Un ambiente informatica per la valutazione dei geni rilevanti in un processo di valutazione di microarray dataset

Il metodo di clustering k-means utilizza una serie di algoritmi che risultano computazionalmente più impegnativi rispetto ai metodi di clustering gerarchico. Altra differenza con i precedenti metodi di clustering è la non possibilità di essere visualizzati attraverso dendogrammi, e in linea generale non presentano la caratteristica di essere supervisionati.
Il metodo di clustering k-means viene annoverato tra gli algoritmi divisivi, in quanto usa un approccio che tende a dividere il totale degli elementi in gruppi.
L’utilizzo di tale metodo risulta molto utile nel caso in cui si sappia a priori il numero di clusters che gli elementi dovrebbero andare a formare, in quanto va impostato in partenza il numero di gruppi desiderati.
Le linee guida per questo algoritmo sono le seguenti: dapprima viene ripartito in maniera casuale la totalità degli elementi in k gruppi distinti; a questo punto viene calcolato il valore medio per ogni gruppo e la distanza tra ogni elemento e il valore medio di ciascun gruppo e successivamente spostato ogni elemento nel gruppo la cui media è più vicina all’elemento preso in considerazione. Viene poi calcolato nuovamente il valore medio di ciascun gruppo interessato allo spostamento.
Tale procedimento viene ripetuto sin quando non si arriva in una situazione in cui non si hanno più spostamenti o si raggiunge il massimo numero di iterazioni.
Tale meccanismo ha due grandi svantaggi: il primo è che il parametro k deve essere specificato a priori creando non pochi problemi nei casi in cui non si abbia alcuna informazione sui possibili modi in cui i dati possano dividersi; inoltre è particolarmente sensibile agli outliers che possono deviare in maniera netta il valore medio del cluster preso in considerazione.
Un’evoluzione di tale algoritmo è offerto dall’algoritmo noto come Partitioning Around Medoids. In tale algoritmo viene abbandonato il concetto di media all’interno del cluster (gruppo), e ne viene introdotto quello di medoide: esso rappresenta il dato che viene selezionato come “rappresentante” dell’intero cluster, tale da minimizzare le diversità all’interno del gruppo stesso.