0.1722 0.8192 0.000 0.944 0.048 0.008
#> GSM87894 1 0.5607 0.0389 0.492 0.488 0.020 0.000
#> GSM87932 1 0.0188 0.9111 0.996 0.000 0.000 0.004
#> GSM87951 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87871 2 0.0707 0.8240 0.000 0.980 0.020 0.000
#> GSM87876 2 0.1722 0.8192 0.000 0.944 0.048 0.008
#> GSM87904 3 0.6634 0.5355 0.000 0.164 0.624 0.212
#> GSM87913 1 0.5606 0.0589 0.500 0.480 0.020 0.000
#> GSM87941 4 0.1824 0.8765 0.000 0.060 0.004 0.936
#> GSM87955 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87867 2 0.1211 0.8213 0.000 0.960 0.040 0.000
#> GSM87890 4 0.1833 0.9166 0.000 0.024 0.032 0.944
#> GSM87900 2 0.4795 0.5476 0.000 0.696 0.012 0.292
#> GSM87916 4 0.1833 0.9166 0.000 0.024 0.032 0.944
#> GSM87947 1 0.5130 0.5352 0.668 0.312 0.020 0.000
#> GSM87857 3 0.1978 0.8194 0.000 0.068 0.928 0.004
#> GSM87881 2 0.2660 0.8163 0.000 0.908 0.036 0.056
#> GSM87909 2 0.1042 0.8256 0.000 0.972 0.008 0.020
#> GSM87928 1 0.0188 0.9111 0.996 0.000 0.000 0.004
#> GSM87960 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87862 3 0.7871 0.1658 0.000 0.332 0.384 0.284
#> GSM87886 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87895 3 0.6500 0.3820 0.000 0.080 0.544 0.376
#> GSM87919 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87933 4 0.1256 0.9283 0.000 0.008 0.028 0.964
#> GSM87952 1 0.0000 0.9133 1.000 0.000 0.000 0.000
#> GSM87872 2 0.1938 0.8179 0.000 0.936 0.012 0.052
#> GSM87877 2 0.5937 0.0208 0.456 0.512 0.028 0.004
#> GSM87905 2 0.1520 0.8229 0.024 0.956 0.000 0.020
#> GSM87914 2 0.2799 0.7810 0.000 0.884 0.008 0.108
#> GSM87942 4 0.3764 0.6959 0.000 0.216 0.000 0.784
#> GSM87956 1 0.0000 0.9133 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
#> GSM87863 5 0.2583 0.6676 0.000 0.132 0.004 0.000 0.864
#> GSM87887 5 0.2782 0.6848 0.096 0.016 0.004 0.004 0.880
#> GSM87896 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87934 4 0.0162 0.9712 0.000 0.000 0.004 0.996 0.000
#> GSM87943 3 0.4162 0.8078 0.000 0.176 0.768 0.000 0.056
#> GSM87853 3 0.0912 0.9211 0.000 0.000 0.972 0.012 0.016
#> GSM87906 2 0.2077 0.7515 0.000 0.908 0.000 0.008 0.084
#> GSM87920 5 0.3333 0.6147 0.000 0.208 0.004 0.000 0.788
#> GSM87924 4 0.0510 0.9647 0.000 0.000 0.016 0.984 0.000
#> GSM87858 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87882 5 0.4758 0.3507 0.000 0.432 0.004 0.012 0.552
#> GSM87891 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87917 1 0.0404 0.8980 0.988 0.000 0.000 0.000 0.012
#> GSM87929 4 0.0798 0.9620 0.000 0.016 0.000 0.976 0.008
#> GSM87948 5 0.4425 0.0781 0.452 0.004 0.000 0.000 0.544
#> GSM87868 1 0.4440 0.1378 0.528 0.004 0.000 0.000 0.468
#> GSM87873 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87901 2 0.3086 0.7280 0.000 0.816 0.000 0.004 0.180
#> GSM87910 1 0.0404 0.8980 0.988 0.000 0.000 0.000 0.012
#> GSM87938 4 0.0451 0.9707 0.000 0.000 0.004 0.988 0.008
#> GSM87953 1 0.0324 0.8994 0.992 0.000 0.004 0.000 0.004
#> GSM87864 5 0.2608 0.6823 0.020 0.088 0.004 0.000 0.888
#> GSM87888 5 0.4527 0.3828 0.000 0.392 0.000 0.012 0.596
#> GSM87897 2 0.2193 0.7522 0.000 0.900 0.000 0.008 0.092
#> GSM87935 4 0.0162 0.9712 0.000 0.000 0.004 0.996 0.000
#> GSM87944 1 0.4440 0.1378 0.528 0.004 0.000 0.000 0.468
#> GSM87854 5 0.4430 0.3375 0.000 0.456 0.004 0.000 0.540
#> GSM87878 5 0.2709 0.6872 0.084 0.020 0.004 0.004 0.888
#> GSM87907 2 0.5682 0.5411 0.000 0.664 0.156 0.168 0.012
#> GSM87921 2 0.2843 0.7474 0.000 0.848 0.000 0.008 0.144
#> GSM87925 4 0.0162 0.9712 0.000 0.000 0.004 0.996 0.000
#> GSM87957 5 0.4531 0.1587 0.424 0.004 0.004 0.000 0.568
#> GSM87859 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87883 1 0.4288 0.3810 0.612 0.000 0.004 0.000 0.384
#> GSM87892 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87930 4 0.0451 0.9707 0.000 0.000 0.004 0.988 0.008
#> GSM87949 1 0.0000 0.8999 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.1478 0.8659 0.936 0.000 0.000 0.000 0.064
#> GSM87874 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87902 2 0.3123 0.7295 0.000 0.812 0.000 0.004 0.184
#> GSM87911 2 0.3128 0.7325 0.000 0.824 0.004 0.004 0.168
#> GSM87939 4 0.0162 0.9712 0.000 0.000 0.004 0.996 0.000
#> GSM87954 1 0.0324 0.8994 0.992 0.000 0.004 0.000 0.004
#> GSM87865 5 0.2407 0.6798 0.012 0.088 0.004 0.000 0.896
#> GSM87889 5 0.2392 0.6725 0.000 0.104 0.004 0.004 0.888
#> GSM87898 2 0.4595 0.3723 0.008 0.588 0.004 0.000 0.400
#> GSM87915 1 0.0671 0.8975 0.980 0.000 0.004 0.000 0.016
#> GSM87936 4 0.0162 0.9712 0.000 0.000 0.004 0.996 0.000
#> GSM87945 3 0.1518 0.9183 0.000 0.020 0.952 0.012 0.016
#> GSM87855 3 0.2100 0.9116 0.000 0.048 0.924 0.012 0.016
#> GSM87879 5 0.4610 0.3522 0.000 0.432 0.000 0.012 0.556
#> GSM87922 2 0.4932 0.5250 0.000 0.668 0.004 0.280 0.048
#> GSM87926 4 0.0162 0.9699 0.000 0.004 0.000 0.996 0.000
#> GSM87958 1 0.0162 0.8998 0.996 0.000 0.004 0.000 0.000
#> GSM87860 3 0.4110 0.8195 0.000 0.184 0.776 0.012 0.028
#> GSM87884 1 0.4288 0.3810 0.612 0.000 0.004 0.000 0.384
#> GSM87893 3 0.0404 0.9230 0.000 0.000 0.988 0.012 0.000
#> GSM87918 2 0.3123 0.7295 0.000 0.812 0.000 0.004 0.184
#> GSM87931 4 0.0451 0.9707 0.000 0.000 0.004 0.988 0.008
#> GSM87950 1 0.0000 0.8999 1.000 0.000 0.000 0.000 0.000
#> GSM87870 5 0.3148 0.6824 0.060 0.072 0.004 0.000 0.864
#> GSM87875 3 0.3730 0.8642 0.000 0.112 0.828 0.012 0.048
#> GSM87903 2 0.0992 0.7283 0.000 0.968 0.000 0.008 0.024
#> GSM87912 1 0.0671 0.8975 0.980 0.000 0.004 0.000 0.016
#> GSM87940 4 0.0451 0.9707 0.000 0.000 0.004 0.988 0.008
#> GSM87866 5 0.3513 0.6681 0.132 0.036 0.004 0.000 0.828
#> GSM87899 2 0.1278 0.7172 0.000 0.960 0.016 0.004 0.020
#> GSM87937 4 0.0162 0.9712 0.000 0.000 0.004 0.996 0.000
#> GSM87946 1 0.1410 0.8687 0.940 0.000 0.000 0.000 0.060
#> GSM87856 3 0.4162 0.8078 0.000 0.176 0.768 0.000 0.056
#> GSM87880 5 0.4310 0.3940 0.000 0.392 0.000 0.004 0.604
#> GSM87908 2 0.3123 0.7295 0.000 0.812 0.000 0.004 0.184
#> GSM87923 2 0.5843 0.5545 0.000 0.668 0.068 0.208 0.056
#> GSM87927 4 0.0510 0.9626 0.000 0.016 0.000 0.984 0.000
#> GSM87959 1 0.0000 0.8999 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.2100 0.9116 0.000 0.048 0.924 0.012 0.016
#> GSM87885 5 0.2339 0.6742 0.000 0.100 0.004 0.004 0.892
#> GSM87894 5 0.4191 0.6406 0.156 0.060 0.004 0.000 0.780
#> GSM87932 1 0.0771 0.8958 0.976 0.000 0.004 0.000 0.020
#> GSM87951 1 0.0000 0.8999 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.3715 0.5692 0.000 0.260 0.004 0.000 0.736
#> GSM87876 5 0.2233 0.6727 0.000 0.104 0.000 0.004 0.892
#> GSM87904 2 0.5283 0.5478 0.000 0.704 0.192 0.084 0.020
#> GSM87913 5 0.5738 0.4118 0.292 0.104 0.004 0.000 0.600
#> GSM87941 4 0.0510 0.9626 0.000 0.016 0.000 0.984 0.000
#> GSM87955 1 0.0000 0.8999 1.000 0.000 0.000 0.000 0.000
#> GSM87867 5 0.2719 0.6627 0.000 0.144 0.004 0.000 0.852
#> GSM87890 4 0.3516 0.7749 0.000 0.164 0.004 0.812 0.020
#> GSM87900 2 0.2423 0.7524 0.000 0.896 0.000 0.024 0.080
#> GSM87916 4 0.1717 0.9281 0.000 0.052 0.004 0.936 0.008
#> GSM87947 5 0.4333 0.3616 0.352 0.004 0.004 0.000 0.640
#> GSM87857 3 0.4584 0.7375 0.000 0.228 0.716 0.000 0.056
#> GSM87881 5 0.4637 0.2242 0.000 0.452 0.000 0.012 0.536
#> GSM87909 2 0.3266 0.7186 0.000 0.796 0.000 0.004 0.200
#> GSM87928 1 0.0771 0.8958 0.976 0.000 0.004 0.000 0.020
#> GSM87960 1 0.1121 0.8793 0.956 0.000 0.000 0.000 0.044
#> GSM87862 2 0.5291 0.5896 0.000 0.716 0.140 0.124 0.020
#> GSM87886 1 0.1282 0.8799 0.952 0.000 0.004 0.000 0.044
#> GSM87895 2 0.5948 0.5181 0.000 0.632 0.184 0.172 0.012
#> GSM87919 1 0.0404 0.8980 0.988 0.000 0.000 0.000 0.012
#> GSM87933 4 0.0451 0.9707 0.000 0.000 0.004 0.988 0.008
#> GSM87952 1 0.0000 0.8999 1.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.3563 0.6768 0.000 0.780 0.000 0.012 0.208
#> GSM87877 5 0.2575 0.6846 0.100 0.012 0.000 0.004 0.884
#> GSM87905 2 0.3715 0.6547 0.000 0.736 0.004 0.000 0.260
#> GSM87914 2 0.3242 0.7342 0.000 0.816 0.000 0.012 0.172
#> GSM87942 4 0.3058 0.8391 0.000 0.096 0.000 0.860 0.044
#> GSM87956 1 0.0000 0.8999 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
#> GSM87863 6 0.1152 0.7250 0.000 0.044 0.000 0.000 0.004 0.952
#> GSM87887 6 0.3828 0.5685 0.012 0.004 0.000 0.000 0.288 0.696
#> GSM87896 3 0.0291 0.8157 0.000 0.000 0.992 0.004 0.004 0.000
#> GSM87934 4 0.0146 0.9403 0.000 0.000 0.004 0.996 0.000 0.000
#> GSM87943 3 0.4569 0.4003 0.000 0.016 0.516 0.000 0.456 0.012
#> GSM87853 3 0.1082 0.8103 0.000 0.000 0.956 0.004 0.040 0.000
#> GSM87906 2 0.0820 0.7926 0.000 0.972 0.000 0.000 0.016 0.012
#> GSM87920 6 0.3450 0.6112 0.000 0.188 0.000 0.000 0.032 0.780
#> GSM87924 4 0.0692 0.9388 0.000 0.000 0.004 0.976 0.020 0.000
#> GSM87858 3 0.0291 0.8157 0.000 0.000 0.992 0.004 0.004 0.000
#> GSM87882 5 0.3736 0.7992 0.000 0.068 0.000 0.000 0.776 0.156
#> GSM87891 3 0.0291 0.8157 0.000 0.000 0.992 0.004 0.004 0.000
#> GSM87917 1 0.1507 0.9046 0.948 0.012 0.004 0.004 0.028 0.004
#> GSM87929 4 0.1152 0.9338 0.000 0.004 0.000 0.952 0.044 0.000
#> GSM87948 6 0.2416 0.7168 0.156 0.000 0.000 0.000 0.000 0.844
#> GSM87868 6 0.2527 0.7106 0.168 0.000 0.000 0.000 0.000 0.832
#> GSM87873 3 0.0146 0.8158 0.000 0.000 0.996 0.004 0.000 0.000
#> GSM87901 2 0.1124 0.7951 0.000 0.956 0.000 0.000 0.008 0.036
#> GSM87910 1 0.1507 0.9046 0.948 0.012 0.004 0.004 0.028 0.004
#> GSM87938 4 0.1010 0.9364 0.000 0.000 0.004 0.960 0.036 0.000
#> GSM87953 1 0.0692 0.9083 0.976 0.000 0.000 0.004 0.020 0.000
#> GSM87864 6 0.0937 0.7278 0.000 0.040 0.000 0.000 0.000 0.960
#> GSM87888 5 0.3907 0.7893 0.000 0.068 0.000 0.000 0.756 0.176
#> GSM87897 2 0.1074 0.7914 0.000 0.960 0.000 0.000 0.028 0.012
#> GSM87935 4 0.0692 0.9388 0.000 0.000 0.004 0.976 0.020 0.000
#> GSM87944 6 0.2527 0.7106 0.168 0.000 0.000 0.000 0.000 0.832
#> GSM87854 5 0.5561 0.5834 0.000 0.164 0.000 0.000 0.528 0.308
#> GSM87878 6 0.4122 0.5736 0.020 0.008 0.000 0.000 0.292 0.680
#> GSM87907 2 0.5904 0.2710 0.000 0.544 0.108 0.028 0.316 0.004
#> GSM87921 2 0.1649 0.7915 0.000 0.932 0.000 0.000 0.032 0.036
#> GSM87925 4 0.0692 0.9388 0.000 0.000 0.004 0.976 0.020 0.000
#> GSM87957 6 0.3229 0.7028 0.172 0.004 0.000 0.000 0.020 0.804
#> GSM87859 3 0.0146 0.8158 0.000 0.000 0.996 0.004 0.000 0.000
#> GSM87883 6 0.3936 0.5618 0.288 0.000 0.000 0.000 0.024 0.688
#> GSM87892 3 0.0291 0.8157 0.000 0.000 0.992 0.004 0.004 0.000
#> GSM87930 4 0.0858 0.9384 0.000 0.000 0.004 0.968 0.028 0.000
#> GSM87949 1 0.0870 0.9084 0.972 0.000 0.004 0.000 0.012 0.012
#> GSM87869 1 0.3857 0.1359 0.532 0.000 0.000 0.000 0.000 0.468
#> GSM87874 3 0.0146 0.8158 0.000 0.000 0.996 0.004 0.000 0.000
#> GSM87902 2 0.1124 0.7951 0.000 0.956 0.000 0.000 0.008 0.036
#> GSM87911 2 0.2499 0.7565 0.000 0.880 0.000 0.000 0.072 0.048
#> GSM87939 4 0.0291 0.9405 0.000 0.004 0.004 0.992 0.000 0.000
#> GSM87954 1 0.0692 0.9083 0.976 0.000 0.000 0.004 0.020 0.000
#> GSM87865 6 0.0937 0.7278 0.000 0.040 0.000 0.000 0.000 0.960
#> GSM87889 6 0.4305 0.2836 0.000 0.020 0.000 0.000 0.436 0.544
#> GSM87898 2 0.3691 0.6249 0.020 0.784 0.000 0.000 0.024 0.172
#> GSM87915 1 0.1913 0.8934 0.920 0.012 0.000 0.004 0.060 0.004
#> GSM87936 4 0.0692 0.9388 0.000 0.000 0.004 0.976 0.020 0.000
#> GSM87945 3 0.1806 0.7996 0.000 0.000 0.908 0.004 0.088 0.000
#> GSM87855 3 0.2278 0.7844 0.000 0.000 0.868 0.004 0.128 0.000
#> GSM87879 5 0.3736 0.7992 0.000 0.068 0.000 0.000 0.776 0.156
#> GSM87922 5 0.5201 0.4133 0.000 0.296 0.000 0.088 0.604 0.012
#> GSM87926 4 0.0291 0.9405 0.000 0.004 0.004 0.992 0.000 0.000
#> GSM87958 1 0.0820 0.9085 0.972 0.000 0.000 0.000 0.016 0.012
#> GSM87860 3 0.4265 0.5241 0.000 0.016 0.596 0.004 0.384 0.000
#> GSM87884 6 0.3936 0.5618 0.288 0.000 0.000 0.000 0.024 0.688
#> GSM87893 3 0.0291 0.8157 0.000 0.000 0.992 0.004 0.004 0.000
#> GSM87918 2 0.1713 0.7903 0.000 0.928 0.000 0.000 0.028 0.044
#> GSM87931 4 0.0858 0.9384 0.000 0.000 0.004 0.968 0.028 0.000
#> GSM87950 1 0.0870 0.9084 0.972 0.000 0.004 0.000 0.012 0.012
#> GSM87870 6 0.1320 0.7340 0.016 0.036 0.000 0.000 0.000 0.948
#> GSM87875 3 0.4211 0.4294 0.000 0.000 0.532 0.004 0.456 0.008
#> GSM87903 2 0.0858 0.7883 0.000 0.968 0.000 0.000 0.028 0.004
#> GSM87912 1 0.1586 0.8992 0.940 0.012 0.000 0.004 0.040 0.004
#> GSM87940 4 0.0858 0.9384 0.000 0.000 0.004 0.968 0.028 0.000
#> GSM87866 6 0.1594 0.7405 0.052 0.016 0.000 0.000 0.000 0.932
#> GSM87899 2 0.2884 0.6738 0.000 0.824 0.008 0.000 0.164 0.004
#> GSM87937 4 0.0692 0.9388 0.000 0.000 0.004 0.976 0.020 0.000
#> GSM87946 1 0.3647 0.4263 0.640 0.000 0.000 0.000 0.000 0.360
#> GSM87856 3 0.4555 0.4296 0.000 0.016 0.532 0.000 0.440 0.012
#> GSM87880 5 0.3907 0.7893 0.000 0.068 0.000 0.000 0.756 0.176
#> GSM87908 2 0.0937 0.7951 0.000 0.960 0.000 0.000 0.000 0.040
#> GSM87923 5 0.5124 0.4930 0.000 0.256 0.020 0.056 0.656 0.012
#> GSM87927 4 0.0993 0.9346 0.000 0.012 0.000 0.964 0.024 0.000
#> GSM87959 1 0.0870 0.9084 0.972 0.000 0.004 0.000 0.012 0.012
#> GSM87861 3 0.2402 0.7780 0.000 0.000 0.856 0.004 0.140 0.000
#> GSM87885 6 0.4300 0.2920 0.000 0.020 0.000 0.000 0.432 0.548
#> GSM87894 6 0.1908 0.7407 0.056 0.028 0.000 0.000 0.000 0.916
#> GSM87932 1 0.2592 0.8729 0.884 0.020 0.000 0.004 0.080 0.012
#> GSM87951 1 0.0870 0.9084 0.972 0.000 0.004 0.000 0.012 0.012
#> GSM87871 6 0.5087 0.1734 0.000 0.092 0.000 0.000 0.348 0.560
#> GSM87876 6 0.4348 0.3011 0.000 0.024 0.000 0.000 0.416 0.560
#> GSM87904 2 0.5765 0.0956 0.000 0.488 0.108 0.012 0.388 0.004
#> GSM87913 6 0.4333 0.6818 0.100 0.108 0.000 0.000 0.028 0.764
#> GSM87941 4 0.0622 0.9381 0.000 0.012 0.000 0.980 0.008 0.000
#> GSM87955 1 0.0725 0.9089 0.976 0.000 0.000 0.000 0.012 0.012
#> GSM87867 6 0.3254 0.6457 0.000 0.048 0.000 0.000 0.136 0.816
#> GSM87890 4 0.4098 0.2496 0.000 0.004 0.000 0.548 0.444 0.004
#> GSM87900 2 0.0891 0.7918 0.000 0.968 0.000 0.000 0.024 0.008
#> GSM87916 4 0.1918 0.8991 0.000 0.008 0.000 0.904 0.088 0.000
#> GSM87947 6 0.2003 0.7312 0.116 0.000 0.000 0.000 0.000 0.884
#> GSM87857 3 0.4856 0.3826 0.000 0.028 0.508 0.000 0.448 0.016
#> GSM87881 5 0.4003 0.7970 0.000 0.092 0.000 0.000 0.756 0.152
#> GSM87909 2 0.1010 0.7944 0.000 0.960 0.000 0.000 0.004 0.036
#> GSM87928 1 0.2592 0.8729 0.884 0.020 0.000 0.004 0.080 0.012
#> GSM87960 1 0.2340 0.7953 0.852 0.000 0.000 0.000 0.000 0.148
#> GSM87862 2 0.5676 -0.0117 0.000 0.468 0.068 0.020 0.436 0.008
#> GSM87886 1 0.2527 0.8335 0.868 0.000 0.000 0.000 0.024 0.108
#> GSM87895 2 0.6065 0.2522 0.000 0.532 0.112 0.036 0.316 0.004
#> GSM87919 1 0.1507 0.9046 0.948 0.012 0.004 0.004 0.028 0.004
#> GSM87933 4 0.1155 0.9358 0.000 0.004 0.004 0.956 0.036 0.000
#> GSM87952 1 0.0870 0.9084 0.972 0.000 0.004 0.000 0.012 0.012
#> GSM87872 2 0.4467 0.3557 0.000 0.632 0.000 0.000 0.320 0.048
#> GSM87877 6 0.3087 0.6584 0.012 0.004 0.000 0.000 0.176 0.808
#> GSM87905 2 0.1226 0.7919 0.004 0.952 0.000 0.000 0.004 0.040
#> GSM87914 2 0.1720 0.7886 0.000 0.928 0.000 0.000 0.032 0.040
#> GSM87942 4 0.4131 0.7404 0.000 0.168 0.000 0.756 0.064 0.012
#> GSM87956 1 0.0725 0.9089 0.976 0.000 0.000 0.000 0.012 0.012
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 time(p) agent(p) individual(p) k
#> SD:kmeans 104 0.845 0.4177 1.03e-04 2
#> SD:kmeans 90 0.201 0.2840 8.68e-06 3
#> SD:kmeans 95 0.961 0.3640 1.76e-19 4
#> SD:kmeans 93 0.749 0.2291 4.62e-24 5
#> SD:kmeans 90 0.946 0.0742 9.80e-25 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 108 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 5.
#>
#> 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 0.5042 0.497 0.497
#> 3 3 0.954 0.941 0.972 0.2827 0.846 0.694
#> 4 4 0.830 0.892 0.933 0.1061 0.907 0.745
#> 5 5 0.924 0.869 0.945 0.0723 0.918 0.723
#> 6 6 0.896 0.872 0.929 0.0438 0.941 0.758
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 5
#> attr(,"optional")
#> [1] 2 3
There is also optional best \(k\) = 2 3 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
#> GSM87863 1 0.000 0.996 1.000 0.000
#> GSM87887 1 0.000 0.996 1.000 0.000
#> GSM87896 2 0.000 0.981 0.000 1.000
#> GSM87934 2 0.000 0.981 0.000 1.000
#> GSM87943 2 0.000 0.981 0.000 1.000
#> GSM87853 2 0.000 0.981 0.000 1.000
#> GSM87906 2 0.000 0.981 0.000 1.000
#> GSM87920 1 0.000 0.996 1.000 0.000
#> GSM87924 2 0.000 0.981 0.000 1.000
#> GSM87858 2 0.000 0.981 0.000 1.000
#> GSM87882 2 0.000 0.981 0.000 1.000
#> GSM87891 2 0.000 0.981 0.000 1.000
#> GSM87917 1 0.000 0.996 1.000 0.000
#> GSM87929 2 0.000 0.981 0.000 1.000
#> GSM87948 1 0.000 0.996 1.000 0.000
#> GSM87868 1 0.000 0.996 1.000 0.000
#> GSM87873 2 0.000 0.981 0.000 1.000
#> GSM87901 1 0.000 0.996 1.000 0.000
#> GSM87910 1 0.000 0.996 1.000 0.000
#> GSM87938 2 0.000 0.981 0.000 1.000
#> GSM87953 1 0.000 0.996 1.000 0.000
#> GSM87864 1 0.000 0.996 1.000 0.000
#> GSM87888 2 0.000 0.981 0.000 1.000
#> GSM87897 2 0.000 0.981 0.000 1.000
#> GSM87935 2 0.000 0.981 0.000 1.000
#> GSM87944 1 0.000 0.996 1.000 0.000
#> GSM87854 2 0.000 0.981 0.000 1.000
#> GSM87878 1 0.000 0.996 1.000 0.000
#> GSM87907 2 0.000 0.981 0.000 1.000
#> GSM87921 2 0.000 0.981 0.000 1.000
#> GSM87925 2 0.000 0.981 0.000 1.000
#> GSM87957 1 0.000 0.996 1.000 0.000
#> GSM87859 2 0.000 0.981 0.000 1.000
#> GSM87883 1 0.000 0.996 1.000 0.000
#> GSM87892 2 0.000 0.981 0.000 1.000
#> GSM87930 2 0.000 0.981 0.000 1.000
#> GSM87949 1 0.000 0.996 1.000 0.000
#> GSM87869 1 0.000 0.996 1.000 0.000
#> GSM87874 2 0.000 0.981 0.000 1.000
#> GSM87902 1 0.000 0.996 1.000 0.000
#> GSM87911 2 0.738 0.734 0.208 0.792
#> GSM87939 2 0.000 0.981 0.000 1.000
#> GSM87954 1 0.000 0.996 1.000 0.000
#> GSM87865 1 0.000 0.996 1.000 0.000
#> GSM87889 1 0.000 0.996 1.000 0.000
#> GSM87898 1 0.000 0.996 1.000 0.000
#> GSM87915 1 0.000 0.996 1.000 0.000
#> GSM87936 2 0.000 0.981 0.000 1.000
#> GSM87945 2 0.000 0.981 0.000 1.000
#> GSM87855 2 0.000 0.981 0.000 1.000
#> GSM87879 2 0.000 0.981 0.000 1.000
#> GSM87922 2 0.000 0.981 0.000 1.000
#> GSM87926 2 0.000 0.981 0.000 1.000
#> GSM87958 1 0.000 0.996 1.000 0.000
#> GSM87860 2 0.000 0.981 0.000 1.000
#> GSM87884 1 0.000 0.996 1.000 0.000
#> GSM87893 2 0.000 0.981 0.000 1.000
#> GSM87918 1 0.000 0.996 1.000 0.000
#> GSM87931 2 0.000 0.981 0.000 1.000
#> GSM87950 1 0.000 0.996 1.000 0.000
#> GSM87870 1 0.000 0.996 1.000 0.000
#> GSM87875 2 0.000 0.981 0.000 1.000
#> GSM87903 2 0.000 0.981 0.000 1.000
#> GSM87912 1 0.000 0.996 1.000 0.000
#> GSM87940 2 0.000 0.981 0.000 1.000
#> GSM87866 1 0.000 0.996 1.000 0.000
#> GSM87899 2 0.000 0.981 0.000 1.000
#> GSM87937 2 0.000 0.981 0.000 1.000
#> GSM87946 1 0.000 0.996 1.000 0.000
#> GSM87856 2 0.000 0.981 0.000 1.000
#> GSM87880 2 0.000 0.981 0.000 1.000
#> GSM87908 1 0.000 0.996 1.000 0.000
#> GSM87923 2 0.000 0.981 0.000 1.000
#> GSM87927 2 0.000 0.981 0.000 1.000
#> GSM87959 1 0.000 0.996 1.000 0.000
#> GSM87861 2 0.000 0.981 0.000 1.000
#> GSM87885 1 0.000 0.996 1.000 0.000
#> GSM87894 1 0.000 0.996 1.000 0.000
#> GSM87932 1 0.000 0.996 1.000 0.000
#> GSM87951 1 0.000 0.996 1.000 0.000
#> GSM87871 1 0.722 0.743 0.800 0.200
#> GSM87876 1 0.000 0.996 1.000 0.000
#> GSM87904 2 0.000 0.981 0.000 1.000
#> GSM87913 1 0.000 0.996 1.000 0.000
#> GSM87941 2 0.000 0.981 0.000 1.000
#> GSM87955 1 0.000 0.996 1.000 0.000
#> GSM87867 1 0.000 0.996 1.000 0.000
#> GSM87890 2 0.000 0.981 0.000 1.000
#> GSM87900 2 0.000 0.981 0.000 1.000
#> GSM87916 2 0.000 0.981 0.000 1.000
#> GSM87947 1 0.000 0.996 1.000 0.000
#> GSM87857 2 0.000 0.981 0.000 1.000
#> GSM87881 2 0.000 0.981 0.000 1.000
#> GSM87909 1 0.000 0.996 1.000 0.000
#> GSM87928 1 0.000 0.996 1.000 0.000
#> GSM87960 1 0.000 0.996 1.000 0.000
#> GSM87862 2 0.000 0.981 0.000 1.000
#> GSM87886 1 0.000 0.996 1.000 0.000
#> GSM87895 2 0.000 0.981 0.000 1.000
#> GSM87919 1 0.000 0.996 1.000 0.000
#> GSM87933 2 0.000 0.981 0.000 1.000
#> GSM87952 1 0.000 0.996 1.000 0.000
#> GSM87872 2 0.000 0.981 0.000 1.000
#> GSM87877 1 0.000 0.996 1.000 0.000
#> GSM87905 1 0.000 0.996 1.000 0.000
#> GSM87914 2 0.981 0.297 0.420 0.580
#> GSM87942 2 0.978 0.320 0.412 0.588
#> GSM87956 1 0.000 0.996 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87887 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87896 3 0.0237 0.978 0.000 0.004 0.996
#> GSM87934 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87943 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87853 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87906 2 0.4974 0.711 0.000 0.764 0.236
#> GSM87920 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87924 2 0.2878 0.881 0.000 0.904 0.096
#> GSM87858 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87882 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87891 3 0.0237 0.978 0.000 0.004 0.996
#> GSM87917 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87929 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87948 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87868 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87901 1 0.5291 0.634 0.732 0.268 0.000
#> GSM87910 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87938 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87953 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87864 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87888 3 0.0237 0.977 0.000 0.004 0.996
#> GSM87897 2 0.5835 0.516 0.000 0.660 0.340
#> GSM87935 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87944 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87854 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87878 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87907 3 0.0237 0.978 0.000 0.004 0.996
#> GSM87921 2 0.0237 0.939 0.000 0.996 0.004
#> GSM87925 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87957 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87930 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87949 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87902 1 0.4128 0.828 0.856 0.012 0.132
#> GSM87911 3 0.5305 0.732 0.020 0.192 0.788
#> GSM87939 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87954 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87865 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87889 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87898 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87915 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87936 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87945 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87855 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87879 3 0.0237 0.977 0.000 0.004 0.996
#> GSM87922 3 0.2066 0.921 0.000 0.060 0.940
#> GSM87926 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87958 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87860 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87884 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87918 1 0.6154 0.315 0.592 0.408 0.000
#> GSM87931 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87950 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87870 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87875 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87903 3 0.0592 0.973 0.000 0.012 0.988
#> GSM87912 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87940 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87866 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87899 3 0.0237 0.977 0.000 0.004 0.996
#> GSM87937 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87946 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87856 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87880 3 0.0237 0.977 0.000 0.004 0.996
#> GSM87908 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87923 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87927 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87959 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87861 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87885 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87894 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87932 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87871 3 0.4883 0.704 0.208 0.004 0.788
#> GSM87876 1 0.1399 0.952 0.968 0.004 0.028
#> GSM87904 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87913 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87941 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87955 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87867 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87890 2 0.4702 0.761 0.000 0.788 0.212
#> GSM87900 2 0.0237 0.939 0.000 0.996 0.004
#> GSM87916 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87947 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87857 3 0.0000 0.980 0.000 0.000 1.000
#> GSM87881 2 0.5497 0.634 0.000 0.708 0.292
#> GSM87909 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87928 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87862 3 0.0237 0.978 0.000 0.004 0.996
#> GSM87886 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87895 3 0.0592 0.971 0.000 0.012 0.988
#> GSM87919 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87933 2 0.0424 0.942 0.000 0.992 0.008
#> GSM87952 1 0.0000 0.981 1.000 0.000 0.000
#> GSM87872 2 0.4178 0.803 0.000 0.828 0.172
#> GSM87877 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87905 1 0.0237 0.979 0.996 0.004 0.000
#> GSM87914 2 0.2066 0.889 0.060 0.940 0.000
#> GSM87942 2 0.0237 0.936 0.004 0.996 0.000
#> GSM87956 1 0.0000 0.981 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.1637 0.922 0.940 0.060 0.000 0.000
#> GSM87887 1 0.3610 0.792 0.800 0.200 0.000 0.000
#> GSM87896 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87934 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87943 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87906 2 0.4212 0.735 0.000 0.772 0.216 0.012
#> GSM87920 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87924 4 0.1211 0.913 0.000 0.000 0.040 0.960
#> GSM87858 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87882 3 0.3266 0.812 0.000 0.168 0.832 0.000
#> GSM87891 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87917 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87948 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87868 1 0.0188 0.962 0.996 0.004 0.000 0.000
#> GSM87873 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87901 2 0.3803 0.780 0.132 0.836 0.000 0.032
#> GSM87910 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87864 1 0.1637 0.922 0.940 0.060 0.000 0.000
#> GSM87888 3 0.3873 0.750 0.000 0.228 0.772 0.000
#> GSM87897 2 0.3873 0.728 0.000 0.772 0.228 0.000
#> GSM87935 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87944 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87854 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87878 1 0.2868 0.851 0.864 0.136 0.000 0.000
#> GSM87907 3 0.1211 0.913 0.000 0.040 0.960 0.000
#> GSM87921 2 0.4008 0.629 0.000 0.756 0.000 0.244
#> GSM87925 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87957 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87883 1 0.0188 0.962 0.996 0.004 0.000 0.000
#> GSM87892 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87930 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87949 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87874 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87902 2 0.4514 0.798 0.136 0.800 0.064 0.000
#> GSM87911 2 0.5758 0.698 0.048 0.680 0.264 0.008
#> GSM87939 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87954 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87865 1 0.0188 0.962 0.996 0.004 0.000 0.000
#> GSM87889 1 0.3873 0.759 0.772 0.228 0.000 0.000
#> GSM87898 2 0.3873 0.777 0.228 0.772 0.000 0.000
#> GSM87915 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87936 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87945 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87855 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87879 3 0.3266 0.812 0.000 0.168 0.832 0.000
#> GSM87922 3 0.2868 0.803 0.000 0.000 0.864 0.136
#> GSM87926 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87958 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87860 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87884 1 0.0188 0.962 0.996 0.004 0.000 0.000
#> GSM87893 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87918 2 0.6327 0.697 0.228 0.648 0.000 0.124
#> GSM87931 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87950 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87870 1 0.0188 0.962 0.996 0.004 0.000 0.000
#> GSM87875 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87903 2 0.3873 0.728 0.000 0.772 0.228 0.000
#> GSM87912 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87866 1 0.0188 0.962 0.996 0.004 0.000 0.000
#> GSM87899 2 0.4804 0.488 0.000 0.616 0.384 0.000
#> GSM87937 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87946 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87856 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87880 3 0.3873 0.750 0.000 0.228 0.772 0.000
#> GSM87908 2 0.4018 0.779 0.224 0.772 0.004 0.000
#> GSM87923 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87927 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87959 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87885 1 0.3873 0.759 0.772 0.228 0.000 0.000
#> GSM87894 1 0.0188 0.962 0.996 0.004 0.000 0.000
#> GSM87932 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87871 3 0.6178 0.587 0.112 0.228 0.660 0.000
#> GSM87876 1 0.3873 0.759 0.772 0.228 0.000 0.000
#> GSM87904 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87913 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87941 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87955 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87867 1 0.2814 0.860 0.868 0.132 0.000 0.000
#> GSM87890 4 0.4599 0.678 0.000 0.028 0.212 0.760
#> GSM87900 2 0.3873 0.645 0.000 0.772 0.000 0.228
#> GSM87916 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87947 1 0.0817 0.949 0.976 0.024 0.000 0.000
#> GSM87857 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87881 4 0.6646 0.547 0.000 0.224 0.156 0.620
#> GSM87909 2 0.3873 0.777 0.228 0.772 0.000 0.000
#> GSM87928 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87862 3 0.0000 0.947 0.000 0.000 1.000 0.000
#> GSM87886 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87895 3 0.0469 0.937 0.000 0.012 0.988 0.000
#> GSM87919 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87952 1 0.0000 0.963 1.000 0.000 0.000 0.000
#> GSM87872 4 0.3439 0.844 0.000 0.084 0.048 0.868
#> GSM87877 1 0.2408 0.886 0.896 0.104 0.000 0.000
#> GSM87905 2 0.3873 0.777 0.228 0.772 0.000 0.000
#> GSM87914 4 0.4123 0.764 0.044 0.136 0.000 0.820
#> GSM87942 4 0.0000 0.949 0.000 0.000 0.000 1.000
#> GSM87956 1 0.0000 0.963 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
#> GSM87863 1 0.3906 0.687 0.744 0.016 0.000 0.000 0.240
#> GSM87887 5 0.3366 0.598 0.232 0.000 0.000 0.000 0.768
#> GSM87896 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87934 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87943 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87853 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.0510 0.879 0.000 0.984 0.016 0.000 0.000
#> GSM87920 1 0.0324 0.955 0.992 0.004 0.000 0.000 0.004
#> GSM87924 4 0.1544 0.879 0.000 0.000 0.068 0.932 0.000
#> GSM87858 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87882 5 0.3586 0.598 0.000 0.000 0.264 0.000 0.736
#> GSM87891 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87917 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87948 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87868 1 0.2233 0.898 0.904 0.016 0.000 0.000 0.080
#> GSM87873 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87901 2 0.0162 0.882 0.004 0.996 0.000 0.000 0.000
#> GSM87910 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87864 1 0.3630 0.745 0.780 0.016 0.000 0.000 0.204
#> GSM87888 5 0.1478 0.751 0.000 0.000 0.064 0.000 0.936
#> GSM87897 2 0.0510 0.879 0.000 0.984 0.016 0.000 0.000
#> GSM87935 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87944 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87854 3 0.0324 0.961 0.000 0.004 0.992 0.000 0.004
#> GSM87878 5 0.4219 0.327 0.416 0.000 0.000 0.000 0.584
#> GSM87907 3 0.0162 0.964 0.000 0.004 0.996 0.000 0.000
#> GSM87921 2 0.4262 0.168 0.000 0.560 0.000 0.440 0.000
#> GSM87925 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87957 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87883 1 0.0963 0.938 0.964 0.000 0.000 0.000 0.036
#> GSM87892 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87930 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.0451 0.953 0.988 0.008 0.000 0.000 0.004
#> GSM87874 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87902 2 0.0162 0.882 0.004 0.996 0.000 0.000 0.000
#> GSM87911 3 0.4403 0.228 0.000 0.436 0.560 0.000 0.004
#> GSM87939 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87865 1 0.2233 0.898 0.904 0.016 0.000 0.000 0.080
#> GSM87889 5 0.0162 0.759 0.004 0.000 0.000 0.000 0.996
#> GSM87898 2 0.0880 0.870 0.032 0.968 0.000 0.000 0.000
#> GSM87915 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87936 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.3424 0.619 0.000 0.000 0.240 0.000 0.760
#> GSM87922 3 0.2773 0.764 0.000 0.000 0.836 0.164 0.000
#> GSM87926 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87884 1 0.0963 0.938 0.964 0.000 0.000 0.000 0.036
#> GSM87893 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87918 2 0.4824 0.355 0.376 0.596 0.000 0.028 0.000
#> GSM87931 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87870 1 0.2233 0.898 0.904 0.016 0.000 0.000 0.080
#> GSM87875 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87903 2 0.0510 0.879 0.000 0.984 0.016 0.000 0.000
#> GSM87912 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87866 1 0.2233 0.898 0.904 0.016 0.000 0.000 0.080
#> GSM87899 3 0.2020 0.869 0.000 0.100 0.900 0.000 0.000
#> GSM87937 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87946 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87856 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87880 5 0.1478 0.751 0.000 0.000 0.064 0.000 0.936
#> GSM87908 2 0.0000 0.880 0.000 1.000 0.000 0.000 0.000
#> GSM87923 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87927 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87885 5 0.0162 0.759 0.004 0.000 0.000 0.000 0.996
#> GSM87894 1 0.2233 0.898 0.904 0.016 0.000 0.000 0.080
#> GSM87932 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.0510 0.752 0.000 0.016 0.000 0.000 0.984
#> GSM87876 5 0.0162 0.759 0.004 0.000 0.000 0.000 0.996
#> GSM87904 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87913 1 0.0324 0.955 0.992 0.004 0.000 0.000 0.004
#> GSM87941 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87867 5 0.4708 0.126 0.436 0.016 0.000 0.000 0.548
#> GSM87890 4 0.5480 0.553 0.000 0.000 0.176 0.656 0.168
#> GSM87900 2 0.0510 0.876 0.000 0.984 0.000 0.016 0.000
#> GSM87916 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87947 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87857 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87881 5 0.2036 0.732 0.000 0.000 0.024 0.056 0.920
#> GSM87909 2 0.0703 0.877 0.024 0.976 0.000 0.000 0.000
#> GSM87928 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87862 3 0.0000 0.967 0.000 0.000 1.000 0.000 0.000
#> GSM87886 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87895 3 0.0162 0.964 0.000 0.004 0.996 0.000 0.000
#> GSM87919 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.0000 0.959 1.000 0.000 0.000 0.000 0.000
#> GSM87872 4 0.5172 0.484 0.000 0.060 0.000 0.616 0.324
#> GSM87877 1 0.3932 0.506 0.672 0.000 0.000 0.000 0.328
#> GSM87905 2 0.0703 0.877 0.024 0.976 0.000 0.000 0.000
#> GSM87914 4 0.4294 0.699 0.080 0.152 0.000 0.768 0.000
#> GSM87942 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000
#> GSM87956 1 0.0000 0.959 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
#> GSM87863 6 0.3409 0.8611 0.192 0.000 0.000 0.000 0.028 0.780
#> GSM87887 5 0.4209 0.3165 0.384 0.000 0.000 0.000 0.596 0.020
#> GSM87896 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87934 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 3 0.0260 0.9529 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87853 3 0.0260 0.9529 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87906 2 0.0363 0.9859 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87920 1 0.3201 0.7171 0.780 0.000 0.000 0.000 0.012 0.208
#> GSM87924 4 0.1644 0.8519 0.000 0.000 0.076 0.920 0.000 0.004
#> GSM87858 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87882 5 0.1387 0.7865 0.000 0.000 0.068 0.000 0.932 0.000
#> GSM87891 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87917 1 0.0146 0.9586 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87929 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87948 1 0.0146 0.9578 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87868 6 0.3266 0.8422 0.272 0.000 0.000 0.000 0.000 0.728
#> GSM87873 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0363 0.9859 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87910 1 0.0146 0.9586 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87938 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0146 0.9586 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87864 6 0.3315 0.8669 0.200 0.000 0.000 0.000 0.020 0.780
#> GSM87888 5 0.0363 0.8299 0.000 0.000 0.012 0.000 0.988 0.000
#> GSM87897 2 0.0458 0.9791 0.000 0.984 0.000 0.000 0.000 0.016
#> GSM87935 4 0.0146 0.9208 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87944 1 0.0146 0.9578 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87854 3 0.3076 0.6920 0.000 0.000 0.760 0.000 0.000 0.240
#> GSM87878 5 0.4091 0.1523 0.472 0.000 0.000 0.000 0.520 0.008
#> GSM87907 3 0.0291 0.9513 0.000 0.004 0.992 0.000 0.000 0.004
#> GSM87921 4 0.6104 -0.0146 0.000 0.392 0.000 0.416 0.012 0.180
#> GSM87925 4 0.0146 0.9208 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87957 1 0.0146 0.9578 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87859 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 1 0.0363 0.9522 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM87892 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87930 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.0000 0.9592 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87869 6 0.3737 0.6835 0.392 0.000 0.000 0.000 0.000 0.608
#> GSM87874 3 0.0146 0.9534 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87902 2 0.0363 0.9859 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87911 3 0.6214 0.0839 0.000 0.320 0.444 0.000 0.012 0.224
#> GSM87939 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0146 0.9586 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87865 6 0.2941 0.8740 0.220 0.000 0.000 0.000 0.000 0.780
#> GSM87889 5 0.0363 0.8280 0.000 0.000 0.000 0.000 0.988 0.012
#> GSM87898 2 0.0909 0.9692 0.020 0.968 0.000 0.000 0.000 0.012
#> GSM87915 1 0.0632 0.9439 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87936 4 0.0146 0.9208 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87945 3 0.0260 0.9529 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87855 3 0.0260 0.9529 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87879 5 0.0937 0.8120 0.000 0.000 0.040 0.000 0.960 0.000
#> GSM87922 3 0.3691 0.7441 0.000 0.000 0.788 0.148 0.004 0.060
#> GSM87926 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.0146 0.9586 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87860 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87884 1 0.0363 0.9522 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM87893 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87918 1 0.5434 0.4908 0.644 0.156 0.000 0.012 0.008 0.180
#> GSM87931 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0000 0.9592 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87870 6 0.2941 0.8740 0.220 0.000 0.000 0.000 0.000 0.780
#> GSM87875 3 0.0260 0.9529 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87903 2 0.0363 0.9859 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87912 1 0.0547 0.9475 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM87940 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.2941 0.8740 0.220 0.000 0.000 0.000 0.000 0.780
#> GSM87899 3 0.1168 0.9271 0.000 0.028 0.956 0.000 0.000 0.016
#> GSM87937 4 0.0146 0.9208 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87946 1 0.0146 0.9578 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87856 3 0.0260 0.9529 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87880 5 0.0363 0.8299 0.000 0.000 0.012 0.000 0.988 0.000
#> GSM87908 2 0.0260 0.9824 0.000 0.992 0.000 0.000 0.000 0.008
#> GSM87923 3 0.1141 0.9231 0.000 0.000 0.948 0.000 0.000 0.052
#> GSM87927 4 0.0146 0.9208 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87959 1 0.0000 0.9592 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.9538 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0363 0.8280 0.000 0.000 0.000 0.000 0.988 0.012
#> GSM87894 6 0.3547 0.7828 0.332 0.000 0.000 0.000 0.000 0.668
#> GSM87932 1 0.0363 0.9542 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM87951 1 0.0000 0.9592 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 6 0.3052 0.5463 0.000 0.000 0.004 0.000 0.216 0.780
#> GSM87876 5 0.0363 0.8280 0.000 0.000 0.000 0.000 0.988 0.012
#> GSM87904 3 0.0291 0.9513 0.000 0.004 0.992 0.000 0.000 0.004
#> GSM87913 1 0.2593 0.8018 0.844 0.000 0.000 0.000 0.008 0.148
#> GSM87941 4 0.0146 0.9208 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87955 1 0.0000 0.9592 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.3698 0.7698 0.116 0.000 0.000 0.000 0.096 0.788
#> GSM87890 4 0.4270 0.5397 0.000 0.000 0.028 0.652 0.316 0.004
#> GSM87900 2 0.0363 0.9859 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87916 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87947 1 0.0146 0.9578 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87857 3 0.0260 0.9529 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87881 5 0.0665 0.8260 0.000 0.000 0.004 0.008 0.980 0.008
#> GSM87909 2 0.0622 0.9785 0.012 0.980 0.000 0.000 0.000 0.008
#> GSM87928 1 0.0458 0.9514 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM87960 1 0.0146 0.9578 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87862 3 0.0146 0.9529 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87886 1 0.0000 0.9592 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87895 3 0.0291 0.9513 0.000 0.004 0.992 0.000 0.000 0.004
#> GSM87919 1 0.0146 0.9586 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87933 4 0.0000 0.9214 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0000 0.9592 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87872 4 0.5576 0.5792 0.000 0.052 0.000 0.640 0.204 0.104
#> GSM87877 1 0.2070 0.8507 0.896 0.000 0.000 0.000 0.092 0.012
#> GSM87905 2 0.0508 0.9792 0.012 0.984 0.000 0.000 0.000 0.004
#> GSM87914 4 0.5224 0.6308 0.140 0.028 0.000 0.692 0.008 0.132
#> GSM87942 4 0.0405 0.9152 0.004 0.000 0.000 0.988 0.000 0.008
#> GSM87956 1 0.0000 0.9592 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 time(p) agent(p) individual(p) k
#> SD:skmeans 106 0.769 0.350 2.30e-04 2
#> SD:skmeans 107 0.693 0.555 3.79e-11 3
#> SD:skmeans 107 0.907 0.425 3.46e-20 4
#> SD:skmeans 102 0.991 0.612 1.71e-28 5
#> SD:skmeans 103 0.997 0.203 2.09e-35 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 108 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 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 0.798 0.885 0.951 0.4865 0.520 0.520
#> 3 3 0.896 0.918 0.965 0.3324 0.657 0.437
#> 4 4 1.000 0.949 0.982 0.1040 0.894 0.714
#> 5 5 0.849 0.776 0.901 0.1084 0.886 0.621
#> 6 6 0.942 0.868 0.949 0.0533 0.881 0.515
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] 4
There is also optional best \(k\) = 4 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
#> GSM87863 1 0.000 0.975 1.000 0.000
#> GSM87887 1 0.000 0.975 1.000 0.000
#> GSM87896 2 0.000 0.928 0.000 1.000
#> GSM87934 2 0.000 0.928 0.000 1.000
#> GSM87943 2 0.224 0.910 0.036 0.964
#> GSM87853 2 0.000 0.928 0.000 1.000
#> GSM87906 2 0.000 0.928 0.000 1.000
#> GSM87920 1 0.000 0.975 1.000 0.000
#> GSM87924 2 0.000 0.928 0.000 1.000
#> GSM87858 2 0.000 0.928 0.000 1.000
#> GSM87882 2 0.224 0.910 0.036 0.964
#> GSM87891 2 0.000 0.928 0.000 1.000
#> GSM87917 1 0.000 0.975 1.000 0.000
#> GSM87929 2 0.000 0.928 0.000 1.000
#> GSM87948 1 0.000 0.975 1.000 0.000
#> GSM87868 1 0.000 0.975 1.000 0.000
#> GSM87873 2 0.000 0.928 0.000 1.000
#> GSM87901 2 0.814 0.685 0.252 0.748
#> GSM87910 1 0.000 0.975 1.000 0.000
#> GSM87938 2 0.000 0.928 0.000 1.000
#> GSM87953 1 0.000 0.975 1.000 0.000
#> GSM87864 1 0.000 0.975 1.000 0.000
#> GSM87888 2 0.260 0.905 0.044 0.956
#> GSM87897 2 0.000 0.928 0.000 1.000
#> GSM87935 2 0.000 0.928 0.000 1.000
#> GSM87944 1 0.000 0.975 1.000 0.000
#> GSM87854 2 0.358 0.888 0.068 0.932
#> GSM87878 1 0.000 0.975 1.000 0.000
#> GSM87907 2 0.000 0.928 0.000 1.000
#> GSM87921 2 0.141 0.918 0.020 0.980
#> GSM87925 2 0.000 0.928 0.000 1.000
#> GSM87957 1 0.000 0.975 1.000 0.000
#> GSM87859 2 0.000 0.928 0.000 1.000
#> GSM87883 1 0.000 0.975 1.000 0.000
#> GSM87892 2 0.000 0.928 0.000 1.000
#> GSM87930 2 0.000 0.928 0.000 1.000
#> GSM87949 1 0.000 0.975 1.000 0.000
#> GSM87869 1 0.000 0.975 1.000 0.000
#> GSM87874 2 0.000 0.928 0.000 1.000
#> GSM87902 2 0.697 0.770 0.188 0.812
#> GSM87911 2 0.552 0.834 0.128 0.872
#> GSM87939 2 0.000 0.928 0.000 1.000
#> GSM87954 1 0.000 0.975 1.000 0.000
#> GSM87865 1 0.000 0.975 1.000 0.000
#> GSM87889 1 0.482 0.869 0.896 0.104
#> GSM87898 1 0.615 0.807 0.848 0.152
#> GSM87915 1 0.000 0.975 1.000 0.000
#> GSM87936 2 0.000 0.928 0.000 1.000
#> GSM87945 2 0.000 0.928 0.000 1.000
#> GSM87855 2 0.000 0.928 0.000 1.000
#> GSM87879 2 0.224 0.910 0.036 0.964
#> GSM87922 2 0.000 0.928 0.000 1.000
#> GSM87926 2 0.000 0.928 0.000 1.000
#> GSM87958 1 0.000 0.975 1.000 0.000
#> GSM87860 2 0.000 0.928 0.000 1.000
#> GSM87884 1 0.000 0.975 1.000 0.000
#> GSM87893 2 0.000 0.928 0.000 1.000
#> GSM87918 2 0.971 0.390 0.400 0.600
#> GSM87931 2 0.000 0.928 0.000 1.000
#> GSM87950 1 0.000 0.975 1.000 0.000
#> GSM87870 1 0.000 0.975 1.000 0.000
#> GSM87875 2 0.000 0.928 0.000 1.000
#> GSM87903 2 0.000 0.928 0.000 1.000
#> GSM87912 1 0.000 0.975 1.000 0.000
#> GSM87940 2 0.000 0.928 0.000 1.000
#> GSM87866 1 0.000 0.975 1.000 0.000
#> GSM87899 2 0.000 0.928 0.000 1.000
#> GSM87937 2 0.000 0.928 0.000 1.000
#> GSM87946 1 0.000 0.975 1.000 0.000
#> GSM87856 2 0.260 0.905 0.044 0.956
#> GSM87880 2 0.311 0.897 0.056 0.944
#> GSM87908 2 0.224 0.910 0.036 0.964
#> GSM87923 2 0.000 0.928 0.000 1.000
#> GSM87927 2 0.000 0.928 0.000 1.000
#> GSM87959 1 0.000 0.975 1.000 0.000
#> GSM87861 2 0.000 0.928 0.000 1.000
#> GSM87885 2 0.999 0.167 0.484 0.516
#> GSM87894 1 0.000 0.975 1.000 0.000
#> GSM87932 1 0.615 0.807 0.848 0.152
#> GSM87951 1 0.000 0.975 1.000 0.000
#> GSM87871 2 0.975 0.388 0.408 0.592
#> GSM87876 1 0.917 0.432 0.668 0.332
#> GSM87904 2 0.000 0.928 0.000 1.000
#> GSM87913 1 0.000 0.975 1.000 0.000
#> GSM87941 2 0.000 0.928 0.000 1.000
#> GSM87955 1 0.000 0.975 1.000 0.000
#> GSM87867 2 1.000 0.132 0.496 0.504
#> GSM87890 2 0.000 0.928 0.000 1.000
#> GSM87900 2 0.000 0.928 0.000 1.000
#> GSM87916 2 0.000 0.928 0.000 1.000
#> GSM87947 1 0.000 0.975 1.000 0.000
#> GSM87857 2 0.224 0.910 0.036 0.964
#> GSM87881 2 0.000 0.928 0.000 1.000
#> GSM87909 2 0.990 0.303 0.440 0.560
#> GSM87928 1 0.634 0.796 0.840 0.160
#> GSM87960 1 0.000 0.975 1.000 0.000
#> GSM87862 2 0.000 0.928 0.000 1.000
#> GSM87886 1 0.000 0.975 1.000 0.000
#> GSM87895 2 0.000 0.928 0.000 1.000
#> GSM87919 1 0.000 0.975 1.000 0.000
#> GSM87933 2 0.000 0.928 0.000 1.000
#> GSM87952 1 0.000 0.975 1.000 0.000
#> GSM87872 2 0.644 0.790 0.164 0.836
#> GSM87877 1 0.000 0.975 1.000 0.000
#> GSM87905 2 0.993 0.270 0.452 0.548
#> GSM87914 2 0.767 0.715 0.224 0.776
#> GSM87942 2 0.949 0.463 0.368 0.632
#> GSM87956 1 0.000 0.975 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87887 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87896 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87934 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87943 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87853 2 0.4555 0.746 0.000 0.800 0.200
#> GSM87906 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87920 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87924 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87858 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87882 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87929 3 0.4555 0.757 0.000 0.200 0.800
#> GSM87948 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87868 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87873 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87901 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87910 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87938 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87864 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87888 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87935 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87944 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87854 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87878 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87907 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87921 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87925 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87957 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87930 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87949 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87902 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87911 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87939 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87954 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87865 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87889 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87898 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87915 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87936 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87945 2 0.6126 0.393 0.000 0.600 0.400
#> GSM87855 2 0.4555 0.746 0.000 0.800 0.200
#> GSM87879 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87922 2 0.3941 0.797 0.000 0.844 0.156
#> GSM87926 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87958 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87860 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87884 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87918 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87931 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87950 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87870 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87875 2 0.5988 0.467 0.000 0.632 0.368
#> GSM87903 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87912 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87940 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87866 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87899 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87937 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87946 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87856 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87880 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87923 2 0.5363 0.634 0.000 0.724 0.276
#> GSM87927 3 0.4555 0.757 0.000 0.200 0.800
#> GSM87959 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87861 2 0.4555 0.746 0.000 0.800 0.200
#> GSM87885 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87894 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87932 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87871 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87876 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87904 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87913 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87941 3 0.4555 0.757 0.000 0.200 0.800
#> GSM87955 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87867 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87890 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87900 2 0.5529 0.549 0.000 0.704 0.296
#> GSM87916 3 0.5327 0.650 0.000 0.272 0.728
#> GSM87947 1 0.1411 0.956 0.964 0.036 0.000
#> GSM87857 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87881 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87928 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87862 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87886 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87895 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87919 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87933 3 0.0000 0.949 0.000 0.000 1.000
#> GSM87952 1 0.0000 0.998 1.000 0.000 0.000
#> GSM87872 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87877 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87905 2 0.0592 0.936 0.012 0.988 0.000
#> GSM87914 2 0.6095 0.307 0.000 0.608 0.392
#> GSM87942 3 0.5926 0.483 0.000 0.356 0.644
#> GSM87956 1 0.0000 0.998 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87887 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87896 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87934 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87943 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87853 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87906 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87920 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87924 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87858 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87882 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87891 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87917 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87948 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87868 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87901 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87910 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87864 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87888 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87897 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87935 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87944 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87854 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87878 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87907 4 0.0672 0.930 0.000 0.008 0.008 0.984
#> GSM87921 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87925 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87957 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87883 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87892 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87930 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87949 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87874 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87902 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87911 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87939 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87954 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87865 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87889 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87898 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87915 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87936 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87945 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87855 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87879 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87922 4 0.4989 0.114 0.000 0.472 0.000 0.528
#> GSM87926 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87958 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87860 3 0.4830 0.349 0.000 0.392 0.608 0.000
#> GSM87884 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87893 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87918 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87931 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87950 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87870 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87875 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87903 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87912 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87866 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87899 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87937 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87946 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87856 2 0.0921 0.958 0.000 0.972 0.028 0.000
#> GSM87880 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87908 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87923 2 0.3801 0.702 0.000 0.780 0.000 0.220
#> GSM87927 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87959 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.961 0.000 0.000 1.000 0.000
#> GSM87885 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87894 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87932 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87871 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87876 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87904 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87913 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87941 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87955 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87867 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87890 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87900 2 0.4477 0.516 0.000 0.688 0.000 0.312
#> GSM87916 4 0.3024 0.769 0.000 0.148 0.000 0.852
#> GSM87947 1 0.1118 0.951 0.964 0.036 0.000 0.000
#> GSM87857 2 0.0707 0.966 0.000 0.980 0.020 0.000
#> GSM87881 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87909 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87928 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87862 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87886 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87895 4 0.0336 0.935 0.000 0.000 0.008 0.992
#> GSM87919 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.941 0.000 0.000 0.000 1.000
#> GSM87952 1 0.0000 0.998 1.000 0.000 0.000 0.000
#> GSM87872 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87877 2 0.0000 0.984 0.000 1.000 0.000 0.000
#> GSM87905 2 0.0469 0.972 0.012 0.988 0.000 0.000
#> GSM87914 4 0.4406 0.565 0.000 0.300 0.000 0.700
#> GSM87942 4 0.0707 0.922 0.000 0.020 0.000 0.980
#> GSM87956 1 0.0000 0.998 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
#> GSM87863 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87887 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87896 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87934 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87943 5 0.4305 0.11105 0.000 0.000 0.488 0.000 0.512
#> GSM87853 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87920 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87924 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87858 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87882 5 0.4305 0.14958 0.000 0.488 0.000 0.000 0.512
#> GSM87891 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87917 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.2966 0.73823 0.000 0.184 0.000 0.816 0.000
#> GSM87948 1 0.4302 0.49161 0.520 0.000 0.000 0.000 0.480
#> GSM87868 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87873 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87901 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87910 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87864 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87888 5 0.4182 0.38006 0.000 0.400 0.000 0.000 0.600
#> GSM87897 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87935 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87944 1 0.4305 0.48293 0.512 0.000 0.000 0.000 0.488
#> GSM87854 5 0.2179 0.74487 0.000 0.112 0.000 0.000 0.888
#> GSM87878 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87907 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87921 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87925 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87957 1 0.4305 0.48293 0.512 0.000 0.000 0.000 0.488
#> GSM87859 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87883 1 0.4305 0.48293 0.512 0.000 0.000 0.000 0.488
#> GSM87892 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87930 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.4305 0.48293 0.512 0.000 0.000 0.000 0.488
#> GSM87874 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87902 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87911 2 0.4304 -0.13498 0.000 0.516 0.000 0.000 0.484
#> GSM87939 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87865 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87889 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87898 1 0.4559 0.48602 0.512 0.008 0.000 0.000 0.480
#> GSM87915 1 0.4138 0.59180 0.616 0.000 0.000 0.000 0.384
#> GSM87936 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.4291 0.22391 0.000 0.464 0.000 0.000 0.536
#> GSM87922 2 0.1851 0.85443 0.000 0.912 0.000 0.088 0.000
#> GSM87926 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.3944 0.69900 0.000 0.200 0.768 0.000 0.032
#> GSM87884 1 0.4305 0.48293 0.512 0.000 0.000 0.000 0.488
#> GSM87893 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87918 5 0.4045 0.45754 0.000 0.356 0.000 0.000 0.644
#> GSM87931 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87870 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87875 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87903 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87912 1 0.3242 0.71608 0.784 0.000 0.000 0.000 0.216
#> GSM87940 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87866 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87899 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87937 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87946 1 0.1341 0.78926 0.944 0.000 0.000 0.000 0.056
#> GSM87856 5 0.4305 0.11105 0.000 0.000 0.488 0.000 0.512
#> GSM87880 5 0.4182 0.38006 0.000 0.400 0.000 0.000 0.600
#> GSM87908 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87923 4 0.4304 0.00535 0.000 0.000 0.000 0.516 0.484
#> GSM87927 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.98082 0.000 0.000 1.000 0.000 0.000
#> GSM87885 5 0.0703 0.78657 0.000 0.024 0.000 0.000 0.976
#> GSM87894 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87932 1 0.2966 0.73468 0.816 0.000 0.000 0.000 0.184
#> GSM87951 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.0162 0.79419 0.000 0.004 0.000 0.000 0.996
#> GSM87876 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87904 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87913 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87941 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87867 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87890 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87900 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87916 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87947 1 0.4305 0.48293 0.512 0.000 0.000 0.000 0.488
#> GSM87857 5 0.6087 0.42089 0.000 0.288 0.160 0.000 0.552
#> GSM87881 2 0.3816 0.45545 0.000 0.696 0.000 0.000 0.304
#> GSM87909 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87928 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87862 2 0.0880 0.91254 0.000 0.968 0.000 0.000 0.032
#> GSM87886 1 0.0162 0.80371 0.996 0.000 0.000 0.000 0.004
#> GSM87895 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87919 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.95259 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.0000 0.80445 1.000 0.000 0.000 0.000 0.000
#> GSM87872 5 0.4304 0.17341 0.000 0.484 0.000 0.000 0.516
#> GSM87877 5 0.0000 0.79542 0.000 0.000 0.000 0.000 1.000
#> GSM87905 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87914 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87942 2 0.0000 0.94408 0.000 1.000 0.000 0.000 0.000
#> GSM87956 1 0.0000 0.80445 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
#> GSM87863 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87887 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87896 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87934 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87920 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87924 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87858 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87882 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87917 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.2048 0.8339 0.000 0.120 0.000 0.880 0.000 0.000
#> GSM87948 6 0.3765 0.3407 0.404 0.000 0.000 0.000 0.000 0.596
#> GSM87868 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87873 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87910 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87864 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87888 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87935 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87944 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87854 5 0.3817 0.2247 0.000 0.000 0.000 0.000 0.568 0.432
#> GSM87878 6 0.3854 0.1322 0.000 0.000 0.000 0.000 0.464 0.536
#> GSM87907 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87921 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87925 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87957 6 0.0363 0.8926 0.012 0.000 0.000 0.000 0.000 0.988
#> GSM87859 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 6 0.0363 0.8926 0.012 0.000 0.000 0.000 0.000 0.988
#> GSM87892 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87930 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87869 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87874 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87902 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87911 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87939 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87865 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87889 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87898 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87915 6 0.1327 0.8530 0.064 0.000 0.000 0.000 0.000 0.936
#> GSM87936 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87945 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87855 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87879 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87922 2 0.3744 0.7058 0.000 0.756 0.000 0.044 0.200 0.000
#> GSM87926 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.2980 0.7179 0.000 0.008 0.800 0.000 0.192 0.000
#> GSM87884 6 0.0363 0.8926 0.012 0.000 0.000 0.000 0.000 0.988
#> GSM87893 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87918 2 0.4950 0.3429 0.000 0.576 0.000 0.000 0.344 0.080
#> GSM87931 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87870 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87875 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87903 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87912 6 0.3482 0.5473 0.316 0.000 0.000 0.000 0.000 0.684
#> GSM87940 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87899 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87937 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87946 1 0.1610 0.8958 0.916 0.000 0.000 0.000 0.000 0.084
#> GSM87856 3 0.4185 0.0202 0.000 0.000 0.496 0.000 0.492 0.012
#> GSM87880 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87923 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87927 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87959 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.9419 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87894 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87932 6 0.3563 0.5080 0.336 0.000 0.000 0.000 0.000 0.664
#> GSM87951 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 6 0.3923 0.2554 0.000 0.004 0.000 0.000 0.416 0.580
#> GSM87876 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87904 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87913 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87941 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87955 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87890 4 0.3823 0.2296 0.000 0.000 0.000 0.564 0.436 0.000
#> GSM87900 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87916 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87947 6 0.0000 0.8985 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87857 5 0.3695 0.2791 0.000 0.000 0.376 0.000 0.624 0.000
#> GSM87881 5 0.0000 0.8917 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87928 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87862 2 0.2597 0.7747 0.000 0.824 0.000 0.000 0.176 0.000
#> GSM87886 1 0.0146 0.9895 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87895 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87919 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.9628 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0000 0.9935 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.0632 0.9373 0.000 0.976 0.000 0.000 0.024 0.000
#> GSM87877 5 0.3578 0.4078 0.000 0.000 0.000 0.000 0.660 0.340
#> GSM87905 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87914 2 0.0000 0.9552 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87942 2 0.1141 0.9122 0.000 0.948 0.000 0.052 0.000 0.000
#> GSM87956 1 0.0000 0.9935 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 time(p) agent(p) individual(p) k
#> SD:pam 100 0.976 0.502 1.08e-05 2
#> SD:pam 104 0.637 0.219 2.66e-16 3
#> SD:pam 106 0.543 0.300 1.49e-18 4
#> SD:pam 88 0.245 0.263 4.42e-24 5
#> SD:pam 99 0.173 0.102 7.70e-29 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 108 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 5.
#>
#> 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 0.327 0.464 0.759 0.3772 0.504 0.504
#> 3 3 0.365 0.737 0.760 0.4945 0.652 0.465
#> 4 4 0.499 0.705 0.768 0.2026 0.811 0.599
#> 5 5 0.783 0.806 0.873 0.1585 0.884 0.633
#> 6 6 0.783 0.766 0.861 0.0482 0.939 0.724
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 5
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
#> GSM87863 1 0.9954 0.2485 0.540 0.460
#> GSM87887 1 0.9954 0.2485 0.540 0.460
#> GSM87896 2 0.9129 0.5916 0.328 0.672
#> GSM87934 2 0.0000 0.6214 0.000 1.000
#> GSM87943 1 0.9977 0.2172 0.528 0.472
#> GSM87853 1 0.9977 0.2172 0.528 0.472
#> GSM87906 2 0.9170 0.5893 0.332 0.668
#> GSM87920 1 0.9954 0.2485 0.540 0.460
#> GSM87924 2 0.0672 0.6223 0.008 0.992
#> GSM87858 2 0.9996 -0.0356 0.488 0.512
#> GSM87882 1 0.9954 0.2485 0.540 0.460
#> GSM87891 2 0.9129 0.5916 0.328 0.672
#> GSM87917 1 0.0000 0.5799 1.000 0.000
#> GSM87929 2 0.0000 0.6214 0.000 1.000
#> GSM87948 1 0.0672 0.5793 0.992 0.008
#> GSM87868 1 0.0000 0.5799 1.000 0.000
#> GSM87873 1 0.9977 0.2172 0.528 0.472
#> GSM87901 2 0.9209 0.5854 0.336 0.664
#> GSM87910 1 0.0000 0.5799 1.000 0.000
#> GSM87938 2 0.0000 0.6214 0.000 1.000
#> GSM87953 1 0.0000 0.5799 1.000 0.000
#> GSM87864 1 0.9954 0.2485 0.540 0.460
#> GSM87888 1 0.9954 0.2485 0.540 0.460
#> GSM87897 2 0.9209 0.5854 0.336 0.664
#> GSM87935 2 0.0000 0.6214 0.000 1.000
#> GSM87944 1 0.0000 0.5799 1.000 0.000
#> GSM87854 1 0.9977 0.2172 0.528 0.472
#> GSM87878 1 0.9954 0.2485 0.540 0.460
#> GSM87907 2 0.9170 0.5893 0.332 0.668
#> GSM87921 2 0.9129 0.5926 0.328 0.672
#> GSM87925 2 0.0000 0.6214 0.000 1.000
#> GSM87957 1 0.0000 0.5799 1.000 0.000
#> GSM87859 1 0.9977 0.2172 0.528 0.472
#> GSM87883 1 0.2043 0.5740 0.968 0.032
#> GSM87892 2 0.9129 0.5916 0.328 0.672
#> GSM87930 2 0.0000 0.6214 0.000 1.000
#> GSM87949 1 0.0000 0.5799 1.000 0.000
#> GSM87869 1 0.0000 0.5799 1.000 0.000
#> GSM87874 1 0.9977 0.2172 0.528 0.472
#> GSM87902 2 0.9323 0.5595 0.348 0.652
#> GSM87911 2 0.9552 0.4849 0.376 0.624
#> GSM87939 2 0.0000 0.6214 0.000 1.000
#> GSM87954 1 0.0000 0.5799 1.000 0.000
#> GSM87865 1 0.9954 0.2485 0.540 0.460
#> GSM87889 1 0.9954 0.2485 0.540 0.460
#> GSM87898 2 0.9209 0.5854 0.336 0.664
#> GSM87915 1 0.1414 0.5645 0.980 0.020
#> GSM87936 2 0.0000 0.6214 0.000 1.000
#> GSM87945 1 0.9977 0.2172 0.528 0.472
#> GSM87855 1 0.9977 0.2172 0.528 0.472
#> GSM87879 1 0.9954 0.2485 0.540 0.460
#> GSM87922 2 0.9491 0.5031 0.368 0.632
#> GSM87926 2 0.0000 0.6214 0.000 1.000
#> GSM87958 1 0.0000 0.5799 1.000 0.000
#> GSM87860 1 0.9993 0.1630 0.516 0.484
#> GSM87884 1 0.9732 0.2953 0.596 0.404
#> GSM87893 2 0.9129 0.5916 0.328 0.672
#> GSM87918 2 0.9460 0.5208 0.364 0.636
#> GSM87931 2 0.0000 0.6214 0.000 1.000
#> GSM87950 1 0.0000 0.5799 1.000 0.000
#> GSM87870 1 0.1184 0.5780 0.984 0.016
#> GSM87875 1 0.9954 0.2485 0.540 0.460
#> GSM87903 2 0.9209 0.5854 0.336 0.664
#> GSM87912 1 0.0000 0.5799 1.000 0.000
#> GSM87940 2 0.0000 0.6214 0.000 1.000
#> GSM87866 1 0.0376 0.5797 0.996 0.004
#> GSM87899 2 0.9209 0.5854 0.336 0.664
#> GSM87937 2 0.0000 0.6214 0.000 1.000
#> GSM87946 1 0.0000 0.5799 1.000 0.000
#> GSM87856 1 0.9977 0.2172 0.528 0.472
#> GSM87880 1 0.9954 0.2485 0.540 0.460
#> GSM87908 2 0.9209 0.5854 0.336 0.664
#> GSM87923 1 0.9977 0.2172 0.528 0.472
#> GSM87927 2 0.0672 0.6223 0.008 0.992
#> GSM87959 1 0.0000 0.5799 1.000 0.000
#> GSM87861 1 0.9977 0.2172 0.528 0.472
#> GSM87885 1 0.9954 0.2485 0.540 0.460
#> GSM87894 1 0.2603 0.5689 0.956 0.044
#> GSM87932 2 0.8955 0.5979 0.312 0.688
#> GSM87951 1 0.0000 0.5799 1.000 0.000
#> GSM87871 1 0.9954 0.2485 0.540 0.460
#> GSM87876 1 0.9954 0.2485 0.540 0.460
#> GSM87904 2 0.9944 0.1424 0.456 0.544
#> GSM87913 1 0.3733 0.5598 0.928 0.072
#> GSM87941 2 0.0000 0.6214 0.000 1.000
#> GSM87955 1 0.0000 0.5799 1.000 0.000
#> GSM87867 1 0.9954 0.2485 0.540 0.460
#> GSM87890 2 0.9795 0.3345 0.416 0.584
#> GSM87900 2 0.9170 0.5893 0.332 0.668
#> GSM87916 2 0.7528 0.6131 0.216 0.784
#> GSM87947 1 0.4298 0.5526 0.912 0.088
#> GSM87857 1 0.9977 0.2172 0.528 0.472
#> GSM87881 1 0.9954 0.2485 0.540 0.460
#> GSM87909 2 0.9209 0.5854 0.336 0.664
#> GSM87928 2 0.4161 0.6225 0.084 0.916
#> GSM87960 1 0.0000 0.5799 1.000 0.000
#> GSM87862 2 0.9850 0.2842 0.428 0.572
#> GSM87886 1 0.4690 0.5459 0.900 0.100
#> GSM87895 2 0.9129 0.5916 0.328 0.672
#> GSM87919 1 0.0000 0.5799 1.000 0.000
#> GSM87933 2 0.0000 0.6214 0.000 1.000
#> GSM87952 1 0.0000 0.5799 1.000 0.000
#> GSM87872 2 0.9988 0.0135 0.480 0.520
#> GSM87877 1 0.9954 0.2485 0.540 0.460
#> GSM87905 2 0.9209 0.5854 0.336 0.664
#> GSM87914 2 0.6623 0.6181 0.172 0.828
#> GSM87942 2 0.0000 0.6214 0.000 1.000
#> GSM87956 1 0.0000 0.5799 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.615 0.6207 0.328 0.664 0.008
#> GSM87887 3 0.694 0.9611 0.372 0.024 0.604
#> GSM87896 2 0.000 0.7894 0.000 1.000 0.000
#> GSM87934 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87943 2 0.469 0.7542 0.168 0.820 0.012
#> GSM87853 2 0.469 0.7542 0.168 0.820 0.012
#> GSM87906 2 0.129 0.7923 0.032 0.968 0.000
#> GSM87920 2 0.604 0.3289 0.380 0.620 0.000
#> GSM87924 2 0.573 0.7520 0.032 0.772 0.196
#> GSM87858 2 0.397 0.7866 0.100 0.876 0.024
#> GSM87882 3 0.776 0.9192 0.328 0.068 0.604
#> GSM87891 2 0.263 0.7958 0.084 0.916 0.000
#> GSM87917 1 0.506 0.7118 0.756 0.244 0.000
#> GSM87929 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87948 1 0.164 0.7512 0.956 0.044 0.000
#> GSM87868 1 0.220 0.7582 0.940 0.056 0.004
#> GSM87873 2 0.466 0.7767 0.100 0.852 0.048
#> GSM87901 2 0.129 0.7923 0.032 0.968 0.000
#> GSM87910 1 0.497 0.7154 0.764 0.236 0.000
#> GSM87938 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87953 1 0.506 0.7118 0.756 0.244 0.000
#> GSM87864 1 0.659 0.0560 0.568 0.424 0.008
#> GSM87888 3 0.729 0.9579 0.356 0.040 0.604
#> GSM87897 2 0.116 0.7927 0.028 0.972 0.000
#> GSM87935 2 0.601 0.6890 0.000 0.628 0.372
#> GSM87944 1 0.206 0.7445 0.948 0.044 0.008
#> GSM87854 2 0.502 0.7469 0.192 0.796 0.012
#> GSM87878 3 0.712 0.9571 0.364 0.032 0.604
#> GSM87907 2 0.116 0.7927 0.028 0.972 0.000
#> GSM87921 2 0.216 0.7857 0.064 0.936 0.000
#> GSM87925 2 0.603 0.6858 0.000 0.624 0.376
#> GSM87957 1 0.254 0.7566 0.920 0.080 0.000
#> GSM87859 2 0.420 0.7728 0.136 0.852 0.012
#> GSM87883 1 0.806 -0.4715 0.532 0.068 0.400
#> GSM87892 2 0.263 0.7958 0.084 0.916 0.000
#> GSM87930 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87949 1 0.141 0.7527 0.964 0.036 0.000
#> GSM87869 1 0.175 0.7577 0.952 0.048 0.000
#> GSM87874 2 0.524 0.7611 0.132 0.820 0.048
#> GSM87902 2 0.129 0.7923 0.032 0.968 0.000
#> GSM87911 2 0.164 0.7897 0.044 0.956 0.000
#> GSM87939 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87954 1 0.518 0.7016 0.744 0.256 0.000
#> GSM87865 1 0.652 0.0682 0.516 0.480 0.004
#> GSM87889 3 0.703 0.9632 0.368 0.028 0.604
#> GSM87898 2 0.129 0.7923 0.032 0.968 0.000
#> GSM87915 1 0.568 0.6421 0.684 0.316 0.000
#> GSM87936 2 0.603 0.6858 0.000 0.624 0.376
#> GSM87945 2 0.469 0.7542 0.168 0.820 0.012
#> GSM87855 2 0.469 0.7542 0.168 0.820 0.012
#> GSM87879 3 0.729 0.9579 0.356 0.040 0.604
#> GSM87922 2 0.271 0.7923 0.088 0.912 0.000
#> GSM87926 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87958 1 0.334 0.7262 0.880 0.120 0.000
#> GSM87860 2 0.392 0.7783 0.120 0.868 0.012
#> GSM87884 3 0.682 0.9125 0.408 0.016 0.576
#> GSM87893 2 0.263 0.7958 0.084 0.916 0.000
#> GSM87918 2 0.216 0.7857 0.064 0.936 0.000
#> GSM87931 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87950 1 0.141 0.7527 0.964 0.036 0.000
#> GSM87870 1 0.355 0.7423 0.868 0.132 0.000
#> GSM87875 2 0.683 0.6690 0.260 0.692 0.048
#> GSM87903 2 0.116 0.7927 0.028 0.972 0.000
#> GSM87912 1 0.533 0.6887 0.728 0.272 0.000
#> GSM87940 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87866 1 0.295 0.7544 0.908 0.088 0.004
#> GSM87899 2 0.116 0.7927 0.028 0.972 0.000
#> GSM87937 2 0.603 0.6858 0.000 0.624 0.376
#> GSM87946 1 0.206 0.7503 0.948 0.044 0.008
#> GSM87856 2 0.469 0.7542 0.168 0.820 0.012
#> GSM87880 3 0.712 0.9612 0.364 0.032 0.604
#> GSM87908 2 0.129 0.7923 0.032 0.968 0.000
#> GSM87923 2 0.616 0.7389 0.196 0.756 0.048
#> GSM87927 2 0.599 0.7362 0.012 0.704 0.284
#> GSM87959 1 0.141 0.7527 0.964 0.036 0.000
#> GSM87861 2 0.433 0.7691 0.144 0.844 0.012
#> GSM87885 3 0.703 0.9632 0.368 0.028 0.604
#> GSM87894 1 0.520 0.6747 0.772 0.220 0.008
#> GSM87932 2 0.400 0.7986 0.056 0.884 0.060
#> GSM87951 1 0.141 0.7527 0.964 0.036 0.000
#> GSM87871 2 0.511 0.7353 0.212 0.780 0.008
#> GSM87876 3 0.703 0.9632 0.368 0.028 0.604
#> GSM87904 2 0.348 0.7880 0.128 0.872 0.000
#> GSM87913 1 0.571 0.6518 0.680 0.320 0.000
#> GSM87941 2 0.579 0.7069 0.000 0.668 0.332
#> GSM87955 1 0.334 0.7262 0.880 0.120 0.000
#> GSM87867 2 0.638 0.5701 0.368 0.624 0.008
#> GSM87890 2 0.632 0.7304 0.228 0.732 0.040
#> GSM87900 2 0.129 0.7923 0.032 0.968 0.000
#> GSM87916 2 0.596 0.7440 0.016 0.720 0.264
#> GSM87947 1 0.375 0.6727 0.872 0.120 0.008
#> GSM87857 2 0.469 0.7542 0.168 0.820 0.012
#> GSM87881 3 0.776 0.9190 0.328 0.068 0.604
#> GSM87909 2 0.216 0.7857 0.064 0.936 0.000
#> GSM87928 2 0.592 0.7679 0.032 0.756 0.212
#> GSM87960 1 0.141 0.7527 0.964 0.036 0.000
#> GSM87862 2 0.481 0.7775 0.148 0.828 0.024
#> GSM87886 3 0.697 0.9044 0.416 0.020 0.564
#> GSM87895 2 0.116 0.7927 0.028 0.972 0.000
#> GSM87919 1 0.493 0.7174 0.768 0.232 0.000
#> GSM87933 2 0.610 0.6739 0.000 0.608 0.392
#> GSM87952 1 0.141 0.7527 0.964 0.036 0.000
#> GSM87872 2 0.577 0.7384 0.220 0.756 0.024
#> GSM87877 3 0.699 0.9527 0.384 0.024 0.592
#> GSM87905 2 0.186 0.7892 0.052 0.948 0.000
#> GSM87914 2 0.489 0.7961 0.048 0.840 0.112
#> GSM87942 2 0.676 0.6928 0.020 0.620 0.360
#> GSM87956 1 0.207 0.7539 0.940 0.060 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.1978 0.845 0.928 0.004 0.068 0.000
#> GSM87887 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87896 4 0.6594 0.637 0.140 0.000 0.240 0.620
#> GSM87934 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87943 3 0.0188 0.835 0.000 0.004 0.996 0.000
#> GSM87853 3 0.0188 0.835 0.000 0.004 0.996 0.000
#> GSM87906 4 0.6719 0.647 0.180 0.000 0.204 0.616
#> GSM87920 1 0.5376 0.713 0.736 0.000 0.088 0.176
#> GSM87924 4 0.8611 0.610 0.136 0.192 0.136 0.536
#> GSM87858 3 0.5220 -0.219 0.008 0.000 0.568 0.424
#> GSM87882 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87891 4 0.6605 0.633 0.136 0.000 0.248 0.616
#> GSM87917 1 0.3528 0.785 0.808 0.000 0.000 0.192
#> GSM87929 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87948 1 0.1256 0.834 0.964 0.028 0.008 0.000
#> GSM87868 1 0.0469 0.863 0.988 0.000 0.012 0.000
#> GSM87873 3 0.0000 0.834 0.000 0.000 1.000 0.000
#> GSM87901 4 0.6683 0.649 0.176 0.000 0.204 0.620
#> GSM87910 1 0.3528 0.785 0.808 0.000 0.000 0.192
#> GSM87938 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87953 1 0.3528 0.785 0.808 0.000 0.000 0.192
#> GSM87864 1 0.1576 0.854 0.948 0.004 0.048 0.000
#> GSM87888 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87897 4 0.6686 0.649 0.180 0.000 0.200 0.620
#> GSM87935 4 0.6413 0.550 0.012 0.192 0.120 0.676
#> GSM87944 1 0.0524 0.860 0.988 0.004 0.008 0.000
#> GSM87854 3 0.2647 0.707 0.120 0.000 0.880 0.000
#> GSM87878 2 0.4576 0.900 0.260 0.728 0.012 0.000
#> GSM87907 4 0.6609 0.639 0.144 0.000 0.236 0.620
#> GSM87921 4 0.6686 0.649 0.180 0.000 0.200 0.620
#> GSM87925 4 0.6413 0.550 0.012 0.192 0.120 0.676
#> GSM87957 1 0.0188 0.862 0.996 0.004 0.000 0.000
#> GSM87859 3 0.0000 0.834 0.000 0.000 1.000 0.000
#> GSM87883 2 0.5345 0.645 0.428 0.560 0.012 0.000
#> GSM87892 4 0.6605 0.633 0.136 0.000 0.248 0.616
#> GSM87930 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87949 1 0.0188 0.862 0.996 0.004 0.000 0.000
#> GSM87869 1 0.0188 0.864 0.996 0.000 0.004 0.000
#> GSM87874 3 0.0188 0.835 0.000 0.004 0.996 0.000
#> GSM87902 4 0.6719 0.647 0.180 0.000 0.204 0.616
#> GSM87911 4 0.6722 0.646 0.184 0.000 0.200 0.616
#> GSM87939 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87954 1 0.3610 0.781 0.800 0.000 0.000 0.200
#> GSM87865 1 0.3312 0.832 0.876 0.000 0.072 0.052
#> GSM87889 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87898 4 0.6686 0.649 0.180 0.000 0.200 0.620
#> GSM87915 1 0.5410 0.693 0.728 0.000 0.080 0.192
#> GSM87936 4 0.6413 0.550 0.012 0.192 0.120 0.676
#> GSM87945 3 0.0188 0.835 0.000 0.004 0.996 0.000
#> GSM87855 3 0.0188 0.835 0.000 0.004 0.996 0.000
#> GSM87879 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87922 4 0.7006 0.627 0.216 0.000 0.204 0.580
#> GSM87926 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87958 1 0.0469 0.865 0.988 0.000 0.000 0.012
#> GSM87860 3 0.5058 0.572 0.104 0.000 0.768 0.128
#> GSM87884 2 0.4795 0.876 0.292 0.696 0.012 0.000
#> GSM87893 4 0.6587 0.601 0.112 0.000 0.292 0.596
#> GSM87918 4 0.6722 0.646 0.184 0.000 0.200 0.616
#> GSM87931 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87950 1 0.0376 0.862 0.992 0.004 0.004 0.000
#> GSM87870 1 0.1807 0.855 0.940 0.000 0.008 0.052
#> GSM87875 3 0.5792 0.472 0.168 0.124 0.708 0.000
#> GSM87903 4 0.6719 0.647 0.180 0.000 0.204 0.616
#> GSM87912 1 0.3528 0.785 0.808 0.000 0.000 0.192
#> GSM87940 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87866 1 0.1209 0.861 0.964 0.000 0.032 0.004
#> GSM87899 4 0.6672 0.647 0.168 0.000 0.212 0.620
#> GSM87937 4 0.5664 0.535 0.008 0.192 0.076 0.724
#> GSM87946 1 0.0657 0.858 0.984 0.004 0.012 0.000
#> GSM87856 3 0.0188 0.835 0.000 0.004 0.996 0.000
#> GSM87880 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87908 4 0.6722 0.646 0.184 0.000 0.200 0.616
#> GSM87923 3 0.8193 -0.326 0.324 0.008 0.348 0.320
#> GSM87927 4 0.8968 0.613 0.120 0.192 0.200 0.488
#> GSM87959 1 0.0524 0.859 0.988 0.008 0.004 0.000
#> GSM87861 3 0.0000 0.834 0.000 0.000 1.000 0.000
#> GSM87885 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87894 1 0.4621 0.791 0.796 0.000 0.076 0.128
#> GSM87932 4 0.7801 0.650 0.140 0.064 0.200 0.596
#> GSM87951 1 0.0376 0.862 0.992 0.004 0.004 0.000
#> GSM87871 1 0.4328 0.595 0.748 0.000 0.244 0.008
#> GSM87876 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87904 4 0.6621 0.635 0.140 0.000 0.244 0.616
#> GSM87913 1 0.3710 0.787 0.804 0.000 0.004 0.192
#> GSM87941 4 0.7183 0.558 0.012 0.192 0.196 0.600
#> GSM87955 1 0.0592 0.865 0.984 0.000 0.000 0.016
#> GSM87867 1 0.1059 0.847 0.972 0.016 0.012 0.000
#> GSM87890 4 0.9458 0.354 0.208 0.164 0.204 0.424
#> GSM87900 4 0.6286 0.655 0.140 0.000 0.200 0.660
#> GSM87916 4 0.4553 0.521 0.000 0.180 0.040 0.780
#> GSM87947 1 0.2255 0.765 0.920 0.068 0.012 0.000
#> GSM87857 3 0.0188 0.835 0.000 0.004 0.996 0.000
#> GSM87881 2 0.4095 0.947 0.192 0.792 0.016 0.000
#> GSM87909 4 0.6686 0.649 0.180 0.000 0.200 0.620
#> GSM87928 4 0.8927 0.612 0.116 0.192 0.200 0.492
#> GSM87960 1 0.0376 0.862 0.992 0.004 0.004 0.000
#> GSM87862 4 0.7748 0.476 0.332 0.000 0.244 0.424
#> GSM87886 2 0.4718 0.889 0.280 0.708 0.012 0.000
#> GSM87895 4 0.6581 0.642 0.144 0.000 0.232 0.624
#> GSM87919 1 0.3528 0.785 0.808 0.000 0.000 0.192
#> GSM87933 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87952 1 0.0376 0.862 0.992 0.004 0.004 0.000
#> GSM87872 4 0.7772 0.483 0.364 0.004 0.204 0.428
#> GSM87877 2 0.3978 0.950 0.192 0.796 0.012 0.000
#> GSM87905 4 0.6686 0.649 0.180 0.000 0.200 0.620
#> GSM87914 4 0.8923 0.629 0.140 0.160 0.200 0.500
#> GSM87942 4 0.3649 0.495 0.000 0.204 0.000 0.796
#> GSM87956 1 0.0376 0.864 0.992 0.004 0.000 0.004
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 1 0.3019 0.8452 0.864 0.012 0.108 0.000 0.016
#> GSM87887 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87896 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87934 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87943 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87853 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87920 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87924 2 0.4182 0.4228 0.000 0.600 0.000 0.400 0.000
#> GSM87858 3 0.0609 0.8890 0.000 0.020 0.980 0.000 0.000
#> GSM87882 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87891 3 0.4242 0.3351 0.000 0.428 0.572 0.000 0.000
#> GSM87917 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87948 1 0.3949 0.6539 0.668 0.000 0.000 0.000 0.332
#> GSM87868 1 0.2249 0.8770 0.896 0.008 0.000 0.000 0.096
#> GSM87873 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87901 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87910 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87864 1 0.2533 0.8770 0.888 0.008 0.008 0.000 0.096
#> GSM87888 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87897 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87935 2 0.4182 0.4228 0.000 0.600 0.000 0.400 0.000
#> GSM87944 1 0.2020 0.8749 0.900 0.000 0.000 0.000 0.100
#> GSM87854 3 0.0162 0.8975 0.000 0.004 0.996 0.000 0.000
#> GSM87878 5 0.1965 0.8746 0.096 0.000 0.000 0.000 0.904
#> GSM87907 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87921 2 0.2074 0.8063 0.104 0.896 0.000 0.000 0.000
#> GSM87925 2 0.4273 0.3009 0.000 0.552 0.000 0.448 0.000
#> GSM87957 1 0.2074 0.8739 0.896 0.000 0.000 0.000 0.104
#> GSM87859 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87883 5 0.2471 0.8400 0.136 0.000 0.000 0.000 0.864
#> GSM87892 3 0.3305 0.7423 0.000 0.224 0.776 0.000 0.000
#> GSM87930 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.2127 0.8728 0.892 0.000 0.000 0.000 0.108
#> GSM87869 1 0.2124 0.8766 0.900 0.004 0.000 0.000 0.096
#> GSM87874 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87902 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87911 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87939 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87865 1 0.4020 0.8276 0.796 0.096 0.108 0.000 0.000
#> GSM87889 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87898 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87915 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87936 2 0.4182 0.4228 0.000 0.600 0.000 0.400 0.000
#> GSM87945 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87922 2 0.5730 0.7341 0.104 0.732 0.040 0.092 0.032
#> GSM87926 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.1851 0.8765 0.912 0.000 0.000 0.000 0.088
#> GSM87860 3 0.2690 0.7990 0.000 0.156 0.844 0.000 0.000
#> GSM87884 5 0.1965 0.8746 0.096 0.000 0.000 0.000 0.904
#> GSM87893 3 0.3305 0.7423 0.000 0.224 0.776 0.000 0.000
#> GSM87918 2 0.3109 0.7403 0.200 0.800 0.000 0.000 0.000
#> GSM87931 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.2127 0.8728 0.892 0.000 0.000 0.000 0.108
#> GSM87870 1 0.1774 0.8566 0.932 0.052 0.016 0.000 0.000
#> GSM87875 3 0.4210 0.2339 0.000 0.000 0.588 0.000 0.412
#> GSM87903 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87912 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87866 1 0.2921 0.8745 0.884 0.020 0.028 0.000 0.068
#> GSM87899 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87937 4 0.3707 0.5145 0.000 0.284 0.000 0.716 0.000
#> GSM87946 1 0.2127 0.8728 0.892 0.000 0.000 0.000 0.108
#> GSM87856 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87880 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87908 2 0.1965 0.8099 0.096 0.904 0.000 0.000 0.000
#> GSM87923 5 0.4811 0.0799 0.020 0.000 0.452 0.000 0.528
#> GSM87927 2 0.4182 0.4228 0.000 0.600 0.000 0.400 0.000
#> GSM87959 1 0.2127 0.8728 0.892 0.000 0.000 0.000 0.108
#> GSM87861 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87885 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87894 1 0.4020 0.8276 0.796 0.096 0.108 0.000 0.000
#> GSM87932 4 0.1965 0.8118 0.000 0.096 0.000 0.904 0.000
#> GSM87951 1 0.2127 0.8728 0.892 0.000 0.000 0.000 0.108
#> GSM87871 1 0.3569 0.8388 0.828 0.068 0.104 0.000 0.000
#> GSM87876 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87904 2 0.3003 0.6910 0.000 0.812 0.188 0.000 0.000
#> GSM87913 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87941 4 0.1043 0.8959 0.000 0.040 0.000 0.960 0.000
#> GSM87955 1 0.2020 0.8749 0.900 0.000 0.000 0.000 0.100
#> GSM87867 1 0.4045 0.6112 0.644 0.000 0.000 0.000 0.356
#> GSM87890 5 0.0609 0.9261 0.000 0.000 0.000 0.020 0.980
#> GSM87900 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87916 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87947 1 0.4182 0.5199 0.600 0.000 0.000 0.000 0.400
#> GSM87857 3 0.0000 0.8994 0.000 0.000 1.000 0.000 0.000
#> GSM87881 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87909 2 0.2074 0.8063 0.104 0.896 0.000 0.000 0.000
#> GSM87928 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87960 1 0.2127 0.8728 0.892 0.000 0.000 0.000 0.108
#> GSM87862 2 0.5040 0.6311 0.084 0.680 0.236 0.000 0.000
#> GSM87886 5 0.0880 0.9217 0.032 0.000 0.000 0.000 0.968
#> GSM87895 2 0.0000 0.8374 0.000 1.000 0.000 0.000 0.000
#> GSM87919 1 0.1965 0.8419 0.904 0.096 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.2127 0.8728 0.892 0.000 0.000 0.000 0.108
#> GSM87872 2 0.5005 0.3585 0.028 0.580 0.000 0.004 0.388
#> GSM87877 5 0.0000 0.9382 0.000 0.000 0.000 0.000 1.000
#> GSM87905 2 0.1851 0.8129 0.088 0.912 0.000 0.000 0.000
#> GSM87914 4 0.4219 0.1239 0.000 0.416 0.000 0.584 0.000
#> GSM87942 4 0.0000 0.9296 0.000 0.000 0.000 1.000 0.000
#> GSM87956 1 0.2074 0.8739 0.896 0.000 0.000 0.000 0.104
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.0363 0.8512 0.000 0.000 0.012 0.000 0.000 0.988
#> GSM87887 5 0.0000 0.8967 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87896 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87934 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 3 0.0146 0.9347 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87853 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.0458 0.8318 0.016 0.984 0.000 0.000 0.000 0.000
#> GSM87920 6 0.3424 0.7284 0.048 0.128 0.008 0.000 0.000 0.816
#> GSM87924 2 0.3578 0.5014 0.000 0.660 0.000 0.340 0.000 0.000
#> GSM87858 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87882 5 0.0790 0.8821 0.000 0.000 0.000 0.000 0.968 0.032
#> GSM87891 2 0.2854 0.7142 0.000 0.792 0.208 0.000 0.000 0.000
#> GSM87917 1 0.2389 0.8056 0.864 0.128 0.000 0.000 0.000 0.008
#> GSM87929 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87948 6 0.3874 0.5178 0.008 0.000 0.000 0.000 0.356 0.636
#> GSM87868 6 0.0260 0.8505 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87873 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87910 1 0.2389 0.8056 0.864 0.128 0.000 0.000 0.000 0.008
#> GSM87938 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.2389 0.8056 0.864 0.128 0.000 0.000 0.000 0.008
#> GSM87864 6 0.0000 0.8524 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87888 5 0.0000 0.8967 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87935 2 0.3756 0.3841 0.000 0.600 0.000 0.400 0.000 0.000
#> GSM87944 6 0.0405 0.8501 0.008 0.000 0.000 0.000 0.004 0.988
#> GSM87854 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87878 5 0.3605 0.7357 0.084 0.000 0.004 0.000 0.804 0.108
#> GSM87907 2 0.0363 0.8325 0.012 0.988 0.000 0.000 0.000 0.000
#> GSM87921 2 0.2048 0.7947 0.120 0.880 0.000 0.000 0.000 0.000
#> GSM87925 2 0.3862 0.1672 0.000 0.524 0.000 0.476 0.000 0.000
#> GSM87957 1 0.6501 0.3369 0.436 0.336 0.000 0.000 0.036 0.192
#> GSM87859 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 5 0.2312 0.8034 0.012 0.000 0.000 0.000 0.876 0.112
#> GSM87892 2 0.3866 -0.0230 0.000 0.516 0.484 0.000 0.000 0.000
#> GSM87930 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.2581 0.7996 0.860 0.000 0.000 0.000 0.020 0.120
#> GSM87869 6 0.0000 0.8524 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87874 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87902 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87911 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87939 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.2389 0.8056 0.864 0.128 0.000 0.000 0.000 0.008
#> GSM87865 6 0.0713 0.8453 0.000 0.000 0.028 0.000 0.000 0.972
#> GSM87889 5 0.0000 0.8967 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87898 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87915 1 0.2513 0.7982 0.852 0.140 0.000 0.000 0.000 0.008
#> GSM87936 2 0.3756 0.3841 0.000 0.600 0.000 0.400 0.000 0.000
#> GSM87945 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87855 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87879 5 0.0000 0.8967 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87922 2 0.3049 0.7912 0.040 0.864 0.000 0.044 0.000 0.052
#> GSM87926 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.3482 0.8170 0.824 0.048 0.000 0.000 0.020 0.108
#> GSM87860 3 0.2762 0.7590 0.000 0.196 0.804 0.000 0.000 0.000
#> GSM87884 5 0.2070 0.8160 0.008 0.000 0.000 0.000 0.892 0.100
#> GSM87893 3 0.2697 0.7459 0.000 0.188 0.812 0.000 0.000 0.000
#> GSM87918 2 0.2527 0.7895 0.108 0.868 0.000 0.000 0.000 0.024
#> GSM87931 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.2618 0.8000 0.860 0.000 0.000 0.000 0.024 0.116
#> GSM87870 6 0.0405 0.8516 0.004 0.000 0.008 0.000 0.000 0.988
#> GSM87875 3 0.3852 0.3486 0.000 0.000 0.612 0.000 0.384 0.004
#> GSM87903 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87912 1 0.2389 0.8056 0.864 0.128 0.000 0.000 0.000 0.008
#> GSM87940 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.0000 0.8524 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87899 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87937 4 0.3684 0.3090 0.000 0.372 0.000 0.628 0.000 0.000
#> GSM87946 6 0.0405 0.8501 0.008 0.000 0.000 0.000 0.004 0.988
#> GSM87856 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87880 5 0.0000 0.8967 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87908 2 0.1610 0.8107 0.084 0.916 0.000 0.000 0.000 0.000
#> GSM87923 5 0.4999 -0.0426 0.004 0.456 0.024 0.000 0.496 0.020
#> GSM87927 2 0.3727 0.4040 0.000 0.612 0.000 0.388 0.000 0.000
#> GSM87959 1 0.2752 0.7982 0.856 0.000 0.000 0.000 0.036 0.108
#> GSM87861 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0363 0.8926 0.000 0.000 0.000 0.000 0.988 0.012
#> GSM87894 6 0.3766 0.6955 0.000 0.212 0.040 0.000 0.000 0.748
#> GSM87932 4 0.3796 0.6486 0.084 0.140 0.000 0.776 0.000 0.000
#> GSM87951 1 0.2581 0.7996 0.860 0.000 0.000 0.000 0.020 0.120
#> GSM87871 6 0.2003 0.8228 0.000 0.044 0.044 0.000 0.000 0.912
#> GSM87876 5 0.0000 0.8967 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87904 2 0.0547 0.8292 0.000 0.980 0.020 0.000 0.000 0.000
#> GSM87913 6 0.4261 0.6625 0.112 0.156 0.000 0.000 0.000 0.732
#> GSM87941 4 0.3126 0.5994 0.000 0.248 0.000 0.752 0.000 0.000
#> GSM87955 1 0.3482 0.8170 0.824 0.048 0.000 0.000 0.020 0.108
#> GSM87867 6 0.3707 0.5831 0.008 0.000 0.000 0.000 0.312 0.680
#> GSM87890 5 0.3670 0.5981 0.000 0.000 0.012 0.284 0.704 0.000
#> GSM87900 2 0.0000 0.8337 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87916 4 0.0363 0.8853 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM87947 6 0.3672 0.5032 0.000 0.000 0.000 0.000 0.368 0.632
#> GSM87857 3 0.0000 0.9372 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87881 5 0.0146 0.8951 0.000 0.000 0.004 0.000 0.996 0.000
#> GSM87909 2 0.2048 0.7947 0.120 0.880 0.000 0.000 0.000 0.000
#> GSM87928 4 0.0363 0.8853 0.000 0.012 0.000 0.988 0.000 0.000
#> GSM87960 1 0.4561 0.6583 0.676 0.024 0.000 0.000 0.032 0.268
#> GSM87862 2 0.4214 0.6732 0.024 0.720 0.236 0.000 0.004 0.016
#> GSM87886 5 0.0260 0.8936 0.000 0.000 0.000 0.000 0.992 0.008
#> GSM87895 2 0.0363 0.8325 0.012 0.988 0.000 0.000 0.000 0.000
#> GSM87919 1 0.2389 0.8056 0.864 0.128 0.000 0.000 0.000 0.008
#> GSM87933 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.2618 0.8000 0.860 0.000 0.000 0.000 0.024 0.116
#> GSM87872 2 0.4546 0.4398 0.004 0.624 0.012 0.000 0.340 0.020
#> GSM87877 5 0.0000 0.8967 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87905 2 0.2003 0.7968 0.116 0.884 0.000 0.000 0.000 0.000
#> GSM87914 4 0.3797 0.1692 0.000 0.420 0.000 0.580 0.000 0.000
#> GSM87942 4 0.0000 0.8914 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87956 1 0.3192 0.8103 0.836 0.024 0.000 0.000 0.020 0.120
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 time(p) agent(p) individual(p) k
#> SD:mclust 70 0.896 0.397 1.39e-10 2
#> SD:mclust 104 0.996 0.734 7.83e-23 3
#> SD:mclust 92 0.998 0.678 2.55e-27 4
#> SD:mclust 98 0.993 0.689 2.89e-41 5
#> SD:mclust 97 0.995 0.213 6.34e-42 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 108 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 0.817 0.882 0.952 0.4629 0.534 0.534
#> 3 3 0.751 0.813 0.918 0.3076 0.799 0.645
#> 4 4 0.617 0.692 0.844 0.2155 0.775 0.485
#> 5 5 0.538 0.491 0.702 0.0472 0.925 0.737
#> 6 6 0.599 0.485 0.667 0.0587 0.827 0.449
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
#> GSM87863 1 0.0000 0.953 1.000 0.000
#> GSM87887 1 0.0000 0.953 1.000 0.000
#> GSM87896 2 0.0000 0.936 0.000 1.000
#> GSM87934 2 0.0000 0.936 0.000 1.000
#> GSM87943 2 0.5294 0.860 0.120 0.880
#> GSM87853 2 0.0000 0.936 0.000 1.000
#> GSM87906 1 0.7602 0.690 0.780 0.220
#> GSM87920 1 0.0000 0.953 1.000 0.000
#> GSM87924 2 0.0000 0.936 0.000 1.000
#> GSM87858 2 0.0000 0.936 0.000 1.000
#> GSM87882 1 0.6712 0.755 0.824 0.176
#> GSM87891 2 0.0000 0.936 0.000 1.000
#> GSM87917 1 0.0000 0.953 1.000 0.000
#> GSM87929 1 0.9635 0.341 0.612 0.388
#> GSM87948 1 0.0000 0.953 1.000 0.000
#> GSM87868 1 0.0000 0.953 1.000 0.000
#> GSM87873 2 0.0000 0.936 0.000 1.000
#> GSM87901 1 0.0000 0.953 1.000 0.000
#> GSM87910 1 0.0000 0.953 1.000 0.000
#> GSM87938 2 0.0000 0.936 0.000 1.000
#> GSM87953 1 0.0000 0.953 1.000 0.000
#> GSM87864 1 0.0000 0.953 1.000 0.000
#> GSM87888 1 0.0000 0.953 1.000 0.000
#> GSM87897 1 0.9954 0.106 0.540 0.460
#> GSM87935 2 0.0000 0.936 0.000 1.000
#> GSM87944 1 0.0000 0.953 1.000 0.000
#> GSM87854 1 0.0000 0.953 1.000 0.000
#> GSM87878 1 0.0000 0.953 1.000 0.000
#> GSM87907 2 0.0000 0.936 0.000 1.000
#> GSM87921 1 0.0000 0.953 1.000 0.000
#> GSM87925 2 0.2043 0.923 0.032 0.968
#> GSM87957 1 0.0000 0.953 1.000 0.000
#> GSM87859 2 0.0000 0.936 0.000 1.000
#> GSM87883 1 0.0000 0.953 1.000 0.000
#> GSM87892 2 0.0000 0.936 0.000 1.000
#> GSM87930 2 0.0000 0.936 0.000 1.000
#> GSM87949 1 0.0000 0.953 1.000 0.000
#> GSM87869 1 0.0000 0.953 1.000 0.000
#> GSM87874 2 0.0000 0.936 0.000 1.000
#> GSM87902 1 0.0000 0.953 1.000 0.000
#> GSM87911 1 0.0000 0.953 1.000 0.000
#> GSM87939 2 0.4690 0.879 0.100 0.900
#> GSM87954 1 0.0000 0.953 1.000 0.000
#> GSM87865 1 0.0000 0.953 1.000 0.000
#> GSM87889 1 0.0000 0.953 1.000 0.000
#> GSM87898 1 0.0000 0.953 1.000 0.000
#> GSM87915 1 0.0000 0.953 1.000 0.000
#> GSM87936 2 0.0000 0.936 0.000 1.000
#> GSM87945 2 0.0000 0.936 0.000 1.000
#> GSM87855 2 0.0000 0.936 0.000 1.000
#> GSM87879 1 0.0376 0.950 0.996 0.004
#> GSM87922 2 0.9988 0.100 0.480 0.520
#> GSM87926 2 0.8443 0.651 0.272 0.728
#> GSM87958 1 0.0000 0.953 1.000 0.000
#> GSM87860 2 0.0000 0.936 0.000 1.000
#> GSM87884 1 0.0000 0.953 1.000 0.000
#> GSM87893 2 0.0000 0.936 0.000 1.000
#> GSM87918 1 0.0000 0.953 1.000 0.000
#> GSM87931 2 0.2423 0.919 0.040 0.960
#> GSM87950 1 0.0000 0.953 1.000 0.000
#> GSM87870 1 0.0000 0.953 1.000 0.000
#> GSM87875 2 0.0000 0.936 0.000 1.000
#> GSM87903 1 0.9358 0.432 0.648 0.352
#> GSM87912 1 0.0000 0.953 1.000 0.000
#> GSM87940 2 0.0000 0.936 0.000 1.000
#> GSM87866 1 0.0000 0.953 1.000 0.000
#> GSM87899 2 0.5629 0.847 0.132 0.868
#> GSM87937 2 0.0000 0.936 0.000 1.000
#> GSM87946 1 0.0000 0.953 1.000 0.000
#> GSM87856 2 0.1184 0.930 0.016 0.984
#> GSM87880 1 0.0000 0.953 1.000 0.000
#> GSM87908 1 0.0000 0.953 1.000 0.000
#> GSM87923 2 0.8661 0.622 0.288 0.712
#> GSM87927 1 0.9775 0.271 0.588 0.412
#> GSM87959 1 0.0000 0.953 1.000 0.000
#> GSM87861 2 0.0000 0.936 0.000 1.000
#> GSM87885 1 0.0000 0.953 1.000 0.000
#> GSM87894 1 0.0000 0.953 1.000 0.000
#> GSM87932 1 0.0000 0.953 1.000 0.000
#> GSM87951 1 0.0000 0.953 1.000 0.000
#> GSM87871 1 0.0000 0.953 1.000 0.000
#> GSM87876 1 0.0000 0.953 1.000 0.000
#> GSM87904 2 0.3431 0.905 0.064 0.936
#> GSM87913 1 0.0000 0.953 1.000 0.000
#> GSM87941 1 0.9850 0.220 0.572 0.428
#> GSM87955 1 0.0000 0.953 1.000 0.000
#> GSM87867 1 0.0000 0.953 1.000 0.000
#> GSM87890 2 0.4161 0.892 0.084 0.916
#> GSM87900 1 0.9580 0.362 0.620 0.380
#> GSM87916 2 0.9710 0.363 0.400 0.600
#> GSM87947 1 0.0000 0.953 1.000 0.000
#> GSM87857 2 0.4431 0.885 0.092 0.908
#> GSM87881 1 0.0376 0.950 0.996 0.004
#> GSM87909 1 0.0000 0.953 1.000 0.000
#> GSM87928 1 0.0000 0.953 1.000 0.000
#> GSM87960 1 0.0000 0.953 1.000 0.000
#> GSM87862 2 0.2423 0.919 0.040 0.960
#> GSM87886 1 0.0000 0.953 1.000 0.000
#> GSM87895 2 0.0000 0.936 0.000 1.000
#> GSM87919 1 0.0000 0.953 1.000 0.000
#> GSM87933 2 0.5294 0.860 0.120 0.880
#> GSM87952 1 0.0000 0.953 1.000 0.000
#> GSM87872 1 0.2423 0.916 0.960 0.040
#> GSM87877 1 0.0000 0.953 1.000 0.000
#> GSM87905 1 0.0000 0.953 1.000 0.000
#> GSM87914 1 0.0000 0.953 1.000 0.000
#> GSM87942 1 0.0000 0.953 1.000 0.000
#> GSM87956 1 0.0000 0.953 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.3482 0.838 0.872 0.000 0.128
#> GSM87887 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87896 3 0.5948 0.571 0.000 0.360 0.640
#> GSM87934 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87943 3 0.1163 0.842 0.028 0.000 0.972
#> GSM87853 3 0.0000 0.848 0.000 0.000 1.000
#> GSM87906 2 0.6291 0.138 0.468 0.532 0.000
#> GSM87920 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87924 2 0.1031 0.850 0.000 0.976 0.024
#> GSM87858 3 0.4002 0.800 0.000 0.160 0.840
#> GSM87882 1 0.6305 0.121 0.516 0.000 0.484
#> GSM87891 3 0.5905 0.584 0.000 0.352 0.648
#> GSM87917 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87929 2 0.1753 0.848 0.048 0.952 0.000
#> GSM87948 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87868 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87873 3 0.3482 0.818 0.000 0.128 0.872
#> GSM87901 1 0.3941 0.793 0.844 0.156 0.000
#> GSM87910 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87938 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87864 1 0.3412 0.842 0.876 0.000 0.124
#> GSM87888 1 0.2878 0.870 0.904 0.000 0.096
#> GSM87897 2 0.4953 0.711 0.176 0.808 0.016
#> GSM87935 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87944 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87854 3 0.6095 0.275 0.392 0.000 0.608
#> GSM87878 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87907 2 0.5678 0.333 0.000 0.684 0.316
#> GSM87921 2 0.6299 0.129 0.476 0.524 0.000
#> GSM87925 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87957 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87859 3 0.1964 0.845 0.000 0.056 0.944
#> GSM87883 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87892 3 0.5254 0.711 0.000 0.264 0.736
#> GSM87930 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87874 3 0.1753 0.846 0.000 0.048 0.952
#> GSM87902 1 0.0592 0.928 0.988 0.012 0.000
#> GSM87911 1 0.1453 0.920 0.968 0.024 0.008
#> GSM87939 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87954 1 0.0237 0.932 0.996 0.004 0.000
#> GSM87865 1 0.2796 0.872 0.908 0.000 0.092
#> GSM87889 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87898 1 0.0424 0.930 0.992 0.008 0.000
#> GSM87915 1 0.1031 0.920 0.976 0.024 0.000
#> GSM87936 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.848 0.000 0.000 1.000
#> GSM87855 3 0.0000 0.848 0.000 0.000 1.000
#> GSM87879 1 0.6299 0.150 0.524 0.000 0.476
#> GSM87922 2 0.2959 0.800 0.100 0.900 0.000
#> GSM87926 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87860 3 0.0661 0.849 0.008 0.004 0.988
#> GSM87884 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87893 3 0.4702 0.761 0.000 0.212 0.788
#> GSM87918 1 0.1031 0.920 0.976 0.024 0.000
#> GSM87931 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87950 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87870 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87875 3 0.0747 0.846 0.016 0.000 0.984
#> GSM87903 1 0.6467 0.340 0.604 0.388 0.008
#> GSM87912 1 0.0424 0.930 0.992 0.008 0.000
#> GSM87940 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87866 1 0.0237 0.932 0.996 0.000 0.004
#> GSM87899 3 0.2550 0.838 0.040 0.024 0.936
#> GSM87937 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87946 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87856 3 0.1163 0.842 0.028 0.000 0.972
#> GSM87880 1 0.4399 0.770 0.812 0.000 0.188
#> GSM87908 1 0.0424 0.930 0.992 0.008 0.000
#> GSM87923 3 0.8485 0.567 0.192 0.192 0.616
#> GSM87927 2 0.1643 0.850 0.044 0.956 0.000
#> GSM87959 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87861 3 0.0237 0.849 0.000 0.004 0.996
#> GSM87885 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87894 1 0.2261 0.891 0.932 0.000 0.068
#> GSM87932 1 0.3340 0.832 0.880 0.120 0.000
#> GSM87951 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87871 1 0.2261 0.893 0.932 0.000 0.068
#> GSM87876 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87904 3 0.3377 0.836 0.012 0.092 0.896
#> GSM87913 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87941 2 0.1163 0.858 0.028 0.972 0.000
#> GSM87955 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87867 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87890 2 0.0237 0.866 0.000 0.996 0.004
#> GSM87900 2 0.1860 0.845 0.052 0.948 0.000
#> GSM87916 2 0.0237 0.868 0.004 0.996 0.000
#> GSM87947 1 0.1964 0.900 0.944 0.000 0.056
#> GSM87857 3 0.1529 0.835 0.040 0.000 0.960
#> GSM87881 1 0.2796 0.862 0.908 0.092 0.000
#> GSM87909 1 0.3879 0.790 0.848 0.152 0.000
#> GSM87928 1 0.6295 0.013 0.528 0.472 0.000
#> GSM87960 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87862 3 0.5327 0.700 0.000 0.272 0.728
#> GSM87886 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87895 2 0.2165 0.811 0.000 0.936 0.064
#> GSM87919 1 0.0424 0.930 0.992 0.008 0.000
#> GSM87933 2 0.0000 0.868 0.000 1.000 0.000
#> GSM87952 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87872 1 0.5529 0.559 0.704 0.296 0.000
#> GSM87877 1 0.0000 0.933 1.000 0.000 0.000
#> GSM87905 1 0.1163 0.918 0.972 0.028 0.000
#> GSM87914 2 0.5560 0.572 0.300 0.700 0.000
#> GSM87942 2 0.4235 0.722 0.176 0.824 0.000
#> GSM87956 1 0.0000 0.933 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.3157 0.7017 0.852 0.144 0.004 0.000
#> GSM87887 1 0.0592 0.7477 0.984 0.016 0.000 0.000
#> GSM87896 3 0.3494 0.7781 0.000 0.004 0.824 0.172
#> GSM87934 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87943 3 0.4741 0.5459 0.328 0.004 0.668 0.000
#> GSM87853 3 0.0657 0.8760 0.012 0.004 0.984 0.000
#> GSM87906 2 0.3427 0.7142 0.000 0.860 0.028 0.112
#> GSM87920 1 0.4985 -0.0842 0.532 0.468 0.000 0.000
#> GSM87924 4 0.0469 0.9390 0.000 0.000 0.012 0.988
#> GSM87858 3 0.1398 0.8705 0.000 0.004 0.956 0.040
#> GSM87882 1 0.3391 0.6610 0.844 0.004 0.148 0.004
#> GSM87891 3 0.3710 0.7646 0.000 0.004 0.804 0.192
#> GSM87917 2 0.3801 0.7158 0.220 0.780 0.000 0.000
#> GSM87929 4 0.0592 0.9420 0.000 0.016 0.000 0.984
#> GSM87948 1 0.1716 0.7423 0.936 0.064 0.000 0.000
#> GSM87868 1 0.4134 0.5557 0.740 0.260 0.000 0.000
#> GSM87873 3 0.1398 0.8703 0.000 0.004 0.956 0.040
#> GSM87901 2 0.3278 0.7284 0.020 0.864 0.000 0.116
#> GSM87910 2 0.3123 0.7450 0.156 0.844 0.000 0.000
#> GSM87938 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87953 2 0.3610 0.7283 0.200 0.800 0.000 0.000
#> GSM87864 1 0.2973 0.7029 0.856 0.144 0.000 0.000
#> GSM87888 1 0.2408 0.6954 0.896 0.000 0.104 0.000
#> GSM87897 2 0.2988 0.6736 0.000 0.876 0.112 0.012
#> GSM87935 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87944 1 0.2281 0.7294 0.904 0.096 0.000 0.000
#> GSM87854 3 0.6233 0.6520 0.216 0.124 0.660 0.000
#> GSM87878 1 0.4799 0.5783 0.744 0.224 0.000 0.032
#> GSM87907 3 0.5213 0.7238 0.000 0.224 0.724 0.052
#> GSM87921 2 0.2179 0.7452 0.012 0.924 0.000 0.064
#> GSM87925 4 0.0469 0.9434 0.000 0.012 0.000 0.988
#> GSM87957 2 0.4967 0.1191 0.452 0.548 0.000 0.000
#> GSM87859 3 0.0188 0.8769 0.000 0.004 0.996 0.000
#> GSM87883 1 0.0707 0.7480 0.980 0.020 0.000 0.000
#> GSM87892 3 0.1182 0.8756 0.000 0.016 0.968 0.016
#> GSM87930 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87949 2 0.4989 0.2467 0.472 0.528 0.000 0.000
#> GSM87869 2 0.4985 0.0344 0.468 0.532 0.000 0.000
#> GSM87874 3 0.1114 0.8747 0.016 0.004 0.972 0.008
#> GSM87902 2 0.1229 0.7504 0.020 0.968 0.004 0.008
#> GSM87911 2 0.1635 0.7366 0.008 0.948 0.044 0.000
#> GSM87939 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87954 2 0.3356 0.7384 0.176 0.824 0.000 0.000
#> GSM87865 1 0.5281 0.2100 0.528 0.464 0.008 0.000
#> GSM87889 1 0.0804 0.7466 0.980 0.008 0.000 0.012
#> GSM87898 2 0.0992 0.7422 0.008 0.976 0.012 0.004
#> GSM87915 2 0.3311 0.7417 0.172 0.828 0.000 0.000
#> GSM87936 4 0.0707 0.9398 0.000 0.020 0.000 0.980
#> GSM87945 3 0.1022 0.8718 0.032 0.000 0.968 0.000
#> GSM87855 3 0.0804 0.8764 0.012 0.008 0.980 0.000
#> GSM87879 1 0.3123 0.6575 0.844 0.000 0.156 0.000
#> GSM87922 4 0.1871 0.9235 0.024 0.012 0.016 0.948
#> GSM87926 4 0.0336 0.9443 0.000 0.008 0.000 0.992
#> GSM87958 2 0.3873 0.6793 0.228 0.772 0.000 0.000
#> GSM87860 3 0.0592 0.8769 0.000 0.016 0.984 0.000
#> GSM87884 1 0.0707 0.7480 0.980 0.020 0.000 0.000
#> GSM87893 3 0.1004 0.8750 0.000 0.004 0.972 0.024
#> GSM87918 2 0.1833 0.7534 0.024 0.944 0.000 0.032
#> GSM87931 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87950 1 0.4713 0.3314 0.640 0.360 0.000 0.000
#> GSM87870 2 0.4981 0.2522 0.464 0.536 0.000 0.000
#> GSM87875 1 0.5143 -0.0313 0.540 0.004 0.456 0.000
#> GSM87903 2 0.4979 0.6010 0.000 0.760 0.176 0.064
#> GSM87912 2 0.3873 0.7100 0.228 0.772 0.000 0.000
#> GSM87940 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87866 1 0.4790 0.3523 0.620 0.380 0.000 0.000
#> GSM87899 3 0.4925 0.4186 0.000 0.428 0.572 0.000
#> GSM87937 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87946 1 0.2408 0.7265 0.896 0.104 0.000 0.000
#> GSM87856 3 0.2861 0.8375 0.096 0.016 0.888 0.000
#> GSM87880 1 0.2647 0.6849 0.880 0.000 0.120 0.000
#> GSM87908 2 0.1004 0.7331 0.000 0.972 0.024 0.004
#> GSM87923 1 0.7701 0.0711 0.424 0.004 0.188 0.384
#> GSM87927 4 0.2469 0.8740 0.000 0.108 0.000 0.892
#> GSM87959 1 0.3444 0.6561 0.816 0.184 0.000 0.000
#> GSM87861 3 0.0336 0.8767 0.000 0.008 0.992 0.000
#> GSM87885 1 0.0927 0.7422 0.976 0.000 0.008 0.016
#> GSM87894 2 0.4761 0.3615 0.372 0.628 0.000 0.000
#> GSM87932 2 0.4163 0.7302 0.188 0.792 0.000 0.020
#> GSM87951 1 0.4998 -0.1456 0.512 0.488 0.000 0.000
#> GSM87871 1 0.3962 0.6932 0.820 0.152 0.028 0.000
#> GSM87876 1 0.0707 0.7370 0.980 0.000 0.020 0.000
#> GSM87904 3 0.2760 0.8297 0.000 0.128 0.872 0.000
#> GSM87913 2 0.2593 0.7404 0.104 0.892 0.004 0.000
#> GSM87941 4 0.1022 0.9333 0.000 0.032 0.000 0.968
#> GSM87955 2 0.4431 0.6211 0.304 0.696 0.000 0.000
#> GSM87867 1 0.1389 0.7454 0.952 0.048 0.000 0.000
#> GSM87890 4 0.2076 0.8966 0.056 0.004 0.008 0.932
#> GSM87900 2 0.3895 0.6747 0.000 0.804 0.012 0.184
#> GSM87916 4 0.0376 0.9417 0.004 0.004 0.000 0.992
#> GSM87947 1 0.0376 0.7440 0.992 0.004 0.004 0.000
#> GSM87857 3 0.0469 0.8763 0.000 0.012 0.988 0.000
#> GSM87881 1 0.5374 0.5271 0.688 0.012 0.020 0.280
#> GSM87909 2 0.1724 0.7515 0.020 0.948 0.000 0.032
#> GSM87928 2 0.6754 0.5762 0.184 0.612 0.000 0.204
#> GSM87960 1 0.4164 0.5497 0.736 0.264 0.000 0.000
#> GSM87862 3 0.4982 0.7750 0.092 0.000 0.772 0.136
#> GSM87886 1 0.1637 0.7430 0.940 0.060 0.000 0.000
#> GSM87895 3 0.5026 0.5714 0.000 0.016 0.672 0.312
#> GSM87919 2 0.4072 0.6869 0.252 0.748 0.000 0.000
#> GSM87933 4 0.0000 0.9455 0.000 0.000 0.000 1.000
#> GSM87952 1 0.4585 0.4028 0.668 0.332 0.000 0.000
#> GSM87872 4 0.6570 0.4100 0.280 0.116 0.000 0.604
#> GSM87877 1 0.0707 0.7480 0.980 0.020 0.000 0.000
#> GSM87905 2 0.1510 0.7530 0.028 0.956 0.000 0.016
#> GSM87914 4 0.3937 0.7689 0.012 0.188 0.000 0.800
#> GSM87942 4 0.2924 0.8687 0.016 0.100 0.000 0.884
#> GSM87956 2 0.4961 0.3185 0.448 0.552 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 5 0.4444 0.5796 0.104 0.136 0.000 0.000 0.760
#> GSM87887 5 0.4887 0.5830 0.132 0.148 0.000 0.000 0.720
#> GSM87896 3 0.2584 0.6526 0.008 0.052 0.900 0.040 0.000
#> GSM87934 4 0.0955 0.8420 0.028 0.000 0.004 0.968 0.000
#> GSM87943 2 0.6704 0.5780 0.004 0.448 0.216 0.000 0.332
#> GSM87853 3 0.4170 0.4409 0.000 0.272 0.712 0.004 0.012
#> GSM87906 1 0.5029 0.3829 0.648 0.060 0.292 0.000 0.000
#> GSM87920 1 0.6846 0.0914 0.380 0.244 0.000 0.004 0.372
#> GSM87924 4 0.2987 0.8246 0.012 0.056 0.052 0.880 0.000
#> GSM87858 3 0.1356 0.6721 0.012 0.028 0.956 0.004 0.000
#> GSM87882 5 0.6430 0.3664 0.012 0.184 0.052 0.104 0.648
#> GSM87891 3 0.2846 0.6424 0.012 0.076 0.884 0.028 0.000
#> GSM87917 1 0.3650 0.5458 0.796 0.028 0.000 0.000 0.176
#> GSM87929 4 0.3058 0.8150 0.020 0.100 0.008 0.868 0.004
#> GSM87948 5 0.4170 0.6148 0.140 0.080 0.000 0.000 0.780
#> GSM87868 5 0.4651 0.4118 0.372 0.020 0.000 0.000 0.608
#> GSM87873 3 0.3415 0.6141 0.016 0.052 0.868 0.052 0.012
#> GSM87901 1 0.5093 0.5755 0.752 0.120 0.056 0.000 0.072
#> GSM87910 1 0.3723 0.5586 0.804 0.044 0.000 0.000 0.152
#> GSM87938 4 0.3496 0.7885 0.020 0.096 0.036 0.848 0.000
#> GSM87953 1 0.4101 0.5331 0.768 0.048 0.000 0.000 0.184
#> GSM87864 5 0.3814 0.5878 0.068 0.124 0.000 0.000 0.808
#> GSM87888 5 0.3045 0.4994 0.004 0.068 0.012 0.036 0.880
#> GSM87897 1 0.6172 0.2592 0.584 0.164 0.244 0.008 0.000
#> GSM87935 4 0.3589 0.7940 0.040 0.132 0.004 0.824 0.000
#> GSM87944 5 0.4234 0.6036 0.184 0.056 0.000 0.000 0.760
#> GSM87854 2 0.7189 0.4053 0.044 0.436 0.364 0.000 0.156
#> GSM87878 5 0.6240 0.2304 0.360 0.152 0.000 0.000 0.488
#> GSM87907 3 0.5553 0.4079 0.264 0.068 0.648 0.020 0.000
#> GSM87921 4 0.6626 0.2527 0.340 0.228 0.000 0.432 0.000
#> GSM87925 4 0.3425 0.8043 0.044 0.112 0.004 0.840 0.000
#> GSM87957 5 0.8261 -0.0517 0.288 0.288 0.000 0.116 0.308
#> GSM87859 3 0.2497 0.6409 0.000 0.112 0.880 0.004 0.004
#> GSM87883 5 0.3226 0.6291 0.088 0.060 0.000 0.000 0.852
#> GSM87892 3 0.1356 0.6746 0.012 0.028 0.956 0.004 0.000
#> GSM87930 4 0.2208 0.8231 0.012 0.060 0.012 0.916 0.000
#> GSM87949 5 0.5399 0.2159 0.448 0.056 0.000 0.000 0.496
#> GSM87869 1 0.5276 -0.0668 0.516 0.048 0.000 0.000 0.436
#> GSM87874 3 0.4110 0.5878 0.008 0.124 0.812 0.040 0.016
#> GSM87902 1 0.4904 0.5796 0.764 0.092 0.104 0.000 0.040
#> GSM87911 1 0.6644 0.2045 0.496 0.368 0.040 0.096 0.000
#> GSM87939 4 0.1281 0.8423 0.032 0.012 0.000 0.956 0.000
#> GSM87954 1 0.4219 0.5485 0.772 0.072 0.000 0.000 0.156
#> GSM87865 1 0.5664 0.0731 0.516 0.068 0.004 0.000 0.412
#> GSM87889 5 0.3576 0.6032 0.028 0.068 0.004 0.044 0.856
#> GSM87898 1 0.3184 0.5899 0.868 0.052 0.068 0.000 0.012
#> GSM87915 1 0.4469 0.5511 0.756 0.096 0.000 0.000 0.148
#> GSM87936 4 0.3663 0.7920 0.044 0.132 0.004 0.820 0.000
#> GSM87945 3 0.5856 -0.2426 0.000 0.396 0.504 0.000 0.100
#> GSM87855 3 0.4339 0.2893 0.000 0.336 0.652 0.000 0.012
#> GSM87879 5 0.3222 0.4521 0.004 0.108 0.036 0.000 0.852
#> GSM87922 4 0.3842 0.7834 0.008 0.084 0.012 0.836 0.060
#> GSM87926 4 0.1522 0.8403 0.044 0.012 0.000 0.944 0.000
#> GSM87958 1 0.8023 0.1898 0.416 0.228 0.000 0.112 0.244
#> GSM87860 3 0.1560 0.6720 0.028 0.020 0.948 0.000 0.004
#> GSM87884 5 0.4680 0.5817 0.128 0.132 0.000 0.000 0.740
#> GSM87893 3 0.0579 0.6765 0.000 0.008 0.984 0.008 0.000
#> GSM87918 1 0.7555 0.2774 0.468 0.236 0.000 0.228 0.068
#> GSM87931 4 0.0703 0.8373 0.000 0.024 0.000 0.976 0.000
#> GSM87950 5 0.5285 0.4154 0.356 0.060 0.000 0.000 0.584
#> GSM87870 1 0.5551 0.3159 0.600 0.096 0.000 0.000 0.304
#> GSM87875 5 0.6275 -0.5196 0.000 0.308 0.176 0.000 0.516
#> GSM87903 1 0.5341 0.1946 0.564 0.060 0.376 0.000 0.000
#> GSM87912 1 0.4851 0.5078 0.712 0.092 0.000 0.000 0.196
#> GSM87940 4 0.2403 0.8194 0.012 0.072 0.012 0.904 0.000
#> GSM87866 5 0.4900 0.2050 0.464 0.024 0.000 0.000 0.512
#> GSM87899 3 0.5919 0.1718 0.416 0.104 0.480 0.000 0.000
#> GSM87937 4 0.1990 0.8377 0.028 0.040 0.004 0.928 0.000
#> GSM87946 5 0.4431 0.5847 0.216 0.052 0.000 0.000 0.732
#> GSM87856 3 0.5935 -0.3014 0.004 0.408 0.496 0.000 0.092
#> GSM87880 5 0.1412 0.5616 0.004 0.036 0.008 0.000 0.952
#> GSM87908 1 0.4424 0.5285 0.768 0.084 0.144 0.000 0.004
#> GSM87923 5 0.7062 -0.1505 0.004 0.096 0.056 0.416 0.428
#> GSM87927 4 0.4106 0.7759 0.068 0.136 0.000 0.792 0.004
#> GSM87959 5 0.4815 0.5527 0.244 0.064 0.000 0.000 0.692
#> GSM87861 3 0.2179 0.6592 0.008 0.072 0.912 0.000 0.008
#> GSM87885 5 0.5456 0.5682 0.080 0.148 0.004 0.044 0.724
#> GSM87894 1 0.5638 0.4714 0.652 0.124 0.008 0.000 0.216
#> GSM87932 1 0.6248 0.5227 0.664 0.124 0.000 0.116 0.096
#> GSM87951 5 0.5509 0.1528 0.468 0.064 0.000 0.000 0.468
#> GSM87871 5 0.6354 0.4164 0.320 0.076 0.044 0.000 0.560
#> GSM87876 5 0.2197 0.6077 0.028 0.036 0.008 0.004 0.924
#> GSM87904 3 0.3085 0.6173 0.116 0.032 0.852 0.000 0.000
#> GSM87913 1 0.5883 0.3950 0.508 0.388 0.000 0.000 0.104
#> GSM87941 4 0.1628 0.8395 0.056 0.008 0.000 0.936 0.000
#> GSM87955 1 0.5700 0.1038 0.532 0.088 0.000 0.000 0.380
#> GSM87867 5 0.3343 0.6151 0.172 0.016 0.000 0.000 0.812
#> GSM87890 4 0.8076 0.2529 0.020 0.124 0.120 0.468 0.268
#> GSM87900 1 0.4948 0.4824 0.728 0.048 0.196 0.028 0.000
#> GSM87916 4 0.6747 0.5978 0.052 0.220 0.064 0.624 0.040
#> GSM87947 5 0.3016 0.5585 0.020 0.132 0.000 0.000 0.848
#> GSM87857 3 0.3328 0.5915 0.004 0.176 0.812 0.000 0.008
#> GSM87881 5 0.4525 0.4814 0.004 0.056 0.000 0.200 0.740
#> GSM87909 1 0.4493 0.5829 0.816 0.064 0.056 0.036 0.028
#> GSM87928 1 0.7439 0.2909 0.444 0.116 0.000 0.348 0.092
#> GSM87960 5 0.5289 0.4769 0.312 0.072 0.000 0.000 0.616
#> GSM87862 3 0.5564 0.4335 0.048 0.040 0.728 0.028 0.156
#> GSM87886 5 0.4581 0.5923 0.196 0.072 0.000 0.000 0.732
#> GSM87895 3 0.5162 0.5466 0.092 0.052 0.748 0.108 0.000
#> GSM87919 1 0.5263 0.4459 0.660 0.100 0.000 0.000 0.240
#> GSM87933 4 0.2673 0.8176 0.016 0.076 0.016 0.892 0.000
#> GSM87952 5 0.5099 0.4546 0.336 0.052 0.000 0.000 0.612
#> GSM87872 5 0.8456 0.3473 0.192 0.056 0.116 0.148 0.488
#> GSM87877 5 0.2448 0.6338 0.088 0.020 0.000 0.000 0.892
#> GSM87905 1 0.2937 0.5989 0.888 0.032 0.036 0.000 0.044
#> GSM87914 4 0.2775 0.8267 0.076 0.036 0.000 0.884 0.004
#> GSM87942 4 0.3380 0.8118 0.036 0.108 0.004 0.848 0.004
#> GSM87956 5 0.5546 0.2248 0.436 0.068 0.000 0.000 0.496
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 3 0.5523 0.2676 0.048 0.012 0.596 0.000 NA 0.308
#> GSM87887 1 0.7260 0.2466 0.444 0.000 0.124 0.004 NA 0.224
#> GSM87896 2 0.1401 0.5930 0.000 0.948 0.020 0.004 NA 0.000
#> GSM87934 4 0.1082 0.8025 0.004 0.000 0.000 0.956 NA 0.000
#> GSM87943 3 0.2683 0.4744 0.000 0.056 0.884 0.000 NA 0.028
#> GSM87853 3 0.4080 -0.0109 0.000 0.456 0.536 0.000 NA 0.000
#> GSM87906 2 0.6322 0.3081 0.292 0.496 0.000 0.000 NA 0.036
#> GSM87920 1 0.4926 0.3546 0.668 0.000 0.224 0.000 NA 0.012
#> GSM87924 4 0.2982 0.7921 0.000 0.016 0.016 0.844 NA 0.000
#> GSM87858 2 0.3172 0.5420 0.000 0.824 0.128 0.000 NA 0.000
#> GSM87882 3 0.8192 0.0224 0.288 0.016 0.312 0.044 NA 0.072
#> GSM87891 2 0.2437 0.5728 0.000 0.888 0.036 0.004 NA 0.000
#> GSM87917 1 0.4247 0.5917 0.740 0.000 0.004 0.000 NA 0.164
#> GSM87929 4 0.2999 0.7777 0.040 0.000 0.000 0.836 NA 0.000
#> GSM87948 6 0.1401 0.7128 0.000 0.000 0.028 0.004 NA 0.948
#> GSM87868 6 0.5362 0.3333 0.316 0.004 0.040 0.000 NA 0.596
#> GSM87873 2 0.5575 0.3285 0.000 0.636 0.180 0.036 NA 0.000
#> GSM87901 1 0.5393 0.5178 0.684 0.128 0.000 0.000 NA 0.084
#> GSM87910 1 0.4124 0.5913 0.748 0.000 0.000 0.000 NA 0.132
#> GSM87938 4 0.3245 0.7571 0.004 0.016 0.000 0.796 NA 0.000
#> GSM87953 1 0.5157 0.5441 0.636 0.000 0.004 0.000 NA 0.204
#> GSM87864 6 0.4035 0.6053 0.016 0.000 0.208 0.000 NA 0.744
#> GSM87888 6 0.6710 0.3513 0.048 0.000 0.216 0.020 NA 0.532
#> GSM87897 2 0.7028 0.3186 0.160 0.404 0.020 0.000 NA 0.052
#> GSM87935 4 0.2848 0.7676 0.008 0.000 0.004 0.828 NA 0.000
#> GSM87944 6 0.6528 0.3830 0.200 0.000 0.184 0.000 NA 0.536
#> GSM87854 3 0.5199 0.3934 0.032 0.208 0.684 0.000 NA 0.016
#> GSM87878 1 0.4803 0.4923 0.716 0.000 0.016 0.008 NA 0.088
#> GSM87907 2 0.4694 0.5379 0.012 0.696 0.040 0.000 NA 0.016
#> GSM87921 4 0.6267 0.4647 0.104 0.000 0.020 0.512 NA 0.028
#> GSM87925 4 0.2615 0.7757 0.008 0.000 0.004 0.852 NA 0.000
#> GSM87957 6 0.4070 0.6192 0.008 0.000 0.020 0.024 NA 0.760
#> GSM87859 2 0.4135 0.3750 0.000 0.668 0.300 0.000 NA 0.000
#> GSM87883 1 0.7504 0.1147 0.360 0.000 0.192 0.000 NA 0.272
#> GSM87892 2 0.0806 0.5962 0.000 0.972 0.020 0.000 NA 0.000
#> GSM87930 4 0.2462 0.7829 0.004 0.004 0.000 0.860 NA 0.000
#> GSM87949 6 0.1845 0.7112 0.052 0.000 0.000 0.000 NA 0.920
#> GSM87869 6 0.5415 0.3638 0.240 0.000 0.016 0.000 NA 0.616
#> GSM87874 2 0.5193 0.1866 0.000 0.572 0.348 0.008 NA 0.004
#> GSM87902 1 0.6173 0.2444 0.540 0.284 0.000 0.000 NA 0.056
#> GSM87911 1 0.7040 0.0263 0.416 0.000 0.284 0.084 NA 0.000
#> GSM87939 4 0.0790 0.8008 0.000 0.000 0.000 0.968 NA 0.000
#> GSM87954 1 0.5815 0.4646 0.524 0.000 0.000 0.004 NA 0.244
#> GSM87865 3 0.7878 -0.1920 0.308 0.028 0.328 0.000 NA 0.220
#> GSM87889 6 0.8168 0.0986 0.192 0.000 0.184 0.040 NA 0.352
#> GSM87898 1 0.6832 0.3718 0.492 0.140 0.004 0.000 NA 0.096
#> GSM87915 1 0.1628 0.5683 0.940 0.000 0.008 0.004 NA 0.012
#> GSM87936 4 0.2848 0.7659 0.008 0.000 0.004 0.828 NA 0.000
#> GSM87945 3 0.2946 0.4282 0.000 0.160 0.824 0.000 NA 0.004
#> GSM87855 3 0.4203 0.1441 0.008 0.376 0.608 0.000 NA 0.004
#> GSM87879 3 0.6853 -0.0873 0.032 0.008 0.388 0.004 NA 0.368
#> GSM87922 4 0.6355 0.5662 0.136 0.000 0.100 0.588 NA 0.004
#> GSM87926 4 0.1493 0.7974 0.004 0.000 0.004 0.936 NA 0.000
#> GSM87958 6 0.6298 0.4067 0.064 0.000 0.020 0.072 NA 0.556
#> GSM87860 2 0.3301 0.5696 0.032 0.828 0.124 0.000 NA 0.000
#> GSM87884 1 0.6925 0.2944 0.500 0.000 0.148 0.000 NA 0.180
#> GSM87893 2 0.2201 0.5771 0.000 0.896 0.076 0.000 NA 0.000
#> GSM87918 6 0.6459 0.3795 0.060 0.004 0.012 0.104 NA 0.556
#> GSM87931 4 0.1531 0.7965 0.004 0.000 0.000 0.928 NA 0.000
#> GSM87950 6 0.1391 0.7185 0.040 0.000 0.000 0.000 NA 0.944
#> GSM87870 1 0.3498 0.5892 0.812 0.004 0.020 0.000 NA 0.144
#> GSM87875 3 0.5869 0.4135 0.000 0.076 0.624 0.000 NA 0.184
#> GSM87903 2 0.5862 0.3630 0.296 0.540 0.000 0.000 NA 0.020
#> GSM87912 1 0.1757 0.5866 0.928 0.000 0.008 0.000 NA 0.052
#> GSM87940 4 0.2488 0.7833 0.004 0.008 0.000 0.864 NA 0.000
#> GSM87866 1 0.5669 0.3754 0.568 0.004 0.056 0.000 NA 0.324
#> GSM87899 2 0.6426 0.4519 0.092 0.540 0.056 0.000 NA 0.020
#> GSM87937 4 0.1610 0.8024 0.000 0.000 0.000 0.916 NA 0.000
#> GSM87946 6 0.2490 0.7222 0.032 0.000 0.028 0.000 NA 0.896
#> GSM87856 3 0.4280 0.3536 0.016 0.256 0.704 0.000 NA 0.008
#> GSM87880 6 0.4606 0.5974 0.012 0.000 0.120 0.004 NA 0.732
#> GSM87908 2 0.7579 0.1490 0.204 0.376 0.004 0.000 NA 0.164
#> GSM87923 4 0.7334 0.0985 0.052 0.004 0.388 0.388 NA 0.052
#> GSM87927 4 0.2845 0.7621 0.004 0.000 0.004 0.820 NA 0.000
#> GSM87959 6 0.1173 0.7213 0.016 0.000 0.008 0.000 NA 0.960
#> GSM87861 2 0.3301 0.5234 0.004 0.772 0.216 0.000 NA 0.000
#> GSM87885 1 0.8138 0.1079 0.356 0.000 0.144 0.044 NA 0.220
#> GSM87894 1 0.2896 0.5924 0.872 0.016 0.012 0.000 NA 0.080
#> GSM87932 1 0.3078 0.5878 0.864 0.000 0.004 0.032 NA 0.068
#> GSM87951 6 0.2618 0.6835 0.116 0.000 0.000 0.000 NA 0.860
#> GSM87871 1 0.7174 0.3972 0.532 0.116 0.060 0.000 NA 0.212
#> GSM87876 6 0.4567 0.6272 0.032 0.000 0.096 0.000 NA 0.744
#> GSM87904 2 0.1838 0.6010 0.020 0.928 0.012 0.000 NA 0.000
#> GSM87913 1 0.5950 0.1952 0.516 0.000 0.304 0.000 NA 0.016
#> GSM87941 4 0.0935 0.8011 0.004 0.000 0.000 0.964 NA 0.000
#> GSM87955 6 0.3468 0.6371 0.068 0.000 0.000 0.000 NA 0.804
#> GSM87867 6 0.2658 0.7090 0.016 0.000 0.040 0.004 NA 0.888
#> GSM87890 4 0.7999 0.0124 0.016 0.080 0.024 0.332 NA 0.272
#> GSM87900 2 0.7316 0.0772 0.316 0.380 0.000 0.008 NA 0.088
#> GSM87916 4 0.6667 0.3363 0.240 0.016 0.016 0.440 NA 0.000
#> GSM87947 6 0.2609 0.6822 0.000 0.000 0.096 0.000 NA 0.868
#> GSM87857 2 0.3541 0.4768 0.000 0.728 0.260 0.000 NA 0.000
#> GSM87881 6 0.4594 0.6289 0.012 0.000 0.060 0.048 NA 0.764
#> GSM87909 6 0.7497 0.0493 0.140 0.148 0.004 0.012 NA 0.440
#> GSM87928 1 0.6058 0.1273 0.444 0.000 0.004 0.408 NA 0.124
#> GSM87960 6 0.1003 0.7205 0.016 0.000 0.000 0.000 NA 0.964
#> GSM87862 2 0.5258 0.3466 0.004 0.660 0.028 0.004 NA 0.236
#> GSM87886 6 0.6336 0.3049 0.268 0.000 0.048 0.000 NA 0.520
#> GSM87895 2 0.2660 0.5926 0.004 0.872 0.000 0.016 NA 0.008
#> GSM87919 1 0.3500 0.5760 0.768 0.000 0.000 0.000 NA 0.204
#> GSM87933 4 0.2631 0.7767 0.008 0.000 0.000 0.840 NA 0.000
#> GSM87952 6 0.1779 0.7159 0.064 0.000 0.000 0.000 NA 0.920
#> GSM87872 6 0.3448 0.7051 0.012 0.016 0.028 0.024 NA 0.856
#> GSM87877 6 0.3136 0.6867 0.008 0.000 0.060 0.004 NA 0.852
#> GSM87905 1 0.7122 0.3401 0.464 0.176 0.000 0.000 NA 0.156
#> GSM87914 4 0.2978 0.7759 0.008 0.000 0.000 0.856 NA 0.052
#> GSM87942 4 0.2857 0.7801 0.072 0.000 0.000 0.856 NA 0.000
#> GSM87956 6 0.1794 0.7122 0.040 0.000 0.000 0.000 NA 0.924
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 time(p) agent(p) individual(p) k
#> SD:NMF 100 0.630 0.5301 8.01e-05 2
#> SD:NMF 100 0.754 0.7148 2.66e-12 3
#> SD:NMF 92 0.991 0.1947 3.08e-21 4
#> SD:NMF 64 0.974 0.0594 2.49e-13 5
#> SD:NMF 58 0.205 0.1989 7.13e-16 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 108 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 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 0.503 0.745 0.887 0.4737 0.509 0.509
#> 3 3 0.516 0.659 0.792 0.3573 0.763 0.560
#> 4 4 0.584 0.650 0.757 0.1297 0.828 0.554
#> 5 5 0.633 0.646 0.757 0.0677 0.872 0.577
#> 6 6 0.733 0.719 0.824 0.0510 0.935 0.706
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
#> GSM87863 1 0.4022 0.844 0.920 0.080
#> GSM87887 1 0.8016 0.619 0.756 0.244
#> GSM87896 2 0.0000 0.835 0.000 1.000
#> GSM87934 2 0.0000 0.835 0.000 1.000
#> GSM87943 2 0.0000 0.835 0.000 1.000
#> GSM87853 2 0.0000 0.835 0.000 1.000
#> GSM87906 2 0.9710 0.464 0.400 0.600
#> GSM87920 1 0.9996 -0.139 0.512 0.488
#> GSM87924 2 0.0000 0.835 0.000 1.000
#> GSM87858 2 0.0000 0.835 0.000 1.000
#> GSM87882 2 0.7815 0.713 0.232 0.768
#> GSM87891 2 0.0000 0.835 0.000 1.000
#> GSM87917 1 0.0000 0.895 1.000 0.000
#> GSM87929 2 0.3274 0.815 0.060 0.940
#> GSM87948 1 0.0000 0.895 1.000 0.000
#> GSM87868 1 0.0000 0.895 1.000 0.000
#> GSM87873 2 0.0000 0.835 0.000 1.000
#> GSM87901 2 0.9944 0.327 0.456 0.544
#> GSM87910 1 0.0000 0.895 1.000 0.000
#> GSM87938 2 0.0000 0.835 0.000 1.000
#> GSM87953 1 0.0000 0.895 1.000 0.000
#> GSM87864 1 0.4022 0.844 0.920 0.080
#> GSM87888 2 0.8555 0.662 0.280 0.720
#> GSM87897 2 0.9552 0.512 0.376 0.624
#> GSM87935 2 0.0000 0.835 0.000 1.000
#> GSM87944 1 0.0000 0.895 1.000 0.000
#> GSM87854 2 0.0000 0.835 0.000 1.000
#> GSM87878 1 0.8016 0.619 0.756 0.244
#> GSM87907 2 0.7453 0.735 0.212 0.788
#> GSM87921 2 0.8499 0.671 0.276 0.724
#> GSM87925 2 0.0000 0.835 0.000 1.000
#> GSM87957 1 0.0000 0.895 1.000 0.000
#> GSM87859 2 0.0000 0.835 0.000 1.000
#> GSM87883 1 0.0000 0.895 1.000 0.000
#> GSM87892 2 0.0000 0.835 0.000 1.000
#> GSM87930 2 0.0000 0.835 0.000 1.000
#> GSM87949 1 0.0000 0.895 1.000 0.000
#> GSM87869 1 0.0000 0.895 1.000 0.000
#> GSM87874 2 0.0000 0.835 0.000 1.000
#> GSM87902 2 0.9944 0.327 0.456 0.544
#> GSM87911 2 0.8207 0.692 0.256 0.744
#> GSM87939 2 0.0376 0.834 0.004 0.996
#> GSM87954 1 0.0000 0.895 1.000 0.000
#> GSM87865 1 0.4022 0.844 0.920 0.080
#> GSM87889 2 0.9209 0.581 0.336 0.664
#> GSM87898 1 0.9710 0.182 0.600 0.400
#> GSM87915 1 0.2043 0.878 0.968 0.032
#> GSM87936 2 0.0000 0.835 0.000 1.000
#> GSM87945 2 0.0000 0.835 0.000 1.000
#> GSM87855 2 0.0000 0.835 0.000 1.000
#> GSM87879 2 0.8555 0.662 0.280 0.720
#> GSM87922 2 0.6343 0.768 0.160 0.840
#> GSM87926 2 0.0376 0.834 0.004 0.996
#> GSM87958 1 0.0000 0.895 1.000 0.000
#> GSM87860 2 0.0000 0.835 0.000 1.000
#> GSM87884 1 0.0000 0.895 1.000 0.000
#> GSM87893 2 0.0000 0.835 0.000 1.000
#> GSM87918 2 0.9963 0.296 0.464 0.536
#> GSM87931 2 0.0000 0.835 0.000 1.000
#> GSM87950 1 0.0000 0.895 1.000 0.000
#> GSM87870 1 0.3879 0.847 0.924 0.076
#> GSM87875 2 0.0000 0.835 0.000 1.000
#> GSM87903 2 0.9710 0.464 0.400 0.600
#> GSM87912 1 0.2043 0.878 0.968 0.032
#> GSM87940 2 0.0000 0.835 0.000 1.000
#> GSM87866 1 0.3879 0.847 0.924 0.076
#> GSM87899 2 0.9552 0.512 0.376 0.624
#> GSM87937 2 0.0000 0.835 0.000 1.000
#> GSM87946 1 0.0000 0.895 1.000 0.000
#> GSM87856 2 0.0000 0.835 0.000 1.000
#> GSM87880 2 0.8555 0.662 0.280 0.720
#> GSM87908 2 0.9993 0.235 0.484 0.516
#> GSM87923 2 0.6973 0.753 0.188 0.812
#> GSM87927 2 0.7056 0.751 0.192 0.808
#> GSM87959 1 0.0000 0.895 1.000 0.000
#> GSM87861 2 0.0000 0.835 0.000 1.000
#> GSM87885 2 0.9209 0.581 0.336 0.664
#> GSM87894 1 0.0376 0.893 0.996 0.004
#> GSM87932 1 0.0376 0.893 0.996 0.004
#> GSM87951 1 0.0000 0.895 1.000 0.000
#> GSM87871 1 0.7376 0.680 0.792 0.208
#> GSM87876 2 0.9209 0.581 0.336 0.664
#> GSM87904 2 0.7453 0.735 0.212 0.788
#> GSM87913 1 0.3274 0.857 0.940 0.060
#> GSM87941 2 0.7056 0.751 0.192 0.808
#> GSM87955 1 0.0000 0.895 1.000 0.000
#> GSM87867 1 0.8267 0.587 0.740 0.260
#> GSM87890 2 0.0000 0.835 0.000 1.000
#> GSM87900 2 0.9922 0.349 0.448 0.552
#> GSM87916 2 0.0000 0.835 0.000 1.000
#> GSM87947 1 0.0000 0.895 1.000 0.000
#> GSM87857 2 0.0000 0.835 0.000 1.000
#> GSM87881 2 0.0938 0.831 0.012 0.988
#> GSM87909 1 0.9710 0.182 0.600 0.400
#> GSM87928 1 0.0376 0.893 0.996 0.004
#> GSM87960 1 0.0000 0.895 1.000 0.000
#> GSM87862 2 0.3733 0.806 0.072 0.928
#> GSM87886 1 0.0000 0.895 1.000 0.000
#> GSM87895 2 0.7453 0.735 0.212 0.788
#> GSM87919 1 0.0000 0.895 1.000 0.000
#> GSM87933 2 0.0376 0.834 0.004 0.996
#> GSM87952 1 0.0000 0.895 1.000 0.000
#> GSM87872 2 0.7376 0.718 0.208 0.792
#> GSM87877 1 0.0938 0.890 0.988 0.012
#> GSM87905 1 0.9710 0.182 0.600 0.400
#> GSM87914 2 0.9963 0.296 0.464 0.536
#> GSM87942 1 0.9710 0.182 0.600 0.400
#> GSM87956 1 0.0000 0.895 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.4974 0.8071 0.764 0.236 0.000
#> GSM87887 2 0.6168 0.0048 0.412 0.588 0.000
#> GSM87896 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87934 3 0.5926 0.5773 0.000 0.356 0.644
#> GSM87943 3 0.0424 0.7111 0.000 0.008 0.992
#> GSM87853 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87906 2 0.2261 0.7117 0.000 0.932 0.068
#> GSM87920 2 0.8268 0.4014 0.328 0.576 0.096
#> GSM87924 3 0.5760 0.6111 0.000 0.328 0.672
#> GSM87858 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87882 2 0.5621 0.4465 0.000 0.692 0.308
#> GSM87891 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87929 3 0.6267 0.4032 0.000 0.452 0.548
#> GSM87948 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87868 1 0.3038 0.8901 0.896 0.104 0.000
#> GSM87873 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87901 2 0.0592 0.7092 0.000 0.988 0.012
#> GSM87910 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87938 3 0.5785 0.6070 0.000 0.332 0.668
#> GSM87953 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87864 1 0.4974 0.8071 0.764 0.236 0.000
#> GSM87888 2 0.4555 0.6387 0.000 0.800 0.200
#> GSM87897 2 0.2796 0.7033 0.000 0.908 0.092
#> GSM87935 3 0.5760 0.6111 0.000 0.328 0.672
#> GSM87944 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87854 3 0.1031 0.7091 0.000 0.024 0.976
#> GSM87878 2 0.6168 0.0048 0.412 0.588 0.000
#> GSM87907 3 0.6302 0.1094 0.000 0.480 0.520
#> GSM87921 2 0.4605 0.6346 0.000 0.796 0.204
#> GSM87925 3 0.5760 0.6111 0.000 0.328 0.672
#> GSM87957 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87859 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87883 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87892 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87930 3 0.5760 0.6111 0.000 0.328 0.672
#> GSM87949 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87869 1 0.3038 0.8901 0.896 0.104 0.000
#> GSM87874 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87902 2 0.0592 0.7092 0.000 0.988 0.012
#> GSM87911 2 0.4931 0.6122 0.000 0.768 0.232
#> GSM87939 3 0.6111 0.5128 0.000 0.396 0.604
#> GSM87954 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87865 1 0.4974 0.8071 0.764 0.236 0.000
#> GSM87889 2 0.5956 0.6659 0.044 0.768 0.188
#> GSM87898 2 0.3686 0.6575 0.140 0.860 0.000
#> GSM87915 1 0.4346 0.8430 0.816 0.184 0.000
#> GSM87936 3 0.5760 0.6111 0.000 0.328 0.672
#> GSM87945 3 0.0424 0.7111 0.000 0.008 0.992
#> GSM87855 3 0.0424 0.7111 0.000 0.008 0.992
#> GSM87879 2 0.4555 0.6387 0.000 0.800 0.200
#> GSM87922 2 0.6079 0.2387 0.000 0.612 0.388
#> GSM87926 3 0.6111 0.5128 0.000 0.396 0.604
#> GSM87958 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87860 3 0.0747 0.7110 0.000 0.016 0.984
#> GSM87884 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87893 3 0.0000 0.7080 0.000 0.000 1.000
#> GSM87918 2 0.2569 0.7101 0.032 0.936 0.032
#> GSM87931 3 0.5926 0.5773 0.000 0.356 0.644
#> GSM87950 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87870 1 0.4931 0.8105 0.768 0.232 0.000
#> GSM87875 3 0.0424 0.7111 0.000 0.008 0.992
#> GSM87903 2 0.2261 0.7117 0.000 0.932 0.068
#> GSM87912 1 0.4346 0.8430 0.816 0.184 0.000
#> GSM87940 3 0.5785 0.6070 0.000 0.332 0.668
#> GSM87866 1 0.4931 0.8105 0.768 0.232 0.000
#> GSM87899 2 0.2796 0.7033 0.000 0.908 0.092
#> GSM87937 3 0.5760 0.6111 0.000 0.328 0.672
#> GSM87946 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87856 3 0.0424 0.7111 0.000 0.008 0.992
#> GSM87880 2 0.4555 0.6387 0.000 0.800 0.200
#> GSM87908 2 0.1267 0.7037 0.024 0.972 0.004
#> GSM87923 2 0.6126 0.2143 0.000 0.600 0.400
#> GSM87927 2 0.6154 0.0783 0.000 0.592 0.408
#> GSM87959 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87861 3 0.0424 0.7111 0.000 0.008 0.992
#> GSM87885 2 0.5956 0.6659 0.044 0.768 0.188
#> GSM87894 1 0.3116 0.8894 0.892 0.108 0.000
#> GSM87932 1 0.6140 0.5120 0.596 0.404 0.000
#> GSM87951 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87871 1 0.6079 0.5639 0.612 0.388 0.000
#> GSM87876 2 0.5956 0.6659 0.044 0.768 0.188
#> GSM87904 3 0.6302 0.1094 0.000 0.480 0.520
#> GSM87913 1 0.4702 0.8127 0.788 0.212 0.000
#> GSM87941 2 0.6154 0.0783 0.000 0.592 0.408
#> GSM87955 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87867 1 0.6608 0.4376 0.560 0.432 0.008
#> GSM87890 3 0.6062 0.5299 0.000 0.384 0.616
#> GSM87900 2 0.0892 0.7106 0.000 0.980 0.020
#> GSM87916 3 0.6126 0.5061 0.000 0.400 0.600
#> GSM87947 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87857 3 0.0747 0.7110 0.000 0.016 0.984
#> GSM87881 3 0.6204 0.4469 0.000 0.424 0.576
#> GSM87909 2 0.3686 0.6575 0.140 0.860 0.000
#> GSM87928 1 0.6140 0.5120 0.596 0.404 0.000
#> GSM87960 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87862 3 0.5497 0.5924 0.000 0.292 0.708
#> GSM87886 1 0.2959 0.8911 0.900 0.100 0.000
#> GSM87895 3 0.6302 0.1094 0.000 0.480 0.520
#> GSM87919 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87933 3 0.6111 0.5125 0.000 0.396 0.604
#> GSM87952 1 0.0000 0.8702 1.000 0.000 0.000
#> GSM87872 2 0.6205 0.2722 0.008 0.656 0.336
#> GSM87877 1 0.3340 0.8843 0.880 0.120 0.000
#> GSM87905 2 0.3686 0.6575 0.140 0.860 0.000
#> GSM87914 2 0.2569 0.7101 0.032 0.936 0.032
#> GSM87942 2 0.6576 0.6056 0.192 0.740 0.068
#> GSM87956 1 0.0000 0.8702 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.3088 0.7505 0.864 0.128 0.000 0.008
#> GSM87887 1 0.6952 0.0063 0.480 0.420 0.096 0.004
#> GSM87896 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87934 4 0.1118 0.7434 0.000 0.000 0.036 0.964
#> GSM87943 3 0.4212 0.9404 0.000 0.012 0.772 0.216
#> GSM87853 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87906 2 0.5136 0.6511 0.048 0.728 0.000 0.224
#> GSM87920 1 0.8672 -0.2659 0.344 0.288 0.032 0.336
#> GSM87924 4 0.2216 0.6990 0.000 0.000 0.092 0.908
#> GSM87858 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87882 4 0.7647 -0.2040 0.008 0.328 0.176 0.488
#> GSM87891 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87917 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87929 4 0.2040 0.7077 0.004 0.048 0.012 0.936
#> GSM87948 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87868 1 0.0188 0.8150 0.996 0.004 0.000 0.000
#> GSM87873 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87901 2 0.4452 0.6701 0.048 0.796 0.000 0.156
#> GSM87910 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87938 4 0.1637 0.7337 0.000 0.000 0.060 0.940
#> GSM87953 1 0.4893 0.7665 0.768 0.168 0.064 0.000
#> GSM87864 1 0.3088 0.7505 0.864 0.128 0.000 0.008
#> GSM87888 2 0.7750 0.4282 0.012 0.444 0.160 0.384
#> GSM87897 2 0.5200 0.6253 0.036 0.700 0.000 0.264
#> GSM87935 4 0.1716 0.7321 0.000 0.000 0.064 0.936
#> GSM87944 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87854 3 0.4434 0.9300 0.000 0.016 0.756 0.228
#> GSM87878 1 0.6952 0.0063 0.480 0.420 0.096 0.004
#> GSM87907 2 0.7697 0.1429 0.000 0.404 0.376 0.220
#> GSM87921 4 0.7117 -0.3789 0.000 0.424 0.128 0.448
#> GSM87925 4 0.1716 0.7321 0.000 0.000 0.064 0.936
#> GSM87957 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87859 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87883 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87892 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87930 4 0.1716 0.7321 0.000 0.000 0.064 0.936
#> GSM87949 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87869 1 0.0188 0.8150 0.996 0.004 0.000 0.000
#> GSM87874 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87902 2 0.4452 0.6701 0.048 0.796 0.000 0.156
#> GSM87911 2 0.7283 0.3644 0.000 0.432 0.148 0.420
#> GSM87939 4 0.0188 0.7346 0.000 0.004 0.000 0.996
#> GSM87954 1 0.4893 0.7665 0.768 0.168 0.064 0.000
#> GSM87865 1 0.3088 0.7505 0.864 0.128 0.000 0.008
#> GSM87889 2 0.8617 0.4682 0.064 0.448 0.160 0.328
#> GSM87898 2 0.5035 0.6072 0.196 0.748 0.000 0.056
#> GSM87915 1 0.2483 0.7854 0.916 0.052 0.032 0.000
#> GSM87936 4 0.1716 0.7321 0.000 0.000 0.064 0.936
#> GSM87945 3 0.4212 0.9404 0.000 0.012 0.772 0.216
#> GSM87855 3 0.4212 0.9404 0.000 0.012 0.772 0.216
#> GSM87879 2 0.7750 0.4282 0.012 0.444 0.160 0.384
#> GSM87922 4 0.6758 0.1296 0.000 0.240 0.156 0.604
#> GSM87926 4 0.0188 0.7346 0.000 0.004 0.000 0.996
#> GSM87958 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87860 3 0.4319 0.9330 0.000 0.012 0.760 0.228
#> GSM87884 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87893 3 0.4222 0.9428 0.000 0.000 0.728 0.272
#> GSM87918 2 0.6115 0.6560 0.088 0.724 0.032 0.156
#> GSM87931 4 0.1118 0.7434 0.000 0.000 0.036 0.964
#> GSM87950 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87870 1 0.2944 0.7522 0.868 0.128 0.000 0.004
#> GSM87875 3 0.4212 0.9404 0.000 0.012 0.772 0.216
#> GSM87903 2 0.5136 0.6511 0.048 0.728 0.000 0.224
#> GSM87912 1 0.2483 0.7854 0.916 0.052 0.032 0.000
#> GSM87940 4 0.1637 0.7337 0.000 0.000 0.060 0.940
#> GSM87866 1 0.2944 0.7522 0.868 0.128 0.000 0.004
#> GSM87899 2 0.5200 0.6253 0.036 0.700 0.000 0.264
#> GSM87937 4 0.1716 0.7321 0.000 0.000 0.064 0.936
#> GSM87946 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87856 3 0.4212 0.9404 0.000 0.012 0.772 0.216
#> GSM87880 2 0.7750 0.4282 0.012 0.444 0.160 0.384
#> GSM87908 2 0.4499 0.6638 0.072 0.804 0.000 0.124
#> GSM87923 4 0.7149 0.0584 0.000 0.316 0.156 0.528
#> GSM87927 4 0.5042 0.5135 0.040 0.184 0.012 0.764
#> GSM87959 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87861 3 0.4248 0.9389 0.000 0.012 0.768 0.220
#> GSM87885 2 0.8617 0.4682 0.064 0.448 0.160 0.328
#> GSM87894 1 0.0336 0.8145 0.992 0.008 0.000 0.000
#> GSM87932 1 0.6704 0.5139 0.600 0.264 0.136 0.000
#> GSM87951 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87871 1 0.5267 0.5929 0.712 0.240 0.000 0.048
#> GSM87876 2 0.8617 0.4682 0.064 0.448 0.160 0.328
#> GSM87904 2 0.7697 0.1429 0.000 0.404 0.376 0.220
#> GSM87913 1 0.3082 0.7659 0.884 0.084 0.032 0.000
#> GSM87941 4 0.5042 0.5135 0.040 0.184 0.012 0.764
#> GSM87955 1 0.4893 0.7665 0.768 0.168 0.064 0.000
#> GSM87867 1 0.6189 0.5030 0.640 0.268 0.000 0.092
#> GSM87890 4 0.2402 0.6985 0.000 0.012 0.076 0.912
#> GSM87900 2 0.4462 0.6694 0.044 0.792 0.000 0.164
#> GSM87916 4 0.0672 0.7325 0.000 0.008 0.008 0.984
#> GSM87947 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87857 3 0.4284 0.9363 0.000 0.012 0.764 0.224
#> GSM87881 4 0.3392 0.6677 0.000 0.056 0.072 0.872
#> GSM87909 2 0.5109 0.6087 0.196 0.744 0.000 0.060
#> GSM87928 1 0.6704 0.5139 0.600 0.264 0.136 0.000
#> GSM87960 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87862 4 0.6956 -0.0662 0.004 0.108 0.352 0.536
#> GSM87886 1 0.0000 0.8159 1.000 0.000 0.000 0.000
#> GSM87895 2 0.7697 0.1429 0.000 0.404 0.376 0.220
#> GSM87919 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87933 4 0.0188 0.7332 0.000 0.004 0.000 0.996
#> GSM87952 1 0.5143 0.7606 0.752 0.172 0.076 0.000
#> GSM87872 4 0.5911 0.1429 0.044 0.372 0.000 0.584
#> GSM87877 1 0.0707 0.8108 0.980 0.020 0.000 0.000
#> GSM87905 2 0.5109 0.6087 0.196 0.744 0.000 0.060
#> GSM87914 2 0.6115 0.6560 0.088 0.724 0.032 0.156
#> GSM87942 4 0.9519 -0.1300 0.272 0.208 0.136 0.384
#> GSM87956 1 0.4893 0.7665 0.768 0.168 0.064 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 1 0.2583 0.6923 0.864 0.132 0.000 0.000 0.004
#> GSM87887 1 0.7486 0.2419 0.472 0.260 0.000 0.064 0.204
#> GSM87896 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87934 4 0.2230 0.6614 0.000 0.000 0.116 0.884 0.000
#> GSM87943 3 0.1059 0.9093 0.000 0.008 0.968 0.004 0.020
#> GSM87853 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87906 2 0.2020 0.7305 0.000 0.900 0.000 0.100 0.000
#> GSM87920 1 0.7990 -0.0148 0.344 0.296 0.000 0.280 0.080
#> GSM87924 4 0.2891 0.6306 0.000 0.000 0.176 0.824 0.000
#> GSM87858 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87882 4 0.7446 0.3894 0.008 0.180 0.068 0.528 0.216
#> GSM87891 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87917 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87929 4 0.2941 0.6453 0.000 0.020 0.064 0.884 0.032
#> GSM87948 1 0.0000 0.7620 1.000 0.000 0.000 0.000 0.000
#> GSM87868 1 0.0451 0.7617 0.988 0.004 0.000 0.000 0.008
#> GSM87873 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87901 2 0.0880 0.7454 0.000 0.968 0.000 0.032 0.000
#> GSM87910 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87938 4 0.2516 0.6563 0.000 0.000 0.140 0.860 0.000
#> GSM87953 5 0.4262 0.8432 0.440 0.000 0.000 0.000 0.560
#> GSM87864 1 0.2583 0.6923 0.864 0.132 0.000 0.000 0.004
#> GSM87888 4 0.7839 0.2557 0.008 0.308 0.056 0.408 0.220
#> GSM87897 2 0.2806 0.6923 0.000 0.844 0.000 0.152 0.004
#> GSM87935 4 0.2561 0.6558 0.000 0.000 0.144 0.856 0.000
#> GSM87944 1 0.0404 0.7576 0.988 0.000 0.000 0.000 0.012
#> GSM87854 3 0.1518 0.9016 0.000 0.012 0.952 0.016 0.020
#> GSM87878 1 0.7486 0.2419 0.472 0.260 0.000 0.064 0.204
#> GSM87907 2 0.6220 0.1655 0.000 0.432 0.428 0.140 0.000
#> GSM87921 4 0.7108 0.2023 0.000 0.336 0.028 0.444 0.192
#> GSM87925 4 0.2561 0.6558 0.000 0.000 0.144 0.856 0.000
#> GSM87957 1 0.0404 0.7560 0.988 0.000 0.000 0.000 0.012
#> GSM87859 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87883 1 0.0162 0.7614 0.996 0.000 0.000 0.000 0.004
#> GSM87892 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87930 4 0.2561 0.6558 0.000 0.000 0.144 0.856 0.000
#> GSM87949 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87869 1 0.0451 0.7617 0.988 0.004 0.000 0.000 0.008
#> GSM87874 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87902 2 0.0880 0.7454 0.000 0.968 0.000 0.032 0.000
#> GSM87911 4 0.7583 0.1804 0.000 0.336 0.060 0.408 0.196
#> GSM87939 4 0.2237 0.6625 0.000 0.004 0.084 0.904 0.008
#> GSM87954 5 0.4262 0.8432 0.440 0.000 0.000 0.000 0.560
#> GSM87865 1 0.2583 0.6923 0.864 0.132 0.000 0.000 0.004
#> GSM87889 4 0.8663 0.1825 0.060 0.312 0.056 0.352 0.220
#> GSM87898 2 0.2763 0.6936 0.148 0.848 0.000 0.000 0.004
#> GSM87915 1 0.2233 0.7090 0.904 0.016 0.000 0.000 0.080
#> GSM87936 4 0.2561 0.6558 0.000 0.000 0.144 0.856 0.000
#> GSM87945 3 0.1059 0.9093 0.000 0.008 0.968 0.004 0.020
#> GSM87855 3 0.1059 0.9093 0.000 0.008 0.968 0.004 0.020
#> GSM87879 4 0.7839 0.2557 0.008 0.308 0.056 0.408 0.220
#> GSM87922 4 0.6602 0.4702 0.000 0.112 0.080 0.616 0.192
#> GSM87926 4 0.2237 0.6625 0.000 0.004 0.084 0.904 0.008
#> GSM87958 1 0.0609 0.7519 0.980 0.000 0.000 0.000 0.020
#> GSM87860 3 0.1405 0.9037 0.000 0.008 0.956 0.016 0.020
#> GSM87884 1 0.0162 0.7614 0.996 0.000 0.000 0.000 0.004
#> GSM87893 3 0.1410 0.9131 0.000 0.000 0.940 0.060 0.000
#> GSM87918 2 0.3863 0.7176 0.040 0.836 0.000 0.052 0.072
#> GSM87931 4 0.2230 0.6614 0.000 0.000 0.116 0.884 0.000
#> GSM87950 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87870 1 0.2536 0.6955 0.868 0.128 0.000 0.000 0.004
#> GSM87875 3 0.1059 0.9093 0.000 0.008 0.968 0.004 0.020
#> GSM87903 2 0.2020 0.7305 0.000 0.900 0.000 0.100 0.000
#> GSM87912 1 0.2233 0.7090 0.904 0.016 0.000 0.000 0.080
#> GSM87940 4 0.2516 0.6563 0.000 0.000 0.140 0.860 0.000
#> GSM87866 1 0.2536 0.6955 0.868 0.128 0.000 0.000 0.004
#> GSM87899 2 0.2806 0.6923 0.000 0.844 0.000 0.152 0.004
#> GSM87937 4 0.2561 0.6558 0.000 0.000 0.144 0.856 0.000
#> GSM87946 1 0.0404 0.7576 0.988 0.000 0.000 0.000 0.012
#> GSM87856 3 0.1059 0.9093 0.000 0.008 0.968 0.004 0.020
#> GSM87880 4 0.7839 0.2557 0.008 0.308 0.056 0.408 0.220
#> GSM87908 2 0.1106 0.7405 0.024 0.964 0.000 0.012 0.000
#> GSM87923 4 0.7383 0.3729 0.000 0.204 0.120 0.536 0.140
#> GSM87927 4 0.5362 0.4947 0.032 0.208 0.040 0.708 0.012
#> GSM87959 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87861 3 0.1186 0.9082 0.000 0.008 0.964 0.008 0.020
#> GSM87885 4 0.8663 0.1825 0.060 0.312 0.056 0.352 0.220
#> GSM87894 1 0.0290 0.7622 0.992 0.008 0.000 0.000 0.000
#> GSM87932 5 0.6266 0.2119 0.404 0.096 0.000 0.016 0.484
#> GSM87951 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87871 1 0.4194 0.4928 0.708 0.276 0.000 0.012 0.004
#> GSM87876 4 0.8663 0.1825 0.060 0.312 0.056 0.352 0.220
#> GSM87904 2 0.6220 0.1655 0.000 0.432 0.428 0.140 0.000
#> GSM87913 1 0.2889 0.6813 0.872 0.044 0.000 0.000 0.084
#> GSM87941 4 0.5362 0.4947 0.032 0.208 0.040 0.708 0.012
#> GSM87955 5 0.4256 0.8474 0.436 0.000 0.000 0.000 0.564
#> GSM87867 1 0.4517 0.3384 0.616 0.372 0.000 0.008 0.004
#> GSM87890 4 0.3917 0.6406 0.000 0.024 0.144 0.808 0.024
#> GSM87900 2 0.1043 0.7452 0.000 0.960 0.000 0.040 0.000
#> GSM87916 4 0.2177 0.6626 0.000 0.004 0.080 0.908 0.008
#> GSM87947 1 0.0000 0.7620 1.000 0.000 0.000 0.000 0.000
#> GSM87857 3 0.1299 0.9062 0.000 0.008 0.960 0.012 0.020
#> GSM87881 4 0.4721 0.6233 0.000 0.072 0.140 0.764 0.024
#> GSM87909 2 0.2605 0.6944 0.148 0.852 0.000 0.000 0.000
#> GSM87928 5 0.6266 0.2119 0.404 0.096 0.000 0.016 0.484
#> GSM87960 1 0.0404 0.7560 0.988 0.000 0.000 0.000 0.012
#> GSM87862 3 0.6186 -0.0050 0.000 0.136 0.452 0.412 0.000
#> GSM87886 1 0.0162 0.7614 0.996 0.000 0.000 0.000 0.004
#> GSM87895 2 0.6220 0.1655 0.000 0.432 0.428 0.140 0.000
#> GSM87919 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87933 4 0.2017 0.6617 0.000 0.000 0.080 0.912 0.008
#> GSM87952 5 0.4192 0.8709 0.404 0.000 0.000 0.000 0.596
#> GSM87872 2 0.6216 0.0590 0.016 0.512 0.080 0.388 0.004
#> GSM87877 1 0.0703 0.7591 0.976 0.024 0.000 0.000 0.000
#> GSM87905 2 0.2605 0.6944 0.148 0.852 0.000 0.000 0.000
#> GSM87914 2 0.3863 0.7176 0.040 0.836 0.000 0.052 0.072
#> GSM87942 4 0.8059 0.1545 0.256 0.104 0.000 0.392 0.248
#> GSM87956 5 0.4256 0.8474 0.436 0.000 0.000 0.000 0.564
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.2846 0.7996 0.000 0.060 0.000 0.000 0.084 0.856
#> GSM87887 5 0.4524 0.0299 0.004 0.024 0.000 0.000 0.520 0.452
#> GSM87896 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87934 4 0.0777 0.7997 0.000 0.000 0.004 0.972 0.024 0.000
#> GSM87943 3 0.2264 0.9353 0.012 0.004 0.888 0.000 0.096 0.000
#> GSM87853 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.1908 0.7479 0.000 0.916 0.000 0.056 0.028 0.000
#> GSM87920 6 0.7792 -0.2132 0.044 0.264 0.000 0.068 0.284 0.340
#> GSM87924 4 0.1082 0.7789 0.000 0.004 0.040 0.956 0.000 0.000
#> GSM87858 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87882 5 0.4306 0.5664 0.000 0.044 0.008 0.248 0.700 0.000
#> GSM87891 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87917 1 0.2793 0.8677 0.800 0.000 0.000 0.000 0.000 0.200
#> GSM87929 4 0.3359 0.7146 0.008 0.012 0.000 0.784 0.196 0.000
#> GSM87948 6 0.0260 0.8638 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87868 6 0.0260 0.8641 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87873 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0692 0.7577 0.000 0.976 0.000 0.004 0.020 0.000
#> GSM87910 1 0.2793 0.8677 0.800 0.000 0.000 0.000 0.000 0.200
#> GSM87938 4 0.0146 0.8001 0.000 0.000 0.004 0.996 0.000 0.000
#> GSM87953 1 0.3446 0.8001 0.692 0.000 0.000 0.000 0.000 0.308
#> GSM87864 6 0.2846 0.7996 0.000 0.060 0.000 0.000 0.084 0.856
#> GSM87888 5 0.3370 0.6770 0.000 0.064 0.000 0.124 0.812 0.000
#> GSM87897 2 0.2685 0.7153 0.000 0.868 0.000 0.072 0.060 0.000
#> GSM87935 4 0.0405 0.8002 0.000 0.004 0.008 0.988 0.000 0.000
#> GSM87944 6 0.0713 0.8587 0.028 0.000 0.000 0.000 0.000 0.972
#> GSM87854 3 0.2520 0.9258 0.012 0.008 0.872 0.000 0.108 0.000
#> GSM87878 5 0.4524 0.0299 0.004 0.024 0.000 0.000 0.520 0.452
#> GSM87907 2 0.6207 0.2211 0.000 0.432 0.420 0.076 0.072 0.000
#> GSM87921 5 0.5336 0.5040 0.000 0.284 0.000 0.144 0.572 0.000
#> GSM87925 4 0.0405 0.8002 0.000 0.004 0.008 0.988 0.000 0.000
#> GSM87957 6 0.0713 0.8575 0.028 0.000 0.000 0.000 0.000 0.972
#> GSM87859 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 6 0.0363 0.8638 0.012 0.000 0.000 0.000 0.000 0.988
#> GSM87892 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87930 4 0.0260 0.8001 0.000 0.000 0.008 0.992 0.000 0.000
#> GSM87949 1 0.2823 0.8676 0.796 0.000 0.000 0.000 0.000 0.204
#> GSM87869 6 0.0260 0.8641 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87874 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87902 2 0.0692 0.7577 0.000 0.976 0.000 0.004 0.020 0.000
#> GSM87911 5 0.5304 0.5361 0.012 0.264 0.000 0.112 0.612 0.000
#> GSM87939 4 0.1644 0.7831 0.004 0.000 0.000 0.920 0.076 0.000
#> GSM87954 1 0.3446 0.8001 0.692 0.000 0.000 0.000 0.000 0.308
#> GSM87865 6 0.2846 0.7996 0.000 0.060 0.000 0.000 0.084 0.856
#> GSM87889 5 0.3649 0.6865 0.000 0.068 0.000 0.068 0.824 0.040
#> GSM87898 2 0.2442 0.6939 0.000 0.852 0.000 0.000 0.004 0.144
#> GSM87915 6 0.2605 0.8038 0.064 0.012 0.000 0.000 0.040 0.884
#> GSM87936 4 0.0405 0.8002 0.000 0.004 0.008 0.988 0.000 0.000
#> GSM87945 3 0.2264 0.9353 0.012 0.004 0.888 0.000 0.096 0.000
#> GSM87855 3 0.2162 0.9361 0.012 0.004 0.896 0.000 0.088 0.000
#> GSM87879 5 0.3370 0.6770 0.000 0.064 0.000 0.124 0.812 0.000
#> GSM87922 5 0.4910 0.3817 0.012 0.040 0.004 0.348 0.596 0.000
#> GSM87926 4 0.1644 0.7831 0.004 0.000 0.000 0.920 0.076 0.000
#> GSM87958 6 0.0937 0.8527 0.040 0.000 0.000 0.000 0.000 0.960
#> GSM87860 3 0.2408 0.9278 0.012 0.004 0.876 0.000 0.108 0.000
#> GSM87884 6 0.0363 0.8638 0.012 0.000 0.000 0.000 0.000 0.988
#> GSM87893 3 0.0000 0.9385 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87918 2 0.3652 0.6989 0.040 0.840 0.000 0.028 0.060 0.032
#> GSM87931 4 0.0777 0.7997 0.000 0.000 0.004 0.972 0.024 0.000
#> GSM87950 1 0.2823 0.8676 0.796 0.000 0.000 0.000 0.000 0.204
#> GSM87870 6 0.2786 0.8018 0.000 0.056 0.000 0.000 0.084 0.860
#> GSM87875 3 0.2407 0.9341 0.012 0.004 0.884 0.004 0.096 0.000
#> GSM87903 2 0.1908 0.7479 0.000 0.916 0.000 0.056 0.028 0.000
#> GSM87912 6 0.2605 0.8038 0.064 0.012 0.000 0.000 0.040 0.884
#> GSM87940 4 0.0146 0.8001 0.000 0.000 0.004 0.996 0.000 0.000
#> GSM87866 6 0.2786 0.8018 0.000 0.056 0.000 0.000 0.084 0.860
#> GSM87899 2 0.2685 0.7153 0.000 0.868 0.000 0.072 0.060 0.000
#> GSM87937 4 0.0405 0.8002 0.000 0.004 0.008 0.988 0.000 0.000
#> GSM87946 6 0.0713 0.8587 0.028 0.000 0.000 0.000 0.000 0.972
#> GSM87856 3 0.2264 0.9353 0.012 0.004 0.888 0.000 0.096 0.000
#> GSM87880 5 0.3370 0.6770 0.000 0.064 0.000 0.124 0.812 0.000
#> GSM87908 2 0.0806 0.7518 0.000 0.972 0.000 0.000 0.008 0.020
#> GSM87923 5 0.6768 0.2854 0.000 0.140 0.088 0.320 0.452 0.000
#> GSM87927 4 0.5635 0.5410 0.008 0.204 0.000 0.636 0.124 0.028
#> GSM87959 1 0.2912 0.8629 0.784 0.000 0.000 0.000 0.000 0.216
#> GSM87861 3 0.2214 0.9353 0.012 0.004 0.892 0.000 0.092 0.000
#> GSM87885 5 0.3649 0.6865 0.000 0.068 0.000 0.068 0.824 0.040
#> GSM87894 6 0.0146 0.8631 0.000 0.004 0.000 0.000 0.000 0.996
#> GSM87932 1 0.6323 0.3757 0.564 0.076 0.000 0.000 0.156 0.204
#> GSM87951 1 0.2793 0.8677 0.800 0.000 0.000 0.000 0.000 0.200
#> GSM87871 6 0.4475 0.6274 0.000 0.200 0.000 0.000 0.100 0.700
#> GSM87876 5 0.3649 0.6865 0.000 0.068 0.000 0.068 0.824 0.040
#> GSM87904 2 0.6207 0.2211 0.000 0.432 0.420 0.076 0.072 0.000
#> GSM87913 6 0.3127 0.7791 0.060 0.024 0.000 0.000 0.060 0.856
#> GSM87941 4 0.5635 0.5410 0.008 0.204 0.000 0.636 0.124 0.028
#> GSM87955 1 0.3409 0.8085 0.700 0.000 0.000 0.000 0.000 0.300
#> GSM87867 6 0.5163 0.4906 0.000 0.252 0.000 0.000 0.140 0.608
#> GSM87890 4 0.4053 0.5025 0.000 0.020 0.004 0.676 0.300 0.000
#> GSM87900 2 0.0891 0.7578 0.000 0.968 0.000 0.008 0.024 0.000
#> GSM87916 4 0.2595 0.7236 0.000 0.004 0.000 0.836 0.160 0.000
#> GSM87947 6 0.0260 0.8638 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87857 3 0.2361 0.9307 0.012 0.004 0.880 0.000 0.104 0.000
#> GSM87881 4 0.4292 0.4158 0.000 0.032 0.000 0.628 0.340 0.000
#> GSM87909 2 0.2553 0.6947 0.000 0.848 0.000 0.000 0.008 0.144
#> GSM87928 1 0.6323 0.3757 0.564 0.076 0.000 0.000 0.156 0.204
#> GSM87960 6 0.0790 0.8555 0.032 0.000 0.000 0.000 0.000 0.968
#> GSM87862 4 0.6691 0.1877 0.000 0.136 0.364 0.424 0.076 0.000
#> GSM87886 6 0.0363 0.8638 0.012 0.000 0.000 0.000 0.000 0.988
#> GSM87895 2 0.6207 0.2211 0.000 0.432 0.420 0.076 0.072 0.000
#> GSM87919 1 0.2793 0.8677 0.800 0.000 0.000 0.000 0.000 0.200
#> GSM87933 4 0.2431 0.7451 0.008 0.000 0.000 0.860 0.132 0.000
#> GSM87952 1 0.2793 0.8677 0.800 0.000 0.000 0.000 0.000 0.200
#> GSM87872 4 0.5889 0.0808 0.000 0.400 0.000 0.424 0.172 0.004
#> GSM87877 6 0.0891 0.8598 0.008 0.000 0.000 0.000 0.024 0.968
#> GSM87905 2 0.2553 0.6947 0.000 0.848 0.000 0.000 0.008 0.144
#> GSM87914 2 0.3652 0.6989 0.040 0.840 0.000 0.028 0.060 0.032
#> GSM87942 5 0.8500 0.0777 0.188 0.080 0.000 0.212 0.336 0.184
#> GSM87956 1 0.3409 0.8085 0.700 0.000 0.000 0.000 0.000 0.300
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 time(p) agent(p) individual(p) k
#> CV:hclust 95 0.858 0.388 2.52e-05 2
#> CV:hclust 93 0.620 0.296 7.42e-10 3
#> CV:hclust 88 0.868 0.538 2.10e-19 4
#> CV:hclust 82 0.911 0.223 2.48e-20 5
#> CV:hclust 93 0.910 0.384 4.27e-28 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 108 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 1.000 0.958 0.983 0.4990 0.504 0.504
#> 3 3 0.634 0.696 0.858 0.3137 0.746 0.532
#> 4 4 0.687 0.760 0.860 0.1312 0.786 0.463
#> 5 5 0.742 0.694 0.849 0.0742 0.860 0.527
#> 6 6 0.794 0.719 0.844 0.0441 0.919 0.632
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
#> GSM87863 1 0.0000 0.996 1.000 0.000
#> GSM87887 1 0.0000 0.996 1.000 0.000
#> GSM87896 2 0.0000 0.971 0.000 1.000
#> GSM87934 2 0.0000 0.971 0.000 1.000
#> GSM87943 2 0.0000 0.971 0.000 1.000
#> GSM87853 2 0.0000 0.971 0.000 1.000
#> GSM87906 2 0.0000 0.971 0.000 1.000
#> GSM87920 1 0.0000 0.996 1.000 0.000
#> GSM87924 2 0.0000 0.971 0.000 1.000
#> GSM87858 2 0.0000 0.971 0.000 1.000
#> GSM87882 2 0.0000 0.971 0.000 1.000
#> GSM87891 2 0.0000 0.971 0.000 1.000
#> GSM87917 1 0.0000 0.996 1.000 0.000
#> GSM87929 2 0.0000 0.971 0.000 1.000
#> GSM87948 1 0.0000 0.996 1.000 0.000
#> GSM87868 1 0.0000 0.996 1.000 0.000
#> GSM87873 2 0.0000 0.971 0.000 1.000
#> GSM87901 2 0.9635 0.400 0.388 0.612
#> GSM87910 1 0.0000 0.996 1.000 0.000
#> GSM87938 2 0.0000 0.971 0.000 1.000
#> GSM87953 1 0.0000 0.996 1.000 0.000
#> GSM87864 1 0.0000 0.996 1.000 0.000
#> GSM87888 2 0.0000 0.971 0.000 1.000
#> GSM87897 2 0.0000 0.971 0.000 1.000
#> GSM87935 2 0.0000 0.971 0.000 1.000
#> GSM87944 1 0.0000 0.996 1.000 0.000
#> GSM87854 2 0.0000 0.971 0.000 1.000
#> GSM87878 1 0.0000 0.996 1.000 0.000
#> GSM87907 2 0.0000 0.971 0.000 1.000
#> GSM87921 2 0.0000 0.971 0.000 1.000
#> GSM87925 2 0.0000 0.971 0.000 1.000
#> GSM87957 1 0.0000 0.996 1.000 0.000
#> GSM87859 2 0.0000 0.971 0.000 1.000
#> GSM87883 1 0.0000 0.996 1.000 0.000
#> GSM87892 2 0.0000 0.971 0.000 1.000
#> GSM87930 2 0.0000 0.971 0.000 1.000
#> GSM87949 1 0.0000 0.996 1.000 0.000
#> GSM87869 1 0.0000 0.996 1.000 0.000
#> GSM87874 2 0.0000 0.971 0.000 1.000
#> GSM87902 2 0.8555 0.624 0.280 0.720
#> GSM87911 2 0.0000 0.971 0.000 1.000
#> GSM87939 2 0.0000 0.971 0.000 1.000
#> GSM87954 1 0.0000 0.996 1.000 0.000
#> GSM87865 1 0.0000 0.996 1.000 0.000
#> GSM87889 1 0.0376 0.992 0.996 0.004
#> GSM87898 1 0.0000 0.996 1.000 0.000
#> GSM87915 1 0.0000 0.996 1.000 0.000
#> GSM87936 2 0.0000 0.971 0.000 1.000
#> GSM87945 2 0.0000 0.971 0.000 1.000
#> GSM87855 2 0.0000 0.971 0.000 1.000
#> GSM87879 2 0.0000 0.971 0.000 1.000
#> GSM87922 2 0.0000 0.971 0.000 1.000
#> GSM87926 2 0.0000 0.971 0.000 1.000
#> GSM87958 1 0.0000 0.996 1.000 0.000
#> GSM87860 2 0.0000 0.971 0.000 1.000
#> GSM87884 1 0.0000 0.996 1.000 0.000
#> GSM87893 2 0.0000 0.971 0.000 1.000
#> GSM87918 1 0.6887 0.762 0.816 0.184
#> GSM87931 2 0.0000 0.971 0.000 1.000
#> GSM87950 1 0.0000 0.996 1.000 0.000
#> GSM87870 1 0.0000 0.996 1.000 0.000
#> GSM87875 2 0.0000 0.971 0.000 1.000
#> GSM87903 2 0.0000 0.971 0.000 1.000
#> GSM87912 1 0.0000 0.996 1.000 0.000
#> GSM87940 2 0.0000 0.971 0.000 1.000
#> GSM87866 1 0.0000 0.996 1.000 0.000
#> GSM87899 2 0.0000 0.971 0.000 1.000
#> GSM87937 2 0.0000 0.971 0.000 1.000
#> GSM87946 1 0.0000 0.996 1.000 0.000
#> GSM87856 2 0.0000 0.971 0.000 1.000
#> GSM87880 2 0.0000 0.971 0.000 1.000
#> GSM87908 2 0.7815 0.701 0.232 0.768
#> GSM87923 2 0.0000 0.971 0.000 1.000
#> GSM87927 2 0.0000 0.971 0.000 1.000
#> GSM87959 1 0.0000 0.996 1.000 0.000
#> GSM87861 2 0.0000 0.971 0.000 1.000
#> GSM87885 1 0.0000 0.996 1.000 0.000
#> GSM87894 1 0.0000 0.996 1.000 0.000
#> GSM87932 1 0.0000 0.996 1.000 0.000
#> GSM87951 1 0.0000 0.996 1.000 0.000
#> GSM87871 2 0.0000 0.971 0.000 1.000
#> GSM87876 1 0.0376 0.992 0.996 0.004
#> GSM87904 2 0.0000 0.971 0.000 1.000
#> GSM87913 1 0.0000 0.996 1.000 0.000
#> GSM87941 2 0.0000 0.971 0.000 1.000
#> GSM87955 1 0.0000 0.996 1.000 0.000
#> GSM87867 1 0.0000 0.996 1.000 0.000
#> GSM87890 2 0.0000 0.971 0.000 1.000
#> GSM87900 2 0.0000 0.971 0.000 1.000
#> GSM87916 2 0.0000 0.971 0.000 1.000
#> GSM87947 1 0.0000 0.996 1.000 0.000
#> GSM87857 2 0.0000 0.971 0.000 1.000
#> GSM87881 2 0.0000 0.971 0.000 1.000
#> GSM87909 1 0.0000 0.996 1.000 0.000
#> GSM87928 1 0.0000 0.996 1.000 0.000
#> GSM87960 1 0.0000 0.996 1.000 0.000
#> GSM87862 2 0.0000 0.971 0.000 1.000
#> GSM87886 1 0.0000 0.996 1.000 0.000
#> GSM87895 2 0.0000 0.971 0.000 1.000
#> GSM87919 1 0.0000 0.996 1.000 0.000
#> GSM87933 2 0.0000 0.971 0.000 1.000
#> GSM87952 1 0.0000 0.996 1.000 0.000
#> GSM87872 2 0.0000 0.971 0.000 1.000
#> GSM87877 1 0.0000 0.996 1.000 0.000
#> GSM87905 1 0.0000 0.996 1.000 0.000
#> GSM87914 2 0.9635 0.400 0.388 0.612
#> GSM87942 2 0.9635 0.400 0.388 0.612
#> GSM87956 1 0.0000 0.996 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.5138 0.5158 0.252 0.748 0.000
#> GSM87887 1 0.5678 0.6447 0.684 0.316 0.000
#> GSM87896 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87934 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87943 3 0.4346 0.6094 0.000 0.184 0.816
#> GSM87853 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87906 2 0.0747 0.8305 0.000 0.984 0.016
#> GSM87920 2 0.5016 0.5426 0.240 0.760 0.000
#> GSM87924 3 0.0747 0.7320 0.000 0.016 0.984
#> GSM87858 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87882 2 0.6079 -0.0246 0.000 0.612 0.388
#> GSM87891 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87929 2 0.5291 0.4325 0.000 0.732 0.268
#> GSM87948 1 0.1860 0.8590 0.948 0.052 0.000
#> GSM87868 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87901 2 0.0000 0.8303 0.000 1.000 0.000
#> GSM87910 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87938 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87953 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87864 1 0.6111 0.5187 0.604 0.396 0.000
#> GSM87888 2 0.0747 0.8305 0.000 0.984 0.016
#> GSM87897 2 0.1529 0.8188 0.000 0.960 0.040
#> GSM87935 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87944 1 0.0237 0.8828 0.996 0.004 0.000
#> GSM87854 2 0.5431 0.5029 0.000 0.716 0.284
#> GSM87878 1 0.6045 0.5482 0.620 0.380 0.000
#> GSM87907 3 0.4452 0.6943 0.000 0.192 0.808
#> GSM87921 2 0.0000 0.8303 0.000 1.000 0.000
#> GSM87925 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87957 1 0.4887 0.7331 0.772 0.228 0.000
#> GSM87859 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87930 3 0.5650 0.6328 0.000 0.312 0.688
#> GSM87949 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87902 2 0.0747 0.8305 0.000 0.984 0.016
#> GSM87911 2 0.0747 0.8305 0.000 0.984 0.016
#> GSM87939 3 0.6192 0.5558 0.000 0.420 0.580
#> GSM87954 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87865 1 0.6305 0.3138 0.516 0.484 0.000
#> GSM87889 2 0.0747 0.8273 0.016 0.984 0.000
#> GSM87898 1 0.6309 0.2782 0.504 0.496 0.000
#> GSM87915 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87936 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87945 3 0.0237 0.7360 0.000 0.004 0.996
#> GSM87855 3 0.0237 0.7360 0.000 0.004 0.996
#> GSM87879 2 0.2959 0.7444 0.000 0.900 0.100
#> GSM87922 2 0.6215 -0.2061 0.000 0.572 0.428
#> GSM87926 3 0.6274 0.4817 0.000 0.456 0.544
#> GSM87958 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87860 3 0.0237 0.7360 0.000 0.004 0.996
#> GSM87884 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.7363 0.000 0.000 1.000
#> GSM87918 2 0.0000 0.8303 0.000 1.000 0.000
#> GSM87931 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87950 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87870 1 0.6008 0.5615 0.628 0.372 0.000
#> GSM87875 3 0.0237 0.7360 0.000 0.004 0.996
#> GSM87903 2 0.2165 0.7967 0.000 0.936 0.064
#> GSM87912 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87940 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87866 1 0.5431 0.6807 0.716 0.284 0.000
#> GSM87899 3 0.6168 0.3979 0.000 0.412 0.588
#> GSM87937 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87946 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87856 3 0.4346 0.6094 0.000 0.184 0.816
#> GSM87880 2 0.0747 0.8305 0.000 0.984 0.016
#> GSM87908 2 0.0747 0.8305 0.000 0.984 0.016
#> GSM87923 2 0.6252 -0.2143 0.000 0.556 0.444
#> GSM87927 2 0.0892 0.8211 0.000 0.980 0.020
#> GSM87959 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87861 3 0.0237 0.7360 0.000 0.004 0.996
#> GSM87885 2 0.0747 0.8273 0.016 0.984 0.000
#> GSM87894 1 0.5560 0.6642 0.700 0.300 0.000
#> GSM87932 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87871 2 0.0747 0.8305 0.000 0.984 0.016
#> GSM87876 2 0.0747 0.8273 0.016 0.984 0.000
#> GSM87904 3 0.5835 0.5426 0.000 0.340 0.660
#> GSM87913 1 0.5560 0.6637 0.700 0.300 0.000
#> GSM87941 2 0.1163 0.8156 0.000 0.972 0.028
#> GSM87955 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87867 2 0.4235 0.6632 0.176 0.824 0.000
#> GSM87890 3 0.6154 0.5751 0.000 0.408 0.592
#> GSM87900 2 0.1753 0.7971 0.000 0.952 0.048
#> GSM87916 3 0.6215 0.5411 0.000 0.428 0.572
#> GSM87947 1 0.2165 0.8522 0.936 0.064 0.000
#> GSM87857 3 0.5178 0.5958 0.000 0.256 0.744
#> GSM87881 2 0.0000 0.8303 0.000 1.000 0.000
#> GSM87909 2 0.0747 0.8273 0.016 0.984 0.000
#> GSM87928 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87862 2 0.6260 -0.2270 0.000 0.552 0.448
#> GSM87886 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87895 3 0.4399 0.6954 0.000 0.188 0.812
#> GSM87919 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87933 3 0.6192 0.5558 0.000 0.420 0.580
#> GSM87952 1 0.0000 0.8845 1.000 0.000 0.000
#> GSM87872 2 0.0000 0.8303 0.000 1.000 0.000
#> GSM87877 1 0.5650 0.6498 0.688 0.312 0.000
#> GSM87905 2 0.5926 0.1995 0.356 0.644 0.000
#> GSM87914 2 0.0000 0.8303 0.000 1.000 0.000
#> GSM87942 2 0.0000 0.8303 0.000 1.000 0.000
#> GSM87956 1 0.0000 0.8845 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.1674 0.7829 0.004 0.952 0.012 0.032
#> GSM87887 2 0.5168 0.5776 0.248 0.712 0.000 0.040
#> GSM87896 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87934 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87943 3 0.2060 0.8107 0.000 0.052 0.932 0.016
#> GSM87853 3 0.0376 0.8424 0.000 0.004 0.992 0.004
#> GSM87906 2 0.5189 0.4504 0.000 0.616 0.012 0.372
#> GSM87920 2 0.1406 0.7862 0.016 0.960 0.000 0.024
#> GSM87924 4 0.4193 0.6558 0.000 0.000 0.268 0.732
#> GSM87858 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87882 2 0.6164 0.5488 0.000 0.656 0.104 0.240
#> GSM87891 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87917 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87929 4 0.1733 0.8462 0.000 0.028 0.024 0.948
#> GSM87948 1 0.5565 0.4643 0.624 0.344 0.000 0.032
#> GSM87868 1 0.4500 0.7428 0.776 0.192 0.000 0.032
#> GSM87873 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87901 2 0.2179 0.7859 0.000 0.924 0.012 0.064
#> GSM87910 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87938 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87953 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87864 2 0.4008 0.7024 0.148 0.820 0.000 0.032
#> GSM87888 2 0.4406 0.6957 0.000 0.780 0.028 0.192
#> GSM87897 2 0.5231 0.4237 0.000 0.604 0.012 0.384
#> GSM87935 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87944 1 0.4579 0.7316 0.768 0.200 0.000 0.032
#> GSM87854 2 0.4379 0.7006 0.000 0.792 0.036 0.172
#> GSM87878 2 0.4008 0.7068 0.148 0.820 0.000 0.032
#> GSM87907 3 0.5323 0.4478 0.000 0.020 0.628 0.352
#> GSM87921 2 0.5057 0.5144 0.000 0.648 0.012 0.340
#> GSM87925 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87957 2 0.5842 0.0876 0.448 0.520 0.000 0.032
#> GSM87859 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87883 1 0.2313 0.9007 0.924 0.044 0.000 0.032
#> GSM87892 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87930 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87949 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87869 1 0.1488 0.9209 0.956 0.012 0.000 0.032
#> GSM87874 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87902 2 0.2179 0.7859 0.000 0.924 0.012 0.064
#> GSM87911 2 0.3711 0.7414 0.000 0.836 0.024 0.140
#> GSM87939 4 0.2542 0.8808 0.000 0.012 0.084 0.904
#> GSM87954 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87865 2 0.1936 0.7799 0.028 0.940 0.000 0.032
#> GSM87889 2 0.1406 0.7887 0.000 0.960 0.016 0.024
#> GSM87898 2 0.2773 0.7792 0.028 0.900 0.000 0.072
#> GSM87915 1 0.0188 0.9376 0.996 0.000 0.000 0.004
#> GSM87936 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87945 3 0.0592 0.8392 0.000 0.016 0.984 0.000
#> GSM87855 3 0.0592 0.8392 0.000 0.016 0.984 0.000
#> GSM87879 2 0.4669 0.6751 0.000 0.764 0.036 0.200
#> GSM87922 4 0.5292 0.7131 0.000 0.168 0.088 0.744
#> GSM87926 4 0.2473 0.8790 0.000 0.012 0.080 0.908
#> GSM87958 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87860 3 0.3052 0.7539 0.000 0.004 0.860 0.136
#> GSM87884 1 0.2313 0.9007 0.924 0.044 0.000 0.032
#> GSM87893 3 0.0921 0.8427 0.000 0.000 0.972 0.028
#> GSM87918 2 0.2179 0.7859 0.000 0.924 0.012 0.064
#> GSM87931 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87950 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87870 2 0.4579 0.6461 0.200 0.768 0.000 0.032
#> GSM87875 3 0.0895 0.8364 0.000 0.020 0.976 0.004
#> GSM87903 2 0.5268 0.3965 0.000 0.592 0.012 0.396
#> GSM87912 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87940 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87866 2 0.5492 0.4370 0.328 0.640 0.000 0.032
#> GSM87899 3 0.7227 0.2931 0.000 0.148 0.484 0.368
#> GSM87937 4 0.2408 0.8833 0.000 0.000 0.104 0.896
#> GSM87946 1 0.1488 0.9209 0.956 0.012 0.000 0.032
#> GSM87856 3 0.2060 0.8107 0.000 0.052 0.932 0.016
#> GSM87880 2 0.4323 0.7025 0.000 0.788 0.028 0.184
#> GSM87908 2 0.2179 0.7859 0.000 0.924 0.012 0.064
#> GSM87923 4 0.6167 0.6179 0.000 0.220 0.116 0.664
#> GSM87927 4 0.2101 0.8121 0.000 0.060 0.012 0.928
#> GSM87959 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87861 3 0.0188 0.8420 0.000 0.004 0.996 0.000
#> GSM87885 2 0.1406 0.7887 0.000 0.960 0.016 0.024
#> GSM87894 2 0.5113 0.5580 0.264 0.704 0.000 0.032
#> GSM87932 1 0.0524 0.9313 0.988 0.004 0.000 0.008
#> GSM87951 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87871 2 0.1406 0.7884 0.000 0.960 0.016 0.024
#> GSM87876 2 0.1406 0.7887 0.000 0.960 0.016 0.024
#> GSM87904 3 0.5496 0.5155 0.000 0.036 0.652 0.312
#> GSM87913 2 0.5453 0.4546 0.320 0.648 0.000 0.032
#> GSM87941 4 0.1970 0.8147 0.000 0.060 0.008 0.932
#> GSM87955 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87867 2 0.0992 0.7888 0.004 0.976 0.012 0.008
#> GSM87890 4 0.2408 0.8795 0.000 0.000 0.104 0.896
#> GSM87900 4 0.5093 0.3628 0.000 0.348 0.012 0.640
#> GSM87916 4 0.2610 0.8820 0.000 0.012 0.088 0.900
#> GSM87947 1 0.5599 0.4446 0.616 0.352 0.000 0.032
#> GSM87857 3 0.4711 0.7209 0.000 0.064 0.784 0.152
#> GSM87881 2 0.4406 0.6976 0.000 0.780 0.028 0.192
#> GSM87909 2 0.1902 0.7864 0.000 0.932 0.004 0.064
#> GSM87928 1 0.0524 0.9313 0.988 0.004 0.000 0.008
#> GSM87960 1 0.1174 0.9266 0.968 0.012 0.000 0.020
#> GSM87862 3 0.6887 0.2903 0.000 0.116 0.528 0.356
#> GSM87886 1 0.0336 0.9365 0.992 0.000 0.000 0.008
#> GSM87895 3 0.5112 0.3914 0.000 0.008 0.608 0.384
#> GSM87919 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87933 4 0.2610 0.8820 0.000 0.012 0.088 0.900
#> GSM87952 1 0.0000 0.9386 1.000 0.000 0.000 0.000
#> GSM87872 2 0.2402 0.7831 0.000 0.912 0.012 0.076
#> GSM87877 2 0.5198 0.5715 0.252 0.708 0.000 0.040
#> GSM87905 2 0.1824 0.7874 0.004 0.936 0.000 0.060
#> GSM87914 2 0.4387 0.6542 0.000 0.752 0.012 0.236
#> GSM87942 4 0.4155 0.6044 0.000 0.240 0.004 0.756
#> GSM87956 1 0.0000 0.9386 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
#> GSM87863 5 0.2230 0.6722 0.000 0.116 0.000 0.000 0.884
#> GSM87887 5 0.1948 0.7018 0.056 0.004 0.008 0.004 0.928
#> GSM87896 3 0.0727 0.9255 0.000 0.004 0.980 0.012 0.004
#> GSM87934 4 0.0162 0.9625 0.000 0.000 0.004 0.996 0.000
#> GSM87943 3 0.4031 0.7972 0.000 0.160 0.788 0.004 0.048
#> GSM87853 3 0.0404 0.9256 0.000 0.000 0.988 0.012 0.000
#> GSM87906 2 0.1668 0.6479 0.000 0.940 0.000 0.032 0.028
#> GSM87920 5 0.3534 0.5583 0.000 0.256 0.000 0.000 0.744
#> GSM87924 4 0.1124 0.9399 0.000 0.000 0.036 0.960 0.004
#> GSM87858 3 0.0566 0.9256 0.000 0.000 0.984 0.012 0.004
#> GSM87882 2 0.6541 0.2295 0.000 0.496 0.064 0.056 0.384
#> GSM87891 3 0.0727 0.9255 0.000 0.004 0.980 0.012 0.004
#> GSM87917 1 0.0290 0.9122 0.992 0.008 0.000 0.000 0.000
#> GSM87929 4 0.0510 0.9545 0.000 0.016 0.000 0.984 0.000
#> GSM87948 5 0.3741 0.5563 0.264 0.004 0.000 0.000 0.732
#> GSM87868 5 0.4299 0.2771 0.388 0.004 0.000 0.000 0.608
#> GSM87873 3 0.0566 0.9256 0.000 0.000 0.984 0.012 0.004
#> GSM87901 2 0.2852 0.5966 0.000 0.828 0.000 0.000 0.172
#> GSM87910 1 0.0290 0.9122 0.992 0.008 0.000 0.000 0.000
#> GSM87938 4 0.0162 0.9625 0.000 0.000 0.004 0.996 0.000
#> GSM87953 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87864 5 0.1943 0.7008 0.020 0.056 0.000 0.000 0.924
#> GSM87888 5 0.5251 -0.0838 0.000 0.456 0.004 0.036 0.504
#> GSM87897 2 0.1668 0.6479 0.000 0.940 0.000 0.032 0.028
#> GSM87935 4 0.0324 0.9624 0.000 0.000 0.004 0.992 0.004
#> GSM87944 5 0.4225 0.3459 0.364 0.004 0.000 0.000 0.632
#> GSM87854 2 0.5285 0.1227 0.000 0.548 0.016 0.024 0.412
#> GSM87878 5 0.2665 0.6977 0.036 0.052 0.008 0.004 0.900
#> GSM87907 2 0.6452 0.1716 0.000 0.500 0.340 0.152 0.008
#> GSM87921 2 0.2300 0.6422 0.000 0.904 0.000 0.024 0.072
#> GSM87925 4 0.0324 0.9624 0.000 0.000 0.004 0.992 0.004
#> GSM87957 5 0.3760 0.6516 0.188 0.028 0.000 0.000 0.784
#> GSM87859 3 0.0566 0.9256 0.000 0.000 0.984 0.012 0.004
#> GSM87883 1 0.4704 0.0870 0.508 0.000 0.008 0.004 0.480
#> GSM87892 3 0.0727 0.9255 0.000 0.004 0.980 0.012 0.004
#> GSM87930 4 0.0162 0.9625 0.000 0.000 0.004 0.996 0.000
#> GSM87949 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.3039 0.7572 0.808 0.000 0.000 0.000 0.192
#> GSM87874 3 0.0566 0.9256 0.000 0.000 0.984 0.012 0.004
#> GSM87902 2 0.2852 0.5966 0.000 0.828 0.000 0.000 0.172
#> GSM87911 2 0.3132 0.6076 0.000 0.820 0.000 0.008 0.172
#> GSM87939 4 0.0324 0.9624 0.000 0.000 0.004 0.992 0.004
#> GSM87954 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87865 5 0.1671 0.6910 0.000 0.076 0.000 0.000 0.924
#> GSM87889 5 0.3686 0.5470 0.000 0.204 0.012 0.004 0.780
#> GSM87898 2 0.4302 0.0114 0.000 0.520 0.000 0.000 0.480
#> GSM87915 1 0.1117 0.9032 0.964 0.020 0.000 0.000 0.016
#> GSM87936 4 0.0324 0.9624 0.000 0.000 0.004 0.992 0.004
#> GSM87945 3 0.0854 0.9238 0.000 0.008 0.976 0.012 0.004
#> GSM87855 3 0.1605 0.9147 0.000 0.040 0.944 0.012 0.004
#> GSM87879 2 0.5544 0.1106 0.000 0.492 0.008 0.048 0.452
#> GSM87922 2 0.5541 0.1706 0.000 0.496 0.004 0.444 0.056
#> GSM87926 4 0.0451 0.9588 0.000 0.008 0.000 0.988 0.004
#> GSM87958 1 0.0162 0.9130 0.996 0.000 0.000 0.000 0.004
#> GSM87860 3 0.3844 0.8227 0.000 0.144 0.808 0.040 0.008
#> GSM87884 1 0.4704 0.0870 0.508 0.000 0.008 0.004 0.480
#> GSM87893 3 0.0727 0.9255 0.000 0.004 0.980 0.012 0.004
#> GSM87918 2 0.2966 0.5882 0.000 0.816 0.000 0.000 0.184
#> GSM87931 4 0.0162 0.9625 0.000 0.000 0.004 0.996 0.000
#> GSM87950 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87870 5 0.2726 0.7053 0.052 0.064 0.000 0.000 0.884
#> GSM87875 3 0.3375 0.8637 0.000 0.096 0.852 0.012 0.040
#> GSM87903 2 0.1281 0.6451 0.000 0.956 0.000 0.032 0.012
#> GSM87912 1 0.0566 0.9111 0.984 0.012 0.000 0.000 0.004
#> GSM87940 4 0.0162 0.9625 0.000 0.000 0.004 0.996 0.000
#> GSM87866 5 0.2983 0.7049 0.076 0.056 0.000 0.000 0.868
#> GSM87899 2 0.3270 0.6107 0.000 0.852 0.100 0.044 0.004
#> GSM87937 4 0.0324 0.9624 0.000 0.000 0.004 0.992 0.004
#> GSM87946 1 0.3039 0.7572 0.808 0.000 0.000 0.000 0.192
#> GSM87856 3 0.3733 0.8103 0.000 0.160 0.804 0.004 0.032
#> GSM87880 5 0.5249 -0.0760 0.000 0.452 0.004 0.036 0.508
#> GSM87908 2 0.2929 0.5935 0.000 0.820 0.000 0.000 0.180
#> GSM87923 2 0.5899 0.2108 0.000 0.504 0.020 0.420 0.056
#> GSM87927 4 0.2389 0.8528 0.000 0.116 0.000 0.880 0.004
#> GSM87959 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.1605 0.9147 0.000 0.040 0.944 0.012 0.004
#> GSM87885 5 0.3686 0.5470 0.000 0.204 0.012 0.004 0.780
#> GSM87894 5 0.3242 0.7011 0.072 0.076 0.000 0.000 0.852
#> GSM87932 1 0.0865 0.9052 0.972 0.024 0.000 0.000 0.004
#> GSM87951 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.4446 0.0402 0.000 0.476 0.004 0.000 0.520
#> GSM87876 5 0.3686 0.5470 0.000 0.204 0.012 0.004 0.780
#> GSM87904 2 0.6207 0.1865 0.000 0.524 0.348 0.120 0.008
#> GSM87913 5 0.3593 0.6923 0.088 0.084 0.000 0.000 0.828
#> GSM87941 4 0.1041 0.9422 0.000 0.032 0.000 0.964 0.004
#> GSM87955 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87867 5 0.3480 0.5462 0.000 0.248 0.000 0.000 0.752
#> GSM87890 4 0.2621 0.8457 0.000 0.112 0.004 0.876 0.008
#> GSM87900 2 0.2036 0.6461 0.000 0.920 0.000 0.056 0.024
#> GSM87916 4 0.0703 0.9479 0.000 0.024 0.000 0.976 0.000
#> GSM87947 5 0.3715 0.5624 0.260 0.004 0.000 0.000 0.736
#> GSM87857 3 0.4755 0.7147 0.000 0.208 0.732 0.028 0.032
#> GSM87881 2 0.5821 0.2159 0.000 0.492 0.004 0.080 0.424
#> GSM87909 2 0.3003 0.5856 0.000 0.812 0.000 0.000 0.188
#> GSM87928 1 0.0865 0.9052 0.972 0.024 0.000 0.000 0.004
#> GSM87960 1 0.2732 0.7898 0.840 0.000 0.000 0.000 0.160
#> GSM87862 2 0.5768 0.4517 0.000 0.640 0.212 0.140 0.008
#> GSM87886 1 0.1569 0.8846 0.944 0.000 0.008 0.004 0.044
#> GSM87895 2 0.6545 0.1656 0.000 0.492 0.332 0.168 0.008
#> GSM87919 1 0.0290 0.9122 0.992 0.008 0.000 0.000 0.000
#> GSM87933 4 0.0162 0.9625 0.000 0.000 0.004 0.996 0.000
#> GSM87952 1 0.0000 0.9139 1.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.2806 0.6181 0.000 0.844 0.000 0.004 0.152
#> GSM87877 5 0.2150 0.7017 0.068 0.004 0.008 0.004 0.916
#> GSM87905 2 0.3210 0.5624 0.000 0.788 0.000 0.000 0.212
#> GSM87914 2 0.3615 0.6066 0.000 0.808 0.000 0.036 0.156
#> GSM87942 4 0.4177 0.7026 0.000 0.164 0.000 0.772 0.064
#> GSM87956 1 0.0000 0.9139 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
#> GSM87863 6 0.2685 0.73550 0.000 0.060 0.000 0.000 0.072 0.868
#> GSM87887 6 0.3284 0.67690 0.020 0.000 0.000 0.000 0.196 0.784
#> GSM87896 3 0.0551 0.91661 0.000 0.004 0.984 0.008 0.004 0.000
#> GSM87934 4 0.0000 0.95326 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 5 0.4362 0.16744 0.000 0.028 0.388 0.000 0.584 0.000
#> GSM87853 3 0.1194 0.90442 0.000 0.004 0.956 0.008 0.032 0.000
#> GSM87906 2 0.0909 0.79522 0.000 0.968 0.000 0.012 0.020 0.000
#> GSM87920 6 0.4834 0.51029 0.000 0.212 0.000 0.000 0.128 0.660
#> GSM87924 4 0.0798 0.94497 0.000 0.004 0.012 0.976 0.004 0.004
#> GSM87858 3 0.0551 0.91661 0.000 0.004 0.984 0.008 0.004 0.000
#> GSM87882 5 0.3718 0.62369 0.000 0.088 0.000 0.016 0.808 0.088
#> GSM87891 3 0.0551 0.91661 0.000 0.004 0.984 0.008 0.004 0.000
#> GSM87917 1 0.1668 0.89230 0.928 0.004 0.008 0.000 0.060 0.000
#> GSM87929 4 0.0260 0.94956 0.000 0.008 0.000 0.992 0.000 0.000
#> GSM87948 6 0.2402 0.80654 0.140 0.000 0.000 0.000 0.004 0.856
#> GSM87868 6 0.2135 0.80833 0.128 0.000 0.000 0.000 0.000 0.872
#> GSM87873 3 0.0260 0.91622 0.000 0.000 0.992 0.008 0.000 0.000
#> GSM87901 2 0.1194 0.79778 0.000 0.956 0.000 0.008 0.004 0.032
#> GSM87910 1 0.1668 0.89230 0.928 0.004 0.008 0.000 0.060 0.000
#> GSM87938 4 0.0000 0.95326 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0820 0.89406 0.972 0.000 0.000 0.000 0.016 0.012
#> GSM87864 6 0.1700 0.80060 0.012 0.024 0.000 0.000 0.028 0.936
#> GSM87888 5 0.4183 0.61920 0.000 0.104 0.000 0.016 0.768 0.112
#> GSM87897 2 0.0909 0.79599 0.000 0.968 0.000 0.012 0.020 0.000
#> GSM87935 4 0.0436 0.95124 0.000 0.004 0.000 0.988 0.004 0.004
#> GSM87944 6 0.2482 0.80177 0.148 0.000 0.000 0.000 0.004 0.848
#> GSM87854 5 0.4176 0.55043 0.000 0.160 0.000 0.008 0.752 0.080
#> GSM87878 6 0.3785 0.66307 0.012 0.028 0.000 0.000 0.196 0.764
#> GSM87907 2 0.6667 0.27581 0.000 0.496 0.128 0.080 0.292 0.004
#> GSM87921 2 0.1679 0.79553 0.000 0.936 0.000 0.012 0.036 0.016
#> GSM87925 4 0.0291 0.95222 0.000 0.000 0.000 0.992 0.004 0.004
#> GSM87957 6 0.3019 0.80314 0.128 0.012 0.000 0.000 0.020 0.840
#> GSM87859 3 0.0260 0.91622 0.000 0.000 0.992 0.008 0.000 0.000
#> GSM87883 6 0.3122 0.77437 0.176 0.000 0.000 0.000 0.020 0.804
#> GSM87892 3 0.0551 0.91661 0.000 0.004 0.984 0.008 0.004 0.000
#> GSM87930 4 0.0146 0.95225 0.000 0.004 0.000 0.996 0.000 0.000
#> GSM87949 1 0.1196 0.89349 0.952 0.000 0.008 0.000 0.040 0.000
#> GSM87869 6 0.3999 -0.06752 0.496 0.000 0.000 0.000 0.004 0.500
#> GSM87874 3 0.0260 0.91622 0.000 0.000 0.992 0.008 0.000 0.000
#> GSM87902 2 0.1194 0.79778 0.000 0.956 0.000 0.008 0.004 0.032
#> GSM87911 2 0.4497 0.54229 0.000 0.696 0.000 0.008 0.232 0.064
#> GSM87939 4 0.0000 0.95326 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0820 0.89406 0.972 0.000 0.000 0.000 0.016 0.012
#> GSM87865 6 0.1341 0.79172 0.000 0.024 0.000 0.000 0.028 0.948
#> GSM87889 5 0.5152 0.12739 0.000 0.084 0.000 0.000 0.468 0.448
#> GSM87898 2 0.3628 0.71060 0.032 0.816 0.000 0.000 0.040 0.112
#> GSM87915 1 0.2394 0.87445 0.900 0.020 0.000 0.000 0.048 0.032
#> GSM87936 4 0.0436 0.95124 0.000 0.004 0.000 0.988 0.004 0.004
#> GSM87945 3 0.2488 0.85012 0.000 0.004 0.864 0.008 0.124 0.000
#> GSM87855 3 0.2773 0.82374 0.000 0.004 0.836 0.008 0.152 0.000
#> GSM87879 5 0.3718 0.62369 0.000 0.088 0.000 0.016 0.808 0.088
#> GSM87922 5 0.5389 0.45769 0.000 0.140 0.000 0.204 0.636 0.020
#> GSM87926 4 0.0146 0.95174 0.000 0.004 0.000 0.996 0.000 0.000
#> GSM87958 1 0.1074 0.89006 0.960 0.000 0.000 0.000 0.012 0.028
#> GSM87860 3 0.4670 0.32683 0.000 0.028 0.580 0.012 0.380 0.000
#> GSM87884 6 0.3122 0.77437 0.176 0.000 0.000 0.000 0.020 0.804
#> GSM87893 3 0.0551 0.91661 0.000 0.004 0.984 0.008 0.004 0.000
#> GSM87918 2 0.2146 0.78827 0.000 0.908 0.000 0.004 0.044 0.044
#> GSM87931 4 0.0000 0.95326 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.1196 0.89349 0.952 0.000 0.008 0.000 0.040 0.000
#> GSM87870 6 0.1592 0.81005 0.020 0.032 0.000 0.000 0.008 0.940
#> GSM87875 5 0.4158 0.10436 0.000 0.008 0.416 0.004 0.572 0.000
#> GSM87903 2 0.0993 0.79389 0.000 0.964 0.000 0.012 0.024 0.000
#> GSM87912 1 0.2046 0.88113 0.916 0.008 0.000 0.000 0.044 0.032
#> GSM87940 4 0.0000 0.95326 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.1577 0.81631 0.036 0.016 0.000 0.000 0.008 0.940
#> GSM87899 2 0.3471 0.65009 0.000 0.784 0.020 0.008 0.188 0.000
#> GSM87937 4 0.0436 0.95124 0.000 0.004 0.000 0.988 0.004 0.004
#> GSM87946 1 0.4095 0.00781 0.512 0.000 0.000 0.000 0.008 0.480
#> GSM87856 5 0.4460 -0.01651 0.000 0.028 0.452 0.000 0.520 0.000
#> GSM87880 5 0.4183 0.61920 0.000 0.104 0.000 0.016 0.768 0.112
#> GSM87908 2 0.1675 0.79646 0.000 0.936 0.000 0.008 0.024 0.032
#> GSM87923 5 0.5073 0.48696 0.000 0.140 0.000 0.160 0.680 0.020
#> GSM87927 4 0.1882 0.89659 0.000 0.060 0.000 0.920 0.012 0.008
#> GSM87959 1 0.1340 0.89308 0.948 0.000 0.008 0.000 0.040 0.004
#> GSM87861 3 0.2445 0.85169 0.000 0.004 0.868 0.008 0.120 0.000
#> GSM87885 5 0.5153 0.11529 0.000 0.084 0.000 0.000 0.464 0.452
#> GSM87894 6 0.1577 0.81631 0.036 0.016 0.000 0.000 0.008 0.940
#> GSM87932 1 0.2891 0.85945 0.872 0.032 0.000 0.000 0.060 0.036
#> GSM87951 1 0.1196 0.89349 0.952 0.000 0.008 0.000 0.040 0.000
#> GSM87871 5 0.5110 0.52233 0.000 0.136 0.000 0.000 0.616 0.248
#> GSM87876 5 0.5153 0.11926 0.000 0.084 0.000 0.000 0.460 0.456
#> GSM87904 2 0.6428 0.13764 0.000 0.452 0.136 0.052 0.360 0.000
#> GSM87913 6 0.2318 0.81537 0.048 0.020 0.000 0.000 0.028 0.904
#> GSM87941 4 0.0984 0.94080 0.000 0.012 0.000 0.968 0.012 0.008
#> GSM87955 1 0.0363 0.89526 0.988 0.000 0.000 0.000 0.000 0.012
#> GSM87867 6 0.4143 0.58232 0.000 0.084 0.000 0.000 0.180 0.736
#> GSM87890 4 0.3885 0.51126 0.000 0.012 0.000 0.684 0.300 0.004
#> GSM87900 2 0.0820 0.79587 0.000 0.972 0.000 0.012 0.016 0.000
#> GSM87916 4 0.0508 0.94612 0.000 0.004 0.000 0.984 0.012 0.000
#> GSM87947 6 0.2402 0.80654 0.140 0.000 0.000 0.000 0.004 0.856
#> GSM87857 5 0.4594 0.12165 0.000 0.032 0.404 0.004 0.560 0.000
#> GSM87881 5 0.4264 0.61193 0.000 0.116 0.000 0.020 0.764 0.100
#> GSM87909 2 0.1857 0.79071 0.000 0.924 0.000 0.004 0.028 0.044
#> GSM87928 1 0.2950 0.85696 0.868 0.032 0.000 0.000 0.064 0.036
#> GSM87960 1 0.3915 0.23755 0.584 0.000 0.000 0.000 0.004 0.412
#> GSM87862 2 0.5945 0.19667 0.000 0.492 0.072 0.044 0.388 0.004
#> GSM87886 1 0.2830 0.78721 0.836 0.000 0.000 0.000 0.020 0.144
#> GSM87895 2 0.6725 0.27334 0.000 0.492 0.132 0.084 0.288 0.004
#> GSM87919 1 0.1668 0.89230 0.928 0.004 0.008 0.000 0.060 0.000
#> GSM87933 4 0.0000 0.95326 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.1196 0.89349 0.952 0.000 0.008 0.000 0.040 0.000
#> GSM87872 2 0.2766 0.73556 0.000 0.852 0.000 0.004 0.124 0.020
#> GSM87877 6 0.2752 0.76981 0.036 0.000 0.000 0.000 0.108 0.856
#> GSM87905 2 0.2457 0.77915 0.016 0.900 0.000 0.004 0.036 0.044
#> GSM87914 2 0.2222 0.78861 0.000 0.908 0.000 0.012 0.040 0.040
#> GSM87942 4 0.3984 0.65808 0.000 0.224 0.000 0.736 0.012 0.028
#> GSM87956 1 0.0363 0.89526 0.988 0.000 0.000 0.000 0.000 0.012
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 time(p) agent(p) individual(p) k
#> CV:kmeans 105 0.785 0.429 3.67e-05 2
#> CV:kmeans 98 0.785 0.146 2.77e-06 3
#> CV:kmeans 95 0.957 0.410 2.13e-17 4
#> CV:kmeans 90 0.865 0.256 1.55e-20 5
#> CV:kmeans 91 0.941 0.111 1.18e-21 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 108 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 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 1.000 0.955 0.983 0.5035 0.496 0.496
#> 3 3 0.938 0.932 0.971 0.2872 0.815 0.642
#> 4 4 0.854 0.885 0.938 0.0953 0.924 0.788
#> 5 5 0.895 0.882 0.945 0.0683 0.938 0.795
#> 6 6 0.895 0.864 0.924 0.0480 0.952 0.809
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
#> GSM87863 1 0.0000 0.9739 1.000 0.000
#> GSM87887 1 0.0000 0.9739 1.000 0.000
#> GSM87896 2 0.0000 0.9905 0.000 1.000
#> GSM87934 2 0.0000 0.9905 0.000 1.000
#> GSM87943 2 0.0000 0.9905 0.000 1.000
#> GSM87853 2 0.0000 0.9905 0.000 1.000
#> GSM87906 2 0.0000 0.9905 0.000 1.000
#> GSM87920 1 0.0000 0.9739 1.000 0.000
#> GSM87924 2 0.0000 0.9905 0.000 1.000
#> GSM87858 2 0.0000 0.9905 0.000 1.000
#> GSM87882 2 0.0000 0.9905 0.000 1.000
#> GSM87891 2 0.0000 0.9905 0.000 1.000
#> GSM87917 1 0.0000 0.9739 1.000 0.000
#> GSM87929 2 0.0000 0.9905 0.000 1.000
#> GSM87948 1 0.0000 0.9739 1.000 0.000
#> GSM87868 1 0.0000 0.9739 1.000 0.000
#> GSM87873 2 0.0000 0.9905 0.000 1.000
#> GSM87901 1 0.7453 0.7283 0.788 0.212
#> GSM87910 1 0.0000 0.9739 1.000 0.000
#> GSM87938 2 0.0000 0.9905 0.000 1.000
#> GSM87953 1 0.0000 0.9739 1.000 0.000
#> GSM87864 1 0.0000 0.9739 1.000 0.000
#> GSM87888 2 0.0000 0.9905 0.000 1.000
#> GSM87897 2 0.0000 0.9905 0.000 1.000
#> GSM87935 2 0.0000 0.9905 0.000 1.000
#> GSM87944 1 0.0000 0.9739 1.000 0.000
#> GSM87854 2 0.0000 0.9905 0.000 1.000
#> GSM87878 1 0.0000 0.9739 1.000 0.000
#> GSM87907 2 0.0000 0.9905 0.000 1.000
#> GSM87921 2 0.0000 0.9905 0.000 1.000
#> GSM87925 2 0.0000 0.9905 0.000 1.000
#> GSM87957 1 0.0000 0.9739 1.000 0.000
#> GSM87859 2 0.0000 0.9905 0.000 1.000
#> GSM87883 1 0.0000 0.9739 1.000 0.000
#> GSM87892 2 0.0000 0.9905 0.000 1.000
#> GSM87930 2 0.0000 0.9905 0.000 1.000
#> GSM87949 1 0.0000 0.9739 1.000 0.000
#> GSM87869 1 0.0000 0.9739 1.000 0.000
#> GSM87874 2 0.0000 0.9905 0.000 1.000
#> GSM87902 1 0.7602 0.7162 0.780 0.220
#> GSM87911 2 0.0672 0.9824 0.008 0.992
#> GSM87939 2 0.0000 0.9905 0.000 1.000
#> GSM87954 1 0.0000 0.9739 1.000 0.000
#> GSM87865 1 0.0000 0.9739 1.000 0.000
#> GSM87889 1 0.0000 0.9739 1.000 0.000
#> GSM87898 1 0.0000 0.9739 1.000 0.000
#> GSM87915 1 0.0000 0.9739 1.000 0.000
#> GSM87936 2 0.0000 0.9905 0.000 1.000
#> GSM87945 2 0.0000 0.9905 0.000 1.000
#> GSM87855 2 0.0000 0.9905 0.000 1.000
#> GSM87879 2 0.0000 0.9905 0.000 1.000
#> GSM87922 2 0.0000 0.9905 0.000 1.000
#> GSM87926 2 0.0000 0.9905 0.000 1.000
#> GSM87958 1 0.0000 0.9739 1.000 0.000
#> GSM87860 2 0.0000 0.9905 0.000 1.000
#> GSM87884 1 0.0000 0.9739 1.000 0.000
#> GSM87893 2 0.0000 0.9905 0.000 1.000
#> GSM87918 1 0.0000 0.9739 1.000 0.000
#> GSM87931 2 0.0000 0.9905 0.000 1.000
#> GSM87950 1 0.0000 0.9739 1.000 0.000
#> GSM87870 1 0.0000 0.9739 1.000 0.000
#> GSM87875 2 0.0000 0.9905 0.000 1.000
#> GSM87903 2 0.0000 0.9905 0.000 1.000
#> GSM87912 1 0.0000 0.9739 1.000 0.000
#> GSM87940 2 0.0000 0.9905 0.000 1.000
#> GSM87866 1 0.0000 0.9739 1.000 0.000
#> GSM87899 2 0.0000 0.9905 0.000 1.000
#> GSM87937 2 0.0000 0.9905 0.000 1.000
#> GSM87946 1 0.0000 0.9739 1.000 0.000
#> GSM87856 2 0.0000 0.9905 0.000 1.000
#> GSM87880 2 0.0000 0.9905 0.000 1.000
#> GSM87908 1 0.0000 0.9739 1.000 0.000
#> GSM87923 2 0.0000 0.9905 0.000 1.000
#> GSM87927 2 0.0000 0.9905 0.000 1.000
#> GSM87959 1 0.0000 0.9739 1.000 0.000
#> GSM87861 2 0.0000 0.9905 0.000 1.000
#> GSM87885 1 0.0000 0.9739 1.000 0.000
#> GSM87894 1 0.0000 0.9739 1.000 0.000
#> GSM87932 1 0.0000 0.9739 1.000 0.000
#> GSM87951 1 0.0000 0.9739 1.000 0.000
#> GSM87871 1 0.9732 0.3236 0.596 0.404
#> GSM87876 1 0.0000 0.9739 1.000 0.000
#> GSM87904 2 0.0000 0.9905 0.000 1.000
#> GSM87913 1 0.0000 0.9739 1.000 0.000
#> GSM87941 2 0.0000 0.9905 0.000 1.000
#> GSM87955 1 0.0000 0.9739 1.000 0.000
#> GSM87867 1 0.0000 0.9739 1.000 0.000
#> GSM87890 2 0.0000 0.9905 0.000 1.000
#> GSM87900 2 0.0000 0.9905 0.000 1.000
#> GSM87916 2 0.0000 0.9905 0.000 1.000
#> GSM87947 1 0.0000 0.9739 1.000 0.000
#> GSM87857 2 0.0000 0.9905 0.000 1.000
#> GSM87881 2 0.0000 0.9905 0.000 1.000
#> GSM87909 1 0.0000 0.9739 1.000 0.000
#> GSM87928 1 0.0000 0.9739 1.000 0.000
#> GSM87960 1 0.0000 0.9739 1.000 0.000
#> GSM87862 2 0.0000 0.9905 0.000 1.000
#> GSM87886 1 0.0000 0.9739 1.000 0.000
#> GSM87895 2 0.0000 0.9905 0.000 1.000
#> GSM87919 1 0.0000 0.9739 1.000 0.000
#> GSM87933 2 0.0000 0.9905 0.000 1.000
#> GSM87952 1 0.0000 0.9739 1.000 0.000
#> GSM87872 2 0.0000 0.9905 0.000 1.000
#> GSM87877 1 0.0000 0.9739 1.000 0.000
#> GSM87905 1 0.0000 0.9739 1.000 0.000
#> GSM87914 1 0.9954 0.1644 0.540 0.460
#> GSM87942 2 0.9998 -0.0226 0.492 0.508
#> GSM87956 1 0.0000 0.9739 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87887 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87896 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87934 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87943 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87853 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87906 3 0.4887 0.708 0.000 0.228 0.772
#> GSM87920 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87924 2 0.4555 0.759 0.000 0.800 0.200
#> GSM87858 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87882 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87891 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87929 2 0.0000 0.944 0.000 1.000 0.000
#> GSM87948 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87868 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87901 2 0.6140 0.324 0.404 0.596 0.000
#> GSM87910 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87938 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87953 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87864 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87888 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87897 3 0.4121 0.785 0.000 0.168 0.832
#> GSM87935 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87944 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87854 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87878 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87907 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87921 2 0.0000 0.944 0.000 1.000 0.000
#> GSM87925 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87957 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87930 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87949 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87902 3 0.6529 0.407 0.368 0.012 0.620
#> GSM87911 3 0.4974 0.696 0.000 0.236 0.764
#> GSM87939 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87954 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87865 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87889 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87898 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87915 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87936 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87945 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87855 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87879 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87922 3 0.6244 0.146 0.000 0.440 0.560
#> GSM87926 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87958 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87860 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87884 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87918 1 0.4452 0.751 0.808 0.192 0.000
#> GSM87931 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87950 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87870 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87875 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87903 3 0.0237 0.942 0.000 0.004 0.996
#> GSM87912 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87940 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87866 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87899 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87937 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87946 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87856 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87880 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87908 1 0.1399 0.963 0.968 0.004 0.028
#> GSM87923 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87927 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87959 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87861 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87885 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87894 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87932 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87871 3 0.4605 0.707 0.204 0.000 0.796
#> GSM87876 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87904 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87913 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87941 2 0.0000 0.944 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87867 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87890 2 0.4842 0.727 0.000 0.776 0.224
#> GSM87900 2 0.0000 0.944 0.000 1.000 0.000
#> GSM87916 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87947 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87857 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87881 2 0.4842 0.727 0.000 0.776 0.224
#> GSM87909 1 0.0237 0.992 0.996 0.004 0.000
#> GSM87928 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87862 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87886 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87895 3 0.0000 0.945 0.000 0.000 1.000
#> GSM87919 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87933 2 0.0237 0.946 0.000 0.996 0.004
#> GSM87952 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87872 2 0.3192 0.856 0.000 0.888 0.112
#> GSM87877 1 0.0000 0.995 1.000 0.000 0.000
#> GSM87905 1 0.0237 0.992 0.996 0.004 0.000
#> GSM87914 2 0.0000 0.944 0.000 1.000 0.000
#> GSM87942 2 0.0000 0.944 0.000 1.000 0.000
#> GSM87956 1 0.0000 0.995 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.0707 0.959 0.980 0.020 0.000 0.000
#> GSM87887 1 0.2469 0.883 0.892 0.108 0.000 0.000
#> GSM87896 3 0.0336 0.926 0.000 0.008 0.992 0.000
#> GSM87934 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87943 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87906 2 0.3626 0.761 0.000 0.812 0.184 0.004
#> GSM87920 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87924 4 0.2345 0.847 0.000 0.000 0.100 0.900
#> GSM87858 3 0.0188 0.927 0.000 0.004 0.996 0.000
#> GSM87882 3 0.3219 0.803 0.000 0.164 0.836 0.000
#> GSM87891 3 0.0336 0.926 0.000 0.008 0.992 0.000
#> GSM87917 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87929 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87948 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87868 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87873 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87901 2 0.4547 0.749 0.056 0.816 0.012 0.116
#> GSM87910 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87864 1 0.0336 0.968 0.992 0.008 0.000 0.000
#> GSM87888 3 0.3400 0.788 0.000 0.180 0.820 0.000
#> GSM87897 2 0.3626 0.761 0.000 0.812 0.184 0.004
#> GSM87935 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87944 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87854 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87878 1 0.2081 0.902 0.916 0.084 0.000 0.000
#> GSM87907 3 0.0336 0.926 0.000 0.008 0.992 0.000
#> GSM87921 2 0.4916 0.313 0.000 0.576 0.000 0.424
#> GSM87925 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87957 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87883 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87892 3 0.0336 0.926 0.000 0.008 0.992 0.000
#> GSM87930 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87949 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87874 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87902 2 0.4100 0.782 0.036 0.816 0.148 0.000
#> GSM87911 2 0.5888 0.358 0.000 0.540 0.424 0.036
#> GSM87939 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87954 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87865 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87889 1 0.3444 0.801 0.816 0.184 0.000 0.000
#> GSM87898 2 0.3649 0.743 0.204 0.796 0.000 0.000
#> GSM87915 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87936 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87945 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87855 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87879 3 0.3219 0.803 0.000 0.164 0.836 0.000
#> GSM87922 3 0.4761 0.393 0.000 0.000 0.628 0.372
#> GSM87926 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87958 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87860 3 0.0188 0.927 0.000 0.004 0.996 0.000
#> GSM87884 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87893 3 0.0188 0.927 0.000 0.004 0.996 0.000
#> GSM87918 1 0.5690 0.574 0.708 0.196 0.000 0.096
#> GSM87931 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87950 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87870 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87875 3 0.0188 0.926 0.000 0.004 0.996 0.000
#> GSM87903 2 0.3837 0.725 0.000 0.776 0.224 0.000
#> GSM87912 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87940 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87866 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87899 3 0.4406 0.488 0.000 0.300 0.700 0.000
#> GSM87937 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87946 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87856 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87880 3 0.3400 0.788 0.000 0.180 0.820 0.000
#> GSM87908 2 0.4139 0.780 0.144 0.816 0.040 0.000
#> GSM87923 3 0.0592 0.916 0.000 0.000 0.984 0.016
#> GSM87927 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87959 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87885 1 0.3444 0.801 0.816 0.184 0.000 0.000
#> GSM87894 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87932 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87951 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87871 3 0.6236 0.561 0.152 0.180 0.668 0.000
#> GSM87876 1 0.3444 0.801 0.816 0.184 0.000 0.000
#> GSM87904 3 0.0336 0.926 0.000 0.008 0.992 0.000
#> GSM87913 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87941 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87955 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87867 1 0.1302 0.941 0.956 0.044 0.000 0.000
#> GSM87890 4 0.4175 0.698 0.000 0.016 0.200 0.784
#> GSM87900 2 0.3725 0.690 0.000 0.812 0.008 0.180
#> GSM87916 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87947 1 0.0188 0.970 0.996 0.004 0.000 0.000
#> GSM87857 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87881 4 0.6476 0.553 0.000 0.180 0.176 0.644
#> GSM87909 2 0.3486 0.756 0.188 0.812 0.000 0.000
#> GSM87928 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87960 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87862 3 0.0336 0.926 0.000 0.008 0.992 0.000
#> GSM87886 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87895 3 0.0336 0.926 0.000 0.008 0.992 0.000
#> GSM87919 1 0.0188 0.969 0.996 0.004 0.000 0.000
#> GSM87933 4 0.0000 0.948 0.000 0.000 0.000 1.000
#> GSM87952 1 0.0000 0.971 1.000 0.000 0.000 0.000
#> GSM87872 4 0.2124 0.902 0.000 0.040 0.028 0.932
#> GSM87877 1 0.0817 0.957 0.976 0.024 0.000 0.000
#> GSM87905 2 0.3528 0.753 0.192 0.808 0.000 0.000
#> GSM87914 4 0.3052 0.818 0.004 0.136 0.000 0.860
#> GSM87942 4 0.1389 0.913 0.000 0.048 0.000 0.952
#> GSM87956 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
#> GSM87863 1 0.4380 0.673 0.708 0.032 0.000 0.000 0.260
#> GSM87887 1 0.4114 0.480 0.624 0.000 0.000 0.000 0.376
#> GSM87896 3 0.0162 0.957 0.000 0.004 0.996 0.000 0.000
#> GSM87934 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87943 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87853 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.0880 0.943 0.000 0.968 0.032 0.000 0.000
#> GSM87920 1 0.0324 0.939 0.992 0.004 0.000 0.000 0.004
#> GSM87924 4 0.2471 0.788 0.000 0.000 0.136 0.864 0.000
#> GSM87858 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87882 5 0.3999 0.545 0.000 0.000 0.344 0.000 0.656
#> GSM87891 3 0.0162 0.957 0.000 0.004 0.996 0.000 0.000
#> GSM87917 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87929 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87948 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87868 1 0.2300 0.891 0.904 0.024 0.000 0.000 0.072
#> GSM87873 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87901 2 0.0740 0.948 0.004 0.980 0.008 0.008 0.000
#> GSM87910 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87938 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87864 1 0.2932 0.862 0.864 0.032 0.000 0.000 0.104
#> GSM87888 5 0.1478 0.846 0.000 0.000 0.064 0.000 0.936
#> GSM87897 2 0.0880 0.943 0.000 0.968 0.032 0.000 0.000
#> GSM87935 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87944 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87854 3 0.0566 0.946 0.000 0.012 0.984 0.000 0.004
#> GSM87878 1 0.3774 0.595 0.704 0.000 0.000 0.000 0.296
#> GSM87907 3 0.0162 0.957 0.000 0.004 0.996 0.000 0.000
#> GSM87921 4 0.4101 0.393 0.000 0.372 0.000 0.628 0.000
#> GSM87925 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87957 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87883 1 0.0404 0.937 0.988 0.000 0.000 0.000 0.012
#> GSM87892 3 0.0162 0.957 0.000 0.004 0.996 0.000 0.000
#> GSM87930 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.1012 0.927 0.968 0.020 0.000 0.000 0.012
#> GSM87874 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87902 2 0.0671 0.949 0.004 0.980 0.016 0.000 0.000
#> GSM87911 3 0.5107 0.441 0.004 0.316 0.632 0.048 0.000
#> GSM87939 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87865 1 0.2984 0.858 0.860 0.032 0.000 0.000 0.108
#> GSM87889 5 0.0609 0.842 0.020 0.000 0.000 0.000 0.980
#> GSM87898 2 0.2233 0.834 0.104 0.892 0.000 0.000 0.004
#> GSM87915 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87936 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.3561 0.682 0.000 0.000 0.260 0.000 0.740
#> GSM87922 3 0.4171 0.315 0.000 0.000 0.604 0.396 0.000
#> GSM87926 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87884 1 0.0290 0.938 0.992 0.000 0.000 0.000 0.008
#> GSM87893 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87918 1 0.3425 0.806 0.840 0.112 0.000 0.044 0.004
#> GSM87931 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87870 1 0.2712 0.874 0.880 0.032 0.000 0.000 0.088
#> GSM87875 3 0.0404 0.949 0.000 0.000 0.988 0.000 0.012
#> GSM87903 2 0.1792 0.885 0.000 0.916 0.084 0.000 0.000
#> GSM87912 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87940 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87866 1 0.2712 0.874 0.880 0.032 0.000 0.000 0.088
#> GSM87899 3 0.0609 0.944 0.000 0.020 0.980 0.000 0.000
#> GSM87937 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87946 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87856 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87880 5 0.1270 0.851 0.000 0.000 0.052 0.000 0.948
#> GSM87908 2 0.0162 0.942 0.004 0.996 0.000 0.000 0.000
#> GSM87923 3 0.0703 0.935 0.000 0.000 0.976 0.024 0.000
#> GSM87927 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87885 5 0.0510 0.843 0.016 0.000 0.000 0.000 0.984
#> GSM87894 1 0.2450 0.886 0.896 0.028 0.000 0.000 0.076
#> GSM87932 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87951 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.1668 0.831 0.000 0.032 0.028 0.000 0.940
#> GSM87876 5 0.0162 0.842 0.004 0.000 0.000 0.000 0.996
#> GSM87904 3 0.0162 0.957 0.000 0.004 0.996 0.000 0.000
#> GSM87913 1 0.0566 0.936 0.984 0.012 0.000 0.000 0.004
#> GSM87941 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87867 1 0.4974 0.369 0.560 0.032 0.000 0.000 0.408
#> GSM87890 4 0.4808 0.636 0.000 0.000 0.168 0.724 0.108
#> GSM87900 2 0.1012 0.941 0.000 0.968 0.012 0.020 0.000
#> GSM87916 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87947 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87857 3 0.0000 0.958 0.000 0.000 1.000 0.000 0.000
#> GSM87881 5 0.2358 0.784 0.000 0.000 0.008 0.104 0.888
#> GSM87909 2 0.0955 0.939 0.028 0.968 0.000 0.000 0.004
#> GSM87928 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87960 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87862 3 0.0162 0.957 0.000 0.004 0.996 0.000 0.000
#> GSM87886 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87895 3 0.0162 0.957 0.000 0.004 0.996 0.000 0.000
#> GSM87919 1 0.0162 0.940 0.996 0.000 0.000 0.000 0.004
#> GSM87933 4 0.0000 0.931 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.0000 0.941 1.000 0.000 0.000 0.000 0.000
#> GSM87872 4 0.5006 0.468 0.000 0.048 0.000 0.624 0.328
#> GSM87877 1 0.0880 0.928 0.968 0.000 0.000 0.000 0.032
#> GSM87905 2 0.0955 0.939 0.028 0.968 0.000 0.000 0.004
#> GSM87914 4 0.3080 0.818 0.020 0.124 0.000 0.852 0.004
#> GSM87942 4 0.1357 0.896 0.000 0.048 0.000 0.948 0.004
#> GSM87956 1 0.0000 0.941 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
#> GSM87863 6 0.3766 0.851 0.232 0.000 0.000 0.000 0.032 0.736
#> GSM87887 1 0.3592 0.579 0.740 0.000 0.000 0.000 0.240 0.020
#> GSM87896 3 0.0622 0.938 0.000 0.012 0.980 0.000 0.000 0.008
#> GSM87934 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 3 0.0692 0.937 0.000 0.000 0.976 0.000 0.004 0.020
#> GSM87853 3 0.0547 0.938 0.000 0.000 0.980 0.000 0.000 0.020
#> GSM87906 2 0.0405 0.964 0.000 0.988 0.000 0.000 0.004 0.008
#> GSM87920 1 0.3265 0.644 0.748 0.000 0.000 0.000 0.004 0.248
#> GSM87924 4 0.2454 0.763 0.000 0.000 0.160 0.840 0.000 0.000
#> GSM87858 3 0.0146 0.940 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87882 5 0.1814 0.874 0.000 0.000 0.100 0.000 0.900 0.000
#> GSM87891 3 0.0622 0.938 0.000 0.012 0.980 0.000 0.000 0.008
#> GSM87917 1 0.0632 0.913 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87929 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87948 1 0.0146 0.922 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87868 6 0.3695 0.750 0.376 0.000 0.000 0.000 0.000 0.624
#> GSM87873 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0146 0.966 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM87910 1 0.0260 0.921 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87938 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0146 0.923 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87864 6 0.3221 0.873 0.264 0.000 0.000 0.000 0.000 0.736
#> GSM87888 5 0.0363 0.958 0.000 0.000 0.012 0.000 0.988 0.000
#> GSM87897 2 0.0146 0.966 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87935 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87944 1 0.0146 0.922 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87854 3 0.1588 0.901 0.000 0.000 0.924 0.000 0.004 0.072
#> GSM87878 1 0.3201 0.655 0.780 0.000 0.000 0.000 0.208 0.012
#> GSM87907 3 0.0891 0.934 0.000 0.024 0.968 0.000 0.000 0.008
#> GSM87921 4 0.5790 0.385 0.000 0.248 0.000 0.544 0.008 0.200
#> GSM87925 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87957 1 0.0146 0.922 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87859 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 1 0.0547 0.911 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM87892 3 0.0622 0.938 0.000 0.012 0.980 0.000 0.000 0.008
#> GSM87930 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.3868 -0.492 0.504 0.000 0.000 0.000 0.000 0.496
#> GSM87874 3 0.0508 0.939 0.000 0.000 0.984 0.000 0.004 0.012
#> GSM87902 2 0.0146 0.966 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM87911 3 0.6695 0.281 0.000 0.216 0.488 0.036 0.012 0.248
#> GSM87939 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0146 0.923 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87865 6 0.3221 0.873 0.264 0.000 0.000 0.000 0.000 0.736
#> GSM87889 5 0.0508 0.955 0.004 0.000 0.000 0.000 0.984 0.012
#> GSM87898 2 0.2052 0.898 0.056 0.912 0.000 0.000 0.004 0.028
#> GSM87915 1 0.0632 0.913 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87936 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87945 3 0.0692 0.937 0.000 0.000 0.976 0.000 0.004 0.020
#> GSM87855 3 0.0547 0.938 0.000 0.000 0.980 0.000 0.000 0.020
#> GSM87879 5 0.1327 0.916 0.000 0.000 0.064 0.000 0.936 0.000
#> GSM87922 3 0.5473 0.293 0.000 0.000 0.536 0.348 0.008 0.108
#> GSM87926 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87884 1 0.0260 0.920 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87893 3 0.0405 0.940 0.000 0.004 0.988 0.000 0.000 0.008
#> GSM87918 1 0.4096 0.636 0.748 0.036 0.000 0.012 0.004 0.200
#> GSM87931 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87870 6 0.3244 0.873 0.268 0.000 0.000 0.000 0.000 0.732
#> GSM87875 3 0.0692 0.937 0.000 0.000 0.976 0.000 0.004 0.020
#> GSM87903 2 0.1477 0.917 0.000 0.940 0.048 0.000 0.004 0.008
#> GSM87912 1 0.0632 0.913 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87940 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.3244 0.873 0.268 0.000 0.000 0.000 0.000 0.732
#> GSM87899 3 0.0972 0.932 0.000 0.028 0.964 0.000 0.000 0.008
#> GSM87937 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87946 1 0.0146 0.922 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87856 3 0.0692 0.937 0.000 0.000 0.976 0.000 0.004 0.020
#> GSM87880 5 0.0363 0.958 0.000 0.000 0.012 0.000 0.988 0.000
#> GSM87908 2 0.0508 0.961 0.000 0.984 0.000 0.000 0.004 0.012
#> GSM87923 3 0.2062 0.880 0.000 0.000 0.900 0.004 0.008 0.088
#> GSM87927 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87959 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.940 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0508 0.955 0.004 0.000 0.000 0.000 0.984 0.012
#> GSM87894 6 0.3774 0.689 0.408 0.000 0.000 0.000 0.000 0.592
#> GSM87932 1 0.0713 0.910 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM87951 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 6 0.3314 0.400 0.000 0.000 0.004 0.000 0.256 0.740
#> GSM87876 5 0.0458 0.954 0.000 0.000 0.000 0.000 0.984 0.016
#> GSM87904 3 0.0806 0.936 0.000 0.020 0.972 0.000 0.000 0.008
#> GSM87913 1 0.2178 0.810 0.868 0.000 0.000 0.000 0.000 0.132
#> GSM87941 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87955 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.4143 0.790 0.180 0.000 0.000 0.000 0.084 0.736
#> GSM87890 4 0.4469 0.628 0.000 0.000 0.076 0.700 0.220 0.004
#> GSM87900 2 0.0291 0.965 0.000 0.992 0.000 0.000 0.004 0.004
#> GSM87916 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87947 1 0.0146 0.922 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87857 3 0.0363 0.940 0.000 0.000 0.988 0.000 0.000 0.012
#> GSM87881 5 0.0458 0.949 0.000 0.000 0.000 0.016 0.984 0.000
#> GSM87909 2 0.1296 0.951 0.012 0.952 0.000 0.000 0.004 0.032
#> GSM87928 1 0.0790 0.907 0.968 0.000 0.000 0.000 0.000 0.032
#> GSM87960 1 0.0146 0.922 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87862 3 0.0891 0.934 0.000 0.024 0.968 0.000 0.000 0.008
#> GSM87886 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87895 3 0.0891 0.934 0.000 0.024 0.968 0.000 0.000 0.008
#> GSM87919 1 0.0632 0.913 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87933 4 0.0000 0.924 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0000 0.923 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87872 4 0.5903 0.579 0.000 0.096 0.000 0.632 0.136 0.136
#> GSM87877 1 0.0291 0.921 0.992 0.000 0.000 0.000 0.004 0.004
#> GSM87905 2 0.1296 0.951 0.012 0.952 0.000 0.000 0.004 0.032
#> GSM87914 4 0.5121 0.681 0.068 0.068 0.000 0.696 0.000 0.168
#> GSM87942 4 0.1794 0.877 0.000 0.036 0.000 0.924 0.000 0.040
#> GSM87956 1 0.0000 0.923 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 time(p) agent(p) individual(p) k
#> CV:skmeans 105 0.826 0.410 2.10e-04 2
#> CV:skmeans 105 0.603 0.750 3.71e-13 3
#> CV:skmeans 104 0.965 0.369 4.08e-22 4
#> CV:skmeans 102 0.985 0.699 8.54e-28 5
#> CV:skmeans 103 0.999 0.230 1.05e-33 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 108 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 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 0.749 0.875 0.947 0.4817 0.509 0.509
#> 3 3 0.608 0.812 0.892 0.3452 0.669 0.438
#> 4 4 0.762 0.869 0.930 0.1136 0.929 0.793
#> 5 5 0.773 0.678 0.839 0.1004 0.818 0.460
#> 6 6 0.908 0.854 0.940 0.0526 0.900 0.579
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
#> GSM87863 1 0.0376 0.917 0.996 0.004
#> GSM87887 1 0.0000 0.920 1.000 0.000
#> GSM87896 2 0.0000 0.953 0.000 1.000
#> GSM87934 2 0.0000 0.953 0.000 1.000
#> GSM87943 2 0.4298 0.882 0.088 0.912
#> GSM87853 2 0.0000 0.953 0.000 1.000
#> GSM87906 2 0.0000 0.953 0.000 1.000
#> GSM87920 1 0.9170 0.528 0.668 0.332
#> GSM87924 2 0.0000 0.953 0.000 1.000
#> GSM87858 2 0.0000 0.953 0.000 1.000
#> GSM87882 2 0.0000 0.953 0.000 1.000
#> GSM87891 2 0.0000 0.953 0.000 1.000
#> GSM87917 1 0.0000 0.920 1.000 0.000
#> GSM87929 2 0.0000 0.953 0.000 1.000
#> GSM87948 1 0.0000 0.920 1.000 0.000
#> GSM87868 1 0.0000 0.920 1.000 0.000
#> GSM87873 2 0.0000 0.953 0.000 1.000
#> GSM87901 2 0.8386 0.638 0.268 0.732
#> GSM87910 1 0.0000 0.920 1.000 0.000
#> GSM87938 2 0.0000 0.953 0.000 1.000
#> GSM87953 1 0.0000 0.920 1.000 0.000
#> GSM87864 1 0.0000 0.920 1.000 0.000
#> GSM87888 2 0.0672 0.948 0.008 0.992
#> GSM87897 2 0.0000 0.953 0.000 1.000
#> GSM87935 2 0.0000 0.953 0.000 1.000
#> GSM87944 1 0.0000 0.920 1.000 0.000
#> GSM87854 2 0.5842 0.829 0.140 0.860
#> GSM87878 1 0.0000 0.920 1.000 0.000
#> GSM87907 2 0.0000 0.953 0.000 1.000
#> GSM87921 2 0.0000 0.953 0.000 1.000
#> GSM87925 2 0.0000 0.953 0.000 1.000
#> GSM87957 1 0.0000 0.920 1.000 0.000
#> GSM87859 2 0.0000 0.953 0.000 1.000
#> GSM87883 1 0.0000 0.920 1.000 0.000
#> GSM87892 2 0.0000 0.953 0.000 1.000
#> GSM87930 2 0.0000 0.953 0.000 1.000
#> GSM87949 1 0.0000 0.920 1.000 0.000
#> GSM87869 1 0.0000 0.920 1.000 0.000
#> GSM87874 2 0.0000 0.953 0.000 1.000
#> GSM87902 2 0.7139 0.757 0.196 0.804
#> GSM87911 2 0.5842 0.829 0.140 0.860
#> GSM87939 2 0.0000 0.953 0.000 1.000
#> GSM87954 1 0.0000 0.920 1.000 0.000
#> GSM87865 1 0.0000 0.920 1.000 0.000
#> GSM87889 1 0.9661 0.397 0.608 0.392
#> GSM87898 1 0.8499 0.625 0.724 0.276
#> GSM87915 1 0.0000 0.920 1.000 0.000
#> GSM87936 2 0.0000 0.953 0.000 1.000
#> GSM87945 2 0.0000 0.953 0.000 1.000
#> GSM87855 2 0.0000 0.953 0.000 1.000
#> GSM87879 2 0.0000 0.953 0.000 1.000
#> GSM87922 2 0.0000 0.953 0.000 1.000
#> GSM87926 2 0.0000 0.953 0.000 1.000
#> GSM87958 1 0.0000 0.920 1.000 0.000
#> GSM87860 2 0.0000 0.953 0.000 1.000
#> GSM87884 1 0.0000 0.920 1.000 0.000
#> GSM87893 2 0.0000 0.953 0.000 1.000
#> GSM87918 2 0.9661 0.311 0.392 0.608
#> GSM87931 2 0.0000 0.953 0.000 1.000
#> GSM87950 1 0.0000 0.920 1.000 0.000
#> GSM87870 1 0.0000 0.920 1.000 0.000
#> GSM87875 2 0.0000 0.953 0.000 1.000
#> GSM87903 2 0.0000 0.953 0.000 1.000
#> GSM87912 1 0.0000 0.920 1.000 0.000
#> GSM87940 2 0.0000 0.953 0.000 1.000
#> GSM87866 1 0.0000 0.920 1.000 0.000
#> GSM87899 2 0.0000 0.953 0.000 1.000
#> GSM87937 2 0.0000 0.953 0.000 1.000
#> GSM87946 1 0.0000 0.920 1.000 0.000
#> GSM87856 2 0.5294 0.850 0.120 0.880
#> GSM87880 2 0.5408 0.846 0.124 0.876
#> GSM87908 2 0.5629 0.838 0.132 0.868
#> GSM87923 2 0.0000 0.953 0.000 1.000
#> GSM87927 2 0.0000 0.953 0.000 1.000
#> GSM87959 1 0.0000 0.920 1.000 0.000
#> GSM87861 2 0.0000 0.953 0.000 1.000
#> GSM87885 1 0.9635 0.407 0.612 0.388
#> GSM87894 1 0.0000 0.920 1.000 0.000
#> GSM87932 1 0.8555 0.619 0.720 0.280
#> GSM87951 1 0.0000 0.920 1.000 0.000
#> GSM87871 2 0.8661 0.600 0.288 0.712
#> GSM87876 1 0.9710 0.377 0.600 0.400
#> GSM87904 2 0.0000 0.953 0.000 1.000
#> GSM87913 1 0.0000 0.920 1.000 0.000
#> GSM87941 2 0.0000 0.953 0.000 1.000
#> GSM87955 1 0.0000 0.920 1.000 0.000
#> GSM87867 1 0.9710 0.377 0.600 0.400
#> GSM87890 2 0.0000 0.953 0.000 1.000
#> GSM87900 2 0.0000 0.953 0.000 1.000
#> GSM87916 2 0.0000 0.953 0.000 1.000
#> GSM87947 1 0.0000 0.920 1.000 0.000
#> GSM87857 2 0.0000 0.953 0.000 1.000
#> GSM87881 2 0.0000 0.953 0.000 1.000
#> GSM87909 2 0.9323 0.464 0.348 0.652
#> GSM87928 1 0.8555 0.619 0.720 0.280
#> GSM87960 1 0.0000 0.920 1.000 0.000
#> GSM87862 2 0.0000 0.953 0.000 1.000
#> GSM87886 1 0.0000 0.920 1.000 0.000
#> GSM87895 2 0.0000 0.953 0.000 1.000
#> GSM87919 1 0.0000 0.920 1.000 0.000
#> GSM87933 2 0.0000 0.953 0.000 1.000
#> GSM87952 1 0.0000 0.920 1.000 0.000
#> GSM87872 2 0.2778 0.916 0.048 0.952
#> GSM87877 1 0.0000 0.920 1.000 0.000
#> GSM87905 1 0.9850 0.286 0.572 0.428
#> GSM87914 2 0.4562 0.872 0.096 0.904
#> GSM87942 2 0.6973 0.755 0.188 0.812
#> GSM87956 1 0.0000 0.920 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87887 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87896 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87934 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87943 2 0.4842 0.7246 0.000 0.776 0.224
#> GSM87853 3 0.6154 0.0852 0.000 0.408 0.592
#> GSM87906 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87920 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87924 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87858 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87882 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87929 3 0.6126 0.6263 0.000 0.400 0.600
#> GSM87948 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87868 1 0.4654 0.6952 0.792 0.208 0.000
#> GSM87873 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87901 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87910 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87938 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87953 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87864 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87888 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87935 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87944 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87854 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87878 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87907 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87921 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87925 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87957 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87930 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87949 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87902 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87911 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87939 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87954 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87865 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87889 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87898 1 0.6295 0.1683 0.528 0.472 0.000
#> GSM87915 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87936 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87945 3 0.3412 0.6953 0.000 0.124 0.876
#> GSM87855 2 0.6126 0.4595 0.000 0.600 0.400
#> GSM87879 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87922 3 0.6140 0.6075 0.000 0.404 0.596
#> GSM87926 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87958 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87860 2 0.4555 0.7434 0.000 0.800 0.200
#> GSM87884 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.7778 0.000 0.000 1.000
#> GSM87918 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87931 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87950 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87870 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87875 3 0.1031 0.7693 0.000 0.024 0.976
#> GSM87903 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87912 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87940 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87866 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87899 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87937 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87946 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87856 2 0.4555 0.7434 0.000 0.800 0.200
#> GSM87880 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87923 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87927 3 0.6126 0.6263 0.000 0.400 0.600
#> GSM87959 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87861 2 0.6309 0.2169 0.000 0.504 0.496
#> GSM87885 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87894 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87932 1 0.4555 0.6922 0.800 0.200 0.000
#> GSM87951 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87871 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87876 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87904 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87913 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87941 3 0.6126 0.6263 0.000 0.400 0.600
#> GSM87955 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87867 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87890 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87900 2 0.4555 0.5800 0.000 0.800 0.200
#> GSM87916 3 0.6126 0.6263 0.000 0.400 0.600
#> GSM87947 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87857 2 0.4555 0.7434 0.000 0.800 0.200
#> GSM87881 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87928 1 0.4555 0.6922 0.800 0.200 0.000
#> GSM87960 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87862 2 0.0424 0.8640 0.000 0.992 0.008
#> GSM87886 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87895 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87919 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87933 3 0.4555 0.8513 0.000 0.200 0.800
#> GSM87952 1 0.0000 0.9544 1.000 0.000 0.000
#> GSM87872 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87877 2 0.4555 0.7591 0.200 0.800 0.000
#> GSM87905 2 0.0000 0.8711 0.000 1.000 0.000
#> GSM87914 2 0.5291 0.4136 0.000 0.732 0.268
#> GSM87942 3 0.6291 0.4822 0.000 0.468 0.532
#> GSM87956 1 0.0000 0.9544 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87887 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87896 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87934 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87943 2 0.130 0.833 0.000 0.956 0.044 0.000
#> GSM87853 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87906 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87920 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87924 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87858 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87882 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87891 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87917 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87929 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87948 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87868 1 0.373 0.693 0.788 0.212 0.000 0.000
#> GSM87873 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87901 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87910 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87938 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87953 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87864 2 0.322 0.799 0.164 0.836 0.000 0.000
#> GSM87888 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87897 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87935 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87944 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87854 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87878 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87907 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87921 2 0.353 0.823 0.000 0.808 0.000 0.192
#> GSM87925 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87957 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87859 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87883 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87892 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87930 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87949 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87869 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87874 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87902 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87911 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87939 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87954 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87865 2 0.322 0.799 0.164 0.836 0.000 0.000
#> GSM87889 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87898 1 0.702 0.338 0.564 0.272 0.000 0.164
#> GSM87915 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87936 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87945 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87855 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87879 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87922 4 0.452 0.564 0.000 0.320 0.000 0.680
#> GSM87926 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87958 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87860 3 0.365 0.707 0.000 0.204 0.796 0.000
#> GSM87884 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87893 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87918 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87931 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87950 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87870 2 0.340 0.789 0.180 0.820 0.000 0.000
#> GSM87875 3 0.349 0.795 0.000 0.188 0.812 0.000
#> GSM87903 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87912 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87940 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87866 2 0.349 0.783 0.188 0.812 0.000 0.000
#> GSM87899 2 0.394 0.821 0.000 0.800 0.012 0.188
#> GSM87937 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87946 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87856 2 0.485 0.423 0.000 0.600 0.400 0.000
#> GSM87880 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87908 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87923 4 0.208 0.864 0.000 0.084 0.000 0.916
#> GSM87927 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87959 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87861 3 0.000 0.965 0.000 0.000 1.000 0.000
#> GSM87885 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87894 2 0.349 0.783 0.188 0.812 0.000 0.000
#> GSM87932 1 0.322 0.764 0.836 0.000 0.000 0.164
#> GSM87951 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87871 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87876 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87904 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87913 2 0.349 0.783 0.188 0.812 0.000 0.000
#> GSM87941 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87955 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87867 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87890 4 0.349 0.730 0.000 0.188 0.000 0.812
#> GSM87900 2 0.485 0.508 0.000 0.600 0.000 0.400
#> GSM87916 4 0.121 0.909 0.000 0.040 0.000 0.960
#> GSM87947 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87857 2 0.416 0.685 0.000 0.736 0.264 0.000
#> GSM87881 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87909 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87928 1 0.340 0.740 0.820 0.000 0.000 0.180
#> GSM87960 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87862 2 0.369 0.809 0.000 0.792 0.000 0.208
#> GSM87886 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87895 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87919 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87933 4 0.000 0.949 0.000 0.000 0.000 1.000
#> GSM87952 1 0.000 0.956 1.000 0.000 0.000 0.000
#> GSM87872 2 0.336 0.830 0.000 0.824 0.000 0.176
#> GSM87877 2 0.000 0.859 0.000 1.000 0.000 0.000
#> GSM87905 2 0.349 0.826 0.000 0.812 0.000 0.188
#> GSM87914 2 0.499 0.331 0.000 0.532 0.000 0.468
#> GSM87942 4 0.419 0.541 0.000 0.268 0.000 0.732
#> GSM87956 1 0.000 0.956 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
#> GSM87863 5 0.4161 0.562 0.000 0.392 0.000 0.000 0.608
#> GSM87887 5 0.4161 0.562 0.000 0.392 0.000 0.000 0.608
#> GSM87896 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87934 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87943 3 0.4299 0.510 0.000 0.388 0.608 0.000 0.004
#> GSM87853 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87920 2 0.4278 -0.334 0.000 0.548 0.000 0.000 0.452
#> GSM87924 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87858 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87882 2 0.0000 0.567 0.000 1.000 0.000 0.000 0.000
#> GSM87891 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87917 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87929 4 0.3003 0.731 0.000 0.188 0.000 0.812 0.000
#> GSM87948 5 0.1965 0.409 0.096 0.000 0.000 0.000 0.904
#> GSM87868 5 0.1270 0.583 0.000 0.052 0.000 0.000 0.948
#> GSM87873 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87901 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87910 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87938 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87864 5 0.4161 0.562 0.000 0.392 0.000 0.000 0.608
#> GSM87888 2 0.3274 0.275 0.000 0.780 0.000 0.000 0.220
#> GSM87897 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87935 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87944 5 0.0404 0.533 0.012 0.000 0.000 0.000 0.988
#> GSM87854 2 0.3452 0.230 0.000 0.756 0.000 0.000 0.244
#> GSM87878 2 0.4781 -0.373 0.020 0.552 0.000 0.000 0.428
#> GSM87907 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87921 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87925 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87957 5 0.1851 0.424 0.088 0.000 0.000 0.000 0.912
#> GSM87859 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87883 5 0.0609 0.524 0.020 0.000 0.000 0.000 0.980
#> GSM87892 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87930 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87869 5 0.0000 0.544 0.000 0.000 0.000 0.000 1.000
#> GSM87874 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87902 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87911 2 0.3480 0.708 0.248 0.752 0.000 0.000 0.000
#> GSM87939 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87865 5 0.4161 0.562 0.000 0.392 0.000 0.000 0.608
#> GSM87889 5 0.4182 0.553 0.000 0.400 0.000 0.000 0.600
#> GSM87898 5 0.2511 0.604 0.028 0.080 0.000 0.000 0.892
#> GSM87915 5 0.2813 0.229 0.168 0.000 0.000 0.000 0.832
#> GSM87936 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87879 2 0.0000 0.567 0.000 1.000 0.000 0.000 0.000
#> GSM87922 2 0.6571 0.558 0.392 0.404 0.000 0.204 0.000
#> GSM87926 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87860 3 0.3109 0.688 0.000 0.200 0.800 0.000 0.000
#> GSM87884 5 0.1270 0.483 0.052 0.000 0.000 0.000 0.948
#> GSM87893 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87918 2 0.3508 0.208 0.000 0.748 0.000 0.000 0.252
#> GSM87931 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87870 5 0.3661 0.628 0.000 0.276 0.000 0.000 0.724
#> GSM87875 3 0.3366 0.721 0.000 0.232 0.768 0.000 0.000
#> GSM87903 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87912 5 0.4268 -0.672 0.444 0.000 0.000 0.000 0.556
#> GSM87940 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87866 5 0.2732 0.625 0.000 0.160 0.000 0.000 0.840
#> GSM87899 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87937 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87946 5 0.3752 -0.228 0.292 0.000 0.000 0.000 0.708
#> GSM87856 3 0.2732 0.789 0.000 0.160 0.840 0.000 0.000
#> GSM87880 2 0.0609 0.548 0.000 0.980 0.000 0.000 0.020
#> GSM87908 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87923 4 0.3366 0.706 0.000 0.232 0.000 0.768 0.000
#> GSM87927 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87959 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87861 3 0.0000 0.927 0.000 0.000 1.000 0.000 0.000
#> GSM87885 2 0.3395 0.204 0.000 0.764 0.000 0.000 0.236
#> GSM87894 5 0.5043 0.563 0.136 0.160 0.000 0.000 0.704
#> GSM87932 5 0.4278 -0.691 0.452 0.000 0.000 0.000 0.548
#> GSM87951 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87871 2 0.3424 0.238 0.000 0.760 0.000 0.000 0.240
#> GSM87876 5 0.4161 0.562 0.000 0.392 0.000 0.000 0.608
#> GSM87904 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87913 5 0.2732 0.625 0.000 0.160 0.000 0.000 0.840
#> GSM87941 4 0.1197 0.920 0.000 0.048 0.000 0.952 0.000
#> GSM87955 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87867 5 0.4161 0.562 0.000 0.392 0.000 0.000 0.608
#> GSM87890 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87900 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87916 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87947 5 0.0000 0.544 0.000 0.000 0.000 0.000 1.000
#> GSM87857 2 0.4305 -0.143 0.000 0.512 0.488 0.000 0.000
#> GSM87881 2 0.1478 0.612 0.064 0.936 0.000 0.000 0.000
#> GSM87909 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87928 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87960 5 0.4235 -0.620 0.424 0.000 0.000 0.000 0.576
#> GSM87862 2 0.4310 0.749 0.392 0.604 0.000 0.004 0.000
#> GSM87886 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87895 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87919 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87933 4 0.0000 0.967 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
#> GSM87872 2 0.3305 0.698 0.224 0.776 0.000 0.000 0.000
#> GSM87877 5 0.4161 0.562 0.000 0.392 0.000 0.000 0.608
#> GSM87905 2 0.4161 0.750 0.392 0.608 0.000 0.000 0.000
#> GSM87914 2 0.5505 0.712 0.304 0.604 0.000 0.092 0.000
#> GSM87942 2 0.5570 0.703 0.288 0.608 0.000 0.104 0.000
#> GSM87956 1 0.4161 1.000 0.608 0.000 0.000 0.000 0.392
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87887 6 0.3126 0.6352 0.000 0.000 0.000 0.000 0.248 0.752
#> GSM87896 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87934 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87920 6 0.2859 0.7229 0.000 0.156 0.000 0.000 0.016 0.828
#> GSM87924 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87858 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87882 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87917 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.1556 0.8989 0.000 0.080 0.000 0.920 0.000 0.000
#> GSM87948 6 0.3531 0.4973 0.328 0.000 0.000 0.000 0.000 0.672
#> GSM87868 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87873 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87910 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87864 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87888 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87935 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87944 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87854 5 0.3578 0.4880 0.000 0.000 0.000 0.000 0.660 0.340
#> GSM87878 5 0.3428 0.4841 0.000 0.000 0.000 0.000 0.696 0.304
#> GSM87907 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87921 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87925 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87957 6 0.3351 0.5733 0.288 0.000 0.000 0.000 0.000 0.712
#> GSM87859 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87892 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87930 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87869 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87874 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87902 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87911 2 0.0363 0.9589 0.000 0.988 0.000 0.000 0.012 0.000
#> GSM87939 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87865 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87889 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87898 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87915 6 0.3371 0.5673 0.292 0.000 0.000 0.000 0.000 0.708
#> GSM87936 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87945 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87855 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87879 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87922 2 0.3189 0.7460 0.000 0.796 0.000 0.020 0.184 0.000
#> GSM87926 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.3544 0.7681 0.000 0.080 0.800 0.000 0.120 0.000
#> GSM87884 6 0.1610 0.8345 0.084 0.000 0.000 0.000 0.000 0.916
#> GSM87893 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87918 5 0.4487 0.5816 0.000 0.264 0.000 0.000 0.668 0.068
#> GSM87931 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87870 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87875 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87903 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87912 1 0.3659 0.4079 0.636 0.000 0.000 0.000 0.000 0.364
#> GSM87940 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87899 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87937 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87946 1 0.3782 0.2776 0.588 0.000 0.000 0.000 0.000 0.412
#> GSM87856 3 0.3592 0.4901 0.000 0.000 0.656 0.000 0.344 0.000
#> GSM87880 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87923 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87927 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87959 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.9569 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87894 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87932 1 0.3765 0.3011 0.596 0.000 0.000 0.000 0.000 0.404
#> GSM87951 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.4370 0.6047 0.000 0.252 0.000 0.000 0.684 0.064
#> GSM87876 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87904 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87913 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87941 4 0.0632 0.9569 0.000 0.024 0.000 0.976 0.000 0.000
#> GSM87955 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.0000 0.8897 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87890 4 0.2969 0.7058 0.000 0.000 0.000 0.776 0.224 0.000
#> GSM87900 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87916 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87947 6 0.1267 0.8545 0.060 0.000 0.000 0.000 0.000 0.940
#> GSM87857 5 0.3843 0.0678 0.000 0.000 0.452 0.000 0.548 0.000
#> GSM87881 5 0.0000 0.8692 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87928 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.2823 0.6968 0.796 0.000 0.000 0.000 0.000 0.204
#> GSM87862 2 0.2527 0.7862 0.000 0.832 0.000 0.000 0.168 0.000
#> GSM87886 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87895 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87919 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.9778 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0000 0.9125 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.0547 0.9525 0.000 0.980 0.000 0.000 0.020 0.000
#> GSM87877 6 0.3789 0.1755 0.000 0.000 0.000 0.000 0.416 0.584
#> GSM87905 2 0.0000 0.9666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87914 2 0.1714 0.8874 0.000 0.908 0.000 0.092 0.000 0.000
#> GSM87942 2 0.1863 0.8747 0.000 0.896 0.000 0.104 0.000 0.000
#> GSM87956 1 0.0000 0.9125 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 time(p) agent(p) individual(p) k
#> CV:pam 101 0.995 0.56567 6.91e-06 2
#> CV:pam 102 0.777 0.31035 1.49e-13 3
#> CV:pam 105 0.660 0.19909 3.75e-18 4
#> CV:pam 92 0.449 0.00485 1.83e-19 5
#> CV:pam 99 0.172 0.04727 2.02e-26 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 108 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 5.
#>
#> 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 0.604 0.857 0.882 0.3959 0.509 0.509
#> 3 3 0.334 0.626 0.773 0.4335 0.699 0.494
#> 4 4 0.578 0.725 0.839 0.2199 0.883 0.708
#> 5 5 0.785 0.744 0.888 0.1454 0.793 0.423
#> 6 6 0.840 0.763 0.887 0.0506 0.921 0.644
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 5
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
#> GSM87863 1 0.0000 0.986 1.000 0.000
#> GSM87887 1 0.0000 0.986 1.000 0.000
#> GSM87896 2 0.9815 0.714 0.420 0.580
#> GSM87934 2 0.0000 0.681 0.000 1.000
#> GSM87943 1 0.0672 0.979 0.992 0.008
#> GSM87853 1 0.0672 0.979 0.992 0.008
#> GSM87906 2 0.9850 0.709 0.428 0.572
#> GSM87920 1 0.0000 0.986 1.000 0.000
#> GSM87924 2 0.8267 0.724 0.260 0.740
#> GSM87858 2 0.9933 0.666 0.452 0.548
#> GSM87882 1 0.0672 0.979 0.992 0.008
#> GSM87891 2 0.9815 0.714 0.420 0.580
#> GSM87917 1 0.0000 0.986 1.000 0.000
#> GSM87929 2 0.0000 0.681 0.000 1.000
#> GSM87948 1 0.0000 0.986 1.000 0.000
#> GSM87868 1 0.0000 0.986 1.000 0.000
#> GSM87873 1 0.2236 0.946 0.964 0.036
#> GSM87901 2 0.9850 0.709 0.428 0.572
#> GSM87910 1 0.0000 0.986 1.000 0.000
#> GSM87938 2 0.0000 0.681 0.000 1.000
#> GSM87953 1 0.0000 0.986 1.000 0.000
#> GSM87864 1 0.0000 0.986 1.000 0.000
#> GSM87888 1 0.0000 0.986 1.000 0.000
#> GSM87897 2 0.9850 0.709 0.428 0.572
#> GSM87935 2 0.2948 0.695 0.052 0.948
#> GSM87944 1 0.0000 0.986 1.000 0.000
#> GSM87854 1 0.0000 0.986 1.000 0.000
#> GSM87878 1 0.0000 0.986 1.000 0.000
#> GSM87907 2 0.9815 0.714 0.420 0.580
#> GSM87921 2 0.9850 0.709 0.428 0.572
#> GSM87925 2 0.0000 0.681 0.000 1.000
#> GSM87957 1 0.0000 0.986 1.000 0.000
#> GSM87859 1 0.2948 0.923 0.948 0.052
#> GSM87883 1 0.0000 0.986 1.000 0.000
#> GSM87892 2 0.9815 0.714 0.420 0.580
#> GSM87930 2 0.0000 0.681 0.000 1.000
#> GSM87949 1 0.0000 0.986 1.000 0.000
#> GSM87869 1 0.0000 0.986 1.000 0.000
#> GSM87874 1 0.0672 0.979 0.992 0.008
#> GSM87902 2 0.9850 0.709 0.428 0.572
#> GSM87911 1 0.3733 0.885 0.928 0.072
#> GSM87939 2 0.0000 0.681 0.000 1.000
#> GSM87954 1 0.0000 0.986 1.000 0.000
#> GSM87865 1 0.0000 0.986 1.000 0.000
#> GSM87889 1 0.0000 0.986 1.000 0.000
#> GSM87898 2 0.9850 0.709 0.428 0.572
#> GSM87915 1 0.0000 0.986 1.000 0.000
#> GSM87936 2 0.2778 0.694 0.048 0.952
#> GSM87945 1 0.0672 0.979 0.992 0.008
#> GSM87855 1 0.0672 0.979 0.992 0.008
#> GSM87879 1 0.0000 0.986 1.000 0.000
#> GSM87922 1 0.8144 0.456 0.748 0.252
#> GSM87926 2 0.0000 0.681 0.000 1.000
#> GSM87958 1 0.0000 0.986 1.000 0.000
#> GSM87860 1 0.3733 0.892 0.928 0.072
#> GSM87884 1 0.0000 0.986 1.000 0.000
#> GSM87893 2 0.9815 0.714 0.420 0.580
#> GSM87918 2 0.9944 0.664 0.456 0.544
#> GSM87931 2 0.0000 0.681 0.000 1.000
#> GSM87950 1 0.0000 0.986 1.000 0.000
#> GSM87870 1 0.0000 0.986 1.000 0.000
#> GSM87875 1 0.0672 0.979 0.992 0.008
#> GSM87903 2 0.9815 0.714 0.420 0.580
#> GSM87912 1 0.0000 0.986 1.000 0.000
#> GSM87940 2 0.0000 0.681 0.000 1.000
#> GSM87866 1 0.0000 0.986 1.000 0.000
#> GSM87899 2 0.9815 0.714 0.420 0.580
#> GSM87937 2 0.0000 0.681 0.000 1.000
#> GSM87946 1 0.0000 0.986 1.000 0.000
#> GSM87856 1 0.0672 0.979 0.992 0.008
#> GSM87880 1 0.0000 0.986 1.000 0.000
#> GSM87908 2 0.9850 0.709 0.428 0.572
#> GSM87923 1 0.0672 0.979 0.992 0.008
#> GSM87927 2 0.8081 0.722 0.248 0.752
#> GSM87959 1 0.0000 0.986 1.000 0.000
#> GSM87861 1 0.2236 0.946 0.964 0.036
#> GSM87885 1 0.0000 0.986 1.000 0.000
#> GSM87894 1 0.0000 0.986 1.000 0.000
#> GSM87932 2 0.9833 0.712 0.424 0.576
#> GSM87951 1 0.0000 0.986 1.000 0.000
#> GSM87871 1 0.0000 0.986 1.000 0.000
#> GSM87876 1 0.0000 0.986 1.000 0.000
#> GSM87904 2 0.9815 0.714 0.420 0.580
#> GSM87913 1 0.0000 0.986 1.000 0.000
#> GSM87941 2 0.2778 0.694 0.048 0.952
#> GSM87955 1 0.0000 0.986 1.000 0.000
#> GSM87867 1 0.0000 0.986 1.000 0.000
#> GSM87890 2 0.9933 0.666 0.452 0.548
#> GSM87900 2 0.9815 0.714 0.420 0.580
#> GSM87916 2 0.0938 0.685 0.012 0.988
#> GSM87947 1 0.0000 0.986 1.000 0.000
#> GSM87857 1 0.0672 0.979 0.992 0.008
#> GSM87881 1 0.0000 0.986 1.000 0.000
#> GSM87909 2 0.9850 0.709 0.428 0.572
#> GSM87928 2 0.8861 0.724 0.304 0.696
#> GSM87960 1 0.0000 0.986 1.000 0.000
#> GSM87862 2 0.9933 0.666 0.452 0.548
#> GSM87886 1 0.0000 0.986 1.000 0.000
#> GSM87895 2 0.9815 0.714 0.420 0.580
#> GSM87919 1 0.0000 0.986 1.000 0.000
#> GSM87933 2 0.0000 0.681 0.000 1.000
#> GSM87952 1 0.0000 0.986 1.000 0.000
#> GSM87872 2 0.9954 0.657 0.460 0.540
#> GSM87877 1 0.0000 0.986 1.000 0.000
#> GSM87905 2 0.9850 0.709 0.428 0.572
#> GSM87914 2 0.8861 0.724 0.304 0.696
#> GSM87942 2 0.6531 0.712 0.168 0.832
#> GSM87956 1 0.0000 0.986 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.6140 0.53296 0.596 0.000 0.404
#> GSM87887 1 0.6491 0.77050 0.732 0.052 0.216
#> GSM87896 3 0.0424 0.67132 0.000 0.008 0.992
#> GSM87934 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87943 3 0.6172 0.34640 0.308 0.012 0.680
#> GSM87853 3 0.5919 0.41427 0.276 0.012 0.712
#> GSM87906 3 0.2711 0.66792 0.000 0.088 0.912
#> GSM87920 1 0.5431 0.76240 0.716 0.000 0.284
#> GSM87924 3 0.6252 -0.02840 0.000 0.444 0.556
#> GSM87858 3 0.0237 0.67034 0.004 0.000 0.996
#> GSM87882 1 0.6662 0.76072 0.716 0.052 0.232
#> GSM87891 3 0.2860 0.66983 0.004 0.084 0.912
#> GSM87917 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87929 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87948 1 0.4702 0.79253 0.788 0.000 0.212
#> GSM87868 1 0.5216 0.77786 0.740 0.000 0.260
#> GSM87873 3 0.4194 0.66100 0.060 0.064 0.876
#> GSM87901 3 0.2945 0.66816 0.004 0.088 0.908
#> GSM87910 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87938 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87953 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87864 1 0.5465 0.75540 0.712 0.000 0.288
#> GSM87888 1 0.6621 0.76344 0.720 0.052 0.228
#> GSM87897 3 0.2860 0.67094 0.004 0.084 0.912
#> GSM87935 2 0.6244 0.41267 0.000 0.560 0.440
#> GSM87944 1 0.5216 0.77786 0.740 0.000 0.260
#> GSM87854 3 0.5919 0.41427 0.276 0.012 0.712
#> GSM87878 1 0.6999 0.76719 0.680 0.052 0.268
#> GSM87907 3 0.2625 0.66989 0.000 0.084 0.916
#> GSM87921 3 0.7072 0.57445 0.160 0.116 0.724
#> GSM87925 2 0.5138 0.73564 0.000 0.748 0.252
#> GSM87957 1 0.5254 0.77714 0.736 0.000 0.264
#> GSM87859 3 0.3377 0.65910 0.092 0.012 0.896
#> GSM87883 1 0.4654 0.79236 0.792 0.000 0.208
#> GSM87892 3 0.0237 0.67034 0.004 0.000 0.996
#> GSM87930 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87949 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87869 1 0.5254 0.77714 0.736 0.000 0.264
#> GSM87874 3 0.7164 0.37630 0.256 0.064 0.680
#> GSM87902 3 0.2860 0.67094 0.004 0.084 0.912
#> GSM87911 3 0.5397 0.46666 0.280 0.000 0.720
#> GSM87939 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87954 1 0.2448 0.72840 0.924 0.000 0.076
#> GSM87865 3 0.6274 -0.07565 0.456 0.000 0.544
#> GSM87889 1 0.6578 0.76600 0.724 0.052 0.224
#> GSM87898 3 0.3043 0.67056 0.008 0.084 0.908
#> GSM87915 1 0.2796 0.75272 0.908 0.000 0.092
#> GSM87936 2 0.6215 0.44248 0.000 0.572 0.428
#> GSM87945 3 0.6172 0.34640 0.308 0.012 0.680
#> GSM87855 3 0.5919 0.41427 0.276 0.012 0.712
#> GSM87879 1 0.6662 0.76072 0.716 0.052 0.232
#> GSM87922 3 0.8357 0.43109 0.232 0.148 0.620
#> GSM87926 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87958 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87860 3 0.3618 0.65043 0.104 0.012 0.884
#> GSM87884 1 0.4883 0.79204 0.788 0.004 0.208
#> GSM87893 3 0.0237 0.67034 0.004 0.000 0.996
#> GSM87918 3 0.8435 0.40733 0.268 0.132 0.600
#> GSM87931 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87950 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87870 1 0.5465 0.75930 0.712 0.000 0.288
#> GSM87875 1 0.7053 0.74021 0.692 0.064 0.244
#> GSM87903 3 0.2625 0.66989 0.000 0.084 0.916
#> GSM87912 1 0.2066 0.74260 0.940 0.000 0.060
#> GSM87940 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87866 1 0.5465 0.75520 0.712 0.000 0.288
#> GSM87899 3 0.2625 0.66989 0.000 0.084 0.916
#> GSM87937 2 0.3879 0.80253 0.000 0.848 0.152
#> GSM87946 1 0.5216 0.77786 0.740 0.000 0.260
#> GSM87856 3 0.5919 0.41427 0.276 0.012 0.712
#> GSM87880 1 0.6621 0.76344 0.720 0.052 0.228
#> GSM87908 3 0.2860 0.67094 0.004 0.084 0.912
#> GSM87923 1 0.7924 0.67816 0.612 0.084 0.304
#> GSM87927 3 0.6267 -0.07708 0.000 0.452 0.548
#> GSM87959 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87861 3 0.3989 0.63435 0.124 0.012 0.864
#> GSM87885 1 0.6535 0.76832 0.728 0.052 0.220
#> GSM87894 3 0.6225 0.01734 0.432 0.000 0.568
#> GSM87932 3 0.8554 0.25923 0.116 0.324 0.560
#> GSM87951 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87871 3 0.6235 -0.00626 0.436 0.000 0.564
#> GSM87876 1 0.6535 0.76832 0.728 0.052 0.220
#> GSM87904 3 0.0000 0.67054 0.000 0.000 1.000
#> GSM87913 1 0.6295 0.33988 0.528 0.000 0.472
#> GSM87941 2 0.6299 0.28377 0.000 0.524 0.476
#> GSM87955 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87867 1 0.5291 0.77249 0.732 0.000 0.268
#> GSM87890 3 0.9258 0.28098 0.204 0.272 0.524
#> GSM87900 3 0.2711 0.66792 0.000 0.088 0.912
#> GSM87916 2 0.5291 0.71945 0.000 0.732 0.268
#> GSM87947 1 0.4796 0.79085 0.780 0.000 0.220
#> GSM87857 3 0.5919 0.41427 0.276 0.012 0.712
#> GSM87881 1 0.7453 0.72239 0.680 0.092 0.228
#> GSM87909 3 0.6488 0.60215 0.160 0.084 0.756
#> GSM87928 3 0.8530 0.20918 0.108 0.344 0.548
#> GSM87960 1 0.2261 0.74819 0.932 0.000 0.068
#> GSM87862 3 0.2625 0.66989 0.000 0.084 0.916
#> GSM87886 1 0.4883 0.79204 0.788 0.004 0.208
#> GSM87895 3 0.2625 0.66989 0.000 0.084 0.916
#> GSM87919 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87933 2 0.2165 0.83681 0.000 0.936 0.064
#> GSM87952 1 0.1964 0.74298 0.944 0.000 0.056
#> GSM87872 3 0.8728 0.35157 0.288 0.144 0.568
#> GSM87877 1 0.4883 0.79204 0.788 0.004 0.208
#> GSM87905 3 0.3043 0.67056 0.008 0.084 0.908
#> GSM87914 3 0.7601 0.02970 0.044 0.416 0.540
#> GSM87942 2 0.5588 0.55452 0.004 0.720 0.276
#> GSM87956 1 0.1964 0.74298 0.944 0.000 0.056
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.3743 0.7584 0.824 0.016 0.160 0.000
#> GSM87887 2 0.3444 0.8233 0.184 0.816 0.000 0.000
#> GSM87896 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87934 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87943 3 0.6639 0.5110 0.284 0.120 0.596 0.000
#> GSM87853 3 0.6613 0.5088 0.288 0.116 0.596 0.000
#> GSM87906 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87920 1 0.3249 0.7759 0.852 0.008 0.140 0.000
#> GSM87924 4 0.6268 -0.0983 0.056 0.000 0.448 0.496
#> GSM87858 3 0.1452 0.7675 0.008 0.036 0.956 0.000
#> GSM87882 2 0.2081 0.9158 0.084 0.916 0.000 0.000
#> GSM87891 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87917 1 0.1706 0.8458 0.948 0.036 0.016 0.000
#> GSM87929 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87948 1 0.3688 0.6961 0.792 0.208 0.000 0.000
#> GSM87868 1 0.0779 0.8544 0.980 0.004 0.016 0.000
#> GSM87873 3 0.5331 0.5385 0.024 0.332 0.644 0.000
#> GSM87901 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87910 1 0.1798 0.8473 0.944 0.040 0.016 0.000
#> GSM87938 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87953 1 0.1706 0.8458 0.948 0.036 0.016 0.000
#> GSM87864 1 0.2593 0.8143 0.892 0.004 0.104 0.000
#> GSM87888 2 0.2081 0.9158 0.084 0.916 0.000 0.000
#> GSM87897 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87935 4 0.4331 0.5518 0.000 0.000 0.288 0.712
#> GSM87944 1 0.0672 0.8542 0.984 0.008 0.008 0.000
#> GSM87854 3 0.6779 0.5020 0.324 0.116 0.560 0.000
#> GSM87878 2 0.6909 0.4303 0.364 0.520 0.116 0.000
#> GSM87907 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87921 3 0.2984 0.7853 0.084 0.000 0.888 0.028
#> GSM87925 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87957 1 0.0817 0.8521 0.976 0.024 0.000 0.000
#> GSM87859 3 0.2924 0.7412 0.016 0.100 0.884 0.000
#> GSM87883 1 0.4522 0.5100 0.680 0.320 0.000 0.000
#> GSM87892 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87930 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87949 1 0.0921 0.8486 0.972 0.028 0.000 0.000
#> GSM87869 1 0.0779 0.8544 0.980 0.004 0.016 0.000
#> GSM87874 3 0.5331 0.5385 0.024 0.332 0.644 0.000
#> GSM87902 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87911 3 0.4483 0.6377 0.284 0.004 0.712 0.000
#> GSM87939 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87954 1 0.1929 0.8454 0.940 0.036 0.024 0.000
#> GSM87865 1 0.4511 0.7213 0.784 0.040 0.176 0.000
#> GSM87889 2 0.2081 0.9158 0.084 0.916 0.000 0.000
#> GSM87898 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87915 1 0.3166 0.7959 0.868 0.016 0.116 0.000
#> GSM87936 4 0.3873 0.6536 0.000 0.000 0.228 0.772
#> GSM87945 3 0.6232 0.4835 0.072 0.332 0.596 0.000
#> GSM87855 3 0.6613 0.5088 0.288 0.116 0.596 0.000
#> GSM87879 2 0.2081 0.9158 0.084 0.916 0.000 0.000
#> GSM87922 3 0.8302 0.5360 0.104 0.236 0.548 0.112
#> GSM87926 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87958 1 0.0592 0.8522 0.984 0.016 0.000 0.000
#> GSM87860 3 0.3144 0.7908 0.072 0.044 0.884 0.000
#> GSM87884 1 0.4994 -0.0116 0.520 0.480 0.000 0.000
#> GSM87893 3 0.1389 0.7966 0.048 0.000 0.952 0.000
#> GSM87918 3 0.3400 0.7440 0.180 0.000 0.820 0.000
#> GSM87931 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87950 1 0.0921 0.8486 0.972 0.028 0.000 0.000
#> GSM87870 1 0.2831 0.8031 0.876 0.004 0.120 0.000
#> GSM87875 2 0.4171 0.8508 0.084 0.828 0.088 0.000
#> GSM87903 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87912 1 0.1837 0.8480 0.944 0.028 0.028 0.000
#> GSM87940 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87866 1 0.2714 0.8093 0.884 0.004 0.112 0.000
#> GSM87899 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87937 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87946 1 0.1059 0.8550 0.972 0.016 0.012 0.000
#> GSM87856 3 0.6613 0.5088 0.288 0.116 0.596 0.000
#> GSM87880 2 0.2081 0.9158 0.084 0.916 0.000 0.000
#> GSM87908 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87923 3 0.7065 0.2252 0.124 0.404 0.472 0.000
#> GSM87927 3 0.5157 0.5216 0.028 0.000 0.688 0.284
#> GSM87959 1 0.1118 0.8473 0.964 0.036 0.000 0.000
#> GSM87861 3 0.3080 0.7427 0.024 0.096 0.880 0.000
#> GSM87885 2 0.2081 0.9158 0.084 0.916 0.000 0.000
#> GSM87894 1 0.4755 0.6898 0.760 0.040 0.200 0.000
#> GSM87932 3 0.4827 0.7157 0.092 0.000 0.784 0.124
#> GSM87951 1 0.0921 0.8486 0.972 0.028 0.000 0.000
#> GSM87871 3 0.6538 0.4392 0.392 0.080 0.528 0.000
#> GSM87876 2 0.2149 0.9142 0.088 0.912 0.000 0.000
#> GSM87904 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87913 1 0.3539 0.7560 0.820 0.004 0.176 0.000
#> GSM87941 4 0.4888 0.2411 0.000 0.000 0.412 0.588
#> GSM87955 1 0.0592 0.8522 0.984 0.016 0.000 0.000
#> GSM87867 1 0.2915 0.8277 0.892 0.028 0.080 0.000
#> GSM87890 3 0.9132 0.1985 0.084 0.244 0.416 0.256
#> GSM87900 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87916 4 0.0524 0.8618 0.004 0.000 0.008 0.988
#> GSM87947 1 0.4522 0.5249 0.680 0.320 0.000 0.000
#> GSM87857 3 0.6613 0.5088 0.288 0.116 0.596 0.000
#> GSM87881 2 0.4591 0.8194 0.084 0.800 0.116 0.000
#> GSM87909 3 0.2342 0.7914 0.080 0.000 0.912 0.008
#> GSM87928 3 0.6223 0.3633 0.060 0.000 0.556 0.384
#> GSM87960 1 0.0921 0.8505 0.972 0.028 0.000 0.000
#> GSM87862 3 0.2892 0.7930 0.068 0.036 0.896 0.000
#> GSM87886 1 0.4761 0.3949 0.628 0.372 0.000 0.000
#> GSM87895 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87919 1 0.1706 0.8508 0.948 0.036 0.016 0.000
#> GSM87933 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87952 1 0.1022 0.8488 0.968 0.032 0.000 0.000
#> GSM87872 3 0.4598 0.7228 0.160 0.044 0.792 0.004
#> GSM87877 1 0.4866 0.3381 0.596 0.404 0.000 0.000
#> GSM87905 3 0.1557 0.7997 0.056 0.000 0.944 0.000
#> GSM87914 3 0.6111 0.3447 0.052 0.000 0.556 0.392
#> GSM87942 4 0.0000 0.8713 0.000 0.000 0.000 1.000
#> GSM87956 1 0.0921 0.8486 0.972 0.028 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 3 0.4425 0.1446 0.452 0.000 0.544 0.000 0.004
#> GSM87887 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87896 2 0.0162 0.8850 0.000 0.996 0.004 0.000 0.000
#> GSM87934 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87943 3 0.0609 0.8132 0.000 0.000 0.980 0.000 0.020
#> GSM87853 3 0.0000 0.8172 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87920 1 0.0162 0.7788 0.996 0.000 0.000 0.000 0.004
#> GSM87924 4 0.0290 0.9408 0.000 0.008 0.000 0.992 0.000
#> GSM87858 2 0.4304 0.1860 0.000 0.516 0.484 0.000 0.000
#> GSM87882 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87891 2 0.2179 0.8312 0.000 0.888 0.112 0.000 0.000
#> GSM87917 1 0.0000 0.7785 1.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87948 5 0.4256 -0.0344 0.436 0.000 0.000 0.000 0.564
#> GSM87868 1 0.2362 0.7857 0.900 0.000 0.024 0.000 0.076
#> GSM87873 3 0.2890 0.7294 0.000 0.004 0.836 0.000 0.160
#> GSM87901 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87910 1 0.0000 0.7785 1.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.7785 1.000 0.000 0.000 0.000 0.000
#> GSM87864 1 0.4602 0.4523 0.656 0.000 0.316 0.000 0.028
#> GSM87888 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87897 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87935 4 0.0510 0.9342 0.000 0.016 0.000 0.984 0.000
#> GSM87944 1 0.2561 0.7680 0.856 0.000 0.000 0.000 0.144
#> GSM87854 3 0.0000 0.8172 0.000 0.000 1.000 0.000 0.000
#> GSM87878 5 0.1410 0.8716 0.060 0.000 0.000 0.000 0.940
#> GSM87907 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87921 2 0.3898 0.7522 0.116 0.804 0.000 0.080 0.000
#> GSM87925 4 0.0162 0.9431 0.000 0.004 0.000 0.996 0.000
#> GSM87957 1 0.2561 0.7662 0.856 0.000 0.000 0.000 0.144
#> GSM87859 3 0.0290 0.8140 0.000 0.008 0.992 0.000 0.000
#> GSM87883 5 0.0794 0.8964 0.028 0.000 0.000 0.000 0.972
#> GSM87892 2 0.2179 0.8312 0.000 0.888 0.112 0.000 0.000
#> GSM87930 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.4171 0.4543 0.604 0.000 0.000 0.000 0.396
#> GSM87869 1 0.2248 0.7872 0.900 0.000 0.012 0.000 0.088
#> GSM87874 3 0.4182 0.4856 0.000 0.004 0.644 0.000 0.352
#> GSM87902 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87911 2 0.4451 -0.1134 0.492 0.504 0.000 0.000 0.004
#> GSM87939 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0000 0.7785 1.000 0.000 0.000 0.000 0.000
#> GSM87865 3 0.4367 0.2424 0.416 0.000 0.580 0.000 0.004
#> GSM87889 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87898 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87915 1 0.0000 0.7785 1.000 0.000 0.000 0.000 0.000
#> GSM87936 4 0.0162 0.9431 0.000 0.004 0.000 0.996 0.000
#> GSM87945 3 0.2471 0.7536 0.000 0.000 0.864 0.000 0.136
#> GSM87855 3 0.0000 0.8172 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87922 4 0.6559 0.2402 0.356 0.004 0.000 0.460 0.180
#> GSM87926 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.1671 0.7900 0.924 0.000 0.000 0.000 0.076
#> GSM87860 3 0.2891 0.6459 0.000 0.176 0.824 0.000 0.000
#> GSM87884 5 0.0404 0.9046 0.012 0.000 0.000 0.000 0.988
#> GSM87893 2 0.2179 0.8312 0.000 0.888 0.112 0.000 0.000
#> GSM87918 1 0.4201 0.0809 0.592 0.408 0.000 0.000 0.000
#> GSM87931 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.4278 0.3356 0.548 0.000 0.000 0.000 0.452
#> GSM87870 1 0.2179 0.7424 0.896 0.000 0.100 0.000 0.004
#> GSM87875 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87903 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87912 1 0.0000 0.7785 1.000 0.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87866 1 0.2873 0.7244 0.856 0.000 0.128 0.000 0.016
#> GSM87899 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87937 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87946 1 0.4088 0.5046 0.632 0.000 0.000 0.000 0.368
#> GSM87856 3 0.0000 0.8172 0.000 0.000 1.000 0.000 0.000
#> GSM87880 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87908 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87923 5 0.4848 0.4190 0.304 0.004 0.036 0.000 0.656
#> GSM87927 4 0.1341 0.8930 0.000 0.056 0.000 0.944 0.000
#> GSM87959 1 0.4294 0.3017 0.532 0.000 0.000 0.000 0.468
#> GSM87861 3 0.0162 0.8158 0.000 0.004 0.996 0.000 0.000
#> GSM87885 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87894 3 0.5078 0.2841 0.388 0.032 0.576 0.000 0.004
#> GSM87932 4 0.0451 0.9378 0.008 0.004 0.000 0.988 0.000
#> GSM87951 1 0.4171 0.4512 0.604 0.000 0.000 0.000 0.396
#> GSM87871 1 0.3521 0.6081 0.764 0.000 0.232 0.000 0.004
#> GSM87876 5 0.0000 0.9079 0.000 0.000 0.000 0.000 1.000
#> GSM87904 2 0.2127 0.8338 0.000 0.892 0.108 0.000 0.000
#> GSM87913 1 0.0324 0.7785 0.992 0.000 0.004 0.000 0.004
#> GSM87941 4 0.0162 0.9431 0.000 0.004 0.000 0.996 0.000
#> GSM87955 1 0.1851 0.7885 0.912 0.000 0.000 0.000 0.088
#> GSM87867 1 0.2690 0.7609 0.844 0.000 0.000 0.000 0.156
#> GSM87890 4 0.4452 -0.0367 0.000 0.004 0.000 0.500 0.496
#> GSM87900 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87916 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87947 5 0.2605 0.7646 0.148 0.000 0.000 0.000 0.852
#> GSM87857 3 0.0000 0.8172 0.000 0.000 1.000 0.000 0.000
#> GSM87881 5 0.0162 0.9054 0.000 0.004 0.000 0.000 0.996
#> GSM87909 2 0.2873 0.7977 0.120 0.860 0.000 0.020 0.000
#> GSM87928 4 0.0162 0.9431 0.000 0.004 0.000 0.996 0.000
#> GSM87960 1 0.3109 0.7256 0.800 0.000 0.000 0.000 0.200
#> GSM87862 2 0.4192 0.4006 0.000 0.596 0.404 0.000 0.000
#> GSM87886 5 0.1410 0.8715 0.060 0.000 0.000 0.000 0.940
#> GSM87895 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87919 1 0.0000 0.7785 1.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.4283 0.3262 0.544 0.000 0.000 0.000 0.456
#> GSM87872 1 0.6940 0.2240 0.528 0.248 0.000 0.188 0.036
#> GSM87877 5 0.2127 0.8200 0.108 0.000 0.000 0.000 0.892
#> GSM87905 2 0.0000 0.8865 0.000 1.000 0.000 0.000 0.000
#> GSM87914 4 0.0162 0.9431 0.000 0.004 0.000 0.996 0.000
#> GSM87942 4 0.0000 0.9442 0.000 0.000 0.000 1.000 0.000
#> GSM87956 1 0.2020 0.7862 0.900 0.000 0.000 0.000 0.100
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.1141 0.8464 0.000 0.000 0.052 0.000 0.000 0.948
#> GSM87887 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87896 2 0.0632 0.8800 0.000 0.976 0.024 0.000 0.000 0.000
#> GSM87934 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 3 0.1753 0.8473 0.000 0.000 0.912 0.000 0.004 0.084
#> GSM87853 3 0.0000 0.8921 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.0146 0.8907 0.004 0.996 0.000 0.000 0.000 0.000
#> GSM87920 6 0.4046 0.5204 0.368 0.004 0.000 0.000 0.008 0.620
#> GSM87924 4 0.0146 0.9160 0.000 0.004 0.000 0.996 0.000 0.000
#> GSM87858 3 0.1910 0.8313 0.000 0.108 0.892 0.000 0.000 0.000
#> GSM87882 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87891 2 0.3868 -0.1203 0.000 0.508 0.492 0.000 0.000 0.000
#> GSM87917 1 0.0858 0.7288 0.968 0.004 0.000 0.000 0.000 0.028
#> GSM87929 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87948 5 0.4668 0.4358 0.064 0.000 0.000 0.000 0.620 0.316
#> GSM87868 6 0.0260 0.8510 0.000 0.000 0.008 0.000 0.000 0.992
#> GSM87873 3 0.0547 0.8860 0.000 0.000 0.980 0.000 0.020 0.000
#> GSM87901 2 0.0146 0.8909 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87910 1 0.0935 0.7290 0.964 0.004 0.000 0.000 0.000 0.032
#> GSM87938 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0692 0.7281 0.976 0.004 0.000 0.000 0.000 0.020
#> GSM87864 6 0.0547 0.8538 0.000 0.000 0.020 0.000 0.000 0.980
#> GSM87888 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87897 2 0.0291 0.8907 0.004 0.992 0.000 0.000 0.000 0.004
#> GSM87935 4 0.0260 0.9139 0.000 0.008 0.000 0.992 0.000 0.000
#> GSM87944 6 0.2838 0.7260 0.004 0.000 0.000 0.000 0.188 0.808
#> GSM87854 3 0.0713 0.8824 0.000 0.000 0.972 0.000 0.000 0.028
#> GSM87878 5 0.1779 0.8668 0.016 0.000 0.000 0.000 0.920 0.064
#> GSM87907 2 0.0146 0.8906 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM87921 2 0.2738 0.7592 0.176 0.820 0.000 0.004 0.000 0.000
#> GSM87925 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87957 6 0.4881 0.5543 0.232 0.000 0.000 0.000 0.120 0.648
#> GSM87859 3 0.0000 0.8921 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 5 0.1444 0.8781 0.000 0.000 0.000 0.000 0.928 0.072
#> GSM87892 3 0.3854 0.1947 0.000 0.464 0.536 0.000 0.000 0.000
#> GSM87930 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.4570 0.6081 0.644 0.000 0.000 0.000 0.292 0.064
#> GSM87869 6 0.0260 0.8510 0.000 0.000 0.008 0.000 0.000 0.992
#> GSM87874 3 0.1501 0.8532 0.000 0.000 0.924 0.000 0.076 0.000
#> GSM87902 2 0.0146 0.8909 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87911 2 0.4948 0.2148 0.076 0.564 0.000 0.000 0.000 0.360
#> GSM87939 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0692 0.7281 0.976 0.004 0.000 0.000 0.000 0.020
#> GSM87865 6 0.1753 0.8345 0.000 0.004 0.084 0.000 0.000 0.912
#> GSM87889 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87898 2 0.0291 0.8907 0.004 0.992 0.000 0.000 0.000 0.004
#> GSM87915 1 0.0820 0.7251 0.972 0.012 0.000 0.000 0.000 0.016
#> GSM87936 4 0.0260 0.9139 0.000 0.008 0.000 0.992 0.000 0.000
#> GSM87945 3 0.1075 0.8729 0.000 0.000 0.952 0.000 0.048 0.000
#> GSM87855 3 0.0000 0.8921 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87879 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87922 4 0.6186 0.2142 0.304 0.004 0.004 0.448 0.240 0.000
#> GSM87926 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.3125 0.7268 0.836 0.000 0.000 0.000 0.084 0.080
#> GSM87860 3 0.1814 0.8361 0.000 0.100 0.900 0.000 0.000 0.000
#> GSM87884 5 0.0790 0.9018 0.000 0.000 0.000 0.000 0.968 0.032
#> GSM87893 3 0.3747 0.3769 0.000 0.396 0.604 0.000 0.000 0.000
#> GSM87918 1 0.4652 -0.1435 0.508 0.460 0.000 0.016 0.000 0.016
#> GSM87931 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.4535 0.6050 0.644 0.000 0.000 0.000 0.296 0.060
#> GSM87870 6 0.0547 0.8538 0.000 0.000 0.020 0.000 0.000 0.980
#> GSM87875 5 0.0632 0.8994 0.000 0.000 0.024 0.000 0.976 0.000
#> GSM87903 2 0.0000 0.8911 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87912 1 0.0603 0.7268 0.980 0.004 0.000 0.000 0.000 0.016
#> GSM87940 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.0547 0.8538 0.000 0.000 0.020 0.000 0.000 0.980
#> GSM87899 2 0.0291 0.8907 0.004 0.992 0.000 0.000 0.000 0.004
#> GSM87937 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87946 6 0.2274 0.8074 0.012 0.000 0.008 0.000 0.088 0.892
#> GSM87856 3 0.0146 0.8914 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87880 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87908 2 0.0146 0.8907 0.004 0.996 0.000 0.000 0.000 0.000
#> GSM87923 5 0.2454 0.7314 0.160 0.000 0.000 0.000 0.840 0.000
#> GSM87927 4 0.1501 0.8531 0.000 0.076 0.000 0.924 0.000 0.000
#> GSM87959 1 0.4498 0.6003 0.644 0.000 0.000 0.000 0.300 0.056
#> GSM87861 3 0.0000 0.8921 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87894 6 0.4085 0.6637 0.000 0.044 0.252 0.000 0.000 0.704
#> GSM87932 1 0.4322 0.1270 0.528 0.020 0.000 0.452 0.000 0.000
#> GSM87951 1 0.4585 0.6151 0.648 0.000 0.000 0.000 0.284 0.068
#> GSM87871 6 0.2632 0.7837 0.000 0.004 0.164 0.000 0.000 0.832
#> GSM87876 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87904 2 0.1444 0.8427 0.000 0.928 0.072 0.000 0.000 0.000
#> GSM87913 6 0.3354 0.7539 0.184 0.016 0.008 0.000 0.000 0.792
#> GSM87941 4 0.0146 0.9160 0.000 0.004 0.000 0.996 0.000 0.000
#> GSM87955 1 0.3225 0.7254 0.828 0.000 0.000 0.000 0.092 0.080
#> GSM87867 6 0.2491 0.7885 0.020 0.000 0.000 0.000 0.112 0.868
#> GSM87890 4 0.4117 0.0759 0.004 0.004 0.000 0.528 0.464 0.000
#> GSM87900 2 0.0291 0.8907 0.004 0.992 0.000 0.000 0.000 0.004
#> GSM87916 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87947 5 0.3464 0.5261 0.000 0.000 0.000 0.000 0.688 0.312
#> GSM87857 3 0.0000 0.8921 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87881 5 0.0000 0.9128 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87909 2 0.2631 0.7612 0.180 0.820 0.000 0.000 0.000 0.000
#> GSM87928 4 0.0858 0.8948 0.028 0.004 0.000 0.968 0.000 0.000
#> GSM87960 1 0.6029 0.3260 0.424 0.000 0.000 0.000 0.276 0.300
#> GSM87862 2 0.4152 0.5100 0.032 0.664 0.304 0.000 0.000 0.000
#> GSM87886 5 0.2218 0.8186 0.104 0.000 0.000 0.000 0.884 0.012
#> GSM87895 2 0.0146 0.8906 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM87919 1 0.0777 0.7287 0.972 0.004 0.000 0.000 0.000 0.024
#> GSM87933 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.4535 0.6050 0.644 0.000 0.000 0.000 0.296 0.060
#> GSM87872 4 0.7178 0.0817 0.300 0.260 0.000 0.380 0.020 0.040
#> GSM87877 5 0.1075 0.8911 0.000 0.000 0.000 0.000 0.952 0.048
#> GSM87905 2 0.0363 0.8895 0.012 0.988 0.000 0.000 0.000 0.000
#> GSM87914 4 0.0146 0.9160 0.000 0.004 0.000 0.996 0.000 0.000
#> GSM87942 4 0.0000 0.9175 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87956 1 0.3321 0.7250 0.820 0.000 0.000 0.000 0.100 0.080
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 time(p) agent(p) individual(p) k
#> CV:mclust 107 0.696 0.992 2.92e-15 2
#> CV:mclust 83 0.993 0.986 5.37e-24 3
#> CV:mclust 96 0.982 0.786 1.04e-31 4
#> CV:mclust 89 1.000 0.585 1.47e-42 5
#> CV:mclust 97 0.983 0.375 9.36e-44 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 108 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 0.715 0.859 0.938 0.4424 0.540 0.540
#> 3 3 0.715 0.806 0.911 0.3661 0.801 0.651
#> 4 4 0.594 0.665 0.824 0.2029 0.784 0.507
#> 5 5 0.558 0.519 0.722 0.0589 0.854 0.545
#> 6 6 0.612 0.471 0.697 0.0571 0.842 0.473
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
#> GSM87863 1 0.0000 0.954 1.000 0.000
#> GSM87887 1 0.0000 0.954 1.000 0.000
#> GSM87896 2 0.0000 0.882 0.000 1.000
#> GSM87934 2 0.6531 0.797 0.168 0.832
#> GSM87943 2 0.0672 0.880 0.008 0.992
#> GSM87853 2 0.0000 0.882 0.000 1.000
#> GSM87906 1 0.5946 0.791 0.856 0.144
#> GSM87920 1 0.0000 0.954 1.000 0.000
#> GSM87924 2 0.0000 0.882 0.000 1.000
#> GSM87858 2 0.0000 0.882 0.000 1.000
#> GSM87882 1 0.8144 0.617 0.748 0.252
#> GSM87891 2 0.0000 0.882 0.000 1.000
#> GSM87917 1 0.0000 0.954 1.000 0.000
#> GSM87929 1 0.9427 0.365 0.640 0.360
#> GSM87948 1 0.0000 0.954 1.000 0.000
#> GSM87868 1 0.0000 0.954 1.000 0.000
#> GSM87873 2 0.0000 0.882 0.000 1.000
#> GSM87901 1 0.0000 0.954 1.000 0.000
#> GSM87910 1 0.0000 0.954 1.000 0.000
#> GSM87938 2 0.4562 0.847 0.096 0.904
#> GSM87953 1 0.0000 0.954 1.000 0.000
#> GSM87864 1 0.0000 0.954 1.000 0.000
#> GSM87888 1 0.0000 0.954 1.000 0.000
#> GSM87897 1 0.9393 0.377 0.644 0.356
#> GSM87935 2 0.0938 0.880 0.012 0.988
#> GSM87944 1 0.0000 0.954 1.000 0.000
#> GSM87854 1 0.2236 0.919 0.964 0.036
#> GSM87878 1 0.0000 0.954 1.000 0.000
#> GSM87907 2 0.0376 0.881 0.004 0.996
#> GSM87921 1 0.0000 0.954 1.000 0.000
#> GSM87925 2 0.7815 0.738 0.232 0.768
#> GSM87957 1 0.0000 0.954 1.000 0.000
#> GSM87859 2 0.0000 0.882 0.000 1.000
#> GSM87883 1 0.0000 0.954 1.000 0.000
#> GSM87892 2 0.0000 0.882 0.000 1.000
#> GSM87930 2 0.0000 0.882 0.000 1.000
#> GSM87949 1 0.0000 0.954 1.000 0.000
#> GSM87869 1 0.0000 0.954 1.000 0.000
#> GSM87874 2 0.0000 0.882 0.000 1.000
#> GSM87902 1 0.0000 0.954 1.000 0.000
#> GSM87911 1 0.0000 0.954 1.000 0.000
#> GSM87939 2 0.9393 0.546 0.356 0.644
#> GSM87954 1 0.0000 0.954 1.000 0.000
#> GSM87865 1 0.0000 0.954 1.000 0.000
#> GSM87889 1 0.0000 0.954 1.000 0.000
#> GSM87898 1 0.0000 0.954 1.000 0.000
#> GSM87915 1 0.0000 0.954 1.000 0.000
#> GSM87936 2 0.3584 0.861 0.068 0.932
#> GSM87945 2 0.0000 0.882 0.000 1.000
#> GSM87855 2 0.0000 0.882 0.000 1.000
#> GSM87879 1 0.0000 0.954 1.000 0.000
#> GSM87922 1 0.9552 0.316 0.624 0.376
#> GSM87926 2 0.9909 0.330 0.444 0.556
#> GSM87958 1 0.0000 0.954 1.000 0.000
#> GSM87860 2 0.0000 0.882 0.000 1.000
#> GSM87884 1 0.0000 0.954 1.000 0.000
#> GSM87893 2 0.0000 0.882 0.000 1.000
#> GSM87918 1 0.0000 0.954 1.000 0.000
#> GSM87931 2 0.8713 0.658 0.292 0.708
#> GSM87950 1 0.0000 0.954 1.000 0.000
#> GSM87870 1 0.0000 0.954 1.000 0.000
#> GSM87875 2 0.0000 0.882 0.000 1.000
#> GSM87903 1 0.8763 0.527 0.704 0.296
#> GSM87912 1 0.0000 0.954 1.000 0.000
#> GSM87940 2 0.8207 0.710 0.256 0.744
#> GSM87866 1 0.0000 0.954 1.000 0.000
#> GSM87899 2 0.0938 0.880 0.012 0.988
#> GSM87937 2 0.5408 0.830 0.124 0.876
#> GSM87946 1 0.0000 0.954 1.000 0.000
#> GSM87856 2 0.0000 0.882 0.000 1.000
#> GSM87880 1 0.0000 0.954 1.000 0.000
#> GSM87908 1 0.0000 0.954 1.000 0.000
#> GSM87923 2 0.8081 0.720 0.248 0.752
#> GSM87927 1 0.6973 0.727 0.812 0.188
#> GSM87959 1 0.0000 0.954 1.000 0.000
#> GSM87861 2 0.0000 0.882 0.000 1.000
#> GSM87885 1 0.0000 0.954 1.000 0.000
#> GSM87894 1 0.0000 0.954 1.000 0.000
#> GSM87932 1 0.0000 0.954 1.000 0.000
#> GSM87951 1 0.0000 0.954 1.000 0.000
#> GSM87871 1 0.0000 0.954 1.000 0.000
#> GSM87876 1 0.0000 0.954 1.000 0.000
#> GSM87904 2 0.4939 0.841 0.108 0.892
#> GSM87913 1 0.0000 0.954 1.000 0.000
#> GSM87941 1 0.8661 0.545 0.712 0.288
#> GSM87955 1 0.0000 0.954 1.000 0.000
#> GSM87867 1 0.0000 0.954 1.000 0.000
#> GSM87890 2 0.9686 0.460 0.396 0.604
#> GSM87900 1 0.9323 0.399 0.652 0.348
#> GSM87916 2 0.9998 0.168 0.492 0.508
#> GSM87947 1 0.0000 0.954 1.000 0.000
#> GSM87857 2 0.2603 0.871 0.044 0.956
#> GSM87881 1 0.0000 0.954 1.000 0.000
#> GSM87909 1 0.0000 0.954 1.000 0.000
#> GSM87928 1 0.0000 0.954 1.000 0.000
#> GSM87960 1 0.0000 0.954 1.000 0.000
#> GSM87862 2 0.8081 0.720 0.248 0.752
#> GSM87886 1 0.0000 0.954 1.000 0.000
#> GSM87895 2 0.1184 0.879 0.016 0.984
#> GSM87919 1 0.0000 0.954 1.000 0.000
#> GSM87933 2 0.9661 0.469 0.392 0.608
#> GSM87952 1 0.0000 0.954 1.000 0.000
#> GSM87872 1 0.0376 0.950 0.996 0.004
#> GSM87877 1 0.0000 0.954 1.000 0.000
#> GSM87905 1 0.0000 0.954 1.000 0.000
#> GSM87914 1 0.0000 0.954 1.000 0.000
#> GSM87942 1 0.0000 0.954 1.000 0.000
#> GSM87956 1 0.0000 0.954 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.5254 0.6632 0.736 0.000 0.264
#> GSM87887 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87896 3 0.6260 0.4044 0.000 0.448 0.552
#> GSM87934 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87943 3 0.0237 0.8034 0.004 0.000 0.996
#> GSM87853 3 0.0000 0.8039 0.000 0.000 1.000
#> GSM87906 1 0.5905 0.4728 0.648 0.352 0.000
#> GSM87920 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87924 2 0.0237 0.8883 0.000 0.996 0.004
#> GSM87858 3 0.5178 0.6845 0.000 0.256 0.744
#> GSM87882 3 0.6302 -0.0670 0.480 0.000 0.520
#> GSM87891 3 0.6215 0.4470 0.000 0.428 0.572
#> GSM87917 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87929 2 0.1643 0.8726 0.044 0.956 0.000
#> GSM87948 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87868 1 0.0747 0.9200 0.984 0.000 0.016
#> GSM87873 3 0.5178 0.6842 0.000 0.256 0.744
#> GSM87901 1 0.3267 0.8428 0.884 0.116 0.000
#> GSM87910 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87938 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87953 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87864 1 0.4842 0.7236 0.776 0.000 0.224
#> GSM87888 1 0.3267 0.8486 0.884 0.000 0.116
#> GSM87897 2 0.6304 0.6749 0.192 0.752 0.056
#> GSM87935 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87944 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87854 3 0.4750 0.6070 0.216 0.000 0.784
#> GSM87878 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87907 2 0.5058 0.5252 0.000 0.756 0.244
#> GSM87921 1 0.6286 0.0934 0.536 0.464 0.000
#> GSM87925 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87957 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87859 3 0.2066 0.7956 0.000 0.060 0.940
#> GSM87883 1 0.0237 0.9249 0.996 0.000 0.004
#> GSM87892 3 0.5733 0.6145 0.000 0.324 0.676
#> GSM87930 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87869 1 0.0237 0.9249 0.996 0.000 0.004
#> GSM87874 3 0.2537 0.7898 0.000 0.080 0.920
#> GSM87902 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87911 1 0.3983 0.8044 0.852 0.144 0.004
#> GSM87939 2 0.0237 0.8919 0.004 0.996 0.000
#> GSM87954 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87865 1 0.4452 0.7659 0.808 0.000 0.192
#> GSM87889 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87898 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87915 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87936 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.8039 0.000 0.000 1.000
#> GSM87855 3 0.0000 0.8039 0.000 0.000 1.000
#> GSM87879 1 0.6260 0.2608 0.552 0.000 0.448
#> GSM87922 2 0.4062 0.7431 0.164 0.836 0.000
#> GSM87926 2 0.0424 0.8912 0.008 0.992 0.000
#> GSM87958 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87860 3 0.0424 0.8046 0.000 0.008 0.992
#> GSM87884 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87893 3 0.5497 0.6502 0.000 0.292 0.708
#> GSM87918 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87931 2 0.0237 0.8919 0.004 0.996 0.000
#> GSM87950 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87870 1 0.0424 0.9237 0.992 0.000 0.008
#> GSM87875 3 0.0237 0.8034 0.004 0.000 0.996
#> GSM87903 1 0.6621 0.5689 0.684 0.284 0.032
#> GSM87912 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87940 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87866 1 0.1753 0.9018 0.952 0.000 0.048
#> GSM87899 3 0.0424 0.8044 0.000 0.008 0.992
#> GSM87937 2 0.0000 0.8913 0.000 1.000 0.000
#> GSM87946 1 0.0237 0.9249 0.996 0.000 0.004
#> GSM87856 3 0.0237 0.8034 0.004 0.000 0.996
#> GSM87880 1 0.2796 0.8698 0.908 0.000 0.092
#> GSM87908 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87923 3 0.8157 0.4496 0.076 0.384 0.540
#> GSM87927 2 0.3267 0.8047 0.116 0.884 0.000
#> GSM87959 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87861 3 0.0237 0.8046 0.000 0.004 0.996
#> GSM87885 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87894 1 0.3551 0.8338 0.868 0.000 0.132
#> GSM87932 1 0.3340 0.8341 0.880 0.120 0.000
#> GSM87951 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87871 1 0.2448 0.8825 0.924 0.000 0.076
#> GSM87876 1 0.0424 0.9234 0.992 0.000 0.008
#> GSM87904 3 0.2860 0.7897 0.004 0.084 0.912
#> GSM87913 1 0.1031 0.9161 0.976 0.000 0.024
#> GSM87941 2 0.2261 0.8543 0.068 0.932 0.000
#> GSM87955 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87867 1 0.0747 0.9200 0.984 0.000 0.016
#> GSM87890 2 0.0892 0.8830 0.020 0.980 0.000
#> GSM87900 2 0.2066 0.8609 0.060 0.940 0.000
#> GSM87916 2 0.0747 0.8887 0.016 0.984 0.000
#> GSM87947 1 0.1753 0.9018 0.952 0.000 0.048
#> GSM87857 3 0.0892 0.7957 0.020 0.000 0.980
#> GSM87881 1 0.2878 0.8602 0.904 0.096 0.000
#> GSM87909 1 0.2878 0.8583 0.904 0.096 0.000
#> GSM87928 1 0.6111 0.3239 0.604 0.396 0.000
#> GSM87960 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87862 3 0.8247 0.5524 0.096 0.324 0.580
#> GSM87886 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87895 2 0.1643 0.8517 0.000 0.956 0.044
#> GSM87919 1 0.0237 0.9252 0.996 0.004 0.000
#> GSM87933 2 0.0237 0.8919 0.004 0.996 0.000
#> GSM87952 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87872 1 0.4002 0.7932 0.840 0.160 0.000
#> GSM87877 1 0.0000 0.9261 1.000 0.000 0.000
#> GSM87905 1 0.1031 0.9143 0.976 0.024 0.000
#> GSM87914 2 0.6062 0.3913 0.384 0.616 0.000
#> GSM87942 2 0.5327 0.6025 0.272 0.728 0.000
#> GSM87956 1 0.0000 0.9261 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.2742 0.6946 0.076 0.900 0.024 0.000
#> GSM87887 2 0.1902 0.7179 0.064 0.932 0.000 0.004
#> GSM87896 3 0.3105 0.8183 0.004 0.000 0.856 0.140
#> GSM87934 4 0.0000 0.9362 0.000 0.000 0.000 1.000
#> GSM87943 2 0.4776 0.1386 0.000 0.624 0.376 0.000
#> GSM87853 3 0.0707 0.8711 0.000 0.020 0.980 0.000
#> GSM87906 1 0.3447 0.5887 0.852 0.000 0.128 0.020
#> GSM87920 2 0.4477 0.4357 0.312 0.688 0.000 0.000
#> GSM87924 4 0.0592 0.9271 0.000 0.000 0.016 0.984
#> GSM87858 3 0.0817 0.8735 0.000 0.000 0.976 0.024
#> GSM87882 2 0.3885 0.6567 0.000 0.844 0.092 0.064
#> GSM87891 3 0.3105 0.8198 0.004 0.000 0.856 0.140
#> GSM87917 1 0.3610 0.6927 0.800 0.200 0.000 0.000
#> GSM87929 4 0.0672 0.9325 0.008 0.008 0.000 0.984
#> GSM87948 2 0.3356 0.6566 0.176 0.824 0.000 0.000
#> GSM87868 2 0.4999 -0.1558 0.492 0.508 0.000 0.000
#> GSM87873 3 0.2197 0.8496 0.000 0.004 0.916 0.080
#> GSM87901 1 0.1516 0.6716 0.960 0.008 0.016 0.016
#> GSM87910 1 0.3356 0.7000 0.824 0.176 0.000 0.000
#> GSM87938 4 0.0188 0.9351 0.000 0.000 0.004 0.996
#> GSM87953 1 0.3610 0.6922 0.800 0.200 0.000 0.000
#> GSM87864 2 0.2976 0.7008 0.120 0.872 0.008 0.000
#> GSM87888 2 0.1913 0.6970 0.000 0.940 0.040 0.020
#> GSM87897 1 0.4477 0.2579 0.688 0.000 0.312 0.000
#> GSM87935 4 0.0376 0.9350 0.004 0.000 0.004 0.992
#> GSM87944 2 0.2868 0.6844 0.136 0.864 0.000 0.000
#> GSM87854 3 0.5432 0.7217 0.068 0.216 0.716 0.000
#> GSM87878 2 0.5858 -0.1500 0.468 0.500 0.000 0.032
#> GSM87907 3 0.4776 0.7286 0.272 0.000 0.712 0.016
#> GSM87921 1 0.3486 0.5683 0.812 0.000 0.000 0.188
#> GSM87925 4 0.0000 0.9362 0.000 0.000 0.000 1.000
#> GSM87957 2 0.4941 0.1468 0.436 0.564 0.000 0.000
#> GSM87859 3 0.0779 0.8742 0.000 0.004 0.980 0.016
#> GSM87883 2 0.1118 0.7205 0.036 0.964 0.000 0.000
#> GSM87892 3 0.1182 0.8743 0.016 0.000 0.968 0.016
#> GSM87930 4 0.0188 0.9351 0.000 0.000 0.004 0.996
#> GSM87949 1 0.4643 0.5548 0.656 0.344 0.000 0.000
#> GSM87869 1 0.4817 0.4305 0.612 0.388 0.000 0.000
#> GSM87874 3 0.2198 0.8507 0.000 0.008 0.920 0.072
#> GSM87902 1 0.1661 0.6477 0.944 0.000 0.052 0.004
#> GSM87911 1 0.1978 0.6802 0.928 0.068 0.004 0.000
#> GSM87939 4 0.0188 0.9357 0.000 0.004 0.000 0.996
#> GSM87954 1 0.3123 0.6998 0.844 0.156 0.000 0.000
#> GSM87865 1 0.5331 0.4601 0.644 0.332 0.024 0.000
#> GSM87889 2 0.2214 0.7159 0.028 0.928 0.000 0.044
#> GSM87898 1 0.1118 0.6568 0.964 0.000 0.036 0.000
#> GSM87915 1 0.3610 0.6916 0.800 0.200 0.000 0.000
#> GSM87936 4 0.0524 0.9340 0.008 0.000 0.004 0.988
#> GSM87945 3 0.3444 0.7743 0.000 0.184 0.816 0.000
#> GSM87855 3 0.1118 0.8681 0.000 0.036 0.964 0.000
#> GSM87879 2 0.1792 0.6799 0.000 0.932 0.068 0.000
#> GSM87922 4 0.2401 0.8657 0.000 0.092 0.004 0.904
#> GSM87926 4 0.0188 0.9357 0.000 0.004 0.000 0.996
#> GSM87958 1 0.4925 0.3783 0.572 0.428 0.000 0.000
#> GSM87860 3 0.1576 0.8701 0.048 0.000 0.948 0.004
#> GSM87884 2 0.1398 0.7208 0.040 0.956 0.000 0.004
#> GSM87893 3 0.0707 0.8741 0.000 0.000 0.980 0.020
#> GSM87918 1 0.3638 0.6981 0.848 0.120 0.000 0.032
#> GSM87931 4 0.0000 0.9362 0.000 0.000 0.000 1.000
#> GSM87950 1 0.4955 0.3470 0.556 0.444 0.000 0.000
#> GSM87870 1 0.4072 0.6470 0.748 0.252 0.000 0.000
#> GSM87875 2 0.4188 0.4446 0.000 0.752 0.244 0.004
#> GSM87903 1 0.4663 0.3590 0.716 0.000 0.272 0.012
#> GSM87912 1 0.3873 0.6792 0.772 0.228 0.000 0.000
#> GSM87940 4 0.0000 0.9362 0.000 0.000 0.000 1.000
#> GSM87866 1 0.4888 0.3478 0.588 0.412 0.000 0.000
#> GSM87899 3 0.4643 0.6391 0.344 0.000 0.656 0.000
#> GSM87937 4 0.0188 0.9351 0.000 0.000 0.004 0.996
#> GSM87946 2 0.4356 0.5060 0.292 0.708 0.000 0.000
#> GSM87856 3 0.3808 0.7790 0.012 0.176 0.812 0.000
#> GSM87880 2 0.0921 0.7016 0.000 0.972 0.028 0.000
#> GSM87908 1 0.1716 0.6406 0.936 0.000 0.064 0.000
#> GSM87923 4 0.7006 0.2748 0.000 0.340 0.132 0.528
#> GSM87927 4 0.2546 0.8735 0.092 0.008 0.000 0.900
#> GSM87959 2 0.4776 0.2903 0.376 0.624 0.000 0.000
#> GSM87861 3 0.0188 0.8741 0.000 0.000 0.996 0.004
#> GSM87885 2 0.2227 0.7181 0.036 0.928 0.000 0.036
#> GSM87894 1 0.3249 0.6692 0.852 0.140 0.008 0.000
#> GSM87932 1 0.3881 0.6923 0.812 0.172 0.000 0.016
#> GSM87951 1 0.4585 0.5735 0.668 0.332 0.000 0.000
#> GSM87871 1 0.5427 0.3660 0.568 0.416 0.016 0.000
#> GSM87876 2 0.0657 0.7168 0.012 0.984 0.000 0.004
#> GSM87904 3 0.4356 0.7092 0.292 0.000 0.708 0.000
#> GSM87913 1 0.3266 0.6795 0.832 0.168 0.000 0.000
#> GSM87941 4 0.1042 0.9263 0.020 0.008 0.000 0.972
#> GSM87955 1 0.4222 0.6361 0.728 0.272 0.000 0.000
#> GSM87867 2 0.4222 0.5361 0.272 0.728 0.000 0.000
#> GSM87890 4 0.2704 0.8340 0.000 0.124 0.000 0.876
#> GSM87900 1 0.4181 0.5835 0.820 0.000 0.128 0.052
#> GSM87916 4 0.0188 0.9357 0.000 0.004 0.000 0.996
#> GSM87947 2 0.0657 0.7107 0.004 0.984 0.012 0.000
#> GSM87857 3 0.0779 0.8738 0.016 0.004 0.980 0.000
#> GSM87881 2 0.5460 0.4404 0.028 0.632 0.000 0.340
#> GSM87909 1 0.1247 0.6789 0.968 0.016 0.004 0.012
#> GSM87928 1 0.7138 0.4156 0.552 0.180 0.000 0.268
#> GSM87960 2 0.4967 0.0251 0.452 0.548 0.000 0.000
#> GSM87862 3 0.4044 0.8170 0.152 0.004 0.820 0.024
#> GSM87886 2 0.3668 0.6425 0.188 0.808 0.000 0.004
#> GSM87895 3 0.6393 0.6686 0.160 0.000 0.652 0.188
#> GSM87919 1 0.3726 0.6827 0.788 0.212 0.000 0.000
#> GSM87933 4 0.0000 0.9362 0.000 0.000 0.000 1.000
#> GSM87952 1 0.4898 0.4162 0.584 0.416 0.000 0.000
#> GSM87872 1 0.7495 0.0917 0.448 0.368 0.000 0.184
#> GSM87877 2 0.2868 0.6872 0.136 0.864 0.000 0.000
#> GSM87905 1 0.1247 0.6789 0.968 0.016 0.004 0.012
#> GSM87914 4 0.4323 0.7536 0.184 0.028 0.000 0.788
#> GSM87942 4 0.2722 0.8808 0.064 0.032 0.000 0.904
#> GSM87956 1 0.4564 0.5785 0.672 0.328 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 1 0.5518 0.38786 0.580 0.068 0.004 0.000 0.348
#> GSM87887 1 0.4400 0.59677 0.736 0.052 0.000 0.000 0.212
#> GSM87896 3 0.1883 0.67234 0.000 0.012 0.932 0.048 0.008
#> GSM87934 4 0.0865 0.85340 0.000 0.024 0.004 0.972 0.000
#> GSM87943 5 0.5159 0.56763 0.072 0.032 0.168 0.000 0.728
#> GSM87853 3 0.4182 0.18211 0.000 0.000 0.600 0.000 0.400
#> GSM87906 2 0.5983 0.28517 0.060 0.556 0.356 0.000 0.028
#> GSM87920 5 0.7274 -0.03957 0.124 0.368 0.000 0.068 0.440
#> GSM87924 4 0.2178 0.83601 0.000 0.048 0.024 0.920 0.008
#> GSM87858 3 0.1798 0.67195 0.000 0.004 0.928 0.004 0.064
#> GSM87882 1 0.7990 0.06820 0.412 0.052 0.060 0.100 0.376
#> GSM87891 3 0.2710 0.65834 0.000 0.016 0.896 0.056 0.032
#> GSM87917 2 0.5766 0.22749 0.392 0.516 0.000 0.000 0.092
#> GSM87929 4 0.1934 0.84736 0.004 0.052 0.000 0.928 0.016
#> GSM87948 1 0.2664 0.69242 0.892 0.040 0.000 0.004 0.064
#> GSM87868 1 0.3012 0.67416 0.852 0.124 0.000 0.000 0.024
#> GSM87873 3 0.5392 0.44278 0.000 0.064 0.728 0.072 0.136
#> GSM87901 2 0.6768 0.52373 0.204 0.596 0.120 0.000 0.080
#> GSM87910 2 0.5583 0.36141 0.336 0.584 0.000 0.004 0.076
#> GSM87938 4 0.2482 0.81659 0.000 0.064 0.016 0.904 0.016
#> GSM87953 2 0.5696 0.23384 0.400 0.524 0.000 0.004 0.072
#> GSM87864 1 0.4555 0.60967 0.732 0.068 0.000 0.000 0.200
#> GSM87888 1 0.4992 0.54278 0.712 0.016 0.008 0.036 0.228
#> GSM87897 2 0.4753 0.25400 0.004 0.636 0.340 0.004 0.016
#> GSM87935 4 0.2570 0.83611 0.000 0.108 0.004 0.880 0.008
#> GSM87944 1 0.4840 0.65084 0.724 0.152 0.000 0.000 0.124
#> GSM87854 5 0.6285 0.30636 0.016 0.100 0.388 0.000 0.496
#> GSM87878 1 0.5571 0.47086 0.668 0.176 0.000 0.008 0.148
#> GSM87907 3 0.4915 0.48232 0.000 0.300 0.660 0.016 0.024
#> GSM87921 2 0.5290 -0.13619 0.004 0.540 0.004 0.420 0.032
#> GSM87925 4 0.2352 0.84219 0.000 0.092 0.004 0.896 0.008
#> GSM87957 2 0.6948 -0.01317 0.416 0.432 0.000 0.068 0.084
#> GSM87859 3 0.2561 0.62113 0.000 0.000 0.856 0.000 0.144
#> GSM87883 1 0.3368 0.67511 0.820 0.024 0.000 0.000 0.156
#> GSM87892 3 0.0671 0.68419 0.000 0.016 0.980 0.000 0.004
#> GSM87930 4 0.1525 0.83802 0.000 0.036 0.012 0.948 0.004
#> GSM87949 1 0.3365 0.63285 0.808 0.180 0.000 0.004 0.008
#> GSM87869 1 0.4132 0.53336 0.720 0.260 0.000 0.000 0.020
#> GSM87874 3 0.6048 0.30271 0.000 0.060 0.632 0.060 0.248
#> GSM87902 2 0.6568 0.47092 0.108 0.584 0.256 0.000 0.052
#> GSM87911 2 0.6202 0.12735 0.004 0.556 0.000 0.160 0.280
#> GSM87939 4 0.0880 0.85357 0.000 0.032 0.000 0.968 0.000
#> GSM87954 2 0.5447 0.34184 0.356 0.572 0.000 0.000 0.072
#> GSM87865 1 0.5414 0.18697 0.528 0.412 0.000 0.000 0.060
#> GSM87889 1 0.3170 0.66327 0.828 0.004 0.000 0.008 0.160
#> GSM87898 2 0.5341 0.53475 0.116 0.704 0.164 0.000 0.016
#> GSM87915 2 0.6215 0.44416 0.232 0.620 0.000 0.036 0.112
#> GSM87936 4 0.2621 0.83419 0.000 0.112 0.004 0.876 0.008
#> GSM87945 5 0.3814 0.49363 0.000 0.004 0.276 0.000 0.720
#> GSM87855 3 0.4894 -0.12173 0.000 0.024 0.520 0.000 0.456
#> GSM87879 1 0.4902 0.50147 0.676 0.008 0.024 0.008 0.284
#> GSM87922 4 0.5864 0.65804 0.028 0.128 0.000 0.664 0.180
#> GSM87926 4 0.1704 0.84913 0.000 0.068 0.000 0.928 0.004
#> GSM87958 2 0.6513 -0.00209 0.428 0.456 0.000 0.072 0.044
#> GSM87860 3 0.2157 0.68201 0.004 0.040 0.920 0.000 0.036
#> GSM87884 1 0.4679 0.59783 0.716 0.068 0.000 0.000 0.216
#> GSM87893 3 0.1557 0.67393 0.000 0.000 0.940 0.008 0.052
#> GSM87918 2 0.7022 0.27358 0.180 0.504 0.000 0.280 0.036
#> GSM87931 4 0.0451 0.85197 0.000 0.008 0.004 0.988 0.000
#> GSM87950 1 0.3219 0.66257 0.840 0.136 0.000 0.004 0.020
#> GSM87870 1 0.5503 0.32464 0.596 0.328 0.004 0.000 0.072
#> GSM87875 5 0.4728 0.51029 0.164 0.004 0.092 0.000 0.740
#> GSM87903 2 0.5730 0.14457 0.040 0.524 0.412 0.000 0.024
#> GSM87912 2 0.6103 0.29958 0.352 0.532 0.000 0.008 0.108
#> GSM87940 4 0.1731 0.84178 0.000 0.040 0.008 0.940 0.012
#> GSM87866 1 0.4250 0.53496 0.720 0.252 0.000 0.000 0.028
#> GSM87899 3 0.4953 0.27258 0.000 0.440 0.532 0.000 0.028
#> GSM87937 4 0.1492 0.85222 0.000 0.040 0.004 0.948 0.008
#> GSM87946 1 0.2850 0.68829 0.872 0.092 0.000 0.000 0.036
#> GSM87856 5 0.5608 0.30936 0.020 0.036 0.428 0.000 0.516
#> GSM87880 1 0.3087 0.65056 0.836 0.008 0.004 0.000 0.152
#> GSM87908 2 0.5476 0.39931 0.060 0.636 0.288 0.000 0.016
#> GSM87923 4 0.6823 0.37592 0.196 0.016 0.012 0.556 0.220
#> GSM87927 4 0.3069 0.81946 0.004 0.136 0.004 0.848 0.008
#> GSM87959 1 0.2407 0.68440 0.896 0.088 0.000 0.004 0.012
#> GSM87861 3 0.2352 0.66950 0.004 0.008 0.896 0.000 0.092
#> GSM87885 1 0.4792 0.59394 0.712 0.044 0.000 0.012 0.232
#> GSM87894 2 0.6117 0.30431 0.368 0.524 0.012 0.000 0.096
#> GSM87932 2 0.6976 0.41391 0.276 0.540 0.000 0.072 0.112
#> GSM87951 1 0.3656 0.61926 0.784 0.196 0.000 0.000 0.020
#> GSM87871 1 0.3906 0.66237 0.816 0.128 0.032 0.000 0.024
#> GSM87876 1 0.2179 0.67541 0.896 0.004 0.000 0.000 0.100
#> GSM87904 3 0.3500 0.60688 0.004 0.172 0.808 0.000 0.016
#> GSM87913 2 0.5170 0.08901 0.028 0.552 0.000 0.008 0.412
#> GSM87941 4 0.2228 0.84287 0.004 0.092 0.000 0.900 0.004
#> GSM87955 1 0.4335 0.50261 0.708 0.268 0.000 0.004 0.020
#> GSM87867 1 0.1743 0.69352 0.940 0.028 0.004 0.000 0.028
#> GSM87890 4 0.8309 0.17008 0.308 0.076 0.104 0.444 0.068
#> GSM87900 2 0.5811 0.34298 0.044 0.608 0.316 0.012 0.020
#> GSM87916 4 0.6405 0.62435 0.032 0.112 0.036 0.668 0.152
#> GSM87947 1 0.3596 0.63220 0.784 0.016 0.000 0.000 0.200
#> GSM87857 3 0.3420 0.63296 0.004 0.036 0.836 0.000 0.124
#> GSM87881 1 0.4424 0.60011 0.788 0.024 0.000 0.124 0.064
#> GSM87909 2 0.5800 0.54586 0.180 0.676 0.108 0.000 0.036
#> GSM87928 1 0.8207 -0.22736 0.316 0.300 0.000 0.276 0.108
#> GSM87960 1 0.3441 0.65677 0.828 0.140 0.000 0.004 0.028
#> GSM87862 3 0.6548 0.43326 0.164 0.144 0.636 0.012 0.044
#> GSM87886 1 0.2208 0.68895 0.908 0.020 0.000 0.000 0.072
#> GSM87895 3 0.4352 0.59295 0.000 0.160 0.772 0.060 0.008
#> GSM87919 1 0.5849 0.07246 0.508 0.392 0.000 0.000 0.100
#> GSM87933 4 0.1934 0.83143 0.004 0.052 0.000 0.928 0.016
#> GSM87952 1 0.2886 0.66022 0.844 0.148 0.000 0.000 0.008
#> GSM87872 1 0.3968 0.66333 0.844 0.056 0.032 0.020 0.048
#> GSM87877 1 0.0794 0.69096 0.972 0.000 0.000 0.000 0.028
#> GSM87905 2 0.4991 0.54835 0.180 0.720 0.092 0.000 0.008
#> GSM87914 4 0.3379 0.80468 0.008 0.148 0.000 0.828 0.016
#> GSM87942 4 0.4135 0.76928 0.008 0.084 0.000 0.800 0.108
#> GSM87956 1 0.3527 0.63323 0.804 0.172 0.000 0.000 0.024
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 3 0.6041 -0.090982 0.036 0.008 0.460 0.000 0.080 0.416
#> GSM87887 1 0.6365 -0.209674 0.448 0.000 0.028 0.000 0.336 0.188
#> GSM87896 2 0.1320 0.634342 0.000 0.948 0.016 0.000 0.036 0.000
#> GSM87934 4 0.0260 0.826536 0.000 0.000 0.000 0.992 0.008 0.000
#> GSM87943 3 0.2123 0.533289 0.000 0.012 0.912 0.000 0.052 0.024
#> GSM87853 3 0.4882 0.237510 0.000 0.428 0.512 0.000 0.060 0.000
#> GSM87906 2 0.5291 0.421023 0.340 0.580 0.004 0.000 0.052 0.024
#> GSM87920 1 0.5579 0.256797 0.572 0.000 0.292 0.000 0.120 0.016
#> GSM87924 4 0.2269 0.820585 0.000 0.012 0.012 0.896 0.080 0.000
#> GSM87858 2 0.2647 0.581715 0.000 0.868 0.088 0.000 0.044 0.000
#> GSM87882 5 0.7218 0.174889 0.196 0.004 0.256 0.044 0.468 0.032
#> GSM87891 2 0.2420 0.604331 0.000 0.884 0.040 0.000 0.076 0.000
#> GSM87917 1 0.2911 0.559891 0.832 0.000 0.000 0.000 0.024 0.144
#> GSM87929 4 0.2728 0.795213 0.040 0.000 0.000 0.860 0.100 0.000
#> GSM87948 6 0.1340 0.681106 0.004 0.000 0.008 0.000 0.040 0.948
#> GSM87868 6 0.3787 0.623914 0.120 0.000 0.012 0.000 0.072 0.796
#> GSM87873 2 0.6596 -0.000407 0.000 0.480 0.204 0.052 0.264 0.000
#> GSM87901 1 0.4672 0.477351 0.716 0.192 0.000 0.000 0.036 0.056
#> GSM87910 1 0.3610 0.559276 0.792 0.000 0.004 0.000 0.052 0.152
#> GSM87938 4 0.2837 0.782438 0.008 0.004 0.004 0.840 0.144 0.000
#> GSM87953 1 0.3527 0.555760 0.792 0.000 0.004 0.000 0.040 0.164
#> GSM87864 6 0.2650 0.658987 0.004 0.004 0.072 0.000 0.040 0.880
#> GSM87888 6 0.5285 0.313169 0.012 0.000 0.068 0.012 0.292 0.616
#> GSM87897 2 0.6568 0.421880 0.268 0.512 0.020 0.000 0.172 0.028
#> GSM87935 4 0.2146 0.803998 0.000 0.004 0.000 0.880 0.116 0.000
#> GSM87944 1 0.7080 0.115919 0.372 0.000 0.172 0.000 0.100 0.356
#> GSM87854 3 0.5008 0.551675 0.032 0.232 0.684 0.000 0.032 0.020
#> GSM87878 1 0.4989 0.247020 0.628 0.000 0.000 0.000 0.252 0.120
#> GSM87907 2 0.4362 0.608268 0.060 0.788 0.036 0.004 0.100 0.012
#> GSM87921 4 0.7014 0.364536 0.168 0.008 0.048 0.484 0.276 0.016
#> GSM87925 4 0.1958 0.808938 0.004 0.000 0.000 0.896 0.100 0.000
#> GSM87957 6 0.4538 0.543746 0.040 0.000 0.020 0.012 0.200 0.728
#> GSM87859 2 0.4172 0.402560 0.000 0.724 0.204 0.000 0.072 0.000
#> GSM87883 1 0.7263 -0.334207 0.336 0.000 0.092 0.000 0.272 0.300
#> GSM87892 2 0.1261 0.632820 0.000 0.952 0.024 0.000 0.024 0.000
#> GSM87930 4 0.1908 0.808866 0.004 0.000 0.000 0.900 0.096 0.000
#> GSM87949 6 0.1858 0.679726 0.076 0.000 0.000 0.000 0.012 0.912
#> GSM87869 6 0.3768 0.610916 0.136 0.004 0.008 0.000 0.056 0.796
#> GSM87874 2 0.6691 -0.229871 0.000 0.384 0.352 0.040 0.224 0.000
#> GSM87902 1 0.5360 -0.146498 0.488 0.436 0.000 0.000 0.040 0.036
#> GSM87911 1 0.7111 -0.140008 0.400 0.004 0.356 0.068 0.164 0.008
#> GSM87939 4 0.0458 0.825953 0.000 0.000 0.000 0.984 0.016 0.000
#> GSM87954 1 0.4963 0.503665 0.648 0.004 0.000 0.000 0.112 0.236
#> GSM87865 6 0.8179 0.033048 0.200 0.076 0.224 0.000 0.112 0.388
#> GSM87889 6 0.6670 -0.058449 0.124 0.000 0.052 0.016 0.324 0.484
#> GSM87898 1 0.6406 0.164226 0.532 0.284 0.008 0.000 0.120 0.056
#> GSM87915 1 0.1794 0.530182 0.924 0.000 0.000 0.000 0.036 0.040
#> GSM87936 4 0.2257 0.801876 0.008 0.000 0.000 0.876 0.116 0.000
#> GSM87945 3 0.2618 0.538296 0.000 0.052 0.872 0.000 0.076 0.000
#> GSM87855 3 0.3721 0.473687 0.004 0.308 0.684 0.000 0.004 0.000
#> GSM87879 6 0.5980 -0.048259 0.012 0.000 0.164 0.000 0.352 0.472
#> GSM87922 4 0.6377 0.455057 0.088 0.000 0.132 0.556 0.224 0.000
#> GSM87926 4 0.0717 0.826094 0.008 0.000 0.000 0.976 0.016 0.000
#> GSM87958 6 0.6452 0.339286 0.132 0.000 0.028 0.036 0.244 0.560
#> GSM87860 2 0.2575 0.628235 0.020 0.884 0.076 0.000 0.020 0.000
#> GSM87884 1 0.6577 -0.127989 0.460 0.000 0.044 0.000 0.292 0.204
#> GSM87893 2 0.2499 0.593728 0.000 0.880 0.072 0.000 0.048 0.000
#> GSM87918 6 0.6401 0.338544 0.072 0.004 0.012 0.120 0.196 0.596
#> GSM87931 4 0.1196 0.821230 0.008 0.000 0.000 0.952 0.040 0.000
#> GSM87950 6 0.2182 0.679977 0.076 0.000 0.004 0.000 0.020 0.900
#> GSM87870 1 0.5139 0.363667 0.624 0.016 0.008 0.000 0.056 0.296
#> GSM87875 3 0.5190 0.266240 0.000 0.016 0.632 0.000 0.256 0.096
#> GSM87903 2 0.4662 0.519446 0.288 0.652 0.004 0.000 0.052 0.004
#> GSM87912 1 0.2119 0.542418 0.904 0.000 0.000 0.000 0.036 0.060
#> GSM87940 4 0.2001 0.809965 0.004 0.004 0.000 0.900 0.092 0.000
#> GSM87866 6 0.6173 0.178942 0.348 0.012 0.056 0.000 0.068 0.516
#> GSM87899 2 0.5202 0.564840 0.144 0.696 0.040 0.000 0.116 0.004
#> GSM87937 4 0.1349 0.827098 0.000 0.004 0.000 0.940 0.056 0.000
#> GSM87946 6 0.2818 0.677214 0.052 0.000 0.024 0.000 0.048 0.876
#> GSM87856 3 0.4314 0.574390 0.012 0.220 0.728 0.000 0.024 0.016
#> GSM87880 6 0.3650 0.539194 0.004 0.000 0.024 0.000 0.216 0.756
#> GSM87908 2 0.6590 0.396614 0.280 0.524 0.012 0.000 0.116 0.068
#> GSM87923 4 0.6070 0.448955 0.008 0.004 0.260 0.576 0.124 0.028
#> GSM87927 4 0.2664 0.787658 0.016 0.000 0.000 0.848 0.136 0.000
#> GSM87959 6 0.1675 0.684697 0.024 0.000 0.008 0.000 0.032 0.936
#> GSM87861 2 0.2368 0.622983 0.008 0.888 0.092 0.000 0.008 0.004
#> GSM87885 5 0.6868 0.180732 0.280 0.000 0.036 0.004 0.360 0.320
#> GSM87894 1 0.2821 0.544865 0.880 0.020 0.008 0.000 0.028 0.064
#> GSM87932 1 0.3270 0.546039 0.844 0.000 0.000 0.028 0.040 0.088
#> GSM87951 6 0.2750 0.651312 0.136 0.000 0.000 0.000 0.020 0.844
#> GSM87871 6 0.7113 0.207613 0.212 0.148 0.008 0.000 0.140 0.492
#> GSM87876 6 0.3168 0.573663 0.000 0.000 0.016 0.000 0.192 0.792
#> GSM87904 2 0.1511 0.644831 0.032 0.944 0.012 0.000 0.012 0.000
#> GSM87913 3 0.6064 0.071870 0.380 0.004 0.468 0.000 0.128 0.020
#> GSM87941 4 0.1398 0.820960 0.008 0.000 0.000 0.940 0.052 0.000
#> GSM87955 6 0.2688 0.663343 0.068 0.000 0.000 0.000 0.064 0.868
#> GSM87867 6 0.2563 0.649428 0.008 0.008 0.004 0.000 0.108 0.872
#> GSM87890 5 0.7271 0.279552 0.004 0.056 0.008 0.280 0.372 0.280
#> GSM87900 2 0.6089 0.353556 0.336 0.520 0.004 0.000 0.096 0.044
#> GSM87916 4 0.6571 0.060100 0.224 0.012 0.008 0.428 0.324 0.004
#> GSM87947 6 0.2278 0.666178 0.004 0.000 0.052 0.000 0.044 0.900
#> GSM87857 2 0.2809 0.625524 0.012 0.872 0.088 0.000 0.020 0.008
#> GSM87881 6 0.3928 0.543614 0.004 0.000 0.004 0.040 0.196 0.756
#> GSM87909 2 0.7762 -0.026473 0.256 0.320 0.004 0.004 0.144 0.272
#> GSM87928 1 0.6292 0.254942 0.524 0.000 0.000 0.264 0.044 0.168
#> GSM87960 6 0.1644 0.681678 0.028 0.000 0.000 0.000 0.040 0.932
#> GSM87862 2 0.4029 0.556015 0.020 0.792 0.008 0.000 0.056 0.124
#> GSM87886 6 0.5557 0.251988 0.184 0.000 0.004 0.000 0.240 0.572
#> GSM87895 2 0.2193 0.644051 0.032 0.916 0.004 0.008 0.036 0.004
#> GSM87919 1 0.3997 0.455235 0.688 0.004 0.000 0.000 0.020 0.288
#> GSM87933 4 0.2765 0.791138 0.016 0.000 0.004 0.848 0.132 0.000
#> GSM87952 6 0.2383 0.676832 0.096 0.000 0.000 0.000 0.024 0.880
#> GSM87872 6 0.3068 0.656179 0.012 0.012 0.004 0.012 0.104 0.856
#> GSM87877 6 0.2191 0.640544 0.000 0.000 0.004 0.000 0.120 0.876
#> GSM87905 1 0.5788 0.383628 0.624 0.208 0.000 0.000 0.084 0.084
#> GSM87914 4 0.2973 0.794056 0.016 0.000 0.004 0.864 0.084 0.032
#> GSM87942 4 0.3608 0.720042 0.148 0.000 0.000 0.788 0.064 0.000
#> GSM87956 6 0.1829 0.682903 0.056 0.000 0.000 0.000 0.024 0.920
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 time(p) agent(p) individual(p) k
#> CV:NMF 100 0.374 0.5284 9.10e-04 2
#> CV:NMF 99 0.941 0.5879 9.68e-13 3
#> CV:NMF 87 1.000 0.0349 5.40e-21 4
#> CV:NMF 68 0.806 0.2469 3.19e-17 5
#> CV:NMF 65 0.754 0.2388 1.81e-17 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 108 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 0.463 0.831 0.906 0.4718 0.525 0.525
#> 3 3 0.544 0.691 0.845 0.3572 0.796 0.616
#> 4 4 0.585 0.602 0.743 0.1226 0.846 0.592
#> 5 5 0.659 0.680 0.780 0.0703 0.912 0.699
#> 6 6 0.682 0.626 0.732 0.0494 0.972 0.882
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
#> GSM87863 1 0.2948 0.917 0.948 0.052
#> GSM87887 1 0.6887 0.727 0.816 0.184
#> GSM87896 2 0.0000 0.861 0.000 1.000
#> GSM87934 2 0.0000 0.861 0.000 1.000
#> GSM87943 2 0.0000 0.861 0.000 1.000
#> GSM87853 2 0.0000 0.861 0.000 1.000
#> GSM87906 2 0.7219 0.811 0.200 0.800
#> GSM87920 1 0.4939 0.853 0.892 0.108
#> GSM87924 2 0.0000 0.861 0.000 1.000
#> GSM87858 2 0.0000 0.861 0.000 1.000
#> GSM87882 2 0.7139 0.813 0.196 0.804
#> GSM87891 2 0.0000 0.861 0.000 1.000
#> GSM87917 1 0.0000 0.950 1.000 0.000
#> GSM87929 2 0.7376 0.803 0.208 0.792
#> GSM87948 1 0.1633 0.938 0.976 0.024
#> GSM87868 1 0.0000 0.950 1.000 0.000
#> GSM87873 2 0.0000 0.861 0.000 1.000
#> GSM87901 2 0.9896 0.442 0.440 0.560
#> GSM87910 1 0.0000 0.950 1.000 0.000
#> GSM87938 2 0.0000 0.861 0.000 1.000
#> GSM87953 1 0.0000 0.950 1.000 0.000
#> GSM87864 1 0.2948 0.917 0.948 0.052
#> GSM87888 2 0.7219 0.810 0.200 0.800
#> GSM87897 2 0.6531 0.829 0.168 0.832
#> GSM87935 2 0.0000 0.861 0.000 1.000
#> GSM87944 1 0.0000 0.950 1.000 0.000
#> GSM87854 2 0.5294 0.823 0.120 0.880
#> GSM87878 1 0.6887 0.727 0.816 0.184
#> GSM87907 2 0.6247 0.835 0.156 0.844
#> GSM87921 2 0.6623 0.829 0.172 0.828
#> GSM87925 2 0.0000 0.861 0.000 1.000
#> GSM87957 1 0.0000 0.950 1.000 0.000
#> GSM87859 2 0.0000 0.861 0.000 1.000
#> GSM87883 1 0.0000 0.950 1.000 0.000
#> GSM87892 2 0.0000 0.861 0.000 1.000
#> GSM87930 2 0.0000 0.861 0.000 1.000
#> GSM87949 1 0.0000 0.950 1.000 0.000
#> GSM87869 1 0.0000 0.950 1.000 0.000
#> GSM87874 2 0.0000 0.861 0.000 1.000
#> GSM87902 2 0.9896 0.442 0.440 0.560
#> GSM87911 2 0.9358 0.613 0.352 0.648
#> GSM87939 2 0.0938 0.861 0.012 0.988
#> GSM87954 1 0.0000 0.950 1.000 0.000
#> GSM87865 1 0.2948 0.917 0.948 0.052
#> GSM87889 2 0.8267 0.753 0.260 0.740
#> GSM87898 2 0.9996 0.310 0.488 0.512
#> GSM87915 1 0.0376 0.948 0.996 0.004
#> GSM87936 2 0.0000 0.861 0.000 1.000
#> GSM87945 2 0.0000 0.861 0.000 1.000
#> GSM87855 2 0.0000 0.861 0.000 1.000
#> GSM87879 2 0.7219 0.810 0.200 0.800
#> GSM87922 2 0.5178 0.847 0.116 0.884
#> GSM87926 2 0.0938 0.861 0.012 0.988
#> GSM87958 1 0.0000 0.950 1.000 0.000
#> GSM87860 2 0.1184 0.861 0.016 0.984
#> GSM87884 1 0.0000 0.950 1.000 0.000
#> GSM87893 2 0.0000 0.861 0.000 1.000
#> GSM87918 2 0.9286 0.635 0.344 0.656
#> GSM87931 2 0.0000 0.861 0.000 1.000
#> GSM87950 1 0.0000 0.950 1.000 0.000
#> GSM87870 1 0.2948 0.917 0.948 0.052
#> GSM87875 2 0.0000 0.861 0.000 1.000
#> GSM87903 2 0.7219 0.811 0.200 0.800
#> GSM87912 1 0.0376 0.948 0.996 0.004
#> GSM87940 2 0.0000 0.861 0.000 1.000
#> GSM87866 1 0.2948 0.917 0.948 0.052
#> GSM87899 2 0.6531 0.829 0.168 0.832
#> GSM87937 2 0.0000 0.861 0.000 1.000
#> GSM87946 1 0.0000 0.950 1.000 0.000
#> GSM87856 2 0.0000 0.861 0.000 1.000
#> GSM87880 2 0.7219 0.810 0.200 0.800
#> GSM87908 2 0.9833 0.481 0.424 0.576
#> GSM87923 2 0.5178 0.847 0.116 0.884
#> GSM87927 2 0.5519 0.845 0.128 0.872
#> GSM87959 1 0.0000 0.950 1.000 0.000
#> GSM87861 2 0.0000 0.861 0.000 1.000
#> GSM87885 2 0.8267 0.753 0.260 0.740
#> GSM87894 1 0.0376 0.949 0.996 0.004
#> GSM87932 1 0.0000 0.950 1.000 0.000
#> GSM87951 1 0.0000 0.950 1.000 0.000
#> GSM87871 1 0.9522 0.299 0.628 0.372
#> GSM87876 2 0.8081 0.766 0.248 0.752
#> GSM87904 2 0.6247 0.835 0.156 0.844
#> GSM87913 1 0.2236 0.929 0.964 0.036
#> GSM87941 2 0.5519 0.845 0.128 0.872
#> GSM87955 1 0.0000 0.950 1.000 0.000
#> GSM87867 1 0.9732 0.158 0.596 0.404
#> GSM87890 2 0.1184 0.862 0.016 0.984
#> GSM87900 2 0.8081 0.767 0.248 0.752
#> GSM87916 2 0.1414 0.862 0.020 0.980
#> GSM87947 1 0.1633 0.938 0.976 0.024
#> GSM87857 2 0.1184 0.861 0.016 0.984
#> GSM87881 2 0.5059 0.850 0.112 0.888
#> GSM87909 2 0.9988 0.335 0.480 0.520
#> GSM87928 1 0.0000 0.950 1.000 0.000
#> GSM87960 1 0.0000 0.950 1.000 0.000
#> GSM87862 2 0.5519 0.845 0.128 0.872
#> GSM87886 1 0.0000 0.950 1.000 0.000
#> GSM87895 2 0.6247 0.835 0.156 0.844
#> GSM87919 1 0.0000 0.950 1.000 0.000
#> GSM87933 2 0.0000 0.861 0.000 1.000
#> GSM87952 1 0.0000 0.950 1.000 0.000
#> GSM87872 2 0.7299 0.809 0.204 0.796
#> GSM87877 1 0.1633 0.938 0.976 0.024
#> GSM87905 2 0.9988 0.335 0.480 0.520
#> GSM87914 2 0.9286 0.635 0.344 0.656
#> GSM87942 2 0.7815 0.783 0.232 0.768
#> GSM87956 1 0.0000 0.950 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.3116 0.8841 0.892 0.108 0.000
#> GSM87887 1 0.5591 0.5837 0.696 0.304 0.000
#> GSM87896 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87934 3 0.6307 0.2459 0.000 0.488 0.512
#> GSM87943 3 0.0747 0.7085 0.000 0.016 0.984
#> GSM87853 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87906 2 0.3528 0.7532 0.016 0.892 0.092
#> GSM87920 1 0.4062 0.8198 0.836 0.164 0.000
#> GSM87924 3 0.6192 0.3475 0.000 0.420 0.580
#> GSM87858 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87882 2 0.3832 0.7524 0.020 0.880 0.100
#> GSM87891 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87929 2 0.3193 0.7304 0.004 0.896 0.100
#> GSM87948 1 0.1753 0.9219 0.952 0.048 0.000
#> GSM87868 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87873 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87901 2 0.4346 0.6419 0.184 0.816 0.000
#> GSM87910 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87938 3 0.6309 0.2114 0.000 0.500 0.500
#> GSM87953 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87864 1 0.3116 0.8841 0.892 0.108 0.000
#> GSM87888 2 0.3752 0.7528 0.020 0.884 0.096
#> GSM87897 2 0.3116 0.7399 0.000 0.892 0.108
#> GSM87935 3 0.6302 0.2605 0.000 0.480 0.520
#> GSM87944 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87854 3 0.7244 0.5187 0.092 0.208 0.700
#> GSM87878 1 0.5835 0.5110 0.660 0.340 0.000
#> GSM87907 2 0.3686 0.7295 0.000 0.860 0.140
#> GSM87921 2 0.5115 0.6960 0.016 0.796 0.188
#> GSM87925 3 0.6305 0.2529 0.000 0.484 0.516
#> GSM87957 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87859 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87883 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87892 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87930 3 0.6307 0.2437 0.000 0.488 0.512
#> GSM87949 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87869 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87874 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87902 2 0.4346 0.6419 0.184 0.816 0.000
#> GSM87911 2 0.8122 0.6047 0.184 0.648 0.168
#> GSM87939 2 0.6286 -0.1277 0.000 0.536 0.464
#> GSM87954 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87865 1 0.3116 0.8841 0.892 0.108 0.000
#> GSM87889 2 0.4443 0.7409 0.084 0.864 0.052
#> GSM87898 2 0.4974 0.5907 0.236 0.764 0.000
#> GSM87915 1 0.0424 0.9323 0.992 0.008 0.000
#> GSM87936 3 0.6302 0.2605 0.000 0.480 0.520
#> GSM87945 3 0.0747 0.7085 0.000 0.016 0.984
#> GSM87855 3 0.0592 0.7085 0.000 0.012 0.988
#> GSM87879 2 0.3752 0.7528 0.020 0.884 0.096
#> GSM87922 2 0.5098 0.6163 0.000 0.752 0.248
#> GSM87926 2 0.6286 -0.1277 0.000 0.536 0.464
#> GSM87958 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87860 3 0.4235 0.6327 0.000 0.176 0.824
#> GSM87884 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87893 3 0.0000 0.7069 0.000 0.000 1.000
#> GSM87918 2 0.3375 0.7106 0.100 0.892 0.008
#> GSM87931 3 0.6308 0.2349 0.000 0.492 0.508
#> GSM87950 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87870 1 0.3116 0.8841 0.892 0.108 0.000
#> GSM87875 3 0.2261 0.6929 0.000 0.068 0.932
#> GSM87903 2 0.3528 0.7532 0.016 0.892 0.092
#> GSM87912 1 0.0424 0.9323 0.992 0.008 0.000
#> GSM87940 3 0.6309 0.2114 0.000 0.500 0.500
#> GSM87866 1 0.3116 0.8841 0.892 0.108 0.000
#> GSM87899 2 0.3116 0.7399 0.000 0.892 0.108
#> GSM87937 3 0.6302 0.2605 0.000 0.480 0.520
#> GSM87946 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87856 3 0.0747 0.7085 0.000 0.016 0.984
#> GSM87880 2 0.3752 0.7528 0.020 0.884 0.096
#> GSM87908 2 0.4409 0.6567 0.172 0.824 0.004
#> GSM87923 2 0.5560 0.5593 0.000 0.700 0.300
#> GSM87927 2 0.4931 0.5903 0.000 0.768 0.232
#> GSM87959 1 0.0237 0.9337 0.996 0.004 0.000
#> GSM87861 3 0.1031 0.7061 0.000 0.024 0.976
#> GSM87885 2 0.4269 0.7437 0.076 0.872 0.052
#> GSM87894 1 0.1031 0.9315 0.976 0.024 0.000
#> GSM87932 1 0.4121 0.8063 0.832 0.168 0.000
#> GSM87951 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87871 1 0.7681 0.1652 0.540 0.412 0.048
#> GSM87876 2 0.4194 0.7491 0.060 0.876 0.064
#> GSM87904 2 0.3686 0.7295 0.000 0.860 0.140
#> GSM87913 1 0.2165 0.9132 0.936 0.064 0.000
#> GSM87941 2 0.4931 0.5903 0.000 0.768 0.232
#> GSM87955 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87867 2 0.6669 0.0202 0.468 0.524 0.008
#> GSM87890 2 0.5529 0.5101 0.000 0.704 0.296
#> GSM87900 2 0.1774 0.7444 0.016 0.960 0.024
#> GSM87916 2 0.5327 0.5386 0.000 0.728 0.272
#> GSM87947 1 0.1753 0.9219 0.952 0.048 0.000
#> GSM87857 3 0.4291 0.6307 0.000 0.180 0.820
#> GSM87881 2 0.4291 0.6956 0.000 0.820 0.180
#> GSM87909 2 0.4887 0.5995 0.228 0.772 0.000
#> GSM87928 1 0.4121 0.8063 0.832 0.168 0.000
#> GSM87960 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87862 2 0.5058 0.6550 0.000 0.756 0.244
#> GSM87886 1 0.0592 0.9343 0.988 0.012 0.000
#> GSM87895 2 0.3686 0.7295 0.000 0.860 0.140
#> GSM87919 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87933 3 0.6309 0.2114 0.000 0.500 0.500
#> GSM87952 1 0.0000 0.9331 1.000 0.000 0.000
#> GSM87872 2 0.3637 0.7560 0.024 0.892 0.084
#> GSM87877 1 0.1860 0.9201 0.948 0.052 0.000
#> GSM87905 2 0.4887 0.5995 0.228 0.772 0.000
#> GSM87914 2 0.3375 0.7106 0.100 0.892 0.008
#> GSM87942 2 0.2384 0.7459 0.008 0.936 0.056
#> GSM87956 1 0.0000 0.9331 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.4522 0.7713 0.680 0.320 0.000 0.000
#> GSM87887 1 0.6125 0.5376 0.516 0.436 0.000 0.048
#> GSM87896 3 0.0707 0.9221 0.000 0.000 0.980 0.020
#> GSM87934 4 0.3311 0.6100 0.000 0.000 0.172 0.828
#> GSM87943 3 0.1510 0.9101 0.000 0.016 0.956 0.028
#> GSM87853 3 0.0469 0.9208 0.000 0.000 0.988 0.012
#> GSM87906 2 0.5378 0.1979 0.000 0.540 0.012 0.448
#> GSM87920 1 0.5847 0.7206 0.628 0.320 0.000 0.052
#> GSM87924 4 0.4283 0.5421 0.000 0.004 0.256 0.740
#> GSM87858 3 0.0707 0.9221 0.000 0.000 0.980 0.020
#> GSM87882 2 0.5792 0.3050 0.000 0.552 0.032 0.416
#> GSM87891 3 0.0707 0.9221 0.000 0.000 0.980 0.020
#> GSM87917 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87929 4 0.4936 0.1846 0.000 0.316 0.012 0.672
#> GSM87948 1 0.4008 0.8218 0.756 0.244 0.000 0.000
#> GSM87868 1 0.2530 0.8584 0.888 0.112 0.000 0.000
#> GSM87873 3 0.0707 0.9221 0.000 0.000 0.980 0.020
#> GSM87901 2 0.3725 0.5303 0.008 0.812 0.000 0.180
#> GSM87910 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87938 4 0.3172 0.6105 0.000 0.000 0.160 0.840
#> GSM87953 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87864 1 0.4522 0.7713 0.680 0.320 0.000 0.000
#> GSM87888 2 0.5887 0.3110 0.004 0.548 0.028 0.420
#> GSM87897 4 0.5404 -0.0729 0.000 0.476 0.012 0.512
#> GSM87935 4 0.3583 0.6080 0.000 0.004 0.180 0.816
#> GSM87944 1 0.2469 0.8586 0.892 0.108 0.000 0.000
#> GSM87854 3 0.6617 0.5448 0.000 0.176 0.628 0.196
#> GSM87878 1 0.6149 0.4581 0.480 0.472 0.000 0.048
#> GSM87907 4 0.5901 0.0321 0.000 0.432 0.036 0.532
#> GSM87921 4 0.6602 -0.1182 0.000 0.436 0.080 0.484
#> GSM87925 4 0.3539 0.6096 0.000 0.004 0.176 0.820
#> GSM87957 1 0.2408 0.8588 0.896 0.104 0.000 0.000
#> GSM87859 3 0.0469 0.9208 0.000 0.000 0.988 0.012
#> GSM87883 1 0.3356 0.8458 0.824 0.176 0.000 0.000
#> GSM87892 3 0.0707 0.9221 0.000 0.000 0.980 0.020
#> GSM87930 4 0.3311 0.6084 0.000 0.000 0.172 0.828
#> GSM87949 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87869 1 0.2530 0.8584 0.888 0.112 0.000 0.000
#> GSM87874 3 0.0707 0.9221 0.000 0.000 0.980 0.020
#> GSM87902 2 0.3725 0.5303 0.008 0.812 0.000 0.180
#> GSM87911 2 0.6443 0.3446 0.012 0.628 0.072 0.288
#> GSM87939 4 0.3390 0.6022 0.000 0.016 0.132 0.852
#> GSM87954 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87865 1 0.4522 0.7713 0.680 0.320 0.000 0.000
#> GSM87889 2 0.5699 0.3923 0.032 0.588 0.000 0.380
#> GSM87898 2 0.4188 0.5112 0.040 0.812 0.000 0.148
#> GSM87915 1 0.1576 0.8515 0.948 0.048 0.000 0.004
#> GSM87936 4 0.3583 0.6080 0.000 0.004 0.180 0.816
#> GSM87945 3 0.1510 0.9101 0.000 0.016 0.956 0.028
#> GSM87855 3 0.1059 0.9144 0.000 0.012 0.972 0.016
#> GSM87879 2 0.5887 0.3110 0.004 0.548 0.028 0.420
#> GSM87922 4 0.6725 0.1319 0.000 0.348 0.104 0.548
#> GSM87926 4 0.3390 0.6022 0.000 0.016 0.132 0.852
#> GSM87958 1 0.2408 0.8588 0.896 0.104 0.000 0.000
#> GSM87860 3 0.4679 0.6997 0.000 0.044 0.772 0.184
#> GSM87884 1 0.3356 0.8458 0.824 0.176 0.000 0.000
#> GSM87893 3 0.0707 0.9221 0.000 0.000 0.980 0.020
#> GSM87918 2 0.5085 0.4803 0.020 0.676 0.000 0.304
#> GSM87931 4 0.3266 0.6101 0.000 0.000 0.168 0.832
#> GSM87950 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87870 1 0.4522 0.7713 0.680 0.320 0.000 0.000
#> GSM87875 3 0.2813 0.8684 0.000 0.024 0.896 0.080
#> GSM87903 2 0.5378 0.1979 0.000 0.540 0.012 0.448
#> GSM87912 1 0.1576 0.8515 0.948 0.048 0.000 0.004
#> GSM87940 4 0.3172 0.6105 0.000 0.000 0.160 0.840
#> GSM87866 1 0.4522 0.7713 0.680 0.320 0.000 0.000
#> GSM87899 4 0.5404 -0.0729 0.000 0.476 0.012 0.512
#> GSM87937 4 0.3583 0.6080 0.000 0.004 0.180 0.816
#> GSM87946 1 0.2469 0.8586 0.892 0.108 0.000 0.000
#> GSM87856 3 0.1510 0.9101 0.000 0.016 0.956 0.028
#> GSM87880 2 0.5887 0.3110 0.004 0.548 0.028 0.420
#> GSM87908 2 0.4175 0.5279 0.016 0.784 0.000 0.200
#> GSM87923 4 0.7272 0.0955 0.000 0.344 0.160 0.496
#> GSM87927 4 0.5394 0.4430 0.000 0.228 0.060 0.712
#> GSM87959 1 0.1557 0.8557 0.944 0.056 0.000 0.000
#> GSM87861 3 0.1677 0.9062 0.000 0.012 0.948 0.040
#> GSM87885 2 0.5523 0.3958 0.024 0.596 0.000 0.380
#> GSM87894 1 0.3942 0.8272 0.764 0.236 0.000 0.000
#> GSM87932 1 0.4235 0.7329 0.824 0.084 0.000 0.092
#> GSM87951 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87871 2 0.7729 -0.0212 0.396 0.408 0.004 0.192
#> GSM87876 2 0.5299 0.3875 0.008 0.600 0.004 0.388
#> GSM87904 4 0.5901 0.0321 0.000 0.432 0.036 0.532
#> GSM87913 1 0.4482 0.8140 0.728 0.264 0.000 0.008
#> GSM87941 4 0.5394 0.4430 0.000 0.228 0.060 0.712
#> GSM87955 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87867 1 0.7666 -0.1639 0.396 0.392 0.000 0.212
#> GSM87890 4 0.6338 0.4457 0.000 0.236 0.120 0.644
#> GSM87900 2 0.4830 0.3513 0.000 0.608 0.000 0.392
#> GSM87916 4 0.5763 0.4595 0.000 0.204 0.096 0.700
#> GSM87947 1 0.4008 0.8218 0.756 0.244 0.000 0.000
#> GSM87857 3 0.4998 0.6804 0.000 0.052 0.748 0.200
#> GSM87881 4 0.5453 0.2439 0.000 0.304 0.036 0.660
#> GSM87909 2 0.4057 0.5160 0.032 0.816 0.000 0.152
#> GSM87928 1 0.4235 0.7329 0.824 0.084 0.000 0.092
#> GSM87960 1 0.2345 0.8582 0.900 0.100 0.000 0.000
#> GSM87862 4 0.7098 0.0817 0.000 0.400 0.128 0.472
#> GSM87886 1 0.3356 0.8458 0.824 0.176 0.000 0.000
#> GSM87895 4 0.5901 0.0321 0.000 0.432 0.036 0.532
#> GSM87919 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87933 4 0.3172 0.6105 0.000 0.000 0.160 0.840
#> GSM87952 1 0.0000 0.8452 1.000 0.000 0.000 0.000
#> GSM87872 2 0.5163 0.1829 0.000 0.516 0.004 0.480
#> GSM87877 1 0.4040 0.8198 0.752 0.248 0.000 0.000
#> GSM87905 2 0.4057 0.5160 0.032 0.816 0.000 0.152
#> GSM87914 2 0.5085 0.4803 0.020 0.676 0.000 0.304
#> GSM87942 4 0.4713 0.0457 0.000 0.360 0.000 0.640
#> GSM87956 1 0.0000 0.8452 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
#> GSM87863 1 0.4768 0.74147 0.704 0.244 0.000 0.008 0.044
#> GSM87887 1 0.6188 0.49452 0.540 0.124 0.000 0.008 0.328
#> GSM87896 3 0.0404 0.89471 0.000 0.000 0.988 0.012 0.000
#> GSM87934 4 0.1484 0.80630 0.000 0.000 0.048 0.944 0.008
#> GSM87943 3 0.2513 0.87320 0.000 0.000 0.876 0.008 0.116
#> GSM87853 3 0.0162 0.89383 0.000 0.000 0.996 0.004 0.000
#> GSM87906 2 0.5120 0.53785 0.000 0.696 0.000 0.164 0.140
#> GSM87920 1 0.5463 0.71203 0.668 0.248 0.000 0.032 0.052
#> GSM87924 4 0.2771 0.73321 0.000 0.000 0.128 0.860 0.012
#> GSM87858 3 0.0404 0.89471 0.000 0.000 0.988 0.012 0.000
#> GSM87882 5 0.5172 0.73397 0.004 0.164 0.004 0.116 0.712
#> GSM87891 3 0.0404 0.89471 0.000 0.000 0.988 0.012 0.000
#> GSM87917 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87929 4 0.6493 -0.16307 0.000 0.188 0.000 0.428 0.384
#> GSM87948 1 0.4088 0.79382 0.780 0.176 0.000 0.008 0.036
#> GSM87868 1 0.1914 0.83806 0.924 0.060 0.000 0.000 0.016
#> GSM87873 3 0.0404 0.89471 0.000 0.000 0.988 0.012 0.000
#> GSM87901 2 0.1300 0.57934 0.028 0.956 0.000 0.000 0.016
#> GSM87910 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87938 4 0.1618 0.80536 0.000 0.008 0.040 0.944 0.008
#> GSM87953 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87864 1 0.4768 0.74147 0.704 0.244 0.000 0.008 0.044
#> GSM87888 5 0.5208 0.73607 0.004 0.168 0.004 0.116 0.708
#> GSM87897 2 0.5555 0.51029 0.000 0.640 0.000 0.220 0.140
#> GSM87935 4 0.1670 0.80452 0.000 0.000 0.052 0.936 0.012
#> GSM87944 1 0.1740 0.83868 0.932 0.056 0.000 0.000 0.012
#> GSM87854 3 0.7611 0.50166 0.016 0.148 0.552 0.112 0.172
#> GSM87878 1 0.6479 0.41234 0.504 0.160 0.000 0.008 0.328
#> GSM87907 2 0.6333 0.47210 0.000 0.592 0.024 0.244 0.140
#> GSM87921 5 0.6389 0.56690 0.004 0.192 0.004 0.240 0.560
#> GSM87925 4 0.1597 0.80566 0.000 0.000 0.048 0.940 0.012
#> GSM87957 1 0.1502 0.83897 0.940 0.056 0.000 0.000 0.004
#> GSM87859 3 0.0162 0.89383 0.000 0.000 0.996 0.004 0.000
#> GSM87883 1 0.3246 0.82108 0.848 0.120 0.000 0.008 0.024
#> GSM87892 3 0.0404 0.89471 0.000 0.000 0.988 0.012 0.000
#> GSM87930 4 0.1270 0.80607 0.000 0.000 0.052 0.948 0.000
#> GSM87949 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87869 1 0.1914 0.83806 0.924 0.060 0.000 0.000 0.016
#> GSM87874 3 0.0404 0.89471 0.000 0.000 0.988 0.012 0.000
#> GSM87902 2 0.1300 0.57934 0.028 0.956 0.000 0.000 0.016
#> GSM87911 5 0.7041 0.38299 0.056 0.300 0.004 0.116 0.524
#> GSM87939 4 0.2610 0.77558 0.000 0.036 0.024 0.904 0.036
#> GSM87954 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87865 1 0.4768 0.74147 0.704 0.244 0.000 0.008 0.044
#> GSM87889 5 0.5606 0.69315 0.044 0.188 0.000 0.076 0.692
#> GSM87898 2 0.1894 0.55296 0.072 0.920 0.000 0.000 0.008
#> GSM87915 1 0.2778 0.83158 0.892 0.032 0.000 0.016 0.060
#> GSM87936 4 0.1670 0.80452 0.000 0.000 0.052 0.936 0.012
#> GSM87945 3 0.2513 0.87320 0.000 0.000 0.876 0.008 0.116
#> GSM87855 3 0.2127 0.87760 0.000 0.000 0.892 0.000 0.108
#> GSM87879 5 0.5208 0.73607 0.004 0.168 0.004 0.116 0.708
#> GSM87922 5 0.6199 0.54263 0.000 0.104 0.020 0.308 0.568
#> GSM87926 4 0.2610 0.77558 0.000 0.036 0.024 0.904 0.036
#> GSM87958 1 0.1502 0.83897 0.940 0.056 0.000 0.000 0.004
#> GSM87860 3 0.5665 0.68974 0.000 0.060 0.708 0.104 0.128
#> GSM87884 1 0.3246 0.82108 0.848 0.120 0.000 0.008 0.024
#> GSM87893 3 0.0404 0.89471 0.000 0.000 0.988 0.012 0.000
#> GSM87918 2 0.3506 0.59102 0.020 0.852 0.000 0.052 0.076
#> GSM87931 4 0.1197 0.80620 0.000 0.000 0.048 0.952 0.000
#> GSM87950 1 0.2289 0.81585 0.904 0.004 0.000 0.012 0.080
#> GSM87870 1 0.4768 0.74147 0.704 0.244 0.000 0.008 0.044
#> GSM87875 3 0.3764 0.83278 0.000 0.004 0.808 0.040 0.148
#> GSM87903 2 0.5120 0.53785 0.000 0.696 0.000 0.164 0.140
#> GSM87912 1 0.2778 0.83158 0.892 0.032 0.000 0.016 0.060
#> GSM87940 4 0.1618 0.80536 0.000 0.008 0.040 0.944 0.008
#> GSM87866 1 0.4768 0.74147 0.704 0.244 0.000 0.008 0.044
#> GSM87899 2 0.5555 0.51029 0.000 0.640 0.000 0.220 0.140
#> GSM87937 4 0.1670 0.80452 0.000 0.000 0.052 0.936 0.012
#> GSM87946 1 0.1740 0.83868 0.932 0.056 0.000 0.000 0.012
#> GSM87856 3 0.2513 0.87320 0.000 0.000 0.876 0.008 0.116
#> GSM87880 5 0.5208 0.73607 0.004 0.168 0.004 0.116 0.708
#> GSM87908 2 0.1780 0.58769 0.028 0.940 0.000 0.024 0.008
#> GSM87923 5 0.7032 0.55990 0.000 0.120 0.076 0.260 0.544
#> GSM87927 4 0.5185 0.48753 0.000 0.220 0.004 0.684 0.092
#> GSM87959 1 0.1990 0.83408 0.928 0.028 0.000 0.004 0.040
#> GSM87861 3 0.2519 0.87178 0.000 0.000 0.884 0.016 0.100
#> GSM87885 5 0.5528 0.69894 0.036 0.196 0.000 0.076 0.692
#> GSM87894 1 0.4082 0.80065 0.788 0.160 0.000 0.008 0.044
#> GSM87932 1 0.5028 0.68902 0.728 0.052 0.000 0.032 0.188
#> GSM87951 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87871 2 0.7334 -0.00164 0.392 0.416 0.000 0.108 0.084
#> GSM87876 5 0.5392 0.70738 0.020 0.200 0.004 0.076 0.700
#> GSM87904 2 0.6333 0.47210 0.000 0.592 0.024 0.244 0.140
#> GSM87913 1 0.4226 0.79312 0.768 0.188 0.000 0.012 0.032
#> GSM87941 4 0.5185 0.48753 0.000 0.220 0.004 0.684 0.092
#> GSM87955 1 0.2289 0.81585 0.904 0.004 0.000 0.012 0.080
#> GSM87867 2 0.6900 0.14299 0.376 0.472 0.000 0.060 0.092
#> GSM87890 4 0.6432 -0.21238 0.000 0.096 0.024 0.468 0.412
#> GSM87900 2 0.4002 0.57447 0.000 0.796 0.000 0.120 0.084
#> GSM87916 4 0.6201 -0.00105 0.000 0.100 0.016 0.536 0.348
#> GSM87947 1 0.4088 0.79382 0.780 0.176 0.000 0.008 0.036
#> GSM87857 3 0.6104 0.65901 0.000 0.060 0.664 0.112 0.164
#> GSM87881 5 0.6590 0.44994 0.000 0.152 0.012 0.360 0.476
#> GSM87909 2 0.2037 0.55982 0.064 0.920 0.000 0.004 0.012
#> GSM87928 1 0.5028 0.68902 0.728 0.052 0.000 0.032 0.188
#> GSM87960 1 0.1430 0.83846 0.944 0.052 0.000 0.000 0.004
#> GSM87862 2 0.7962 0.07166 0.000 0.412 0.112 0.292 0.184
#> GSM87886 1 0.3246 0.82108 0.848 0.120 0.000 0.008 0.024
#> GSM87895 2 0.6333 0.47210 0.000 0.592 0.024 0.244 0.140
#> GSM87919 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87933 4 0.1618 0.80536 0.000 0.008 0.040 0.944 0.008
#> GSM87952 1 0.2349 0.81453 0.900 0.004 0.000 0.012 0.084
#> GSM87872 2 0.6241 0.28719 0.000 0.564 0.004 0.240 0.192
#> GSM87877 1 0.4124 0.79152 0.776 0.180 0.000 0.008 0.036
#> GSM87905 2 0.2037 0.55982 0.064 0.920 0.000 0.004 0.012
#> GSM87914 2 0.3506 0.59102 0.020 0.852 0.000 0.052 0.076
#> GSM87942 5 0.6575 0.21091 0.000 0.208 0.000 0.368 0.424
#> GSM87956 1 0.2289 0.81585 0.904 0.004 0.000 0.012 0.080
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 1 0.6023 0.642 0.484 0.108 0.000 0.000 0.036 0.372
#> GSM87887 5 0.6951 -0.333 0.316 0.052 0.000 0.000 0.328 0.304
#> GSM87896 3 0.2996 0.809 0.000 0.000 0.772 0.000 0.000 0.228
#> GSM87934 4 0.0653 0.869 0.000 0.004 0.012 0.980 0.004 0.000
#> GSM87943 3 0.2376 0.771 0.000 0.000 0.888 0.000 0.068 0.044
#> GSM87853 3 0.2697 0.812 0.000 0.000 0.812 0.000 0.000 0.188
#> GSM87906 2 0.4700 0.633 0.000 0.716 0.004 0.128 0.144 0.008
#> GSM87920 1 0.6472 0.621 0.500 0.176 0.000 0.004 0.040 0.280
#> GSM87924 4 0.2113 0.802 0.000 0.004 0.092 0.896 0.008 0.000
#> GSM87858 3 0.2969 0.810 0.000 0.000 0.776 0.000 0.000 0.224
#> GSM87882 5 0.2001 0.618 0.000 0.048 0.000 0.040 0.912 0.000
#> GSM87891 3 0.2996 0.809 0.000 0.000 0.772 0.000 0.000 0.228
#> GSM87917 1 0.2378 0.610 0.848 0.000 0.000 0.000 0.000 0.152
#> GSM87929 5 0.7078 0.133 0.000 0.164 0.000 0.324 0.404 0.108
#> GSM87948 1 0.5005 0.683 0.520 0.052 0.000 0.000 0.008 0.420
#> GSM87868 1 0.3584 0.736 0.688 0.004 0.000 0.000 0.000 0.308
#> GSM87873 3 0.2996 0.809 0.000 0.000 0.772 0.000 0.000 0.228
#> GSM87901 2 0.2365 0.639 0.000 0.888 0.000 0.000 0.040 0.072
#> GSM87910 1 0.2378 0.610 0.848 0.000 0.000 0.000 0.000 0.152
#> GSM87938 4 0.0767 0.864 0.000 0.004 0.000 0.976 0.008 0.012
#> GSM87953 1 0.0260 0.686 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87864 1 0.6023 0.642 0.484 0.108 0.000 0.000 0.036 0.372
#> GSM87888 5 0.2138 0.619 0.000 0.052 0.000 0.036 0.908 0.004
#> GSM87897 2 0.4983 0.617 0.000 0.684 0.004 0.160 0.144 0.008
#> GSM87935 4 0.0862 0.867 0.000 0.004 0.016 0.972 0.008 0.000
#> GSM87944 1 0.3221 0.740 0.736 0.000 0.000 0.000 0.000 0.264
#> GSM87854 3 0.6972 0.422 0.000 0.100 0.564 0.044 0.168 0.124
#> GSM87878 5 0.7244 -0.239 0.280 0.088 0.000 0.000 0.328 0.304
#> GSM87907 2 0.5643 0.594 0.000 0.640 0.028 0.184 0.140 0.008
#> GSM87921 5 0.7027 0.419 0.000 0.184 0.052 0.168 0.540 0.056
#> GSM87925 4 0.0748 0.868 0.000 0.004 0.016 0.976 0.004 0.000
#> GSM87957 1 0.3244 0.740 0.732 0.000 0.000 0.000 0.000 0.268
#> GSM87859 3 0.2697 0.812 0.000 0.000 0.812 0.000 0.000 0.188
#> GSM87883 1 0.4666 0.713 0.564 0.048 0.000 0.000 0.000 0.388
#> GSM87892 3 0.2996 0.809 0.000 0.000 0.772 0.000 0.000 0.228
#> GSM87930 4 0.0551 0.868 0.000 0.004 0.008 0.984 0.004 0.000
#> GSM87949 1 0.2378 0.610 0.848 0.000 0.000 0.000 0.000 0.152
#> GSM87869 1 0.3584 0.736 0.688 0.004 0.000 0.000 0.000 0.308
#> GSM87874 3 0.2996 0.809 0.000 0.000 0.772 0.000 0.000 0.228
#> GSM87902 2 0.2365 0.639 0.000 0.888 0.000 0.000 0.040 0.072
#> GSM87911 5 0.7546 0.322 0.000 0.220 0.052 0.084 0.472 0.172
#> GSM87939 4 0.2356 0.823 0.000 0.044 0.004 0.900 0.048 0.004
#> GSM87954 1 0.0260 0.686 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87865 1 0.6023 0.642 0.484 0.108 0.000 0.000 0.036 0.372
#> GSM87889 5 0.2316 0.601 0.016 0.040 0.000 0.000 0.904 0.040
#> GSM87898 2 0.2613 0.612 0.000 0.848 0.000 0.000 0.012 0.140
#> GSM87915 1 0.3473 0.729 0.780 0.024 0.000 0.000 0.004 0.192
#> GSM87936 4 0.0862 0.867 0.000 0.004 0.016 0.972 0.008 0.000
#> GSM87945 3 0.2376 0.771 0.000 0.000 0.888 0.000 0.068 0.044
#> GSM87855 3 0.2134 0.777 0.000 0.000 0.904 0.000 0.052 0.044
#> GSM87879 5 0.2138 0.619 0.000 0.052 0.000 0.036 0.908 0.004
#> GSM87922 5 0.6724 0.452 0.000 0.116 0.056 0.244 0.548 0.036
#> GSM87926 4 0.2288 0.825 0.000 0.040 0.004 0.904 0.048 0.004
#> GSM87958 1 0.3244 0.740 0.732 0.000 0.000 0.000 0.000 0.268
#> GSM87860 3 0.4703 0.624 0.000 0.072 0.752 0.048 0.120 0.008
#> GSM87884 1 0.4666 0.713 0.564 0.048 0.000 0.000 0.000 0.388
#> GSM87893 3 0.2996 0.809 0.000 0.000 0.772 0.000 0.000 0.228
#> GSM87918 2 0.2796 0.653 0.008 0.868 0.000 0.000 0.080 0.044
#> GSM87931 4 0.0405 0.869 0.000 0.004 0.008 0.988 0.000 0.000
#> GSM87950 1 0.2454 0.614 0.840 0.000 0.000 0.000 0.000 0.160
#> GSM87870 1 0.6023 0.642 0.484 0.108 0.000 0.000 0.036 0.372
#> GSM87875 3 0.3507 0.729 0.000 0.000 0.816 0.016 0.124 0.044
#> GSM87903 2 0.4700 0.633 0.000 0.716 0.004 0.128 0.144 0.008
#> GSM87912 1 0.3473 0.729 0.780 0.024 0.000 0.000 0.004 0.192
#> GSM87940 4 0.0767 0.864 0.000 0.004 0.000 0.976 0.008 0.012
#> GSM87866 1 0.6023 0.642 0.484 0.108 0.000 0.000 0.036 0.372
#> GSM87899 2 0.4983 0.617 0.000 0.684 0.004 0.160 0.144 0.008
#> GSM87937 4 0.0862 0.867 0.000 0.004 0.016 0.972 0.008 0.000
#> GSM87946 1 0.3221 0.740 0.736 0.000 0.000 0.000 0.000 0.264
#> GSM87856 3 0.2376 0.771 0.000 0.000 0.888 0.000 0.068 0.044
#> GSM87880 5 0.2138 0.619 0.000 0.052 0.000 0.036 0.908 0.004
#> GSM87908 2 0.2863 0.647 0.000 0.864 0.000 0.012 0.036 0.088
#> GSM87923 5 0.6945 0.449 0.000 0.120 0.116 0.196 0.544 0.024
#> GSM87927 4 0.5520 0.538 0.000 0.212 0.000 0.644 0.084 0.060
#> GSM87959 1 0.2491 0.732 0.836 0.000 0.000 0.000 0.000 0.164
#> GSM87861 3 0.1799 0.779 0.000 0.008 0.928 0.008 0.052 0.004
#> GSM87885 5 0.2257 0.603 0.008 0.048 0.000 0.000 0.904 0.040
#> GSM87894 1 0.5413 0.689 0.536 0.072 0.000 0.000 0.020 0.372
#> GSM87932 1 0.4878 0.454 0.668 0.036 0.000 0.000 0.044 0.252
#> GSM87951 1 0.2378 0.610 0.848 0.000 0.000 0.000 0.000 0.152
#> GSM87871 2 0.8049 0.043 0.260 0.352 0.000 0.044 0.116 0.228
#> GSM87876 5 0.1921 0.605 0.000 0.052 0.000 0.000 0.916 0.032
#> GSM87904 2 0.5643 0.594 0.000 0.640 0.028 0.184 0.140 0.008
#> GSM87913 1 0.5638 0.692 0.548 0.116 0.000 0.000 0.016 0.320
#> GSM87941 4 0.5520 0.538 0.000 0.212 0.000 0.644 0.084 0.060
#> GSM87955 1 0.0458 0.688 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM87867 2 0.6757 0.194 0.260 0.488 0.000 0.000 0.088 0.164
#> GSM87890 5 0.4598 0.222 0.000 0.020 0.008 0.392 0.576 0.004
#> GSM87900 2 0.2944 0.655 0.000 0.856 0.000 0.068 0.072 0.004
#> GSM87916 4 0.4866 -0.108 0.000 0.028 0.000 0.480 0.476 0.016
#> GSM87947 1 0.5005 0.683 0.520 0.052 0.000 0.000 0.008 0.420
#> GSM87857 3 0.5804 0.573 0.000 0.072 0.676 0.048 0.152 0.052
#> GSM87881 5 0.4663 0.457 0.000 0.068 0.000 0.272 0.656 0.004
#> GSM87909 2 0.2489 0.617 0.000 0.860 0.000 0.000 0.012 0.128
#> GSM87928 1 0.4878 0.454 0.668 0.036 0.000 0.000 0.044 0.252
#> GSM87960 1 0.3151 0.739 0.748 0.000 0.000 0.000 0.000 0.252
#> GSM87862 2 0.7394 0.241 0.000 0.412 0.108 0.220 0.252 0.008
#> GSM87886 1 0.4666 0.713 0.564 0.048 0.000 0.000 0.000 0.388
#> GSM87895 2 0.5643 0.594 0.000 0.640 0.028 0.184 0.140 0.008
#> GSM87919 1 0.2378 0.610 0.848 0.000 0.000 0.000 0.000 0.152
#> GSM87933 4 0.0767 0.864 0.000 0.004 0.000 0.976 0.008 0.012
#> GSM87952 1 0.2378 0.610 0.848 0.000 0.000 0.000 0.000 0.152
#> GSM87872 2 0.5784 0.419 0.000 0.576 0.000 0.168 0.236 0.020
#> GSM87877 1 0.5093 0.681 0.516 0.052 0.000 0.000 0.012 0.420
#> GSM87905 2 0.2489 0.617 0.000 0.860 0.000 0.000 0.012 0.128
#> GSM87914 2 0.2796 0.653 0.008 0.868 0.000 0.000 0.080 0.044
#> GSM87942 5 0.6998 0.253 0.000 0.164 0.000 0.260 0.460 0.116
#> GSM87956 1 0.0458 0.688 0.984 0.000 0.000 0.000 0.000 0.016
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 time(p) agent(p) individual(p) k
#> MAD:hclust 100 0.978 0.702 7.07e-06 2
#> MAD:hclust 93 0.357 0.541 5.36e-07 3
#> MAD:hclust 75 0.813 0.669 3.73e-18 4
#> MAD:hclust 91 0.587 0.538 2.25e-26 5
#> MAD:hclust 90 0.753 0.889 1.62e-31 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 108 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 0.961 0.920 0.971 0.4994 0.502 0.502
#> 3 3 0.665 0.732 0.852 0.3190 0.736 0.517
#> 4 4 0.705 0.739 0.856 0.1259 0.830 0.550
#> 5 5 0.741 0.721 0.832 0.0713 0.879 0.580
#> 6 6 0.799 0.703 0.835 0.0443 0.919 0.638
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
#> GSM87863 1 0.000 0.9778 1.000 0.000
#> GSM87887 1 0.000 0.9778 1.000 0.000
#> GSM87896 2 0.000 0.9620 0.000 1.000
#> GSM87934 2 0.000 0.9620 0.000 1.000
#> GSM87943 2 0.000 0.9620 0.000 1.000
#> GSM87853 2 0.000 0.9620 0.000 1.000
#> GSM87906 2 0.000 0.9620 0.000 1.000
#> GSM87920 1 0.000 0.9778 1.000 0.000
#> GSM87924 2 0.000 0.9620 0.000 1.000
#> GSM87858 2 0.000 0.9620 0.000 1.000
#> GSM87882 2 0.000 0.9620 0.000 1.000
#> GSM87891 2 0.000 0.9620 0.000 1.000
#> GSM87917 1 0.000 0.9778 1.000 0.000
#> GSM87929 2 0.000 0.9620 0.000 1.000
#> GSM87948 1 0.000 0.9778 1.000 0.000
#> GSM87868 1 0.000 0.9778 1.000 0.000
#> GSM87873 2 0.000 0.9620 0.000 1.000
#> GSM87901 1 0.998 0.0256 0.524 0.476
#> GSM87910 1 0.000 0.9778 1.000 0.000
#> GSM87938 2 0.000 0.9620 0.000 1.000
#> GSM87953 1 0.000 0.9778 1.000 0.000
#> GSM87864 1 0.000 0.9778 1.000 0.000
#> GSM87888 2 0.000 0.9620 0.000 1.000
#> GSM87897 2 0.000 0.9620 0.000 1.000
#> GSM87935 2 0.000 0.9620 0.000 1.000
#> GSM87944 1 0.000 0.9778 1.000 0.000
#> GSM87854 2 0.000 0.9620 0.000 1.000
#> GSM87878 1 0.000 0.9778 1.000 0.000
#> GSM87907 2 0.000 0.9620 0.000 1.000
#> GSM87921 2 0.000 0.9620 0.000 1.000
#> GSM87925 2 0.000 0.9620 0.000 1.000
#> GSM87957 1 0.000 0.9778 1.000 0.000
#> GSM87859 2 0.000 0.9620 0.000 1.000
#> GSM87883 1 0.000 0.9778 1.000 0.000
#> GSM87892 2 0.000 0.9620 0.000 1.000
#> GSM87930 2 0.000 0.9620 0.000 1.000
#> GSM87949 1 0.000 0.9778 1.000 0.000
#> GSM87869 1 0.000 0.9778 1.000 0.000
#> GSM87874 2 0.000 0.9620 0.000 1.000
#> GSM87902 2 1.000 0.0628 0.492 0.508
#> GSM87911 2 0.775 0.6968 0.228 0.772
#> GSM87939 2 0.000 0.9620 0.000 1.000
#> GSM87954 1 0.000 0.9778 1.000 0.000
#> GSM87865 1 0.000 0.9778 1.000 0.000
#> GSM87889 1 0.000 0.9778 1.000 0.000
#> GSM87898 1 0.000 0.9778 1.000 0.000
#> GSM87915 1 0.000 0.9778 1.000 0.000
#> GSM87936 2 0.000 0.9620 0.000 1.000
#> GSM87945 2 0.000 0.9620 0.000 1.000
#> GSM87855 2 0.000 0.9620 0.000 1.000
#> GSM87879 2 0.000 0.9620 0.000 1.000
#> GSM87922 2 0.000 0.9620 0.000 1.000
#> GSM87926 2 0.000 0.9620 0.000 1.000
#> GSM87958 1 0.000 0.9778 1.000 0.000
#> GSM87860 2 0.000 0.9620 0.000 1.000
#> GSM87884 1 0.000 0.9778 1.000 0.000
#> GSM87893 2 0.000 0.9620 0.000 1.000
#> GSM87918 1 1.000 -0.0677 0.500 0.500
#> GSM87931 2 0.000 0.9620 0.000 1.000
#> GSM87950 1 0.000 0.9778 1.000 0.000
#> GSM87870 1 0.000 0.9778 1.000 0.000
#> GSM87875 2 0.000 0.9620 0.000 1.000
#> GSM87903 2 0.000 0.9620 0.000 1.000
#> GSM87912 1 0.000 0.9778 1.000 0.000
#> GSM87940 2 0.000 0.9620 0.000 1.000
#> GSM87866 1 0.000 0.9778 1.000 0.000
#> GSM87899 2 0.000 0.9620 0.000 1.000
#> GSM87937 2 0.000 0.9620 0.000 1.000
#> GSM87946 1 0.000 0.9778 1.000 0.000
#> GSM87856 2 0.000 0.9620 0.000 1.000
#> GSM87880 2 0.000 0.9620 0.000 1.000
#> GSM87908 2 0.999 0.1069 0.480 0.520
#> GSM87923 2 0.000 0.9620 0.000 1.000
#> GSM87927 2 0.000 0.9620 0.000 1.000
#> GSM87959 1 0.000 0.9778 1.000 0.000
#> GSM87861 2 0.000 0.9620 0.000 1.000
#> GSM87885 1 0.000 0.9778 1.000 0.000
#> GSM87894 1 0.000 0.9778 1.000 0.000
#> GSM87932 1 0.000 0.9778 1.000 0.000
#> GSM87951 1 0.000 0.9778 1.000 0.000
#> GSM87871 2 0.844 0.6276 0.272 0.728
#> GSM87876 1 0.000 0.9778 1.000 0.000
#> GSM87904 2 0.000 0.9620 0.000 1.000
#> GSM87913 1 0.000 0.9778 1.000 0.000
#> GSM87941 2 0.000 0.9620 0.000 1.000
#> GSM87955 1 0.000 0.9778 1.000 0.000
#> GSM87867 1 0.000 0.9778 1.000 0.000
#> GSM87890 2 0.000 0.9620 0.000 1.000
#> GSM87900 2 0.000 0.9620 0.000 1.000
#> GSM87916 2 0.000 0.9620 0.000 1.000
#> GSM87947 1 0.000 0.9778 1.000 0.000
#> GSM87857 2 0.000 0.9620 0.000 1.000
#> GSM87881 2 0.000 0.9620 0.000 1.000
#> GSM87909 1 0.000 0.9778 1.000 0.000
#> GSM87928 1 0.000 0.9778 1.000 0.000
#> GSM87960 1 0.000 0.9778 1.000 0.000
#> GSM87862 2 0.000 0.9620 0.000 1.000
#> GSM87886 1 0.000 0.9778 1.000 0.000
#> GSM87895 2 0.000 0.9620 0.000 1.000
#> GSM87919 1 0.000 0.9778 1.000 0.000
#> GSM87933 2 0.000 0.9620 0.000 1.000
#> GSM87952 1 0.000 0.9778 1.000 0.000
#> GSM87872 2 0.000 0.9620 0.000 1.000
#> GSM87877 1 0.000 0.9778 1.000 0.000
#> GSM87905 1 0.000 0.9778 1.000 0.000
#> GSM87914 2 0.925 0.4960 0.340 0.660
#> GSM87942 2 0.925 0.4960 0.340 0.660
#> GSM87956 1 0.000 0.9778 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.5733 0.4856 0.324 0.676 0.000
#> GSM87887 1 0.2165 0.9202 0.936 0.064 0.000
#> GSM87896 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87934 3 0.5926 0.6349 0.000 0.356 0.644
#> GSM87943 3 0.5905 0.3500 0.000 0.352 0.648
#> GSM87853 3 0.2448 0.7008 0.000 0.076 0.924
#> GSM87906 2 0.0000 0.7915 0.000 1.000 0.000
#> GSM87920 2 0.6062 0.3543 0.384 0.616 0.000
#> GSM87924 3 0.1529 0.7183 0.000 0.040 0.960
#> GSM87858 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87882 2 0.0892 0.7855 0.000 0.980 0.020
#> GSM87891 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87917 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87929 2 0.5178 0.4457 0.000 0.744 0.256
#> GSM87948 1 0.0892 0.9504 0.980 0.020 0.000
#> GSM87868 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87873 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87901 2 0.0237 0.7922 0.004 0.996 0.000
#> GSM87910 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87938 3 0.5926 0.6349 0.000 0.356 0.644
#> GSM87953 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87864 1 0.5291 0.6587 0.732 0.268 0.000
#> GSM87888 2 0.0424 0.7904 0.000 0.992 0.008
#> GSM87897 2 0.0237 0.7897 0.000 0.996 0.004
#> GSM87935 3 0.5926 0.6349 0.000 0.356 0.644
#> GSM87944 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87854 2 0.4452 0.6200 0.000 0.808 0.192
#> GSM87878 1 0.2356 0.9136 0.928 0.072 0.000
#> GSM87907 3 0.5560 0.6619 0.000 0.300 0.700
#> GSM87921 2 0.0000 0.7915 0.000 1.000 0.000
#> GSM87925 3 0.5926 0.6349 0.000 0.356 0.644
#> GSM87957 1 0.1529 0.9388 0.960 0.040 0.000
#> GSM87859 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87883 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87892 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87930 3 0.5465 0.6683 0.000 0.288 0.712
#> GSM87949 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87874 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87902 2 0.0237 0.7922 0.004 0.996 0.000
#> GSM87911 2 0.0000 0.7915 0.000 1.000 0.000
#> GSM87939 3 0.5948 0.6302 0.000 0.360 0.640
#> GSM87954 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87865 1 0.5291 0.6587 0.732 0.268 0.000
#> GSM87889 2 0.5254 0.5902 0.264 0.736 0.000
#> GSM87898 1 0.4796 0.7341 0.780 0.220 0.000
#> GSM87915 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87936 3 0.5926 0.6349 0.000 0.356 0.644
#> GSM87945 3 0.2711 0.6970 0.000 0.088 0.912
#> GSM87855 3 0.3412 0.6748 0.000 0.124 0.876
#> GSM87879 2 0.0892 0.7855 0.000 0.980 0.020
#> GSM87922 2 0.5706 0.1679 0.000 0.680 0.320
#> GSM87926 3 0.6235 0.4932 0.000 0.436 0.564
#> GSM87958 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87860 3 0.2711 0.6970 0.000 0.088 0.912
#> GSM87884 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87893 3 0.0424 0.7173 0.000 0.008 0.992
#> GSM87918 2 0.0237 0.7922 0.004 0.996 0.000
#> GSM87931 3 0.5948 0.6302 0.000 0.360 0.640
#> GSM87950 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87870 1 0.4399 0.7825 0.812 0.188 0.000
#> GSM87875 3 0.3412 0.6748 0.000 0.124 0.876
#> GSM87903 2 0.0237 0.7897 0.000 0.996 0.004
#> GSM87912 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87940 3 0.5926 0.6349 0.000 0.356 0.644
#> GSM87866 1 0.1411 0.9413 0.964 0.036 0.000
#> GSM87899 2 0.5810 0.3182 0.000 0.664 0.336
#> GSM87937 3 0.5926 0.6349 0.000 0.356 0.644
#> GSM87946 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87856 3 0.5905 0.3500 0.000 0.352 0.648
#> GSM87880 2 0.0424 0.7904 0.000 0.992 0.008
#> GSM87908 2 0.0237 0.7922 0.004 0.996 0.000
#> GSM87923 2 0.5529 0.2652 0.000 0.704 0.296
#> GSM87927 2 0.2066 0.7546 0.000 0.940 0.060
#> GSM87959 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87861 3 0.2711 0.6970 0.000 0.088 0.912
#> GSM87885 2 0.4555 0.6486 0.200 0.800 0.000
#> GSM87894 1 0.0237 0.9581 0.996 0.004 0.000
#> GSM87932 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87871 2 0.1163 0.7820 0.028 0.972 0.000
#> GSM87876 2 0.4702 0.6383 0.212 0.788 0.000
#> GSM87904 2 0.6295 -0.1488 0.000 0.528 0.472
#> GSM87913 1 0.1289 0.9437 0.968 0.032 0.000
#> GSM87941 2 0.2448 0.7402 0.000 0.924 0.076
#> GSM87955 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87867 2 0.5254 0.5902 0.264 0.736 0.000
#> GSM87890 3 0.5926 0.6331 0.000 0.356 0.644
#> GSM87900 2 0.2356 0.7443 0.000 0.928 0.072
#> GSM87916 3 0.6305 0.3810 0.000 0.484 0.516
#> GSM87947 1 0.1529 0.9388 0.960 0.040 0.000
#> GSM87857 3 0.5905 0.3500 0.000 0.352 0.648
#> GSM87881 2 0.0000 0.7915 0.000 1.000 0.000
#> GSM87909 2 0.0592 0.7899 0.012 0.988 0.000
#> GSM87928 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87862 2 0.6045 -0.0438 0.000 0.620 0.380
#> GSM87886 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87895 3 0.5178 0.6814 0.000 0.256 0.744
#> GSM87919 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87933 3 0.5948 0.6302 0.000 0.360 0.640
#> GSM87952 1 0.0000 0.9598 1.000 0.000 0.000
#> GSM87872 2 0.0000 0.7915 0.000 1.000 0.000
#> GSM87877 1 0.3482 0.8561 0.872 0.128 0.000
#> GSM87905 2 0.6204 0.2232 0.424 0.576 0.000
#> GSM87914 2 0.0424 0.7885 0.000 0.992 0.008
#> GSM87942 2 0.2356 0.7429 0.000 0.928 0.072
#> GSM87956 1 0.0000 0.9598 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.1284 0.7572 0.012 0.964 0.000 0.024
#> GSM87887 1 0.5859 0.2772 0.496 0.472 0.000 0.032
#> GSM87896 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87934 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87943 3 0.2563 0.7782 0.000 0.072 0.908 0.020
#> GSM87853 3 0.0188 0.8315 0.000 0.000 0.996 0.004
#> GSM87906 2 0.5713 0.5492 0.000 0.620 0.040 0.340
#> GSM87920 2 0.1297 0.7583 0.016 0.964 0.000 0.020
#> GSM87924 4 0.3266 0.8705 0.000 0.000 0.168 0.832
#> GSM87858 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87882 2 0.3229 0.7707 0.000 0.880 0.048 0.072
#> GSM87891 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87917 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87929 4 0.1151 0.8530 0.000 0.024 0.008 0.968
#> GSM87948 1 0.5113 0.6493 0.684 0.292 0.000 0.024
#> GSM87868 1 0.3080 0.8455 0.880 0.096 0.000 0.024
#> GSM87873 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87901 2 0.3279 0.7776 0.000 0.872 0.032 0.096
#> GSM87910 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87938 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87953 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87864 2 0.5088 0.3734 0.288 0.688 0.000 0.024
#> GSM87888 2 0.3144 0.7722 0.000 0.884 0.044 0.072
#> GSM87897 2 0.5778 0.5239 0.000 0.604 0.040 0.356
#> GSM87935 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87944 1 0.3143 0.8427 0.876 0.100 0.000 0.024
#> GSM87854 2 0.2174 0.7749 0.000 0.928 0.052 0.020
#> GSM87878 2 0.5411 0.3153 0.312 0.656 0.000 0.032
#> GSM87907 3 0.5793 0.2898 0.000 0.040 0.600 0.360
#> GSM87921 2 0.5417 0.6258 0.000 0.676 0.040 0.284
#> GSM87925 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87957 1 0.5137 0.6436 0.680 0.296 0.000 0.024
#> GSM87859 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87883 1 0.2282 0.8718 0.924 0.052 0.000 0.024
#> GSM87892 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87930 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87949 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0817 0.8937 0.976 0.000 0.000 0.024
#> GSM87874 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87902 2 0.3308 0.7769 0.000 0.872 0.036 0.092
#> GSM87911 2 0.3399 0.7761 0.000 0.868 0.040 0.092
#> GSM87939 4 0.2654 0.9342 0.000 0.004 0.108 0.888
#> GSM87954 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87865 2 0.4307 0.5665 0.192 0.784 0.000 0.024
#> GSM87889 2 0.0804 0.7673 0.000 0.980 0.012 0.008
#> GSM87898 2 0.5716 0.5731 0.212 0.700 0.000 0.088
#> GSM87915 1 0.0188 0.8989 0.996 0.004 0.000 0.000
#> GSM87936 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87945 3 0.0000 0.8312 0.000 0.000 1.000 0.000
#> GSM87855 3 0.0000 0.8312 0.000 0.000 1.000 0.000
#> GSM87879 2 0.3144 0.7722 0.000 0.884 0.044 0.072
#> GSM87922 2 0.7253 0.0707 0.000 0.432 0.144 0.424
#> GSM87926 4 0.2843 0.9219 0.000 0.020 0.088 0.892
#> GSM87958 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87860 3 0.0188 0.8303 0.000 0.004 0.996 0.000
#> GSM87884 1 0.2282 0.8718 0.924 0.052 0.000 0.024
#> GSM87893 3 0.1474 0.8272 0.000 0.000 0.948 0.052
#> GSM87918 2 0.3243 0.7772 0.000 0.876 0.036 0.088
#> GSM87931 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87950 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87870 2 0.5620 -0.0372 0.416 0.560 0.000 0.024
#> GSM87875 3 0.0188 0.8306 0.000 0.004 0.996 0.000
#> GSM87903 2 0.5762 0.5304 0.000 0.608 0.040 0.352
#> GSM87912 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87940 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87866 1 0.5536 0.4986 0.592 0.384 0.000 0.024
#> GSM87899 3 0.7902 0.0283 0.000 0.300 0.364 0.336
#> GSM87937 4 0.2589 0.9367 0.000 0.000 0.116 0.884
#> GSM87946 1 0.0817 0.8937 0.976 0.000 0.000 0.024
#> GSM87856 3 0.2563 0.7782 0.000 0.072 0.908 0.020
#> GSM87880 2 0.2111 0.7744 0.000 0.932 0.044 0.024
#> GSM87908 2 0.3308 0.7769 0.000 0.872 0.036 0.092
#> GSM87923 2 0.7392 0.2189 0.000 0.472 0.172 0.356
#> GSM87927 4 0.2500 0.7979 0.000 0.044 0.040 0.916
#> GSM87959 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.8312 0.000 0.000 1.000 0.000
#> GSM87885 2 0.0804 0.7673 0.000 0.980 0.012 0.008
#> GSM87894 1 0.5228 0.6263 0.664 0.312 0.000 0.024
#> GSM87932 1 0.0524 0.8965 0.988 0.004 0.000 0.008
#> GSM87951 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87871 2 0.1297 0.7738 0.000 0.964 0.020 0.016
#> GSM87876 2 0.0657 0.7677 0.000 0.984 0.012 0.004
#> GSM87904 3 0.5732 0.5029 0.000 0.064 0.672 0.264
#> GSM87913 1 0.5161 0.6366 0.676 0.300 0.000 0.024
#> GSM87941 4 0.2111 0.8148 0.000 0.044 0.024 0.932
#> GSM87955 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87867 2 0.0469 0.7684 0.000 0.988 0.012 0.000
#> GSM87890 4 0.2773 0.9337 0.000 0.004 0.116 0.880
#> GSM87900 2 0.5950 0.4198 0.000 0.544 0.040 0.416
#> GSM87916 4 0.2882 0.9185 0.000 0.024 0.084 0.892
#> GSM87947 1 0.5206 0.6257 0.668 0.308 0.000 0.024
#> GSM87857 3 0.2635 0.7762 0.000 0.076 0.904 0.020
#> GSM87881 2 0.3216 0.7720 0.000 0.880 0.044 0.076
#> GSM87909 2 0.3308 0.7769 0.000 0.872 0.036 0.092
#> GSM87928 1 0.0524 0.8965 0.988 0.004 0.000 0.008
#> GSM87960 1 0.0469 0.8972 0.988 0.000 0.000 0.012
#> GSM87862 3 0.6949 0.2241 0.000 0.124 0.528 0.348
#> GSM87886 1 0.0188 0.8989 0.996 0.000 0.000 0.004
#> GSM87895 3 0.4941 0.1898 0.000 0.000 0.564 0.436
#> GSM87919 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87933 4 0.2714 0.9357 0.000 0.004 0.112 0.884
#> GSM87952 1 0.0000 0.8993 1.000 0.000 0.000 0.000
#> GSM87872 2 0.4332 0.7451 0.000 0.800 0.040 0.160
#> GSM87877 2 0.5778 -0.2422 0.472 0.500 0.000 0.028
#> GSM87905 2 0.2940 0.7764 0.012 0.892 0.008 0.088
#> GSM87914 2 0.5200 0.6493 0.000 0.700 0.036 0.264
#> GSM87942 4 0.3479 0.6920 0.000 0.148 0.012 0.840
#> GSM87956 1 0.0000 0.8993 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
#> GSM87863 5 0.2124 0.6358 0.000 0.096 0.000 0.004 0.900
#> GSM87887 5 0.2911 0.6498 0.136 0.004 0.008 0.000 0.852
#> GSM87896 3 0.1331 0.8989 0.000 0.008 0.952 0.040 0.000
#> GSM87934 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87943 3 0.5180 0.7342 0.000 0.188 0.696 0.004 0.112
#> GSM87853 3 0.1483 0.8985 0.000 0.008 0.952 0.028 0.012
#> GSM87906 2 0.2588 0.7222 0.000 0.892 0.000 0.060 0.048
#> GSM87920 5 0.2848 0.6119 0.000 0.156 0.000 0.004 0.840
#> GSM87924 4 0.0290 0.9631 0.000 0.000 0.008 0.992 0.000
#> GSM87858 3 0.1043 0.9003 0.000 0.000 0.960 0.040 0.000
#> GSM87882 5 0.5114 0.3250 0.000 0.404 0.032 0.004 0.560
#> GSM87891 3 0.1331 0.8989 0.000 0.008 0.952 0.040 0.000
#> GSM87917 1 0.0162 0.8846 0.996 0.004 0.000 0.000 0.000
#> GSM87929 4 0.1124 0.9406 0.000 0.036 0.004 0.960 0.000
#> GSM87948 1 0.4803 0.1230 0.496 0.012 0.000 0.004 0.488
#> GSM87868 1 0.4620 0.4468 0.612 0.012 0.000 0.004 0.372
#> GSM87873 3 0.1043 0.9003 0.000 0.000 0.960 0.040 0.000
#> GSM87901 2 0.3231 0.6827 0.000 0.800 0.000 0.004 0.196
#> GSM87910 1 0.0162 0.8846 0.996 0.004 0.000 0.000 0.000
#> GSM87938 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87953 1 0.0162 0.8850 0.996 0.000 0.004 0.000 0.000
#> GSM87864 5 0.3191 0.6528 0.084 0.052 0.000 0.004 0.860
#> GSM87888 5 0.5068 0.3416 0.000 0.384 0.032 0.004 0.580
#> GSM87897 2 0.2504 0.7225 0.000 0.896 0.000 0.064 0.040
#> GSM87935 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87944 1 0.4581 0.4678 0.624 0.012 0.000 0.004 0.360
#> GSM87854 5 0.4807 0.3034 0.000 0.448 0.020 0.000 0.532
#> GSM87878 5 0.3799 0.6429 0.144 0.032 0.012 0.000 0.812
#> GSM87907 2 0.5970 0.4674 0.000 0.588 0.184 0.228 0.000
#> GSM87921 2 0.3242 0.7213 0.000 0.844 0.000 0.040 0.116
#> GSM87925 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87957 5 0.5034 -0.1419 0.476 0.016 0.004 0.004 0.500
#> GSM87859 3 0.1043 0.9003 0.000 0.000 0.960 0.040 0.000
#> GSM87883 1 0.3662 0.6629 0.744 0.000 0.000 0.004 0.252
#> GSM87892 3 0.1331 0.8989 0.000 0.008 0.952 0.040 0.000
#> GSM87930 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87949 1 0.0000 0.8852 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.1952 0.8405 0.912 0.000 0.000 0.004 0.084
#> GSM87874 3 0.1043 0.9003 0.000 0.000 0.960 0.040 0.000
#> GSM87902 2 0.3231 0.6827 0.000 0.800 0.000 0.004 0.196
#> GSM87911 2 0.3048 0.6978 0.000 0.820 0.000 0.004 0.176
#> GSM87939 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87954 1 0.0162 0.8850 0.996 0.000 0.004 0.000 0.000
#> GSM87865 5 0.3268 0.6508 0.080 0.060 0.000 0.004 0.856
#> GSM87889 5 0.2813 0.6278 0.000 0.108 0.024 0.000 0.868
#> GSM87898 2 0.4730 0.2856 0.012 0.568 0.004 0.000 0.416
#> GSM87915 1 0.0613 0.8826 0.984 0.004 0.004 0.000 0.008
#> GSM87936 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87945 3 0.2333 0.8937 0.000 0.040 0.916 0.028 0.016
#> GSM87855 3 0.2887 0.8853 0.000 0.072 0.884 0.028 0.016
#> GSM87879 5 0.5114 0.3250 0.000 0.404 0.032 0.004 0.560
#> GSM87922 2 0.6070 0.4668 0.000 0.576 0.016 0.308 0.100
#> GSM87926 4 0.0609 0.9556 0.000 0.020 0.000 0.980 0.000
#> GSM87958 1 0.0162 0.8850 0.996 0.000 0.004 0.000 0.000
#> GSM87860 3 0.4319 0.8165 0.000 0.176 0.772 0.028 0.024
#> GSM87884 1 0.3662 0.6629 0.744 0.000 0.000 0.004 0.252
#> GSM87893 3 0.1043 0.9003 0.000 0.000 0.960 0.040 0.000
#> GSM87918 2 0.3266 0.6805 0.000 0.796 0.000 0.004 0.200
#> GSM87931 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87950 1 0.0000 0.8852 1.000 0.000 0.000 0.000 0.000
#> GSM87870 5 0.3395 0.6461 0.104 0.048 0.000 0.004 0.844
#> GSM87875 3 0.4827 0.7974 0.000 0.136 0.752 0.016 0.096
#> GSM87903 2 0.2193 0.7187 0.000 0.912 0.000 0.060 0.028
#> GSM87912 1 0.0324 0.8841 0.992 0.004 0.004 0.000 0.000
#> GSM87940 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87866 5 0.4096 0.5328 0.232 0.020 0.000 0.004 0.744
#> GSM87899 2 0.2299 0.6996 0.000 0.912 0.032 0.052 0.004
#> GSM87937 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87946 1 0.1704 0.8505 0.928 0.000 0.000 0.004 0.068
#> GSM87856 3 0.4888 0.7597 0.000 0.188 0.720 0.004 0.088
#> GSM87880 5 0.4920 0.3472 0.000 0.384 0.032 0.000 0.584
#> GSM87908 2 0.3266 0.6818 0.000 0.796 0.000 0.004 0.200
#> GSM87923 2 0.6910 0.4630 0.000 0.584 0.080 0.192 0.144
#> GSM87927 4 0.1121 0.9366 0.000 0.044 0.000 0.956 0.000
#> GSM87959 1 0.0000 0.8852 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.2784 0.8863 0.000 0.072 0.888 0.028 0.012
#> GSM87885 5 0.2915 0.6256 0.000 0.116 0.024 0.000 0.860
#> GSM87894 5 0.4492 0.4234 0.296 0.020 0.000 0.004 0.680
#> GSM87932 1 0.1186 0.8723 0.964 0.008 0.008 0.000 0.020
#> GSM87951 1 0.0000 0.8852 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.3690 0.5575 0.000 0.224 0.012 0.000 0.764
#> GSM87876 5 0.2964 0.6228 0.000 0.120 0.024 0.000 0.856
#> GSM87904 2 0.6130 0.4307 0.000 0.628 0.236 0.096 0.040
#> GSM87913 1 0.5036 0.2221 0.520 0.024 0.000 0.004 0.452
#> GSM87941 4 0.1043 0.9394 0.000 0.040 0.000 0.960 0.000
#> GSM87955 1 0.0000 0.8852 1.000 0.000 0.000 0.000 0.000
#> GSM87867 5 0.2516 0.6235 0.000 0.140 0.000 0.000 0.860
#> GSM87890 4 0.3405 0.8177 0.000 0.104 0.012 0.848 0.036
#> GSM87900 2 0.3012 0.7146 0.000 0.860 0.000 0.104 0.036
#> GSM87916 4 0.0955 0.9507 0.000 0.028 0.004 0.968 0.000
#> GSM87947 5 0.4791 -0.0679 0.460 0.012 0.000 0.004 0.524
#> GSM87857 3 0.5052 0.7482 0.000 0.200 0.708 0.008 0.084
#> GSM87881 5 0.5211 0.2952 0.000 0.396 0.032 0.008 0.564
#> GSM87909 2 0.3333 0.6786 0.000 0.788 0.000 0.004 0.208
#> GSM87928 1 0.1186 0.8723 0.964 0.008 0.008 0.000 0.020
#> GSM87960 1 0.0963 0.8719 0.964 0.000 0.000 0.000 0.036
#> GSM87862 2 0.6627 0.4571 0.000 0.588 0.192 0.180 0.040
#> GSM87886 1 0.0794 0.8766 0.972 0.000 0.000 0.000 0.028
#> GSM87895 2 0.6255 0.4042 0.000 0.540 0.208 0.252 0.000
#> GSM87919 1 0.0162 0.8846 0.996 0.004 0.000 0.000 0.000
#> GSM87933 4 0.0162 0.9666 0.000 0.000 0.004 0.996 0.000
#> GSM87952 1 0.0000 0.8852 1.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.3847 0.6482 0.000 0.784 0.000 0.036 0.180
#> GSM87877 5 0.2865 0.6509 0.132 0.004 0.008 0.000 0.856
#> GSM87905 2 0.3461 0.6581 0.000 0.772 0.004 0.000 0.224
#> GSM87914 2 0.4058 0.7061 0.000 0.784 0.000 0.064 0.152
#> GSM87942 4 0.3516 0.7560 0.000 0.164 0.004 0.812 0.020
#> GSM87956 1 0.0000 0.8852 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
#> GSM87863 6 0.1625 0.6924 0.000 0.060 0.000 0.000 0.012 0.928
#> GSM87887 6 0.3753 0.6023 0.028 0.000 0.004 0.000 0.220 0.748
#> GSM87896 3 0.0405 0.8820 0.000 0.004 0.988 0.008 0.000 0.000
#> GSM87934 4 0.0000 0.9451 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 5 0.4172 0.1469 0.000 0.004 0.424 0.000 0.564 0.008
#> GSM87853 3 0.1644 0.8501 0.000 0.000 0.920 0.004 0.076 0.000
#> GSM87906 2 0.0665 0.8198 0.000 0.980 0.000 0.004 0.008 0.008
#> GSM87920 6 0.1807 0.6914 0.000 0.060 0.000 0.000 0.020 0.920
#> GSM87924 4 0.0862 0.9410 0.000 0.000 0.004 0.972 0.016 0.008
#> GSM87858 3 0.0260 0.8828 0.000 0.000 0.992 0.008 0.000 0.000
#> GSM87882 5 0.4452 0.5734 0.000 0.068 0.004 0.004 0.712 0.212
#> GSM87891 3 0.0405 0.8820 0.000 0.004 0.988 0.008 0.000 0.000
#> GSM87917 1 0.1082 0.9104 0.956 0.004 0.000 0.000 0.040 0.000
#> GSM87929 4 0.1375 0.9379 0.000 0.008 0.004 0.952 0.028 0.008
#> GSM87948 6 0.3463 0.6490 0.240 0.000 0.004 0.000 0.008 0.748
#> GSM87868 6 0.3244 0.6174 0.268 0.000 0.000 0.000 0.000 0.732
#> GSM87873 3 0.0260 0.8828 0.000 0.000 0.992 0.008 0.000 0.000
#> GSM87901 2 0.1485 0.8185 0.000 0.944 0.000 0.004 0.028 0.024
#> GSM87910 1 0.1082 0.9104 0.956 0.004 0.000 0.000 0.040 0.000
#> GSM87938 4 0.0951 0.9427 0.000 0.004 0.000 0.968 0.020 0.008
#> GSM87953 1 0.1116 0.9116 0.960 0.008 0.000 0.000 0.028 0.004
#> GSM87864 6 0.1719 0.6973 0.008 0.056 0.000 0.000 0.008 0.928
#> GSM87888 5 0.4514 0.5435 0.000 0.068 0.000 0.004 0.684 0.244
#> GSM87897 2 0.0653 0.8193 0.000 0.980 0.000 0.004 0.012 0.004
#> GSM87935 4 0.0717 0.9424 0.000 0.000 0.000 0.976 0.016 0.008
#> GSM87944 6 0.3672 0.6064 0.276 0.000 0.004 0.000 0.008 0.712
#> GSM87854 5 0.5219 0.4651 0.000 0.124 0.000 0.000 0.580 0.296
#> GSM87878 6 0.4314 0.5958 0.036 0.012 0.004 0.000 0.232 0.716
#> GSM87907 2 0.6708 0.3931 0.000 0.552 0.104 0.124 0.208 0.012
#> GSM87921 2 0.1059 0.8209 0.000 0.964 0.000 0.004 0.016 0.016
#> GSM87925 4 0.0717 0.9424 0.000 0.000 0.000 0.976 0.016 0.008
#> GSM87957 6 0.4220 0.6511 0.224 0.020 0.004 0.000 0.024 0.728
#> GSM87859 3 0.0260 0.8828 0.000 0.000 0.992 0.008 0.000 0.000
#> GSM87883 6 0.4467 0.3646 0.408 0.000 0.004 0.000 0.024 0.564
#> GSM87892 3 0.0405 0.8820 0.000 0.004 0.988 0.008 0.000 0.000
#> GSM87930 4 0.0951 0.9427 0.000 0.004 0.000 0.968 0.020 0.008
#> GSM87949 1 0.0363 0.9138 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87869 1 0.3899 0.2536 0.592 0.000 0.000 0.000 0.004 0.404
#> GSM87874 3 0.0260 0.8828 0.000 0.000 0.992 0.008 0.000 0.000
#> GSM87902 2 0.1341 0.8181 0.000 0.948 0.000 0.000 0.024 0.028
#> GSM87911 2 0.1682 0.8082 0.000 0.928 0.000 0.000 0.052 0.020
#> GSM87939 4 0.0000 0.9451 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.1116 0.9116 0.960 0.008 0.000 0.000 0.028 0.004
#> GSM87865 6 0.1719 0.6973 0.008 0.056 0.000 0.000 0.008 0.928
#> GSM87889 6 0.4593 0.1716 0.000 0.028 0.004 0.000 0.456 0.512
#> GSM87898 2 0.3954 0.6427 0.008 0.764 0.000 0.000 0.056 0.172
#> GSM87915 1 0.2226 0.8948 0.904 0.008 0.000 0.000 0.060 0.028
#> GSM87936 4 0.0717 0.9424 0.000 0.000 0.000 0.976 0.016 0.008
#> GSM87945 3 0.2632 0.7883 0.000 0.000 0.832 0.004 0.164 0.000
#> GSM87855 3 0.3415 0.7099 0.000 0.004 0.760 0.004 0.228 0.004
#> GSM87879 5 0.4341 0.5718 0.000 0.068 0.000 0.004 0.712 0.216
#> GSM87922 5 0.5034 0.2598 0.000 0.328 0.000 0.080 0.588 0.004
#> GSM87926 4 0.0146 0.9452 0.000 0.004 0.000 0.996 0.000 0.000
#> GSM87958 1 0.0922 0.9112 0.968 0.004 0.000 0.000 0.024 0.004
#> GSM87860 3 0.4360 0.2683 0.000 0.012 0.576 0.004 0.404 0.004
#> GSM87884 6 0.4467 0.3646 0.408 0.000 0.004 0.000 0.024 0.564
#> GSM87893 3 0.0405 0.8820 0.000 0.004 0.988 0.008 0.000 0.000
#> GSM87918 2 0.1793 0.8173 0.000 0.928 0.000 0.004 0.036 0.032
#> GSM87931 4 0.0951 0.9427 0.000 0.004 0.000 0.968 0.020 0.008
#> GSM87950 1 0.0363 0.9138 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87870 6 0.1657 0.7002 0.016 0.056 0.000 0.000 0.000 0.928
#> GSM87875 5 0.3944 0.1402 0.000 0.004 0.428 0.000 0.568 0.000
#> GSM87903 2 0.0748 0.8182 0.000 0.976 0.000 0.004 0.016 0.004
#> GSM87912 1 0.2164 0.8965 0.908 0.008 0.000 0.000 0.056 0.028
#> GSM87940 4 0.0951 0.9427 0.000 0.004 0.000 0.968 0.020 0.008
#> GSM87866 6 0.2176 0.7112 0.080 0.024 0.000 0.000 0.000 0.896
#> GSM87899 2 0.2043 0.7832 0.000 0.912 0.012 0.000 0.064 0.012
#> GSM87937 4 0.0717 0.9424 0.000 0.000 0.000 0.976 0.016 0.008
#> GSM87946 1 0.3512 0.5491 0.720 0.000 0.000 0.000 0.008 0.272
#> GSM87856 5 0.4128 -0.0479 0.000 0.004 0.488 0.000 0.504 0.004
#> GSM87880 5 0.4400 0.5384 0.000 0.068 0.000 0.000 0.684 0.248
#> GSM87908 2 0.0632 0.8198 0.000 0.976 0.000 0.000 0.000 0.024
#> GSM87923 5 0.5016 0.3981 0.000 0.264 0.020 0.052 0.656 0.008
#> GSM87927 4 0.1149 0.9389 0.000 0.008 0.000 0.960 0.024 0.008
#> GSM87959 1 0.0363 0.9138 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87861 3 0.3415 0.7099 0.000 0.004 0.760 0.004 0.228 0.004
#> GSM87885 6 0.4536 0.2910 0.000 0.028 0.004 0.000 0.408 0.560
#> GSM87894 6 0.2745 0.7103 0.112 0.020 0.000 0.000 0.008 0.860
#> GSM87932 1 0.3405 0.8446 0.828 0.012 0.004 0.000 0.116 0.040
#> GSM87951 1 0.0363 0.9138 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87871 6 0.4960 0.2964 0.000 0.092 0.000 0.000 0.308 0.600
#> GSM87876 6 0.4591 0.1640 0.000 0.028 0.004 0.000 0.452 0.516
#> GSM87904 2 0.6127 0.1387 0.000 0.488 0.128 0.020 0.356 0.008
#> GSM87913 6 0.4233 0.6623 0.184 0.036 0.000 0.000 0.032 0.748
#> GSM87941 4 0.0862 0.9413 0.000 0.008 0.000 0.972 0.016 0.004
#> GSM87955 1 0.0291 0.9139 0.992 0.000 0.000 0.000 0.004 0.004
#> GSM87867 6 0.3771 0.5497 0.000 0.056 0.000 0.000 0.180 0.764
#> GSM87890 4 0.4101 0.4855 0.000 0.008 0.000 0.632 0.352 0.008
#> GSM87900 2 0.0837 0.8157 0.000 0.972 0.000 0.020 0.004 0.004
#> GSM87916 4 0.1692 0.9273 0.000 0.012 0.000 0.932 0.048 0.008
#> GSM87947 6 0.3243 0.6766 0.208 0.000 0.004 0.000 0.008 0.780
#> GSM87857 5 0.4392 -0.0124 0.000 0.016 0.476 0.000 0.504 0.004
#> GSM87881 5 0.4693 0.5637 0.000 0.088 0.000 0.008 0.688 0.216
#> GSM87909 2 0.1341 0.8169 0.000 0.948 0.000 0.000 0.024 0.028
#> GSM87928 1 0.3471 0.8415 0.824 0.012 0.004 0.000 0.116 0.044
#> GSM87960 1 0.1701 0.8649 0.920 0.000 0.000 0.000 0.008 0.072
#> GSM87862 2 0.6106 0.1135 0.000 0.476 0.072 0.048 0.396 0.008
#> GSM87886 1 0.2265 0.8589 0.896 0.000 0.004 0.000 0.024 0.076
#> GSM87895 2 0.6875 0.3744 0.000 0.536 0.116 0.140 0.196 0.012
#> GSM87919 1 0.1082 0.9104 0.956 0.004 0.000 0.000 0.040 0.000
#> GSM87933 4 0.0951 0.9427 0.000 0.004 0.000 0.968 0.020 0.008
#> GSM87952 1 0.0363 0.9138 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87872 2 0.4527 0.4991 0.000 0.680 0.000 0.008 0.256 0.056
#> GSM87877 6 0.3280 0.6429 0.028 0.000 0.004 0.000 0.160 0.808
#> GSM87905 2 0.1713 0.8077 0.000 0.928 0.000 0.000 0.044 0.028
#> GSM87914 2 0.1930 0.8172 0.000 0.924 0.000 0.012 0.036 0.028
#> GSM87942 4 0.4475 0.7237 0.000 0.172 0.004 0.740 0.064 0.020
#> GSM87956 1 0.0291 0.9139 0.992 0.000 0.000 0.000 0.004 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 time(p) agent(p) individual(p) k
#> MAD:kmeans 102 0.799 0.4937 8.23e-05 2
#> MAD:kmeans 94 0.370 0.2276 1.33e-06 3
#> MAD:kmeans 95 0.954 0.3539 9.02e-19 4
#> MAD:kmeans 88 0.881 0.0988 2.28e-22 5
#> MAD:kmeans 87 0.946 0.1701 6.47e-26 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 108 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 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 0.961 0.985 0.5043 0.497 0.497
#> 3 3 0.969 0.928 0.968 0.2861 0.834 0.671
#> 4 4 0.844 0.857 0.916 0.1035 0.910 0.752
#> 5 5 0.972 0.897 0.955 0.0679 0.919 0.729
#> 6 6 0.913 0.874 0.933 0.0489 0.939 0.750
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
#> GSM87863 1 0.000 0.994 1.000 0.000
#> GSM87887 1 0.000 0.994 1.000 0.000
#> GSM87896 2 0.000 0.975 0.000 1.000
#> GSM87934 2 0.000 0.975 0.000 1.000
#> GSM87943 2 0.000 0.975 0.000 1.000
#> GSM87853 2 0.000 0.975 0.000 1.000
#> GSM87906 2 0.000 0.975 0.000 1.000
#> GSM87920 1 0.000 0.994 1.000 0.000
#> GSM87924 2 0.000 0.975 0.000 1.000
#> GSM87858 2 0.000 0.975 0.000 1.000
#> GSM87882 2 0.000 0.975 0.000 1.000
#> GSM87891 2 0.000 0.975 0.000 1.000
#> GSM87917 1 0.000 0.994 1.000 0.000
#> GSM87929 2 0.000 0.975 0.000 1.000
#> GSM87948 1 0.000 0.994 1.000 0.000
#> GSM87868 1 0.000 0.994 1.000 0.000
#> GSM87873 2 0.000 0.975 0.000 1.000
#> GSM87901 1 0.443 0.898 0.908 0.092
#> GSM87910 1 0.000 0.994 1.000 0.000
#> GSM87938 2 0.000 0.975 0.000 1.000
#> GSM87953 1 0.000 0.994 1.000 0.000
#> GSM87864 1 0.000 0.994 1.000 0.000
#> GSM87888 2 0.000 0.975 0.000 1.000
#> GSM87897 2 0.000 0.975 0.000 1.000
#> GSM87935 2 0.000 0.975 0.000 1.000
#> GSM87944 1 0.000 0.994 1.000 0.000
#> GSM87854 2 0.443 0.882 0.092 0.908
#> GSM87878 1 0.000 0.994 1.000 0.000
#> GSM87907 2 0.000 0.975 0.000 1.000
#> GSM87921 2 0.000 0.975 0.000 1.000
#> GSM87925 2 0.000 0.975 0.000 1.000
#> GSM87957 1 0.000 0.994 1.000 0.000
#> GSM87859 2 0.000 0.975 0.000 1.000
#> GSM87883 1 0.000 0.994 1.000 0.000
#> GSM87892 2 0.000 0.975 0.000 1.000
#> GSM87930 2 0.000 0.975 0.000 1.000
#> GSM87949 1 0.000 0.994 1.000 0.000
#> GSM87869 1 0.000 0.994 1.000 0.000
#> GSM87874 2 0.000 0.975 0.000 1.000
#> GSM87902 1 0.443 0.898 0.908 0.092
#> GSM87911 2 0.999 0.112 0.480 0.520
#> GSM87939 2 0.000 0.975 0.000 1.000
#> GSM87954 1 0.000 0.994 1.000 0.000
#> GSM87865 1 0.000 0.994 1.000 0.000
#> GSM87889 1 0.000 0.994 1.000 0.000
#> GSM87898 1 0.000 0.994 1.000 0.000
#> GSM87915 1 0.000 0.994 1.000 0.000
#> GSM87936 2 0.000 0.975 0.000 1.000
#> GSM87945 2 0.000 0.975 0.000 1.000
#> GSM87855 2 0.000 0.975 0.000 1.000
#> GSM87879 2 0.000 0.975 0.000 1.000
#> GSM87922 2 0.000 0.975 0.000 1.000
#> GSM87926 2 0.000 0.975 0.000 1.000
#> GSM87958 1 0.000 0.994 1.000 0.000
#> GSM87860 2 0.000 0.975 0.000 1.000
#> GSM87884 1 0.000 0.994 1.000 0.000
#> GSM87893 2 0.000 0.975 0.000 1.000
#> GSM87918 1 0.000 0.994 1.000 0.000
#> GSM87931 2 0.000 0.975 0.000 1.000
#> GSM87950 1 0.000 0.994 1.000 0.000
#> GSM87870 1 0.000 0.994 1.000 0.000
#> GSM87875 2 0.000 0.975 0.000 1.000
#> GSM87903 2 0.000 0.975 0.000 1.000
#> GSM87912 1 0.000 0.994 1.000 0.000
#> GSM87940 2 0.000 0.975 0.000 1.000
#> GSM87866 1 0.000 0.994 1.000 0.000
#> GSM87899 2 0.000 0.975 0.000 1.000
#> GSM87937 2 0.000 0.975 0.000 1.000
#> GSM87946 1 0.000 0.994 1.000 0.000
#> GSM87856 2 0.000 0.975 0.000 1.000
#> GSM87880 2 0.000 0.975 0.000 1.000
#> GSM87908 1 0.000 0.994 1.000 0.000
#> GSM87923 2 0.000 0.975 0.000 1.000
#> GSM87927 2 0.000 0.975 0.000 1.000
#> GSM87959 1 0.000 0.994 1.000 0.000
#> GSM87861 2 0.000 0.975 0.000 1.000
#> GSM87885 1 0.000 0.994 1.000 0.000
#> GSM87894 1 0.000 0.994 1.000 0.000
#> GSM87932 1 0.000 0.994 1.000 0.000
#> GSM87951 1 0.000 0.994 1.000 0.000
#> GSM87871 1 0.469 0.886 0.900 0.100
#> GSM87876 1 0.000 0.994 1.000 0.000
#> GSM87904 2 0.000 0.975 0.000 1.000
#> GSM87913 1 0.000 0.994 1.000 0.000
#> GSM87941 2 0.000 0.975 0.000 1.000
#> GSM87955 1 0.000 0.994 1.000 0.000
#> GSM87867 1 0.000 0.994 1.000 0.000
#> GSM87890 2 0.000 0.975 0.000 1.000
#> GSM87900 2 0.000 0.975 0.000 1.000
#> GSM87916 2 0.000 0.975 0.000 1.000
#> GSM87947 1 0.000 0.994 1.000 0.000
#> GSM87857 2 0.000 0.975 0.000 1.000
#> GSM87881 2 0.000 0.975 0.000 1.000
#> GSM87909 1 0.000 0.994 1.000 0.000
#> GSM87928 1 0.000 0.994 1.000 0.000
#> GSM87960 1 0.000 0.994 1.000 0.000
#> GSM87862 2 0.000 0.975 0.000 1.000
#> GSM87886 1 0.000 0.994 1.000 0.000
#> GSM87895 2 0.000 0.975 0.000 1.000
#> GSM87919 1 0.000 0.994 1.000 0.000
#> GSM87933 2 0.000 0.975 0.000 1.000
#> GSM87952 1 0.000 0.994 1.000 0.000
#> GSM87872 2 0.000 0.975 0.000 1.000
#> GSM87877 1 0.000 0.994 1.000 0.000
#> GSM87905 1 0.000 0.994 1.000 0.000
#> GSM87914 2 0.971 0.348 0.400 0.600
#> GSM87942 2 0.969 0.359 0.396 0.604
#> GSM87956 1 0.000 0.994 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87887 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87896 3 0.0747 0.942 0.000 0.016 0.984
#> GSM87934 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87943 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87853 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87906 2 0.2261 0.902 0.000 0.932 0.068
#> GSM87920 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87924 2 0.1163 0.947 0.000 0.972 0.028
#> GSM87858 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87882 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87891 3 0.0747 0.942 0.000 0.016 0.984
#> GSM87917 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87929 2 0.0237 0.948 0.000 0.996 0.004
#> GSM87948 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87868 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87901 1 0.6180 0.280 0.584 0.416 0.000
#> GSM87910 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87938 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87953 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87864 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87888 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87897 2 0.2356 0.898 0.000 0.928 0.072
#> GSM87935 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87944 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87854 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87878 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87907 3 0.0892 0.940 0.000 0.020 0.980
#> GSM87921 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87925 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87957 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87930 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87949 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87902 1 0.7680 0.584 0.680 0.188 0.132
#> GSM87911 3 0.6168 0.733 0.124 0.096 0.780
#> GSM87939 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87954 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87865 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87889 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87898 1 0.0747 0.971 0.984 0.016 0.000
#> GSM87915 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87936 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87945 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87855 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87879 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87922 3 0.1031 0.934 0.000 0.024 0.976
#> GSM87926 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87958 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87860 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87884 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87918 2 0.6095 0.335 0.392 0.608 0.000
#> GSM87931 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87950 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87870 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87875 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87903 3 0.4555 0.741 0.000 0.200 0.800
#> GSM87912 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87940 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87866 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87899 3 0.0424 0.948 0.000 0.008 0.992
#> GSM87937 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87946 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87856 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87880 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87908 1 0.1031 0.965 0.976 0.024 0.000
#> GSM87923 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87927 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87959 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87861 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87885 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87894 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87932 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87871 3 0.6274 0.177 0.456 0.000 0.544
#> GSM87876 1 0.0424 0.976 0.992 0.000 0.008
#> GSM87904 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87913 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87941 2 0.0592 0.952 0.000 0.988 0.012
#> GSM87955 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87867 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87890 2 0.4605 0.757 0.000 0.796 0.204
#> GSM87900 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87916 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87947 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87857 3 0.0000 0.952 0.000 0.000 1.000
#> GSM87881 2 0.4750 0.739 0.000 0.784 0.216
#> GSM87909 1 0.0747 0.971 0.984 0.016 0.000
#> GSM87928 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87862 3 0.0747 0.942 0.000 0.016 0.984
#> GSM87886 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87895 3 0.5905 0.425 0.000 0.352 0.648
#> GSM87919 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87933 2 0.0747 0.954 0.000 0.984 0.016
#> GSM87952 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87872 2 0.1860 0.929 0.000 0.948 0.052
#> GSM87877 1 0.0000 0.983 1.000 0.000 0.000
#> GSM87905 1 0.0747 0.971 0.984 0.016 0.000
#> GSM87914 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87942 2 0.0000 0.946 0.000 1.000 0.000
#> GSM87956 1 0.0000 0.983 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.0592 0.945 0.984 0.016 0.000 0.000
#> GSM87887 1 0.4331 0.669 0.712 0.288 0.000 0.000
#> GSM87896 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87934 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87943 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87906 2 0.4908 0.647 0.000 0.692 0.292 0.016
#> GSM87920 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87924 4 0.0469 0.946 0.000 0.000 0.012 0.988
#> GSM87858 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87882 3 0.4356 0.657 0.000 0.292 0.708 0.000
#> GSM87891 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87917 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87948 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87868 1 0.0592 0.945 0.984 0.016 0.000 0.000
#> GSM87873 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87901 2 0.5395 0.642 0.084 0.732 0.000 0.184
#> GSM87910 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87864 1 0.0592 0.945 0.984 0.016 0.000 0.000
#> GSM87888 3 0.4382 0.653 0.000 0.296 0.704 0.000
#> GSM87897 2 0.4908 0.647 0.000 0.692 0.292 0.016
#> GSM87935 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87944 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87854 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87878 1 0.4193 0.690 0.732 0.268 0.000 0.000
#> GSM87907 3 0.0921 0.893 0.000 0.028 0.972 0.000
#> GSM87921 2 0.4761 0.411 0.000 0.628 0.000 0.372
#> GSM87925 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87957 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87883 1 0.0469 0.946 0.988 0.012 0.000 0.000
#> GSM87892 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87930 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87949 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87874 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87902 2 0.5473 0.704 0.084 0.724 0.192 0.000
#> GSM87911 2 0.5574 0.659 0.048 0.668 0.284 0.000
#> GSM87939 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87954 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87865 1 0.0592 0.945 0.984 0.016 0.000 0.000
#> GSM87889 1 0.4454 0.645 0.692 0.308 0.000 0.000
#> GSM87898 2 0.4454 0.656 0.308 0.692 0.000 0.000
#> GSM87915 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87936 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87945 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87855 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87879 3 0.4356 0.657 0.000 0.292 0.708 0.000
#> GSM87922 3 0.2589 0.795 0.000 0.000 0.884 0.116
#> GSM87926 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87958 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87860 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87884 1 0.0469 0.946 0.988 0.012 0.000 0.000
#> GSM87893 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87918 2 0.7304 0.526 0.208 0.532 0.000 0.260
#> GSM87931 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87950 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87870 1 0.0592 0.945 0.984 0.016 0.000 0.000
#> GSM87875 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87903 2 0.4454 0.630 0.000 0.692 0.308 0.000
#> GSM87912 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87866 1 0.0592 0.945 0.984 0.016 0.000 0.000
#> GSM87899 2 0.4697 0.561 0.000 0.644 0.356 0.000
#> GSM87937 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87946 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87856 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87880 3 0.4382 0.653 0.000 0.296 0.704 0.000
#> GSM87908 2 0.4454 0.656 0.308 0.692 0.000 0.000
#> GSM87923 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87927 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87959 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87885 1 0.4454 0.645 0.692 0.308 0.000 0.000
#> GSM87894 1 0.0469 0.946 0.988 0.012 0.000 0.000
#> GSM87932 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87871 3 0.7758 0.199 0.260 0.308 0.432 0.000
#> GSM87876 1 0.4454 0.645 0.692 0.308 0.000 0.000
#> GSM87904 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87913 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87941 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87955 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87867 1 0.2760 0.849 0.872 0.128 0.000 0.000
#> GSM87890 4 0.4012 0.704 0.000 0.016 0.184 0.800
#> GSM87900 2 0.4454 0.511 0.000 0.692 0.000 0.308
#> GSM87916 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87947 1 0.0592 0.945 0.984 0.016 0.000 0.000
#> GSM87857 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87881 4 0.7252 0.366 0.000 0.292 0.180 0.528
#> GSM87909 2 0.4454 0.656 0.308 0.692 0.000 0.000
#> GSM87928 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87862 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87886 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87895 3 0.0000 0.920 0.000 0.000 1.000 0.000
#> GSM87919 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87952 1 0.0000 0.950 1.000 0.000 0.000 0.000
#> GSM87872 4 0.1629 0.916 0.000 0.024 0.024 0.952
#> GSM87877 1 0.2647 0.856 0.880 0.120 0.000 0.000
#> GSM87905 2 0.4454 0.656 0.308 0.692 0.000 0.000
#> GSM87914 4 0.1389 0.912 0.000 0.048 0.000 0.952
#> GSM87942 4 0.0000 0.957 0.000 0.000 0.000 1.000
#> GSM87956 1 0.0000 0.950 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
#> GSM87863 1 0.2228 0.918 0.912 0.040 0.000 0.000 0.048
#> GSM87887 5 0.4201 0.318 0.408 0.000 0.000 0.000 0.592
#> GSM87896 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87934 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87943 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87853 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.1043 0.917 0.000 0.960 0.040 0.000 0.000
#> GSM87920 1 0.0693 0.958 0.980 0.012 0.000 0.000 0.008
#> GSM87924 4 0.1608 0.879 0.000 0.000 0.072 0.928 0.000
#> GSM87858 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87882 5 0.1270 0.826 0.000 0.000 0.052 0.000 0.948
#> GSM87891 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87917 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87948 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87868 1 0.2077 0.924 0.920 0.040 0.000 0.000 0.040
#> GSM87873 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87901 2 0.0833 0.920 0.004 0.976 0.000 0.016 0.004
#> GSM87910 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87864 1 0.2228 0.918 0.912 0.040 0.000 0.000 0.048
#> GSM87888 5 0.1197 0.828 0.000 0.000 0.048 0.000 0.952
#> GSM87897 2 0.1043 0.917 0.000 0.960 0.040 0.000 0.000
#> GSM87935 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87944 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87854 3 0.0865 0.945 0.000 0.024 0.972 0.000 0.004
#> GSM87878 5 0.4249 0.274 0.432 0.000 0.000 0.000 0.568
#> GSM87907 3 0.0162 0.967 0.000 0.004 0.996 0.000 0.000
#> GSM87921 4 0.4415 0.185 0.000 0.444 0.000 0.552 0.004
#> GSM87925 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87957 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87883 1 0.0609 0.957 0.980 0.000 0.000 0.000 0.020
#> GSM87892 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87930 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.0955 0.951 0.968 0.028 0.000 0.000 0.004
#> GSM87874 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87902 2 0.0703 0.922 0.000 0.976 0.024 0.000 0.000
#> GSM87911 3 0.4549 0.115 0.000 0.464 0.528 0.000 0.008
#> GSM87939 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87865 1 0.2228 0.918 0.912 0.040 0.000 0.000 0.048
#> GSM87889 5 0.0290 0.831 0.008 0.000 0.000 0.000 0.992
#> GSM87898 2 0.0880 0.918 0.032 0.968 0.000 0.000 0.000
#> GSM87915 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87936 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.1270 0.826 0.000 0.000 0.052 0.000 0.948
#> GSM87922 3 0.2605 0.799 0.000 0.000 0.852 0.148 0.000
#> GSM87926 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87884 1 0.0609 0.957 0.980 0.000 0.000 0.000 0.020
#> GSM87893 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87918 2 0.5889 0.501 0.244 0.608 0.000 0.144 0.004
#> GSM87931 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87870 1 0.2153 0.921 0.916 0.040 0.000 0.000 0.044
#> GSM87875 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87903 2 0.1043 0.917 0.000 0.960 0.040 0.000 0.000
#> GSM87912 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87866 1 0.2077 0.924 0.920 0.040 0.000 0.000 0.040
#> GSM87899 3 0.1608 0.902 0.000 0.072 0.928 0.000 0.000
#> GSM87937 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87946 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87856 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87880 5 0.1197 0.828 0.000 0.000 0.048 0.000 0.952
#> GSM87908 2 0.0000 0.914 0.000 1.000 0.000 0.000 0.000
#> GSM87923 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87927 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87885 5 0.0290 0.831 0.008 0.000 0.000 0.000 0.992
#> GSM87894 1 0.2077 0.924 0.920 0.040 0.000 0.000 0.040
#> GSM87932 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.1205 0.811 0.000 0.040 0.004 0.000 0.956
#> GSM87876 5 0.0290 0.831 0.008 0.000 0.000 0.000 0.992
#> GSM87904 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87913 1 0.0566 0.959 0.984 0.012 0.000 0.000 0.004
#> GSM87941 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87867 1 0.5086 0.261 0.564 0.040 0.000 0.000 0.396
#> GSM87890 4 0.3266 0.755 0.000 0.000 0.004 0.796 0.200
#> GSM87900 2 0.1043 0.906 0.000 0.960 0.000 0.040 0.000
#> GSM87916 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87947 1 0.0290 0.963 0.992 0.000 0.000 0.000 0.008
#> GSM87857 3 0.0000 0.969 0.000 0.000 1.000 0.000 0.000
#> GSM87881 5 0.1408 0.810 0.000 0.000 0.008 0.044 0.948
#> GSM87909 2 0.0880 0.919 0.032 0.968 0.000 0.000 0.000
#> GSM87928 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87862 3 0.0162 0.967 0.000 0.004 0.996 0.000 0.000
#> GSM87886 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87895 3 0.0162 0.967 0.000 0.004 0.996 0.000 0.000
#> GSM87919 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.0000 0.966 1.000 0.000 0.000 0.000 0.000
#> GSM87872 4 0.3551 0.727 0.000 0.008 0.000 0.772 0.220
#> GSM87877 1 0.2230 0.869 0.884 0.000 0.000 0.000 0.116
#> GSM87905 2 0.0880 0.919 0.032 0.968 0.000 0.000 0.000
#> GSM87914 4 0.1952 0.876 0.000 0.084 0.000 0.912 0.004
#> GSM87942 4 0.0000 0.948 0.000 0.000 0.000 1.000 0.000
#> GSM87956 1 0.0000 0.966 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
#> GSM87863 6 0.2697 0.881 0.188 0.000 0.000 0.000 0.000 0.812
#> GSM87887 5 0.4262 0.130 0.476 0.000 0.000 0.000 0.508 0.016
#> GSM87896 3 0.0508 0.958 0.000 0.004 0.984 0.000 0.000 0.012
#> GSM87934 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87853 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87906 2 0.0363 0.925 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87920 1 0.2664 0.763 0.816 0.000 0.000 0.000 0.000 0.184
#> GSM87924 4 0.1219 0.905 0.000 0.000 0.048 0.948 0.000 0.004
#> GSM87858 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87882 5 0.0146 0.832 0.000 0.000 0.004 0.000 0.996 0.000
#> GSM87891 3 0.0508 0.958 0.000 0.004 0.984 0.000 0.000 0.012
#> GSM87917 1 0.0146 0.956 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87929 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87948 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87868 6 0.2912 0.863 0.216 0.000 0.000 0.000 0.000 0.784
#> GSM87873 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87901 2 0.0146 0.927 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87910 1 0.0146 0.956 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87938 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0146 0.956 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87864 6 0.2697 0.881 0.188 0.000 0.000 0.000 0.000 0.812
#> GSM87888 5 0.0000 0.834 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87897 2 0.0146 0.927 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87935 4 0.0146 0.946 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87944 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87854 3 0.3797 0.310 0.000 0.000 0.580 0.000 0.000 0.420
#> GSM87878 5 0.4183 0.133 0.480 0.000 0.000 0.000 0.508 0.012
#> GSM87907 3 0.0508 0.958 0.000 0.004 0.984 0.000 0.000 0.012
#> GSM87921 4 0.5461 0.286 0.000 0.332 0.000 0.528 0.000 0.140
#> GSM87925 4 0.0146 0.946 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87957 1 0.0146 0.957 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87859 3 0.0000 0.960 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87892 3 0.0508 0.958 0.000 0.004 0.984 0.000 0.000 0.012
#> GSM87930 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.0146 0.957 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87869 6 0.3828 0.531 0.440 0.000 0.000 0.000 0.000 0.560
#> GSM87874 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87902 2 0.0146 0.927 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87911 2 0.6292 0.150 0.016 0.392 0.384 0.000 0.000 0.208
#> GSM87939 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0146 0.956 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87865 6 0.2697 0.881 0.188 0.000 0.000 0.000 0.000 0.812
#> GSM87889 5 0.0260 0.833 0.000 0.000 0.000 0.000 0.992 0.008
#> GSM87898 2 0.0891 0.903 0.024 0.968 0.000 0.000 0.000 0.008
#> GSM87915 1 0.0632 0.943 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87936 4 0.0146 0.946 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87945 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87855 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87879 5 0.0000 0.834 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87922 3 0.3939 0.695 0.000 0.000 0.752 0.180 0.000 0.068
#> GSM87926 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.0146 0.956 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87860 3 0.0000 0.960 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87884 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87893 3 0.0260 0.959 0.000 0.000 0.992 0.000 0.000 0.008
#> GSM87918 1 0.6573 0.220 0.508 0.284 0.000 0.068 0.004 0.136
#> GSM87931 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0146 0.957 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87870 6 0.2697 0.881 0.188 0.000 0.000 0.000 0.000 0.812
#> GSM87875 3 0.0291 0.959 0.000 0.000 0.992 0.000 0.004 0.004
#> GSM87903 2 0.0508 0.923 0.000 0.984 0.004 0.000 0.000 0.012
#> GSM87912 1 0.0632 0.943 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87940 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.2697 0.881 0.188 0.000 0.000 0.000 0.000 0.812
#> GSM87899 3 0.1411 0.916 0.000 0.060 0.936 0.000 0.000 0.004
#> GSM87937 4 0.0146 0.946 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87946 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87856 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87880 5 0.0000 0.834 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87908 2 0.0260 0.925 0.000 0.992 0.000 0.000 0.000 0.008
#> GSM87923 3 0.1141 0.928 0.000 0.000 0.948 0.000 0.000 0.052
#> GSM87927 4 0.0146 0.946 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87959 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87861 3 0.0000 0.960 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0260 0.833 0.000 0.000 0.000 0.000 0.992 0.008
#> GSM87894 6 0.3563 0.744 0.336 0.000 0.000 0.000 0.000 0.664
#> GSM87932 1 0.0777 0.941 0.972 0.004 0.000 0.000 0.000 0.024
#> GSM87951 1 0.0146 0.957 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87871 6 0.2730 0.581 0.000 0.000 0.000 0.000 0.192 0.808
#> GSM87876 5 0.0260 0.833 0.000 0.000 0.000 0.000 0.992 0.008
#> GSM87904 3 0.0508 0.958 0.000 0.004 0.984 0.000 0.000 0.012
#> GSM87913 1 0.1765 0.873 0.904 0.000 0.000 0.000 0.000 0.096
#> GSM87941 4 0.0146 0.946 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87955 1 0.0000 0.957 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.3328 0.804 0.120 0.000 0.000 0.000 0.064 0.816
#> GSM87890 4 0.3023 0.750 0.000 0.000 0.000 0.784 0.212 0.004
#> GSM87900 2 0.0260 0.926 0.000 0.992 0.000 0.000 0.000 0.008
#> GSM87916 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87947 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87857 3 0.0146 0.960 0.000 0.000 0.996 0.000 0.000 0.004
#> GSM87881 5 0.0146 0.832 0.000 0.000 0.000 0.000 0.996 0.004
#> GSM87909 2 0.0363 0.924 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87928 1 0.1010 0.930 0.960 0.004 0.000 0.000 0.000 0.036
#> GSM87960 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87862 3 0.0508 0.958 0.000 0.004 0.984 0.000 0.000 0.012
#> GSM87886 1 0.0260 0.957 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87895 3 0.0508 0.958 0.000 0.004 0.984 0.000 0.000 0.012
#> GSM87919 1 0.0260 0.955 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87933 4 0.0000 0.947 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0146 0.957 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87872 4 0.4248 0.725 0.000 0.024 0.000 0.744 0.188 0.044
#> GSM87877 1 0.1074 0.930 0.960 0.000 0.000 0.000 0.028 0.012
#> GSM87905 2 0.0363 0.924 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87914 4 0.2728 0.855 0.000 0.040 0.000 0.860 0.000 0.100
#> GSM87942 4 0.0777 0.933 0.000 0.004 0.000 0.972 0.000 0.024
#> GSM87956 1 0.0000 0.957 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 time(p) agent(p) individual(p) k
#> MAD:skmeans 105 0.812 0.283 1.69e-04 2
#> MAD:skmeans 104 0.523 0.575 1.17e-10 3
#> MAD:skmeans 105 0.985 0.312 3.98e-21 4
#> MAD:skmeans 103 0.969 0.774 3.43e-26 5
#> MAD:skmeans 102 0.997 0.228 4.26e-35 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 108 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 0.826 0.928 0.968 0.481 0.525 0.525
#> 3 3 0.871 0.914 0.963 0.353 0.661 0.444
#> 4 4 0.978 0.936 0.975 0.105 0.883 0.689
#> 5 5 0.861 0.840 0.921 0.103 0.895 0.643
#> 6 6 0.945 0.877 0.952 0.052 0.889 0.540
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] 4
There is also optional best \(k\) = 4 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
#> GSM87863 1 0.0000 0.983 1.000 0.000
#> GSM87887 1 0.0000 0.983 1.000 0.000
#> GSM87896 2 0.0000 0.957 0.000 1.000
#> GSM87934 2 0.0000 0.957 0.000 1.000
#> GSM87943 2 0.0938 0.951 0.012 0.988
#> GSM87853 2 0.0000 0.957 0.000 1.000
#> GSM87906 2 0.0000 0.957 0.000 1.000
#> GSM87920 1 0.0000 0.983 1.000 0.000
#> GSM87924 2 0.0000 0.957 0.000 1.000
#> GSM87858 2 0.0000 0.957 0.000 1.000
#> GSM87882 2 0.0938 0.951 0.012 0.988
#> GSM87891 2 0.0000 0.957 0.000 1.000
#> GSM87917 1 0.0000 0.983 1.000 0.000
#> GSM87929 2 0.0000 0.957 0.000 1.000
#> GSM87948 1 0.0000 0.983 1.000 0.000
#> GSM87868 1 0.0000 0.983 1.000 0.000
#> GSM87873 2 0.0000 0.957 0.000 1.000
#> GSM87901 2 0.4690 0.885 0.100 0.900
#> GSM87910 1 0.0000 0.983 1.000 0.000
#> GSM87938 2 0.0000 0.957 0.000 1.000
#> GSM87953 1 0.0000 0.983 1.000 0.000
#> GSM87864 1 0.0000 0.983 1.000 0.000
#> GSM87888 2 0.0938 0.951 0.012 0.988
#> GSM87897 2 0.0000 0.957 0.000 1.000
#> GSM87935 2 0.0000 0.957 0.000 1.000
#> GSM87944 1 0.0000 0.983 1.000 0.000
#> GSM87854 2 0.5294 0.866 0.120 0.880
#> GSM87878 1 0.0000 0.983 1.000 0.000
#> GSM87907 2 0.0000 0.957 0.000 1.000
#> GSM87921 2 0.0376 0.955 0.004 0.996
#> GSM87925 2 0.0000 0.957 0.000 1.000
#> GSM87957 1 0.0000 0.983 1.000 0.000
#> GSM87859 2 0.0000 0.957 0.000 1.000
#> GSM87883 1 0.0000 0.983 1.000 0.000
#> GSM87892 2 0.0000 0.957 0.000 1.000
#> GSM87930 2 0.0000 0.957 0.000 1.000
#> GSM87949 1 0.0000 0.983 1.000 0.000
#> GSM87869 1 0.0000 0.983 1.000 0.000
#> GSM87874 2 0.0000 0.957 0.000 1.000
#> GSM87902 2 0.4562 0.888 0.096 0.904
#> GSM87911 2 0.4690 0.885 0.100 0.900
#> GSM87939 2 0.0000 0.957 0.000 1.000
#> GSM87954 1 0.0000 0.983 1.000 0.000
#> GSM87865 1 0.0000 0.983 1.000 0.000
#> GSM87889 1 0.3584 0.916 0.932 0.068
#> GSM87898 1 0.7056 0.758 0.808 0.192
#> GSM87915 1 0.0000 0.983 1.000 0.000
#> GSM87936 2 0.0000 0.957 0.000 1.000
#> GSM87945 2 0.0000 0.957 0.000 1.000
#> GSM87855 2 0.0000 0.957 0.000 1.000
#> GSM87879 2 0.0938 0.951 0.012 0.988
#> GSM87922 2 0.0000 0.957 0.000 1.000
#> GSM87926 2 0.0000 0.957 0.000 1.000
#> GSM87958 1 0.0000 0.983 1.000 0.000
#> GSM87860 2 0.0000 0.957 0.000 1.000
#> GSM87884 1 0.0000 0.983 1.000 0.000
#> GSM87893 2 0.0000 0.957 0.000 1.000
#> GSM87918 2 0.5178 0.868 0.116 0.884
#> GSM87931 2 0.0000 0.957 0.000 1.000
#> GSM87950 1 0.0000 0.983 1.000 0.000
#> GSM87870 1 0.0000 0.983 1.000 0.000
#> GSM87875 2 0.0000 0.957 0.000 1.000
#> GSM87903 2 0.0000 0.957 0.000 1.000
#> GSM87912 1 0.0000 0.983 1.000 0.000
#> GSM87940 2 0.0000 0.957 0.000 1.000
#> GSM87866 1 0.0000 0.983 1.000 0.000
#> GSM87899 2 0.0000 0.957 0.000 1.000
#> GSM87937 2 0.0000 0.957 0.000 1.000
#> GSM87946 1 0.0000 0.983 1.000 0.000
#> GSM87856 2 0.0938 0.951 0.012 0.988
#> GSM87880 2 0.1843 0.941 0.028 0.972
#> GSM87908 2 0.0938 0.951 0.012 0.988
#> GSM87923 2 0.0000 0.957 0.000 1.000
#> GSM87927 2 0.0000 0.957 0.000 1.000
#> GSM87959 1 0.0000 0.983 1.000 0.000
#> GSM87861 2 0.0000 0.957 0.000 1.000
#> GSM87885 2 0.9833 0.318 0.424 0.576
#> GSM87894 1 0.0000 0.983 1.000 0.000
#> GSM87932 1 0.7056 0.758 0.808 0.192
#> GSM87951 1 0.0000 0.983 1.000 0.000
#> GSM87871 2 0.6148 0.830 0.152 0.848
#> GSM87876 2 0.9998 0.105 0.492 0.508
#> GSM87904 2 0.0000 0.957 0.000 1.000
#> GSM87913 1 0.0000 0.983 1.000 0.000
#> GSM87941 2 0.0000 0.957 0.000 1.000
#> GSM87955 1 0.0000 0.983 1.000 0.000
#> GSM87867 2 0.8955 0.595 0.312 0.688
#> GSM87890 2 0.0000 0.957 0.000 1.000
#> GSM87900 2 0.0000 0.957 0.000 1.000
#> GSM87916 2 0.0000 0.957 0.000 1.000
#> GSM87947 1 0.0000 0.983 1.000 0.000
#> GSM87857 2 0.0938 0.951 0.012 0.988
#> GSM87881 2 0.0000 0.957 0.000 1.000
#> GSM87909 2 0.5842 0.844 0.140 0.860
#> GSM87928 1 0.7056 0.758 0.808 0.192
#> GSM87960 1 0.0000 0.983 1.000 0.000
#> GSM87862 2 0.0000 0.957 0.000 1.000
#> GSM87886 1 0.0000 0.983 1.000 0.000
#> GSM87895 2 0.0000 0.957 0.000 1.000
#> GSM87919 1 0.0000 0.983 1.000 0.000
#> GSM87933 2 0.0000 0.957 0.000 1.000
#> GSM87952 1 0.0000 0.983 1.000 0.000
#> GSM87872 2 0.1414 0.946 0.020 0.980
#> GSM87877 1 0.0000 0.983 1.000 0.000
#> GSM87905 2 0.9896 0.269 0.440 0.560
#> GSM87914 2 0.4298 0.894 0.088 0.912
#> GSM87942 2 0.4690 0.884 0.100 0.900
#> GSM87956 1 0.0000 0.983 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87887 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87896 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87934 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87943 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87853 2 0.4702 0.737 0.000 0.788 0.212
#> GSM87906 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87920 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87924 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87858 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87882 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87917 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87929 3 0.3816 0.827 0.000 0.148 0.852
#> GSM87948 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87868 2 0.5706 0.539 0.320 0.680 0.000
#> GSM87873 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87901 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87910 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87938 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87953 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87864 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87888 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87935 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87944 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87854 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87878 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87907 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87921 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87925 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87957 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87883 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87930 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87949 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87869 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87902 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87911 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87939 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87954 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87865 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87889 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87898 1 0.0237 0.995 0.996 0.004 0.000
#> GSM87915 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87936 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87945 2 0.5988 0.479 0.000 0.632 0.368
#> GSM87855 2 0.3879 0.801 0.000 0.848 0.152
#> GSM87879 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87922 2 0.4931 0.698 0.000 0.768 0.232
#> GSM87926 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87958 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87860 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87884 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87918 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87931 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87950 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87870 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87875 2 0.6192 0.355 0.000 0.580 0.420
#> GSM87903 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87912 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87940 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87866 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87899 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87937 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87946 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87856 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87880 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87923 2 0.4796 0.724 0.000 0.780 0.220
#> GSM87927 3 0.3816 0.827 0.000 0.148 0.852
#> GSM87959 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87861 2 0.4555 0.751 0.000 0.800 0.200
#> GSM87885 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87894 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87932 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87951 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87871 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87876 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87904 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87913 2 0.0237 0.931 0.004 0.996 0.000
#> GSM87941 3 0.3816 0.827 0.000 0.148 0.852
#> GSM87955 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87867 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87890 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87900 2 0.6126 0.304 0.000 0.600 0.400
#> GSM87916 3 0.4555 0.760 0.000 0.200 0.800
#> GSM87947 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87857 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87881 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87928 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87960 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87862 2 0.3619 0.808 0.000 0.864 0.136
#> GSM87886 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87895 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87919 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87933 3 0.0000 0.962 0.000 0.000 1.000
#> GSM87952 1 0.0000 1.000 1.000 0.000 0.000
#> GSM87872 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87877 2 0.0000 0.934 0.000 1.000 0.000
#> GSM87905 2 0.0424 0.928 0.008 0.992 0.000
#> GSM87914 2 0.6192 0.243 0.000 0.580 0.420
#> GSM87942 3 0.5465 0.614 0.000 0.288 0.712
#> GSM87956 1 0.0000 1.000 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87887 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87896 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87934 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87943 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87853 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87906 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87920 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87924 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87858 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87882 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87891 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87917 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.915 0.000 0.000 0.000 1.000
#> GSM87948 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87868 2 0.4522 0.532 0.320 0.680 0.000 0.000
#> GSM87873 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87901 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87910 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87938 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87953 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87864 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87888 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87897 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87935 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87944 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87854 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87878 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87907 4 0.0469 0.909 0.000 0.000 0.012 0.988
#> GSM87921 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87925 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87957 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87859 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87883 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87892 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87930 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87949 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87874 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87902 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87911 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87939 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87954 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87865 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87889 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87898 1 0.0188 0.995 0.996 0.004 0.000 0.000
#> GSM87915 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87936 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87945 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87855 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87879 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87922 4 0.4972 0.174 0.000 0.456 0.000 0.544
#> GSM87926 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87958 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87860 3 0.4222 0.618 0.000 0.272 0.728 0.000
#> GSM87884 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87893 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87918 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87931 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87950 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87870 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87875 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87903 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87912 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87940 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87866 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87899 2 0.0376 0.970 0.000 0.992 0.004 0.004
#> GSM87937 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87946 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87856 2 0.0336 0.968 0.000 0.992 0.008 0.000
#> GSM87880 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87908 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87923 2 0.4008 0.654 0.000 0.756 0.000 0.244
#> GSM87927 4 0.0000 0.915 0.000 0.000 0.000 1.000
#> GSM87959 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.973 0.000 0.000 1.000 0.000
#> GSM87885 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87894 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87932 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87871 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87876 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87904 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87913 2 0.0188 0.971 0.004 0.996 0.000 0.000
#> GSM87941 4 0.0000 0.915 0.000 0.000 0.000 1.000
#> GSM87955 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87867 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87890 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87900 4 0.4948 0.262 0.000 0.440 0.000 0.560
#> GSM87916 4 0.2216 0.832 0.000 0.092 0.000 0.908
#> GSM87947 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87857 2 0.3610 0.739 0.000 0.800 0.200 0.000
#> GSM87881 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87909 2 0.0188 0.973 0.000 0.996 0.000 0.004
#> GSM87928 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87862 2 0.2868 0.821 0.000 0.864 0.000 0.136
#> GSM87886 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87895 4 0.0592 0.906 0.000 0.000 0.016 0.984
#> GSM87919 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87933 4 0.0188 0.917 0.000 0.000 0.004 0.996
#> GSM87952 1 0.0000 1.000 1.000 0.000 0.000 0.000
#> GSM87872 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87877 2 0.0000 0.974 0.000 1.000 0.000 0.000
#> GSM87905 2 0.0524 0.966 0.008 0.988 0.000 0.004
#> GSM87914 4 0.4454 0.569 0.000 0.308 0.000 0.692
#> GSM87942 4 0.2149 0.837 0.000 0.088 0.000 0.912
#> GSM87956 1 0.0000 1.000 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
#> GSM87863 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87887 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87896 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87934 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87943 5 0.3913 0.522 0.000 0.000 0.324 0.000 0.676
#> GSM87853 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87920 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87924 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87858 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87882 5 0.4045 0.515 0.000 0.356 0.000 0.000 0.644
#> GSM87891 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87917 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.4192 0.277 0.000 0.404 0.000 0.596 0.000
#> GSM87948 1 0.3949 0.692 0.668 0.000 0.000 0.000 0.332
#> GSM87868 5 0.1478 0.772 0.064 0.000 0.000 0.000 0.936
#> GSM87873 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87901 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87910 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87864 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87888 5 0.3913 0.562 0.000 0.324 0.000 0.000 0.676
#> GSM87897 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87935 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87944 1 0.4015 0.676 0.652 0.000 0.000 0.000 0.348
#> GSM87854 5 0.1908 0.792 0.000 0.092 0.000 0.000 0.908
#> GSM87878 5 0.0865 0.819 0.024 0.004 0.000 0.000 0.972
#> GSM87907 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87921 2 0.0404 0.947 0.000 0.988 0.000 0.000 0.012
#> GSM87925 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87957 1 0.3983 0.685 0.660 0.000 0.000 0.000 0.340
#> GSM87859 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87883 1 0.3949 0.693 0.668 0.000 0.000 0.000 0.332
#> GSM87892 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87930 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.4030 0.672 0.648 0.000 0.000 0.000 0.352
#> GSM87874 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87902 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87911 5 0.4182 0.440 0.000 0.400 0.000 0.000 0.600
#> GSM87939 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87865 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87889 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87898 1 0.4654 0.657 0.628 0.024 0.000 0.000 0.348
#> GSM87915 1 0.3661 0.735 0.724 0.000 0.000 0.000 0.276
#> GSM87936 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87945 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.3999 0.535 0.000 0.344 0.000 0.000 0.656
#> GSM87922 2 0.2813 0.766 0.000 0.832 0.000 0.168 0.000
#> GSM87926 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.4059 0.715 0.000 0.172 0.776 0.000 0.052
#> GSM87884 1 0.3949 0.693 0.668 0.000 0.000 0.000 0.332
#> GSM87893 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87918 5 0.3983 0.542 0.000 0.340 0.000 0.000 0.660
#> GSM87931 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87870 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87875 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87903 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87912 1 0.0510 0.867 0.984 0.000 0.000 0.000 0.016
#> GSM87940 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87866 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87899 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87937 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87946 1 0.0404 0.868 0.988 0.000 0.000 0.000 0.012
#> GSM87856 5 0.3966 0.503 0.000 0.000 0.336 0.000 0.664
#> GSM87880 5 0.3999 0.535 0.000 0.344 0.000 0.000 0.656
#> GSM87908 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87923 5 0.4210 0.342 0.000 0.000 0.000 0.412 0.588
#> GSM87927 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.981 0.000 0.000 1.000 0.000 0.000
#> GSM87885 5 0.0609 0.827 0.000 0.020 0.000 0.000 0.980
#> GSM87894 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87932 1 0.2471 0.818 0.864 0.000 0.000 0.000 0.136
#> GSM87951 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87876 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87904 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87913 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87941 4 0.0794 0.940 0.000 0.028 0.000 0.972 0.000
#> GSM87955 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87867 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87890 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87900 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87916 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87947 1 0.4045 0.666 0.644 0.000 0.000 0.000 0.356
#> GSM87857 5 0.6564 0.350 0.000 0.296 0.236 0.000 0.468
#> GSM87881 2 0.3508 0.605 0.000 0.748 0.000 0.000 0.252
#> GSM87909 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87928 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87862 2 0.1750 0.913 0.000 0.936 0.000 0.036 0.028
#> GSM87886 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87895 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87919 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.969 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.0000 0.871 1.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.3452 0.622 0.000 0.756 0.000 0.000 0.244
#> GSM87877 5 0.0000 0.833 0.000 0.000 0.000 0.000 1.000
#> GSM87905 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87914 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87942 2 0.0000 0.957 0.000 1.000 0.000 0.000 0.000
#> GSM87956 1 0.0000 0.871 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
#> GSM87863 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87887 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87896 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87934 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87920 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87924 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87858 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87882 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87917 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.3592 0.471 0.000 0.344 0.000 0.656 0.000 0.000
#> GSM87948 6 0.3866 0.111 0.484 0.000 0.000 0.000 0.000 0.516
#> GSM87868 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87873 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87910 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87864 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87888 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87935 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87944 6 0.0146 0.904 0.004 0.000 0.000 0.000 0.000 0.996
#> GSM87854 5 0.3838 0.201 0.000 0.000 0.000 0.000 0.552 0.448
#> GSM87878 5 0.3838 0.169 0.000 0.000 0.000 0.000 0.552 0.448
#> GSM87907 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87921 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87925 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87957 6 0.0632 0.893 0.024 0.000 0.000 0.000 0.000 0.976
#> GSM87859 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 6 0.0458 0.898 0.016 0.000 0.000 0.000 0.000 0.984
#> GSM87892 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87930 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87949 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87869 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87874 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87902 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87911 2 0.0458 0.958 0.000 0.984 0.000 0.000 0.000 0.016
#> GSM87939 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87865 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87889 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87898 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87915 6 0.1814 0.828 0.100 0.000 0.000 0.000 0.000 0.900
#> GSM87936 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87945 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87855 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87879 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87922 2 0.3081 0.700 0.000 0.776 0.000 0.004 0.220 0.000
#> GSM87926 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.2793 0.733 0.000 0.200 0.800 0.000 0.000 0.000
#> GSM87884 6 0.0547 0.895 0.020 0.000 0.000 0.000 0.000 0.980
#> GSM87893 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87918 2 0.3840 0.576 0.000 0.696 0.000 0.000 0.284 0.020
#> GSM87931 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87870 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87875 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87903 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87912 6 0.3817 0.285 0.432 0.000 0.000 0.000 0.000 0.568
#> GSM87940 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87899 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87937 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87946 1 0.0458 0.981 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM87856 5 0.4039 0.234 0.000 0.000 0.424 0.000 0.568 0.008
#> GSM87880 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87923 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87927 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87959 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.0000 0.979 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87894 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87932 6 0.3175 0.654 0.256 0.000 0.000 0.000 0.000 0.744
#> GSM87951 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 6 0.3774 0.208 0.000 0.000 0.000 0.000 0.408 0.592
#> GSM87876 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87904 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87913 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87941 4 0.0146 0.957 0.000 0.004 0.000 0.996 0.000 0.000
#> GSM87955 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.0000 0.905 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87890 4 0.2883 0.711 0.000 0.000 0.000 0.788 0.212 0.000
#> GSM87900 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87916 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87947 6 0.0146 0.904 0.004 0.000 0.000 0.000 0.000 0.996
#> GSM87857 5 0.3756 0.304 0.000 0.000 0.400 0.000 0.600 0.000
#> GSM87881 5 0.0000 0.844 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87928 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0146 0.995 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87862 2 0.0458 0.958 0.000 0.984 0.000 0.016 0.000 0.000
#> GSM87886 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87895 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87919 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.961 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0000 0.999 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.0146 0.969 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM87877 5 0.3464 0.504 0.000 0.000 0.000 0.000 0.688 0.312
#> GSM87905 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87914 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87942 2 0.0000 0.972 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87956 1 0.0000 0.999 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 time(p) agent(p) individual(p) k
#> MAD:pam 105 0.9958 0.527 5.48e-06 2
#> MAD:pam 104 0.6694 0.241 1.43e-16 3
#> MAD:pam 106 0.4542 0.235 1.07e-18 4
#> MAD:pam 104 0.0953 0.264 4.09e-25 5
#> MAD:pam 100 0.3949 0.119 4.85e-28 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 108 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 5.
#>
#> 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 0.340 0.791 0.789 0.3805 0.595 0.595
#> 3 3 0.426 0.778 0.819 0.4687 0.824 0.711
#> 4 4 0.582 0.618 0.768 0.2065 0.780 0.533
#> 5 5 0.781 0.807 0.898 0.1657 0.889 0.626
#> 6 6 0.815 0.810 0.892 0.0538 0.946 0.750
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 5
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
#> GSM87863 2 0.9922 0.737 0.448 0.552
#> GSM87887 2 0.9922 0.737 0.448 0.552
#> GSM87896 2 0.8713 0.777 0.292 0.708
#> GSM87934 2 0.0000 0.606 0.000 1.000
#> GSM87943 2 0.9922 0.737 0.448 0.552
#> GSM87853 2 0.9922 0.737 0.448 0.552
#> GSM87906 2 0.8713 0.777 0.292 0.708
#> GSM87920 2 0.9922 0.737 0.448 0.552
#> GSM87924 2 0.2603 0.632 0.044 0.956
#> GSM87858 2 0.9833 0.749 0.424 0.576
#> GSM87882 2 0.9922 0.737 0.448 0.552
#> GSM87891 2 0.8713 0.777 0.292 0.708
#> GSM87917 1 0.0000 0.987 1.000 0.000
#> GSM87929 2 0.0000 0.606 0.000 1.000
#> GSM87948 1 0.0376 0.985 0.996 0.004
#> GSM87868 1 0.0000 0.987 1.000 0.000
#> GSM87873 2 0.9922 0.737 0.448 0.552
#> GSM87901 2 0.8713 0.777 0.292 0.708
#> GSM87910 1 0.0000 0.987 1.000 0.000
#> GSM87938 2 0.0000 0.606 0.000 1.000
#> GSM87953 1 0.0000 0.987 1.000 0.000
#> GSM87864 2 0.9933 0.732 0.452 0.548
#> GSM87888 2 0.9922 0.737 0.448 0.552
#> GSM87897 2 0.8713 0.777 0.292 0.708
#> GSM87935 2 0.0000 0.606 0.000 1.000
#> GSM87944 1 0.0000 0.987 1.000 0.000
#> GSM87854 2 0.9922 0.737 0.448 0.552
#> GSM87878 2 0.9922 0.737 0.448 0.552
#> GSM87907 2 0.8713 0.777 0.292 0.708
#> GSM87921 2 0.8713 0.777 0.292 0.708
#> GSM87925 2 0.0000 0.606 0.000 1.000
#> GSM87957 1 0.0376 0.985 0.996 0.004
#> GSM87859 2 0.9922 0.737 0.448 0.552
#> GSM87883 1 0.0376 0.985 0.996 0.004
#> GSM87892 2 0.8713 0.777 0.292 0.708
#> GSM87930 2 0.0000 0.606 0.000 1.000
#> GSM87949 1 0.0000 0.987 1.000 0.000
#> GSM87869 1 0.0000 0.987 1.000 0.000
#> GSM87874 2 0.9922 0.737 0.448 0.552
#> GSM87902 2 0.8713 0.777 0.292 0.708
#> GSM87911 2 0.8813 0.776 0.300 0.700
#> GSM87939 2 0.0000 0.606 0.000 1.000
#> GSM87954 1 0.0000 0.987 1.000 0.000
#> GSM87865 2 0.9922 0.737 0.448 0.552
#> GSM87889 2 0.9922 0.737 0.448 0.552
#> GSM87898 2 0.8713 0.777 0.292 0.708
#> GSM87915 1 0.0000 0.987 1.000 0.000
#> GSM87936 2 0.0000 0.606 0.000 1.000
#> GSM87945 2 0.9922 0.737 0.448 0.552
#> GSM87855 2 0.9922 0.737 0.448 0.552
#> GSM87879 2 0.9922 0.737 0.448 0.552
#> GSM87922 2 0.9661 0.761 0.392 0.608
#> GSM87926 2 0.0000 0.606 0.000 1.000
#> GSM87958 1 0.0000 0.987 1.000 0.000
#> GSM87860 2 0.9833 0.748 0.424 0.576
#> GSM87884 1 0.5629 0.735 0.868 0.132
#> GSM87893 2 0.8713 0.777 0.292 0.708
#> GSM87918 2 0.9323 0.771 0.348 0.652
#> GSM87931 2 0.0000 0.606 0.000 1.000
#> GSM87950 1 0.0000 0.987 1.000 0.000
#> GSM87870 1 0.0672 0.981 0.992 0.008
#> GSM87875 2 0.9922 0.737 0.448 0.552
#> GSM87903 2 0.8713 0.777 0.292 0.708
#> GSM87912 1 0.0000 0.987 1.000 0.000
#> GSM87940 2 0.0000 0.606 0.000 1.000
#> GSM87866 1 0.0376 0.985 0.996 0.004
#> GSM87899 2 0.8713 0.777 0.292 0.708
#> GSM87937 2 0.0000 0.606 0.000 1.000
#> GSM87946 1 0.0000 0.987 1.000 0.000
#> GSM87856 2 0.9922 0.737 0.448 0.552
#> GSM87880 2 0.9922 0.737 0.448 0.552
#> GSM87908 2 0.8713 0.777 0.292 0.708
#> GSM87923 2 0.9922 0.737 0.448 0.552
#> GSM87927 2 0.0672 0.611 0.008 0.992
#> GSM87959 1 0.0000 0.987 1.000 0.000
#> GSM87861 2 0.9922 0.737 0.448 0.552
#> GSM87885 2 0.9922 0.737 0.448 0.552
#> GSM87894 1 0.1414 0.965 0.980 0.020
#> GSM87932 2 0.8661 0.775 0.288 0.712
#> GSM87951 1 0.0000 0.987 1.000 0.000
#> GSM87871 2 0.9922 0.737 0.448 0.552
#> GSM87876 2 0.9922 0.737 0.448 0.552
#> GSM87904 2 0.9129 0.774 0.328 0.672
#> GSM87913 1 0.1414 0.965 0.980 0.020
#> GSM87941 2 0.0000 0.606 0.000 1.000
#> GSM87955 1 0.0000 0.987 1.000 0.000
#> GSM87867 2 0.9922 0.737 0.448 0.552
#> GSM87890 2 0.9608 0.763 0.384 0.616
#> GSM87900 2 0.8713 0.777 0.292 0.708
#> GSM87916 2 0.6247 0.701 0.156 0.844
#> GSM87947 1 0.1414 0.965 0.980 0.020
#> GSM87857 2 0.9922 0.737 0.448 0.552
#> GSM87881 2 0.9922 0.737 0.448 0.552
#> GSM87909 2 0.8713 0.777 0.292 0.708
#> GSM87928 2 0.6148 0.699 0.152 0.848
#> GSM87960 1 0.0000 0.987 1.000 0.000
#> GSM87862 2 0.9608 0.763 0.384 0.616
#> GSM87886 1 0.0672 0.981 0.992 0.008
#> GSM87895 2 0.8713 0.777 0.292 0.708
#> GSM87919 1 0.0000 0.987 1.000 0.000
#> GSM87933 2 0.0000 0.606 0.000 1.000
#> GSM87952 1 0.0000 0.987 1.000 0.000
#> GSM87872 2 0.9635 0.762 0.388 0.612
#> GSM87877 2 0.9963 0.713 0.464 0.536
#> GSM87905 2 0.8713 0.777 0.292 0.708
#> GSM87914 2 0.6048 0.696 0.148 0.852
#> GSM87942 2 0.0000 0.606 0.000 1.000
#> GSM87956 1 0.0000 0.987 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.6228 0.5345 0.316 0.672 0.012
#> GSM87887 3 0.7902 0.9323 0.280 0.092 0.628
#> GSM87896 2 0.0237 0.8361 0.004 0.996 0.000
#> GSM87934 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87943 2 0.2383 0.8220 0.044 0.940 0.016
#> GSM87853 2 0.2229 0.8237 0.044 0.944 0.012
#> GSM87906 2 0.1529 0.8360 0.040 0.960 0.000
#> GSM87920 1 0.4842 0.7127 0.776 0.224 0.000
#> GSM87924 2 0.5012 0.7758 0.008 0.788 0.204
#> GSM87858 2 0.0747 0.8360 0.016 0.984 0.000
#> GSM87882 3 0.8187 0.9309 0.244 0.128 0.628
#> GSM87891 2 0.0592 0.8363 0.012 0.988 0.000
#> GSM87917 1 0.2261 0.8525 0.932 0.068 0.000
#> GSM87929 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87948 1 0.3375 0.8297 0.892 0.100 0.008
#> GSM87868 1 0.3896 0.8365 0.864 0.128 0.008
#> GSM87873 2 0.0829 0.8340 0.004 0.984 0.012
#> GSM87901 2 0.1163 0.8377 0.028 0.972 0.000
#> GSM87910 1 0.2261 0.8525 0.932 0.068 0.000
#> GSM87938 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87953 1 0.2261 0.8525 0.932 0.068 0.000
#> GSM87864 1 0.5406 0.6977 0.764 0.224 0.012
#> GSM87888 3 0.8187 0.9309 0.244 0.128 0.628
#> GSM87897 2 0.0892 0.8380 0.020 0.980 0.000
#> GSM87935 2 0.5859 0.6956 0.000 0.656 0.344
#> GSM87944 1 0.3192 0.8399 0.888 0.112 0.000
#> GSM87854 2 0.2339 0.8232 0.048 0.940 0.012
#> GSM87878 3 0.8079 0.9155 0.260 0.112 0.628
#> GSM87907 2 0.0747 0.8375 0.016 0.984 0.000
#> GSM87921 2 0.1529 0.8372 0.040 0.960 0.000
#> GSM87925 2 0.5948 0.6825 0.000 0.640 0.360
#> GSM87957 1 0.3038 0.8430 0.896 0.104 0.000
#> GSM87859 2 0.0747 0.8360 0.016 0.984 0.000
#> GSM87883 1 0.5554 0.7556 0.812 0.112 0.076
#> GSM87892 2 0.0592 0.8363 0.012 0.988 0.000
#> GSM87930 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87949 1 0.1860 0.8495 0.948 0.052 0.000
#> GSM87869 1 0.3412 0.8406 0.876 0.124 0.000
#> GSM87874 2 0.1774 0.8292 0.024 0.960 0.016
#> GSM87902 2 0.1529 0.8360 0.040 0.960 0.000
#> GSM87911 2 0.1529 0.8360 0.040 0.960 0.000
#> GSM87939 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87954 1 0.2356 0.8509 0.928 0.072 0.000
#> GSM87865 1 0.6357 0.5593 0.652 0.336 0.012
#> GSM87889 3 0.7902 0.9323 0.280 0.092 0.628
#> GSM87898 2 0.1163 0.8377 0.028 0.972 0.000
#> GSM87915 1 0.3816 0.7838 0.852 0.148 0.000
#> GSM87936 2 0.5882 0.6926 0.000 0.652 0.348
#> GSM87945 2 0.2229 0.8237 0.044 0.944 0.012
#> GSM87855 2 0.2229 0.8237 0.044 0.944 0.012
#> GSM87879 3 0.8187 0.9309 0.244 0.128 0.628
#> GSM87922 2 0.3412 0.7878 0.124 0.876 0.000
#> GSM87926 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87958 1 0.1860 0.8495 0.948 0.052 0.000
#> GSM87860 2 0.0747 0.8360 0.016 0.984 0.000
#> GSM87884 1 0.8326 -0.5338 0.488 0.080 0.432
#> GSM87893 2 0.0592 0.8363 0.012 0.988 0.000
#> GSM87918 2 0.4002 0.7659 0.160 0.840 0.000
#> GSM87931 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87950 1 0.1860 0.8495 0.948 0.052 0.000
#> GSM87870 1 0.3551 0.8376 0.868 0.132 0.000
#> GSM87875 2 0.6168 0.6654 0.224 0.740 0.036
#> GSM87903 2 0.1163 0.8367 0.028 0.972 0.000
#> GSM87912 1 0.2448 0.8499 0.924 0.076 0.000
#> GSM87940 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87866 1 0.3482 0.8393 0.872 0.128 0.000
#> GSM87899 2 0.0747 0.8375 0.016 0.984 0.000
#> GSM87937 2 0.5968 0.6790 0.000 0.636 0.364
#> GSM87946 1 0.3845 0.8344 0.872 0.116 0.012
#> GSM87856 2 0.2229 0.8237 0.044 0.944 0.012
#> GSM87880 3 0.8137 0.9340 0.252 0.120 0.628
#> GSM87908 2 0.1529 0.8360 0.040 0.960 0.000
#> GSM87923 2 0.4291 0.7455 0.180 0.820 0.000
#> GSM87927 2 0.5315 0.7707 0.012 0.772 0.216
#> GSM87959 1 0.1964 0.8497 0.944 0.056 0.000
#> GSM87861 2 0.1289 0.8337 0.032 0.968 0.000
#> GSM87885 3 0.7902 0.9323 0.280 0.092 0.628
#> GSM87894 1 0.6082 0.6313 0.692 0.296 0.012
#> GSM87932 2 0.3918 0.7753 0.140 0.856 0.004
#> GSM87951 1 0.1964 0.8497 0.944 0.056 0.000
#> GSM87871 2 0.2537 0.8194 0.080 0.920 0.000
#> GSM87876 3 0.7941 0.9332 0.276 0.096 0.628
#> GSM87904 2 0.0747 0.8368 0.016 0.984 0.000
#> GSM87913 1 0.5465 0.6381 0.712 0.288 0.000
#> GSM87941 2 0.5591 0.7171 0.000 0.696 0.304
#> GSM87955 1 0.1860 0.8495 0.948 0.052 0.000
#> GSM87867 2 0.5953 0.6046 0.280 0.708 0.012
#> GSM87890 2 0.5115 0.7301 0.188 0.796 0.016
#> GSM87900 2 0.1163 0.8377 0.028 0.972 0.000
#> GSM87916 2 0.5178 0.7483 0.000 0.744 0.256
#> GSM87947 1 0.4068 0.8086 0.864 0.120 0.016
#> GSM87857 2 0.2229 0.8237 0.044 0.944 0.012
#> GSM87881 3 0.8298 0.8962 0.220 0.152 0.628
#> GSM87909 2 0.3482 0.7884 0.128 0.872 0.000
#> GSM87928 2 0.5159 0.7731 0.140 0.820 0.040
#> GSM87960 1 0.1964 0.8497 0.944 0.056 0.000
#> GSM87862 2 0.0892 0.8363 0.020 0.980 0.000
#> GSM87886 1 0.7666 0.0161 0.636 0.076 0.288
#> GSM87895 2 0.0592 0.8372 0.012 0.988 0.000
#> GSM87919 1 0.2261 0.8525 0.932 0.068 0.000
#> GSM87933 2 0.6008 0.6727 0.000 0.628 0.372
#> GSM87952 1 0.1964 0.8497 0.944 0.056 0.000
#> GSM87872 2 0.4235 0.7550 0.176 0.824 0.000
#> GSM87877 3 0.8523 0.6491 0.444 0.092 0.464
#> GSM87905 2 0.1163 0.8377 0.028 0.972 0.000
#> GSM87914 2 0.5377 0.7869 0.112 0.820 0.068
#> GSM87942 2 0.5845 0.7191 0.004 0.688 0.308
#> GSM87956 1 0.1860 0.8495 0.948 0.052 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.3249 0.8886 0.852 0.008 0.140 0.000
#> GSM87887 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87896 3 0.7009 0.4520 0.072 0.016 0.464 0.448
#> GSM87934 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87943 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87853 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87906 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87920 1 0.3306 0.8706 0.840 0.004 0.156 0.000
#> GSM87924 4 0.5361 0.4870 0.068 0.000 0.208 0.724
#> GSM87858 3 0.5581 0.3439 0.000 0.020 0.532 0.448
#> GSM87882 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87891 3 0.7048 0.4470 0.068 0.020 0.464 0.448
#> GSM87917 1 0.2760 0.8933 0.872 0.000 0.128 0.000
#> GSM87929 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87948 1 0.3356 0.7630 0.824 0.176 0.000 0.000
#> GSM87868 1 0.3032 0.8932 0.868 0.008 0.124 0.000
#> GSM87873 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87901 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87910 1 0.2760 0.8933 0.872 0.000 0.128 0.000
#> GSM87938 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87953 1 0.2760 0.8933 0.872 0.000 0.128 0.000
#> GSM87864 1 0.3088 0.8927 0.864 0.008 0.128 0.000
#> GSM87888 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87897 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87935 4 0.3208 0.6504 0.004 0.000 0.148 0.848
#> GSM87944 1 0.2179 0.8769 0.924 0.012 0.064 0.000
#> GSM87854 3 0.0804 0.4217 0.008 0.012 0.980 0.000
#> GSM87878 2 0.4158 0.7862 0.224 0.768 0.008 0.000
#> GSM87907 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87921 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87925 4 0.3208 0.6504 0.004 0.000 0.148 0.848
#> GSM87957 1 0.0336 0.8443 0.992 0.008 0.000 0.000
#> GSM87859 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87883 2 0.4961 0.3953 0.448 0.552 0.000 0.000
#> GSM87892 3 0.6954 0.4480 0.068 0.016 0.468 0.448
#> GSM87930 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87949 1 0.0188 0.8469 0.996 0.004 0.000 0.000
#> GSM87869 1 0.2888 0.8933 0.872 0.004 0.124 0.000
#> GSM87874 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87902 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87911 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87939 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87954 1 0.2814 0.8922 0.868 0.000 0.132 0.000
#> GSM87865 1 0.3208 0.8827 0.848 0.004 0.148 0.000
#> GSM87889 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87898 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87915 1 0.3400 0.8506 0.820 0.000 0.180 0.000
#> GSM87936 4 0.3208 0.6504 0.004 0.000 0.148 0.848
#> GSM87945 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87855 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87879 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87922 3 0.7155 0.4528 0.076 0.020 0.456 0.448
#> GSM87926 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87958 1 0.0188 0.8511 0.996 0.000 0.004 0.000
#> GSM87860 3 0.2060 0.4208 0.052 0.016 0.932 0.000
#> GSM87884 2 0.4500 0.6700 0.316 0.684 0.000 0.000
#> GSM87893 3 0.6810 0.4247 0.052 0.020 0.480 0.448
#> GSM87918 3 0.6801 0.4249 0.096 0.000 0.456 0.448
#> GSM87931 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87950 1 0.0336 0.8443 0.992 0.008 0.000 0.000
#> GSM87870 1 0.2944 0.8923 0.868 0.004 0.128 0.000
#> GSM87875 3 0.5173 -0.0930 0.020 0.320 0.660 0.000
#> GSM87903 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87912 1 0.2814 0.8920 0.868 0.000 0.132 0.000
#> GSM87940 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87866 1 0.2944 0.8923 0.868 0.004 0.128 0.000
#> GSM87899 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87937 4 0.2125 0.6847 0.004 0.000 0.076 0.920
#> GSM87946 1 0.3105 0.8924 0.868 0.012 0.120 0.000
#> GSM87856 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87880 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87908 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87923 3 0.8346 0.2232 0.076 0.160 0.540 0.224
#> GSM87927 4 0.5839 0.3144 0.060 0.000 0.292 0.648
#> GSM87959 1 0.0336 0.8443 0.992 0.008 0.000 0.000
#> GSM87861 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87885 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87894 1 0.3583 0.8543 0.816 0.004 0.180 0.000
#> GSM87932 4 0.6611 -0.4563 0.080 0.000 0.456 0.464
#> GSM87951 1 0.0188 0.8469 0.996 0.004 0.000 0.000
#> GSM87871 1 0.5310 0.3617 0.576 0.012 0.412 0.000
#> GSM87876 2 0.0592 0.9064 0.016 0.984 0.000 0.000
#> GSM87904 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87913 1 0.3266 0.8635 0.832 0.000 0.168 0.000
#> GSM87941 4 0.4535 0.4363 0.004 0.000 0.292 0.704
#> GSM87955 1 0.0000 0.8485 1.000 0.000 0.000 0.000
#> GSM87867 1 0.3708 0.7974 0.832 0.148 0.020 0.000
#> GSM87890 4 0.8069 0.0543 0.016 0.216 0.312 0.456
#> GSM87900 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87916 4 0.4018 0.5551 0.004 0.000 0.224 0.772
#> GSM87947 1 0.3486 0.7434 0.812 0.188 0.000 0.000
#> GSM87857 3 0.0469 0.4211 0.000 0.012 0.988 0.000
#> GSM87881 2 0.1610 0.8829 0.016 0.952 0.032 0.000
#> GSM87909 3 0.6961 0.4482 0.076 0.012 0.460 0.452
#> GSM87928 4 0.5970 0.1249 0.052 0.000 0.348 0.600
#> GSM87960 1 0.0336 0.8443 0.992 0.008 0.000 0.000
#> GSM87862 3 0.7155 0.4528 0.076 0.020 0.456 0.448
#> GSM87886 2 0.3975 0.7167 0.240 0.760 0.000 0.000
#> GSM87895 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87919 1 0.2760 0.8933 0.872 0.000 0.128 0.000
#> GSM87933 4 0.0000 0.7024 0.000 0.000 0.000 1.000
#> GSM87952 1 0.0336 0.8443 0.992 0.008 0.000 0.000
#> GSM87872 4 0.8598 -0.1374 0.080 0.128 0.344 0.448
#> GSM87877 2 0.1389 0.8921 0.048 0.952 0.000 0.000
#> GSM87905 3 0.7062 0.4553 0.076 0.016 0.460 0.448
#> GSM87914 4 0.5717 0.2566 0.044 0.000 0.324 0.632
#> GSM87942 4 0.0188 0.7021 0.000 0.000 0.004 0.996
#> GSM87956 1 0.0000 0.8485 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
#> GSM87863 1 0.2605 0.8449 0.852 0.000 0.148 0.000 0.000
#> GSM87887 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87896 2 0.0290 0.8154 0.000 0.992 0.008 0.000 0.000
#> GSM87934 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87943 3 0.0000 0.8825 0.000 0.000 1.000 0.000 0.000
#> GSM87853 3 0.0000 0.8825 0.000 0.000 1.000 0.000 0.000
#> GSM87906 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87920 1 0.0566 0.8868 0.984 0.012 0.004 0.000 0.000
#> GSM87924 2 0.4192 0.4619 0.000 0.596 0.000 0.404 0.000
#> GSM87858 3 0.1043 0.8726 0.000 0.040 0.960 0.000 0.000
#> GSM87882 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87891 3 0.4268 0.2954 0.000 0.444 0.556 0.000 0.000
#> GSM87917 1 0.0510 0.8867 0.984 0.016 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87948 1 0.3177 0.8216 0.792 0.000 0.000 0.000 0.208
#> GSM87868 1 0.1780 0.8926 0.940 0.008 0.024 0.000 0.028
#> GSM87873 3 0.0510 0.8828 0.000 0.016 0.984 0.000 0.000
#> GSM87901 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87910 1 0.0510 0.8867 0.984 0.016 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0510 0.8867 0.984 0.016 0.000 0.000 0.000
#> GSM87864 1 0.1965 0.8715 0.904 0.000 0.096 0.000 0.000
#> GSM87888 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87897 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87935 2 0.4192 0.4619 0.000 0.596 0.000 0.404 0.000
#> GSM87944 1 0.2921 0.8607 0.844 0.004 0.004 0.000 0.148
#> GSM87854 3 0.0000 0.8825 0.000 0.000 1.000 0.000 0.000
#> GSM87878 5 0.1121 0.8846 0.044 0.000 0.000 0.000 0.956
#> GSM87907 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87921 2 0.2193 0.7811 0.092 0.900 0.000 0.008 0.000
#> GSM87925 2 0.4291 0.3188 0.000 0.536 0.000 0.464 0.000
#> GSM87957 1 0.2074 0.8769 0.896 0.000 0.000 0.000 0.104
#> GSM87859 3 0.0510 0.8828 0.000 0.016 0.984 0.000 0.000
#> GSM87883 5 0.4262 0.0427 0.440 0.000 0.000 0.000 0.560
#> GSM87892 3 0.3508 0.7040 0.000 0.252 0.748 0.000 0.000
#> GSM87930 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.2852 0.8454 0.828 0.000 0.000 0.000 0.172
#> GSM87869 1 0.1588 0.8913 0.948 0.008 0.028 0.000 0.016
#> GSM87874 3 0.0510 0.8828 0.000 0.016 0.984 0.000 0.000
#> GSM87902 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87911 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87939 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0510 0.8867 0.984 0.016 0.000 0.000 0.000
#> GSM87865 1 0.3209 0.8227 0.812 0.008 0.180 0.000 0.000
#> GSM87889 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87898 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87915 1 0.0510 0.8867 0.984 0.016 0.000 0.000 0.000
#> GSM87936 2 0.4192 0.4619 0.000 0.596 0.000 0.404 0.000
#> GSM87945 3 0.0000 0.8825 0.000 0.000 1.000 0.000 0.000
#> GSM87855 3 0.0000 0.8825 0.000 0.000 1.000 0.000 0.000
#> GSM87879 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87922 2 0.7236 0.5972 0.176 0.580 0.052 0.168 0.024
#> GSM87926 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.0404 0.8892 0.988 0.000 0.000 0.000 0.012
#> GSM87860 3 0.3039 0.7663 0.000 0.192 0.808 0.000 0.000
#> GSM87884 5 0.0880 0.8926 0.032 0.000 0.000 0.000 0.968
#> GSM87893 3 0.3480 0.7087 0.000 0.248 0.752 0.000 0.000
#> GSM87918 2 0.4138 0.5168 0.384 0.616 0.000 0.000 0.000
#> GSM87931 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.2891 0.8428 0.824 0.000 0.000 0.000 0.176
#> GSM87870 1 0.1444 0.8864 0.948 0.012 0.040 0.000 0.000
#> GSM87875 3 0.4297 0.0460 0.000 0.000 0.528 0.000 0.472
#> GSM87903 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87912 1 0.0510 0.8867 0.984 0.016 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87866 1 0.1697 0.8828 0.932 0.008 0.060 0.000 0.000
#> GSM87899 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87937 4 0.2773 0.7742 0.000 0.164 0.000 0.836 0.000
#> GSM87946 1 0.3328 0.8454 0.812 0.004 0.008 0.000 0.176
#> GSM87856 3 0.0000 0.8825 0.000 0.000 1.000 0.000 0.000
#> GSM87880 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87908 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87923 5 0.6224 0.2966 0.112 0.016 0.316 0.000 0.556
#> GSM87927 2 0.4192 0.4619 0.000 0.596 0.000 0.404 0.000
#> GSM87959 1 0.2891 0.8428 0.824 0.000 0.000 0.000 0.176
#> GSM87861 3 0.0510 0.8828 0.000 0.016 0.984 0.000 0.000
#> GSM87885 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87894 1 0.3565 0.8188 0.800 0.024 0.176 0.000 0.000
#> GSM87932 4 0.1168 0.9409 0.008 0.032 0.000 0.960 0.000
#> GSM87951 1 0.2852 0.8454 0.828 0.000 0.000 0.000 0.172
#> GSM87871 1 0.1956 0.8781 0.916 0.008 0.076 0.000 0.000
#> GSM87876 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87904 2 0.3395 0.6018 0.000 0.764 0.236 0.000 0.000
#> GSM87913 1 0.0771 0.8864 0.976 0.020 0.004 0.000 0.000
#> GSM87941 4 0.0794 0.9506 0.000 0.028 0.000 0.972 0.000
#> GSM87955 1 0.0963 0.8899 0.964 0.000 0.000 0.000 0.036
#> GSM87867 1 0.3074 0.8332 0.804 0.000 0.000 0.000 0.196
#> GSM87890 5 0.1211 0.8838 0.000 0.016 0.000 0.024 0.960
#> GSM87900 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87916 4 0.0510 0.9590 0.000 0.016 0.000 0.984 0.000
#> GSM87947 1 0.4182 0.4695 0.600 0.000 0.000 0.000 0.400
#> GSM87857 3 0.0000 0.8825 0.000 0.000 1.000 0.000 0.000
#> GSM87881 5 0.0000 0.9074 0.000 0.000 0.000 0.000 1.000
#> GSM87909 2 0.3165 0.7595 0.036 0.848 0.000 0.116 0.000
#> GSM87928 4 0.0510 0.9590 0.000 0.016 0.000 0.984 0.000
#> GSM87960 1 0.2891 0.8428 0.824 0.000 0.000 0.000 0.176
#> GSM87862 2 0.5911 0.5362 0.176 0.596 0.228 0.000 0.000
#> GSM87886 5 0.2852 0.7293 0.172 0.000 0.000 0.000 0.828
#> GSM87895 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87919 1 0.0510 0.8867 0.984 0.016 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.9664 0.000 0.000 0.000 1.000 0.000
#> GSM87952 1 0.2891 0.8428 0.824 0.000 0.000 0.000 0.176
#> GSM87872 2 0.6839 0.5769 0.164 0.580 0.000 0.196 0.060
#> GSM87877 5 0.0510 0.9000 0.016 0.000 0.000 0.000 0.984
#> GSM87905 2 0.0000 0.8192 0.000 1.000 0.000 0.000 0.000
#> GSM87914 4 0.2471 0.8204 0.000 0.136 0.000 0.864 0.000
#> GSM87942 4 0.0162 0.9651 0.000 0.004 0.000 0.996 0.000
#> GSM87956 1 0.1965 0.8791 0.904 0.000 0.000 0.000 0.096
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.1757 0.84924 0.008 0.000 0.076 0.000 0.000 0.916
#> GSM87887 5 0.0000 0.93014 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87896 2 0.0260 0.85381 0.000 0.992 0.008 0.000 0.000 0.000
#> GSM87934 4 0.0146 0.93801 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87943 3 0.0632 0.89475 0.000 0.000 0.976 0.000 0.000 0.024
#> GSM87853 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87906 2 0.0146 0.85543 0.004 0.996 0.000 0.000 0.000 0.000
#> GSM87920 6 0.3607 0.79627 0.056 0.068 0.048 0.000 0.000 0.828
#> GSM87924 2 0.3647 0.52933 0.000 0.640 0.000 0.360 0.000 0.000
#> GSM87858 3 0.0146 0.90638 0.000 0.004 0.996 0.000 0.000 0.000
#> GSM87882 5 0.0146 0.92931 0.000 0.000 0.000 0.000 0.996 0.004
#> GSM87891 2 0.2762 0.72326 0.000 0.804 0.196 0.000 0.000 0.000
#> GSM87917 1 0.2649 0.85123 0.876 0.068 0.004 0.000 0.000 0.052
#> GSM87929 4 0.0000 0.93809 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87948 6 0.3198 0.67118 0.000 0.000 0.000 0.000 0.260 0.740
#> GSM87868 6 0.0692 0.85189 0.004 0.000 0.020 0.000 0.000 0.976
#> GSM87873 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87901 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87910 1 0.2649 0.85123 0.876 0.068 0.004 0.000 0.000 0.052
#> GSM87938 4 0.0146 0.93801 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87953 1 0.2307 0.84923 0.896 0.068 0.004 0.000 0.000 0.032
#> GSM87864 6 0.1398 0.85575 0.008 0.000 0.052 0.000 0.000 0.940
#> GSM87888 5 0.0000 0.93014 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87935 2 0.3756 0.47204 0.000 0.600 0.000 0.400 0.000 0.000
#> GSM87944 6 0.1251 0.84005 0.012 0.000 0.008 0.000 0.024 0.956
#> GSM87854 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87878 5 0.3901 0.79268 0.084 0.000 0.036 0.000 0.804 0.076
#> GSM87907 2 0.0146 0.85512 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM87921 2 0.1863 0.82052 0.104 0.896 0.000 0.000 0.000 0.000
#> GSM87925 2 0.3867 0.24007 0.000 0.512 0.000 0.488 0.000 0.000
#> GSM87957 6 0.6472 -0.00182 0.368 0.176 0.004 0.000 0.028 0.424
#> GSM87859 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87883 5 0.3046 0.73864 0.012 0.000 0.000 0.000 0.800 0.188
#> GSM87892 3 0.3765 0.36515 0.000 0.404 0.596 0.000 0.000 0.000
#> GSM87930 4 0.0146 0.93801 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87949 1 0.2985 0.84593 0.844 0.000 0.000 0.000 0.056 0.100
#> GSM87869 6 0.0806 0.85164 0.008 0.000 0.020 0.000 0.000 0.972
#> GSM87874 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87902 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87911 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87939 4 0.0146 0.93801 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87954 1 0.2152 0.84705 0.904 0.068 0.004 0.000 0.000 0.024
#> GSM87865 6 0.1918 0.84502 0.008 0.000 0.088 0.000 0.000 0.904
#> GSM87889 5 0.0000 0.93014 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87898 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87915 1 0.2009 0.83183 0.904 0.084 0.004 0.000 0.000 0.008
#> GSM87936 2 0.3756 0.47204 0.000 0.600 0.000 0.400 0.000 0.000
#> GSM87945 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87855 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87879 5 0.0000 0.93014 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87922 2 0.4993 0.73391 0.088 0.728 0.028 0.136 0.000 0.020
#> GSM87926 4 0.0000 0.93809 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.2162 0.85846 0.896 0.000 0.004 0.000 0.012 0.088
#> GSM87860 3 0.2527 0.78325 0.000 0.168 0.832 0.000 0.000 0.000
#> GSM87884 5 0.1196 0.90369 0.008 0.000 0.000 0.000 0.952 0.040
#> GSM87893 3 0.2793 0.74772 0.000 0.200 0.800 0.000 0.000 0.000
#> GSM87918 2 0.3142 0.78518 0.132 0.832 0.012 0.000 0.000 0.024
#> GSM87931 4 0.0000 0.93809 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.2997 0.84526 0.844 0.000 0.000 0.000 0.060 0.096
#> GSM87870 6 0.1391 0.85566 0.016 0.000 0.040 0.000 0.000 0.944
#> GSM87875 3 0.3737 0.32685 0.000 0.000 0.608 0.000 0.392 0.000
#> GSM87903 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87912 1 0.2152 0.84705 0.904 0.068 0.004 0.000 0.000 0.024
#> GSM87940 4 0.0146 0.93801 0.000 0.000 0.000 0.996 0.000 0.004
#> GSM87866 6 0.1333 0.85594 0.008 0.000 0.048 0.000 0.000 0.944
#> GSM87899 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87937 4 0.2912 0.66916 0.000 0.216 0.000 0.784 0.000 0.000
#> GSM87946 6 0.1785 0.83847 0.008 0.000 0.016 0.000 0.048 0.928
#> GSM87856 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87880 5 0.0000 0.93014 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87908 2 0.0146 0.85543 0.004 0.996 0.000 0.000 0.000 0.000
#> GSM87923 5 0.4695 0.68515 0.004 0.168 0.044 0.000 0.732 0.052
#> GSM87927 2 0.3647 0.52933 0.000 0.640 0.000 0.360 0.000 0.000
#> GSM87959 1 0.3006 0.84415 0.844 0.000 0.000 0.000 0.064 0.092
#> GSM87861 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87885 5 0.0146 0.92931 0.000 0.000 0.000 0.000 0.996 0.004
#> GSM87894 6 0.3605 0.79577 0.004 0.108 0.084 0.000 0.000 0.804
#> GSM87932 4 0.4264 0.68142 0.124 0.128 0.000 0.744 0.000 0.004
#> GSM87951 1 0.2954 0.84696 0.844 0.000 0.000 0.000 0.048 0.108
#> GSM87871 6 0.2100 0.83451 0.004 0.000 0.112 0.000 0.000 0.884
#> GSM87876 5 0.0000 0.93014 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87904 2 0.2416 0.75808 0.000 0.844 0.156 0.000 0.000 0.000
#> GSM87913 6 0.3627 0.76838 0.092 0.092 0.008 0.000 0.000 0.808
#> GSM87941 4 0.1663 0.88155 0.000 0.088 0.000 0.912 0.000 0.000
#> GSM87955 1 0.2342 0.85843 0.888 0.000 0.004 0.000 0.020 0.088
#> GSM87867 6 0.2624 0.78392 0.004 0.000 0.004 0.000 0.148 0.844
#> GSM87890 5 0.3679 0.73120 0.000 0.000 0.040 0.200 0.760 0.000
#> GSM87900 2 0.0000 0.85582 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87916 4 0.0937 0.91788 0.000 0.040 0.000 0.960 0.000 0.000
#> GSM87947 6 0.3578 0.54253 0.000 0.000 0.000 0.000 0.340 0.660
#> GSM87857 3 0.0000 0.90903 0.000 0.000 1.000 0.000 0.000 0.000
#> GSM87881 5 0.0937 0.90678 0.000 0.000 0.040 0.000 0.960 0.000
#> GSM87909 2 0.1863 0.82052 0.104 0.896 0.000 0.000 0.000 0.000
#> GSM87928 4 0.1082 0.91712 0.000 0.040 0.000 0.956 0.000 0.004
#> GSM87960 1 0.4780 0.34157 0.552 0.000 0.000 0.000 0.056 0.392
#> GSM87862 2 0.4449 0.67170 0.088 0.696 0.216 0.000 0.000 0.000
#> GSM87886 5 0.0405 0.92602 0.004 0.000 0.000 0.000 0.988 0.008
#> GSM87895 2 0.0146 0.85512 0.000 0.996 0.004 0.000 0.000 0.000
#> GSM87919 1 0.2519 0.85155 0.884 0.068 0.004 0.000 0.000 0.044
#> GSM87933 4 0.0000 0.93809 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.3006 0.84415 0.844 0.000 0.000 0.000 0.064 0.092
#> GSM87872 2 0.6782 0.59937 0.016 0.604 0.040 0.144 0.140 0.056
#> GSM87877 5 0.0000 0.93014 0.000 0.000 0.000 0.000 1.000 0.000
#> GSM87905 2 0.0458 0.85318 0.016 0.984 0.000 0.000 0.000 0.000
#> GSM87914 4 0.2340 0.80819 0.000 0.148 0.000 0.852 0.000 0.000
#> GSM87942 4 0.0000 0.93809 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87956 1 0.2331 0.85770 0.888 0.000 0.000 0.000 0.032 0.080
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 time(p) agent(p) individual(p) k
#> MAD:mclust 108 0.974 0.155 2.31e-09 2
#> MAD:mclust 106 0.997 0.834 1.42e-20 3
#> MAD:mclust 60 0.958 0.848 5.57e-20 4
#> MAD:mclust 98 0.968 0.673 7.06e-39 5
#> MAD:mclust 101 0.994 0.137 5.54e-39 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 108 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 0.868 0.886 0.956 0.4747 0.516 0.516
#> 3 3 0.602 0.754 0.872 0.2961 0.809 0.650
#> 4 4 0.606 0.677 0.833 0.1948 0.768 0.466
#> 5 5 0.538 0.469 0.669 0.0456 0.913 0.703
#> 6 6 0.617 0.477 0.708 0.0614 0.821 0.436
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
#> GSM87863 1 0.0000 0.9688 1.000 0.000
#> GSM87887 1 0.0000 0.9688 1.000 0.000
#> GSM87896 2 0.0000 0.9240 0.000 1.000
#> GSM87934 2 0.0000 0.9240 0.000 1.000
#> GSM87943 2 0.9833 0.3247 0.424 0.576
#> GSM87853 2 0.0000 0.9240 0.000 1.000
#> GSM87906 1 0.8955 0.4995 0.688 0.312
#> GSM87920 1 0.0000 0.9688 1.000 0.000
#> GSM87924 2 0.0000 0.9240 0.000 1.000
#> GSM87858 2 0.0000 0.9240 0.000 1.000
#> GSM87882 1 0.7950 0.6487 0.760 0.240
#> GSM87891 2 0.0000 0.9240 0.000 1.000
#> GSM87917 1 0.0000 0.9688 1.000 0.000
#> GSM87929 2 0.9795 0.3511 0.416 0.584
#> GSM87948 1 0.0000 0.9688 1.000 0.000
#> GSM87868 1 0.0000 0.9688 1.000 0.000
#> GSM87873 2 0.0000 0.9240 0.000 1.000
#> GSM87901 1 0.0000 0.9688 1.000 0.000
#> GSM87910 1 0.0000 0.9688 1.000 0.000
#> GSM87938 2 0.0000 0.9240 0.000 1.000
#> GSM87953 1 0.0000 0.9688 1.000 0.000
#> GSM87864 1 0.0000 0.9688 1.000 0.000
#> GSM87888 1 0.0376 0.9657 0.996 0.004
#> GSM87897 1 0.9998 -0.0815 0.508 0.492
#> GSM87935 2 0.0000 0.9240 0.000 1.000
#> GSM87944 1 0.0000 0.9688 1.000 0.000
#> GSM87854 1 0.0000 0.9688 1.000 0.000
#> GSM87878 1 0.0000 0.9688 1.000 0.000
#> GSM87907 2 0.0000 0.9240 0.000 1.000
#> GSM87921 1 0.0672 0.9622 0.992 0.008
#> GSM87925 2 0.0000 0.9240 0.000 1.000
#> GSM87957 1 0.0000 0.9688 1.000 0.000
#> GSM87859 2 0.0000 0.9240 0.000 1.000
#> GSM87883 1 0.0000 0.9688 1.000 0.000
#> GSM87892 2 0.0000 0.9240 0.000 1.000
#> GSM87930 2 0.0000 0.9240 0.000 1.000
#> GSM87949 1 0.0000 0.9688 1.000 0.000
#> GSM87869 1 0.0000 0.9688 1.000 0.000
#> GSM87874 2 0.0000 0.9240 0.000 1.000
#> GSM87902 1 0.0000 0.9688 1.000 0.000
#> GSM87911 1 0.0000 0.9688 1.000 0.000
#> GSM87939 2 0.0000 0.9240 0.000 1.000
#> GSM87954 1 0.0000 0.9688 1.000 0.000
#> GSM87865 1 0.0000 0.9688 1.000 0.000
#> GSM87889 1 0.0000 0.9688 1.000 0.000
#> GSM87898 1 0.0000 0.9688 1.000 0.000
#> GSM87915 1 0.0000 0.9688 1.000 0.000
#> GSM87936 2 0.0000 0.9240 0.000 1.000
#> GSM87945 2 0.0000 0.9240 0.000 1.000
#> GSM87855 2 0.0000 0.9240 0.000 1.000
#> GSM87879 1 0.1414 0.9507 0.980 0.020
#> GSM87922 2 0.9552 0.4472 0.376 0.624
#> GSM87926 2 0.3431 0.8806 0.064 0.936
#> GSM87958 1 0.0000 0.9688 1.000 0.000
#> GSM87860 2 0.0000 0.9240 0.000 1.000
#> GSM87884 1 0.0000 0.9688 1.000 0.000
#> GSM87893 2 0.0000 0.9240 0.000 1.000
#> GSM87918 1 0.0000 0.9688 1.000 0.000
#> GSM87931 2 0.0000 0.9240 0.000 1.000
#> GSM87950 1 0.0000 0.9688 1.000 0.000
#> GSM87870 1 0.0000 0.9688 1.000 0.000
#> GSM87875 2 0.0000 0.9240 0.000 1.000
#> GSM87903 1 0.9983 -0.0176 0.524 0.476
#> GSM87912 1 0.0000 0.9688 1.000 0.000
#> GSM87940 2 0.0000 0.9240 0.000 1.000
#> GSM87866 1 0.0000 0.9688 1.000 0.000
#> GSM87899 2 0.2043 0.9053 0.032 0.968
#> GSM87937 2 0.0000 0.9240 0.000 1.000
#> GSM87946 1 0.0000 0.9688 1.000 0.000
#> GSM87856 2 0.2236 0.9026 0.036 0.964
#> GSM87880 1 0.0376 0.9657 0.996 0.004
#> GSM87908 1 0.0000 0.9688 1.000 0.000
#> GSM87923 2 0.5629 0.8175 0.132 0.868
#> GSM87927 2 0.9944 0.2350 0.456 0.544
#> GSM87959 1 0.0000 0.9688 1.000 0.000
#> GSM87861 2 0.0000 0.9240 0.000 1.000
#> GSM87885 1 0.0000 0.9688 1.000 0.000
#> GSM87894 1 0.0000 0.9688 1.000 0.000
#> GSM87932 1 0.0000 0.9688 1.000 0.000
#> GSM87951 1 0.0000 0.9688 1.000 0.000
#> GSM87871 1 0.0000 0.9688 1.000 0.000
#> GSM87876 1 0.0000 0.9688 1.000 0.000
#> GSM87904 2 0.0938 0.9176 0.012 0.988
#> GSM87913 1 0.0000 0.9688 1.000 0.000
#> GSM87941 2 0.9635 0.4203 0.388 0.612
#> GSM87955 1 0.0000 0.9688 1.000 0.000
#> GSM87867 1 0.0000 0.9688 1.000 0.000
#> GSM87890 2 0.0000 0.9240 0.000 1.000
#> GSM87900 2 0.9909 0.2723 0.444 0.556
#> GSM87916 2 0.7219 0.7400 0.200 0.800
#> GSM87947 1 0.0000 0.9688 1.000 0.000
#> GSM87857 2 0.1633 0.9105 0.024 0.976
#> GSM87881 1 0.2236 0.9344 0.964 0.036
#> GSM87909 1 0.0000 0.9688 1.000 0.000
#> GSM87928 1 0.0000 0.9688 1.000 0.000
#> GSM87960 1 0.0000 0.9688 1.000 0.000
#> GSM87862 2 0.0000 0.9240 0.000 1.000
#> GSM87886 1 0.0000 0.9688 1.000 0.000
#> GSM87895 2 0.0000 0.9240 0.000 1.000
#> GSM87919 1 0.0000 0.9688 1.000 0.000
#> GSM87933 2 0.0000 0.9240 0.000 1.000
#> GSM87952 1 0.0000 0.9688 1.000 0.000
#> GSM87872 1 0.6887 0.7434 0.816 0.184
#> GSM87877 1 0.0000 0.9688 1.000 0.000
#> GSM87905 1 0.0000 0.9688 1.000 0.000
#> GSM87914 1 0.0376 0.9657 0.996 0.004
#> GSM87942 1 0.0376 0.9657 0.996 0.004
#> GSM87956 1 0.0000 0.9688 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.5529 0.630 0.704 0.000 0.296
#> GSM87887 1 0.1163 0.893 0.972 0.000 0.028
#> GSM87896 3 0.6309 0.347 0.000 0.496 0.504
#> GSM87934 2 0.0237 0.808 0.000 0.996 0.004
#> GSM87943 3 0.2625 0.706 0.084 0.000 0.916
#> GSM87853 3 0.1529 0.731 0.000 0.040 0.960
#> GSM87906 2 0.5785 0.566 0.332 0.668 0.000
#> GSM87920 1 0.0848 0.898 0.984 0.008 0.008
#> GSM87924 2 0.2448 0.743 0.000 0.924 0.076
#> GSM87858 3 0.5905 0.593 0.000 0.352 0.648
#> GSM87882 3 0.5733 0.413 0.324 0.000 0.676
#> GSM87891 3 0.6299 0.392 0.000 0.476 0.524
#> GSM87917 1 0.0424 0.898 0.992 0.008 0.000
#> GSM87929 2 0.3192 0.803 0.112 0.888 0.000
#> GSM87948 1 0.1031 0.894 0.976 0.000 0.024
#> GSM87868 1 0.1753 0.887 0.952 0.000 0.048
#> GSM87873 3 0.5835 0.605 0.000 0.340 0.660
#> GSM87901 1 0.5591 0.536 0.696 0.304 0.000
#> GSM87910 1 0.0592 0.898 0.988 0.012 0.000
#> GSM87938 2 0.0237 0.808 0.000 0.996 0.004
#> GSM87953 1 0.1031 0.895 0.976 0.024 0.000
#> GSM87864 1 0.5560 0.623 0.700 0.000 0.300
#> GSM87888 1 0.4887 0.730 0.772 0.000 0.228
#> GSM87897 2 0.4834 0.713 0.204 0.792 0.004
#> GSM87935 2 0.0592 0.802 0.000 0.988 0.012
#> GSM87944 1 0.1289 0.892 0.968 0.000 0.032
#> GSM87854 3 0.5497 0.478 0.292 0.000 0.708
#> GSM87878 1 0.0747 0.897 0.984 0.016 0.000
#> GSM87907 2 0.5465 0.302 0.000 0.712 0.288
#> GSM87921 1 0.6204 0.197 0.576 0.424 0.000
#> GSM87925 2 0.0829 0.814 0.012 0.984 0.004
#> GSM87957 1 0.0237 0.898 0.996 0.004 0.000
#> GSM87859 3 0.4346 0.707 0.000 0.184 0.816
#> GSM87883 1 0.1411 0.891 0.964 0.000 0.036
#> GSM87892 3 0.6111 0.539 0.000 0.396 0.604
#> GSM87930 2 0.0747 0.799 0.000 0.984 0.016
#> GSM87949 1 0.0592 0.898 0.988 0.012 0.000
#> GSM87869 1 0.1643 0.889 0.956 0.000 0.044
#> GSM87874 3 0.4235 0.710 0.000 0.176 0.824
#> GSM87902 1 0.1964 0.877 0.944 0.056 0.000
#> GSM87911 1 0.2584 0.872 0.928 0.064 0.008
#> GSM87939 2 0.1753 0.822 0.048 0.952 0.000
#> GSM87954 1 0.1031 0.895 0.976 0.024 0.000
#> GSM87865 1 0.5178 0.691 0.744 0.000 0.256
#> GSM87889 1 0.1529 0.889 0.960 0.000 0.040
#> GSM87898 1 0.1860 0.880 0.948 0.052 0.000
#> GSM87915 1 0.1964 0.877 0.944 0.056 0.000
#> GSM87936 2 0.0424 0.805 0.000 0.992 0.008
#> GSM87945 3 0.0237 0.728 0.004 0.000 0.996
#> GSM87855 3 0.0592 0.727 0.012 0.000 0.988
#> GSM87879 3 0.5859 0.362 0.344 0.000 0.656
#> GSM87922 2 0.3500 0.802 0.116 0.880 0.004
#> GSM87926 2 0.2165 0.820 0.064 0.936 0.000
#> GSM87958 1 0.0747 0.897 0.984 0.016 0.000
#> GSM87860 3 0.2590 0.733 0.004 0.072 0.924
#> GSM87884 1 0.1289 0.892 0.968 0.000 0.032
#> GSM87893 3 0.6045 0.561 0.000 0.380 0.620
#> GSM87918 1 0.2537 0.859 0.920 0.080 0.000
#> GSM87931 2 0.1529 0.821 0.040 0.960 0.000
#> GSM87950 1 0.0592 0.898 0.988 0.012 0.000
#> GSM87870 1 0.1031 0.895 0.976 0.000 0.024
#> GSM87875 3 0.1860 0.719 0.052 0.000 0.948
#> GSM87903 2 0.6252 0.533 0.344 0.648 0.008
#> GSM87912 1 0.1163 0.893 0.972 0.028 0.000
#> GSM87940 2 0.0983 0.815 0.016 0.980 0.004
#> GSM87866 1 0.2448 0.872 0.924 0.000 0.076
#> GSM87899 3 0.4840 0.713 0.016 0.168 0.816
#> GSM87937 2 0.0424 0.805 0.000 0.992 0.008
#> GSM87946 1 0.1753 0.886 0.952 0.000 0.048
#> GSM87856 3 0.2537 0.709 0.080 0.000 0.920
#> GSM87880 1 0.5835 0.553 0.660 0.000 0.340
#> GSM87908 1 0.1860 0.880 0.948 0.052 0.000
#> GSM87923 3 0.7462 0.663 0.124 0.180 0.696
#> GSM87927 2 0.3482 0.792 0.128 0.872 0.000
#> GSM87959 1 0.0237 0.898 0.996 0.000 0.004
#> GSM87861 3 0.1753 0.734 0.000 0.048 0.952
#> GSM87885 1 0.1411 0.891 0.964 0.000 0.036
#> GSM87894 1 0.4346 0.778 0.816 0.000 0.184
#> GSM87932 1 0.3038 0.836 0.896 0.104 0.000
#> GSM87951 1 0.0592 0.898 0.988 0.012 0.000
#> GSM87871 1 0.4452 0.772 0.808 0.000 0.192
#> GSM87876 1 0.2448 0.869 0.924 0.000 0.076
#> GSM87904 3 0.5656 0.652 0.004 0.284 0.712
#> GSM87913 1 0.1711 0.896 0.960 0.008 0.032
#> GSM87941 2 0.3192 0.803 0.112 0.888 0.000
#> GSM87955 1 0.0592 0.898 0.988 0.012 0.000
#> GSM87867 1 0.2537 0.868 0.920 0.000 0.080
#> GSM87890 2 0.2537 0.739 0.000 0.920 0.080
#> GSM87900 2 0.3412 0.795 0.124 0.876 0.000
#> GSM87916 2 0.2448 0.818 0.076 0.924 0.000
#> GSM87947 1 0.4062 0.798 0.836 0.000 0.164
#> GSM87857 3 0.2448 0.710 0.076 0.000 0.924
#> GSM87881 1 0.4045 0.835 0.872 0.104 0.024
#> GSM87909 1 0.4452 0.729 0.808 0.192 0.000
#> GSM87928 1 0.5706 0.492 0.680 0.320 0.000
#> GSM87960 1 0.0237 0.898 0.996 0.000 0.004
#> GSM87862 3 0.6204 0.494 0.000 0.424 0.576
#> GSM87886 1 0.0000 0.898 1.000 0.000 0.000
#> GSM87895 2 0.2625 0.734 0.000 0.916 0.084
#> GSM87919 1 0.1031 0.895 0.976 0.024 0.000
#> GSM87933 2 0.1753 0.822 0.048 0.952 0.000
#> GSM87952 1 0.0237 0.898 0.996 0.004 0.000
#> GSM87872 1 0.6008 0.346 0.628 0.372 0.000
#> GSM87877 1 0.1643 0.888 0.956 0.000 0.044
#> GSM87905 1 0.2796 0.848 0.908 0.092 0.000
#> GSM87914 2 0.6140 0.390 0.404 0.596 0.000
#> GSM87942 2 0.5859 0.537 0.344 0.656 0.000
#> GSM87956 1 0.0747 0.897 0.984 0.016 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.3497 0.6863 0.124 0.852 0.024 0.000
#> GSM87887 2 0.1151 0.7372 0.024 0.968 0.000 0.008
#> GSM87896 3 0.3873 0.7462 0.000 0.000 0.772 0.228
#> GSM87934 4 0.0779 0.9337 0.016 0.000 0.004 0.980
#> GSM87943 3 0.5147 0.2577 0.004 0.460 0.536 0.000
#> GSM87853 3 0.1004 0.8653 0.004 0.024 0.972 0.000
#> GSM87906 1 0.4426 0.6560 0.812 0.000 0.096 0.092
#> GSM87920 2 0.4950 0.2462 0.376 0.620 0.000 0.004
#> GSM87924 4 0.0921 0.9158 0.000 0.000 0.028 0.972
#> GSM87858 3 0.2081 0.8547 0.000 0.000 0.916 0.084
#> GSM87882 2 0.3707 0.6665 0.000 0.840 0.132 0.028
#> GSM87891 3 0.4250 0.6879 0.000 0.000 0.724 0.276
#> GSM87917 1 0.4222 0.6465 0.728 0.272 0.000 0.000
#> GSM87929 4 0.1807 0.9246 0.052 0.008 0.000 0.940
#> GSM87948 2 0.2611 0.7169 0.096 0.896 0.000 0.008
#> GSM87868 2 0.4454 0.4605 0.308 0.692 0.000 0.000
#> GSM87873 3 0.2281 0.8498 0.000 0.000 0.904 0.096
#> GSM87901 1 0.2813 0.7180 0.896 0.024 0.000 0.080
#> GSM87910 1 0.3123 0.7212 0.844 0.156 0.000 0.000
#> GSM87938 4 0.0188 0.9288 0.000 0.000 0.004 0.996
#> GSM87953 1 0.3801 0.6974 0.780 0.220 0.000 0.000
#> GSM87864 2 0.3335 0.6861 0.128 0.856 0.016 0.000
#> GSM87888 2 0.2542 0.6997 0.000 0.904 0.084 0.012
#> GSM87897 1 0.2944 0.6482 0.868 0.000 0.128 0.004
#> GSM87935 4 0.1388 0.9317 0.028 0.000 0.012 0.960
#> GSM87944 2 0.1867 0.7305 0.072 0.928 0.000 0.000
#> GSM87854 3 0.6160 0.5060 0.072 0.316 0.612 0.000
#> GSM87878 2 0.5694 0.5146 0.224 0.696 0.000 0.080
#> GSM87907 3 0.4139 0.7738 0.176 0.000 0.800 0.024
#> GSM87921 1 0.1492 0.7247 0.956 0.004 0.004 0.036
#> GSM87925 4 0.1743 0.9245 0.056 0.000 0.004 0.940
#> GSM87957 1 0.5172 0.2463 0.588 0.404 0.000 0.008
#> GSM87859 3 0.0592 0.8673 0.000 0.000 0.984 0.016
#> GSM87883 2 0.1109 0.7377 0.028 0.968 0.000 0.004
#> GSM87892 3 0.1792 0.8587 0.000 0.000 0.932 0.068
#> GSM87930 4 0.0524 0.9294 0.004 0.000 0.008 0.988
#> GSM87949 1 0.5147 0.2968 0.536 0.460 0.000 0.004
#> GSM87869 1 0.4907 0.2320 0.580 0.420 0.000 0.000
#> GSM87874 3 0.1520 0.8664 0.000 0.020 0.956 0.024
#> GSM87902 1 0.1593 0.7288 0.956 0.024 0.016 0.004
#> GSM87911 1 0.2466 0.6965 0.900 0.004 0.096 0.000
#> GSM87939 4 0.0592 0.9339 0.016 0.000 0.000 0.984
#> GSM87954 1 0.3266 0.7237 0.832 0.168 0.000 0.000
#> GSM87865 2 0.5398 0.3746 0.404 0.580 0.016 0.000
#> GSM87889 2 0.1488 0.7348 0.012 0.956 0.000 0.032
#> GSM87898 1 0.1004 0.7149 0.972 0.000 0.024 0.004
#> GSM87915 1 0.3219 0.7256 0.836 0.164 0.000 0.000
#> GSM87936 4 0.1824 0.9226 0.060 0.000 0.004 0.936
#> GSM87945 3 0.1637 0.8568 0.000 0.060 0.940 0.000
#> GSM87855 3 0.1305 0.8635 0.004 0.036 0.960 0.000
#> GSM87879 2 0.2814 0.6660 0.000 0.868 0.132 0.000
#> GSM87922 4 0.1631 0.9164 0.008 0.016 0.020 0.956
#> GSM87926 4 0.1118 0.9312 0.036 0.000 0.000 0.964
#> GSM87958 1 0.3257 0.7267 0.844 0.152 0.000 0.004
#> GSM87860 3 0.0376 0.8669 0.000 0.004 0.992 0.004
#> GSM87884 2 0.1209 0.7373 0.032 0.964 0.000 0.004
#> GSM87893 3 0.1792 0.8596 0.000 0.000 0.932 0.068
#> GSM87918 1 0.1724 0.7335 0.948 0.032 0.000 0.020
#> GSM87931 4 0.0469 0.9337 0.012 0.000 0.000 0.988
#> GSM87950 2 0.5263 -0.0308 0.448 0.544 0.000 0.008
#> GSM87870 1 0.4985 0.2406 0.532 0.468 0.000 0.000
#> GSM87875 2 0.5407 -0.1892 0.000 0.504 0.484 0.012
#> GSM87903 1 0.5740 0.5245 0.700 0.000 0.208 0.092
#> GSM87912 1 0.4072 0.6732 0.748 0.252 0.000 0.000
#> GSM87940 4 0.0336 0.9330 0.008 0.000 0.000 0.992
#> GSM87866 2 0.4898 0.2812 0.416 0.584 0.000 0.000
#> GSM87899 3 0.4331 0.6363 0.288 0.000 0.712 0.000
#> GSM87937 4 0.0779 0.9337 0.016 0.000 0.004 0.980
#> GSM87946 2 0.2647 0.7053 0.120 0.880 0.000 0.000
#> GSM87856 3 0.2530 0.8292 0.004 0.100 0.896 0.000
#> GSM87880 2 0.2281 0.6911 0.000 0.904 0.096 0.000
#> GSM87908 1 0.1109 0.7137 0.968 0.000 0.028 0.004
#> GSM87923 2 0.7301 0.1103 0.000 0.452 0.152 0.396
#> GSM87927 4 0.3528 0.8142 0.192 0.000 0.000 0.808
#> GSM87959 2 0.4155 0.5701 0.240 0.756 0.000 0.004
#> GSM87861 3 0.0336 0.8664 0.000 0.008 0.992 0.000
#> GSM87885 2 0.2010 0.7324 0.012 0.940 0.008 0.040
#> GSM87894 1 0.5263 0.1453 0.544 0.448 0.008 0.000
#> GSM87932 1 0.3625 0.7160 0.828 0.160 0.000 0.012
#> GSM87951 1 0.5168 0.1775 0.500 0.496 0.000 0.004
#> GSM87871 2 0.4989 0.6630 0.164 0.764 0.072 0.000
#> GSM87876 2 0.0657 0.7291 0.000 0.984 0.012 0.004
#> GSM87904 3 0.2401 0.8404 0.092 0.000 0.904 0.004
#> GSM87913 1 0.3306 0.6971 0.840 0.156 0.004 0.000
#> GSM87941 4 0.2011 0.9105 0.080 0.000 0.000 0.920
#> GSM87955 1 0.4741 0.5744 0.668 0.328 0.000 0.004
#> GSM87867 2 0.2412 0.7276 0.084 0.908 0.008 0.000
#> GSM87890 4 0.0779 0.9233 0.000 0.016 0.004 0.980
#> GSM87900 1 0.4286 0.6537 0.812 0.000 0.052 0.136
#> GSM87916 4 0.0376 0.9273 0.000 0.004 0.004 0.992
#> GSM87947 2 0.0524 0.7316 0.004 0.988 0.008 0.000
#> GSM87857 3 0.0657 0.8659 0.004 0.012 0.984 0.000
#> GSM87881 2 0.5702 0.3099 0.016 0.572 0.008 0.404
#> GSM87909 1 0.1114 0.7277 0.972 0.016 0.008 0.004
#> GSM87928 1 0.5204 0.6735 0.752 0.160 0.000 0.088
#> GSM87960 2 0.4855 0.3441 0.352 0.644 0.000 0.004
#> GSM87862 3 0.3074 0.8104 0.000 0.000 0.848 0.152
#> GSM87886 2 0.2048 0.7311 0.064 0.928 0.000 0.008
#> GSM87895 3 0.4364 0.7204 0.016 0.000 0.764 0.220
#> GSM87919 1 0.4401 0.6535 0.724 0.272 0.000 0.004
#> GSM87933 4 0.0336 0.9330 0.008 0.000 0.000 0.992
#> GSM87952 2 0.5050 0.1414 0.408 0.588 0.000 0.004
#> GSM87872 4 0.5361 0.6730 0.108 0.148 0.000 0.744
#> GSM87877 2 0.1256 0.7373 0.028 0.964 0.000 0.008
#> GSM87905 1 0.0779 0.7291 0.980 0.016 0.000 0.004
#> GSM87914 4 0.4663 0.6994 0.272 0.012 0.000 0.716
#> GSM87942 4 0.3863 0.8424 0.144 0.028 0.000 0.828
#> GSM87956 1 0.5250 0.3417 0.552 0.440 0.000 0.008
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 1 0.4682 0.5169 0.724 0.060 0.004 0.000 0.212
#> GSM87887 1 0.4558 0.5704 0.744 0.168 0.000 0.000 0.088
#> GSM87896 3 0.3206 0.6522 0.000 0.016 0.868 0.072 0.044
#> GSM87934 4 0.0693 0.8085 0.000 0.012 0.000 0.980 0.008
#> GSM87943 5 0.6133 0.4820 0.328 0.000 0.148 0.000 0.524
#> GSM87853 3 0.4009 0.3410 0.004 0.000 0.684 0.000 0.312
#> GSM87906 2 0.5556 0.2569 0.000 0.572 0.364 0.012 0.052
#> GSM87920 1 0.6249 0.3654 0.548 0.284 0.000 0.004 0.164
#> GSM87924 4 0.4431 0.7822 0.000 0.056 0.052 0.800 0.092
#> GSM87858 3 0.1281 0.6742 0.000 0.012 0.956 0.000 0.032
#> GSM87882 1 0.7505 0.3160 0.596 0.060 0.080 0.104 0.160
#> GSM87891 3 0.3597 0.6214 0.000 0.024 0.848 0.052 0.076
#> GSM87917 2 0.3967 0.4402 0.264 0.724 0.000 0.000 0.012
#> GSM87929 4 0.4317 0.7679 0.036 0.064 0.004 0.812 0.084
#> GSM87948 1 0.3346 0.5900 0.844 0.092 0.000 0.000 0.064
#> GSM87868 1 0.4663 0.3699 0.604 0.376 0.000 0.000 0.020
#> GSM87873 3 0.4563 0.5146 0.008 0.072 0.800 0.036 0.084
#> GSM87901 2 0.5167 0.5320 0.144 0.740 0.064 0.000 0.052
#> GSM87910 2 0.4536 0.4635 0.240 0.712 0.000 0.000 0.048
#> GSM87938 4 0.5267 0.7227 0.012 0.080 0.048 0.756 0.104
#> GSM87953 2 0.4114 0.4278 0.272 0.712 0.000 0.000 0.016
#> GSM87864 1 0.3493 0.5708 0.832 0.060 0.000 0.000 0.108
#> GSM87888 1 0.4703 0.4761 0.792 0.024 0.028 0.044 0.112
#> GSM87897 2 0.6724 0.0558 0.004 0.480 0.336 0.008 0.172
#> GSM87935 4 0.3820 0.7595 0.004 0.044 0.004 0.816 0.132
#> GSM87944 1 0.3193 0.5934 0.840 0.132 0.000 0.000 0.028
#> GSM87854 5 0.6752 0.4067 0.152 0.020 0.356 0.000 0.472
#> GSM87878 1 0.5729 0.2177 0.516 0.396 0.000 0.000 0.088
#> GSM87907 3 0.5317 0.5359 0.000 0.172 0.708 0.020 0.100
#> GSM87921 4 0.6455 0.4833 0.008 0.240 0.000 0.544 0.208
#> GSM87925 4 0.3201 0.7755 0.000 0.052 0.000 0.852 0.096
#> GSM87957 1 0.8547 -0.0235 0.308 0.256 0.000 0.216 0.220
#> GSM87859 3 0.2707 0.6279 0.000 0.008 0.860 0.000 0.132
#> GSM87883 1 0.3906 0.5922 0.804 0.112 0.000 0.000 0.084
#> GSM87892 3 0.1280 0.6860 0.000 0.024 0.960 0.008 0.008
#> GSM87930 4 0.3383 0.7796 0.000 0.060 0.012 0.856 0.072
#> GSM87949 1 0.4902 0.2813 0.564 0.408 0.000 0.000 0.028
#> GSM87869 1 0.5557 0.0910 0.472 0.460 0.000 0.000 0.068
#> GSM87874 3 0.5374 0.4515 0.008 0.068 0.732 0.040 0.152
#> GSM87902 2 0.5036 0.5353 0.036 0.732 0.180 0.000 0.052
#> GSM87911 2 0.7952 0.0527 0.008 0.372 0.060 0.232 0.328
#> GSM87939 4 0.0912 0.8089 0.000 0.012 0.000 0.972 0.016
#> GSM87954 2 0.5033 0.4589 0.236 0.692 0.000 0.008 0.064
#> GSM87865 1 0.6198 0.0967 0.464 0.428 0.012 0.000 0.096
#> GSM87889 1 0.3499 0.5844 0.860 0.028 0.012 0.020 0.080
#> GSM87898 2 0.4723 0.5467 0.040 0.776 0.112 0.000 0.072
#> GSM87915 2 0.4971 0.4818 0.216 0.716 0.000 0.032 0.036
#> GSM87936 4 0.3869 0.7597 0.004 0.052 0.004 0.816 0.124
#> GSM87945 5 0.5650 0.2471 0.076 0.000 0.456 0.000 0.468
#> GSM87855 3 0.4251 0.1852 0.000 0.004 0.624 0.000 0.372
#> GSM87879 1 0.4701 0.3974 0.752 0.012 0.056 0.004 0.176
#> GSM87922 4 0.3446 0.7884 0.016 0.024 0.028 0.868 0.064
#> GSM87926 4 0.1364 0.8063 0.000 0.036 0.000 0.952 0.012
#> GSM87958 2 0.8451 0.0650 0.276 0.332 0.000 0.196 0.196
#> GSM87860 3 0.2645 0.6735 0.000 0.068 0.888 0.000 0.044
#> GSM87884 1 0.4478 0.5798 0.756 0.144 0.000 0.000 0.100
#> GSM87893 3 0.0451 0.6838 0.000 0.004 0.988 0.000 0.008
#> GSM87918 4 0.8002 0.1674 0.112 0.284 0.000 0.408 0.196
#> GSM87931 4 0.2142 0.7981 0.000 0.028 0.004 0.920 0.048
#> GSM87950 1 0.4655 0.4241 0.644 0.328 0.000 0.000 0.028
#> GSM87870 2 0.4894 0.2828 0.352 0.612 0.000 0.000 0.036
#> GSM87875 1 0.6285 -0.4322 0.456 0.000 0.152 0.000 0.392
#> GSM87903 2 0.5637 0.0696 0.000 0.508 0.428 0.008 0.056
#> GSM87912 2 0.4326 0.4381 0.264 0.708 0.000 0.000 0.028
#> GSM87940 4 0.3634 0.7754 0.000 0.056 0.020 0.844 0.080
#> GSM87866 1 0.5157 0.1832 0.520 0.440 0.000 0.000 0.040
#> GSM87899 3 0.5895 0.3702 0.000 0.260 0.588 0.000 0.152
#> GSM87937 4 0.1605 0.8070 0.004 0.012 0.000 0.944 0.040
#> GSM87946 1 0.3602 0.5689 0.796 0.180 0.000 0.000 0.024
#> GSM87856 3 0.5675 -0.2963 0.068 0.004 0.508 0.000 0.420
#> GSM87880 1 0.3096 0.5330 0.872 0.004 0.032 0.008 0.084
#> GSM87908 2 0.6024 0.3986 0.012 0.604 0.256 0.000 0.128
#> GSM87923 1 0.7960 -0.1421 0.420 0.028 0.052 0.336 0.164
#> GSM87927 4 0.4192 0.7373 0.004 0.068 0.000 0.784 0.144
#> GSM87959 1 0.4297 0.5263 0.728 0.236 0.000 0.000 0.036
#> GSM87861 3 0.2723 0.6538 0.000 0.012 0.864 0.000 0.124
#> GSM87885 1 0.5445 0.5576 0.748 0.084 0.020 0.044 0.104
#> GSM87894 2 0.4996 0.4195 0.280 0.664 0.004 0.000 0.052
#> GSM87932 2 0.5909 0.4741 0.156 0.680 0.000 0.112 0.052
#> GSM87951 2 0.5048 -0.1076 0.476 0.492 0.000 0.000 0.032
#> GSM87871 1 0.6139 0.3126 0.528 0.380 0.048 0.000 0.044
#> GSM87876 1 0.2032 0.5861 0.924 0.004 0.020 0.000 0.052
#> GSM87904 3 0.3437 0.6316 0.000 0.120 0.832 0.000 0.048
#> GSM87913 2 0.6529 0.3278 0.176 0.468 0.000 0.004 0.352
#> GSM87941 4 0.1626 0.8045 0.000 0.044 0.000 0.940 0.016
#> GSM87955 1 0.5556 0.0699 0.476 0.456 0.000 0.000 0.068
#> GSM87867 1 0.3883 0.5653 0.780 0.184 0.000 0.000 0.036
#> GSM87890 4 0.8766 0.3522 0.200 0.080 0.140 0.460 0.120
#> GSM87900 2 0.5895 0.3789 0.000 0.632 0.264 0.056 0.048
#> GSM87916 4 0.7677 0.5761 0.056 0.120 0.088 0.580 0.156
#> GSM87947 1 0.3183 0.5365 0.828 0.016 0.000 0.000 0.156
#> GSM87857 3 0.3368 0.6175 0.000 0.024 0.820 0.000 0.156
#> GSM87881 1 0.5849 0.4163 0.668 0.028 0.008 0.216 0.080
#> GSM87909 2 0.6326 0.5201 0.072 0.692 0.088 0.032 0.116
#> GSM87928 2 0.6816 0.3122 0.140 0.520 0.000 0.304 0.036
#> GSM87960 1 0.4644 0.4837 0.680 0.280 0.000 0.000 0.040
#> GSM87862 3 0.5068 0.5897 0.068 0.040 0.784 0.044 0.064
#> GSM87886 1 0.4370 0.5673 0.744 0.200 0.000 0.000 0.056
#> GSM87895 3 0.4268 0.6225 0.000 0.064 0.804 0.104 0.028
#> GSM87919 2 0.4546 0.3731 0.304 0.668 0.000 0.000 0.028
#> GSM87933 4 0.4735 0.7539 0.028 0.068 0.024 0.796 0.084
#> GSM87952 1 0.4624 0.4134 0.636 0.340 0.000 0.000 0.024
#> GSM87872 1 0.8687 0.2374 0.464 0.208 0.120 0.136 0.072
#> GSM87877 1 0.2540 0.6024 0.888 0.088 0.000 0.000 0.024
#> GSM87905 2 0.4577 0.5514 0.092 0.796 0.064 0.004 0.044
#> GSM87914 4 0.2609 0.7982 0.008 0.068 0.000 0.896 0.028
#> GSM87942 4 0.3921 0.7819 0.024 0.072 0.000 0.828 0.076
#> GSM87956 1 0.4949 0.3018 0.572 0.396 0.000 0.000 0.032
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 3 0.4800 0.4042 0.192 0.012 0.716 0.000 0.024 0.056
#> GSM87887 6 0.6514 0.2973 0.176 0.000 0.056 0.004 0.236 0.528
#> GSM87896 2 0.2239 0.6056 0.000 0.908 0.024 0.020 0.048 0.000
#> GSM87934 4 0.0547 0.7564 0.000 0.000 0.000 0.980 0.020 0.000
#> GSM87943 3 0.1787 0.6318 0.016 0.020 0.932 0.000 0.032 0.000
#> GSM87853 3 0.4210 0.4157 0.000 0.336 0.636 0.000 0.028 0.000
#> GSM87906 2 0.6068 0.3578 0.032 0.536 0.000 0.000 0.152 0.280
#> GSM87920 6 0.5682 0.4037 0.040 0.000 0.232 0.008 0.092 0.628
#> GSM87924 4 0.2809 0.7342 0.000 0.020 0.004 0.848 0.128 0.000
#> GSM87858 2 0.2794 0.5804 0.000 0.860 0.060 0.000 0.080 0.000
#> GSM87882 6 0.8089 -0.0702 0.064 0.012 0.184 0.064 0.328 0.348
#> GSM87891 2 0.3438 0.5591 0.000 0.812 0.024 0.020 0.144 0.000
#> GSM87917 6 0.3996 0.6061 0.168 0.000 0.000 0.000 0.080 0.752
#> GSM87929 4 0.4079 0.6392 0.000 0.000 0.000 0.744 0.172 0.084
#> GSM87948 1 0.0964 0.6473 0.968 0.000 0.012 0.000 0.016 0.004
#> GSM87868 1 0.5029 0.2403 0.564 0.000 0.028 0.000 0.032 0.376
#> GSM87873 2 0.5279 0.3488 0.000 0.628 0.088 0.024 0.260 0.000
#> GSM87901 6 0.4635 0.5234 0.048 0.144 0.000 0.000 0.068 0.740
#> GSM87910 6 0.4600 0.6030 0.152 0.004 0.000 0.000 0.136 0.708
#> GSM87938 4 0.4137 0.6260 0.000 0.024 0.004 0.732 0.224 0.016
#> GSM87953 6 0.4545 0.5902 0.176 0.000 0.000 0.000 0.124 0.700
#> GSM87864 1 0.4332 0.4618 0.700 0.004 0.256 0.000 0.016 0.024
#> GSM87888 1 0.6219 0.1621 0.592 0.004 0.120 0.020 0.232 0.032
#> GSM87897 2 0.7007 0.3323 0.020 0.440 0.024 0.008 0.300 0.208
#> GSM87935 4 0.2101 0.7369 0.000 0.004 0.000 0.892 0.100 0.004
#> GSM87944 1 0.5614 0.3916 0.612 0.000 0.120 0.000 0.032 0.236
#> GSM87854 3 0.3329 0.6386 0.000 0.184 0.792 0.000 0.020 0.004
#> GSM87878 6 0.4288 0.4863 0.060 0.000 0.004 0.004 0.204 0.728
#> GSM87907 2 0.5348 0.5359 0.008 0.684 0.040 0.012 0.204 0.052
#> GSM87921 4 0.4941 0.5695 0.016 0.012 0.016 0.708 0.208 0.040
#> GSM87925 4 0.2019 0.7368 0.000 0.000 0.000 0.900 0.088 0.012
#> GSM87957 1 0.3477 0.5504 0.804 0.000 0.004 0.016 0.160 0.016
#> GSM87859 2 0.4178 0.4668 0.000 0.728 0.208 0.004 0.060 0.000
#> GSM87883 6 0.6928 0.2716 0.248 0.000 0.104 0.000 0.176 0.472
#> GSM87892 2 0.1649 0.6110 0.000 0.932 0.032 0.000 0.036 0.000
#> GSM87930 4 0.2841 0.7041 0.000 0.004 0.004 0.832 0.156 0.004
#> GSM87949 1 0.1564 0.6575 0.936 0.000 0.000 0.000 0.024 0.040
#> GSM87869 1 0.5855 0.2783 0.564 0.000 0.024 0.000 0.152 0.260
#> GSM87874 2 0.5954 0.2160 0.004 0.560 0.228 0.016 0.192 0.000
#> GSM87902 6 0.5723 0.2243 0.032 0.304 0.000 0.000 0.100 0.564
#> GSM87911 3 0.7604 0.2289 0.004 0.008 0.388 0.168 0.140 0.292
#> GSM87939 4 0.1141 0.7514 0.000 0.000 0.000 0.948 0.052 0.000
#> GSM87954 6 0.5637 0.4962 0.232 0.004 0.000 0.000 0.204 0.560
#> GSM87865 6 0.8082 0.2126 0.156 0.088 0.308 0.000 0.088 0.360
#> GSM87889 1 0.8149 -0.2493 0.336 0.000 0.100 0.060 0.256 0.248
#> GSM87898 6 0.6990 0.2255 0.072 0.216 0.004 0.000 0.260 0.448
#> GSM87915 6 0.1823 0.6056 0.028 0.000 0.004 0.008 0.028 0.932
#> GSM87936 4 0.2214 0.7322 0.000 0.000 0.000 0.888 0.096 0.016
#> GSM87945 3 0.2702 0.6650 0.004 0.092 0.868 0.000 0.036 0.000
#> GSM87855 3 0.2969 0.5973 0.000 0.224 0.776 0.000 0.000 0.000
#> GSM87879 1 0.7054 -0.2345 0.392 0.012 0.260 0.004 0.300 0.032
#> GSM87922 4 0.4892 0.6364 0.012 0.008 0.048 0.756 0.092 0.084
#> GSM87926 4 0.0692 0.7552 0.000 0.000 0.000 0.976 0.020 0.004
#> GSM87958 1 0.5762 0.3856 0.628 0.000 0.016 0.044 0.236 0.076
#> GSM87860 2 0.3207 0.6004 0.000 0.844 0.092 0.000 0.016 0.048
#> GSM87884 6 0.6214 0.4001 0.164 0.000 0.072 0.000 0.184 0.580
#> GSM87893 2 0.2328 0.5963 0.000 0.892 0.052 0.000 0.056 0.000
#> GSM87918 1 0.5075 0.3938 0.684 0.012 0.000 0.072 0.212 0.020
#> GSM87931 4 0.1500 0.7489 0.000 0.000 0.000 0.936 0.052 0.012
#> GSM87950 1 0.1124 0.6607 0.956 0.000 0.000 0.000 0.008 0.036
#> GSM87870 6 0.3350 0.6278 0.096 0.024 0.012 0.000 0.024 0.844
#> GSM87875 3 0.6796 0.1325 0.168 0.104 0.524 0.004 0.200 0.000
#> GSM87903 2 0.5144 0.4385 0.008 0.612 0.000 0.000 0.096 0.284
#> GSM87912 6 0.2009 0.6176 0.068 0.000 0.000 0.000 0.024 0.908
#> GSM87940 4 0.3061 0.6944 0.000 0.008 0.004 0.816 0.168 0.004
#> GSM87866 6 0.6124 0.5208 0.228 0.008 0.068 0.000 0.100 0.596
#> GSM87899 2 0.6440 0.4345 0.004 0.536 0.084 0.000 0.272 0.104
#> GSM87937 4 0.1970 0.7515 0.000 0.008 0.000 0.900 0.092 0.000
#> GSM87946 1 0.2164 0.6515 0.908 0.000 0.020 0.000 0.012 0.060
#> GSM87856 3 0.2773 0.6640 0.004 0.152 0.836 0.000 0.008 0.000
#> GSM87880 1 0.3686 0.5247 0.796 0.000 0.060 0.000 0.136 0.008
#> GSM87908 2 0.7339 0.1470 0.096 0.380 0.004 0.000 0.252 0.268
#> GSM87923 4 0.6740 0.0586 0.068 0.008 0.348 0.484 0.072 0.020
#> GSM87927 4 0.2358 0.7268 0.000 0.000 0.000 0.876 0.108 0.016
#> GSM87959 1 0.0806 0.6602 0.972 0.000 0.000 0.000 0.008 0.020
#> GSM87861 2 0.3594 0.5373 0.000 0.768 0.204 0.000 0.020 0.008
#> GSM87885 6 0.7595 0.0985 0.172 0.000 0.072 0.048 0.288 0.420
#> GSM87894 6 0.3340 0.6209 0.060 0.040 0.020 0.000 0.024 0.856
#> GSM87932 6 0.2781 0.5974 0.044 0.000 0.000 0.036 0.040 0.880
#> GSM87951 1 0.2218 0.6404 0.884 0.000 0.000 0.000 0.012 0.104
#> GSM87871 6 0.6802 0.5153 0.116 0.152 0.072 0.000 0.068 0.592
#> GSM87876 1 0.4006 0.5394 0.792 0.000 0.048 0.000 0.116 0.044
#> GSM87904 2 0.1708 0.6190 0.000 0.932 0.004 0.000 0.040 0.024
#> GSM87913 6 0.6004 0.0289 0.020 0.004 0.420 0.000 0.116 0.440
#> GSM87941 4 0.0909 0.7557 0.000 0.000 0.000 0.968 0.020 0.012
#> GSM87955 1 0.2294 0.6330 0.892 0.000 0.000 0.000 0.072 0.036
#> GSM87867 1 0.1851 0.6477 0.928 0.000 0.012 0.000 0.036 0.024
#> GSM87890 5 0.7482 0.0000 0.312 0.096 0.004 0.236 0.348 0.004
#> GSM87900 2 0.7022 0.1037 0.052 0.380 0.000 0.008 0.216 0.344
#> GSM87916 4 0.6809 -0.1928 0.008 0.028 0.000 0.360 0.356 0.248
#> GSM87947 1 0.2052 0.6285 0.912 0.000 0.056 0.000 0.028 0.004
#> GSM87857 2 0.4281 0.4356 0.004 0.688 0.276 0.000 0.016 0.016
#> GSM87881 1 0.2952 0.5774 0.864 0.004 0.008 0.020 0.096 0.008
#> GSM87909 1 0.7849 -0.1525 0.336 0.212 0.004 0.004 0.240 0.204
#> GSM87928 4 0.5842 0.0774 0.096 0.000 0.000 0.464 0.028 0.412
#> GSM87960 1 0.1003 0.6600 0.964 0.000 0.000 0.000 0.020 0.016
#> GSM87862 2 0.4057 0.5244 0.168 0.776 0.012 0.008 0.028 0.008
#> GSM87886 1 0.5799 0.2566 0.560 0.000 0.024 0.000 0.132 0.284
#> GSM87895 2 0.2092 0.6214 0.008 0.920 0.004 0.008 0.048 0.012
#> GSM87919 6 0.3979 0.5417 0.256 0.000 0.000 0.000 0.036 0.708
#> GSM87933 4 0.3674 0.6639 0.000 0.004 0.004 0.768 0.200 0.024
#> GSM87952 1 0.1075 0.6612 0.952 0.000 0.000 0.000 0.000 0.048
#> GSM87872 1 0.2441 0.6384 0.908 0.012 0.012 0.012 0.044 0.012
#> GSM87877 1 0.2265 0.6254 0.904 0.000 0.028 0.000 0.056 0.012
#> GSM87905 6 0.7183 0.2007 0.116 0.236 0.000 0.000 0.220 0.428
#> GSM87914 4 0.2556 0.7292 0.048 0.000 0.000 0.888 0.052 0.012
#> GSM87942 4 0.3796 0.6556 0.000 0.000 0.000 0.776 0.084 0.140
#> GSM87956 1 0.1257 0.6572 0.952 0.000 0.000 0.000 0.028 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 time(p) agent(p) individual(p) k
#> MAD:NMF 99 0.763 0.5248 5.85e-05 2
#> MAD:NMF 97 0.794 0.8146 2.55e-11 3
#> MAD:NMF 90 0.992 0.1180 2.38e-20 4
#> MAD:NMF 56 0.969 0.0403 4.35e-15 5
#> MAD:NMF 66 0.269 0.0312 2.51e-16 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 108 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 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 0.586 0.686 0.877 0.4698 0.498 0.498
#> 3 3 0.597 0.577 0.768 0.3657 0.853 0.708
#> 4 4 0.608 0.408 0.666 0.1381 0.781 0.481
#> 5 5 0.680 0.674 0.769 0.0742 0.790 0.378
#> 6 6 0.717 0.592 0.764 0.0440 0.940 0.734
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
#> GSM87863 1 0.5629 0.7655 0.868 0.132
#> GSM87887 1 0.1843 0.8613 0.972 0.028
#> GSM87896 2 0.0000 0.8186 0.000 1.000
#> GSM87934 2 0.0000 0.8186 0.000 1.000
#> GSM87943 2 0.9248 0.5066 0.340 0.660
#> GSM87853 2 0.0000 0.8186 0.000 1.000
#> GSM87906 2 0.2603 0.8114 0.044 0.956
#> GSM87920 1 0.3584 0.8307 0.932 0.068
#> GSM87924 2 0.0000 0.8186 0.000 1.000
#> GSM87858 2 0.0000 0.8186 0.000 1.000
#> GSM87882 2 0.9087 0.5302 0.324 0.676
#> GSM87891 2 0.0000 0.8186 0.000 1.000
#> GSM87917 1 0.0000 0.8677 1.000 0.000
#> GSM87929 2 0.2948 0.8059 0.052 0.948
#> GSM87948 1 0.1184 0.8673 0.984 0.016
#> GSM87868 1 0.0000 0.8677 1.000 0.000
#> GSM87873 2 0.0000 0.8186 0.000 1.000
#> GSM87901 2 1.0000 0.1199 0.496 0.504
#> GSM87910 1 0.0000 0.8677 1.000 0.000
#> GSM87938 2 0.0000 0.8186 0.000 1.000
#> GSM87953 1 0.0000 0.8677 1.000 0.000
#> GSM87864 1 0.1184 0.8673 0.984 0.016
#> GSM87888 2 0.9977 0.2065 0.472 0.528
#> GSM87897 2 0.3114 0.8056 0.056 0.944
#> GSM87935 2 0.0000 0.8186 0.000 1.000
#> GSM87944 1 0.0672 0.8681 0.992 0.008
#> GSM87854 2 0.9754 0.3759 0.408 0.592
#> GSM87878 1 0.4562 0.8048 0.904 0.096
#> GSM87907 2 0.1633 0.8177 0.024 0.976
#> GSM87921 2 0.9850 0.3297 0.428 0.572
#> GSM87925 2 0.0000 0.8186 0.000 1.000
#> GSM87957 1 0.1184 0.8673 0.984 0.016
#> GSM87859 2 0.0000 0.8186 0.000 1.000
#> GSM87883 1 0.0000 0.8677 1.000 0.000
#> GSM87892 2 0.0000 0.8186 0.000 1.000
#> GSM87930 2 0.0000 0.8186 0.000 1.000
#> GSM87949 1 0.0000 0.8677 1.000 0.000
#> GSM87869 1 0.0000 0.8677 1.000 0.000
#> GSM87874 2 0.0000 0.8186 0.000 1.000
#> GSM87902 2 1.0000 0.1199 0.496 0.504
#> GSM87911 2 0.9833 0.3394 0.424 0.576
#> GSM87939 2 0.0000 0.8186 0.000 1.000
#> GSM87954 1 0.0000 0.8677 1.000 0.000
#> GSM87865 1 0.2423 0.8532 0.960 0.040
#> GSM87889 1 0.9491 0.3424 0.632 0.368
#> GSM87898 1 0.7745 0.6325 0.772 0.228
#> GSM87915 1 0.0672 0.8681 0.992 0.008
#> GSM87936 2 0.0000 0.8186 0.000 1.000
#> GSM87945 2 0.1633 0.8177 0.024 0.976
#> GSM87855 2 0.2948 0.8071 0.052 0.948
#> GSM87879 2 0.9977 0.2065 0.472 0.528
#> GSM87922 2 0.9087 0.5302 0.324 0.676
#> GSM87926 2 0.0000 0.8186 0.000 1.000
#> GSM87958 1 0.0000 0.8677 1.000 0.000
#> GSM87860 2 0.1633 0.8177 0.024 0.976
#> GSM87884 1 0.0000 0.8677 1.000 0.000
#> GSM87893 2 0.0000 0.8186 0.000 1.000
#> GSM87918 1 0.9996 -0.0882 0.512 0.488
#> GSM87931 2 0.0000 0.8186 0.000 1.000
#> GSM87950 1 0.0000 0.8677 1.000 0.000
#> GSM87870 1 0.1184 0.8673 0.984 0.016
#> GSM87875 2 0.2236 0.8146 0.036 0.964
#> GSM87903 2 0.2603 0.8114 0.044 0.956
#> GSM87912 1 0.0672 0.8681 0.992 0.008
#> GSM87940 2 0.0000 0.8186 0.000 1.000
#> GSM87866 1 0.1184 0.8673 0.984 0.016
#> GSM87899 2 0.3114 0.8056 0.056 0.944
#> GSM87937 2 0.0000 0.8186 0.000 1.000
#> GSM87946 1 0.0000 0.8677 1.000 0.000
#> GSM87856 2 0.9248 0.5066 0.340 0.660
#> GSM87880 2 0.9977 0.2065 0.472 0.528
#> GSM87908 1 0.9608 0.3010 0.616 0.384
#> GSM87923 2 0.9358 0.4860 0.352 0.648
#> GSM87927 2 0.9909 0.2882 0.444 0.556
#> GSM87959 1 0.0000 0.8677 1.000 0.000
#> GSM87861 2 0.1633 0.8177 0.024 0.976
#> GSM87885 1 0.9944 0.0479 0.544 0.456
#> GSM87894 1 0.1184 0.8673 0.984 0.016
#> GSM87932 1 0.2043 0.8589 0.968 0.032
#> GSM87951 1 0.0000 0.8677 1.000 0.000
#> GSM87871 1 0.9963 0.0188 0.536 0.464
#> GSM87876 1 0.9944 0.0479 0.544 0.456
#> GSM87904 2 0.1633 0.8177 0.024 0.976
#> GSM87913 1 0.1184 0.8673 0.984 0.016
#> GSM87941 2 0.9909 0.2882 0.444 0.556
#> GSM87955 1 0.0000 0.8677 1.000 0.000
#> GSM87867 1 0.8661 0.5266 0.712 0.288
#> GSM87890 2 0.0000 0.8186 0.000 1.000
#> GSM87900 2 0.3879 0.7924 0.076 0.924
#> GSM87916 2 0.0000 0.8186 0.000 1.000
#> GSM87947 1 0.1184 0.8673 0.984 0.016
#> GSM87857 2 0.2603 0.8116 0.044 0.956
#> GSM87881 2 0.9993 0.1652 0.484 0.516
#> GSM87909 1 0.9608 0.3010 0.616 0.384
#> GSM87928 1 0.2043 0.8589 0.968 0.032
#> GSM87960 1 0.0000 0.8677 1.000 0.000
#> GSM87862 2 0.1633 0.8177 0.024 0.976
#> GSM87886 1 0.0000 0.8677 1.000 0.000
#> GSM87895 2 0.1633 0.8177 0.024 0.976
#> GSM87919 1 0.0000 0.8677 1.000 0.000
#> GSM87933 2 0.0000 0.8186 0.000 1.000
#> GSM87952 1 0.0000 0.8677 1.000 0.000
#> GSM87872 2 0.9988 0.1793 0.480 0.520
#> GSM87877 1 0.1184 0.8673 0.984 0.016
#> GSM87905 1 0.9608 0.3010 0.616 0.384
#> GSM87914 1 0.9996 -0.0882 0.512 0.488
#> GSM87942 2 0.9993 0.1651 0.484 0.516
#> GSM87956 1 0.0000 0.8677 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.3551 0.257 0.868 0.132 0.000
#> GSM87887 1 0.0592 0.486 0.988 0.012 0.000
#> GSM87896 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87934 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87943 2 0.9641 0.755 0.324 0.452 0.224
#> GSM87853 3 0.0592 0.842 0.000 0.012 0.988
#> GSM87906 3 0.7553 0.554 0.060 0.320 0.620
#> GSM87920 1 0.2537 0.386 0.920 0.080 0.000
#> GSM87924 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87858 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87882 2 0.9751 0.711 0.308 0.440 0.252
#> GSM87891 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87917 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87929 3 0.6203 0.707 0.056 0.184 0.760
#> GSM87948 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87868 1 0.6204 0.608 0.576 0.424 0.000
#> GSM87873 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87901 2 0.6941 0.844 0.464 0.520 0.016
#> GSM87910 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87938 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87953 1 0.6154 0.611 0.592 0.408 0.000
#> GSM87864 1 0.0237 0.497 0.996 0.004 0.000
#> GSM87888 2 0.7561 0.867 0.444 0.516 0.040
#> GSM87897 3 0.7773 0.529 0.072 0.316 0.612
#> GSM87935 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87944 1 0.3340 0.554 0.880 0.120 0.000
#> GSM87854 2 0.8597 0.849 0.380 0.516 0.104
#> GSM87878 1 0.3482 0.289 0.872 0.128 0.000
#> GSM87907 3 0.6521 0.686 0.040 0.248 0.712
#> GSM87921 2 0.8338 0.861 0.400 0.516 0.084
#> GSM87925 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87957 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87883 1 0.6154 0.611 0.592 0.408 0.000
#> GSM87892 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87930 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87949 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87869 1 0.6204 0.608 0.576 0.424 0.000
#> GSM87874 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87902 2 0.6941 0.844 0.464 0.520 0.016
#> GSM87911 2 0.8393 0.859 0.396 0.516 0.088
#> GSM87939 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87954 1 0.6154 0.611 0.592 0.408 0.000
#> GSM87865 1 0.1411 0.460 0.964 0.036 0.000
#> GSM87889 1 0.6126 -0.599 0.600 0.400 0.000
#> GSM87898 1 0.5178 -0.173 0.744 0.256 0.000
#> GSM87915 1 0.3482 0.557 0.872 0.128 0.000
#> GSM87936 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87945 3 0.6099 0.710 0.032 0.228 0.740
#> GSM87855 3 0.7164 0.644 0.064 0.256 0.680
#> GSM87879 2 0.7561 0.867 0.444 0.516 0.040
#> GSM87922 2 0.9790 0.696 0.308 0.432 0.260
#> GSM87926 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87958 1 0.6204 0.608 0.576 0.424 0.000
#> GSM87860 3 0.6521 0.686 0.040 0.248 0.712
#> GSM87884 1 0.6154 0.611 0.592 0.408 0.000
#> GSM87893 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87918 2 0.6678 0.823 0.480 0.512 0.008
#> GSM87931 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87950 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87870 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87875 3 0.6624 0.682 0.044 0.248 0.708
#> GSM87903 3 0.7553 0.554 0.060 0.320 0.620
#> GSM87912 1 0.3482 0.557 0.872 0.128 0.000
#> GSM87940 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87866 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87899 3 0.7773 0.529 0.072 0.316 0.612
#> GSM87937 3 0.0237 0.845 0.000 0.004 0.996
#> GSM87946 1 0.6168 0.610 0.588 0.412 0.000
#> GSM87856 2 0.9666 0.752 0.324 0.448 0.228
#> GSM87880 2 0.7561 0.867 0.444 0.516 0.040
#> GSM87908 1 0.6180 -0.627 0.584 0.416 0.000
#> GSM87923 2 0.9556 0.771 0.332 0.460 0.208
#> GSM87927 2 0.8093 0.869 0.416 0.516 0.068
#> GSM87959 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87861 3 0.6559 0.681 0.040 0.252 0.708
#> GSM87885 1 0.6678 -0.782 0.512 0.480 0.008
#> GSM87894 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87932 1 0.1753 0.438 0.952 0.048 0.000
#> GSM87951 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87871 1 0.7181 -0.787 0.508 0.468 0.024
#> GSM87876 1 0.6678 -0.782 0.512 0.480 0.008
#> GSM87904 3 0.6521 0.686 0.040 0.248 0.712
#> GSM87913 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87941 2 0.8093 0.869 0.416 0.516 0.068
#> GSM87955 1 0.6154 0.611 0.592 0.408 0.000
#> GSM87867 1 0.5678 -0.381 0.684 0.316 0.000
#> GSM87890 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87900 3 0.8295 0.379 0.088 0.364 0.548
#> GSM87916 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87947 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87857 3 0.7367 0.598 0.060 0.292 0.648
#> GSM87881 2 0.7278 0.858 0.456 0.516 0.028
#> GSM87909 1 0.6180 -0.627 0.584 0.416 0.000
#> GSM87928 1 0.1753 0.438 0.952 0.048 0.000
#> GSM87960 1 0.6168 0.610 0.588 0.412 0.000
#> GSM87862 3 0.6521 0.686 0.040 0.248 0.712
#> GSM87886 1 0.6154 0.611 0.592 0.408 0.000
#> GSM87895 3 0.6521 0.686 0.040 0.248 0.712
#> GSM87919 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87933 3 0.0000 0.845 0.000 0.000 1.000
#> GSM87952 1 0.6302 0.587 0.520 0.480 0.000
#> GSM87872 2 0.7377 0.862 0.452 0.516 0.032
#> GSM87877 1 0.0000 0.501 1.000 0.000 0.000
#> GSM87905 1 0.6180 -0.627 0.584 0.416 0.000
#> GSM87914 2 0.6678 0.823 0.480 0.512 0.008
#> GSM87942 2 0.7274 0.859 0.452 0.520 0.028
#> GSM87956 1 0.6154 0.611 0.592 0.408 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 2 0.3545 0.5941 0.164 0.828 0.000 0.008
#> GSM87887 2 0.4382 0.5213 0.296 0.704 0.000 0.000
#> GSM87896 3 0.4989 -0.4342 0.000 0.000 0.528 0.472
#> GSM87934 4 0.4941 0.4813 0.000 0.000 0.436 0.564
#> GSM87943 4 0.6213 -0.1947 0.000 0.052 0.464 0.484
#> GSM87853 4 0.4992 0.4290 0.000 0.000 0.476 0.524
#> GSM87906 4 0.3818 0.4208 0.000 0.108 0.048 0.844
#> GSM87920 2 0.3870 0.5790 0.208 0.788 0.004 0.000
#> GSM87924 4 0.4994 0.4450 0.000 0.000 0.480 0.520
#> GSM87858 3 0.4989 -0.4342 0.000 0.000 0.528 0.472
#> GSM87882 4 0.6366 -0.1518 0.000 0.064 0.424 0.512
#> GSM87891 3 0.4989 -0.4342 0.000 0.000 0.528 0.472
#> GSM87917 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87929 4 0.5835 0.4342 0.000 0.040 0.372 0.588
#> GSM87948 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87868 1 0.2149 0.8695 0.912 0.088 0.000 0.000
#> GSM87873 3 0.4989 -0.4342 0.000 0.000 0.528 0.472
#> GSM87901 2 0.5951 0.3422 0.000 0.696 0.152 0.152
#> GSM87910 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87938 4 0.4992 0.4485 0.000 0.000 0.476 0.524
#> GSM87953 1 0.2408 0.8678 0.896 0.104 0.000 0.000
#> GSM87864 2 0.4331 0.5345 0.288 0.712 0.000 0.000
#> GSM87888 3 0.7645 0.2379 0.000 0.360 0.428 0.212
#> GSM87897 4 0.2924 0.4198 0.000 0.016 0.100 0.884
#> GSM87935 4 0.4925 0.4853 0.000 0.000 0.428 0.572
#> GSM87944 1 0.4996 0.0729 0.516 0.484 0.000 0.000
#> GSM87854 3 0.7542 0.2846 0.000 0.208 0.472 0.320
#> GSM87878 2 0.3591 0.5901 0.168 0.824 0.008 0.000
#> GSM87907 4 0.0000 0.5062 0.000 0.000 0.000 1.000
#> GSM87921 3 0.7640 0.2818 0.000 0.280 0.468 0.252
#> GSM87925 4 0.4925 0.4853 0.000 0.000 0.428 0.572
#> GSM87957 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87859 4 0.5000 0.4124 0.000 0.000 0.496 0.504
#> GSM87883 1 0.2469 0.8657 0.892 0.108 0.000 0.000
#> GSM87892 3 0.4989 -0.4342 0.000 0.000 0.528 0.472
#> GSM87930 4 0.4992 0.4485 0.000 0.000 0.476 0.524
#> GSM87949 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87869 1 0.2149 0.8695 0.912 0.088 0.000 0.000
#> GSM87874 3 0.4989 -0.4342 0.000 0.000 0.528 0.472
#> GSM87902 2 0.5951 0.3422 0.000 0.696 0.152 0.152
#> GSM87911 3 0.7625 0.2825 0.000 0.276 0.472 0.252
#> GSM87939 4 0.4925 0.4853 0.000 0.000 0.428 0.572
#> GSM87954 1 0.2408 0.8678 0.896 0.104 0.000 0.000
#> GSM87865 2 0.4103 0.5585 0.256 0.744 0.000 0.000
#> GSM87889 2 0.3885 0.5277 0.000 0.844 0.092 0.064
#> GSM87898 2 0.4546 0.6012 0.104 0.824 0.024 0.048
#> GSM87915 1 0.4989 0.1220 0.528 0.472 0.000 0.000
#> GSM87936 4 0.4925 0.4853 0.000 0.000 0.428 0.572
#> GSM87945 4 0.1792 0.5056 0.000 0.000 0.068 0.932
#> GSM87855 4 0.2589 0.4697 0.000 0.000 0.116 0.884
#> GSM87879 3 0.7645 0.2379 0.000 0.360 0.428 0.212
#> GSM87922 4 0.6182 -0.1446 0.000 0.052 0.428 0.520
#> GSM87926 4 0.4933 0.4835 0.000 0.000 0.432 0.568
#> GSM87958 1 0.2149 0.8695 0.912 0.088 0.000 0.000
#> GSM87860 4 0.0000 0.5062 0.000 0.000 0.000 1.000
#> GSM87884 1 0.2469 0.8657 0.892 0.108 0.000 0.000
#> GSM87893 3 0.4989 -0.4342 0.000 0.000 0.528 0.472
#> GSM87918 2 0.7167 -0.1355 0.000 0.468 0.396 0.136
#> GSM87931 4 0.4933 0.4835 0.000 0.000 0.432 0.568
#> GSM87950 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87870 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87875 4 0.2466 0.4944 0.000 0.004 0.096 0.900
#> GSM87903 4 0.3818 0.4208 0.000 0.108 0.048 0.844
#> GSM87912 1 0.4989 0.1220 0.528 0.472 0.000 0.000
#> GSM87940 4 0.4992 0.4485 0.000 0.000 0.476 0.524
#> GSM87866 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87899 4 0.2924 0.4198 0.000 0.016 0.100 0.884
#> GSM87937 4 0.4925 0.4853 0.000 0.000 0.428 0.572
#> GSM87946 1 0.2469 0.8639 0.892 0.108 0.000 0.000
#> GSM87856 4 0.6147 -0.1912 0.000 0.048 0.464 0.488
#> GSM87880 3 0.7645 0.2379 0.000 0.360 0.428 0.212
#> GSM87908 2 0.3542 0.5300 0.000 0.864 0.076 0.060
#> GSM87923 4 0.6610 -0.2138 0.000 0.080 0.452 0.468
#> GSM87927 3 0.7747 0.2762 0.000 0.316 0.432 0.252
#> GSM87959 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87861 4 0.0188 0.5046 0.000 0.000 0.004 0.996
#> GSM87885 2 0.7042 -0.0781 0.000 0.488 0.388 0.124
#> GSM87894 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87932 2 0.4134 0.5435 0.260 0.740 0.000 0.000
#> GSM87951 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87871 2 0.6353 0.2824 0.000 0.652 0.208 0.140
#> GSM87876 2 0.7042 -0.0781 0.000 0.488 0.388 0.124
#> GSM87904 4 0.0000 0.5062 0.000 0.000 0.000 1.000
#> GSM87913 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87941 3 0.7747 0.2762 0.000 0.316 0.432 0.252
#> GSM87955 1 0.2408 0.8678 0.896 0.104 0.000 0.000
#> GSM87867 2 0.5279 0.5442 0.044 0.788 0.112 0.056
#> GSM87890 4 0.4961 0.4731 0.000 0.000 0.448 0.552
#> GSM87900 4 0.5332 0.3055 0.000 0.128 0.124 0.748
#> GSM87916 4 0.4961 0.4731 0.000 0.000 0.448 0.552
#> GSM87947 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87857 4 0.2198 0.4532 0.000 0.008 0.072 0.920
#> GSM87881 3 0.7492 0.2091 0.000 0.388 0.432 0.180
#> GSM87909 2 0.3542 0.5300 0.000 0.864 0.076 0.060
#> GSM87928 2 0.4134 0.5435 0.260 0.740 0.000 0.000
#> GSM87960 1 0.2469 0.8639 0.892 0.108 0.000 0.000
#> GSM87862 4 0.0000 0.5062 0.000 0.000 0.000 1.000
#> GSM87886 1 0.2469 0.8657 0.892 0.108 0.000 0.000
#> GSM87895 4 0.0000 0.5062 0.000 0.000 0.000 1.000
#> GSM87919 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87933 4 0.4961 0.4731 0.000 0.000 0.448 0.552
#> GSM87952 1 0.0000 0.8458 1.000 0.000 0.000 0.000
#> GSM87872 3 0.7517 0.2138 0.000 0.388 0.428 0.184
#> GSM87877 2 0.4356 0.5304 0.292 0.708 0.000 0.000
#> GSM87905 2 0.3542 0.5300 0.000 0.864 0.076 0.060
#> GSM87914 2 0.7167 -0.1355 0.000 0.468 0.396 0.136
#> GSM87942 3 0.7495 0.2019 0.000 0.392 0.428 0.180
#> GSM87956 1 0.2408 0.8678 0.896 0.104 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 5 0.4504 0.7065 0.068 0.152 0.012 0.000 0.768
#> GSM87887 5 0.2462 0.8123 0.112 0.000 0.008 0.000 0.880
#> GSM87896 4 0.4080 0.7000 0.000 0.000 0.252 0.728 0.020
#> GSM87934 4 0.1357 0.7720 0.000 0.004 0.048 0.948 0.000
#> GSM87943 2 0.5776 0.1290 0.000 0.488 0.448 0.036 0.028
#> GSM87853 4 0.4323 0.5151 0.000 0.000 0.332 0.656 0.012
#> GSM87906 3 0.6605 0.7107 0.000 0.236 0.452 0.312 0.000
#> GSM87920 5 0.2726 0.7880 0.052 0.064 0.000 0.000 0.884
#> GSM87924 4 0.2136 0.7597 0.000 0.000 0.088 0.904 0.008
#> GSM87858 4 0.4080 0.7000 0.000 0.000 0.252 0.728 0.020
#> GSM87882 2 0.6277 0.1062 0.000 0.496 0.400 0.076 0.028
#> GSM87891 4 0.4080 0.7000 0.000 0.000 0.252 0.728 0.020
#> GSM87917 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.5164 0.2761 0.000 0.232 0.096 0.672 0.000
#> GSM87948 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87868 1 0.2929 0.8796 0.820 0.000 0.000 0.000 0.180
#> GSM87873 4 0.4080 0.7000 0.000 0.000 0.252 0.728 0.020
#> GSM87901 2 0.5442 0.4834 0.000 0.644 0.116 0.000 0.240
#> GSM87910 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0162 0.7842 0.000 0.000 0.004 0.996 0.000
#> GSM87953 1 0.3074 0.8748 0.804 0.000 0.000 0.000 0.196
#> GSM87864 5 0.2179 0.8205 0.100 0.004 0.000 0.000 0.896
#> GSM87888 2 0.2747 0.6803 0.000 0.888 0.060 0.004 0.048
#> GSM87897 3 0.5657 0.8309 0.000 0.128 0.616 0.256 0.000
#> GSM87935 4 0.1502 0.7659 0.000 0.004 0.056 0.940 0.000
#> GSM87944 5 0.4161 0.3373 0.392 0.000 0.000 0.000 0.608
#> GSM87854 2 0.4527 0.4907 0.000 0.692 0.272 0.000 0.036
#> GSM87878 5 0.5280 0.6357 0.048 0.124 0.092 0.000 0.736
#> GSM87907 3 0.4639 0.8859 0.000 0.020 0.612 0.368 0.000
#> GSM87921 2 0.4201 0.5767 0.000 0.752 0.204 0.000 0.044
#> GSM87925 4 0.1502 0.7659 0.000 0.004 0.056 0.940 0.000
#> GSM87957 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87859 4 0.4309 0.5914 0.000 0.000 0.308 0.676 0.016
#> GSM87883 1 0.3109 0.8718 0.800 0.000 0.000 0.000 0.200
#> GSM87892 4 0.4080 0.7000 0.000 0.000 0.252 0.728 0.020
#> GSM87930 4 0.0162 0.7842 0.000 0.000 0.004 0.996 0.000
#> GSM87949 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.2929 0.8796 0.820 0.000 0.000 0.000 0.180
#> GSM87874 4 0.4080 0.7000 0.000 0.000 0.252 0.728 0.020
#> GSM87902 2 0.5442 0.4834 0.000 0.644 0.116 0.000 0.240
#> GSM87911 2 0.4161 0.5702 0.000 0.752 0.208 0.000 0.040
#> GSM87939 4 0.1502 0.7659 0.000 0.004 0.056 0.940 0.000
#> GSM87954 1 0.3074 0.8748 0.804 0.000 0.000 0.000 0.196
#> GSM87865 5 0.3019 0.8078 0.088 0.048 0.000 0.000 0.864
#> GSM87889 2 0.4562 0.0193 0.000 0.496 0.008 0.000 0.496
#> GSM87898 5 0.5512 0.3280 0.000 0.276 0.104 0.000 0.620
#> GSM87915 5 0.4192 0.3031 0.404 0.000 0.000 0.000 0.596
#> GSM87936 4 0.1502 0.7659 0.000 0.004 0.056 0.940 0.000
#> GSM87945 3 0.4946 0.8509 0.000 0.036 0.596 0.368 0.000
#> GSM87855 3 0.5658 0.8445 0.000 0.096 0.572 0.332 0.000
#> GSM87879 2 0.2747 0.6803 0.000 0.888 0.060 0.004 0.048
#> GSM87922 2 0.6307 0.0275 0.000 0.460 0.436 0.076 0.028
#> GSM87926 4 0.1430 0.7692 0.000 0.004 0.052 0.944 0.000
#> GSM87958 1 0.2929 0.8796 0.820 0.000 0.000 0.000 0.180
#> GSM87860 3 0.4639 0.8859 0.000 0.020 0.612 0.368 0.000
#> GSM87884 1 0.3109 0.8718 0.800 0.000 0.000 0.000 0.200
#> GSM87893 4 0.4080 0.7000 0.000 0.000 0.252 0.728 0.020
#> GSM87918 2 0.2179 0.6728 0.000 0.896 0.004 0.000 0.100
#> GSM87931 4 0.1430 0.7692 0.000 0.004 0.052 0.944 0.000
#> GSM87950 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87870 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87875 3 0.5246 0.8658 0.000 0.060 0.596 0.344 0.000
#> GSM87903 3 0.6605 0.7107 0.000 0.236 0.452 0.312 0.000
#> GSM87912 5 0.4192 0.3031 0.404 0.000 0.000 0.000 0.596
#> GSM87940 4 0.0162 0.7842 0.000 0.000 0.004 0.996 0.000
#> GSM87866 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87899 3 0.5657 0.8309 0.000 0.128 0.616 0.256 0.000
#> GSM87937 4 0.1502 0.7659 0.000 0.004 0.056 0.940 0.000
#> GSM87946 1 0.3109 0.8688 0.800 0.000 0.000 0.000 0.200
#> GSM87856 2 0.5778 0.1204 0.000 0.484 0.452 0.036 0.028
#> GSM87880 2 0.2747 0.6803 0.000 0.888 0.060 0.004 0.048
#> GSM87908 2 0.5939 0.2054 0.000 0.492 0.108 0.000 0.400
#> GSM87923 2 0.5959 0.2247 0.000 0.532 0.388 0.048 0.032
#> GSM87927 2 0.3374 0.6600 0.000 0.844 0.108 0.004 0.044
#> GSM87959 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.4626 0.8861 0.000 0.020 0.616 0.364 0.000
#> GSM87885 2 0.2536 0.6559 0.000 0.868 0.004 0.000 0.128
#> GSM87894 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87932 5 0.4028 0.7524 0.076 0.012 0.100 0.000 0.812
#> GSM87951 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87871 2 0.5348 0.5164 0.000 0.656 0.112 0.000 0.232
#> GSM87876 2 0.2536 0.6559 0.000 0.868 0.004 0.000 0.128
#> GSM87904 3 0.4639 0.8859 0.000 0.020 0.612 0.368 0.000
#> GSM87913 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87941 2 0.3374 0.6600 0.000 0.844 0.108 0.004 0.044
#> GSM87955 1 0.3039 0.8766 0.808 0.000 0.000 0.000 0.192
#> GSM87867 5 0.5677 -0.0271 0.000 0.424 0.080 0.000 0.496
#> GSM87890 4 0.0955 0.7808 0.000 0.004 0.028 0.968 0.000
#> GSM87900 2 0.6779 -0.4643 0.000 0.392 0.308 0.300 0.000
#> GSM87916 4 0.0955 0.7808 0.000 0.004 0.028 0.968 0.000
#> GSM87947 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87857 3 0.5433 0.8616 0.000 0.092 0.620 0.288 0.000
#> GSM87881 2 0.1630 0.6813 0.000 0.944 0.016 0.004 0.036
#> GSM87909 2 0.5939 0.2054 0.000 0.492 0.108 0.000 0.400
#> GSM87928 5 0.4028 0.7524 0.076 0.012 0.100 0.000 0.812
#> GSM87960 1 0.3109 0.8688 0.800 0.000 0.000 0.000 0.200
#> GSM87862 3 0.4639 0.8859 0.000 0.020 0.612 0.368 0.000
#> GSM87886 1 0.3109 0.8718 0.800 0.000 0.000 0.000 0.200
#> GSM87895 3 0.4639 0.8859 0.000 0.020 0.612 0.368 0.000
#> GSM87919 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0955 0.7808 0.000 0.004 0.028 0.968 0.000
#> GSM87952 1 0.0000 0.8444 1.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.1808 0.6814 0.000 0.936 0.020 0.004 0.040
#> GSM87877 5 0.2020 0.8212 0.100 0.000 0.000 0.000 0.900
#> GSM87905 2 0.5939 0.2054 0.000 0.492 0.108 0.000 0.400
#> GSM87914 2 0.2179 0.6728 0.000 0.896 0.004 0.000 0.100
#> GSM87942 2 0.1568 0.6805 0.000 0.944 0.020 0.000 0.036
#> GSM87956 1 0.3003 0.8776 0.812 0.000 0.000 0.000 0.188
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.3352 0.616 0.000 0.176 0.000 0.000 0.032 0.792
#> GSM87887 6 0.0909 0.811 0.020 0.000 0.000 0.000 0.012 0.968
#> GSM87896 4 0.3765 0.313 0.000 0.000 0.000 0.596 0.404 0.000
#> GSM87934 4 0.3023 0.694 0.000 0.000 0.212 0.784 0.004 0.000
#> GSM87943 3 0.5537 0.231 0.000 0.328 0.520 0.000 0.152 0.000
#> GSM87853 3 0.5903 -0.248 0.000 0.000 0.400 0.204 0.396 0.000
#> GSM87906 3 0.4627 0.560 0.000 0.196 0.696 0.104 0.004 0.000
#> GSM87920 6 0.2201 0.753 0.000 0.076 0.000 0.000 0.028 0.896
#> GSM87924 4 0.2625 0.594 0.000 0.000 0.056 0.872 0.072 0.000
#> GSM87858 4 0.3765 0.313 0.000 0.000 0.000 0.596 0.404 0.000
#> GSM87882 3 0.6226 0.225 0.000 0.348 0.476 0.036 0.140 0.000
#> GSM87891 4 0.3765 0.313 0.000 0.000 0.000 0.596 0.404 0.000
#> GSM87917 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87929 4 0.6408 0.322 0.000 0.164 0.260 0.520 0.056 0.000
#> GSM87948 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87868 1 0.2854 0.858 0.792 0.000 0.000 0.000 0.000 0.208
#> GSM87873 4 0.3765 0.313 0.000 0.000 0.000 0.596 0.404 0.000
#> GSM87901 2 0.4341 0.474 0.000 0.616 0.024 0.004 0.356 0.000
#> GSM87910 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87938 4 0.3672 0.680 0.000 0.000 0.168 0.776 0.056 0.000
#> GSM87953 1 0.2969 0.853 0.776 0.000 0.000 0.000 0.000 0.224
#> GSM87864 6 0.0405 0.819 0.008 0.004 0.000 0.000 0.000 0.988
#> GSM87888 2 0.1843 0.684 0.000 0.912 0.080 0.004 0.004 0.000
#> GSM87897 3 0.1693 0.666 0.000 0.044 0.932 0.020 0.004 0.000
#> GSM87935 4 0.2941 0.691 0.000 0.000 0.220 0.780 0.000 0.000
#> GSM87944 6 0.3428 0.450 0.304 0.000 0.000 0.000 0.000 0.696
#> GSM87854 2 0.5531 0.239 0.000 0.528 0.316 0.000 0.156 0.000
#> GSM87878 6 0.5063 0.345 0.000 0.112 0.000 0.000 0.284 0.604
#> GSM87907 3 0.2219 0.664 0.000 0.000 0.864 0.136 0.000 0.000
#> GSM87921 2 0.5202 0.426 0.000 0.612 0.224 0.000 0.164 0.000
#> GSM87925 4 0.2941 0.691 0.000 0.000 0.220 0.780 0.000 0.000
#> GSM87957 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87859 5 0.6067 -0.436 0.000 0.000 0.332 0.272 0.396 0.000
#> GSM87883 1 0.3023 0.847 0.768 0.000 0.000 0.000 0.000 0.232
#> GSM87892 4 0.3765 0.313 0.000 0.000 0.000 0.596 0.404 0.000
#> GSM87930 4 0.3672 0.680 0.000 0.000 0.168 0.776 0.056 0.000
#> GSM87949 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87869 1 0.2854 0.858 0.792 0.000 0.000 0.000 0.000 0.208
#> GSM87874 4 0.3765 0.313 0.000 0.000 0.000 0.596 0.404 0.000
#> GSM87902 2 0.4341 0.474 0.000 0.616 0.024 0.004 0.356 0.000
#> GSM87911 2 0.5246 0.415 0.000 0.604 0.232 0.000 0.164 0.000
#> GSM87939 4 0.2941 0.691 0.000 0.000 0.220 0.780 0.000 0.000
#> GSM87954 1 0.2969 0.853 0.776 0.000 0.000 0.000 0.000 0.224
#> GSM87865 6 0.1781 0.779 0.008 0.060 0.000 0.000 0.008 0.924
#> GSM87889 2 0.4654 0.221 0.000 0.544 0.000 0.000 0.044 0.412
#> GSM87898 5 0.6076 -0.349 0.000 0.268 0.000 0.000 0.368 0.364
#> GSM87915 6 0.3499 0.413 0.320 0.000 0.000 0.000 0.000 0.680
#> GSM87936 4 0.2941 0.691 0.000 0.000 0.220 0.780 0.000 0.000
#> GSM87945 3 0.2680 0.641 0.000 0.000 0.868 0.076 0.056 0.000
#> GSM87855 3 0.3699 0.636 0.000 0.028 0.816 0.068 0.088 0.000
#> GSM87879 2 0.1843 0.684 0.000 0.912 0.080 0.004 0.004 0.000
#> GSM87922 3 0.6195 0.291 0.000 0.300 0.512 0.036 0.152 0.000
#> GSM87926 4 0.2912 0.692 0.000 0.000 0.216 0.784 0.000 0.000
#> GSM87958 1 0.2854 0.858 0.792 0.000 0.000 0.000 0.000 0.208
#> GSM87860 3 0.2219 0.664 0.000 0.000 0.864 0.136 0.000 0.000
#> GSM87884 1 0.3023 0.847 0.768 0.000 0.000 0.000 0.000 0.232
#> GSM87893 4 0.3765 0.313 0.000 0.000 0.000 0.596 0.404 0.000
#> GSM87918 2 0.1297 0.681 0.000 0.948 0.000 0.000 0.040 0.012
#> GSM87931 4 0.2912 0.692 0.000 0.000 0.216 0.784 0.000 0.000
#> GSM87950 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87870 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87875 3 0.2532 0.650 0.000 0.004 0.884 0.060 0.052 0.000
#> GSM87903 3 0.4627 0.560 0.000 0.196 0.696 0.104 0.004 0.000
#> GSM87912 6 0.3499 0.413 0.320 0.000 0.000 0.000 0.000 0.680
#> GSM87940 4 0.3672 0.680 0.000 0.000 0.168 0.776 0.056 0.000
#> GSM87866 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87899 3 0.1693 0.666 0.000 0.044 0.932 0.020 0.004 0.000
#> GSM87937 4 0.2941 0.691 0.000 0.000 0.220 0.780 0.000 0.000
#> GSM87946 1 0.3023 0.844 0.768 0.000 0.000 0.000 0.000 0.232
#> GSM87856 3 0.5526 0.237 0.000 0.324 0.524 0.000 0.152 0.000
#> GSM87880 2 0.1843 0.684 0.000 0.912 0.080 0.004 0.004 0.000
#> GSM87908 2 0.5486 0.301 0.000 0.496 0.000 0.000 0.372 0.132
#> GSM87923 3 0.5693 0.117 0.000 0.388 0.468 0.004 0.140 0.000
#> GSM87927 2 0.3292 0.651 0.000 0.824 0.120 0.004 0.052 0.000
#> GSM87959 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87861 3 0.2100 0.667 0.000 0.000 0.884 0.112 0.004 0.000
#> GSM87885 2 0.2034 0.669 0.000 0.912 0.004 0.000 0.024 0.060
#> GSM87894 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87932 6 0.3934 0.515 0.020 0.000 0.000 0.000 0.304 0.676
#> GSM87951 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87871 2 0.5623 0.523 0.000 0.612 0.072 0.000 0.256 0.060
#> GSM87876 2 0.2034 0.669 0.000 0.912 0.004 0.000 0.024 0.060
#> GSM87904 3 0.2219 0.664 0.000 0.000 0.864 0.136 0.000 0.000
#> GSM87913 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87941 2 0.3292 0.651 0.000 0.824 0.120 0.004 0.052 0.000
#> GSM87955 1 0.2941 0.855 0.780 0.000 0.000 0.000 0.000 0.220
#> GSM87867 2 0.6001 0.106 0.000 0.428 0.000 0.000 0.252 0.320
#> GSM87890 4 0.2631 0.696 0.000 0.000 0.180 0.820 0.000 0.000
#> GSM87900 3 0.6172 0.400 0.000 0.316 0.520 0.108 0.056 0.000
#> GSM87916 4 0.2631 0.696 0.000 0.000 0.180 0.820 0.000 0.000
#> GSM87947 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87857 3 0.1780 0.673 0.000 0.028 0.924 0.048 0.000 0.000
#> GSM87881 2 0.1777 0.685 0.000 0.928 0.024 0.004 0.044 0.000
#> GSM87909 2 0.5486 0.301 0.000 0.496 0.000 0.000 0.372 0.132
#> GSM87928 6 0.3934 0.515 0.020 0.000 0.000 0.000 0.304 0.676
#> GSM87960 1 0.3023 0.844 0.768 0.000 0.000 0.000 0.000 0.232
#> GSM87862 3 0.2219 0.664 0.000 0.000 0.864 0.136 0.000 0.000
#> GSM87886 1 0.3023 0.847 0.768 0.000 0.000 0.000 0.000 0.232
#> GSM87895 3 0.2219 0.664 0.000 0.000 0.864 0.136 0.000 0.000
#> GSM87919 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87933 4 0.2631 0.696 0.000 0.000 0.180 0.820 0.000 0.000
#> GSM87952 1 0.0363 0.820 0.988 0.000 0.000 0.000 0.012 0.000
#> GSM87872 2 0.2000 0.685 0.000 0.916 0.032 0.004 0.048 0.000
#> GSM87877 6 0.0260 0.821 0.008 0.000 0.000 0.000 0.000 0.992
#> GSM87905 2 0.5486 0.301 0.000 0.496 0.000 0.000 0.372 0.132
#> GSM87914 2 0.1297 0.681 0.000 0.948 0.000 0.000 0.040 0.012
#> GSM87942 2 0.1923 0.684 0.000 0.916 0.016 0.004 0.064 0.000
#> GSM87956 1 0.2912 0.856 0.784 0.000 0.000 0.000 0.000 0.216
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 time(p) agent(p) individual(p) k
#> ATC:hclust 85 0.704 0.7781 1.55e-05 2
#> ATC:hclust 90 0.779 0.0540 6.05e-08 3
#> ATC:hclust 49 0.968 0.0372 1.33e-02 4
#> ATC:hclust 89 0.316 0.1917 6.79e-10 5
#> ATC:hclust 77 0.592 0.2035 7.50e-13 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 108 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 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 1.000 0.968 0.987 0.4965 0.502 0.502
#> 3 3 0.999 0.975 0.989 0.3543 0.718 0.493
#> 4 4 0.696 0.634 0.764 0.1014 0.881 0.660
#> 5 5 0.698 0.668 0.772 0.0641 0.847 0.504
#> 6 6 0.802 0.864 0.871 0.0486 0.952 0.775
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
#> GSM87863 1 0.000 0.9756 1.000 0.000
#> GSM87887 1 0.000 0.9756 1.000 0.000
#> GSM87896 2 0.000 0.9957 0.000 1.000
#> GSM87934 2 0.000 0.9957 0.000 1.000
#> GSM87943 2 0.000 0.9957 0.000 1.000
#> GSM87853 2 0.000 0.9957 0.000 1.000
#> GSM87906 2 0.000 0.9957 0.000 1.000
#> GSM87920 1 0.000 0.9756 1.000 0.000
#> GSM87924 2 0.000 0.9957 0.000 1.000
#> GSM87858 2 0.000 0.9957 0.000 1.000
#> GSM87882 2 0.000 0.9957 0.000 1.000
#> GSM87891 2 0.000 0.9957 0.000 1.000
#> GSM87917 1 0.000 0.9756 1.000 0.000
#> GSM87929 2 0.000 0.9957 0.000 1.000
#> GSM87948 1 0.000 0.9756 1.000 0.000
#> GSM87868 1 0.000 0.9756 1.000 0.000
#> GSM87873 2 0.000 0.9957 0.000 1.000
#> GSM87901 2 0.000 0.9957 0.000 1.000
#> GSM87910 1 0.000 0.9756 1.000 0.000
#> GSM87938 2 0.000 0.9957 0.000 1.000
#> GSM87953 1 0.000 0.9756 1.000 0.000
#> GSM87864 1 0.000 0.9756 1.000 0.000
#> GSM87888 2 0.000 0.9957 0.000 1.000
#> GSM87897 2 0.000 0.9957 0.000 1.000
#> GSM87935 2 0.000 0.9957 0.000 1.000
#> GSM87944 1 0.000 0.9756 1.000 0.000
#> GSM87854 2 0.000 0.9957 0.000 1.000
#> GSM87878 1 0.000 0.9756 1.000 0.000
#> GSM87907 2 0.000 0.9957 0.000 1.000
#> GSM87921 2 0.000 0.9957 0.000 1.000
#> GSM87925 2 0.000 0.9957 0.000 1.000
#> GSM87957 1 0.000 0.9756 1.000 0.000
#> GSM87859 2 0.000 0.9957 0.000 1.000
#> GSM87883 1 0.000 0.9756 1.000 0.000
#> GSM87892 2 0.000 0.9957 0.000 1.000
#> GSM87930 2 0.000 0.9957 0.000 1.000
#> GSM87949 1 0.000 0.9756 1.000 0.000
#> GSM87869 1 0.000 0.9756 1.000 0.000
#> GSM87874 2 0.000 0.9957 0.000 1.000
#> GSM87902 2 0.000 0.9957 0.000 1.000
#> GSM87911 2 0.000 0.9957 0.000 1.000
#> GSM87939 2 0.000 0.9957 0.000 1.000
#> GSM87954 1 0.000 0.9756 1.000 0.000
#> GSM87865 1 0.000 0.9756 1.000 0.000
#> GSM87889 1 0.000 0.9756 1.000 0.000
#> GSM87898 1 0.000 0.9756 1.000 0.000
#> GSM87915 1 0.000 0.9756 1.000 0.000
#> GSM87936 2 0.000 0.9957 0.000 1.000
#> GSM87945 2 0.000 0.9957 0.000 1.000
#> GSM87855 2 0.000 0.9957 0.000 1.000
#> GSM87879 2 0.000 0.9957 0.000 1.000
#> GSM87922 2 0.000 0.9957 0.000 1.000
#> GSM87926 2 0.000 0.9957 0.000 1.000
#> GSM87958 1 0.000 0.9756 1.000 0.000
#> GSM87860 2 0.000 0.9957 0.000 1.000
#> GSM87884 1 0.000 0.9756 1.000 0.000
#> GSM87893 2 0.000 0.9957 0.000 1.000
#> GSM87918 1 0.844 0.6359 0.728 0.272
#> GSM87931 2 0.000 0.9957 0.000 1.000
#> GSM87950 1 0.000 0.9756 1.000 0.000
#> GSM87870 1 0.000 0.9756 1.000 0.000
#> GSM87875 2 0.000 0.9957 0.000 1.000
#> GSM87903 2 0.000 0.9957 0.000 1.000
#> GSM87912 1 0.000 0.9756 1.000 0.000
#> GSM87940 2 0.000 0.9957 0.000 1.000
#> GSM87866 1 0.000 0.9756 1.000 0.000
#> GSM87899 2 0.000 0.9957 0.000 1.000
#> GSM87937 2 0.000 0.9957 0.000 1.000
#> GSM87946 1 0.000 0.9756 1.000 0.000
#> GSM87856 2 0.000 0.9957 0.000 1.000
#> GSM87880 2 0.000 0.9957 0.000 1.000
#> GSM87908 1 0.833 0.6499 0.736 0.264
#> GSM87923 2 0.000 0.9957 0.000 1.000
#> GSM87927 2 0.000 0.9957 0.000 1.000
#> GSM87959 1 0.000 0.9756 1.000 0.000
#> GSM87861 2 0.000 0.9957 0.000 1.000
#> GSM87885 1 1.000 0.0747 0.512 0.488
#> GSM87894 1 0.000 0.9756 1.000 0.000
#> GSM87932 1 0.000 0.9756 1.000 0.000
#> GSM87951 1 0.000 0.9756 1.000 0.000
#> GSM87871 2 0.802 0.6626 0.244 0.756
#> GSM87876 1 0.494 0.8677 0.892 0.108
#> GSM87904 2 0.000 0.9957 0.000 1.000
#> GSM87913 1 0.000 0.9756 1.000 0.000
#> GSM87941 2 0.000 0.9957 0.000 1.000
#> GSM87955 1 0.000 0.9756 1.000 0.000
#> GSM87867 1 0.000 0.9756 1.000 0.000
#> GSM87890 2 0.000 0.9957 0.000 1.000
#> GSM87900 2 0.000 0.9957 0.000 1.000
#> GSM87916 2 0.000 0.9957 0.000 1.000
#> GSM87947 1 0.000 0.9756 1.000 0.000
#> GSM87857 2 0.000 0.9957 0.000 1.000
#> GSM87881 2 0.000 0.9957 0.000 1.000
#> GSM87909 1 0.000 0.9756 1.000 0.000
#> GSM87928 1 0.000 0.9756 1.000 0.000
#> GSM87960 1 0.000 0.9756 1.000 0.000
#> GSM87862 2 0.000 0.9957 0.000 1.000
#> GSM87886 1 0.000 0.9756 1.000 0.000
#> GSM87895 2 0.000 0.9957 0.000 1.000
#> GSM87919 1 0.000 0.9756 1.000 0.000
#> GSM87933 2 0.000 0.9957 0.000 1.000
#> GSM87952 1 0.000 0.9756 1.000 0.000
#> GSM87872 2 0.000 0.9957 0.000 1.000
#> GSM87877 1 0.000 0.9756 1.000 0.000
#> GSM87905 1 0.000 0.9756 1.000 0.000
#> GSM87914 2 0.000 0.9957 0.000 1.000
#> GSM87942 2 0.000 0.9957 0.000 1.000
#> GSM87956 1 0.000 0.9756 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 2 0.2448 0.913 0.076 0.924 0.000
#> GSM87887 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87896 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87934 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87943 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87906 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87920 2 0.2448 0.913 0.076 0.924 0.000
#> GSM87924 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87858 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87882 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87929 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87948 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87868 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87901 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87910 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87938 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87864 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87888 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87935 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87944 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87854 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87878 2 0.2625 0.905 0.084 0.916 0.000
#> GSM87907 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87921 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87925 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87957 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87930 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87949 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87902 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87911 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87939 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87954 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87865 1 0.4399 0.763 0.812 0.188 0.000
#> GSM87889 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87898 2 0.2959 0.888 0.100 0.900 0.000
#> GSM87915 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87936 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87945 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87855 3 0.2448 0.923 0.000 0.076 0.924
#> GSM87879 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87922 2 0.1529 0.946 0.000 0.960 0.040
#> GSM87926 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87958 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87860 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87884 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87918 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87931 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87950 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87870 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87875 3 0.2448 0.923 0.000 0.076 0.924
#> GSM87903 2 0.0892 0.963 0.000 0.980 0.020
#> GSM87912 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87940 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87866 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87899 2 0.0747 0.967 0.000 0.984 0.016
#> GSM87937 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87946 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87856 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87880 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87923 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87927 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87861 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87885 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87894 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87932 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87871 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87876 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87904 3 0.2448 0.923 0.000 0.076 0.924
#> GSM87913 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87941 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87867 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87890 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87900 2 0.6008 0.402 0.000 0.628 0.372
#> GSM87916 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87947 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87857 2 0.0747 0.967 0.000 0.984 0.016
#> GSM87881 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87928 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87862 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87886 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87895 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87919 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87933 3 0.0000 0.993 0.000 0.000 1.000
#> GSM87952 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87872 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87877 1 0.0000 0.994 1.000 0.000 0.000
#> GSM87905 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87914 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87942 2 0.0000 0.978 0.000 1.000 0.000
#> GSM87956 1 0.0000 0.994 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 4 0.4955 0.5699 0.344 0.008 0.000 0.648
#> GSM87887 4 0.0188 0.6279 0.004 0.000 0.000 0.996
#> GSM87896 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87934 3 0.0000 0.6902 0.000 0.000 1.000 0.000
#> GSM87943 2 0.6301 0.6269 0.104 0.636 0.260 0.000
#> GSM87853 3 0.5508 0.6427 0.020 0.408 0.572 0.000
#> GSM87906 2 0.4730 0.5646 0.000 0.636 0.364 0.000
#> GSM87920 4 0.4955 0.5699 0.344 0.008 0.000 0.648
#> GSM87924 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87858 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87882 2 0.4746 0.5592 0.000 0.632 0.368 0.000
#> GSM87891 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87917 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87929 3 0.3444 0.5319 0.000 0.184 0.816 0.000
#> GSM87948 4 0.0188 0.6279 0.004 0.000 0.000 0.996
#> GSM87868 4 0.4996 -0.7414 0.484 0.000 0.000 0.516
#> GSM87873 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87901 2 0.6454 0.6581 0.344 0.572 0.000 0.084
#> GSM87910 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87938 3 0.4730 0.6562 0.000 0.364 0.636 0.000
#> GSM87953 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87864 4 0.2408 0.6605 0.104 0.000 0.000 0.896
#> GSM87888 2 0.6795 0.6922 0.344 0.576 0.044 0.036
#> GSM87897 2 0.4730 0.5646 0.000 0.636 0.364 0.000
#> GSM87935 3 0.1302 0.6745 0.000 0.044 0.956 0.000
#> GSM87944 4 0.3024 0.3363 0.148 0.000 0.000 0.852
#> GSM87854 2 0.6663 0.6426 0.344 0.556 0.000 0.100
#> GSM87878 4 0.4955 0.5699 0.344 0.008 0.000 0.648
#> GSM87907 3 0.3751 0.5489 0.004 0.196 0.800 0.000
#> GSM87921 2 0.6585 0.7055 0.344 0.576 0.072 0.008
#> GSM87925 3 0.1637 0.6664 0.000 0.060 0.940 0.000
#> GSM87957 4 0.0000 0.6315 0.000 0.000 0.000 1.000
#> GSM87859 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87883 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87892 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87930 3 0.4905 0.6553 0.004 0.364 0.632 0.000
#> GSM87949 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87869 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87874 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87902 2 0.6454 0.6581 0.344 0.572 0.000 0.084
#> GSM87911 2 0.6894 0.6198 0.344 0.536 0.000 0.120
#> GSM87939 3 0.1637 0.6664 0.000 0.060 0.940 0.000
#> GSM87954 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87865 4 0.4643 0.5769 0.344 0.000 0.000 0.656
#> GSM87889 4 0.5649 0.5299 0.344 0.036 0.000 0.620
#> GSM87898 4 0.4955 0.5699 0.344 0.008 0.000 0.648
#> GSM87915 4 0.3486 0.2171 0.188 0.000 0.000 0.812
#> GSM87936 3 0.1792 0.6623 0.000 0.068 0.932 0.000
#> GSM87945 3 0.3448 0.5845 0.004 0.168 0.828 0.000
#> GSM87855 3 0.4991 0.0912 0.004 0.388 0.608 0.000
#> GSM87879 2 0.6398 0.7074 0.344 0.576 0.080 0.000
#> GSM87922 2 0.4746 0.5592 0.000 0.632 0.368 0.000
#> GSM87926 3 0.2921 0.5937 0.000 0.140 0.860 0.000
#> GSM87958 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87860 3 0.3448 0.5857 0.004 0.168 0.828 0.000
#> GSM87884 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87893 3 0.5371 0.6548 0.020 0.364 0.616 0.000
#> GSM87918 2 0.7808 0.4192 0.344 0.400 0.000 0.256
#> GSM87931 3 0.0000 0.6902 0.000 0.000 1.000 0.000
#> GSM87950 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87870 4 0.2408 0.6605 0.104 0.000 0.000 0.896
#> GSM87875 3 0.5151 -0.1658 0.004 0.464 0.532 0.000
#> GSM87903 2 0.4746 0.5592 0.000 0.632 0.368 0.000
#> GSM87912 1 0.4916 0.9056 0.576 0.000 0.000 0.424
#> GSM87940 3 0.4730 0.6562 0.000 0.364 0.636 0.000
#> GSM87866 4 0.0188 0.6279 0.004 0.000 0.000 0.996
#> GSM87899 2 0.4730 0.5646 0.000 0.636 0.364 0.000
#> GSM87937 3 0.0000 0.6902 0.000 0.000 1.000 0.000
#> GSM87946 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87856 2 0.5289 0.5802 0.020 0.636 0.344 0.000
#> GSM87880 2 0.6512 0.7069 0.344 0.576 0.076 0.004
#> GSM87908 2 0.7781 0.4354 0.344 0.408 0.000 0.248
#> GSM87923 2 0.4730 0.5646 0.000 0.636 0.364 0.000
#> GSM87927 2 0.6028 0.5895 0.052 0.584 0.364 0.000
#> GSM87959 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87861 3 0.3306 0.5980 0.004 0.156 0.840 0.000
#> GSM87885 2 0.7766 0.4428 0.344 0.412 0.000 0.244
#> GSM87894 4 0.0188 0.6279 0.004 0.000 0.000 0.996
#> GSM87932 4 0.0000 0.6315 0.000 0.000 0.000 1.000
#> GSM87951 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87871 2 0.7576 0.5096 0.344 0.452 0.000 0.204
#> GSM87876 2 0.7808 0.4192 0.344 0.400 0.000 0.256
#> GSM87904 3 0.5158 -0.1915 0.004 0.472 0.524 0.000
#> GSM87913 4 0.0188 0.6279 0.004 0.000 0.000 0.996
#> GSM87941 2 0.6028 0.5895 0.052 0.584 0.364 0.000
#> GSM87955 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87867 4 0.5478 0.5418 0.344 0.028 0.000 0.628
#> GSM87890 3 0.0592 0.6862 0.000 0.016 0.984 0.000
#> GSM87900 2 0.4761 0.5535 0.000 0.628 0.372 0.000
#> GSM87916 3 0.0592 0.6862 0.000 0.016 0.984 0.000
#> GSM87947 4 0.4522 -0.2925 0.320 0.000 0.000 0.680
#> GSM87857 2 0.4730 0.5646 0.000 0.636 0.364 0.000
#> GSM87881 2 0.6512 0.7069 0.344 0.576 0.076 0.004
#> GSM87909 4 0.5565 0.5361 0.344 0.032 0.000 0.624
#> GSM87928 4 0.0000 0.6315 0.000 0.000 0.000 1.000
#> GSM87960 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87862 3 0.4991 0.1081 0.004 0.388 0.608 0.000
#> GSM87886 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87895 3 0.0376 0.6898 0.004 0.004 0.992 0.000
#> GSM87919 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87933 3 0.0000 0.6902 0.000 0.000 1.000 0.000
#> GSM87952 1 0.4730 0.9954 0.636 0.000 0.000 0.364
#> GSM87872 2 0.6512 0.7069 0.344 0.576 0.076 0.004
#> GSM87877 4 0.0469 0.6368 0.012 0.000 0.000 0.988
#> GSM87905 4 0.5478 0.5418 0.344 0.028 0.000 0.628
#> GSM87914 2 0.6454 0.6581 0.344 0.572 0.000 0.084
#> GSM87942 2 0.6858 0.6895 0.340 0.576 0.040 0.044
#> GSM87956 1 0.4730 0.9954 0.636 0.000 0.000 0.364
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 5 0.3508 0.6182 0.000 0.252 0.000 0.000 0.748
#> GSM87887 5 0.0162 0.7990 0.000 0.000 0.000 0.004 0.996
#> GSM87896 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87934 4 0.6059 0.4081 0.204 0.000 0.220 0.576 0.000
#> GSM87943 4 0.4622 0.1717 0.012 0.440 0.000 0.548 0.000
#> GSM87853 3 0.2732 0.7744 0.000 0.000 0.840 0.160 0.000
#> GSM87906 2 0.4597 0.1893 0.012 0.564 0.000 0.424 0.000
#> GSM87920 5 0.3508 0.6182 0.000 0.252 0.000 0.000 0.748
#> GSM87924 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87858 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87882 4 0.4537 0.2770 0.012 0.396 0.000 0.592 0.000
#> GSM87891 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87917 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87929 4 0.6325 0.4405 0.204 0.024 0.168 0.604 0.000
#> GSM87948 5 0.0162 0.8001 0.000 0.004 0.000 0.000 0.996
#> GSM87868 5 0.3586 0.4116 0.264 0.000 0.000 0.000 0.736
#> GSM87873 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87901 2 0.1893 0.8150 0.000 0.928 0.000 0.048 0.024
#> GSM87910 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87938 3 0.6432 0.2512 0.204 0.000 0.492 0.304 0.000
#> GSM87953 1 0.3424 0.9513 0.760 0.000 0.000 0.000 0.240
#> GSM87864 5 0.2020 0.7870 0.000 0.100 0.000 0.000 0.900
#> GSM87888 2 0.1430 0.8080 0.000 0.944 0.000 0.052 0.004
#> GSM87897 4 0.4622 0.1757 0.012 0.440 0.000 0.548 0.000
#> GSM87935 4 0.6269 0.4284 0.204 0.012 0.196 0.588 0.000
#> GSM87944 5 0.2377 0.6799 0.128 0.000 0.000 0.000 0.872
#> GSM87854 2 0.1697 0.7987 0.008 0.932 0.000 0.060 0.000
#> GSM87878 5 0.3715 0.6096 0.000 0.260 0.000 0.004 0.736
#> GSM87907 4 0.2482 0.5745 0.000 0.084 0.024 0.892 0.000
#> GSM87921 2 0.1518 0.8092 0.004 0.944 0.000 0.048 0.004
#> GSM87925 4 0.6195 0.4259 0.204 0.008 0.200 0.588 0.000
#> GSM87957 5 0.0162 0.8001 0.000 0.004 0.000 0.000 0.996
#> GSM87859 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87883 1 0.3586 0.9367 0.736 0.000 0.000 0.000 0.264
#> GSM87892 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87930 3 0.4711 0.7036 0.148 0.000 0.736 0.116 0.000
#> GSM87949 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87869 1 0.3366 0.9510 0.768 0.000 0.000 0.000 0.232
#> GSM87874 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87902 2 0.1893 0.8150 0.000 0.928 0.000 0.048 0.024
#> GSM87911 2 0.1364 0.8122 0.000 0.952 0.000 0.036 0.012
#> GSM87939 4 0.6242 0.4312 0.204 0.012 0.192 0.592 0.000
#> GSM87954 1 0.3424 0.9513 0.760 0.000 0.000 0.000 0.240
#> GSM87865 5 0.3480 0.6233 0.000 0.248 0.000 0.000 0.752
#> GSM87889 2 0.3913 0.4883 0.000 0.676 0.000 0.000 0.324
#> GSM87898 5 0.3534 0.6159 0.000 0.256 0.000 0.000 0.744
#> GSM87915 5 0.2719 0.6546 0.144 0.000 0.000 0.004 0.852
#> GSM87936 4 0.6335 0.4305 0.204 0.016 0.192 0.588 0.000
#> GSM87945 4 0.4036 0.5569 0.012 0.132 0.052 0.804 0.000
#> GSM87855 4 0.3552 0.5664 0.012 0.164 0.012 0.812 0.000
#> GSM87879 2 0.2522 0.7511 0.012 0.880 0.000 0.108 0.000
#> GSM87922 4 0.3750 0.5131 0.012 0.232 0.000 0.756 0.000
#> GSM87926 4 0.6248 0.4380 0.204 0.016 0.180 0.600 0.000
#> GSM87958 1 0.3480 0.9487 0.752 0.000 0.000 0.000 0.248
#> GSM87860 4 0.2797 0.5597 0.000 0.060 0.060 0.880 0.000
#> GSM87884 1 0.3586 0.9367 0.736 0.000 0.000 0.000 0.264
#> GSM87893 3 0.1270 0.9146 0.000 0.000 0.948 0.052 0.000
#> GSM87918 2 0.2249 0.7876 0.000 0.896 0.000 0.008 0.096
#> GSM87931 4 0.6059 0.4081 0.204 0.000 0.220 0.576 0.000
#> GSM87950 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87870 5 0.2020 0.7870 0.000 0.100 0.000 0.000 0.900
#> GSM87875 4 0.3242 0.5679 0.012 0.172 0.000 0.816 0.000
#> GSM87903 4 0.3246 0.5594 0.008 0.184 0.000 0.808 0.000
#> GSM87912 5 0.4009 0.2537 0.312 0.000 0.000 0.004 0.684
#> GSM87940 4 0.6568 -0.0272 0.204 0.000 0.384 0.412 0.000
#> GSM87866 5 0.0162 0.7974 0.004 0.000 0.000 0.000 0.996
#> GSM87899 4 0.4387 0.3423 0.012 0.348 0.000 0.640 0.000
#> GSM87937 4 0.6059 0.4081 0.204 0.000 0.220 0.576 0.000
#> GSM87946 1 0.3480 0.9487 0.752 0.000 0.000 0.000 0.248
#> GSM87856 4 0.4622 0.1717 0.012 0.440 0.000 0.548 0.000
#> GSM87880 2 0.1430 0.8080 0.000 0.944 0.000 0.052 0.004
#> GSM87908 2 0.2462 0.7801 0.000 0.880 0.000 0.008 0.112
#> GSM87923 4 0.4622 0.1756 0.012 0.440 0.000 0.548 0.000
#> GSM87927 2 0.3160 0.6905 0.004 0.808 0.000 0.188 0.000
#> GSM87959 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87861 4 0.3392 0.5581 0.008 0.080 0.060 0.852 0.000
#> GSM87885 2 0.2127 0.7816 0.000 0.892 0.000 0.000 0.108
#> GSM87894 5 0.0162 0.7974 0.004 0.000 0.000 0.000 0.996
#> GSM87932 5 0.1205 0.8006 0.000 0.040 0.000 0.004 0.956
#> GSM87951 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87871 2 0.2230 0.7759 0.000 0.884 0.000 0.000 0.116
#> GSM87876 2 0.2329 0.7683 0.000 0.876 0.000 0.000 0.124
#> GSM87904 4 0.2127 0.5803 0.000 0.108 0.000 0.892 0.000
#> GSM87913 5 0.0162 0.7974 0.004 0.000 0.000 0.000 0.996
#> GSM87941 2 0.3496 0.6688 0.012 0.788 0.000 0.200 0.000
#> GSM87955 1 0.3424 0.9513 0.760 0.000 0.000 0.000 0.240
#> GSM87867 2 0.4182 0.3131 0.000 0.600 0.000 0.000 0.400
#> GSM87890 4 0.6059 0.4081 0.204 0.000 0.220 0.576 0.000
#> GSM87900 4 0.3053 0.5725 0.008 0.164 0.000 0.828 0.000
#> GSM87916 4 0.6059 0.4081 0.204 0.000 0.220 0.576 0.000
#> GSM87947 5 0.3305 0.5086 0.224 0.000 0.000 0.000 0.776
#> GSM87857 4 0.4387 0.3415 0.012 0.348 0.000 0.640 0.000
#> GSM87881 2 0.1270 0.8073 0.000 0.948 0.000 0.052 0.000
#> GSM87909 2 0.4225 0.4052 0.000 0.632 0.000 0.004 0.364
#> GSM87928 5 0.1205 0.8006 0.000 0.040 0.000 0.004 0.956
#> GSM87960 1 0.3480 0.9487 0.752 0.000 0.000 0.000 0.248
#> GSM87862 4 0.2358 0.5807 0.008 0.104 0.000 0.888 0.000
#> GSM87886 1 0.3480 0.9488 0.752 0.000 0.000 0.000 0.248
#> GSM87895 4 0.5867 0.4251 0.180 0.000 0.216 0.604 0.000
#> GSM87919 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87933 4 0.6059 0.4081 0.204 0.000 0.220 0.576 0.000
#> GSM87952 1 0.4811 0.9390 0.720 0.000 0.052 0.012 0.216
#> GSM87872 2 0.1732 0.8017 0.000 0.920 0.000 0.080 0.000
#> GSM87877 5 0.1410 0.7987 0.000 0.060 0.000 0.000 0.940
#> GSM87905 2 0.4367 0.2677 0.000 0.580 0.000 0.004 0.416
#> GSM87914 2 0.1661 0.8150 0.000 0.940 0.000 0.036 0.024
#> GSM87942 2 0.1608 0.8043 0.000 0.928 0.000 0.072 0.000
#> GSM87956 1 0.3424 0.9513 0.760 0.000 0.000 0.000 0.240
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.1938 0.886 0.000 0.000 0.008 0.020 0.052 0.920
#> GSM87887 6 0.2413 0.899 0.028 0.020 0.028 0.016 0.000 0.908
#> GSM87896 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87934 4 0.1584 0.958 0.000 0.064 0.008 0.928 0.000 0.000
#> GSM87943 2 0.2872 0.821 0.000 0.832 0.004 0.000 0.152 0.012
#> GSM87853 3 0.2609 0.835 0.000 0.096 0.868 0.036 0.000 0.000
#> GSM87906 5 0.4994 0.131 0.000 0.416 0.024 0.012 0.536 0.012
#> GSM87920 6 0.1938 0.886 0.000 0.000 0.008 0.020 0.052 0.920
#> GSM87924 3 0.2092 0.940 0.000 0.000 0.876 0.124 0.000 0.000
#> GSM87858 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87882 2 0.3825 0.779 0.000 0.764 0.016 0.008 0.200 0.012
#> GSM87891 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87917 1 0.2780 0.907 0.868 0.092 0.024 0.016 0.000 0.000
#> GSM87929 4 0.2182 0.939 0.000 0.068 0.020 0.904 0.008 0.000
#> GSM87948 6 0.0858 0.908 0.028 0.004 0.000 0.000 0.000 0.968
#> GSM87868 6 0.3221 0.778 0.220 0.004 0.004 0.000 0.000 0.772
#> GSM87873 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87901 5 0.2008 0.869 0.000 0.040 0.032 0.004 0.920 0.004
#> GSM87910 1 0.2780 0.907 0.868 0.092 0.024 0.016 0.000 0.000
#> GSM87938 4 0.2092 0.801 0.000 0.000 0.124 0.876 0.000 0.000
#> GSM87953 1 0.0547 0.928 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM87864 6 0.1465 0.905 0.020 0.000 0.004 0.004 0.024 0.948
#> GSM87888 5 0.1951 0.862 0.000 0.076 0.016 0.000 0.908 0.000
#> GSM87897 2 0.3930 0.796 0.000 0.772 0.024 0.012 0.180 0.012
#> GSM87935 4 0.1802 0.952 0.000 0.072 0.000 0.916 0.000 0.012
#> GSM87944 6 0.2809 0.831 0.168 0.004 0.004 0.000 0.000 0.824
#> GSM87854 5 0.3286 0.853 0.000 0.092 0.032 0.016 0.848 0.012
#> GSM87878 6 0.3882 0.852 0.000 0.024 0.044 0.036 0.072 0.824
#> GSM87907 2 0.3568 0.816 0.000 0.780 0.000 0.188 0.020 0.012
#> GSM87921 5 0.1888 0.868 0.000 0.068 0.012 0.004 0.916 0.000
#> GSM87925 4 0.1387 0.958 0.000 0.068 0.000 0.932 0.000 0.000
#> GSM87957 6 0.0713 0.908 0.028 0.000 0.000 0.000 0.000 0.972
#> GSM87859 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87883 1 0.1787 0.895 0.920 0.004 0.008 0.000 0.000 0.068
#> GSM87892 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87930 3 0.3868 0.254 0.000 0.000 0.508 0.492 0.000 0.000
#> GSM87949 1 0.2747 0.907 0.868 0.096 0.020 0.016 0.000 0.000
#> GSM87869 1 0.0603 0.928 0.980 0.000 0.004 0.000 0.000 0.016
#> GSM87874 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87902 5 0.2008 0.869 0.000 0.040 0.032 0.004 0.920 0.004
#> GSM87911 5 0.2724 0.865 0.000 0.076 0.032 0.016 0.876 0.000
#> GSM87939 4 0.1531 0.958 0.000 0.068 0.000 0.928 0.004 0.000
#> GSM87954 1 0.0547 0.928 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM87865 6 0.1760 0.890 0.000 0.000 0.004 0.020 0.048 0.928
#> GSM87889 5 0.3879 0.776 0.000 0.004 0.024 0.036 0.792 0.144
#> GSM87898 6 0.3150 0.859 0.000 0.012 0.024 0.036 0.064 0.864
#> GSM87915 6 0.3742 0.824 0.168 0.016 0.020 0.008 0.000 0.788
#> GSM87936 4 0.1802 0.952 0.000 0.072 0.000 0.916 0.000 0.012
#> GSM87945 2 0.3222 0.842 0.000 0.824 0.000 0.140 0.024 0.012
#> GSM87855 2 0.3293 0.847 0.000 0.824 0.000 0.132 0.032 0.012
#> GSM87879 5 0.2467 0.850 0.000 0.088 0.016 0.000 0.884 0.012
#> GSM87922 2 0.3994 0.848 0.000 0.792 0.008 0.116 0.072 0.012
#> GSM87926 4 0.1701 0.954 0.000 0.072 0.000 0.920 0.008 0.000
#> GSM87958 1 0.0713 0.926 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM87860 2 0.3386 0.818 0.000 0.788 0.000 0.188 0.016 0.008
#> GSM87884 1 0.1787 0.895 0.920 0.004 0.008 0.000 0.000 0.068
#> GSM87893 3 0.2048 0.942 0.000 0.000 0.880 0.120 0.000 0.000
#> GSM87918 5 0.1642 0.870 0.000 0.004 0.028 0.000 0.936 0.032
#> GSM87931 4 0.1728 0.959 0.000 0.064 0.008 0.924 0.004 0.000
#> GSM87950 1 0.2747 0.907 0.868 0.096 0.020 0.016 0.000 0.000
#> GSM87870 6 0.1321 0.906 0.020 0.000 0.004 0.000 0.024 0.952
#> GSM87875 2 0.3374 0.851 0.000 0.824 0.000 0.120 0.044 0.012
#> GSM87903 2 0.4746 0.826 0.000 0.736 0.024 0.152 0.076 0.012
#> GSM87912 6 0.4268 0.741 0.240 0.016 0.020 0.008 0.000 0.716
#> GSM87940 4 0.1501 0.876 0.000 0.000 0.076 0.924 0.000 0.000
#> GSM87866 6 0.0858 0.907 0.028 0.000 0.004 0.000 0.000 0.968
#> GSM87899 2 0.2744 0.836 0.000 0.840 0.000 0.016 0.144 0.000
#> GSM87937 4 0.1728 0.958 0.000 0.064 0.008 0.924 0.000 0.004
#> GSM87946 1 0.0713 0.926 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM87856 2 0.2692 0.824 0.000 0.840 0.000 0.000 0.148 0.012
#> GSM87880 5 0.1951 0.862 0.000 0.076 0.016 0.000 0.908 0.000
#> GSM87908 5 0.2553 0.861 0.000 0.016 0.024 0.020 0.900 0.040
#> GSM87923 2 0.3450 0.780 0.000 0.772 0.008 0.000 0.208 0.012
#> GSM87927 5 0.2786 0.844 0.000 0.080 0.024 0.008 0.876 0.012
#> GSM87959 1 0.2780 0.907 0.868 0.092 0.024 0.016 0.000 0.000
#> GSM87861 2 0.2989 0.824 0.000 0.812 0.000 0.176 0.008 0.004
#> GSM87885 5 0.1478 0.870 0.000 0.004 0.020 0.000 0.944 0.032
#> GSM87894 6 0.0858 0.907 0.028 0.000 0.004 0.000 0.000 0.968
#> GSM87932 6 0.3658 0.883 0.024 0.024 0.032 0.032 0.036 0.852
#> GSM87951 1 0.2747 0.907 0.868 0.096 0.020 0.016 0.000 0.000
#> GSM87871 5 0.2457 0.864 0.000 0.012 0.036 0.016 0.904 0.032
#> GSM87876 5 0.1552 0.869 0.000 0.004 0.020 0.000 0.940 0.036
#> GSM87904 2 0.3701 0.832 0.000 0.784 0.000 0.168 0.036 0.012
#> GSM87913 6 0.0858 0.907 0.028 0.000 0.004 0.000 0.000 0.968
#> GSM87941 5 0.2786 0.844 0.000 0.080 0.024 0.008 0.876 0.012
#> GSM87955 1 0.0547 0.928 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM87867 5 0.4783 0.700 0.000 0.020 0.028 0.032 0.712 0.208
#> GSM87890 4 0.1728 0.959 0.000 0.064 0.008 0.924 0.004 0.000
#> GSM87900 2 0.5233 0.720 0.000 0.652 0.024 0.252 0.060 0.012
#> GSM87916 4 0.1728 0.959 0.000 0.064 0.008 0.924 0.004 0.000
#> GSM87947 6 0.3163 0.786 0.212 0.004 0.004 0.000 0.000 0.780
#> GSM87857 2 0.2613 0.837 0.000 0.848 0.000 0.012 0.140 0.000
#> GSM87881 5 0.2203 0.862 0.000 0.084 0.016 0.004 0.896 0.000
#> GSM87909 5 0.4665 0.723 0.000 0.016 0.032 0.036 0.732 0.184
#> GSM87928 6 0.3658 0.883 0.024 0.024 0.032 0.032 0.036 0.852
#> GSM87960 1 0.0713 0.926 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM87862 2 0.4177 0.790 0.000 0.736 0.008 0.216 0.028 0.012
#> GSM87886 1 0.1116 0.923 0.960 0.004 0.008 0.000 0.000 0.028
#> GSM87895 4 0.3018 0.833 0.000 0.168 0.004 0.816 0.000 0.012
#> GSM87919 1 0.2747 0.907 0.868 0.096 0.020 0.016 0.000 0.000
#> GSM87933 4 0.1728 0.959 0.000 0.064 0.008 0.924 0.004 0.000
#> GSM87952 1 0.2747 0.907 0.868 0.096 0.020 0.016 0.000 0.000
#> GSM87872 5 0.2100 0.863 0.000 0.048 0.024 0.008 0.916 0.004
#> GSM87877 6 0.1774 0.907 0.024 0.004 0.000 0.016 0.020 0.936
#> GSM87905 5 0.4959 0.690 0.000 0.020 0.032 0.040 0.704 0.204
#> GSM87914 5 0.1490 0.872 0.000 0.024 0.016 0.004 0.948 0.008
#> GSM87942 5 0.1862 0.868 0.000 0.020 0.024 0.020 0.932 0.004
#> GSM87956 1 0.0547 0.928 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 time(p) agent(p) individual(p) k
#> ATC:kmeans 107 0.8353 0.73187 5.81e-05 2
#> ATC:kmeans 107 0.6313 0.02680 7.64e-08 3
#> ATC:kmeans 96 0.7501 0.00440 3.52e-07 4
#> ATC:kmeans 79 0.0197 0.00722 9.73e-04 5
#> ATC:kmeans 106 0.1549 0.03484 3.88e-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", "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 108 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 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 0.988 0.995 0.5029 0.498 0.498
#> 3 3 0.788 0.907 0.924 0.2408 0.864 0.728
#> 4 4 0.771 0.762 0.890 0.0837 0.945 0.854
#> 5 5 0.798 0.706 0.866 0.0447 0.965 0.897
#> 6 6 0.795 0.594 0.825 0.0320 0.919 0.759
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
#> GSM87863 1 0.000 0.998 1.000 0.000
#> GSM87887 1 0.000 0.998 1.000 0.000
#> GSM87896 2 0.000 0.991 0.000 1.000
#> GSM87934 2 0.000 0.991 0.000 1.000
#> GSM87943 2 0.000 0.991 0.000 1.000
#> GSM87853 2 0.000 0.991 0.000 1.000
#> GSM87906 2 0.000 0.991 0.000 1.000
#> GSM87920 1 0.000 0.998 1.000 0.000
#> GSM87924 2 0.000 0.991 0.000 1.000
#> GSM87858 2 0.000 0.991 0.000 1.000
#> GSM87882 2 0.000 0.991 0.000 1.000
#> GSM87891 2 0.000 0.991 0.000 1.000
#> GSM87917 1 0.000 0.998 1.000 0.000
#> GSM87929 2 0.000 0.991 0.000 1.000
#> GSM87948 1 0.000 0.998 1.000 0.000
#> GSM87868 1 0.000 0.998 1.000 0.000
#> GSM87873 2 0.000 0.991 0.000 1.000
#> GSM87901 2 0.000 0.991 0.000 1.000
#> GSM87910 1 0.000 0.998 1.000 0.000
#> GSM87938 2 0.000 0.991 0.000 1.000
#> GSM87953 1 0.000 0.998 1.000 0.000
#> GSM87864 1 0.000 0.998 1.000 0.000
#> GSM87888 2 0.000 0.991 0.000 1.000
#> GSM87897 2 0.000 0.991 0.000 1.000
#> GSM87935 2 0.000 0.991 0.000 1.000
#> GSM87944 1 0.000 0.998 1.000 0.000
#> GSM87854 2 0.738 0.738 0.208 0.792
#> GSM87878 1 0.000 0.998 1.000 0.000
#> GSM87907 2 0.000 0.991 0.000 1.000
#> GSM87921 2 0.000 0.991 0.000 1.000
#> GSM87925 2 0.000 0.991 0.000 1.000
#> GSM87957 1 0.000 0.998 1.000 0.000
#> GSM87859 2 0.000 0.991 0.000 1.000
#> GSM87883 1 0.000 0.998 1.000 0.000
#> GSM87892 2 0.000 0.991 0.000 1.000
#> GSM87930 2 0.000 0.991 0.000 1.000
#> GSM87949 1 0.000 0.998 1.000 0.000
#> GSM87869 1 0.000 0.998 1.000 0.000
#> GSM87874 2 0.000 0.991 0.000 1.000
#> GSM87902 2 0.000 0.991 0.000 1.000
#> GSM87911 1 0.482 0.882 0.896 0.104
#> GSM87939 2 0.000 0.991 0.000 1.000
#> GSM87954 1 0.000 0.998 1.000 0.000
#> GSM87865 1 0.000 0.998 1.000 0.000
#> GSM87889 1 0.000 0.998 1.000 0.000
#> GSM87898 1 0.000 0.998 1.000 0.000
#> GSM87915 1 0.000 0.998 1.000 0.000
#> GSM87936 2 0.000 0.991 0.000 1.000
#> GSM87945 2 0.000 0.991 0.000 1.000
#> GSM87855 2 0.000 0.991 0.000 1.000
#> GSM87879 2 0.000 0.991 0.000 1.000
#> GSM87922 2 0.000 0.991 0.000 1.000
#> GSM87926 2 0.000 0.991 0.000 1.000
#> GSM87958 1 0.000 0.998 1.000 0.000
#> GSM87860 2 0.000 0.991 0.000 1.000
#> GSM87884 1 0.000 0.998 1.000 0.000
#> GSM87893 2 0.000 0.991 0.000 1.000
#> GSM87918 1 0.000 0.998 1.000 0.000
#> GSM87931 2 0.000 0.991 0.000 1.000
#> GSM87950 1 0.000 0.998 1.000 0.000
#> GSM87870 1 0.000 0.998 1.000 0.000
#> GSM87875 2 0.000 0.991 0.000 1.000
#> GSM87903 2 0.000 0.991 0.000 1.000
#> GSM87912 1 0.000 0.998 1.000 0.000
#> GSM87940 2 0.000 0.991 0.000 1.000
#> GSM87866 1 0.000 0.998 1.000 0.000
#> GSM87899 2 0.000 0.991 0.000 1.000
#> GSM87937 2 0.000 0.991 0.000 1.000
#> GSM87946 1 0.000 0.998 1.000 0.000
#> GSM87856 2 0.000 0.991 0.000 1.000
#> GSM87880 2 0.000 0.991 0.000 1.000
#> GSM87908 1 0.000 0.998 1.000 0.000
#> GSM87923 2 0.000 0.991 0.000 1.000
#> GSM87927 2 0.000 0.991 0.000 1.000
#> GSM87959 1 0.000 0.998 1.000 0.000
#> GSM87861 2 0.000 0.991 0.000 1.000
#> GSM87885 1 0.000 0.998 1.000 0.000
#> GSM87894 1 0.000 0.998 1.000 0.000
#> GSM87932 1 0.000 0.998 1.000 0.000
#> GSM87951 1 0.000 0.998 1.000 0.000
#> GSM87871 1 0.000 0.998 1.000 0.000
#> GSM87876 1 0.000 0.998 1.000 0.000
#> GSM87904 2 0.000 0.991 0.000 1.000
#> GSM87913 1 0.000 0.998 1.000 0.000
#> GSM87941 2 0.000 0.991 0.000 1.000
#> GSM87955 1 0.000 0.998 1.000 0.000
#> GSM87867 1 0.000 0.998 1.000 0.000
#> GSM87890 2 0.000 0.991 0.000 1.000
#> GSM87900 2 0.000 0.991 0.000 1.000
#> GSM87916 2 0.000 0.991 0.000 1.000
#> GSM87947 1 0.000 0.998 1.000 0.000
#> GSM87857 2 0.000 0.991 0.000 1.000
#> GSM87881 2 0.000 0.991 0.000 1.000
#> GSM87909 1 0.000 0.998 1.000 0.000
#> GSM87928 1 0.000 0.998 1.000 0.000
#> GSM87960 1 0.000 0.998 1.000 0.000
#> GSM87862 2 0.000 0.991 0.000 1.000
#> GSM87886 1 0.000 0.998 1.000 0.000
#> GSM87895 2 0.000 0.991 0.000 1.000
#> GSM87919 1 0.000 0.998 1.000 0.000
#> GSM87933 2 0.000 0.991 0.000 1.000
#> GSM87952 1 0.000 0.998 1.000 0.000
#> GSM87872 2 0.000 0.991 0.000 1.000
#> GSM87877 1 0.000 0.998 1.000 0.000
#> GSM87905 1 0.000 0.998 1.000 0.000
#> GSM87914 2 0.850 0.622 0.276 0.724
#> GSM87942 2 0.000 0.991 0.000 1.000
#> GSM87956 1 0.000 0.998 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87887 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87896 2 0.2878 0.859 0.000 0.904 0.096
#> GSM87934 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87943 3 0.4555 0.907 0.000 0.200 0.800
#> GSM87853 3 0.4750 0.903 0.000 0.216 0.784
#> GSM87906 2 0.1031 0.900 0.000 0.976 0.024
#> GSM87920 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87924 2 0.1529 0.891 0.000 0.960 0.040
#> GSM87858 2 0.3482 0.830 0.000 0.872 0.128
#> GSM87882 3 0.4931 0.896 0.000 0.232 0.768
#> GSM87891 2 0.2356 0.877 0.000 0.928 0.072
#> GSM87917 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87929 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87948 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87868 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87873 2 0.3482 0.830 0.000 0.872 0.128
#> GSM87901 2 0.4796 0.726 0.000 0.780 0.220
#> GSM87910 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87938 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87864 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87888 3 0.3941 0.847 0.000 0.156 0.844
#> GSM87897 2 0.3412 0.837 0.000 0.876 0.124
#> GSM87935 2 0.0424 0.905 0.000 0.992 0.008
#> GSM87944 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87854 3 0.4555 0.907 0.000 0.200 0.800
#> GSM87878 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87907 2 0.3482 0.830 0.000 0.872 0.128
#> GSM87921 2 0.2537 0.862 0.000 0.920 0.080
#> GSM87925 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87957 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87859 3 0.6154 0.628 0.000 0.408 0.592
#> GSM87883 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87892 2 0.3482 0.830 0.000 0.872 0.128
#> GSM87930 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87874 3 0.5098 0.887 0.000 0.248 0.752
#> GSM87902 2 0.4796 0.726 0.000 0.780 0.220
#> GSM87911 3 0.7078 0.682 0.200 0.088 0.712
#> GSM87939 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87954 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87865 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87889 1 0.0237 0.982 0.996 0.000 0.004
#> GSM87898 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87915 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87936 2 0.0424 0.905 0.000 0.992 0.008
#> GSM87945 3 0.4555 0.907 0.000 0.200 0.800
#> GSM87855 3 0.4654 0.906 0.000 0.208 0.792
#> GSM87879 3 0.4504 0.905 0.000 0.196 0.804
#> GSM87922 3 0.5591 0.842 0.000 0.304 0.696
#> GSM87926 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87860 2 0.3686 0.814 0.000 0.860 0.140
#> GSM87884 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87893 2 0.3482 0.830 0.000 0.872 0.128
#> GSM87918 1 0.3551 0.870 0.868 0.000 0.132
#> GSM87931 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87950 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87870 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87875 3 0.4555 0.907 0.000 0.200 0.800
#> GSM87903 2 0.1031 0.900 0.000 0.976 0.024
#> GSM87912 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87940 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87866 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87899 3 0.5706 0.800 0.000 0.320 0.680
#> GSM87937 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87946 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87856 3 0.4555 0.907 0.000 0.200 0.800
#> GSM87880 3 0.1964 0.706 0.000 0.056 0.944
#> GSM87908 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87923 3 0.4887 0.898 0.000 0.228 0.772
#> GSM87927 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87861 3 0.5560 0.829 0.000 0.300 0.700
#> GSM87885 1 0.4702 0.787 0.788 0.000 0.212
#> GSM87894 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87932 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87871 1 0.4504 0.804 0.804 0.000 0.196
#> GSM87876 1 0.4654 0.791 0.792 0.000 0.208
#> GSM87904 2 0.3482 0.830 0.000 0.872 0.128
#> GSM87913 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87941 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87867 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87890 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87900 2 0.1031 0.900 0.000 0.976 0.024
#> GSM87916 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87947 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87857 3 0.5098 0.885 0.000 0.248 0.752
#> GSM87881 2 0.5706 0.578 0.000 0.680 0.320
#> GSM87909 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87928 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87862 2 0.1031 0.900 0.000 0.976 0.024
#> GSM87886 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87895 2 0.1031 0.900 0.000 0.976 0.024
#> GSM87919 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87933 2 0.0000 0.906 0.000 1.000 0.000
#> GSM87952 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87872 2 0.4504 0.724 0.000 0.804 0.196
#> GSM87877 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87905 1 0.0000 0.986 1.000 0.000 0.000
#> GSM87914 2 0.5122 0.709 0.012 0.788 0.200
#> GSM87942 2 0.4504 0.724 0.000 0.804 0.196
#> GSM87956 1 0.0000 0.986 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87887 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87896 4 0.4072 0.67774 0.000 0.000 0.252 0.748
#> GSM87934 4 0.0188 0.80512 0.000 0.000 0.004 0.996
#> GSM87943 3 0.1388 0.78191 0.000 0.012 0.960 0.028
#> GSM87853 3 0.2216 0.78834 0.000 0.000 0.908 0.092
#> GSM87906 4 0.2271 0.78887 0.000 0.008 0.076 0.916
#> GSM87920 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87924 4 0.1022 0.80147 0.000 0.000 0.032 0.968
#> GSM87858 4 0.4406 0.62225 0.000 0.000 0.300 0.700
#> GSM87882 3 0.6170 0.63326 0.000 0.136 0.672 0.192
#> GSM87891 4 0.3688 0.71911 0.000 0.000 0.208 0.792
#> GSM87917 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87948 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87868 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87873 4 0.4406 0.62225 0.000 0.000 0.300 0.700
#> GSM87901 4 0.6707 -0.00511 0.000 0.444 0.088 0.468
#> GSM87910 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87864 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87888 2 0.5903 0.23962 0.000 0.616 0.332 0.052
#> GSM87897 4 0.5055 0.52839 0.000 0.008 0.368 0.624
#> GSM87935 4 0.0336 0.80508 0.000 0.000 0.008 0.992
#> GSM87944 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87854 3 0.1610 0.75895 0.000 0.032 0.952 0.016
#> GSM87878 1 0.0817 0.95148 0.976 0.024 0.000 0.000
#> GSM87907 4 0.4406 0.62225 0.000 0.000 0.300 0.700
#> GSM87921 4 0.5123 0.62526 0.000 0.044 0.232 0.724
#> GSM87925 4 0.0188 0.80512 0.000 0.000 0.004 0.996
#> GSM87957 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87859 3 0.4843 0.29522 0.000 0.000 0.604 0.396
#> GSM87883 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87892 4 0.4406 0.62225 0.000 0.000 0.300 0.700
#> GSM87930 4 0.0188 0.80512 0.000 0.000 0.004 0.996
#> GSM87949 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87874 3 0.4624 0.46136 0.000 0.000 0.660 0.340
#> GSM87902 2 0.6969 -0.12538 0.000 0.448 0.112 0.440
#> GSM87911 3 0.5474 0.40862 0.188 0.060 0.740 0.012
#> GSM87939 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87954 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87865 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87889 1 0.4855 0.26980 0.600 0.400 0.000 0.000
#> GSM87898 1 0.0188 0.96962 0.996 0.004 0.000 0.000
#> GSM87915 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87936 4 0.0336 0.80508 0.000 0.000 0.008 0.992
#> GSM87945 3 0.1677 0.78989 0.000 0.012 0.948 0.040
#> GSM87855 3 0.1677 0.78989 0.000 0.012 0.948 0.040
#> GSM87879 3 0.6326 0.25934 0.000 0.376 0.556 0.068
#> GSM87922 4 0.5406 -0.06649 0.000 0.012 0.480 0.508
#> GSM87926 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87958 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87860 4 0.4761 0.48591 0.000 0.000 0.372 0.628
#> GSM87884 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87893 4 0.4406 0.62225 0.000 0.000 0.300 0.700
#> GSM87918 1 0.5323 0.39044 0.628 0.352 0.020 0.000
#> GSM87931 4 0.0188 0.80512 0.000 0.000 0.004 0.996
#> GSM87950 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87870 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87875 3 0.2741 0.78556 0.000 0.012 0.892 0.096
#> GSM87903 4 0.2611 0.78311 0.000 0.008 0.096 0.896
#> GSM87912 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87866 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87899 3 0.1716 0.79089 0.000 0.000 0.936 0.064
#> GSM87937 4 0.0188 0.80512 0.000 0.000 0.004 0.996
#> GSM87946 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87856 3 0.1488 0.78524 0.000 0.012 0.956 0.032
#> GSM87880 2 0.5096 0.47291 0.000 0.760 0.156 0.084
#> GSM87908 1 0.2928 0.85288 0.880 0.108 0.012 0.000
#> GSM87923 3 0.2676 0.75843 0.000 0.012 0.896 0.092
#> GSM87927 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87959 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87861 3 0.3444 0.71412 0.000 0.000 0.816 0.184
#> GSM87885 2 0.2831 0.58132 0.120 0.876 0.004 0.000
#> GSM87894 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87932 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87871 2 0.5322 0.45508 0.312 0.660 0.028 0.000
#> GSM87876 2 0.3448 0.57462 0.168 0.828 0.004 0.000
#> GSM87904 4 0.4406 0.62225 0.000 0.000 0.300 0.700
#> GSM87913 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87941 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87955 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87867 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87890 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87900 4 0.2124 0.79076 0.000 0.008 0.068 0.924
#> GSM87916 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87947 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87857 3 0.2408 0.78194 0.000 0.000 0.896 0.104
#> GSM87881 2 0.5159 0.38521 0.000 0.624 0.012 0.364
#> GSM87909 1 0.2401 0.87927 0.904 0.092 0.004 0.000
#> GSM87928 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87862 4 0.3074 0.76111 0.000 0.000 0.152 0.848
#> GSM87886 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87895 4 0.2530 0.78072 0.000 0.000 0.112 0.888
#> GSM87919 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.80425 0.000 0.000 0.000 1.000
#> GSM87952 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87872 4 0.4767 0.45565 0.000 0.256 0.020 0.724
#> GSM87877 1 0.0000 0.97300 1.000 0.000 0.000 0.000
#> GSM87905 1 0.2401 0.87927 0.904 0.092 0.004 0.000
#> GSM87914 4 0.5526 0.08467 0.000 0.416 0.020 0.564
#> GSM87942 4 0.4963 0.40665 0.000 0.284 0.020 0.696
#> GSM87956 1 0.0000 0.97300 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
#> GSM87863 1 0.0162 0.951 0.996 0.004 0.000 0.000 0.000
#> GSM87887 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87896 4 0.4928 0.591 0.000 0.056 0.284 0.660 0.000
#> GSM87934 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87943 3 0.1267 0.719 0.000 0.012 0.960 0.004 0.024
#> GSM87853 3 0.2959 0.715 0.000 0.036 0.864 0.100 0.000
#> GSM87906 4 0.4559 0.678 0.000 0.152 0.100 0.748 0.000
#> GSM87920 1 0.0162 0.951 0.996 0.004 0.000 0.000 0.000
#> GSM87924 4 0.2079 0.736 0.000 0.020 0.064 0.916 0.000
#> GSM87858 4 0.5129 0.538 0.000 0.056 0.328 0.616 0.000
#> GSM87882 3 0.6472 0.389 0.000 0.004 0.504 0.308 0.184
#> GSM87891 4 0.4793 0.615 0.000 0.056 0.260 0.684 0.000
#> GSM87917 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87948 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87868 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87873 4 0.5129 0.538 0.000 0.056 0.328 0.616 0.000
#> GSM87901 2 0.2800 0.442 0.000 0.892 0.016 0.040 0.052
#> GSM87910 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87953 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87864 1 0.0162 0.951 0.996 0.004 0.000 0.000 0.000
#> GSM87888 5 0.2006 0.691 0.000 0.000 0.072 0.012 0.916
#> GSM87897 4 0.6244 0.218 0.000 0.144 0.412 0.444 0.000
#> GSM87935 4 0.0000 0.751 0.000 0.000 0.000 1.000 0.000
#> GSM87944 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87854 3 0.2770 0.640 0.000 0.076 0.880 0.000 0.044
#> GSM87878 1 0.0671 0.936 0.980 0.004 0.000 0.000 0.016
#> GSM87907 4 0.5113 0.544 0.000 0.056 0.324 0.620 0.000
#> GSM87921 4 0.6625 0.321 0.000 0.188 0.244 0.548 0.020
#> GSM87925 4 0.0290 0.750 0.000 0.008 0.000 0.992 0.000
#> GSM87957 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87859 4 0.5403 0.235 0.000 0.056 0.456 0.488 0.000
#> GSM87883 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87892 4 0.5129 0.538 0.000 0.056 0.328 0.616 0.000
#> GSM87930 4 0.0000 0.751 0.000 0.000 0.000 1.000 0.000
#> GSM87949 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87874 3 0.5178 -0.245 0.000 0.040 0.484 0.476 0.000
#> GSM87902 2 0.2747 0.440 0.000 0.896 0.020 0.036 0.048
#> GSM87911 3 0.5852 0.325 0.116 0.152 0.684 0.000 0.048
#> GSM87939 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87954 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87865 1 0.0162 0.951 0.996 0.004 0.000 0.000 0.000
#> GSM87889 1 0.4430 0.152 0.540 0.004 0.000 0.000 0.456
#> GSM87898 1 0.1638 0.888 0.932 0.064 0.000 0.000 0.004
#> GSM87915 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87936 4 0.0000 0.751 0.000 0.000 0.000 1.000 0.000
#> GSM87945 3 0.1059 0.728 0.000 0.004 0.968 0.008 0.020
#> GSM87855 3 0.0854 0.730 0.000 0.004 0.976 0.008 0.012
#> GSM87879 5 0.5360 0.236 0.000 0.000 0.384 0.060 0.556
#> GSM87922 4 0.4925 0.423 0.000 0.020 0.344 0.624 0.012
#> GSM87926 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87958 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87860 4 0.5294 0.439 0.000 0.056 0.380 0.564 0.000
#> GSM87884 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87893 4 0.5129 0.538 0.000 0.056 0.328 0.616 0.000
#> GSM87918 2 0.5476 0.164 0.388 0.544 0.000 0.000 0.068
#> GSM87931 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87950 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87870 1 0.0162 0.951 0.996 0.004 0.000 0.000 0.000
#> GSM87875 3 0.2864 0.717 0.000 0.000 0.864 0.112 0.024
#> GSM87903 4 0.5049 0.649 0.000 0.148 0.148 0.704 0.000
#> GSM87912 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87940 4 0.0290 0.750 0.000 0.008 0.000 0.992 0.000
#> GSM87866 1 0.0162 0.951 0.996 0.004 0.000 0.000 0.000
#> GSM87899 3 0.2209 0.719 0.000 0.056 0.912 0.032 0.000
#> GSM87937 4 0.0000 0.751 0.000 0.000 0.000 1.000 0.000
#> GSM87946 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87856 3 0.1059 0.724 0.000 0.008 0.968 0.004 0.020
#> GSM87880 5 0.1281 0.698 0.000 0.000 0.032 0.012 0.956
#> GSM87908 1 0.5083 0.159 0.540 0.428 0.004 0.000 0.028
#> GSM87923 3 0.2550 0.689 0.000 0.004 0.892 0.084 0.020
#> GSM87927 4 0.0000 0.751 0.000 0.000 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.4666 0.516 0.000 0.056 0.704 0.240 0.000
#> GSM87885 5 0.1661 0.684 0.024 0.036 0.000 0.000 0.940
#> GSM87894 1 0.0162 0.951 0.996 0.004 0.000 0.000 0.000
#> GSM87932 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.5502 0.444 0.132 0.144 0.024 0.000 0.700
#> GSM87876 5 0.1408 0.681 0.044 0.008 0.000 0.000 0.948
#> GSM87904 4 0.5113 0.544 0.000 0.056 0.324 0.620 0.000
#> GSM87913 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87941 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87955 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87867 1 0.0771 0.934 0.976 0.020 0.000 0.000 0.004
#> GSM87890 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87900 4 0.4058 0.694 0.000 0.152 0.064 0.784 0.000
#> GSM87916 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87947 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87857 3 0.3043 0.713 0.000 0.056 0.864 0.080 0.000
#> GSM87881 5 0.4714 0.310 0.000 0.032 0.000 0.324 0.644
#> GSM87909 1 0.4639 0.356 0.612 0.368 0.000 0.000 0.020
#> GSM87928 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87862 4 0.4639 0.635 0.000 0.056 0.236 0.708 0.000
#> GSM87886 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87895 4 0.4496 0.650 0.000 0.056 0.216 0.728 0.000
#> GSM87919 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0404 0.749 0.000 0.012 0.000 0.988 0.000
#> GSM87952 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87872 4 0.4869 0.381 0.000 0.192 0.000 0.712 0.096
#> GSM87877 1 0.0000 0.953 1.000 0.000 0.000 0.000 0.000
#> GSM87905 1 0.4588 0.334 0.604 0.380 0.000 0.000 0.016
#> GSM87914 2 0.5297 0.229 0.000 0.580 0.000 0.360 0.060
#> GSM87942 4 0.5052 -0.127 0.000 0.412 0.000 0.552 0.036
#> GSM87956 1 0.0000 0.953 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
#> GSM87863 1 0.0790 0.9264 0.968 0.000 0.000 0.000 0.000 0.032
#> GSM87887 1 0.0146 0.9420 0.996 0.000 0.000 0.000 0.004 0.000
#> GSM87896 3 0.3999 0.2622 0.000 0.004 0.500 0.496 0.000 0.000
#> GSM87934 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 3 0.2848 0.2595 0.000 0.000 0.816 0.000 0.008 0.176
#> GSM87853 3 0.1714 0.5412 0.000 0.000 0.908 0.092 0.000 0.000
#> GSM87906 4 0.5482 0.3175 0.000 0.292 0.160 0.548 0.000 0.000
#> GSM87920 1 0.0547 0.9339 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM87924 4 0.2883 0.5219 0.000 0.000 0.212 0.788 0.000 0.000
#> GSM87858 3 0.3991 0.3324 0.000 0.004 0.524 0.472 0.000 0.000
#> GSM87882 3 0.6899 0.3583 0.000 0.000 0.452 0.284 0.176 0.088
#> GSM87891 4 0.3989 -0.2164 0.000 0.004 0.468 0.528 0.000 0.000
#> GSM87917 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87948 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87868 1 0.0146 0.9424 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87873 3 0.3991 0.3324 0.000 0.004 0.524 0.472 0.000 0.000
#> GSM87901 2 0.1226 0.3493 0.000 0.952 0.004 0.004 0.040 0.000
#> GSM87910 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87864 1 0.0790 0.9264 0.968 0.000 0.000 0.000 0.000 0.032
#> GSM87888 5 0.1667 0.6706 0.000 0.008 0.044 0.004 0.936 0.008
#> GSM87897 3 0.5966 0.2608 0.000 0.256 0.448 0.296 0.000 0.000
#> GSM87935 4 0.1204 0.7206 0.000 0.000 0.056 0.944 0.000 0.000
#> GSM87944 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87854 3 0.4117 -0.3703 0.000 0.004 0.528 0.000 0.004 0.464
#> GSM87878 1 0.1503 0.8951 0.944 0.016 0.000 0.000 0.032 0.008
#> GSM87907 3 0.3991 0.3324 0.000 0.004 0.524 0.472 0.000 0.000
#> GSM87921 4 0.7575 -0.0552 0.000 0.156 0.192 0.348 0.004 0.300
#> GSM87925 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87957 1 0.0146 0.9424 0.996 0.000 0.000 0.000 0.000 0.004
#> GSM87859 3 0.3756 0.4724 0.000 0.004 0.644 0.352 0.000 0.000
#> GSM87883 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87892 3 0.3991 0.3324 0.000 0.004 0.524 0.472 0.000 0.000
#> GSM87930 4 0.1007 0.7289 0.000 0.000 0.044 0.956 0.000 0.000
#> GSM87949 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87874 3 0.3684 0.4559 0.000 0.000 0.628 0.372 0.000 0.000
#> GSM87902 2 0.1226 0.3493 0.000 0.952 0.004 0.004 0.040 0.000
#> GSM87911 6 0.4550 0.1639 0.020 0.028 0.296 0.000 0.000 0.656
#> GSM87939 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87865 1 0.0790 0.9264 0.968 0.000 0.000 0.000 0.000 0.032
#> GSM87889 1 0.4564 -0.0298 0.500 0.008 0.000 0.000 0.472 0.020
#> GSM87898 1 0.2119 0.8614 0.904 0.036 0.000 0.000 0.000 0.060
#> GSM87915 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87936 4 0.1075 0.7265 0.000 0.000 0.048 0.952 0.000 0.000
#> GSM87945 3 0.2466 0.3619 0.000 0.000 0.872 0.008 0.008 0.112
#> GSM87855 3 0.2213 0.3771 0.000 0.000 0.888 0.008 0.004 0.100
#> GSM87879 5 0.5299 0.3152 0.000 0.000 0.320 0.040 0.592 0.048
#> GSM87922 4 0.5004 0.2357 0.000 0.000 0.276 0.624 0.004 0.096
#> GSM87926 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87860 3 0.3944 0.3932 0.000 0.004 0.568 0.428 0.000 0.000
#> GSM87884 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87893 3 0.3991 0.3324 0.000 0.004 0.524 0.472 0.000 0.000
#> GSM87918 2 0.6646 -0.0354 0.312 0.368 0.000 0.000 0.028 0.292
#> GSM87931 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87870 1 0.0790 0.9264 0.968 0.000 0.000 0.000 0.000 0.032
#> GSM87875 3 0.4050 0.4857 0.000 0.000 0.780 0.104 0.016 0.100
#> GSM87903 4 0.5783 0.2052 0.000 0.292 0.212 0.496 0.000 0.000
#> GSM87912 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87940 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 1 0.0790 0.9264 0.968 0.000 0.000 0.000 0.000 0.032
#> GSM87899 3 0.1296 0.4951 0.000 0.004 0.948 0.044 0.000 0.004
#> GSM87937 4 0.0713 0.7381 0.000 0.000 0.028 0.972 0.000 0.000
#> GSM87946 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87856 3 0.2848 0.2593 0.000 0.000 0.816 0.000 0.008 0.176
#> GSM87880 5 0.0748 0.6783 0.000 0.000 0.016 0.004 0.976 0.004
#> GSM87908 6 0.5824 0.0629 0.216 0.300 0.000 0.000 0.000 0.484
#> GSM87923 3 0.3958 0.3539 0.000 0.000 0.784 0.096 0.012 0.108
#> GSM87927 4 0.0260 0.7472 0.000 0.000 0.000 0.992 0.000 0.008
#> GSM87959 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87861 3 0.2838 0.5655 0.000 0.004 0.808 0.188 0.000 0.000
#> GSM87885 5 0.1577 0.6678 0.008 0.036 0.000 0.000 0.940 0.016
#> GSM87894 1 0.0632 0.9315 0.976 0.000 0.000 0.000 0.000 0.024
#> GSM87932 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87951 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 5 0.6882 0.1590 0.096 0.120 0.012 0.000 0.500 0.272
#> GSM87876 5 0.1167 0.6727 0.008 0.012 0.000 0.000 0.960 0.020
#> GSM87904 3 0.3991 0.3324 0.000 0.004 0.524 0.472 0.000 0.000
#> GSM87913 1 0.0458 0.9361 0.984 0.000 0.000 0.000 0.000 0.016
#> GSM87941 4 0.0260 0.7456 0.000 0.000 0.000 0.992 0.000 0.008
#> GSM87955 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 1 0.2113 0.8554 0.896 0.008 0.000 0.000 0.004 0.092
#> GSM87890 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87900 4 0.5454 0.3284 0.000 0.300 0.152 0.548 0.000 0.000
#> GSM87916 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87947 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87857 3 0.1588 0.5265 0.000 0.004 0.924 0.072 0.000 0.000
#> GSM87881 5 0.5448 0.2077 0.000 0.024 0.004 0.360 0.552 0.060
#> GSM87909 1 0.6013 -0.3260 0.432 0.292 0.000 0.000 0.000 0.276
#> GSM87928 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87960 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87862 4 0.4057 -0.1127 0.000 0.008 0.436 0.556 0.000 0.000
#> GSM87886 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87895 4 0.3923 -0.0319 0.000 0.004 0.416 0.580 0.000 0.000
#> GSM87919 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.7504 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87872 4 0.5849 0.2741 0.000 0.180 0.000 0.628 0.080 0.112
#> GSM87877 1 0.0000 0.9442 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87905 1 0.5978 -0.3001 0.444 0.296 0.000 0.000 0.000 0.260
#> GSM87914 2 0.6436 0.1949 0.000 0.392 0.000 0.312 0.016 0.280
#> GSM87942 4 0.6047 -0.1627 0.000 0.244 0.000 0.520 0.016 0.220
#> GSM87956 1 0.0000 0.9442 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 time(p) agent(p) individual(p) k
#> ATC:skmeans 108 0.746 0.582 3.81e-05 2
#> ATC:skmeans 108 0.443 0.295 1.67e-08 3
#> ATC:skmeans 91 0.341 0.550 2.54e-08 4
#> ATC:skmeans 87 0.401 0.490 2.98e-11 5
#> ATC:skmeans 66 0.615 0.788 2.17e-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", "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 108 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 1.000 0.965 0.983 0.4617 0.545 0.545
#> 3 3 0.981 0.944 0.973 0.3975 0.809 0.650
#> 4 4 0.926 0.903 0.936 0.1293 0.878 0.670
#> 5 5 0.800 0.678 0.854 0.0798 0.952 0.825
#> 6 6 0.794 0.677 0.836 0.0403 0.927 0.708
suggest_best_k() suggests the best \(k\) based on these statistics. The rules are as follows:
suggest_best_k(res)
#> [1] 4
#> attr(,"optional")
#> [1] 2 3
There is also optional best \(k\) = 2 3 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
#> GSM87863 1 0.5946 0.824 0.856 0.144
#> GSM87887 1 0.0000 0.996 1.000 0.000
#> GSM87896 2 0.0000 0.976 0.000 1.000
#> GSM87934 2 0.0000 0.976 0.000 1.000
#> GSM87943 2 0.0000 0.976 0.000 1.000
#> GSM87853 2 0.0000 0.976 0.000 1.000
#> GSM87906 2 0.0000 0.976 0.000 1.000
#> GSM87920 2 0.6531 0.818 0.168 0.832
#> GSM87924 2 0.0000 0.976 0.000 1.000
#> GSM87858 2 0.0000 0.976 0.000 1.000
#> GSM87882 2 0.0000 0.976 0.000 1.000
#> GSM87891 2 0.0000 0.976 0.000 1.000
#> GSM87917 1 0.0000 0.996 1.000 0.000
#> GSM87929 2 0.0000 0.976 0.000 1.000
#> GSM87948 1 0.0000 0.996 1.000 0.000
#> GSM87868 1 0.0000 0.996 1.000 0.000
#> GSM87873 2 0.0000 0.976 0.000 1.000
#> GSM87901 2 0.1633 0.962 0.024 0.976
#> GSM87910 1 0.0000 0.996 1.000 0.000
#> GSM87938 2 0.0000 0.976 0.000 1.000
#> GSM87953 1 0.0000 0.996 1.000 0.000
#> GSM87864 1 0.0000 0.996 1.000 0.000
#> GSM87888 2 0.0376 0.974 0.004 0.996
#> GSM87897 2 0.0000 0.976 0.000 1.000
#> GSM87935 2 0.0000 0.976 0.000 1.000
#> GSM87944 1 0.0000 0.996 1.000 0.000
#> GSM87854 2 0.1414 0.964 0.020 0.980
#> GSM87878 2 0.9833 0.312 0.424 0.576
#> GSM87907 2 0.0000 0.976 0.000 1.000
#> GSM87921 2 0.0000 0.976 0.000 1.000
#> GSM87925 2 0.0000 0.976 0.000 1.000
#> GSM87957 1 0.0000 0.996 1.000 0.000
#> GSM87859 2 0.0000 0.976 0.000 1.000
#> GSM87883 1 0.0000 0.996 1.000 0.000
#> GSM87892 2 0.0000 0.976 0.000 1.000
#> GSM87930 2 0.0000 0.976 0.000 1.000
#> GSM87949 1 0.0000 0.996 1.000 0.000
#> GSM87869 1 0.0000 0.996 1.000 0.000
#> GSM87874 2 0.0000 0.976 0.000 1.000
#> GSM87902 2 0.1633 0.962 0.024 0.976
#> GSM87911 2 0.1633 0.962 0.024 0.976
#> GSM87939 2 0.0000 0.976 0.000 1.000
#> GSM87954 1 0.0000 0.996 1.000 0.000
#> GSM87865 1 0.0000 0.996 1.000 0.000
#> GSM87889 2 0.3879 0.922 0.076 0.924
#> GSM87898 2 0.9044 0.567 0.320 0.680
#> GSM87915 1 0.0000 0.996 1.000 0.000
#> GSM87936 2 0.0000 0.976 0.000 1.000
#> GSM87945 2 0.0000 0.976 0.000 1.000
#> GSM87855 2 0.0000 0.976 0.000 1.000
#> GSM87879 2 0.0000 0.976 0.000 1.000
#> GSM87922 2 0.0000 0.976 0.000 1.000
#> GSM87926 2 0.0000 0.976 0.000 1.000
#> GSM87958 1 0.0000 0.996 1.000 0.000
#> GSM87860 2 0.0000 0.976 0.000 1.000
#> GSM87884 1 0.0000 0.996 1.000 0.000
#> GSM87893 2 0.0000 0.976 0.000 1.000
#> GSM87918 2 0.3879 0.922 0.076 0.924
#> GSM87931 2 0.0000 0.976 0.000 1.000
#> GSM87950 1 0.0000 0.996 1.000 0.000
#> GSM87870 1 0.0000 0.996 1.000 0.000
#> GSM87875 2 0.0000 0.976 0.000 1.000
#> GSM87903 2 0.0000 0.976 0.000 1.000
#> GSM87912 1 0.0000 0.996 1.000 0.000
#> GSM87940 2 0.0000 0.976 0.000 1.000
#> GSM87866 1 0.0000 0.996 1.000 0.000
#> GSM87899 2 0.0000 0.976 0.000 1.000
#> GSM87937 2 0.0000 0.976 0.000 1.000
#> GSM87946 1 0.0000 0.996 1.000 0.000
#> GSM87856 2 0.0000 0.976 0.000 1.000
#> GSM87880 2 0.0000 0.976 0.000 1.000
#> GSM87908 2 0.3879 0.922 0.076 0.924
#> GSM87923 2 0.0000 0.976 0.000 1.000
#> GSM87927 2 0.0000 0.976 0.000 1.000
#> GSM87959 1 0.0000 0.996 1.000 0.000
#> GSM87861 2 0.0000 0.976 0.000 1.000
#> GSM87885 2 0.3879 0.922 0.076 0.924
#> GSM87894 1 0.0000 0.996 1.000 0.000
#> GSM87932 1 0.0000 0.996 1.000 0.000
#> GSM87951 1 0.0000 0.996 1.000 0.000
#> GSM87871 2 0.2948 0.941 0.052 0.948
#> GSM87876 2 0.3879 0.922 0.076 0.924
#> GSM87904 2 0.0000 0.976 0.000 1.000
#> GSM87913 1 0.0000 0.996 1.000 0.000
#> GSM87941 2 0.0000 0.976 0.000 1.000
#> GSM87955 1 0.0000 0.996 1.000 0.000
#> GSM87867 2 0.3879 0.922 0.076 0.924
#> GSM87890 2 0.0000 0.976 0.000 1.000
#> GSM87900 2 0.0000 0.976 0.000 1.000
#> GSM87916 2 0.0000 0.976 0.000 1.000
#> GSM87947 1 0.0000 0.996 1.000 0.000
#> GSM87857 2 0.0000 0.976 0.000 1.000
#> GSM87881 2 0.0000 0.976 0.000 1.000
#> GSM87909 2 0.3879 0.922 0.076 0.924
#> GSM87928 1 0.0000 0.996 1.000 0.000
#> GSM87960 1 0.0000 0.996 1.000 0.000
#> GSM87862 2 0.0000 0.976 0.000 1.000
#> GSM87886 1 0.0000 0.996 1.000 0.000
#> GSM87895 2 0.0000 0.976 0.000 1.000
#> GSM87919 1 0.0000 0.996 1.000 0.000
#> GSM87933 2 0.0000 0.976 0.000 1.000
#> GSM87952 1 0.0000 0.996 1.000 0.000
#> GSM87872 2 0.0000 0.976 0.000 1.000
#> GSM87877 1 0.0000 0.996 1.000 0.000
#> GSM87905 2 0.3879 0.922 0.076 0.924
#> GSM87914 2 0.1633 0.962 0.024 0.976
#> GSM87942 2 0.0376 0.974 0.004 0.996
#> GSM87956 1 0.0000 0.996 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.4796 0.722 0.780 0.220 0.000
#> GSM87887 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87896 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87934 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87943 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87853 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87906 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87920 2 0.2796 0.873 0.092 0.908 0.000
#> GSM87924 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87858 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87882 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87891 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87917 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87929 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87948 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87868 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87873 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87901 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87910 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87938 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87953 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87864 1 0.2165 0.928 0.936 0.064 0.000
#> GSM87888 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87897 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87935 2 0.3879 0.842 0.000 0.848 0.152
#> GSM87944 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87854 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87878 2 0.5859 0.469 0.344 0.656 0.000
#> GSM87907 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87921 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87925 3 0.6045 0.393 0.000 0.380 0.620
#> GSM87957 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87859 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87883 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87892 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87930 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87949 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87869 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87874 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87902 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87911 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87939 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87954 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87865 1 0.2165 0.928 0.936 0.064 0.000
#> GSM87889 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87898 2 0.4931 0.691 0.232 0.768 0.000
#> GSM87915 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87936 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87945 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87855 2 0.2537 0.921 0.000 0.920 0.080
#> GSM87879 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87922 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87926 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87958 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87860 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87884 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87893 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87918 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87931 3 0.1289 0.942 0.000 0.032 0.968
#> GSM87950 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87870 1 0.2165 0.928 0.936 0.064 0.000
#> GSM87875 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87903 2 0.2066 0.934 0.000 0.940 0.060
#> GSM87912 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87940 3 0.0000 0.960 0.000 0.000 1.000
#> GSM87866 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87899 2 0.0237 0.958 0.000 0.996 0.004
#> GSM87937 3 0.0592 0.955 0.000 0.012 0.988
#> GSM87946 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87856 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87880 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87908 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87923 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87927 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87959 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87861 3 0.2537 0.897 0.000 0.080 0.920
#> GSM87885 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87894 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87932 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87951 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87871 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87876 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87904 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87913 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87941 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87955 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87867 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87890 3 0.3482 0.851 0.000 0.128 0.872
#> GSM87900 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87916 3 0.4062 0.807 0.000 0.164 0.836
#> GSM87947 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87857 2 0.1529 0.943 0.000 0.960 0.040
#> GSM87881 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87909 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87928 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87960 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87862 2 0.2165 0.932 0.000 0.936 0.064
#> GSM87886 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87895 3 0.0592 0.955 0.000 0.012 0.988
#> GSM87919 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87933 3 0.0592 0.955 0.000 0.012 0.988
#> GSM87952 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87872 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87877 1 0.0000 0.987 1.000 0.000 0.000
#> GSM87905 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87914 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87942 2 0.0000 0.959 0.000 1.000 0.000
#> GSM87956 1 0.0000 0.987 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87887 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87896 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87934 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87943 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87853 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87906 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87920 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87924 3 0.0707 0.930 0.000 0.000 0.980 0.020
#> GSM87858 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87882 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87891 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87917 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87929 2 0.1637 0.950 0.000 0.940 0.060 0.000
#> GSM87948 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87868 4 0.2408 0.870 0.104 0.000 0.000 0.896
#> GSM87873 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87901 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87910 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87938 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87864 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87888 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87897 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87935 2 0.3074 0.861 0.000 0.848 0.152 0.000
#> GSM87944 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87854 2 0.2281 0.878 0.000 0.904 0.000 0.096
#> GSM87878 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87907 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87921 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87925 3 0.4790 0.371 0.000 0.380 0.620 0.000
#> GSM87957 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87859 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87883 1 0.3942 0.740 0.764 0.000 0.000 0.236
#> GSM87892 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87930 3 0.0336 0.929 0.000 0.000 0.992 0.008
#> GSM87949 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87874 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87902 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87911 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87939 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87954 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87865 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87889 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87898 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87915 1 0.4164 0.701 0.736 0.000 0.000 0.264
#> GSM87936 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87945 3 0.1022 0.930 0.000 0.000 0.968 0.032
#> GSM87855 2 0.2399 0.936 0.000 0.920 0.048 0.032
#> GSM87879 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87922 2 0.1637 0.950 0.000 0.940 0.060 0.000
#> GSM87926 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87958 1 0.0336 0.909 0.992 0.000 0.000 0.008
#> GSM87860 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87884 1 0.3801 0.758 0.780 0.000 0.000 0.220
#> GSM87893 3 0.1637 0.927 0.000 0.000 0.940 0.060
#> GSM87918 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87931 3 0.1022 0.914 0.000 0.032 0.968 0.000
#> GSM87950 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87870 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87875 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87903 2 0.1557 0.952 0.000 0.944 0.056 0.000
#> GSM87912 1 0.3801 0.758 0.780 0.000 0.000 0.220
#> GSM87940 3 0.0000 0.928 0.000 0.000 1.000 0.000
#> GSM87866 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87899 2 0.0188 0.970 0.000 0.996 0.004 0.000
#> GSM87937 3 0.0469 0.925 0.000 0.012 0.988 0.000
#> GSM87946 1 0.0188 0.911 0.996 0.000 0.000 0.004
#> GSM87856 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87880 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87908 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87923 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87927 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87959 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87861 3 0.2011 0.871 0.000 0.080 0.920 0.000
#> GSM87885 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87894 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87932 1 0.3942 0.740 0.764 0.000 0.000 0.236
#> GSM87951 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87871 2 0.0188 0.968 0.000 0.996 0.000 0.004
#> GSM87876 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87904 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87913 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87941 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87955 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87867 4 0.1637 0.919 0.000 0.060 0.000 0.940
#> GSM87890 3 0.2760 0.825 0.000 0.128 0.872 0.000
#> GSM87900 2 0.1637 0.950 0.000 0.940 0.060 0.000
#> GSM87916 3 0.3219 0.784 0.000 0.164 0.836 0.000
#> GSM87947 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87857 2 0.1118 0.960 0.000 0.964 0.036 0.000
#> GSM87881 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87909 4 0.4994 0.172 0.000 0.480 0.000 0.520
#> GSM87928 1 0.4977 0.251 0.540 0.000 0.000 0.460
#> GSM87960 1 0.2814 0.833 0.868 0.000 0.000 0.132
#> GSM87862 2 0.1716 0.948 0.000 0.936 0.064 0.000
#> GSM87886 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87895 3 0.0469 0.925 0.000 0.012 0.988 0.000
#> GSM87919 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87933 3 0.0469 0.925 0.000 0.012 0.988 0.000
#> GSM87952 1 0.0000 0.912 1.000 0.000 0.000 0.000
#> GSM87872 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87877 4 0.1637 0.913 0.060 0.000 0.000 0.940
#> GSM87905 4 0.2868 0.839 0.000 0.136 0.000 0.864
#> GSM87914 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87942 2 0.0000 0.971 0.000 1.000 0.000 0.000
#> GSM87956 1 0.0000 0.912 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
#> GSM87863 5 0.0000 0.9163 0.000 0.000 0.000 0.000 1.000
#> GSM87887 5 0.0162 0.9167 0.004 0.000 0.000 0.000 0.996
#> GSM87896 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87934 4 0.4262 0.6986 0.000 0.000 0.440 0.560 0.000
#> GSM87943 3 0.4273 0.0997 0.000 0.448 0.552 0.000 0.000
#> GSM87853 4 0.4138 -0.1893 0.000 0.000 0.384 0.616 0.000
#> GSM87906 2 0.0000 0.7597 0.000 1.000 0.000 0.000 0.000
#> GSM87920 5 0.0000 0.9163 0.000 0.000 0.000 0.000 1.000
#> GSM87924 4 0.4192 0.6941 0.000 0.000 0.404 0.596 0.000
#> GSM87858 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87882 2 0.3074 0.6655 0.000 0.804 0.196 0.000 0.000
#> GSM87891 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87917 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87929 2 0.0404 0.7555 0.000 0.988 0.012 0.000 0.000
#> GSM87948 5 0.0162 0.9167 0.004 0.000 0.000 0.000 0.996
#> GSM87868 5 0.1270 0.8776 0.052 0.000 0.000 0.000 0.948
#> GSM87873 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87901 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87910 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87938 4 0.4262 0.6986 0.000 0.000 0.440 0.560 0.000
#> GSM87953 1 0.0000 0.9042 1.000 0.000 0.000 0.000 0.000
#> GSM87864 5 0.0000 0.9163 0.000 0.000 0.000 0.000 1.000
#> GSM87888 2 0.3010 0.6905 0.000 0.824 0.172 0.000 0.004
#> GSM87897 2 0.0000 0.7597 0.000 1.000 0.000 0.000 0.000
#> GSM87935 2 0.4410 0.2102 0.000 0.556 0.440 0.004 0.000
#> GSM87944 5 0.0290 0.9150 0.008 0.000 0.000 0.000 0.992
#> GSM87854 2 0.4238 0.3562 0.000 0.628 0.368 0.000 0.004
#> GSM87878 5 0.2732 0.7668 0.000 0.000 0.160 0.000 0.840
#> GSM87907 2 0.4283 0.1886 0.000 0.544 0.456 0.000 0.000
#> GSM87921 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87925 4 0.5337 0.6286 0.000 0.052 0.440 0.508 0.000
#> GSM87957 5 0.0162 0.9167 0.004 0.000 0.000 0.000 0.996
#> GSM87859 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87883 1 0.3730 0.6670 0.712 0.000 0.000 0.000 0.288
#> GSM87892 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87930 4 0.4227 0.6973 0.000 0.000 0.420 0.580 0.000
#> GSM87949 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87869 1 0.0000 0.9042 1.000 0.000 0.000 0.000 0.000
#> GSM87874 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87902 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87911 2 0.1892 0.7356 0.000 0.916 0.080 0.000 0.004
#> GSM87939 2 0.4262 0.2171 0.000 0.560 0.440 0.000 0.000
#> GSM87954 1 0.0000 0.9042 1.000 0.000 0.000 0.000 0.000
#> GSM87865 5 0.0000 0.9163 0.000 0.000 0.000 0.000 1.000
#> GSM87889 5 0.2852 0.7517 0.000 0.000 0.172 0.000 0.828
#> GSM87898 5 0.0000 0.9163 0.000 0.000 0.000 0.000 1.000
#> GSM87915 1 0.3876 0.6200 0.684 0.000 0.000 0.000 0.316
#> GSM87936 2 0.4262 0.2171 0.000 0.560 0.440 0.000 0.000
#> GSM87945 3 0.4196 0.4405 0.000 0.004 0.640 0.356 0.000
#> GSM87855 3 0.4268 0.4492 0.000 0.008 0.648 0.344 0.000
#> GSM87879 2 0.3010 0.6905 0.000 0.824 0.172 0.000 0.004
#> GSM87922 2 0.2773 0.6953 0.000 0.836 0.164 0.000 0.000
#> GSM87926 2 0.4171 0.2839 0.000 0.604 0.396 0.000 0.000
#> GSM87958 1 0.0290 0.9016 0.992 0.000 0.000 0.000 0.008
#> GSM87860 3 0.3318 0.2673 0.000 0.180 0.808 0.012 0.000
#> GSM87884 1 0.3612 0.6945 0.732 0.000 0.000 0.000 0.268
#> GSM87893 4 0.0000 0.5840 0.000 0.000 0.000 1.000 0.000
#> GSM87918 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87931 4 0.4262 0.6986 0.000 0.000 0.440 0.560 0.000
#> GSM87950 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87870 5 0.0000 0.9163 0.000 0.000 0.000 0.000 1.000
#> GSM87875 3 0.0609 0.3463 0.000 0.020 0.980 0.000 0.000
#> GSM87903 2 0.0000 0.7597 0.000 1.000 0.000 0.000 0.000
#> GSM87912 1 0.3636 0.6891 0.728 0.000 0.000 0.000 0.272
#> GSM87940 4 0.4262 0.6986 0.000 0.000 0.440 0.560 0.000
#> GSM87866 5 0.0162 0.9167 0.004 0.000 0.000 0.000 0.996
#> GSM87899 2 0.2966 0.5610 0.000 0.816 0.184 0.000 0.000
#> GSM87937 4 0.4262 0.6986 0.000 0.000 0.440 0.560 0.000
#> GSM87946 1 0.0290 0.9015 0.992 0.000 0.000 0.000 0.008
#> GSM87856 3 0.4268 0.1094 0.000 0.444 0.556 0.000 0.000
#> GSM87880 2 0.3010 0.6905 0.000 0.824 0.172 0.000 0.004
#> GSM87908 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87923 2 0.2852 0.6896 0.000 0.828 0.172 0.000 0.000
#> GSM87927 2 0.0000 0.7597 0.000 1.000 0.000 0.000 0.000
#> GSM87959 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87861 3 0.5410 0.2590 0.000 0.072 0.584 0.344 0.000
#> GSM87885 2 0.3010 0.6905 0.000 0.824 0.172 0.000 0.004
#> GSM87894 5 0.0162 0.9167 0.004 0.000 0.000 0.000 0.996
#> GSM87932 1 0.3752 0.6633 0.708 0.000 0.000 0.000 0.292
#> GSM87951 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87871 2 0.3010 0.6905 0.000 0.824 0.172 0.000 0.004
#> GSM87876 2 0.3010 0.6905 0.000 0.824 0.172 0.000 0.004
#> GSM87904 2 0.2929 0.5904 0.000 0.820 0.180 0.000 0.000
#> GSM87913 5 0.0162 0.9167 0.004 0.000 0.000 0.000 0.996
#> GSM87941 2 0.0000 0.7597 0.000 1.000 0.000 0.000 0.000
#> GSM87955 1 0.0000 0.9042 1.000 0.000 0.000 0.000 0.000
#> GSM87867 5 0.0000 0.9163 0.000 0.000 0.000 0.000 1.000
#> GSM87890 4 0.4410 0.6949 0.000 0.004 0.440 0.556 0.000
#> GSM87900 2 0.0000 0.7597 0.000 1.000 0.000 0.000 0.000
#> GSM87916 4 0.4410 0.6949 0.000 0.004 0.440 0.556 0.000
#> GSM87947 5 0.0290 0.9150 0.008 0.000 0.000 0.000 0.992
#> GSM87857 2 0.4138 0.0525 0.000 0.616 0.384 0.000 0.000
#> GSM87881 2 0.3010 0.6905 0.000 0.824 0.172 0.000 0.004
#> GSM87909 5 0.4278 0.1998 0.000 0.452 0.000 0.000 0.548
#> GSM87928 5 0.4304 -0.1281 0.484 0.000 0.000 0.000 0.516
#> GSM87960 1 0.2966 0.7812 0.816 0.000 0.000 0.000 0.184
#> GSM87862 2 0.4262 0.2123 0.000 0.560 0.440 0.000 0.000
#> GSM87886 1 0.0000 0.9042 1.000 0.000 0.000 0.000 0.000
#> GSM87895 4 0.4268 0.6959 0.000 0.000 0.444 0.556 0.000
#> GSM87919 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87933 4 0.4262 0.6986 0.000 0.000 0.440 0.560 0.000
#> GSM87952 1 0.0162 0.9041 0.996 0.000 0.004 0.000 0.000
#> GSM87872 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87877 5 0.0162 0.9167 0.004 0.000 0.000 0.000 0.996
#> GSM87905 5 0.1671 0.8465 0.000 0.076 0.000 0.000 0.924
#> GSM87914 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87942 2 0.0162 0.7602 0.000 0.996 0.000 0.000 0.004
#> GSM87956 1 0.0000 0.9042 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
#> GSM87863 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87887 6 0.0363 0.88900 0.012 0.000 0.000 0.000 0.000 0.988
#> GSM87896 3 0.2527 0.83528 0.000 0.000 0.832 0.168 0.000 0.000
#> GSM87934 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87943 5 0.5305 0.27174 0.000 0.404 0.104 0.000 0.492 0.000
#> GSM87853 3 0.2491 0.62497 0.000 0.000 0.836 0.000 0.164 0.000
#> GSM87906 2 0.0146 0.68569 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM87920 6 0.0146 0.89259 0.000 0.004 0.000 0.000 0.000 0.996
#> GSM87924 4 0.0865 0.84393 0.000 0.000 0.036 0.964 0.000 0.000
#> GSM87858 3 0.2527 0.83528 0.000 0.000 0.832 0.168 0.000 0.000
#> GSM87882 2 0.3797 0.31955 0.000 0.580 0.000 0.000 0.420 0.000
#> GSM87891 3 0.2527 0.83528 0.000 0.000 0.832 0.168 0.000 0.000
#> GSM87917 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87929 2 0.1814 0.59380 0.000 0.900 0.000 0.100 0.000 0.000
#> GSM87948 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87868 6 0.1863 0.82672 0.104 0.000 0.000 0.000 0.000 0.896
#> GSM87873 3 0.2527 0.83528 0.000 0.000 0.832 0.168 0.000 0.000
#> GSM87901 2 0.0000 0.68666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87910 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87938 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0000 0.80202 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87864 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87888 2 0.3789 0.32343 0.000 0.584 0.000 0.000 0.416 0.000
#> GSM87897 2 0.0260 0.68379 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM87935 4 0.2527 0.77834 0.000 0.168 0.000 0.832 0.000 0.000
#> GSM87944 6 0.1327 0.85656 0.064 0.000 0.000 0.000 0.000 0.936
#> GSM87854 2 0.4258 0.08972 0.000 0.516 0.016 0.000 0.468 0.000
#> GSM87878 6 0.2994 0.71679 0.000 0.004 0.000 0.000 0.208 0.788
#> GSM87907 4 0.2768 0.78246 0.000 0.156 0.012 0.832 0.000 0.000
#> GSM87921 2 0.0000 0.68666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87925 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87957 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87859 3 0.2454 0.83140 0.000 0.000 0.840 0.160 0.000 0.000
#> GSM87883 1 0.1957 0.74617 0.888 0.000 0.000 0.000 0.000 0.112
#> GSM87892 3 0.2527 0.83528 0.000 0.000 0.832 0.168 0.000 0.000
#> GSM87930 4 0.0547 0.85854 0.000 0.000 0.020 0.980 0.000 0.000
#> GSM87949 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87869 1 0.0000 0.80202 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87874 3 0.2527 0.83528 0.000 0.000 0.832 0.168 0.000 0.000
#> GSM87902 2 0.0000 0.68666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87911 2 0.3101 0.50846 0.000 0.756 0.000 0.000 0.244 0.000
#> GSM87939 4 0.2527 0.77834 0.000 0.168 0.000 0.832 0.000 0.000
#> GSM87954 1 0.0000 0.80202 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87865 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87889 6 0.4025 0.35065 0.000 0.008 0.000 0.000 0.416 0.576
#> GSM87898 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87915 1 0.3244 0.59579 0.732 0.000 0.000 0.000 0.000 0.268
#> GSM87936 4 0.2527 0.77834 0.000 0.168 0.000 0.832 0.000 0.000
#> GSM87945 3 0.4473 0.49640 0.000 0.000 0.676 0.072 0.252 0.000
#> GSM87855 3 0.4548 0.49530 0.000 0.000 0.672 0.080 0.248 0.000
#> GSM87879 2 0.3789 0.32343 0.000 0.584 0.000 0.000 0.416 0.000
#> GSM87922 2 0.3563 0.41802 0.000 0.664 0.000 0.000 0.336 0.000
#> GSM87926 4 0.2912 0.70947 0.000 0.216 0.000 0.784 0.000 0.000
#> GSM87958 1 0.0000 0.80202 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87860 4 0.5713 0.12241 0.000 0.000 0.352 0.476 0.172 0.000
#> GSM87884 1 0.1957 0.74617 0.888 0.000 0.000 0.000 0.000 0.112
#> GSM87893 3 0.2527 0.83528 0.000 0.000 0.832 0.168 0.000 0.000
#> GSM87918 2 0.0000 0.68666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87931 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87870 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87875 5 0.5460 -0.00108 0.000 0.004 0.108 0.396 0.492 0.000
#> GSM87903 2 0.0260 0.68379 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM87912 1 0.1814 0.75534 0.900 0.000 0.000 0.000 0.000 0.100
#> GSM87940 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87866 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87899 2 0.2302 0.53745 0.000 0.872 0.008 0.000 0.120 0.000
#> GSM87937 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87946 1 0.0000 0.80202 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87856 5 0.5743 0.31408 0.000 0.404 0.168 0.000 0.428 0.000
#> GSM87880 2 0.3789 0.32343 0.000 0.584 0.000 0.000 0.416 0.000
#> GSM87908 2 0.0260 0.68076 0.000 0.992 0.000 0.000 0.000 0.008
#> GSM87923 2 0.3515 0.42775 0.000 0.676 0.000 0.000 0.324 0.000
#> GSM87927 2 0.0146 0.68569 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM87959 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87861 3 0.5471 0.37032 0.000 0.000 0.560 0.268 0.172 0.000
#> GSM87885 2 0.3789 0.32343 0.000 0.584 0.000 0.000 0.416 0.000
#> GSM87894 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87932 1 0.3428 0.56593 0.696 0.000 0.000 0.000 0.000 0.304
#> GSM87951 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87871 2 0.3789 0.32343 0.000 0.584 0.000 0.000 0.416 0.000
#> GSM87876 2 0.3789 0.32343 0.000 0.584 0.000 0.000 0.416 0.000
#> GSM87904 2 0.3163 0.40398 0.000 0.808 0.012 0.172 0.008 0.000
#> GSM87913 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87941 2 0.0146 0.68569 0.000 0.996 0.000 0.000 0.004 0.000
#> GSM87955 1 0.0000 0.80202 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.0146 0.89259 0.000 0.004 0.000 0.000 0.000 0.996
#> GSM87890 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87900 2 0.0260 0.68379 0.000 0.992 0.000 0.000 0.008 0.000
#> GSM87916 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87947 6 0.2454 0.77085 0.160 0.000 0.000 0.000 0.000 0.840
#> GSM87857 2 0.4893 0.10426 0.000 0.660 0.168 0.000 0.172 0.000
#> GSM87881 2 0.3782 0.32866 0.000 0.588 0.000 0.000 0.412 0.000
#> GSM87909 6 0.3789 0.32422 0.000 0.416 0.000 0.000 0.000 0.584
#> GSM87928 6 0.3864 -0.10003 0.480 0.000 0.000 0.000 0.000 0.520
#> GSM87960 1 0.0260 0.79945 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87862 4 0.3020 0.77782 0.000 0.156 0.012 0.824 0.008 0.000
#> GSM87886 1 0.0000 0.80202 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87895 4 0.0363 0.86897 0.000 0.000 0.012 0.988 0.000 0.000
#> GSM87919 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87933 4 0.0000 0.87353 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.3782 0.71151 0.588 0.000 0.000 0.000 0.412 0.000
#> GSM87872 2 0.0000 0.68666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87877 6 0.0000 0.89438 0.000 0.000 0.000 0.000 0.000 1.000
#> GSM87905 6 0.1556 0.83735 0.000 0.080 0.000 0.000 0.000 0.920
#> GSM87914 2 0.0000 0.68666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87942 2 0.0000 0.68666 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87956 1 0.0000 0.80202 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 time(p) agent(p) individual(p) k
#> ATC:pam 107 0.993 0.33891 8.77e-07 2
#> ATC:pam 106 0.618 0.02119 1.33e-05 3
#> ATC:pam 105 0.782 0.00154 1.10e-05 4
#> ATC:pam 90 0.618 0.00552 1.07e-07 5
#> ATC:pam 85 0.592 0.06387 1.33e-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 108 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 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 0.958 0.983 0.4064 0.587 0.587
#> 3 3 0.464 0.555 0.716 0.4099 0.721 0.533
#> 4 4 0.460 0.471 0.709 0.1691 0.823 0.563
#> 5 5 0.581 0.606 0.765 0.1166 0.857 0.578
#> 6 6 0.633 0.610 0.784 0.0746 0.911 0.637
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
#> GSM87863 2 0.000 0.992 0.000 1.000
#> GSM87887 2 0.204 0.959 0.032 0.968
#> GSM87896 2 0.000 0.992 0.000 1.000
#> GSM87934 2 0.000 0.992 0.000 1.000
#> GSM87943 2 0.000 0.992 0.000 1.000
#> GSM87853 2 0.000 0.992 0.000 1.000
#> GSM87906 2 0.000 0.992 0.000 1.000
#> GSM87920 2 0.358 0.918 0.068 0.932
#> GSM87924 2 0.000 0.992 0.000 1.000
#> GSM87858 2 0.000 0.992 0.000 1.000
#> GSM87882 2 0.000 0.992 0.000 1.000
#> GSM87891 2 0.000 0.992 0.000 1.000
#> GSM87917 1 0.000 0.955 1.000 0.000
#> GSM87929 2 0.000 0.992 0.000 1.000
#> GSM87948 1 0.000 0.955 1.000 0.000
#> GSM87868 1 0.000 0.955 1.000 0.000
#> GSM87873 2 0.000 0.992 0.000 1.000
#> GSM87901 2 0.000 0.992 0.000 1.000
#> GSM87910 1 0.000 0.955 1.000 0.000
#> GSM87938 2 0.000 0.992 0.000 1.000
#> GSM87953 1 0.000 0.955 1.000 0.000
#> GSM87864 1 0.975 0.363 0.592 0.408
#> GSM87888 2 0.000 0.992 0.000 1.000
#> GSM87897 2 0.000 0.992 0.000 1.000
#> GSM87935 2 0.000 0.992 0.000 1.000
#> GSM87944 1 0.000 0.955 1.000 0.000
#> GSM87854 2 0.000 0.992 0.000 1.000
#> GSM87878 2 0.000 0.992 0.000 1.000
#> GSM87907 2 0.000 0.992 0.000 1.000
#> GSM87921 2 0.000 0.992 0.000 1.000
#> GSM87925 2 0.000 0.992 0.000 1.000
#> GSM87957 1 0.653 0.801 0.832 0.168
#> GSM87859 2 0.000 0.992 0.000 1.000
#> GSM87883 1 0.000 0.955 1.000 0.000
#> GSM87892 2 0.000 0.992 0.000 1.000
#> GSM87930 2 0.000 0.992 0.000 1.000
#> GSM87949 1 0.000 0.955 1.000 0.000
#> GSM87869 1 0.000 0.955 1.000 0.000
#> GSM87874 2 0.000 0.992 0.000 1.000
#> GSM87902 2 0.000 0.992 0.000 1.000
#> GSM87911 2 0.000 0.992 0.000 1.000
#> GSM87939 2 0.000 0.992 0.000 1.000
#> GSM87954 1 0.000 0.955 1.000 0.000
#> GSM87865 2 0.000 0.992 0.000 1.000
#> GSM87889 2 0.000 0.992 0.000 1.000
#> GSM87898 2 0.000 0.992 0.000 1.000
#> GSM87915 1 0.000 0.955 1.000 0.000
#> GSM87936 2 0.000 0.992 0.000 1.000
#> GSM87945 2 0.000 0.992 0.000 1.000
#> GSM87855 2 0.000 0.992 0.000 1.000
#> GSM87879 2 0.000 0.992 0.000 1.000
#> GSM87922 2 0.000 0.992 0.000 1.000
#> GSM87926 2 0.000 0.992 0.000 1.000
#> GSM87958 1 0.000 0.955 1.000 0.000
#> GSM87860 2 0.000 0.992 0.000 1.000
#> GSM87884 1 0.000 0.955 1.000 0.000
#> GSM87893 2 0.000 0.992 0.000 1.000
#> GSM87918 2 0.000 0.992 0.000 1.000
#> GSM87931 2 0.000 0.992 0.000 1.000
#> GSM87950 1 0.000 0.955 1.000 0.000
#> GSM87870 1 0.949 0.463 0.632 0.368
#> GSM87875 2 0.000 0.992 0.000 1.000
#> GSM87903 2 0.000 0.992 0.000 1.000
#> GSM87912 1 0.000 0.955 1.000 0.000
#> GSM87940 2 0.000 0.992 0.000 1.000
#> GSM87866 1 0.518 0.858 0.884 0.116
#> GSM87899 2 0.000 0.992 0.000 1.000
#> GSM87937 2 0.000 0.992 0.000 1.000
#> GSM87946 1 0.000 0.955 1.000 0.000
#> GSM87856 2 0.000 0.992 0.000 1.000
#> GSM87880 2 0.000 0.992 0.000 1.000
#> GSM87908 2 0.000 0.992 0.000 1.000
#> GSM87923 2 0.000 0.992 0.000 1.000
#> GSM87927 2 0.000 0.992 0.000 1.000
#> GSM87959 1 0.000 0.955 1.000 0.000
#> GSM87861 2 0.000 0.992 0.000 1.000
#> GSM87885 2 0.000 0.992 0.000 1.000
#> GSM87894 2 0.991 0.121 0.444 0.556
#> GSM87932 2 0.000 0.992 0.000 1.000
#> GSM87951 1 0.000 0.955 1.000 0.000
#> GSM87871 2 0.000 0.992 0.000 1.000
#> GSM87876 2 0.000 0.992 0.000 1.000
#> GSM87904 2 0.000 0.992 0.000 1.000
#> GSM87913 1 0.795 0.704 0.760 0.240
#> GSM87941 2 0.000 0.992 0.000 1.000
#> GSM87955 1 0.000 0.955 1.000 0.000
#> GSM87867 2 0.000 0.992 0.000 1.000
#> GSM87890 2 0.000 0.992 0.000 1.000
#> GSM87900 2 0.000 0.992 0.000 1.000
#> GSM87916 2 0.000 0.992 0.000 1.000
#> GSM87947 1 0.141 0.941 0.980 0.020
#> GSM87857 2 0.000 0.992 0.000 1.000
#> GSM87881 2 0.000 0.992 0.000 1.000
#> GSM87909 2 0.000 0.992 0.000 1.000
#> GSM87928 2 0.000 0.992 0.000 1.000
#> GSM87960 1 0.000 0.955 1.000 0.000
#> GSM87862 2 0.000 0.992 0.000 1.000
#> GSM87886 1 0.000 0.955 1.000 0.000
#> GSM87895 2 0.000 0.992 0.000 1.000
#> GSM87919 1 0.000 0.955 1.000 0.000
#> GSM87933 2 0.000 0.992 0.000 1.000
#> GSM87952 1 0.000 0.955 1.000 0.000
#> GSM87872 2 0.000 0.992 0.000 1.000
#> GSM87877 1 0.118 0.944 0.984 0.016
#> GSM87905 2 0.000 0.992 0.000 1.000
#> GSM87914 2 0.000 0.992 0.000 1.000
#> GSM87942 2 0.000 0.992 0.000 1.000
#> GSM87956 1 0.000 0.955 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.9515 -0.2853 0.424 0.188 0.388
#> GSM87887 2 0.8230 0.5831 0.088 0.564 0.348
#> GSM87896 3 0.5621 0.4610 0.000 0.308 0.692
#> GSM87934 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87943 2 0.6235 0.5240 0.000 0.564 0.436
#> GSM87853 2 0.6252 0.5053 0.000 0.556 0.444
#> GSM87906 3 0.1964 0.5658 0.000 0.056 0.944
#> GSM87920 1 0.8362 0.0360 0.528 0.088 0.384
#> GSM87924 2 0.6204 0.4873 0.000 0.576 0.424
#> GSM87858 3 0.5621 0.4610 0.000 0.308 0.692
#> GSM87882 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87891 3 0.5650 0.4604 0.000 0.312 0.688
#> GSM87917 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87929 2 0.6309 0.2108 0.000 0.504 0.496
#> GSM87948 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87868 1 0.1031 0.8642 0.976 0.000 0.024
#> GSM87873 2 0.6299 0.4920 0.000 0.524 0.476
#> GSM87901 3 0.1860 0.5669 0.000 0.052 0.948
#> GSM87910 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87938 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87953 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87864 1 0.7222 0.2026 0.580 0.032 0.388
#> GSM87888 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87897 3 0.0000 0.5623 0.000 0.000 1.000
#> GSM87935 3 0.5988 0.4164 0.000 0.368 0.632
#> GSM87944 1 0.5012 0.7081 0.788 0.204 0.008
#> GSM87854 3 0.5988 0.3373 0.000 0.368 0.632
#> GSM87878 2 0.8489 0.5278 0.092 0.496 0.412
#> GSM87907 3 0.2448 0.5890 0.000 0.076 0.924
#> GSM87921 3 0.5882 0.4592 0.000 0.348 0.652
#> GSM87925 2 0.6140 0.5202 0.000 0.596 0.404
#> GSM87957 1 0.4353 0.7423 0.836 0.008 0.156
#> GSM87859 3 0.5621 0.4610 0.000 0.308 0.692
#> GSM87883 1 0.4861 0.7210 0.800 0.192 0.008
#> GSM87892 3 0.5560 0.4750 0.000 0.300 0.700
#> GSM87930 2 0.6168 0.5145 0.000 0.588 0.412
#> GSM87949 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87869 1 0.1031 0.8642 0.976 0.000 0.024
#> GSM87874 2 0.6192 0.5628 0.000 0.580 0.420
#> GSM87902 3 0.1964 0.5658 0.000 0.056 0.944
#> GSM87911 2 0.7784 0.5702 0.056 0.556 0.388
#> GSM87939 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87954 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87865 3 0.7571 0.2534 0.356 0.052 0.592
#> GSM87889 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87898 3 0.1753 0.5673 0.000 0.048 0.952
#> GSM87915 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87936 3 0.6126 0.3194 0.000 0.400 0.600
#> GSM87945 2 0.6235 0.5240 0.000 0.564 0.436
#> GSM87855 2 0.6244 0.5150 0.000 0.560 0.440
#> GSM87879 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87922 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87926 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87958 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87860 3 0.5098 0.5325 0.000 0.248 0.752
#> GSM87884 1 0.6082 0.5673 0.692 0.296 0.012
#> GSM87893 3 0.5621 0.4610 0.000 0.308 0.692
#> GSM87918 3 0.5905 0.4403 0.000 0.352 0.648
#> GSM87931 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87950 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87870 1 0.6387 0.4979 0.680 0.020 0.300
#> GSM87875 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87903 3 0.1860 0.5669 0.000 0.052 0.948
#> GSM87912 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87940 3 0.6180 0.2585 0.000 0.416 0.584
#> GSM87866 1 0.5461 0.6129 0.748 0.008 0.244
#> GSM87899 3 0.1860 0.5873 0.000 0.052 0.948
#> GSM87937 3 0.6204 0.2219 0.000 0.424 0.576
#> GSM87946 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87856 3 0.6286 -0.1870 0.000 0.464 0.536
#> GSM87880 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87908 3 0.1289 0.5806 0.000 0.032 0.968
#> GSM87923 2 0.7676 0.6172 0.056 0.584 0.360
#> GSM87927 3 0.5760 0.4888 0.000 0.328 0.672
#> GSM87959 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87861 3 0.5621 0.4610 0.000 0.308 0.692
#> GSM87885 2 0.7741 0.6079 0.056 0.568 0.376
#> GSM87894 3 0.7286 0.0352 0.464 0.028 0.508
#> GSM87932 3 0.5497 0.5256 0.000 0.292 0.708
#> GSM87951 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87871 3 0.7022 0.4703 0.056 0.260 0.684
#> GSM87876 2 0.7693 0.6156 0.056 0.580 0.364
#> GSM87904 3 0.3816 0.5798 0.000 0.148 0.852
#> GSM87913 1 0.6388 0.5107 0.692 0.024 0.284
#> GSM87941 3 0.6260 0.0938 0.000 0.448 0.552
#> GSM87955 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87867 3 0.8198 0.3266 0.100 0.304 0.596
#> GSM87890 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87900 3 0.0000 0.5623 0.000 0.000 1.000
#> GSM87916 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87947 1 0.3237 0.8262 0.912 0.032 0.056
#> GSM87857 3 0.5291 0.5154 0.000 0.268 0.732
#> GSM87881 2 0.7726 0.6111 0.056 0.572 0.372
#> GSM87909 3 0.1964 0.5658 0.000 0.056 0.944
#> GSM87928 2 0.7814 0.4206 0.052 0.512 0.436
#> GSM87960 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87862 3 0.0237 0.5652 0.000 0.004 0.996
#> GSM87886 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87895 3 0.1964 0.5881 0.000 0.056 0.944
#> GSM87919 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87933 2 0.2066 0.4020 0.000 0.940 0.060
#> GSM87952 1 0.0000 0.8750 1.000 0.000 0.000
#> GSM87872 3 0.3941 0.5822 0.000 0.156 0.844
#> GSM87877 1 0.0592 0.8696 0.988 0.000 0.012
#> GSM87905 3 0.1964 0.5658 0.000 0.056 0.944
#> GSM87914 2 0.6309 0.2107 0.000 0.504 0.496
#> GSM87942 2 0.6168 0.5145 0.000 0.588 0.412
#> GSM87956 1 0.0000 0.8750 1.000 0.000 0.000
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.5323 0.2856 0.592 0.396 0.008 0.004
#> GSM87887 3 0.9145 0.5791 0.268 0.332 0.332 0.068
#> GSM87896 2 0.6896 0.1225 0.000 0.568 0.140 0.292
#> GSM87934 4 0.4605 0.6910 0.000 0.000 0.336 0.664
#> GSM87943 3 0.8172 0.6962 0.100 0.352 0.480 0.068
#> GSM87853 3 0.6876 0.7500 0.020 0.352 0.560 0.068
#> GSM87906 2 0.4720 0.4170 0.000 0.672 0.004 0.324
#> GSM87920 1 0.5198 0.3590 0.628 0.360 0.008 0.004
#> GSM87924 4 0.5921 0.1143 0.000 0.448 0.036 0.516
#> GSM87858 2 0.6251 0.2580 0.000 0.664 0.140 0.196
#> GSM87882 3 0.8659 0.6959 0.036 0.344 0.372 0.248
#> GSM87891 2 0.6975 0.1121 0.000 0.560 0.148 0.292
#> GSM87917 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87929 4 0.5217 0.2653 0.000 0.380 0.012 0.608
#> GSM87948 1 0.0592 0.8342 0.984 0.016 0.000 0.000
#> GSM87868 1 0.1022 0.8300 0.968 0.032 0.000 0.000
#> GSM87873 2 0.7623 -0.2399 0.000 0.416 0.204 0.380
#> GSM87901 2 0.4917 0.4073 0.000 0.656 0.008 0.336
#> GSM87910 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87938 4 0.4605 0.6910 0.000 0.000 0.336 0.664
#> GSM87953 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87864 1 0.5007 0.4132 0.636 0.356 0.008 0.000
#> GSM87888 3 0.9380 0.6902 0.152 0.344 0.360 0.144
#> GSM87897 2 0.4917 0.4073 0.000 0.656 0.008 0.336
#> GSM87935 2 0.4327 0.3241 0.000 0.768 0.016 0.216
#> GSM87944 1 0.3681 0.7561 0.856 0.104 0.036 0.004
#> GSM87854 2 0.9063 -0.3992 0.312 0.380 0.240 0.068
#> GSM87878 2 0.6985 -0.0109 0.228 0.644 0.048 0.080
#> GSM87907 2 0.0895 0.4728 0.000 0.976 0.020 0.004
#> GSM87921 2 0.1576 0.4381 0.000 0.948 0.004 0.048
#> GSM87925 4 0.5057 0.3055 0.000 0.340 0.012 0.648
#> GSM87957 1 0.3528 0.7132 0.808 0.192 0.000 0.000
#> GSM87859 2 0.5212 0.2207 0.000 0.740 0.192 0.068
#> GSM87883 1 0.3221 0.7816 0.888 0.068 0.036 0.008
#> GSM87892 2 0.5092 0.3634 0.000 0.764 0.140 0.096
#> GSM87930 4 0.5204 0.2710 0.000 0.376 0.012 0.612
#> GSM87949 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87869 1 0.0921 0.8304 0.972 0.028 0.000 0.000
#> GSM87874 3 0.6219 0.7468 0.000 0.344 0.588 0.068
#> GSM87902 2 0.4917 0.4073 0.000 0.656 0.008 0.336
#> GSM87911 2 0.9062 -0.5898 0.248 0.388 0.296 0.068
#> GSM87939 4 0.4605 0.6910 0.000 0.000 0.336 0.664
#> GSM87954 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87865 1 0.5323 0.3021 0.592 0.396 0.008 0.004
#> GSM87889 3 0.9342 0.6723 0.176 0.344 0.360 0.120
#> GSM87898 2 0.4917 0.4073 0.000 0.656 0.008 0.336
#> GSM87915 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87936 2 0.4546 0.2651 0.000 0.732 0.012 0.256
#> GSM87945 3 0.6234 0.7458 0.000 0.348 0.584 0.068
#> GSM87855 3 0.7299 0.7458 0.040 0.352 0.540 0.068
#> GSM87879 3 0.7885 0.7710 0.036 0.360 0.484 0.120
#> GSM87922 3 0.8659 0.6959 0.036 0.344 0.372 0.248
#> GSM87926 4 0.4605 0.6910 0.000 0.000 0.336 0.664
#> GSM87958 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87860 2 0.1174 0.4756 0.000 0.968 0.020 0.012
#> GSM87884 1 0.4764 0.7099 0.820 0.080 0.036 0.064
#> GSM87893 2 0.5902 0.3014 0.000 0.700 0.140 0.160
#> GSM87918 2 0.3662 0.3816 0.104 0.860 0.012 0.024
#> GSM87931 4 0.4605 0.6910 0.000 0.000 0.336 0.664
#> GSM87950 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87870 1 0.4876 0.5060 0.672 0.320 0.004 0.004
#> GSM87875 3 0.7470 0.7715 0.024 0.344 0.524 0.108
#> GSM87903 2 0.4917 0.4073 0.000 0.656 0.008 0.336
#> GSM87912 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87940 4 0.5204 0.2765 0.000 0.376 0.012 0.612
#> GSM87866 1 0.3908 0.6906 0.784 0.212 0.004 0.000
#> GSM87899 2 0.1042 0.4743 0.000 0.972 0.020 0.008
#> GSM87937 2 0.5383 -0.0976 0.000 0.536 0.012 0.452
#> GSM87946 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87856 3 0.9026 0.5214 0.220 0.352 0.360 0.068
#> GSM87880 2 0.9224 -0.7004 0.160 0.364 0.360 0.116
#> GSM87908 2 0.0707 0.4774 0.000 0.980 0.000 0.020
#> GSM87923 3 0.8073 0.7681 0.036 0.344 0.476 0.144
#> GSM87927 2 0.1174 0.4619 0.000 0.968 0.012 0.020
#> GSM87959 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87861 2 0.4022 0.3637 0.000 0.836 0.096 0.068
#> GSM87885 2 0.9373 -0.7025 0.160 0.360 0.344 0.136
#> GSM87894 1 0.5658 0.3172 0.588 0.388 0.008 0.016
#> GSM87932 2 0.5909 0.2033 0.172 0.708 0.004 0.116
#> GSM87951 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87871 2 0.5292 0.1239 0.216 0.724 0.000 0.060
#> GSM87876 2 0.9311 -0.6913 0.176 0.360 0.348 0.116
#> GSM87904 2 0.0895 0.4725 0.000 0.976 0.020 0.004
#> GSM87913 1 0.4401 0.5894 0.724 0.272 0.004 0.000
#> GSM87941 2 0.4770 0.1868 0.000 0.700 0.012 0.288
#> GSM87955 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87867 1 0.6545 0.0970 0.540 0.392 0.008 0.060
#> GSM87890 4 0.4605 0.6910 0.000 0.000 0.336 0.664
#> GSM87900 2 0.4917 0.4073 0.000 0.656 0.008 0.336
#> GSM87916 4 0.4605 0.6910 0.000 0.000 0.336 0.664
#> GSM87947 1 0.4004 0.7200 0.812 0.164 0.024 0.000
#> GSM87857 2 0.0921 0.4685 0.000 0.972 0.028 0.000
#> GSM87881 2 0.8613 -0.6725 0.028 0.344 0.328 0.300
#> GSM87909 2 0.4761 0.4125 0.000 0.664 0.004 0.332
#> GSM87928 2 0.6204 0.1441 0.192 0.692 0.012 0.104
#> GSM87960 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87862 2 0.4610 0.4494 0.000 0.744 0.020 0.236
#> GSM87886 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87895 2 0.2256 0.4802 0.000 0.924 0.020 0.056
#> GSM87919 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87933 4 0.4624 0.6891 0.000 0.000 0.340 0.660
#> GSM87952 1 0.0000 0.8401 1.000 0.000 0.000 0.000
#> GSM87872 2 0.1716 0.4815 0.000 0.936 0.000 0.064
#> GSM87877 1 0.1302 0.8261 0.956 0.044 0.000 0.000
#> GSM87905 2 0.4917 0.4073 0.000 0.656 0.008 0.336
#> GSM87914 2 0.4820 0.1666 0.000 0.692 0.012 0.296
#> GSM87942 4 0.4800 0.3146 0.000 0.340 0.004 0.656
#> GSM87956 1 0.0000 0.8401 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
#> GSM87863 1 0.5205 0.7039 0.672 0.000 0.104 0.000 0.224
#> GSM87887 5 0.3774 0.4994 0.296 0.000 0.000 0.000 0.704
#> GSM87896 3 0.5798 0.5919 0.000 0.300 0.596 0.008 0.096
#> GSM87934 4 0.0000 0.7556 0.000 0.000 0.000 1.000 0.000
#> GSM87943 5 0.4866 0.2561 0.004 0.020 0.396 0.000 0.580
#> GSM87853 3 0.4675 0.1498 0.000 0.020 0.600 0.000 0.380
#> GSM87906 2 0.0000 0.6846 0.000 1.000 0.000 0.000 0.000
#> GSM87920 1 0.4314 0.6932 0.700 0.004 0.016 0.000 0.280
#> GSM87924 4 0.7708 0.0497 0.000 0.104 0.332 0.424 0.140
#> GSM87858 3 0.5568 0.5878 0.000 0.308 0.596 0.000 0.096
#> GSM87882 5 0.2648 0.7206 0.000 0.000 0.000 0.152 0.848
#> GSM87891 3 0.6094 0.5916 0.000 0.292 0.572 0.008 0.128
#> GSM87917 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87929 4 0.3291 0.7039 0.000 0.040 0.000 0.840 0.120
#> GSM87948 1 0.1809 0.8368 0.928 0.000 0.012 0.000 0.060
#> GSM87868 1 0.3291 0.8098 0.848 0.000 0.064 0.000 0.088
#> GSM87873 3 0.6962 0.5895 0.000 0.208 0.568 0.068 0.156
#> GSM87901 2 0.0000 0.6846 0.000 1.000 0.000 0.000 0.000
#> GSM87910 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87938 4 0.0000 0.7556 0.000 0.000 0.000 1.000 0.000
#> GSM87953 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87864 1 0.5513 0.6947 0.652 0.000 0.168 0.000 0.180
#> GSM87888 5 0.3048 0.7195 0.000 0.004 0.000 0.176 0.820
#> GSM87897 2 0.0000 0.6846 0.000 1.000 0.000 0.000 0.000
#> GSM87935 3 0.7818 0.3959 0.000 0.316 0.424 0.132 0.128
#> GSM87944 1 0.2124 0.8152 0.900 0.000 0.004 0.000 0.096
#> GSM87854 3 0.7434 0.2473 0.228 0.088 0.512 0.000 0.172
#> GSM87878 1 0.7462 -0.0985 0.412 0.220 0.000 0.044 0.324
#> GSM87907 2 0.5258 0.3992 0.000 0.664 0.232 0.000 0.104
#> GSM87921 2 0.4912 0.5299 0.056 0.700 0.008 0.000 0.236
#> GSM87925 4 0.2424 0.7072 0.000 0.000 0.000 0.868 0.132
#> GSM87957 1 0.5025 0.7322 0.704 0.000 0.124 0.000 0.172
#> GSM87859 3 0.5873 0.5764 0.000 0.312 0.564 0.000 0.124
#> GSM87883 1 0.1768 0.8213 0.924 0.000 0.004 0.000 0.072
#> GSM87892 3 0.5568 0.5878 0.000 0.308 0.596 0.000 0.096
#> GSM87930 4 0.3355 0.6971 0.000 0.036 0.000 0.832 0.132
#> GSM87949 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87869 1 0.2659 0.8262 0.888 0.000 0.060 0.000 0.052
#> GSM87874 5 0.2929 0.5490 0.000 0.008 0.152 0.000 0.840
#> GSM87902 2 0.0000 0.6846 0.000 1.000 0.000 0.000 0.000
#> GSM87911 5 0.5043 -0.1078 0.420 0.012 0.016 0.000 0.552
#> GSM87939 4 0.0000 0.7556 0.000 0.000 0.000 1.000 0.000
#> GSM87954 1 0.0794 0.8406 0.972 0.000 0.028 0.000 0.000
#> GSM87865 1 0.6287 0.6672 0.616 0.028 0.164 0.000 0.192
#> GSM87889 5 0.4335 0.7158 0.064 0.008 0.000 0.152 0.776
#> GSM87898 2 0.0000 0.6846 0.000 1.000 0.000 0.000 0.000
#> GSM87915 1 0.0000 0.8427 1.000 0.000 0.000 0.000 0.000
#> GSM87936 2 0.8318 -0.2739 0.000 0.316 0.284 0.272 0.128
#> GSM87945 5 0.4416 0.3332 0.000 0.012 0.356 0.000 0.632
#> GSM87855 3 0.4813 0.1556 0.004 0.020 0.600 0.000 0.376
#> GSM87879 5 0.2690 0.7259 0.000 0.000 0.000 0.156 0.844
#> GSM87922 5 0.3039 0.7086 0.000 0.000 0.000 0.192 0.808
#> GSM87926 4 0.0000 0.7556 0.000 0.000 0.000 1.000 0.000
#> GSM87958 1 0.0000 0.8427 1.000 0.000 0.000 0.000 0.000
#> GSM87860 2 0.5289 0.3673 0.000 0.652 0.252 0.000 0.096
#> GSM87884 1 0.1768 0.8213 0.924 0.000 0.004 0.000 0.072
#> GSM87893 3 0.5568 0.5878 0.000 0.308 0.596 0.000 0.096
#> GSM87918 2 0.7706 0.2311 0.196 0.496 0.000 0.132 0.176
#> GSM87931 4 0.0000 0.7556 0.000 0.000 0.000 1.000 0.000
#> GSM87950 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87870 1 0.5632 0.7117 0.668 0.012 0.140 0.000 0.180
#> GSM87875 5 0.3165 0.7012 0.000 0.000 0.036 0.116 0.848
#> GSM87903 2 0.0000 0.6846 0.000 1.000 0.000 0.000 0.000
#> GSM87912 1 0.0000 0.8427 1.000 0.000 0.000 0.000 0.000
#> GSM87940 4 0.3389 0.7025 0.000 0.048 0.000 0.836 0.116
#> GSM87866 1 0.5305 0.7140 0.676 0.000 0.152 0.000 0.172
#> GSM87899 2 0.4164 0.5741 0.000 0.784 0.120 0.000 0.096
#> GSM87937 4 0.7815 0.2425 0.000 0.196 0.200 0.476 0.128
#> GSM87946 1 0.1753 0.8377 0.936 0.000 0.032 0.000 0.032
#> GSM87856 3 0.6215 0.2628 0.136 0.020 0.600 0.000 0.244
#> GSM87880 5 0.3737 0.6809 0.004 0.008 0.000 0.224 0.764
#> GSM87908 2 0.1792 0.6719 0.000 0.916 0.000 0.000 0.084
#> GSM87923 5 0.2561 0.7222 0.000 0.000 0.000 0.144 0.856
#> GSM87927 2 0.4929 0.5078 0.000 0.716 0.000 0.136 0.148
#> GSM87959 1 0.0000 0.8427 1.000 0.000 0.000 0.000 0.000
#> GSM87861 2 0.5970 0.0151 0.000 0.524 0.356 0.000 0.120
#> GSM87885 5 0.5821 0.5928 0.120 0.008 0.000 0.252 0.620
#> GSM87894 1 0.7349 0.5233 0.532 0.160 0.096 0.000 0.212
#> GSM87932 2 0.5131 0.5284 0.152 0.720 0.000 0.012 0.116
#> GSM87951 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87871 2 0.7430 0.1356 0.280 0.428 0.040 0.000 0.252
#> GSM87876 5 0.5806 0.5616 0.212 0.008 0.000 0.144 0.636
#> GSM87904 2 0.5137 0.4329 0.000 0.684 0.208 0.000 0.108
#> GSM87913 1 0.4734 0.7195 0.704 0.000 0.064 0.000 0.232
#> GSM87941 4 0.6074 0.2139 0.000 0.372 0.000 0.500 0.128
#> GSM87955 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87867 1 0.5830 0.6331 0.636 0.044 0.056 0.000 0.264
#> GSM87890 4 0.0162 0.7560 0.000 0.000 0.000 0.996 0.004
#> GSM87900 2 0.0000 0.6846 0.000 1.000 0.000 0.000 0.000
#> GSM87916 4 0.0000 0.7556 0.000 0.000 0.000 1.000 0.000
#> GSM87947 1 0.2612 0.8022 0.868 0.000 0.008 0.000 0.124
#> GSM87857 2 0.5578 0.2921 0.000 0.616 0.272 0.000 0.112
#> GSM87881 5 0.4225 0.4901 0.000 0.004 0.000 0.364 0.632
#> GSM87909 2 0.2020 0.6514 0.000 0.900 0.000 0.000 0.100
#> GSM87928 1 0.8297 -0.1423 0.356 0.276 0.000 0.228 0.140
#> GSM87960 1 0.1725 0.8387 0.936 0.000 0.044 0.000 0.020
#> GSM87862 2 0.1386 0.6845 0.000 0.952 0.016 0.000 0.032
#> GSM87886 1 0.0000 0.8427 1.000 0.000 0.000 0.000 0.000
#> GSM87895 2 0.2012 0.6758 0.000 0.920 0.020 0.000 0.060
#> GSM87919 1 0.0794 0.8406 0.972 0.000 0.028 0.000 0.000
#> GSM87933 4 0.0162 0.7560 0.000 0.000 0.000 0.996 0.004
#> GSM87952 1 0.0703 0.8415 0.976 0.000 0.024 0.000 0.000
#> GSM87872 2 0.3493 0.6371 0.000 0.832 0.000 0.060 0.108
#> GSM87877 1 0.2193 0.8381 0.920 0.008 0.028 0.000 0.044
#> GSM87905 2 0.1197 0.6740 0.000 0.952 0.000 0.000 0.048
#> GSM87914 4 0.5868 0.4182 0.000 0.292 0.000 0.576 0.132
#> GSM87942 4 0.2583 0.7016 0.000 0.004 0.000 0.864 0.132
#> GSM87956 1 0.0794 0.8406 0.972 0.000 0.028 0.000 0.000
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.3601 0.7338 0.092 0.000 0.040 0.000 0.044 0.824
#> GSM87887 5 0.4906 0.4212 0.284 0.000 0.040 0.004 0.648 0.024
#> GSM87896 3 0.2402 0.7440 0.000 0.140 0.856 0.004 0.000 0.000
#> GSM87934 4 0.0146 0.8293 0.000 0.000 0.000 0.996 0.004 0.000
#> GSM87943 5 0.5012 0.3111 0.000 0.000 0.336 0.000 0.576 0.088
#> GSM87853 3 0.3595 0.6909 0.000 0.000 0.796 0.000 0.120 0.084
#> GSM87906 2 0.0291 0.7524 0.000 0.992 0.004 0.000 0.000 0.004
#> GSM87920 6 0.5711 0.3713 0.312 0.000 0.040 0.000 0.084 0.564
#> GSM87924 3 0.6978 0.1051 0.000 0.180 0.396 0.340 0.084 0.000
#> GSM87858 3 0.1556 0.7796 0.000 0.080 0.920 0.000 0.000 0.000
#> GSM87882 5 0.2103 0.6892 0.000 0.000 0.040 0.024 0.916 0.020
#> GSM87891 3 0.3414 0.7536 0.000 0.140 0.812 0.008 0.040 0.000
#> GSM87917 1 0.0000 0.7514 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87929 4 0.3524 0.7786 0.000 0.064 0.036 0.832 0.068 0.000
#> GSM87948 1 0.4386 0.4839 0.600 0.000 0.004 0.000 0.024 0.372
#> GSM87868 1 0.3823 0.4110 0.564 0.000 0.000 0.000 0.000 0.436
#> GSM87873 3 0.2881 0.7707 0.000 0.040 0.864 0.012 0.084 0.000
#> GSM87901 2 0.0146 0.7518 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87910 1 0.0000 0.7514 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87938 4 0.0000 0.8309 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87953 1 0.0260 0.7526 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87864 6 0.1610 0.7409 0.084 0.000 0.000 0.000 0.000 0.916
#> GSM87888 5 0.2898 0.6961 0.000 0.000 0.040 0.072 0.868 0.020
#> GSM87897 2 0.0622 0.7505 0.000 0.980 0.012 0.000 0.000 0.008
#> GSM87935 2 0.6774 0.0238 0.000 0.400 0.368 0.164 0.068 0.000
#> GSM87944 1 0.5630 0.4430 0.536 0.000 0.000 0.000 0.260 0.204
#> GSM87854 6 0.5177 0.1171 0.000 0.004 0.320 0.000 0.096 0.580
#> GSM87878 1 0.6639 0.3634 0.600 0.184 0.040 0.076 0.096 0.004
#> GSM87907 2 0.4466 0.1066 0.000 0.536 0.440 0.000 0.016 0.008
#> GSM87921 2 0.5899 0.4160 0.000 0.544 0.060 0.004 0.060 0.332
#> GSM87925 4 0.2658 0.7905 0.000 0.008 0.036 0.876 0.080 0.000
#> GSM87957 6 0.2912 0.5994 0.216 0.000 0.000 0.000 0.000 0.784
#> GSM87859 3 0.2604 0.7744 0.000 0.036 0.880 0.000 0.076 0.008
#> GSM87883 1 0.5534 0.4769 0.556 0.000 0.000 0.000 0.248 0.196
#> GSM87892 3 0.1957 0.7665 0.000 0.112 0.888 0.000 0.000 0.000
#> GSM87930 4 0.3628 0.7767 0.000 0.060 0.036 0.824 0.080 0.000
#> GSM87949 1 0.0000 0.7514 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87869 1 0.3756 0.4637 0.600 0.000 0.000 0.000 0.000 0.400
#> GSM87874 5 0.3592 0.4004 0.000 0.000 0.344 0.000 0.656 0.000
#> GSM87902 2 0.0146 0.7518 0.000 0.996 0.000 0.000 0.000 0.004
#> GSM87911 6 0.5469 0.2862 0.052 0.000 0.040 0.000 0.360 0.548
#> GSM87939 4 0.0000 0.8309 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87954 1 0.0260 0.7526 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87865 6 0.1556 0.7414 0.080 0.000 0.000 0.000 0.000 0.920
#> GSM87889 5 0.3801 0.6693 0.072 0.000 0.036 0.044 0.828 0.020
#> GSM87898 2 0.0363 0.7519 0.000 0.988 0.000 0.000 0.000 0.012
#> GSM87915 1 0.0713 0.7506 0.972 0.000 0.000 0.000 0.000 0.028
#> GSM87936 2 0.6936 -0.0202 0.000 0.380 0.184 0.360 0.076 0.000
#> GSM87945 5 0.4881 0.3256 0.000 0.000 0.336 0.000 0.588 0.076
#> GSM87855 3 0.3602 0.6918 0.000 0.000 0.796 0.000 0.116 0.088
#> GSM87879 5 0.2664 0.6976 0.000 0.000 0.040 0.056 0.884 0.020
#> GSM87922 5 0.2725 0.6977 0.000 0.000 0.040 0.060 0.880 0.020
#> GSM87926 4 0.0000 0.8309 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87958 1 0.3046 0.6764 0.800 0.000 0.000 0.000 0.012 0.188
#> GSM87860 3 0.4384 0.5938 0.000 0.296 0.664 0.000 0.028 0.012
#> GSM87884 1 0.5488 0.4721 0.556 0.000 0.000 0.000 0.272 0.172
#> GSM87893 3 0.1387 0.7782 0.000 0.068 0.932 0.000 0.000 0.000
#> GSM87918 2 0.8317 0.3336 0.168 0.472 0.056 0.080 0.068 0.156
#> GSM87931 4 0.0000 0.8309 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87950 1 0.0260 0.7526 0.992 0.000 0.000 0.000 0.000 0.008
#> GSM87870 6 0.1556 0.7414 0.080 0.000 0.000 0.000 0.000 0.920
#> GSM87875 5 0.3560 0.5110 0.000 0.000 0.256 0.008 0.732 0.004
#> GSM87903 2 0.0000 0.7514 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87912 1 0.0547 0.7517 0.980 0.000 0.000 0.000 0.000 0.020
#> GSM87940 4 0.3898 0.7615 0.000 0.088 0.036 0.804 0.072 0.000
#> GSM87866 6 0.1765 0.7361 0.096 0.000 0.000 0.000 0.000 0.904
#> GSM87899 2 0.4113 0.4152 0.000 0.668 0.308 0.000 0.008 0.016
#> GSM87937 4 0.5847 0.5832 0.000 0.204 0.096 0.620 0.080 0.000
#> GSM87946 1 0.3992 0.5131 0.624 0.000 0.000 0.000 0.012 0.364
#> GSM87856 3 0.4403 0.6388 0.000 0.004 0.724 0.000 0.100 0.172
#> GSM87880 5 0.4158 0.5991 0.000 0.000 0.036 0.204 0.740 0.020
#> GSM87908 2 0.3054 0.6923 0.004 0.840 0.040 0.000 0.000 0.116
#> GSM87923 5 0.1737 0.6830 0.000 0.000 0.040 0.008 0.932 0.020
#> GSM87927 2 0.5530 0.5103 0.000 0.656 0.056 0.216 0.060 0.012
#> GSM87959 1 0.2513 0.7053 0.852 0.000 0.000 0.000 0.008 0.140
#> GSM87861 3 0.3700 0.7652 0.000 0.116 0.800 0.000 0.076 0.008
#> GSM87885 5 0.5989 0.1916 0.012 0.004 0.040 0.400 0.492 0.052
#> GSM87894 6 0.2993 0.7439 0.080 0.036 0.004 0.000 0.016 0.864
#> GSM87932 2 0.6110 0.4732 0.204 0.628 0.020 0.080 0.064 0.004
#> GSM87951 1 0.0000 0.7514 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 6 0.5758 0.3603 0.020 0.260 0.040 0.000 0.064 0.616
#> GSM87876 5 0.7544 0.2352 0.220 0.000 0.036 0.100 0.460 0.184
#> GSM87904 2 0.4591 0.0420 0.000 0.516 0.452 0.000 0.028 0.004
#> GSM87913 6 0.4963 0.5333 0.256 0.000 0.040 0.000 0.044 0.660
#> GSM87941 4 0.5352 0.6011 0.000 0.224 0.040 0.648 0.088 0.000
#> GSM87955 1 0.0000 0.7514 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87867 6 0.3849 0.7241 0.072 0.016 0.040 0.000 0.048 0.824
#> GSM87890 4 0.0000 0.8309 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87900 2 0.0000 0.7514 0.000 1.000 0.000 0.000 0.000 0.000
#> GSM87916 4 0.0000 0.8309 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87947 1 0.5242 0.3645 0.516 0.000 0.000 0.000 0.100 0.384
#> GSM87857 3 0.4197 0.7401 0.000 0.172 0.752 0.000 0.060 0.016
#> GSM87881 5 0.5079 0.2124 0.004 0.000 0.036 0.416 0.528 0.016
#> GSM87909 2 0.0458 0.7514 0.000 0.984 0.000 0.000 0.000 0.016
#> GSM87928 1 0.6863 0.3302 0.572 0.200 0.040 0.104 0.080 0.004
#> GSM87960 1 0.3954 0.5290 0.636 0.000 0.000 0.000 0.012 0.352
#> GSM87862 2 0.0547 0.7491 0.000 0.980 0.020 0.000 0.000 0.000
#> GSM87886 1 0.1812 0.7337 0.912 0.000 0.000 0.000 0.008 0.080
#> GSM87895 2 0.0937 0.7424 0.000 0.960 0.040 0.000 0.000 0.000
#> GSM87919 1 0.0000 0.7514 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87933 4 0.0000 0.8309 0.000 0.000 0.000 1.000 0.000 0.000
#> GSM87952 1 0.0000 0.7514 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87872 2 0.2171 0.7335 0.000 0.916 0.032 0.032 0.016 0.004
#> GSM87877 1 0.4234 0.4711 0.596 0.000 0.008 0.004 0.004 0.388
#> GSM87905 2 0.0260 0.7520 0.000 0.992 0.000 0.000 0.000 0.008
#> GSM87914 4 0.5290 0.6282 0.000 0.200 0.040 0.672 0.084 0.004
#> GSM87942 4 0.2294 0.7937 0.000 0.000 0.036 0.892 0.072 0.000
#> GSM87956 1 0.0260 0.7526 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 time(p) agent(p) individual(p) k
#> ATC:mclust 105 0.967 0.202 9.12e-10 2
#> ATC:mclust 70 0.705 0.346 8.02e-13 3
#> ATC:mclust 52 0.353 0.103 7.79e-08 4
#> ATC:mclust 84 0.195 0.526 4.48e-21 5
#> ATC:mclust 78 0.743 0.111 9.61e-26 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 108 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 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 0.924 0.915 0.966 0.5019 0.496 0.496
#> 3 3 0.545 0.461 0.742 0.2258 0.885 0.775
#> 4 4 0.500 0.409 0.706 0.1540 0.781 0.541
#> 5 5 0.508 0.362 0.667 0.0679 0.803 0.495
#> 6 6 0.585 0.496 0.717 0.0556 0.849 0.509
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
#> GSM87863 1 0.0000 0.9859 1.000 0.000
#> GSM87887 1 0.0000 0.9859 1.000 0.000
#> GSM87896 2 0.0000 0.9423 0.000 1.000
#> GSM87934 2 0.0000 0.9423 0.000 1.000
#> GSM87943 2 0.4562 0.8638 0.096 0.904
#> GSM87853 2 0.0000 0.9423 0.000 1.000
#> GSM87906 2 0.0000 0.9423 0.000 1.000
#> GSM87920 1 0.0000 0.9859 1.000 0.000
#> GSM87924 2 0.0000 0.9423 0.000 1.000
#> GSM87858 2 0.0000 0.9423 0.000 1.000
#> GSM87882 2 0.0000 0.9423 0.000 1.000
#> GSM87891 2 0.0000 0.9423 0.000 1.000
#> GSM87917 1 0.0000 0.9859 1.000 0.000
#> GSM87929 2 0.0000 0.9423 0.000 1.000
#> GSM87948 1 0.0000 0.9859 1.000 0.000
#> GSM87868 1 0.0000 0.9859 1.000 0.000
#> GSM87873 2 0.0000 0.9423 0.000 1.000
#> GSM87901 2 1.0000 0.0987 0.496 0.504
#> GSM87910 1 0.0000 0.9859 1.000 0.000
#> GSM87938 2 0.0000 0.9423 0.000 1.000
#> GSM87953 1 0.0000 0.9859 1.000 0.000
#> GSM87864 1 0.0000 0.9859 1.000 0.000
#> GSM87888 2 0.9993 0.1410 0.484 0.516
#> GSM87897 2 0.0376 0.9399 0.004 0.996
#> GSM87935 2 0.0000 0.9423 0.000 1.000
#> GSM87944 1 0.0000 0.9859 1.000 0.000
#> GSM87854 1 0.2236 0.9480 0.964 0.036
#> GSM87878 1 0.0000 0.9859 1.000 0.000
#> GSM87907 2 0.0000 0.9423 0.000 1.000
#> GSM87921 2 1.0000 0.0987 0.496 0.504
#> GSM87925 2 0.0000 0.9423 0.000 1.000
#> GSM87957 1 0.0000 0.9859 1.000 0.000
#> GSM87859 2 0.0000 0.9423 0.000 1.000
#> GSM87883 1 0.0000 0.9859 1.000 0.000
#> GSM87892 2 0.0000 0.9423 0.000 1.000
#> GSM87930 2 0.0000 0.9423 0.000 1.000
#> GSM87949 1 0.0000 0.9859 1.000 0.000
#> GSM87869 1 0.0000 0.9859 1.000 0.000
#> GSM87874 2 0.0000 0.9423 0.000 1.000
#> GSM87902 1 0.9393 0.3884 0.644 0.356
#> GSM87911 1 0.0000 0.9859 1.000 0.000
#> GSM87939 2 0.0000 0.9423 0.000 1.000
#> GSM87954 1 0.0000 0.9859 1.000 0.000
#> GSM87865 1 0.0000 0.9859 1.000 0.000
#> GSM87889 1 0.0000 0.9859 1.000 0.000
#> GSM87898 1 0.0000 0.9859 1.000 0.000
#> GSM87915 1 0.0000 0.9859 1.000 0.000
#> GSM87936 2 0.0000 0.9423 0.000 1.000
#> GSM87945 2 0.0000 0.9423 0.000 1.000
#> GSM87855 2 0.0000 0.9423 0.000 1.000
#> GSM87879 2 0.8081 0.6789 0.248 0.752
#> GSM87922 2 0.0000 0.9423 0.000 1.000
#> GSM87926 2 0.0000 0.9423 0.000 1.000
#> GSM87958 1 0.0000 0.9859 1.000 0.000
#> GSM87860 2 0.0000 0.9423 0.000 1.000
#> GSM87884 1 0.0000 0.9859 1.000 0.000
#> GSM87893 2 0.0000 0.9423 0.000 1.000
#> GSM87918 1 0.0000 0.9859 1.000 0.000
#> GSM87931 2 0.0000 0.9423 0.000 1.000
#> GSM87950 1 0.0000 0.9859 1.000 0.000
#> GSM87870 1 0.0000 0.9859 1.000 0.000
#> GSM87875 2 0.0000 0.9423 0.000 1.000
#> GSM87903 2 0.0000 0.9423 0.000 1.000
#> GSM87912 1 0.0000 0.9859 1.000 0.000
#> GSM87940 2 0.0000 0.9423 0.000 1.000
#> GSM87866 1 0.0000 0.9859 1.000 0.000
#> GSM87899 2 0.0000 0.9423 0.000 1.000
#> GSM87937 2 0.0000 0.9423 0.000 1.000
#> GSM87946 1 0.0000 0.9859 1.000 0.000
#> GSM87856 2 0.0672 0.9373 0.008 0.992
#> GSM87880 2 0.9552 0.4414 0.376 0.624
#> GSM87908 1 0.0000 0.9859 1.000 0.000
#> GSM87923 2 0.0672 0.9373 0.008 0.992
#> GSM87927 2 0.2603 0.9100 0.044 0.956
#> GSM87959 1 0.0000 0.9859 1.000 0.000
#> GSM87861 2 0.0000 0.9423 0.000 1.000
#> GSM87885 1 0.0000 0.9859 1.000 0.000
#> GSM87894 1 0.0000 0.9859 1.000 0.000
#> GSM87932 1 0.0000 0.9859 1.000 0.000
#> GSM87951 1 0.0000 0.9859 1.000 0.000
#> GSM87871 1 0.0000 0.9859 1.000 0.000
#> GSM87876 1 0.0000 0.9859 1.000 0.000
#> GSM87904 2 0.0000 0.9423 0.000 1.000
#> GSM87913 1 0.0000 0.9859 1.000 0.000
#> GSM87941 2 0.1414 0.9288 0.020 0.980
#> GSM87955 1 0.0000 0.9859 1.000 0.000
#> GSM87867 1 0.0000 0.9859 1.000 0.000
#> GSM87890 2 0.0000 0.9423 0.000 1.000
#> GSM87900 2 0.0000 0.9423 0.000 1.000
#> GSM87916 2 0.0000 0.9423 0.000 1.000
#> GSM87947 1 0.0000 0.9859 1.000 0.000
#> GSM87857 2 0.0000 0.9423 0.000 1.000
#> GSM87881 2 0.6247 0.8014 0.156 0.844
#> GSM87909 1 0.0000 0.9859 1.000 0.000
#> GSM87928 1 0.0000 0.9859 1.000 0.000
#> GSM87960 1 0.0000 0.9859 1.000 0.000
#> GSM87862 2 0.0000 0.9423 0.000 1.000
#> GSM87886 1 0.0000 0.9859 1.000 0.000
#> GSM87895 2 0.0000 0.9423 0.000 1.000
#> GSM87919 1 0.0000 0.9859 1.000 0.000
#> GSM87933 2 0.0000 0.9423 0.000 1.000
#> GSM87952 1 0.0000 0.9859 1.000 0.000
#> GSM87872 2 0.6343 0.7968 0.160 0.840
#> GSM87877 1 0.0000 0.9859 1.000 0.000
#> GSM87905 1 0.0000 0.9859 1.000 0.000
#> GSM87914 1 0.8499 0.5797 0.724 0.276
#> GSM87942 2 0.9775 0.3546 0.412 0.588
#> GSM87956 1 0.0000 0.9859 1.000 0.000
cbind(get_classes(res, k = 3), get_membership(res, k = 3))
#> class entropy silhouette p1 p2 p3
#> GSM87863 1 0.5948 0.68194 0.640 0.000 0.360
#> GSM87887 1 0.2537 0.86172 0.920 0.000 0.080
#> GSM87896 2 0.6274 0.02818 0.000 0.544 0.456
#> GSM87934 2 0.0747 0.42997 0.000 0.984 0.016
#> GSM87943 3 0.4915 0.21301 0.132 0.036 0.832
#> GSM87853 3 0.6299 0.11477 0.000 0.476 0.524
#> GSM87906 2 0.6225 0.08348 0.000 0.568 0.432
#> GSM87920 1 0.1753 0.86218 0.952 0.000 0.048
#> GSM87924 2 0.6244 0.06880 0.000 0.560 0.440
#> GSM87858 2 0.6308 -0.09797 0.000 0.508 0.492
#> GSM87882 2 0.6280 0.01268 0.000 0.540 0.460
#> GSM87891 2 0.6274 0.02818 0.000 0.544 0.456
#> GSM87917 1 0.0747 0.86435 0.984 0.000 0.016
#> GSM87929 2 0.1860 0.41012 0.000 0.948 0.052
#> GSM87948 1 0.1289 0.86452 0.968 0.000 0.032
#> GSM87868 1 0.3192 0.84946 0.888 0.000 0.112
#> GSM87873 2 0.6302 -0.05273 0.000 0.520 0.480
#> GSM87901 1 0.9399 0.09609 0.452 0.372 0.176
#> GSM87910 1 0.0892 0.86465 0.980 0.000 0.020
#> GSM87938 2 0.3267 0.43223 0.000 0.884 0.116
#> GSM87953 1 0.2261 0.85019 0.932 0.000 0.068
#> GSM87864 1 0.5678 0.72616 0.684 0.000 0.316
#> GSM87888 2 0.9285 -0.01842 0.392 0.448 0.160
#> GSM87897 2 0.6500 -0.00890 0.004 0.532 0.464
#> GSM87935 2 0.5431 0.33022 0.000 0.716 0.284
#> GSM87944 1 0.4291 0.82503 0.820 0.000 0.180
#> GSM87854 3 0.6302 -0.48953 0.480 0.000 0.520
#> GSM87878 1 0.2356 0.84884 0.928 0.000 0.072
#> GSM87907 2 0.6305 -0.06886 0.000 0.516 0.484
#> GSM87921 2 0.8464 0.17309 0.272 0.596 0.132
#> GSM87925 2 0.1529 0.44211 0.000 0.960 0.040
#> GSM87957 1 0.0424 0.86455 0.992 0.000 0.008
#> GSM87859 2 0.6308 -0.09797 0.000 0.508 0.492
#> GSM87883 1 0.4702 0.80784 0.788 0.000 0.212
#> GSM87892 2 0.6305 -0.06791 0.000 0.516 0.484
#> GSM87930 2 0.5465 0.32524 0.000 0.712 0.288
#> GSM87949 1 0.1643 0.85684 0.956 0.000 0.044
#> GSM87869 1 0.4062 0.83142 0.836 0.000 0.164
#> GSM87874 2 0.6308 -0.09797 0.000 0.508 0.492
#> GSM87902 1 0.8250 0.30609 0.600 0.292 0.108
#> GSM87911 1 0.3670 0.81866 0.888 0.092 0.020
#> GSM87939 2 0.1411 0.42095 0.000 0.964 0.036
#> GSM87954 1 0.2356 0.84884 0.928 0.000 0.072
#> GSM87865 1 0.5058 0.78794 0.756 0.000 0.244
#> GSM87889 1 0.5304 0.83423 0.824 0.068 0.108
#> GSM87898 1 0.2261 0.85021 0.932 0.000 0.068
#> GSM87915 1 0.2356 0.84884 0.928 0.000 0.072
#> GSM87936 2 0.3941 0.41656 0.000 0.844 0.156
#> GSM87945 3 0.6026 0.23502 0.000 0.376 0.624
#> GSM87855 3 0.6026 0.23502 0.000 0.376 0.624
#> GSM87879 2 0.9105 -0.09442 0.140 0.448 0.412
#> GSM87922 2 0.6008 0.18177 0.000 0.628 0.372
#> GSM87926 2 0.1411 0.42120 0.000 0.964 0.036
#> GSM87958 1 0.1031 0.86210 0.976 0.000 0.024
#> GSM87860 2 0.6308 -0.09797 0.000 0.508 0.492
#> GSM87884 1 0.4121 0.83042 0.832 0.000 0.168
#> GSM87893 2 0.6308 -0.09797 0.000 0.508 0.492
#> GSM87918 1 0.8875 0.38455 0.508 0.364 0.128
#> GSM87931 2 0.0892 0.42842 0.000 0.980 0.020
#> GSM87950 1 0.1289 0.85949 0.968 0.000 0.032
#> GSM87870 1 0.3192 0.84944 0.888 0.000 0.112
#> GSM87875 3 0.6280 0.14548 0.000 0.460 0.540
#> GSM87903 2 0.6295 -0.02471 0.000 0.528 0.472
#> GSM87912 1 0.1529 0.85769 0.960 0.000 0.040
#> GSM87940 2 0.0592 0.43641 0.000 0.988 0.012
#> GSM87866 1 0.4555 0.81400 0.800 0.000 0.200
#> GSM87899 3 0.6309 0.01891 0.000 0.500 0.500
#> GSM87937 2 0.5254 0.34850 0.000 0.736 0.264
#> GSM87946 1 0.4399 0.82046 0.812 0.000 0.188
#> GSM87856 3 0.5020 0.23758 0.056 0.108 0.836
#> GSM87880 2 0.9565 -0.00833 0.228 0.476 0.296
#> GSM87908 1 0.2806 0.85360 0.928 0.032 0.040
#> GSM87923 2 0.6421 0.09637 0.004 0.572 0.424
#> GSM87927 2 0.2590 0.44176 0.004 0.924 0.072
#> GSM87959 1 0.2165 0.86063 0.936 0.000 0.064
#> GSM87861 3 0.6309 0.03830 0.000 0.496 0.504
#> GSM87885 1 0.4371 0.80021 0.860 0.108 0.032
#> GSM87894 1 0.5948 0.68134 0.640 0.000 0.360
#> GSM87932 1 0.8405 0.54552 0.604 0.264 0.132
#> GSM87951 1 0.0892 0.86248 0.980 0.000 0.020
#> GSM87871 1 0.4087 0.83400 0.880 0.068 0.052
#> GSM87876 1 0.4811 0.82950 0.828 0.024 0.148
#> GSM87904 2 0.6308 -0.09797 0.000 0.508 0.492
#> GSM87913 1 0.4702 0.80726 0.788 0.000 0.212
#> GSM87941 2 0.2446 0.40196 0.012 0.936 0.052
#> GSM87955 1 0.1753 0.85567 0.952 0.000 0.048
#> GSM87867 1 0.4121 0.83129 0.832 0.000 0.168
#> GSM87890 2 0.2261 0.44138 0.000 0.932 0.068
#> GSM87900 2 0.2261 0.43704 0.000 0.932 0.068
#> GSM87916 2 0.1031 0.44002 0.000 0.976 0.024
#> GSM87947 1 0.4842 0.79987 0.776 0.000 0.224
#> GSM87857 3 0.6299 0.11477 0.000 0.476 0.524
#> GSM87881 2 0.3375 0.43566 0.008 0.892 0.100
#> GSM87909 1 0.2878 0.83851 0.904 0.000 0.096
#> GSM87928 1 0.8921 0.40854 0.516 0.348 0.136
#> GSM87960 1 0.2261 0.85933 0.932 0.000 0.068
#> GSM87862 2 0.6295 -0.02471 0.000 0.528 0.472
#> GSM87886 1 0.1031 0.86467 0.976 0.000 0.024
#> GSM87895 2 0.6280 0.01595 0.000 0.540 0.460
#> GSM87919 1 0.2356 0.84884 0.928 0.000 0.072
#> GSM87933 2 0.1411 0.42120 0.000 0.964 0.036
#> GSM87952 1 0.0592 0.86339 0.988 0.000 0.012
#> GSM87872 2 0.7180 0.30075 0.060 0.672 0.268
#> GSM87877 1 0.1163 0.86385 0.972 0.000 0.028
#> GSM87905 1 0.3272 0.83247 0.892 0.004 0.104
#> GSM87914 2 0.8825 -0.04510 0.336 0.532 0.132
#> GSM87942 2 0.8546 0.10962 0.284 0.584 0.132
#> GSM87956 1 0.2356 0.84884 0.928 0.000 0.072
cbind(get_classes(res, k = 4), get_membership(res, k = 4))
#> class entropy silhouette p1 p2 p3 p4
#> GSM87863 1 0.5212 -0.22330 0.572 0.420 0.008 0.000
#> GSM87887 1 0.7726 -0.36176 0.444 0.296 0.000 0.260
#> GSM87896 3 0.4981 0.13503 0.000 0.000 0.536 0.464
#> GSM87934 4 0.1545 0.65274 0.000 0.040 0.008 0.952
#> GSM87943 2 0.7514 0.24421 0.068 0.632 0.156 0.144
#> GSM87853 3 0.5203 0.22555 0.000 0.008 0.576 0.416
#> GSM87906 3 0.3219 0.57131 0.000 0.112 0.868 0.020
#> GSM87920 1 0.2760 0.58976 0.872 0.128 0.000 0.000
#> GSM87924 4 0.4967 0.07339 0.000 0.000 0.452 0.548
#> GSM87858 3 0.5112 0.19103 0.000 0.004 0.560 0.436
#> GSM87882 4 0.3647 0.62477 0.004 0.096 0.040 0.860
#> GSM87891 3 0.4981 0.12613 0.000 0.000 0.536 0.464
#> GSM87917 1 0.0469 0.65519 0.988 0.012 0.000 0.000
#> GSM87929 4 0.3972 0.57689 0.000 0.204 0.008 0.788
#> GSM87948 1 0.2469 0.61027 0.892 0.108 0.000 0.000
#> GSM87868 1 0.2216 0.62581 0.908 0.092 0.000 0.000
#> GSM87873 4 0.5296 -0.06854 0.000 0.008 0.496 0.496
#> GSM87901 3 0.8028 0.12367 0.304 0.232 0.452 0.012
#> GSM87910 1 0.0000 0.65692 1.000 0.000 0.000 0.000
#> GSM87938 4 0.1637 0.64292 0.000 0.000 0.060 0.940
#> GSM87953 1 0.0817 0.65521 0.976 0.024 0.000 0.000
#> GSM87864 1 0.4647 0.33045 0.704 0.288 0.008 0.000
#> GSM87888 4 0.6296 0.39980 0.204 0.112 0.008 0.676
#> GSM87897 3 0.3565 0.56360 0.036 0.080 0.872 0.012
#> GSM87935 4 0.6758 0.18792 0.000 0.096 0.400 0.504
#> GSM87944 2 0.4998 0.54658 0.488 0.512 0.000 0.000
#> GSM87854 3 0.6338 0.23004 0.120 0.236 0.644 0.000
#> GSM87878 1 0.1388 0.65188 0.960 0.028 0.000 0.012
#> GSM87907 3 0.1042 0.59580 0.000 0.008 0.972 0.020
#> GSM87921 1 0.9136 0.00586 0.380 0.276 0.272 0.072
#> GSM87925 4 0.1256 0.65330 0.000 0.008 0.028 0.964
#> GSM87957 1 0.1489 0.65535 0.952 0.044 0.004 0.000
#> GSM87859 3 0.5193 0.23864 0.000 0.008 0.580 0.412
#> GSM87883 2 0.4955 0.62278 0.444 0.556 0.000 0.000
#> GSM87892 3 0.4866 0.26419 0.000 0.000 0.596 0.404
#> GSM87930 4 0.4382 0.42253 0.000 0.000 0.296 0.704
#> GSM87949 1 0.0817 0.65521 0.976 0.024 0.000 0.000
#> GSM87869 1 0.2216 0.62765 0.908 0.092 0.000 0.000
#> GSM87874 3 0.5296 0.01048 0.000 0.008 0.500 0.492
#> GSM87902 3 0.7154 0.20587 0.300 0.132 0.560 0.008
#> GSM87911 1 0.6143 0.31746 0.732 0.068 0.056 0.144
#> GSM87939 4 0.2266 0.64115 0.000 0.084 0.004 0.912
#> GSM87954 1 0.1022 0.65352 0.968 0.032 0.000 0.000
#> GSM87865 1 0.5695 0.29846 0.624 0.040 0.336 0.000
#> GSM87889 4 0.7712 -0.36705 0.372 0.224 0.000 0.404
#> GSM87898 1 0.7171 0.15709 0.464 0.136 0.400 0.000
#> GSM87915 1 0.0817 0.65521 0.976 0.024 0.000 0.000
#> GSM87936 4 0.6701 0.34875 0.000 0.108 0.328 0.564
#> GSM87945 4 0.7641 0.14470 0.000 0.224 0.324 0.452
#> GSM87855 3 0.5030 0.50515 0.000 0.060 0.752 0.188
#> GSM87879 4 0.8741 0.16787 0.156 0.356 0.072 0.416
#> GSM87922 4 0.2131 0.64774 0.000 0.036 0.032 0.932
#> GSM87926 4 0.2081 0.64041 0.000 0.084 0.000 0.916
#> GSM87958 1 0.0188 0.65680 0.996 0.004 0.000 0.000
#> GSM87860 3 0.3105 0.56490 0.000 0.004 0.856 0.140
#> GSM87884 2 0.5105 0.63195 0.432 0.564 0.000 0.004
#> GSM87893 3 0.5112 0.19103 0.000 0.004 0.560 0.436
#> GSM87918 1 0.6032 0.37126 0.688 0.208 0.004 0.100
#> GSM87931 4 0.0921 0.65202 0.000 0.028 0.000 0.972
#> GSM87950 1 0.0469 0.65712 0.988 0.012 0.000 0.000
#> GSM87870 1 0.3312 0.61774 0.876 0.072 0.052 0.000
#> GSM87875 4 0.7478 0.29390 0.000 0.256 0.240 0.504
#> GSM87903 3 0.1584 0.59243 0.000 0.036 0.952 0.012
#> GSM87912 1 0.0817 0.65645 0.976 0.024 0.000 0.000
#> GSM87940 4 0.5463 0.47998 0.000 0.052 0.256 0.692
#> GSM87866 1 0.4388 0.54954 0.808 0.132 0.060 0.000
#> GSM87899 3 0.0469 0.59328 0.000 0.012 0.988 0.000
#> GSM87937 4 0.5384 0.37412 0.000 0.028 0.324 0.648
#> GSM87946 1 0.4103 0.40106 0.744 0.256 0.000 0.000
#> GSM87856 3 0.4018 0.52355 0.004 0.168 0.812 0.016
#> GSM87880 4 0.9445 0.27152 0.176 0.184 0.212 0.428
#> GSM87908 3 0.5744 -0.14097 0.436 0.028 0.536 0.000
#> GSM87923 4 0.2660 0.63963 0.000 0.056 0.036 0.908
#> GSM87927 4 0.8242 0.11435 0.016 0.236 0.372 0.376
#> GSM87959 1 0.2469 0.60738 0.892 0.108 0.000 0.000
#> GSM87861 3 0.3583 0.53430 0.000 0.004 0.816 0.180
#> GSM87885 1 0.6554 -0.13751 0.500 0.056 0.008 0.436
#> GSM87894 1 0.5792 0.43142 0.708 0.124 0.168 0.000
#> GSM87932 1 0.5592 0.33790 0.652 0.316 0.016 0.016
#> GSM87951 1 0.0188 0.65724 0.996 0.004 0.000 0.000
#> GSM87871 3 0.5459 -0.11347 0.432 0.016 0.552 0.000
#> GSM87876 1 0.5155 -0.48265 0.528 0.468 0.000 0.004
#> GSM87904 3 0.1978 0.59073 0.000 0.004 0.928 0.068
#> GSM87913 1 0.4382 0.29686 0.704 0.296 0.000 0.000
#> GSM87941 4 0.6133 0.54255 0.004 0.220 0.100 0.676
#> GSM87955 1 0.0921 0.65439 0.972 0.028 0.000 0.000
#> GSM87867 1 0.5538 0.31996 0.644 0.036 0.320 0.000
#> GSM87890 4 0.0779 0.65301 0.000 0.016 0.004 0.980
#> GSM87900 3 0.5846 0.48332 0.020 0.240 0.696 0.044
#> GSM87916 4 0.0657 0.65295 0.000 0.012 0.004 0.984
#> GSM87947 1 0.4955 -0.32312 0.556 0.444 0.000 0.000
#> GSM87857 3 0.0804 0.59466 0.000 0.008 0.980 0.012
#> GSM87881 4 0.1229 0.65250 0.004 0.020 0.008 0.968
#> GSM87909 1 0.7301 0.25538 0.536 0.228 0.236 0.000
#> GSM87928 1 0.6167 0.33421 0.668 0.208 0.000 0.124
#> GSM87960 1 0.1557 0.64259 0.944 0.056 0.000 0.000
#> GSM87862 3 0.1406 0.59565 0.000 0.024 0.960 0.016
#> GSM87886 1 0.3494 0.51565 0.824 0.172 0.000 0.004
#> GSM87895 3 0.4059 0.52764 0.000 0.012 0.788 0.200
#> GSM87919 1 0.1022 0.65339 0.968 0.032 0.000 0.000
#> GSM87933 4 0.2281 0.63766 0.000 0.096 0.000 0.904
#> GSM87952 1 0.1022 0.65012 0.968 0.032 0.000 0.000
#> GSM87872 3 0.7319 0.43709 0.044 0.200 0.628 0.128
#> GSM87877 1 0.2149 0.62543 0.912 0.088 0.000 0.000
#> GSM87905 1 0.7648 0.22132 0.500 0.252 0.244 0.004
#> GSM87914 4 0.7130 0.34572 0.172 0.248 0.004 0.576
#> GSM87942 4 0.6127 0.46109 0.108 0.228 0.000 0.664
#> GSM87956 1 0.0921 0.65439 0.972 0.028 0.000 0.000
cbind(get_classes(res, k = 5), get_membership(res, k = 5))
#> class entropy silhouette p1 p2 p3 p4 p5
#> GSM87863 3 0.5383 0.26471 0.408 0.048 0.540 0.000 0.004
#> GSM87887 5 0.6941 -0.09068 0.404 0.004 0.152 0.020 0.420
#> GSM87896 4 0.3684 0.44479 0.000 0.280 0.000 0.720 0.000
#> GSM87934 4 0.4288 -0.14055 0.000 0.004 0.000 0.612 0.384
#> GSM87943 3 0.3880 0.30361 0.052 0.096 0.828 0.024 0.000
#> GSM87853 4 0.4109 0.43608 0.000 0.288 0.012 0.700 0.000
#> GSM87906 2 0.2959 0.60983 0.004 0.884 0.016 0.072 0.024
#> GSM87920 1 0.4365 0.56515 0.776 0.024 0.164 0.000 0.036
#> GSM87924 4 0.2970 0.48331 0.000 0.168 0.000 0.828 0.004
#> GSM87858 4 0.3707 0.44047 0.000 0.284 0.000 0.716 0.000
#> GSM87882 5 0.6188 0.34525 0.000 0.000 0.136 0.416 0.448
#> GSM87891 4 0.3534 0.47043 0.000 0.256 0.000 0.744 0.000
#> GSM87917 1 0.1082 0.70951 0.964 0.000 0.028 0.000 0.008
#> GSM87929 4 0.5361 -0.17114 0.000 0.032 0.012 0.532 0.424
#> GSM87948 1 0.6270 0.22724 0.624 0.008 0.236 0.028 0.104
#> GSM87868 1 0.1121 0.70619 0.956 0.000 0.044 0.000 0.000
#> GSM87873 4 0.3336 0.48912 0.000 0.228 0.000 0.772 0.000
#> GSM87901 2 0.4898 0.51938 0.148 0.760 0.044 0.004 0.044
#> GSM87910 1 0.1082 0.70722 0.964 0.000 0.028 0.000 0.008
#> GSM87938 4 0.3958 0.27432 0.000 0.040 0.000 0.776 0.184
#> GSM87953 1 0.1907 0.69605 0.928 0.000 0.044 0.000 0.028
#> GSM87864 1 0.4777 -0.04739 0.548 0.008 0.436 0.000 0.008
#> GSM87888 4 0.8495 -0.06858 0.188 0.004 0.184 0.360 0.264
#> GSM87897 2 0.2354 0.61422 0.008 0.916 0.012 0.052 0.012
#> GSM87935 4 0.5351 0.36153 0.000 0.056 0.004 0.592 0.348
#> GSM87944 1 0.4332 0.50810 0.732 0.008 0.236 0.000 0.024
#> GSM87854 2 0.4651 0.46437 0.020 0.684 0.284 0.000 0.012
#> GSM87878 1 0.4528 0.53196 0.760 0.008 0.052 0.004 0.176
#> GSM87907 2 0.3304 0.56703 0.000 0.816 0.016 0.168 0.000
#> GSM87921 2 0.8728 0.05170 0.236 0.340 0.048 0.072 0.304
#> GSM87925 4 0.3715 0.30564 0.000 0.004 0.000 0.736 0.260
#> GSM87957 1 0.4207 0.61728 0.816 0.064 0.072 0.000 0.048
#> GSM87859 4 0.3837 0.40638 0.000 0.308 0.000 0.692 0.000
#> GSM87883 1 0.4503 0.44055 0.700 0.004 0.268 0.000 0.028
#> GSM87892 4 0.3837 0.40294 0.000 0.308 0.000 0.692 0.000
#> GSM87930 4 0.2959 0.44318 0.000 0.100 0.000 0.864 0.036
#> GSM87949 1 0.0854 0.71083 0.976 0.004 0.008 0.000 0.012
#> GSM87869 1 0.0880 0.70928 0.968 0.000 0.032 0.000 0.000
#> GSM87874 4 0.3489 0.48493 0.000 0.208 0.004 0.784 0.004
#> GSM87902 2 0.4601 0.56088 0.148 0.776 0.032 0.040 0.004
#> GSM87911 5 0.8391 0.00441 0.316 0.040 0.156 0.080 0.408
#> GSM87939 4 0.4347 0.09699 0.000 0.004 0.004 0.636 0.356
#> GSM87954 1 0.1597 0.69977 0.940 0.000 0.048 0.000 0.012
#> GSM87865 2 0.5894 0.10501 0.400 0.520 0.064 0.000 0.016
#> GSM87889 5 0.8002 -0.27412 0.292 0.000 0.296 0.080 0.332
#> GSM87898 2 0.5779 0.16779 0.396 0.532 0.056 0.000 0.016
#> GSM87915 1 0.3142 0.65757 0.868 0.008 0.056 0.000 0.068
#> GSM87936 4 0.5249 0.31273 0.000 0.032 0.008 0.544 0.416
#> GSM87945 4 0.6902 0.23900 0.000 0.140 0.292 0.524 0.044
#> GSM87855 2 0.6432 0.28165 0.000 0.484 0.320 0.196 0.000
#> GSM87879 4 0.6948 0.10931 0.108 0.004 0.408 0.440 0.040
#> GSM87922 5 0.5252 0.40601 0.000 0.000 0.056 0.364 0.580
#> GSM87926 5 0.4589 0.28456 0.000 0.004 0.004 0.472 0.520
#> GSM87958 1 0.1243 0.70860 0.960 0.004 0.028 0.000 0.008
#> GSM87860 2 0.4557 0.08571 0.000 0.516 0.008 0.476 0.000
#> GSM87884 1 0.5080 0.19377 0.604 0.000 0.348 0.000 0.048
#> GSM87893 4 0.3707 0.44030 0.000 0.284 0.000 0.716 0.000
#> GSM87918 1 0.7274 -0.14656 0.436 0.020 0.016 0.164 0.364
#> GSM87931 4 0.4278 -0.30999 0.000 0.000 0.000 0.548 0.452
#> GSM87950 1 0.1074 0.70966 0.968 0.004 0.016 0.000 0.012
#> GSM87870 1 0.3188 0.64544 0.860 0.100 0.028 0.000 0.012
#> GSM87875 4 0.6429 0.28906 0.000 0.080 0.328 0.548 0.044
#> GSM87903 2 0.2124 0.60563 0.000 0.900 0.000 0.096 0.004
#> GSM87912 1 0.1386 0.70671 0.952 0.000 0.032 0.000 0.016
#> GSM87940 4 0.3381 0.41153 0.000 0.016 0.000 0.808 0.176
#> GSM87866 1 0.3907 0.63451 0.820 0.068 0.100 0.000 0.012
#> GSM87899 2 0.2149 0.61280 0.000 0.916 0.036 0.048 0.000
#> GSM87937 4 0.4558 0.37904 0.000 0.024 0.000 0.652 0.324
#> GSM87946 1 0.2773 0.63459 0.836 0.000 0.164 0.000 0.000
#> GSM87856 2 0.4746 0.40187 0.000 0.600 0.376 0.024 0.000
#> GSM87880 4 0.8600 0.05248 0.132 0.012 0.240 0.344 0.272
#> GSM87908 2 0.5194 0.40721 0.244 0.684 0.052 0.000 0.020
#> GSM87923 4 0.6202 -0.13858 0.000 0.000 0.148 0.496 0.356
#> GSM87927 4 0.6156 0.31078 0.004 0.072 0.016 0.496 0.412
#> GSM87959 1 0.1121 0.70787 0.956 0.000 0.044 0.000 0.000
#> GSM87861 2 0.4481 0.21636 0.000 0.576 0.008 0.416 0.000
#> GSM87885 1 0.7335 -0.18247 0.444 0.000 0.036 0.256 0.264
#> GSM87894 1 0.6468 0.14951 0.552 0.296 0.128 0.000 0.024
#> GSM87932 1 0.6172 0.40971 0.680 0.116 0.088 0.004 0.112
#> GSM87951 1 0.0579 0.71182 0.984 0.000 0.008 0.000 0.008
#> GSM87871 2 0.4699 0.50108 0.172 0.756 0.052 0.004 0.016
#> GSM87876 3 0.7630 0.32152 0.360 0.012 0.416 0.048 0.164
#> GSM87904 2 0.3650 0.56479 0.000 0.796 0.028 0.176 0.000
#> GSM87913 1 0.2280 0.67239 0.880 0.000 0.120 0.000 0.000
#> GSM87941 4 0.5327 0.24025 0.004 0.016 0.016 0.500 0.464
#> GSM87955 1 0.0798 0.71177 0.976 0.000 0.008 0.000 0.016
#> GSM87867 2 0.6808 -0.12589 0.412 0.440 0.108 0.000 0.040
#> GSM87890 4 0.4211 0.15691 0.000 0.000 0.004 0.636 0.360
#> GSM87900 2 0.3427 0.59868 0.000 0.860 0.028 0.064 0.048
#> GSM87916 5 0.4446 0.33509 0.000 0.000 0.004 0.476 0.520
#> GSM87947 1 0.5649 -0.21602 0.488 0.008 0.460 0.012 0.032
#> GSM87857 2 0.3919 0.54218 0.000 0.776 0.036 0.188 0.000
#> GSM87881 5 0.4958 0.17429 0.004 0.000 0.020 0.452 0.524
#> GSM87909 2 0.6436 0.20388 0.368 0.524 0.048 0.004 0.056
#> GSM87928 1 0.5940 0.38434 0.684 0.012 0.028 0.116 0.160
#> GSM87960 1 0.0865 0.71044 0.972 0.000 0.024 0.000 0.004
#> GSM87862 2 0.4004 0.49848 0.000 0.748 0.004 0.232 0.016
#> GSM87886 1 0.2813 0.66795 0.880 0.000 0.084 0.004 0.032
#> GSM87895 2 0.4440 0.07281 0.000 0.528 0.000 0.468 0.004
#> GSM87919 1 0.0898 0.71003 0.972 0.000 0.020 0.000 0.008
#> GSM87933 5 0.4291 0.34561 0.000 0.000 0.000 0.464 0.536
#> GSM87952 1 0.0290 0.71197 0.992 0.000 0.008 0.000 0.000
#> GSM87872 4 0.7756 0.26004 0.036 0.212 0.016 0.396 0.340
#> GSM87877 1 0.7618 -0.06087 0.512 0.024 0.104 0.080 0.280
#> GSM87905 1 0.6996 -0.06654 0.428 0.416 0.076 0.000 0.080
#> GSM87914 5 0.7622 -0.06716 0.280 0.024 0.012 0.296 0.388
#> GSM87942 5 0.6033 0.43814 0.088 0.004 0.016 0.296 0.596
#> GSM87956 1 0.1412 0.70748 0.952 0.004 0.008 0.000 0.036
cbind(get_classes(res, k = 6), get_membership(res, k = 6))
#> class entropy silhouette p1 p2 p3 p4 p5 p6
#> GSM87863 6 0.5359 0.2841 0.084 0.204 0.000 0.036 0.008 0.668
#> GSM87887 4 0.4096 0.3945 0.064 0.024 0.000 0.792 0.008 0.112
#> GSM87896 3 0.0858 0.7065 0.000 0.028 0.968 0.000 0.004 0.000
#> GSM87934 3 0.5620 0.1297 0.000 0.000 0.512 0.320 0.168 0.000
#> GSM87943 6 0.3054 0.3375 0.000 0.020 0.068 0.032 0.012 0.868
#> GSM87853 3 0.1116 0.7024 0.000 0.028 0.960 0.008 0.000 0.004
#> GSM87906 2 0.2631 0.6773 0.000 0.856 0.128 0.012 0.004 0.000
#> GSM87920 1 0.8169 -0.1324 0.340 0.164 0.000 0.252 0.040 0.204
#> GSM87924 3 0.1082 0.6969 0.000 0.000 0.956 0.004 0.040 0.000
#> GSM87858 3 0.1007 0.7000 0.000 0.044 0.956 0.000 0.000 0.000
#> GSM87882 4 0.4558 0.4256 0.000 0.000 0.088 0.724 0.016 0.172
#> GSM87891 3 0.0692 0.7078 0.000 0.020 0.976 0.000 0.004 0.000
#> GSM87917 1 0.0893 0.8137 0.972 0.004 0.000 0.004 0.016 0.004
#> GSM87929 3 0.6617 -0.1386 0.000 0.012 0.352 0.332 0.296 0.008
#> GSM87948 1 0.5090 0.6126 0.656 0.012 0.000 0.004 0.092 0.236
#> GSM87868 1 0.2151 0.8084 0.904 0.016 0.000 0.000 0.008 0.072
#> GSM87873 3 0.0146 0.7052 0.000 0.000 0.996 0.004 0.000 0.000
#> GSM87901 2 0.4871 0.6671 0.044 0.760 0.124 0.028 0.020 0.024
#> GSM87910 1 0.1210 0.8157 0.960 0.008 0.000 0.004 0.020 0.008
#> GSM87938 3 0.3544 0.5864 0.000 0.000 0.800 0.120 0.080 0.000
#> GSM87953 1 0.1957 0.8026 0.928 0.012 0.000 0.028 0.024 0.008
#> GSM87864 1 0.5363 0.2419 0.472 0.032 0.000 0.000 0.044 0.452
#> GSM87888 5 0.7146 0.4009 0.048 0.000 0.116 0.068 0.496 0.272
#> GSM87897 2 0.3315 0.6796 0.000 0.804 0.156 0.000 0.040 0.000
#> GSM87935 5 0.3383 0.5316 0.000 0.000 0.268 0.004 0.728 0.000
#> GSM87944 1 0.3564 0.7320 0.768 0.004 0.000 0.024 0.000 0.204
#> GSM87854 2 0.4418 0.5449 0.000 0.712 0.044 0.012 0.004 0.228
#> GSM87878 4 0.6360 0.0234 0.420 0.048 0.000 0.432 0.088 0.012
#> GSM87907 2 0.3592 0.5778 0.000 0.656 0.344 0.000 0.000 0.000
#> GSM87921 4 0.7533 0.1760 0.044 0.340 0.036 0.376 0.196 0.008
#> GSM87925 3 0.5116 0.1881 0.000 0.000 0.560 0.096 0.344 0.000
#> GSM87957 1 0.6388 0.4689 0.572 0.088 0.000 0.008 0.228 0.104
#> GSM87859 3 0.1152 0.6991 0.000 0.044 0.952 0.004 0.000 0.000
#> GSM87883 1 0.4587 0.6541 0.692 0.008 0.000 0.048 0.008 0.244
#> GSM87892 3 0.1285 0.6949 0.000 0.052 0.944 0.000 0.004 0.000
#> GSM87930 3 0.1644 0.6874 0.000 0.000 0.932 0.028 0.040 0.000
#> GSM87949 1 0.1003 0.8161 0.964 0.000 0.000 0.000 0.020 0.016
#> GSM87869 1 0.2411 0.8092 0.900 0.024 0.000 0.000 0.032 0.044
#> GSM87874 3 0.0748 0.7007 0.000 0.004 0.976 0.016 0.000 0.004
#> GSM87902 2 0.5455 0.6259 0.108 0.668 0.188 0.012 0.004 0.020
#> GSM87911 4 0.6001 0.3764 0.096 0.124 0.020 0.680 0.024 0.056
#> GSM87939 5 0.5969 0.1174 0.000 0.000 0.376 0.224 0.400 0.000
#> GSM87954 1 0.1553 0.8072 0.944 0.012 0.000 0.004 0.032 0.008
#> GSM87865 2 0.4203 0.5854 0.072 0.788 0.000 0.004 0.040 0.096
#> GSM87889 4 0.7482 -0.0360 0.208 0.008 0.008 0.352 0.080 0.344
#> GSM87898 1 0.4577 0.2912 0.568 0.400 0.000 0.000 0.016 0.016
#> GSM87915 1 0.2263 0.7974 0.912 0.012 0.000 0.036 0.032 0.008
#> GSM87936 5 0.3810 0.5426 0.000 0.004 0.208 0.036 0.752 0.000
#> GSM87945 3 0.4791 0.3238 0.000 0.012 0.656 0.064 0.000 0.268
#> GSM87855 6 0.6535 0.0833 0.000 0.204 0.380 0.024 0.004 0.388
#> GSM87879 6 0.6676 0.1422 0.020 0.000 0.228 0.064 0.140 0.548
#> GSM87922 4 0.3594 0.4916 0.000 0.020 0.088 0.832 0.048 0.012
#> GSM87926 4 0.6140 0.1295 0.000 0.000 0.292 0.428 0.276 0.004
#> GSM87958 1 0.2520 0.8036 0.888 0.008 0.000 0.000 0.052 0.052
#> GSM87860 3 0.2883 0.5239 0.000 0.212 0.788 0.000 0.000 0.000
#> GSM87884 1 0.5596 0.5680 0.632 0.008 0.000 0.096 0.032 0.232
#> GSM87893 3 0.0547 0.7069 0.000 0.020 0.980 0.000 0.000 0.000
#> GSM87918 5 0.3658 0.4604 0.188 0.000 0.020 0.000 0.776 0.016
#> GSM87931 3 0.5713 -0.0414 0.000 0.000 0.448 0.388 0.164 0.000
#> GSM87950 1 0.0820 0.8167 0.972 0.000 0.000 0.000 0.012 0.016
#> GSM87870 1 0.4564 0.5683 0.684 0.264 0.000 0.020 0.008 0.024
#> GSM87875 6 0.4995 0.0685 0.000 0.004 0.468 0.028 0.016 0.484
#> GSM87903 2 0.3087 0.6786 0.000 0.820 0.160 0.004 0.012 0.004
#> GSM87912 1 0.1325 0.8108 0.956 0.012 0.000 0.012 0.016 0.004
#> GSM87940 3 0.3674 0.4341 0.000 0.000 0.716 0.016 0.268 0.000
#> GSM87866 1 0.5020 0.5615 0.648 0.248 0.000 0.000 0.012 0.092
#> GSM87899 2 0.3680 0.6565 0.000 0.744 0.232 0.000 0.004 0.020
#> GSM87937 5 0.4305 0.2704 0.000 0.000 0.436 0.020 0.544 0.000
#> GSM87946 1 0.3212 0.7551 0.800 0.004 0.000 0.000 0.016 0.180
#> GSM87856 2 0.5553 0.1839 0.000 0.460 0.080 0.012 0.004 0.444
#> GSM87880 5 0.6254 0.4746 0.024 0.008 0.144 0.024 0.604 0.196
#> GSM87908 2 0.4337 0.5946 0.136 0.780 0.032 0.012 0.008 0.032
#> GSM87923 4 0.7553 -0.0452 0.000 0.000 0.160 0.320 0.296 0.224
#> GSM87927 5 0.3185 0.5468 0.008 0.012 0.128 0.016 0.836 0.000
#> GSM87959 1 0.2094 0.8085 0.908 0.004 0.000 0.000 0.024 0.064
#> GSM87861 3 0.3586 0.3566 0.000 0.280 0.712 0.004 0.000 0.004
#> GSM87885 5 0.7747 0.2487 0.280 0.012 0.068 0.132 0.448 0.060
#> GSM87894 2 0.5503 0.3409 0.296 0.604 0.000 0.052 0.008 0.040
#> GSM87932 1 0.6235 0.5096 0.628 0.076 0.000 0.156 0.116 0.024
#> GSM87951 1 0.0000 0.8147 1.000 0.000 0.000 0.000 0.000 0.000
#> GSM87871 2 0.4416 0.6442 0.044 0.808 0.040 0.020 0.048 0.040
#> GSM87876 5 0.6691 0.3560 0.112 0.012 0.024 0.044 0.556 0.252
#> GSM87904 2 0.3788 0.6356 0.000 0.704 0.280 0.000 0.004 0.012
#> GSM87913 1 0.2257 0.7970 0.876 0.000 0.000 0.000 0.008 0.116
#> GSM87941 5 0.4308 0.5203 0.000 0.004 0.172 0.080 0.740 0.004
#> GSM87955 1 0.0820 0.8160 0.972 0.000 0.000 0.000 0.016 0.012
#> GSM87867 2 0.6787 0.2576 0.096 0.500 0.000 0.000 0.220 0.184
#> GSM87890 3 0.5844 -0.0679 0.000 0.000 0.456 0.200 0.344 0.000
#> GSM87900 2 0.4753 0.5835 0.000 0.644 0.304 0.012 0.028 0.012
#> GSM87916 4 0.4239 0.4292 0.000 0.000 0.248 0.696 0.056 0.000
#> GSM87947 6 0.5638 -0.2270 0.416 0.008 0.000 0.004 0.100 0.472
#> GSM87857 2 0.4565 0.5707 0.000 0.620 0.344 0.004 0.016 0.016
#> GSM87881 5 0.5509 0.0582 0.000 0.000 0.100 0.416 0.476 0.008
#> GSM87909 2 0.6042 0.2877 0.336 0.532 0.008 0.020 0.096 0.008
#> GSM87928 1 0.3108 0.7668 0.844 0.012 0.000 0.012 0.120 0.012
#> GSM87960 1 0.2329 0.8092 0.904 0.008 0.000 0.004 0.036 0.048
#> GSM87862 2 0.5529 0.5664 0.000 0.608 0.216 0.004 0.164 0.008
#> GSM87886 1 0.3215 0.7812 0.860 0.008 0.000 0.040 0.032 0.060
#> GSM87895 3 0.2738 0.5780 0.000 0.176 0.820 0.000 0.004 0.000
#> GSM87919 1 0.0603 0.8132 0.980 0.000 0.000 0.000 0.016 0.004
#> GSM87933 4 0.5396 0.3126 0.000 0.000 0.284 0.564 0.152 0.000
#> GSM87952 1 0.0405 0.8158 0.988 0.000 0.000 0.000 0.004 0.008
#> GSM87872 5 0.3727 0.5140 0.012 0.080 0.084 0.000 0.816 0.008
#> GSM87877 5 0.5857 0.1706 0.300 0.012 0.000 0.000 0.524 0.164
#> GSM87905 2 0.4755 0.4977 0.228 0.696 0.000 0.048 0.008 0.020
#> GSM87914 5 0.6124 0.3409 0.292 0.004 0.136 0.032 0.536 0.000
#> GSM87942 4 0.4955 0.4302 0.028 0.000 0.064 0.708 0.188 0.012
#> GSM87956 1 0.1036 0.8172 0.964 0.000 0.000 0.004 0.024 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 time(p) agent(p) individual(p) k
#> ATC:NMF 102 0.695 0.570 2.71e-05 2
#> ATC:NMF 48 NA NA NA 3
#> ATC:NMF 57 0.696 0.532 1.39e-11 4
#> ATC:NMF 38 0.962 0.292 2.40e-06 5
#> ATC:NMF 63 0.347 0.127 1.32e-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.
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