05_clustering

Săptămâna 5 — Clustering în Bioinformatică

Scopuri

• Înțelegerea metodelor de bază pentru clustering: Hierarchical, K-means, DBSCAN.
• Aplicarea clustering-ului pe date biologice reale.
• Vizualizarea și interpretarea clusterelor.
• Conectarea clustering-ului la filogenetică și la aplicații avansate (drug repurposing, gene co-expression networks).

---

Context

După ce în săptămâna 4 am construit arbori filogenetici, acum aplicăm metode de clustering pentru a descoperi grupări ascunse în date biologice.
În prezentare vom discuta atât metode clasice (Hierarchical, K-means, DBSCAN), cât și metode avansate (dimensionality reduction, cluster validity indices, probabilistic și fuzzy clustering).
În laborator vom implementa algoritmii de bază pe un dataset de cancer mamar.

---

Hands-on

Rulați

• demo01_k_means.py — k means cu vizualizare PCA Rulați și completați
• ex01_clustering.py — clustering pe date de expresie genică din cancer mamar (toy dataset).
  • Standardizați datele.
  • Aplicați Hierarchical Clustering și vizualizați dendrograma.
  • Aplicați K-means (K=2) și vizualizați rezultatele cu PCA.
  • Aplicați DBSCAN și comparați clusterele.
  • Salvați fișierele generate (CSV cu etichete, imagini cu ploturi).

---

Livrabile

În PR trebuie să apară:

1. Fișierul labs/05_clustering/submissions/<github_handle>_notes.md cu:
   • ce metodă ați considerat cea mai potrivită pentru datele analizate,
   • o scurtă reflecție: Cum se compară clustering-ul cu arborii filogenetici în descoperirea relațiilor biologice?
2. Scriptul completat ex06_clustering.py.
3. Fișierele generate:

   labs/05_clustering/submissions/<handle>/clusters_<handle>.csv
   labs/05_clustering/submissions/<handle>/hierarchical_<handle>.png
   labs/05_clustering/submissions/<handle>/kmeans_<handle>.png
   labs/05_clustering/submissions/<handle>/dbscan_<handle>.png

4. Completarea checklist-ului din șablonul PR.

---

Săptămâna următoare

• Gene Co-expression Networks.
• De la clustering clasic la module biologice și integrare multi-omics.
• Vezi Săptămâna 6 — Gene Co-expression Networks)

---

Competențe

• aplicarea Hierarchical, K-means și DBSCAN pe date biologice.
• Reducerea dimensionalității și vizualizarea clusterelor (PCA).
• Compararea și interpretarea rezultatelor între metode.
• Înțelegerea limitelor clustering-ului și legătura cu analiza filogenetică.

---

Resurse

-Fișa laborator -Scikit-learn Clustering -Scipy Hierarchical -PCA în scikit-learn -Drug repurposing cu clustering pe rețele de gene.