pheatmap|暴雨暂歇,“热图”来袭!!!

简介: pheatmap|暴雨暂歇,“热图”来袭!!!

本文首发于“生信补给站”公众号 pheatmap|暴雨暂歇,“热图”来袭!!!

热图可以聚合大量的数据,并可以用一种渐进色来优雅地表现,可以很直观地展现数据的疏密程度或频率高低。

   本文利用R语言 pheatmap 包从头开始绘制各种漂亮的热图。参数像积木,拼凑出你最喜欢的热图即可,如下图:

    基因和样本都可以单独聚类,排序,聚类再分组,行列注释,配色调整,调整聚类线以及单元格的宽度和高度均可实现。

image.png


载入数据,R包



#R包
library(pheatmap)
# 构建测试数据 
set.seed(1234)
test = matrix(rnorm(200), 20, 10)
test[1:10, seq(1, 10, 2)] = test[1:10, seq(1, 10, 2)] + 3 
test[11:20, seq(2, 10, 2)] = test[11:20, seq(2, 10, 2)] + 2 
test[15:20, seq(2, 10, 2)] = test[15:20, seq(2, 10, 2)] + 4 
colnames(test) = paste("Test", 1:10, sep = "")
rownames(test) = paste("Gene", 1:20, sep = "")
head(test[,1:6])

image.png

绘制热图

绘制默认热图


pheatmap(test)

image.png

基本参数

# scale = "row"参数对行进行归一化

# clustering_method参数设定不同聚类方法,默认为"complete",可以设定为'ward', 'ward.D', 'ward.D2', 'single', 'complete', 'average', 'mcquitty', 'median' or 'centroid'


pheatmap(test,scale = "row", clustering_method = "average")

image.png


#表示行聚类使用皮尔森相关系数聚类,默认为欧氏距离"euclidean"


pheatmap(test, scale = "row", clustering_distance_rows = "correlation")

image.png


#行 列是否聚类,cluster_row ,cluster_col


pheatmap(test, cluster_row = FALSE,cluster_col = TRUE)

image.png


# treeheight_row和treeheight_col参数设定行和列聚类树的高度,默认为50


pheatmap(test, treeheight_row = 30, treeheight_col = 50)

image.png


# 设定cell 的大小


pheatmap(test, cellwidth = 15, cellheight = 12, fontsize = 10)

设定 text


热图中展示数值

# display_numbers = TRUE参数设定在每个热图格子中显示相应的数值,#number_color参数设置数值字体的颜色


pheatmap(test, display_numbers = TRUE,number_color = "blue")

image.png


# 设定数值的显示格式


pheatmap(test, display_numbers = TRUE, number_format = "%.1e")

image.png


#设定条件式展示


pheatmap(test, display_numbers = matrix(ifelse(test > 5, "*", ""), nrow(test)))

image.png


设置 legend


设定legend展示的值

#legend_breaks参数设定图例显示范围,legend_labels参数添加图例标签


pheatmap(test, cluster_row = FALSE, legend_breaks = -1:4, legend_labels = c("0", "1e-4", "1e-3", "1e-2", "1e-1", "1"))

image.png

#去掉legend


pheatmap(test, legend = FALSE)

image.png

设定 color

自定义颜色

#colorRampPalette


pheatmap(test, color = colorRampPalette(c("navy", "white", "firebrick3"))(50))

image.png

# border_color参数设定每个热图格子的边框色

# border=TRIUE/FALSE参数是否要边框线


pheatmap(test, border_color = "red", border=TRUE)

image.png

设定 annotations

# 生成行 列的注释


annotation_col = data.frame( CellType = factor(rep(c("CT1", "CT2"), 5)), Time = 1:5 )
rownames(annotation_col) = paste("Test", 1:10, sep = "")
annotation_row = data.frame( GeneClass = factor(rep(c("Path1", "Path2", "Path3"), c(10, 4, 6))))
rownames(annotation_row) = paste("Gene", 1:20, sep = "")


#添加列的注释


pheatmap(test, annotation_col = annotation_col)

image.png


#添加行 列的注释

#angle_col 改变列标签的角度


pheatmap(test, annotation_col = annotation_col, annotation_row = annotation_row, angle_col = "45")

image.png


# 根据聚类结果,自定义注释分组及颜色


ann_colors = list( Time = c("white", "firebrick"), CellType = c(CT1 = "#1B9E77", CT2 = "#D95F02"), GeneClass = c(Path1 = "#7570B3", Path2 = "#E7298A", Path3 = "#66A61E") )
pheatmap(test, annotation_col = annotation_col,annotation_row=annotation_row, annotation_colors = ann_colors, main = "Title")

image.png

设定 gap

#根据聚类结果,设定行gap

pheatmap(test, annotation_col = annotation_col, cluster_rows =FALSE, gaps_row =c(10, 14))

image.png

#根据聚类结果,设定列gap


pheatmap(test,annotation_col = annotation_col, cluster_rows = FALSE,cutree_col = 2)

image.png

#展示行或者列的label

labels_row =c("", "", "", "", "", "", "", "", "", "", "", "", "", "", "", "", "", "Il10", "Il15", "Il1b")

pheatmap(test, annotation_col = annotation_col, labels_row = labels_row)

image.png

热图汇总


pheatmap(test, annotation_col = annotation_col, annotation_row = annotation_row, annotation_colors = ann_colors,gaps_row = c(10, 14),cutree_col = 2,main = "Pheatmap")

image.png

输出结果


A = pheatmap(test, annotation_col = annotation_col, annotation_row = annotation_row, annotation_colors = ann_colors,gaps_row = c(10, 14),cutree_col = 2,main = "Pheatmap") #记录热图的行排序
order_row = A$tree_row$order 
 #记录热图的列排序
order_col = A$tree_col$order   
# 按照热图的顺序,重新排原始数据
result = data.frame(test[order_row,order_col])   
# 将行名加到表格数据中
result = data.frame(rownames(result),result,check.names =F)  
colnames(result)[1] = "geneid" 
#result结果按照热图中的顺序
write.table(result,file="reorder.txt",row.names=FALSE,quote = FALSE,sep='\t')  

image.png

R的当前工作目录下即可查看热图的结果。


相关文章
|
存储 Java 开发工具
WinServer服务器上搭建Git代码库
本文介绍如何在WinServer服务器上搭建Git代码库。
363 0
|
存储 机器学习/深度学习 算法
使用 OpenCV4 和 C++ 构建计算机视觉项目:1~5
使用 OpenCV4 和 C++ 构建计算机视觉项目:1~5
320 0
|
消息中间件 存储 监控
五分钟快速了解Airflow工作流
简介 Airflow是一个以编程方式创作、调度和监控工作流的平台。 使用 Airflow 将工作流创作为有向无环图(DAG)任务。 Airflow 调度程序按照你指定的依赖项在一组workers上执行您的任务。同时,Airflow拥有丰富的命令行实用程序使得在DAG上进行复杂的诊断变得轻而易举。并且提供了丰富的用户界面使可视化生产中运行的工作流、监控进度和需要排查问题时变得非常容易。 当工作流被定义为代码时,它们变得更易于维护、可版本化、可测试和协作。
|
6月前
|
人工智能 JavaScript 前端开发
【最佳实践系列】AI程序员让我变成全栈:基于阿里云百炼DeepSeek的跨语言公告系统实战
本文介绍了如何在Java开发中通过跨语言编程,利用阿里云百炼服务平台的DeepSeek大模型生成公告内容,并将其嵌入前端页面。
371 10
|
6月前
|
测试技术 API 开发者
持续上新!Qwen2.5-Max正式发布
持续上新!Qwen2.5-Max正式发布
持续上新!Qwen2.5-Max正式发布
|
存储 安全 数据中心
【Docker 专栏】Docker 容器与宿主机的资源隔离机制
【5月更文挑战第8天】Docker容器利用Namespace和Cgroups实现资源隔离,保证CPU、内存、网络和存储的独立,提升资源利用率和系统安全性。资源隔离有助于简化应用部署与管理,但也带来资源竞争、监控管理及安全挑战。理解并善用资源隔离机制能实现更高效、安全的容器运行。随着技术进步,Docker容器资源隔离将持续优化。
1019 2
【Docker 专栏】Docker 容器与宿主机的资源隔离机制
|
XML 搜索推荐 数据处理
【办公自动化】使用Python批量生成PPT版荣誉证书
【办公自动化】使用Python批量生成PPT版荣誉证书
352 0
|
存储 运维 Linux
Docker详解(十)——Docker容器CPU资源限额配置
Docker详解(十)——Docker容器CPU资源限额配置
529 3
|
资源调度 算法 数据可视化
t_SNE 非线性降维基础原理
本文记录了个人关于 非线性降维算法 t-SNE(t-Distributed Stochastic Neighbor Embedding)的学习理解,以供参考学习
429 0
|
算法 搜索推荐 Python
探索Python中的推荐系统:混合推荐模型
探索Python中的推荐系统:混合推荐模型
932 1