Python 从距离矩阵计算亲和矩阵

我用clustal omega得到了500个蛋白质序列的距离矩阵（它们彼此同源）

我想使用亲和传播对这些序列进行聚类

最初，因为我用手观察到距离矩阵只有0到1之间的值，0距离=100%恒等式，所以我推断我可以用

（1-距离）

来获得亲和性

我运行了我的代码，集群看起来很合理，我认为一切都很好。。。在我读到这篇文章之前，亲和矩阵通常是通过应用“热核”从距离矩阵计算出来的。就在那时，所有的地狱在我的脑海里爆发

我是否认为亲和矩阵的概念不正确？有没有计算亲和矩阵的简单方法？scikit学习提供以下公式：

similarity = np.exp(-beta * distance / distance.std())

但是什么是beta？我知道距离。std（）是距离的标准偏差

我现在对所涉及的概念（与实际的编码实现相反）感到困惑和迷茫，因此非常感谢您的帮助

---

顺便说一句，我试着在Biostars.org上发帖，但我没有得到答案…

我认为1-distance和exp（-beta*distance）都是将距离转换为相似性的有效方法（尽管它们在概率框架中的解释不同）。我只想使用能提供更好结果的代码。

具体来说，代码来自哪里？代码来自此页面：这很有帮助，@Michaelhofman！我试图理解beta的价值。当beta=1时接近voronoi…-你对此有何理解？从一个不太正式的角度来看，任何距离度量都可以通过单调递减映射转换为相似性度量。负指数映射$e^{（-b*distance）/std（distance）}$对于任何正beta都是单调递减的，所以我想作者只是为了完整性才包含它。至少这是我的解释。