组合聚类与优化新利器:基于Python UI的组学数据(转录组、代谢组等)分析框架ECCO

随着多组学（Multi-omics）研究的爆发式增长，研究人员测量的数据量已从几十种分析物飙升至成千上万种 。如何从如此高维、高噪声的数据中准确识别生物学亚型（Endotypes）和底层机制，成为了生信分析的重大挑战 。  

日前，单聚类算法（Mono-cluster solutions）仍是主流，但其固有的算法假设和局限性极易对生物学结论产生误导 。为了解决这一痛点，Montana State University 的 Ronald K. June 团队在 bioRxiv 发表了名为ECCO: A Python UI for Performing Ensemble Clustering Combined with Cluster Optimization on Omics Data的预印本文章 。他们开发了一款名为 ECCO（组合聚类结合聚类优化）的开源 Python 软件，为大尺度组学数据提供了一个无需代码、快速且可扩展的组合聚类框架 。

一、 ECCO 的核心优势

组合聚类（Ensemble Clustering）通过整合多个聚类算法的结果，寻找能稳定聚类在一起的观测值，可显著缓解高维组学数据中的稀疏性和噪声问题 。然而，以往的组合聚类工具（如 diceR 和 clariconc）需要较强的编程能力，未能广泛普及 。

ECCO 带来了以下关键改进：

1. 零代码操作：提供 Unix/Mac 和 Windows 的独立可执行程序，双击即可运行图形用户界面（UI）。

2. 高度可定制：仅需修改一个 CSV 配置文件（Specification File），即可自由组合各种相异度指标、联动函数和内部评估指标 。

3. 多核并行与可扩展性：基于 scipy 和 scikit-learn 构建，支持多线程加速，能随计算资源的增加展现出优异的扩展性 。

4. 功能全套：内置 24 种功能，涵盖数据预处理、聚类性能评估及下游通路富集分析衔接 。

二、 核心图表与工作流详解

1. ECCO 整体工作流（Figure 1）

文章中的 Figure 1 详细展示了 ECCO 的四步法标准工作流（从左至右）：

• 输入与预处理（左）：

Ensemble specifications（组合聚类规范）：用户上传一个 CSV 文件，自定义聚类参数 。支持多种相异度或相关性度量（如相关系数、欧氏距离等） ；支持 Ward、Average、Complete、Single 等联动函数（Linkage functions） ；支持三种内部聚类优化指标（轮廓系数 Silhouette、Davies-Bouldin 指标 DBI、Calinski-Harabasz 指标 CH） 。  

Input data & Pre-processing（输入数据与预处理）：支持连续、二值或计数数据输入 ，UI 内置了 log10 转换、Auto-scaling（Z-score 标准化）等常见分布调整功能 。  

• 生成与优化单聚类（中）：

Generate cluster solutions：根据规范生成多个独立的凝聚层级聚类方案（M 个方案） 。  

Define optimal number of clusters：自动根据内部指标的评估（例如让平均轮廓系数最接近 1，或使 DBI 最小），为每个单独的方案动态决定最佳的聚类数目（$K$ 值） 。  

• 计算共现共识（中下）：

Determine consensus clusters：采用投票共识（Voting Consensus）策略 ，计算任意两个分析物（分子）在所有聚类方案中被划分到同一簇的频率 。其核心公式为：

其中M为方案总数，若分析物i和j在方案m中同簇，则 

否则为 0 。若它们在所有方案中都同簇，权重则为 1 。

• 评估与输出（右）： 

Evaluate & Ensemble cluster solution：自动计算各单聚类方案之间以及其与最终组合聚类方案的 Rand 指数和调整 Rand 指数（Adjusted Rand Index），并输出最终的组合聚类共现矩阵聚类图（Clustergram）和原始数据热图 。

2. 案例分析：代谢组学数据应用（Figure 2）

为了验证 ECCO 的实际效果，作者使用了一组已发表的膝关节滑液代谢组学数据集进行案例分析（共包含 1361 个通过过滤的代谢物特征，本处聚焦于 17 例晚期骨关节炎患者样本） 。在配备 M1 Pro 芯片的 MacBook Pro 上开启 6 个线程，整个 ECCO 流程仅耗时 50 秒 便完成了全部计算并自动保存了 Figure 2 中的图表。

(1) Figure 2A & 2B：单聚类方案的 Rand 与 Adjusted Rand 指数比较

• 图表设计：这两张图是气泡图（Bubble plots） ，横纵坐标为 6 种不同的单聚类配置组合（结合了不同的相关度量如 CNS/CS、不同的联动函数如 ward/average/complete）。气泡的大小和红色深浅代表指数的高低（越接近 1 气泡越大、颜色越红）。

• 结果分析：

Figure 2A（Rand 指数）：值在 0.31 到 1 之间变动 ，说明各单聚类方案对代谢物的划分存在明显差异（从极小一致到完全一致） 。

Figure 2B（Adjusted Rand 指数）：校正了随机相遇概率后，值在 0.04 到 1 之间 。所有值均大于 0，说明各方案的契合度均高于随机预期，表现出了高度的“聚类方案多样性”（Cluster diversity），而这正是提高组合聚类性能的关键基础 。

(2) Figure 2C：单聚类方案与最终组合聚类方案（Ensemble）的比较

• 结果分析：研究发现，虽然单聚类中的“Complete linkage”方案与最终的 Ensemble 方案表现出较高的相似度（Rand 指数 0.92，Adjusted Rand 指数 0.66） 

• 科学严谨性反思：作者特别强调，0.92 的 Rand 指数看似很高，但在 1361 个代谢物基数下，这意味着有超过 100 个代谢物的分类在单聚类和组合聚类之间存在分歧。这 100 多个分歧分子足以对下游的“生物学通路富集分析”结果产生颠覆性的影响 。因此，依赖融合了 6 种方案证据的 Ensemble 方案更加稳健 。

(3) Figure 2D：最终组合聚类的共现矩阵图 (Clustergram of Co-occurrence)

• 图表设计：热图颜色条范围为 0 到 1（0 为白色，1 为明黄色） 。

• 结果分析：图中清晰可见数个明黄色的方形区域（Squares） 。这直接证明了无论使用哪种单聚类算法组合，这几组代谢物总是雷打不动地聚在一起，它们代表了数据中最为真实、稳健的生物学固有信号 。

(4) Figure 2E：映射回原始表达数据的组合聚类图

• 图表设计：该热图展示了预处理后的原始代谢物在 17 个样本中的丰度分布，并用黑色虚线框标出了 ECCO 识别出的稳定聚类簇 。

• 结果分析：例如，在热图的最顶部可以清晰观察到一个特定代谢物簇：在其中 2 例样本中这些代谢物呈现出极高的特异性高表达，而在其余 15 例样本中几乎不表达 。这种敏锐的亚型捕获能力，有助于精准医学中新型疾病内型的发现 。

三、总结与未来展望

作为一款开源、免代码的分析工具，ECCO 成功打破了高阶生信算法与临床/生物学实验科学家之间的壁垒 。

当然，作者也客观指出了系统目前的几点限制，并给出了明确的后续更新计划 ：

• 算法扩展：目前版本专注于凝聚层级聚类，未来将引入 K-means 等非层级算法，并引入 Gap Statistic 等统计学方法来评估聚类的显著性 。

• 脱离 UI 的 HPC 模式：由于凝聚聚类的计算复杂度为 O(n^3)，目前必须在有图形界面的服务器或本地多核运行 。团队计划开发非 UI 的纯命令行流，以便让大型数据更顺畅地跑在高性能计算（HPC）集群上 。

ECCO 代码及程序已完全开源，研究人员可直接从 GitHub 下载对应系统的可执行文件（目前最新版本 v1.0.3），快速提升自己组学数据的聚类可靠性 。

文章链接：

https://www.biorxiv.org/content/10.1101/2022.11.03.515009v2